针对当下道路网信息自动提取困难,智能化选取方法大大减少了人工提取工作量的现状,该文结合OSM(Open Street Map)道路网数据,基于深度学习,构建了OSM道路网深度学习智能选取模型,根据OSM道路网的特点和应用要求,建立了相应的道路网选取...针对当下道路网信息自动提取困难,智能化选取方法大大减少了人工提取工作量的现状,该文结合OSM(Open Street Map)道路网数据,基于深度学习,构建了OSM道路网深度学习智能选取模型,根据OSM道路网的特点和应用要求,建立了相应的道路网选取知识系统以及RNN(Recurrent Neural Network)网络模型。实验结果表明,RNN模型可以大大提高当前人工选取道路网的效率,并且可以达到较高的实验精度,对于道路网原有的结构也保持较好。展开更多
为了解决来自非专业用户协同编辑的众源地理空间数据质量问题,提出了一种众源地理空间数据质量评价技术框架。针对众源开放街道地图(open street map,OSM)数据特点,选取数据完整性、属性信息准确性和定位精度三方面质量要素,提出了面向...为了解决来自非专业用户协同编辑的众源地理空间数据质量问题,提出了一种众源地理空间数据质量评价技术框架。针对众源开放街道地图(open street map,OSM)数据特点,选取数据完整性、属性信息准确性和定位精度三方面质量要素,提出了面向众源开放街道地图(OSM)空间数据的质量模型和计算方法。展开更多
利用AI(artificial intelligence)技术可从遥感影像上快速提取矢量数据,尤其可以获取实时性较好的矢量路网数据,但提取的数据没有属性信息;而已有的众源数据如OSM(open street map)路网具有开源、属性信息丰富等特点,但现势性相对于提...利用AI(artificial intelligence)技术可从遥感影像上快速提取矢量数据,尤其可以获取实时性较好的矢量路网数据,但提取的数据没有属性信息;而已有的众源数据如OSM(open street map)路网具有开源、属性信息丰富等特点,但现势性相对于提取路网较低。针对上述情况,以AI提取路网为基准数据,OSM路网为匹配数据,将一种基于多因子几何匹配算法用于路网匹配中,并在匹配后引入匹配度的概念,以最优匹配对象进行属性重建。实验结果表明能有效地对AI提取路网的属性信息进行重建,并基于此开发了一套路网属性信息重建系统,在国家全球测图项目中投入使用。展开更多
随着城市人口、物资、信息流动的日益频繁,城市居民活动特征和生产生活方式更加复杂多变,同时,城市空间无序扩张,发展规划不足,引发了交通堵塞、人口流失、公共空间缺乏等一系列问题,最终引发了城市活力消解难题。因此,如何科学高效地...随着城市人口、物资、信息流动的日益频繁,城市居民活动特征和生产生活方式更加复杂多变,同时,城市空间无序扩张,发展规划不足,引发了交通堵塞、人口流失、公共空间缺乏等一系列问题,最终引发了城市活力消解难题。因此,如何科学高效地进行城市活力定量分析成为了重点研究问题。本文基于OpenStreetMap、百度地图兴趣点(Point of Interest,POI)、微信宜出行、美团、高德建筑物轮廓等多源地理大数据,从人与空间双重角度,分别对人群活力、活力多样性、活动满意度和空间交互潜能进行量化研究;引入空间权重矩阵,构建了改进的空间优劣解距离法(Technique for Order Preference by Similarity to Ideal Solution,TOPSIS)综合活力评价模型,实现对南京市中心城区综合活力的评价,最后分析了工作日、周末的街区活力空间分布特征及活力极的异同,并比较了传统的熵值TOPSIS综合活力评价结果,以此探究空间关系对城市街区活力的影响,以求帮助城市规划者系统的认识当前城市活力现状,为城市规划研究提供一种可行性方案。展开更多
知识系统是道路网选取的关键,知识系统的构建对于道路网选取的结果有着至关重要的影响。该文结合OSM(Open Street Map)道路网数据和深度学习框架中的循环神经网络,构建了不同的道路网选取参数系统,分别对上海市1:250000的OSM道路网进行...知识系统是道路网选取的关键,知识系统的构建对于道路网选取的结果有着至关重要的影响。该文结合OSM(Open Street Map)道路网数据和深度学习框架中的循环神经网络,构建了不同的道路网选取参数系统,分别对上海市1:250000的OSM道路网进行选取。对试验结果进行比较发现,多参数的知识系统有益于提升道路网的选取效果,7参数的知识系统的选取精度比4参数知识系统的选取精度高了5%。展开更多
文摘进行城市复杂空间结构的解析,识别城市功能设施的分布特征及区域城市功能区类型,可为优化城市空间布局和促进可持续发展提供数据支持.以合肥辖区为研究对象,参考TF-IDF(Term Frequency-Inverse Document Frequency)算法思想,融合OSM(Open Street Map)数据与POI(Point of Interest)数据进行城市功能区的识别.首先使用平均最近邻、热点分析探究POI空间分布模式;再利用OSM数据对研究区分割,获得相互独立且具有社会经济功能的基本研究单元,采用TF-IDF算法对POI数据加权,同时结合频率密度占比对城市功能区识别划分,比较并分析不同功能区的空间分布特征.结果表明:各类POI均呈现出明显的集聚分布特征,公共、居住、商服3类POI的冷热点空间集聚模式较为相似,但商服POI集聚程度更高.城市功能区包括21类功能区类型,绿地、交通相关功能区集中在局部重点区域,公共、商服、居住功能区的空间分布关联较为紧密,工业功能区的分布与合肥工业开发区高度契合.整体识别结果与合肥的实际情况一致.
文摘针对当下道路网信息自动提取困难,智能化选取方法大大减少了人工提取工作量的现状,该文结合OSM(Open Street Map)道路网数据,基于深度学习,构建了OSM道路网深度学习智能选取模型,根据OSM道路网的特点和应用要求,建立了相应的道路网选取知识系统以及RNN(Recurrent Neural Network)网络模型。实验结果表明,RNN模型可以大大提高当前人工选取道路网的效率,并且可以达到较高的实验精度,对于道路网原有的结构也保持较好。
文摘利用AI(artificial intelligence)技术可从遥感影像上快速提取矢量数据,尤其可以获取实时性较好的矢量路网数据,但提取的数据没有属性信息;而已有的众源数据如OSM(open street map)路网具有开源、属性信息丰富等特点,但现势性相对于提取路网较低。针对上述情况,以AI提取路网为基准数据,OSM路网为匹配数据,将一种基于多因子几何匹配算法用于路网匹配中,并在匹配后引入匹配度的概念,以最优匹配对象进行属性重建。实验结果表明能有效地对AI提取路网的属性信息进行重建,并基于此开发了一套路网属性信息重建系统,在国家全球测图项目中投入使用。
文摘随着城市人口、物资、信息流动的日益频繁,城市居民活动特征和生产生活方式更加复杂多变,同时,城市空间无序扩张,发展规划不足,引发了交通堵塞、人口流失、公共空间缺乏等一系列问题,最终引发了城市活力消解难题。因此,如何科学高效地进行城市活力定量分析成为了重点研究问题。本文基于OpenStreetMap、百度地图兴趣点(Point of Interest,POI)、微信宜出行、美团、高德建筑物轮廓等多源地理大数据,从人与空间双重角度,分别对人群活力、活力多样性、活动满意度和空间交互潜能进行量化研究;引入空间权重矩阵,构建了改进的空间优劣解距离法(Technique for Order Preference by Similarity to Ideal Solution,TOPSIS)综合活力评价模型,实现对南京市中心城区综合活力的评价,最后分析了工作日、周末的街区活力空间分布特征及活力极的异同,并比较了传统的熵值TOPSIS综合活力评价结果,以此探究空间关系对城市街区活力的影响,以求帮助城市规划者系统的认识当前城市活力现状,为城市规划研究提供一种可行性方案。
文摘知识系统是道路网选取的关键,知识系统的构建对于道路网选取的结果有着至关重要的影响。该文结合OSM(Open Street Map)道路网数据和深度学习框架中的循环神经网络,构建了不同的道路网选取参数系统,分别对上海市1:250000的OSM道路网进行选取。对试验结果进行比较发现,多参数的知识系统有益于提升道路网的选取效果,7参数的知识系统的选取精度比4参数知识系统的选取精度高了5%。
