郑洛地区史前聚落分布特征的空间自相关分析

针对郑洛地区史前聚落遗址点的空间分布特征的问题,该文提出了一种空间自相关分析方法,以不同的格网尺度研究郑洛地区4个文化时期的遗址点的空间分布特征。研究发现:5 000~12 000m的格网尺度最能表现出裴李岗文化时期、仰韶文化前期、仰韶文化后期和龙山文化时期这4个文化时期全局自相关的差异。从局部自相关所表现出的变化情况来看,6 000~10 000m这一范围的格网尺度是最能保留住郑洛地区这4个文化时期遗址点的空间分布特征。将空间自相关分析应用于史前聚落考古研究中,可以探讨史前聚落考古中遗址点的空间分布模式及其变化。这不仅为史前聚落考古提供了一种新的思维方式,也扩展了史前聚落考古理论方面的研究。     

地理本体驱动的遥感影像面向对象分析方法

针对遥感影像面向对象分析技术存在的“分类过程中专家分析不同带来的分类结果不一致”问题,提出地理本体驱动的“地理实体描述-模型构建-影像对象分类”解译框架。首先,利用地理本体建立影像对象客观特征与地理专家知识的联系,实现对地理实体的描述与表达;其次,利用知识工程方法以及计算机可操作的形式化本体语言构建影像对象特征、分类器的本体模型,形成语义网络模型;最后,联合语义网络模型与专家规则实现影像对象的语义分类。地表覆盖分类实验结果表明,该方法不仅能够得到反映真实地理对象的遥感影像分类结果,而且能够掌握地理实体的语义信息,实现地表覆盖分类知识的共享与语义网络模型的复用,为遥感影像面向对象分析提供了一种全局性的解译分析框架及其方法。     

应用条件植被温度指数预测县域尺度小麦单产

选取关中平原2008-2016年的条件植被温度指数（vegetation temperature condition index,VTCI）遥感干旱监测结果,基于最优的干旱影响评估方法确定冬小麦各生育时期干旱对其单产的影响权重,构建县域尺度加权VTCI与小麦单产间的一元线性回归模型,并结合求和自回归移动平均模型（autoregressive integrated moving average,ARIMA）对各县（区）的冬小麦单产进行估测及向前一、二、三旬的预测。结果表明,基于改进的层次分析法与熵值法的最优组合赋权法对冬小麦各生育时期的权重确定较合理,以拔节期（0.489）最大,抽穗-灌浆期（0.427）次之,返青期（0.035）与乳熟期（0.049）较小;加权VTCI与小麦单产之间的相关性显著,单产估测精度较高;向前一、二、三旬的单产预测精度均较高,且以向前一旬的预测精度最高,有76.9%的相对误差小于2.0%,71.6%的均方根误差小于75.0 kg/hm2。     

融合线上线下轨迹的景观热度评价

人们在线上网络空间和线下现实空间活动时, 会产生大量线上线下的痕迹(轨迹), 这种轨迹作为一种讯息会影响其他人的活动。现有研究大多单一地采用问卷调查、网络数据、GPS轨迹等方法, 忽略了移动互联时代线上线下空间活动的关联性以及历史活动足迹对日后活动的影响。基于对搜索量、签到和照片等网络大数据与线下GPS轨迹大数据的融合, 对人们线上线下活动进行时空行为模式分析, 建立基于信息素和回归分析的计算模型, 实现了对景观休憩空间的吸引力评价。以采样接近5 a的181个用户轨迹数据及相应时间段的网络大数据, 对北京28个景观进行实验, 并与单一线上或线下数据的研究方法进行比较, 结果表明所提方法不仅综合体现了景观热度, 且能够对未来的潜在游憩价值进行估计。     

基于多源高分辨率遥感影像的2 m不透水面一张图提取

不透水率是衡量城市生态环境状况的一个重要指标。当前全球范围内仅有1 km和30 m分辨率尺度的不透水面专题信息,无法满足城市尺度水文模型建模、海绵城市规划和建设需求。提出了图谱信息融合的不透水面提取模型,实现了基于深度学习的不透水面提取新方法,研制了不透水面遥感全流程提取和监测软件。基于多源高分辨率遥感影像首次完成了中国31个省（直辖市、自治区）的2 m不透水面专题信息提取,形成全国不透水面一张图,为海绵城市和生态城市的建设提供了基础数据支撑和技术监测手段。     

基于Hilbert编码索引的海洋环境数据库优化

利用Hilbert曲线能保持空间连续性的特性,提出一种基于Hilbert编码索引的海洋环境数据库存储结构优化方法。实验表明,该方法实现了立体格网化的多源海洋环境观测数据在关系型数据库中的组织管理,有效提高了空间范围查询能力。     

基于卷积神经网络的建筑物精细化提取

现有图像分割方法往往受图像模糊和噪声的影响,提取的轮廓不准确。为了提取建筑物的精确轮廓,提出了一种基于卷积神经网络的集成方法,包括建筑物定位、形状判断、形状匹配等步骤。实验证明,无论是对DSM图像还是多光谱影像,该方法都能获得精确的建筑物轮廓。     

网络地理信息技术在林业检疫管理中的应用

针对林业检疫工作存在信息化程度低、管理不够科学有效的问题,本文提出将网络地理信息技术应用到林业检疫管理工作中。在对系统的逻辑框架和网络设计完成后,建立了林业检疫管理信息系统,通过内网、外网和移动终端配合,完成了林业检疫的数据采集、信息分析等业务工作以及相关单位和虫害信息的管理工作,为辅助决策提供了数据,也提高了工作效率和管理水平,对林业资源的管理和保护具有重要的现实意义。     

确定砂土动剪切模量和阻尼比的方法对比

确定土体动剪切模量的常用方法有规范法、Kumar法和自相关函数法,确定相应阻尼比的方法有规范法、Das and Luo法、Kokusho法、Kumar法和互相关函数法,为了分析不同方法所产生差异,实现定量化对比分析,笔者以福建标准砂（粒径为0.5~1.0 mm）为研究对象,采用不排水的应力控制动三轴试验,探讨不同的确定土体动剪切模量和阻尼比方法的差异性,并给出了不同土体条件建议选用的方法。结果表明：1）3种方法确定动剪切模量的结果有一定的差异,随剪应变的增大结果的差异逐渐增大,有效围压对结果的差异性有所影响,当剪应变为4×10^-3,有效围压为100 kPa时,3种方法差异显著,相对误差最大接近20%;2）而5种方法确定阻尼比的结果差异显著,随着剪应变的增大,5种方法确定的阻尼比相对误差大体上均在迅速减小,只有规范法在有效围压为100 kPa时,其相对误差有较小的增大趋势;5种方法中,Kumar法确定的阻尼比最接近平均阻尼比,互相关函数法远高于平均阻尼比,Das and Luo法和Kokusho法确定的阻尼比基本一致但低于平均阻尼比。建议以后的工程应用中,加载方式为应力控制时,可采用自相关函数法确定动剪切模量,采用Kumar法确定阻尼比,二者确定的动剪切模量和阻尼比均最接近平均值。     

波致海床瞬态液化对再悬浮贡献率的深度学习预测方法

波致瞬态液化渗流导致海床内细粒沉积物向海水中运移,这一过程对海底沉积物再悬浮的贡献率不容忽视,但是贡献率的准确估计和预测比较困难。本研究将黄河水下三角洲的观测数据(包括水深、有效波高、有效波周期、实验舱内悬沙浓度、实验舱外悬沙浓度)作为模型输入数据集,基于长短时记忆循环神经网络建立了瞬态液化对再悬浮贡献率的深度学习预测模型。为了客观评价模型的性能,以平均绝对百分比误差、均方根误差和平均平方误差-标准偏差为评判标准,将该深度学习模型与其他预测模型(支持向量回归模型、人工神经网络)的预测结果进行了比较。结果表明,基于长短时记忆循环神经网络的深度学习模型对3.5d以内的瞬态泵送再悬浮贡献率预测误差最小,其平均绝对百分比误差、均方根误差和平均平方误差-标准偏差分别为5.87%、1.6730、0.1574。因此,该模型可以有效地减少机器学习方法在连续预测中产生的误差叠加问题。