非洲铀矿资源分布、地质特征与勘查开发

非洲铀矿资源丰富,在全球占有重要地位,是我国利用铀矿资源的重要来源地。通过分析非洲259处已知铀矿床（点）的地质特征与勘查开发现状,揭示非洲铀矿资源具有分布集中、规模巨大、矿床类型多样等特点,砂岩型、古石英-卵石砾岩型、侵入岩型是最重要的铀矿类型,非洲铀矿主要分布于卡普瓦尔克拉通、新元古代褶皱带的达马拉褶皱带和西非活动带伊勒姆登大型盆地,成矿作用明显受地层、构造、岩浆岩等控制。不同类型矿床成矿时代具有各自特征,古石英-卵石砾岩型铀矿床全部形成于太古宙,侵入岩型铀矿床大多形成于元古宙,砂岩型铀矿床形成时代跨度大,从元古宙到新生代均有产出。近十年来非洲新增铀储量27万吨。建议国内企业抓住机遇,以侵入岩型和砂岩型铀矿为投资重点,加强在纳米比亚和尼日尔等铀矿资源国的勘查开发合作。     

Resolution of Seamount Geoid Anomalies Achieved by the SARAL/AltiKa and Envisat RA2 Satellite Radar Altimeters

The resolution of seamount geoid anomalies by the SARAL/AltiKa Ka-band radar altimeter is compared with the Envisat RA2 Ku-band altimeter using cross-spectral analysis of exact-repeat profiles. Noise spectra show white noise floors at root-mean-square levels around 8 mm per root-Hz for AltiKa and 19 mm per root-Hz for RA2, and are colored at wavelengths longer than a few km, with a spectral hump similar to that seen in Jason-2 data. The AltiKa noise level is lower than the RA2 noise level by more than one would expect from the ratio of their pulse repetition frequencies. Large outliers are present in data from both altimeters, always of one sign (range too long), and show little correlation with rain or other error flags. Seamount anomaly signal to noise ratios are 30 to 10 dB for AltiKa and 3 to 8 dB less for RA2, decreasing as seamount size decreases. Seamounts as small as 1.35 km tall are resolved by both instruments, with significantly better performance by AltiKa due to its lower noise level. If AltiKa can fly a geodetic mission, it will find many presently unknown seamounts.     

海图更新自动检测系统的设计与实现

海图更新通常是局部要素更新、但是为了防止误操作或拓扑关系变化等原因造成未更新区域要素变化,需要对全图进行检查验收,大大降低了生产效率,同时也增加了人为出错概率。以海图未更新区域自动检测为研究对象,从局部要素更新海图的质量检查内容和特点出发,结合海图更新出版流程,提出了基于数字海图矢量数据比对的质量检查方法,设计了自动更新检测流程,实现了局部更新海图未更新区域要素数据的自动质量检查。应用实践证明,文中提出的方法提高了局部要素更新海图的质量水平和质量检查效率。     

一种基于TIN的地形特征点生成方法

介绍了一种在不规则三角网上进行地形特征点生成的方法,可以自动实现地形特征分析、特征信息提取、地形正负向趋势判断、以及地形细节精细化等,较好地解决了用等高线做数据源构建不规则三角网时出现的地形细节信息不足以及地形细节信息丢失等问题,可以广泛应用于DEM数据更新精化、水文分析、地学分析等领域。     

Waveform-based point cloud classification in land-cover identification

Full-waveform topographic LiDAR data provide more detailed information about objects along the path of a laser pulse than discrete-return (echo) topographic LiDAR data. Full-waveform topographic LiDAR data consist of a succession of cross-section profiles of landscapes and each waveform can be decomposed into a sum of echoes. The echo number reveals critical information in classifying land cover types. Most land covers contain one echo, whereas topographic LiDAR data in trees and roof edges contained multi-echo waveform features. To identify land-cover types, waveform-based classifier was integrated single-echo and multi-echo classifiers for point cloud classification.The experimental area was the Namasha district of Southern Taiwan, and the land-cover objects were categorized as roads, trees (canopy), grass (grass and crop), bare (bare ground), and buildings (buildings and roof edges). Waveform features were analyzed with respect to the single- and multi-echo laser-path samples, and the critical waveform features were selected according to the Bhattacharyya distance. Next, waveform-based classifiers were performed using support vector machine (SVM) with the local, spatial features of waveform topographic LiDAR information, and optical image information. Results showed that by using fused waveform and optical information, the waveform-based classifiers achieved the highest overall accuracy in identifying land-cover point clouds among the models, especially when compared to an echo-based classifier.     

主动学习与图的半监督相结合的高光谱影像分类

针对当前高光谱影像分类时,人工标注样本费时费力以及大量未标记样本未有效利用等问题,提出了一种主动学习与图的半监督相结合的高光谱影像分类方法。首先,将像素的光谱信息与其邻域内的空间信息相结合,利用重排序机制得到一种旋转不变的空谱特征表达。在此基础上,利用主动学习算法选择最不确定性样本(即分类模糊度最大的样本),提交操作者标注得到标记样本集。最后将该标记样本与未标记样本组合,用于图的半监督分类。该算法可保证类别边界样本的选择,利于分类器的边界构造,同时,在较少标记样本情况下,通过引入大量的未标记样本,可以达到较好的分类效果。在3幅真实高光谱影像上的试验表明,该方法可以取得精度较高的分类结果。     

应用二阶Harris算子的高铁轨道近景影像特征点提取

由于轨道影像具有较高的灰度相似性,传统一阶Harris算法提取轨道影像特征存在时间效率低、特征点聚簇等负面问题,文章针对已有Harris方法的不足,提出了一种基于图像分块自适应阈值的二阶导数Harris特征点检测算法,采用自相关矩阵兴趣值识别轨道图像特征点,并分别对有砟与无砟铁路轨道影像开展特征点提取。实验结果表明,二阶Harris算子在轨道近景影像特征点提取方面具有较高的计算效率,所提取出轨道影像特征点满足均匀分布的空间特征,有效避免了传统方法特征点的聚簇现象。     

融合颜色-纹理模型的均值漂移分割算法

针对常规的均值漂移算法在特征空间聚类时未考虑图像的纹理信息从而导致分割精度不高的问题,该文提出了一种融合颜色-纹理模型与均值漂移的改进分割算法。首先,对原始影像进行同等组滤波和颜色量化,得到颜色-纹理模型;其次,利用均值漂移算法对滤波影像进行初始分割,得到同质性较好的初始分割区域;最后,将颜色-纹理模型及初始分割对象轮廓信息应用于区域合并过程中,结合形状特征增强分割对象的紧密性。该算法充分结合了图像的颜色、纹理特征,通过对不同类别的遥感影像的分割实验进行分析,结果表明分割效率和分割质量均得到较大提升,且具有较好的适用性、可靠性及精确性,对遥感影像中纹理信息丰富的植被、密集建筑区等具有较好的分割效果。     

高光谱影像特征子集选择方法

针对高维遥感数据的降维困难问题,该文提出并构建了一种融合粒子群优化算法全局寻优能力和支持向量机优秀分类性能的高光谱遥感影像特征子集选择与分类方法。通过引入混沌优化搜索技术改进融合粒子群优化算法的全局寻优能力;提出并采用一种基于粒度的网格搜索策略对支持向量机模型参数进行优化;利用二进制融合粒子群优化算法进行特征选择;然后,支持向量机采用该特征子集所对应的训练数据集进行模型参数优化和分类。实验结果表明该方法能有效地提取出用于分类的最佳波段,具有较高的分类精度。为高光谱遥感影像的特征选择与分类探索出了一种可行的方法。     

NWFE结合纹理特征的SVM土地覆被分类方法研究

为提高土地覆被分类精度,采用非参数权重特征提取(nonparametric weighted feature extraction,NWFE)结合纹理特征的支持向量机(support vector machines,SVM)的分类法,对新疆玛纳斯河流域绿洲区2006年的土地覆被进行分类,并将该方法与主成分分析(principal component analysis,PCA)结合纹理特征的SVM分类、原始波段结合纹理特征的SVM分类进行对比。结果表明,NWFE结合纹理特征的SVM分类结果优于其他2种分类结果,不仅反映了土地覆被分布的整体情况,而且使不同土地覆被类型得到较好的区分,总体分类精度达89.17%。