地理空间数据本质特征语义相关度计算模型

关联数据是跨网域整合多源异构地理空间数据的有效方式,语义丰富的关联是准确、快速发现目标数据的关键。根据地理空间数据在空间、时间、内容上的语义关系,提出地理空间数据本质特征语义相关度计算模型。通过构建本质特征的关联指标体系,分层次逐级计算地理空间数据的语义相关度。与传统的语义相关度计算方式不同,以地理元数据为语料库,充分考虑地理空间数据的特点及空间、时间、内容在检索中不同的重要程度,分别采用几何运算、数值运算、词语语义相似度计算和类别层次相关度计算的方式,构建地理空间数据的语义相关度计算模型。该模型具有构建简单、适用于多源异构数据、充分结合了数学运算和专家经验知识等特点。实验表明:模型能够有效地计算地理空间数据本质特征的语义相关度,并具备一定的扩展性。

基于深度神经网络的蒙古国色楞格河流域水体信息提取

蒙古高原地处干旱半干旱地区,河流水系对该区域的资源环境格局及其生态环境影响重大。发源于蒙古国的色楞格河是蒙古高原最主要的水资源来源,准确掌握该流域的水体信息对东北亚地区生态环境问题及资源保护具有重要意义。本文以蒙古高原色楞格河流域为研究对象,基于谷歌地球引擎(Google Earth Engine,GEE)云平台,使用Sentinel-2多光谱卫星遥感影像,利用深度神经网络(Deep Neural Network,DNN)方法对色楞格河流域的水体信息进行提取,并与支持向量机方法进行对比;利用全球30 m SRTM数据生成水系分布矢量图,通过空间分析形成河流提取目标区,结合深度神经网络分类结果,绘制蒙古国色楞格河流域2019年河流分布图。研究结果表明:①该方法能够准确地完成大流域范围内的水体制图,提取结果能够体现色楞格河流域河流的空间分布,且能够减少河流断流、空洞现象;②深度神经网络模型中批量大小设置为8时,在处理数据速度与精度中达到最优,而神经网络结构中隐含层数达到4层时,在精度评价指标测试数据集上达到0.9666,保证了模型特征挖掘能力;③经样本点的验证,结果总体精度达到97.65%,可以满足实际应用需求。本研究预期可以为蒙古高原的水体提取提供方法支持和相关数据支持。