地理图斑智能计算及模式挖掘方法研究
Methods of Intelligent Computation and Pattern Mining based on Geo-parcels
查看参考文献52篇
|
文摘
|
在大数据时代,高分辨率对地观测技术实现了对地球表层地理现象和地理过程最为真实、量化、全面覆盖又快速更新的数据化记录,可为地理空间认知研究的新发展奠定时空信息聚合与挖掘计算的基准。地理图斑是影像空间映射到地理空间中对于地理实体的抽象化表达,是构建地理场景和承载地理空间各类信息进而开展模式挖掘的最小单元。本文以地理图斑为基本对象,通过分析其中视觉模拟、符号推测等几类机器学习的协同计算机制,从空间、时间与属性等维度构建了集"分区分层感知"、"时空协同反演"、"多粒度决策"三者于一体的地理图斑智能计算模型,并以在贵州息烽县、广西江州区开展的农业种植结构制图与规划决策为应用案例,探索了地理图斑分布、生长以及功能3种模式的挖掘方法,并进一步设计了动态视角下开展图斑动力模式挖掘的研究思路。 |
|
其他语种文摘
|
In the era of big data, high-resolution Earth observation technologies have been able to provide the most authentic, quantitative, comprehensive-coverage, and fast-updating data about the geographic phenomena and processes on the Earth's surface.Such data provide precise spatiotemporal benchmarks of information aggregation and computation of data mining for new developments of geospatial cognitive research.Geo-parcels are abstract expressions for mapping geographical entities from image-space to geographic-space.Geo-parcels are the smallest units of pattern mining with the construction of geographic scenes and loading various geospatial information.In this paper, a synergistic calculation mechanism with the machine learning methods of visual simulation and symbol inference were analyzed based on the basic unit of geo-parcels.From the dimensions of space, time, and attribute, we constructed an intelligent computation model based on geo-parcels by integrating three sub-models: zoning-stratified perception, spatiotemporal synergistically inversion, and multi-granular decision-making.Furthermore, this paper explored the pattern mining methods of geo-parcels for their distribution, growth, and function via two case studies: the agricultural planting structure mapping in Xifeng County, Guizhou province and the planning decision in Jiangzhou District of Guangxi Zhuang Autonomous Region. |
|
来源
|
地球信息科学学报
,2020,22(1):57-75 【核心库】
|
|
DOI
|
10.12082/dqxxkx.2020.190462
|
|
关键词
|
地理图斑
;
分区分层感知
;
时空协同反演
;
多粒度决策
;
分布模式
;
生长模式
;
功能模式
;
动力模式
|
|
地址
|
1.
中国科学院空天信息创新研究院, 遥感科学国家重点实验室, 北京, 100101
2.
中国科学院大学, 北京, 100049
3.
长安大学地质工程与测绘学院, 西安, 710064
4.
广州大学地理科学学院, 广州, 510006
5.
河海大学地球科学与工程学院, 南京, 211100
6.
浙江工业大学计算机学院, 杭州, 310023
|
|
语种
|
中文 |
|
文献类型
|
研究性论文 |
|
ISSN
|
1560-8999 |
|
学科
|
测绘学 |
|
基金
|
国家自然科学基金
;
国家重点研发计划项目
|
|
文献收藏号
|
CSCD:6676514
|
参考文献 共
52
共3页
|
|
1.
宫鹏. 对遥感科学应用的一点看法.
遥感学报,2019,23(4):567-569
|
CSCD被引
11
次
|
|
|
|
|
2.
李德仁. 遥感大数据自动分析与数据挖掘.
测绘学报,2014,43(12):1211-1216
|
CSCD被引
112
次
|
|
|
|
|
3.
骆剑承.
遥感图谱认知,2017
|
CSCD被引
3
次
|
|
|
|
|
4.
Blaschke T. Object based image analysis for remote sensing.
ISPRS Journal of Photogrammetry and Remote Sensing,2010,65(1):2-16
|
CSCD被引
215
次
|
|
|
|
|
5.
骆剑承. 遥感图谱认知理论与计算.
地球信息科学学报,2016,18(5):578-589
|
CSCD被引
14
次
|
|
|
|
|
6.
李秦. 最优分割尺度下的多层次遥感地物分类实验分析.
地球信息科学学报,2011,13(3):409-417
|
CSCD被引
32
次
|
|
|
|
|
7.
陶超. 面向对象的高分辨率遥感影像城区建筑物分级提取方法.
测绘学报,2010,39(1):39-45
|
CSCD被引
62
次
|
|
|
|
|
8.
Blaschke T. Geographic object-based image analysis-towards a new paradigm.
ISPRS Journal of Photogrammetry and Remote Sensing,2014,87(100):180-191
|
CSCD被引
96
次
|
|
|
|
|
9.
自然资源部.
第三次全国国土调查实施方案. 2018年18号文件,2018
|
CSCD被引
1
次
|
|
|
|
|
10.
Long J. Fully convolutional networks for semantic segmentation.
Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2015:3431-3440
|
CSCD被引
572
次
|
|
|
|
|
11.
Zhang L P. Deep learning for remote sensing data: A technical tutorial on the state of the art.
IEEE Geoscience and Remote Sensing Magazine,2016,4(2):22-40
|
CSCD被引
115
次
|
|
|
|
|
12.
Leordeanu M. Generalized boundaries from multiple image interpretations.
IEEE Transactions on Pattern Analysis and Machine Intelligence,2014,36(7):1312-1324
|
CSCD被引
2
次
|
|
|
|
|
13.
Hwang J J. Pixel-wise deep learning for contour detection.
Proceedings of the International Conference on Learning Representation (ICLR),2015
|
CSCD被引
1
次
|
|
|
|
|
14.
Liu Y. Richer convolutional features for edge detection.
Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2017:3000-3009
|
CSCD被引
17
次
|
|
|
|
|
15.
Deng Y. Unsupervised segmentation of color-texture regions in images and video.
IEEE Transactions on Pattern Analysis and Machine Intelligence,2001,23(8):800-810
|
CSCD被引
88
次
|
|
|
|
|
16.
Cimpoi M. Deep filter banks for texture recognition, description, and segmentation.
International Journal of Computer Vision,2016,118(1):65-94
|
CSCD被引
8
次
|
|
|
|
|
17.
李志刚. 土地利用图斑综合研究.
地理空间信息,2004,2(3):13-18
|
CSCD被引
10
次
|
|
|
|
|
18.
Yuan J. Learning building extraction in aerial scenes with convolutional networks.
IEEE Transactions on Pattern Analysis & Machine Intelligence,2017,40(11):2793-2798
|
CSCD被引
19
次
|
|
|
|
|
19.
Prathap G. Deep learning approach for building detection in satellite multispectral imagery.
Proceedings of 9th IEEE International Conference on Intelligent Systems,2018:1-5
|
CSCD被引
1
次
|
|
|
|
|
20.
Liang S.
Quantitative remote sensing of land surfaces,2005
|
CSCD被引
7
次
|
|
|
|
|
了解气象卫星更多信息，请访问