局部最优形态参数的RBF分块地形插值方法与实验

径向基函数（Radial Basis Function,RBF）是一种不需对数据做任何假设,能准确逼近任意维度数据的空间插值方法。其特别适合于复杂地形的数字高程模型（Digital Elevation Model,DEM）插值重建,但随着已知点数量的增加会导致插值模型求解困难或缓慢。针对这个问题,本文基于二叉树自适应递归分块原理,采用局部最优形态参数的RBF分块插值方法进行DEM插值重建。首先,设定子区域最小点数阈值和相邻子区域的重叠率,自顶向下,对研究区域进行递归分块,构建区域分块二叉树,对二叉树叶子节点区域,采用逐点交叉验证（Leave One Out Cross Validation,LOOCV）方法求解其最优形态参数,建立局部RBF最优插值模型;然后,根据单元分解原理,采用加权平均方法对相应叶子节点区域内的待插值点高程进行加权求和,自底向上递归求解,得到待插值点最终高程值。以云南某地区DEM进行插值实验表明,采用本文方法进行DEM插值重建,稳定性较好,插值精度高。     

基于人工神经网络的多特征因子路网匹配算法

在综合考虑多个特征因子的线要素匹配时,根据经验知识确定各特征因子的权值会造成人为误差。针对该问题,本文提出了基于人工神经网络的多特征因子路网匹配算法,根据线要素的几何和拓扑特性选取长度、方向、形状、距离及拓扑5个特征因子的相似度作为路网匹配参考因子。首先,分别在参考图层和待匹配图层中选取样本数据组成样本对,计算样本数据的5个特征因子相似度,用样本数据的5个特征因子相似度和样本的匹配度组成学习模式对;然后,利用BP神经网络的误差反向传播机制自动学习调整各神经层之间的连接权值;最后,输入全部数据,计算参考图层的弧段和待匹配图层的弧段间的匹配度,实现综合多特征因子的路网匹配。实验结果表明,利用人工神经网络进行综合多特征因子的路网匹配可以提高匹配效率和匹配准确度。     

单体建筑物点云数据的CSF净化处理

从场景整体点云数据中提取单体建筑物的点云是建筑物单体三维建模的基础。然而，现有点云提取方法在提取建筑物点云数据时往往包含部分植被、地面等非建筑数据点，不利于建筑物对象建模。针对该问题，本文提出使用CSF方法对初步提取的建筑物点云数据进行净化处理。该方法首先将场景点云数据投影生成点云图像，根据图像特征初步提取单体建筑物点云数据；然后对获得的单体建筑物点云数据采用CSF方法进行净化处理，可以获得较为纯净的单体建筑物点云数据。本文以南京师范大学仙林校区部分区域为研究对象对该方法进行了验证。结果表明，该方法可以较好地对建筑物点云数据进行净化，得到较为纯净的单体建筑物点云数据，为基于点云数据的建筑物单体模型构建打下了良好的基础。     

基于多层紧支撑径向基函数的DEM插值方法

采用多层紧支撑径向基函数对离散数据内插生成DEM。首先对采样数据进行预处理,在原始数据上删除最小距离点对上的点,每次删除后将剩下的数据点存储并作为下一次删除操作的数据源,重复删除操作至点数为给定的初值;然后在已存储的数据集中选取均匀度较大的m个子集作为插值的数据源,分别进行紧支撑径向基函数插值,将上一层的误差作为下一层的插值属性值,求解插值矩阵系数。将规则格网点作为插值点通过插值矩阵内插生成DEM,并且与各种径向基函数插值方法进行比较。实验分析表明,基于多层紧支撑径向基函数的DEM具有较高的插值精度,可作为一种DEM插值方法。     

顾及各向异性的CSRBF空间插值及其在气温场重建中的应用

在地理空间中各种地理现象实际上是一种连续变化的空间场。由于受到观测手段、工具的限制,只能从有限的地点获得有限的观测数据。为了获得连续的空间场,通常采用克吕格插值、反距离权重插值等方法进行重建。但这些方法都是各向同性的,与具有各向异性的真实地理现象分布并不相符。该文以各向同性的紧支撑径向基函数插值模型为基础,对其进行改进,使其能够顾及空间场的各向异性。其方法是利用加权主成分分析对原始数据进行方向性特征分析并进行旋转,再利用半变异函数拟合变换后坐标系下各轴向的变程值,以此为基础构建紧支撑径向基函数插值模型并进行插值,最后将插值结果逆旋转到真实地理空间。以国家气象中心提供的黄淮海平原气温数据与香港天文台提供的香港地区气温数据为例,对该文提出的顾及各向异性紧支撑径向基函数空间插值方法进行验证,并与反距离权重插值、全局径向基函数插值及顾及各向异性的普通克里格插值进行对比,实验表明该方法具有较高的精度且能够对气温场的细节进行准确的重建。     

基于RASM的紧支撑径向基函数自适应并行地形插值方法

快速、准确地对地形进行重建以生成数字高程模型是地理信息表达的重要研究内容,径向基函数（radial basis function,RBF）作为一种插值性能较优的空间插值方法,特别适合于重建复杂的地形模型,但随着已知地形采样点数量的增加,RBF插值模型求解速度变慢,同时插值矩阵过于庞大而导致插值模型求解困难甚至求解失败。针对这个问题,本文基于区域分解和施瓦兹并行原理进行地形插值,以紧支撑径向基函数（compact support RBF,CSRBF）构建基于所有地形采样数据的全局插值矩阵,并自适应求解子区域CSRBF插值节点紧支撑半径,基于限制性加性施瓦兹方法（restricted additive Schwarz method,RASM）采用多核并行架构对各局部子区域的插值矩阵进行求解。以某地区数字高程模型（DEM）数据进行插值实验,结果表明,本文方法能够对大规模地形数据进行准确重建,并且具有较高的求解效率。     

同名边界点的面状居民地要素匹配

针对空间数据集成与地图增量更新过程中的面实体匹配环节,该文提出利用同名边界点集进行面状居民地要素匹配的方法。该方法从边界点的相似性考虑面状居民地要素的相似性,通过计算候选匹配要素上边界点在位置、转角、关联边等方面的一致性,把面实体相似性的比较转换为同名要素边界点集相似性的比较,简化了面状居民地实体匹配的复杂度。在面状居民地要素的匹配过程中,该文方法可以处理一对一、多对一和一对多的匹配关系。实验证明,该方法在匹配面状居民地要素时,准确率可以达到98%。     

应用地统计学和径向基函数的DEM插值

为了解决紧支撑径向基函数(CSRBF)内插生成DEM中合理设置紧支撑半径的问题,文章提出了基于地统计学和CSRBF的DEM插值方法,采用地统计学中变程的倍数来度量空间相关性的强弱,取变程的倍数设为CSRBF紧支撑半径,使得CSRBF插值矩阵呈稀疏带状分布,保证插值矩阵稳定求解,最终生成较高精度的DEM。最后以实测高程数据为例,使用交叉验证对插值方法进行实验,根据最大误差、最小误差、平均误差和均方根误差等指标进行精度分析,结果表明该插值方法精度高,插值结果可靠,可作为一种有效的DEM插值方法。     

同名边界点的面状居民地要素匹配

针对空间数据集成与地图增量更新过程中的面实体匹配环节,该文提出利用同名边界点集进行面状居民地要素匹配的方法。该方法从边界点的相似性考虑面状居民地要素的相似性,通过计算候选匹配要素上边界点在位置、转角、关联边等方面的一致性,把面实体相似性的比较转换为同名要素边界点集相似性的比较,简化了面状居民地实体匹配的复杂度。在面状居民地要素的匹配过程中,该文方法可以处理一对一、一对多和多对一的匹配关系。实验证明,该方法在匹配面状居民地要素时,准确率可以达到98%。     

径向基函数神经网络的路网自动匹配算法

针对VGI数据中检测更新的问题,该文提出基于径向基函数的神经网络自动匹配算法。通过选取路段的距离、方向、形状和长度4个空间特征的相似度作为衡量路段是否匹配的指标。考虑到4个空间特征指标对匹配的影响力不同,在RBF(radial basis function)神经网络中的隐含层对基函数引入粒度拉伸因子,使径向对称的RBF顾及各向异性。同时对输出层在线性加权求和函数的基础上引入sigmoid函数,使计算结果(路段的匹配度值)归一化。该算法对数据质量较差的VGI路网具有很好的匹配能力,与BP神经网络相比,RBF神经网络在地图匹配中具有更好的匹配效率。