利用面向对象的分类方法从IKONOS全色影像中提取河流和道路

传统的基于像素的统计特征的分类方法在处理高分辨率影像的分类问题上遇到了很大的困难。本研究利用面向对象的影像分析方法对IKONOS全色影像进行了河流与道路的分类,包括利用影像对象的光谱特征的初次分类和利用子目标对象的线特征的二次分类两个过程;其中初次分类由于仅依据光谱信息,不能很好地将河流或道路与其他光谱特征相似的地物区分开,而通过引入子目标的形状特征进行二次分类,就可以准确地将河流与道路提取出来。试验结果表明,面向对象的分类方法能够满足高分辨率或纹理影像的分类需要,具有很大的应用潜力。     

高分辨率机载SAR影像判读实验

近年来机载SAR系统在国内得到快速发展。由于SAR系统具有不同于光学传感器的成像机理,因而可以提供全新的数据获取手段和不同的地物信息。利用高分辨率机载SAR影像进行解译时必须熟悉其成像机理和图像信息特点,充分了解SAR图像解译标志的特点和各类地物的解译规律。本文以高分辨率机载SAR数据为基础,对比光学影像,从SAR成像特点和地物散射特性出发,对SAR影像进行了目视解译,分析了SAR影像在地形地物要素识别中的应用潜力。     

洛阳地震台2015—2020年水氡异常变化成因探讨

在2015—2020年部分时段内,洛阳地震台水氡测值出现异常变化,利用水质和地球化学分析方法,对观测井、周边水井、伊河、龙门煤矿进行分析,认为水氡异常变化主要与台站更换水泵、大气降水、伊河水位变化以及附近龙门煤矿透水有关,排除地震异常,可为周边地区震情研判提供参考。     

Comparison of Five Numerical Codes for Automated Tracing of Coronal Loops

The three-dimensional (3D) modeling of coronal loops and filaments requires algorithms that automatically trace curvilinear features in solar EUV or soft X-ray images. We compare five existing algorithms that have been developed and customized to trace curvilinear features in solar images: i) the oriented-connectivity method (OCM), which is an extension of the Strous pixel-labeling algorithm (developed by Lee, Newman, and Gary); ii) the dynamic aperture-based loop-segmentation method (developed by Lee, Newman, and Gary); iii) unbiased detection of curvilinear structures (developed by Steger, Raghupathy, and Smith); iv) the oriented-direction method (developed by Aschwanden); and v) ridge detection by automated scaling (developed by Inhester). We test the five existing numerical codes with a TRACE image that shows a bipolar active region and contains over 100 discernable loops. We evaluate the performance of the five codes by comparing the cumulative distribution of loop lengths, the median and maximum loop length, the completeness or detection efficiency, the accuracy, and flux sensitivity. These algorithms are useful for the reconstruction of the 3D geometry of coronal loops from stereoscopic observations with the STEREO spacecraft, or for quantitative comparisons of observed EUV loop geometries with (nonlinear force-free) magnetic field extrapolation models.     

基于STA/LTA岩石破裂微震信号实时识别算法及工程应用

微震监测获取的数据中通常混有大量的非岩石破裂信号,该类信号目前主要通过人工经验进行识别与滤除,这消耗了大量的宝贵时间,严重影响灾害的防治和救援效率。对大量微震信号进行分析,发现STA/LTA算法在信号实时触发后能大致表征波形振幅和频率的变化,岩石破裂信号和非岩石破裂信号在延迟位置处R值具有差异性。基于此,提出了岩石破裂微震信号实时识别算法。新算法应用到白鹤滩水电站地下厂房、红透山和阿舍勒铜矿深部采场3个工程,岩石破裂事件识别的准确率分别是85.98%、92.45%和91.06%,非岩石破裂事件滤除的准确率分别是72.06%、83.11%和49.87%。该算法使基于岩石破裂微震信息的岩石工程灾害自动分析与预警成为可能,具有重要意义。     

地下目标体重力张量数据的边界识别与增强算法的研究

边界增强与识别在重力数据处理中占据重要地位,与传统重力异常数据相比,重力张量及其高阶分量对于直接反映异常体的边界具有更高的精度。当异常数据中的所有网格点的值均较低时,通过Sigmoid变换,可以实现高异常值网格数据的拉升,同时压缩低灰度级像素,从而凸显地质体边界,提高边界增强后图像的识别效果。文中利用张量及其分量构建常用的边界识别算法,通过组合体模型进行多种边界识别算法的试算,以比较分析各自的效果,并对结果进行Sigmoid变换。结果表明:对于张量高阶分量组合形式,水平梯度模、解析信号能基本反映浅异常体的边界,gzz水平梯度模能较好反映浅异常体边界,但三者均不能识别深异常体边界;Tilt梯度、Theta和ITA3效果不理想;ITA2能在有效均衡不同强度异常信号的同时,清晰地识别不同深度异常体的边界;采用Sigmoid变换,可以明显提高边界识别的识别效果。     

利用轨迹大数据进行城市道路交叉口识别及结构提取

交叉口是城市交通路网生成、更新的重要组成部分。本文基于车辆时空轨迹大数据,提出了一种城市交叉口自动识别方法。该方法首先通过轨迹跟踪识别轨迹数据中包含的车辆转向点对;然后基于距离和角度的生长聚类方法进行转向点对的空间聚类,并采用基于局部点连通性的聚类方法识别交叉口;最后利用交叉口范围圆和转向点对提取城市各级别路网下的交叉口结构。以武汉市出租车轨迹大数据为例,对武汉市城区内189个交叉口进行了探测。试验结果表明,本文所提方法可以准确地从轨迹大数据中识别出城市交叉口及其结构。     

基于自然主控因子和道路可达性的广东省乡村聚落空间分布特征及影响因素

以遥感图像分类解译数据为基础,利用核密度、道路交通可达性阻力值、Logistic回归模型,定量识别了1990-2013年的广东省全域范围内的乡村聚落空间分布特征及现状、乡村聚落空间分布的主导影响因素,并讨论归纳了乡村聚落演变及其机制研究的内容框架。结果表明：① 广东省乡村聚落空间分布具有低海拔、低坡度、邻河流、邻乡镇的空间指向性。呈现出“平原稠密,山区稀疏”的空间分布格局,形成了粤东潮汕平原和粤西湛江平原台地两大高密度核心区域,珠江三角洲外围山区的乡村聚落呈现出邻近于河流谷地和沿交通线串珠式布局特征。② 乡村聚落除具有邻近开放型道路空间指向性外,更为重要体现为到乡镇的道路交通可达性对乡村聚落空间分布影响最大,镇—村连接的交通网络完善度对乡村转型发展的意义重大,全面提升乡镇的综合生产和服务能力将是优化农村地区村镇体系的核心。③ 高程和坡度是影响乡村聚落的分布、规模、形态的两个重要的基础性影响因素。自然地理本底属性是村庄优化布局与空间重构规划建设考虑的第一要素。④ 在“互联网+”时代背景下,重构农村地区市场网络体系对接于全球市场网络体系,建构以乡镇为核心的乡村生活服务圈,有待进一步探寻“三生空间”的重构和社会文化传承与保护的理论与实践的研究。同时深化乡村聚落形态演化、乡村空间生产、乡村社会网络、群体行为、社会自治、社会文化领域等的研究将是全球化背景下中国乡村空间重构研究的核心领域。     

辽宁省低碳经济发展水平评价

构建包含经济系统、能源系统、碳排放系统、技术投入系统和环境系统5个准则层及23个指标的低碳经济发展水平评价体系,基于可变模糊识别模型,分析评价辽宁省低碳经济发展水平。结果显示:辽宁省低碳经济发展水平由2004年的2.87提升到2014年的3.01,由中碳偏高水平提升到中碳发展水平。沈阳、大连、丹东、锦州、营口和葫芦岛的低碳经济发展水平较高;鞍山、抚顺、本溪、盘锦、辽阳及铁岭的低碳经济发展水平较低。在此基础上,运用SBM模型测算辽宁省各市的碳排放效率,其结果与低碳经济发展水平评价值有较大关联。     

A linear tessellation model to identify spatial pattern in urban street networks

Street patterns reflect the distribution characteristics of a street network and affect the urban structure and human behavior. The recognition of street patterns has been a topic of interest for decades. In this study, a linear tessellation model is proposed to identify the spatial patterns in street networks. The street segments are broken into consecutive linear units with equal length. We define five focal operations using neighborhood analysis to extract the geometric and topological characteristics of each linear unit for the purpose of grid-pattern recognition. These are then classified by Support Vector Machine, and the result is optimized based on Gestalt principles. The experimental results demonstrate that our method is effective for mining grid patterns in a street network.