河网汇水区域的层次化剖分与地图综合

对于具有网络状结构的河系数据的综合化简,判断河流分支在河网中的重要性需要考虑三个层次的结构信息:全局范围内的空间分布模式;局域环境下的分布密度;单条河流的几何特征。为提取这些结构化信息,本文基于网络分析运用Delaunay三角网模型建立了各级河流分支汇水区域的层次化剖分模型,其基本思想是将汇水区域划定当作“空间竞争”问题来求解,运用类似于Voronoi图的空间等剖分几何构造表达“袭水”过程,在各支流子系统内部及其环境之间通过Delaunay三角网骨架线确定汇水区域的分水岭。基于该层次剖分模型可计算河流分布密度、相邻河流间距、汇水范围及层次关系,进而推算出河系网中每一条河流的重要性系数,实现不同尺度下河流的综合选取。     

案例支撑下的朴素贝叶斯树状河系自动分级方法

河流分级是树状水系综合的关键。现有方法大多根据河段的局部几何特征进行主支流识别,较少顾及河流和河系的整体结构特征,且使用多指标综合评价判别时对权重的设定缺乏科学的方法,对综合知识利用较少,应用的灵活性有待提高。对此,本文从案例学习的角度出发,针对河段主支流关系识别,提出一种基于朴素贝叶斯的树状河系自动分级方法。首先,从已有成果数据中提取出主支流分类的案例,利用朴素贝叶斯机器学习方法进行训练得到主支流分类模型;对于待分类树状河系,使用分类模型,从河口出发自下游向上游依次计算各上游河段分类为主流的概率,以概率最大的上游河段作为主流河段,将各主流河段依次连接得到主流河流;主流河流以外的支流部分,重复以上步骤进行层次结构化实现河系分级。试验证明,本文方法能很好地模仿专家意图,对树状河系的主支流进行很好地识别分类,并构建合理的层次结构,分级效果良好。     

Managing spatial uncertainty using attribute,geometric, and neighborhood measures in an empirical rule-based model approach

 A rule-based model for managing uncertainty in spatial databases is presented. The overall goal of the model is to allow a user to assign to a single map class each polygon whose class is not entirely certain using more information than only the map class attributes of such polygons (that are herein termed abjects). This situation might arise when multiple map realizations of an area are available and interpreters/cartographers are not in agreement as to what class is present at a given location or when a digital image is classified by algorithmic/probabilistic means. The scale-based model developed relies on attribute, geometric, and neighborhood measures of abjects arranged in a hierarchical rule-based structure. Structural knowledge of these measures leads to the procedural knowledge that determines what action – e.g., merge, reclassify, retain – is to be taken for a given abject. The wider applicability of the model and associated methodology is also discussed. Received: 5 July 2001 / Accepted: 11 April 2002     

Stroke特征约束的树状河系层次关系构建及简化方法

树状河系作为地图骨干要素之一,其简化效果直接决定地图综合的质量。树状河系简化需要考虑其语义、几何、拓扑和结构等多种特征,而现有方法大多只注重了长度、角度和属性等约束性量化指标,致使简化后的空间分布特征容易被破坏。本文首先研究基于树状河系有向拓扑树（DTT）的特征智能识别方法,然后依据Paiva提出的"180°假设"和"锐角假设",从河口出发,自下游向上游建立顾及河流语义、长度、角度约束的树状河系stroke连接,并据此判断树状河系层次关系,最后提出河系整体选取数量确定方法和顾及密度差异的河系分层剔除选取算法,实现树状河系自动化简化。经样本数据测试,验证了该方法的可靠性,同时经实际数据测试,验证了该方法在树状河系简化中的合理性和有效性。     

面向自动综合的河系结构化模型研究

针对地图上河流的自动综合,建立了基于河段的河系结构化数据模型,该模型充分考虑了河段与河段、河段与面状水系要素之间的空间关系,以及河系河段的层次关系;建立了一种面向自动综合的河系结构化数据模型,模型包含了大量水系综合所需要的信息。基于上述数据模型,设计了一种方便快捷的河系结构化算法,该算法较好地克服了现有河系结构化算法只针对河流以及只适用于形态相对简单的河系的缺陷,较为全面地考虑了河系结构中出现的各种复杂问题,具有较强的实用性。     

推扫式光学卫星影像系统几何校正产品的3维几何模型及定向算法研究

提出推扫式光学卫星影像系统几何校正产品的3维几何模型的概念,在推导推扫式光学卫星影像系统几何校正产品的3维几何模型基础上,对RPC模型用于表示推扫式光学卫星影像系统几何校正产品的3维几何模型的可行性进行分析,并用SPOT5HRG影像以进行验证。实验表明,RPC模型能够很好地用于表示推扫式光学卫星影像系统几何校正产品的高程起伏引起的变形规律,基于该模型的影像定向精度不低于推扫式光学卫星影像辐射校正产品的严密成像几何模型。     

矢量河网渐进式传输的多尺度表达模型

矢量河网数据渐进式传输是制图综合的逆过程,从几何特征出发化简曲线的方法忽略了曲线的形态特征。鉴于此,以曲线轴线为基准,基于曲线弯曲层次化提取河流曲线数据,并将提取的曲线数据分层组织,构建结合目标层和几何细节层的河网多尺度表达模型。基于该模型开发了矢量河网数据的渐进式传输系统,验证了该方法的有效性。     

数字海图线性特征的识别、量测与综合

图形特征的变化是无究的,只是依据与位移、夸大、化简等相似的综合方法,而不包含图形特征的识别与量测,数字海图的自动综合是无法实现的。只有识别、量测和综合方法的组合,才是数字海图综合概念的全部体现。因而,本文模拟人的综合方法的同时, 点模拟了人的图形特征的识别方式,同时,经过Ｄｏｕｇｌａｓ二叉树方法的引入,给出了图形特征的识别与量测函数,实现了数字海图红性特征的自动综合。     

基于图的语义室内导航模型构建研究

室内空间模型是室内导航的基础和关键所在,针对当前多数室内空间模型在建模过程中只考虑部分导航相关的影响因素,适用范围有限这一问题,结合室内导航特点,综合考虑用户室内移动特征、几何和语义信息表达、路径规划效率3个方面的建模影响因素,提出一种基于图的语义室内导航模型。基于图论的方法构建室内导航概念模型,然后在概念模型的基础上提出具体的几何图模型构建方法和语义信息表达方式,设计图模型中节点和边的数据结构,最后研究将该模型用于不同情景下室内路径规划的具体流程。     

矢量河网数据的渐进式传输

提出了一个无几何数据冗余的河网渐进式传输多尺度数据结构。结合目标层次的河流选取和几何细节层次上的曲线化简建立河网多尺度数据结构。基于该数据结构,在Web环境下实现了河网数据的渐进式传输。     

利用倒数灰度熵和改进Chan-Vese模型进行SAR河流图像分割

为了进一步提高合成孔径雷达(SAR)图像中河流分割的精度和速度,提出了一种基于人工蜂群优化的倒数灰度熵多阈值选取与改进Chan-Vese(CV)模型相结合的分割方法。考虑SAR图像中河流目标和背景类内灰度的均匀性,提出了基于蜂群优化的倒数灰度熵多阈值选取方法,以此对河流图像进行粗分割;针对基本CV模型收敛速度低、对初始条件敏感的问题,利用图像边缘强度取代Dirac函数,将粗分割结果作为改进CV模型的初始条件,对河流图像进行细分割。大量试验结果表明,所提出的分割方法无须设置初始条件,运行速度快,分割精度高。     

一种河网矢量数据的网络渐进式传输方法

本文提出了一种河网矢量数据双层次多尺度表达的渐进式传输模型,结合目标层次的河流选取和几何细节层次的曲线多尺度表达,建立了河网多尺度数据结构。在Client/Server结构的WebGIS系统中进行了实验,结果表明该方法用于河网矢量地图数据的渐进式传输是有效的。     

河流自动选取中的分级优化

水系是具有高度结构化特征的复杂空间数据,在不同水文条件和地形环境下发育的水系形态可以表现为多种模式,如格状河系、羽毛状河系、平行状河系等,使得水系选取具有较大难度。探讨了河流分级(汇流区域特征)、河网结构层次化(河流分布的地理特征)与水系选取之间的关系,提出了基于流域的河流自动选取,从河流的局部重要性出发,考虑河流的分级主要基于两点:一是确定选取单元为流域;二是对流域内河流通过等级关系选取高等级河流,同等级间河流根据长度、密度、河流间距离等综合指标进行选取。     

GIS线目标间拓扑关系描述的4交差模型

提出了利用连通度不变量来区分单个线目标上具有不同拓扑特性的点，进一步定义了线目标的端点集和内点集。在此基础上，建立了IR^1和IR^2中线目标间拓扑关系的基本模型。该模型能有效地表达线目标间拓扑关系的变化特性。     

基于分形分维和数学函数的南流江流域河网信息提取

利用南流江流域30 m分辨率的DEM数据,介绍了Arc GIS中进行河网提取的一系列过程,并利用其图解建模工具,提取南流江流域的不同汇流累积面积的水系河网,实现了提取过程的流程化处理。分别统计河源密度和沟壑密度,并分别计算它们与汇流累积面积的几何函数关系,并对其进行二阶求导,确定其二阶导数关系,得到合适的汇流累积阈值,并借助分形分维理论对河网的分维值进行了验证。利用函数关系和分形分维确定汇流累积面积提取水系河网的方法有效地避免了人工选择汇流累积面积的主观性,提高了研究结果的准确性和可靠性,在知道研究流域河网分维值的前提下,可快速获取准确的汇流累计面积阈值。     

道路网层次骨架控制的道路选取方法

提出了基于路网层次骨架控制的道路自动选取方法。首先,该方法以stroke为单位,利用中介中心性值对stroke进行层次结构划分;其次,采用结构特征识别完善道路层次骨架;第三,基于层次骨架间的连通关系建立逐层传递的stroke重要性计算模型;最后,通过该计算模型自上而下的逐层计算,得到stroke重要性,并据此完成道路网选取。采用3种典型道路网数据,对本方法与其他主要常规stroke选取方法进行对比,试验结果表明本方法不但对语义的依赖性极低,同时消除了中介中心性在评价道路重要性时对边缘道路的不利影响,在保持道路网整体结构和层次性上有较为明显的优势,可适用于各种形态的道路网选取。     

河网线要素与DEM综合的三维Douglas-Peucker算法

目前三维Douglas-Peucker(3D_DP)算法主要应用于单一类型的DEM综合。本文引入"弯曲调节指数"来改进3D_DP算法,提出了一种三维空间河网要素与DEM综合的新方法,即将河网线矢量提取成三维离散点数据集(增加高程属性),与DEM三维离散点数据集合并,在河网层次化选取基础上,利用改进的3D_DP算法对合并数据集进行综合操作。通过试验结果的对比和分析表明,该方法通过弯曲调节指数的调节使河流自身所具有的弯曲形态与地形的主要特征得以同时保留,试验效果良好,实现了三维空间河网要素与DEM数据在同一简化因子作用下的综合,提升了地图综合的质量。     

Individual tree crown delineation using localized contour tree method and airborne LiDAR data in coniferous forests

Individual tree crown delineation is of great importance for forest inventory and management. The increasing availability of high-resolution airborne light detection and ranging (LiDAR) data makes it possible to delineate the crown structure of individual trees and deduce their geometric properties with high accuracy. In this study, we developed an automated segmentation method that is able to fully utilize high-resolution LiDAR data for detecting, extracting, and characterizing individual tree crowns with a multitude of geometric and topological properties. The proposed approach captures topological structure of forest and quantifies topological relationships of tree crowns by using a graph theory-based localized contour tree method, and finally segments individual tree crowns by analogy of recognizing hills from a topographic map. This approach consists of five key technical components: (1) derivation of canopy height model from airborne LiDAR data; (2) generation of contours based on the canopy height model; (3) extraction of hierarchical structures of tree crowns using the localized contour tree method; (4) delineation of individual tree crowns by segmenting hierarchical crown structure; and (5) calculation of geometric and topological properties of individual trees. We applied our new method to the Medicine Bow National Forest in the southwest of Laramie, Wyoming and the HJ Andrews Experimental Forest in the central portion of the Cascade Range of Oregon, U.S. The results reveal that the overall accuracy of individual tree crown delineation for the two study areas achieved 94.21% and 75.07%, respectively. Our method holds great potential for segmenting individual tree crowns under various forest conditions. Furthermore, the geometric and topological attributes derived from our method provide comprehensive and essential information for forest management.     

面向对象的多特征分级CVA遥感影像变化检测

变化矢量分析CVA方法在中低分辨率遥感影像变化检测中已得到广泛应用,但由于高分辨率遥感影像存在不同地物尺度差异大、不同类别地物光谱相互重叠的问题,因此对于高分影像的变化检测具有局限性。为提高高分影像变化检测精度,提出了一种面向对象的多特征分级CVA变化检测方法,首先,利用基于区域邻接图的影像分割方法分别对两时相遥感影像进行多尺度分割,提取分割图斑的光谱、纹理和形状特征;然后,在各级尺度下,分别运用随机森林方法进行特征选择,计算CVA变化强度图;最后,根据信息熵对多级变化强度图进行自适应融合,利用Otsu阈值法检测变化区域,并与仅考虑光谱特征的分级CVA变化检测方法、像元级多特征CVA变化检测方法以及仅考虑光谱特征的像元级CVA变化检测方法进行比较分析。实验表明:与比较方法相比,本文方法的变化检测精度较高,误检率和漏检率较低。