超大规模栅格数据管理系统的设计与实现

本文基于HDFS分布式文件系统和Spark分布式分析框架,首先,构建了超大规模栅格敎据管理系统,实现了不切片动态渲染分布式栅格地图服务,并采用移动计算到数据的策略和多级缓存机制,极大提高了动态渲染性能;然后,设计了栅格分布式分析数据模型RasterRDD,并利用Spark框架多节点分布式计算能力,大幅提升了栅格分析效率;最后,通过发布全国D0M和DEM栅格分布式地图服务,进行动态渲染和坡度分析性能验证,能够满足超大规模栅格数据的高效浏览、存储和分析。

基于多源数据的管道沿线功能区识别方法

传统的管道沿线功能区识别方法以人工现场踏勘的方式进行,受识别人员经验和对识别工作的熟练程度影响,识别效率有限。基于高分辨率遥感影像,利用深度学习方法实现高后果区建筑物的高精度提取。利用改进的网络模型与现有成熟的语义分割模型在公开数据集上进行对比实验,结果表明,该建筑物提取网络具有更高的建筑物解译精度。结合兴趣点(Points of Interest,POI)与开放街道地图(Open Street Map,OSM)数据,采用密度峰值聚类分析法计算各类型数据的频率密度,从而实现管道沿线功能区的识别。将该方法应用于西气东输某管道的高后果区功能区识别中,共识别出包括居住区、公共服务区、工业区、商业区、交通设施区及农业区6类功能区。该方法能够准确、快速地对人员密集型场所进行识别,可进一步提升高后果区识别的准确率和效率。(图7,表2,参23)

基于高分辨率遥感影像的管道高后果区识别方法

管道高后果区识别工作主要依据GB 32167—2015《油气输送管道完整性管理规范》开展,但由于缺乏有效技术手段的支撑,标准中的定量识别判据对实际识别工作的指导作用受限,从而导致识别工作的效率以及识别结果的准确率不高。为此,提出基于高分辨率遥感影像的高后果区识别方法,采用卷积神经网络和条件随机场组合模型,通过管道中心线两侧缓冲区的建立和基于线性参考的管段划分,实现管道沿线建筑物的自动检测与提取,最后,应用几何计算完成全线高后果区识别。利用该方法对某管道高后果区进行了识别,识别的准确率与召回率分别为93%、90%,大幅提高了高后果区识别的效率与准确性。研究成果可为管道高后果区的高效、定量识别提供技术指导,具有良好的应用前景。