大面积水深异常检测的条件变化自编码算法

针对大面积海底地形数据缺失或异常的复杂及多变性特点,结合条件变分自编码器(CVAE)与深度卷积生成对抗网络(DCGAN),构建了条件变分自编码生成对抗网络(CVAE-GAN)大面积海底伪地形的检测与剔除方法。本文方法利用条件变分自编码算法改变原有的样本分布,通过对训练样本的学习重新构建样本之间的分布规律,有效提高了高维到低维映射的稳定性;结合生成对抗网络,提高了整体算法的稳健性,最终得到较优的检测与剔除结果。采用水深格网数据进行试验,并与中值滤波法、趋势面滤波法进行比较。结果表明,本文方法在精度、稳定性及噪声稳健性方面有所提高,验证了本文方法在海底地形数据处理上具有可行性。     

两条控制线直接求解地理化参数的方法

针对某些三维激光扫描测量中,由于地形限制,扫描视场内的起算数据不足以平差计算地理化参数,则需建立地理化参数直接求解模型的问题,该文提出一种基于两条控制线直接解算地理化参数的方法。该方法采用主方向法分3种形式精确表达控制线,有效克服了地理化中传统直线表达的冗余性和扰动性。实验结果表明,该方法获取的地理化参数可靠,可作为精地理化中获取地理化参数初值的途径,也能应用在无初值参考、只有少量控制基元的实际扫描测量中,有一定的实际应用价值。     

基于WSR框架的《开发区土地集约利用评价规程》指标体系分析

旨在剖析我国《开发区土地集约利用评价规程》中指标体系存在的问题并提出改进建议。在界定开发区土地集约利用内涵基础上,从要素特征(W维)、利用目标(R维)和评价过程(S维)等3个维度阐述了开发区土地集约利用评价的系统要求,构建关联分析矩阵,对《规程》中评价指标体系的特征差异化、层次完整性和目标关联性等3个方面进行了分析讨论。针对当前《规程》中存在的评价对象混杂、开发区类型需要细化、指标体系不完整、计算方法需修正等问题提出了相应修改建议。     

基于DEM提取流域特征影响因子的分析

基于DEM的流域特征提取,受数据源、分辨率、重采样技术等因子影响。为系统地评价不同地貌类型对各影响因子的敏感程度,本文提出一种多指标因子分析模型,综合分析不同因子对流域特征,如流域面积、河流分叉比、河网密度、流域长度、流域坡度、流域高程、流域形状等的客观影响。实验过程选取山地、丘陵、平原地形的中小流域为研究区域,以ASTER 30m重采样生成的40—100m分辨率DEM,ASTER 30m、SRTM 90m和GMTED2010 250m的3种数据源及4种重采样技术生成的DEM场景为实验数据。结果表明:分辨率对流域特征影响最敏感,数据源次之,重采样技术不太敏感。山地地形下的流域特征变化趋势性显著,适合山地中小流域的分辨率为最高分辨率,数据源为SRTM,重采样技术为最邻近分配法。丘陵、平原地形评价结果具有随机性。     

基于CORBA的开放式GIS构建

现代信息技术的变革使网络技术与GIS的结合日益紧密,从而促进了开放GIS技术的研究.开放式GIS研究的目的是提供一套具有开放界面规范的通用组件,开发者根据这些规范开发出交互式组件,从而实现不同种类地理数据和地理处理方法间的透明访问.文中主要讨论了基于CORBA的开放式GIS的网络系统构建技术,使用户能在分布式的多服务器且存在异构的网络环境中共享地理空间数据.     

线路平行线间面积计算的统一简捷模型

本文根据线路平行线间面积计算的统一模型，分别推证了直线，圆曲和缓和曲线段平行线间面积计算的简捷模型，据此归纳出线路平行线间面积计算的统一简捷模型，它在线路土地征及用建材用料计算等方面都有广泛的应用。     

人口遥感估算方法研究

介绍几种人口遥感估算方法，阐述不同方法的原理、基本思路，以及为保证人口估算精度，作业时应注意的关键问题。最后展望遥感估算技术的应用前景。     

中央直属储备粮食GIS系统的设计

粮食问题是关系民生的首要问题。我国粮库数据量多、地域分布广。长期以来，由于缺乏一套完整高效的粮食信息管理系统，无法及时地对粮库信息做出决策分析和预测。根据粮库信息管理的特点，使用统一建模语言（UML），以MapInfo,VB和Java作为开发工具，研发了一套高效、科学、完善的中央直属储备粮食GIS系统。     

地图数据中的信息挖掘

将数据挖掘运用到地图数据中，从地图数据中挖掘出多方面的知识。通过统计分析可以研究各种现象在空间或一定时间范围内存在的变异、相互关系，从中找出事物内部的规律；通过统计分析可以研究各种现象的空间分布规律，相互联系，动态变化，建立各种数学模型等。     

广域差分GPS系统完备监测

广域差分ＧＰＳ系统完备性监测技术是广域差分的关键和核心。本文全面介绍了完备性监测技术的定义,完备性监测系统的构成,以及各个部分的监测方法,包括监测站和用户站的监测技术,最后给出了完备性监测的一般步骤。