高效利用耕地 助力全面小康——以河南省为例

2020年是具有里程碑意义的一年,我国将全面建成小康社会,实现第一个百年奋斗目标。农村是全面建成小康社会的短板,全面建成小康社会的关键是让农民普遍富裕起来。农民的收入主要靠耕地,耕地保护工作服务的主体是农业、农村、农民,工作价值体现在要向耕地要产出、向耕地要效率、向耕地要效益,满足基层农民群众的愿望和实际需求,促进农业增效、农民增收、农村繁荣。     

老挝北部Sentinel-2 A/B云覆盖适宜阈值界定及其影像获取概率时空差异

光学卫星影像云覆盖时空特征评估是衡量其作为重要遥感监测数据源的前提。Sentinel-2 A/B影像因其免费获取、多光谱（红边）、更高时空分辨率等优势,已在全球不同尺度陆面植被与生态监测中受到重视。相较于Landsat等同类影像产品,有关Sentinel-2 A/B的云覆盖分析还未见报道。本文利用2016—2018年老挝北部所有5288景Sentinel-2 A/B影像（Granule/Tile）的云覆盖元数据,基于不同云覆盖阈值（0~100%）水平下的影像获取概率差异确定了影像获取概率分析的云覆盖适宜阈值,并揭示了云量特征阈值水平下的影像获取概率时空差异。主要结论如下:① Sentinel-2 A/B影像获取概率分析云覆盖适宜特征阈值为20%（即云覆盖≤20%）,该阈值水平下老挝北部Sentinel-2 A/B影像的逐月累积平均获取概率最高（约27.41%）;② 在20%云覆盖阈值水平下,老挝北部Sentinel-2 A/B影像逐月累积平均获取概率差异在时间上与旱季（11月—次年4月）雨季（5月—10月）的时间分布较为吻合。旱季获取概率约为42.91%,3月概率（50.27%）最大,4月与2月次之,时间上与刀耕火种焚烧与橡胶林落叶特征吻合;雨季相应概率约为11.81%,6月最低（约1.26%）;③ 老挝北部Sentinel-2 A/B影像逐月累积平均获取概率在空间上存在东西差异,旱季西部省域单元（如琅南塔）影像获取概率远高于东部,雨季西部地区影像获取概率则略低于东部地区。本研究既可为后续开展大区及全球Sentinel-2 A/B影像云量分析提供借鉴,也对开展联合国减少森林砍伐和退化排放（UN-REDD）计划引发的土地利用变化如刀耕火种农业演变、橡胶林扩张等遥感监测有指导意义。     

基于车载LiDAR点云的地物分类方法的研究

基于点云分类常用的近邻聚类法和物体表面分割等方法,本文提出了一种基于最大网格密度的近邻聚类的方法。该方法首先对原始点云进行低点提取,设置格网的大小,在此基础上对点云数据进行去噪并进行主成分分析,再对点云空间进行均匀格网化,使具有最大密度的格网为聚类中心,加入高程、强度以及法向量等特征对分割后的点云实现了不同地物的分类,提高了运算效率,降低了错分率。     

基于法向量密度聚类的LiDAR点云屋顶面提取

针对现有算法从LiDAR点云中提取复杂建筑物屋顶面不完整、阈值难以设置的问题,提出一种结合点云空间分布的法向量密度聚类提取屋顶面点云方法。通过构建Delaunay三角网,计算建筑物LiDAR点云的法向量;在分析建筑物点云空间和法向量分布特点的基础上,定义一种邻域关系度量屋顶面点云之间的相似性,并利用提出的算法聚类建筑物点云,得到屋顶面片点云粗提取结果;通过构建屋顶面片缓冲区,经面片处理得到建筑物各屋顶面的完整点云。选取不同复杂程度的建筑物进行实验,结果表明,算法能有效提取复杂建筑物屋顶面点云,具有较好的适应性,并能为建筑物三维重建提供可靠的屋顶面信息。     

面向未来的智慧农业气象精细化服务系统的设计

针对我国当前农业气象服务模式中存在的产品粗放,服务手段单一,基层农气服务人员及农气专家参与程度低,缺乏为农户尤其是农业大户提供精细化、个性化、专业化的产品服务能力,因而不能很好地满足山地丘陵地区农业气象服务的需求等问题,本文设计了一种新型的农业气象精细化智能服务模式.该模式既考虑到方便、快捷地收集用户的个性化服务需求信息,又考虑到不增加业务工作人员的投入,设计了方便的系统和工具,吸引农业气象业务工作人员、基层农业气象服务人员、农技专家等多方协作参与,实现了信息互联共享,高效智能地为农业生产企业或个人提供精细化、智慧化、专业化的农业气象服务,并在重庆成功地进行了试点应用.结果表明,该模式能够较好地解决重庆地区的精细化、智慧化和专业化的农业气象服务方面的需求.     

众包图像数据采集与聚类分析方法探讨

众包图像是由大众经过一定方法获取后通过互联网向公众或相关机构提供的一种开放式图像数据。利用网络爬虫工具在互联网上爬取了一定数量的众包图像,并分别探讨了单张图像聚类方法和多张图像聚类方法,以期为众包技术如何服务于智慧小城镇规划管理提供技术参考。利用K-means聚类方法对单张众包图像进行聚类,并探讨了分别利用Python语言和Java语言编程实现图像聚类的方法 ;利用层次聚类方法对多张众包图像进行聚类。     

基于聚类的黄河上游干流地区滑坡特征研究

利用2015年Google Earth遥感数据,提取并分析了黄河上游干流地区的滑坡灾害分布情况;采用Ward系统聚类分析法,对坡顶、坡脚、岩性、长度、宽度、厚度、面积、方量、坡度、坡向、年均降雨量、日最大降雨量、原始斜坡坡高和原始斜坡坡度展开研究,并通过数据挖掘,得到了隐含的、潜在的滑坡特征信息;以定性与定量相结合的方法,系统地分析了黄河上游地区滑坡灾害的特征和规律。研究结果表明,(1)研究区的空间展布形态主要包括半圆状、舌状、长弧状、矩形状、三角状、葫芦状和梯形状7种;(2)从空间分布特征上共发现各类滑坡162处,主要集中分布在群科—尖扎盆地;(3)研究区滑坡外在特征和隐含的内在特征十分丰富,经过分析和定义得出偏重环境特征、角度特征、方向特征、单一形状特征和综合形状特征5类特征。     

签到位置数据的密度峰值快速搜索与聚类方法

位置签到数据蕴含了城市居民活动变化。由于客户端位置候选问题,不同的签到行为以同一候选位置签到时会产生位置重复现象。针对现有密度聚类方法在签到数据聚类上存在的问题,以快速搜索和查找密度峰值聚类算法(CFSFDP)为基础,提出了签到位置数据的密度峰值快速搜索与聚类方法。首先,引入位置重复频率来表达签到位置重复,然后,对原始签到位置数据点统计位置重复频率并重新设计数据结构,以新的空间点要素为研究对象寻找密度峰值点;最后,构建了峰值点密度簇聚类算法,在点要素集聚类过程中考虑密度连通性来保证峰值密度簇的连续与完整。试验表明,所提出的聚类方法有效避免了重复度较高的离群位置对象选为峰值并聚类的情况,并具有良好的空间适应性。所提取的密度峰值点不仅可以用来表示热区的中心,还能够反映热区的集中趋势,进而可以帮助探索热区的动态变化情况。     

一种利用点云邻域信息的建筑物屋顶面高精度自动提取方法

从LiDAR数据中高精度地提取建筑物屋顶面是构建屋顶面拓扑关系、实现建筑物三维模型重建的关键。本文针对现有算法提取复杂建筑物屋顶面适应性较差、精度较低等问题,提出了一种利用点云邻域信息的建筑物屋顶面高精度自动提取方法。通过主成分分析计算点云特征,构建特征直方图,选取可靠种子点;利用提出的局部点云法向量分布密度聚类算法聚类种子点,快速准确地提取初始屋顶面片;构建基于邻域信息的投票模型,有效地解决屋顶面竞争现象。试验结果表明,本文方法可自动、高精度地提取屋顶面,对不同复杂程度的建筑物具有较好的适应性,能为建筑物三维模型重建提供可靠的屋顶面信息。     

一种融合超像素与最小生成树的高分辨率遥感影像分割方法

影像分割是面向对象高分辨率遥感影像分析的基础与关键。针对传统影像分割方法易受噪声影响,且难以确定合适的影像分割尺度的问题,本文提出了一种融合超像素与最小生成树的高分辨率遥感影像分割方法。首先用简单线性迭代聚类算法对影像进行过分割生成超像素;然后初始设定影像分割数,采用区域动态约束聚类算法对超像素进行合并,获得分割数-方差和、分割数-局部方差、分割数-局部方差变化率指标图,依据3个指标图确定合适的影像分割数;最后根据确定的合适影像分割数,采用区域动态约束聚类算法对超像素重新合并得到分割结果。定性对比试验和定量评价结果表明,本文方法可以有效地克服影像噪声对分割结果的影响,获得良好的影像分割结果。