A Fast Fusion Model for Multi-Source Heterogeneous Data Of Real Estate Based on Feature Similarity
-
摘要: 源异构数据快速融合是不动产统一登记过程中数据整合与建库面临的难点问题。现有不动产多源异构数据融合方法无法准确构建描述空间实体间的关联关系，且对数据规模庞大的不动产数据，存在时间成本过高的问题。通过引入特征相似度技术，本文提出了一种多层级快速融合模型，实现不动产多源异构数据的批量融合。首先，在对不动产多源异构数据进行电子化和矢量化的基础上，引入相似度因子对多源异构数据进行评估；然后，设计了一种基于综合相似度加权算法的网络模型，计算不动产多源异构数据在各相似度因子分布方向上的综合相似度；最后，采用相似度阈值参数和限定范围参数进一步提高多源异构数据融合的精度和效率。本文以不动产数据为例对快速融合模型进行定量化分析，实验结果表明，相比于其他方法，本文模型所耗时间成本低，每千幢的平均融合时间为 3.29s，融合精度达到 93.5%，能有效提升不动产多源异构数据的融合精度与效率。Abstract: Objectives: Fast fusion of multi-source heterogeneous data of real estate is a difficult problem faced by data integration and database construction in the process of unified real estate registration. The existing multi-source heterogeneous data fusion methods of real estate are unable to accurately construct the relationship describing the spatial entities, and the time cost is too high for the real estate data with huge data scale. Methods: By introducing feature similarity technology, this paper proposes a multi-level fast fusion model to realize batch fusion of real estate multi-source heterogeneous data. Firstly, on the basis of electronization and vectorization of real estate multi-source heterogeneous data, similarity factor is introduced to evaluate real estate multi-source heterogeneous data. Then, a network model based on comprehensive similarity weighting algorithm was designed to calculate the comprehensive similarity of real estate multi-source heterogeneous data in the distribution direction of each similarity factor. Finally, similarity threshold parameters and limited range parameters are used to further improve the accuracy and efficiency of multi-source heterogeneous data fusion. Results: This paper takes real estate data as an example to conduct quantitative analysis of the fast fusion model. The experimental results show that, compared with other methods, the proposed model consumes less time and costs, the average fusion time per thousand houses is 3.29s, and the fusion accuracy reaches 93.5%, which can effectively improve the fusion accuracy and efficiency of multi-source heterogeneous data of real estate.
-
空气污染作为全球十大环境污染之首无时无刻不在影响人类的生活与健康[1, 2]。当前在空气污染防控和人群健康损害规避措施制定过程中，难以全面了解空气污染空间分布差异与成因。揭示城市空气污染空间分异特征、格局与成因成为研究人员共同面临的科学课题。
国内外迄今已报道的空气污染空间分异特征与成因研究方法，主要有经验统计分析和模型模拟法。相关性分析、趋势检验等技术[3-5]能较好实现空气污染与相关因子的定性关联，但无法量化不同因子的贡献大小。模型模拟可从污染源排放-传输角度动态追踪污染物扩散和输送的过程,明确解释和预测污染与各驱动因子的空间交互作用[6-9]，但存在稳定性与精度随研究区改变而变化、模型需求的高分辨率污染排放清单、气象数据难以获取等问题。
运用宏观尺度土地利用/覆盖 (land-use and land-cover,LULC)与微观尺度景观格局差异间接表征污染排放空间特征的方式已经被广泛认可[4, 9, 10]。用于挖掘目标空间数据时空关联特性的GIS (geographic information system)空间分析为识别多元地理要素对空气污染的驱动机制提供了新的手段。地理探测器为从土地利用视角解释城市空气污染空间分异特征的成因提供了重要的技术支撑[11]。
以长沙市(长)、株州市(株)、湘潭市(潭)城市群为对象，本文在综合运用GIS和RS (remote sensing)技术实现污染物浓度及其影响因素空间分异制图的基础上，借助地理探测思想从宏观尺度LULC和微观尺度景观格局两方面定量分析、比较融合气象因子前后的土地因子对区内典型空气污染物NO2、PM10、O3、PM2.5浓度空间分布格局形成的贡献大小。
1 长株潭概况与数据源
研究区包含长株潭三市的16个区/县级行政单位，约3 452 km2。以湘江为界，北部平坦开阔，中部为低平冲积平原，其它为丘陵低山，全年以亚热带季风为主[12, 13]，空气污染扩散条件较差。区内自然人文景观类型多样，道路通达性好，2013年底城镇化率接近61.0%，“灰霾”天气常见，污染防治迫在眉睫。
数据采自美国地质调查局2013年7月31日空间分辨率30 m的Landsat8影像，湖南省环保厅发布的研究区23个监测点NO2、PM10、O3、PM2.5小时观测浓度和湖南省气象局发布的18个监测点同年温度、湿度、降水、风速均值和风向频率统计值。空气质量监测点采样高度为3~15 m，温度、湿度监测仪器、风速测定仪、雨量器分别距地约1.5 m、10 m、0.7 m。研究区与监测点分布见图 1。
2 空间制图与地理探测方法
2.1 空气污染与气象因子制图
采用综合比较平均绝对误差、均方根误差和拟合优度确定反距离加权为空气污染浓度与气象因子空间分异特征制图的方法。依据空气质量评价定义，选定1 000m为污染物浓度与气象因子制图的空间分辨率，绘制年均NO2、PM10、O3、PM2.5浓度和温度、湿度、降水、风速的空间分布差异图。
2.2 LULC遥感分类与景观格局可视化
首先对Landsat8影像利用ENVI软件完成大气校正、几何校正、镶嵌和裁剪，然后依据LULC特征，采用最大似然法监督分类将预处理影像分为裸地、建设用地、耕地、林地、绿地、道路和水域。用同期资源3号卫星影像数据检验，分类精度达83.57%。利用ArcGIS对分类结果按1 000 m格网尺寸重采样，计算每个格网内不同LULC类型面积占比，生成占比空间分异图。
景观指数是从微观尺度表征LULC要素空间配置关系的有效指标[12, 13]。选取景观级别蔓延度(contagion index,CONTAG)、最大斑块指数(largest patch index,LPI)、周长面积分维数(perimeter-area fractal dimension,PAFRAC)、多样性指数(shannon's diversity index,SHDI)，应用Fragstats移动窗口法计算、绘制各景观指数空间分异图。CONTAG反映景观中不同斑块类型的连通、聚集程度，值越小斑块离散程度越高。LPI值大小决定景观中优势种丰度等生态特征，反映人类活动方向和强弱。PAFRAC表示景观形状复杂程度，值越大形状越复杂，景观破碎程度越高。SHDI反映景观类型多样性大小，值越高，土地利用类型越丰富。
2.3 因子贡献力地理探测
地理探测器是以空间变异理论、空间叠置技术和集合论为基础，通过比较因变量与自变量因子地理图层空间一致性，判定自变量因子对因变量取值变化贡献大小的度量方法[11]，度量指标为因子贡献力PD，H(power of determinant，P)：
$${{P}_{D,H}}=1-\frac{1}{n\sigma _{H}^{2}}{{\sum }^{m}}_{i=1}{{n}_{D,i}}\sigma _{{{H}_{D,i}}}^{2}$$ (1) 式中，H、D分别表示因变量与自变量因子；σH2与n表示H的栅格值方差和栅格总数；σHD,i2、nD,i和m分别表示D的第i类栅格值方差、栅格数和类型总数。因子贡献力取值范围为0~1，0表示自变量因子与因变量完全无关，1表示自变量因子完全控制因变量。
自变量因子(D1,D2)共同作用时彼此间相互加强、抵抗或独立关系的分析称为交互探测。用符号“∩”表示两个因子的交互作用，定义为：① 加强： PD,H(D1∩D2)> PD,H(D1)或PD,H(D2)；② 双加强：PD,H(D1∩D2)> PD,H(D1) 和PD,H(D2)；③ 非线性加强：PD,H(D1∩D2)> PD,H(D1)+PD,H(D2)；④ 抵抗：PD,H(D1∩D2)＜ PD,H(D1)+PD,H(D2)；⑤ 单抵抗：PD,H(D1∩D2)＜ PD,H(D1)或PD,H(D2)；⑥ 非线性抵抗：PD,H(D1∩D2)＜ PD,H(D1)和PD,H(D2)；⑦ 独立：PD,H(D1∩D2)= PD,H(D1)+PD,H(D2)。
本文以空气污染物浓度为因变量，土地利用因子(含LULC占比和景观指数)和气象因子为自变量，叠置后导入地理探测器，分析空气污染空间分异特征的因子贡献力以及因子间的交互关系。地理探测器适用于类型变量因子，选择适宜于不均衡分布数据分类的自然间断法对各因子进行离散，经反复实验确定十类分级方案，结果较好。
3 因子空间分布特征与贡献力分析
3.1 LULC与空气污染空间分布特征
图 2为2013年空气污染物浓度与土地因子的空间分异特征图。综合分析图 2(a)与图 2(c)可知，建设用地主要分布在水域两侧，道路贯穿整个地区，二者面积占比越大，NO2、PM2.5浓度越高；林地集中分布在长沙县北部地区，NO2、PM2.5浓度较低。O3浓度总体呈外围高、中心低的趋势，与耕地占比分布正向一致；与建设用地、林地的关系与NO2、PM2.5相反。LULC类型对PM10浓度分布的影响相对复杂，建设用地外围绿地和耕地夹杂地区浓度仍然较高，究其原因，NO2与PM2.5主要来源于化石燃料燃烧和机动车尾气排放等。自然保护区、森林覆盖率较高地区的NO2浓度低，反倒催化了O3的生成。湘潭市建设用地面积虽小，但矿冶工业园集中分布，高速城镇化过程中的工业、建筑扬尘造成了PM10浓度升高。
微观尺度景观格局(图 2(b))结果表明，CONTAG、LPI分别较高 浏阳河两侧及长沙县东南大部O3浓度较高，NO2、PM10和PM2.5浓度较低；开发强度高的望城南部等地区为PAFRAC高值区，PM10浓度也相对较高；研究区东部SHDI值越低，PM2.5浓度值越低，SHDI与CONTAG空间分布相反。长沙市中心LPI值高、SHDI值低，NO2、PM2.5浓度达到最大值。原因为CONTAG高值区内优势斑块绿地和林地的连通性好，对NO2、PM10和PM2.5的“负效应”明显。土地开发活动较强的望城县和湘潭市景观格局破碎程度高，PM10和PM2.5浓度相应较高。长沙市中心建设用地(含交通道路)为优势斑块，景观相对单一，污染排放集中且扩散条件差，NO2、PM2.5浓度街道峡谷效应明显。
3.2 气象条件与空气污染空间分布特征
空气污染物浓度空间分布(图 3(a))与气象因子空间分布格局(图 3(b))的对比表明，以湘江为界，长沙市东部相对湿度和风速高于西部，东西部NO2、PM2.5浓度整体水平相似，与O3浓度有差异。PM10、PM2.5浓度随着相对湿度升高增大的特征在湘潭、株洲两市局部地区表现明显。PM10浓度随着温度降低、降水量增高而降低的特征较为显著。O3浓度和湿度、风速还与太阳辐射相关；湿度越大、太阳辐射越小，太阳辐射和其他下垫面因素造成的温度差异导致风速越低[14]，O3浓度负效越明显。
![]()
图 3 空气污染与气象要素空间分布特征Figure 3. Spatial Patterns of Air Pollution ond Meteorological Factors风玫瑰图(图 4)进一步揭示研究区2013年盛行北风和南风。北风三级(5.4 m/s)、四级(7.9 m/s)以下风力天数占总天数比例分别约36%、64%，因地形三面环山、北部开口，因而对空气污染的扩散作用有限，容易造成NO2、PM2.5的原地滞留。南风风力三级以上天数占总天数约60%，集中在夏季，因而对年均尺度空气污染物浓度空间分异特征的影响有限。
3.3 土地单因子贡献分析
表 1为基于地理探测器的空气污染浓度空间分异特征土地单因子贡献力。LULC类型面积占比单因子贡献(P:0.01~0.11)略高于LULC景观指数因子(P:0.01 ~0.08)。相同因子对不同空气污染物浓度、不同因子对同一空气污染物浓度的单因子贡献力大小差别显著。LULC类型因子对四种空气污染物浓度贡献作用的强弱依次为NO2>PM2.5> O3>PM10；建设用地、林地面积占比因子对NO2、PM2.5浓度空间变化的贡献力(P: 0.06~ 0.09)，高于其他类型面积占比因子(P＜0.04)，结果与LULC类型面积占比和空气污染浓度空间分布响应基本一致[12]。景观指数因子对NO2浓度空间变化的作用最强，PM2.5次之，O3最弱。PAFRAC对四种空气污染浓度的作用(P: 0.02~0.08)比SHDI、CONTAG、LPI更显著(P＜0.03)，反映了人类土地开发活动造成的景观破碎对空气污染浓度空间分布的强烈负影响。综上分析，土地单因子对空气污染浓度空间分异特征的贡献力均较小。LULC类型仅直接反映人为的不同类别的土地开发活动，无法直接反映污染排放特征的空间分异规律；城市化进程中导致污染源在不同LULC类型间的差异逐渐减小。
表 1 土地单因子贡献力Table 1. The Power of Determinant of Single Land Factor to Air Pollution土地利用/覆盖类型 土地利用/景观指数 裸地 建设用地 耕地 林地 绿地 道路 水域 CONTAG LPI PAFRAC SHDI NO2 0.01 0.09 0.09 0.11 0.03 0.03 0.01 0.02 0.03 0.08 0.03 PM10 0.03 0.02 0.01 0.01 0.02 0.02 0.03 0.01 0.01 0.03 0.03 O3 0.04 0.02 0.02 0.02 0.01 0.01 0.02 0.01 0.01 0.02 0.02 PM2.5 0.01 0.09 0.03 0.06 0.04 0.02 0.01 0.02 0.01 0.07 0.02 3.4 土地因子复合贡献分析
土地因子对空气污染浓度空间变化的复合贡献及其相互作用关系见图 5。结合表 1可知，LULC类型面积占比因子和景观指数因子对空气污染浓度空间变化的复合贡献力(建设用地、CONTAG、PAFRC分别省略为建设、CON、PAF)明显高于单因子作用，其强弱关系依次为面积占比因子(P: 0.03~0.28)>面积占比因子与景观指数因子(P: 0.03~0.23)>景观指数因子(P: 0.03~0.13)。面积占比因子与景观指数因子复合贡献对NO2浓度空间变化的贡献最显著，PM2.5次之，O3最弱。对不同空气污染物，最大复合贡献作用来源于不同因素。其中，LULC面积占比因子对NO2、PM10、O3、PM2.5浓度空间变化的最大因子贡献力分别来源于耕地∩林地、裸地∩建设用地、建设用地∩绿地；景观指数因子则分别为CONTAG∩PAFRAC、PAFRAC∩SHDI、CONTAG∩SHDI、PAFRAC∩SHDI；面积占比因子 & 景观指数因子分别来源于林地∩PAFRAC、绿地∩SHDI、绿地∩SHDI、建设用地∩PAFRAC。结果表明LULC景观破碎程度、多样性等因子是除面积占比之外从微观尺度揭示土利用配置关系对空气污染浓度空间变化产生影响的重要因素。
![]()
图 5 土地因子对空气污染的复合因子贡献力及其交互关系Figure 5. Power of Determinants and Interaction Between Pairs of Land Factors to Air Pollution图 5还表明土地因子间存在明显的非线性或双加强关系，但加强关系因空气污染物存在差异。影响PM10、O3浓度空间变化的土地因子间的加强作用大于NO2、PM2.5 (非线性与双加强比例分别为27∶0,27∶0,24∶3,26∶1)。对NO2浓度空间变化为双加强关系的因子包括建设用地∩耕地、建设用地∩林地、LPI∩SHDI；对PM2.5浓度空间变化加强关系的因子包含建设用地∩林地。四种空气污染物浓度空间变化的LULC面积占比因子和景观指数因子复合贡献力均为非线性加强，大于其单独作用之和，表明宏观尺度的LULC与微观尺度的景观格局分析相结合对解释土地开发活动造成的城市空气污染空间分异特征具有作用。
3.5 气象和土地因子的复合贡献分析
图 6是顾及气象条件的土地因子对空气污染浓度的复合贡献作用及其相互关系分析结果。图 6表示研究区LULC面积占比因子与气象因子、景观指数因子与气象因子对空气污染的复合贡献力。结果表明，融合气象条件的LULC面积占比因子(P:0.18~0.53)与景观指数因子(P: 0.20~0.50)对空气污染浓度空间变化的贡献作用得到显著增强。驱动NO2、PM10、O3、PM2.5浓度空间变化的最大复合贡献力分别来源于林地∩湿度、建设用地∩降水、建设用地∩风速、耕地∩湿度；PAFRAC∩湿度、PAFRAC∩降水、PAFRAC∩风速、PAFRAC∩湿度。进一步证明林地、建设用地面积比与PAFRAC对空气污染浓度空间变化影响；同时湿度对NO2、PM2.5，降水对PM10，风速对O3浓度空间变化的作用得到凸显。LULC面积占比因子与气象因子间的相关关系仅表现为建设用地∩湿度对PM10浓度贡献的双加强关系。景观指数因子与气象因子双加强与非线性加强关系比例为11∶17；双加强关系主要反映
![]()
图 6 土地因子与气象因子对空气污染的复合因子贡献力及其交互关系Figure 6. Power of Determinants and Interaction Between Pairs of Land Factor and Meteorological Factor to Air Pollution在对NO2浓度空间变化的贡献(LPI∩降水、LPI∩湿度、LPI∩温度、LPI∩风速、PAFRAC∩降水、PAFRAC∩湿度、PAFRAC∩温度、SHDI∩降水、SHDI∩湿度)。
分析原因，NO2主要直接来源于汽车尾气排放，其易扩散、溶于水的特征使之对污染排放场地条件和气象条件的变化更为敏感。除此之外，因LULC面积占比因子与气象因子分别影响空气污染物的排放和扩散过程，对于PM10、O3、PM2.5浓度空间变化的复合贡献加强作用仍显著高于景观指数因子与气象因子的复合作用。§3.2分析表明,风向对于年均尺度空气污染物空间分异特征的作用不显著，且鉴于低分辨率风向频率统计数据空间化处理的困难，本文在融合气象的土地因子复合贡献分析中暂未考虑风向因素。
4 结 语
集成RS技术、景观生态学方法、GIS空间分析方法和地理探测器手段，本文从宏观和微观双重尺度定量评估LULC及其景观格局对城市空气污染空间变化特征的贡献强度。宏观LULC类型、微观LULC景观格局与城市空气污染空间分布特征密切相关。建设用地面积占比高值区NO2、PM2.5浓度高，O3浓度低，林地、绿地聚集区则相反；非建设用地区蔓延度、破碎度越小，多样性越大，NO2、PM2.5浓度往往越高，O3浓度越低；建设用地集中分布区则规律相反。LULC面积占比单因子贡献作用略高于景观指数因子，但两者对空气污染浓度空间变化的复合贡献高于其单独作用，对四种空气污染物的贡献强度依次为NO2>PM2.5> PM10>O3。融合气象条件的土地因子对空气污染物浓度空间变化的复合贡献显著高于任意土地因子单一作用，因子间存在显著加强关系，加强作用大小依次为LULC面积占比因子与气象因子>景观指数因子与气象因子>LULC面积占比因子与景观指数因子。受我国当前城市空气质量监测数据获取条件限制，本文空气污染浓度空间分布插值结果仅基于23个监测点，有待提升精度。地理探测器仅从宏观地理空间视角初步揭示了内部空气污染浓度空间分布与土地和气象因子间的相互作用关系，但如何耦合大气污染物扩散的物理化学机制，在增加并合理配置监测样本点或采用可靠模型模拟获取较高分辨率空气污染物浓度空间分异，充分揭示三个以上因子对空气污染物浓度空间变化的驱动机制值得深入研究。
-
[1] LI Shifeng. Research and Application of Key Technologies of Multi-source Heterogeneous Data Spatiotemporal Fusion[J]. Geospatial Information,2021,19(10):19-21+25+149. (李仕峰.多源异构数据时空融合关键技术研究与应用[J].地理空间信息,2021,19(10):1921+25+149.) [2] Ding Yipeng,Yu Xiali,Zhang Juan,Xu Xuemei. Application of Linear Predictive Coding and Data Fusion Process for Target Tracking by Doppler Through-Wall Radar[J]. IEEE Transactions on Microwave Theory and Techniques,2019,67(3).
[3] L. Susperregi,A. Arruti,E. Jauregi,B. Sierra,J.M. Martínez-Otzeta,E. Lazkano,A. Ansuategui. Fusing multiple image transformations and a thermal sensor with kinect to improve person detection ability[J]. Engineering Applications of Artificial Intelligence,2013,26(8).
[4] Shen Huanfeng,Wu Jingan,Cheng Qing,Aihemaiti Mahemujiang,Zhang Chengyue,Li Zhiwei. A Spatiotemporal Fusion Based Cloud Removal Method for Remote Sensing Images With Land Cover Changes[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2019,12(3).
[5] Li Kin Fun. Smart home technology for telemedicine and emergency management.[J]. Journal of ambient intelligence and humanized computing,2013,4(5).
[6] Atat Rachad,Liu Lingjia,Wu Jinsong,Li Guangyu,Ye Chunxuan,Yang Yi. Big Data Meet CyberPhysical Systems:A Panoramic Survey[J]. IEEE Access,2018,6(6).
[7] TU Wei, CAO Jinzhou, GAO Qili, CAO Rui, FANG Zhixiang, YUE Yang, LI Qingquan. Sensing Urban Dynamics by Fusing Multi-sourced Spatiotemporal Big Data[J]. Geomatics and Information Science of Wuhan University, 2020, 45(12):1875-1883. (涂伟, 曹劲舟, 高琦丽, 曹瑞, 方志祥, 乐阳, 李清泉. 融合多源时空大数据感知城市动态[J]. 武汉大学学报(信息科学版), 2020, 45(12):1875-1883.) [8] Jie Yu,Shenggao Gu,Wei Zhang. The Intelligent Decision-Making Based on Multi-source Heterogeneous Data Fusion in Manufacturing[J]. International Journal of Computational Intelligence Systems,2020,13(1).
[9] Mo Huiling,Zheng Haifeng,Gao Min,Feng Xinxin. Multi-Source Heterogeneous Data Fusion Based on Federated Learning[J]. Journal of Computer Research and Development,2022,59(2):478-487. (莫慧凌,郑海峰,高敏,冯心欣.基于联邦学习的多源异构数据融合算法[J].计算机研究与发展,2022,59(2):478-487.) [10] XIA Wei,CAI Wenting,LIU Yang,LI Hongjie. Multi-source heterogeneous data fusion of a distribution network based on a joint Kalman filter[J]. Power System Protection and Control,2022,50(10):180-187. (夏伟,蔡文婷,刘阳,李宏杰.基于联合卡尔曼滤波的配电网多源异构数据融合[J].电力系统保护与控制,2022,50(10):180-187.) [11] Tang Y L,Wu Y Y,Jiang X Z,et al. Multi-source heterogeneous data fusion technology for natural resource information extraction:A case study of NDVI data in Hanjiang Basin[J]. Geological Survey of China,2021,8(2):74-82. (汤宇磊,吴杨杨,蒋兴征,冯亮,高阳.面向自然资源信息提取的多源异构数据融合技术——以汉江流域NDVI数据为例[J].中国地质调查,2021,8(2):74-82.) [12] Li Xiaohan,Wang Jun,Tan Jinghua,Ji Shiyu,Jia Huading. A graph neural network-based stock forecasting method utilizing multi-source heterogeneous data fusion.[J]. Multimedia tools and applications,2022,81(30).
[13] Wei Zhihao,Jia Kebin,Jia Xiaowei. Multi-scale feature fusion based on multi-source heterogeneous remote sensing data Water body extraction[J]. Remote Sensing Information,2021,36(5):41-48. (魏之皓, 贾克斌, 贾晓未. 多尺度特征融合的多源异构遥感数据水体提取[J]. 遥感信息,2021,36(5):41-48.) [14] Xiaomei Yang,Wenqiang Guo,Zhonghua Zhao. A Multi-Source Heterogeneous Data Fusion Method Based on Deep Learning[C]//.Proceedings of 20194th International Industrial Informatics and Computer Engineering Conference(IIICEC 2019).Francis Academic Press,UK,2019:114-117.
[15] WANG Hongwei, HUANG Chunlin, HOU Jinliang, LI Xiaoying. Estimation of Snow Depth from Multi-source Data Fusion Based on Data Assimilation Algorithm[J]. Geomatics and Information Science of Wuhan University, 2016, 41(6):848-852. (王宏伟, 黄春林, 侯金亮, 李晓英. 基于数据同化算法融合多源数据估算雪深[J]. 武汉大学学报(信息科学版), 2016, 41(6):848-852.) [16] Yu Zhang,Yange Wang,Hongwei Ding,Yongzhen Li,Yanping Bai. Deep well construction of big data platform based on multi-source heterogeneous data fusion[J]. International Journal of Internet Manufacturing and Services,2019,6(4).
[17] DAI Haifa, BIAN Hongwei, WANG Rongying, ZHANG Jiajia. An Improved Multi-sensor Data Adaptive Fusion Method[J]. Geomatics and Information Science of Wuhan University, 2020, 45(10):1602-1609. (戴海发, 卞鸿巍, 王荣颖, 张甲甲. 一种改进的多传感器数据自适应融合方法[J]. 武汉大学学报(信息科学版), 2020, 45(10):1602-1609.) [18] ZHANG Bo, ZHANG Meng, WANG Fei, FAN Hongchao. Automatic Data Integration between VGI and Topographic Data[J]. Geomatics and Information Science of Wuhan University, 2019, 44(11):1708-1714. (张博, 张猛, 王非, 范红超. VGI数据与地形图数据的自动融合研究[J]. 武汉大学学报(信息科学版), 2019, 44(11):1708-1714.) [19] Jian Liu,X.X. Zhang. Data integration in fuzzy XML documents[J]. Information Sciences,2014,280(280).
[20] Khalili Alireza. An XML-based approach for geo-semantic data exchange from BIM to VR applications[J]. Automation in Construction,2021,121(121).
[21] LYU Fengfeng. Research on Automatic Analysis Method of Land Survey Data Based on FME[J]. Geomatics & Spatial Information Technology,2021,44(6):105-106. (吕锋锋.基于FME国土调查数据自动化分析方法研究[J].测绘与空间地理信息,2021,44(6):105-106.) [22] HE Siyu,ZHAO Kongyang.Research on Downsizing Technology of Land Use Status Map Based on FME[J]. Geomatics & Spatial Information Technology,2021,44(6):181-185+190. (何思宇, 赵孔阳. 基于FME的土地利用现状图缩编技术研究[J]. 测绘与空间地理信息,2021,44(6):181-185+190.) [23] Li Chenchao. Analysis of the real estate registration data integration key points[J]. Housing and Real Estate,2017(21):20-21. (李晨超.不动产登记数据整合要点探析[J].住宅与房地产,2017(21):20-21.) [24] McElhaney R.M.. Algorithms for graphics and image processing[J]. Proceedings of the IEEE,1983,71(9).
-
期刊类型引用(7)
1. 邱龙. 基于无人机测绘图像的大面积地形变化特征提取方法. 北京测绘. 2024(06): 930-935 . 
百度学术
2. 邓颖，蒋兴良，张志劲，曾蕴睿，马龙飞. 基于DEM分析的输电线路覆冰微地形分类识别及验证方法. 高电压技术. 2024(11): 4971-4980 . 百度学术
3. 巩鑫龙，田瑞，王孟. 220?kV正兰甲线所在微地形区域风场特性研究. 电力安全技术. 2024(11): 47-51 . 百度学术
4. 董慎学，石峰，刘刚，王有威，徐兆国. 垭口地形对输电线路风场分布特性影响分析. 重庆理工大学学报(自然科学). 2023(06): 340-346 . 百度学术
5. 吴建蓉，文屹，张啟黎，何锦强，张厚荣，龚博. 基于GIS的易覆冰微地形分类提取算法与三维应用. 高电压技术. 2023(S1): 1-5 . 百度学术
6. 周访滨，钟绍平，朱衍哲，杨自强，马国伟. 顾及爆燃地形特征的峡谷分级提取方法. 测绘科学. 2023(09): 89-98 . 百度学术
7. 胡京，邓颖，蒋兴良，曾蕴睿. 输电线路覆冰垭口微地形的特征提取与识别方法. 中国电力. 2022(08): 135-142 . 百度学术
其他类型引用(0)
下载:
计量
- 文章访问数: 282
- HTML全文浏览量: 7
- PDF下载量: 36
- 被引次数: 7
