地籍测量回眸与思考

早期,“地籍”的含义因国而异,部分是为了土地结算和管理,部分是税收的原因。直到1995年,欧洲联合国经济委员会(UNECE)制订了有关地籍方针,“土地管理”这一术语才被采纳,它概括了法律、技术、财政和不同意义的“地籍”土地利用活动等。地籍测量从传统测量模式过渡到土地市场模     

一种基于分布差异的分形网络演化分割方法

针对分形网络演化多尺度分割方法对高分辨率遥感影像存在的欠分割问题,文章提出以KL散度为核心的区域合并标准,研究出一种基于KL散度原理的改进分形网络演化多尺度分割方法。该方法相对于分形网络演化多尺度分割方法,在合并标准上更充分利用了遥感影像的光谱特征,能够很好地消除因光谱差异造成的欠分割,对同质性较强的地物效果尤为明显。通过WorldView-2高分辨率影像分割实验,比较欠分割率,结果证明该方法更适合于高分辨率遥感影像分割,能够为地物信息提取提供与自然更吻合的实体对象。     

语义网络模型的遥感影像面向对象分类

针对目前遥感影像面向对象分类中分类模型构建方法的不足之处,文章提出了一种语义网络模型与混合控制策略相结合的方法:从地理空间认知角度出发,分析遥感影像多尺度语义结构,利用C4.5决策树进行特征选择与语义网络模型构建,采用自上而下以及自下而上的混合控制策略,实现了语义网络模型的验证及面向对象分类。实验结果表明,该方法能够自动进行特征优选与分类模型的自动构建,能够为地表覆盖分类提供知识型分类模型与方法,为类似区域、类似数据、相近时间的影像解译提供参考。     

基于特征增强和ELU的神经网络建筑物提取研究

近年来,城市发展快速,大量人口奔向城市工作生活,城市建筑物的数量有如雨后春笋般扩张,需要合理地规划城市土地资源,遏制违规乱建现象,因此基于高分辨率遥感影像,对建筑物进行准确提取,对城市规划和管理有着重要辅助作用。本文基于U-Net网络模型,使用美国马萨诸塞州建筑物数据集,对网络模型结构进行探究,提出了一种激活函数为ELU、“编码器-特征增强-解码器”结构的网络模型FE-Net。实验首先通过比较不同网络层数的U-Net5、U-Net6、U-Net7的建筑物提取效果,找到最佳的基础网络模型U-Net6;其次,基于该模型,加入特征增强结构得到“U-Net6+ReLU+特征增强”的网络模型;最后,考虑到ReLU容易产生神经元死亡,为优化激活函数,将激活函数替换为ELU,从而得到网络模型FE-Net（U-Net6+ELU+特征增强）。比较3个网络模型（U-Net6+ReLU、U-Net6+ReLU+特征增强、FE-Net（U-Net6+ELU+特征增强））的建筑物提取结果,表明FE-Net网络模型的建筑物提取效果最好,精度放松F1值达到97.23%,比“U-Net6+ReLU”和“U-Net6+ReLU+特征增强”2个网络模型分别高出0.36%和0.12%,且与其他具有相同数据集的研究成果比较,具有最高的提取精度,它能较好地提取出多尺度的建筑物,不仅对小尺度建筑物有较好的提取效果,而且能大致、较完整地提取出形状不规则的建筑物,有相对更少的漏检和错检,较准确地实现了端到端的建筑物提取。     

地理国情大数据研究框架

地理国情监测作为大数据时代测绘地理信息领域一个新的、重要战略方向,其发展迫切需要顶层设计与新型技术的支撑,需要建立一种灵活、高效、低成本的大数据处理模式与服务方式。本文以地理国情监测与大数据研究相结合为切入点,阐述了地理国情大数据的分类及特点,提出了云计算环境下地理国情大数据研究架构,并从地理国情大数据存储、处理、挖掘、应用服务4个方面探讨了地理国情大数据云平台建设思路。本文将有助于地理国情监测的生产方式与服务模式变革,推动地理国情监测的广泛应用与产业化发展。     

从经纬仪到卫星的历史性变革

当国际测绘期刊Survey Review迎来其创刊75周年之际,测绘科学的发展也经历了一场重大的变革。本着把握历史以展望未来的出发点,我们对这些发展和变革进行了总结和回顾。同时我们不难感受到大地测量中一个重要变化的标志,那就是现代大地测量经历了一场从经纬仪时代到现代卫星时代的重大变化,这其中又包括计算手段、观测工具、大地基准定义及观测对象的演化等一系列的重要发展阶段和技术进步,这些新发展又共同构成了现代大地测量的内涵,为该学科全面走向地球科学和相关科学领域奠定了基础。测量科学的发展离不开计算技术的发展。在现代化计算…     

遥感影像地理本体建模驱动的对象分类技术

正遥感影像分类一直是国际遥感领域研究的热点和难点问题,经历了从人工目视分类到半自动分类,正在向自动化、智能化方向发展,长期以来一直存在着"重视技术、忽视知识、缺乏本体认识"的问题。本研究以解决该问题为突破口,以主流的面向地理对象影像分析技术     

卷积神经网络在高分遥感影像分类中的应用

针对目前应用于高分辨率遥感影像分类的常用算法,其精度已无法满足大数据环境下的分类要求的问题,该文提出了卷积神经网络分类算法。卷积神经网络模型降低了因图像平移、比例缩放、倾斜或者共他形式的变形而引起的误差。在大数据环境下,采用卷积神经网络算法对高分辨率遥感影像进行分类,避免了特征提取和分类过程中数据重建的复杂度,提高了分类精度。通过实验比对分析,证明了卷积神经网络在高分辨率遥感影像分类中的可行性及精度优势,对遥感图像处理领域等相关工作提供了参考价值。     

大地测量的发展历程

回顾《测量评论》创刊75年的历史,科技、社会、政治对大地测量都产生了重大影响,本文回顾了大地测量的四个发展时期。大地测量第一时期(石器时期,公元前45000-公元前5000年)《The Songlines》这本书中描述了澳大利亚土著居民的传统生活方式。作者Bruce Chatwin在与澳大利亚人和     

人机协同的自然资源要素智能提取方法

开展自然资源统一调查监测评价,准确掌握我国各类自然资源家底和变化情况,是科学编制国土空间规划,逐步实现山水林田湖草的整体保护、系统修复和综合治理,保障国家生态安全的基础支撑.目前,基于遥感影像的自然资源要素提取,主要依赖人机交互的目视解译与外业逐图斑核查的方法,劳动强度大、生产效率低、人为因素多,已不能适应自然资源全要素、全流程、全覆盖一体化调查监测的新要求.本文顺应人工智能协作方法智能化发展新方向,总结分析了深度学习智能提取研究进展及存在问题,以及人机协同发展新方向研究现状,从分析自然资源要素的特点出发,提出了"智能计算后台+智能引擎+人机交互前台"人机协同智能提取技术框架,阐述了需要攻克的关键技术及解决途径,探讨了人机协同智能提取云平台构建思路,以期为自然要素智能提取提供新一代人工智能方法及思路,提升自然资源要素提取的自动化与智能化水平.