GNSS多天线基线网单历元模糊度同步解算法

提出多天线基线网单历元模糊度同步解算法，其具体实现步骤为：1）根据宽巷组合模糊度易于固定的优点，采用附加已知基线长度约束法同步解算各基线的宽巷模糊度，得到dm~cm级精度的近似基线分量；2）将解算得到的各近似基线分量作为约束，同步解算各基线的基频模糊度，以获取mm级精度的基线矢量。该方法的关键在于检验各历元宽巷模糊度解算的正确性，以获取可靠的近似基线分量，为解算各基线的基频模糊度提供准确的基线先验信息。由于动态情况下各历元观测信息比较少，单纯依赖ratio检验不可靠，提出结合基线误差、单位权中误差、基线网模糊度闭合环及ratio值等对多组宽巷模糊度进行检验，避免ratio值设置不当导致模糊度检验中发生纳伪和弃真问题。实测数据结果证明，该处理方法使得模糊度解算的成功率提高1%~2%，可以获取移动平台更丰富的导航信息，提高其服务能力。     

湖南省似大地水准面2017模型及精度分析

利用近7万个湖南及邻近省份重力观测数据、502个GNSS/水准控制点及数字高程模型，以EIGEN-6C4全球重力场模型作参考重力场，采用顾及地球曲率影响的各类地形质量位及引力的第二类Helmert凝集法严密算法，利用高分辨率地形数据恢复甚短波扰动重力场，确定空间分辨率2′×2′的高精度湖南省似大地水准面模型（HNGG2017）。经外部检核，模型整体精度均优于±0.022 m。与历史模型相比，新模型在湖南北部常德汉寿、西南部永州江永等地区精度得到显著改善。     

A-FPN算法及其在遥感图像船舶检测中的应用

光学遥感图像船舶检测主要面临两个挑战:光学遥感图像背景复杂,船舶检测易受海浪、云雾及陆地建筑等多方面干扰;遥感图像分辨率低,船舶目标小,对于其分类与定位带来很大困难;针对上述问题,在FPN的基础上,提出一种融入显著性特征的卷积神经网络模型A-FPN (Attention-Based Feature Pyramid Networks)。首先,利用卷积提取图像特征金字塔;然后,利用顶层金字塔逐级构建显著特征层,抑制背景信息,通过金字塔顶层的细粒度特征提高浅层特征的表达能力,构建自上而下的多级显著特征映射结构;最后利用Softmax分类器进行多层级船舶检测。A-FPN模型利用显著性机制引导不同感受下的特征进行融合,提高了模型的分辨能力,对遥感图像处理领域具有重要应用价值。实验阶段,利用公开的遥感目标检测数据集NWPU VHR-10中的船舶样本进行测试,准确率为92.8%,表明A-FPN模型适用于遥感图像船舶检测。     

PTP协议在广电时间同步网中的应用研究

随着广电行业的飞速发展,以串行数字接口(SDI)基带信号为基础技术架构的传统电视信号已经很难满足未来技术发展和业务扩展的需求．得益于现代通信技术的迅速发展以及即将到来的万物互联的5G时代,广电行业也将采用IP化技术来构建新的网络系统．处在向IP化发展的过渡期,广电IP化目前还存在一些亟待解决的问题．为了解决广电系统网络中需要更高精度的同步信号来完成时间同步的问题,本文利用精确时间协议（PTP）时间同步技术在专用以太网中完成时间同步组网,搭建了测试环境并对测试数据进行了分析．测试结果表明,相较于传统的网络时间协议（NTP）时间同步技术,输出PTP信号的准确度能够达到亚微秒量级,完全满足广电行业IP化数字电视系统时间同步信号的高精度需求．      

Evaluating techniques for mapping island vegetation from unmanned aerial vehicle (UAV) images: Pixel classification,visual interpretation and machine learning approaches

We evaluate three approaches to mapping vegetation using images collected by an unmanned aerial vehicle (UAV) to monitor rehabilitation activities in the Five Islands Nature Reserve, Wollongong (Australia). Between April 2017 and July 2018, four aerial surveys of Big Island were undertaken to map changes to island vegetation following helicopter herbicide sprays to eradicate weeds, including the creeper Coastal Morning Glory (Ipomoea cairica) and Kikuyu Grass (Cenchrus clandestinus). The spraying was followed by a large scale planting campaign to introduce native plants, such as tussocks of Spiny-headed Mat-rush (Lomandra longifolia). Three approaches to mapping vegetation were evaluated, including: (i) a pixel-based image classification algorithm applied to the composite spectral wavebands of the images collected, (ii) manual digitisation of vegetation directly from images based on visual interpretation, and (iii) the application of a machine learning algorithm, LeNet, based on a deep learning convolutional neural network (CNN) for detecting planted Lomandra tussocks. The uncertainty of each approach was assessed via comparison against an independently collected field dataset. Each of the vegetation mapping approaches had a comparable accuracy; for a selected weed management and planting area, the overall accuracies were 82 %, 91 % and 85 % respectively for the pixel based image classification, the visual interpretation / digitisation and the CNN machine learning algorithm. At the scale of the whole island, statistically significant differences in the performance of the three approaches to mapping Lomandra plants were detected via ANOVA. The manual digitisation took a longer time to perform than others. The three approaches resulted in markedly different vegetation maps characterised by different digital data formats, which offered fundamentally different types of information on vegetation character. We draw attention to the need to consider how different digital map products will be used for vegetation management (e.g. monitoring the health individual species or a broader profile of the community). Where individual plants are to be monitored over time, a feature-based approach that represents plants as vector points is appropriate. The CNN approach emerged as a promising technique in this regard as it leveraged spatial information from the UAV images within the architecture of the learning framework by enforcing a local connectivity pattern between neurons of adjacent layers to incorporate the spatial relationships between features that comprised the shape of the Lomandra tussocks detected.     

大别山及其周边现今垂直形变研究

基于1980年、2005年和2015年3期区域精密水准网观测资料，利用线性动态平差模型计算获取大别山地区水准网长期垂直运动速度场图像。研究发现，淮河平原地表下沉较为严重，大别山呈现弱隆升趋势运动，长江谷地边缘地区较大别山区呈现明显的隆升运动。跨郯庐断裂带水准剖面结果显示，垂直运动与地形呈负相关和弱相关。     

国产高分辨率遥感影像农村公路核查方法及其应用

传统的农村公路核查需要人工实地抽查或通过GNSS设备进行信息采集验核，存在成本高、效率低等问题。遥感影像具有成像范围广、时效性高、成本低、能客观反映现实情况等优点。相比于传统方法，将遥感影像引入农村公路核查，能客观、准确、高效地对农村公路相关信息进行核查。本文基于国产高分辨率遥感影像，结合农村公路遥感核查业务，采用遥感影像道路提取算法，设计并实现了一种农村公路核查方法。将本方法应用于某中部省份农村公路遥感核查业务，实际应用表明该方法能有效提高现有农村公路遥感核查的工作效率。     

路网约束条件下热力规则设计与试验

热力图是一种能直观准确展示空间观测值的有效工具，在多个领域具有广泛应用。本文在分析设定不同道路层权重、道路技术等级分类的基础上，以反距离权重、直方图均衡化、密度补偿、参数多次迭代等方法，研究构建了以热力方式展示道路网分布及发达程度的相关规则体系。热力规则通过道路赋权、路线曲面化、密度协调、图面综合等多套规则的有机结合，实现了道路网总体发达水平信息的提取与展示，并以全球地理信息资源建设项目路网成果中的亚洲和非洲部分国家数据为例，进行了信息提取与热力分布试验。     

基于LiDAR的农田地形环境三维重建方法

为克服传统农田土地平整测量方法耗时费力的特点，提出采用LiDAR技术对农田地形进行重建的探索性研究。通过HDL-32E型激光雷达等搭建了系统的硬件平台，应用C++语言编写了系统数据的采集程序；在此基础上对激光雷达所采集数据进行了标定，研究了农田地形重建系统中不同坐标系的转换方法；同时基于最小值去噪法设计了更适用于农田地形点云去噪的均值限差去噪法。通过对比在农田起伏较大区域不同坡度范围内RTK与激光雷达所测单元个数，对系统精度进行了评价；最后实现了车载农田地形重建系统的界面显示、应用与精度评估。结果表明，在10°~15°、25°~30°大坡度范围内激光雷达所获农田地形更为丰富，精度更高。该方法重建的农田地形模型点云数据和原始农田地形点云数据投影面积逼近度可达93%，验证了本文研究方法应用于农田地形环境重建的可行性，同时为今后的土地精细平整工作提供了理论参考与依据。     

青藏高原隆升的非线性动态有限元仿真研究

根据青藏高原的地质特征建立分析模型，采用3维动态有限元方法，在计算仿真板块速度场的基础上，计算在青藏高原的隆升过程中该地区地壳岩石的等效应力和位移随时间的变化，计算仿真得到的速度场与1998年GPS观测的速度场吻合良好；与过去一贯的假设相反，计算结果反映出地壳应力场不是静态的，而是此起彼伏，不断变化的，应力值最大且变化最剧烈的地区在克什米尔地区、鄂尔多斯地区和鲜水河－小江断裂带，与地震多发区域吻合。