水利工程施工中沉降测量误差形成原因及控制对策

水利工程在施工建设中会发生不规则或不均匀的沉降,在对沉降进行测量时,受多种因素影响,易出现较大的误差,严重威胁着工程安全。为此,提出结合小波神经网络算法对施工中的沉降误差数值进行计算,并设计误差计算控制流程,通过验证得出沉降测量的结果误差更小,工程应用价值比传统方法更高。根据实验结果提出了沉降误差控制建议,以期为水利工程沉降测量提供参考。     

基于深度学习的遥感图像匹配方法

目前,图像自动配准技术已成为图像配准领域中的研究热点之一。如何提高匹配精度是图像配准的关键步骤,基于此本文提出基于深度学习的匹配方法。首先,描述了卷积神经网络模型的网络结构,通过改善经典模型的网络结构,将其应用到影像匹配任务当中;其次,利用训练好的自适应网络模型来获取控制点的特征表达;最后,将控制点的特征表达通过欧式距离算法进行相似度匹配。实验结果表明,本文方法大幅降低了图像匹配粗匹配的错误率,为后续配准建立了良好基础,且对数据源具有良好的稳健性。     

CNN结合SLIC的PolSAR区域化分类

针对PolSAR分类易受散斑噪声影响出现"椒盐"现象的问题,提出一种CNN结合SLIC算法的PolSAR分类方法。选取荷兰Flevoland地区机载L波段全极化数据作为实验数据,通过Pauli、Huynen和Yamaguchi分解获取了9维特征向量,利用指定窗口尺寸内像素在特征维度的分布特征作为CNN的输入端,在选取实际标签作为训练集进行训练的基础上,通过对网络学习率和随机失活率等参数调整优选,经过200次迭代将影像分为大豆、小麦和建筑等15种地类,并结合SLIC算法获取区域化分类结果。实验结果显示总体分类精度达到97%,Kappa系数为0.94,效果明显优于传统SVM和Random Forest分类算法,同时对国产高分三号全极化数据进行了分类,证明了该分类算法的有效性。     

特征重标定网络的高光谱影像分类方法

高光谱影像特征的利用率对提高其分类精度具有重要意义。为充分利用影像的特征,提出了一种特征重标定网络的高光谱影像分类方法。该方法通过全局平均池化将特征图转换为具有全局信息的实数,利用全连接层与非线性层生成能够代表各通道相对重要性的权值,进而采取加权法完成初始特征的重标定。为验证该方法的有效性,选取PaviaU和KSC两组高光谱影像数据进行实验。结果表明,提出方法总体分类精度分别达到98.38%和95.61%,可为高光谱影像提供有效的类别判定特征,有助于提高影像分类精度并获取平滑的分类结果图。     

基于互联网数据的城市社区租金评估及 空间格局制图——以深圳市为例

准确刻画精细化尺度下的城市房租空间格局,对于研究城市居住行为、提高城市规划合理性十分重要。文章提出了一种基于互联网房租数据作为可靠数据源的城市房租空间格局制图方法。以深圳市作为研究区,通过广泛采集开放平台中用户发布的租房信息,绘制社区行政区尺度的房租空间分布图。房租空间制图涉及到对于没有样本数据区域平均房租的评估,因此,选取一系列与房租相关的房产属性、房屋区位及配套设施的评价指标,采用前馈神经网络技术构建评估模型。以2015年深圳市的住宅租赁市场作为研究对象,通过对结果的分析,以及与权威部门发布的统计数据进行比较,表明此方法能够有效地绘制社区尺度下城市房租的空间分布,模型预测结果的误差（%RMSE）为13.87%。所使用的互联网房租数据、POIs数据及前馈神经网络的建模工具均是开源的,而且所提出的方法论具有普适性,能够应用于其他研究区的房租空间格局制图,具有实践意义。     

融合浅层特征的深度卷积神经网络互花米草遥感监测方法

基于2018年10月份黄河口入海两侧的LANDSAT8 OLI影像,提取植被指数和缨帽变换分量共9维光谱特征,构建融合浅层特征的8层深度卷积神经网络(deepconvolutionalneuralnetwork,DCNN)分类模型,开展互花米草(SpartinaalternifloraLoisel)遥感监测的方法研究,并从不同的浅层特征来具体分析互花米草的监测结果。结果表明:(1)在分类方法上,DCNN模型的总体分类精度最高,达到90.33%,与支持向量机(support vector machine, SVM)、随机森林(random forest, RF)分类器相比,精度分别提高4.78%、2.7%,互花米草的生产者精度分别提高了2.56%、0.47%,说明在滨海湿地遥感影像分类中, DCNN有着更好的应用潜力;(2)融合浅层特征后, DCNN的总体分类精度和互花米草的识别精度分别提高了0.34%和3.25%,有效提高了对互花米草的监测能力。其中,融合归一化植被水分指数(NDII)浅层特征的DCNN分类方法中,互花米草的识别精度提高最多,为2.56%,比值植被指数(RVI)次之,为2.32%。研究结果可为互花米草的监测与管理提供技术与数据支撑。