导读:本文包含了地形简化论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:地形,高程,顶点,模型,网格,不确定性,数字。
地形简化论文文献综述
李明峰,李连阳,赵湘玉,陆海芳[1]（2019）在《点坡度熵在地形简化中的应用》一文中研究指出坡度是定量描述地貌形态特征的重要因子。针对DEM坡度在地形简化中应用研究较少的现状,本文基于信息熵理论提出了点坡度熵(SEP)概念,构建了量化地形信息的点坡度熵模型,研究了基于点坡度熵的地形简化方法。结合试验样区数据,将常用的重要点法与该方法进行了应用对比。结果表明,该方法可有效保留地形骨架信息,取主舍次效果优于重要点法。该方法对后续DEM地形简化研究具有一定参考价值。(本文来源于《测绘通报》期刊2019年11期）
肖铭杰,路强,陆亦扬,邹彬,刘号[2]（2019）在《基于地形特征重要度的地形网格简化与调整》一文中研究指出山地是应急决策过程的主要场景之一,面向移动终端和WEB展示等资源受限平台上的大场景优化显示方法是图形学和可视化领域的研究热点。文章在已有的DEM地形网格简化算法的基础上,提出了一种基于地形特征重要度的地形网格简化与调整算法。通过K-means算法将地形网格顶点进行聚类,并且引入地形特征重要度来调整特定区域地形网格的大小,达到突出特定地形的效果;采用细节层次(levels of detail,LOD)算法指导地形网格的细分和简化,提高地形网格的绘制效率。实验结果表明,该算法有效地保留且突出了山地区域地形地貌,并且减少了顶点数量,提高了地形绘制和渲染的效率。(本文来源于《合肥工业大学学报(自然科学版)》期刊2019年05期）
陆凤,陈莉,朱相丞[3]（2018）在《基于Memoryless算法的河道水下地形模型简化研究》一文中研究指出模型简化技术能有效缓解海量数据分析与计算机资源不足之间的矛盾。首先根据河道水下地形模型的实际情况,对Memoryless算法进行了改进,使得简化后的模型能更好地规避狭长叁角形;然后根据水文分析理论,在改进Memoryless简化算法中增加河道地性线约束,使得河道地形在地性线周围区域的细节能够得到较好的保持;最后通过两组不同来源的数据进行不同简化比率下的简化实验。结果表明,简化后的地形模型效果良好,误差在可接受范围内,并较好地保持了河道地形的几何细节特征。(本文来源于《地理空间信息》期刊2018年11期）
邹光达[4]（2018）在《基于特征的地形简化中的采样密度研究》一文中研究指出作为地球科学中的基本问题,数据表达与数据处理中产生的尺度效应被公认为这一研究领域需要关注的基本方向之一。地形基本参数与地表特征要素均不可避免的受到尺度问题的影响。这具体表现为粗尺度地形与同区域的精细尺度地形在形态参数与地表特征上存在关联性与差异性,想要分析与研究这一关联性与差异性,首先需要为精细尺度的地形建立多尺度模型,这一建模过程被称为地形简化。地形简化中常采用基于特征的方式进行简化。这种方法首先采用特定的算法从原始DEM中提取地形特征,对得到的地形特征构建不规则叁角网,然后对TIN插值生成目标尺度下的规则格网DEM。由于TIN结构的特殊性,其所包含的尺度信息无法被量化表达。因此,在TIN转换为规则格网DEM的过程中需要考虑如何确定目标分辨率的问题。这一问题可以进一步转化为,从原始地形提取的一定数量的地形特征究竟可以表达多大尺度下的地形。基于上述问题,本文对基于特征的地形简化方法中涉及的采样密度问题进行研究。选取了一系列形态各异的地形进行实验,利用地形平均坡度作为描述地形复杂度的指标,采用最大Z容差法和骨架线约束法对原始DEM进行简化,生成了不同粗尺度下的简化地形。以简化地形的精度为评价准则,分析了地形形态、简化方法、目标尺度对采样密度的影响。以精度等价的方式将基于特征的简化方法与均匀采样方法进行对比分析。采用精度等价法和极限精度的1.1倍来确定不同地形不同简化方法不同目标尺度下简化地形的采样密度。实验结果表明:(1)不同地形不同目标尺度下,随着采样密度的逐渐增大,简化地形的高程精度从一开始的迅速提高转变为逐渐趋于平稳状态并无限接近简化地形的极限精度;简化地形高程精度的提高受到目标分辨率的限制,不同目标尺度下简化地形所能达到的极限精度各不相同,目标尺度越粗糙,简化地形所能达到的极限精度越低;(2)简化地形的极限精度随着地形平均坡度的升高呈线性降低的趋势;(3)地形平均坡度对采样率的影响较小,简化到某一目标尺度的采样率均在一定范围内波动。当地形平均坡度较小时,采样密度较其它地形有较大差异。本文得到了地形平均坡度大于2°,利用最大Z容差法和骨架线约束法进行地形简化时,接近简化地形极限精度下的目标尺度与采样密度的关系式。利用Z容差法进行简化得到的目标尺度和采样密度的关系式为:y_z=2594.4x_z~(-1.298)(R~2=0.9873),骨架线约束法得到的关系式为:y_g=23214x_g~(-1.623)(R~2=0.9999)。其中,x为简化DEM的分辨率(单位为m),y为采样率(采样点数/原始DEM总格网数′100)。(本文来源于《西南交通大学》期刊2018-05-01）
李胜辉,史瑞芝,朱明[5]（2018）在《一种顾及多重约束的叁维地形简化方法》一文中研究指出叁维模型在许多领域内均有着越来越深入的应用,为保证叁维模型在不同存储空间、不同图形绘制能力、不同显示分辨率的终端电子设备上显示的统一性和一致性,在很多情况下需要对叁维模型进行适度的简化。对于叁维地形而言,纹理颜色、地形区域边界和重要顶点是其非常重要的视觉特征,本文将这叁项特征作为约束因子引入到叁维地形的简化过程中,并根据这叁项特征对现有的二次误差测度算法和边折迭代价的计算方法进行了改进,使其在叁维地形简化过程中不会出现明显退化。本文还将改进后的算法与原来算法进行了实验对比,结果表明,改进后的简化算法不仅能够在不同精度上保持叁维地形视觉上的一致性,而且产生的几何误差也相对较小。(本文来源于《武汉大学学报(信息科学版)》期刊2018年02期）
卢燕宇,田红,侯恩兵,孙维,邓汗青[6]（2017）在《实际地形下地表太阳总辐射的简化算法及应用》一文中研究指出为快速准确估算实际地形下地表太阳总辐射,针对辐射观测资料不足现状,通过考虑天文、大气和地理地形等因子对地表太阳总辐射的影响,构建了融合起伏地形天文辐射模型、地表太阳总辐射气候学公式和日照百分率优化插值方案的太阳总辐射简化算法。并以安徽省为例,对简化算法实施参数化和应用,采用2个辐射站观测资料统计回归得到气候学公式参数,参数化后的公式计算相对误差为7.65%。利用80个站点的日照百分率数据分析了不同插值方法适用性,逐点交叉检验结果表明,薄盘样条法对安徽省日照百分率具有更好的插值效果。基于简化算法计算得到实际地形下安徽省地表太阳总辐射平均为4500MJ·m~(-2)·a~(-1),总体呈北部高、南部低,山区南坡高、北坡低的分布特征,部分开阔南坡的太阳辐射超过同纬度水平地面。季节特征上地形对太阳辐射的影响随月份而异,在冬半年影响幅度更为明显,夏半年地形影响相对较弱,并多以削减为主。安徽省太阳能资源以3级为主,大别山和皖南山区的北坡多为4级,而在皖北低山丘陵的南坡存在零星的2级资源区。近年来由于日照百分率的下降,导致全省地表太阳总辐射普遍减少。(本文来源于《中国农业气象》期刊2017年07期）
李世喆[7]（2017）在《基于特征的地形简化中的不确定性研究》一文中研究指出数字高程模型是重要的空间数据,也是地形分析的主要数据来源。尺度效应导致同一地形在不同尺度下具有不同的地形特征,地形的表达也不尽相同。一般的,在地形的多尺度建模中,较粗糙的数字高程模型来源于对精细尺度的数字高程模型的信息筛减和地形重建,这一过程称为地形简化。影响数字高程模型精度的因子有很多种,如地形地貌、采样间隔、插值方法等等。无论是建立数字高程模型还是基于数字高程模型进行地形分析,熟知这些因子的影响是十分重要的。在对地形进行多尺度建模的过程中,依旧需要考虑这些因子的影响。已有学者对地形地貌、采样间隔、插值方法和空间分辨率等因子进行了研究,本文则着眼于地形简化中的不确定性对简化DEM精度的影响。地形简化中存在不确定性。一方面原始DEM存在不确定性,导致简化DEM同样存在不确定性;另一方面,简化模型的不同也会导致结果的不确定性。为探究这两种不确定性在地形简化中的影响,本文首先使用序贯高斯模拟对原始DEM的不确定性进行建模,得到若干幅具有相同空间结构的数据源,并分别使用叁种基于特征的地形简化方法对其进行地形简化。通过迭加等高线,计算RMSE、骨架线保留度,构建不确定性概率图等方式对两种不确定性进行了比较和分析,结果表明,两种不确定性对简化后地形的精度均有影响。简化方法的不确定性的影响大于原始DEM的不确定性的影响,特别在地形复杂的山地区域。与其他精度影响因子相比,地形地貌是简化DEM精度的最大影响因素。采样间隔是重要影响因素。简化方法的不确定性的影响有时甚至大于采样间隔的影响。插值方法的影响最小,与原始DEM的不确定性相当。(本文来源于《西南交通大学》期刊2017-05-01）
王家腾,殷宏,解文彬,殷超[8]（2016）在《基于顶点重要度和层次聚类树的地形网格简化》一文中研究指出为提高基于精细DEM数据的地形网格简化效率,在传统顶点聚类算法的基础上,提出一种基于顶点重要度和层次聚类树的地形网格简化算法。对地形分块顶点进行聚类,引入由顶点特征值和简化误差构成的顶点重要度来筛选簇代表点;根据代表点构建粗化网格,迭代缝合与简化过程直至完成整个地形网格简化;采用内存层次聚类树对简化的中间结果进行组织,将之用于地形多分辨率绘制中,指导网格的简化和细分。实验结果表明,该算法较好地保持了原始地形特征,缩减了内存消耗,中间结果的利用有效提升了地形渲染效率。(本文来源于《计算机工程与设计》期刊2016年06期）
张倩宁[9]（2016）在《基于地形复杂度的LiDAR点云简化方法研究》一文中研究指出LiDAR(Light Detection and Ranging)是一种利用全球定位系统、惯性测量装置、激光扫描测距系统和成像装置,对被测物体表面信息进行测量的技术。作为一种新兴技术,LIDAR技术具有自动化程度高、数据生产周期短、受外界环境影响小、精度较高等优点。但是LiDAR技术获取的点云数据量巨大,在构建不同尺度的DEM时,大量的点云数据对于提高DEM精度没有明显的作用,反而会导致数据处理速度急速下降。因此对LiDAR点云数据进行抽稀简化很有必要。在LiDAR点云简化过程中,点的取舍准则直接决定保留点的分布和质量状况。一般情况下,点的取舍准则是基于地形特征设定的。目前大多数的LiDAR点云简化算法都是基于单一地形特征因子实现点云简化,但是单一地形特征因子无法全面综合地描述地形特征,故提出一个可以综合评判地形特征的地形复杂度指标是至关重要的。本文选取坡度S、地形起伏度Cur、地形粗糙度Rel和全曲率Rou四个单一地形因子指标,采用主成分分析方法,提出地形复杂度指标模型,构建了一个地形复杂度指标C,并得到C与S、Cur、Rel口Rou之间的经验公式。选取具有典型地形特征的实验区域,计算C,得到C与地形特征的对应关系。最后选取实验区域对地形复杂度指标与地形特征之间的对应关系进行验证,实验结果表明,构建的地形复杂度指标能够有效地描述地形特征,且与地形特征之间的对应关系是合理的。基于构建的地形复杂度指标C,本文提出了一种新的LiDAR点云简化方法TCthin。TCthin方法根据设计的点云采样准则,基于包围盒算法原理实现点云简化。实现思路是首先基于低分辨率DEM计算C值；然后根据目标简化尺度对LiDAR点云数据划分简化格网,并与C值相关联；最后根据C值决定点云的取舍,当0<=C<0.5时,每个简化格网上保留高程Z均值点,当0.5<=C(本文来源于《西南交通大学》期刊2016-05-10）
高翔[10]（2016）在《地形简化中的不确定性及优化模型的研究》一文中研究指出数字地形分析研究领域常利用特定的分析手段挖掘地形模型中隐藏的信息,这些信息包括：地形基本参数、地形水网结构以及地形对象要素等。地理空间数据中存在的尺度效应导致了同一区域在不同尺度上具有不同的地形表达,对应的地形模型也随之不同。研究区域通常仅具有单一或少量尺度下的地形模型,想要在更为丰富的尺度上进行地形分析,必须为这些区域建立多尺度模型。地形简化方法为这一建模过程提供了可行性方案。地形简化存在不确定性。这一不确定性一方面来源于原始地形的高程误差,一方面来源于简化模型本身。为研究原始地形高程误差造成的不确定性对地形简化的影响,本文利用序贯高斯模拟方法为误差场生成满足空间自相关特性的序列误差场实现。为研究简化模型中的不确定性对地形简化的影响,选用叁种基于特征的地形简化方法在不同简化程度下实施地形简化操作。虽然上述两种不确定性的模拟方法不同,但对于简化结果的分析手段相对一致。分析方法分为两部分：定性分析与定量分析。定性分析部分主要是通过将简化表面与原始地形的等高线与地形骨架进行迭置,利用目视比对的方式分析不确定性；定量分析部分主要是通过计算简化表面的高程精度与骨架保留度以分析不确定性。实验结果表明,两种类型的不确定性对地形简化具有相似的作用规律：原始地形中的不确定性与简化模型中的不确定性均会对地形简化结果产生影响,但简化模型顾及的原始地形特征越多,得到的目标简化尺度下的地形表达不确定性也将越小,换言之,简化表面所表达的地形信息可信度也将越高。地形简化中的不确定性导致了目标尺度上的简化表面真实值不得而知。传统的简化模型以一种确定式的过程进行简化操作,得到的目标尺度上的简化地形存在唯一性。这种以确定式的过程求解不确定式结果的方式在理论层面并不合理。更为严谨、合理的方式应当是：求解过程不直接给出简化结果,而是以一种寻优、向真值逼近的方式逐步获取更优解。显然,现阶段的简化方法均无法满足这一条件。为此,本文提出了一种基于退火模拟算法的地形简化方法。该方法将地形特征点看作固体物质内部乱序运动的粒子,在温度衰减过程中对特征点持续进行随机性扰动,以生成有限的状态集,随着温度的降低,状态集的前后差异逐渐缩小,最终产生特定温度下的稳态。空间退火模拟算法能够运用于地形简化,主要源于叁方面：1)该方法能够作用于空间数据；2)该方法中的扰动机制能够为地形特征建立有限的状态集；3)稳态的存在保证了最优简化表面的可达。实验结果表明,新方法在不同的初始特征点分布以及不同的地形复杂度下均能很好地完成特定目标函数下简化表面的优化。(本文来源于《西南交通大学》期刊2016-05-01）
地形简化论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
山地是应急决策过程的主要场景之一,面向移动终端和WEB展示等资源受限平台上的大场景优化显示方法是图形学和可视化领域的研究热点。文章在已有的DEM地形网格简化算法的基础上,提出了一种基于地形特征重要度的地形网格简化与调整算法。通过K-means算法将地形网格顶点进行聚类,并且引入地形特征重要度来调整特定区域地形网格的大小,达到突出特定地形的效果;采用细节层次(levels of detail,LOD)算法指导地形网格的细分和简化,提高地形网格的绘制效率。实验结果表明,该算法有效地保留且突出了山地区域地形地貌,并且减少了顶点数量,提高了地形绘制和渲染的效率。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
地形简化论文参考文献
[1].李明峰,李连阳,赵湘玉,陆海芳.点坡度熵在地形简化中的应用[J].测绘通报.2019
[2].肖铭杰,路强,陆亦扬,邹彬,刘号.基于地形特征重要度的地形网格简化与调整[J].合肥工业大学学报(自然科学版).2019
[3].陆凤,陈莉,朱相丞.基于Memoryless算法的河道水下地形模型简化研究[J].地理空间信息.2018
[4].邹光达.基于特征的地形简化中的采样密度研究[D].西南交通大学.2018
[5].李胜辉,史瑞芝,朱明.一种顾及多重约束的叁维地形简化方法[J].武汉大学学报(信息科学版).2018
[6].卢燕宇,田红,侯恩兵,孙维,邓汗青.实际地形下地表太阳总辐射的简化算法及应用[J].中国农业气象.2017
[7].李世喆.基于特征的地形简化中的不确定性研究[D].西南交通大学.2017
[8].王家腾,殷宏,解文彬,殷超.基于顶点重要度和层次聚类树的地形网格简化[J].计算机工程与设计.2016
[9].张倩宁.基于地形复杂度的LiDAR点云简化方法研究[D].西南交通大学.2016
[10].高翔.地形简化中的不确定性及优化模型的研究[D].西南交通大学.2016
论文知识图
