摘要：针对老旧建筑物竣工图纸缺失,无法为设计人员提供数据进行科学提升改造,传统测绘手段效率低、可视化差等问题,本文结合实际工程案例,采用两台Trimlbe X7站式三维激光扫描仪和大疆精灵4 RTK多旋翼无人机进行建筑物内外部数据采集;内业使用专业建模软件ContextCapture,以及点云处理软件TRW(Trimble Business Work)、AutoCAD Recap,进行点云配准、去噪、融合、数据格式转换等处理,使用T20天正建筑软件进行建筑物竣工图还原;通过与全站仪采集数据对比验证图纸精度。结果表明,绘制图纸尺寸中误差约为1.3 cm,满足设计人员对建筑物进行升级改造的精度要求。

摘要：建筑物作为三维模型的主体,其矢量化主要依赖人工勾画,虽有采用深度学习等方法进行建筑物提取的研究,但依然需要标注大量样本。针对上述问题,本文以天津市典型区域为试验区,提出一种融合高度和光谱信息的倾斜摄影数据建筑物自动提取方法。首先,通过高度初始分割、植被信息滤除、形态学后处理等,逐步优化建筑物提取结果,实现建筑物信息的自动提取,建筑物的总体识别精度达到94%。然后,通过对建筑物轮廓进行矢量化和规则化,在地理信息平台中实现了建筑物的对象化查询,拓展了实景三维模型的应用深度。

摘要：针对中国区域不同气候类型和不同季节的大气水汽信息探测难题,尤其是大气可降水量(PWV),研究利用中国内地构造环境监测网络(CMONOC,简称陆态网)2018—2022年30个GNSS测站解算数据、25个探空站数据和欧洲中期天气预报中心(ECMWF)ERA5数据,联合实验反演水汽(GNSS-PWV2),并分析水汽信息的长时序变化特征。结果表明,反演水汽(GNSS-PWV2)相比陆态网对流层产品中的水汽(GNSS-PWV1)探测精度有显著提升效果。GNSS-PWV2的平均绝对误差(MAE)与均方根误差(RMSE)范围分别为1.00~2.77 mm和1.24~3.28 mm。实验对比分析了5种不同气候区,反演水汽GNSS-PWV2在冬季精度最高,春季和秋季次之,夏季最低。GNSS-PWV2在温带季风、温带大陆和高原高山气候区的冬季精度改善效果明显,RMSE分别降低了49.84%、63.00%和79.43%;而在亚热带季风和热带季风气候区则春季的改善程度更高,RMSE分别降低了36.67%和58.91%。PWV年变化规律具有先上升后下降的特征,全年PWV值在0~80 mm范围内波动。

摘要：传统基于深度卷积神经网络的场景分类方法往往需要大量标记样本用于模型的参数训练,在标记训练集数量有限的情况下,学习得到的特征泛化能力降低。针对这一问题,本文提出了高分影像分类的半监督深度卷积神经网络学习方法(3sCNN),采用自学习半监督策略,训练阶段不断增加训练样本:首先,通过有限的标记数据对深度网络进行初步训练;然后,利用经过初步训练的网络对未标记数据进行预测,得到未标记样本的预测标签及其对应的置信度;最后,将具有高置信度的未标记样本作为真实标记数据加入到训练集中,继续对网络进行训练并重复上述过程。为验证算法的有效性,本文在3个常用数据集上进行试验,试验结果证明本文算法可以有效提高有限样本下高分影像场景分类精度。

摘要：城中村是中国一类特殊的非正式居民区。本文从城中村的物理特点出发,采用景观语义指数描述复杂的城中村场景,提出基于景观语义指数的高分辨率遥感影像城中村提取方法,并采用“分类置信度-反馈”机制进行实际可操作的大范围城中村制图。以广州市核心城区为例,城中村检测的总体精度达到了90%以上。试验结果表明相对于传统的光谱、纹理特征,景观语义指数能够更好地描述城中村的根本形态特点,更准确的城中村提取。此外,“分类置信度-反馈”机制能够充分参考机器学习的分类概率,以有限的人工干预生产更加准确的城中村制图产品。因此,本文方法能够有效应用于大范围的城中村提取与制图。

摘要：土地及环境的监测是自然资源保护利用的重要前提,现有技术手段自动化程度低,无法实现实时在线监测。基于北斗的土地及环境在线监测系统建立了高点视频综合监测站,利用基于北斗的多系统融合技术建立空间基准,利用深度学习技术识别土地环境违法目标,利用单目摄影测量技术对目标进行精准定位后,与国土规划审批数据进行叠加分析,排除大量虚警,实现违法行为的准确预警。在耕地违法占地、疑似大棚房、环境生物质禁烧、违法建筑等方面为执法巡查提供全天候实时的在线监测。

摘要：土地利用保护是国土资源管理的一项重要职能,高点视频影像为土地利用保护提供了一种实时全天候的监测手段。为实现基于视频影像的自然资源疑似违法建设自动化监测和预警,将违法建设、违法施工等监测转化为建筑施工机械等内容的检测,提出了一种基于深度学习的土地违法施工检测方法。首先利用视频监控影像对施工机械进行样本训练,然后基于深度学习目标检测方法YOLOv3实现建筑施工机械检测,进而实现疑似违法建设预警。实验证明,该方法可从视频影像中自动化检测出施工机械,且可靠性较高,可为全天候耕地疑似违法施工预警提供技术支撑。

摘要：农业大棚的即时空间分布信息能为相关农业部门提供农业管理和资源分配的依据,具有重要意义。针对这一需求,对比分析了深度学习模型FCN,UNet和HRNet在高分辨率遥感影像大棚检测任务上的性能,对FCN,UNet和HRNet模型在大棚检测方面的效果进行定量和定性分析。通过对比发现UNet等网络模型正确率均可达到90%以上,交并比IOU达到85%以上,其中HRNet的效果最好,正确率和IOU分别为92.79%和87.32%。实验表明基于深度学习的大棚检测方法可为快速精确获取大棚分布信息提供技术支撑,具有实用价值。

摘要：为了充分融合不同深度学习模型在建筑提取中的互补信息,该文提出一种基于深度学习概率决策融合的高分辨率影像建筑物提取方法,将不同深度学习模型的类别分割概率进行融合作为最终建筑提取的依据,以实现不同模型之间的优势互补,最后采用形态学后处理方法进一步优化建筑提取结果。采用3组不同分辨率,具有多种地物形态的建筑数据集验证该文方法的有效性。实验表明该文提出的概率决策融合方法取得了满意的精度(F指数分别为92.45%,90.56%,79.95%),优于单一模型的结果,并且显著提升了建筑提取结果的可靠性。

摘要：针对当前基于卷积神经网络的建筑提取方法在数据输入层对建筑语义信息利用不足的问题,提出一种融合类别语义特征的卷积神经网络建筑物提取方法。首先,从影像上提取形态学建筑指数,该指数能够直接表征建筑覆盖信息,是一种高层次的语义特征;然后,将该建筑语义特征作为原始影像的补充通道一起输入到卷积神经网络模型中训练,从数据层进一步增强建筑与背景的可分性。采用国际上公开的具有多种地物形态的标准建筑数据集验证本文方法的有效性。实验表明,所提出的方法取得了满意的精度(准确率为85.6%,召回率为93.1%,F指数为88.4%),相对于原始的RGB影像输入,建筑物语义特征的加入整体上提升了建筑物提取的精度。