首页期刊导航|地球信息科学学报
期刊信息/Journal information
地球信息科学学报
地球信息科学学报

徐冠华

双月刊

1560-8999

dqxxkx@igsnrr.ac.cn

010-64888891

100101

北京大屯路甲11号

地球信息科学学报/Journal Journal of Geo-Information ScienceCSCD北大核心CSTPCD
查看更多>>本刊以地球系统信息流为主要研究对象。是探索地球信息机理、地球信息认知方法和地球信息时空图谱新学科生长点的应用基础科学。推动地球信息科学的发展与创新、全球变化与区域可持续发展的深化研究，加强国际学术交流。
正式出版
收录年代

    采用Line-CNN深度学习网络的机载点云建筑轮廓线提取

    黄奕舒臧玉府蒋其含米文瀚...
    2161-2176页
    查看更多>>摘要：城市三维模型是数字孪生、智慧城市建设的重要载体,实现建筑轮廓线的有效提取是城市高精度建模和三维测图的关键步骤.针对现有建筑物轮廓线提取效率与准确度较低的问题,本文提出了一种基于彩色机载点云的建筑轮廓线深度学习提取方法.首先,通过垂直投影,由经过渐进形态学滤波后的建筑物彩色机载点云,分别生成描述建筑物空间信息的高程栅格图像与反映其纹理差异的可见光栅格图像;然后,利用Line-CNN深度学习网络,经过特征提取、结点预测、路线生成等过程,从栅格图像中初步提取出线段特征;最后,为有效提取轮廓线特征,提出了一套综合修剪与补全操作的优化策略,并结合高程和可见光栅格图像中的优化线段信息,获得规则且完整的建筑物轮廓线特征.经过对南京信息工程大学的机载点云数据以及ISPRS H3D 2019数据集的实验证明,该方法对机载点云建筑物轮廓线提取有效,避免了因三维点云深度学习中标定样本不足而无法直接提取的问题;能准确、完整地提取出场景中建筑物的轮廓线特征,平均准确度与完整度均高达90%,且算法较为高效,有利于大范围城市三维建模与地籍测量等相关应用.

    城市高精度建模深度学习彩色机载点云高程栅格图像可见光栅格图像修剪与补全优化轮廓线特征

      原文链接:
    • 万方数据
    • 维普

    结合谱聚类和粒子群改进K-means聚类的机载LiDAR点云单木分割方法

    钱禹航王竞雪郑雪涛
    2177-2191页
    查看更多>>摘要：单木分割的精准度对林木资源的调查有重要意义.但是,传统的单木分割算法在处理大规模点云数据时存在临近树木易混淆、算法运算效率低等问题,针对上述问题,本文提出改进谱聚类和粒子群改进K-means聚类的单木分割算法.首先,通过Mean Shift算法对点云数据进行体素化,在该过程中采用自适应带宽和高斯核函数来计算体素间的相似度,以构建出反映体素特性的高斯相似图.然后应用Nyström方法处理高斯相似图,采用K最近邻搜索采样,以选取代表性样本,降低谱聚类在处理大规模数据时的计算负担,同时保持数据的核心特性.通过Nyström近似,得到相似图的近似特征向量,实现从高维空间到低维特征空间的有效映射.最后引入粒子群算法对K-means聚类进行优化.该优化先随机初始化一群粒子,每个粒子代表一组潜在的聚类中心,在每一次迭代中,粒子根据个体历史最佳位置和群体历史最佳位置更新其速度和位置,并调整聚类中心以最小化内部聚类距离.这种策略能够平衡全局搜索与局部搜索,避免陷入局部最优.本文选取NEWFOR公开的点云数据进行实验.实验结果表明,本文算法获得的分割结果相较对比算法准确率提高5.3%,处理效率提升23倍.

    机载LiDAR点云单木分割体素化MeanShift算法Nyström谱聚类算法粒子群算法

      原文链接:
    • 万方数据
    • 维普

    探索城市更新消耗:一种基于高分遥感影像的城市建筑垃圾年产量快速估算方法

    黄磊林绍福刘希亮王少华...
    2192-2212页
    查看更多>>摘要：建筑垃圾是城市更新过程中不可避免的产物,造成严重的环境污染和生态压力,精准量化城市建筑垃圾年产量与资源转化率对衡量城市更新代价至关重要.传统人工估算建筑垃圾产量的方法严重依赖统计数据和历史经验,在实际应用中缺乏灵活性,耗时耗力,准确性和时效性亟需提升;现有深度学习模型针对小目标、多尺度特征提取与融合能力相对较差,难以处理形状不规则、碎片化检测区域.因此,本文提出一种多尺度特征融合与注意力增强网络MS-FF-AENet,动态跟踪检测建筑物和建筑垃圾消纳场变化,从而精准量化城市建筑垃圾年产量.使用深度编码网络,获取细粒度高阶语义信息,提高分类识别的精度.解决感受野不足导致提取大型目标时产生不连续的孔洞问题,利用双注意力增强机制更好地保留空间细节,使特征提取更丰富.在解码器中融合骨干网络的浅层和中层特征,更好地捕捉上下文信息,增强复杂场景下高效、准确的特征提取能力.利用MS-FF-AENet提取研究区不同时期的遥感影像数据,通过分析建筑物面积变化情况,计算新增建筑物产生工程垃圾以及拆除建筑物产生拆除垃圾,得到城市建筑垃圾年产量;使用MS-FF-AENet提取不同时期的建筑垃圾消纳场,根据填埋垃圾变化量得出城市建筑垃圾填埋量,间接估算城市建筑垃圾资源转化率.本文基于北京市昌平区2019-2020年高分遥感影像,实验结果表明:① 在包括UNet、SegNet、PSPNet、DeepLabV3+、DSAT-Net、ConvLSR-Net和SDSC-UNet在内的一系列基线中,MS-FF-AENet在提取建筑物和建筑垃圾的精度和效率等方面更具优势;② 2019-2020年研究区由于城市更新产生的建筑垃圾年产量约为4 101 156.500 t,其中填埋部分约为2 251 855.872 t,资源转化部分约为1 849 300.628 t,建筑垃圾资源转化率为45.09%,进一步印证政府统计报告结果.本文为城市更新代价精准量算提供了一个便捷且有效的分析思路.

    高分遥感影像深度学习语义分割卷积神经网络建筑物提取建筑垃圾提取城市更新建筑垃圾年产量

      原文链接:
    • 万方数据
    • 维普

    XGBoost和DSCGAN模型协同的SMAP土壤水分降尺度方法

    王思超蔡玉林朱子正黄修东...
    2213-2225页
    查看更多>>摘要：卫星微波遥感的SMAP土壤水分产品可以用于大陆和全球尺度,但因为空间分辨率低,难以满足中小尺度的应用.经验性降尺度方法是空间降尺度常用方法,但因为需要依赖于光学遥感获取降尺度因子,所以易受云雾影响导致无法获得时间连续的高空间分辨率土壤水分.为了解决这个问题,我们结合机器学习和深度学习方法进行了降尺度研究.首先,获取地表温度、植被指数、反照率、土地覆盖、地形数据、土壤质地等降尺度因子.然后,利用机器学习模型(Random Forest、LightGBM、XGBoost)建立SMAP土壤水分产品数据与降尺度因子的经验降尺度模型.选择其中精度较好的XGBoost模型将SMAP-L4土壤水分产品的空间分辨率由9 km降尺度至1 km.最后,基于9 km和1 km土壤水分数据对训练DSCGAN超分辨率模型,并利用该模型获取研究区域时空连续的土壤水分数据.结果表明,降尺度得到的土壤水分与SMAP原数据之间的相关性系数R为0.96,均方根误差RMSE为0.034 m3/m3,偏置bias为0.011 m3/m3,无偏均方根误差ubRMSE为0.034 m3/m3.与实测站点之间的相关性系数R为0.696,均方根误差RMSE为0.192 m3/m3,偏置bias为-0.171 m3/m3,无偏均方根误差ubRMSE为0.089 m3/m3.本文方法为生产时空连续的更高空间分辨率的地表土壤水分提供了一个框架,可以满足区域水分调查和农业干旱监测等小尺度应用需求.

    土壤水分降尺度SMAP机器学习深度学习闪电河流域

      原文链接:
    • 万方数据
    • 维普

    《地球信息科学学报》征稿简则

    《地球信息科学学报》编辑部
    2226页
      原文链接:
    • 万方数据
    • 维普