共查询到20条相似文献，搜索用时 125 毫秒
1.
针对时空数据海量、多源、异构造成难以融合、难以深度挖掘数据知识等问题,文中提出时空地理网格概念,将空间数据的时间维和空间维度有效地结合起来,构建时空地理网格单元,通过时空地理网格单元为时空数据赋予时空属性,用以解决时空多源数据融合的问题。以基于北京市多源信息的人口分析为例,验证多源时空信息网格的可靠性,并进一步研究北京市人口发展规律,为智慧城市发展提供决策分析。 相似文献
2.
3.
拉普拉斯特征映射的时空数据划分方法 总被引：1，自引：0，他引：1
针对传统的时空数据划分方法造成地理对象时空关系的割裂、时空信息维护困难等问题,该文提出一种基于拉普拉斯特征映射(LE)的时空划分方法。选取空间位置、时间、属性及空间拓扑关系邻近性等主要时空描述信息作为表达时空关系邻近性的因素,分析各因素对时空查询的影响程度,采用多因素结合方法构建无向邻域图并建立Laplacian矩阵,通过对矩阵特征分解将时空信息映射至二维谱空间,并在此基础上进行时空数据的划分。实验结果表明,该方法能够较好地保持地理对象时空关系的完整性,能够获取数据在低维流形空间中的结构特征,使得时空信息的组织和管理变得更加容易。 相似文献
4.
针对地理实体之间的时空拓扑关系,阐述了当前被普遍接受的空间和时态拓扑关系模型、基于点集和逻辑谓词集的描述方法。基于8种时态和空间拓扑关系逻辑谓词,提出时空数据库中时空拓扑关系集成表达(或称联合表达)的64种情况,分别利用英文缩写字母和关系图2种形式对其进行了描述。最后,通过示例的应用说明时空拓扑关系集成表达的具体情形。 相似文献
5.
轨迹数据处理与分析是目前空间信息和数据库等相关领域的研究热点之一。本文从Stop-Move轨迹模型出发,通过集成地理空间上下文信息来建模轨迹数据,并研究轨迹时空模式的查询处理技术。首先分析Stop/Move对象与点/线/面地理空间要素之间的时空关联关系,据此提出显式表达该关联语义的地理关联轨迹模型,在此基础上利用关系-对象数据库技术,为地理关联轨迹模型设计独立于应用的关系模式,接着定义轨迹时空模式查询,并提出基于地理关联轨迹关系模式的SQL处理框架,最后以典型性检索请求为例,讨论分析位置-时间、位置-顺序和位置-关系等三类轨迹时空模式查询的纯SQL处理技术,并以样例轨迹数据验证了本文方法的可行性。 相似文献
6.
高分遥感智能解译是实现地理信息精细生成与快速更新的重要途径,从基于遥感开展精准地理应用的背景出发,解析了遥感信息产品生产与落地应用中的局限性,阐释了遥感回归地理应用问题的必要性以及其中“精（形态）”“准（内容）”图谱特征耦合的关键性。以地理学指导智能遥感研究为基本认识,提出了基于精细地理场景开展高分辨率遥感地学分析的发展方向和技术思路,以及时空/星地两个层面相协同的智能计算模式,并以中国贵州省关岭县石漠化耕地评价为应用案例,利用分区分层感知/时空协同反演/多粒度决策3个基础模型,在复杂山地区开展精准应用驱动的高分遥感协同计算。结合实验结果,通过对不规则网格空间表达、时序特征多模态重建、多源不确定性解析以及不确定性引导的迭代优化等关键科学问题的探讨分析,给出面向未来的探索方向和研究思路,为地理学指导下的智能遥感研究以及遥感支撑的精准地理应用提出发展路径。 相似文献
7.
时空索引是时空数据存储和管理的关键技术之一,基于空间填充曲线(space filling curve,SFC)的索引方法近年来受到了广泛关注。然而对于矢量数据,现有索引方法多侧重于空间索引的实现,难以同时顾及时间查询和空间查询的效率,且对于非点要素(线要素与面要素),确定最优的索引级别一直是难点所在。为此,本文面向对等网络环境,提出一种自适应层级的时空索引构建方法。首先提出了基于分区键和分区内排序键组合策略的时空信息联合编码,然后据此设计了点要素、非点要素的时空表达结构,最后设计了多层级树结构以构建时空索引MLS3(multi-level sphere 3),并基于地理实体时间粒度及空间密度等特征自适应确定其最优索引层级。利用轨迹(点要素)、公路(线要素)和建筑物(面要素)实际数据进行了试验。试验结果表明,相比GeoMesa提出的XZ3时空索引,本文索引方法可有效解决非点要素的时空表达及层级划分问题,在避免存储热点的同时实现更为高效的时空检索。 相似文献
8.
《武汉大学学报(信息科学版)》2014,(6)
<正>深圳大学空间信息智能感知与服务深圳市重点实验室及海岸带地理环境监测国家测绘地理信息局重点实验室是新组建的实验室,研究领域为时空数据挖掘、多传感器集成测绘新技术、海岸带测绘及海岸带遥感和应用,以及位置服务与智能交通等;研究思路是将空间信息智能感知的理论和方法应用于多源时空数据快速获取以及时空数据的分析、挖掘和可视化,并与地理信息服务相结合,应用于位置服 相似文献
9.
随着地理空间科学、人工智能、高性能计算技术的迅速发展,地理空间智能已成为处理和分析地理空间大数据的主要手段,并将在地球科学、空间认知、智慧城市、智慧社会等科学研究、工程建设和社会发展中发挥越来越重要的作用.地理空间智能作为地理空间科学和人工智能深度融合的交叉领域,其发展受到多学科的驱动,目前已在算力增强软硬件研制、系统开发、数据与模型共享、服务与应用方面不断取得进展,显示出巨大的活力和潜能,同时难题和挑战也相生相伴.本文首先阐述地理空间智能的概念演进、若干技术系统构建思路和国内外科学研究现状,然后梳理地理空间智能的典型应用,分析地理空间智能面临的问题和挑战,最后对其重要的发展方向及趋势予以展望. 相似文献
10.
为了高效组织管理日益增加的智能感知和关联关系数据,满足多层次任务对多模态场景数据多维特征计算和关联挖掘的需求,针对现有树结构外存索引方法存在的磁盘I/O密集、处理效率低、对关联关系支持弱的瓶颈问题,提出了一种时空关系稀疏图索引方法。设计了一种基于内存图模型的时空索引结构,将多模态场景数据抽象为图的节点和边,支持时间、空间以及关联关系的高效组织,并基于稀疏矩阵进行时空关系图索引的内存表达和存储;以多维树索引为例进行了索引构建以及多模式查询试验。试验结果表明,本文方法在索引生成、时空查询和复杂时空关系查询效率等方面均优于对比方法,支持动态关联的多模态场景数据实时高性能处理和低延迟访问。 相似文献
11.
基于RNN的空气污染时空预报模型研究 总被引：2，自引：0，他引：2
针对空气污染物时间序列中包含缺失值以及现有时间序列预报模型缺乏对时序特征状态建模的问题,该文构建了基于缺失值处理算法和RNN(循环神经网络)的时空预报框架。对空气污染物时序数据设计了3种缺失值处理算法(前向递补、均值替代和权重衰减),用缺失标签和缺失时长对缺失值建模,并在此基础上搭建含有全连接层与LSTM层的深度循环神经网络(DRNN)用于时空预报。使用深度全连接神经网络(DFNN)作为DRNN的对照,用京津冀区域的空气质量和气象数据训练模型,并比较不同模型的预测精度。通过实验,比较了3种缺失值处理方法的效果,结果表明,LSTM在空气污染时空序列预测上的表现优于传统的全连接神经网络层,证实了提出的基于深度学习的时空预报框架的有效性。 相似文献
12.
高分辨率遥感影像解译是遥感信息处理领域的研究热点之一,在遥感大数据知识挖掘与智能化分析中起着至关重要的作用,具有重要的民用和军事应用价值。传统的高分辨率遥感影像解译通常采用人工目视解译方式,费时费力且精度低。所以,如何自动、高效地实现高分辨率遥感影像解译是亟待解决的问题。近年来,随着人工智能技术的飞速发展,采用机器学习方法实现高分辨率遥感影像解译已成为主流的研究方向。本文结合高分辨率遥感影像解译的典型任务,如目标检测、场景分类、语义分割、高光谱图像分类等,系统综述了5种代表性的机器学习范式。具体来说,本文分别介绍了不同机器学习范式的定义、常用方法以及代表性应用,包括全监督学习(如支持向量机、K-最近邻、决策树、随机森林、概率图模型)、半监督学习(如纯半监督学习、直推学习、主动学习)、弱监督学习(如多示例学习)、无监督学习(如聚类、主成分分析、稀疏表达)和深度学习(如堆栈自编码机、深度信念网络、卷积神经网络、生成对抗网络)。其次,深入分析五种机器学习范式的优缺点,并总结了它们在遥感影像解译中的典型应用。最后,展望了高分辨率遥感影像解译的机器学习发展方向,如小样本学习、无监督深度学习、强化学习等。 相似文献
13.
深度学习在遥感影像分类与识别中的研究进展综述 总被引：5，自引：0，他引：5
深度学习一直是机器学习和人工智能研究的热门主题，特别是将深度学习这一深层网络学习算法和遥感影像分类与识别联合起来，使得传统训练算法的局部最小性得以解决。本文首先简要介绍了遥感影像分类与识别算法的发展和经典算法的局限性，其次介绍了深度学习的几种主流算法并分析它们在遥感影像分类与识别处理方面的应用现状，最后对未来深度学习应用于遥感识别与分类趋势进行了展望。 相似文献
14.
The problem of datum definition as applied to local-area geodetic networks is investigated using data collected from global navigation satellite systems (GNSS). It is shown that the process of double differencing makes the model more sensitive to computational errors that reduce the ability of the satellites alone to control the translation component of the datum definition, and as a result additional regularization is required. Traditionally, datum definition has been accomplished by constraining one station to set coordinates. Alternative regularization strategies are analysed in terms of their effects on positioning and ambiguity resolution. In doing so, processing strategies are developed which can improve the quality of global positioning system (GPS)-based position solutions in geodetic network applications of limited spatial extent, such as high-precision engineering and deformation monitoring networks. 相似文献
15.
Availability of reliable delineation of urban lands is fundamental to applications such as infrastructure management and urban planning. An accurate semantic segmentation approach can assign each pixel of remotely sensed imagery a reliable ground object class. In this paper, we propose an end-to-end deep learning architecture to perform the pixel-level understanding of high spatial resolution remote sensing images. Both local and global contextual information are considered. The local contexts are learned by the deep residual net, and the multi-scale global contexts are extracted by a pyramid pooling module. These contextual features are concatenated to predict labels for each pixel. In addition, multiple additional losses are proposed to enhance our deep learning network to optimize multi-level features from different resolution images simultaneously. Two public datasets, including Vaihingen and Potsdam datasets, are used to assess the performance of the proposed deep neural network. Comparison with the results from the published state-of-the-art algorithms demonstrates the effectiveness of our approach. 相似文献
16.
相对于同源影像立体匹配,基于无人机倾斜摄影与近景摄影获取的异源影像在空间特征、视场角及分辨率等方面均存在较大的差异,给影像匹配带来困难。本文利用基于单应性变换的卷积神经网络提取特征点,在匹配阶段采用交叉注意力机制的图神经网络进行特征点匹配。该方法较好地克服了异源影像间因存在较大视差和扭曲变换而导致的匹配效果较差的问题,并以河北省廊坊市大城县的马家祠堂为试验数据,对比传统SURF （加速稳定性征）算法与深度学习算法的匹配效果。结果表明,基于深度学习算法对存在大视角差异的异源影像的匹配率更高。 相似文献
17.
Huafei Yu Tinghua Ai Min Yang Jingzhong Li Lu Wang Aji Gao Tianyuan Xiao Zhe Zhou 《Transactions in GIS》2023,27(7):1898-1927
Deep learning is increasingly being used to improve the intelligence of map generalization. Vector-based map generalization, utilizing deep learning, is an important avenue for research. However, there are three questions: (1) transforming vector data into a deep learning data paradigm; (2) overcoming the limitation of the number of samples; and (3) determining whether existing knowledge can accelerate deep learning. To address these questions, taking river network selection as an example, this study presents a framework integrating hydrological knowledge into graph convolutional neural networks (GCNNs). This framework consists of the following steps: constructing a dual graph of river networks (DG_RN), extracting domain knowledge as node attributes of DG_RN, developing an architecture of GCNNs for the selection, and designing a fine-tuning rule to refine the GCNN results. Experiments show that our framework outperforms existing machine learning and traditional feature sorting methods using different datasets and achieves good morphological consistency after the selection. Furthermore, these results indicate that DG_RN meets the data paradigm of graph deep learning, and the framework integrating existing characteristics (i.e., Strahler coding, the number of tributaries, the distance between proximity rivers, and upstream drainage area) mitigates the dependence of GCNNs on plenty of samples and enhance its performance. 相似文献
18.
支持向量机作为一种最新的也是最有效的统计学习方法,近年来成为模式识别与机器学习领域一个新的研究热点。支持向量机具有小样本学习、抗噪声性能好、学习效率高和推广性好的优点,能够用于空间信息处理分析领域的遥感影像处理、高光谱分类、拟合与回归、数据挖掘、目标检测等任务。本文在总结分析近年来支持向量机在空间信息处理领域应用主要进展与成果的基础上,结合支持向量机理论方法与空间信息处理的发展趋势,提出了今后有必要重点研究的若干问题,包括空间数据挖掘、智能空间信息处理、高维空间数据处理等。 相似文献
19.
针对复杂居民地多边形的信息挖掘问题,提出了一种多级图划分聚类分析方法,构造居民地多边形的图模型,并通过对图模型进行粗化匹配与重构、初始化分和细化得到聚类结果。首先构建研究区域内居民地建筑物的Delaunay三角网,生成包含研究对象之间的邻接信息图;然后结合空间认知准则和人类认知的特点,采用形状狭长度、面积比、凹凸性、距离和连通性5个指标度量邻接图的相似性;最后应用多级图划分方法,得到聚类结果。采用中国上海地区的居民地建筑物矢量数据进行聚类分析实验,并对比了改进的k均值算法(k-Means++)、具有噪声鲁棒性的基于密度的空间聚类算法(density-based spatial clustering of applications with noise,DBSCAN)和最小生成树(minimum spanning tree, MST)聚类算法得到的轮廓系数以及视觉效果。实验结果表明,基于多级图划分的居民地多边形聚类分析的结果更加符合人类认知。 相似文献
20.
建筑物作为城市中的重要地物,分析其群组模式对地图综合、导航定位、市政规划等具有重要作用。建筑物群组模式分析目前主要有基于规则的方法和基于机器学习的方法两种。基于规则的方法和基于传统机器学习分类器的方法均需要大量的人工处理过程。近年来兴起的深度学习特别是图卷积神经网络前期无需人工处理,因此提高了建筑物群组模式分析的自动化程度。传统的图卷积神经网络模型在训练深层网络时易出现退化问题,提取深层特征困难。为解决此问题,本文引入了图残差神经网络模型用于建筑物群组的模式分类。首先使用道路和河流等作为约束条件,利用K-means方法对建筑物进行聚类;然后根据Bertin视觉变量计算对应的建筑物特征指标,在每个建筑物群组中以建筑物质心为节点,连接节点的最小生成树作为边,构建建筑物群组图结构;最后将得到的图结构数据输入图残差神经网络进行训练,得到规则和不规则两种建筑物群组模式。试验结果表明,该模型较好地解决了传统图卷积神经网络模型的退化问题,并取得了更高的精度。 相似文献