Value of incorporating geospatial information into the prediction of on-street parking occupancy – A case study

In light of growing urban traffic, car parking becomes increasingly critical for cities to manage. As a result, the prediction of parking occupancy has sparked significant research interest in recent years. While many external data sources have been considered in the prediction models, the underlying geographic context has mostly been ignored. Thus, in order to study the contribution of geospatial information to parking occupancy prediction models, road network centrality, land use, and Point of Interest (POI) data were incorporated in Random Forest (RF) and Artificial Neural Network (ANN, specifically Feedforward Neural Network FFNN) prediction models in this work. Model performances were compared to a baseline, which only considers historical and temporal input data. Moreover, the influence of the amount of training data, the prediction horizon, and the spatial variation of the prediction were explored. The results show that the inclusion of geospatial information led to a performance improvement of up to 25％ compared to the baseline. Besides, as the prediction horizon expanded, predictions became less reliable, while the relevance of geospatial data increased. In general, land use and POI data proved to be more beneficial than road network centrality. The amount of training data did not have a significant influence on the performance of the RF model. The ANN model, conversely, achieved optimal results on a training input of 5 days. Likely attributable to varying occupancy patterns, prediction performance disparities could be identified for different parking districts and street segments. Generally, the RF model outperformed the ANN model on all predictions.     

基于众源数据与集成学习的农业空间适宜性评价——以中山市为例

农业适宜性评价是当前国土空间开发适宜性评价及空间规划的重要内容。本文以中山市为例,利用卫星遥感影像、DEM、统计年鉴、相关政府部门政务公开数据以及大数据爬虫数据等众源数据,采用层次分析法(AHP)和熵权法(EWM)两种方法分别对各指标数据计算权重,得到两份农业空间适宜性评价结果。在此基础上通过集成学习法得到一份最终农业空间适宜性评价结果。结果表明,中山市农业高、较高适宜区主要分布在黄埔镇东北部、三角镇、民众镇、港口镇、南朗镇东部、坦洲镇西南部、板芙镇西北部和沙溪镇北部;低适宜区主要分布在五桂山街道、南朗镇西北部、火炬开发区、东区街道、板芙镇东部和坦洲镇北部;其余为中适宜区。     

约束型贝叶斯网络在遥感图像解译中的应用方法研究

采用一种带有约束条件的贝叶斯网络来构造分类器,即特征节点被约束为类节点的子节点,子节点间允许有不同的连接关系,并将约束型贝叶斯网络的几种典型模型--NB、TAN、BAN用于遥感图像的解译中.通过评价结构的似然函数得到网络结构,综合特征节点和类别节点的拓扑和概率统计信息学习得到分类器.将这些模型用于多光谱和高光谱影像的分类,并就其性能进行探讨.     

基于色空间转换与色域映射的跨媒体颜色传输

通过分析跨媒体彩色图像传输过程中所面临的问题,引出了彩色图像传输中的关键技术——色空间转换与色域映射技术,并在分析色空间转换与色域映射的执行机制的前提下,介绍了色域边界的确定问题,同时对色域映射中的压缩和裁切的概念与应用进行了介绍,着重论述了当前领域内比较流行的算法,如SLIN、CUSP,并对它们进行了评价。     

基于图像语义分割的动态场景下的单目SLAM算法

在恢复场景信息和相机运动时,传统的SLAM算法是基于静态环境假设的。场景中的动态物体会降低算法的稳健性和最终的定位精度。本文提出将基于深度学习的图像语义分割技术与传统的视觉SLAM算法结合,以减少动态物体对定位结果的干扰。首先,构建有监督的卷积神经网络对输入图像中的动态物体进行分割,获得语义图像;然后,从原始图像中提取特征点,并根据语义图像剔除动态物体特征点,保留静态物体特征点;最后,利用静态物体特征点采用基于特征点的单目视觉SLAM算法对相机运动进行跟踪。在ApolloScape自动驾驶数据集上的试验表明,与传统方法相比,本文算法在动态场景中定位精度提升约17%。     

结合数据增广和迁移学习的高分辨率遥感影像场景分类

深度学习在计算机视觉领域取得了显著的成果,如图像分类、人脸识别、图像检索等。对于遥感领域而言,获取用于训练CNN的有标签数据集通常是一个重大挑战。本文研究了如何将CNN用于高分辨率遥感影像的场景分类,为了克服缺乏大量有标签遥感影像数据集的问题,结合CNN采用了两种技术：数据增广和迁移学习。在UC Merced Land Use数据集上,验证了VGG16、VGG19、ResNet50、InceptionV3、DenseNet121等5种网络的性能,分别达到了98.10%、96.19%、99.05%、97.62%、99.52%的分类准确率。     

融合城市行道树特征选取模型的自适应深度学习分类

针对城市行道树的学习多分类问题,本文在综合分析城市行道树多分类特征的基础上,提出一种融合特征自动选取模型的自适应深度学习方法。基于随机森林法,学习行道树的特征重要性,通过特征消除方法舍弃不重要的特征,实现城市行道树多分类特征自动选取;在城市行道树分类特征工程提取的基础上,构建了城市行道树多分类问题的自适应深度学习方法,并采用交叉验证与参数搜索方法,对所提出的深度学习模型进行改进。试验结果表明,本文所提出的融合特征自动选取模型的自适应深度学习方法具有良好性能,解决了城市行道树多分类预测的准确性与泛化问题。     

利用行人轨迹挖掘城市区域功能属性

城市土地利用功能区是城市规划中的一个重要概念,遥感技术手段在城市土地利用类型识别和动态监测中取得了很大进展。然而,由于城市实际功能的复杂,往往很难从遥感影像中获得城市各个区域的社会、经济或文化等功能属性。互联网技术的发展和移动定位设备的普及,极大地便利了行人移动轨迹数据的获取。本文从行人移动规律和模式与城市功能分区之间高度相关的角度出发,通过机器学习的方法,从大量行人轨迹数据中挖掘隐含的城市功能属性与强度。该方法首先利用矢量栅格化和数学形态学方法,将城市不同等级的路网分割为互不相同的空间单元;其次,根据行人轨迹数据的时空分布特点,定义9个变量并构建高斯混合模型(Gaussian mixture model,GMM),对上述空间单元进行非监督分类,得到7种城市用地类型;随后,结合选定的60个样本区以及人为标识的6种功能区(教育用地、绿地休闲区、一般商业区、政府设施、中心商业区、住宅区),依据样本功能区GPS轨迹时间分布特征,最终对7种城市用地类型进行功能配对;最后,利用核密度估计方法进行功能区强度的可视化。该框架结合机器学习的优势,结果具有较高的准确度。     

高分六号红边特征的农作物识别与评估

红边作为植被敏感波段,其红边特征的运用是遥感识别农作物并实现精准农业的高新手段之一。以黑龙江松嫩平原北部为研究区,以国内首个提供红边波段的多光谱高分六号影像和玉米、大豆、水稻总计82859个作物样本同时作为研究对象,从以下几个方面研究了红边波段和红边指数波段等红边特征在农作物识别中的表现,并评估了农作物的识别精度。（1） 通过作物样本辐射亮度值的统计特征,初步显示了在两红边波段0.710 μm和0.750 μm处有比其他波段更好的区分;（2） 根据传统归一化植被指数形式构建了红边归一化植被指数NDVI710和NDVI750,综合两指数在J-M距离表征的作物样本类别区分度上比传统NDVI更显著;（3） 通过多种手段筛选了有效波段并且制定了支持向量机（SVM）框架下4种农作物识别的分类策略,分别在5∶5、6∶4、7∶3、8∶2、9∶1等5套随机样本分割方案下完成研究区域农作物的分类预测。在这20类分类精度中kappa系数均高于0.9609,总体精度高于0.9742;列向上5∶5分割方案的精度最高,8∶2的精度最低;横向上分类精度排序如下：SVM-RFE > SVM-RF > SVM-有红边波段 > SVM-无红边波段,该结果表明了红边指数和红边波段的参与显著地提高了作物的识别精度;（4） 由于水域等其他样本的缺少,SVM-RFE方法和SVM-RF方法的分类图像均存在少量错分现象。但从分类精度和图像细节展示上来看,SVM-RFE方法要优于SVM-RF方法,二者分类图像的交叉验证中kappa系数为0.8060,总体精度为0.8743。总之,高分六号红边特征在作物识别中表现优越,使得识别精度显著提高。后续研究者可开发更多与红边相关的植被指数,充分发挥红边特征在精准农业中的作用。     

深度置信网络算法反演Landsat 8 OLI气溶胶光学厚度

传统的气溶胶遥感反演算法在地表反射率较低、结构较为均一的海洋及浓密植被等区域的气溶胶反演可以达到较高的精度,而在城市、矿区等高亮度、高异质性区域的气溶胶反演中仍面临较大的挑战。当地表反射率较高时,卫星传感器获取的对气溶胶具有标识性的信息不足,导致了气溶胶反演的困难。为更大程度地挖掘卫星信号中对气溶胶具有标识性的信息,本文提出使用深度学习技术的气溶胶遥感反演算法,用于Landsat 8 OLI传感器的气溶胶反演。选择全球不同区域的AERONET站点气溶胶实测数据以及对应区域的Landsat 8 OLI传感器的观测几何角度和表观反射率数据,根据合理的时空匹配原则构建样本数据。选择深度置信网络,在合理设置训练批次和训练次数的基础上对网络进行训练和测试,生成关于卫星传感器数据的气溶胶光学厚度拟合网络模型,实现气溶胶遥感反演。使用独立的AERONET站点气溶胶实测数据对反演结果进行了验证,结果表明：该方法可反演不同地表类型区域连续空间覆盖的气溶胶光学厚度,且达到了较高的精度（R=0.8745,RMSE=0.0391,MAE=0.0616,EE=87.94%）。与传统的方法相比,本方法基于单时相卫星遥感数据即可实现气溶胶的高精度反演,简化了气溶胶反演的步骤,提高了气溶胶反演的稳定性和时空适应性。