A particle swarm optimized kernel-based clustering method for crop mapping from multi-temporal polarimetric L-band SAR observations

Polarimetric Synthetic Aperture Radar (PolSAR) data, thanks to their specific characteristics such as high resolution, weather and daylight independence, have become a valuable source of information for environment monitoring and management. The discrimination capability of observations acquired by these sensors can be used for land cover classification and mapping. The aim of this paper is to propose an optimized kernel-based C-means clustering algorithm for agriculture crop mapping from multi-temporal PolSAR data. Firstly, several polarimetric features are extracted from preprocessed data. These features are linear polarization intensities, and several statistical and physical based decompositions such as Cloude-Pottier, Freeman-Durden and Yamaguchi techniques. Then, the kernelized version of hard and fuzzy C-means clustering algorithms are applied to these polarimetric features in order to identify crop types. The kernel function, unlike the conventional partitioning clustering algorithms, simplifies the non-spherical and non-linearly patterns of data structure, to be clustered easily. In addition, in order to enhance the results, Particle Swarm Optimization (PSO) algorithm is used to tune the kernel parameters, cluster centers and to optimize features selection. The efficiency of this method was evaluated by using multi-temporal UAVSAR L-band images acquired over an agricultural area near Winnipeg, Manitoba, Canada, during June and July in 2012. The results demonstrate more accurate crop maps using the proposed method when compared to the classical approaches, (e.g. 12% improvement in general). In addition, when the optimization technique is used, greater improvement is observed in crop classification, e.g. 5% in overall. Furthermore, a strong relationship between Freeman-Durden volume scattering component, which is related to canopy structure, and phenological growth stages is observed.     

基于空间聚类方法的京津冀城市群多层级空间结构研究

在京津冀协同发展战略背景下,以建设京津冀世界级城市群为引领,遵循城市发展规律,优化城市空间布局,明确京津冀城市群等级结构及其空间特征具有重要意义。本文以京津冀城市群156个区县为研究对象,从经济中心性、交通中心性、信息中心性、人口中心性4个角度,利用4种空间聚类方法进行5个等级的聚类分析,并基于克氏中心地理论对京津冀城市群等级划分结果进行空间结构分析。结果显示,自组织特征映射神经网络算法(SOM)较适合京津冀城市群的等级划分;京津冀城市群正从以北京城区为单核心的圈层空间结构向3条带型空间结构转变,其中京津都市发展走廊发育成熟,沿海都市发展带也初具规模,而包括雄安新区在内的京石都市发展带正在孕育。     

一种可见光影像稠密匹配点云的单栋建筑物提取方法

建筑物点云提取是城市快速三维建模的基础。针对城区中建筑物和树木空间距离较近导致建筑物点云误提取的问题,提出一种颜色约束的欧式聚类算法。该方法利用低空拍摄可见光影像进行三维重建、获取点云数据,在建立点云K邻域索引和表面估计的基础上,以曲率最小的点作为欧式聚类的种子点,将点云的RGB值转换成Lab颜色模型,对建筑物点云的聚类提取进行约束。实验表明,该方法可以有效地解决可见光影像匹配点云中建筑物提取时将树木误提取的问题。     

基于地理国情普查高分辨率卫星遥感数据正射影像制作

随着卫星遥感技术的不断发展,卫星影像成图精度越来越高,利用高分辨率卫星影像获取地理国情信息是地理国情普查工作的重要技术手段。本文以QuickBird、WorldView卫星遥感数据处理为例,描述了将Geoway CIPS集群式遥感影像处理软件和Inpho软件相结合,进行正射影像图制作中纠正、融合、匀光匀色等技术流程和工作方法。此方法可提高影像整体质量,有效地减少影像调色工作,从而提高影像生产效率。     

基于GIS的河南省县级城市空间聚类研究与实现

将GIS与空间聚类算法相结合,可以从空间数据集中发现对象的凝聚趋势、分布规律和发展方向,并可进一步挖掘分析,从而获取更加概括和精练的信息。本文以河南省108个县级城市为研究对象,对其三年的人口及从业人员等状况进行聚类分析。采用系统聚类中的离差平方和法,以欧式距离的平方作为度量标准,对变量以Z得分作为转换标准,最终把样本划分为5类,并制作聚类划分结果专题地图。结合聚类分析和聚类分布图,进一步证实了空间聚类在县级城市空间分析中的可用性,能为河南县级城市的发展规划制定提供重要依据。     

基于数据挖掘的M地区低渗透储层评价

文章以M地区为研究对象,针对该区实际地质情况,基于孔隙度、渗透率等测井资料,运用多元统计中的R型因子分析、判别分析及数据挖掘中的聚类分析,对储层进行合理的分类,得出储层空间的展布规律,并建立定量的评价标准。结合实际产能资料验证,认为该方法在储层评价中是可行的。     

南京禄口机场低能见度天气统计分析及判断模型

基于2014—2019年基于南京禄口机场能见度观测资料,统计分析了机场低能见度天气,发现低能见度天气大多发生在11月至次年1月04—07时(北京时)。通过分析雨强—能见度数据发现降水强度和能见度呈幂函数关系,建立了降水时段基于降水强度的能见度拟合模型。通过K-means聚类中心分析,发现无降水时能见度和风速以及温度的关系为正相关,和相对湿度以及修正海压的关系为负相关。最后使用随机森林算法建立低能见度天气等级判断模型,对比发现随机森林在准确度和计算效率方面较其他模型均有一定优势。     

On the spatial distribution of buildings for map generalization

Information on spatial distribution of buildings must be explored as part of the process of map generalization. A new approach is proposed in this article, which combines building classification and clustering to enable the detection of class differences within a pattern, as well as patterns within a class. To do this, an analysis of existing parameters describing building characteristics is performed via principal component analysis (PCA), and four major parameters (i.e. convex hull area, IPQ compactness, number of edges, and smallest minimum bounding rectangle orientation) are selected for further classification based on similarities between building characteristics. A building clustering method based on minimum spanning tree (MST) considering rivers and roads is then applied. Theory and experiments show that use of a relative neighbor graph (RNG) is more effective in detecting linear building patterns than either a nearest neighbor graph (NNG), an MST, or a Gabriel graph (GssG). Building classification and clustering are therefore conducted separately using experimental data extracted from OpenStreetMap (OSM), and linear patterns are then recognized within resultant clusters. Experimental results show that the approach proposed in this article is both reasonable and efficient for mining information on the spatial distribution of buildings for map generalization.     

中国人文地理综合区划

中国人文地理综合区划是以中国自然地理要素的地域分异规律为基础,充分考虑全国人文要素的地域分异性和相似性,将全国划分为不同空间层级、相对独立完整、并具有有机联系的特色人文地理单元。是一项基础性、综合性、前沿性与实用性的重要工作。通过人文地理综合区划,将突出中国人文地理要素的地域分异性、地方特色性和复杂多样性,因地制宜地推动人文地理学科发展,为面向国家和地方发展战略需求推动“一带一路”建设、新型城镇化和生态文明建设、为营造重点地区良好的地缘政治环境提供基础性的科学支撑。本文在吸纳已有的各类自然和人文地理区划成果的基础上,按照综合性、主导性、自然环境相对一致性、经济社会发展相对一致性、地域文化景观一致性、空间分布连续性与县级行政区划完整性等原则,以自然、经济、人口、文化、民族、农业、交通、城镇化、聚落景观和行政区划10大要素为基础划分依据,构建中国人文地理综合区划指标体系,采用自上而下与自下而上相结合的区划思路和空间聚类分析方法,将中国人文地理划分为东北人文地理大区Ⅰ、华北人文地理大区Ⅱ、华东人文地理大区Ⅲ、华中人文地理大区Ⅳ、华南人文地理大区Ⅴ、西北人文地理大区Ⅵ、西南人文地理大区Ⅶ和青藏人文地理大区Ⅷ共8个人文地理大区和66个人文地理区。该区划方案填补了中国人文地理没有综合区划的空白。各个人文地理大区和各个人文地理区之间呈现出不同的地形地貌属性、气候属性、生态属性、人口属性、城镇化属性、经济发展属性、聚落景观属性、地域文化属性和民族宗教属性。中国人文地理综合区划方案与已经划出的中国自然地理综合区划、中国经济区划、中国农业区划等有较大程度的吻合性,体现出在自然与人文要素双重作用下的中国人文地理综合区划的地域分异规律。     

基于特征的等高线数据聚类方法

针对地理线要素具有的分形特征,将小波分解算法和数值统计算法结合起来,提出并证明等高线小波分解后各层细节分量与复杂度之间具有对数线性的关系,从而计算出等高线的复杂度.再结合等高线自身的位置关系,给出等高线的分类标准,将等高线进行聚类,从而降低图形处理时等高线图形的密度和所需要的等高线的数据量,减少等高线相交的可能性.