《基於模式識別的多尺度空間數據聯動更新關鍵技術研究》是依託中山大學，由張新長擔任項目負責人的重點項目。
基本介紹
- 中文名：基於模式識別的多尺度空間數據聯動更新關鍵技術研究
- 項目類別：重點項目
- 項目負責人：張新長
- 依託單位：中山大學
中文摘要,結題摘要,
中文摘要
空間數據的現勢性是衡量GIS資料庫實用價值的重要標誌。多尺度空間數據聯動更新通過把大比例尺的變化信息依次傳遞到較小比例尺空間數據中進行更新處理，從而避免數據的重複採集和處理。多尺度空間數據的更新處理模式判讀具有尺度效應和自適應的特徵，模式識別的理論與技術可用於對表征事物或現象的模式進行自動處理和判讀。因此，本項目擬結合模式識別技術，通過更新特徵建模與自適應機器學習，探討更新信息檢測及多尺度傳遞機制。以信息模式測度理論為切入點，對多尺度空間數據更新特徵空間定義、多尺度同名要素模板匹配及增量式的製圖綜合方法等關鍵問題進行深入探討，以實現多尺度空間數據的聯動更新。同時，構建空間數據聯動更新的網路服務框架，實現空間數據的線上聯動更新。項目方法的設計和套用將有助於提高多尺度空間數據更新的自動化和智慧型化水平，提高更新工作的效率，具有重要的研究意義與實用價值。
結題摘要
多尺度空間數據聯動更新能夠有效避免數據的重複採集和處理，對於解決空間數據更新問題具有重要的理論意義和套用價值。本項目以“空間要素提取---空間要素多尺度表達及特徵空間建模---更新信息檢測與自適應動態更新---更新信息多尺度傳遞”為主線，從理論和技術兩個層面，系統研究了基於模式識別的多尺度空間數據聯動更新關鍵技術。以廣州市為主要研究區，採用多比例尺地形圖、高解析度遙感影像、LiDAR點雲等時空數據開展相關研究，主要研究成果包括：（1）深入分析了不同尺度空間數據在表達內容、幾何細節與符號樣式等方面的差異，提出了一種基於圖層---實體---圖元結構的更新信息特徵空間構建方法；（2）設計了一種以人工神經網路決策樹模型為基礎的更新信息檢測方法，該方法兼顧了決策樹運行效率高與人工神經網路的自適應特徵，可適用於不同的更新場景，減少人為的影響；在此基礎上，提出了一種自適應的矢量數據增量更新方法，以解決GIS增量更新中存在的一致性維護與空間衝突難題；（3）提出了一種結合像元級和目標級的高解析度遙感影像建築物變化檢測方法，該方法既利用了像元級變化檢測方法簡單易行的優勢，又避免了雙時相影像分割導致的邊界不一致等問題，同時考慮觀測角度等環境因素對建築物變化檢測的影響；（4）改進了多尺度面狀居民地匹配的特徵相似性測度方法，提出了一種基於RVM（相關向量機）與主動學習的匹配方法來避免特徵權重與匹配閾值設定，以自動適應不同數據環境下的居民地匹配；同時，引入機器學習領域的決策樹方法，構建了跨比例尺居民地矢量數據變化信息識別模型；（5）基於建築物群組理論，提出了一套系統完善的基於尺度集的建築尺度變換理論與方法。在項目的支持下，項目組在國內外刊物上發表論文40餘篇，其中SCI/SSCI論文16篇，獲得科研獎勵8項，出版學術專著4部，申請或授權發明專利8項。共培養博士後1名、博士生12名，碩士生11名。
