Cyclone在数字校园三维激光点云数据预处理中的应用

为了高效获取精确的数字校园地形图的测量数据,通过Leica ScanStation P40对校园进行三维激光点云数据采集,并结合Cyclone中的去噪模型对点云数据进行去噪,利用“六自由度”方法和ID号对标靶进行拟合,在一定约束条件下完成点云数据的坐标匹配、拼接以及优化,得到统一坐标系下的点云数据。结果表明:优化后的点云数据精度可达到6 mm。可见处理后的点云数据能够满足数字校园地形图的高精度要求。     

基于像元二分模型的地表植被覆盖度估算模块化设计与实现

地表植被覆盖度是的一种应用广泛的定量遥感产品,在水文、生态、区域变化等方面都具有重要的意义。像元二分模型是应用最多的一种遥感估算地表覆盖度的方法。目前,用遥感的方法进行地表植被覆盖度估算没有完整、系统的工具,用户只能逐步进行操作,效率低下,鉴于上述情况,本文运用IDL交互式数据语言,基于ENVI二次开发了一个植被覆盖度估算程序,取得了一定的成效,对遥感定量产品的生产、应用具有一定意义。     

图库一体化软件系统研究与实现

为了提高DLG和DRG数据生产效率,改变传统作业模式,解决图库数据分离造成的数据不同步、数据维护复杂等问题,笔者引入"图库一体化"解决方案,通过建立图库一体化数据模型,利用制图表达原理研究算法实现复杂符号效果,采用智能化标注、地图整饰自动化等关键性技术,基于Arc GIS Engine实现Umap图库一体化系统。     

空地技术结合地形图测图方法研究

车载移动测量系统可以快速、高精度地对测区进行三维激光扫描,但是因地物遮挡、视角限制,使得点云数据存在缺失;无人机航测具有高效率、高灵活性和低成本等优势,但是稳定性差,受天气影像严重,易导致影像不清晰或精度低。无人机航测技术可以弥补车载移动测量技术的采集盲区,后者可以发挥高精度的优点,二者技术联合应用,将极大提高测绘精度及生产效率。本文以某小区为例,进行了相关方法实验,对建筑物顶部或植被茂密处等扫描盲区,采用无人机航测补测,通过高精度激光点云对航摄影像进行纠正匹配,综合利用激光点云与航摄影像进行大比例尺测图。     

顾及水陆差异的高分五号影像条带去除

高分五号搭载的可见光短波红外高光谱相机,能获取精细的地物光谱信息,具有十分广泛的应用前景。但高光谱卫星遥感数据往往无法避免条带噪声的干扰,进行条带去除是数据预处理中不可缺少的步骤。传统方法往往对地物的异质性与丰富的细节纹理考虑不足,导致条带不能被彻底地消除。为此,本文提出了一种顾及水陆差异的影像条带去除方法,采用水体与陆地区别统计的策略,解决条带噪声在异质区域的统计特征差异问题,并结合优化统计和一维变分滤波技术实现水陆区域参考统计特征的精确估计,最终基于矩匹配方法分别实现条带去除。实验结果表明:无论是真实实验还是模拟实验,本文提出的算法相较于传统条带去除算法,能更加稳健地去除数据条带噪声,还原地表真实辐射信息;在模拟实验中,本文算法处理结果的峰值信噪比(PSNR)达到46.58,且平均绝对误差(MAE)仅有11.56,均明显优于用于比较的3种传统算法,且算法执行效率也具备优势,能够更好地适用于高分五号大数据量的处理需求。     

2014年春季渤海浮游植物群落结构

基于2014年春季在渤海进行的水文、化学和生物方面的综合大面调查,研究了渤海浮游植物群落的结构特征,并结合文献资料,分析影响浮游植物群落结构形成的原因。结果显示：2014年渤海春季共鉴定浮游植物3门29属50种,以硅藻为主,还有少数甲藻和金藻。其中,硅藻门中圆筛藻属的种类最多,共12种,其次为角毛藻属,共5种。浮游植物总细胞丰度介于1.08×10⁴~181.09×10⁴个/m³,平均为25.47×10⁴个/m³。硅藻与甲藻细胞丰度比值为12：1,硅藻在物种数量和细胞丰度上均占有绝对优势,为渤海浮游植物的主要类群。浮游植物优势种主要为密联角毛藻（Chaetoceros densus）、斯氏几内亚藻（Guinardia striata）、具槽帕拉藻（Paralia sulcata）和夜光藻（Noctiluca scintillans）。渤海春季浮游植物群落多样性水平较低,且分布不均。渤海中部和渤海海峡海域由于单一优势种过量繁殖导致群落稳定性较差。与历史同期资料对比,渤海海域浮游植物群落出现明显的物种演替现象,角毛藻的优势地位显著性下降,斯氏几内亚藻首次在渤海大面调查中被记录为优势种。本研究为今后渤海环境生态系统和渔业资源变动的研究提供重要基础资料和参考依据。     

中国海洋无脊椎动物分类学与系统演化研究进展与展望

综述了我国海域无脊椎动物的分类学和系统演化研究的历史和概况,以及我国分类系统学工作者在海洋无脊椎动物分类学、区系与动物地理学、系统发育与分子系统学领域的主要工作,重点介绍了中国科学院海洋研究所的海洋无脊椎动物分类学工作。涉及类群包括原生动物、海绵动物、刺胞动物、线虫、多毛类环节动物、星虫、螠虫、软体动物、节肢动物、苔藓动物、毛颚动物、棘皮动物、半索动物等主要的无脊椎动物门类。涉及海域以我国管辖海域,特别是中国近海为主,也涉及了西太平洋、西南印度洋等深海环境的无脊椎动物类群的分类学报道。本文总结过去,展望未来,对于在我国在海洋无脊椎动物分类与系统演化研究领域成就基础上,发现薄弱环节,研讨今后本学科的发展方向,填补研究空白,赶超本领域国际前沿,都有重要借鉴意义。     

基于YOLOv3深度学习的海雾气象条件下海上船只实时检测

海雾气象条件下船只高精度检测识别面临较大困难,传统的目标识别、定位方法效果差强人意。作者围绕海雾气象条件下不同类型船只的实时检测问题,提出一种基于YOLOv3深度学习的实时海上船只检测新思路。首先构建清晰图片和模糊图片（海雾、雨）的判别方法,实现图片清晰度分类处理;其次为提高海雾气象条件下海上船只的实时检测精度,消除海雾遮挡对目标识别的影响,运用暗通道先验去雾方法对含有海雾的图像实行去雾;最后基于YOLOv3深度学习算法对精细处理后的图像进行船只实时检测。实验结果表明该方法能够在海雾气象条件下高效、准确地检测到船只,对海上复杂环境条件下的船只实时检测研究具有一定的理论指导意义。     

基于磁异常信号解析的目标速度特性研究

水下磁性目标产生的磁场成为重要的水下目标非声探测信号源,因此对水下磁性目标的静磁场建模原理开展了研究。实现了均匀磁化的旋转椭球体模型和磁偶极子模型,并对2种模型在目标磁异常信号仿真上的适应性进行了分析。研究表明：相比于磁偶极子模型,旋转椭球体模型在传感器与目标距离较近时也能表现很好的适应性。由此,利用旋转椭球体模型,首先通过仿真计算构建了目标在不同运动速度状态下的近距离磁异常信号数据集,然后开展基于深度学习方法的水下磁性目标运动速度识别方法研究,最后识别效果在验证集和测试集上分别取得了0.17m/s和0.74m/s良好的误差精度,为后续目标的航向等状态识别奠定重要基础。