可信密码模块软件栈兼容方案设计

提出了可信密码模块软件栈的兼容性设计方案,采用软件工程中的策略模式,在软件栈TSS基础上内置兼容解释器,对应用和TCM的交互进行数据流解析以及数据结构和授权协议的转换,为上层应用提供统一的服务接口。该方案使得基于TPM开发的可信应用不需修改或只需少量修改就可以应用于TCM。测试表明,可信密码模块软件栈完成了应用层调用可信功能的透明转换,实现了应用兼容。     

基于Snakes算法的道路要素移位软件模块

采用C#编程语言和ArcGIS Engine二次开发组件,设计并实现了一种基于Snakes算法的道路要素移位软件模块。介绍了Snakes移位算法的基本思想,从软件设计和开发的角度阐述了用于道路要素移位的Snakes算法的数据模型、逻辑结构和基本流程,最后给出了该软件模块的实现效果。     

GIS软件性能测评方法的研究

在评价和选择一个ＧＩＳ软件的过程中．除了对于其功能进行测试以外，还要对其性能（ｐｅｒｆｏｒｍａｎｃｅ）进行测试。国内外计算机行业对于计算机软件的测评（ｂｅｎｃｈｍａｒｋ），通常都采用标准的数据在标准的环境下用统一的运行方式进行，以便对各种软件能作出一个统一的评价。近年来，对于数据库管理软件的评价也多采用这种方式。ＧＩＳ软件由于其既涉及属性信息，又涉及空间图形信息，评价起来有一定的困难。但国际上已有一些文献介绍了这方面的工作（例如美国纽约州立大学Ｂｕｆｆｏｌｏ分校的Ｍａｒｂｌｅ等人及加拿大多伦多市的Ｈｉｇｇｉｎ等）。本文介绍我们拟订的一套标准测试数据与方法及其初步试用的情况。     

GNSS软件接收机通用模块设计与实现

通过研究通用GNSS软件接收机软件的建模方法,提出了一种适用于GPS/Galileo软件接收机的架构设计方法以及一套通用的模块设计方法。为今后实现实时的多模软件接收机打下了基础,而且其中的各类算法模块、处理模块、图形模块具有很强的通用性,可复用于其他接收机系统。软件运行结果达到各项指标要求和具有硬件接收机数字中频信号采样后的所有功能。     

常用测图软件数据共享方法研究

在对多种测图软件实践的基础上,详细阐述了常用测图软件之间图形数据共享的困难和技术实现的要点,讨论了在分析操作平台与对象模型的基础上进行二次开发来实现数据共享的思路,并以CASS、MapGIS等软件为基础说明了通过程序开发方式实现数据共享的方法扣技巧。     

GPS变形监测信息获取方法的研究与软件研制

为从根本上解决周跳问题，1993年Cobett等提出了一种单历元解算模糊度的方法，其后有的学者在此基础上，研制了一种基于双频单历元观测的GPS变形监测数据处理软件，将这种方法应用于GPS变形监测。这种方法虽然避免了周跳问题。但模糊度的正确求解仍然是关键问题。基于此，本文建立了一种GPS变形信息单历元解算方法。本文的研究工作主要包括以下几个方面。     

地理信息系统(GIS)软件估计问题研究

GIS"软件危机"在严重蔓延,进行GIS软件项目全面估计,不失为解决GIS"软件危机"的最佳良策。简述了软件估计的基本内容和来源,总结介绍了软件估计的常用方法和估计时机选择问题,以期推动GIS软件估计业的振兴与发展。     

必须应用软件工程的方法开发GIS软件

简要介绍了GIS的软件功能.指出在软件设计中没有采用先进的软件工程方法给我国的GIS软件开发造成了严重后果.在分析原因的基础上提出解决建议并强调必须应用软件工程的方法开发GIS软件.     

应用GAMIT软件处理卫星定位数据大气水汽方法的研究

随着地基GPS技术日益完善以及GPS气象学研究的迅速发展,地基GPS探测技术已经成为一种有效的大气水汽探测手段。和传统的手段相比,地基GPS探测技术具有精度高、覆盖范围广、可全天候连续观测、时间分辨率高、成本低等优点,因此受到了国内气象部门的极大重视。利用GPS进行大气探测正逐步向业务化过渡。但目前还没有完全达到应用阶段,还有很多的技术问题有待进一步解决。以广东省GPS气象监测网建设项目为基础,对地基GPS大气水汽探测的原理、方法进行了探讨。     

软件复用的数化方法研究——以GIS应用领域软件工程为例

提出了领域软件复用的数化方法,对软件数化的概念、特征和实现方法进行了阐述,构建了软件数化元模型。以OfficeGIS领域软件为例,给出了在GIS应用领域进行软件数化和复用的一个实例。     

Multiscale mapping of burn area and severity using multisensor satellite data and spatial autocorrelation analysis

Traditional methods of recording fire burned areas and fire severity involve expensive and time-consuming field surveys. Available remote sensing technologies may allow us to develop standardized burn-severity maps for evaluating fire effects and addressing post fire management activities. This paper focuses on multiscale characterization of fire severity using multisensor satellite data. To this aim, both MODIS (Moderate Resolution Imaging Spectroradiometer) and ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) data have been processed using geo-statistic analyses to capture pattern features of burned areas.Even if in last decades different authors tried to integrate geo-statistics and remote sensing image processing, methods used since now are only variograms, semivariograms and kriging. In this paper, we propose an approach based on the use of spatial indicators of global and local autocorrelation. Spatial autocorrelation statistics, such as Moran's I and Getis–Ord Local Gi index, were used to measure and analyze dependency degree among spectral features of burned areas. This approach enables the characterization of pattern features of a burned area and improves the estimation of fire severity.     

基于机器学习的遥感反演：不确定性因素分析

遥感反演是定量遥感的核心内容之一,只有实现高精度的参数反演,才能提高遥感数据的利用效率,从而进一步推进定量遥感的发展。基于机器学习的遥感参数反演充分利用了卫星大数据的优势,能够避免因物理模型带来的复杂处理和计算过程,同时减小由遥感数据预处理包括几何校正、辐射校正、大气校正等引起的不确定性,因此被应用于遥感反演中。然而,机器学习在遥感反演中的效用和能力需要客观看待。本文重点对机器学习在遥感反演中的应用进行论述。首先在文献检索的基础上总结了目前机器学习在遥感反演方面的应用现状。然后总结了几种典型的机器学习算法的原理及特点。最后,重点论述了基于机器学习的遥感反演不确定性产生的几种主要因素,包括机器学习算法的选择、辅助变量的选择、变量数据集的来源及准确性、训练样本的选择和模型的跨尺度、跨区域应用等。在机器学习算法的实际应用中,应综合考虑这些因素可能会引起的不确定性,从而选择最为合适的算法和样本,提高结果的准确度和可信度。     

Estimating the parameters of forest inventory using machine learning and the reduction of remote sensing features

Locally computed statistics of image texture and a case-based reasoning (CBR) system were evaluated for mapping of forest attributes. Cluster analysis was preferred to regression models, as a pre-selection method of features. The best stand-based accuracy using satellite sensor images was 74.64 m⁻³ ha⁻¹ (36%) RMSE for stand volume, 1.98 m⁻³ ha⁻¹ a⁻¹ (49%) for annual increase in stand volume, where κ = 0.23 for stand growth classes and κ = 0.41 for dominant tree species in stands. The top pixel-based accuracy using orthophotos was 76.54 m⁻³ ha⁻¹ (41%) RMSE for stand volume, 1.87 m⁻³ ha⁻¹ a⁻¹ (44%) for annual increase in stand volume, where κ = 0.24 for stand growth classes and κ = 0.38 for dominant tree species in stands. Mean saturation in 30 m radius was the most useful feature when orthophotos were used, and standard deviation of Landsat ETM 6.2 values in 80 m radius was the best when satellite sensor images were used. The most valuable feature components (radii, channels and local statistics) for orthophotos were: 30 m kernel radius, lightness and the mean of pixel values; for satellite sensor images: 80 m kernel radius, near-infrared channel (ETM 4) and the mean of pixel values. Locally computed statistics.     

人工智能时代的遥感变化检测技术：继承、发展与挑战

多时相遥感影像变化检测是指对同一地理区域、不同时间获取的遥感影像进行自动变化发现、识别与解释的遥感处理与分析技术。随着卫星遥感技术及人工智能理论方法的快速发展,基于多时相遥感影像数据驱动和模型驱动的传统变化检测方法正朝着数据—模型—知识联合驱动的方向转型和演变,以更加自动化、精细化和智能化的方式,解决多领域的地表时空变化检测问题。本文在总结多时相遥感数据源从同构到异构、变化检测模型从传统到智能、变化检测应用从理论到落地过程中存在问题的基础上,以光学遥感影像变化检测任务为例,梳理和分析了人工智能时代下变化检测技术的发展历程。从无监督、监督、弱监督3个方面探讨了遥感变化检测从传统到前沿技术的转型特点与趋势,并进一步提出了未来需重点突破模型的物理可解释性、泛化及迁移能力、跨数据—跨场景—跨领域应用水平等关键问题。     

Proof of concept of a novel cloud computing approach for object-based remote sensing data analysis and classification

Advances in the development of Earth observation data acquisition systems have led to the continuously growing production of remote sensing datasets, for which timely analysis has become a major challenge. In this context, distributed computing technology can provide support for efficiently handling large amounts of data. Moreover, the use of distributed computing techniques, once restricted by the availability of physical computer clusters, is currently widespread due to the increasing offer of cloud computing infrastructure services. In this work, we introduce a cloud computing approach for object-based image analysis and classification of arbitrarily large remote sensing datasets. The approach is an original combination of different distributed methods which enables exploiting machine learning methods in the creation of classification models, through the use of a web-based notebook system. A prototype of the proposed approach was implemented with the methods available in the InterCloud system integrated with the Apache Zeppelin notebook system, for collaborative data analysis and visualization. In this implementation, the Apache Zeppelin system provided the means for using the scikit-learn Python machine learning library in the design of a classification model. In this work we also evaluated the approach with an object-based image land-cover classification of a GeoEye-1 scene, using resources from a commercial cloud computing infrastructure service provided. The obtained results showed the effectiveness of the approach in efficiently handling a large data volume in a scalable way, in terms of the number of allocated computing resources.     

基于Google Earth Engine与机器学习的省级尺度零散分布草地生物量估算

大区域草地地上生物量估算对草地资源利用管理及全球碳循环研究具有重要意义。为高效快速地估算大区域零散分布草地地上生物量,本文选取安徽省为研究区,在谷歌地球云引擎（Google Earth Engine）平台的支撑下,通过机器学习方法建立Landsat 8 OLI及其他辅助数据与地面实测草地地上生物量之间的联系,开展了草地零散分布地区省级尺度草地地上生物量高分辨率估算,并与传统的基于归一化植被指数（NDVI）回归模型进行了比较。研究结果表明,综合利用光谱与地形因子的机器学习方法,估算零散化分布草地地上生物量的精度可以达到65%以上,其中分类回归树（CART）模型R²=0.57,预测精度为68.60%,支持向量机（SVM）模型R²=0.59,预测精度为75.74%,而使用NDVI的回归分析产生的误差较大,R²=0.37,预测精度为57.51%,因此机器学习方法相对于传统基于NDVI的回归分析具有明显优势。另外,谷歌地球云引擎平台数据来源广泛、获取方便,可以高效地实现海量影像数据的预处理及计算分析,大大提升了工作效率,与地面调查数据的结合可实现更大区域乃至全国尺度上的零散分布草地地上生物量高分辨率遥感估算。     

Spatial econometrics functions in R: Classes and methods

 Placing spatial econometrics and more generally spatial statistics in the context of an extensible data analysis environment such as R exposes similarities and differences between traditions of analysis. This can be fruitful, and is explored here in relation to prediction and other methods usually applied to fitted models in R. Objects in R may be assigned a class attribute, including fitted model objects. Such fitted model objects may be provided with methods allowing them to be displayed, compared, and used for prediction, and it is of interest to see whether fitted spatial models can be treated in the same way. Received: 26 August 2002 / Revised version: 15 January 2003     

对近年来主要科技期刊有关GIS论文的统计分析

对近年来国内主要科技期刊上有关 GIS论文进行了统计与分析 ,展示了近年来我国 GIS科学研究的现状和水平 ,揭示了这一学科的应用范围、研究者现状、分布的特点和规律 ,明确了 GIS在国民经济建设中的重要地位。对GIS的发展阶段给予了评价。     

顾及样本敏感性的滑坡易发性评价

滑坡作为一种危害极大的自然地质现象,严重威胁着人民的生命财产安全。因此,科学、准确地评价滑坡体的易发性至关重要。随着机器学习的发展,基于机器学习的滑坡易发性评价逐渐成为研究热点。而在真实情况中,滑坡区域与非滑坡区域面积占比悬殊,这使得机器学习模型的应用存在较严重的样本不均衡问题。本文采用样本敏感性分析方法,综合多个机器学习模型在不同比例的正负滑坡样本集上的表现,以获取最均衡滑坡样本集;并在此样本集基础上采用深度随机森林模型,在示范研究区开展滑坡易发性评价。最终的评价结果接近真实分布,表明本文方法具有较好的有效性。