CN111339483B - 一种基于去趋势互相关分析的gnss影像生成方法 - Google Patents

一种基于去趋势互相关分析的gnss影像生成方法 Download PDF

Info

Publication number
CN111339483B
CN111339483B CN202010058517.1A CN202010058517A CN111339483B CN 111339483 B CN111339483 B CN 111339483B CN 202010058517 A CN202010058517 A CN 202010058517A CN 111339483 B CN111339483 B CN 111339483B
Authority
CN
China
Prior art keywords
station
gnss
stations
cross
detrending
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010058517.1A
Other languages
English (en)
Other versions
CN111339483A (zh
Inventor
周晓慧
杨艺林
范文蓝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202010058517.1A priority Critical patent/CN111339483B/zh
Publication of CN111339483A publication Critical patent/CN111339483A/zh
Application granted granted Critical
Publication of CN111339483B publication Critical patent/CN111339483B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/35—Constructional details or hardware or software details of the signal processing chain
    • G01S19/37—Hardware or software details of the signal processing chain

Abstract

本发明公开了一种基于去趋势互相关分析的GNSS影像生成方法，该方法包括以下步骤：S1、获取GNSS测站坐标时间序列的观测值，并获取每个GNSS测站的坐标；S2、提取GNSS测站坐标时间序列观测值中共同跨度的部分；S3、计算GNSS测站坐标时间序列共同跨度部分的速度及其不确定性；S4、选择参考站和对比站，对其进行去趋势互相关分析，计算去趋势互相关系数；S5、逐一对所有GNSS测站进行空间滤波，得到滤波后速度；S6、将研究区域格网化，逐一对格网点进行空间插值，最终生成GNSS影像。本发明通过原始序列线性趋势相关性对测站速度的相关性进行描述，充分利用了原始序列中的信息，避免了速度估值重复使用导致不确定性的放大；提高了滤波可靠性，确保了插值结果的可靠性。

Description

一种基于去趋势互相关分析的GNSS影像生成方法
技术领域
本发明涉及GNSS数据精密处理技术领域，尤其涉及一种基于去趋势互相关分析的GNSS影像生成方法。
背景技术
近年来，国内外建立了各种GNSS监测网络，测站数目日益增多，极大地扩展了GNSS测站的覆盖范围，产生了大量的观测数据，为监测地壳形变提供了基础；因此，利用GNSS坐标时间序列生成地壳形变影像已成为现实(Hammond et al.,2016)。然而，地壳形变在不同空间尺度下呈现出既有广泛分布，又有局部突变的空间分布特征；若不能有效地描述地壳形变的空间特征，会严重影响地壳形变影像结果的可靠性与地学解释。以往，测站之间的相关性主要利用任意两个测站组成的测站对的残差时间序列进行计算，这样，一方面会引入由于速度模型建模导致的误差，另一方面，会大大减少原始时间序列的有效信息。本发明提供了一种采用原始时间序列，基于去趋势互相关分析描述测站间速度相关性，利用临近测站的速度对研究区域进行空间插值，最终生成地壳形变影像(即GNSS影像)的方法。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于去趋势互相关分析的GNSS影像生成方法，采用原始时间序列，基于去趋势互相关分析描述测站速度相关性，结合临近测站的速度，插值生成研究区域内GNSS影像。
本发明解决其技术问题所采用的技术方案是：
本发明提供一种基于去趋势互相关分析的GNSS影像生成方法，该方法包括以下步骤：
S1、获取GNSS测站坐标时间序列的观测值，并获取每个GNSS测站的坐标(Bi，Li)，其中，i＝1，2，…，n，n为总测站数；Bi，Li为第i个测站在大地坐标系下的纬度与经度；
S2、提取GNSS测站坐标时间序列观测值中共同跨度的部分，记为
Figure BDA0002373613080000021
其中，mi为第i个测站共同跨度部分的历元个数；
S3、计算GNSS测站坐标时间序列共同跨度部分的速度及其不确定性，速度记为v1，…，vn，不确定性记为un1，…，unn；
S4、选择第i个GNSS测站作为参考站，第j个GNSS测站作为对比站，对Yi和Yj进行去趋势互相关分析，计算去趋势互相关系数DCCACCij，其中，i＝1，…，n；j＝1，…，n；i≠j；
S5、逐一对所有GNSS测站进行空间滤波，记滤波后速度为v′1，…，v′n；
S6、将研究区域格网化，逐一对格网点进行空间插值，最终生成GNSS影像。
进一步地，本发明的步骤S4中计算去趋势互相关系数的具体方法为：
S41、获得原始序列Yi和Yj的累加序列Yi′和Yj′：
Figure BDA0002373613080000022
Figure BDA0002373613080000023
其中，mean(*)表示取均值；
S42、将Yi′和Yj′分别划分为L个相互重叠的数据窗口，每个窗口内有w个历元，其中：
Figure BDA0002373613080000024
其中，min(*)表示取最小值，w为窗口宽度；
S43、基于最小二乘准则，建立各数据窗口的一次多项式模型，形成累加序列Yi′和Yj′的函数模型，记为LSi，l和LSj，l，l＝1，2，…，min(mi，mj)；
S44、计算窗口为w1时的去趋势互相关系数：
Figure BDA0002373613080000031
其中：
Figure BDA0002373613080000032
Figure BDA0002373613080000033
Figure BDA0002373613080000034
S45、改变窗口宽度，计算最终的去趋势互相关系数：
DCCACCij＝median(ρDCCA(w1)，…，ρDCCA(wN))；
其中，median(*)表示取中位数，W1，…，WN表示不同的窗口宽度，窗口宽度的取值范围为用户自定。
进一步地，本发明的步骤S5中对GNSS测站进行空间滤波的具体方法为：
S51、基于测站坐标构建狄洛尼三角网，选取与滤波测站相连的测站作为备选测站；
S52、去除其中与滤波测站去趋势互相关系数为负的测站，记滤波测站速度为ve，剩余的备选测站速度为
Figure BDA0002373613080000035
滤波测站与剩余备选测站间的去趋势互相关系数为
Figure BDA0002373613080000036
M为剩余备选测站个数；
S53、若M＜MIN，将狄洛尼三角网中与备选测站相连的测站加入备选测站，重复步骤S52，直到M≥MIN，其中MIN为用户设定的最小备选测站个数；
S54、计算滤波测站的滤波速度：
Figure BDA0002373613080000037
v′e＝WeightedMedian(vr，wr)(r＝1，…，M，e)
其中，wr为备选测站的权，unr为相应测站速度的不确定性，WeightedMedian(*)表示计算加权中位数，此处滤波测站速度加入加权中位数的计算，其权为we＝1/une。
进一步地，本发明的步骤S6中对格网点进行空间插值的具体方法为：
S61、将格网点作为虚拟测站，加入GNSS测站网构建狄洛尼三角网；
S62、选取与虚拟测站相连的测站作为备选测站，将虚拟测站坐标记为(Bgrid，Lgrid)，备选测站坐标为{(B1，L1)，…，(Bg，Lg)}，其中，g为备选测站数量；
S63、选取备选测站ref(ref＝1，…，g)为参考测站，获取参考测站与其它备选测站的去趋势互相关系数，记为DCCACCref，s(s＝1，…，g)；
S64、由于每两个剩余备选测站都能与参考测站形成一个球面三角形，判断虚拟测站位于哪一个球面三角形，假设该三角形的另外两个顶点为(Bt1，Lt1),(Bt2，Lt2)，(t1，t2∈{1，…，g})；
S65、计算参考测站与虚拟测站的去趋势互相关系数：
Figure BDA0002373613080000041
S66、重复步骤S63-S65，获得所有备选测站与虚拟测站的去趋势互相关系数，并基于空间滤波后的测站速度，计算格网点的插值速度vgrid：
Figure BDA0002373613080000042
Figure BDA0002373613080000043
vgrid＝WeightedMedian(v″r，wr)
其中，r＝1，…，g。
进一步地，本发明的步骤S3中采用最小二乘估计的方法，计算得到GNSS测站坐标时间序列共同跨度部分的速度及其不确定性。
进一步地，本发明的步骤S6中进行网格化处理时，格网大小设为0.05°×0.05°。
进一步地，本发明的步骤S45中用户自定的窗口宽度的取值范围具体为：窗口宽度为共同跨度部分长度的0.75倍至1倍，间隔设定为3个历元。
本发明产生的有益效果是：本发明的基于去趋势互相关分析的GNSS影像生成方法，通过原始序列线性趋势相关性对测站速度的相关性进行描述，充分利用了原始序列中的信息，避免了速度估值重复使用导致不确定性的放大；空间滤波中基于去趋势互相关系数提出了负相关性的测站，提高了滤波的可靠性；空间插值中基于小范围的狄洛尼三角形对真实测站与格网点的去趋势互相关系数进行估计，并对负相关性的测站进行了相应处理，确保了插值结果的可靠性。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例的具体流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例的基于去趋势互相关分析生成GNSS影像的方法，具体包括以下步骤：
S1、获取GNSS测站坐标时间序列的观测值(可为东、北、天任一方向)，并获取每个GNSS测站的坐标(Bi，Li)(i＝1，2，…，n)，其中，n为总测站数；Bi，Li为第i个测站在大地坐标系下的纬度与经度；
S2、提取GNSS测站坐标时间序列观测值中共同跨度的部分，记为
Figure BDA0002373613080000051
其中，mi为第i个测站共同跨度部分的历元个数；
S3、利用现有方法(如最小二乘估计)，估计GNSS测站坐标时间序列共同跨度部分的速度及其不确定性，记为v1，…，vn与un1，…，unn；
S4、选择第i个测站作为参考站，第j个测站作为对比站，对Yi和Yj进行去趋势互相关分析，获取去趋势互相关系数：
DCCACCij(i＝1，…，n；j＝1，…，n；i≠j)；
步骤S4中获取去趋势相关系数的具体方法为：
S41、获得原始序列Yi和Yj的累加序列Yi′和Yj′：
Figure BDA0002373613080000061
Figure BDA0002373613080000062
其中，mean(*)表示取均值；
S42、将Yi′和Yj′分别划分为L个相互重叠的数据窗口，每个窗口内有w个历元，其中：
Figure BDA0002373613080000063
其中，min(*)表示取最小值，w为窗口宽度；
S43、基于最小二乘准则，建立各数据窗口的一次多项式模型，形成累加序列Yi′和Yj′的函数模型，记为LSi，l和LSj，l，l＝1，2，…，min(mi，mj)；
S44、计算窗口为w1时的去趋势互相关系数：
Figure BDA0002373613080000064
其中：
Figure BDA0002373613080000065
Figure BDA0002373613080000066
Figure BDA0002373613080000067
S45、改变窗口宽度，计算最终的去趋势互相关系数：
DCCACCij＝median(ρDCCA(w1)，…，ρDCCA(wN))；
其中，median(*)表示取中位数，w1，…，wN表示不同的窗口宽度，窗口宽度的取值范围为用户自定。
S5、逐一对所有测站进行空间滤波，记滤波后速度为v′1，…，v′n；
步骤S5中对GNSS测站进行空间滤波的具体方法为：
S51、基于测站坐标构建狄洛尼三角网，选取与滤波测站相连的测站作为备选测站；
S52、去除其中与滤波测站去趋势互相关系数为负的测站，记滤波测站速度为ve，剩余的备选测站速度为
Figure BDA0002373613080000071
滤波测站与剩余备选测站间的去趋势互相关系数为
Figure BDA0002373613080000072
M为剩余备选测站个数；
S53、若M＜MIN，将狄洛尼三角网中与备选测站相连的测站加入备选测站，重复步骤S52，直到M≥MIN，其中MIN为用户设定的最小备选测站个数；
S54、计算滤波测站的滤波速度：
Figure BDA0002373613080000073
v′e＝WeightedMedian(vr，wr)(r＝1，…，M，e)
其中，wr为备选测站的权，unr为相应测站速度的不确定性，WeightedMedian(*)表示计算加权中位数，此处滤波测站速度加入加权中位数的计算，其权为we＝1/une。
S6、将研究区域格网化(格网大小可设为0.05°×0.05°)，逐一对格网点进行空间插值，最终生成GNSS影像。
步骤S6中对格网点进行空间插值的具体方法为：
S61、将格网点作为虚拟测站，加入GNSS测站网构建狄洛尼三角网；
S62、选取与虚拟测站相连的测站作为备选测站，将虚拟测站坐标记为(Bgrid，Lgrid)，备选测站坐标为{(B1，L1)，…，(Bg，Lg)}，其中，g为备选测站数量；
S63、选取备选测站ref(ref＝1，…，g)为参考测站，获取参考测站与其它备选测站的去趋势互相关系数，记为DCCACCref，s(s＝1，…，g)；
S64、由于每两个剩余备选测站都能与参考测站形成一个球面三角形，判断虚拟测站位于哪一个球面三角形，假设该三角形的另外两个顶点为(Bt1，Lt1),(Bt2，Lt2)，(t1，t2∈{1，…，g})；
S65、计算参考测站与虚拟测站的去趋势互相关系数：
Figure BDA0002373613080000081
S66、重复步骤S63-S65，获得所有备选测站与虚拟测站的去趋势互相关系数，并基于空间滤波后的测站速度，计算格网点的插值速度vgrid：
Figure BDA0002373613080000082
Figure BDA0002373613080000083
vgrid＝WeightedMedian(v″r，wr)
其中，r＝1，…，g。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (6)

1.一种基于去趋势互相关分析的GNSS影像生成方法，其特征在于，该方法包括以下步骤：
S1、获取GNSS测站坐标时间序列的观测值，并获取每个GNSS测站的坐标(Bi，Li)，其中，i＝1，2，…，n，n为总测站数；Bi，Li为第i个测站在大地坐标系下的纬度与经度；
S2、提取GNSS测站坐标时间序列观测值中共同跨度的部分，记为
Figure FDA0003469850510000011
其中，mi为第i个测站共同跨度部分的历元个数；
S3、计算GNSS测站坐标时间序列共同跨度部分的速度及其不确定性，速度记为v1，…，vn，不确定性记为un1，…，unn；
S4、选择第i个GNSS测站作为参考站，第j个GNSS测站作为对比站，对Yi和Yj进行去趋势互相关分析，计算去趋势互相关系数DCCACCij，其中，i＝1，…，n；j＝1，…，n；i≠j；
S5、逐一对所有GNSS测站进行空间滤波，记滤波后速度为v′1，…，v′n；
S6、将研究区域格网化，逐一对格网点进行空间插值，最终生成GNSS影像；
步骤S4中计算去趋势互相关系数的具体方法为：
S41、获得原始序列Yi和Yj的累加序列Yi′和Yj′：
Figure FDA0003469850510000012
Figure FDA0003469850510000013
其中，mean(*)表示取均值；
S42、将Yi′和Yj′分别划分为L个相互重叠的数据窗口，每个窗口内有w个历元，其中：
Figure FDA0003469850510000014
其中，min(*)表示取最小值，w为窗口宽度；
S43、基于最小二乘准则，建立各数据窗口的一次多项式模型，形成累加序列Yi′和Yj′的函数模型，记为LSi，l和LSj，l，l＝1，2，…，min(mi，mj)；
S44、计算窗口为w1时的去趋势互相关系数：
Figure FDA0003469850510000021
其中：
Figure FDA0003469850510000022
Figure FDA0003469850510000023
Figure FDA0003469850510000024
S45、改变窗口宽度，计算最终的去趋势互相关系数：
DCCACCij＝median(ρDCCA(w1)，…，ρDCCA(wN))；
其中，median(*)表示取中位数，w1，…，wN表示不同的窗口宽度，窗口宽度的取值范围为用户自定。
2.根据权利要求1所述的基于去趋势互相关分析的GNSS影像生成方法，其特征在于，步骤S5中对GNSS测站进行空间滤波的具体方法为：
S51、基于测站坐标构建狄洛尼三角网，选取与滤波测站相连的测站作为备选测站；
S52、去除其中与滤波测站去趋势互相关系数为负的测站，记滤波测站速度为ve，剩余的备选测站速度为
Figure FDA0003469850510000025
滤波测站与剩余备选测站间的去趋势互相关系数为
Figure FDA0003469850510000026
M为剩余备选测站个数；
S53、若M＜MIN，将狄洛尼三角网中与备选测站相连的测站加入备选测站，重复步骤S52，直到M≥MIN，其中MIN为用户设定的最小备选测站个数；
S54、计算滤波测站的滤波速度：
Figure FDA0003469850510000027
v′e＝WeightedMedian(vr，wr)，r＝1，…，M，e
其中，wr为备选测站的权，unr为相应测站速度的不确定性，WeightedMedian(*)表示计算加权中位数，此处滤波测站速度加入加权中位数的计算，其权为we＝1/une。
3.根据权利要求2所述的基于去趋势互相关分析的GNSS影像生成方法，其特征在于，步骤S6中对格网点进行空间插值的具体方法为：
S61、将格网点作为虚拟测站，加入GNSS测站网构建狄洛尼三角网；
S62、选取与虚拟测站相连的测站作为备选测站，将虚拟测站坐标记为(Bgrid，Lgrid)，备选测站坐标为{(B1，L1)，…，(Bg，Lg)}，其中，g为备选测站数量；
S63、选取备选测站ref为参考测站，ref＝1，…，g，获取参考测站与其它备选测站的去趋势互相关系数，记为DCCACCref，s，s＝1，…，g；
S64、由于每两个剩余备选测站都能与参考测站形成一个球面三角形，判断虚拟测站位于哪一个球面三角形，假设该三角形的另外两个顶点为(Bt1，Lt1)，(Bt2，Lt2)，t1，t2∈{1，…，g}；
S65、计算参考测站与虚拟测站的去趋势互相关系数：
Figure FDA0003469850510000031
S66、重复步骤S63-S65，获得所有备选测站与虚拟测站的去趋势互相关系数，并基于空间滤波后的测站速度，计算格网点的插值速度vgrid：
Figure FDA0003469850510000032
Figure FDA0003469850510000033
vgrid＝WeightedMedian(v″r，wr)
其中，r＝1，…，g。
4.根据权利要求1所述的基于去趋势互相关分析的GNSS影像生成方法，其特征在于，步骤S3中采用最小二乘估计的方法，计算得到GNSS测站坐标时间序列共同跨度部分的速度及其不确定性。
5.根据权利要求1所述的基于去趋势互相关分析的GNSS影像生成方法，其特征在于，步骤S6中进行网格化处理时，格网大小设为0.05°×0.05°。
6.根据权利要求1所述的基于去趋势互相关分析的GNSS影像生成方法，其特征在于，步骤S45中用户自定的窗口宽度的取值范围具体为：窗口宽度为共同跨度部分长度的0.75倍至1倍，间隔设定为3个历元。
CN202010058517.1A 2020-01-19 2020-01-19 一种基于去趋势互相关分析的gnss影像生成方法 Active CN111339483B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010058517.1A CN111339483B (zh) 2020-01-19 2020-01-19 一种基于去趋势互相关分析的gnss影像生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010058517.1A CN111339483B (zh) 2020-01-19 2020-01-19 一种基于去趋势互相关分析的gnss影像生成方法

Publications (2)

Publication Number Publication Date
CN111339483A CN111339483A (zh) 2020-06-26
CN111339483B true CN111339483B (zh) 2022-03-11

Family

ID=71185208

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010058517.1A Active CN111339483B (zh) 2020-01-19 2020-01-19 一种基于去趋势互相关分析的gnss影像生成方法

Country Status (1)

Country Link
CN (1) CN111339483B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113034405B (zh) * 2021-04-25 2023-12-12 国家卫星气象中心(国家空间天气监测预警中心) 一种遥感图像精细化几何纠正方法
CN113341439B (zh) * 2021-06-22 2022-04-15 武汉大学 一种顾及周期信号的gnss测站速度稳健估测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109581441A (zh) * 2018-12-18 2019-04-05 武汉大学 基于站间相关性空间结构函数构建的gnss成像方法
CN110058236A (zh) * 2019-05-21 2019-07-26 中南大学 一种面向三维地表形变估计的InSAR和GNSS定权方法
CN110398753A (zh) * 2019-06-28 2019-11-01 武汉大学 Gnss测站坐标时间序列周期性探测方法及系统
CN110412635A (zh) * 2019-07-22 2019-11-05 武汉大学 一种环境信标支持下的gnss/sins/视觉紧组合方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7855678B2 (en) * 2007-05-16 2010-12-21 Trimble Navigation Limited Post-mission high accuracy position and orientation system
KR102329002B1 (ko) * 2014-02-26 2021-11-18 클라크 에머슨 코헨 향상된 성능 및 비용의 글로벌 네비게이션 위성 시스템 아키텍처

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109581441A (zh) * 2018-12-18 2019-04-05 武汉大学 基于站间相关性空间结构函数构建的gnss成像方法
CN110058236A (zh) * 2019-05-21 2019-07-26 中南大学 一种面向三维地表形变估计的InSAR和GNSS定权方法
CN110398753A (zh) * 2019-06-28 2019-11-01 武汉大学 Gnss测站坐标时间序列周期性探测方法及系统
CN110412635A (zh) * 2019-07-22 2019-11-05 武汉大学 一种环境信标支持下的gnss/sins/视觉紧组合方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GNSS影像及其时空特征初探;周晓慧 等;《地球物理学报》;20200115;第63卷(第1期);第155-171页 *
基于改进奇异谱分析方法提取GNSS坐标时间序列趋势项及季节项信息;张旺;《中国优秀硕士学位论文全文数据库 基础科学辑》;20170715;A008-24 *

Also Published As

Publication number Publication date
CN111339483A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
Wang et al. Mapping multiple variables for predicting soil loss by geostatistical methods with TM images and a slope map
CN101216304B (zh) 物体尺寸估测之系统及方法
CN111339483B (zh) 一种基于去趋势互相关分析的gnss影像生成方法
CN110335355B (zh) 一种大型浅水湖泊水面高自动计算方法
CN110276732B (zh) 一种顾及地形特征线要素的山区点云空洞修复方法
CN109214422B (zh) 基于dcgan的停车数据修补方法、装置、设备及存储介质
CN110956412B (zh) 基于实景模型的洪灾动态评估方法、装置、介质和设备
CN110276768B (zh) 图像分割方法、图像分割装置、图像分割设备及介质
CN107871327A (zh) 基于特征点线的单目相机位姿估计和优化方法及系统
CN112070870B (zh) 点云地图评估方法、装置、计算机设备和存储介质
CN111508015B (zh) 一种基于三维实景数据的建筑物高度提取方法及其装置
CN106651821A (zh) 一种基于二阶矩保持传播算法的拓扑地图融合方法及系统
CN111722250B (zh) 基于gnss时间序列的地壳形变影像共模误差提取方法
Dong et al. A wifi fingerprint augmentation method for 3-d crowdsourced indoor positioning systems
Kovitz et al. Spatial statistics of clustered data
CN111263295B (zh) 一种wlan室内定位方法和装置
JP2014126537A (ja) 座標補正装置、座標補正プログラム、及び座標補正方法
Lu et al. Beamlet-like data processing for accelerated path-planning using multiscale information of the environment
CN107240133A (zh) 一种立体视觉映射模型建立方法
CN111443366B (zh) 一种gnss区域网中异常点探测方法及系统
CN113076591A (zh) 基于模糊数学的建筑区域结构特征提取及震害预测方法
Schäfer et al. The seismic hazard of Australia-a venture into an uncertain future
CN110070234B (zh) 一种地震滑坡人员死亡数量预测方法及其应用
JP6996047B2 (ja) ２時期変化推定装置、及び２時期変化推定方法
CN115022964B (zh) 一种基于图信号的室内定位无线电地图重构方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant