基于三维实景模型与点云的全要素地形图制作

作为新型基础测绘的重要衍生产品,全要素地形图是对传统基础测绘的继承与拓展。本文以新型基础测绘项目试点为依托,进行基于测绘新技术的全要素地形图生产技术流程的探索与实现。首先通过倾斜摄影测量技术与移动车载激光测量技术外业采集空间三维地理实体数据;其次以三维实景模型与点云数据为数据源进行全要素地形图的生产;最后通过传统高精度检测点采集手段采集检测点对全要素地形图成果进行精度检测。结果表明,项目中使用三维实景模型与点云数据进行全要素地形图生产符合项目设计需求,对于全要素地形图生产方式的探索可为新型基础测绘体系建设提供重要的技术支撑。

双排桩支护结构在软土地区基坑中的应用

针对h型双排桩基坑变形的问题,开展固结不排水三轴试验以及数值模拟试验,得到含水率对黏土参数的影响,并明确了岩土参数与支护桩参数对基坑变形的影响。试验结果表明:黏土试样的黏聚力、内摩擦角以及抗剪强度均随着含水率增大而减小,且从减小幅度可以看出,含水率对岩土参数影响较大;通过数值模拟试验可知,岩土参数的变化对基坑稳定性影响较大,而支护桩参数对基坑稳定性影响较小。此外,与前排桩相比,后排桩受各因素影响较大。

基于BP神经网络模型的基坑变形监测分析研究

基坑施工是各类大型地面及地下建筑的重要基础和前提,而随着基坑规模的不断扩大以及施工环境的日益复杂,对基坑各参数的监测和预测显得越来越重要。本文针对基坑变形预测的高精度要求,详细阐述了基坑变形的数据采集要求和预测机理,建立基于粒子群优化算法的改进BP神经网络预测模型,该模型与原始BP神经网络预测模型相比,在收敛速度和目标误差控制方面都实现了明显提升。同时,经过施工现场的实验检验,PSO-BP神经网络预测在预测精度方面,其相对误差和平均绝对百分比误差也明显降低,说明该优化模型有效提升了运算速度、预测精度,能够为安全施工提供有效支持,具备推广应用的价值。

注意力空洞卷积无人机遥感多目标检测方法研究

针对无人机遥感影像中多类别目标的检测问题,本文提出一种单阶段的深度学习新目标检测模型。在特征提取结构内,首先使用空洞卷积核来构建基本的提取结构,让模型在提取过程中获取感受野更大、原始信息保留更充分的特征图;针对小目标检测精度不佳问题,采用通道注意力与空间注意力组合的多路注意力机制来提高模型对真实目标的关注程度;在特征图连续上采样的基础上,将来自同层以及高层下采样的特征图进行融合来获取鲁棒性更强、语义信息更充分的特征图实施最终的检测。以VisDrone、DLR-MVDA数据集和路采影像组成数据集,并使用暗通道先验等方法对其进行强化,组成训练数据集对模型进行训练。实验结果表明,本文所提出的模型对于无人机遥感影像中的多种类别的目标均能够实现较好的检出,其平均精度均值较其余3种基准模型分别提高8.56%、4.58%及15.81%,检测速度可以达到25帧/s的水平,说明所提出模型能够针对遥感影像中的多类别目标实施快速精准的检测,同时具有较好的泛化能力。

岩土工程地质勘察中控制质量的因素分析

岩土工程勘察是对工程地质条件的综合评价,其质量直接影响工程的安全性和经济性,岩土工程勘察的目的是为了查明工程地区各种类型的地基土质和地下结构物,从而为建筑和工业设计提供基础数据。本文首先从技术、制度、市场以及勘察方法等角度对岩土工程地质勘察质量影响因素进行了合理探讨,并同时从七个方面对岩土工程地质勘察质量控制策略进行了合理分析,旨在为相关人员提供一定的工作参考。

深度学习多场景下交通标志快速检测方法研究

针对多种复杂场景下检测交通标志时存在的错检、漏检、速度慢等问题,本文提出一种基于卷积神经网络的交通标志检测方法。首先,采用单阶段目标检测网络框架,利用空洞卷积核与1×1小卷积核的组合搭建了特征提取网络来获取不同尺寸的特征图;其次,利用多层特征金字塔进行特征增强;最后,通过多个检测端输出不同尺寸的目标检测结果。为了提高训练后模型检测精度,在训练前构建图像预处理—增强模块对输入图像进行尺寸归一化、降噪与滤波等处理,同时使用K-means++算法聚类获得最契合实际目标尺寸的初始候选框。试验结果表明,本文方法在不同自然场景下均能快速精准地检出交通标志目标,单类别目标精度均值最高可达94.4%,平均精度均值可达93.45%,测试环境下检测速度为32 FPS/m·s,可以实现交通标志的实时检测。

基于改进YOLOv4模型的无人机影像烟草株数统计

烟草株数是烟草估产过程中一个重要指标,传统烟草株数统计常采用现场拉样的方式进行,然而该方法不仅耗时、费力,还存在一定的误差。针对此问题,本文以无人机可见光数据为数据源,提出改进YOLOv4目标检测模型,以实现烟草株数快速、准确的统计。结果表明,改进后的YOLOv4模型烟草株数统计精确率为97.16%,召回率为96.89%,F1分数为0.97。鉴于召回率指标对于株数统计十分重要,改进后的YOLOv4模型的召回率相比于原始的YOLOv3模型、SSD模型、Faster-RCNN目标检测模型分别提高5%、25.27%、29.06%。综上所述,本文提出的改进YOLOv4模型可用于烟草株数统计,且能为烟草株数的快速统计提供技术支持。

ArcGIS在土地报批中的应用

针对土地报批工作中土地勘测定界、功能区划分及指标计算、耕地占补平衡、永久基本农田占补平衡、违法用地查处等多个流程涉及到的重复性工作多、数据量大的特点,文章论述了ArcGIS在土地报批中的应用,通过图形拓扑检查、数据叠加分析、ArcGIS模型构建器、ArcGIS二次开发等的应用,既能有效提高工作效率,避免重复工作,又能提高数据的准确性,推进报批进度。

多源遥感日降水数据融合方法:顾及空间自相关的随机森林模型

高质量的降水数据是气象服务与水文应用的基础资料保障,多时空尺度的卫星降水数据作为重要的降水数据源,现已被广泛应用到水文气象领域。然而,卫星降水产品存在空间分辨率粗糙、准确性差等问题,难以满足精细化水文和气象的应用需求。本文以随机森林(Random Forest,RF)为基础模型,提出一种顾及空间自相关性的多源遥感日降水数据融合方法(Spatial Random Forest Multi-source Fusion,SRF-MF)。该方法首先基于降水与环境因子之间存在较强的相关性,在月尺度上利用空间随机森林对多种卫星降水产品分别进行降尺度,然后根据日比率将月降水分解为日降水,最后借助随机森林将降尺度数据和站点数据融合,最终生成高质量的日降水数据。利用2015—2019年四川省5种卫星降水产品(CHIRPS、CMORPH、PERSIANN、GAMaP和IMERG)和实测雨量计数据,通过SRF-MF方法生成了逐日降水数据集,并将该数据集与原始卫星降水产品和5种机器学习方法比较,包括随机森林合并方法(RF-MEP)、单机器学习方法(RF、ANN)和双机器学习方法(RF-RF、RF-ANN)。实验结果表明,在不同时间尺度上(日、月、季、年)SRF-MF方法产生的降水数据集精度均明显优于其他几种方法,而且针对不同强度降水事件的捕捉精度更高,其降水分布图的空间细节信息更加丰富,准确性更高。本文研究结果将为提高卫星降水数据质量,以及扩大应用领域提供研究思路。