论第二次土地调查与土地详查的主要区别

本文针对第二次全国土地调查任务与特点,阐述了土地详查与第二次土地调查在调查技术手段,土地分类标准,面积量算与检查方式等方面存在的主要差异,以利于更好的理解与掌握第二次土地调查中的相关技术要点,提高土地调查的效率与成果质量。     

基于高光谱Hyperion数据的线性光谱混合模型与神经网络模型的比较

混合像元问题是定量遥感中的热点问题之一,为了改进从遥感数据中提取定量信息,人们建立了各种混合光谱分解技术,其中线性光谱混合模型和神经网络模型就是两种比较成熟的方法。以陕西省横山地区的高光谱Hyperion数据为研究基础,通过最小噪声变换(MNF)、像元纯度指数(PPI)转换和RMS误差分析的迭代方法相结合提取影像中的纯净像元作为终端端元。分别运用神经网络模型和线性光谱混合模型对影像进行光谱分解,得到各个组分的分解图像。以标准植被指数(NDVI)影像为衡量标准,选取训练样本点,分别对两种模型进行回归分析,结果显示NDVI影像与线性光谱混合模型植被分解图像的判定系数(R2=0.91)要大于其与神经网络模型的判定系数(R2=0.81)。进一步分析表明在一般情况下,线性光谱混合模型具有比神经网络模型略高的分离精度,但是神经网络模型对细部信息的提取的效果要好于线性光谱混合模型,最后提出了端元均方根误差(EAR)指数,一种新的混合像元分解的思路。     

Group K-Nearest Neighbors queries in spatial network databases

This paper addresses the problem of Group K-Nearest Neighbors (GKNN) queries in spatial network databases, and suggests a novel approach based on real network distances. This approach essentially uses network Voronoi diagram properties together with a progressive incremental network expansion for determining the inner network distances that are needed to obtain GKNN queries.      

Voronoi图的首最邻近递归收敛特性及其应用

讨论了Voronoi图的首最邻近递归收敛特性,即从任一伪最邻近对象开始,递归查找其首最邻近对象,最后必然收敛于最邻近对象.利用该特性,初步实现了移动目标直接邻近对象的连续查询.     

基于可分解马尔科夫网的极端椒盐噪声图像滤波

提出了一种基于可分解马尔科夫网(decomposableMarkovnetworks,DMN)的极端椒盐噪声的均值滤波方法,指出其网络节点的阈值衰减特性和网络节点的连接特性具有很好的对椒盐噪声污染图像的噪声定位的作用,并提出一种在该网络控制下,只对与噪声相关的像素进行均值计算以替代噪声像素的亚均值滤波算法,实现了图像的较强自适应滤波。实验表明,本文方法具有良好的滤波性能。     

隧道GPS网对横向贯通误差的影响

本文在阐述隧道工程独立坐标系和隧道ＧＰＳ网数据处理方法的基础上推导出ＧＰＳ网对横向贯通误差影响的通用计算公式，分析了隧道ＧＰＳ网基准数据位置对横向贯通误差的影响。     

Pixel‐oriented land use classification in energy balance modelling

Mass and energy transfer between soil, vegetation and atmosphere is the process that allows to maintain an adequate energy and water balance in the earth–atmosphere system. However, the evaluation of the energy balance components, such as the net radiation and the sensible and latent heat fluxes, is characterized by significant uncertainties related to both the dynamic nature of heat transfer processes and surfaces heterogeneity. Therefore, a detailed land use classification and an accurate evaluation of vegetation spatial distribution are required for an accurate estimation of these variables. For this purpose, in the present article, a pixel‐oriented supervised classification was applied to obtain land use maps of the Basilicata region in Southern Italy by processing three Landsat TM and ETM+ satellite images. An accuracy analysis based on the overall accuracy index and the agreement Khat of Cohen coefficient showed a good performance of the applied classification methodology and a good quality of the obtained maps. Subsequently, these maps were used in the application of a simplified two‐source energy balance model for estimating the actual evapotranspiration at a regional scale. The comparison between the simulations made by applying the simplified two‐source energy balance model and the measurements of evapotranspiration at a lysimetric station located in the study area showed the applicability and the validity of the proposed methodology. Copyright © 2012 John Wiley & Sons, Ltd.     

点云中混合像元的探测与剔除算法

针对地面三维激光扫描仪扫描过程中产生混合像元的问题,通过对混合像元产生原理和相关特性的分析,提出了一种用于探测和剔除混合像元的算法,并且编制相应的计算机程序予以实现。同时以球体作为实验扫描对象,用混合像元剔除算法对扫描过程中产生的混合像元予以剔除,并比较了混合像元剔除前后点云拟合模型与实际物体在尺寸上及拟合精度的差异,从而验证了该算法的有效性和实用性。混合像元探测与剔除算法可以为后期进行的点云配准、特征提取和曲面建模等工作提供更精确的点云。     

浅谈ADS100与ADS80航摄数据制作DOM的区别

随着摄影测量技术的发展,航摄影像的应用越来越广泛。本文针对目前应用较广泛的ADS80、ADS100相机在硬件组成、技术参数、利用像素工厂制作数字正射影像的区别进行了对比与分析,并探讨总结了生产正射影像过程中需要注意的问题,为今后的生产过程提供参考。     

结合像元分解和STARFM模型的遥感数据融合

高空间、时间分辨率遥感数据在监测地表快速变化方面具有重要的作用。然而,对于特定传感器获取的遥感影像在空间分辨率和时间分辨率上存在不可调和的矛盾,遥感数据时空融合技术是解决这一矛盾的有效方法。本文利用像元分解降尺方法(Downscaling mixed pixel)和STARFM模型(Spatial and Temporal Adaptive Reflectance Fusion Model)相结合的CDSTARFM算法(Combination of Downscaling Mixed Pixel Algorithm and Spatial and Temporal Adaptive Reflectance Fusion Model)进行遥感数据融合。首先,利用像元分解降尺度方法对参与融合的MODIS数据进行分解降尺度处理;其次,利用分解降尺度的MODIS数据替代STARFM模型中直接重采样的MODIS数据进行数据融合;最后以Landsat 8和MODIS遥感影像数据对该方法进行了实验。结果表明:(1)CDSTARFM算法比STARFM和像元分解降尺度算法具有更高的融合精度;(2)CDSTARFM能够在较小的窗口下获得更高的融合精度,在相同的窗口下其融合精度也高于STARFM;(3)CDSTARFM融合的影像更接近真实影像,消除了像元分解降尺度影像中的"图斑"和STARFM模型融合影像中的"MODIS像元边界"。