中文文本的地理命名实体标注

通过文本中地理信息的语义解析,可以帮助人们深入理解空间认知和空间语言的表达规律,解决自然语言与地理信息系统（GIS）之间的语义障碍问题,提升GIS空间查询、空间推理、地理信息检索和地理信息服务的智能化水平。制定标注体系和建立标注语料库,能够发现自然语言中地理信息描述的语言结构,建立它们的元数据。本文在分析中文文本和GIS中地理实体描述和表达机制差异的基础上,结合地理命名实体描述的语言特点,制定了中文文本的地理命名实体标注体系和标注规范,并以GATE（General Architecture for Text Engineering）作为标注平台,构建了基于《中国大百科全书中国地理》（简称“GeoCorpus”）的大规模标注语料库,较为有效地解决了当前相关标准和规模化标准数据匮乏的问题。     

人工智能时代的知识地图

面对新近出现的更加强调数据深加工、更加侧重解决地学问题的一系列新地图概念和产品,基于行为地理学和地图学基本原理,提出人工智能时代的知识地图是面向地理行为决策的,并从空间认知、信息传输和地图可视化3个维度对知识地图进行了考察分析。在此基础上,总结了知识地图在人工智能时代的特点。与传统地图相比,知识地图更加强调知识传输和知识发现,更加强调视觉思维。     

泛地图空间认知理论与方法研究框架

当前, 人类社会已进入地理空间、人文社会空间和信息空间相融合的三元空间。在新技术和新需求的驱动下, 地图空间认知的三要素即认知主体、认知客体和表达方式呈现出泛化特征, 现有的地图空间认知理论和方法已无法支撑泛地图对三元空间的精准化认知表达。因此, 首先总结归纳了国内外地图空间认知研究进展及其存在的局限性;然后, 在此基础上构建了实验方法体系-认知机制-表达模型的泛地图空间认知研究框架。该框架将传统的地图空间认知拓展到了泛地图空间认知, 可为后续的学者提供研究思路, 推动创建适应泛地图学发展趋势的空间认知理论和方法, 以解决地图空间认知要素不断泛化带来的一系列问题。     

初论遥感与地图的融合

本文从方法论的角度论述了地理科学中的地图方法和遥感方法的共同特征,分析了二者之间的差异和联系,阐述了二者融合的两个理论问题(地图和遥感图像的综合与图形识别)和技术基础(地理图像处理),提出了为促进二者融合需要研究的主要内容及具体建议。     

地理空间认知理论与地图工具的发展

本文首先分析了地理空间认知的心理学起源与发展现状,介绍了地理空间认知经典理论及影响,指出了地理空间认知和认知地理空间的根本区别:尽管两者都需要人工智能的支持,前者旨在了解人脑在空间任务中的工作机理,后者则注重利用传感技术和计算机视觉建立、维护地理空间的动态数字孪生体;然后,讨论了地图作为空间认知的双向工具的作用和研究方法,重点是眼动跟踪试验以及它们在交互方面的优势;最后,指出了人工智能新时期地理空间认知的3个发展方向——语义计算认知、脑科学认知机制和具身认知,并概述了核心地图空间认知的平行发展和特点.     

多尺度空间数据联动更新技术研究现状及展望

多尺度空间数据库是国民经济建设各级行政决策规划的重要依据,在智慧城市、国防建设中发挥着关键作用。数据的现势性影响着空间数据库的运行效率,而多尺度空间数据联动更新为保证数据的现势性提供重要技术支撑。伴随着人工智能、地理空间大数据和地图综合智能化发展,空间数据联动更新取得了不少成果,同时也面临诸多挑战。本文首先,围绕多尺度空间数据的更新策略、匹配方法、更新信息检测及更新信息传递等方面阐述了联动更新的研究进展;然后,梳理和分析了联动更新过程各阶段人工智能技术运用现状;最后,结合自动地图综合和地理空间大数据背景,探讨了多尺度空间数据联动更新的发展趋势。     

基于XNA的地理信息系统的研究与实现

随着计算机技术、遥感技术和网络技术的迅速发展,地理信息系统应用的领域越来越广泛。本文在深入研究地理信息系统实现原理的基础上,提出了构建模型、运用XNA图像引擎实现地理信息系统的方法。通过解析瓦片地图数据和DEM高程数据,构建地理空间模型,应用XNA图像引擎实现2 D和3 D绘制,扩展网络服务,最终实现了支持遥感、矢量、三维、WebGIS等功能的综合地理信息系统。     

论ICT时代的泛地图表达

信息通信技术的发展,赋予了地图表达极大的自由度,地图学的复兴促进了泛地图的发展。本文系统分析了地图定义的演变,适时论述了泛地图的概念,将传统的标准地图与各种创新形式的类地图纳入统一的泛地图框架下,提出并剖析了泛地图表达的标准地图、写实地图和写意地图分类体系,讨论了泛地图类型、风格化、连续性表示对泛地图表达的作用。     

智慧城市地理空间数据可视化技术探讨

从智慧城市、大数据时代的要求与地图的独特分析功能出发,探讨了大数据时代对地理空间信息及其可视化的要求和技术。对智慧城市建设时期的地理空间数据而言,不仅要求内容更全面更详细、表达更直观更仿真、建模结构化或实体化,而且要求向室内空间与室外空间融合、地上空间与地下空间融合、过去数据与现在数据融合、现在数据与未来数据融合的方向发展。     

地理信息生成与地图制图一体化概念模型研究

地理信息生成与地图制图一体化的数字制图系统的概念数据模型既要反映人们对于客观世界的理解,又要能够得到符合制图规范和美学要求的传统地图。文中分析和总结现有的GIS和制图软件数据模型的特点,并对地理信息生成与地图制图一体化表达的地理空间进行了重新理解,提出一体化数据模型设计应当考虑的几个要点。     

遥感图像质量等级分类的深度卷积神经网络方法

遥感图像应用发展对图像质量的要求越来越高,不同质量的遥感图像往往需要不同的处理方法和参数。通过遥感图像质量等级分类研究,不仅能够为遥感图像的处理提供先验信息,还能够对遥感图像的客观质量评价和传感器的成像效果进行评估。为了克服现有的遥感图像质量等级分类方法计算参数获取困难、等级数量少的缺点,利用深度学习方法的分类机能,通过改进特征提取网络和等级分类设计,建立了一种基于深度卷积神经网络的遥感图像质量等级分类模型。通过质量等级分类预处理后,利用经典的深度学习方法进行目标检测实验。结果表明,所提方法在西北工业大学遥感图像数据集上质量等级分类的准确率、召回率、精确率和F1最高能达到0.976、0.972、0.974和0.973, 优于传统算法。利用卷积神经网络实现遥感图像质量等级分类,既拓展了深度学习的应用领域,又为遥感图像质量评估提供了一个新方法。     

一种面向无人机绝对定位的卫星基准影像检索方法

针对全球导航卫星系统（global navigation satellite system,GNSS）拒止环境下大范围无人机视觉绝对定位问题,提出了一种聚合深度学习特征的卫星基准影像检索方法。首先,利用预训练的深度学习模型提取无人机与卫星基准影像的局部卷积特征;然后,对局部特征描述符进行聚合,生成影像全局表达;最后,利用影像全局特征进行相似性检索,并采用检索结果精匹配重排序的后处理方法,进一步提高检索准确率。设计了一个新的面向无人机绝对定位的卫星基准影像数据集并进行实验,结果表明,使用所提方法检索无人机影像适配区域的卫星基准影像的准确率达76.07%,可为后续基于视觉的无人机绝对定位提供参考。     

一种通用的跨模态遥感信息关联学习方法

针对“异质鸿沟”问题导致的不同模态遥感信息间相似性难以度量的问题,构建并公开了一个包含4种模态信息的跨模态遥感数据集,并基于不同模态信息间潜在的语义一致性,提出了一种通用的跨模态遥感信息关联学习方法。利用深度神经网络的表征能力,分别对图像类信息和序列类信息设计各模态信息的特征学习网络,实现对不同模态高层语义信息的准确表示;设计了一个新的关联学习损失函数对模态内的语义一致性和模态间的互补性进行限制,利用知识蒸馏的思想,以先融合后迁移各模态间信息的方式增强模态间的语义相关性。在构建的数据集上进行实验,结果表明,所提方法平均精度均值达到70%,超过基准方法。     

一种热红外与可见光影像深度特征匹配方法

针对无人机热红外影像与光学卫星影像的匹配难题,提出一种基于异源地标数据集学习的深度局部特征匹配方法。首先,利用生成对抗网络学习热红外与可见光影像的灰度分布规律,并进一步合成用于特征提取模型训练的热红外影像地标数据集;然后,联合残差网络和注意力机制模型,从数据集中学习深度不变特征;最后,经过对不变特征的匹配、提纯等处理,获得像对的正确匹配点。试验测试了该方法的性能,并与KAZE、特征检测描述网络和深度局部特征模型进行了对比。结果表明,提出的方法对灰度、纹理、重叠率以及几何变化具有较强的适应性,且匹配效率较高,可为无人机视觉导航提供支撑。     

利用胶囊网络实现高光谱影像空谱联合分类

卷积神经网络等深度学习模型已经在高光谱影像分类任务中取得了理想的结果.然而,由于传统神经元只能进行标量计算,现有的深度学习模型无法对高光谱影像特征的实例化参数进行建模,因此无法在邻域范围受限的条件下获得令人满意的分类效果.通过引入胶囊网络结构设计了一种新型网络模型,该模型利用胶囊神经元进行向量计算,并利用权重矩阵编码特...     

迁移学习用于多时相极化SAR影像的水体提取

基于机器学习分类器的极化合成孔径雷达（synthetic aperture radar, SAR）影像水体提取方法具有较高的可靠性,但其通常依赖于大量的训练样本,利用该方法进行多时相极化SAR影像的水体提取时,在每一景影像上都人工标注足够数量的训练样本是十分困难且耗时的。同时,SAR影像上固有的相干斑点噪声会进一步加剧样本标注的难度。对此,引入迁移学习方法,利用其知识迁移能力将已有的训练样本的类别标签信息迁移至未标注的样本,以降低获取新样本所需的人工代价,提高水体提取的时效性。使用6景极化SAR影像和4种迁移学习方法进行最佳源域影像选取、样本标签迁移和水体提取实验,实验结果表明,迁移学习方法可以准确地将源域影像上的训练样本的标签信息迁移至其他影像,有效减少其他影像进行水体提取需要的人工标注样本的数量,同时能够维持较高的水体提取精度,在洪涝灾害应急响应中具有一定的应用价值。     

泸定Ms 6.8地震诱发滑坡应急评价研究

2022-09-05,四川省甘孜州泸定县发生Ms 6.8地震。地震在山区诱发了大量的地质灾害,造成了严重的人员伤亡。快速准确地获取地震诱发地质灾害的空间分布范围对震后应急决策和救援抢险至关重要。基于全球同震滑坡数据库与深度学习算法,构建了地震诱发滑坡空间分布概率近实时预测模型,在震后2 h内获取了泸定地震诱发地质灾害的预测结果。通过震后无人机与卫星遥感影像,采用机器学习与深度学习算法实现了震后大范围地质灾害的智能识别,共解译地震诱发滑坡3 633处,总面积13.78 km2。利用遥感解译的泸定地震滑坡数据,对地震诱发地质灾害预测模型进行了优化,获得了震区范围更广、准确性更高的同震滑坡预测结果。结果表明,同震滑坡预测模型能够快速获取震后地质灾害的空间分布情况,填补震后遥感影像获取前的空窗期,为灾后应急救援提供支撑;基于无人机与卫星遥感影像的智能识别技术是快速获取大范围地质灾害信息的有效手段。所取得的研究成果在泸定地震震后应急救援工作中发挥了重要作用。     

基于无人机LiDAR和高空间分辨率卫星遥感数据的区域森林郁闭度估测模型

森林郁闭度是森林资源调查中的一个重要因子,对森林质量评价具有重要作用。随着人工智能技术和遥感技术的不断发展,研究如何利用深度学习有效协同不同空间覆盖能力的遥感数据实现区域森林郁闭度的估测具有重要意义。由此提出了一种协同应用高密度无人机激光雷达和高空间分辨率卫星遥感数据,对区域森林郁闭度进行定量估测的深度学习模型（UnetR）。对用于图像分类的Unet模型的损失函数进行改进,并在卷积层后加入批量归一化层,使其具有对连续变量进行定量估测的能力。与全卷积神经网络、随机森林和支持向量机回归模型进行对比实验。结果表明, UnetR模型的均方根误差较低,估测精度较高,为实现区域森林郁闭度遥感监测提供了一种人力成本低、自动化程度高的估测方法。     

面向虚实融合的单体建筑物实时识别与定位

针对当前矢量地图导航缺乏真实环境信息,而视觉地理定位依赖海量图像标注数据的问题,提出了一种面向虚实融合的单体建筑物实时识别与定位方法。该方法以智能手机为载体,利用轻量级深度网络SSD(single shot detector)实时检测手机视频流中的建筑物对象类别,通过调用手机内置传感器获取当前定位信息与拍摄视角,并以矢量地图信息为辅助,在仅需识别出建筑物类别的情况中,准确获得单个建筑物的属性与定位信息,并与矢量地图进行叠加可视化,最终达到真实地理环境与矢量地图融合的增强导航。随机采集了550张建筑物图像,经过处理标注后作为训练标签,在计算机上训练SSD的建筑检测功能并且进行验证;将训练好的SSD网络模型迁移到移动端,结合地理围栏方法与手机传感器开发可识别建筑单体信息的增强导航系统,将系统部署在手机上进行测试。实验结果表明,该方法可充分利用矢量地图与实景图片的互补信息,在仅需少量建筑物标注样本的情况下,实现单体建筑物信息增强的手机端地图导航,有效缓解了矢量地图定位不够直观的问题。