顾及多模态数据特征关联的城市功能区识别方法——以武汉市为例

城市功能区在城市化建设当中扮演着重要的角色,城市功能区建模与分析对于规划城市土地布局和优化土地利用模式有着重要意义。目前在城市功能区建模与分析的研究中,仍存在多模态数据利用率低、关联特征损失大的问题,这导致难以精确捕捉城市空间结构信息。因此,本研究以武汉市中心区域为例,基于街景影像数据和兴趣点数据构建城市功能区识别方法。首先,将研究区域划分为500 m×500 m的格网单元,运用自然语言模型、深度学习、空间插值等方法来提取多维度的城市功能特征;其次,利用核典型相关分析方法提取多模态数据的关联特征,分析不同共享空间维度和相关性的关系;最后,基于建成环境特征、社会经济语义特征、拼接特征及关联特征的多维度特征构建随机森林功能区识别模型,并分别与两种常用数据模态进行对比评价。结果表明,本方法相较于没有顾及关联特征的模型准确度提高了3.4%。研究成果可为政府决策规划、城市发展评估提供帮助,推动城市化建设。

基于图顶点深度聚类的建筑物合并方法

建筑物要素合并是大比例尺地图缩编过程中实现空间结构简化的重要手段。基于综合规则的合并方法难以同时顾及要素形态、分布等诸多特征,受预设算法参数影响大,综合过程缺乏灵活性。针对这一问题,本文提出了一种基于图顶点深度聚类网络的建筑物合并模型,利用Delaunay三角网构建建筑物群组表征图模型,结合自编码器与图卷积网络学习剖分三角形的几何形态、空间分布特征,采用自监督学习方式实现三角形的聚类与分类(保留、删除),最终在不依赖样本条件下实现建筑物要素端到端智能化合并。试验表明,该方法对预设合并参数依赖低,能同时顾及建筑物要素的形态与分布特征。合并过程具有一定灵活性,合并结果能较好满足地图可视化要求。

高分影像密集建筑物Correg-YOLOv3检测方法

精准地检测建筑物目标对于城市规划、智慧城市建设和军事民事活动中均有重要意义。针对高分辨率遥感影像中密集型建筑物检测框重叠比高的问题,本文提出了一种Correg-YOLOv3(corner regression-based YOLOv3)检测方法,该方法以YOLOv3网络架构为基础,通过嵌入角点回归机制,增设一个关于顶点相对于边界框中心点的偏移量的额外损失项,扩展其输出维度,使其可同时输出矩形检测框及建筑物角点,实现密集分布的建筑物精准定位。最后,通过试验对本文方法进行定性和定量的评估。试验研究结果表明:本文方法检测精度、召回率、F1和平均精度分别达到了96.45%、95.75%、96.10%和98.05%,较原算法YOLOv3分别提高了2.73%、5.4%、4.1%和4.73%。因此,本文方法有效解决了高分影像中密集型建筑物的检测问题。

顾及全局特征和纹理特征的遥感影像超分辨率重建方法

由于遥感设备的性能限制,使得采集的遥感影像质量受到影响,低分辨率的遥感影像限制了遥感解译应用的精度。当前针对遥感影像的超分辨率重建研究仍然存在重建后的遥感影像地物全局信息和纹理细节不足的问题。因此,本文提出顾及全局特征和纹理特征的遥感影像超分辨率重建方法,该方法利用生成对抗网络的特征学习能力,并对模型全局和纹理进行增强。一方面,地物全局特征增强部分用于解决当前研究中超分辨率重建模型对低分辨率遥感影像中全局遥感地物信息没有重视和利用的问题。在生成网络中引入自注意力模块,以获取全局地物注意力图的方式将遥感影像中相距较远的地物信息作为重建过程的参考。另一方面,遥感影像纹理增强部分用于解决超分辨率重建模型中超分辨率影像纹理信息不足的问题。本文方法引入纹理损失以优化生成网络参数并增强超分辨率重建后影像中的纹理信息。另外,为避免重建结果中的“伪影”现象,研究采用权值归一化代替批量归一化方法。试验结果表明,本文方法在遥感影像超分辨率重建过程中能增强遥感地物特征,同时可以实现地物的纹理细节精细化恢复,而且超分辨率重建结果的图像质量评价指标SSIM、FSIM和PSNR值分别达到了0.756、0.595和26.005。

基于岩石新鲜面图像与孪生卷积神经网络的岩性识别方法研究

目前岩性识别多基于人工判别方法,需要一定的专业背景和丰富的判别经验。该文提出基于岩石新鲜面图像与孪生卷积神经网络结构的深度学习岩性自动识别方法,兼顾岩石数据的全局图像信息和局部纹理信息。首先利用孪生卷积神经网络中的子通道提取岩石图像的全局和局部特征信息,再将特征信息融合以构建统一描述子,最后根据描述子信息识别岩性。选取野外拍摄的岩石图像作为模型验证数据,通过专家命名构建深度学习样本库对模型进行验证和分析。实验结果表明,该文提出的基于AlexNet孪生卷积神经网络对岩石数据的适用性较强,对岩性的识别精度达89.4%,能很好地区分岩石类型。

基于卷积神经网络模型划分成矿远景区——以甘肃大桥地区金多金属矿田为例

大数据和高性能计算使得地质学可能突破种种主客观因素的限制,从传统的定性描述和不确定性作为特点转变为更全面的定量化发展阶段,即地质学更加注重通过挖掘复杂的多元地学数据间的关联关系来探究地质成因过程。为了厘清研究区多元化地质数据并划分成矿远景区,结合现代信息化新方法新技术,智能高效地帮助地学工作者提供辅助决策依据。以甘肃省大桥金矿为研究区,提出了利用一维卷积神经网络替代传统的人工计算,通过对研究区金多金属矿的地球化学元素及地球物理元素数据进行训练,挖掘研究区综合成矿信息,依据训练结果划分出4类成矿远景区。研究结果表明,地质成矿过程复杂,每一个成矿预测要素在地质成矿过程中均发挥重要的作用。在大比例尺度上,应用深度学习网络模型划分成矿远景区能客观地反映多元化地质数据本身的非线性特征,识别地质要素的空间特征,深层次提取和挖掘成矿异常信息,实现矿产资源智能化预测评价。

全空间地球信息系统软件关键技术与应用

随着地球信息系统应用领域、应用模式的不断拓展,地球信息系统相关技术和软件日益发展,但仍存在全空间三维立体模型构建的效率问题、多种数据类型和复杂关系的整合难题、大规模多源异构数据的渲染等问题。为此,基于MapGIS平台,从全空间认知模型与可视化、大数据管理、智能分析、智能化制图4个方面重点阐述全空间地球信息系统的关键技术。从多粒度、多类型、多变化、多关联等角度对现实世界实体进行抽象,建模形成全空间的认知模型。从海量、多样、实时的特性出发,阐述全空间信息系统需要的大数据管理技术。从知识驱动、人工智能及数据科学计算的角度,阐述全空间智能分析技术。从智能化的角度,阐述全空间地图制图技术、MapGIS平台架构及其应用推广价值,为全空间地球信息系统平台技术的发展提供参考与借鉴。

基于特征矩阵和关联图的空间场景相似性度量方法

为了解决包含不同实体数目的空间场景相似性度量问题,本文利用特征矩阵对空间场景进行描述,根据查询场景和数据库场景的特征矩阵生成场景关联图,利用关联图中的各种匹配圈获取空间场景集合,然后根据场景完整度和相似性度量模型计算场景集合中每个场景的匹配度,最后计算出最佳匹配场景,并对匹配结果进行分析评价。实验表明,该方法能够较好地度量不同实体数目的空间场景的相似性。

矢量面状要素几何相似性度量方法探讨

针对GIS面状要素由于具有旋转、平移、缩放等形状不变特性而导致相似性度量困难的问题,该文提出了完整的几何相似性度量模型:采用基于顶点中间度的轮廓特征点提取方法,能够在较小误差情况下充分表达原始图形,从而提高相似度计算效率;通过傅里叶描述方法对轮廓进行数学表达,截取能表达图形的前n阶因子,利用向量夹角余弦值理论度量归一化傅里叶描述子向量的相似度,顾及了图形的几何变换不变性。实验结果表明,该描述模型可有效地对GIS面状要素的几何相似性进行度量。

判别分析在干酪根类型分类的应用

影响干酪根的种类指标很多,采用单一的指标分类有很大的局限性。本文通过判别分析的方法,对干酪根的分类问题进行讨论。通过建立判别模型,对未知的样本进行分析,从而对其进行分类。该模型通过证明对干酪根种类判别错误率很低,预测精度很高,从而在实践中有很大的应用价值。

用于高分辨遥感影像场景分类的迁移学习混合专家分类模型

针对小样本遥感影像场景数据集中地物多样性和分布复杂性引起的分类精度低下的问题,提出一种基于迁移学习的混合专家(TLMoE)分类模型。该模型通过多通道充分利用包含场景全局信息的全连接层特征和包含场景局部细节信息的卷积层特征,能够实现更精确的场景分类。基于全连接层特征的预判通道,利用场景全局信息完成对全部类别场景的初判;通过专家通道为每类场景训练专属专家网络,针对性地挖掘各类场景卷积层特征中蕴含的关键局部信息,提取可区分相似场景间细微差异的局部特征,完成细粒度的识别;结合预判权重实现顾及场景全局及局部差异的分类。在小样本数据集上的实验表明,本文方法可有效识别易混淆场景,能够取得较好的分类效果。

自主可控智能化地图制图软件关键技术及应用

地图是人类认知世界和改造世界的产物,是国际上的三大通用语言之一,对于人类具有重要的社会意义.智能化地图制图是当前地图学的重要发展趋势,研制智能化地图制图软件系统是实现自动化、智能化地图生产的关键因素.

基于半监督神经网络的铜矿预测方法

将人工智能技术引入成矿预测研究中,可以提高预测效率,挖掘探测数据与结果之间的隐藏信息.利用半监督学习方法对样本构建要求低的优点,结合其在异常识别方面的应用效果,设计了基于分割准则的孤立森林与深度自编码网络的神经网络结构;基于西藏冈底斯地区的化探元素数据,对研究区内的铜矿进行了成矿预测工作,预测结果与已知矿区数据叠加效果较好,说明本文的神经网络结构能够完成成矿远景区的预测工作.