基于MEA-BP神经网络的卫星钟差预报

卫星钟差是影响导航定位精度的重要因素之一,建立高精度的钟差预报模型对高精度定位有重要意义。针对常用模型卫星钟差在短期预报中随时间增加误差积累,以及传统BP神经网络不稳定,容易出现过拟合等问题,本文提出一种基于思维进化算法(MEA)优化的BP神经网络钟差预报模型和算法。首先对原始钟差数据进行一次差处理;然后利用思维进化算法对BP神经网络的初始权值和阈值进行优化,给出该模型进行钟差预报的具体步骤;选用IGS站提供的多天GPS精密钟差产品数据进行试验分析,使用GPS一天中前12 h数据建模,进行2、3、6和12 h的钟差预报。结果表明:利用MEA-BP模型得到的上述4种时段的预报精度分别优于0.36、0.38、0.62和1.56 ns,预报误差曲线变化起伏较小,说明新模型的预报性能优于3种传统模型,新模型在钟差预报短期预报中的实用性及稳定性是较佳的。     

电离层局部格网降分辨率层析方法

网格划分是电离层层析的重要一环,也是影响层析精度的重要因素之一。然而,现有研究更多地关注如何通过反演算法及模型来提高精度,较少关注格网划分这一手段。本文拟从格网划分这一角度来对电离层层析方法进行优化。先利用若干试验研究了格网分辨率与层像精度的关系,然后在此结论基础上提出了一种通过降低非感兴趣区域格网分辨率来提高感兴趣区域层像精度的方法。为验证本文方法的可行性,分别开展了两个不同的层析试验。两个试验同时表明:相对于传统的格网划分方法,本文方法在均方根误差、平均绝对误差、68%及95%百分位、标准差等多个精度指标上均具有优势。根据本文试验,利用本文方法均方根误差及平均绝对误差可望分别减少15%至40%。     

顾及兴趣点潜在上下文关系的城市功能区识别

城市功能结构的探索对人们理解城市及城市规划有着重要的作用。兴趣点(point of interest,POI)数据作为城市设施的代表,被广泛应用于城市功能区提取。以往对城市功能区研究大多只考虑了POI统计信息,忽略了POI中丰富的空间分布信息,而POI空间分布特征与区域功能密切相关。本文利用空间共位模式挖掘方法挖掘POI潜在上下文关系,提取POI空间分布信息,构建区域特征向量,并进行区域聚类;再利用POI类别比例、居民的出行特征等对聚类结果进行识别。以北京市核心城市功能区为例,将研究结果与北京市百度地图、居民出行特征进行对比验证分析。试验表明,本文方法能识别出具有明显特征的城市功能区,如成熟的娱乐商业区、科教文化区、居住区等。同时,与基于POI语义信息的LDA方法及顾及POI线性空间关系的Word2Vec方法进行对比分析,证明了本文方法的优越性。     

京津冀协同发展重要地理国情监测研究与应用

文章阐述了开展京津冀协同发展重要地理国情监测的现实背景和意义,依托地理国情普查和常态化监测,结合京津冀一体化发展需求,提出了京津冀协同发展重要地理国情监测的总体思路、研究内容、关键技术和研究方法等,并开展了京津冀地区自然生态空间变化监测、高等级公路和铁路交通网络变化监测、重点大气颗粒物污染源空间分布监测等重要地理国情信息监测研究,成果已经在京津冀地区可持续发展评价、京津冀生态文明建设、空间规划管理等工作中得到了广泛应用。     

复杂卫星图像中的小目标船舶识别

船舶作为海上的重要目标,实现对船舶自动识别有重要的意义。针对卫星图像中云雾、海岸背景等复杂海情对船舶识别带来的干扰,以及小目标船舶高漏检率问题,本文提出一种多尺度深度学习模型训练策略,在此基础上构建了一种船舶识别的深度学习网络,该网络可分为多尺度训练、特征提取、生成目标建议区域、船舶分类这4个部分。首先,采用多尺度的训练策略,将多尺度的船舶样本送入网络中进行训练,这样在训练样本中加入了大量小目标船舶的样本,使网络充分提取到小目标船舶的特征;其次,通过卷积神经网络对目标船舶进行特征自适应提取;然后,目标区域建议网络可依据卷积神经网络提取到的特征,在图像中找到感兴趣目标区域,即框定船舶的位置;最后,通过多个全连接层的组合,将高维特征映射到一个4元组中,再运用分类函数输出每一类船舶的概率值,概率值最大的则为该船舶的类别。同时为解决云雾遮挡和海岸背景的干扰,采用了一种负样本增强学习的方法,在样本数据集中加入了大量只含有云雾和海岸背景的图片,进行负样本扩充,增强网络模型对云雾及海岸背景的特征学习能力,以此解决复杂海情的影响。实验结果表明,所提方法有效解决了复杂海情条件下的船舶识别难,以及小目标船舶识别难的问题,实现了复杂海情条件下的船舶识别。同时,与现有成熟的深度学习目标识别算法相比,本文算法的精确度和召回率分别提升了6.98%和18.17%,所训练的模型具有良好的泛化能力和鲁棒性。     

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。     

ASTER GDEM V2的南极冰川高程误差校正及精度分析

ASTER GDEM V2是研究南极冰盖表面的一种重要DEM数据源。由于南极冰雪区反射率高且缺乏地形特征,导致ASTER GDEM V2存在大量的坑、隆起等噪声,难以直接用于南极地形分析。本文以ICESat/GLAS激光点高程数据作为参考,采用修正等高线法对南极伯德（Byrd）冰川ASTER GDEM V2进行了误差校正,并将其与ICESat-1 DEM的垂直精度进行了对比分析。结果表明：ASTER GDEM V2的RMSE由校正前的26.56 m下降到校正后的18.77 m,远低于ICESat-1 DEM的RMSE（121.24 m）;校正后的ASTER GDEM V2高程精度受坡度影响较小,不存在明显的系统误差,而ICESat-1 DEM的高程精度受坡度的影响较大。本研究进一步通过地形剖面分析得到：校正前的ASTER GDEM V2噪声主要分布于高程较低、地形平坦的区域,通过修正等高线的方法可以有效去除这些噪声,去除噪声后的ASTER GDEM V2可作为研究伯德冰川理想的DEM数据源。     

内点最大化与冗余点控制的无人机遥感图像配准

利用小型无人机进行遥感图像配准在自然灾害损害评估、环境监测和目标检测与追踪等领域发挥着至关重要的作用,但小型无人机的图像采集过程容易受风速/风向、复杂地形、电池容量、飞行姿态、飞行高度等自然或人为因素的影响。这些问题通常会导致捕捉到的场景重叠率低与图像非刚性畸变,在特征点提取过程中产生大量冗余点,增加了图像配准的难度。本文提出一种基于特征点的小型无人机图像配准方法,该方法的核心思想是在配准过程中识别冗余点,同时最大化可用内点数量。所识别的冗余点当作控制点,用于控制网格代图像的运动。最后通过最大化内点和合理移动控制点来恢复图像变换。本文使用50对小型无人机图像进行特征匹配和图像配准的实验,其中平均配准精度可达80.38%,并且本文方法在所有的情况下都优于5种当前流行算法。     

中国连片特困区经济韧性测度及影响因素分析

巩固脱贫攻坚成效,提升抗风险与自我发展能力对连片特困区而言意义深远。经济韧性作为反映区域经济应对冲击时抵抗、恢复、调整及转型能力的指标,能够有效评估连片特困区的抗冲击能力和返贫风险。基于中国12个连片特困区的地市级数据,通过构建综合指标体系及核心评估变量对其经济韧性进行了测度与对比,并运用多种回归模型识别主要影响因素,结果发现:① 连片特困区经济韧性小于非连片特困区,二者虽均呈逐年递增趋势,但非连片特困区增速略快。进一步对指数分解后发现,连片特困区与非连片特困区经济韧性的差距主要来自于适应与调整能力的差异。② 罗霄山区、燕山—太行山区、大别山区经济韧性均值最高,而滇西边境山区、六盘山区、四省藏区最低,东西差异明显。③ 大部分片区经济韧性逐年递增,经济韧性越高的片区往往增速越快,但四省藏区、六盘山区、吕梁山区经济韧性出现下降趋势,其中,吕梁山区下降最明显。在对不同片区经济韧性分解后发现,不同片区间适应与调整能力差异最大,创新与转型能力差异最小。④ 地理区位、人均固定资产投资、外贸依存度、财政自给水平、地方财政教育经费支出、专利授权数等变量对连片特困区经济韧性存在显著影响。⑤扶贫政策有利于增强片区经济韧性,经济韧性较低的片区对扶贫政策的依赖程度更高,其中,四省藏区、六盘山区、滇西边境山区对扶贫政策依赖最为严重。     

海南省农村多维贫困及影响因素的空间分异

贫困具有多维属性,根据不同社会群体和背景从多维视角定义贫困已成为贫困问题研究的共识。依据Alkire-Foster多维贫困框架,拓展精准扶贫的“两不愁,三保障”识别标准,建立了涵盖教育、健康、居住、生活和收入指标的海南省农户多维贫困评估指标体系,基于海南省70个乡镇、134个贫困村3924户入户调查数据,采用双重临界值法评估了农户及村域多维贫困状况,进而运用地理加权回归(Geographically Weighted Regression,GWR)模型,分析了村域多维贫困影响因素的空间分异。结果显示,调查农户多维贫困率达18.22%,多维贫困程度严重的村多维贫困发生率不一定高,“两不愁、三保障”及收入指标对多维贫困指数的贡献率低。中、西部连片贫困地区多维贫困主要表现为较差的资产状况、不清洁的炊事燃料、较高的家庭成员患病率和较低的家庭成员最高学历。GWR模型分析表明,作为多维贫困最重要的影响因素,户主性别、户主受教育水平、女性劳动力占比和抚养比4个变量估计系数的空间分异明显。总体上,女性户主和低学历户主为主的地区倾向于更易发生多维贫困,二者的影响分别表现为从东到西、从北到南有所增强。女性劳动力占比为负向影响,抚养比为正向影响,呈现出自北向南增强的趋势,体现了海南贫困地区劳动力弱、女性相对更勤劳等典型地域特征。