基于Sentinel-1A合成孔径雷达数据和全卷积网络的城市建设用地监测方法研究

Sentinel-1A合成孔径雷达数据不受云、雾等天气条件的影响并具有丰富的纹理信息,为提取城市建设用地信息提供了一种新的数据源。本文发展了一种基于Sentinel-1A合成孔径雷达数据和全卷积网络的城市建设用地监测方法。该方法的优势主要在于可以有效复合不同极化方式下的Sentinel-1A合成孔径雷达数据和综合集成多尺度特征。在甘肃省张掖市甘州区的应用表明,该方法的提取结果总体精度为92.50%,Kappa系数为0.85。与现有方法“KTH-Pavia城市提取器”相比,Kappa系数提高了37.10%,总体精度提高了11.50%。因此,该方法具有良好的应用潜力。     

例谈学生地理学习能力的培养

高中学习中,由于学习压力的骤然加剧,每门学科之间独有的学科差异性,导致学生在学习过程中会因方法不得当而难以取得较大的进步。就我个人觉得,在学生初入高中阶段,在某一课堂讲解过程中,可着重以某一方法作为着力点,重点突破,加深学生印象,从而让学生细致地掌握这一方法,在今后不断的反复练习中能熟练地掌握并运用这种方法。我们可以根据课堂内容的不同,灵活安排,力求做到每堂课的方法有所不同。虽然说课堂教学中可能牵涉到的学习方法多样化,但具体突出某一类还是很有必要的。     

基于实践调研的区域地理教学路径探索——以“天兴洲的综合开发方案”项目式学习为例

目前,中学地理实践活动往往局限于校园与课堂之内,可施展的空间和适用的主题都十分有限。在区域地理学习中,学生可进行"知行合一"的机会更加难得。本文以"天兴洲的综合开发方案"为项目主题,在天兴洲野外真实的环境中开展实践调研,拓展学生的活动空间,延展项目式学习的主题范畴,探索基于实践调研开展区域地理教学的有效路径。     

浅议地理教学中的乡愁教育

在信息技术飞速发展的时代,学生通过各种媒体获得海量的信息,对不熟悉的国外充满猎奇和向往,对所处的国情、文化不了解,对中华优秀传统文化和国家、民族认同感低。现在重拾中国的教育传统,弘扬中华优秀传统文化,增强学生爱国、爱家、爱生活环境的情感,让学生记得住乡愁,比提教育国际化更有意义。中学地理学科在开展乡愁教育方面具有独特的优势,开展乡愁教育应成为地理教学的重要内容。     

简约的应该是最重要的

教学不是教书,而是教学生学,教学生自己学,教学生从"学会"提升到"会学"和"能学"。聪明的学生之所以聪明,在于他们善于独立掌握科学的学习方法;高明的老师之所以高明,在于他们善于放开学生的手脚,引导学生学会学习。下面的这则事例是笔者亲历所为,今记述下来,以资各位地理同行在参考之余能有所启迪。半年前,到学校视导时与一位高三学生谈心,得知其地理学得不好,感知她很郁闷。她说,老师,地理好难学啊!何以见得呢?我问道。不是吗,大家都说地理是文科中的理科?她反问道。是的,有这种说法,我答道,地理你最怕做什么题?她说,我最怕综合题。你语文学得怎么样?我又问道。语文是我学得最好的,她无不     

加强“三图”指导提高初中学生读图能力

一是加强地图三要素的学习指导。读图最基本技能是熟练掌握比例尺、方向、图例等地图三要素,通过对比例尺学习,指导学生量算图上距离和实际距离,掌握比例尺的大小和范围大小、内容详略三者之间的关系。     

地理教学中的研究性学习活动设计

如何在中学地理教育中开展研究性学习是地理教育界的一个热门话题。目前，有关地理研究性学习目标定位、实施策略和评价方法的研究已经成熟，但如何设计地理研究性学习活动等涉及实际操作层面的研究却比较少。本文拟对如何设计地理研究性学习活动以及需要注意的基本问题进行初步探讨。     

深度学习支持下的地图图片典型地理目标检测

针对地图图片中典型地理目标识别问题,本文首先介绍了两种基于深度学习的目标检测方法(YOLO网络和采用focal loss替换交叉熵损失函数的RetinaNet网络),然后将地图图片分别输入两种神经网络模型中进行训练和测试,最后对目标检测结果进行对比分析。结果表明,RetinaNet网络模型对地图图片进行目标检测的准确率有明显提高,且运行速度依然可达秒级。该地理目标检测方法的高准确度与高效性可在地图审查时节约大量人力、时间成本,为地图内容智能理解及互联网地图监管提供了新的技术参考。     

基于Faster R-CNN的食品图像检索和分类

面向食品领域的图像检索和分类等方面的研究成为多媒体分析和应用领域越来越受关注的研究课题之一.当前的主要研究方法基于全图提取视觉特征,但由于食品图像背景噪音的存在使得提取的视觉特征不够鲁棒,进而影响食品图像检索和分类的性能.为此,本文提出了一种基于Faster R-CNN网络的食品图像检索和分类方法.首先通过Faster R-CNN检测图像中的候选食品区域,然后通过卷积神经网络（CNN）方法提取候选区域的视觉特征,避免了噪音的干扰使得提取的视觉特征更具有判别力.此外,选取来自视觉基因库中标注好的食品图像集微调Faster R-CNN网络,以保证Faster R-CNN食品区域检测的准确度.在包括233类菜品和49 168张食品图像的Dish-233数据集上进行实验.全面的实验评估表明：基于Faster R-CNN食品区域检测的视觉特征提取方法可以有效地提高食品图像检索和分类的性能.