常规数码影像辅助的大比例尺数字测图

完整而准确地记录绘图信息,是目前主流数字测图作业模式中,最影响工作效率和劳动强度,并容易出现错漏的一项工作。针对这一问题,提出了一种借助常规数码影像记录相关信息辅助数字测图的方法。实验证明,该方法可以显著降低在地形复杂地区外业绘制草图和记录属性等的难度和工作量,有效减少内业编辑成图的错误。     

结合多光谱影像降维与深度学习的城市单木树冠检测

多光谱数据的降维处理对基于深度学习的单木树冠检测研究有重要意义,如何使用合适的降维方法以提高单木检测的精度却少有研究讨论。本文使用无人机搭载多光谱相机进行航拍作业,采集研究区内银杏树种多光谱影像。将原始多光谱影像通过特征波段选择、特征提取、波段组合的方法生成5种不同的数据集用于训练3种经典的深度学习网络FPN-Faster-R-CNN,YOLOv3,Faster R-CNN。其中由波段组合方法得到的近红外、红色、绿色波段组合在不同类型的目标检测网络中都有最好的检测结果,其中FPN-Faster-R-CNN网络对银杏树冠的检测精度最高为88.4%,由OIF指标得到的蓝色、红色、近红外波段组合信息量最高,但在所有网络中的平均检测精度最低,仅为79.3%。实验结果表明：在不同波段降维方法中,若降维后的影像中目标物体的色彩与背景差异较明显,且轮廓清晰,则深度学习网络对树冠的检测可获得较好的结果。而影像自身的信息量则对深度学习网络的树冠检测能力的提升作用有限。本研究中针对多光谱影像的降维方法分析,为基于深度学习的单木树冠检测研究提供了重要的实验参考。     

序列状态的林业资源时空数据模型研究

对林业地理实体时空演变过程进行分析,认为林业地理实体的演变总体上是渐变和突变交替的时空过程,而且各专题属性和空间分布的演变类型和演变频率不尽相同。在此基础上,提出由序列快照和事件方法组合而成的序列状态时空表达方法,以状态集表达时空对象在生命周期内的演化历程,并针对林业数据的特点,采用面向对象的数据组织方式设计了林业资源时空数据模型。模型可对不同演变类型进行组合,并实现了对渐变和突变的统一表达,另外,模型也允许采用不确定数据以加强对渐变过程的表达。通过原型系统验证了模型的可行性。     

碳达峰碳中和背景下华东区域能源电力行业发展趋势展望

<正>2020年9月20日,习近平总书记在第七十五届联合国大会一般性辩论上发表重要讲话,明确中国将提高应对气候变化国家自主贡献力度,采取更加有力措施,二氧化碳排放力争2030年前达到峰值,努力争取2060年实现碳中和。这一庄严承诺为我国能源革命和能源转型发展明确了前进方向,展现了全面绿色转型可持续发展的决心和责任^[1]。实现碳达峰碳中和是一场广泛而深刻的经济社会系统性变革,能源、电力领域作为碳达峰碳中和的主战场,将发挥至关重要的作用,因此也对能源电力行业的高质量转型发展提出了更高的要求。