植被波谱空间尺度效应及尺度转换方法初步研究

基于遥感图像的地物识别需要大量地物波谱数据的支持,而现有地物波谱库中收集到的同一地物的波谱,由于其测量尺度和方法的差异,波谱也存在很大差异.以冬小麦为例,首先介绍了材料波谱、端元波谱和像元波谱这3种不同尺度波谱的概念,并以实验数据分析了不同测量尺度下波谱的差别,以此说明波谱尺度转换的必要性.然后利用物理模型和统计模型建立不同测量尺度下的波谱转换关系.分别验证了SAILH模型和线性光谱混合模型在波谱转换中的精度.研究表明,在大尺度上采用统计模型,在小尺度上采用非线性的物理模型可以解释不同尺度观测植被波谱之间的差异.     

基于MSA特征的遥感图像多目标关联算法

遥感图像中多目标关联存在以下两个问题:一是低时间分辨率观测使得目标状态信息无法准确估计,基于Kalman滤波的多目标关联算法不再适用;二是基于图像特征的目标关联算法又无法处理大场景观测中多个目标关联引起的模糊性.针对上述问题,提出一种基于多尺度自卷积特征匹配和关联代价矩阵最优化的多目标关联算法.实验表明该算法对遥感图像中多目标关联问题具有一定的适用性.     

多目标粒子群算法与选址中的形状优化

选址问题是GIS最基本的任务之一.一般性的选址是基于点的位置优化,可利用有关GIS功能完成.实际的选址问题是很复杂的.在给定设施的数量和面积前提下,需要在空间上确定设施的最佳位置,并对形状进行优化,以获取最大的效用.采用一般的方法无法求解这种最优化问题.而且,当选址问题涉及多个目标和不同的约束性条件时,就会变得异常复杂.提出了利用多目标粒子群优化算法和区域形状变异算法相结合来解决复杂的空间选址问题.具有智能的搜索方法,大大提高了空间搜索能力,并保持了搜索区域的连通性,取得了较好的效果.     

空间智能:地理信息科学的新进展

在总结多年来研究GIS智能计算的理论与实践基础上,提出地理信息科学发展的新方向:空间智能.空间智能强调发现与应用空间模式,以增强GIS处理复杂数据和解决复杂问题的能力.空间智能主要的技术体系由空间分析、空间优化和空间模拟三大模块构成,其技术基础包括空间统计与索引、智能代理、高级启发式,以及数学规划等系列智能技术.由于空间智能融合了机器学习、统计分析和人工智能等多个学科理论,面向解决实际工程需求中大量存在的复杂时空问题,因此理论上具有广阔的发展空间,实践上也有重大的应用需求.随着空间智能体系的完善和技术的进一步成熟,它将在实际应用中具有巨大的价值.     

坐标相似变换模型的探讨

常用的坐标转换模型,讨论了大地高的不确定性对应用Bursa模型进行坐标转换的影响。结合工程应用的实际情况,选择平面坐标转换模型对北京地方坐标与西安80坐标进行转换,转换精度满足实际需求。     

基于精密星历的计算卫星位置的方法

分析了拉格朗日多项式插值算法,提出了将Neville算法实现于精密星历的插值,数值试验表明,其克服了函数插值的龙格现象,有很好的逼近效果.     

基于时刻独立脉冲耦合神经网络的高空间分辨率摇感影像分割

高空间分辨率遥感影像中地物目标内部光谱信息复杂性的增强,使得传统基于光谱特征值的数据处理方法效果不再显著,影像分割为解决这一问题提供了一种思路,成为当前高空间分辨率遥感影像处理的研究焦点.时刻独立脉冲耦合神经网络具有状态相近、空间相邻神经元相互耦合同步脉冲激发和区域之间神经元脉冲激发时刻独立两大特点,已被应用于非遥感影像分割中,并取得较好效果.本文结合高空间分辨率遥感影像特点,通过对网络参数进行实验和分析,提出一个基于时刻独立脉冲耦合神经网络的高空间分辨率遥感影像分割方法,并利用空间分辨率0.3m的航空影像进行了数据试验,将分割结果进行讨论并与现有时刻独立脉冲耦合神经网络方法和ISODATA方法分割结果进行对比分析.结果表明:时刻独立脉冲耦合神经网络在高空间分辨率遥感影像分割处理中具有很好的应用前景.     

空间信息网格中远程空间连接查询的优化

随着空间信息网格的建设,网格平台上管理的空间信息资源越来越丰富,这促进了空间信息网格中空间数据分布式查询的应用需求,而在分布式空间查询中,空间连接查询操作往往成为性能的瓶颈.根据空间信息的特点,通过利用网格计算资源来优化空间连接查询的执行.首先基于网格服务构建网格平台分布式空间数据查询软件结构,通过设计远程空间连接执行服务利用网格平台中的计算资源;根据空间信息的特点.采用基于Kd-Tree空间分区并行连接的方法提高远程空间数据连接操作执行效率,并给出了远程空间连接执行的查询代价模型;然后根据连接代价模型设计了远程空间连接查询执行计划优化生成算法;最后总结了本文工作并探讨了下一步研究方向.     

BP神经网络在局部似大地水准面精化的应用

针对高程拟合中的模型误差问题,采用BP神经网络方法进行拟合,可以减小模型误差,提高似大地水准面的精化精度。在焦作市局部似大地水准面精化算例中,BP神经网络高程拟合取得了良好的效果。     

基于高光谱Hyperion数据的线性光谱混合模型与神经网络模型的比较

混合像元问题是定量遥感中的热点问题之一,为了改进从遥感数据中提取定量信息,人们建立了各种混合光谱分解技术,其中线性光谱混合模型和神经网络模型就是两种比较成熟的方法。以陕西省横山地区的高光谱Hyperion数据为研究基础,通过最小噪声变换(MNF)、像元纯度指数(PPI)转换和RMS误差分析的迭代方法相结合提取影像中的纯净像元作为终端端元。分别运用神经网络模型和线性光谱混合模型对影像进行光谱分解,得到各个组分的分解图像。以标准植被指数(NDVI)影像为衡量标准,选取训练样本点,分别对两种模型进行回归分析,结果显示NDVI影像与线性光谱混合模型植被分解图像的判定系数(R2=0.91)要大于其与神经网络模型的判定系数(R2=0.81)。进一步分析表明在一般情况下,线性光谱混合模型具有比神经网络模型略高的分离精度,但是神经网络模型对细部信息的提取的效果要好于线性光谱混合模型,最后提出了端元均方根误差(EAR)指数,一种新的混合像元分解的思路。