QUICKBIRD影像用于城市用地信息提取方法

本研究采用基于对象的分类技术,依据高分辨率卫星影像QUICKBIRD的特征,对乌鲁木齐市用地信息的提取进行了研究。结果表明,此种分类方法具有较高的分类精度和较快的分类速度。     

基于地矿点源信息系统的空间数据模型研究

随着地矿工作信息化水平的提高,为了管理和组织海量的空间数据,空间数据模型的有效构建成为地矿信息工作者面临的实际问题。简要介绍了空间数据模型的分类和层次结构,着重讨论了面向对象数据模型以及用统一建模语言构建面向对象数据模型的方法。     

三维地理信息系统面向对象数据结构

针对三维空间实体描述与显示的复杂性,总结了几种具有代表性的３Ｄ＝ＧＩＳ数据结构,提出了以表为基本单元的面向对象数据结构,指出面向对象方法在３Ｄ－ＧＩＳ软件开发与应用中的意义。     

基于设计模式的GNSS数据解算软件GNSSer的设计与开发

采用C#语言,在.NET 4.5框架下,利用6种设计原则和6种设计模式解决GNSS数据处理软件开发中反复出现的问题,开发GNSS分布式数据处理软件GNSSer,达到统一与打破GNSS数据处理中面向对象方法在分析、设计和实现之间壁垒的目的,具有易维护、易扩展、易复用和灵活多样的特点。     

关键生育期冬小麦和油菜遥感分类方法

农作物空间分布的遥感识别是地理学、生态学和农学等多学科研究的前沿和热点,多源遥感数据在其中发挥着重要的作用。本研究结合冬小麦和油菜的种植及生长特点,以安徽省合肥市为研究区域,利用ZY-3、Sentinel-2和GF-1等多源遥感影像数据,以高程、坡度等数据为辅助信息,结合以多尺度分割、最邻近法和阈值法等为主要步骤的面向对象的分类方法,提取研究区合肥市冬小麦和油菜种植的空间分布信息。结合来自于GVG农情采样系统和Google Earth高分辨率影像上获得的地面验证数据进行分类精度验证,计算得到分类结果的混淆矩阵,并根据混淆矩阵数据计算出分类的总体精度为94.43%,Kappa系数为0.914。结果表明,本研究提出的方法能够有效地区分在冬小麦和油菜的混种区域里两种作物种植区域的空间分布,且这种多种策略相结合的分类方法体系,能够适用于其它区域甚至是更加大尺度上的作物分类。     

基于面向对象方法的Sentinel-1A SAR在洪水监测 中的应用

开展Sentinel-1A SAR数据在洪水淹没范围提取和水体变化监测方面的应用研究,对科学有效地管理洪涝灾害有重要意义。合成孔径雷达以其不受天气影响、能穿透云层、覆盖面积广等特点成为灾害监测的重要数据来源。面向对象的方法能有效解决影像的椒盐现象被广泛运用于信息提取研究。本文基于Sentinel-1A SAR数据,利用面向对象的方法构建洪水淹没范围提取流程,绘制灾前、灾中、灾后水体变化监测图,对比分析基于传统像元的提取方法,实现对广西临桂会仙岩溶湿地区域不同时期洪水动态监测。研究表明,Sentinel-1A SAR数据在洪水监测领域有巨大的应用潜力,相较于传统基于像元的方法,面向对象的方法能有效抑制杂斑生成,提高空间信息的利用效率,具有更好的提取精度。     

基于ArcGIS Engine的宅基地管理系统设计与研究

针对宅基地管理的具体需求,在.NET框架的Visual Studio集成开发环境中,以Visual C#为开发语言,利用ArcGIS Engine组件开发了与用户交互的宅基地管理系统。该系统以大型关系数据库Oracle为核心,采用空间数据库引擎ArcSDE实现空间数据在关系数据库中的存储和管理,实现了地图浏览、宗地信息查询、规划分析等功能。系统的建立有利于促进宅基地管理工作的科学化和规范化,并且实现了城乡规划许可证审批功能,大大地提高了工作效率和管理水平,对基层国土部门的国土资源信息化建设具有实际意义。     

基于GF-1卫星遥感的冰川边界识别

高分一号（GF-1）卫星的成功发射开启了国产高分辨率对地观测的新时代, 为探讨国产高分卫星在冰川边界识别中的有效性, 在缺少短波红外和热红外波段的情况下, 将GF-1影像、 建立的波段比值Band1/Band4, 数字高程模型和坡度相结合, 采用面向对象的分析方法, 经过反复试验, 确定影像分割和合并尺度, 进而确定冰川边界的知识规则, 最终实现冰川边界的识别。以研究区第二次冰川编目数据集作为参考数据, 采用混淆矩阵的方法对识别结果进行验证, 总体精度和Kappa系数为90.05%和0.79。同时将识别结果与人工修订冰川边界进行对比, 可以发现除少量冰舌末端冰川外, 该方法可以有效地对冰川进行识别。建立的知识规则显示仅仅利用蓝色波段和DEM就可以有效地提取裸冰区, 波段比值、 坡度和纹理特征更有助于冰舌的提取。该研究表明GF-1卫星数据可以有效识别冰川范围, 为冰川研究提供可靠的数据和研究基础。     

一种面向对象的最优分割尺度计算模型

作为信息提取和分类的前提,面向对象的影像分割尺度参数的设置直接影响到提取和分类的精度。本文以GF-2影像数据为例,在已有分割理论和方法的基础上提出一种基于最优分割尺度的计算模型（OS模型）。该模型以主成分分析所得的主成分以及新建的归一化植被指数（normalized vegetation index,NDVI）特征层作为分割参考层,综合考虑均质因子的影响,构建加权尺度评价指数,插值拟合最优分割尺度。构建误差系数（E_c）对模型进行评价,结果表明：OS模型误差系数（E_c=1.15%）小于传统模型（E_c=3.28%）,且分割对象更均匀、与实际地物更接近。     

结合随机森林面向对象的森林资源分类

针对森林资源分类研究较少且缺少相对简单有效的方法的情况,提出一种结合面向对象和随机森林的森林资源分类方法。面向对象分割技术可减少“椒盐效应”,随机森林分类算法具有高准确度、抗噪声能力强、性能稳定等优势。鉴于此,通过调整面向对象的分割参数,构造最优特征空间及估算随机森林中决策树的数量等,构建了最优的面向对象随机森林分类模型。另外,选择了SVM算法作对比试验。试验结果显示,本文分类算法的总体精度达到83.34%,Kappa系数为0.7892,明显高于SVM,能够有效提高森林资源分类的精度。