指向思维可视化的初中地理教学实践探究——以“人类的聚居地——聚落”为例

地理学科的综合性和区域性特点要求学生具备较强的地理思维能力,提升学生的地理思维能力能有效触发学生学习地理的内在动力,为其持续高效学习地理提供有力支撑。本文基于思维可视化的理念引导学生学习“人类的聚居地——聚落”一课,通过创设思维情境引领思维发展,运用视频、地图、思维导图、流程图、景观图和地理模型等思维可视化教学手段突破教学难点,带领学生由知识层上升到思维层,深入分析地理问题的成因,提出解决地理问题的措施,培养学生高阶学习能力。     

地貌晕渲中光源使用方法与用色规则的研究

研究了设计彩色地貌晕渲图的交互式人机协同方法,并着重对晕渲中灰度值和色彩的调整方法进行改进和试验。试验表明,利用该方法制作的彩色地貌晕渲效果比单光源彩色地貌晕渲有较大的改善。     

基于智能对象的决策支持系统体系结构研究

分析了决策问题及其求解过程,揭示了传统IDSS体系结构的不足,阐述了应用面向对象的结构化知识表达构造智能对象,提供了智能决策过程支持的方法和新的IDSS体系结构,并在农业空间决策信息系统的实践中进行了验证。     

海洋测量专家梁开龙教授

梁开龙教授,1941年7月出生于江苏省徐州市.1960年7月至1965年7月在北京解放军测绘学院天文大地测量专业学习(本科).1965年7月至1978年8月在沈阳军区测绘大队工作,历任技术助理、副队长、工程师等职.1978年9月,调入海军大连舰艇学院海洋测绘系,历任教员、系副主任、系主任等职.1998年底从领导岗位退下后,专职从事教学工作.现为该院"大地测量学与测量工程"学科带头人,博士生导师.     

基于人工神经元网络的空间知识表达与推理方法研究

分析了智能决策支持系统的结构,通过比较指出了基于符号的知识表达与推理方法的不足,阐述了基于神经网络的知识表达与推理的方法,并认为神经网络方法可作为智能空间决策支持系统中符号方法的替代或补充,并通过实例验证了基于神经网络的不确定空间知识表达与推理的有效性.     

最小割与深度学习联合优化的室内粘连点云分割方法

随着数字城市的发展,城市三维模型重建对三维点云结构化的需求与精度要求越来越高。如何有效准确地分割室内语义模型与三维重构是当前研究的热点问题。点云分割分类是室内点云结构化的重要基础,如何将粘连点云构件进行准确分割并用于室内点云结构化,是当前城市建模的难点。本文提出了一种面向室内粘连点云数据的分割分类方法。首先,利用深度学习网络处理室内点云数据;其次,对点云数据进行标签分类,得到目标标签点云;然后,利用欧氏算法对目标点云进行聚类分割,通过室内语义构件包围盒信息计算各目标中心点坐标与水平半径;最后,利用点云最小割实现室内粘连点云的准确分割。利用3组室内场景中获取的数据对分割方法的精度及有效性进行了验证。结果表明,该分割优化方法具有较高的精度与数据完整性。     

多尺度字典学习的高光谱图像压缩算法

结合小波变换及字典学习提出了一种针对高光谱图像的压缩算法。该算法首先通过小波变换构建多尺度样本集,在小波域使用K-均值奇异值分解(K-SVD)方法学习得到原子尺寸不同的多尺度字典,然后在稀疏表示的过程中,定义一个原子使用频次筛选因子,通过统计局部最优波段稀疏表示时原子使用情况,结合筛选因子对字典原子进行优化筛选,使用精简后的字典对其余波段进行稀疏求解,最后针对不同尺度的表示系数采用自适应的量化编码。实验结果表明,与目前常用的3D-SPIHT和其他的多尺度字典学习算法相比,本文算法在中低比特率下,具有更好的重建性能。     

不同方法对冬小麦地块级估产的适用性研究

为了探究不同估产模型对冬小麦估产的精度和适用性,提高像元级和地块级冬小麦估产精度。利用机器学习方法支持向量机（SVM）模型、随机森林（RF）模型和深度学习方法长短期记忆（LSTM）模型,对冬小麦进行产量预估。结果表明：在像元级上,LSTM模型、RF模型估产精度高于SVM模型,LSTM模型不仅能够表征作物在生育期的生长变化,还能降低人为因素干扰,估产结果更加客观真实,而SVM模型、RF模型易受到特征共线性和过拟合的影响,因此SVM模型、RF模型更适用于区域性小范围估产。在地块级上,SVM模型、RF模型和LSTM模型地块级估产精度比像元级估产精度均有提高,且LSTM模型估产精度明显高于SVM模型和RF模型,因此LSTM模型更适用于地块级估产,且LSTM模型泛化能力强、普适性高,适用于大范围农作物估产。     

基于谷歌地球引擎的植被覆盖度变化长时间序列检测

利用遥感技术进行植被覆盖度提取,是实现植被覆盖度变化检测的一种有效手段.然而,进行大尺度长时间序列的植被覆盖度变化检测时,传统遥感技术具有操作复杂、耗时较多等缺点.本文利用谷歌地球引擎(Google Earth Engine,GEE)平台,获取美国陆地卫星(Landsat)归一化植被指数(normalized diff...