本文內(nèi)容轉(zhuǎn)載自微信公眾號：地球信息科學(xué)學(xué)報，版權(quán)歸原作者及刊載媒體所有，所刊載內(nèi)容僅供交流參考使用，不代表本刊立場。

●01●

泛北極地區(qū)植被數(shù)據(jù)集與制圖：回顧與展望

薛守業(yè)，徐海燕*，甘子鵬，梁冰妍，種碧瑩，王 莉，張 博，李小明，李莉莎，毛 楠，劉桂民，吳曉東

引用格式：

薛守業(yè),徐海燕,甘子鵬,等.泛北極地區(qū)植被數(shù)據(jù)集與制圖：回顧與展望[J].地球信息科學(xué)學(xué)報,2022,24(3):421-436. [ Xue S Y, Xu H Y, Gan Z P, et al. Vegetation data and classification in Pan-Arctic terrestrial regions: Retrospective and perspective[J] Journal of Geo-information Science, 2022,24(3):421-436.] DOI:10.12082/dqxxkx.2022.210311

摘要：泛北極地區(qū)位于北半球高緯度地區(qū)，主要屬于低溫限制型生態(tài)系統(tǒng)，因而泛北極地區(qū)植被對全球變暖敏感。要明確泛北極地區(qū)陸地生態(tài)系統(tǒng)對全球變暖響應(yīng)過程和機理，就需要高精度的植被類型分類數(shù)據(jù)作為基礎(chǔ)資料。但是，目前泛北極地區(qū)植被數(shù)據(jù)的結(jié)果還不完善。為更好地認(rèn)識泛北極地區(qū)植被類型分類的現(xiàn)狀、發(fā)展歷史和未來研究方向，本文綜述了泛北極地區(qū)植被類型制圖的數(shù)據(jù)來源、植被類型劃分方法和植被類型制圖研究方法。總體而言，泛北極地區(qū)的植被調(diào)查從20世紀(jì)20年代就陸續(xù)開展，目前部分區(qū)域尺度上的地表覆蓋類型的結(jié)果，但具體的植被類型制圖工作還存在一系列難題。主要原因包括植被野外調(diào)查實測數(shù)據(jù)較少和分布不均、植被類型分類標(biāo)準(zhǔn)不一、苔原植被群落的異質(zhì)性大、制圖技術(shù)和分類算法優(yōu)化困難等。因此，在下一步泛北極植被類型制圖工作中，需要制定標(biāo)準(zhǔn)化分類策略，規(guī)范數(shù)據(jù)獲取及數(shù)據(jù)庫的整理工作，并發(fā)展新的制圖方法，從而促進(jìn)植被類型制圖研究工作。

關(guān)鍵詞：泛北極；植被類型變化；植被類型制圖；氣候變化；植被類型；植被調(diào)查；植被群落；植被數(shù)據(jù)庫

注：來源于https://xintu.caff.is/flora-cfg/ava/vegetation-plot-data。北極植被檔案館AVA樣點分布

掃碼閱讀全文

●02●

多邊形疊加Vatti算法的VCS優(yōu)化方法與GPU并行化

張志錕，范俊甫*，徐少波，陳 政

引用格式：

張志錕,范俊甫,徐少波,等.多邊形疊加Vatti 算法的VCS 優(yōu)化方法與GPU 并行化[J].地球信息科學(xué)學(xué)報,2022,24(3):437-447. [Zhang Z K, Fan J F, Xu S B, et al. VCS optimization method of vatti algorithm for polygon overlay and parallelization using GPU[J].Journal of Geo-information Science, 2022,24(3):437-447. ] DOI:10.12082/dqxxkx.2022.210409

摘要：Vatti算法是常用的矢量多邊形裁剪算法之一，在其構(gòu)建掃描束實現(xiàn)交點計算的過程中，二叉樹的數(shù)據(jù)結(jié)構(gòu)和遞歸計算方法導(dǎo)致其計算效率受矢量多邊形邊界頂點數(shù)量影響顯著。本文針對Vatti算法執(zhí)行過程中較為耗時的掃描束構(gòu)建環(huán)節(jié)，提出了一種多邊形邊界頂點預(yù)排序的優(yōu)化方法——VCS（Vertex Coordinate Pre-Sorting）方法，并基于該方法實現(xiàn)了對Vatti算法的GPU細(xì)粒度并行化。VCS方法使用雙向鏈表對Vatti算法原有的二叉樹數(shù)據(jù)結(jié)構(gòu)進(jìn)行了替換，以較小的額外存儲空間取得了多邊形邊界頂點信息查找效率的明顯提升。在GPU環(huán)境下采用雙調(diào)排序算法對多邊形邊界頂點數(shù)組元素進(jìn)行并行化排序并過濾出有效值，克服了原始算法使用二叉樹存儲導(dǎo)致效率低下的問題。實驗結(jié)果表明，改進(jìn)后的算法與原始算法相比，具有相同的計算精度；當(dāng)多邊形頂點數(shù)量為92萬，CUDA每個線程塊中的線程數(shù)量為32時，使用VCS優(yōu)化方法，與采用CPU計算構(gòu)建掃描束方法相比，GPU并行化方法獲得了39.6倍的相對加速比，矢量多邊形疊加分析算法效率總體上提升了4.9倍。

關(guān)鍵詞：疊加分析；多邊形裁剪；CUDA并行；雙調(diào)排序；VCS；Vatti算法；數(shù)據(jù)結(jié)構(gòu)；高性能計算；GIS

并行化前后的Vatti算法耗時對比

掃碼閱讀全文

●03●

基于改進(jìn)RRT*算法的城市低空路徑規(guī)劃方法研究

李逸斐，陳 靜*

引用格式：

李逸斐,陳靜.基于改進(jìn)RRT*算法的城市低空路徑規(guī)劃方法研究[J].地球信息科學(xué)學(xué)報,2022,24(3):448-457. [ Li Y F, Chen J. Research on urban low-altitude path planning method based on improved RRT* algorithm[J]. Journal of Geo-information Science, 2022,24(3):448-457.] DOI:10.12082/dqxxkx.2022.210413

摘要：隨著無人機監(jiān)測、巡查和測繪等低空技術(shù)得到廣泛應(yīng)用，低空長距離空中路徑規(guī)劃成為低空航空器應(yīng)用面臨的一個挑戰(zhàn)。而傳統(tǒng)快速擴展隨機樹（Rapidly-Exploring Random Trees/RRT）及其改進(jìn)算法在大范圍長距離低空三維空間下面臨計算效率慢的問題，對此，本文提出一種帶有R樹空間索引的雙向啟發(fā)式RRT*算法，該算法在雙向RRT*算法基礎(chǔ)上為隨機采樣過程設(shè)置了啟發(fā)函數(shù)，使得在面對狹小城市障礙物之間空隙時，能夠避免局部最小值情況的出現(xiàn)。在此基礎(chǔ)上為城市障礙物建立R樹空間索引，減少了海量障礙物情況下碰撞檢測的時間，提高了低空長距離空中路徑規(guī)劃效率。此外，為了得到更加符合無人機運動規(guī)律的路徑，提高算法的實用性，在采樣過程中設(shè)置轉(zhuǎn)彎閾值控制轉(zhuǎn)彎角度，并且對規(guī)劃結(jié)果路徑使用3次B-spline函數(shù)進(jìn)行路徑平滑。最后在武漢市三維城市場景中，利用武漢市建筑物數(shù)據(jù)進(jìn)行了實驗，實驗證明相比已有算法，本文提出的帶有R樹空間索引的雙向啟發(fā)式RRT*算法相比較RRT算法和雙向RRT*算法在500 m、 2000 m、 10 000 m不同距離下規(guī)劃時間均降低了90%以上；采樣次數(shù)相比RRT算法在不同距離下分別降低了51.6%、75%、86.7%，相比雙向RRT*算法在不同距離下分別降低了20%、24.7%、57.3%；轉(zhuǎn)彎次數(shù)相比RRT算法在不同距離下分別降低了77.3%、73.5%、78.3%，相比雙向RRT*算法在不同距離下分別降低了37.5%、30.8%、16.8%；同時帶有R樹空間索引的雙向啟發(fā)式RRT*算法得到的結(jié)果路徑長度相比其他2種算法也有縮短。該算法應(yīng)用于低空長距離空中路徑規(guī)劃能夠有效提高計算效率，降低規(guī)劃時間，減少采樣次數(shù)，縮短結(jié)果路徑，減少轉(zhuǎn)彎次數(shù)，豐富無人機的應(yīng)用場景。

關(guān)鍵詞：三維RRT；RRT*；雙向RRT；雙向RRT*；R樹索引；空中路徑規(guī)劃；碰撞檢測；B-spline曲線；三維城市

直線距離500 m三種算法規(guī)劃結(jié)果

掃碼閱讀全文

●04●

基于DBI和稀疏軌跡數(shù)據(jù)的交通狀態(tài)精細(xì)劃分與識別

朱秋圳，鄔群勇*，姚鋮鑫，孫豪宇

引用格式：

朱秋圳,鄔群勇,姚鋮鑫,等.基于DBI和稀疏軌跡數(shù)據(jù)的交通狀態(tài)精細(xì)劃分與識別[J].地球信息科學(xué)學(xué)報,2022,24(3):458-468. [ Zhu Q Z, Wu Q Y, Yao C X, et al. Fine classification and identification of traffic states based on DBI and sparse trajectory data[J]. Journal of Geo-information Science, 2022,24(3):458-468.] DOI:10.12082/dqxxkx.2022.210408

摘要：浮動車軌跡數(shù)據(jù)已逐漸成為城市交通狀態(tài)識別的主要數(shù)據(jù)源之一，但是現(xiàn)有基于浮動車軌跡數(shù)據(jù)的交通狀態(tài)識別中多數(shù)是應(yīng)用高精度或是多源軌跡數(shù)據(jù)。針對稀疏軌跡數(shù)據(jù)在城市交通狀態(tài)識別中存在識別精度不高的問題，本文提出一種結(jié)合戴維森堡丁指數(shù)（DBI）和軌跡相似性度量的動態(tài)交通狀態(tài)劃分方法。首先，對軌跡數(shù)據(jù)和路網(wǎng)數(shù)據(jù)進(jìn)行預(yù)處理并且建立不同時間片的路段軌跡集合；接著，依據(jù)軌跡速度-空間相似性，利用戴維森堡丁指數(shù)動態(tài)地擴展軌跡的空間維度，并根據(jù)軌跡相似性度量方法構(gòu)建最佳車輛隊列；然后，將前后不同的車輛隊列進(jìn)行二次處理，連接組成交通流簇；最后，基于模糊C均值聚類方法將交通流進(jìn)行劃分，實現(xiàn)路段交通狀態(tài)的識別。采用廈門市廈禾路、湖濱西路和湖濱南路交叉路段上的真實出租車軌跡數(shù)據(jù)進(jìn)行測試，結(jié)果表明，本文所提方法保證了車輛隊列速度分布與原始軌跡速度分布基本一致，相比對比方法Kmeans++和ST-DBSCAN，本文方法均方根誤差平均下降了18.77%和21.22%，并且在不同的實驗路段表現(xiàn)更加穩(wěn)定，可有效、可靠地運用稀疏軌跡數(shù)據(jù)識別城市交通狀態(tài)，進(jìn)而實現(xiàn)城市交通狀態(tài)的精細(xì)分析。

關(guān)鍵詞：城市交通；動態(tài)劃分；軌跡相似性度量；稀疏軌跡數(shù)據(jù)；戴維森堡丁指數(shù)；車輛隊列；狀態(tài)識別；模糊聚類

注：時間段1表示17:00-17:02,時間段10表示17:20-17:22,以此類推。路段A—H交通狀態(tài)

掃碼閱讀全文

●05●

基于多特征指標(biāo)和層次聚類分析的河源區(qū)范圍自動劃分方法研究

鄧雅文，侯 鵬，蔣衛(wèi)國*，彭凱鋒，荔 琢，鄧 越

引用格式：

鄧雅文,侯鵬,蔣衛(wèi)國,等.基于多特征指標(biāo)和層次聚類分析的河源區(qū)范圍自動劃分方法研究[J].地球信息科學(xué)學(xué)報,2022,24(3):469-482. [Deng Y W, Hou P, Jiang W G, et al. Automatic extraction of river source region boundary based on multi-characteristic indexes and hierarchical cluster analysis[J]. Journal of Geo-information Science, 2022,24(3):469-482.] DOI:10.12082/dqxxkx.2022.210334

摘要：河源區(qū)邊界是重要的國家基礎(chǔ)地理信息之一，但除長江、黃河等大江大河外的我國大部分其他中小流域仍缺乏確切的河源區(qū)邊界信息，需要科學(xué)劃定河源區(qū)邊界以支持流域水生態(tài)保護相關(guān)政策的規(guī)劃與實施。對此，本文在確立河源區(qū)劃分原則、明確劃分依據(jù)的基礎(chǔ)上，提出了基于多特征指標(biāo)和層次聚類分析法的河源區(qū)邊界劃定方法。以沁河流域為研究案例，首先利用均值變點分析法計算沁河流域子流域提取的最佳匯流累積量分位數(shù)閾值為0.15%，再基于子流域的多特征指標(biāo)運用層次聚類分析法最終確定河源區(qū)范圍邊界，并將該方法應(yīng)用于長江、黃河流域進(jìn)行驗證分析。結(jié)果表明：① 基于多特征指標(biāo)和層次聚類分析提取的沁河流域河源區(qū)范圍處于河底比降法、水文站點方法得到的源區(qū)范圍面積之間；② 該方法在長江、黃河流域河源區(qū)劃分結(jié)果的交并比分別達(dá)到85.40%和79.99%，側(cè)面驗證了本文方法進(jìn)行河源區(qū)邊界劃分的合理性與適用性。基于多特征指標(biāo)和層次聚類分析的河源區(qū)邊界自動劃分方法可以簡捷高效地識別缺乏明確河源區(qū)邊界信息的流域河源區(qū)范圍，為我國河源區(qū)生態(tài)安全屏障識別、水資源保護相關(guān)政策的規(guī)劃和實施提供科學(xué)支撐。

關(guān)鍵詞：河源區(qū)邊界；多特征指標(biāo)；層次聚類分析；均值變點分析；子流域提取；多源數(shù)據(jù)；范圍識別；多要素綜合

不同聚類個數(shù)k下層次聚類分析法劃分的河源區(qū)范圍結(jié)果

掃碼閱讀全文

●06●

基于網(wǎng)絡(luò)地圖的多交通模式醫(yī)療設(shè)施可達(dá)性分析

郭琛琛，梁娟珠*

引用格式：

郭琛琛,梁娟珠.基于網(wǎng)絡(luò)地圖的多交通模式醫(yī)療設(shè)施可達(dá)性分析[J].地球信息科學(xué)學(xué)報,2022,24(3):483-494. [Guo C C, Liang J Z. Accessibility analysis of medical facilities based on multiple transportation modes of network map[J]. Journal of Geo-information Science, 2022,24(3):483-494.] DOI:10.12082/dqxxkx.2022.210260

摘要：由于城鎮(zhèn)化發(fā)展迅速、居民對醫(yī)療服務(wù)需求的提高，使得城市人口密集區(qū)域醫(yī)療服務(wù)壓力增大，因此進(jìn)行醫(yī)療服務(wù)設(shè)施可達(dá)性分析具有重要意義。本文以福州市主城區(qū)為例，醫(yī)療數(shù)據(jù)來自于福州市衛(wèi)健委，利用爬蟲技術(shù)獲得小區(qū)戶數(shù)進(jìn)行人口估算，基于早、中、晚各時段的實時路況信息，計算居民點到醫(yī)療服務(wù)設(shè)施的最優(yōu)路徑旅行時間，并繪制醫(yī)療服務(wù)等時區(qū)，利用高斯距離衰減函數(shù)改進(jìn)的兩步移動搜法（Gaussian-Two Step Floating Catchment Area Method, Ga-2SFCA），考慮出行模式，對福州市主城區(qū)二級以上醫(yī)院進(jìn)行可達(dá)性分析。結(jié)果表明：① 駕車出行模式下，醫(yī)療服務(wù)覆蓋率和居民就醫(yī)可達(dá)性要明顯好于公共交通出行模式；② 駕車出行模式下，醫(yī)療服務(wù)可達(dá)性受出行時段影響較大；而公共交通出行方式下，各時段差異較??；③ 隨著時間閾值的增大，居民點的醫(yī)療服務(wù)可達(dá)性等級提升，且高等級可達(dá)性范圍逐漸擴大；④ 駕車模式下的醫(yī)療可達(dá)性空間分布和道路保持一致，呈現(xiàn)出“環(huán)線層次”的現(xiàn)象；而公共交通模式下的可達(dá)性空間分布由于受到城市公交微循環(huán)系統(tǒng)的影響，呈現(xiàn)出“軸向擴張”的現(xiàn)象。

關(guān)鍵詞：醫(yī)療服務(wù)設(shè)施；公共交通；駕車；百度地圖；旅行成本；可達(dá)性；高斯兩步移動搜索法；福州市主城區(qū)

早、午、晚出行時段下駕車模式醫(yī)療可達(dá)性空間分布

掃碼閱讀全文

●07●

一種基于深度傳遞遷移學(xué)習(xí)的遙感影像分類方法

林 禹，趙泉華*，李 玉

引用格式：

林禹,趙泉華,李玉.一種基于深度傳遞遷移學(xué)習(xí)的遙感影像分類方法[J].地球信息科學(xué)學(xué)報,2022,24(3):495-507. [Lin Y, Zhao Q H, Li Y. A Remote sensing image classification method based on deep transitive transfer learning[J]. Journal of Geo-information Science, 2022,24(3):495-507.] DOI:10.12082/dqxxkx.2022.210428

摘要：面對實際的遙感影像分類任務(wù)，采用深度神經(jīng)網(wǎng)絡(luò)的方法存在的最大問題是缺乏充足的標(biāo)注樣本，如何使用較少的標(biāo)注樣本實現(xiàn)較高精度的遙感影像分類，是目前需要解決的問題。ImageNet作為世界上最大的圖像識別數(shù)據(jù)集，在其上訓(xùn)練出的模型有著豐富的底層特征。對ImageNet預(yù)訓(xùn)練模型進(jìn)行微調(diào)是最常見的遷移學(xué)習(xí)方法，能夠一定程度利用其豐富的底層特征，提高分類精度。但I(xiàn)mageNet影像特征與遙感影像差距較大，對分類效果提升有限。為了解決上述問題，本文基于傳遞遷移學(xué)習(xí)思想，結(jié)合深度神經(jīng)網(wǎng)絡(luò)，提出一種基于深度傳遞遷移學(xué)習(xí)的遙感影像分類方法。該方法通過構(gòu)建以開源遙感場景識別數(shù)據(jù)集為源域的中間域，并以ImageNet預(yù)訓(xùn)練權(quán)重為源域、待分類遙感影像為目標(biāo)域進(jìn)行遷移學(xué)習(xí)，提高遙感影像分類精度。首先，以ImageNet預(yù)訓(xùn)練VGG16網(wǎng)絡(luò)為基礎(chǔ)，為加速卷積層權(quán)重更新而將全連接層替換為全局平均池化層，構(gòu)建GAP-VGG16，使用中間域數(shù)據(jù)集訓(xùn)練ImageNet預(yù)訓(xùn)練GAP-VGG16以獲取權(quán)重；然后，以SegNet網(wǎng)絡(luò)為基礎(chǔ)，在SegNet中加入卷積層設(shè)計了T-SegNet，以對獲取的權(quán)重進(jìn)一步地提取。最后，將獲取的權(quán)重遷移到T-SegNet中，使用目標(biāo)域數(shù)據(jù)集訓(xùn)練，實現(xiàn)遙感影像分類。本文選取Aerial Image Dataset和UC Merced Land-Use DataSet作為中間域數(shù)據(jù)集的數(shù)據(jù)源，資源三號盤錦地區(qū)影像為目標(biāo)域影像，并分別選取了50%和25%數(shù)量的訓(xùn)練樣本進(jìn)行實驗。實驗結(jié)果表明，在50%和25%數(shù)量的訓(xùn)練樣本下，本文方法分類結(jié)果相比SegNet的Kappa系數(shù)分別提高了0.0459和0.0545，相比ImageNet預(yù)訓(xùn)練SegNet的Kappa系數(shù)分別提高了0.0377和0.0346，且在樣本數(shù)較少的類別上，本文方法分類精度提升更明顯。

關(guān)鍵詞：遙感影像分類；深度神經(jīng)網(wǎng)絡(luò)；遷移學(xué)習(xí)；VGG16；SegNet；傳遞遷移學(xué)習(xí)；資源三號影像；全局平均池化

T-SegNet網(wǎng)絡(luò)結(jié)構(gòu)

掃碼閱讀全文

●08●

基于自適應(yīng)半監(jiān)督模糊C均值的遙感變化檢測

邵 攀，范紅梅*，高梓昂

引用格式：

邵攀,范紅梅,高梓昂.基于自適應(yīng)半監(jiān)督模糊C均值的遙感變化檢測[J].地球信息科學(xué)學(xué)報,2022,24(3):508-521. [Shao P, Fan H M, Gao Z A. An adaptive and semi-supervised Fuzzy C-means clustering algorithm for remotely sensed change detection[J]. Journal of Geo-information Science, 2022,24(3):508-521.] DOI:10.12082/dqxxkx.2022.210237

摘要：遙感變化檢測是開展對地觀測應(yīng)用的關(guān)鍵技術(shù)之一，在城市研究、災(zāi)害評估以及資源調(diào)查等領(lǐng)域發(fā)揮著重要的作用。本文針對基于差分影像的遙感變化檢測展開研究，提出一種基于自適應(yīng)半監(jiān)督模糊C均值(Adaptive and Semi-Supervised Fuzzy C-means, ASFCM)聚類的變化檢測技術(shù)。① ASFCM根據(jù)“差分影像像素灰度值越大，則對應(yīng)區(qū)域發(fā)生變化可能性越大”的性質(zhì)，通過閾值技術(shù)自適應(yīng)、自動地分析差分影像灰度直方圖并將其劃分為兩部分：幾乎可確定類別區(qū)域和不確定區(qū)域；② 將差分影像像素灰度值、空間上下文信息和幾乎可確定類別區(qū)域像素的偽類別標(biāo)簽信息集成到模糊聚類過程，生成差分影像的模糊隸屬度函數(shù)；③ 通過最大隸屬度原則生成變化檢測圖。ASFCM通過半監(jiān)督策略利用偽類別標(biāo)簽信息指導(dǎo)聚類過程，通過空間引力模型優(yōu)化的模糊因子自適應(yīng)地利用差分影像的空間相關(guān)性，能夠得到更加準(zhǔn)確的模糊隸屬度函數(shù)和更優(yōu)的變化檢測結(jié)果。3組真實遙感數(shù)據(jù)的實驗結(jié)果驗證了ASFCM的有效性：ASFCM在Bangladesh數(shù)據(jù)上的kappa系數(shù)為0.9188，比其它方法提高3.5%~16.4%；在Madeirinha數(shù)據(jù)上的Kappa系數(shù)為0.9379，比其他方法提高2.18%~7.13%；在黑龍江數(shù)據(jù)上的Kappa系數(shù)為0.8696，比其它方法提高2.88%~22.02%。

關(guān)鍵詞：遙感；變化檢測；模糊聚類算法；自適應(yīng)；偽標(biāo)簽；空間信息；模糊因子；半監(jiān)督

各算法關(guān)于黑龍江數(shù)據(jù)的變化檢測

掃碼閱讀全文

●09●

一種基于面陣擺掃式航空影像的特征匹配方法

張 昆，王 濤*，張 艷，鄭迎輝，趙 祥，李芳芳

引用格式：

張昆,王濤,張艷,等.一種基于面陣擺掃式航空影像的特征匹配方法[J].地球信息科學(xué)學(xué)報,2022,24(3):522-532. [Zhang K, Wang T, Zhang Y, et al. A feature matching method based on area array swing-scan aerial image[J]. Journal of Geo-information Science, 2022,24(3):522-532.] DOI:10.12082/dqxxkx.2022.210394

摘要：特征匹配是面陣擺掃式航空影像處理的關(guān)鍵步驟，針對傳統(tǒng)特征匹配方法在面陣擺掃式航空影像匹配時存在匹配點數(shù)量少，分布不勻均的問題，本文提出一種基于自適應(yīng)亮度空間的特征匹配方法。首先根據(jù)影像POS（Postion Oriental System）信息求解待匹配影像間變換關(guān)系進(jìn)行影像校正，在校正后的影像上構(gòu)建自適應(yīng)亮度空間，使用ORB算子和BEBLID算法在亮度空間上獲取特征點和二進(jìn)制特征描述符，然后基于漢明距離獲取初始匹配點，使用RANSAC算法剔除粗差，最后將匹配點變換到原始影像上得到最終匹配結(jié)果。本文選取6組具有視角差異及亮度變化的面陣擺掃式航空影像進(jìn)行實驗，將本文算法與SIFT、SURF、ORB、ORB+BEBLID、ASIFT等匹配方法進(jìn)行比較，結(jié)果表明：本文算法通過建立影像間變換關(guān)系，構(gòu)建自適應(yīng)亮度空間，使得算法提取的特征點數(shù)量增加1.5倍，獲取匹配點數(shù)量是其他算法的3倍以上，且匹配點分布更加均勻，匹配效率高于其他算法，驗證了本文算法在具有亮度變化及視角差異的面陣擺掃式航空影像上匹配的有效性。

關(guān)鍵詞：影像匹配；自適應(yīng)亮度空間；BEBLID；RANSAC；單應(yīng)變換；面陣擺掃式航空影像；POS

注：圖中綠色線為匹配點連線。不同亮度及傾斜角影像匹配結(jié)果

掃碼閱讀全文

●10●

一種工業(yè)熱源提取方法:利用溫度特征模板的BP神經(jīng)網(wǎng)絡(luò)

李 博，范俊甫*，韓留生，孫廣偉，張大富，張盼盼

引用格式：

李博,范俊甫,韓留生,等.一種工業(yè)熱源提取方法:利用溫度特征模板的BP神經(jīng)網(wǎng)絡(luò)[J].地球信息科學(xué)學(xué)報,2022,24(3):533-545. [Li B, Fan J F, Han L S, et al. An industrial heat source extraction method: BP neural network using temperature feature template[J]. Journal of Geo-information Science, 2022,24(3):533-545.] DOI:10.12082/dqxxkx.2022.210462

摘要：針對年尺度熱異常數(shù)據(jù)提取工業(yè)熱源的方法存在數(shù)量和空間精細(xì)化程度不足的問題，使用VIIRS Active Fire數(shù)據(jù)，提出了一種基于溫度特征模板的BP神經(jīng)網(wǎng)絡(luò)工業(yè)熱源提取方法。該方法以京津冀及周邊地區(qū)為試驗區(qū)，首先，根據(jù)工業(yè)熱源空間聚集性特征，使用OPTICS算法劃分熱源對象；其次，根據(jù)熱源的熱輻射特征，構(gòu)建工業(yè)熱源與非工業(yè)熱源溫度特征模板；最后，以溫度特征模板、熱源統(tǒng)計特征等作為參數(shù)，使用BP神經(jīng)網(wǎng)絡(luò)提取工業(yè)熱源對象。結(jié)果表明：① 本文提出的基于溫度特征模板的BP神經(jīng)網(wǎng)絡(luò)算法的工業(yè)熱源提取精度達(dá)到了96.31%，與時間濾波、邏輯回歸方法相比較，工業(yè)熱源提取精度分別提高了8.45%、7.53%；② 2015—2020年京津冀及周邊地區(qū)6省市工業(yè)熱源數(shù)量整體減少了27.46%；河北省工業(yè)熱源對象數(shù)量和熱異常點數(shù)量年均減少了8.06%和7.44%，相對于其他省市減少幅度最大；山東、天津的工業(yè)熱源集中度分別提高了25.72%、86.64%，說明兩地工業(yè)轉(zhuǎn)型升級政策取得較顯著成效；③ 唐山、邯鄲、呂梁和長治4個城市工業(yè)熱源對象數(shù)量占試驗區(qū)全部的31.37%，為京津冀及周邊地區(qū)工業(yè)熱源主要分布城市；臨汾、太原等7個城市工業(yè)熱源聚集程度和能源消耗程度高于其他城市；北京、周口等11個城市工業(yè)熱源聚集程度和能源消耗程度低于其他城市；④ 2020年1—5月，京津冀及周邊地區(qū)工業(yè)熱異常點數(shù)量相對于2019、2021年同期保持不變或增加，新冠疫情對試驗區(qū)工業(yè)熱源無顯著影響；2020年1、2月武漢工業(yè)熱異常點數(shù)量與2019、2021年同期相比數(shù)量減少了66.67%以上，2020年3—5月工業(yè)熱異常點數(shù)量低于2019年同期，2020年1—5月新冠疫情對武漢市工業(yè)熱源影響顯著。該研究反映了京津冀及周邊地區(qū)工業(yè)熱源發(fā)展的現(xiàn)狀及趨勢，能夠為降低能耗和提高第二產(chǎn)業(yè)集中度等相關(guān)政策的制定與調(diào)整提供有價值的參考。

關(guān)鍵詞：工業(yè)熱源；OPTICS算法；溫度特征模板；BP神經(jīng)網(wǎng)絡(luò)；VIIRS Active Fire；京津冀及周邊地區(qū)

1—5月熱異常點數(shù)量

掃碼閱讀全文

●11●

高分六號影像在內(nèi)陸水體葉綠素a反演中的應(yīng)用潛力分析

曹 引*，冶運濤，趙紅莉，蔣云鐘，董甲平，嚴(yán)登明

引用格式：

曹引,冶運濤,趙紅莉,等.高分六號影像在內(nèi)陸水體葉綠素a反演中的應(yīng)用潛力分析[J].地球信息科學(xué)學(xué)報,2022,24(3):546-557. [Cao Y, Ye Y T, Zhao H L, et al. Application potential analysis on chlorophyll-a retrieval for inland water based on a Gaofen-6 WFV imagery[J]. Journal of Geo-information Science, 2022,24(3):546-557.] DOI:10.12082/dqxxkx.2022.210322

摘要：GF-6 WFV影像具有寬覆蓋、高時空分辨率、高光譜分辨率等特點，目前在農(nóng)業(yè)和林業(yè)遙感領(lǐng)域都有一定應(yīng)用，但是在水質(zhì)遙感中的應(yīng)用潛力還缺乏系統(tǒng)的評估。本文以潘家口和大黑汀水庫為研究區(qū)，采用2019年9月24—25日獲取的潘家口和大黑汀水庫葉綠素a濃度、實測遙感反射率和準(zhǔn)同步GF-6 WFV影像，構(gòu)建了潘家口和大黑汀水庫葉綠素a濃度經(jīng)驗反演模型，探索GF-6 WFV在內(nèi)陸水體葉綠素a濃度遙感監(jiān)測中的應(yīng)用潛力。研究結(jié)果表明，基于GF-6 WFV模擬光譜構(gòu)建的潘家口和大黑汀水庫葉綠素a濃度經(jīng)驗?zāi)Ｐ蜎Q定系數(shù)均在0.90以上，GF-6 WFV影像在水體葉綠素a遙感監(jiān)測中具有應(yīng)用潛力，尤其是新增的黃波段和紅邊波段1，有助于提高GF-6 WFV影像葉綠素a濃度遙感監(jiān)測能力；GF-6 WFV影像大氣校正誤差降低了葉綠素a濃度遙感監(jiān)測精度，GF-6 WFV影像水體大氣校正精度有待改進(jìn)，以提升GF-6 WFV影像水質(zhì)遙感監(jiān)測能力。

關(guān)鍵詞：高分六號；內(nèi)陸水體；潘家口和大黑汀水庫；葉綠素a；遙感；大氣校正；經(jīng)驗?zāi)Ｐ停粦?yīng)用潛力

2019年9月26日潘家口和大黑汀葉綠素a濃度空間分布

掃碼閱讀全文

●12●

基于ICESat和ICESat-2激光測高數(shù)據(jù)估算2003—2019年格陵蘭冰蓋物質(zhì)平衡

李晴爍，柯長青*，張 杰，范宇賓，沈校熠

引用格式：

李晴爍,柯長青,張杰,等.基于ICESat和ICESat-2激光測高數(shù)據(jù)估算2003—2019年格陵蘭冰蓋物質(zhì)平衡[J].地球信息科學(xué)學(xué)報,2022,24(3):558-571. [ Li Q S, Ke C Q, Zhang J, et al. Estimation of the mass balance of greenland icesheet from 2003 to 2019 based on ICESat and ICESat-2 laser altimetry data[J]. Journal of Geo-information Science, 2022,24(3):558-571.] DOI:10.12082/dqxxkx.2022.210361

摘要：格陵蘭冰蓋是影響全球氣候變化的重要因素之一，其微小變化會引起海平面的顯著變化，因此定量研究其物質(zhì)平衡具有重要的科學(xué)意義。利用最新發(fā)射的ICESat-2衛(wèi)星激光測高數(shù)據(jù)（2018年11月至2019年9月），聯(lián)合ICESat數(shù)據(jù)（2003年2月至2009年10月），估算2003年2月至2019年9月格陵蘭冰蓋物質(zhì)平衡。首先通過交叉點法得到冰蓋表面的高程變化，再根據(jù)積雪堆積、表面融化和動力變化等物理過程計算密度值，最后經(jīng)過粒雪含量、冰后回彈和彈性回彈校正計算物質(zhì)平衡，并針對不同的冰川水文流域進(jìn)行空間差異性分析。結(jié)果表明：① 2003—2019年格陵蘭冰蓋主體的平均高程變化為-11.27 ± 0.83 cm/yr；② 高程2000 m以下的冰蓋呈較大的消融趨勢，高程最大消融速率為-6.0 m/yr，總體積變化速率為-206.0 km3/yr，2000 m以上的冰蓋呈上升趨勢，高程最大累積率為1.1 m/yr，總體積變化率為14.2 km3/yr；③ 校正后觸地冰的總物質(zhì)平衡為-195.2 ± 13.1 Gt/yr，其中東南部和西北部流域消融量較大，僅有東北部流域呈累積趨勢；④ 2003—2019年格陵蘭溫度整體處于上升趨勢，最大變化率為0.8 K/yr，降水在東部和西北部呈下降趨勢，最大變化率為-0.1 mm/yr，在一定程度上加速了冰蓋消融。

關(guān)鍵詞：高程變化；物質(zhì)平衡；ICESat-2；ICESat；激光測高；交叉點分析；格陵蘭冰蓋；觸地冰

格陵蘭2003年2月至2019年9月溫度和降水變化趨勢

掃碼閱讀全文

●13●

基于YOLOv5算法的飛機類型光學(xué)遙感識別

龍怡燦，雷 蓉*，董 楊，李東子，趙琛琛

引用格式：

龍怡燦,雷蓉,董楊,等.基于YOLOv5算法的飛機類型光學(xué)遙感識別[J].地球信息科學(xué)學(xué)報,2022,24(3):572-582. [Long Y C, Lei R, Dong Y, et al. YOLOv5 based aircraft type detection from remotely sensed optical images[J]. Journal of Geo-information Science, 2022,24(3): 572-582.] DOI:10.12082/dqxxkx.2022.210369

摘要：飛機類型檢測是遙感影像分析領(lǐng)域的研究熱點，在機場監(jiān)控和情報分析等應(yīng)用中起著重要的作用。其中，深度學(xué)習(xí)方法作為遙感影像分析領(lǐng)域廣泛應(yīng)用的手段之一，在飛機類型檢測任務(wù)中仍面臨許多問題，如使用未公開的自制數(shù)據(jù)集、實驗復(fù)現(xiàn)困難、無法驗證泛化能力等。同時，光學(xué)遙感影像易受光照條件、云雨變化等因素影響，使檢測任務(wù)更加困難。為了解決這些問題，本文首先利用MTARSI數(shù)據(jù)集對樣本進(jìn)行篩選，再結(jié)合Google Earth等開源方法收集飛機影像，采用隨機旋轉(zhuǎn)、改變亮度等方法構(gòu)建新的飛機類型檢測數(shù)據(jù)集。其次，采用YOLOv5作為基礎(chǔ)網(wǎng)絡(luò)框架，針對其多層卷積和池化操作可能會削弱或完全丟失飛機特征的問題，進(jìn)行多尺度優(yōu)化訓(xùn)練，有效檢測飛機類型特征。最后，利用跨數(shù)據(jù)集驗證模型的泛化能力。實驗結(jié)果表明，本文方法能準(zhǔn)確、有效地檢測出光學(xué)遙感影像中的飛機的具體類型，具有較強的魯棒性和泛化能力，跨數(shù)據(jù)集進(jìn)行飛機類型檢測正確率達(dá)到82.12%，可為智能化的飛機目標(biāo)語義分析、星上應(yīng)用等研究提供技術(shù)支撐。

關(guān)鍵詞：飛機檢測；類型檢測；遙感影像；深度學(xué)習(xí)；數(shù)據(jù)增廣；YOLOv5；多尺度優(yōu)化 ；多時相檢測

注：綠框為檢測正確的飛機;黃框為影像局部放大;紅圈為漏檢的飛機?？鐢?shù)據(jù)集檢測實驗結(jié)果二

掃碼閱讀全文

●14●

基于潮汐動態(tài)淹沒過程的長江口潮灘地形信息反演研究

章 敏，吳文挺*，汪小欽，孫 玉

引用格式：

章敏,吳文挺,汪小欽,等.基于潮汐動態(tài)淹沒過程的長江口潮灘地形信息反演研究[J].地球信息科學(xué)學(xué)報,2022,24(3):583-596. [Zhang M, Wu W T, Wang X Q, et al. Topographic retrieval of the tidal flats in the Yangtze Estuary based on the dynamic tidal submergence[J]. Journal of Geo-information Science, 2022,24(3):583-596.] DOI:10.12082/dqxxkx.2022.210429

摘要：潮灘是陸地與海洋之間重要的生態(tài)過渡地帶，具有復(fù)雜的生態(tài)過程和重要的服務(wù)功能。受陸海交互作用及人類活動的影響，潮灘處于高度動態(tài)變化過程中，而傳統(tǒng)測繪技術(shù)受到潮灘可達(dá)性影響無法快速獲取潮灘地形信息。為解決潮灘高程數(shù)據(jù)獲取困難的問題，本文提出一種基于潮汐動態(tài)淹沒過程和時序遙感影像的潮灘地形信息提取算法，利用K-means++聚類方法實現(xiàn)水域提取，并通過時序淹沒特征計算潮灘淹沒頻率提取潮灘范圍信息，最終綜合區(qū)域潮汐特征反演潮灘地形。研究以崇明東灘為例，利用2016—2020年所有可用Sentinel-2和Landsat-8時序遙感影像，實現(xiàn)潮灘范圍提取與高程反演，并通過實測高程數(shù)據(jù)進(jìn)行精度驗證。研究結(jié)果表明，潮灘范圍提取總體精度為97.73%，F(xiàn)1_score為0.98；高程反演平均絕對誤差為0.15 m，潮灘高程的反演精度與可用影像的數(shù)量呈正相關(guān)。研究利用該算法進(jìn)一步反演長江口地區(qū)主要潮灘地形特征，結(jié)果表明區(qū)域內(nèi)潮灘面積為346.93 km2，高程范圍為1.00~3.84 m，且與現(xiàn)有潮灘范圍數(shù)據(jù)集相比，本研究提取的長江口潮灘范圍更為完整。該算法為潮灘地形的快速反演提供了可能，對潮灘資源動態(tài)監(jiān)測和管理具有重要意義。

關(guān)鍵詞：潮灘；時序遙感影像；K-means++；潮灘淹沒頻率；Sentinel-2；Landsat-8；潮灘范圍提??；地形反演；長江口

注：圖(b)不同顏色表示不同聚類。K-means++方法實現(xiàn)水陸分離具體流程

掃碼閱讀全文

初審：楊瑞芳復(fù)審：宋啟凡終審：金 君

往期推薦

資訊

○《測繪通報》企業(yè)招聘季直播，精彩即將開啟！

○ 武漢大學(xué)發(fā)布2022年碩士研究生招生考試復(fù)試基本分?jǐn)?shù)線！

○ 國際華人地理信息科學(xué)協(xié)會 CPGIS Awards 2022 榮譽獎開始提名

○ 5大省地震局2022年度公開招聘

○ 快來！自然資源部這些單位招聘啦

○ 司南導(dǎo)航2022春招全面啟動

會議

○ “第二屆新型基礎(chǔ)測繪高峰論壇”會議日程來啦！○ 第二屆“地理資源青年創(chuàng)新論壇”一號通知○ Geoinformatics 2022 暨CPGIS成立30周年年會（二號通知）○ 會議通知 | 第三屆IEEE地質(zhì)、測繪與遙感國際學(xué)術(shù)會議

《測繪學(xué)報》

○ 測繪學(xué)報 | 趙慶志：GNSS約束的MERSI/FY-3A PWV校準(zhǔn)方法

○ 測繪學(xué)報 | 張玉鑫：高分辨率遙感影像建筑物提取多路徑RSU網(wǎng)絡(luò)法

○ 測繪學(xué)報 | 余俊鵬：附加傅里葉補償項的衛(wèi)星遙感影像RFM平差方法

○ 測繪學(xué)報 | 許彪：分區(qū)優(yōu)化混合SfM方法

《測繪通報》

○《測繪通報》2021年第12期目錄

○ 《測繪通報》2022年第1期目錄

○ 《測繪通報》2022年第2期目錄

○ 地市級實景三維城市建設(shè)及應(yīng)用

《北京測繪》

○《北京測繪》2022年第1期摘要推薦

○《北京測繪》2021年第12期摘要推薦

○《北京測繪》2021年第11期摘要推薦

○《北京測繪》2021年第10期摘要推薦

《測繪科學(xué)技術(shù)學(xué)報》

○ 摘要 |《測繪科學(xué)技術(shù)學(xué)報》2021年第2期摘要推薦

○ 摘要 |《測繪科學(xué)技術(shù)學(xué)報》2021年第4期摘要推薦

○ 摘要 |《測繪科學(xué)技術(shù)學(xué)報》2021年第5期摘要推薦

○ 摘要 |《測繪科學(xué)技術(shù)學(xué)報》2021年第6期摘要推薦

《地球信息科學(xué)學(xué)報》

○ 《地球信息科學(xué)學(xué)報》2022年第2期佳文推介

○ 龔健雅院士：全球位置信息疊加協(xié)議與位置服務(wù)網(wǎng)技術(shù)研究進(jìn)展與展望

○ 佳文推介 | 大數(shù)據(jù)城市通勤交通模型的構(gòu)建與模擬應(yīng)用

○ 專刊征稿：社會感知與地理大數(shù)據(jù)挖掘（征稿中）

《測繪工程》

○ 摘要 |《測繪工程》2021年第5期摘要推薦

○ 摘要 |《測繪工程》2021年第6期摘要推薦

○ 摘要 |《測繪工程》2022年第1期摘要推薦

○ 佳文推介 | 單目視覺技術(shù)在室內(nèi)定位中的應(yīng)用研究

《中國空間科學(xué)技術(shù)》

○ 火衛(wèi)二地形地貌探測綜述

○《中國空間科學(xué)技術(shù)》2022年第1期摘要

○《中國空間科學(xué)技術(shù)》2021年第6期摘要

○《中國空間科學(xué)技術(shù)》2021年第5期摘要推薦

《衛(wèi)星應(yīng)用》

○《衛(wèi)星應(yīng)用》2022年第01期摘要○《衛(wèi)星應(yīng)用》2021年第12期摘要○《衛(wèi)星應(yīng)用》2021年第11期摘要○《衛(wèi)星應(yīng)用》2021年第10期摘要

《Journal of Geodesy and Geoinformation Science》

○《測繪學(xué)報（英文版）》?？鞲?| 地圖學(xué)與地球空間信息教育：理論與實踐

○ 《測繪學(xué)報（英文版）》專刊征稿 | 用于三維地理信息的攝影測量和計算機視覺

○ Xiang LI et al. | 《測繪學(xué)報（英文版）》（JGGS）精選論文

○ Xinchang ZHANG et al. | 《測繪學(xué)報（英文版）》（JGGS）精選論文

《Satellite Navigation》

○ 徐元博士：面向有色測量噪聲下UWB/INS組合行人導(dǎo)航的分布式卡爾曼濾波| SANA佳文速遞

○ 楊飛博士：GNSS天頂對流層精化模型的構(gòu)建與分析| SANA佳文速遞

○ 姚錚教授：北斗PPP服務(wù)信號調(diào)制復(fù)用方案設(shè)計與質(zhì)量評估| SANA佳文速遞

○ 2022征文| SatNav“普適定位、室內(nèi)導(dǎo)航與基于位置服務(wù)”專題

《自然資源遙感》

○ 《自然資源遙感》入駐“智繪科服”融媒體平臺！

○ 《自然資源遙感》征稿：“海岸帶空間資源及生態(tài)健康遙感監(jiān)測”專欄

○ 摘要 |《自然資源遙感》2021年第3期摘要推薦

○ 摘要 |《自然資源遙感》2021年第4期摘要推薦

《Journal of Geovisualization and Spatial Analysis》

○《Journal of Geovisualization and Spatial Analysis》入駐“智繪科服”融媒體平臺！

○ JGSA國際期刊2021年第5卷第2期論文摘要

○ 高被引論文推薦 | Journal of Geovisualization and Spatial Analysis

《全球定位系統(tǒng)》

○ 《全球定位系統(tǒng)》論文推薦 | 劉光明：我國常用地心坐標(biāo)系的現(xiàn)狀與發(fā)展