Контрольные работы 6 класс (Мерзляк А.Г. и др.)
- 1
- Войти
- Зарегистрироваться / Создать сайт
Приглашаем учителей и учеников на весенний сезон олимпиад. Бесплатная викторина, мгновенные результаты, комфортное участие
СДЕЛАЙТЕ СВОИ УРОКИ ЕЩЁ ЭФФЕКТИВНЕЕ, А ЖИЗНЬ СВОБОДНЕЕ
Благодаря готовым учебным материалам для работы в классе и дистанционно
Выбрать материалы
Скидки до 50 % на комплекты
только до
Готовые ключевые этапы урока всегда будут у вас под рукой
Организационный момент
Проверка знаний
Объяснение материала
Закрепление изученного
Итоги урока
Категории пользователя
Контрольные работы 7 класс, геометрия (Мерзляк А.
Г. и др.) (5)
Контрольные работы 7 класс, алгебра (Мерзляк А.Г. и др.) (8)
Задание № 15 ЕГЭ 2022 по математике (профильный уровень) (12)
Задание № 21 ЕГЭ 2022 по математике (базовый уровень) (14)
Контрольные работы 5 класс (Мерзляк А.Г. и др.) (10)
Контрольные работы 6 класс (Мерзляк А.Г. и др.) (12)
Контрольные работы 8 класс, алгебра (Мерзляк А.Г. и др.) (7)
Контрольные работы 8 класс, геометрия (Мерзляк А.
Г. и др.) (7)
Контрольные работы 9 класс, алгебра (Мерзляк А.Г. и др.) (6)
Контрольные работы 9 класс, геометрия (Мерзляк А.Г. и др.) (6)
Тренировочные варианты ЕГЭ
Контрольные работы 11 класс, геометрия (Мерзляк А.Г. и др.) (6)
Книжки-малышки (24)
Подготовка к ОГЭ (4)
Игровые приёмы на уроках математики (10)
Задачи на готовых чертежах (10)
Технологические карты, разработки уроков.
Методика урока по ФГОС (142)
Задачи, задачи, задачи… (36)
Подготовка к ЕГЭ (26)
Электронные пособия. Справочный материал по математике (14)
Тренировочные варианты ОГЭ (15)
Разработки предметных недель. Разговоры о важном: материалы классному руководителю (72)
Математические диктанты (10)
Задания ЕГЭ 2022 профиль (56)
КТП, рабочие программы (11)
Контрольные работы 11 класс, алгебра (Мерзляк А.
Софизмы, шарады, афоризмы, кроссворды, сказки и другие полезности (27)
Контрольные работы 10 класс, геометрия (Мерзляк А.Г. и др.) (6)
Подготовка к ЕГЭ, профиль, вторая часть (10)
Контрольные работы 10 класс, алгебра (Мерзляк А.Г. и др.) (8)
Страницы истории и стихотворные минутки на уроках математики (14)
Самостоятельные работы, математика 5 класс (19)
Эвристические задания.
Методы творческого обучения (9)
Геометрические задания с элементами исследования (23)
Контрольные работы по учебнику авторов А.Г. Мерзляк, В.Б. Полонский, М.С. Якир.
Даны четыре варианта контрольной работы, удобно вносить изменения и печатать. …
Категория: Математика
03.12.2019 13:51 19605 1186
Даны четыре варианта контрольной работы, удобно вносить изменения и печатать. …
Категория: Математика
03.12.2019 13:18 38602 1730
Даны четыре варианта контрольной работы, удобно вносить изменения и печатать.
…
Категория: Математика
03.12.2019 12:18 66452 3022
Даны четыре варианта контрольной работы, удобно вносить изменения и печатать. …
Категория: Математика
09.11.2019 08:21 44494 2662
Даны четыре варианта контрольной работы, удобно вносить изменения и печатать. …
Категория: Математика
09.11.2019 07:39 30400 2474
Даны четыре варианта контрольной работы, удобно вносить изменения и печатать.
…
Категория: Математика
09.11.2019 06:53 27955 2209
Даны четыре варианта контрольной работы, удобно вносить изменения и печатать. …
Категория: Математика
09.11.2019 05:28 45333 2641
Даны четыре варианта контрольной работы, удобно вносить изменения и печатать. …
Категория: Математика
09.11.2019 03:52 46796 2350
Даны четыре варианта контрольной работы, удобно вносить изменения и печатать.
…
Категория: Математика
08.11.2019 15:32 57287 3656
Даны четыре варианта контрольной работы, удобно вносить изменения и печатать. …
Категория: Математика
08.11.2019 15:02 49428 2888
Классификация сельскохозяйственных культур на основе признаков красной кромки Анализ данных GF-6 WFV
1. Чжао С. Дж. Достижения исследований и применения дистанционного зондирования в сельском хозяйстве. Транс. Подбородок. соц. Агр. Мах. 2014;45:277–293. [Google Scholar]
2.
Уордлоу Б.Д., Эгберт С.Л., Кастенс Дж.Х. Анализ временных рядов данных индекса растительности MODIS 250 м для классификации сельскохозяйственных культур на Центральных Великих равнинах США. Дистанционный датчик окружающей среды. 2007; 108: 290–310. doi: 10.1016/j.rse.2006.11.021. [Перекрестная ссылка] [Академия Google]
3. Chen Z.X., Ren J.Q., Tang H.J., Shi Y., Liu J. Прогресс и перспективы исследований и применения дистанционного зондирования в сельском хозяйстве в Китае. Журнал дистанционного зондирования. J. Remote Sens. 2016; 20: 748–767. [Google Scholar]
4. Тенкабайл П.С. Глобальные пахотные земли и их значение для водной и продовольственной безопасности в двадцать первом веке: на пути к вечной зеленой революции, сочетающей вторую зеленую революцию с голубой революцией. Remote Sens. 2010; 2: 2305–2312. дои: 10.3390/rs2092305. [CrossRef] [Google Scholar]
5. Атцбергер С. Достижения в области дистанционного зондирования сельского хозяйства: контекстное описание, существующие системы оперативного мониторинга и основные потребности в информации.
Remote Sens. 2013; 5: 949–981. doi: 10.3390/rs5020949. [CrossRef] [Google Scholar]
6. Хао П., Ван Л., Ню З., Аабликим А., Хуанг Н., Сюй С., Чен Ф. Потенциал временных рядов, объединенных с Landsat-5 TM и HJ-1 CCD для классификации сельскохозяйственных культур: тематическое исследование округов Боле и Манас в Синьцзяне, Китай. Remote Sens. 2014; 6: 7610–7631. дои: 10.3390/rs6087610. [CrossRef] [Google Scholar]
7. Song J.W., Zhang Y.J., Li XC., Yang W.Z. Сравнение изображений GF-1 и Landsat-8 в классификации земного покрова. прог. геогр. 2016; 35: 255–263. [Google Scholar]
8. Цай Ю., Гуан К., Пэн Дж., Ван С., Сейферт С., Уордлоу Б., Ли З. Высокоэффективная сезонная система классификации полевых культур типов с использованием временных рядов данных Landsat и подхода машинного обучения. Дистанционный датчик окружающей среды. 2018;210:35–47. doi: 10.1016/j.rse.2018.02.045. [Перекрестная ссылка] [Академия Google]
9. Ли Х.К., Ву Дж., Ван С.Л. Объектно-ориентированная классификация землепользования бассейна реки Дунцзян на основе изображения GF-1.
Транс. Подбородок. соц. Агр. англ. 2018; 34: 245–252. [Google Scholar]
10. Liu J., Wang L., Teng F., Yang L., Gao J., Yao B., Yang F. Влияние полосы частот красного края спутника RapidEye на точность оценки посевной площади. . Транс. Подбородок. соц. Агр. англ. 2016;32:140–148. [Google Scholar]
11. Делегидо Дж., Веррельст Дж., Меза С.М., Ривера Дж.П., Алонсо Л., Морено Дж. Спектральный индекс красного края для дистанционной оценки LAI зеленых агроэкосистем. Евро. Дж. Агрон. 2013;46:42–52. doi: 10.1016/j.eja.2012.12.001. [Перекрестная ссылка] [Академия Google]
12. Ше Б., Хуан Дж., Ши Дж., Вэй С. Извлечение регионов выращивания масличного рапса на основе вариационных характеристик положения красной кромки. Транс. Подбородок. соц. Агр. англ. 2013;29:145–152. [Google Scholar]
13. Канке Ю., Тубана Б., Дален М., Харрелл Д. Оценка индексов растительности на основе отражения красного и красного края для моделей прогнозирования биомассы риса и урожайности зерна на рисовых полях.
Точный Агр. 2016;17:507–530. doi: 10.1007/s11119-016-9433-1. [CrossRef] [Академия Google]
14. Цинь З.Ф., Чанг К., Шен Дж., Ю Ю., Лю Дж.К. Характеристики Red Edge и модель оценки SPAD с использованием гиперспектральных данных для риса в ирригационной зоне Нинся. Геомат. Инф. науч. Уханьский университет 2016;41:1168–1175. [Google Scholar]
15. Qiu S., He B., Yin C., Liao Z. Оценки спектральных полос красного края растительности Sentinel 2 для улучшения классификации земного покрова. МОФРЗ междунар. Арка фотограмм. Дистанционный сенсор Спл. Инф. науч. 2017;42:1055–1059. doi: 10.5194/isprs-archives-XLII-2-W7-871-2017. [Перекрестная ссылка] [Академия Google]
16. Форкуор Г., Димобе К., Серме И., Тондо Дж. Э. Landsat-8 в сравнении с Sentinel-2: изучение дополнительной ценности красных полос Sentinel-2 для картирования землепользования и земного покрова в Буркине Фасо. GIScience Remote Sens. 2018; 55:331–354. doi: 10.1080/15481603.2017.1370169. [CrossRef] [Google Scholar]
17.
Шустер С., Фёрстер М., Кляйншмит Б. Тестирование красного краевого канала для улучшения классификации землепользования на основе многоспектральных спутниковых данных высокого разрешения. Междунар. J. Remote Sens. 2012; 33: 5583–559.9. doi: 10.1080/01431161.2012.666812. [CrossRef] [Google Scholar]
18. Лю Х. П., Ан Х. Дж. Анализ характеристик спектра озеленения деревьев в Хух-Хото на основе мировоззрения-Ⅱ J. Inn. монг. Агр. ун-т 2014; 35:41–45. [Google Scholar]
19. Иммитцер М., Вуоло Ф., Атцбергер К. Первый опыт использования данных Sentinel-2 для классификации сельскохозяйственных культур и видов деревьев в Центральной Европе. Дистанционная чувствительность 2016; 8:166. doi: 10.3390/rs8030166. [CrossRef] [Google Scholar]
20. Liu J.Y., Xin C.L., Wu H.G., Zeng Q.W., Shi J.J. Потенциальное применение данных GF-6 WFV в мониторинге типов леса. Spacecr. Восстановление удаленного датчика 2019;40:107–116. [Google Scholar]
21. Ким Х.О., Йеом Дж.М. Эффект красных краев и особенностей текстуры для объектной классификации риса-сырца с использованием данных мультиспектральных спутниковых изображений RapidEye.
Междунар. J. Remote Sens. 2014; 35:7046–7068. doi: 10.1080/01431161.2014.965285. [CrossRef] [Google Scholar]
22. Устунер М., Санли Ф.Б., Абдикан С., Эсетлили М.Т., Куруку Ю. Классификация типов культур с использованием индексов растительности изображений RapidEye. МОФРЗ междунар. Арка фотограмм. Дистанционный сенсор Спл. Инф. науч. 2014;40:195–198. doi: 10.5194/isprsarchives-XL-7-195-2014. [CrossRef] [Google Scholar]
23. Hang S.Y., Yang L., Chen X., Yao Y. Изучение классификации типичных засушливых культур на основе машинного обучения. Спектроск. Спектр. Анальный. 2018; 38:3169–3176. [Google Scholar]
24. Wu J., Lu Y.N., Li C.B., Li Q.H. Точная классификация сельскохозяйственных культур округа на основе мультивременных изображений Sentinel-2A. Транс. Подбородок. соц. Агр. Мах. 2019;50:194–200. [Google Scholar]
25. Талукдар С., Сингха П., Махато С., Шахфахад, Пал С., Лиу Ю.-А., Рахман А. Классификация землепользования и растительного покрова с помощью классификаторов машинного обучения для спутниковых наблюдений -Обзор.
Дистанционный датчик 2020;12:1135. дои: 10.3390/rs12071135. [CrossRef] [Google Scholar]
26. Зераатпише М., Аюби С., Джафари А., Таджик С., Финке П. Цифровое картирование свойств почвы с использованием множественного машинного обучения в полузасушливом регионе, центральный Иран. Геодерма. 2019; 338: 445–452. doi: 10.1016/j.geoderma.2018.09.006. [CrossRef] [Google Scholar]
27. Сонобе Р., Ямая Ю., Тани Х., Ван Х., Кобаяси Н., Мотидзуки К.-И. Оценка пригодности данных Sentinel-1A и 2A для классификации сельскохозяйственных культур. GIScience Remote. Сенс. 2017; 54:918–938. doi: 10.1080/15481603.2017.1351149. [CrossRef] [Google Scholar]
28. Мапоня М.Г., ван Никерк А., Машимбай З.Е. Предуборочная классификация типов культур с использованием временных рядов Sentinel-2 и машинного обучения. вычисл. Электрон. Агр. 2020;169:105164. doi: 10.1016/j.compag.2019.105164. [CrossRef] [Google Scholar]
29. Liu J., Wang L.M., Yang F.G., Yang L.B., Wang X.L. Дистанционная оценка посевных площадей на основе изображений временных рядов HJ.
Транс. Подбородок. соц. Агр. англ. 2015;31:199–206. [Google Scholar]
30. Хао П., Тан Х., Чен З., Лю З. Картирование посевов в начале сезона с использованием улучшенной искусственной иммунной сети (IAIN) и данных Sentinel. Пир Дж. 2018;6:e5431. doi: 10.7717/peerj.5431. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
31. Huang G.Q., Zhao Q.G. Режим севооборота/залежей в типичных районах Китая и стратегия его развития. Акта Педол. Грех. 2018;55:283–292. [Google Scholar]
32. Се Х. Л., Ченг Л. Дж. Факторы влияния и норма экологической компенсации озимой пшеницы-пара в зоне воронки грунтовых вод. Дж. Нат. Ресурс. 2017;32:2012–2022. [Академия Google]
33. Ван М., Го Б.Б., Лонг X.X., Сюэ Л., Ченг Ю.Ф., Цзинь С.Ю., Чжоу С. Геометрическая калибровка на орбите и проверка точности камеры GF-6 WFV. Акта Геод. Картогр. Грех. 2020; 49: 171–180. [Google Scholar]
34. Zhang Q.Y., Li Z., Xia C.Z., Chen J., Peng D.L. Классификация пород деревьев на основе новых диапазонов спутников дистанционного зондирования Земли GF-6.
Дж. Гео-Инф. науч. 2019;21:1619–1628. [Google Scholar]
35. Liu C., Zhao C., Zhang L.Y. Новый метод уменьшения размеров гиперспектральных изображений ДЗЗ. J. График изображения. 2005; 10: 218–222. [Академия Google]
36. Чжан А.В., Ду Н., Кан С.Ю., Го Ф.К. Гиперспектральный адаптивный метод выбора полосы через нелинейное преобразование и корреляцию информационной близости. Инфракрасный лазер Eng. 2017;46:221–229. [Google Scholar]
37. Zhang Y., Guan Y.L. Сокращение гиперспектральных полос за счет объединения кластеризации с адаптивным выбором полос. Инф.Датц.Датч. 2018;33:66–70. [Google Scholar]
38. Ма Н., Ху Ю.Ф., Чжуан Д.Ф., Ван С.С. Определение оптимальной комбинации полос гиперспектральных данных HJ-1A в рассматриваемом регионе Дунгуань на основе оптимального коэффициента индекса и расстояния J–M. Технология дистанционных датчиков. заявл. 2010;25:358–365. [Академия Google]
39. Бруццоне Л., Роли Ф., Серпико С.Б. Расширение расстояния Джеффриса-Матуситы для многоклассовых случаев для выбора признаков.
IEEE транс. Geosci. Remote Sens. 1995; 33: 1318–1321. doi: 10.1109/36.477187. [CrossRef] [Google Scholar]
40. Хао П., Ву М., Ню З., Ван Л., Чжан Ю. Оценка различных составов данных для ранней классификации типов культур. Пир Дж. 2018;6:e4834. doi: 10.7717/peerj.4834. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
41. Харалик Р.М., Шанмугам К., Динштейн И.Х. Текстурные признаки для классификации изображений. IEEE транс. Сист. Человек Киберн. 1973;3:610–621. doi: 10.1109/TSMC.1973.4309314. [CrossRef] [Google Scholar]
42. Palsson F., Sveinsson J.R., Ulfarsson M.O., Benediktsson J.A. Модельное слияние мульти- и гиперспектральных изображений с использованием PCA и вейвлетов. IEEE транс. Geosci. Remote Sens. 2014; 53: 2652–2663. doi: 10.1109/TGRS.2014.2363477. [CrossRef] [Google Scholar]
43. Чжао Ю.С. Принципы и методы анализа приложений дистанционного зондирования Земли. 2-е изд. Научная пресса; Пекин, Китай: 2013. стр. 174–175. [Академия Google]
44.
Zhang L., Gong Z.N., Wang Q.W., Jin D., Wang X. Картирование водно-болотных угодий дельты реки Хуанхэ на основе многофункциональной оптимизации изображений Sentinel-2. J. Remote Sens. 2019; 23:313–326. [Google Scholar]
45. Fang C.Y., Wang L., Xu H.Q. Сравнительное исследование различных индексов красных краев для определения состояния здоровья городских пастбищ с помощью дистанционного зондирования. Дж. Гео-Инф. науч. 2017;19:1382–1392. [Google Scholar]
46. Се Q.Y. Кандидат наук. Тезис. Университет Академии наук Китая, Институт дистанционного зондирования и цифровой Земли Академии наук Китая; Пекин, Китай: 2017 г. Исследование методов извлечения индекса площади листьев на основе красных краевых полос из данных многоплатформенного дистанционного зондирования. [Академия Google]
47. Гительсон А.А., Мерзляк М.Н. Изменения спектральной отражательной способности, связанные с осенним старением листьев Aesculus hippocastanum L. и Acer platanoides L.. Спектральные особенности и связь с оценкой хлорофилла.
J. Физиол растений. 1994; 143: 286–292. doi: 10.1016/S0176-1617(11)81633-0. [CrossRef] [Google Scholar]
48. Барнс Э.М., Кларк Т.Р., Ричардс С.Е., Колаиззи П.Д., Хаберланд Дж., Костржевски М., Моран М.С. Одновременное обнаружение водного стресса сельскохозяйственных культур, состояния азота и густоты растительного покрова с использованием наземных мультиспектральных данных; Материалы Пятой международной конференции по точному земледелию; Блумингтон, Миннесота, США. 27–30 июля 2000 г.; п. 1619. [Google Scholar]
49. Гительсон А.А., Гриц Ю., Мерзляк М.Н. Взаимосвязь между содержанием хлорофилла в листьях и спектральной отражательной способностью и алгоритмы неразрушающей оценки хлорофилла в листьях высших растений. J. Физиол растений. 2003; 160: 271–282. doi: 10.1078/0176-1617-00887. [PubMed] [CrossRef] [Google Scholar]
50. Гительсон А.А., Кейдан Г.П., Мерзляк М.Н. Трехполосная модель неинвазивной оценки содержания хлорофилла, каротиноидов и антоцианов в листьях высших растений.
Геофиз. Рез. лат. 2006;33:L11402. дои: 10.1029/2006GL026457. [CrossRef] [Google Scholar]
51. Дотри К.С., Уолтхолл К.Л., Ким М.С., Де Колстоун Э.Б., Макмертри Дж.Э. Оценка концентрации хлорофилла в листьях кукурузы по отражательной способности листьев и полога. Дистанционный датчик окружающей среды. 2000; 74: 229–239. doi: 10.1016/S0034-4257(00)00113-9. [CrossRef] [Google Scholar]
52. Haboudane D., Miller J.R., Pattey E., Zarco-Tejada P.J., Strachan I.B. Гиперспектральные вегетационные индексы и новые алгоритмы для прогнозирования зеленого LAI навесов сельскохозяйственных культур: моделирование и проверка в контексте точного земледелия. Дистанционный датчик окружающей среды. 2004;90: 337–352. doi: 10.1016/j.rse.2003.12.013. [CrossRef] [Google Scholar]
53. Dash J., Curran PJ MTCI: индекс земного хлорофилла MERIS. Междунар. J. Remote Sens. 2004; 25: 5403–5413. doi: 10.1080/0143116042000274015. [CrossRef] [Google Scholar]
54. Блюм А., Лэнгли П. Подборка соответствующих функций и примеров машинного обучения.
Артиф. Интел. 1997; 97: 245–271. doi: 10.1016/S0004-3702(97)00063-5. [CrossRef] [Google Scholar]
55. Гийон И., Елисеев А. Введение в выбор переменных и признаков. Дж. Мах. Учиться. Рез. 2003;3:1157–1182. [Академия Google]
56. Костанца М.К., Афифи А.А. Сравнение правил остановки в прямом пошаговом дискриминантном анализе. Варенье. Стат. доц. 1979; 74: 777–785. doi: 10.1080/01621459.1979.10481030. [CrossRef] [Google Scholar]
57. Zhang H., Li Q., Liu J., Du X., Dong T., McNairn H., Shang J. Классификация культур на основе объектов с использованием мультивременного SPOT-5 изображения и текстурные особенности с помощью классификатора Random Forest. Геокарто Интернешнл. 2018;33:1017–1035. doi: 10.1080/10106049.2017.1333533. [Перекрестная ссылка] [Академия Google]
58. Ван Н., Ли К.З., Ду С., Чжан Ю., Чжао Л.К., Ван Х.Ю. Идентификация основных культур на основе одномерного отбора признаков в Субэе. J. Remote Sens. 2017; 21: 519–530. [Google Scholar]
59.
Van der Linden S., Rabe A., Held M., Jakimow B., Leitão P.J., Okujeni A., Hostert P. EnMAP-Box — набор инструментов и интерфейс прикладного программирования для EnMAP Обработка данных. Remote Sens. 2015; 7:11249–11266. doi: 10.3390/rs70911249. [CrossRef] [Google Scholar]
60. Htitiou A., Boudhar A., Lebrini Y., Hadria R., Lionboui H., Elmansouri L., Benabdelouahab T. Эффективность классификации случайных лесов на основе фенологических показателей, полученных из Sentinel-2 и Landsat 8 для картирования растительного покрова в орошаемом полузасушливом регионе. Дистанционный датчик Земли. науч. 2019;2:208–224. doi: 10.1007/s41976-019-00023-9. [CrossRef] [Google Scholar]
61. He Y., Huang C., Li H., Liu Q.S., Liu G.H., Zhou Z.C., Zhang C.C. Классификация земного покрова случайного леса на основе оптимизации характеристик изображения Sentinel-2A. Ресурс. науч. 2019;41:992–1001. [Google Scholar]
62. Коэн Дж. Коэффициент согласия для номинальных шкал. Образовательный Психол.
Изм. 1960; 20: 37–46. doi: 10.1177/001316446002000104. [CrossRef] [Google Scholar]
63. Конгалтон Р.Г. Обзор оценки точности классификаций данных дистанционного зондирования. Дистанционный датчик окружающей среды. 1991;37:35–46. doi: 10.1016/0034-4257(91)
-B. [CrossRef] [Google Scholar]
64. Foody G.M. Сравнение тематических карт: оценка статистической значимости различий в точности классификации. фотограмм. англ. Remote Sens. 2004; 70: 627–633. doi: 10.14358/PERS.70.5.627. [CrossRef] [Google Scholar]
65. Василакос С., Каврудакис Д., Георганта А. Ансамбль классификации мультивременных изображений Sentinel-2 с помощью машинного обучения: случай смешанной средиземноморской экосистемы. Дистанционный датчик 2020; 12:2005. дои: 10.3390/rs12122005. [CrossRef] [Google Scholar]
66. Li X., Chen G., Liu J., Chen W., Cheng X., Liao Y. Влияние красной полосы изображений RapidEye и индексов растительности на классификацию земного покрова в засушливый регион. Подбородок.