ArcGIS ModelBuilder模型设计方法在影像解译中的应用

在影像解译的工作过程中,需要对大量的栅格和矢量数据进行处理,绝大部分的数据处理工作是一种流程化的重复操作。ModelBuilder是一个ArcGIS平台下一个用来创建、编辑和管理模型的应用程序。文中利用ModelBuilder快速地构建模型,模型根据设定的程序自动处理数据,在一定程度上提高影像解译工作的效率,保证最终成果质量。     

基于Python的空间矢量数据与超链接文件一致性的检查和自动化处理

在外业数据采集过程中,拍摄现势性照片作为内业判读依据或者成果样本。在ArcGIS中通过超链接工具将空间矢量数据与超链接文件进行关联。而在实际情况中,内业根据作业和质量要求需要删除部分照片和照片空间矢量数据,通常两者是不对应的。本文提出了一种基于Python的空间矢量数据与超链接文件一致性的检查和自动化处理算法,以及生成统计信息报表,实现空间矢量要素点与关联文件数量和属性信息的统一,大大提高了筛查的效率,消除手工筛选的工作量。在北京市核心区室外公共空间无障碍设施采集、录入项目中得以验证,并可广泛应用于地理国情普查与监测、国土调查等普查类工作。     

一种将“三调”外业数据转为“国情”外业数据的方法

基于"三调"外业核查成果,利用FME、Python和ArcMap进行了数据筛选和ETL流程处理,形成符合基础性地理国情监测要求的外业核查成果。除了需要人工挑选照片及拍照点外,本方法实现了转换过程的自动化处理,转换过程不需要任何人工干预,避免了一些常见的人为错误,如错填、漏填信息等。     

浅谈基于ArcGIS的影像处理工具集开发

随着数字省、数字城市的建设,对现势性好、分辨率高的正射影像需求呈现多样化。本文主要介绍Python脚本在ArcGIS软件影像处理中的应用,实现高效处理影像的同时,确保影像质量满足项目建设的要求。     

基于Python语言的Add-In开发应用

通过简要介绍Python语言在ArcGIS中采用Add-In插件进行菜单开发的流程,提出了在ArcGIS进行数据处理时,开发人员应使用的一种简便易行的开发方式。     

利用Python自动化生成地质解释图件

专题地图是展示物探研究成果最为直观的表现形式之一,而一张成果图的定稿需经多次的修改完善。根据地质解释图的制图特点和要求,以电磁法中的断面解释图为例,利用Python语言中丰富的第三方库,设计编写了自动化制图程序。文中对不整合线(波浪线)的绘制、微短线删除、多边形化、颜色填充等主要环节进行较为详尽的阐述,并提供了关键代码。     

地质领域机器学习、深度学习及实现语言

地质大数据正在以指数形式增长。只有发展智能数据处理方法才有可能追上大数据的超常增长。机器学习是人工智能的核心,是使计算机具有智能的根本途径。机器学习已成为地质大数据研究的前沿热点,它将让地质大数据插上翅膀,并因此改变地质。机器学习是一个源于数据的模型的训练过程,最终给出一个面向某种性能度量的决策。深度学习是机器学习研究中的一个重要子类,它通过构建具有很多隐层的机器学习模型和海量的训练数据,来学习更有用的特征,从而最终提升分类或预测的准确性。卷积神经网络算法是最为常用的一种深度学习算法之一,它广泛用于图像识别和语音分析等。Python语言在科学领域的地位占据着越来越重要。其下的Scikit-Learn是一个机器学习相关的库,提供有数据预处理、分类、回归、聚类、预测、模型分析等算法。Keras是一个基于Theano/Tensorflow的深度学习库,可以应用来搭建简洁的人工神经网络。     

基于Python实现地理国情房屋建筑专题信息提取

房屋建筑是地理国情普查的重要要素之一。在实际生产工作中,由于高分辨率遥感影像受成像条件影响大以及人眼认知的局限,很难通过目视解译准确判读房屋建筑的边界、层高和密度等属性。此外,地理国情普查工作量大,重复性工作多,给地理国情普查工作带来一定困难。针对以上问题,以Arc GIS和Python为开发和应用环境,从现势性较好的1∶2 000地形图上批量提取房屋建筑专题数据,服务于地理国情普查工作。     

基于人工智能(AI)的地质灾害防控体系建设

近年来,人工智能(AI)技术得到快速发展,并日益融入到经济社会各个领域,成为当代创新发展的新标志,智能防灾减灾将成为未来发展的趋势和研究的热点。在回顾AI发展现状与趋势的基础上,系统梳理出以往地质灾害风险防控的数据依据和传统技术方法,分析了可能采用的潜在AI方法,初步搭建了基于AI的地质灾害风险防控体系建设方案。研究表明,AI技术为地质灾害风险防控提供了新的技术途径,但目前尚无可照搬或可移植的成熟技术或解决方案。智能防灾减灾体系包括早期识别、风险评估、风险防控等3个主要环节,其中最重要的环节是早期识别,传统方法与AI技术融合的关键参数为斜坡失稳概率或泥石流发生概率;根据所依据的数据资料将早期识别方法归纳为图像识别、形变识别、位移识别、内因识别、诱因识别和综合识别等6种方法;提出了从数据层、方法层和应用层3个层次构建基于大数据智能混合优化的地质灾害风险防控平台。认为数据驱动的智能模型与理论驱动的物理模型融合是地质灾害风险防控发展的趋势。     

基于Python的地震时大数据拥堵实时传输系统设计

针对当前地震时数据传输系统存在时延高、安全性较差及数据传输拥堵等问题,提出并设计基于Python的地震时大数据拥堵实时传输系统。系统硬件主要由视频转码模块、Python交互平台、数据流传输模块和系统维护模块几部分组成。利用解协议、解封装、解码、视频数据存储、编码、封装等实现视频转码;利用Python交互平台实现测点与地震数据监测中心之间的交互;结合CDMA传输方式与VPDN组网方式作为无线传输模块;由区域中心运维管理和通知下发等单元组成系统维护模块。系统软件分为收包与发包两种数据传输模式,以收包为主完成系统设计。实验结果表明,该系统响应速度快、延迟低,且安全性较为优越,解决了地震数据拥堵的问题。