地理国情普查质量控制体系构建及效果分析

地理国情普查是采用空间化的方法反映自然要素与人文要素的空间分布、基本特征及其相互关系,为政府提升宏观决策的科学性及优化各类资源的配置提供依据。完善的质量控制体系是获取真实、准确、可靠的地理国情成果的有力保障。本文介绍了地理国情普查质量控制体系设计出发点、内容及其效果,对未来开展地理国情常态化监测的质量控制具有一定借鉴意义。     

遥感影像解译样本生产质量控制方法研究

针对第一次全国地理国情普查质量检验过程中发现的遥感影像解译样本数据的质量问题,如遥感影像解译样本缺少典型性、地面照片拍摄不符合技术规程、影像实例数据结构异常等系统性质量问题,以及解译样本采集中存在操作不规范、样本采集主观影响较大等主观性质量问题,该文分析了影响遥感影像解译样本质量的关键生产要素、环节与原因等,提出了全过程的生产质量控制方法,给出了提高遥感影像解译样本过程的质量控制措施。该研究提出的基于全过程质量控制体系新需求,以解决质量问题为导向的生产质量控制方法,可以提升遥感影像解译样本质量,并为今后相关工程项目生产过程的质量控制提供借鉴。     

地理国情普查成果质量复核关键技术与方法

为保证第一次全国地理国情普查成果质量检查验收尺度的一致性和质量评定结论的准确性,本文研究确立了地理国情普查成果质量复核原则和对象,设计建立了成果复核抽样、单位成果质量检查、质量评定、复核结论判定等技术与方法,在全国范围内的地理国情普查成果质量复核中得到了有效应用。     

基于深度学习AlexNet的遥感影像地表覆盖分类评价研究

地表覆盖分类信息是反映自然、人工地表覆盖要素的综合体,包含植被、土壤、冰川、河流、湖泊、沼泽湿地及各类人工构筑物等元素,侧重描述地球表面的自然属性,具有明确的时间及空间特性。地表覆盖分类信息数据量大、现势性强、人工评价费时,其自动化评价长期以来存在许多技术难点。本文基于面向对象的图斑分类体系,引入深度卷积神经网络对现有地理国情普查-地表覆盖分类数据进行分类评价,并通过试验利用AlexNet模型实现地表覆盖分类评价验证。试验结果表明,该方法可有效判读耕地、房屋2类图斑,正确分类隶属度优于99%,而由于数据较少、训练不充分,林地、水体图斑正确分类隶属度不高,分别为62.73%和43.59%。使用本文方法,经过大量数据充分微调的深度学习AlexNet可有效地计算图斑的地类隶属度,并实现自动地表覆盖分类图斑量化评价。