-
题名基于傅里叶级数的等高线网络渐进式传输模型
被引量：13
- 1
-
-
作者
刘鹏程
艾廷华
杨敏
-
机构
华中师范大学城市与环境科学学院
武汉大学资源与环境学院
-
出处
《测绘学报》
EI
CSCD
北大核心
2012年第2期284-290,共7页
-
基金
国家863计划(2009AA121404)
国家自然科学基金(41001229)
数字制图与国土应用工程国家测绘局重点实验室开放研究基金(GCWD201005)
-
文摘
矢量地图渐进式传输的关键技术是建立连续的多尺度表达模型,并在服务器端将地图数据组织成线性结构。提出一种用于网络环境下的等高线渐进式传输模型,此模型以曲线的傅里叶形状描述子构建数据流,在客户端以先期到达的低频参量构建等高线的形状轮廓,其后依次到达的高频参量不断"完善"等高线形状细节,从而实现等高线由粗到精的渐进式传输。该模型的应用具有两大特点:其一,傅里叶形状子数据流与由坐标构成的数据流相比数据量大为降低,能减少数据的传输量;其二,能够实现连续尺度的地图要素的渐进式传输与表达。另外,本文还建立了不同等高线的傅里叶展开项数与比例尺的匹配方法,探讨等高线傅里叶形状子的提取、传输,以及客户端重构的细节。
-
关键词
傅里叶级数
渐进式传输
地图多尺度表达
网络GIS
-
Keywords
Fourier series
progressive transmission
map multi-scale representations
Web GIS
-
分类号
P208
[天文地球—地图制图学与地理信息工程]
-
-
题名深度学习在地图多尺度表达中的应用分析
- 2
-
-
作者
李俊
吴长枝
齐晓飞
赵耀
-
机构
速度时空信息科技股份有限公司
西安测绘研究所
-
出处
《科技创新与应用》
2023年第12期185-188,192,共5页
-
文摘
传统方法在地图多尺度表达研究中存在地图要素结构化描述困难、算法自适应程度不高和空间关系保持能力有限等问题。深度学习在图像解译和时空预测中的成功应用,给地图多尺度表达提供全新思路。根据地图要素几何类型(线要素、面要素),归纳当前深度学习算法用于提取空间分布模式、模拟制图综合过程的相关研究;分析深度学习网络模型在地图多尺度表达中的应用效果,总结当前研究存在的问题和下一步改进方向。
-
关键词
深度学习
地图多尺度表达
图卷积
神经网络
道路网
建筑物
-
Keywords
deep learning
multi-scale representation of maps
graph convolution
neural network
road network
building
-
分类号
P231
[天文地球—摄影测量与遥感]
-
