-
公开(公告)号:CN114331842B
公开(公告)日:2024-04-05
申请号:CN202111622850.1
申请日:2021-12-28
Applicant: 武汉大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/0464 , G06N3/084 , G06T17/05
Abstract: 本发明涉及一种结合地形特征的DEM超分辨率重建方法。通过将双滤波器卷积神经网络应用于DEM超分辨率重建,同时考虑了不同邻域信息及坡度信息对DEM超分辨率重建的影响,有效地提高了DEM超分辨率重建的精度。利用大比例尺地形图的矢量等高线与水网数据信息,结合神经网络重建的高分辨率DEM,使用栅格插值方式重建了河谷DEM,用于替换神经网络产生的高分辨率DEM相应部分,在保证精度的前提下,减弱了神经网络重建DEM的棋盘效应所造成的水系中心线匹配率不佳问题,为高分辨率DEM的应用提供了解决方案。
-
公开(公告)号:CN114331842A
公开(公告)日:2022-04-12
申请号:CN202111622850.1
申请日:2021-12-28
Applicant: 武汉大学
Abstract: 本发明涉及一种结合地形特征的DEM超分辨率重建方法。通过将双滤波器卷积神经网络应用于DEM超分辨率重建,同时考虑了不同邻域信息及坡度信息对DEM超分辨率重建的影响,有效地提高了DEM超分辨率重建的精度。利用大比例尺地形图的矢量等高线与水网数据信息,结合神经网络重建的高分辨率DEM,使用栅格插值方式重建了河谷DEM,用于替换神经网络产生的高分辨率DEM相应部分,在保证精度的前提下,减弱了神经网络重建DEM的棋盘效应所造成的水系中心线匹配率不佳问题,为高分辨率DEM的应用提供了解决方案。
-
公开(公告)号:CN113901384A
公开(公告)日:2022-01-07
申请号:CN202111121091.0
申请日:2021-09-24
Applicant: 武汉大学
Abstract: 本发明提出了一种顾及全局空间自相关性和局部异质性的地面PM2.5浓度建模方法。本发明针对PM2.5监测站点数量有限且分布不均,且传统PM2.5回归建模方法缺少对局部空间影响和全局空间影响同时考虑的问题,提出了一种顾及全局空间自相关性和局部异质性的地面PM2.5浓度建模方法,同时考虑全局和局部空间效应,消除空间自相关因素和空间异质因素的影响。分别通过构建全局空间权重矩阵和局部空间权重矩阵,提取出全局空间影响因子和局部空间影响因子。然后再根据两者构建回归模型,得到地面PM2.5浓度估计模型,以供后续研究和分析。
-
公开(公告)号:CN114611271B
公开(公告)日:2024-09-24
申请号:CN202210171309.1
申请日:2022-02-24
Applicant: 武汉大学
Abstract: 针对传统回归模型在雪水当量建模中未考虑空间效应的影响、而空间回归模型在栅格数据中又面临严重的计算瓶颈的问题,提出了一种顾及空间异质性的雪水当量栅格数据建模及分析方法,同时考虑了全局和区域的空间效应。在对遥感影像进行空间建模时,将数据分成相同大小的若干个子区域,对每一子区域建模,达到对整幅遥感影像进行建模计算的目的;利用空间滤值方法,使用空间邻接矩阵的特征向量对残差进行拟合,并将拟合结果作为空间影响加入之前的全局模型当中,得到最终的空间回归模型。本发明可以得到雪水当量和及其相关因子的准确模型,以供后续研究和分析。
-
公开(公告)号:CN114662274B
公开(公告)日:2024-06-25
申请号:CN202111661300.0
申请日:2021-12-31
Applicant: 武汉大学
IPC: G06F30/20 , G06F17/18 , G06F113/08
Abstract: 本文提出了一种基于零膨胀时空回归模型的雪水当量建模和预测方法,主要解决雪水当量与环境因素建模过程中,随积雪时空剧烈变化出现的大量零观测值、雪水当量时间滞后效应、以及空间分布自相关性引起的模型误设、方差膨胀、系数偏移等问题。本发明通过引入时间滞后项并利用广义线性空间回归模型,构建二元回归和连续回归两个部分,来代表判断零值是否存在和非零值的数值估计两个过程,从而将时空效应和零膨胀效应同时考虑进来,提高了雪水当量建模和预测准确性,增强了雪水当量变化过程的分析能力。
-
公开(公告)号:CN116992230A
公开(公告)日:2023-11-03
申请号:CN202310873132.4
申请日:2023-07-14
Applicant: 武汉大学
IPC: G06F18/20 , G01N15/06 , G06F18/15 , G06F18/213 , G06F18/214 , G06F18/21
Abstract: 本发明公开了一种顾及交互特征的PM2.5浓度估算方法,包括:获取地面PM2.5浓度监控站点数据;获得影响因子的日/月尺度数据;将监测站点与影响因子进行空间连接;提取站点的空间特征向量;构建站点时间维特征;将影响因子与空间特征向量结合构成空间交互特征;根据重要性对空间交互特征进行筛选得到筛选后的交互特征;将上述特征按照站点和日期对应组合为日平均PM2.5浓度与特征数据集;将特征数据集作为模型输入特征,步骤8中的日平均PM2.5浓度作为因变量,构建ST‑LightGBM模型;将输入特征输入到ST‑LightGBM模型中,得到研究区内连续PM2.5浓度图;对ST‑LightGBM模型进行精度评价。本发明解决了现有模型缺乏时空特征描述以及经典模型缺乏非线性关系描述能力的问题,实现了日均PM2.5浓度制图。
-
公开(公告)号:CN114974459A
公开(公告)日:2022-08-30
申请号:CN202210578832.6
申请日:2022-05-25
Applicant: 武汉大学
Abstract: 本发明提供一种PM2.5浓度估算模型的构建方法,该方法利用多源的自然环境和社会因子,进行处理和拼接获得覆盖研究区的各种栅格化影响因子;针对反距离权重型空间权重矩阵和k邻近型空间权重矩阵中的带宽,利用遗传算法得到一组最优带宽,不同的带宽代表各个影响因子的对PM2.5浓度具有不同尺度的空间影响;并基于该最优带宽和空间权重矩阵类型得到多组空间特征向量,构建多尺度特征向量空间滤值变系数模型,将空间特征向量与影响因子分别配对,表示每一影响因子所具有的不同的空间影响,本发明消除了PM2.5浓度的空间自相关效应,提高模型精度,最终得到高精度的地表PM2.5浓度连续分布。
-
公开(公告)号:CN114972506A
公开(公告)日:2022-08-30
申请号:CN202210478747.2
申请日:2022-05-05
Applicant: 武汉大学
IPC: G06T7/73 , G06V10/762 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于深度学习和街景图像的图像定位方法,为了提取图像中具有地理位置信息的图像特征,构建了基于深度学习的特征提取网络,利用地标数据集来提高网络对含有位置信息的特征的权重;然后通过特征聚合方法提取街景图像的聚合特征来提高特征进行匹配时的速度,同时利用特征相似度计算方法来降低重复纹理特征的影响;最后通过核密度估计方法的局部峰值确定待定位图像的地理位置坐标,并可以提高结果中正确位置的坐标排名,从而进一步提高整体定位的准确率,为图像中反映的事件的空间分布和发展趋势分析提供支持。
-
公开(公告)号:CN114972506B
公开(公告)日:2024-04-30
申请号:CN202210478747.2
申请日:2022-05-05
Applicant: 武汉大学
IPC: G06T7/73 , G06V10/762 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了一种基于深度学习和街景图像的图像定位方法,为了提取图像中具有地理位置信息的图像特征,构建了基于深度学习的特征提取网络,利用地标数据集来提高网络对含有位置信息的特征的权重;然后通过特征聚合方法提取街景图像的聚合特征来提高特征进行匹配时的速度,同时利用特征相似度计算方法来降低重复纹理特征的影响;最后通过核密度估计方法的局部峰值确定待定位图像的地理位置坐标,并可以提高结果中正确位置的坐标排名,从而进一步提高整体定位的准确率,为图像中反映的事件的空间分布和发展趋势分析提供支持。
-
公开(公告)号:CN116701841A
公开(公告)日:2023-09-05
申请号:CN202310583560.3
申请日:2023-05-19
Applicant: 武汉大学
IPC: G06F18/10 , G01N15/06 , G06N3/0464 , G06F16/9537 , G06F18/25 , G06F18/27
Abstract: 本发明提出了一种基于DEM加权的时空全连接残差神经网络的PM2.5拟合方法及系统。本发明将空间特征向量引入到非线性模型中消除空间自相关性的影响,实现了空间滤值模型的扩展,利用注意力机制实现了“空间变系数”解决空间异质性的影响,并采用新颖的“ont‑hot编码+镶嵌”方法把数值大小不具备意义的时间转换为“时间特征向量”消除时间的影响,同时还对损失函数进行了修正,在不降低整体研究区域的拟合精度的条件下,提高了高海拔地区的拟合精度,从而得到更高精度的地面PM2.5拟合结果。
-
-
-
-
-
-
-
-
-