社会网络视角中世界文化遗产地旅游村寨的利益关系治理     

时少华  李享 《热带地理》2020,40(4):625-635

以云南省红河州元阳县哈尼梯田核心区域2个典型的旅游村寨（大鱼塘村和普高老寨）为例，对两村寨利益相关者从网络凝聚性、网络互惠性、网络核心边缘、网络传递性、网络经纪人等5个方面展开关系数据分析，结果显示：1）大鱼塘村压力集团内部、压力集团与社区、企业与政府之间的利益关联性和联系的紧密性不足；2）两村当地政府和压力集团与社区之间的互惠性低于整体平均互惠性；3）两村利益网络中边缘结构较核心结构更加明显，这导致了利益关系的不平衡；4）两村当地政府利益集团传递性相对较低，当地社区传递性最高；5）两村中利益集团间缺少部分协调人、守门人、代理人、联络人等角色。最后提出相应建议：1）提升哈尼梯田利益关系由弱利益关系转变为强利益关系，改变利益集团间核心边缘利益关系格局；2）进一步加强各利益集团内部及之间的关联性；3）加强以企业和政府机构为顶点的组间利益传递，让利益流动逐步打破哈尼梯田利益集团之间的核心边缘关系结构；4）重点加强社区在利益关系网络中的参与机会与权力，对社区进行增权；5）利益集团内部要重点培育协调人和顾问角色，利益集团之间要重点培育企业与政府、社区、压力集团之间的守门人、代理人和联络人角色，以及社区与政府和企业之间的守门人、代理人角色。  相似文献   

A machine learning approach for predicting computational intensity and domain decomposition in parallel geoprocessing     

Peng Yue  Fan Gao  Boyi Shangguan  Zheren Yan 《International journal of geographical information science》2020,34(11):2243-2274

ABSTRACT

High performance computing is required for fast geoprocessing of geospatial big data. Using spatial domains to represent computational intensity (CIT) and domain decomposition for parallelism are prominent strategies when designing parallel geoprocessing applications. Traditional domain decomposition is limited in evaluating the computational intensity, which often results in load imbalance and poor parallel performance. From the data science perspective, machine learning from Artificial Intelligence (AI) shows promise for better CIT evaluation. This paper proposes a machine learning approach for predicting computational intensity, followed by an optimized domain decomposition, which divides the spatial domain into balanced subdivisions based on the predicted CIT to achieve better parallel performance. The approach provides a reference framework on how various machine learning methods including feature selection and model training can be used in predicting computational intensity and optimizing parallel geoprocessing against different cases. Some comparative experiments between the approach and traditional methods were performed using the two cases, DEM generation from point clouds and spatial intersection on vector data. The results not only demonstrate the advantage of the approach, but also provide hints on how traditional GIS computation can be improved by the AI machine learning.  相似文献   

基于EEMD和ARIMA的海温预测模型研究          下载免费PDF全文

张莹  谭艳春  彭发定  廖杏杰  余昱昕 《海洋学研究》2019,37(1):9-14

类型丰富、时空分辨率高的海洋探测数据,为信号分解和机器学习算法的应用提供了可能。本文针对如何建立有效的海温预测模型这一问题,使用高时空分辨率的海表温度(SST)融合产品,引入信号处理领域的集合经验模态分解(EEMD)和机器学习领域的自回归积分滑动平均模型(ARIMA)。首先利用最适于分解自然信号的EEMD方法,将海温数据分解成多个确定频率的序列;再利用ARIMA分别对各个频率的序列进行预测,最后将各个序列的预测结果进行组合。该方法在丰富数据的支撑下,比以往直接使用海温数据所建立的预测模型精度更高,为更好地进行海温预测提供了新方法。  相似文献   

一种基于M估计的Robust-ELM滑坡位移预测方法     

高彩云  高宁 《大地测量与地球动力学》2019,39(2):153-157

采用传统ELM算法进行滑坡位移预测时，其网络输出权值由最小二乘估计得出，导致ELM抗差能力较差，从而造成网络训练参数不准确。为此，将M估计与ELM相结合，提出一种基于M估计的Robust-ELM滑坡变形预测方法。该方法利用加权最小二乘方法来取代最小二乘法计算ELM输出权值，以减少滑坡监测数据中粗差对ELM预测的干扰。分别以链子崖、古树屋滑坡体为例，将Robust-ELM进行了单维、多维粗差的抵御性验证。结果表明，该方法能够有效降低粗差对预测的影响，具有良好的抗差能力。  相似文献   

基于深度残差网络的机载LiDAR点云分类     

赵传  郭海涛  卢俊  余东行  张保明 《测绘学报》2020,49(2):202-213

机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。  相似文献   

基于随机森林的光子计数激光雷达点云滤波     

陈博伟  庞勇  李增元  卢昊  梁晓军 《地球信息科学学报》2019,21(6):898-906

新一代星载激光雷达卫星ICESat-2首次采用了微脉冲光子计数激光雷达技术,由于单光子探测的灵敏性导致数据在大气和地表下层产生了大量噪声,因此对光子计数激光雷达点云数据实现信号和噪声的分离是开展进一步应用研究的前提和基础。本文选择美国俄勒冈州和弗吉尼亚州2个研究区,采用MATLAS数据,根据光子点云数据的特点构造了12个光子点云特征,对所构造的特征利用随机森林进行变量筛选,用机器学习方法对光子点云进行分类,并将建立好的模型推广到整个研究区。研究结果表明,本文构建的分类器分类总精度达到了96.79%,Kappa系数为0.94,平均生产者精度和用户精度分别为97.1%和96.8%。在相对弱噪声、平坦地形区域和强噪声、复杂地形区域都取得较好的分类结果。本文结果显示了基于少量样本通过机器学习的方法构建模型,可以推广到较大范围区域的光子点云分类应用中。  相似文献   

基于超像元词包特征和主动学习的高分遥感影像变化检测     

杨进一  徐伟铭  王成军  翁谦 《地球信息科学学报》2019,21(10):1594-1607

为解决高分辨率遥感影像变化检测中存在底层特征缺乏语义信息、像元级的检测结果存在“椒盐”现象以及监督分类中样本标注自动化程度较低,本文提出一种基于超像元词包特征和主动学习的变化检测方法。首先采用熵率分割算法获取叠加影像的超像元对象;其次提取两期影像像元点对间的邻近相关影像特征（相关度、斜率和截距）和顾及邻域的纹理变化强度特征（均值、方差、同质性和相异性）,经线性组合作为像元点对的底层特征;然后基于像元点对底层特征利用BOW模型构建超像元词包特征,并采用一种改进标注策略的主动学习方法从无标记样本池中优选信息量较大的样本,且自动标注样本类别;最后训练分类器模型完成变化检测。通过选用2组不同地区的GF-2影像和Worldview-Ⅱ影像作为数据源进行实验,实验结果中2组数据集的F1分数分别为0.8714、0.8554,正确率分别为0.9148、0.9022,漏检率分别为0.1681、0.1868,误检率分别为0.0852、0.0978。结果表明,该法能有效识别变化区域、提高变化检测精度。此外,传统主动学习方法与改进标注策略的主动学习方法的学习曲线对比显示,改进的标注策略可在较低精度损失下,有效提高样本标注自动化程度。  相似文献   

结合深度学习和图割法的遥感影像建筑物检测     

刘舸  邓兴升 《测绘通报》2019,(11):69-73

提出一种基于卷积神经网络和图割法的自动提取高分影像建筑物的方法。首先，通过卷积神经网络定位与检测建筑物的位置，逐一提取单个建筑物轮廓，利用检测结果分别建立建筑物和非建筑物的高斯混合模型（GMM），然后结合最大流最小割的图像分割方式实现全局优化，完成建筑物初步提取，最后用形态学进行优化。通过试验证明了该方法的可行性。  相似文献   

深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类     

陈斌  王宏志  徐新良  王首泰  张亚庆 《测绘通报》2019,(6):29-33,40

提出了一种基于深度学习技术的遥感分类方法，它能有效解决中分辨率影像在分类过程中出现的像元混分问题。研究选用2016年5月12日武汉市Landsat 7 ETM+遥感影像，基于GoogleNet模型中的Inception V3网络结构，借助迁移学习方法，构建出遥感分类模型，实现了对武汉市主城区4类典型地物（不透水层、植被、水体和其他用地）的自动分类提取，并将分类结果与传统最大似然分类（ML）结果进行了对比分析。研究表明：基于深度学习方法的遥感影像总体分类精度高达88.33%，Kappa系数为0.834 2，明显优于传统ML方法总体分类精度83%和Kappa系数0.755 0，而且有效抑制了地物在分类过程中出现的像元混分现象。  相似文献   

结合主动学习和词袋模型的高分二号遥感影像自动化分类     

张金盈  姚光虎  林琳  郭怀轩 《测绘通报》2019,(2):103-107

高分卫星遥感影像空间分辨率的提高，使得地物的光谱和纹理变得更加丰富和复杂，这给遥感影像的自动化分类带来严重挑战。因此，本文提出了一种结合主动学习和词袋模型的高分二号遥感影像分类方法。首先，对研究区域进行多尺度分割，建立影像分割对象集；然后，采用词袋模型构建影像对象的语义特征向量；最后，充分考虑位于分类边界的不确定性样本分布，迭代选择最优样本用于训练支持向量机，用于分类遥感影像。为了验证本文方法的有效性和稳健性，以山东省某市的高分二号遥感影像为试验数据进行了试验分析。结果表明，本文提出的方法可以有效地将研究区域分为水体、地面、植被和建筑物四类，正确率达到90.6%以上。  相似文献