数字调绘在DLG数据更新中的应用

随着测绘技术的迅猛发展,内业处理已全面进入数字化阶段,但传统的外业调绘方式已经成为地理信息数据快速更新的“瓶颈”,不能完全满足现代测绘的需要。本文总结了数字调绘系统与传统调绘方法的各自优缺点,设计了一种数字调绘系统。该系统作为一个易操作的平台,降低了劳动强度,提高了数据精度,节约了生产成本。数字调绘为地理信息数据的快速更新提取提供了一种较好的技术手段,必将是今后航测外业的发展方向。     

地图设计中的美学研究

地图作品是科学、实用与艺术的完美统一体.然而我们对于地图艺术美的认识一直以来都比较模糊,本文从地图的符号、色彩、注记以及整体设计4个方面探讨了地图美学在地图设计中的应用问题,提出了关于如何提高地图艺术美的几点看法.     

深度学习遥感图像标注系统研究

随着深度学习的发展,遥感影像处理技术也从传统机器学习算法向深度学习转变,然而,用于遥感图像的训练数据集却十分稀少,且数据标注困难。本文将GIS技术与图像标注技术相结合,基于Flask Web框架设计一个可用于海量遥感数据的标注系统。该系统可用于海量遥感数据的数据框标注、数据类别标注,以及目标关键点标注,同时能将标注数据导出为深度学习训练最常用的COCO数据集和VOC2007两种格式。     

基于超像元词包特征和主动学习的高分遥感影像变化检测

为解决高分辨率遥感影像变化检测中存在底层特征缺乏语义信息、像元级的检测结果存在“椒盐”现象以及监督分类中样本标注自动化程度较低,本文提出一种基于超像元词包特征和主动学习的变化检测方法。首先采用熵率分割算法获取叠加影像的超像元对象;其次提取两期影像像元点对间的邻近相关影像特征（相关度、斜率和截距）和顾及邻域的纹理变化强度特征（均值、方差、同质性和相异性）,经线性组合作为像元点对的底层特征;然后基于像元点对底层特征利用BOW模型构建超像元词包特征,并采用一种改进标注策略的主动学习方法从无标记样本池中优选信息量较大的样本,且自动标注样本类别;最后训练分类器模型完成变化检测。通过选用2组不同地区的GF-2影像和Worldview-Ⅱ影像作为数据源进行实验,实验结果中2组数据集的F1分数分别为0.8714、0.8554,正确率分别为0.9148、0.9022,漏检率分别为0.1681、0.1868,误检率分别为0.0852、0.0978。结果表明,该法能有效识别变化区域、提高变化检测精度。此外,传统主动学习方法与改进标注策略的主动学习方法的学习曲线对比显示,改进的标注策略可在较低精度损失下,有效提高样本标注自动化程度。     

MARC: a robust method for multiple-aspect trajectory classification via space,time, and semantic embeddings

ABSTRACT

The increasing popularity of Location-Based Social Networks (LBSNs) and the semantic enrichment of mobility data in several contexts in the last years has led to the generation of large volumes of trajectory data. In contrast to GPS-based trajectories, LBSN and context-aware trajectories are more complex data, having several semantic textual dimensions besides space and time, which may reveal interesting mobility patterns. For instance, people may visit different places or perform different activities depending on the weather conditions. These new semantically rich data, known as multiple-aspect trajectories, pose new challenges in trajectory classification, which is the problem that we address in this paper. Existing methods for trajectory classification cannot deal with the complexity of heterogeneous data dimensions or the sequential aspect that characterizes movement. In this paper we propose MARC, an approach based on attribute embedding and Recurrent Neural Networks (RNNs) for classifying multiple-aspect trajectories, that tackles all trajectory properties: space, time, semantics, and sequence. We highlight that MARC exhibits good performance especially when trajectories are described by several textual/categorical attributes. Experiments performed over four publicly available datasets considering the Trajectory-User Linking (TUL) problem show that MARC outperformed all competitors, with respect to accuracy, precision, recall, and F1-score.     

Distinguishing extensive and intensive properties for meaningful geocomputation and mapping

A most fundamental and far-reaching trait of geographic information is the distinction between extensive and intensive properties. In common understanding, originating in Physics and Chemistry, extensive properties increase with the size of their supporting objects, while intensive properties are independent of this size. It has long been recognized that the decision whether analytical and cartographic measures can be meaningfully applied depends on whether an attribute is considered intensive or extensive. For example, the choice of a map type as well as the application of basic geocomputational operations, such as spatial intersections, aggregations or algebraic operations such as sums and weighted averages, strongly depend on this semantic distinction. So far, however, the distinction can only be drawn in the head of an analyst. We still lack practical ways of automation for composing GIS workflows and to scale up mapping and geocomputation over many data sources, e.g. in statistical portals. In this article, we test a machine-learning model that is capable of labeling extensive/intensive region attributes with high accuracy based on simple characteristics extractable from geodata files. Furthermore, we propose an ontology pattern that captures central applicability constraints for automating data conversion and mapping using Semantic Web technology.     

多源地理空间矢量数据关联分析

针对多源地理空间矢量数据多来源、难以集成综合利用这一现状，本文提出了多源地理空间矢量数据关联方法，并以此为基础构建了多源地理空间矢量数据关联的可视与计算查询系统。首先，对多源地理空间矢量数据关联的概念及分类进行了定义。然后，以此为基础，提出了关联关系构建技术：自适应四叉树编码技术、扫描线技术、几何匹配及语义匹配技术。最后，为实现关联关系的直观展示，设计了原型系统。关联技术的提出可建立起多源地理空间矢量数据之间的关联关系，原型系统的构建也为用户综合利用多源地理空间矢量数据提供了平台，提高了数据的利用率及数据查询的效能。     

机载多光谱影像语义分割模型在农田防护林提取中的应用

农田防护林是农田生态系统的屏障,其健康状况的监测与评估在我国北方农田林网管理中尤为重要。本文以新疆生产建设兵团第三师51团为研究区,使用复合翼无人机CW-20搭载Micro MCA12 Snap多光谱相机获取农田防护林的多光谱影像,经辐射校正、裁剪等预处理,通过优选有效特征和模型比较,提出农田防护林提取的有效方法。首先,基于原始12波段,依据相关性系数矩阵和最佳指数因子（Optimum Index Factor,OIF）选取最优3波段和植被指数特征进行组合,构建8种农田防护林提取方案;然后,通过建立语义分割Deeplabv3+模型进行精度评价,得到最优3波段组合6（波长710 nm）、8（波长800 nm）、 11（波长900 nm）波段为最佳特征组合;最后,以最优3波段为基础,将Deeplabv3+模型与U-Net、ENVINet5模型进行对比分析。结果表明：Deeplabv3+模型能够更深层次的挖掘光谱中潜在的信息,相比其他模型,能够较好地处理正负样本不均衡问题,获得最高MIoU值85.54%,比U-Net、ENVINet5的MIoU值则分别高出21.21%、27.19%。该研究结果可为基于多光谱遥感影像的语义分割在农田防护林提取及健康状况监测的应用提供借鉴和参考。     

山西省1∶10 000地形数据库图库一体化的设计与实现

随着数字测绘时代的开启,作为同一空间要素的不同表达形式,GIS的地形数据和制图数据以各自独立的设计思想和生产技术手段在不同的领域发挥着重要作用,但地形数据与制图数据的分离已不适应多专业领域不同层次综合应用和分析的需求。所以本文根据山西省1∶10 000标准分幅数据现状,基于Arc GISEngine开发了相关程序,并利用1∶10 000制图数据管理工具试生产了一批图库一体化的标准1∶10 000分幅数据。     

基于语义规则的高分辨率影像道路交叉口提取方法

为了准确提取遥感影像上道路交叉口目标,提出一种利用特征语义规则从高分辨率影像上提取道路交叉口的方法。该算法构建交叉口模型时将其视为由同质区域像素集合及区域轮廓边界构成的面对象,提取过程分为两步:1)利用辐射、纹理特征语义匹配提取交叉口候选区域;2)通过几何特征语义匹配筛选候选区域、识别交叉口属性。利用多源遥感影像对算法正确性及合理性进行验证,结果表明:算法能准确、完整地提取道路交叉口,可为影像道路网构建提供辅助信息。