基于微博位置签到数据的POI更新方法

POI的现势性对于位置服务至关重要,但传统人工实地调查效率低,现势性无法满足需求。以当前用户参与数众多的微博社交网络为数据平台,提出了一种基于微博位置签到数据的POI更新方法。首先,对微博位置签到数据进行预处理,剔除语义与空间位置不一致的噪声点,在此基础上提出一种基于RANSAC算法的位置签到数据集地理配准方法,实现位置签到数据与已有地理数据库的可靠配准;然后,将位置签到数据集与已有POI数据库进行空间分析与匹配建模,对匹配不成功的位置签到数据进行有效性验证,提取有效新增数据入库用以更新POI;最后,以武汉市的街旁网位置签到数据进行POI更新实验,能够有效地发现新增POI和消失POI,为POI快速高效更新提供了全新的方式。     

利用位置签到数据探索城市热点与商圈

众源地理数据（Crowd Sourcing Geographic Data）是指由大众采集并向大众开放共享的地理空间数据。众源位置签到数据作为众源地理数据的一种,客观真实的反映了大众日常生活行为,包含大量丰富的社会化属性信息。本文提出了一种基于众源位置签到数据的城市热点探测与商圈挖掘方法,首先对位置签到数据时空分布特性进行了研究,设计并提出了众源位置签到数据时空数据库模型;其次,提出了位置签到数据探索性空间分析方法,通过对众源位置签到数据的空间聚类分析,实现基于位置签到数据的商圈热点探测;最后,以武汉市为例,对街旁网截止2011年9月30日的众源位置签到数据进行了城市热点探测与商圈挖掘分析实验,结果表明,基于众源位置签到数据挖掘的武汉市商圈分布与城市规划商圈具有强相关性,可用于城市社会经济发展预测与区域经济规划。     

智能手机传感器标定的似线性模量方法

探讨了智能手机惯性传感器校正的九参数模型的6种形式,利用模量方程构建椭球模型,并通过多项式分解得到类似线性化的迭代模型,进而提出了一种似线性模量标定方法。利用该方法进行手机传感器多位置标定实验时,无需严格控制传感器标定位置或姿态,便可获得传感器的校正参数。以三星S3手机采集的加速度计和陀螺仪数据进行标定实验,计算结果与分析表明,所提方法适用于智能手机传感器的快速标定。     

海洋重力场特征统计模型计算与分析

海洋重力场特征参数在地球重力场逼近计算和海上测量优化设计中具有重要的应用价值。基于卫星测高重力在海域具有覆盖范围广且分布均匀的独特优势，提出了利用最新卫星测高重力数据集开展海洋重力场特征统计模型计算和分析的研究方案，给出了代表误差和协方差函数模型参数的计算公式，定义并研究了海洋广义布格重力异常的变化特征，提出了等精度和非等精度拟合经验协方差函数的计算模型。利用中国近海及西太平洋海区超过50万个5'×5'方块的1'×1'网格卫星测高重力异常数据，首次计算得到一组有代表性的中国周边海域重力场特征统计模型参数，较好地揭示了海洋重力场有别于陆地重力场的变化特征，利用海面船测重力数据对计算结果进行了可靠性检核，提出了相应的模型参数修正方案和使用建议。     

社交网络时空大数据聚类挖掘有效选择分析

来自社交网络的时空大数据具有海量和高动态的特性,有效选择时空数据进行聚焦挖掘分析至关重要。以微博位置签到数据为例,首先,对时空大数据空间聚类挖掘的有效选择问题进行了研究,针对社交网络时空数据不确定性问题,提出了时空大数据针对聚类挖掘的有效选择方法。聚类挖掘有效选择方法提出从空间、时间或属性等维度对时空大数据进行分割。然后,对分割得到的数据集进行空间探索分析(exploratory spatial data analysis,ESDA),得到具有聚类挖掘潜力的数据集。最后,以武汉市微博位置签到数据进行商圈热点探测为例,对提出的社交网络时空大数据聚类挖掘有效选择方法进行验证。结果表明,有效选择方法可以得到挖掘效率和精准性更高的时空数据集。     

利用Vondrak滤波优化Richards曲线的沉降预测方法

针对沉降预测模型的重要参数难以选取问题,考虑观测数据中含有噪声的影响,提出了利用Vondrak滤波优化Richards曲线的沉降预测方法。为了使预测值更加逼近实测值,选择以Richards曲线为基础模型进行改进,优化模型的沉降初始值和沉降极限值参数。利用Vondrak滤波对实测沉降数据进行平滑处理,减弱观测值中噪声的影响,为模型构建提供更加合理的参考数据。将Fminsearch函数计算结果作为参数迭代初始值,联合逐步回归分析法求得预测模型的最优参数。通过对比实验分析发现,改进方法的预测精度达到了±0.124 mm,与未加改进的预测方法相比,精度得到了较大提高。研究结果表明,利用Vondrak滤波优化的沉降预测方法能够提高精度,同时验证了改进方法的有效性。     

基于多尺度形变特征卷积网络的高分辨率遥感影像目标检测

传统的基于滑窗搜索和人工设计特征相结合的目标检测方法难以适用于海量高分辨率遥感图像的目标检测任务。本文提出了一种基于多尺度形变特征卷积网络的目标检测方法,利用可形变卷积网络对具有尺度和方向变化的遥感图像目标进行特征提取,然后对多层残差模块提取出的形变特征进行区域预测和鉴别。具体模型包括两个子网络：①目标区域预测子网络用于从多层深度特征图提取目标候选区域;②目标区域鉴别子网络用于对目标候选区域进行分类和位置回归。本文在光学卫星图像10类目标数据集上对比了多种基于深度学习的目标检测算法,并将训练好的模型用于谷歌地球影像飞机坟场数据集和高分2号、吉林1号数据集的评估,试验结果表明本文方法能够快速准确地对多类目标进行检测,具有较好的稳健性和迁移性。     

面向多维时空位置数据的动态加权聚类模型

针对传统聚类算法在处理时空位置数据挖掘时面临的多维聚类问题,提出了动态加权聚类模型。该模型叠加利用经典k-均值和基于密度的DBSCAN聚类算法,通过计算最大轮廓系数确定合适的簇数目,按照划分初始簇类、识别和剔除噪声点、修正聚类簇中心点位置坐标3个步骤实现对大体量多维时空位置数据的聚类分析,提出了动态权重系数计算公式,优化了基于密度的DBSCAN聚类算法中相似度函数,并在Python3.7环境下以网络签到数据集实例仿真验算了该模型算法。实验结果表明,相较单一的传统聚类算法,该模型能综合利用多维非位置属性对时空位置数据点聚类,更合理界定聚类簇的归属数据点,对提升时空位置数据集聚类簇中数据点的聚类效果明显。     

点质量融合模型的海空重力数据延拓分析

针对无高质量的数据对传统的虚拟点质量模型对重力数据改正时，易受系统误差影响及解算不稳定的问题，该文将海空重力数据中的系统误差用非参数分量表达，对点质量模型进行改进，建立了虚拟点质量的半参数模型，引入核估计方法，利用偏残差估计方法，进行三步拟合估计，得到了系统误差和点质量参数的估计值。在分离系统误差的基础上，引入正则化方法改善病态，将建立的模型与正则化方法相结合，建立了综合半参数核估计和正则化方法的点质量融合模型，可在无外部重力时估计系统误差，同时完成多源数据融合。基于EGM2008位模型产生海空重力异常数据，采用线性项和周期项系统误差进行仿真实验，结果表明改进后的点质量模型能够有效利用外部数据，在改善病态和分离系统误差方面提升精度效果明显。并以北卡罗来纳实测海空重力异常数据验证该文方法的有效性，结果表明在无外部数据时，该文方法能有效地分离系统误差，并且精度与引入外部数据改正后的正则化方法相当。     

基于VGG19卷积神经网络和迁移学习的水稻病害图像分类方法

本文在原有VGG19卷积神经网络的基础上,提出了一种基于迁移学习模型参数的水稻病害图像分类方法。该方法利用ImageNet数据集预训练生成的VGG19卷积神经网络,通过将网络相关参数迁移和调整的方式构建水稻病害图像分类的技术流程。通过对图像的预处理扩充样本数据,针对病害特征利用训练集调整训练参数,并利用验证集进行性能实测优化分类模型,实现水稻病害图像的快速识别分类,最后利用测试集评价分类精度。测试结果表明,该方法能够很好实现水稻病害图像的分类,分类精度达到99%以上。     

融合图像和时空信息的社交媒体用户活动分类方法

社交媒体签到数据中蕴含着大量的用户活动信息。理解社交媒体用户的活动和行为类型,对探索人类的移动性和行为模式等有着重要意义。提出了一种针对新浪微博（简称为微博）的用户活动分类方法,结合图像表达和时空数据分类技术,识别微博签到数据所代表的用户活动类型。首先,根据兴趣点属性信息将微博签到数据所代表的用户活动分为餐饮、生活服务、校园、户外、娱乐、出行6大类;然后,基于卷积神经网络和K近邻分类方法,融合签到数据中的图像场景信息与时空信息,对微博用户的活动行为进行分类。实验结果表明,所提方法能够显著提高微博用户活动类型识别的准确性,为精确探索人类行为活动提供更加有效的数据支持。     

一种使用RoBERTa-BiLSTM-CRF的中文地址解析方法

针对当前地址匹配方法严重依赖分词词典、无法有效识别地址中的地址元素及其所属类型的问题,提出了使用深度学习的中文地址解析方法,该方法能够对解析后的地址进行标准化和构成分析以改善地址匹配结果。通过对地址的不同词向量表示及不同序列标注模型的对比评估,结果表明,使用双向门递归单元和双向长短时记忆网络对中文地址解析差别较小,稀疏注意力机制有助于提高地址解析的$F_{\mathrm{1}}$值。所提出的方法在泛化能力测试集上的$F_{\mathrm{1}}$值达到了0.940,在普通测试集上的$F_{\mathrm{1}}$值达到了0.968。     

多源空间大数据场景下的家装品牌线下广告选址

合理进行线下广告牌投放位置的选择对商家宣传品牌以及扩大营销市场具有十分积极的作用。由于商业数据较难获取,以往研究多停留在宏观理论层面,未能对线下广告选址的实际布局进行细尺度分析。以北京为研究区,通过耦合某大型家装品牌线下广告到店转化率和路网、感兴趣点数据等表征地理特征和商业经济特征的多源空间数据,构建了基于随机森林的广告到店转化率预测模型（$R^{\mathrm{2}}$=0.758）,得到该品牌连锁家装商店在北京市广告选址适宜性空间分布结果,并对各影响特征进行分析。研究结果表明:该家装品牌线下广告到店转化率在北京整体呈现“中心高、外围低”的格局,且存在较强的空间自相关和高值聚集现象;同时,线下广告到店转化率与社会经济、商业政治和人群活动等具有较强相关性,且对同一群体持续进行广告曝光的位置对到店转化率的影响较大。该结果可为线下广告牌布局和商业选址等相关研究提供参考依据和理论基础。     

超体素随机森林与LSTM神经网络联合优化的室内点云高精度分类方法

针对现有三维点云数据分割分类方法存在分类目标内部不一致的问题,提出一种超体素随机森林与长短期记忆神经网络（long short-term memory,LSTM）联合优化的室内点云高精度分类方法。该方法根据超体素结构具备内部特征一致性的特点,对原始点云进行超体素划分,并以超体素为基本单元进行多元特征计算,搭建室内点云超体素随机森林分类模型,实现点云数据的粗分类。在此基础上,引入LSTM对粗分类的超体素邻域连接关系进行神经网络模型训练与预测,实现超体素粗分类结果的优化。基于开放数据集对所提分类方法进行有效性和精度验证,结果显示,该方法在公开数据集中对13类要素的分类精度可达到83.2%;与经典的深度学习框架相比,该方法在小样本训练时可以达到更优的分类精度。     

遥感图像质量等级分类的深度卷积神经网络方法

遥感图像应用发展对图像质量的要求越来越高,不同质量的遥感图像往往需要不同的处理方法和参数。通过遥感图像质量等级分类研究,不仅能够为遥感图像的处理提供先验信息,还能够对遥感图像的客观质量评价和传感器的成像效果进行评估。为了克服现有的遥感图像质量等级分类方法计算参数获取困难、等级数量少的缺点,利用深度学习方法的分类机能,通过改进特征提取网络和等级分类设计,建立了一种基于深度卷积神经网络的遥感图像质量等级分类模型。通过质量等级分类预处理后,利用经典的深度学习方法进行目标检测实验。结果表明,所提方法在西北工业大学遥感图像数据集上质量等级分类的准确率、召回率、精确率和F1最高能达到0.976、0.972、0.974和0.973, 优于传统算法。利用卷积神经网络实现遥感图像质量等级分类,既拓展了深度学习的应用领域,又为遥感图像质量评估提供了一个新方法。     

一种热红外与可见光影像深度特征匹配方法

针对无人机热红外影像与光学卫星影像的匹配难题,提出一种基于异源地标数据集学习的深度局部特征匹配方法。首先,利用生成对抗网络学习热红外与可见光影像的灰度分布规律,并进一步合成用于特征提取模型训练的热红外影像地标数据集;然后,联合残差网络和注意力机制模型,从数据集中学习深度不变特征;最后,经过对不变特征的匹配、提纯等处理,获得像对的正确匹配点。试验测试了该方法的性能,并与KAZE、特征检测描述网络和深度局部特征模型进行了对比。结果表明,提出的方法对灰度、纹理、重叠率以及几何变化具有较强的适应性,且匹配效率较高,可为无人机视觉导航提供支撑。     

一种基于改进实例分割模型的路面裂缝检测方法

为了解决现有裂缝识别算法准确度不高、检测与分割任务不能同时进行等问题,提出了一种基于改进型Mask R-CNN模型的路面裂缝识别方法。首先,建立裂缝数据集并进行标注,然后使用Mask R-CNN模型对裂缝数据集进行训练和测试,并对模型中锚点的长宽比进行调整,实现在裂缝定位的同时对生成的检测框内的裂缝像素进行分割;其次,针对Mask R-CNN模型生成的裂缝检测框不精准的问题,设计了C-Mask R-CNN多阈值检测方法,通过结合级联不同阈值的检测器来提高候选框质量,实现高阈值检测下的裂缝精准定位;最后,对改进后的模型进行一系列的优化参数和实验对比,并验证所提模型的有效性。实验结果表明,C-Mask R-CNN模型检测部分的平均准确率均值（mean average precision,mAP）达到0.954,与改进前模型相比提升了9.7%,分割部分的mAP达到0.935,与改进前相比提升了13.0%,识别效果较好。综上所述,C-Mask R-CNN模型可以较为完整地对裂缝进行定位及提取,识别精度较高。     

利用ICA方法提取奥卡万戈三角洲水储量变化信号

利用重力恢复与气候实验(gravity recovery and climate experiment, GRACE)时变地球重力场模型计算得到非洲奥卡万戈三角洲地区2003-01—2014-12的陆地水储量变化信息,分别采用主成分分析(principal component analysis, PCA)和独立成分分析(independent component analysis, ICA)提取质量变化信号,并与全球陆地数据同化系统(global land data assimilation system, GLDAS)的水文模型进行对比。结果显示,在奥卡万戈河流域东北部,水储量表现出很强的周期性变化,两种数据空间特征分布的信号出现在相同位置的成分GRACE-IC1和GLDAS-IC1对应的时间序列的相关系数达到0.85。奥卡万戈三角洲地区水储量从2003-01—2011-10呈现上升趋势,两种数据空间特征分布的信号出现在相同位置的成分GRACE-IC2和GLDAS-IC3对应的时间序列的相关系数达到0.81,说明GRACE反演结果与GLDAS水文模型反演结果在研究区域内具有很强的一致性。引入全球降水气候中心降水数据和Water GAP全球水文模型数据对研究区域陆地水储量变化的原因进行分析。实验结果表明,相对于传统的多项式拟合方法,ICA可以在较大区域内直接对特定位置质量变化信号的时空特征进行提取;对比GRACE数据两种方法分解结果的第3成分可以看出,在空间尺度和时间尺度上,ICA方法对信号的分解能力要优于主成分分析方法。     

一种通用的跨模态遥感信息关联学习方法

针对“异质鸿沟”问题导致的不同模态遥感信息间相似性难以度量的问题,构建并公开了一个包含4种模态信息的跨模态遥感数据集,并基于不同模态信息间潜在的语义一致性,提出了一种通用的跨模态遥感信息关联学习方法。利用深度神经网络的表征能力,分别对图像类信息和序列类信息设计各模态信息的特征学习网络,实现对不同模态高层语义信息的准确表示;设计了一个新的关联学习损失函数对模态内的语义一致性和模态间的互补性进行限制,利用知识蒸馏的思想,以先融合后迁移各模态间信息的方式增强模态间的语义相关性。在构建的数据集上进行实验,结果表明,所提方法平均精度均值达到70%,超过基准方法。     

利用无人机数码影像进行密植型果园单木分割

单木树冠提取对果树健康状态、营养成分、产量预测具有重要意义。无人机获取的高分辨率遥感影像作为低成本、低风险的数据源,为准确估计棵数、描绘树木冠层轮廓提供了新的技术手段。以往关于单木冠层轮廓提取的研究大多集中在森林或稀疏果园,以局部最大值滤波结果作为基于标记分水岭算法的种子点,该方法在密植型果园的表现并不理想。提出了一种适用于密植型果园、以区域型种子块作为标记的分水岭算法,通过最大似然法提取果树冠层生成冠层数字表面模型,利用高斯滤波结合形态学开运算及自适应阈值分割方法生成区域型种子块,并执行基于种子块标记的分水岭算法,实现密植型果园单木分割。实例研究结果表明,总体棵数查全率为95.22%,查准率为99.09%,得到单木轮廓提取总体准确率为93.45%,总体欠分割误差为5.87%,总体过分割误差为0.90%。与局部最大值种子点提取结果对比,总体准确度提高18.66%,精细树冠轮廓提取精度提高17.75%,可为地形平缓地区密植型果园单棵果树树冠提取提供参考。