基于深度学习的高分辨率遥感影像自然要素提取方法

针对土地利用调查手段中实地调查效率低下、遥感影像识别分析不精确等问题,本文提出一种融合U-Net深度学习网络与神经网络大模型Segment Anything Model(SAM)的高分辨率遥感影像识别方法,结合二者优势实现了对耕地及其他自然要素快速精细化识别分类。试验表明:U-Net网络在识别三大主粮(水稻、玉米、小麦)时的准确率和召回率均超过90%,达到了很好的识别效果;其次利用SAM模型对自然要素粗提取结果进行边界优化后,精细化提取要素边界与实际情况更为符合,结果更为准确。

加权移动平均与曲线拟合模型在沉降监测中的应用

以建筑物的安全运营为首要目的,结合全球导航卫星系统高精度定位监测技术,采用事后处理软件解算监测点的三维坐标。本文分别利用加权移动平均法和曲线拟合法处理原始沉降观测数据,分析建筑物沉降变形规律,通过建立相应预测模型拟合数据,将实测值与拟合值作对比,详细论述模型精度及拟合程度,并对建筑物后期变形趋势进行预报分析。试验分析表明,2个预测模型的拟合值符合建筑物的沉降变形规律,验证了模型在沉降监测应用中的有效性及可行性。

基于北斗RTK的安卓管网GIS系统开发

研究了移动GIS开发技术,并且接入北斗接收机实现移动GIS的手簿差分,在Android端实现厘米级RTK定位,在地图方面切片高精度栅格和矢量底图,实现GIS数据的符号化显示、放样、数据采集及属性查询,矢量GIS的分级数据加载,避免了GIS数据运行卡顿的情况,在巡查中定位精度可达2—5 cm,已应用在管网巡检项目中,且效果良好。

深度学习倾斜三维模型车辆去除算法

针对倾斜三维模型中车辆运动导致的车辆变形问题,本文提出了深度学习倾斜三维模型车辆去除算法。首先利用深度目标检测网络对三维模型中的车辆进行检测,定位车辆的位置;然后利用深度图像修复算法对车辆进行擦除,自动填充道路纹理。相较于基于Photoshop的手工车辆去除方法,该方法可有效提高作业效率。

基于深度学习的土地违法施工场景监测研究

土地利用保护是国土资源管理的一项重要职能,高点视频影像为土地利用保护提供了一种实时全天候的监测手段。为实现基于视频影像的自然资源疑似违法建设自动化监测和预警,将违法建设、违法施工等监测转化为建筑施工机械等内容的检测,提出了一种基于深度学习的土地违法施工检测方法。首先利用视频监控影像对施工机械进行样本训练,然后基于深度学习目标检测方法YOLOv3实现建筑施工机械检测,进而实现疑似违法建设预警。实验证明,该方法可从视频影像中自动化检测出施工机械,且可靠性较高,可为全天候耕地疑似违法施工预警提供技术支撑。

基于深度学习的农业大棚检测

农业大棚的即时空间分布信息能为相关农业部门提供农业管理和资源分配的依据,具有重要意义。针对这一需求,对比分析了深度学习模型FCN,UNet和HRNet在高分辨率遥感影像大棚检测任务上的性能,对FCN,UNet和HRNet模型在大棚检测方面的效果进行定量和定性分析。通过对比发现UNet等网络模型正确率均可达到90%以上,交并比IOU达到85%以上,其中HRNet的效果最好,正确率和IOU分别为92.79%和87.32%。实验表明基于深度学习的大棚检测方法可为快速精确获取大棚分布信息提供技术支撑,具有实用价值。

GNSS多系统动态精密单点定位性能分析

文中在GPS精密单点定位(PPP)理论与方法的基础上,给出了多系统组合的精密单点定位技术观测模型,采用GPS、GLONASS、GALILEO、BDS四大卫星导航定位系统的实测数据,研究并分析了四系统组合PPP的定位性能。结果表明,多系统PPP精度较单系统有很大提高,GPS+GLONASS+GALILEO+BDS四系统组合动态PPP在三个方向平均偏差约为0.7cm、0.6cm和1.7cm,收敛时间为15~20min左右,并且多系统PPP在截止高度角增大时,依然有充足的卫星数量,当截止高度角达到30°时,依然能达到cm级定位精度,对机载动态数据进行PPP解算结果显示,四系统组合解算的结果与利用GrafMov的解算结果符合得最好,优于其他双系统和单系统PPP的精度。

星间差伪距/伪距率BDS/GPS/INS紧组合系统

针对GPS/INS紧组合定位定姿中GPS单模系统抗干扰性差和安全性低的问题,提出在不改变GPS/INS组合定位方程的前提下,利用BDS/GPS/INS多模组合的方式提高系统的可用观测量,使用星间差分的方式消除接收机钟差、钟差漂移等效距离误差的方法,不仅可以省去对上述误差进行建模,还能有效增加组合滤波器的稳定性,提高组合系统连续工作的能力。然后根据已有BDS/GPS单点定位测速理论,推导出星间差伪距/伪距率实时紧组合量测更新方程。实验结果表明,此方法能够较好提高组合系统的稳定性和持续工作能力。

基于单目序列影像的火点实时监测方法

火点监测技术在生态环保、灾害防治等领域的应用愈加广泛。为实现实时、全方位监测,提出了一种基于单目序列影像的火点实时监测方法。利用旋转相机对监测区域进行全方位巡航摄影,选取多帧影像进行位姿解算;热红外成像检测到火点后进行同位影像侦测,以排除光照和天气的影响;对目标影像进行模板匹配获取像方坐标,利用摄影测量共线方程计算火点的物方坐标,并转换为经纬度。通过实验验证了监测方法的可行性。

POS在铁路轨道不平顺性检测中的应用

为了进一步提高高速铁路轨道不平顺性检测的效率和精度,提出使用POS技术进行不平顺值检测的方法:在GNSS/INS松组合算法的基础上,同一测段多次测量,对GNSS差分结果和松组合结果分别进行线性优化;再把优化结果坐标转化到计算不平顺参数的坐标系中;然后按照各参数计算公式对比分析全站仪处理结果。实验结果表明:利用该方法计算30m弦长对应的各不平顺性参数的精度与全站仪给出的精度相当,且效率更高,能够满足高速铁路高精度、高效率的作业要求。

三维激光扫描和倾斜摄影技术在老旧建筑物提升改造项目中的应用

针对老旧建筑物竣工图纸缺失,无法为设计人员提供数据进行科学提升改造,传统测绘手段效率低、可视化差等问题,本文结合实际工程案例,采用两台Trimlbe X7站式三维激光扫描仪和大疆精灵4 RTK多旋翼无人机进行建筑物内外部数据采集;内业使用专业建模软件ContextCapture,以及点云处理软件TRW(Trimble Business Work)、AutoCAD Recap,进行点云配准、去噪、融合、数据格式转换等处理,使用T20天正建筑软件进行建筑物竣工图还原;通过与全站仪采集数据对比验证图纸精度。结果表明,绘制图纸尺寸中误差约为1.3 cm,满足设计人员对建筑物进行升级改造的精度要求。

基于ArcGIS Python的Shapefile批量合并方法实现与工具设计

在地理信息数据处理过程中,经常遇到将若干个Shapefile合并成一个的需求,利用ArcGIS工具箱的合并工具或利用编辑复制粘贴方法虽然可以实现,但操作烦琐,并且对数据的文件结构、字段结构、数据类型都有一定要求,实现过程效率低下并且易出错。利用ArcGIS Python制作工具实现Shapefile合并可以有效地规避上述问题,能够快捷准确地达到目的。

天津地区大气水汽含量时空分布变化

大气中的水汽是大气中重要的组成部分,水汽含量在人类日常生活中扮演重要的角色,大气水汽含量探测工作对于水汽循环、水汽输送、人工降水以及水资源评估等气象研究具有重要意义。本文对高质量的欧洲中期数值预报中心(ECMWF)再分析资料的进展进行了介绍,并且利用该资料对天津地区水汽含量的时空变化进行了分析,研究发现水汽含量的变化具有明显的季节性,受季风的影响显著。在空间分布上,天津上空水汽含量呈现从东部沿海往西部内陆地区逐步均匀减少的趋势,并且其上空的水汽含量呈现逐年增加的趋势,水汽含量的增加可能和温室效应有关。

高分影像场景分类的半监督深度卷积神经网络学习方法

传统基于深度卷积神经网络的场景分类方法往往需要大量标记样本用于模型的参数训练,在标记训练集数量有限的情况下,学习得到的特征泛化能力降低。针对这一问题,本文提出了高分影像分类的半监督深度卷积神经网络学习方法(3sCNN),采用自学习半监督策略,训练阶段不断增加训练样本:首先,通过有限的标记数据对深度网络进行初步训练;然后,利用经过初步训练的网络对未标记数据进行预测,得到未标记样本的预测标签及其对应的置信度;最后,将具有高置信度的未标记样本作为真实标记数据加入到训练集中,继续对网络进行训练并重复上述过程。为验证算法的有效性,本文在3个常用数据集上进行试验,试验结果证明本文算法可以有效提高有限样本下高分影像场景分类精度。

深度度量学习高分遥感影像场景分类方法

针对高分影像场景类内差异性大、类间差异性小的问题,本文将度量学习应用到遥感影像场景分类中,提出了深度度量学习高分遥感影像场景分类方法(DMCNN)。该方法通过应用对比测度和中心聚类两个约束损失函数,使得在深度特征空间同类样本彼此靠拢,且围绕对应的类别中心异类样本彼此间远离,进而增加场景类别在特征空间的差异性和辨别性,提升高分遥感场景分类精度。试验结果表明,该方法可以明显提高深度特征的辨别能力,有效地缓解了场景分类中相似场景图像之间的错分现象。

目标上下文卷积神经网络高分遥感影像语义分割

针对传统卷积神经网络高分影像语义分割方法中忽略全局影像中目标像素之间关系的问题,文章显式地对全局空间目标上下文建模,将目标上下文卷积神经网络用于高分遥感影像语义分割,使用的方法包含粗分割分支和精细分割分支两个分支网络。首先,利用粗语义分割分支获得每一个像素的类别概率分布;然后,基于得到的类别概率分布和精分割的特征图获得每个类别的特征中心,根据类别特征中心对每个像素进行编码得到融合全局目标上下文的编码特征;最后,将像素的编码特征和精分割特征叠加,作为最终的表达特征用于精分割分支的语义分割任务。为验证算法在高分遥感影像分割的有效性,文章在GID和WHU building两个语义分割数据集上进行实验。相比于PointRend网络,文章使用的方法将两个数据集上的MIoU指标分别提高了1.87和1.32。实验结果证明,该算法可以有效利用全局空间目标上下文进行特征融合,提高高分影像语义分割精度。

深度辨别性增强网络高分影像语义分割

针对高分遥感影像中同类地物方差大、类间方差小的现象所造成的错分问题,文章在分析深度网络分类器Softmax用于语义分割的基本原理的基础上,提出了基于深度辨别性增强网络的高分影像语义分割算法。该算法将Softmax中每一类对应的特征向量参数定义为该类对应的类别中心,在分类器Softmax中加入相似度惩罚因子,使得同类像素样本特征向量向其类别中心靠近,增加了深度特征的可辨别性。分别在高分二号数据集GID和SpaceNet Buildings 2个数据上进行实验。相比于对比算法,所提出的算法将GID数据的评价指标Kappa提高1.8,将SpaceNet Buildings数据的评价指标F 1 Score提高1.6,证明其可以显著提升高分遥感影像的语义分割精度。

不同观测时长的GNSS变形监测精度分析

采用全球导航卫星系统(Global Navigation Satellite System,GNSS)多系统组合定位技术可实时获取变形体的表面位移,是当前自动化监测的主要技术手段之一。本文采用基于北斗和全球定位系统(Global Positioning System,GPS)双频数据处理的组合定位方法,以提高GNSS变形监测的精度和可靠性,并结合自研的GNSS变形监测数据处理系统,通过解算变形监测实测数据,对比分析不同观测时长的监测精度,在1h观测时长定位精度可达到水平方向2mm以内,高程方向4mm以内,并且随着观测时段的延长,精度逐渐提高,12h观测时长在三个方向的坐标中误差均能达到1mm以内。

具有Klobuchar模型背景场的电离层插值方法研究

为了提高网络RTK中电离层插值的精度,提出一种具有背景场的电离层插值方法:在建立电离层模型时将Klobuchar模型作为背景场,结合基站实测的电离层数据,采用基于距离的线性内插模型最终确定流动站电离层信息。这种方法利用了背景场所提供的电离层时空变化特征,可提高电离层插值的精度。实验结果表明,在目前典型的基站间距条件下,该方法能将电离层插值精度提高10%左右,同时将网络RTK流动站定位精度也提高约10%。

基于北斗多普勒单点测速精度分析

阐述了多普勒频移的产生机制,分析了北斗不同频率上的多普勒测速原理和多普勒测速中各种误差的影响。最后采用北斗实测数据对B1、B2和B3上的多普勒观测值分别进行了多普勒测速解算,通过对测速结果的对比分析可知,B2和B3原始多普勒观测值的测速精度比B1分别高28.4和31.3%,B2和B3导出多普勒观测值的测速精度均比B1高71.4%。