排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
信息流作为流空间的一种重要表现形式,为城市群网络研究提供了新视角。但目前利用信息流对城市群的研究多侧重于描述城市间的层级关系或网络结构的外部特征,对网络结构及其时空演变规律缺乏从点到面的系统分析,且较少考虑距离因素。该文提出假设:信息流会在远距离影响城市间的交互,据此利用2011年、2015年、2019年信息流研究长三角城市群地理中心性随距离的变化情况,并对城市间关联的影响机制进行分析。研究表明,长三角城市群网络的主体结构由以上海为核心向四周辐射的格局转换为以上海、苏州、南京、杭州4个城市构成的多核心结构;城市群内部各城市发展呈现由东向西递减趋势,短距离尺度上,距离增长导致城市间交互强度逐渐减弱,长距离尺度上,城市属性成为城市间交互的主导因素;选取的影响因子与信息流的相关性日益增长,其中距离因子与信息流强度呈负相关,表明流空间一定程度上减弱了距离因素对城市间关联强度的影响。 相似文献
2.
3.
遥感卫星数据是地球表面信息的重要来源,但利用传统的遥感分类方法进行土地覆盖分类局限性大、过程繁琐、解译精度依赖专家经验,而深度学习方法可以自适应地提取地物更多深层次的特征信息,适用于高分辨率遥感影像的土地覆盖分类。文中对高分辨率影像中水体、交通运输、建筑、耕地、草地、林地、裸土等进行高精度分类,结合遥感多地物分类的特点,以DeepLabV3+模型为基础,作出了以下改进:(1)骨干网络的改进,使用ResNeSt代替ResNet作为骨干网络;(2)空洞空间金字塔池化模块的改进,首先在并联的每个分支的前一层增加一个空洞率相对较小的空洞卷积,其次在分支后层加入串联的空洞率逐渐减小的空洞卷积层。使用土地覆盖样本库和自制样本库进行模型训练、测试。结果表明,改进模型在2个数据集的精度和时间效率均明显优于原始DeepLabV3+模型:土地覆盖样本库总体精度达到88.08%,自制样本库总体精度达到85.22%,较原始DeepLabV3+模型分别提升了1.35%和3.4%,时间效率每epoch减少0.39 h。改进模型能够为数据量以每日TB级增加的高分影像提供更加快速精确的土地覆盖分类结果。 相似文献
1