基于CA的溢油扩散时空过程模拟及敏感性分析

为了解决传统溢油元胞自动机（cellular automata,CA）模型难以获得的模型参数问题,引入逻辑回归方法到溢油CA模型中,并构建基于逻辑回归的溢油CA模型。该模型仅需要设置起始影像和影响因子（包括海风、洋流、距离、温度与盐度）等,便可以获取模型参数并模拟出溢油扩散范围的动态变化过程。将模型应用到深海溢油实验中以验证本模型在海上溢油模拟情况,结果表明模拟结果的总精度为96.6%,Kappa系数达0.899,能够准确地模拟出溢油扩散范围。通过参数敏感性分析可发现,温度与盐度因子对模型的影响最弱,其次是距离因子。对溢油扩散影响最为显著的是海风和洋流因子。若忽略海风与洋流的影响,模拟结果与观测结果将产生较大的偏差,并无法呈现出溢油扩散中的漂移等特征。     

城市扩张CA模型的参数敏感性分析

以广州市番禺区为研究区,构建了相应的城市扩张CA模型,从采样、邻域结构和微观元胞尺度等方面研究了CA模型的敏感性。首先通过改变模型采样比例、样本各个类别的比例等研究样本对模型参数的影响。然后分析不同的邻域结构与模型模拟精度的关系,并从微观尺度分析邻域元胞对中心元胞的影响。最后从空间尺度上分析CA模型在各种不同分辨率下的模拟结果,用景观指数剖析模拟结果的形态,同时在元胞摩尔邻域内分析其3×3邻域的城市发展密度变化情况。实验表明:(1)适当提高采样比例,会得到精度较高的权重,但训练样本中城市用地的比例应该与城市用地的转变量在全区的占比相匹配。(2)不论是采用摩尔邻域还是冯诺依曼邻域,模拟精度均随着空间尺度的增加而降低。在同一空间尺度下,采用摩尔邻域的模拟结果略好。相比冯诺依曼4个邻域元胞,摩尔邻域中的角点对中心元胞具有更大的影响。(3)随着空间分辨的降低,模拟结果的斑块数、斑块密度、聚集度和分形维度值在减少,结构变得简单,而且在微观的摩尔邻域中城市发展密度正在减少,即由高密度向低密度转换。     

基于LiDAR高度纹理和神经网络的地物分类

使用LiDAR单一数据进行点云分割工作时,基于斜率的严格分割LiDAR点云的方法不能很好的适应复杂地物 的分类工作。本文将LiDAR粗分割后的点云转换为高度图像和反射强度图像,并求取高度图像GLCM高度纹理。将4 种GLCM高度纹理、地面粗糙系数、平均高度和平均反射强度共7种纹理作为识别地面覆盖物的特征,并利用后向传播 神经网络(BP-ANN)方法对LiDAR数据进行地物识别。实验表明,这种方法能够从LiDAR独立数据源中有效的实现地 物分类,实验获得的精度大于90%。与传统的最大似然法进行对比,BP-ANN的分类精度高于最大似然法。当预设地 面类型能同时满足被光学影像和LiDAR数据识别的条件时,LiDAR高度纹理分类与光学影像分类结果的一致性达到 76.5%。     

基于数据同化的元胞自动机

提出基于集合卡尔曼滤波(EnKF)的元胞自动机(CA)模型。在CA模型中,由于不同的样本会训练出不同参数值 的转换规则,且获取的转换规则在整个模拟过程中不能改变等原因,误差在模拟过程中会不断累积。本文在CA模型中 引入集合卡尔曼滤波的数据同化方法,建立了基于集合卡尔曼滤波的数据同化CA模型,同化遥感观测数据,根据得出 的同化值修正模拟结果使之向真实情况逼近。利用该模型模拟了广东省东莞市的发展情景(1995年—2005年),实验表 明,与传统CA模型相比,基于集合卡尔曼滤波的CA模型能够融合遥感观测数据,并能更有效地模拟城市扩张过程,达 到良好的模拟效果。     

基于ArcGIS Server地理网络分析系统的实现与应用

地理网络分析是项重要的GIS空间分析功能.利用WebGIS技术为公共用户提供包括地理网络分析在内的分析工具是共享操作研究的一个重要应用研究方向.讨论了基于ArcGIS Server二次开发上的地理网络分析系统的设计方案.将调用的分析模型API函数集成为系统功能的实施关键技术.把道路追踪、资源分配等事务在Internet环境下应用与模拟,系统显示出功能齐备、良好的人机交互性能、稳定的空间运算过程等优点.能够满足地理网络分析的事务性和商业化的需求.     

利用自行车借还记录分析与挖掘空间位置信息

目前,大多数基于个体空间位置信息的研究只能对个体活动空间的特征进行粗略的描述,无法挖掘群体偏好和个体间的关系。本文结合利用时间地理学理论方法,对地理时空数据进行分析和挖掘,得出个人活动区域的规模、个人行为及其相关对象间的关系等。实验表明,利用广东财经大学三水校区的自行车借还记录可以分析出学生的分布、地点间的联系紧密程度、就餐偏好、课程安排及人际关系等情况。