基于语义分割深度学习的找矿靶区预测研究——以广东省阳江-茂名地区为例

找矿靶区预测需要综合考虑地质背景、地球化学数据、地球物理勘探数据、遥感数据等因素。随着人工智能时代的到来,靶区预测可以最大限度地利用计算机运算性能,通过特定的规则集成所有地学数据对各类矿种的找矿靶区进行预测,尽可能规避由于数据种类多、数据量大、方法复杂、主观性强造成的预测结果可靠性差等问题。本文以广东省阳江-茂名地区为例,融合地球化学、地层岩性、地质构造、地形地貌等数据,基于PSPNet、SegNet、UNet三种语义分割深度学习模型进行预测,结果表明PSPNet模型在预测精度方面优于SegNet及UNet模型,并预测出了55处铁矿、金矿、铜矿、高岭土矿找矿靶区,其中79.7%的已查明矿点位于预测靶区内,表明该方法在找矿靶区预测中具有较高的可行性,可以用于找矿勘查并圈定靶区。     

卷积神经网络和视觉注意力语义分割模型在高分辨率遥感影像分类中的性能分析

随着深度学习语义分割的快速发展,基于计算机视觉语义分割模型的高分辨率遥感影像分类方法也大量涌现。为系统定量地研究经典的和先进的视觉语义分割模型在遥感影像分类中的性能,在总结深度学习语义分割进展的基础上,选择9种基于卷积神经网络(CNN)和视觉注意力的语义分割算法,对米级和厘米级2个尺度的遥感数据集进行分析研究。在模型构建上基于计算机视觉通用的语义分割框架,训练时采用红绿蓝3波段遥感图像并基于ImageNet预训练权重进行迁移学习训练。研究结果表明：通用的语义分割模型通过常规训练设置进行训练能取得较好的遥感影像分类效果,部分地物的交并比(IoU)可以达到90%以上;基于视觉注意力的遥感影像分类模型的精度普遍高于基于CNN的模型,且MaskFormer能更有效地提取离散的地物信息;不同类别的精度最高值并不全在总体最优模型中,部分会存在于次优模型中;类似的地物在更高分辨率遥感数据集中可以获得更高的精度。     

基于图的语义室内导航模型构建研究

室内空间模型是室内导航的基础和关键所在,针对当前多数室内空间模型在建模过程中只考虑部分导航相关的影响因素,适用范围有限这一问题,结合室内导航特点,综合考虑用户室内移动特征、几何和语义信息表达、路径规划效率3个方面的建模影响因素,提出一种基于图的语义室内导航模型。基于图论的方法构建室内导航概念模型,然后在概念模型的基础上提出具体的几何图模型构建方法和语义信息表达方式,设计图模型中节点和边的数据结构,最后研究将该模型用于不同情景下室内路径规划的具体流程。     

椭圆搜索方式高程注记智能移位方法

针对在数字化成图中,利用已有商业成图软件进行高程点展绘常常发生高程注记压盖已有地物的情况,通常的做法是在图形编辑结束时手工移动高程注记,存在效率低下问题,该文提出了一种基于椭圆搜索方式实现高程注记智能移位以避让已有地物的算法。实验结果表明,该算法能够有效自动识别高程注记是否压盖已有地物,并进行有效避让处理,能够免除手工移点的繁琐工作;此法简单易行,能够满足实际的生产需要。     

基于改进包络回溯算法的点注记自动配置

地图注记的合理配置很大程度影响着地图的易读性,而注记配置效率的高低直接影响地图的成图效率。深入分析了当前点注记自动配置的多种算法,对传统包络回溯算法进行了改进,提出了顾及要素重要性分级的改进包络回溯算法来实现点注记自动配置。经实验验证,改进后算法提高了注记自动配置效率,满足合理配置的要求。     

基于FME实现AutoCAD Dwg向Shape数据转换

数据转换是实现GIS(Geographic information system)数据间互操作的重要手段之一。详细阐述目前实现数据转换的几种方法及存在问题,并以AutoCAD dwg数据格式为例,介绍如何利用FME(FeatrueManipulate Engine)语义转换实现AutoCAD dwg数据向GIS shape数据格式转换,并利用脚本程序进行批量处理,这在很大程度上提高了地籍数据入库的效率。     

地图自动注记插件的研究与实现

本文针对地图的自动注记问题,提出了一种对地理数据进行自动注记插件的设计方案,对插件开发过程中的注记算法设计、功能设计,以及接口设计等关键技术进行了研究和探讨,并通过实验结果对比说明,注记插件不仅可以解决一些疑难的注记问题,并且注记效果良好。     

Towards knowledge-based geovisualisation using Semantic Web technologies: a knowledge representation approach coupling ontologies and rules

ABSTRACT

Geovisualisation is a knowledge-intensive art in which both providers and users need to possess a wide range of knowledge. Current syntactic approaches to presenting visualisation information lack semantics on the one hand, and on the other hand are too bespoke. Such limitations impede the transfer, interpretation, and reuse of the geovisualisation knowledge. In this paper, we propose a knowledge-based approach to formally represent geovisualisation knowledge in a semantically-enriched and machine-readable manner using Semantic Web technologies. Specifically, we represent knowledge regarding cartographic scale, data portrayal and geometry source, which are three key aspects of geovisualisation in the contemporary web mapping era, coupling ontologies and semantic rules. The knowledge base enables inference for deriving the corresponding geometries and portrayals for visualisation under different conditions. A prototype system is developed in which geospatial linked data are used as underlying data, and some geovisualisation knowledge is formalised into a knowledge base to visualise the data and provide rich semantics to users. The proposed approach can partially form the foundation for the vision of web of knowledge for geovisualisation.     

高分辨率遥感影像语义分割的半监督全卷积网络法

在遥感领域,利用大量的标签影像数据来监督训练全卷积网络,实现影像语义分割的方法会导致标签绘制成本昂贵,而少量标签数据的使用会导致网络性能下降。针对这一问题,本文提出了一种基于半监督全卷积网络的高分辨率遥感影像语义分割方法。通过采用一种集成预测技术,同时优化有标签样本上的标准监督分类损失及无标签数据上的非监督一致性损失,来训练端到端的语义分割网络。为验证方法的有效性,分别使用ISPRS提供的德国Vaihingen地区无人机影像数据集及国产高分一号卫星影像数据进行试验。试验结果表明,与传统方法相比,无标签数据的引入可有效提升语义分割网络的分类精度并可有效降低有标签数据过少对网络学习性能的影响。