黄沙坪矿区钨钼矿床矿石学研究

1地质概况湖南黄沙坪铅锌矿区南部铁钨钼铋(锡)多金属矿床是湘南多金属成矿带的重要矿床之一。矿区形成于印支期的近南北向紧闭复式倒转褶皱及一系列走向近南北向的大致平行的逆冲断裂控制了石英斑岩和花岗斑岩的侵位,铅锌矿床与铁钨钼矿床的分布。其北段核部是301矿带铅锌矿,南段核部是与301花岗斑岩密切有关的夕卡岩型铁钨钼铋(锡)矿床。区内成矿作用与     

地理教学中其他学科知识的渗透

建构主义学习理论研究表明"知识是主体借助自身已有的知识经验能动地建构起了关于客体的认识."即学习总要涉及学习者原有的认知结构,学习者总要以自身的经验,来理解和建构新的知识和信息[1].     

线性混合模型的光谱解混算法综述

混合像元的存在不仅影响了基于高光谱图像的地物识别和分类精度,而且已经成为遥感科学向定量化发展的主要障碍。目前的混合像元分解算法大多采用线性混合模型,其关键步骤为端元提取。文中从线性混合模型的定义出发,总结了近年来提出的端元提取算法,并重点对SMACC、VCA、SGA等算法进行了深入的分析,最后总结了混合像元分解的发展趋势。     

区域网空中三角测量数据平差计算效率提升策略

针对光束法空中三角测量区域网平差数值计算中计算量占比很大的法化方程组系数矩阵,提出了一种摄影区域影像片号编排下的法化方程组系数矩阵降维精简策略,可以有效降低数据处理的时间复杂度和空间复杂度,从而明显提升平差计算效率。利用实际作业数据进行了计算效率试验,与常规空中三角测量区域网数据平差相比,计算效率提高了近11倍。     

顾及属性空间分布不均的空间聚类方法——以城市商业中心的提取为例

针对Delaunay三角网空间聚类存在的不足,提出一种顾及属性空间分布不均的空间聚类方法。首先将Delaunay三角网空间位置聚类作为约束条件,采用广度优先搜索方法,以局部参数"属性变化率"作为阈值识别非空间属性相似簇的聚类过程。以城市商业中心为例,验证了该方法能够更客观地识别非空间属性相似的簇,且自适应属性阈值可以满足不同聚类需求,为城市商业中心等空间实体的提取提供了一种有效方法。     

激光扫平仪在线自动检测系统

介绍了一种新型的激光扫平仪在线自动检测系统,主要用于激光扫平仪倾斜误差U、锥角误差V和补偿误差W的高精度在线自动检测。     

激光扫平仪光束水平误差的检定

阐述了激光扫平仪光束水平误差的检定方法、激光扫平仪特征方向水平误差及其检测步骤和数据处理方法,给出了精度分析和实测结果     

结合卷积神经网络与显著性特征的机场检测

遥感影像机场检测中,针对传统人工设计特征的方法稳健性差、检测耗时的问题,提出了一种结合卷积神经网络与显著性特征的遥感影像机场检测算法。利用卷积神经网络快速准确地检测出机场目标,确定兴趣区域,对兴趣区域进行显著性检测和连通区提取,从而获取更加精确的机场边界,最后利用多种场景下的影像进行测试。结果表明,本文方法具有明显的精度和速度优势;利用频率视觉显著性分析方法对获得的机场区域进行视觉显著性检测,可有效获取机场和跑道的精确边界,提高机场检测的效果和实用价值。     

多层级二值模式的高光谱影像空-谱分类

利用高光谱遥感影像的空间纹理特征,可以提高高光谱遥感影像的分类精度。提出了一种多层级二值模式的高光谱影像空-谱联合分类方法。该方法将高光谱影像转化为局部二值模式特征图像获取像元微观特征,基于特征图像生成多层级特征向量获取像元宏观特征。为验证该方法的有效性,选取PaviaU、Salinas和Chikusei高光谱影像数据,利用核极限学习机分类器,分别针对光谱、局部二值模式、多层级二值模式等特征开展实验。结果表明,多层级二值模式空-谱分类总体精度分别达到97.31%、98.96%和97.85%,明显优于传统光谱、3Gabor空-谱等分类方法。该方法可为高光谱影像分类提供更加有效的类别判定特征,有助于提高影像分类精度并获取更加平滑的分类结果图。     

联合局部二值模式的CNN高光谱图像分类

卷积神经网络CNN（Convolutional Neural Networks）具有强大的特征提取能力,应用于高光谱图像特征提取取得了良好的效果,双通道CNN模型能够分别提取高光谱图像的光谱特征和空间特征,并实现了特征的决策级融合。局部二值模式LBP（Local Binary Patterns）是一种简单但有效的空间特征描述算子,能够减轻CNN特征提取的压力并提高分类精度。为了充分利用CNN的特征提取能力及LBP特征的判别能力,提出一种双通道CNN和LBP相结合的高光谱图像分类方法,首先,采用1维CNN（1D-CNN）模型处理原始高光谱数据提取深层光谱特征,同时采用另一个1D-CNN模型处理LBP特征数据进一步提取深层空间特征,然后,将两个CNN模型的全连接层进行连接,实现深层光谱特征和空间特征的融合,并将融合特征输入到分类层中完成分类。实验结果表明,该方法在Indian Pines数据、Pavia University数据及Salinas数据上能够分别取得98.54%、99.73%、99.56%的分类精度,甚至在有限数量的训练样本条件下也能取得较好的分类效果。