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
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。
