StaMPS技术在区域地表沉降形变监测中的应用

采用欧洲空间局环境监测卫星IW模式下Sentinel-1A VH极化影像数据,利用StaMPS技术,以惠东县为研究区域,选取区域内某个水准点(A)作为形变参考点,持续观测惠东县及城区重点区域2015-12～2018-02地表沉降形变,并对2019年解除的8个地质灾害点进行观测.实验表明惠东县东部山体部分有较明显沉降,最大形变速率达到-10 mm/y,城区部分及沿海部分有少量抬升,速率最大达到4 mm/y,累积最大沉降量达到-24 mm.城区重点区域地质情况较为稳定,部分区域形变基本在0～-2 mm/y,累积沉降量总体介于0～-4 mm,8个已解除的地质灾害点处于稳定状态.     

基于多源信息与深度学习特征提取的人口空间抽样方法

人口抽样调查是通过人口样本估算区域人口总体的一种手段。由于人口分布通常具有空间差异性,传统的抽样调查理论难以满足日益增长的空间抽样需求,合理高效的人口空间抽样调查方法对于人口统计、研究人类活动、解决城市问题等有重要意义。本文提出一种基于多源信息与深度学习特征提取的人口空间抽样方法。在不透水面信息的辅助下,利用四叉树分割进行分层抽样,初步选择出可能存在人口分布的调查样本,并通过深度学习的常用模型——卷积神经网络估算样本建筑物密度,以辅助最终调查样本的选择与调查方案的制定。研究结果证明,该方法能够有效地筛选与人口分布密切相关的抽样区域,排除大量的无用样本,提高了人口调查的效率,节约了大量调查成本。     

基于模糊算法的极化SAR影像分类

极化合成孔径雷达（POLSAR）由于其能对目标进行更为全面的极化信息的描述,已经成为SAR领域中最先进的传感器之一。本文对模糊集理论中的三种模糊聚类算法进行了系统全面的阐述,并重点研究了基于模糊可能性C均值算法（FPCM）的极化SAR非监督分类方法。     

基于卷积神经网络模型的照片精细化识别研究

目前的照片精细化识别主要是基于传统机器学习,识别精度无法保证大范围应用,部分基于神经网络模型的方法在提升精度的同时难以兼顾效率。基于此,提出一种轻量化的卷积神经网络模型,减少了模型的参数量与计算量,从而提高速度。方法包含跨阶段融合以及多尺度融合策略,强化模型的特征学习能力,提升模型的预测精度。在利用三调照片对菠萝、柚子、香蕉等地表植被的识别中,通过与主流模型的对比实验发现,提出的模型在识别速度和精度方面均有较大提高。     

基于改进Mask掩膜的航空影像匀光研究

针对航空影像亮度和反差分布不均匀现象,首先将原始航空影像进行频率域的低通滤波,获得可以反映影像亮度分布状况的背景影像;然后将原始影像与背景信息进行Mask掩膜运算,得到亮度分布均匀的结果影像。在此过程中,使用缩小影像代替原始影像用于背景影像的生成,可在不影响影像质量的同时大幅提高生成背景影像的效率。     

基于LiDAR的DEM水域高程赋值研究

主要介绍了ArcGIS地理处理工具和自定义脚本工具在基于LiDAR的已有高精度DEM水域高程赋值上的应用;详细介绍了从已有LAS点云数据中提取水域边界,静止水域高程赋值以及流动水域分段赋值的处理方法和流程,并对关键技术环节进行了分析和总结。