基于机载LiDAR数据获取森林地区DTM新方法

提出了一种继承式多分辨率体素滤渡算法,从机载激光扫描数据中获取森林地区的数字地面模型.该方法将激光点云数据划分为不同分辨率等级的体素,以体素为单位通过与邻域的体素的高程加权均值的比较,剔除植被点,保留地面点,从而获取森林地区的数字地面模型.通过将提出的滤波方法应用于实际采集数据,并与Terrascan的滤波结果进行比较验证该方法的有效性.     

陡坡林区的LIDAR点云滤波方法

提出了基于坡度对陡坡林区LIDAR点云数据滤波的预处理算法,结合迭代最小二乘滤波方法改进了滤波效果,实测数据表明,有效地降低了第一类误差和第二类误差。     

结合注意力机制和Bi-LSTM的降雨型滑坡位移预测

受季节降雨波动和邻近点位的牵引作用影响,滑坡位移呈阶梯状变化趋势。为有效预测该类滑坡的位移,本文提出一种基于注意力机制的双向长短时记忆(Bi-LSTM)神经网络位移预测模型。首先,建立滑坡监测累计位移时间序列模型,将滑坡累计位移分解为趋势项和周期项;然后,分析滑坡因子与趋势项及周期项的相关性,采用多项式回归对趋势项进行拟合,通过基于注意力机制的Bi-LSTM对周期项进行预测。试验结果表明:基于注意力机制的Bi-LSTM预测模型具有稳健的泛化能力,能有效捕获不同时序数据间的相关性;预测结果精度平均绝对误差为0.088 mm,平均均方误差为0.042 mm,相比常规的长短时记忆(LSTM)神经网络模型,本文方法的预测结果精度更高。     

基于二分法的极化相移反演降雨强度算法

降雨强度-极化相移模型的函数表达式较为复杂,难以导出反演降雨强度的解析式.模拟退火法是一种反演降雨强度的有效方法,虽其能够较好地反演降雨强度,但计算耗时较长.针对该问题,提出基于二分法的极化相移反演降雨强度算法.首先将降雨强度反演问题转化为函数零点求解问题;然后采用二分法进行模型解算,并给出了基于二分法的降雨强度反演算法;最后通过仿真实验对新算法的效率进行了验证.结果表明：与模拟退火算法相比,二分法能够在保证反演精度的前提下显著提升反演效率,将每次反演所需平均时间缩短约75%.