高轨卫星轨道预报中神经网络模型优化设计

高轨卫星是我国卫星导航系统的重要组成部分。提升该类卫星的轨道预报精度有利于用户定位精度的提高。提出了一种改进高轨卫星轨道预报精度的新方法。该方法避开了精化动力学模型的困难,尝试从轨道预报误差的规律中寻找突破。利用神经网络作为建立预报模型的工具,将某历史时刻的轨道预报误差作为训练样本,利用训练好的神经网络模型补偿当前时刻的预报轨道以提高轨道预报精度。对影响神经网络模型补偿效果的各因素进行了详细分析,制定了适应于高轨卫星短期、中期和长期预报的神经网络最优模型。利用实测数据进行了试验分析,结果表明:预报8,15及30 d应选择的训练步长分别为10,20及25 min;轨道预报8~30 d时,训练噪声均选取0.01。神经网络模型有效地改进了高轨卫星的轨道预报精度,预报4~30 d,轨道精度提高幅度为34.67%~82.37%不等。     

基于SPOT 5图像的岩溶地貌单元自动提取方法

通过对峰林、峰丛和岩溶洼地3者的地理特征和影像特征的研究,基于遥感图像本底值提出了能有效反映目标特征的遥感指数——植被指数、土壤亮度指数、图像主成分变换第1主成分值及地形数据等,并构建了遥感指数的集成计算法,建立了遥感自动提取模型.指数集成运算法能够有效地增大峰丛、峰林与其他地物之间的光谱差异,使这些岩溶地貌单元的灰度值高于其他地物,从而利于岩溶地貌单元提取阈值的自动选取.基于构建的遥感自动提取模型先提取了峰丛、峰林信息,并在此基础上提取了岩溶洼地信息.经实验研究表明,该方法具有较高的提取精度和效率.     

顾及同步差的POS系统视准轴误差检校

推导了POS系统视准轴误差检校的数学模型,提出将POS系统的同步差作为一项检校内容,并给出了严格的同步差估算方法。试验表明,顾及同步差的视准轴误差检校精度与转换所得的角元素精度均有明显提高。     

运用GVF Snake算法提取水域的不规则边界

GVF Snake是一种改进型主动轮廓提取算法。本文在详细介绍GVF Snake原理的基础上,重点对GVF Snake的内、外部约束力在边界提取中的作用以及初始边界对提取结果的影响进行了实验研究,提出了初始边界和内部约束力权值的合理设置方法,设计并实现了交互式GVF Snake算法,并用于提取遥感影像上水域的不规则边界。该算法采用种子点区域生长法自动给出水域的初始边界,采用人机交互法设置内部约束力权值,然后运用GVF Snake算法搜索水域的实际边界。实验表明：对于形状极不规则的水域,交互式GVF Snake算法也能方便、快速、准确地获取其边界。     

利用ETM+影像自动提取河流冲积扇的方法

本文在分析冲积扇与其他地物光谱特征差异的基础上,针对Landsat ETM+影像中红光波段与近红外波段的比值能够增大冲积扇与其他地物间差异的特征及地形阴影在蓝绿光波段亮度值降低速率差异较大的特征,基于比值运算、差值运算,构建了冲积扇指数;并利用该模型阈值自动选取算法将冲积扇信息从其他地物及阴影中分离出来,然后根据数学形态学膨胀滤波算法进行空洞填充。经过实验表明,该方法能够高效自动地提取华南山区的冲积扇信息。     

一种顾及重叠区地形变化的DSM镶嵌线智能提取算法北大核心CSCD

针对影像密集匹配得到的分块DSM数据,本文提出了一种顾及重叠区地形变化的DSM镶嵌线智能提取算法。该方法利用DSM数据重叠区的高程偏差构建重叠区域的差值影像和差分影像,将经过去噪、拉伸和反向计算的差值影像和差分影像做融合处理。针对融合数据采用基于最小生成树的最优路径搜索方法,提取最优镶嵌线。试验结果表明,使用本算法提取的镶嵌线能有效避开高程差异大的凸出地物,保证地物的完整性,能够解决DSM数据镶嵌过程中镶嵌线的自动选择问题。该方法有效减少了传统镶嵌方法带来的误差,可靠性和稳定性较高。     

几何特征与神经网络联合优化的室内三维点云语义分割方法

室内三维点云数据精准语义分割是实现深层次室内空间应用的基础。针对现有三维点云数据语义分割方法存在目标不完整和不一致的问题,本文提出了一种几何特征与深度神经网络联合优化的室内三维点云语义分割方法。该方法首先利用深度学习实现室内结构信息语义标签的初步提取,然后利用几何与颜色特征的点云分割方法对原始数据进行精确分割,最后利用概率模型将深度学习语义分割结果与几何分割结果进行交叉融合,实现语义分割结果的联合优化。基于开放数据集对本文提出的分割方法进行了精度和有效性验证,分别采用室内场景简单到复杂的三组室内点云数据进行了测试,试验结果表明,本文提出的方法能够有效提升室内三维点云语义分割精度。     

融合Deep-ResUnet和PS-InSAR的城市道路网形变灾害监测方法——以合肥市为例

针对城市道路网变形监测存在的高分辨率影像获取难、道路人工提取效率低、传统变形监测工作量大等难题,本文提出了一种基于融合Deep-ResUnet和PS-InSAR的城市道路网形变监测方法。主要思路为：首先对目标区的哨兵-1A(Sentinel-1A)影像数据进行伪彩色变换建立道路数据集;然后训练深度残差网络(Deep-ResUnet)模型并对道路网栅格进行提取;最后利用永久散射体干涉测量(PS-InSAR)技术获取PS点形变信息与道路网栅格融合。研究结果表明,Sentinel-1A影像经过伪彩色处理后,能提高城市道路网提取的完整性,交并比提高6%～9%,道路提取精度平均提高10%左右,得到的城市道路网形变信息专题图能为城市道路变形监测和健康状况评估提供科学依据。     

基于遥感+AI技术的沈阳市违法图斑的确定

研究了基于深度学习的自动变化检测等技术,并在沈阳市违法图斑确定项目中进行了深度应用。通过实际的成果分析,确定了该方法可以全方位提升遥感数据的自动化处理、分析能力,实现了影像变化信息的高精度、高效率提取,使目前的土地违法变化高效精准、常态化、低成本监测成为可能。     

基于矢-栅混合数据的线目标缓冲区构建

结合矢量、栅格数据各自的优点,提出一种以矢栅混合数据为基础的线目标缓冲构建方法.首先创建垂直平分与线状目标的扫描线集合,然后对此欠量扫描线集合进行栅格化,从而获取栅格目标矩阵图.在提取边界后采用均值滤波、化简以及光滑技术最终生成缓冲区矢壁边界线,避免矢量数据复杂求交以及栅格数据边界失真问题.最后以洛阳某城市规划系统为例,实现城市道路集的缓冲.