����GRACEʱ���������������ճ��仯

??????????????λ???????????????????????????????仯?????????С????????????????GRACE????????????????λ????????????????е??????????????????????????????????????????????????????????????????????????????????????仯???????????????????????????????????????????????????????????????????6?????????????     

���˻������²�ͬGPS���ջ����ܱȽ�

????????????????2????????????????????е?????λ??????????????????????????????????????б????????????????     

����DINSAR��2001������ɽ����8.1��������α�̽��

2001??11??14????????????????8.1????????????????400 km???????,????????????????е??????????????????ERS??2 SAR?????????SRTM DEM???????????·????·???????洦????????????????α?????????????:?????????????????????????DEM????·???????????????????;???????????????????????????????????     

�Ľ�����������α��η����о�

????????????????ε??????ζ??????????????????????????Ρ???????ζ????????????????任????????α??η????????????????????????     

�Ͷ�Ms5.1����ǰ�ij�ϫ�α�۲��쳣����

????б?????峱????????????????Ms5.1???????и???400 km??Χ??????α?????????з????????????????????Щ????????????????仯?????????????????????仯????????????????л???????????     

һ�ֽ����ع�ģ�͵��·���

?????????С????????????????д???????????????????????????·????????????????????????????鷽????????????????С?????????????鷽??????????????????????μ???????????????????÷???????Ч??????α?????????     

�������ؿǴ����α�(GPS)���İ�����

??????????GPS????????????????о????????????????α估???????Ms5.1?????????????????????????????????????????????N??S????????????????????????仯?????????????????S??N????????????仯???????????????????????????????????????????????????????????????1 ?????????     

���ڻҶȹ�����������������SARӰ��仯��ⷽ���о�

????????????????SAR??????????????????????????????????????????????????????????????????????????????????????????????????????????????仯?????????????????????????仯????????????????????????????????????????EM????????????????в????????????????????С????????б仯????????????????????????仯????????б?????????????????????????????????仯??????????????????????????????С?????и??????Ч????     

ˮ��Ͽ�ȵ��ζԵ��𶯵�Ӱ���о�

??????????????о????????????????????μ????????????????????????1???????????е????????????仯???????????????????????????????????2????????????????λ????????????????岿??????????С????????????????????и??????????????????????3??????????γ??????????????????????????С?     

������С���˷�������ά����ת���е�Ӧ��

????о???????С???????????С????????????С????????????????е???????????????????????????????У??????????????????μ?????????????????????????????????С???????????????е????????A??????????b??????????????????????????????????????????LS????????????????С??????????????????????????????????     

基于回波强度的海底底质分类系统关键技术

介绍基于回波强度的海底底质分类软件的框架,并从多波束声呐原理入手解析ALL格式多波束声呐数据的存储结构和内容,通过软件开发可实现ALL格式多波束声呐数据的解码,提取各种数据包,并且通过一系列的数据预处理形成基于波束脚印包络栅格的高分辨率声呐图像。最后,利用改进的BP神经网络对生成的声呐图像进行海底底质分类。实验证明,本系统对底质全图分类效果很好,并为海底微地貌识别提供精确可靠的依据。     

基于mRMR特征优选算法的多光谱遥感影像分类效率精度分析

在遥感图像分类过程中,进行合理的特征优选操作,将有助于提高分类器的分类效率及精度。本文以淮南地区资源三号卫星多光谱遥感影像数据为例,采用二值离散化、直方图法及F统计法3种计算方法实现mRMR（minimal-Redundancy-Maximal-Relevance）算法特征优选过程。根据3种方法所得到的特征优选结果及全部特征信息,分别采用C5.0决策树和K近邻2种分类器进行图像分类实验,并利用目视解译方法对不同方法组合的影像分类结果进行精度验证。实验结果表明,利用3种计算方法实现mRMR特征优选算法对不同分类器的影响程度不同：在分类效率方面,C5.0决策树分类器可提高36.84%,而K近邻分类器可提高72.05%;在分类精度方面,C5.0决策树分类器能保证分类精度大致不变,总体分类精度可提高0.60%,Kappa系数可提高0.80%,而K近邻分类器总体分类精度可提高4.34%,Kappa系数可提高7.90%。     

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。     

GIS的分层与特征的数据组织模式

数据组织是 GIS系统建设的基础和前提 ,认知方式、认知手段的变化 ,会带来认知结果的不同 ,形成了两种不同的数据组织方法 :(1 )基于分层的数据组织方法 ;(2 )基于特征的数据组织方法。文章分析了这两种数据组织方法的有关内容 ,并对它们进行了对比 ,认为基于特征的数据组织方法是第 4代 GIS的基础和核心 ,是 GIS的发展方向。     

环境背景数据的分类编码与应用

以环境背景数据为研究对象,通过对语义时间、存储格式、记载介质、负责机构、专题信息等属性特征的分析,提出完整的环境背景数据概念;强调环境背景数据的分类编码,应侧重环境背景数据的发现,并着重讨论分类编码的贯彻实施应以元数据为标准载体,在统一的环境背景数据分类编码无法确定时,利用核心元数据中的关键字字段实现分类编码的间接引用,确保元数据标准对不同系列分类编码的兼容并包。     

一种基于Harris角点检测的SVG转换可视化效果评价方法

SVG作为移动互联时代获得各种丰富图形信息的有效表达方法,已成为LBS中空间信息表达与描述的热点应用之一,但目前的研究大多没有考虑多源数据格式向SVG格式转换后的图像质量评价问题。针对多源空间数据向SVG格式转换方法和转换效果评价技术,本文设计了栅格数据和矢量数据向SVG格式转换的表达方法,分别利用直接载入栅格图像和编程实现矢量数据转换的方法实现了多源空间数据向SVG格式的有效转换;从定性与定量相结合的角度分析了转换前后的图像质量,设计了角点检测评价指标和流程,提出了基于Harris角点检测的SVG转换前后图形几何质量的评价方法。实验证明:SVG格式比较适用于位置服务中对空间数据尤其是矢量数据的表达,经过SVG转换后的图像,无论是栅格数据还是矢量数据都具有较高的图像质量,且栅格数据的转换效果相对略差于矢量数据;验证了一种基于SVG的移动位置空间服务信息表达和组织模式,对普及和强化SVG在位置服务系统中的应用具有一定的推动作用。     

基于深度学习AlexNet的遥感影像地表覆盖分类评价研究

地表覆盖分类信息是反映自然、人工地表覆盖要素的综合体,包含植被、土壤、冰川、河流、湖泊、沼泽湿地及各类人工构筑物等元素,侧重描述地球表面的自然属性,具有明确的时间及空间特性。地表覆盖分类信息数据量大、现势性强、人工评价费时,其自动化评价长期以来存在许多技术难点。本文基于面向对象的图斑分类体系,引入深度卷积神经网络对现有地理国情普查-地表覆盖分类数据进行分类评价,并通过试验利用AlexNet模型实现地表覆盖分类评价验证。试验结果表明,该方法可有效判读耕地、房屋2类图斑,正确分类隶属度优于99%,而由于数据较少、训练不充分,林地、水体图斑正确分类隶属度不高,分别为62.73%和43.59%。使用本文方法,经过大量数据充分微调的深度学习AlexNet可有效地计算图斑的地类隶属度,并实现自动地表覆盖分类图斑量化评价。     

MULTI—SOURCE REMOTE SENSING IMAGE FUSION BASED ON SUPPORT VECTOR MACHINE

Remote Sensing image fusion is an effective way to use the large volume of data from multi-source images.This paper introduces a new method of remote sensing image fusion based on support vector machine(SVM),using high spatial resolution data SPIN-2 and multi-spectral remote sensing data SPOT-4.Firstly,the new method is established by building a model of remote sensing image fusion based on SVM.Then by using SPIN-2 data and SPOT-4 data ,image classify-cation fusion in tested.Finally,and evaluation of the fusion result is made in two ways.1)From subjectivity assessment,the spatial resolution of the fused image is improved compared to the SPOT-4.And it is clearly that the texture of the fused image is distinctive.2)From quantitative analysis,the effect of classification fusion is better.As a whole ,the re-sult shows that the accuracy of image fusion based on SVM is high and the SVM algorithm can be recommended for applica-tion in remote sensing image fusion processes.     

前期土地覆被数据辅助下的分类样本自动选取

 将地学知识与影像标定相结合,一直是目视解译或计算机自动分类制图的主要手段。传统的目视解译方法能够充分利用地学知识,但需要大量的人力、物力,效率较低;计算机分类中尚未出现比较成熟的高效运用地学知识的分类方法。已有研究表明,分类样本可以作为地学知识的载体,将地学知识融入分类过程中;此外,无监督聚类可以显著提高样本选取的效率,有助于提供足够的样本,为将地学知识高效地融入计算机分类提供了一定的基础。本文提出一种以前期土地利用数据辅助与影像聚类相结合的样本自动选取方法。利用自动选取的样本,通过最大似然分类器对TM影像进行分类,并与手动选取样本分类的方法进行了对比分析。研究结果表明,在分类效果上,本文提出的前期土地覆被辅助下的分类样本自动选取方法,优于手动选取样本的方法,提高了分类效率。在水体、林地、园地、城镇建设用地等7种类型上的分类整体精度达到84.18%,kappa系数为0.8066;手动选取样本进行分类的整体精度为77.04%,kappa系数为0.7196。     

基于无人机传感器数据与词袋模型的点云自动化分类

激光点云分类是Li DAR数据应用的关键步骤和重要研究课题。针对Li DAR点云数据识别率低的问题,以体素化的点云为研究对象,提出了一种基于词袋模型的城区机载Li DAR点云数据分类方法。考虑到点云数据缺乏纹理信息,文中综合分析了点云数据和影像数据的特点,以点为单位提取描述点云的几何特征和影像特征分类特征;以体素为单位分割点云数据,并以体素为基础构建描述场景信息的词袋模型;最后基于随机分类器完成场景的分类。文中以ISPRS提供的Vaihingen数据作为实验数据。实验结果表明,本文提出的模型能有效地改善点云的分类质量,分类正确率能达到93%以上。