基于ArcGIS的地理信息系统软件实验教学模式初探

地理信息系统是20世纪60～70年代发展起来的一门融计算机技术、测绘学、遥感、应用数学、信息科学等于一体的综合且集成的信息技术,它的教学模式尚处在探索之中,根据多年的教学实践与社会对地理信息系统专业的用人需求,提出了基于ArcGIS平台的地理信息系统软件课程教学模式。通过这种模式在实践中的应用,切实提高了教学效率以及学生的实际应用能力;并对其他相关学科的教育培养模式革新有一定的借鉴意义。     

时间序列InSAR技术中的形变模型研究

时间序列InSAR技术,包括PS-InSAR技术和小基线集InSAR技术, 能有效克服传统D-InSAR的失相干限制, 逐步成为形变测量中的实用化技术。但是, 现有时间序列InSAR技术主要采用线性函数对真实形变进行模拟, 在真实形变呈现强烈的非线性时, 这种处理将不能得到正确的形变结果。本文就时间序列InSAR的形变模型问题展开研究, 首先从干涉相位模型解算的方法入手, 深入分析了线性形变模型的不足, 当干涉点目标的密度不够并且真实形变的非线性较强时, 干涉相位方程的解将会发散。根据魏尔斯特拉斯逼近定理, 提出以高阶多项式取代线性形变模型, 并给出了基于多项式形变模型的干涉相位方程解算方法。 利用太原市2003-2009年的23景ENVISAT ASAR影像, 分别采用线性形变模型和三次多项式形变模型, 利用小基线集技术进行了形变反演。将这两种方法得到的结果分别与水准测量结果进行了比较。结果表明, 采用多项式形变模型不仅能取得更高的形变测量精度,而且能提高点目标的密度。由于高阶多项式总能比低阶多项式更准确地拟合连续函数, 因此本文提出的多项式形变模型在时间序列InSAR形变监测中具有广泛的应用价值。     

基于时间序列分析和灰色理论的建筑物沉降预测模型研究

基于时间序列分析方法建立建筑物沉降预测模型,其中通过二次移动平均法提取出沉降监测序列中的趋势项,并在此基础上采用灰色系统理论动态GM（1,1）模型进行趋势项预测。实际算例结果表明,该模型能够较好地预测沉降变化的发展趋势,并具有较高的预测精度,证明了该预测模型具有一定的可行性和有效性。     

测量平差模型误差对平差结果的影响

测量平差模型不仅包括函数模型还包括随机模型,因此要研究测量平差模型误差对平差结果的影响就要研究函数模型误差和随机模型误差二者同时的影响。本文以间接平差模型为例,随机模型误差、函数模型误差和随机模型误差三个层次研究了测量平差模型误差对平差结果影响的公式,论证了不同平差模型误差情况下的平差结果,并推导和论证了同时考虑函数模型误差和随机模型误差对平差结果影响的公式。     

利用外部DEM辅助山区SAR立体像对匹配及地形制图

SAR立体像对的匹配是利用雷达摄影测量技术提取地形高程信息的关键,匹配精度将直接影响结果 DEM的高程精度。针对山区SAR立体像对匹配过程中同名点选取困难的问题,引入外部粗分辨率DEM作为辅助数据,将该DEM高程转换为视差,为匹配提供初值,同时采用金字塔匹配策略,不仅可以缩小搜索范围,提高搜索效率,而且能够减少粗差的产生。试验结果表明,采用外部DEM辅助之后,匹配粗差点数量相对于传统的雷达摄影测量处理结果明显减少,从而有效地提高了高程信息提取重建的精度。     

基于C#与MATLAB混合编程实现变形预测分析

工程项目的施工期、运营期均需要进行变形监测观测,以便全方位掌握构筑物的稳定性,但其中数据分析的实现方式、方法各有不同。本文采用C#与MATLAB混合编程,结合两种编程语言的优势,详细叙述了混合编程的实现方法,并以灰色模型为例,验证了可行性,证实了该模式可以快速开发满足项目需求的程序,实现对监测数据的分析、预测。     

探讨3维地物模型制作过程

自第一台计算机诞生以来,计算机技术迅速发展,并在各行各业中得到广泛应用。3维显示技术是随着计算机软硬件的快速发展而兴起的一个新的应用方向。它能在计算机中为用户提供一个3维的直观环境,通过视觉提高真实感。随着地理信息产业的快速发展,人们对3维地理空间支撑的需求越来越强烈,"数字城市"项目在各大城市如火如荼的发展,3维GIS进入了高速发展和广泛应用的新时期。这里探讨了综合运用3dsMax,Arc Map,creator,CAD,PhotoShop等软件制作3维地物模型的过程。     

应用选权拟合法建立单历元伪距和载波相位双差模型

本文根据选权拟合法的一个重要性质:只要被约束的那部分参数估值无偏,其余的参数估值也无偏;该性质说明利用选权拟合进行参数估计的结果是条件无偏的。这个不同于一般正则化解的重要特性可以建立单历元伪距和载波相位双差模型,并通过实例验证了该方法的可行性。     

A simple two-band semi-analytical model for retrieval of specific absorption coefficients in coastal waters

A non-linear iterative method is used to replace the traditional spectral slope technique in initializing the total absorption decomposition model. Based on comparison of absorption coefficient by QAA and two-band semi-analytical model (TSAA) models with field measurements collected from the West Florida Shelf waters and Bohai Sea, it is shown that both models are effective in estimating absorption coefficients from the West Florida Shelf waters, but the TSAA model is superior to the QAA model. Use of the TSAA model in estimating absorption coefficient in the West Florida Shelf and Bohai Sea decreases the uncertainty of estimation by 1.3–74.7% from the QAA model. The TSAA model’s sensitivity to the input parameters was evaluated by varying one parameter and keeping the others fixed at their default values. Our results indicate that the TSAA model has quite a strong noise tolerance to addressing the field data of the total absorption coefficient.     

Multi-class geospatial object detection and geographic image classification based on collection of part detectors

The rapid development of remote sensing technology has facilitated us the acquisition of remote sensing images with higher and higher spatial resolution, but how to automatically understand the image contents is still a big challenge. In this paper, we develop a practical and rotation-invariant framework for multi-class geospatial object detection and geographic image classification based on collection of part detectors (COPD). The COPD is composed of a set of representative and discriminative part detectors, where each part detector is a linear support vector machine (SVM) classifier used for the detection of objects or recurring spatial patterns within a certain range of orientation. Specifically, when performing multi-class geospatial object detection, we learn a set of seed-based part detectors where each part detector corresponds to a particular viewpoint of an object class, so the collection of them provides a solution for rotation-invariant detection of multi-class objects. When performing geographic image classification, we utilize a large number of pre-trained part detectors to discovery distinctive visual parts from images and use them as attributes to represent the images. Comprehensive evaluations on two remote sensing image databases and comparisons with some state-of-the-art approaches demonstrate the effectiveness and superiority of the developed framework.