结合角度纹理信息和Snake方法从LiDAR点云数据中提取道路交叉口

道路交叉口是道路网络组成的重要部分,对道路交叉口的定位与信息提取是掌握道路属性、获取道路网络拓扑结构的重要基础。传统的基于影像的道路交叉口方法对此讨论较少,且存在检测率较低、自动化程度不高等问题,而人工操作成本较高、费时费力。针对从遥感数据中识别与获取道路交叉口信息的问题,提出一种从机载LiDAR点云数据中提取道路交叉口轮廓的方法,该方法的自动化程度较高。首先,利用角度纹理信息(angular texture signature,ATS)对道路交叉口进行粗定位,通过基于点密度在噪声的空间数据库中对所提取的结果进行聚类分析(density-based spatial clustering of application with noise,DBSCAN)和剔除孤立点确定道路交叉口提取区域;然后,引入环形剖面方法进行边缘提取,借助高程信息进行辅助判断,拟合出道路平行边缘;最后,利用Ziplock Snake算法提取出道路交叉口轮廓。实验采用完全自主的研发平台,经历了较多次实验和改进,其结果表明,该方法对道路交叉口的检测率较高,对轮廓提取的精度较高,不仅可行,而且有效。

基于DeepLabv3+语义分割模型的GF-2影像城市绿地提取

高效准确地提取城市绿地对国土规划建设意义重大,将深度学习语义分割算法应用于遥感图像分类是近年研究的新探索。提出一种基于DeepLabv3+深度学习语义分割网络的GF-2遥感影像城市绿地自动化提取架构,通过网络的多孔空间金字塔池化(atrous spatial pyramid pooling,ASPP)等模块,提取高层特征,并依托架构完成数据集创建,模型训练,城市绿地提取以及精度评估。研究表明,本文架构分类的总体精度达到91.02%,F值为0.86,优于最大似然法(maximum likelihood,ML)、支持向量机(support vector machine,SVM)和随机森林法(random forest,RF)3种传统方法及另外4种语义分割网络(PspNet,SegNet,U-Net和DeepLabv2),可以准确提取城市绿地,排除农田像元干扰;此外,对另一地区的提取试验也证实了本架构具有一定的迁移能力。所提出的GF-2遥感影像城市绿地自动化提取架构,可实现更精确、效率更高的城市绿地提取,为城市规划管理提供参考。

城市防灾避险公园建设的国际经验及标准梳理

本文详细介绍了日本防灾避险公园的建设经验,并回顾了我国防灾空间的建设情况和制度现状。从内涵上界定了城市防灾避险公园、防灾避险绿地、应急避难场所的区别。最后以我国现行城市公园体系为基础,联合避难功能等级,总结了我国各级城市防灾避险公园的设计和建设指标,为我国城市防灾避险公园的建设和改造提升提供了依据。