-
摘要: 随着数据获取方式和技术的多样化，多源空间数据持续累积，迫切需要研究数据集成方法，以更好地为地学研究与应用提供信息和技术支持。将各种用于集成多源空间数据的处理过程统称为数据融合，并从经典方法和扩展方法的角度，分别综述相关研究进展。为综述经典方法的研究进展，依据空间对象数据模型和场数据模型，理清了数据融合及其相关数据处理较成熟的方法；对于扩展方法，阐述了多点地统计方法、统计-机理型方法、多尺度分析与重构方法、信息论方法等。为更有效地支持多源异构数据环境下的数据融合，讨论了尺度不匹配、语义不一致性、时间维等问题。Abstract: With diversification of data acquisitions and associated technologies, there is steady accumulation of multi-source spatial data, prompting more research on effective and fast data integration to provide information and technical support for geospatial research and applications. In this paper, procedures for integrating multi-source data are referred to as data fusion. Research developments are reviewed by considering them as classic and extended types of methods, respectively. To review the progress in classic methods for data fusion and related data processing, this paper clarifies some of the relatively well-established methods using a typology of object-and field-based models of spatial data. For extended methods, the paper discusses multi-point geostatistics, statistical-mechanistic methods, multi-scale signal analysis and reconstruction, and information-theoretic strategies. Some of the issues, such as scale mismatch, semantic inconsistency, and the temporal dimension, are discussed in the hope of better supporting the fusion of multi-sourced and heterogeneous data. Further research will enhance theoretical foundations of geographic information to enrich methodologies for spatial data and their analyses, and help add to the applicability and value of spatial information.
-
Keywords:
- data fusion /
- geostatistics /
- mechanistic /
- information theory /
- data support
-
随着国家海洋战略的实施，水下潜器的导航需求越来越大，对此需要进行高精度、高自主的导航条件作为辅助。现阶段，提供导航定位的方式多样化，如GPS（global positioning system）、GLONASS（global navigation satellite system）、GSNS（Galileo satellite navigation system）、BDS（BeiDou navigation satellite system）、声呐导航、天文导航[1-2]、惯性/测向测距导航系统[3]，其定位精度虽然满足水下潜器需求，但由于隐蔽性差、抗干扰能力差等原因，不利于潜艇长时间水下定位。重力辅助惯性导航作为一种不依靠人为因素，借助地球自身特性，即地球重力场信息，完成潜艇水下长航、长航距导航，具有重要的研究意义。重力辅助惯性导航具有自主、无源、高精度、高隐蔽性、抗干扰性的特点，是真正的无源导航。
利用地球独有特性进行无源导航的方式，目前已涉及地形匹配导航、地磁匹配导航[4-6]以及重力匹配导航。由于惯性导航在极区易丢失方向，地磁导航更难实施，因此亟需研究极区多源信息组合导航定位技术[7]。20世纪80年代初，美国洛克希德马丁公司在美国军方资助下研制了重力敏感器系统（gravity sensor system，GSS）。GSS是一个当地水平的稳定平台，平台上安装有一个重力仪和三个重力梯度仪。重力仪是一个垂直安装的高精度加速度计，重力梯度仪输出两组正交的梯度分量，由安装在同一转轮上的4个加速度计组成。GSS用于实时估计垂线偏差，以补偿惯性导航误差。20世纪90年代，该公司在GSS、静电陀螺导航仪（electrostatic gyro navigator，ESGN）、重力基准图和深度探测仪等技术的基础上开发无源重力辅助导航系统（gravity aided inertial navigation system，GAINS），它通过重力匹配获取导航位置坐标，以无源方式限定或修订惯性导航误差，能实现潜艇14 d精确导航[8-9]。国内对重力辅助惯性导航技术的研究开始于20世纪90年代。目前关于重力辅助导航技术及其相关技术的研究包括重力辅助导航系统组成，重力匹配导航算法，卫星测高反演重力异常，重力场对惯性导航系统精度的影响，重力图数据处理，以及重力仪、重力梯度仪的研制等方面[10]。
目前常用的匹配算法有4种，包括地形轮廓匹配算法（terrain contour matching，TERCOM）、迭代最近等值线算法（iterated closest contour point，ICCP）、桑迪亚惯性地形辅助导航算法（Sandia inertia terrain-aided navigation，SITAN）和滤波算法。TERCOM算法主要是使用重力场数据相关技术的匹配算法，其匹配精度高，受初始误差影响小，但实时性不强[11-15]。ICCP算法主要是使用刚性变换不断靠近等值线上最近点并进行配准，该算法有较高的精度，但其应用受到惯导指示位置与载体真实位置之间误差足够小的假设条件的限制，而且随着迭代次数的增加，计算量也不断增大[16]。此外，ICCP算法忽略了参考导航系统在短时间内的误差变化，应用时限制了匹配点数[17]。SITAN算法是基于扩展卡尔曼滤波技术的单点匹配算法，得到导航误差的估计值，然后把误差估值反馈回惯导系统，从而对其导航状态进行修正[18-19]；SITAN算法需要获取较为精确的初始误差，对非线性观测模型线性化敏感，线性化精度低会导致滤波发散[20]。在辅助导航中使用较多的滤波算法主要有卡尔曼滤波算法以及粒子滤波算法，卡尔曼滤波算法是将重力场数据的变化作为卡尔曼滤波器的观测量，将惯导运动的误差方程作为卡尔曼滤波器的状态量来建立卡尔曼滤波方程。
发展海洋重力匹配导航技术还存在很多核心问题，如海洋重力基准图的格网分辨率问题，实时重力仪测量值与重力地图快速匹配问题[21]。近年来，重力实时测量与匹配导航算法引起国内学者广泛关注[22-24]，如Wang等[25]研制了重力匹配惯性导航系统，并开展了相关的海试工作。不少学者在传统匹配算法的基础上，改进算法的实时性，改善匹配的精度，提高匹配的可实施性[26-29]。
传统重力匹配过程主要考虑实时重力测量值与重力场背景图之间的相关性。国内学者在进行约束改进算法时，提出了对惯导短时间内具有高精度的约束条件，进而增设轨迹位移角度判断方式，通过增加对每一段采样航距的惯导角度和待匹配轨迹对应角度一致的条件，对待匹配轨迹进行了约束，但惯导系统在短时间内的误差虽然很小，但不可忽略。对惯导设备要求苛刻，仅仅单独从每一段采样航距去进行约束，以及对每一次轨迹旋转角度进行绝对约束，不符合实际情况[30]。
本文通过结合运载体的运动速度与航向信息，提出了基于惯性导航特征相似性的约束条件匹配导航算法，用向量的形式表示轨迹的运动轨迹方向，同时计算轨迹在每一采样间隔段的航距以及总匹配航距。利用匹配约束条件对待匹配轨迹进行选择，剔除大量不符合约束条件的随机匹配轨迹，同时考虑惯导设备存在的客观误差因素，提高匹配效率，缩短匹配时间，改善匹配精度。
1 重力匹配算法原理
重力辅助匹配惯性导航系统是利用地球重力场特性，在高分辨率的重力异常图组成的基本特性信息数据库中[31]，结合惯性导航系统提供的实时输出位置，以及海洋重力仪提供的实测值，按照一定的匹配算法对惯导位置进行修正，实现高精度水下定位的一种导航技术。系统原理结构图[32]如图 1所示。
概率神经网络匹配算法主要由4个结构层构成，以此为输入层、模式层、求和层以及输出层。
在输入层中，输入样本X经过归一化后传递到模式层中。
在模式层中，需要将输入样本X与权值向量Wx做内积运算：
$$ {Z_X} = {X^{\rm{T}}}{\mathit{\boldsymbol{W}}_X}$$ (1) ZX然后对做非线性化处理，即：
$$ g\left( {{Z_X}} \right) = {\rm{exp}}\left( {\left( {{Z_X} - 1} \right)/{\sigma ^2}} \right)$$ (2) 将式（1）、式（2）经过推导等价于：
$$ g\left( x \right) = {\rm{exp}}[ - \left( {X - {W_X}{)^{\rm{T}}}\left( {X - {W_X}} \right)/2{\sigma ^2}} \right]$$ (3) 式中，σ表示概率神经网络的平滑因子。
在求和层中，将属于同类的非线性函数进行累加，以求得输入样本中属于每一类的概率ηa，一般利用Parzen窗方法来求取概率ηa，即：
$$ {\eta _a} = \frac{1}{{\left( {2{\rm{ \mathsf{ π} }}} \right)\frac{p}{2}{\sigma _p}}}\left( {\frac{1}{{{n_a}}}} \right)\mathop \sum \limits_{x = 1}^{{n_a}} g\left( {{Z_X}} \right)$$ (4) 式中，na表示求和层中属于分类a的神经元的个数；p表示输入样本的维数。
在输出层中，将求和层中利用Parzen窗方法计算而来的所有分类的概率进行比较，并求取属于某个类别的最大概率ηmax，然后以竞争方式使其输出为1。
将所有待匹配轨迹N条分为N个类别，求取实测重力序列与之对应的最大概率匹配序列作为最终匹配轨迹序列[33]。
概率神经网络通过分析实测重力数据与待匹配轨迹数据之间的属性关系，对比实测数据与各类别属性的从属关系程度，选择最大相关序列、作为最佳匹配序列。概率神经网络算法虽能较好实现重力匹配惯性导航，但其在匹配过程中仅依靠了惯导轨迹提供的单点位置信息搜索待匹配点，忽略了惯性导航所提供的连续轨迹属性信息，即航距与航向，这会导致概率神经网络匹配结果只考虑了重力数据的相似性以及顺序性，而忽略了潜艇轨迹本该具有的空间属性。
2 相关约束的重力匹配算法
相关约束的重力匹配算法的核心思想是：首先利用惯性导航系统提供的连续性方向信息构建序列矩阵，对每一条待匹配轨迹的拐点方向矩阵进行判断，排除不符合惯导轨迹方向序列的待匹配轨迹；其次，利用惯导系统提供的相邻采样距离信息和轨迹总运行距离信息，对待匹配轨迹进行约束，排除局部和整体均不符合距离约束条件的轨迹；最后利用概率神经网络算法对符合以上两步约束条件的待匹配轨迹进行分析，选择最终匹配轨迹。该算法充分利用了惯性导航输出数据的短时高精度特性和在长距离匹配背景下的方向、距离整体特征连续性，并且避免了在重力异常图分辨率较低背景下对方向角度出现错误筛选的情况，提高了匹配算法的适用性，体现了重力匹配惯性导航算法中先整体、后局部，惯导为主、重力为辅的匹配思想。
2.1 设定搜索区域
由于惯性导航系统中加速度计以及陀螺仪的固有误差，使得惯导在输出位置时出现漂移，水下潜艇的实际位置应该在以惯导输出位置为中心的一定范围内，通过对惯导数据以及时长的分析来确定对应一定时间的惯导漂移范围。
本文以10个连续惯导输出点作为一组匹配轨迹，根据惯导输出确定其在重力图中的位置，分别以其为中心，以最后一点对应的累计漂移距离λ为1/2矩阵搜索边长，确定最后两点矩阵的搜索区域，即2λ×2λ，第3至8点搜索边长为，第1至2点的搜索边长为λ/2，以此确定一组矩阵的搜索区域[34]，如图 2所示。
2.2 寻找等值点
在搜索范围内，根据重力底图，读取范围内对应格网位置的重力异常值gk，并与相应时刻重力仪实测重力值gi进行比较。根据重力仪误差情况，设定等值点范围，若$\left| {{g_i}\left( {{x_i}, {y_j}} \right) - {g_k}\left( {{x_k}, {y_k}} \right)} \right| = {\rm{\Delta }}g \le \delta $，则点k属于对应时刻惯导输出点i的重力等值点。最终在整条轨迹线中，可形成10个点聚集区。
2.3 设定约束条件
重力匹配惯性导航是一项多源综合性导航，目前大多数匹配算法在研究过程中侧重于研究待匹配重力值与实测重力值之间的相关性，忽略了惯性导航提供轨迹数据的精确性，以及对匹配导航位置关系的约束性。约束匹配流程图如图 3所示。
2.3.1 约束轨迹方向
虽然惯性导航系统中的加速度计和陀螺仪在导航中均存在漂移误差，但在机动性强、运动轨迹方向多变情况下的导航，不存在轨迹前进左右方向判别上的错误。因此，在陀螺仪不能完全精确输出轨迹转动角度的情况下，可以更为准确地输出轨迹相对运行前进方向的左右判别，这对于正确判断真实轨迹的运动起到很好的约束作用[35]。
因此，本文对待匹配轨迹的约束条件之一便是：对于一条由10个采样间隔组成的运动轨迹，判别从第3个采样点至第9个采样点处于其对应前两点构成的直线的左右方位，在判断左右方位时，首先需要判断轨迹的航向，即判断潜艇运动方向是向东还是向西，向南还是向北，其中，向东包括东南方向、东北方向以及正东方向，向西包括西北方向、西南方向以及正西方向，向北即为正北方向，向南即为正南方向。式（5）为直线表达公式，由式（6）可知，利用直线上两点坐标，可求得直线斜率。
$$ Y - y = k\left( {X - x} \right) $$ (5) $$ k = \frac{{{y_2} - {y_1}}}{{{x_2} - {x_1}}} $$ (6) 式（5）和式（6）经过推导等价于：
$$ Y = \frac{{{y_2} - {y_1}}}{{{x_2} - {x_1}}}\left( {X - {x_1}} \right) + {y_1} $$ (7) 求取第3点X轴向对应的Y轴坐标：
$$ {{y'}_3} = \frac{{{y_2} - {y_1}}}{{{x_2} - {x_1}}}\left( {{x_3} - {x_1}} \right) + {y_1} $$ (8) 判断其方向及输出：
$$ {{y'}_3} - {y_3} > 0\;\;\;\;\; - 1 $$ (9) $$ {{y'}_3} - {y_3} < 0\;\;\;\;\; + 1 $$ (10) $$ {{y'}_3} - {y_3} = 0\;\;\;\;\;\;0 $$ (11) 对于向东运动，若第3个采样点位于由第1、第2个采样点构成直线的下方，则判断其方向为-1；若位于直线上方，则判断其方向为+1；若位于直线内，则判断其方向为0。最终对惯导轨迹可输出一个由-1、0、+1组成的8×1的矩阵。
若潜艇向西运动，则输出结果与向东运动结果相反：
$$ {{y'}_3} - {y_3} > 0\;\;\;\;\; + 1 $$ (12) $$ {{y'}_3} - {y_3} < 0\;\;\;\;\; - 1 $$ (13) $$ {{y'}_3} - {y_3} = 0\;\;\;\;\;\;0 $$ (14) 若潜艇向正北方向运动，则输出结果与X值相关：
$$ {x_1} = {x_2} > {x_3}\;\;\;\; - 1 $$ (15) $$ {x_1} = {x_2} < {x_3}\;\;\;\; + 1 $$ (16) $$ {x_1} = {x_2} = {x_3}\;\;\;\;0 $$ (17) 若潜艇向正南方向运动，则输出结果与正北方向相反：
$$ {x_1} = {x_2} > {x_3}\;\;\;\; + 1 $$ (18) $$ {x_1} = {x_2} < {x_3}\;\;\;\; - 1 $$ (19) $$ {x_1} = {x_2} = {x_3}\;\;\;\;0 $$ (20) 同时，对由待匹配点任意连线构成的待匹配轨迹进行方向判断，生成一个8×N的矩阵，其中N为待匹配轨迹条数。根据惯导提供的方向矩阵，从待匹配方向矩阵中，筛选出符合惯导矩阵的对应轨迹，作为下一步待匹配轨迹，剔除不符合轨迹。
2.3.2 约束轨迹距离
通过对惯导系统在长航距中产生的误差分析，可以发现，在较短的时间间隔内，惯导输出的距离精度较高，在相邻采样间隔的输出距离上，与对应的真实运动轨迹距离相仿，因此，本文对每条待匹配轨迹的9个采样间隔段进行判断，若
$$ \begin{array}{*{20}{l}} {\;\;\left| {L\left( {A\left( {{x_t}, {y_t}} \right), B\left( {{x_{t + 1}}, {y_{t + 1}}} \right)} \right) - } \right.}\\ {\left. {L\left( {A'\left( {{x_t}, {y_t}} \right), B'\left( {{x_{t + 1}}, {y_{t + 1}}} \right)} \right)} \right| \le \lambda {\rm{}}} \end{array} $$ (21) 则认为两条线段的距离相仿[36-37]。式中，λ根据惯导元器件精度、重力图分辨率以及采样时长设定。
此外，增设约束条件：即对于由10个采样点构成的航迹，总的距离误差不是简单地由9个段误差累计和，而是有增有减，因此，对惯导轨迹的总距离和待匹配轨迹的总距离之差设定一个阈值ξ，ξ的值可根据惯导元器件的精度和采样时间间隔来确定。即：
$$ \begin{array}{l} \left| {\mathop \sum \limits_1^n \left( {\sqrt {{{({x_{n + 1}} - {x_n})}^2} + {{({y_{n + 1}} - {y_n})}^2}} - } \right.} \right.\\ \left. {\mathop \sum \limits_1^n \left. {\sqrt {{{(x_{n + 1}^{\rm{'}} - x_n^{\rm{'}})}^2} + {{(y_{n + 1}^{\rm{'}} - y_n^{\rm{'}})}^2}} } \right)} \right| \le \xi \end{array} $$ (22) 式中，根据惯导元器件精度、重力图分辨率以及轨迹时长设定。这样，不仅仅是从单个采样距离上对待匹配轨迹做出约束，而是从局部和整体两方面约束，可有效剔除符合局部条件、但不符合整体实际轨迹特征的待匹配轨迹。
3 仿真实验分析
本文基于MATLAB对实验进行编程仿真，重力异常图分辨率为，假定水下潜艇以10 m/s的速度航行，匹配算法选取概率神经网络匹配，每3 min进行一次采样，在满足匹配导航时效性的前提下，为能够尽量满足匹配导航精度条件，实验采用每10个采样点作为一次匹配序列，在同等条件下进行有无约束条件对比，实验中α设定为2 776 m，即1.5倍的格网距离，ξ设定为4 627 m，即为2.5倍的格网距离。轨迹所处背景场如图 4所示，重力异常图背景标准差为16.942 mGal，经度方向相关系数为0.769，纬度方向的相关系数为0.547。因约束条件是对概率神经网络待匹配结果进行筛选，并不在最终原有匹配结果轨迹的基础上加以修改，因此该约束算法不受背景场影响，图 4中右下点为起始点。仿真结果如图 5所示。
![]()
图 5 匹配结果及东、北误差对比图Figure 5. Comparison of Matching Results and Errors of East, North Directions由图 5可见，在经纬度方向重力异常相关系数均大于0.5的情况下，未增加约束条件的概率神经网络匹配，在匹配位置上会存在一些不符合实际运动方向、航距的情况。基于约束条件的重力匹配辅助导航算法，对轨迹的航向做出修正，真实轨迹与惯导轨迹均在第8条采样段的航向上向东北方向偏移，但未约束的概率神经网络匹配结果将第9段匹配航迹修改成向西南方向航行，明显不符合实际情况，通过约束，可将其进行正确修正。同时，算法通过剔除大量不符轨迹，大大缩短了神经网络匹配的耗时，如表 1所示，将精度由千米级提高到百米级，较好地提高了匹配位置精度。以匹配误差低于一个格网密度作为成功匹配，将成功匹配点占所有匹配点的百分比作为成功匹配率，在东、北方向，匹配率均由80%提升至100%。如表 2所示，方向正确率由62.5%提升至100%，耗时缩短50%左右，表明本文算法有效提高了运算速度，保证了匹配运算的精确性和实时性。
表 1 东、北方向距离误差/mTable 1. Distance Errors of East, North Directions/m方向 匹配条件 误差统计 最大值 最小值 平均值 均方差 北向 未约束神经网络匹配 5 852.439 0 5.502 187 1 059.555 0 1 801.611 0 约束神经网络匹配 1 620.846 4 5.502 187 591.739 2 618.789 4 东向 未约束神经网络匹配 5 156.672 0 8.035 500 1 221.924 0 1 727.069 0 约束神经网络匹配 1 442.420 2 8.035 500 361.244 1 413.000 4 表 2 航行方向结果比对Table 2. Results Comparison of Navigation Directions航向 转向 方向正确率/% 耗时/s 1 2 3 4 5 6 7 8 惯导方向 1 -1 -1 1 -1 1 1 -1 未约束轨迹方向 1 -1 -1 1 -1 -1 -1 1 62.5 0.094 约束轨迹方向 1 -1 -1 1 -1 1 1 -1 100 0.040 4 结语
基于相关约束的重力匹配算法，根据惯导元器件精度、重力图分辨率、重力仪精度的具体情况，对搜索区域进行规划，对等值点进行选取，对待匹配轨迹的方向向量进行筛选，以及相邻采样点距离和总轨迹距离进行约束，有效排除大量不符合真实轨迹特点的干扰轨迹，提高了导航效率和导航精度，增加了匹配算法的鲁棒性，避免了无可匹配点的情况。仿真结果表明，该约束算法不仅对均方差匹配和神经网络匹配的位置结果进行修正，同时对神经网络匹配的运算速度有大幅提升，提高了该匹配算法的实时性，更好地满足水下潜艇的需求。基于相关约束的重力匹配算法为进一步提高水下潜器导航的精确性和实时性提供了一条新的技术途径。
-
[1] 李德仁, 龚健雅, 张桥平.论地图数据库合并技术[J].测绘科学, 2004, 29(1):1-4 http://d.wanfangdata.com.cn/Periodical/chkx200401001 Li Deren, Gong Jianya, Zhang Qiaoping. On the Conflation of Geographic Databases[J]. Science of Surveying & Mapping, 2004, 29(1):1-4 http://d.wanfangdata.com.cn/Periodical/chkx200401001
[2] Adams B, Li L, Raubal M, et al. A General Framework for Conflation[J]. GIScience, 2010(9):14-17 https://www.researchgate.net/profile/Raubal_Martin/publication/267252783_A_General_Framework_for_Conflation/links/5469ea2f0cf2397f782ec5ae.pdf?inViewer=0&pdfJsDownload=0&origin=publication_detail
[3] Grant M, Krzysztof J, Benjamin A. A Weighted Multi-attribute Method for Matching User-Generated Points of Interest[J]. Cartography and Geographic Information Science, 2014, 41(2):125-137 doi: 10.1080/15230406.2014.880327
[4] 张景雄.空间信息的尺度、不确定性与融合[M].武汉:武汉大学出版社, 2008 Zhang Jingxiong. Scale, Uncertainty and Fusion in Spatial Information[M]. Wuhan:Wuhan University Press, 2008
[5] 陈换新, 刘栋永, 徐明世, 等.空间数据融合的框架流程及发展现状研究[J].地理信息世界, 2013, 20(5):26-31 http://d.wanfangdata.com.cn/Periodical/dlxxsj201305009 Chen Huanxin, Liu Dongyong, Xu Mingshi, et al. Research on the Flowline and Status of Spatial Data Fusion[J]. Geomatics World, 2013, 20(5):26-31 http://d.wanfangdata.com.cn/Periodical/dlxxsj201305009
[6] Tong X, Liang D, Jin Y. A Linear Road Object Matching Method for Conflation Based on Optimization and Logistic Regression[J].International Journal of Geographical Information Science, 2014, 28(4):824-846 doi: 10.1080/13658816.2013.876501
[7] Zhang J X, Atkinson P M, Goodchild M F. Scale in Spatial Information and Analysis[M]. Baca Raton:CRC Press, 2014
[8] Saalfeld A. Conflation Automated Map Compilation[J].International Journal of Geographical Information System, 1988, 2(3):217-228 doi: 10.1080/02693798808927897
[9] Tong X, Shi W, Deng S. A Probability-Based Multi-measure Feature Matching Method in Map Conflation[J]. International Journal of Remote Sensing, 2009, 30(20):5453-5472 doi: 10.1080/01431160903130986
[10] Podobnikar T, Vreko A. Digital Elevation Model from the Best Results of Different Filtering of a LiDAR Point Cloud[J].Transactions in GIS, 2012, 16(5):603-617 doi: 10.1111/tgis.2012.16.issue-5
[11] Fu D, Chen B, Wang J, et al. An Improved Image Fusion Approach Based on Enhanced Spatial and Temporal the Adaptive Reflectance Fusion Model[J].Remote Sensing, 2013, 5(12):6346-6360 doi: 10.3390/rs5126346
[12] 陈军, 刘万增, 张剑清, 等. GIS数据库更新模型与方法研究进展[J].地理信息世界, 2008, 6(3):1-6 http://d.wanfangdata.com.cn/Periodical/dlxxsj200803003 Chen Jun, Liu Wanzeng, Zhang Jianqing. Research Progress of the Model and Method for GIS Database Updating[J]. Geomatics World, 2008, 6(3):1-6 http://d.wanfangdata.com.cn/Periodical/dlxxsj200803003
[13] 刘建军, 王东华, 商瑶玲, 等.国家1:50000数字高程模型更新与精化[J].地理信息世界, 2012(1):18-20 http://kns.cnki.net/KCMS/detail/detail.aspx?filename=chrk201201006&dbname=CJFD&dbcode=CJFQ Liu Jianjun, Wang Donghua, Shang Yaoling, et al Updating and Refinement of National 1:50000 DEM Database[J]. Geomatics World, 2012(1):18-20 http://kns.cnki.net/KCMS/detail/detail.aspx?filename=chrk201201006&dbname=CJFD&dbcode=CJFQ
[14] Ruiz J J, Ariza F J, Urea M A, et al. Digital Map Conflation:A Review of the Process and A Proposal for Classification[J].International Journal of Geographical Information Science, 2011, 25(9):1439-1466 doi: 10.1080/13658816.2010.519707
[15] Song W, Keller J M, Haithcoat T L, et al. An Automated Approach for the Conflation of Vector Parcel Map with Imagery[J].Photogrammetric Engineering and Remote Sensing, 2013, 79(6):535-543 doi: 10.14358/PERS.79.6.535
[16] 郝燕玲, 唐文静, 赵玉新, 等.基于空间相似性的面实体匹配算法研究[J].测绘学报, 2008, 37(4):204-209 http://d.wanfangdata.com.cn/Periodical/chxb200804017 Hao Yanling, Tang Wenjing, Zhao Yuxin, et al. Areal Feature Matching Algorithm Based on Spatial Similarity[J]. Acta Geodaetica et Cartographica Sinica, 2008, 37(4):204-209 http://d.wanfangdata.com.cn/Periodical/chxb200804017
[17] 徐枫, 邓敏, 赵彬彬, 等.空间目标匹配方法的应用分析[J].地球信息科学学报, 2009, 11(5):657-663 http://d.wanfangdata.com.cn/Periodical/dqxxkx200905016 Xu Feng, Deng Min, Zhao Binbin, et al. A Detailed Investigation on the Methods of Object Matching[J]. Journal of Geo-information Science, 2009, 11(5):657-663 http://d.wanfangdata.com.cn/Periodical/dqxxkx200905016
[18] 张丰, 刘南, 刘仁义, 等.面向对象的地籍时空过程表达与数据更新模型研究[J].测绘学报, 2010, 39(3):303-309 http://d.wanfangdata.com.cn/Periodical/chxb201003014 Zhang Feng, Liu Nan, Liu Renyi, et al. Research of Cadastral Data Modelling and Database Updating Based on Spatio-Temporal Process[J]. Acta Geodaetica et Cartographica Sinica, 2010, 39(3):303-309 http://d.wanfangdata.com.cn/Periodical/chxb201003014
[19] 栾学晨, 杨必胜, 李秋萍.基于结构模式的道路网节点匹配方法[J].测绘学报, 2013, 42(4):608-614 http://d.wanfangdata.com.cn/Periodical/chxb201304020 Luan Xuechen, Yang Bisheng, Li Qiuping. Pattern-Based Node Matching Approach for Road Networks[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(4):608-614 http://d.wanfangdata.com.cn/Periodical/chxb201304020
[20] 赵东保, 盛业华.全局寻优的矢量道路网自动匹配方法研究[J].测绘学报, 2010, 39(4):416-421 http://d.wanfangdata.com.cn/Periodical/chxb201004014 Zhao Donghua, Sheng Yehua. Research on Automatic Matching of Vector Road Networks Based on Global Optimization[J]. Acta Geodaetica et Cartographica Sinica, 2010, 39(4):416-421 http://d.wanfangdata.com.cn/Periodical/chxb201004014
[21] 杨敏, 艾廷华, 刘鹏程, 等.等高线与水网数据集成中的匹配及一致性改正[J].测绘学报, 2012, 41(1):152-158 http://kns.cnki.net/KCMS/detail/detail.aspx?filename=chxb201201029&dbname=CJFD&dbcode=CJFQ Yang Min, Ai Tinghua, Liu Pengcheng. The Matching and Consistency Correcting in the Integration of Contour and River Network[J]. Acta Geodaetica et Cartographica Sinica, 2012, 41(1):152-158 http://kns.cnki.net/KCMS/detail/detail.aspx?filename=chxb201201029&dbname=CJFD&dbcode=CJFQ
[22] 郭黎, 李宏伟, 张泽建, 等.道路网信息投影匹配方法研究[J].武汉大学学报·信息科学版, 2013, 38(9):1113-1117 http://ch.whu.edu.cn/CN/Y2013/V38/I9/1113 Guo Li, Li Hongwei, Zhang Zejian, et al. Geometry Matching Method for Transportation Road Network Data Based on Projection[J]. Geomatics and Information Science of Wuhan University, 2013, 38(9):1113-1117 http://ch.whu.edu.cn/CN/Y2013/V38/I9/1113
[23] 郭泰圣, 张新长, 梁志宇.神经网络决策树的矢量数据变化信息快速识别方法[J].测绘学报, 2013, 42(6):937-944 http://d.wanfangdata.com.cn/Periodical/chxb201306021 Guo Taisheng, Zhang Xinchang, Liang Zhiyu. Research on Change Information Recognition Method of Vector Data Based on Neural Network Decision Tree[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(6):937-944 http://d.wanfangdata.com.cn/Periodical/chxb201306021
[24] 张韵, 李清泉, 曹晓航, 等.一种道路网信息几何差异检测算法[J].测绘学报, 2009, 37(4):521-525 http://d.wanfangdata.com.cn/Periodical/chxb200804020 Zhang Yun, Li Qingquan, Cao Xiaohang, et al. An Algorithm for Detecting the Geometric Difference between the Road Networks[J]. Acta Geodaetica et Cartographica Sinica, 2009, 37(4):521-525 http://d.wanfangdata.com.cn/Periodical/chxb200804020
[25] Pohl C, van Genderen J L. Review Article Multisensor Image Fusion in Remote Sensing:Concepts, Methods and Applications[J]. International Journal of Remote Sensing, 1998, 19(5):823-854 doi: 10.1080/014311698215748
[26] Simone G, Farina A, Morabito F C, et al. Image Fusion Techniques for Remote Sensing Applications[J]. Information Fusion, 2002, 3(1):3-15 doi: 10.1016/S1566-2535(01)00056-2
[27] 张继贤.多源遥感数据融合的发展趋势[J].地理信息世界, 2011, 9(2):18-20 http://d.wanfangdata.com.cn/Periodical/dlxxsj201102004 Zhang Jixian. The Trend of Development of Multi-Source Remote Sensing Data Fusion[J]. Geomatics World, 2011, 9(2):18-20 http://d.wanfangdata.com.cn/Periodical/dlxxsj201102004
[28] Theiler J, Wohlberg B. Local Coregistration Adjustment for Anomalous Change Detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(8):3107-3116 doi: 10.1109/TGRS.2011.2179942
[29] Hall D L, Llinas J. An Introduction to Multisensor Data Fusion[J]. Proceedings of the IEEE, 1997, 85(1):6-23 doi: 10.1109/5.554205
[30] James A P, Dasarathy B V. Medical Image Fusion:A Survey of the State of the Art[J]. Information Fusion, 2014, 19:4-19 doi: 10.1016/j.inffus.2013.12.002
[31] Carper W J. The Use of Intensity-Hue-Saturation Transformations for Merging SPOT Panchromatic and Multispectral Image Data[J]. Photogrammetric Engineering and Remote Sensing, 1990, 56(4):459-467 http://citeseerx.ist.psu.edu/showciting?cid=1059279
[32] Memarsadeghi N, Le Moigne J, Mount D M, et al, A New Approach to Image Fusion Based on Cokriging[C]. The Eighth International Conference on Information Fusion, Philadelphia, PA, 2005 http://ieeexplore.ieee.org/document/1591912/
[33] Amro I, Mateos J, Vega M, et al. A Survey of Classical Methods and New Trends in Pansharpening of Multispectral Images[J]. Eurasip J. Adv. Sig. Process, 2011, 79:1-8 http://d.wanfangdata.com.cn/OAPaper/oai_doaj-articles_256bf5e82275044c174061a068fd88da
[34] Tsai R Y, Huang T S. Multiframe Image Restoration and Registration[J]. Advances in Computer Vision and Image Processing, 1984, 1(2):317-339 http://d.wanfangdata.com.cn/Periodical/dbch201411011
[35] Ur H, Gross D. Improved Resolution from Subpixel Shifted Pictures[J]. Cvgip Graphical Models & Image Processing, 1992, 54(2):181-186 http://linkinghub.elsevier.com/retrieve/pii/1049965292900656
[36] Bose N K, Chappalli M B. A Second-Generation Wavelet Framework for Super-Resolution with Noise Filtering[J]. International Journal of Imaging Systems & Technology, 2004, 14(2):84-89 http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.137.244
[37] Schultz R R, Stevenson R L. Improved Definition Image Expansion[C]. IEEE International Conference on Acoustics, Speech, and Signal Processing, San Francisco, CA, 1992 https://www.computer.org/csdl/proceedings/icassp/1992/0532/03/00226248-abs.html
[38] 苏衡, 周杰, 张志浩.超分辨率图像重建方法综述[J].自动化学报, 2013, 39(8):1202-1213 http://d.wanfangdata.com.cn/Periodical/kjxx201308119 Su Heng, Zhou Jie, Zhang Zhihao. Survey of Super-Resolution Image Reconstruction Methods[J]. Acta Automatica Sinica, 2013, 39(8):1202-1213 http://d.wanfangdata.com.cn/Periodical/kjxx201308119
[39] Yang J, Wright J, Huang T, et al. Image Super-resolution as Sparse Representation of Raw Image Patches[C]. IEEE Conference on Computer Vision and Pattern Recognition, Anchorage, AK, 2008 https://www.computer.org/csdl/proceedings/cvpr/2008/2242/00/04587647-abs.html
[40] Zhang J, Zhao C, Xiong R, et al. Image Super-Resolution via Dual-Dictionary Learning and Sparse Representation[C]. IEEE International Symposium on Circuits and Systems, Seoul, South Korea, 2012 http://ieeexplore.ieee.org/document/6271583/
[41] Nath A G, Nair M S, Rajan J. Single Image Super Resolution from Compressive Samples Using Two Level Sparsity Based Reconstruction[J]. Procedia Computer Science, 2015, 46:1643-1652 doi: 10.1016/j.procs.2015.02.100
[42] Atkinson P M, Pardo-Iguzquiza E, Chica-Olmo M. Downscaling Cokriging for Super-Resolution Mapping of Continua in Remotely Sensed Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(2):573-580 doi: 10.1109/TGRS.2007.909952
[43] Elaksher A F, Bethel J. Refinement of Digital Elevation Models in Urban Areas Using Breaklines Via a Multi-photo Least Squares Matching Algorithm[J]. Journal of Terrestrial Observation, 2010, 2(2):67-80 http://docs.lib.purdue.edu/jto/vol2/iss2/art7/
[44] Hosford S, Baghdadi N, Bourgine B, et al. Fusion of Airborne Laser Altimeter and Radarsat data for DEM Generation[C]. Geoscience and Remote Sensing Symposium, Toulouse, France, 2003 http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=1293926
[45] Robinson N, Regetz J, Guralnick R P. Earth Env-DEM90:A Nearly-Global, Void-Free, Multi-scale Smoothed, 90 m Digital Elevation Model from Fused ASTER and SRTM Data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 87:57-67 doi: 10.1016/j.isprsjprs.2013.11.002
[46] Yoo E H, Kyriakidis P C. Area-to-Point Kriging in Spatial Hedonic Pricing Models[J]. Journal of Geographical Systems, 2009, 11(4):381-406 doi: 10.1007/s10109-009-0090-z
[47] Zhang J, Goodchild M F. Uncertainty in Geographical Information[M]. Bota Raton:CRC Press, 2002
[48] Li D, Zhang J, Wu H. Spatial Data Quality and Beyond[J]. International Journal of Geographical Information Science, 2012, 26(12):2277-2290 doi: 10.1080/13658816.2012.719625
[49] Kyriakidis P C, Shortridge A M, Goodchild M F. Geostatistics for Conflation and Accuracy Assessment of Digital Elevation Models[J]. International Journal of Geographical Information Science, 1999, 13(7):677-707 doi: 10.1080/136588199241067
[50] Coppin P, Jonckheere I, Nackaerts K, et al. Digital Change Detection Methods in Ecosystem Monitoring:A Review[J]. International Journal of Remote Sensing, 2004, 25(9):1565-1596 doi: 10.1080/0143116031000101675
[51] Lu D, Mausel P, Brondizio E, et al. Change Detection Techniques[J]. International Journal of Remote Sensing, 2004, 25(12):2365-2407 doi: 10.1080/0143116031000139863
[52] Chen Jun, Lu Miao, Chen Xuehong, et al. A Spectral Gradient Difference Based Approach for Land Cover Change Detection[J].ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 85:1-12 doi: 10.1016/j.isprsjprs.2013.07.009
[53] Zheng Y, Zhang X. Using Combined Difference Image and k-Means Clustering for SAR Image Change Detection[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(3):691-695 doi: 10.1109/LGRS.2013.2275738
[54] Dronova I, Gong P, Wang L, et al. Object-Based Analysis and Change Detection of Major Wetland Cover Types and Their Classification Uncertainty During the Low Water Period at Poyang Lake, China[J].Remote Sensing of Environment, 2011, 115(12):3220-3236 doi: 10.1016/j.rse.2011.07.006
[55] Ling F, Li W, Du Y, et al. Land Cover Change Mapping at the Subpixel Scale With Different Spatial-Resolution Remotely Sensed Imagery[J]. IEEE Geoscience and Remote Sensing Letters, 2011, 8(1):182-186 doi: 10.1109/LGRS.2010.2055034
[56] Fichera C R, Modica G, Pollino M. Land Cover Classification and Change-Detection Analysis Using Multi-temporal Remote Sensed Imagery and Landscape Metrics[J].European Journal of Remote Sensing, 2012, 45(1):1-18 doi: 10.5721/EuJRS20124501
[57] Schenk T, Csatho B, Veen C V D, et al, Fusion of Multi-sensor Surface Elevation Data for Improved Characterization of Rapidly Changing Outlet Glaciers in Greenland[J]. Remote Sensing of Environment, 2014, 149:239-251 http://www.sciencedirect.com/science/article/pii/S0034425714001436
[58] Celik T. Change Detection in Satellite Images Using a Genetic Algorithm Approach[J]. IEEE Geoscience and Remote Sensing Letters, 2010, 2(7):386-390 http://ieeexplore.ieee.org/xpl/articleDetails.jsp?arnumber=5395684&contentType=Journals+%26+Magazines
[59] Gueguen L, Soille P, Pesaresi M. Change Detection Based on Information Measure[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(11):4503-4515 doi: 10.1109/TGRS.2011.2141999
[60] 张弛, 葛咏, 白鹤翔, 等.多点模拟及其在遥感影像信息提取中的应用及进展[J].遥感技术与应用, 2010, 25(2):296-302 doi: 10.11873/j.issn.1004-0323.2010.2.296 Zhang Chi, Ge Yong, Bai Hexiang, et al. Multiple-point Simulation and its Application and Development in RS Image Classification[J]. Remote Sensing Technology & Application, 2010, 25(2):296-302 doi: 10.11873/j.issn.1004-0323.2010.2.296
[61] Tahmasebi P, Hezarkhani A, Sahimi M. Multiple-point Geostatistical Modeling Based on the Cross-correlation Functions[J]. Computational Geosciences, 2012, 16(3):779-797 doi: 10.1007/s10596-012-9287-1
[62] Tang Y, Zang J, Jing L, et al. Digital Elevation Data Fusion Using Multiple-Point Geostatistical Simulation[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2015(1):1-13 http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=7122228
[63] Michalak A M, Bruhwiler L, Tans P P. A Geostatistical Approach to Surface Flux Estimation of Atmospheric Trace Gases[J]. Journal of Geophysical Research, 2004, 109(D14109):1-8 https://deepblue.lib.umich.edu/bitstream/handle/2027.42/94944/jgrd11176.pdf;sequence=1
[64] Tang Y, Atkinson P M, Zhang J. Downscaling Remotely Sensed Imagery Using Area-to-Point Cokriging and Multiple-point Geostatistical Simulation[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 101:174-185 doi: 10.1016/j.isprsjprs.2014.12.016
[65] Nguyen H, Katzfuss M, Cressie N, et al. Spatio-Temporal Data Fusion for Very Large Remote Sensing Datasets[J]. Technometrics, 2014, 56(2):174-185 doi: 10.1080/00401706.2013.831774
[66] Li S, Li Z, Gong J. Multivariate Statistical Analysis of Measures for Assessing the Quality of Image Fusion[J]. International Journal of Image and Data Fusion, 2010, 1(1):47-66 doi: 10.1080/19479830903562009
[67] Goodchild M, Zhang J, Kyriakidis P. Discriminant Models of Uncertainty in Nominal Fields[J]. Transactions in GIS, 2009, 13(1):7-23 doi: 10.1111/tgis.2009.13.issue-1
[68] Willsky A S. Multiresolution Markov Models for Signal and Image Processing[J]. Proceedings of the IEEE, 2002, 90(8):1396-1458 doi: 10.1109/JPROC.2002.800717
[69] Wackernagel H, Bertino L. Geostatistics and Sequential Data Assimilation[M]. Netherlands:Springer, 2005
[70] 摆玉龙, 李新, 韩旭军.陆面数据同化系统误差问题研究综述[J].地球科学进展, 2011, 26(8):795-804 http://d.wanfangdata.com.cn/Periodical/dqkxjz201108001 Bai Yulong, Li Xin, Han Xujun. A Review of Error Problems for Land Data Assimilation Systems[J]. Advances in Earth Science, 2011, 26(8):795-804 http://d.wanfangdata.com.cn/Periodical/dqkxjz201108001
[71] Chen H M, Varshney P K, Arora M K, Performance of Mutual Information Similarity Measure for Registration of Multitemporal Remote Sensing Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(11):2445-2454 doi: 10.1109/TGRS.2003.817664
[72] Bramon R, Boada I, Bardera A, et al. Multimodal Data Fusion Based on Mutual Information[J]. IEEE Transactions on Visualization and Computer Graphics, 2012, 18(9):1574-1587 doi: 10.1109/TVCG.2011.280
[73] Gotway C A, Young L J. A Geostatistical Approach to Linking Geographically Aggregated Data from Different Sources[J]. Journal of Computational and Graphical Statistics, 2007, 16(1):1-21 doi: 10.1198/106186007X178663
[74] Calvert K, Luciani P, Mabee W. Thematic Land-Cover Map Assimilation and Synthesis:The Case of Locating Potential Bioenergy Feedstock in Eastern Ontario[J]. International Journal of Geographical Information Science, 2014, 28(2):274-295 doi: 10.1080/13658816.2013.833619
[75] Villarreal M L, Lii CVR, Petrakis R E. Conflation and Aggregation of Spatial Data Improve Predictive Models for Species with Limited Habitats:A Case of the Threatened Yellow-Billed Cuckoo in Arizona, USA[J]. Applied Geography, 2014, 47:57-69 doi: 10.1016/j.apgeog.2013.12.003
[76] Goodchild M F. Citizens as Sensors:The World of Volunteered Geography[J]. Geo Journal, 2007, 69(4):211-221 http://www.doc88.com/p-7384580007918.html
[77] 陈能成, 杨训亮, 王晓蕾.地理空间传感网信息公共服务平台的设计与实现[J].地球信息科学学报, 2013, 15(6):887-894 http://d.wanfangdata.com.cn/Periodical/dqxxkx201306014 Chen Nengcheng, Yang Xunliang, Wang Xiaolei. Design and Implementation of Geospatial Sensor Web Information Public Service Platform[J]. Journal of Geo-information Science, 2013, 15(6):887-894 http://d.wanfangdata.com.cn/Periodical/dqxxkx201306014
[78] Ledesma-Carbayo M J, Kybic J, Desco M, et al. Spatio-Temporal Nonrigid Registration for Ultrasound Cardiac motion Estimation[J]. IEEE Transactions on Medical Imaging, 2005, 24(9):1113-1126 doi: 10.1109/TMI.2005.852050
-
期刊类型引用(1)
1. 陈鸿鑫，马天霆，周阳，简彦辰，高犇，戴明露. 基于CNN-GAN数据增强网络的电厂锅炉管道温度压力及健康状态预测. 电子器件. 2023(06): 1593-1600 . 
百度学术
其他类型引用(5)
下载:
计量
- 文章访问数: 2852
- HTML全文浏览量: 168
- PDF下载量: 923
- 被引次数: 6
