基于本体协同的空间信息互操作方法

提出了基于标准空间信息本体和混合结构语义本体协同的地理信息系统互操作,通过本体的协同实 现基于标准空间本体的异构空间信息互通和基于异构语义本体分级匹配的空间信息重分类及语义互操作。

用贝叶斯分类方法和本体实现空间信息语义互操作

构建了异构空间信息系统语义互操作的框架,通过基于本体的语义异构空间信息的概念级匹配机制,并利用贝叶斯分类方法完成空间信息实例级的重分类,实现了语义互操作。

基于GML模式转换的异构空间数据集成

提出了基于GML模式转换的空间数据集成的可行性方案,阐述了该方案中的模式转换规则及空间映射关系,设计并实现了基于该模式转换规则的异构空间数据集成功能,验证了基于GML模式转换集成异构空间数据的可行性。

基于J2EE与ArcI MS的WebGIS构建研究与实践

设计了一个WebGIS应用系统的框架,构建了基于ArcIMS的空间信息服务体系,设计了基于非空间数据的业务逻辑计算的ＥＪＢ组件。

超级计算机在城市规划管理中的应用

超级计算机是助推科技及各学科发展的利器,但其巨大的存储和计算潜力未充分发掘。文中在分析超级计算机特点、城市规划管理面临的数据量膨胀、应用模型复杂化等问题的基础上,提出基于超级计算机的智能城市规划管理平台设计方案,并对平台的功能和性能指标进行阐述,最后将系统平台应用于广州全市DEM的并行坡度分析,对提出方法的可行性进行实验验证。

基于Generic组件库STL的3D GIS数据组织与调度方法

介绍了面向对象三维数据模型,分析了Generic组件库STL用于面向对象3DGIS的数据管理,提出了安全、高效管理面向对象的3DGIS数据方法,实践证明了其可行性和优越性。

适应于分布式虚拟地理环境服务的对等网络模型研究

阐述了分布式虚拟地理环境系统体系结构的研究现状,对当前分布式虚拟地理环境系统建设所面临的技术难点和挑战进行了深入探讨,在此基础上将对等网络技术引入到分布式虚拟地理环境系统的建设中。对现有的对等网络路由结构的适应性进行了深入的比较和分析,进而设计了一个适应于分布式虚拟地理环境服务的大规模对等网络模型,并对该模型进行了模拟测试和分析,达到了预期的效果。

基于深度卷积神经网络的遥感影像目标检测

随着遥感影像数据规模的快速扩张,如何高效准确地识别遥感影像中的典型目标成为当前的研究热点。为解决传统遥感影像目标检测方法准确率低的问题,用基于深度卷积神经网络进行遥感影像目标检测,在遥感影像数据集上用基于Faster-RCNN的神经网络模型对VGG16卷积网络进行训练,对输入的遥感影像通过区域推荐网络标注出待检目标的包围框和置信度,实现对遥感影像的目标检测。以飞机和油罐为例,在TensorFlow深度学习框架下实现了数据预处理、网络训练、目标检测等功能,并在当前测试数据集上取得了较高的检测准确率和置信度。该研究成果可应用于遥感影像解译和处理等相关领域。

基于访问相关性的空间数据副本控制策略

为解决地理信息系统面对用户大规模密集访问时由于缓存空间有限且热点数据较多,简单的根据数据的流行度选择副本难以适应用户突发性访问行为等动态需求的问题,提出一种综合考虑数据流行度及其相互关系的副本控制算法.首先,根据数据流行度确定热点数据集以减少热点数据规模和降低计算开销;然后计算热点数据之间的相互关系以得到其访问相关性;最后利用数据之间的访问相关性动态选择与当前正被访问数据相关性高的数据作为副本,从而为用户的下次访问提前准备数据,实现降低用户访问平均响应时间的目的.算法实验表明:相比于传统方法,所提出的综合副本控制算法可有效提高5.9%~29.9%的平均访问响应速度.

基于Faster R-CNN深度网络的遥感影像目标识别方法研究

遥感影像目标识别在众多领域中具有极高的理论意义与应用价值,更快速、更精确的目标识别方法研究是目前遥感及图像研究领域的热点与难点。本文将深度学习的方法应用于遥感影像目标识别中,提出基于Faster R-CNN深度学习网络的目标快速精确识别方法。该方法采用了包括基于RPN的建议区域提取方法和VGG16训练卷积网络模型,构建了面向遥感影像目标识别的深度卷积神经网络。为验证该方法的精度及性能,在Caffe深度学习框架上,选取高分辨率遥感影像中飞机、油罐、操场及立交桥目标进行验证实验。结果表明,基于Faster R-CNN的深度学习方法能够实现对遥感影像目标的快速、准确识别,同时具有较好的推广性。通过本文的研究,证明基于Faster R-CNN深度学习的高分遥感影像目标识别方法具有显著优势和潜力,对基于其他深度学习方法的目标识别研究也有一定的参考意义。