XiaoMi-AI文件搜索系统
World File Search Systemelevation
加入土地和海洋：印尼数字高程模型
摘要Amante，C.J。和Eakins，B.W.，2016年。数字高程模型中插值测深的准确性。in：Brock，J.C。; Gesch，D.B。;帕里什（C.E.）; J.N.的Rogers和C.W. Wright（ed。），topobathymetric映射，模型和应用的进展。沿海研究杂志，专刊，编号76，pp。123–133。椰子溪（佛罗里达州），ISSN 0749-0208。数字高程模型（DEMS）用于模拟许多沿海过程，包括海啸，污染物分散和侵蚀。在测得的领域中，测量之间的距离通常与岸边（即更深的水）增加，从而使插值以建立一个测深的DEM的距离通常在大距离之间。这项研究使用三种常见的插值技术检查了测深的DEM中插值的准确性：距离距离加权，样条和三角测量。目标是检查插值准确性与细胞采样密度，与最近深度测量的距离以及地形特征之间的关系。阿拉斯加的Kachemak湾，由于其异质地形而被选为研究区域。开发了一种分类方法，用于随机分开的深度测量值，用于插值与用于量化插值精度的插值。结果表明，在较小的细胞采样密度下，这三种评估的插值技术的准确性降低（i），（ii）作为到最近测量的距离增加，（iii）在
用于高程测定的机载数字帧相机成像
摘要 一台高分辨率数字 300 帧相机飞越安大略省多伦多的一个试验场，以获取重叠图像以确定高程。分析了一对选定的 1320 x 1035 图像，总面积为 0.91 x 1.0a 平方公里，像素为 0.69 平方米。对图像中的 24 个点进行了实地测量，并应用了光束平差算法，仅使用三个控制点对图像进行相对和绝对定位。残差的加权平均 IIMS 误差为 1.138m (x)、t.sgom (y) 和 0.927m (z)，总高程变化为 40m。尽管存在一些限制，例如缺乏相机校准，但仍获得了这种水平的精度。图像点选择困难，图像运动。这些结果鼓励进一步研究改进该技术并将其应用于大规模评估模型的开发。
基于 ICESat 的格陵兰岛数字高程模型 ...
摘要。格陵兰数字高程模型 (DEM) 对于实地考察、冰速计算和质量变化估计必不可少。以前的 DEM 为整个格陵兰岛提供了合理的估计，但应用源数据的时间跨度可能会导致质量变化估计偏差。为了提供具有特定时间戳的 DEM，我们应用了大约 5 。从 2018 年 11 月到 2019 年 11 月的 8 × 10 8 ICESat-2 观测来生成新的 DEM，包括格陵兰岛外围的冰盖和冰川。分别在 500 m、1 km、2 km 和 5 km 网格单元进行时空模型拟合过程，并以 500 m 的模态分辨率发布最终 DEM。总共有 98% 的网格由模型拟合获得，其余的 DEM 间隙通过普通克里金插值法估算。与机载地形测绘仪 (ATM) 激光雷达系统获取的 IceBridge 任务数据相比，ICESat-2 DEM 估计最大中值差异为 − 0 。48 米。通过模型拟合和插值获得的网格性能相似，均与 IceBridge 数据高度一致。在低纬度和高坡度或粗糙度地区，DEM 不确定性会增加。此外，与其他高度计得出的 DEM 相比，ICESat-2 DEM 显示出显着的精度改进，并且其精度与立体摄影测量和干涉测量得出的精度相当。格陵兰 DEM 及其不确定性可在 https://doi.org/10.11888/Geogra.tpdc.271336 (Fan 等人，2021 年) 上找到。总体而言，ICESat-2 DEM 在各种地形条件下都表现出了出色的精度稳定性，可以提供具有特定时间戳的高精度 DEM，这将有助于研究格陵兰岛海拔和质量平衡变化。
使用高分辨率数字高程模型上的监督学习检测沟渠
排干的湿地是温室气体排放的主要来源，但这些湿地的排水网络大部分都未绘制地图，需要更好的地图来帮助森林生产并更好地了解气候后果。我们开发了一种在基于 LiDAR 扫描的高分辨率数字高程模型中检测沟渠的方法。使用数字地形指数的阈值方法可用于检测沟渠。但是，单一阈值通常无法捕捉景观的变化，并且会产生许多假阳性和假阴性。我们假设，通过使用监督学习结合数字地形指数，我们可以在景观尺度上改善沟渠检测。除了数字地形指数外，还可以通过转换数据以包含相邻单元来生成其他特征，以便更好地预测沟渠。随机森林分类器用于定位沟渠，并处理其概率输出以消除噪声，并进行二值化以产生最终的沟渠预测。评估图之间的 Cohen's Kappa 指数的置信区间为 [0.655 , 0.781]，置信度为 95%。研究表明，使用机器学习结合一系列数字地形指数的信息，可以提供一种有效的景观尺度自动沟渠检测技术，有助于实际的森林管理和应对气候变化。
利用链路：通过更高海拔链路改善卫星通信
大多数小型卫星操作（包括立方体卫星社区中的操作）都会最大化与地面站的单次通信持续时间，但这样做并不能最大化传输的总数据量。在本文中，我们研究了通过等待以非直观的高仰角开始传输来最大化数据下载的方法。此仰角缩短了倾斜距离，并允许以更高的固定数据速率关闭链路。虽然传输时间较短，但下载的总数据量较大。我们针对各种通道配置检查了这种方法，并将其与世界各地已知地面站的通道分布进行了比较。本研究的结果（分析和数值）与最大化给定卫星轨道传输数据量的策略建议一起呈现。这些方法依赖于在轨时改变无线电数据速率的能力，这通过使用灵活速率无线电来实现。我们通过检查一年内单个地面站的传输数据量来扩展这项研究。结果表明，可以找到最佳固定数据速率，从而使全年下载的数据量最大化。最后，为小型卫星社区提供了无线电开发建议。
国家咨询服务，用于准备Fuvahmulah City的数字高程模型
由气候变化部，环境与能源部（Moccee）代表的马尔代夫政府是欧盟联盟项目“预测海平面上升：从冰纸到当地含义的人”的成员。为项目实施工程收到的一部分用于“国家咨询服务，以准备Fuvahmulah City的数字高程模型”。该部现在邀请合格和合格竞标者的密封竞标，以供此咨询公司。
昴星团和 LiDAR 数字高程模型在农田梯田检测中的比较
摘要 — 与农业活动相关的梯田是人类对景观最明显的改造之一，是世界各地重要的投资，它们最近与现代土地利用管理和侵蚀控制的关注产生了新的相关性。保护性农业和梯田管理是卫星地球观测和高分辨率地形测量中具有巨大潜力的应用。由于其高灵活性，昴宿星团卫星星座提供了新的高分辨率数字高程模型 (DEM)，其亚米级分辨率可能对这项任务有用，它们在农田环境中的应用如今是一个开放的研究方向。这项工作提供了初步分析，从昴宿星团图像获得的 DEM 中执行自动梯田映射，并与 LiDAR DEM 进行比较。考虑了两种现有方法，快速线段检测器 (LSD) 算法和基于表面曲率的地貌测量方法。尽管 Pleiades DEM 的性能低于 LiDAR 模型，但结果表明，Pleiades 模型可用于自动检测大于 2 m 的梯田坡度，检测率超过梯田总长度的 80%。此外，结果表明，当使用嘈杂的数字高程模型时，地貌测量方法更为稳健，并且略优于 LSD 算法。这些结果首次分析了 Pleiades DEM 作为 LiDAR DEM 的替代品的有效性，也强调了未来在农田环境中监测大面积区域所面临的挑战。
国家咨询服务，用于准备Fuvahmulah City的数字高程模型
General and special provisions of the agreement .......................................................................................... 12 1.简介和背景................................................................................................................................................................................................................................................................................................................................................................................................................................................................... 16 2。Objective ............................................................................................................................................... 17 3.Scope of Assignment ............................................................................................................................ 17 4.Indicative Tasks ..................................................................................................................................... 17 5.Remuneration ....................................................................................................................................... 18 6.Deliverables .......................................................................................................................................... 18 7.Duration of the Consultancy and Remuneration .................................................................................. 19 8.Requirements for Experience and Qualifications ................................................................................. 19 9.Preliminary Examination of Proposals .................................................................................................. 20 10.Evaluation Criteria ................................................................................................................................ 21 11.Provision of Monitoring and Progress Controls .................................................................................... 21 12.Queries ................................................................................................................................................. 21 Section 4 .......................................................................................................................................................... 22
使用高分辨率数字高程模型上的监督学习检测沟渠
排干的湿地可能成为温室气体排放的主要来源，但这些湿地的排水网络大部分都未绘制地图，需要更好的地图来帮助森林生产并更好地了解气候后果。我们开发了一种在基于 LiDAR 扫描的高分辨率数字高程模型中检测沟渠的方法。使用数字地形指数的阈值方法可用于检测沟渠。但是，单个阈值通常无法捕捉景观的变化，并且会产生许多误报和漏报。我们假设，通过使用监督学习结合数字地形指数，我们可以在景观尺度上改善沟渠检测。除了数字地形指数之外，还可以通过转换数据以包含相邻单元来生成其他特征，以便更好地预测沟渠。使用随机森林分类器来定位沟渠，并对其概率输出进行处理以消除噪音，然后进行二值化以产生最终的沟渠预测。评估图之间的 Cohen's Kappa 指数的置信区间范围为 [0.655 , 0.781]，置信度为 95%。研究表明，使用机器学习结合一系列数字地形指数的信息，可以提供一种有效的景观尺度自动沟渠检测技术，有助于实际的森林管理和应对气候变化。
使用不同分辨率的数字高程模型进行洪水灾害模拟和绘图
背景与目标：精细地形信息是详细洪水模拟和制图的关键输入参数。本研究旨在比较使用光检测和测距以及干涉合成孔径雷达系统的不同分辨率数字高程数据集开发的洪水模型的精度统计数据。方法：本研究应用地理信息系统中可用的水文工程中心-水文建模系统和水文工程中心-河流分析系统模型来模拟和绘制 Maapag 流域的洪水灾害。使用混淆误差矩阵、f 测量值和均方根误差统计数据测试了模型的有效性和精度。结果：结果表明，使用光检测和测距数据集，模型的精度为 88%、0.61 和 0.41；而使用干涉合成孔径雷达数据集，模型的精度分别为 76%、f 测量值和均方根误差。结论：使用光探测和测距数据集开发的模型比使用干涉合成孔径雷达开发的模型精度更高。然而，考虑到模型实施成本和较小的精度残差，后者可以作为前者的替代方案用于洪水模拟和测绘。因此，洪水建模者，特别是来自地方当局的洪水建模者更喜欢使用更粗略的数据集来优化洪水模拟和测绘工作的预算。