GPSα�ද̬��λ���ƶ����ڱƽ�ģ��

????GPSα?????λ???????????????????????????仯????????????????????????α????????????????????????????????????????????????????????ξ?????е??????????????е???????????С?????????????????????????????????????????????????????????,????????仯???????????????仯??????????????????????????????????????????????????α?????λ?б??????????????????     

۶���������ƴ��ˮ׼�澫���о�

???????????????????BP?????緽????????????????????棬?????????????????????????????Ч???????????????????????????????????????????????????????????????????????????????????仯???????????????????????????y?????ж???????????п?????θ?????????￡?PSO-BP??????????????÷???????Ч????     

�½�����Mw7.2����3Dͬ���α䳡���������

????OKADA??????????????????????????????????????????????α???????????????????????α??????????????????????????,??????????,???????α?????-109.7 cm??????????????????α????19.2 cm??????????????????????????????????????α?????-51.4 cm????????????,????α?????98.5 cm???????????????????????????????????????α?????-66.5 cm?????????????????????α????25.8 cm????????????α?????????????????????????????????????α????????????????????????????????????????????     

����ͼ��Ҷȵ�������ȡ���ӵıȽ��о����Ľ�

???γ????????????????????????Moravec?????Harris?????Forstner?????Forstner?????????????????????????λ????????????????????????????????????????????????????????????????λ?????????????????????????ó?????????????????????????????????????о??????????????????????????????λ?????????????????????     

�봨Ms8.0���𱱴�����ͬ��ֱλ������

??????8.0????????й?????????????????????????????????????????????201.8 km?????????????35.6 km????????????????????????????????????????1????8.0??????????????????????????????????λ????????????????????λ?????0.064 m???????????????2?????????????????????????????λ???4.711 m?????????????????λ?????5.100 m???????????????3??????????????????????????λ?????2.440 m??4)????????????????λ????????????????????λ?????0.101 m??5???????????????????????????????λ????????1.003 m?????????????????λ?????1.381 m???????????????     

ERA-Interim���Ϻ�NeQuick�����ģ������D-InSAR�������Ŀɿ����о�

????ROI_PAC????????????????ALOS PALSAR 474?????4?????????ERA-Interim?????NeQuick?????????????ж?????????????????????????????λ???????5??GPS?????????????????б????????????????????????????D-InSAR???ó?????λ????侭????????????????????????λ?????GPS??????????????????0.104 m?????????????0.057 m,???????????????????????????????D-InSAR?????????????     

����NCEP�ٷ������Ͻ���ȫ�������Ȩƽ���¶�ģ��

??????????????????GWMT??????????????????????????????2007~2011??NCEP??????????????????????????????GWMT_N??????2011?????650???????????Tm?????2011??COSMIC????Tm?????GWMT_N????????????????????????GWMT_N????????GWMT?????????????????????????????????GWMT_N???????徫?????????????????Bevis???????????????????????????     

�Ĵ�«ɽ7.0������ǰ������TEC�Ŷ�����

???2013-04-20?????7.0??????????CODE???????IONEX TEC?????IRI ????TEC???????????????????????????￡????????λ??????IONEX TEC?????IONEX TEC??IRI TEC??????????д?????????????????TEC??????????????????????TEC?????????????????????????????????????????????????     

GPS����վˮƽλ�Ʒ�������Է���

GPSλ?????в???????????????????б??????????????????仯?????????????????????????????????????, ???????????????????????????????????????????м?????п??幹??????????????з????????????????????????????????????????????GPS????е????仯???????????????????????????????Ч????????????????е???????????????????????     

��������Ķ�ʱ��GPS�ز���λ�������ٽ���

???????????????????GPS?????λ???????п???????????????С???????????????GPS?????λ??????????????????????????????????????????????????????????????????????Щ??????γ?????????????????????????4??λ???????е????????????????????????????????????е?????????????GPS?????λ?????????????     

基于基础测绘数字线划图成果的地理国情普查数据转换方法研究

地理国情是重要的基本国情,是从地理的角度分析、研究和描述国情,是国家制定发展战略和政策的依据;经过多年积累,基础测绘已经形成了较丰富的基础地理信息成果,特别是数字线划图的精度、现势性和覆盖范围都得到了较大的提升。将基础测绘数字线划图成果中符合地理国情普查技术要求的相关信息提取出来用于地理国情普查数据生产,可以减少地理国情普查数据生产的各种成本,提高生产效率。该文介绍了从基础测绘数字线划图成果数据中提取符合地理国情普查技术要求的基础数据的基本技术流程和实现方法,同时在商业软件的基础上进行了二次开发,研制了2种数据的转换软件,通过实践均取得了较好的效果,并在多家地理国情普查数据生产单位进行了推广应用,提高了地理国情普查数据生产效率。     

基于街景影像多特征融合的广州市越秀区街道空间品质评估

全面准确地描述街景影像的多层次特征在基于街景影像对街道空间品质进行评估的研究中具有重要意义。以广州市越秀区为例,获取前后左右各视角街景影像中手工设计的特征（SURF特征、HOG特征）和基于深度学习的特征（语义特征）,基于单一特征和多特征融合采用支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest, RF）训练各视角的评估模型。结果表明,以基于SVM建立的单特征模型为例,基于HOG特征（73.03%）、语义特征（72.28%）的模型平均精度优于SURF特征（56.00%）,基于SVM前后左右各视角模型的最优分类精度为82.8%（前）、81.7%（后）、76.6%（左）、76.6%（右）,而基于RF各视角模型的最优分类精度为82.8%（前）、85.0%（后）、78.1%（左）、70.3%（右）。前后视角的模型精度略优于左右视角。各视角最优模型均为多特征融合模型,最优模型平均分类精度和Kappa系数可达80.6%和0.62。利用街景影像评估街道空间品质时,各算法之间性能差异微弱,而特征选择及组合方式是提升精度的关键。越秀区街道空间品质存在明显空间分异,其西南部的街道空间品质亟待提升。本研究构建了基于街景影像多特征融合的大规模高精度街道空间品质测度方法,实现了对越秀区街道空间品质的评估,研究结果可为相关部门进行街道环境综合整治提供参考。     

矢量地理数据密级标识方法研究

密级标识是用于标识信息产品安全等级的隐蔽信息,是信息分级管理、控制与应用的基础和前提。作为涉密地理信息产品主要组织格式的矢量地理数据,其密级标识方法的研究具有重要意义。结合矢量地理数据在遭受几何攻击时,其要素空间关系不变性特征,以及密级标识方法的不可感知性、高鲁棒性要求,本文提出一种基于距离比值调制的矢量地理数据密级标识方法,以实现矢量地理数据的分级管理与保护。其主要研究思路为：① 基于距离比值调制的方法,能够较好地应对几何攻击;② 在每个线面要素内,通过重复嵌入密级标识,有效提高算法对于编辑操作的鲁棒性;③ 运用道格拉斯-普克算法提取特征点,在此基础上进行密级标识的嵌入,能够较好地对抗压缩攻击。实验结果表明：该方法具有良好的不可感知性;同时,对嵌入密级标识后的矢量地理数据进行几何变换、数据编辑、数据压缩等攻击后,其密级标识的提取率能够达到80%以上,表明方法具有较好的鲁棒性。     

微博中蕴含台风灾害损失信息识别和分类方法

社交媒体在灾害信息的实时发布与传播中发挥着越来越重要的作用。在灾害发生过程中,社交媒体中蕴含的实时灾损信息对灾情及时响应和评估有重要意义。然而,这些涉灾文本具有信息破碎度高、文本特征稀疏、标注语料库匮乏等缺点,使得传统的基于监督学习的方法难以有效提取其中的灾损信息。为此,本文提出了一种通过扩展上下文特征和匹配特征词的方法来快速识别和分类社交媒体中蕴含的不同类别的灾损信息。本方法首先基于中文语法规则,抽取小规模不同灾损类别下微博文本中的涉灾关键词构建特征词搭配对。然后,利用词向量模型和已有词库对这些特征词搭配对进行补充和扩展。同时,根据中文词语共现规则,引入外部语料库优化特征词间的语义搭配关系。最终,以此为基础构建台风灾损分类知识库对灾情文本中蕴含的不同类别灾损信息进行识别和分类。本文以2016年9月15日台风“莫兰蒂”登陆事件作为研究案例,以评估本文方法在灾损信息识别和分类上的效果。结果表明,本文方法对微博文本中蕴含的不同类别风灾损失信息的识别和分类效果显著（各类别综合评价指标都达到了0.74以上）。基于灾损信息分类结果,本文绘制了台风影响的时空分布图,从而进一步说明本文方法在灾害损失评估和减灾救灾方面的效用。     

数字化地图制图要素分类编码

数字化地图是地理信息系统建设的主要数据来源之一。数字化地图数据与地理信息数据的一致化,是地理信息系统建设,也是数字地图数据规范化的一项重要任务。实施地理信息系统数据工程时,人们往往在数字地图上对"地理信息要素"分类与代码进行工艺性扩展,没有有效区分数字地图制图要素与地理信息要素,从而导致不同的地理信息系统,形成不同的地理信息要素分类编码体系。本文认为,在本体论意义上,地图制图要素与地理信息要素是不同层面的概念。因此,本文根据功能特征,把数字地图制图要素划分为两类,一类是纯粹的地图制图要素,一类是G IS要素,并引入虚要素概念,把要素代码划分为G IS码、伪码、虚码三种类别,以此解决数字地图要素与地理信息要素的概念冲突,实现数字地图制图要素分类编码的可操作性,达到数字地图数据与地理信息数据一致化的目的。本文同时举例说明了符合地理空间信息要素分类代码标准要求的数字地图制图要素的分类编码方法。     

基础地理信息数据在LBS应用中的信息提取与处理

通过分析LBS数据应用范围和基础地理信息数据的内容及特点,详细介绍了在LBS应用中基础地理信息数据内容可提取性及可整合性,确定了除所需的专题地理信息数据具体内容外,在LBS应用中城市、城际数据所需基础地理信息数据的比例尺、要素内容,以及不同比例尺数据的整合处理方案、要素提取与处理的方式与方法。这样对于位置服务的数据处理可以按照比较规范的方式、方法进行,也为盘活基础地理信息数据资源提供了较好的思路,更好地实现基础地理信息数据公众化服务。     

DEM建模视角下的城市道路分类与表达

城市数字高程模型（Digital Elevation Model,DEM）是城市最重要的基础地理信息数据之一。城市道路DEM建模是城市DEM构建的重要组成部分,而道路分类是城市道路DEM建模的重要基础和前提。由于现有的城市道路分类方法在城市道路形态表达上有一定程度的失真,无法准确反映道路平面形态特征,导致其难以满足未来的地表过程模拟的需求。针对这一问题,本文从DEM建模视角出发,通过解析城市道路的构成,分析城市道路形态特征,针对现有的道路分类方法的不足,提出了一种顾及道路形态的城市道路分类方法。并在此基础上,探讨了城市道路的DEM表达方式,同时选取南京市局部区域为实验区,以DLG数据为数据源,对本文提出的城市道路分类方法与表达进行了相关的实验与分析。结果表明：与现有的方法相比,基于本文所提出的城市道路分类方法构建的道路DEM所表达的道路形态更符合实际实验区的道路形态,未出现局部路面不正常的突变情况且城市道路要素框架结构明显,所表达的城市道路地形更为精细,可以为雨洪模拟和水文分析等提供重要基础。因此,本文的道路分类方法能够清晰有效地辅助城市道路DEM建模,为高精度城市道路DEM的构建提供基础和参考。     

基于词嵌入的地理知识库实体类别对齐方法研究

地理知识库是地理实体及其相互间关系的集合,对于智能搜索、问答、推荐等知识服务有重要的支撑作用。然而,已有的地理知识库由于来源、形式、构建者等的不同,在实体地名、空间位置、类别等方面存在“同义异形”和“同形异义”的语义异构现象,影响了地理知识库间的知识融合与共享。语义对齐是解决语义异构的一种有效方法,其中实体类别对齐是语义对齐的基础,对于提高实体地名和空间位置的对齐精度具有重要作用。现有的实体类别对齐方法主要采用传统的字符相似度和结构相似度等来度量类别的相似度,无法捕捉实体类别深层次的语义相关性,从而影响了类别对齐的精确性。因此,本文提出了一种基于词嵌入的地理实体类别对齐方法,采用词嵌入模型从语料中学习实体类别的语义信息,并通过词向量来表达,以此弥补现有方法存在的缺失,进而提升实体对齐精度。进一步地,通过通用语料与地理信息语料的融合,本文实现了词嵌入模型所用语料在地理语义方面的增强,从而更精准地度量地理实体类别间的相关性。不同地理知识库实体类别对齐的实验表明,本文提出的方法能够有效捕捉地理实体类别的深层次语义信息,其实体类别对齐的调和平均值（Fl）可达0.9568,有效提高了实体类别的对齐精度。     

基于地理国情普查与土地利用现状数据融合分析研究——以黄河三角洲地区数据为例

收集黄河三角洲地区土地利用现状数据和地理国情普查数据,将土地利用现状数据中的"DLTB"层采用场模型和地理国情普查数据中的地表覆盖分类数据"LCA"层,进行区域无缝覆盖,将这两类数据完整对应。对于无法一一对应的类别,采用"主要对应"进行对比。对于不同土地利用类别对应到国情普查中相同的类别时,类别面积不重复、不漏算。以全覆盖做全局对比,结合土地利用的其他数据、地理国情要素数据进行细类比对、专题比对。以指标体系中分类含义为基础,兼顾实际,建立两类数据对照关系。以土地利用大类为基础,对普查数据二、三级类重新归类,形成与土地利用现状数据有对照意义的"大类"。统计各类地物面积时,采用相同的方法进行统计,总结该地区两类数据存在的异同,并分析差异的原因,为两类数据的相互利用提供借鉴。     

基于Gradient Boosting的车载LiDAR点云分类

车载LiDAR点云中包含地面、建筑物、行道树、路灯等丰富地物类别,自动对这些不同类别点云进行分类,对点云中目标的识别、提取及重建都具有重要意义。本文提出了一种基于Gradient Boosting的自动分类方法。该方法首先对车载激光点云进行数据预处理,然后计算点云的协方差矩阵、密度比、高程相关特征、局部平面特征、投影特征等,再计算点云特征直方图与垂直分布直方图,采用K-means方法对这两者分别进行聚类,并将其聚类类别值也作为特征,从而构建出20维的点云特征向量,应用Gradient Boosting分类方法进行自动分类。为了验证本文方法的有效性,从某城镇场景的车载激光点云数据中选取部分代表区域共144W点作为训练数据集,然后选取另一较大区域的点云共312W点作为测试数据集。使用训练好的分类器对测试数据集进行分类,分类结果总体准确率达到了93.38%,耗时631s,说明此分类方法具有较高的分类准确率,同时也具备较高的效率。