排序方式: 共有6条查询结果,搜索用时 0 毫秒
1
1.
面向土地利用调查的时空数据库构建技术 总被引:1,自引:0,他引:1
为了满足"一调""二调"等不同时期土地利用变化数据管理与分析的需要,文章在分析时态数据库构建中存在的问题的基础上,引入变更事件、重建事件和多基态,建立了基于事件组的多基态修正模型,实现了"一调""二调"土地利用数据一体化存储;针对"一调""二调"空间数据不一致的几何重建和语义转换问题,提出通过重建事件表实现重建前后要素归档及查询;同时,针对土地利用数据管理的现状以及数据形态,提出了土地利用变更增量提取、时态拓扑关系构建的方法,实现了土地利用时空数据库的构建。最后,以武汉市汉南区数据为例开发了原型系统,实验结果表明本文提出的模型、方法具有较强的实用性。 相似文献
2.
3.
基于机器学习的稀疏样本下的土壤有机质估算方法 总被引:1,自引:0,他引:1
采用GRNN(Generalized Regression Neural Network)和RF(Random Forest)2种机器学习方法构建土壤有机质预测模型,以提高稀疏样本情况下的土壤有机质估算精度。依据北京市大兴区农用地2007年的土壤有机质采样数据,按MMSD准则(Minimization of the Mean of the Shortest Distances)抽稀为8种不同采样密度的样本(分别为2703、1352、676、339、169、85、43、22个样本),分别采用GRNN、RF和Ordinary kriging对各采样密度下的未知采样点进行预测,采用交叉检验的方式验证各采样密度下未知样点的预测精度。随着采样点密度的下降,样点间的空间自相关性逐渐减弱,半变异函数的拟和精度变差,预测点结果误差增大,预测的置信度降低。当抽稀到43个和22个采样点时,样点间的空间自相关性接近歼灭,半变异函数的决定系数较低且残差较大。普通克里格受到采样点数量和采样密度、样点的空间结构的影响比较明显,其预测精度随采样点数量的下降而下降。在85个采样点及以下时,其预测值与观测值之间没有显著的相关性。GRNN和RF的预测精度受采样密度的影响不大,其预测精度在一个较小的范围内波动,其预测值围绕观测值在一定阈值空间内震荡波动,具有较好的相关性,在85个及以下的采样密度时,预测精度相对普通克里格有较大的提升。普通克里格法不适合在稀疏样本条件下空间插值计算,尤其是在空间自相关性比较弱的情况下。机器学习模型能充分学习土壤间环境信息、样点空间邻近效应信息,兼顾属性相似性和空间自相关,具有更好的稳定性和适应性,不容易受到采样点数量、构型和采样密度等因素的影响,即使在采样点空间自相关性很弱的情况下也能做出稳定预测精度。 相似文献
4.
以中国县级尺度房屋结构数据库为基础,基于B/S(Browser/Server)架构,利用地震烈度图、地震烈度与房屋受损关系研究成果,构建了区域房屋震灾脆弱性模拟评估系统,实现了对各区域在不同等级地震发生时的房屋受损、受灾人口等情况进行模拟评估,分行政区和地震烈度区对灾害损失进行各种统计与GIS可视化表达,以及根据损失情况对灾害影响区进行脆弱性等级划分等功能。基于B/S架构的系统便于系统的应用普及,将进一步促进研究成果向应用的转化。本系统的构建将为从全国尺度和区域尺度把握房屋震灾脆弱性,以及制定各地区的防灾、减灾规划和灾后应急对策提供有效支撑,并为实现灾害防治的信息化管理提供参考。 相似文献
5.
6.
1