��������ƹ�������С�ⷨ�������Ӳ����Ԥ��

??????ζ?????????????????????????????????????С??????????ζ???????в????Э????????????????y????????????????????????б??????????????С???????????????????????????????????????????     

�����Ӳ����Ԥ��ģ�ͷ���

???????????????ζ???????????????????????????ζ?????????????????????????????????????????????????????У?????????????????????????????????????λ?????????С???????????????У?????????????????????????С???????????????????????С???仯????????????????     

��������̨GPS��ֱ�����仯�뽵ˮ������ˮλ��ϵ�о�

???1999??2012???????????????????????????????λ????????????????????????λ??????GPS??????????????????????仯?????????о?????????????λ??GPS????????仯??????????????????仯?????????????????????????????????????λ????????GPS?????????С????ζ??????????????????????λ???????GPS?????????????ζ??????3??????????λ?仯????GPS????????????????г????????     

���ģ��Ԥ�����������Ӳ�

??????????????????й????У????????????????????????????????????????????????????????仯???о??????????5???????????????????????ж?????????????????????????????????????????????????Щ??????????????????????????????????????????????????????3????????????????IGS????????????????????ζ???????????????????????????????????????????о???????3???????????Ч?????????????????????????????????????У??????????????????????????????編?????     

�ϲ�λ������ĵر��α�����

?????????????????????????????????????ζ??λ??????????α???????о????????????????????????????α???????????????1)????????????????α?????????????????????????????????????С?????α?????н?????2)???????????????Σ??????????????????α????????????λ??????????????????????????α????????????????     

Z���ζϲ�ϵͳ����Ӧ�䶸��ʱ�շֲ�����ֵģ��

????Z???ζ????????????????ο?????FLAC??3D??????о????????????????????????9??????????????????????й???????????????о?????????????λ???????м????????????????????м??????????????????????????????Щ??????????й???????Щ???????????й??????????????????????????д??????????????????????????     

��ɽ���¥̽�۹��͹���꼰��Թŵ����¼���ָʾ����

?????????(4??11 ??m)???????????????SMAR????????????????1976????????????￥????????е???????????????о?????????????????????????????????????????????????????????????????????????????????????????????????о???????????????50~7.16 ka???????????????????????????????????????????????????????????????????????????????????С???0.03 m/ka??????????0.6 m??????????1976???????????ɡ?75~50 ka??????????~50 ka????????????????????~0.1 m/ka??????ζ?????????????????????????????????~0.2 m/ka????????о???????????????仯????????????????????????????     

����Satoģ���о��Ž�-����������е�Qcֵ����

????Sato???????????????????????????????о?????-???????????β??Qc???仯?????????Qc???????仯????Qc(f)=19.63??4.81f ^{1.183 8??0.094 5}?? ??2005??12??3??ML3.9????????????????????ε????Q0???????仯?????????????????????????????????к?????ε????Q0???????仯?????????????????????????????? ?????????п?????ζ????????????????н???????????Ρ?     

����GRACEʱ���������������ճ��仯

??????????????λ???????????????????????????????仯?????????С????????????????GRACE????????????????λ????????????????е??????????????????????????????????????????????????????????????????????????????????????仯???????????????????????????????????????????????????????????????????6?????????????     

����DINSAR��2001������ɽ����8.1��������α�̽��

2001??11??14????????????????8.1????????????????400 km???????,????????????????е??????????????????ERS??2 SAR?????????SRTM DEM???????????·????·???????洦????????????????α?????????????:?????????????????????????DEM????·???????????????????;???????????????????????????????????     

多边形叠加Vatti算法的VCS优化方法与GPU并行化

Vatti算法是常用的矢量多边形裁剪算法之一,在其构建扫描束实现交点计算的过程中,二叉树的数据结构和递归计算方法导致其计算效率受矢量多边形边界顶点数量影响显著。本文针对Vatti算法执行过程中较为耗时的扫描束构建环节,提出了一种多边形边界顶点预排序的优化方法——VCS（Vertex Coordinate Pre-Sorting）方法,并基于该方法实现了对Vatti算法的GPU细粒度并行化。VCS方法使用双向链表对Vatti算法原有的二叉树数据结构进行了替换,以较小的额外存储空间取得了多边形边界顶点信息查找效率的明显提升。在GPU环境下采用双调排序算法对多边形边界顶点数组元素进行并行化排序并过滤出有效值,克服了原始算法使用二叉树存储导致效率低下的问题。实验结果表明,改进后的算法与原始算法相比,具有相同的计算精度;当多边形顶点数量为92万,CUDA每个线程块中的线程数量为32时,使用VCS优化方法,与采用CPU计算构建扫描束方法相比,GPU并行化方法获得了39.6倍的相对加速比,矢量多边形叠加分析算法效率总体上提升了4.9倍。     

视觉变形测量方法及应用研究

针对现有视觉测量中监测距离较短、自动化程度不高等缺点,提出基于形状的目标识别、综合边缘和区域目标提取的视觉变形测量方法,设计了一款适用于该方法的监测标志以及与之相适应的变形计算算法。利用单反相机等普通数码相机开展相关实验,采用连续拍摄平滑及匹配校正技术,削弱由于受相机反光板和快门机械运动、环境等因素的影响而引起的测量误差。利用VS2015与QT编程平台及C++编程语言开发视觉变形监测软件,并进行长期监测实验,验证了基于视觉测量的变形监测方法的可行性、有效性以及监测精度。     

分治法在GIS多边形快速合并算法中的应用及效率提升评价模型

分治法采用分解-解决-合并的问题处理模式,应用于多边形合并算法能规避结点累积效应,与经典的“滚雪球”处理模式相比能有效提升多边形合并算法的计算效率。本文以多边形合并算法为研究对象,首先通过分析基于Vatti算法实现的多边形合并算子的效率相对于多边形顶点数的变化特征,指出合并过程中的结点累积效应是“滚雪球”多边形合并模式的潜在性能瓶颈和隐患。考虑分治法的“分而治之”思想在解决多边形合并问题上的适用性以及在归并排序算法中表现出的高效率,提出分治法的多边形“树状”合并处理模式,实现了面向要素集合或者要素层的多边形快速合并算法,最后给出了面向多边形合并的算法效率提升评价模型。实验结果显示,当仅有400个多边形时,“滚雪球”模式的时间开销约是“树状”合并模式的26倍,当需要合并11 200个多边形时,前者的时间开销约是后者的926倍。因此,基于分治法的多边形树状合并策略是对多边形合并算法以及应用到多边形合并算法的高级空间分析算法进行优化的可行途径。     

基于集群MPI的图层级多边形并行合并算法

在集群环境下,基于MPI并行编程模型和OGC简单要素规范进行并行多边形合并时,需要处理叠加图层间要素的“多对多”映射关系,由于空间上相邻的多边形在要素序列上并不一定连续,导致无法按要素序列为子节点分配任务,给并行任务映射带来了困难。本文以集群环境下的并行多边形合并算法为研究对象,通过比较叠加分析中两种多边形映射关系对算法并行化带来的影响,基于R树空间索引、MySQL精确空间查询,以及MPI通信机制,提出了6种不同的并行任务映射策略;通过实验分析和比较了6种策略的优劣。结果显示：基于R树预筛选的直接合并策略,在各算法中具有最高的串行计算效率和优秀的并行性能表现。虽然MySQL精确空间查询的预筛选过程较为耗时,但可有效地过滤掉不真正相交的多边形,从而提高合并操作的效率。因此,在集群MPI环境下,基于R树和MySQL精确空间查询的预筛选策略是解决并行任务映射难题,实现图层级多边形并行合并算法的有效途径。     

Mapping detailed soil property using small scale soil type maps and sparse typical samples

Soil type maps at the scale of I Z 1 000 000 are used extensively to provide soil spatial distribution information for soil erosion assessment and watershed management models in China. However, the soil property maps produced through conventional direct linking method usually suffer low accuracy as well as the lack of spatial details within a soil type polygon. This paper presents an effective method to produce detailed soil property map based on representative samples which were extracted from each polygon on the 1 ： 1 000 000 soil type map. The representative sample of each polygon is defined as the location that can represent the largest area within the polygon. The representativeness of a candidate sample is determined by calculating the soil-forming environment condition similarities between the sample and other locations. Once the representative sample of each polygon has been chosen, the property values of the existing typical samples are assigned to the corresponding representative samples with the same soil type. Finally, based on these representative samples, the detailed soil property map could be produced by using existing digital soil mapping methods. The case study in XuanCheng City, Anhui Province of China, demonstrated the proposed method could produce soil property map at a higher level of spatial details and accuracy： 1） The soil organic matter （SOM） map produced based on the representative samples can not only depict the detailed spatial distribution of SOM within a soil type polygon but also largely reduce the abrupt change of soil property at the boundaries of two adjacent polygons. 2） The Root Mean Squared Error （RMSE） of the SOM map based on the representative samples is 1.61, and it is 1.37 for the SOM map produced by using conventional direct linking method. Therefore, the proposed method is an effective approach to produce spatial detailed soil property map with higher accuracy for environment simulation models.     

基于层次匹配的面状要素几何匹配方法研究

空间数据增量信息提取是空间数据库增量更新的基础,而要素几何匹配则为空间数据增量信息提取的关键流程之一。针对面状要素几何匹配时所产生的单一匹配算子匹配准确度低,以及多算子加权匹配算法匹配效率低、冗余度高、结果不准确等情况,本文提出一种基于多层次匹配的面状要素几何匹配算法。该算法以反映面状要素位置、大小、形状特征的质心匹配算子、面积重叠度算子以及转向角函数匹配算子为基础,并按各算子复杂度进行层次匹配规则设计,以提高算法效率、保证匹配的准确性。本文通过2种方法进行对比实验,结果表明：层次匹配算法匹配完整度和准确度均能达到90%以上,可以很好地进行面状要素几何匹配;与加权匹配方法相比效率更高,代价更小,且所得匹配结果比加权匹配方法所得结果更加准确。     

多手段形变监测与地震预报

系统回顾多手段地形变监测应用于地震中长期预测和中短期预报的若干实例,以及震后总结给出的突出形变异常和巨幅形变异常未能对应地震的实例,展示了形变手段用于强震预测的有效性和局限性,并针对实践中发现的若干问题进行讨论,提出看法和建议.     

多边形自动构面算法的实现与优化

多边形自动构建是空间拓扑关系建立的难点和重点,效率受到多方面因素制约。在分析基于最小角法则的多边形自动搜索算法的基础上,在关联线段、有效多边形、相同线段的筛选等方面进行了改进,优化了多边形搜索、重复多边形筛选以及特殊多变形处理等算法,解决了重复搜索、多边形筛选耗时过长、特殊多边形(桥连多边形)的错误等问题,整体上较大地提高了多边形自动构面的效率,并在房产测绘的实际应用中得到验证。     

一种异构多核架构快速查询多边形图层间空间关系的方法

目前,空间关系查询中常用的Plane Sweep 算法是一种串行方法,而关于多核CPU的并行查询算法,在面对海量数据查询时,由于CPU核心数及线程数量的限制,其难以满足查询效率需求。针对该问题,本文提出了一种全新的异构多核架构多边形图层间空间关系查询的并行算法。首先,利用STR 树索引过滤不相交的多边形;然后,对过滤后多边形的线段构建四叉树索引,利用CPU+GPU架构并行计算线段的相交以判断多边形环间的拓扑关系;再根据环间的拓扑关系计算多边形间的维度扩展九交模型(DE-9IM)参数值,据此确定多边形间的空间关系;最后,通过实验验证了该算法的准确性和高效性。实验表明,本算法能有效缩短大数据量的空间查询时间。在实验中逐渐增加目标数据集和源数据集多边形的数量,当两数据集都为50 000 个多边形时,以包含关系为例,相比于ArcGIS,本文提出的算法可达到2 倍的加速比。     

平均误差控制下的频率域矢量数据压缩方法

矢量数据压缩对于受网络带宽限制的WebGIS有着重要意义,其可减少数据存储空间,提高网络传输与处理效率。传统的矢量数据压缩方法主要从空间关系的角度出发,根据原始矢量数据点之间的距离、角度等指标,判断如何对矢量线要素或面要素进行化简,略去冗余的端点。而本文则利用已在图像压缩领域被广泛应用的变换编码的频率域压缩技术,利用能实现能量保持的离散余弦变换和特殊的量化方法,以及无损熵编码,对矢量数据实现了能控制压缩后平均误差的有损压缩。该方法无需事先根据不同的误差限值设计量化表,且能处理指定过大平均误差限值时所出现的问题,有很强的适应能力。最后,使用C#实现了该方法,并验证了方法的可靠性,完成了方法的性能测试。实验结果表明,本文提出的矢量数据压缩方法能获得较大的压缩比,且能较好地保持原始矢量数据所具有的地理形态结构特征。