地面沉降监测多源数据融合分析

地面沉降是区域性地面高程下降的一种地质现象,一般是由自然因素和人为因素的共同作用导致的。目前地面沉降监测的方法很多,各有优劣。本文结合武进中心城区地面沉降监测系列工程案例,对不同沉降监测方法产生的多源数据进行了分析、对比和融合,使成果兼具各种方法的优点,其不仅能更好地描述地面沉降的现状及预测地面沉降的发展趋势,而且可为后期地面沉降监测提供更加准确且丰富的数据基础。     

长距离GPS/BDS参考站网多频载波相位整周模糊度解算方法

长距离网络RTK是实现GPS/BDS高精度实时定位的主要手段之一,其核心是长距离参考站网GPS/BDS整周模糊度的快速准确确定。本文提出了一种长距离GPS/BDS参考站网载波相位整周模糊度解算方法,首先利用GPS双频观测数据计算和确定宽巷整周模糊度,同时利用BDS的B2、B3频率观测值确定超宽巷整周模糊度。然后建立GPS载波相位整周模糊度和大气延迟误差的参数估计模型,附加双差宽巷整周模糊度的约束,解算双差载波相位整周模糊度,并建立参考站网大气延迟误差的空间相关模型。根据B2、B3频率的超宽巷整周模糊度建立包含大气误差参数的载波相位整周模糊度解算模型,利用大气延迟误差空间相关模型约束BDS双差载波相位整周模糊度的解算。克服了传统的使用无电离层组合值解算整周模糊度的不利影响。采用实测长距离CORS网GPS、BDS多频观测数据进行算法验证,试验结果证明该方法可实现长距离参考站网GPS/BDS载波相位整周模糊度的准确固定。     

基于深度残差网络的机载LiDAR点云分类

机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。     

深圳市地理信息产业政策研究及建议

深圳市2014年地理信息产业调查估算产值为50-60亿元,产业发展潜力具有很大的挖掘空间。有效的产业政策可以促进产业发展。为加快深圳地理信息产业发展,本文在对深圳市现有地理信息产业政策体系进行全面梳理和政策问题分析的基础上,开展促进深圳市地理信息发展的产业政策研究,提出深圳市地理信息产业优先发展方向、领域,并基于地理信息产业政策研究理论框架,给出具有针对性的政策完善建议。     

中文村名俗称与规范名称的匹配算法

随着数字化的发展,越来越多的应用要求通过采用自然语言文字描述直接找到对应的详细的地址信息,并能够在空间位置上进行显示,即地名地址匹配空间化过程。然而,现今在地名的规范化角度还存在着很多问题,在乡镇或街道办及以上的行政等级的命名中都已基本规范统一,但是在村庄级的命名中还有待进一步的完善。所以本文通过对国内外文献研究,规范村名命名规律,匹配算法研究进一步加深中文村名俗称与规范名称的匹配算法的研究。     

基于Android终端的GIS林业数据采集系统设计

在野外利用智能终端设备采集数据可以保证获取资料的便利性与准确性。针对林业数据的数量庞大、科目多样、分布区域广泛等特点,本系统基于现有的Android平台结合百度地图API及定位SDK组件调用进行二次开发,实现地图接入、位置定位、路线搜索等服务,通过相关命令调用终端拍照等应用在数据库中实现数据采集、属性记录及导出功能,系统主要包括登录模块、采集模块、数据管理模块等。本文设计的Android终端GIS采集数据系统可以满足外业人员对林业数据的核查、修改与采集需求,为野外核查工作提供了新的模式和方法。     

车载移动测量系统大比例尺测图精度控制研究

车载移动测量系统作为一种先进的测绘技术,已广泛应用于大比例尺测图项目中。SSW车载激光建模测量系统能够快速、高效、精确地完成大比例尺测图数据采集、处理等工作。不同比例尺对精度的要求不一样,而本文选择若干试验区,探讨不同的数据采集与处理方式对精度的影响,然后制订相应的精度控制方案,提高数据的精度,满足1∶1 000比例尺测图要求。     

基于MODIS数据的湖北省地级以上城市城区地表温度变化分析

基于MODIS数据,以湖北省地级以上城市城区为研究对象,通过对湖北省13个地级以上城市城区边界矢量数据与地表温度因子进行套合处理,采用叠置分析方法对2000、2015、2017年湖北省地级以上城市城区的地表温度进行统计,并分析城镇化建设对城区地表温度产生的影响。     

波段选择协同表达高光谱异常探测算法

高光谱遥感影像具有光谱分辨率极高的特点,承载了大量可区分不同类型地物的诊断性光谱信息以及区分亚类相似地物之间细微差别的光谱信息,在目标探测领域具有独特的优势。与此同时,高光谱遥感影像也带来了数据维数高、邻近波段之间存在大量冗余信息的问题,高维度的数据结构往往使得高光谱影像异常目标类和背景类之间的可分性降低。为了缓解上述问题,本文提出了一种基于波段选择的协同表达高光谱异常探测算法。首先,使用最优聚类框架对高光谱波段进行选择,获得一组波段子集来表示原有的全部波段,使得高光谱影像异常目标类与背景类之间的可分性增强。然后使用协同表达对影像上的像元进行重建,由于异常目标类和背景类之间的可分性增强,对异常目标像元进行协同表达时将会得到更大的残差,异常目标像元的输出值增大,可以更好地实现异常目标和背景类的分离。本文使用了3组高光谱影像数据进行异常目标探测实验,实验结果表明,该方法与其他现有高光谱异常目标探测算法对比,曲线下面积AUC(Area Under Curve)值更高,可以更好地实现异常目标与背景分离,能够更有效地对高光谱影像进行异常目标探测。     

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。