-
题名基于点云数据的三维全景平台研究与实现
- 1
-
-
作者
侯岳
方乐道
王俊
朱睿
-
机构
河南省测绘工程院
-
出处
《河南科技》
2017年第3期28-29,共2页
-
文摘
城市三维全景的建立能够直观、真实地向人们提供全方位城市场景的各种信息。本文提出利用测绘地理信息新技术建设三维全景平台的技术思路,并详细阐述建立三维全景平台的点云数据的处理步骤和方法,并对处理中的关键技术进行总结。
-
关键词
三维全景平台
点云数据
快速匹配
协同处理
自动裁切
-
Keywords
3D panorama platform
point cloud data
fast matching
cooperative processing
auto crop
-
分类号
P208
[天文地球—地图制图学与地理信息工程]
-
-
题名面向小麦种植面积反演的自监督学习光谱解混算法
- 2
-
-
作者
胡金龙
段金亮
沙马阿各
张瑞
-
机构
西南交通大学地球科学与环境工程学院测绘遥感信息系
西南石油大学土木工程与测绘学院
西南交通大学高速铁路运营安全空间信息技术国家地方联合工程实验室
-
出处
《遥感学报》
EI
CSCD
北大核心
2024年第9期2405-2415,共11页
-
基金
高分辨率对地观测重大专项航空观测系统项目(编号:30-H30C01-9004-19/21)。
-
文摘
遥感作为大范围地表覆盖提取和时空动态监测的有力工具,在小麦种植面积反演领域具有显著优势。然而,混合像元现象限制了小麦种植面积估计的精度,端元的光谱变异性现象也使得传统的混合像元分解方法表现不佳。针对小麦种植面积估计过程中存在的混合像元和端元光谱变异性等问题,本文提出基于自监督学习的光谱解混算法SLSU(Self-supervised Learning-based Spectral Unmixing Algorithm)。首先,使用变分自编码器实现无监督的端元光谱变异性解释和端元库生成;然后,使用交替最小二乘法和全约束最小二乘模型估计各类端元对应的丰度;最后,利用概率松弛标记法对解混结果进行空间邻域校正,以进一步提高光谱解混和小麦面积估计的精度。以河南省新乡市3个典型的小麦种植区为实验区,利用Sentinel-2影像获取小麦种植面积并利用实地测量的小麦分布现状数据计算提取精度。结果表明:基于SLSU算法获取的小麦种植面积的相对提取误差中位数<1.3个像素,显著优于全约束最小二乘、扩展线性混合模型等传统混合像元分解算法以及支持向量机、随机森林等监督学习分类方法所提结果。所提SLSU算法可以提高小麦提取的精度和稳定性,为农作物分布提取和种植面积估算提供了有效的方法。
-
关键词
遥感
自监督学习
变分自编码器
混合像元分解
地物提取
作物面积估计
-
Keywords
remote sensing
self-supervised learning
variational auto encoder
spectral mixing
feature extraction
crop area estimation
-
分类号
TP751
[自动化与计算机技术—检测技术与自动化装置]
P2
[自动化与计算机技术—控制科学与工程]
-
