多水平集演化的高分辨率遥感影像分割

提出多水平集演化的非监督高分辨率影像分割模型,避免传统多水平集方法中的区域重叠问题。提出新的水平集函数重初始化技术加快曲线演化,该模型缓解面向像元分割中的“椒盐效应”及面向对象分割中尺度选择不佳造成的过/欠分割现象。     

顾及上下文信息的混合广义高斯密度模型遥感影像分类方法研究

提出了一种基于混合广义高斯密度模型(generalize Gaussian mixture model,GGMM),并顾及影像上下文信息的遥感影像分类方法。试验结果表明,该方法具有较强的鲁棒性,分类精度较传统的分类方法要好,在细节保持方面,较某些尺度上的面向对象的分类方法要好。     

LiDAR点云数据的分布式组织及其并行获取方法

提出了一种分布式的大规模LiDAR点云并行快速数据读取方法。采用按空间位置均匀格网划分的数据组织形式,研究了在该组织方式下格网大小、数据分布策略对数据获取速度的影响。该方法在实验中表现出良好的并行效果,当有9台数据服务器并且待获取的数据范围较小时,加速比达到8以上。     

利用合成算法从LiDAR数据提取屋顶面

区域增长法和随机抽样一致性RANSAC算法是从LiDAR数据提取屋顶面时常用的两类方法但这两种方法都存在某些缺陷使它们的应用受到了一定限制 针对LiDAR数据中建筑物脚点的特点提出了一种融合以上两种方法优点于一体的合成算法1. 根据脚点的法向量和粗糙度特征进行屋顶面粗提取 2.在屋顶面粗提取结果的基础上利用基于先验知识的局部采样策略和区域增长方式对传统随机抽样一致性算法进行扩展实现屋顶面自动提取 3.采用投票法解决屋顶面竞争问题提高屋顶面的提取精度 实验结果表明本文设计的合成算法能够有效地提取建筑物屋顶面     

鲁棒高效的矢量地图叠加分析算法

提出了一个鲁棒高效的内存矢量地图叠加分析算法,采用改进的平面扫描算法计算交点,解决了重叠边、交点位于端点等所有特殊情形。利用交点及其携带的信息来构造结果环,并且将没有产生交点的输入环忽略,或者增加到结果的外环(或内环)集合中去。所有结果环都带有标识码,增加该标识码信息可以简化后续的两个过程-内外环的匹配以及属性的继承。与一一循环方法相比,本文方法对任何叠加操作可以一次计算得到所有的交点。此外还实现了叠加分析操作,并且用一组真实地理数据的不同操作与ESRI的ArcGIS的叠加分析操作进行了比较,计算结果的要素数完全一致;计算时间耗费约为ArcGIS时间耗费的50%-60%。     

基于Gamit数据解算的CORS站点稳定性监测研究

CORS系统一般由多个连续运行参考站建立,它维护着区域控制测量框架和基准,因此对参考站本身的稳定性分析十分重要.由于CORS系统的参考站间距多在40 km以上,常规的GPS数据处理软件难以解算相关数据.以宁波市CORS站点为例研究利用Gamit软件进行CORS站点的稳定性监测.     

利用多种测高数据反演中国南海海域重力异常

联合Geosat/GM、ERS-1/168和Envisat 3种测高数据,基于高精度地球重力模型EGM2008,采用垂线偏差方法和逆Vening-Meinesz公式,利用移去-恢复技术确定了中国近海及邻近海域(0°N～42°N,102°E～138°E)分辨率为2′×2′的重力异常.在中国南海海域,测高重力异常与船测重力...     

安徽长江经济带地热资源赋存特征及潜力评价

【研究目的】安徽长江经济带地热资源储量丰富,未来开发利用前景好,对该区域进行地热资源评价可为安徽省能源结构优化及地热资源可持续开发利用提供科学依据。【研究方法】在分析研究区地质构造、地层岩性、地热流体水化学类型等地质与水文地质条件的基础上,揭示了安徽长江经济带地热资源概况及分布特征,探讨了隆起山地对流型和沉积盆地传导型地热资源的赋存特征,并对其储量及开发利用潜力进行评价。【研究结果】安徽长江经济带地热资源热储主要赋存在巢湖—和县基岩隆起区、大别山隆起区、沿江基岩隆起区、江南隆起等隆起山地及定远断陷盆地、肥东断陷盆地、霍山—九井盆地、庐枞断陷盆地、安庆断陷盆地、宣城断陷盆地等沉积盆地。前者隆起区热储类型为带状,岩性以断裂破碎带中花岗岩为主,后者断陷盆地热储类型为层状及层状兼带状,岩性以砂岩和碳酸盐岩为主。带内热储主要为偏硅酸·氟热矿水,隆起山地型地热流体水化学类型主要为SO₄、HCO₃型水,沉积盆地型地热流体水化学类型主要为HCO₃型水。通过潜力评价可知,隆起山地型地热资源潜力较小,且处于开发利用状态的地热田基本处于超采状态;沉积盆地型地热资源潜力相对较大,其中潜力大、中和小的盆地分别有4处、6处和10处。【结论】安徽长江经济带区域内地热资源潜力分布不均,地热资源需要分区规划利用,并且需要考虑高氟、高矿化度热矿水利用造成的地表水环境污染。     

Room semantics inference using random forest and relational graph convolutional networks: A case study of research building

Semantically rich maps are the foundation of indoor location‐based services. Many map providers such as OpenStreetMap and automatic mapping solutions focus on the representation and detection of geometric information (e.g., shape of room) and a few semantics (e.g., stairs and furniture) but neglect room usage. To mitigate the issue, this work proposes a general room tagging method for public buildings, which can benefit both existing map providers and automatic mapping solutions by inferring the missing room usage based on indoor geometric maps. Two kinds of statistical learning‐based room tagging methods are adopted: traditional machine learning (e.g., random forests) and deep learning, specifically relational graph convolutional networks (R‐GCNs), based on the geometric properties (e.g., area), topological relationships (e.g., adjacency and inclusion), and spatial distribution characteristics of rooms. In the machine learning‐based approach, a bidirectional beam search strategy is proposed to deal with the issue that the tag of a room depends on the tag of its neighbors in an undirected room sequence. In the R‐GCN‐based approach, useful properties of neighboring nodes (rooms) in the graph are automatically gathered to classify the nodes. Research buildings are taken as examples to evaluate the proposed approaches based on 130 floor plans with 3,330 rooms by using fivefold cross‐validation. The experiments conducted show that the random forest‐based approach achieves a higher tagging accuracy (0.85) than R‐GCN (0.79).     

机载LiDAR点云时间纹理信息航带重叠区消冗

机载LiDAR获取的完整测区点云数据中包含了丰富的信息,同时也伴随着大量冗余数据,本文提出基于机载LiDAR点云时间纹理信息的航带重叠区消冗方法。首先按点云时间信息划分航带,再按点云纹理信息提取航带边缘,接着提取高地物遮挡空洞,最后去除重叠区冗余数据。实验结果表明,该方法无需航线信息辅助,并能在保留遮挡空洞区域点云的同时,高效地去除航带重叠区中精度较低的点云。