基于GIS的城镇低效用地信息监管平台设计

针对城镇低效用地信息缺乏有效管理的问题,综合利用ArcGIS Server、ArcGIS API for JavaScript、ArcGIS Engine、SQL Server、Layui、Spring Boot、无人机高空全景等技术设计了城镇低效用地信息监管平台。该平台采用B/S与C/S混合架构,实现了调查成果数据管理、低效用地数据管理、空间规划数据管理、改造项目动态监管、国土空间数据入库、低效用地识别等功能模块,具有数据集成化、识别自动化、对比灵活化、空间可视化等特色。通过实际应用验证了该平台的有效性,提升了低效用地信息管理效率,具有较大的推广价值与应用前景。

基于BiLSTM-CRF与分类分层标注的微博中突发事件时空信息精细识别方法

针对现有方法从微博中识别时空信息精度较低且相对粗略的问题,该文提出基于双向长短期记忆网络和条件随机场(BiLSTM-CRF)与分类分层标注的微博中突发事件时空信息精细识别方法(MFISIE)。首先,设计一套适用于微博中突发事件的分类分层时空信息标注体系(CHSIAS),构建微博语料库;然后,结合BiLSTM-CRF构建微博时空信息识别模型,并利用117567条标注的微博语料进行实验。结果表明:与人民日报语料标注体系相比,CHSIAS与CRF、BiLSTM、BiLSTM-CRF 3种方法结合进行时空信息识别,F值均较高,且可获得多层级、精细化的突发事件时空信息,其中,基于BiLSTM-CRF的MFISIE方法的F值(91.2%)最高。使用CHSIAS时,BiLSTM-CRF对时间信息的识别效果最好,其对兴趣点、建筑物和相对位置描述识别结果的F值比BiLSTM方法分别提升了8.8%、6.3%和12.3%,比CRF方法分别提升了7.1%、7.7%和8.9%。MFISIE可更精确地提取微博中突发事件的时空信息,为突发事件应急信息的快速感知与精准应用提供技术支撑。

一种快速等面积分割平面简单多边形的算法

针对平面简单多边形按相等面积划分问题,设计了一种顾及形态特征和面积精度的快速分割算法。首先计算出多边形的最小面积外包矩形(M ABR),确定其短轴方向为分割方向;然后根据MABR的长边距离与分块数计算出长边上的距离等分点,根据这些点构建初始分割线,并利用第一条分割线对多边形进行粗略分割;根据分割出的左多边形面积与目标分块面积差值转换成分割线的平移距离,沿长轴方向平移分割线,分割多边形,不断迭代,进行精细分割,直到满足面积精度要求;最后对分割出的右多边形按上述方法继续分割,直至完成分块。实验结果表明,相对于现有的两种算法,该算法的分割精度提升了1~2个数量级,处理性能分别提升了4127倍和7135倍。

面向国土企业的智慧办公系统设计与实现

利用ASP.Net MVC、HTML5、WebGIS、GPS、云数据库等技术,设计并实现了一套面向从事国土业务的中小型企业的智慧办公系统。该系统包含Web端和移动端,主要实现了人事管理、行政管理、资产管理、项目管理、财务管理、档案管理、流程管理,车辆管理等功能模块。系统的应用有利于提高企业的办事效率,节约资源、人力、物力和财力,并提升领导决策能力。

顾及时空关系的事故灾难事理图谱构建方法研究

事故灾难事理图谱可以全面表达事故发展过程、各子事件信息及多种事件关系,为事故灾难分析提供知识服务。针对事故灾难事理图谱构建中存在的时空关系中文语料匮乏、中文词汇边界模糊导致事件抽取不准确、隐式事件关系难以识别的问题,提出一种顾及时空关系的事故灾难事理图谱构建方法。该方法首先设计了基于命名规律性的词汇增强事件抽取模型,感知实体名称规律以确定事件信息边界和类型,然后采用一种融合注意力和门控空洞卷积的关系识别方法,获取多维度文本特征来挖掘潜在事件关系,并建立了含时空关系的中文事故灾难语料库(Chinese disaster corpus with spatiotemporal relationship,CDCSTR)。在CDCSTR和中文突发事件语料库上进行实验,结果表明,事件抽取模型的F1值分别达到88.59%和78.49%;与现有方法相比,关系识别模型在CDCSTR上的4个任务性能均有提升,尤其是空间关系识别优势明显,取得了3.08%以上的性能领先。以成乐高速追尾事故为例进行验证,构建的事理图谱能展示现实场景下的事故演化过程和时空变化特征,辅助事故应急工作。

一种面向多尺度面状居民地匹配的Voronoi图自适应构建算法

针对现有基于发生元离散化思想的Voronoi算法在计算效率与边界位置精度之间难以平衡控制的问题,提出了一种基于邻居对分类插值策略的面向多尺度面状居民地匹配的Voronoi图自适应构建算法(adaptive Voronoi diagrams algorithm for matching multi-scale areal residential areas, AVARA)。首先,利用居民地多边形的质心构成的Delaunay三角网计算出居民地邻居对;其次,根据邻居对之间的最小距离及其最小面积外包矩形的边长最小值的大小关系将邻居对分类;然后,根据邻居对类别采用相应的方法在居民地边界上自适应地内插点;最后,基于内插点集及居民地的顶点集构建居民地的Voronoi图。利用1∶10 000和1∶50 000居民地数据进行了Voronoi图实验,结果表明,在1∶10 000数据中,AVARA在局部位置精度与时间性能方面均优于通视点法、3 m及6 m等间隔内插点法;在1∶50 000数据中,与30 m等间隔内插点法相比,AVARA取得了较高的局部位置精度;与15 m等间隔内插点法相比,AVARA的位置精度稍微偏低,但时间性能提升了40%。可见,AVARA有效缓解了Voronoi图计算效率与边界位置精度的平衡控制问题。