城市用地功能精细化识别方法：时序动态图嵌入深度学习模型

多源大数据融合背景下的城市功能区识别是复杂非线性系统的模式识别问题,如何有效地从大规模的轨迹数据中提取出多粒度连续性时变和多尺度空间相互作用的信息是进行城市区域功能识别的关键。本研究设计实现了一种基于时序动态图嵌入的深度学习模型,在融合滴滴出行及兴趣点数据（Point of Interest, POI）基础上,提取城市区域存在的时间和空间上的隐式特征,结合聚类分析实现城市用地功能的语义识别。结果表明,成都市中心的用地功能趋向复合多样化的发展,且用地属性随时间发生作用范围和用地类型的变化,呈现出功能随着城市群体活动而变化的时空规律。与相关文献的对比实验表明,本文提出方法在更细粒度的时间段下进行功能区识别,得到的同一类功能区域内集聚度更高,能够更好的捕获复合型区域在不同时间模式下呈现出的用地功能变化。本研究为城市用地功能识别研究提供了新的技术方法,为城市规划研究人员全面理解城区结构属性提供了有效手段,对推动城市空间得到更合理高效的利用具有一定的价值。     

AlexNet支持下的地图建筑物形状分类方法

地图目标的形状在地图制图综合、空间查询等研究中发挥着重要作用。地图建筑物形状的识别与分类作为建筑物轮廓化简与典型化的基础,一直是制图综合研究的热点问题。目前,主要的建筑物形状识别方法主要依赖对建筑物轮廓的描述,对建筑物等地图面状要素的形态特征有较强的依赖性,通常只在应对特定类型的规则轮廓或直角化轮廓时能发挥较好的效果,对于形状不规则或复杂的情况识别不佳。本文提出一种AlexNet支持下的地图建筑物形状分类方法,将矢量地图中建筑物数据的形状分类问题,转化为建筑物栅格图像的分类问题,通过完成卷积神经网络的图形分类实现建筑物的形状识别。该方法首先结合空间认知规律提出一系列典型建筑物形状类型,然后利用矢量-栅格转换的方法从OSM数据采样单体建筑物栅格图像,通过人工标识获得建筑物形状分类训练样本,训练AlexNet卷积神经网络分类模型,最后利用训练好的模型对大比例尺建筑物数据进行智能形状分类与识别。本文利用北京、香港2个城市的OSM建筑物数据作为样本训练建筑物形状分类模型,并在广州部分城区的OSM建筑物数据上进行验证。相较传统形状相似性度量方法,本文提出的方法对实验区建筑物的识别分类总体查全率提...     

面向高分遥感影像道路提取的轻量级双注意力和特征补偿残差网络模型

针对高分辨率遥感影像背景复杂,道路提取容易受阴影、建筑物和铁路等背景信息干扰的问题,提出一种带有轻量级双注意力和特征补偿机制的DAFCResUnet模型。该模型在ResUnet的基础上,通过增加轻量级的双注意力和特征补偿模块实现模型在性能和时空复杂度上的平衡。其中,双注意力模块可以增强模型的特征提取能力,特征补偿模块可以融合网络中来自深浅层的道路特征。在DeepGlobe和GF-2道路数据集上的实验结果表明,DAFCResUnet模型的IoU和F1-score可以达到0.6713、0.8033和0.7402、0.8507,模型的整体精度优于U-Net、ResUnet和VNet模型。与U-Net和ResUnet模型相比,DAFCResUnet模型仅增加了少量的计算量和参数量,但IoU和F1-score均有较大幅度的提高;与VNet模型相比,DAFCResUnet模型在计算量和参数量远低于VNet的情况下取得了更高的精度,模型在精度和时空复杂度两方面均有优势。相比其他对比模型,DAFCResUnet模型具有更强的特征提取和抗干扰能力,能更好解决道路上的干扰物、与道路特征相似地物、树荫或阴影...     

基于改进DeepLabv3+孪生网络的遥感影像变化检测方法

传统遥感影像变化检测方法依赖人工构建特征,算法设计复杂且精度不高;而将2幅不同时相影像叠加后输入神经网络的遥感影像变化检测方法会造成不同时相的特征相互影响,难以保持原始影像的高维特征,且模型鲁棒性较差。因此,本文提出一种基于改进DeepLabv3+孪生网络的遥感影像变化检测方法,以经典DeepLabv3+网络的编解码结构为基础对网络进行改进:(1)在编码阶段利用共享权值的孪生网络提取特征,通过2个输入端分别接收2幅遥感影像,以保留不同时相影像的高维特征;(2)在特征融合中用密集空洞空间金字塔池化模型代替空洞空间金字塔池化模型,通过密集连接的方式结合每个空洞卷积的输出,以提高对不同尺度目标分割的精度;(3)在解码阶段中针对不同层级特征图信息差异较大,难以融合的问题,引入基于注意力机制的特征对齐模型,引导不同层级的特征对齐并强化学习重要特征,以提升模型的鲁棒性。应用开源数据集CDD验证本文方法的有效性,并与UNet-EF、FC-Siam-conc、Siam-DeepLabv3+和N-Siam-DeepLabv3+网络对比试验。试验结果表明,本文方法在精确率、召回率、F1值和总体精度上达到8...     

地形对水平岩层自重成因地应力场的影响

通过极坐标系下的艾里应力函数法,求解出在集中力作用下水平岩层中各应力分量。山体对其下伏岩层可作为分布载荷,对集中力作用下水平岩层中各应力分量积分,便求得山体对下伏水平岩层的附加应力。已有研究成果表明,当由外载引起的附加应力小于由重力引起的静止侧压力的20%时,则可以不考虑外载的影响,这样便导出了地形对自重应力影响深度所满足的函数关系式。此外,本文举例说明了如何求得地形对水平均质各向同性水平岩层的自重应力场的影响深度。     

一个双波地形重力波拖曳参数化方案

当地形次尺度强迫的作用与显式的经典动力作用效应相当时,地形重力波拖曳力对于环流的维持,以及动量和热量通量输送的动力效应变得十分显著。这种地形次尺度拖曳作用项可通过参数化的方法,在动力方程中加入额外的小项而引入数值模式。目前成熟的地形重力波拖曳参数化方法,如第1代基于线性单波理论的参数化方案;以及侧重考虑了临界层作用等因素对拖曳力的额外贡献的第2代参数化方案,都无法有效表达风速垂直变化引起的波动应力随高度变化的特征。基于上述考虑,本文给出了一个双波参数化方案用于计算地形重力波拖曳中由线性自由传播重力波造成的波动应力的垂直分布。通过二阶WKB近似,它对由风速垂直变化引起的对波动应力的选择性临界层吸收过程和经典的临界层吸收过程做了显式处理;而在不发生临界层吸收现象的地区,则用两个单波同时在垂直方向上进行应力的传播,并利用波饱和标准进行应力耗散。进一步地在真实地形(以大别山地区为个例)条件下的测试结果表明,通过在不同理想风速廓线以及北半球冬季中纬度纬向平均风廓线下对波动应力垂直分布的计算,证明该方案确实能有效地给出应力随高度变化的特征。     

基于多模态感知的水下目标检测应用构想

水下目标检测在海洋生物研究、考古探索、军事防御等多领域广泛应用,随着人工智能快速发展,水下目标检测也朝着无人化、智能化发展。深度学习采用神经网络挖掘信息特征,在速度和精度上均表现出优异的性能,成为了计算机视觉技术的主流算法,然而水下环境复杂,将其应用于水下图像目标检测仍存在较大的挑战。水下目标各模态信息互补,特征丰富,有利于目标检测识别,因此结合应用场景调研现有技术,然后设计基于深度学习的多模态水下目标检测系统,同时对比分析了现有关键技术的优缺点,最后对多模态目标检测系统未来发展进行总结与展望,具有重要意义。     

基于无人机LiDAR和高空间分辨率卫星遥感数据的区域森林郁闭度估测模型

森林郁闭度是森林资源调查中的一个重要因子,对森林质量评价具有重要作用。随着人工智能技术和遥感技术的不断发展,研究如何利用深度学习有效协同不同空间覆盖能力的遥感数据实现区域森林郁闭度的估测具有重要意义。由此提出了一种协同应用高密度无人机激光雷达和高空间分辨率卫星遥感数据,对区域森林郁闭度进行定量估测的深度学习模型（UnetR）。对用于图像分类的Unet模型的损失函数进行改进,并在卷积层后加入批量归一化层,使其具有对连续变量进行定量估测的能力。与全卷积神经网络、随机森林和支持向量机回归模型进行对比实验。结果表明,UnetR模型的均方根误差较低,估测精度较高,为实现区域森林郁闭度遥感监测提供了一种人力成本低、自动化程度高的估测方法。     

堆叠降噪自编码器的影像特征融合变化检测

提出一种基于堆叠降噪自编码器的影像特征融合变化检测方法.首先在影像分割对象的像素级特征和对象级特征分析、设计与提取基础上,通过像素级特征主成分分析与特征优选处理算法,实现遥感影像多类型特征融合并构建分割对象的多维特征向量;其次利用堆叠降噪自编码器的高维复杂数据处理能力,实现遥感影像多维融合特征的变化检测.实验结果表明,...