众源地理信息支持下的建成环境与户外慢跑关联交互

【目的】户外健身慢跑已成为城市居民提升健康水平的重要方式。探析城市建成环境与户外慢跑行为的关联交互,旨在为建立友好型人居环境提供科学依据。【方法】利用慢跑GPS轨迹、街景图片等众源地理大数据,在城市尺度测度户外慢跑行为和城市建成环境特征。采用地理探测器模型探究成都市主城区建成环境与慢跑行为的关联交互影响及其时空差异性。【结果】人口密度、土地利用混合度、公交站密度是户外慢跑空间分布的核心作用因子。建成环境因子两两交互后对慢跑流量的解释力均大于单因子,其中,人口密度和土地利用混合度二者的交互在50%程度上解释了慢跑活动的空间分异。部分环境因子对慢跑流量的交互影响会随着时间和土地利用类型的不同而变化。人口密度和土地利用混合度与其他建成环境因子呈现协同增强的交互影响,且核心交互因子对慢跑的解释力大小具有时空变化性。【结论】众源地理信息为大范围、低成本的感知测度人类行为和城市环境提供了新手段。系统解析建成环境对户外慢跑的关联交互影响,可为健康导向的城市设计提供决策建议。

众源地理信息研究现状与展望

众源地理信息作为新型地理信息模式,是指由互联网用户借助交互式平台,通过直接上传传感器数据或提供数字化劳动而贡献的地理信息数据。近20年来,众源地理信息热度上升,并受到越来越多研究者的关注,正在逐渐成为一种重要的地理信息数据来源。本文对近十几年来关于众源地理信息的中文和英文文献进行了系统性的分析与研究,力图展现出众源地理信息研究的发展现状,同时以这些研究发现的规律为基础,结合当前的国际形势,探讨了众源地理信息的发展机遇与挑战,同时对发展自主众源地理信息给出了建议。

众源地理数据的质量问题与研究进展

众源地理信息已成为我国全球测图的重要境外数据来源。质量是判断众源数据可用性的主要依据。重点探讨众源地理数据质量的特点、控制与评价的问题与研究进展。首先从生产者、比例尺、状态-版本关系、质量控制、完整性、逻辑一致性等方面与专业数据对比,分析了众源地理数据的质量特点。然后从平台控制和后处理两方面阐述了众源数据质量控制的研究进展;从整体与个体评价角度探讨了众源数据质量评价的问题与进展。最后指出众源数据的不完整、分布不均匀、个体质量评价的全覆盖与可靠性仍是众源地理数据质量提升与评价的难点问题。

基于多源数据匹配融合的OSM路网数据质量评估方法

针对日益增长的全球导航地图数据获取对众源地理信息的质量评估需求,选取全球覆盖率最高的开放街道地图OSM开展数据质量评估方法研究,提出一种可利用矢量路网数据和卫星遥感影像作为参考的实体级数据质量评估框架,将评估数据和参考数据进行自动匹配、融合和比对分析,从数据完整性、专题精度和定位精度3个方面对OSM路网数据进行质量评估。选择两个德国城市分别使用商业导航数据和高分辨率卫星遥感影像作为参考数据进行实验。实验结果表明:该方法不仅改进了传统的基于网格划分的质量评估方法,实现了在道路实体粒度上对OSM数据的有参质量评估,还引入了卫星遥感影像作为评估参考数据,方便了评估框架在缺乏矢量路网参考数据的地区应用,该方法可为众源数据质量审核与应用提供一种适用范围更广、自动化程度更高的实体级技术方案,有助于改变当前以人工作业编辑为主的导航地图数据质检模式。

志愿者信誉度与目标可信度试验分析

为了探索和了解不同地区及不同目标要素类型对志愿者信誉度与目标可信度计算的适用情况,本文采用来自不同大洲、不同地区OpenStreetMap真实历史数据中的线和面对象分别进行实验,以分析志愿者信誉度与目标可信度作为对VGI质量评价的一种方法,是否局限于仅对线或面目标单种要素的质量评价适用,同时,验证它们对于来自不同地区的数据是否具有有效性和可行性。试验结果表明,利用来自各大洲不同地区的OpenStreetMap真实历史数据,提取其中的线、面要素一起作为对象,利用志愿者信誉度与目标可信度计算模型对其进行质量评价时,志愿者信誉度和目标可信度计算结果与要素质量的好坏整体上都呈正相关关系。

地表覆盖遥感产品更新完善的研究动向

近年来,多尺度地表覆盖遥感产品的不断涌现,为环境变化研究、地球系统模拟、地理国(世)情监测和可持续发展规划等提供了重要科学数据。为更好地满足广大用户日益增长的应用需求,应对地表覆盖遥感产品进行持续更新完善,保持其时效性、增强时序性、丰富多样性。针对大面积地表覆盖遥感产品更新完善所面临的主要问题,介绍和评述了国内外有关研究动向,包括影像与众源信息相结合的更新、数据类型细化与完善、地表覆盖真实性验证,并作了简要展望。

基于Anchor-free的交通标志检测

交通标志检测是自动驾驶中的重要研究方向,实时准确地从街景图像中检测交通标志对实现自动驾驶及智慧城市的发展具有重要意义。传统的算法基于颜色、形状特征进行检测,只能提取特定种类的交通标志,算法无法同时检测不同类型的交通标志。基于图像特征+机器学习分类器的算法需要人工设计特征,算法速度较慢。主流的基于深度学习的方法多基于先验框,在网络设计上引入了额外的超参数,且在训练过程中产生过量的冗余边界框,容易造成正负样本不平衡。本文受Anchor-free思想的启发,引用YOLO检测器直接回归物体边界框的思路,提出一种基于Anchor-free的实时交通标志检测网络AF-TSD(Anchor-free Traffic Sign Detection)。AF-TSD摒弃了先验框的设计,并引入自适应采样位置可变卷积与注意力机制,大大提高网络的特征表达能力。本文开展大量对比实验,实验结果表明本文提出的AF-TSD交通标志检测网络速度接近主流算法,但精度优于主流算法,在德国GTSDB交通标志检测数据集上取得了96.80%的精度,检测速度平均单张图片32 ms,达到实时检测的要求。