Research On Flying Animation System Driven by Data

Larger quantities of data about flight performance and flight condition are recorded by flight data recorder (FDR) during the aircraft's flying. It is an importance task to make 3D flying animation from the data on the process of flight data. The design ideas and realizing methods about the software of flying animation system driven by the data from relation database are presented.     

An Introduction to an Application Software Frarpe Work for Object-Oriented Client /Server

This paper presents the lately released frame work for Client / Server applica-tions software development, stressing on the characteristics of its OOP and Multi-DataBase supports.     

融合光谱混合分解与面向对象的土地利用/覆被分类

错综复杂的土地利用模式和破碎的地物斑块制约了土地利用/覆被分类的精度和效率。一方面,混合像元模糊了地物的光谱信息,影响了分类精度。另一方面,如何高效利用地物的光谱、形状和纹理特征是当前土地利用/覆被分类的研究热点。为了提高基于遥感技术的土地利用/覆被分类精度,该研究基于Sentinel-2A遥感影像,开展融合光谱混合分解与面向对象的土地利用/覆被分类研究。首先,基于地物的光谱、形状和纹理特征,在3个分割尺度通过NDWI（Normalized Difference Water Index)、NDVI（Normalized Difference Vegetation Index）、SBL（Soil Background Level）等8个特征参数构建了不同地物信息的提取规则。其次,利用光谱混合分解模型提取研究区基质（SL;岩石和土壤）、植被（GV;光合作用叶片）和暗色物质（DA;阴影和水）3类通用端元。最后,尝试融合3端元光谱特征优化地物信息提取规则。研究结果表明：1）基于构建的光谱、形状和纹理的地物信息提取规则,使用模糊函数、阈值法进行土地利用/覆被分类,获得了较高的分类精度,总体精度为80.83%,Kappa系数为0.76。2）融合3端元的光谱特征的提取规则将分类精度提升至90.00%,Kappa系数提升至0.88。3）具有明确物理意义的3端元的融入增强了像元内各组分信息的差异性,弥补了传统光谱指数对植被与土壤间的亮度信息解析度不足的缺陷。该方法能充分利用影像的光谱信息,是一种由易到难、对不确定因素进行逐层剥离的土地利用/覆被信息提取技术。因此,对中高分辨率的多光谱遥感影像十分友好,在土地利用/覆被的精细化分类中有较大应用潜力。     

面向对象的湖北省土地覆被变化遥感快速监测

为了快速监测湖北省土地覆被变化,以HJ-CCD、TM以及ETM影像为数据源,探索出了集成面向对象技术与"3S"技术的中尺度土地覆被变化遥感流程和方法。该方法首先基于HJ-CCD影像和面向对象技术进行2010年湖北省土地覆被信息的提取,并用野外采样点对结果进行验证。在保证高精度的情况下利用向量相似性函数对湖北省2000－2005年以及2005－2010年进行变化检测,从而获得2个变化时期影像的变化区域,然后利用面向对象技术中的最邻近分类器对变化区进行自动化分类。最后分别将2期的变化结果与未变化结果融合后获得湖北省2000年、2005年和2010年的土地覆被图,在GIS中处理后建成县、市、省3级行政级别的湖北省土地覆被变化本底数据库。试验表明分类结果的总体精度为93.24%,Kappa系数为0.914;2000－2005年与2005－2010年变化检测的总体精度分别为90.88%和90.75%。同时研究发现景观破碎的地区应用面向对象技术有一定的局限性。     

基于无人机LiDAR的天然林与人工林林隙提取

为研究主动遥感进行森林地物分类和林隙提取的效果,分别在天然林和人工林中比较了无人机激光雷达(Li DAR)数据的阈值法、逐像元法和面向对象法3种方法的分类精度和适用性。选取天然林(黑龙江省哈尔滨市帽儿山林场)和人工林(内蒙古自治区赤峰市旺业甸林场)两处试验区,应用阈值法、逐像元法和面向对象法3种方法,对两个试验区采集的无人机Li DAR数据进行林隙、非林隙、其他类型划分。研究结果表明,面向对象法在天然林和人工林试验区中的分类精度和Kappa系数均最高,天然林为82. 43%、0. 73,人工林为91. 74%、0. 88;逐像元法次之,天然林为76. 62%、0. 64,人工林为78. 68%、0. 68;阈值法的分类精度和Kappa系数差异较大,在天然林中的精度极低,为50. 54%、0. 27,人工林的精度较高,为79. 12%、0. 69。面向对象法和逐像元法在天然林和人工林普遍适用,均可以达到理想的分类精度和Kappa系数。阈值法在天然林的精度较低,更适合于人工林的分类,即林分高度趋于一致,且建筑、道路等其他类型干扰较少的区域。天然林的最佳分类方法为面向对象法,人工林的最佳分类方法为阈值法。     

基于GF-1影像面向对象分类方法的水稻种植信息提取研究

应用遥感技术提取水稻种植信息是农业遥感的重要内容。GF-1卫星WFV数据为农业信息提取提供了新的途径,面向对象的分类方法是遥感解译的重要方法。本研究以扬州市为研究区域,基于GF-1影像WFV数据,采用面向对象的分类方法,提取水稻种植信息,并实地调查验证试验结果,试图探讨GF-1数据面向对象分类方法在水稻种植信息提取中的可行性与影响提取精度的因素。结果表明,应用GF-1数据,采用面向对象的分类方法能够很好地完成扬州市水稻种植信息的提取,2016年扬州市有水稻种植面积214 524 hm~2,总体精度达到98.5%,Kappa系数0.95,面积精度达97.5%;实地考察能够提高提取精度,地形破碎程度越低,提取精度越高。     

密云水库及上游流域环境监测信息系统的设计与实现

文章对水环境污染信息集成与环境监测系统中信息集成、信息处理的一些关键技术问题进行了研究,并针对水环境污染信息集成与环境监测系统的建设与开发,系统中数据的处理与组织、数据库建设、软件设计与实现进行了详细论述,为实用型水环境污染信息集成与环境监测系统的建设提供了一种思路与方法。     

基于DOM航空影像单木树冠提取

准确提取单木树冠边界是获取森林数量参数的重要基础,是高分辨率遥感图像林业应用的技术难题。基于DOM航空影像数据源,采用面向对象的方法对研究区内的2个树种的林分进行了单木树冠边界提取研究。首先利用桉树和杉木的空间分布矢量数据对DOM航空影像进行掩膜处理,在掩膜区域内进行多层次多尺度图像分割得到初步树冠分割结果,并剔除非树冠信息;再以树冠信息种子对象为基础,使用区域增长算法对树冠信息种子对象增长得到单木树冠范围;最后使用形态学滤波的方法优化单木树冠边界,完成林区内桉树和杉木两类树种的单木树冠边界提取。结果表明,由于不同树种的树冠存在尺度和形态差异,进行单木树冠分割时需要设置不同的参数才能到达较好的分割效果。本研究中桉树和杉木的单木树冠提取总体精度分别为86.75%与89.21%,可满足林业部门获取森林单木树冠的精度需求。     

基于无人机可见光影像的树种和树冠信息提取——以晋西黄土区蔡家川流域为例

为探究无人机遥感技术在黄土高原森林资源调查中的适用性,以晋西黄土区蔡家川流域为研究区,以无人机可见光影像为遥感数据源,基于面向对象最邻近分类法,识别并提取研究流域的树种和树冠信息,并与样方调查数据进行对比分析,评估无人机影像提取植被信息的精度及其适用性。结果表明:面向对象最邻近分类法对于郁闭度较低的林分和经济果木林的树种提取效果极好,但复杂植被类型会导致提取精度下降。在农地子流域和人工林子流域上,树种提取的分类混淆矩阵Kappa系数分别为0.898和0.728。面向对象最邻近分类法对人工林和经济果木林的树冠提取精度较高,与实测数据线性回归的决定系数(R²)在0.7以上,但对次生林的树冠提取效果相对较差,R²仅有0.422 3。将该方法拓展应用至流域尺度,识别结果显示,蔡家川流域内人工林子流域主要为刺槐、油松和侧柏混交林,经济作物主要为苹果,油松的林分密度为1 744株·hm^-2,平均冠幅为2.24 m,苹果的林分密度为382株·hm^-2,平均冠幅为4.26 m;农地子流域有苹果树912株,林分密度为439株·hm^-2,平均冠幅为3.84 m。结果表明,基于无人机遥感影像,利用面向对象最邻近分类法可以高效、准确地提取林木株数、郁闭度和平均冠幅,从而有效提高黄土区植被调查的效率。     

基于GF-1卫星数据与面向对象分类的达里诺尔湿地自然保护区土地覆盖信息提取

以达里诺尔湿地自然保护区为研究区,基于国产GF-1遥感影像,采用面向对象和传统目视解译的分类方法对研究区土地覆盖遥感信息进行提取,并对其结果进行对比分析,采取混淆矩阵对面向对象分类结果进行精度验证。结果表明：（1）充分利用了GF-1遥感影像的光谱信息,面向对象分类采取试错法确定最优分割尺度为550,形状和紧致度因子分别为0.6和0.5,各波段权重均为1。（2）面向对象分类总体分类精度达98.22％,KAPPA系数为0.96;（3）面向对象分类方法可快速准确提取类型较为复杂的土地覆盖信息,为内陆湿地精准快速提取研究区土地覆盖分类信息提供参考,以期为湿地遥感业务化监测提供技术规范。