Regional soil organic carbon prediction model based on a discrete wavelet analysis of hyperspectral satellite data

Most studies have the achieved rapid and accurate determination of soil organic carbon (SOC) using laboratory spectroscopy; however, it remains difficult to map the spatial distribution of SOC. To predict and map SOC at a regional scale, we obtained fourteen hyperspectral images from the Gaofen-5 (GF-5) satellite and decomposed and reconstructed the original reflectance (OR) and the first derivative reflectance (FDR) using discrete wavelet transform (DWT) at different scales. At these different scales, as inputs, we selected the 3 optimal bands with the highest weight coefficient using principal component analysis and chose the normalized difference index (NDI), ratio index (RI) and difference index (DI) with the strongest correlation with the SOC content using a contour map method. These inputs were then used to build regional-scale SOC prediction models using random forest (RF), support vector machine (SVM) and back-propagation neural network (BPNN) algorithms. The results indicated that: 1) at a low decomposition scale, DWT can effectively eliminate the noise in satellite hyperspectral data, and the FDR combined with DWT can improve the SOC prediction accuracy significantly; 2) the method of selecting inputs using principal component analysis and a contour map can eliminate the redundancy of hyperspectral data while retaining the physical meaning of the inputs. For the model with the highest prediction accuracy, the inputs were all derived from the wavelength range of SOC variations; 3) the differences in prediction accuracy among the different prediction models are small; and 4) the SOC prediction accuracy using hyperspectral satellite data is greatly improved compared with that of previous SOC prediction studies using multispectral satellite data. This study provides a highly robust and accurate method for predicting and mapping regional SOC contents.     

利用BDS与无人船进行污染源分析及处理

在大数据的背景下,充分利用北斗卫星导航系统（BDS）的定位功能,以无人船作为用户端,在水质数据采集和污染源位置的问题中积极探索新的实践方案,迅速、准确地找到污染源,减少河流污染物污染的时间,且无人船上装有净化模块,在发现污染时可作简易处理。在无人船上安装水质分析仪,水质分析仪的传输模块中安装经给防水处理的北斗卫星定位芯片和WiFi数据传输器,进而对河流的污染物种类及浓度进行分析,并采用大数据的计算方法,计算出污染源位置,向云平台反映污染源位置分析结果与污染物处理方法。通过BDS,将数据按照位置区域划分,并将能到达污染源的最短路径发送到处理人的移动设备上。本文通过对基于BDS定位的水质污染监测可视化系统进行分析,以期迅速找出污染源,减少水质污染现象的发生。     

利用水准数据的天津市地面沉降时空特征分析

地面不均匀沉降可能对城市的发展与人民的安全造成危害,天津市的地面沉降情况尤为严重。针对该问题,本文收集天津市2005—2012年、2016—2017年水准观测数据,以固定水准点位的沉降量、沉降速率、沉降加速率为状态向量,构建卡尔曼滤波模型,对天津市历年的水准观测数据进行滤波;根据滤波后的结果,本文利用多项式加权内插的方法,以距离、沉降速率、沉降加速率信息确定权值大小,对地面沉降情况进行内插;并以中误差作为精度评定参数,比较多种内插方法的精度。通过对内插结果的试验分析发现,2005—2017年天津市地面累计平均沉降量为394.477 5 mm,最大沉降量为1 143.5 mm;主要沉降区域为北辰、大港、塘沽等地区,且随着时间的增长,这些区域呈现漏斗式下沉。试验证明本文结合卡尔曼滤波与多项式加权内插的方式能够较好地反映地面沉降的时空特征分布情况并对未来一段时间的沉降情况进行预测,对天津市的城市发展及建设有一定的参考意义。     

多源地理空间矢量数据关联分析

针对多源地理空间矢量数据多来源、难以集成综合利用这一现状,本文提出了多源地理空间矢量数据关联方法,并以此为基础构建了多源地理空间矢量数据关联的可视与计算查询系统。首先,对多源地理空间矢量数据关联的概念及分类进行了定义。然后,以此为基础,提出了关联关系构建技术：自适应四叉树编码技术、扫描线技术、几何匹配及语义匹配技术。最后,为实现关联关系的直观展示,设计了原型系统。关联技术的提出可建立起多源地理空间矢量数据之间的关联关系,原型系统的构建也为用户综合利用多源地理空间矢量数据提供了平台,提高了数据的利用率及数据查询的效能。     

融合多源时空数据的城市火灾危险性评估

城市层面的火灾风险评估主要包括火灾危险性、危害性及救援能力等方面。本文选取火灾危险性评估进行针对性研究,在大数据思维的指导下,以相关关系代替因果关系,采用多源数据对评估指标权重、分值进行率定,得出福州市城区火灾危险性时空分布图。首先利用高德地图API对消防历史出警记录进行地址解析,将近万条火灾出警地址空间落点,获得福州市历史火灾空间分布;然后综合城市用地性质现状、用地开发性质、人口分布热力图等多源异构数据,探索其与历史火灾空间分布的相关性;最后以福州城区为例,初步实现具有充分数理支撑的火灾危险性评估方法,形成火灾危险性动态评估成果,为城市消防规划等提供支撑和依据。     

旋翼无人机载激光雷达在农村不动产权籍调查中的应用

我国越来越重视农村的发展,目前各地都在积极开展农村不动产权籍调查工作,该工作时间紧迫,对数据精度要求较高。在农村不动产权籍调查中,本文针对传统外业全野外调绘所带来的低效率问题,提出了利用旋翼无人机载激光雷达进行调绘的方法,并且通过实例验证了该方法相较于传统测绘方式能够提高测绘的效率且测绘精度符合最终要求。     

地面沉降监测多源数据融合分析

地面沉降是区域性地面高程下降的一种地质现象,一般是由自然因素和人为因素的共同作用导致的。目前地面沉降监测的方法很多,各有优劣。本文结合武进中心城区地面沉降监测系列工程案例,对不同沉降监测方法产生的多源数据进行了分析、对比和融合,使成果兼具各种方法的优点,其不仅能更好地描述地面沉降的现状及预测地面沉降的发展趋势,而且可为后期地面沉降监测提供更加准确且丰富的数据基础。     

自然资源一体化政务服务系统及数据融合建设——以南京为例

自然资源部制定的信息化建设总体方案中,要求构建“互联网+自然资源政务服务”应用体系,实现“服务事项标准统一、整体联动、业务协同,自然资源政务服务和共享开放能力全面提高”。一体化政务服务系统作为政务服务应用体系的重点建设内容,也是落实自然资源管理“两统一”职责的重要支撑,如何整合各类数据资源、发挥系统作用,成为亟待研究的问题。本文在分析自然资源业务管理需求后,提出了一体化政务服务系统及数据融合的建设思路。