李和平
- 作品数：6 被引量：4H指数：2
- 供职机构：贵州省第一测绘院更多>>
- 相关领域：天文地球自动化与计算机技术农业科学更多>>
- 基于多基线InSAR的ALOS-2数字高程模型重建
- 2024年
- 由于光学数据在多云多雨地区的局限性,通过SAR数据获取DEM成为一种可行的方案。ALOS-2卫星搭载L波段传感器,可穿透部分植被接收到地表回波信号,获得更真实的地表信息。贵州省积累了大量ALOS-2存档数据,但其空间基线短、高程模糊数大,未能应用到DEM生产中。基于此,本文收集贵阳市东部区域ALOS-2数据,采用多基线InSAR技术反演DEM结果,通过与单基线结果及SRTM30 DEM对比验证,表明了基于ALOS-2数据和多基线InSAR生产DEM的有效性和实用性。
- 李和平杨坤吴猛张新鼎
- 关键词：DEM多基线INSAR
- 地理国情监测历年成果综合性分析——以贵安新区2015—2017年监测为例
- 2018年
- 本文以贵安新区为例,利用2015—2017年地理国情监测数据,展开综合性分析,揭示了新区建成区范围、地表覆盖、城市建设用地、重要基础设施、生态功能用地以及重点产业发展的现状和变化情况,分析新区的建设进程和效果,得出新区建设发展特点和结论。提出今后工作建议,希望对地理国情监测工作有所助益。
- 廖廷宇杨莎莎李和平冷继权杨宇青
- 关键词：地理国情地理国情监测
- 基于无人机遥感技术的地理信息测绘方法
- 2024年
- 文章以贵州省七星关区地理信息测绘任务为例,提出基于无人机遥感技术的地理信息测绘方法。分析该区域的地势情况,设计无人机遥感技术测绘流程;根据摄区实际地形起伏情况选择航摄设备,计算无人机的航摄高度、设计航摄路线,以完成不同起伏程度的地形航摄;采用基于局部方差均衡的图像增强方法对遥感图像处理后,对其进行镶嵌和裁剪,制作该区域的正射影像。对测绘成果进行分析后得出,该方法能够较好地完成研究区域的地理信息测绘,为该地区的自然资源管理提供可靠依据。
- 李和平
- 关键词：无人机遥感技术
- 引入似大地水准面精化模型的山区水情监测方法被引量：2
- 2016年
- 基于山区水情监测的内在需求与山地开展水准测量困难的地域实际,讨论了引入区域似大地水准面精化模型的GNSS静态高程测量方法代替等级水准的监测方法的可行性,以贵州省内分布均匀的15个CORS站点、20个C级点、11个水文站内的三等水准点作为研究基础,按照C级网精度要求布网观测,利用贵州省似大地水准面精化模型确定了高程异常。研究结果表明,该方法在贵州山区均达到五等水准测量精度,在模型拟合点较密的区域达到四等水准精度。
- 杨坤李和平
- 地学知识图谱引导的遥感影像语义分割被引量：2
- 2024年
- 尽管深度语义分割网络有效提升了遥感影像语义分割性能,但其效果远未达到人类领域专家的目视解译水平。原因是人类视觉系统在进行遥感影像解译时,往往会综合运用视觉特征、语义信息和先验知识。然而,深度语义分割网络本质上是数据驱动的面向像素级损失反向优化的分类方法。这种基于像素级优化的深度语义分割网络,一方面受限于像素空间尺度,缺乏整体性目标线索挖掘;另一方面难以跨越结构化数据和非结构化知识之间的鸿沟,无法充分利用地学先验知识和空间语义信息。针对以上两方面的问题,本文提出了地学知识图谱引导的遥感影像深度语义分割方法,运用从地学知识图谱中抽取的地物目标语义信息和地学先验知识构建实体级连通约束和实体间共生约束,引导深度语义分割网络训练。其中,实体级连通约束以连通域实体而非像素单元计算损失,得到实体级别的特征表示,使得分割结果更具整体性,边界模糊和随机噪声现象得到抑制。实体间共生约束将共生条件概率量化的空间共生知识嵌入到数据驱动的深度语义分割网络中,实现空间语义信息和地学先验知识对实体空间分布的约束引导和自动优化。验证结果表明,在实体级连通约束和实体间共生约束的引导下,深度语义分割网络可以完成对实体级特征的学习并根据空间共生知识自动优化地物实体的空间分布,有效改善了遥感影像语义分割性能。
- 李彦胜武康欧阳松杨坤李和平张永军
- 基于无人机影像的高郁闭度马尾松林蓄积量估算方法研究
- 2024年
- 为降低传统野外调查成本,提高高郁闭度森林资源调查效率,以多光谱无人机影像结合实地样地调查数据为源数据,以马尾松纯林为研究对象,采用冠层高度模型(CHM)及多光谱影像6种植被指数构建模型,估算研究区林分蓄积量。结果表明:1)高分辨率数字高程模型的辅助能够有效弥补无人机影像在茂密森林无法提取地面点的缺陷,可提高CHM构建的精度,实现在茂密森林树高的准确提取;2)采用CHM提取研究区单木树高并估算蓄积量时,样地内共提取马尾松292株,提取的平均树高为18.77 m,小班区域内共提取马尾松18 120株,提取的平均树高为17.02 m,实测平均树高为18.17 m,平均树高提取效果较好,估算蓄积量为7 466.74 m3,实测蓄积量为9 024.40 m3,蓄积量估算精度为82.90%;3)植被指数模型的RMSE为0.39,R2为0.84,模型精度较高,蓄积量估算为8 620.30 m3,估算精度为96.26%。通过借助无人机遥感技术,两种蓄积量估算方法均能在高郁闭度森林中实现蓄积量的快速估算,其中通过多光谱数据提取植被指数构建模型估算蓄积量的效果更佳,这为进一步推广无人机影像在高郁闭度森林资源调查中的应用提供了有力的科学依据。
- 骆耀培李和平杨广斌岑刚李蔓李蔓王仁儒陈盼芳
- 关键词：无人机影像马尾松植被指数蓄积量
