迁移学习支持下的高分影像山地滑坡灾害解译模型

无人机低空遥感是近年来新兴的一种快速获取灾情信息的手段,如何利用无人机高分影像构建滑坡灾害解译模型是实现快速自动解译滑坡的关键。针对该问题,对比了多种影像特征提取方法,将迁移学习(TL)特征和支持向量机(SVM)引入到构建滑坡灾害自动解译模型中,提出了一种TL支持下的高分影像滑坡灾害解译模型。选取5·12汶川地震及4·20芦山地震系列无人机影像构建了滑坡灾害样本库并进行了实验,TL特征方法整体分类准确度ACC为95%,ROC达到0.98,识别准确率达到97%。结果表明,所提方法可用于高分影像滑坡自动解译,同时可用于大面积高分影像中快速山地滑坡灾害定位及检测。     

高建筑对周围建筑雷击保护距离的模拟

在已有先导连接参数化方案的基础上,选取近地面层为研究区域,保持方案中其他基本参量不变,通过改变闪电的空间形态,在同一建筑分布的背景下进行多次闪电模拟。研究多个建筑之间的屏蔽作用以及建筑雷击保护距离与建筑相关特征参数之间的关系,结果表明:高建筑对矮建筑具有屏蔽作用,并存在一个临界保护距离,当高、矮建筑高度分别为190 m和165 m,宽度均为20 m时,建筑之间的距离在12 m以内,矮建筑受高建筑完全保护不遭受雷击;建筑之间的距离超过12 m,矮建筑遭雷击次数明显增多。     

利用多光谱卫星遥感和深度学习方法进行青藏高原积雪判识

青藏高原积雪对全球气候变化十分重要,针对已有积雪遥感判识方法中普遍采用的可见光与红外光谱数据易受复杂地形与高海拔影响,导致青藏高原地区积雪判识精度较低的问题,提出了一种基于多光谱遥感与地理信息数据特征级融合的积雪遥感判识方法:以风云三号卫星可见光与红外多光谱遥感资料与多要素地理信息作为数据源,由地面实测雪深数据与现有积雪产品交叉筛选出样本标签,构建并训练基于层叠去噪自编码器(SDAE)的特征融合与分类网络,从而有效辨识青藏高原遥感图像中的云、积雪以及无雪地表。经地面实测雪深数据验证,该方法分类精度显著高于使用相同数据源的FY-3A/MULSS积雪产品,略高于国际主流积雪产品MOD10A1与MYD10A1,并且年均云覆盖率最低。试验结果表明该方法可有效地减少云层对积雪判识的干扰,提升分类精度。     

历史数据和强化学习相结合的低频轨迹数据匹配算法

针对低频(采样间隔大于1min)轨迹数据匹配算法精度不高的问题,提出了一种基于强化学习和历史轨迹的匹配算法HMDP-Q,首先通过增量匹配算法提取历史路径作为历史参考经验库;根据历史参考经验库、最短路径和可达性筛选候选路径集;再将地图匹配过程建模成马尔科夫决策过程,利用轨迹点偏离道路距离和历史轨迹构建回报函数;然后借助强化学习算法求解马尔科夫决策过程的最大回报值,即轨迹与道路的最优匹配结果;最后应用某市浮动车轨迹数据进行试验。结果表明:本文算法能有效提高轨迹数据与道路匹配精度;本算法在1min低频采样间隔下轨迹匹配准确率达到了89.2%;采样频率为16min时,该算法匹配精度也能达到61.4%;与IVVM算法相比,HMDP-Q算法匹配精度和求解效率均优于IVVM算法,16min采样频率时本文算法轨迹匹配精度提高了26%。     

改进多面函数拟合跨带区域高程异常的研究

针对跨带区域高程异常拟合中存在的问题,该文以多面函数模型为背景,分别采用直接法和分带法,提出采用大地坐标(B,L)作为核函数参数的改进多面函数模型,对跨带区域高程异常进行拟合。通过某跨带区域GPS水准网数据验证,结果显现了改进后多面函数模型在跨带区域拟合上的优势,其外符合精度相比其他函数模型有显著提高。     

混合核特征加权SVM遥感湿地空间分类

针对湿地空间信息的复杂性和SVM的分类性能,设计一种基于混合核函数的特征加权SVM分类模型,综合利用多种特征信息,避免被弱相关特征所支配,从而提供更佳的映射性能和泛化能力。实验结果表明,该分类模型兼具良好的外推和内推能力,能够有效地融合不同信息源特征,得到更完整和准确的分类结果,在总体精度、Kappa系数等多项指标上都表现出更高的水平。     

思维导图方法的教学实践

思维导图在国内外已有多项研究证明思维导图在促进学生创新思维发展上有作用。在测绘类学科的高校教学中引入思维导图这种学习和工作方法,用在测绘本科教学改革中的讲座责任制授课模式上,通过在测绘本科教学方法改革的需求分析、应用实践和学生调查统计,得出结论:思维导图用于测绘类高校教学中,有利于提高学生创新思辨和自主学习能力,有助于达到以"能力"为核心的测绘专业人才培养目标。     

基于MOOC集结思想的地图学自主学习模式探讨

大型开放型网络课程(MOOC)是国际高等教育发展的新趋势,对高校课程学习的影响极大。该文对MOOC深入剖析之后发现其集结思想可以运用到高等教育教学中,并以地图学课程教学为例,针对目前地图学课程教学存在的问题,借助MOOC集结思想改进地图学教学,以学生自主学习促进地图知识掌握,以天水师范学院地理科学专业学生为教学对象进行了教学实践,制订了详细的教学计划和实践环节。在实施过程中发现,该方法提高了学生对地图学的学习兴趣,得到了较好的效果。     

A support vector machine classifier based on a new kernel function model for hyperspectral data

The kernel function is a key factor to determine the performance of a support vector machine (SVM) classifier. Choosing and constructing appropriate kernel function models has been a hot topic in SVM studies. But so far, its implementation can only rely on the experience and the specific sample characteristics without a unified pattern. Thus, this article explored the related theories and research findings of kernel functions, analyzed the classification characteristics of EO-1 Hyperion hyperspectral imagery, and combined a polynomial kernel function with a radial basis kernel function to form a new kernel function model (PRBF). Then, a hyperspectral remote sensing imagery classifier was constructed based on the PRBF model, and a genetic algorithm (GA) was used to optimize the SVM parameters. On the basis of theoretical analysis, this article completed object classification experiments on the Hyperion hyperspectral imagery of experimental areas and verified the high classification accuracy of the model. The experimental results show that the effect of hyperspectral image classification based on this PRBF model is apparently better than the model established by a single global or local kernel function and thus can greatly improve the accuracy of object identification and classification. The highest overall classification accuracy and kappa coefficient reached 93.246% and 0.907, respectively, in all experiments.     

Grid pattern recognition in road networks using the C4.5 algorithm

Pattern recognition in road networks can be used for different applications, including spatiotemporal data mining, automated map generalization, data matching of different levels of detail, and other important research topics. Grid patterns are a common pattern type. This paper proposes and implements a method for grid pattern recognition based on the idea of mesh classification through a supervised learning process. To train the classifier, training datasets are selected from worldwide city samples with different cultural, historical, and geographical environments. Meshes are subsequently labeled as composing or noncomposing grids by participants in an experiment, and the mesh measures are defined while accounting for the mesh’s individual characteristics and spatial context. The classifier is generated using the C4.5 algorithm. The accuracy of the classifier is evaluated using Kappa statistics and the overall rate of correctness. The average Kappa value is approximately 0.74, which corresponds to a total accuracy of 87.5%. Additionally, the rationality of the classifier is evaluated in an interpretation step. Two other existing grid pattern recognition methods were also tested on the datasets, and comparison results indicate that our approach is effective in identifying grid patterns in road networks.