【摘 要】
：
针对建筑物提取方法缺乏泛化性的问题,本文提出了将nDSM、北京二号影像、NDVI、BAI的七通道图像相结合作为数据源的提取方法.采用随机森林、梯度提升机、支持向量机、BP神经网络分类器对建筑物进行提取获取最佳分类器模型,并运用二值化与开闭运算,以建筑物面积与最小外接矩形面积的比值为阈值,对建筑物分别进行最小外接矩形、DP算法拟合,优化建筑物提取结果.试验结果表明,梯度提升机(GBDT)较其他分类模型在不同场景下综合效果较好,F-score精度更高.
【机 构】
：
南京市测绘勘察研究院股份有限公司,江苏 南京210004;江苏海洋大学海洋技术与测绘学院,江苏 连云港222005;南京市测绘勘察研究院股份有限公司,江苏 南京210004;江苏师范大学地理测绘与城乡
论文部分内容阅读
针对建筑物提取方法缺乏泛化性的问题,本文提出了将nDSM、北京二号影像、NDVI、BAI的七通道图像相结合作为数据源的提取方法.采用随机森林、梯度提升机、支持向量机、BP神经网络分类器对建筑物进行提取获取最佳分类器模型,并运用二值化与开闭运算,以建筑物面积与最小外接矩形面积的比值为阈值,对建筑物分别进行最小外接矩形、DP算法拟合,优化建筑物提取结果.试验结果表明,梯度提升机(GBDT)较其他分类模型在不同场景下综合效果较好,F-score精度更高.
其他文献
针对现有的LiDAR点云分割算法稳健性差、效率低的问题,本文提出了一种新的层次化聚类分割算法.该算法首先把点云生成自适应分辨率的超体素,然后以超体素为基元,改进成对链接的分割算法,实现三维点云的分割.试验结果表明,该分割算法与现有的分割方法相比,具有更好的稳健性和更高的计算效率,避免了点云过分割和欠分割的问题.本文算法在分割细节方面更加突出,分割结果可有效地保证后续数据处理工作的精度.
一、文本教学解读rn《灰雀》讲述了列宁、小男孩和灰雀之间一个温暖的故事:列宁发现公园里一只深红色胸脯的灰雀的失踪与小男孩有关,他没有直接批评小男孩,而是通过交谈的方式让小男孩逐渐意识到自己的错误,主动放回了被捉的灰雀.故事赞扬了伟人列宁善解人意、对小男孩尊重与呵护,以及小男孩的诚实与可爱.
习作教学一直是语文教学中的难点,而写作品梗概,对学生而言更是一种新的尝试.写梗概,既需要学生能深入文本,准确感知作品的主题和内容,又需要学生具备较强的概括能力和语言表达能力,将自己读懂的内容用简明的叙述性语言连贯地表达出来.不同于学生平日在课堂中对单篇文章的概括练习,写作品梗概需要学生能将一部十几万字的“大部头”,提炼为一篇“短文章”,其难度可想而知.
国务院印发《国家职业教育改革实施方案》倡导使用新型活页式教材.目前,全国范围内活页式教材的研究还处于探索阶段.本文从构建思路、开发要点等维度对活页式教材的开发进行了研究和阐述,并指出活页式教材开发及应用过程需按PDCA循环原则促进教材质量得到持续改进.
诫勉,通常是指教师通过谈话对学生进行规劝、提醒和鼓励的一种常用的教育方式方法.长期以来,由于“为应试而教”“分数至上”的不良倾向,“教师中心”“知识本位” 的教育观念以及教师素养、学校文化、地域环境的种种差异等极为错综复杂的原因,在不少地方,一些教师在运用诫勉教育学生时,往往是端着架子、板着面孔、居高临下地对着垂头肃立、满脸沮丧的学生反复唠叨、一味指责.为了让学生老实听话,为了提高考试分数、提升班级排名,一些教师一遍遍泛泛地硬灌众所皆知的道理,一次次给学生加重作业负担,填塞知识,有的甚至有意无意地把对中小
在继承和弘扬中华民族优秀文化传统方面,语文学科有着不可替代的优势.相较于以前各教材,统编版教材增加了古诗文篇目,增添了文言文教学内容.小学阶段十四篇文言文的学习,让孩子们从小就接触到祖国优秀的传统文化,为初中学习文言文打下良好的基础.但文言文的表达方式与现实生活距离较远,学生用什么方法学习、学到什么程度最为适宜是值得关注的问题.因此,文言文教学值得所有语文教师潜心研究.
针对现有非稳定非线性余水位预测模型较少和精度较低的问题,本文研究基于MEEMD算法与遗传优化BP神经网络的余水位组合预测模型.利用夏威夷岛4个长期验潮站获取的余水位时序数据,首先采用遗传算法MEEMD对余水位时序数据进行处理分析,得到较为稳定的余水位IMF分量;然后将经过遗传算法优化后分解的较为稳定的各个IMF分量作为BP神经网络预测模型的输入变量,分别建立12、24、48 h短期余水位的MEEMD遗传算法优化BP神经网络预测模型.通过与非优化BP神经网络预测模型结果进行对比分析,结果表明,优化前后均方根
针对利用传统卷积神经网络进行路面裂缝分割时存在准确率低、信息丢失及边缘模糊的问题,本文提出了基于改进HRNet模型的路面裂缝分割算法.模型在原始HRNet的基础上进行改进,主干网络部分采用DUC模块代替双线性插值上采样;下采样改为passthrough layer代替原始卷积;在模型解码部分,进行逐级上采样的同时引入SE-Block,对不同特征层的融合重新标定权重.通过与原始HRNet及传统卷积神经网络U-Net对比可知,本文算法在公共数据与自制数据集上的分割精度表现优秀,F1分值分别达到了91.31％和
针对新疆南疆大规模枣园的检测识别,本文提出了一种基于泛化迁移深度学习的枣园目标检测识别方法.以GF-6卫星影像数据为基础制作了Jujube数据集,并将其泛化扩充增强;以Faster R-CNN体系为基础,利用多态协同模式实现数据集的有效关联和优化重构,进行检测识别模型的迁移深度学习以提高对目标对象检测识别的泛化能力.结果表明,模型算法的验证识别精确率、召回率和调和平均值分别达0.979、0.952和0.965,在应用测试中,3个指标平均值均大于0.929,优于传统检测方法,且本文模型方法总体分类精度为0.
为了满足昆明市卫星定位综合服务系统(KMCORS)对高精度天顶湿延迟(ZWD)的需要,本文开发了适用于昆明地区的ZWD模型KM.KM模型是根据昆明探空站2015—2018年的探空资料,基于误差反向传播(BP)神经网络建立的,同时采用2019年的探空数据,验证了KM模型的预测性能.测试结果表明,与广泛使用的SA模型相比,KM模型的RMSE由4.0 cm降至2.2 cm,精度提升了45％;KM和SA模型的Bias分别为0和-3.1 cm.该结果表明KM模型对ZWD估计具有无偏性,而SA模型在高原区存在过度估计