摘要：依据视觉注意机制,结合洪涝淹没区以色彩可视化表达的时空过程变化特性,构建凸显淹没区视觉显著性的专题信息增强图像,对此应用NBS色差距离系数,使得同质像元在空间上集聚形成显著区域,然后采用基于视觉色差检测的图像聚类技术,开展大范围洪涝淹没区的遥感识别及信息提取,并利用能够同时兼顾遥感错分和漏分信息的复合分类精度系数(composite classification accuracy,CCA)进行识别精度评价。应用上述方法对长江中游2016年夏季洪灾进行了遥感监测试验,并采用误差混淆矩阵法对同一识别对象(洪水淹没区)不同遥感分类方法的可信度进行了评价,结果显示该次试验的Kappa系数和CCA系数各为93.4%和88.5%,较传统的洪水淹没区遥感识别技术都高出5%左右。在2016年长江中游夏季洪灾中,渍水农田面积约19 143.35 hm^2,淹没区面积则高达142 157.5 hm^2,其中被淹水稻占16.6%(约23 579 hm^2),并且绝大部分位于长江沿岸以及府河和汉江等长江支流沿线地势低洼的滨河滨湖地带;武汉市受灾最为严重,该市以34 492 hm^2的洪涝淹没区面积居于各受灾县市之首,占研究区域全部受灾面积的24.26%。基于选择性视觉注意机制的洪涝淹没区遥感识别方法,能够有效提高大范围洪涝淹没区的遥感信息提取精度,较好地解决了淹没区与水域之间的错分现象;基于洪灾前后遥感信息融合的洪涝过程可视化表达,不仅能够实现淹没区不同于水体的时空变化特性的数据化,从而便于开展淹没区的计算机视觉检测,而且还在凸显淹没区视觉显著性的同时,较好地抑制背景冗余信息,尤其能降低将淹没区视同水域进行遥感分类检测时的不确定性。

摘要：探讨了基于ArcEngine的土地利用规划修编系统的架构和功能模块,分析了系统实现中地类转换、面积重算、自动出图等关键技术,对土地利用规划的信息化建设具有一定参考价值和借鉴意义。

摘要：建立契合遥感数据内在特征的智能信息分析模型与方法,是解决遥感大数据时代信息智能提取的关键所在。从普适性的大范围水体信息遥感智能采集的需求出发,构建一种基于视觉选择性注意机制与AdaBoost算法的水体信息遥感智能提取方法。首先通过对遥感多特征指数的RGB配色方案的优化设计,实现水体信息图像特征的增强和可视化表达。然后在HSV颜色空间中,利用色差距离图像的关键节点信息构造分类特征集,并采用AdaBoost算法构建水体识别分类器,据此从图像色彩聚类结果中自动识别出水体所属类别,实现水体信息的智能提取。对比实验结果表明,该方法的水体信息提取结果在漏分率(LR)和复合分类精度(CCA)上都有明显提高;同时,该方法能有效减少对高质量训练样本的依赖性,对于丰水期泥沙含量较高水体以及洪灾导致的淹没区等临时性水域也具有较好的识别性能。