Remote sensing image classification with GIS data based on spatial data mining techniques

Data mining techniques are used to discover knowledge from GIS database in order to improve remote sensing image classification. Two learning granularities are proposed for inductive learning from spatial data, one is spatial object granularity, the other is pixel granularity. We also present an approach to combine inductive learning with conventional image classification methods, which selects class probability of Bayes classification as learning attributes. A land use classification experiment is performed in the Beijing area using SPOT multi-spectral image and GIS data. Rules about spatial distribution patterns and shape features are discovered by C5.0 inductive learning algorithm and then the image is reclassified by deductive reasoning. Comparing with the results produced only by Bayes classification, the overall accuracy increased by 11% and the accuracy of some classes, such as garden and forest, increased by about 30%. The results indicate that inductive learning can resolve spectral confusion to a great extent. Combining Bayes method with inductive learning not only improves classification accuracy greatly, but also extends the classification by subdividing some classes with the discovered knowledge.     

Method and application of comprehensive knowledge discovery

This paper proposes the principle of comprehensive knowledge discovery. Unlike most of the current knowledge discovery methods, the comprehensive knowledge discovery considers both the spatial relations and attributes of spatial entities or objects. We introduce the theory of spatial knowledge expression system and some concepts including comprehensive knowledge discovery and spatial union information table (SUIT). In theory, SUIT records all information contained in the studied objects, but in reality, because of the complexity and varieties of spatial relations, only those factors of interest to us are selected. In order to find out the comprehensive knowledge from spatial databases, an efficient comprehensive knowledge discovery algorithm called recycled algorithm (RAR) is suggested.     

形态本体及其在地理空间数据发现中的应用研究

地理空间数据语义异构是实现数据关联、数据智能推荐和精确发现的主要瓶颈。地理空间数据本体被认为是解决地理空间数据语义异构的有效方法。形态特征是地理空间数据(除时空、要素内容外)的重要特征,是地理空间数据本体的重要研究内容。本文首先在系统分析地理空间数据形态特征的基础上,提出地理空间数据形态特征的概念体系。然后,建立地理空间数据形态本体模型,提出形态信息的本体表示方法,并构建地理空间数据形态本体。最后,基于形态本体的本体库,利用Jena本体推理技术,开发地理空间数据语义检索原型系统,并将形态本体应用于国家地球系统科学数据共享平台的元数据检索中。实验结果表明,地理空间数据形态本体可以有效地解决数据形态特征的语义异构,提高数据发现的查全率和查准率。本文的研究方法和成果对解决其他领域数据的语义异构,有重要的参考意义。     

基于SPKI/SDSI证书链搜索算法与访问控制模型设计

目前,PKI是解决信息安全问题的一种最成熟的技术手段,能够有效解决大部分安全问题,但是PKI无法实现网络上的资源控制。SPKI/SDSI可以有效解决资源控制问题,然而由于证书链搜索算法复杂度高,目前基于SPKI/SDSI设计的访问控制模型,都存在一定的问题。紧紧围绕受控资源的访问保护,基于SPKI/SDSI设计了一个高效的分布式访问控制模型,同时提出了一种新的证书链搜索算法,在海量证书库中能快速的查找证书链,并通过模拟实验,验证新的算法的效率,实验结果表明证书数量越大,文中的算法优势越明显。     

基于地理实体编码的多尺度表达空间数据联动更新技术

基于浙江省地理空间数据交换和共享平台的多比例尺空间数据库的建设和频繁更新工作实践,突破传统的数据库更新模式,介绍利用地理实体编码、变化发现等实现多尺度表达空间数据联动更新的关键技术。     

空间数据挖掘及其不确定性研究

简要论述空间数据的不确定性及其传播,SDM＆KDD的主要技术方法,以及SDM＆KDD过程及其结果的不确定性问题,如它的算法、处理、传播模型和质量评价等。     

奥陶系宝塔灰岩网纹构造成因研究进展及新发现

综述了扬子地区分布广泛的奥陶系宝塔灰岩网纹构造成因的研究进展,整合了多位学者的主要观点及认识,结合四川旺苍唐家河等地奥陶系剖面的考察与镜下薄片观察,对网纹构造及其成因进行了深入研究并提出未来研究方向的思考与建议。学界目前普遍认为这种网纹构造并非暴露干裂成因,生物遗迹、海底硬地、准同生变形构造等成因解释也缺乏足够的证据支持,但关于水下胶缩、成岩作用以及构造作用等解释仍在热烈讨论中;对四川广元旺苍唐家河剖面宝塔灰岩的野外考察过程中发现了一些新的现象,比如在灰色宝塔灰岩中观察到了非沥青充填的“黑色细纹”,网纹构造的形态、泥质含量等也随沉积旋回而呈现出规律性变化。进一步研究这些新的现象或许能为后期确定网纹构造的成因提供新的证据。     

基于大数据发现技术的国外地质信息服务跟踪

近年来,大数据越来越受到计算机、地质、生物、医学等诸多领域的关注且得到了广泛的应用。以世界主要发达国家地质信息服务跟踪为例,针对美、加、英、澳4国的主要地质调查网站及中国知网,运用地质大数据发现技术的网络爬虫方法,获取需求文本数据,进而分析文本内容,总结国外地质信息社会化服务现状。大数据发现技术在地质领域的合理运用,对快速、高效获取图片、文档等数据及降低信息获取成本具有一定的意义。     

内蒙古维拉斯托银铅锌多金属矿外围发现大型锡多金属矿床

维拉斯托银铅锌多金属矿床外围发现大型锡多金属矿床,目前估算锡的远景储量为93 127 t,钨金属量15 800 t,锌金属量32 540 t,铜金属量9 175 t.推测其成因类型为斑岩型.