基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据，随着高分辨率遥感图像数据的日益增多，迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分，在特征选择上存在一定的局限性。为此，提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network，DCNN）的多尺度神经网络（multi-scale neural network，MSNet）模型，基于残差网络构建了100层编码网络，通过并行输入实现输入图像的多尺度学习，利用膨胀卷积实现特征图像的多尺度学习，设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验，总体分类精度达91.97%，并将其与传统全卷积网络（fully convolutional networks，FCN）方法和基于支持向量机（support vector machine，SVM）的面向对象方法进行了对比，结果表明，本文所提方法分类精度更高，分类结果整体性更强。     

GIS网格化求交最佳网格尺寸研究

网格化求交是GIS中海量矢量数据求交的常用方法,网格尺寸的确定是直接影响其效率的关键步骤.针对网格尺寸的确定问题,对网格化求交的耗时和矢量数据的线段长度分布(线段平均x、y方向长度,线段最大x、y方向长度等)、线段密度进行了相关分析,在此基础上确定了最佳网格尺寸的主要影响因素:线段平均x、y方向长度和线段密度.通过大量实际GIS矢量数据的求交实验,给出了最佳网格尺寸的计算方法,并得到了成功应用.     

一种基于MFC的GIS多文档多视图技术实现

针对GIS中数据分析与管理的多图层需要,在深入研究MFC类库框架结构、分析Windows应用程序开发流程的基础上提出了一种基于MFC的多文档多视图框架结构的解决方案,该方案不仅与MFC有着良好的继承、扩展和兼容性,可以快速地实现应用程序开发,而且又很好地实现了GIS中图层管理的多文档多视图特点,满足了多源数据分析与管理的要求,实践表明这是一种可行的技术方案.     

一种高分辨率遥感影像水体提取技术

针对高分辨率影像水体信息提取,利用小波技术对图像进行膨胀和去噪处理,并提出了一种多窗口线性保持技术对线性水体进行保持,最后利用水体信息的地学特征,对图像进行联合特征去噪,获取最终的水体影像信息.利用以上技术,成功提取了浙江省嵊州市甘霖镇IKONOS全色影像中的水体信息,提取精度达到94.92%,错误率为9.01%,与传统密度分割、监督分类等方法相比较,此算法具有高精度、低噪声、高信噪比的优点.     

基于深度学习的岩石薄片矿物自动识别方法

岩石薄片矿物识别是岩石学研究工作的基础,亦是进一步认识岩石种类、成因机理、物质运移和演化历史的基础。传统的矿物识别主要依靠光学显微镜进行人工鉴定,经济成本和时间成本较高、效率较低,且受制于专家个人经验与主观判断。随着深度学习技术的发展,计算机能从图像中自动提取更准确的语义信息,从而为岩石薄片图像的智能分析提供有效途径。提出了一种基于深度学习的岩石薄片矿物自动识别方法,利用深度卷积神经网络自动提取岩石薄片图像中不同矿物的有效特征,并对其进行语义分割与识别,综合利用单偏光与正交偏光2种光性图像实现了对矿物的自动识别。对南京大学岩石教学薄片显微图像数据集进行了矿物识别测试,结果表明,总体精度为86.7%,Kappa系数为0.818,识别结果较传统图像分类方法更准确。     

面向西南印度洋多源科考数据的可扩展管理系统

为了使科考数据的存储和管理适应未来科学考察动态化、多样化发展的需要,在全面分析多源科考数据特点的基础上,结合成熟的数据库管理系统SQL Server以及空间数据库引擎ArcSDE,对多源科考数据的存储组织结构和可视化管理进行了分析和研究,提出了一套多源科考数据管理方案.设计并实现了西南印度洋多金属硫化物科学考察数据管理系统,该系统主要由多源科考数据的统一存储管理和可视化空间操作等功能模块组成,具有良好的适应性和扩展性,可满足实际应用需求.     

面向服务的县级地质灾害管理系统研究

为了加强基层地质灾害管理部门的质灾害防治工作,有效进行地质灾害应急指挥和开展全民群测群防工作,基于WebGIS技术、分布式海量数据管理技术以及移动互联网技术,设计了面向服务的县级地质灾害管理系统,能够满足面向基层地质灾害管理部门和社会公众的不同需求.该系统采用内外网物理隔离的拓扑结构,既能保证数据更新的便捷性,又能保证数据存储的安全性;同时可为基层地质灾害管理部门、地质灾害调查人员及社会公众等应用对象提供地质灾害动态信息管理、灾害发生应急指挥、灾害调查自动化办公、灾害信息查询及预警发布等多元服务;既满足了基层地质灾害管理与防治工作的需求,又能引导社会公众参与地质灾害群测群防体系.该系统已在浙江省文成县成功应用.     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据，随着高分辨率遥感图像数据的日益增多，迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分，在特征选择上存在一定的局限性。为此，提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network，DCNN）的多尺度神经网络（multi-scale neural network，MSNet）模型，基于残差网络构建了100层编码网络，通过并行输入实现输入图像的多尺度学习，利用膨胀卷积实现特征图像的多尺度学习，设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验，总体分类精度达91.97%，并将其与传统全卷积网络（fully convolutional networks，FCN）方法和基于支持向量机（support vector machine，SVM）的面向对象方法进行了对比，结果表明，本文所提方法分类精度更高，分类结果整体性更强。