简介:Burn-in算法和AGREE算法是目前应用广泛的基于实际河网高程强迫修正的河网提取算法.该算法能有效提取出同真实河网高拟合度的模拟河网,但某些情况下,所提取的河网会产生“断裂”现象.河网“断裂”现象的产生在于实际河网栅格高程“高估”和“低估”所引起的局部流向计算错误,其中所有“低估”类以及大部分“高估”类影响都是可以通过填洼等方法加以消除的,即不会产生“断裂”问题.真正产生“断裂”的原因是:存在“高估”类河网栅格且“高估”所带来的影响无法通过填洼等操作加以消除.基于此,对Burn-in算法和AGREE算法进行修正,提出一种消除“高估”类影响的解决方案,从根本上解决河网“断裂”问题,实现程序自动化处理.渭河流域实例应用表明,改进算法可有效解决模拟河网“断裂”问题,且适用于多种基于高程的强迫修正算法.
简介:针对LIDAR点云数据中建筑物和植被难以快速分类的问题,提出了应用FCM(FuzzyC-Mean)模糊聚类的方法对离散机载激光点云数据进行建筑物和植被分类的方法.首先针对机载点云数据的特点采用了平面投影的Delaunay构网方法进行点云的三角网重构,然后根据三角网的法向矢量信息的属性不同,利用FCM方法和改进的方位矩阵方法对其进行模糊聚类,进而实现建筑物和植被等不同属性的点云分类.该方法可快速将点云进行分类,且分类结果可用不同颜色进行空间显示.在此基础上,采用IDL(Interfacedescriptionlanguage)语言编制了三维激光点云可视化分类软件LIDARVIEW.并应用该软件对某区域的机载点云数据进行了分类实验.实验结果表明:(1)基于平面投影的Delaunay构网方法特别适合机载LIDAR点云数据的快速构网,且该方法构网速度快、效率高;(2)应用FCM模糊群聚的方法和改进的方位矩阵方法适用于机载LIDAR数据的植被和建筑物分类,分类速度快且效果好;(3)FCM模糊群聚方法对机载LIDAR数据的群聚分类结果可靠、合理,具有较强的通用性和推广性.