特大城市生活必需品供应保障体系直接影响社区的供应韧性，而社区系统无法孤立存在，其作为城市治理基本单元对推动供需联动与增强城市韧性具有关键作用。本研究探索性提出一种基于复杂网络理论的城市社区供应保障韧性评估方法，尝试测度社区动态韧性，实现从“单系统评价”走向“多系统关联评价”的韧性评估底层理论思维突破。以广东省广州市中心城区六区为例，充分利用手机信令等多源数据，基于市民时空间行为构建“市场-社区”生活物资供需网络，同时基于社区韧性5个指标制定网络攻击策略；引入级联失效机制评估其网络抗毁性，结合熵权法赋予权重得到社区韧性评估结果；并通过研究供应网络不同阶段节点失效的社区影响因素，进一步解析社区韧性与供应体系间的影响机理。研究发现：① 基于本研究构建的城市生活物资网络模型，可实现较好地模拟城市社区供需网络和评价社区韧性，其中潜在供应保障缺失的低韧性社区主要分为老旧街区、城中村、城郊街区3种空间类型；② 通过针对社区5种不同攻击策略下网络抗毁性分析，发现社区韧性主导影响因素不同，其中人口密度为首要考虑因素；③ 社区韧性与供应保障间存在复杂双向影响，包括低韧性社区在面对城市突发事件时存在明显脆弱性，社区自组织能力、供应设施布局与供应点间联动调度等都会影响社区整体韧性。
共享汽车在满足用户多样化出行需求的同时，有助缓解交通拥堵、降低污染，很多场景比出租车更为经济。单向共享汽车允许用户在系统内任意站点借车和还车，具备运营成本低、服务灵活的优势。然而，用户出行需求的时空偏态性会导致站点间车辆和需求不平衡，成为制约单向共享汽车企业盈利的关键问题。车辆调度能在一定程度上缓解上述问题，现有研究多数以期望收益最大化或降低系统不平衡性为目标构建优化模型。前者受限于出行需求预测精度不足，放弃当前订单而追求期望更高收入的模式难以保证实际收益；后者为满足系统平衡而付出更多调度成本会使系统盈利能力下降。为此，本文提出一种收益驱动并适用实时场景的单向共享汽车用户重定位模型RUG，基于前景理论的确定效应保证当前可获得收益，对于受系统资源限制无法满足的需求，通过为用户提供替代方案在尝试获取收益的同时，也能有效平衡系统车辆资源。通过设计合理的用户激励和接受度模型将用户作为重定位主体纳入系统，利用公共交通突破传统用户重定位车辆的距离局限，以贪心的最优化实现调度计算。在真实的纽约出行和共享汽车数据集上的实验结果表明， RUG模型相比现有用户重定位方法优势显著，在同样模型参数条件下，相比现有代表性基于用户调度方法，RUG在服务订单数和利润2个方面分别提高14%和60%，尤其提升了交通高峰期单位利润。通过加入出行需求预测，模型进一步增加5.4%收益的同时，还能有效改善用户服务水平和系统平衡性。
城市级联灾害情景态势的转化演化是指在情景态势演化过程中，承灾体在致灾因子作用下转化为新的致灾因子，形成灾害链。针对城市暴雨级联灾害情景态势的转化演化问题，本文基于级联灾害情景态势相关的多源空间数据，结合概率化分析工具，提出一种暴雨级联灾害应对的情景态势转化推演方法。① 基于历史案例确定级联情景涉及情景要素及潜在要素转化路径；② 在百度百科和维基百科的网络知识资源支持下，利用机器学习中的分组最小角回归方法选择情景要素特征；③考虑级联灾害情景态势演化过程中的多阶段及复杂关联特征，构建情景态势转化推演的动态贝叶斯网络模型；④ 利用马尔可夫链蒙特卡罗方法对贝叶斯网络进行求解。将上述情景态势转化推演方法应用于武汉市高新区的暴雨应对实践，用例结果表明：本文方法能够结合历史案例和网络数据，实现关键情景要素及其特征的快速有效生成，帮助提升情景态势转化推演的可靠性；同时，支持地理网格等小粒度承灾体的情景态势转化推演，有助于更加精准的暴雨应急决策支持，在可视化分析方面亦具有较好效果。
引起人类患癌的原因，环境污染占比60%。空间同位(co-location)模式挖掘算法可以识别其实例在地理空间中频繁邻近的模式，可应用于探究工业排放的室外空气污染物与癌症的潜在联系。传统的空间同位模式挖掘算法在衡量模式兴趣度时通常基于模式实例出现频次计算其频繁性，但污染源实例对癌症实例的影响还与实例之间的距离相关，加之污染源受气象条件、浓度大小、危害程度等因素的影响具有差异性，因此不能只依靠实例出现次数度量其兴趣度。为此，基于高斯核密度估计模型提出了空间序偶模式及相应挖掘算法，高斯核函数可以较好地刻画污染源对癌症病例的影响随距离衰减的过程，为了尽可能地还原污染源在真实世界中的扩散情况，将城市风向、风速以及污染源排放浓度考虑在内定义了新的空间邻近关系度量准则，并且对污染源所属致癌类别进行了归类，对不同致癌类别的污染物进行加权区分，提出了更加新颖的污染源与癌症关系模式的度量和相应的挖掘算法。最后，在真实和合成数据集上验证了所提度量和挖掘算法的有效性和高效率，结果表明，提出的影响度度量较传统参与度度量更能捕获现实生活中更具有现实意义的空间序偶模式，且相较于同类型算法挖掘效率平均提高了60%左右。
全球离散格网系统（Discrete Global Grid System，DGGS）是数字化的地球参考框架，在多源、多尺度地球空间数据集成分析方面优势明显。本文选择菱形三十面体六边形全球离散格网系统，提高格网与地球的整体拟合精度和空间采样率；建立遥感图像六边形像素数学模型，提出兼容开放标准格式的数据存储方案。① 根据地理位置将遥感图像格网化，完成遥感图像六边形DGGS建模；其次，建立六边形单元与矩形像素严密对应关系，等效保留六边形单元的邻域信息； ② 采用GeoTIFF开放标准格式精确存储六边形属性值以及投影、变换参数； ③ 设计依托六边形DGGS格网标准数据集为基础的多尺度六边形DGGS生成算法。实验结果表明：本文方案不仅能保证六边形像素遥感图像数据与标准文件格式兼容，而且能保证矩形像素与六边形单元逐一对应，较好地保留了六边形单元数据的图像信息和空间分布特征，相较于欧空局SMOS数据组织方案更具优势。本文方案打破了六边形单元与矩形像素遥感图像的数据组织壁垒，使用常见GIS/RS软件即可读取六边形像素的遥感图像，并可通过对矩形像素的操作等效实现对六边形单元的处理，有望推动六边形DGGS在遥感数据组织、处理、共享等方面的应用。
城市正在成为人类社会可持续发展的核心要素。随着大数据和人工智能技术的飞速发展，越来越多的研究致力于数据驱动的城市可持续发展，通过海量多源异构城市数据对城市在社会、经济和生态方面的可持续发展进程进行监测、解释和评估。然而，当前研究往往局限在单一应用场景和单一数据源，缺少对不同城市数据源、不同城市元素之间内在关联的考虑，难以泛化到城市可持续发展的多种场景。因此，本文提出城市商圈/街区知识图谱驱动的城市可持续发展研究框架。首先，从海量多源异构城市数据中构建城市商圈/街区知识图谱本体，建模人、地、组织、商圈和街区等城市元素的关联关系，进一步在本体指导下实现知识融合，构建城市商圈/街区知识图谱。紧接着，围绕城市可持续发展进程的状态监测、现象解释和决策评估介绍城市商圈/街区知识图谱驱动的城市可持续发展应用。最后，以城市社会经济指标预测为典型任务，提出知识注入的跨模态对比学习方案，验证城市商圈/街区知识图谱在相关应用中的有效性和泛化性，为城市商圈/街区知识图谱驱动的城市可持续发展提供典型例证。
基于无人机可见光影像的果树树冠分割易受地形起伏、灌木及杂草等复杂背景影响，尽管现有深度神经网络能在一定程度上提高树冠分割的鲁棒性，但因受感受野和信息交互限制而忽略了树冠全局上下文和局部细节信息，制约了树冠分割精度进一步提高。针对此，本文引入果树高度模型与深度学习算法，提出一种耦合卷积神经网络与注意力机制的无人机摄影测量果树树冠分割方法。该方法首先通过迁移学习构建基于卷积神经网络与注意力机制的耦合深度网络模型来提取果树树冠局部和全局上下文高级语义特征；同时，顾及深度语义特征与果树树冠位置关联性，设计了局部与全局特征融合模块来实现属性与空间位置协同树冠分割。以柑橘果树树冠分割为例，实验结果表明，引入树冠高度模型能有效抑制地形起伏影响，提出的方法总体精度、F1评分和均交并比最高分别达到97.57%、95.49%和94.05%，能显著削弱低矮杂草或灌木对树冠提取的干扰。此外，与SegFormer、SETR_PUP、TransUNet、TransFuse和CCTNet等先进网络模型相比，均交并比分别提升了1.79%、8.83%、1.16%、1.43%和1.85%。提出的方法可实现复杂背景下果树树冠高精度分割，对于掌握果树生长状况和果园精细化管理具有重要的实用价值。
城市地区常因基础设施建设和资源开采产生不同程度地表形变，威胁居民的生命财产安全，定期进行城市地表形变监测对预防相关地质灾害具有重要意义。城市地表形变具有量级较小和连续缓慢的特点，因此须对误差进行精细处理以提高监测精度。本文提出了融合主成分时空分析和时序InSAR （Interferometric Synthetic Aperture Radar）的高精度地表形变提取方法，通过对时序InSAR信号的挖掘与分析，构建地表形变模型，结合多项式函数，实现误差及噪声的分层估计，以提取高精度小量级的地表形变信息。以典型地质灾害易发城市徐州作为研究区进行方法应用，结果表明：方法能精细分离时序InSAR信号中的地表形变信息和误差，形变监测精度较现有方法提高10%~57%； 2018—2022年，徐州地表形变速率约 -17~35 mm/a，分布在城区、地铁沿线及老采空区；近8年，城市建设不断引发局部沉降区，老采空区次生形变可持续6年以上，且多个矿区地表仍处于不稳定状态。研究结果可为城市地表形变高精度监测和潜在地质灾害防治提供重要技术支撑和决策支持。
曲线图形形状相似度的计算是地图学、图形学、几何学中的基础性理论问题之一，虽然目前有机器学习的方法可以计算曲线形状相似度，但这种方法往往依赖于大样本曲线对，其效率并不高。为了解决这一问题，本文提出了一种直接计算曲线形状相似度的方法。原理如下：① 对2条曲线进行位移、旋转和比例变换，找出能够使两条曲线叠置在一起后重合程度最大或平均距离最小的位置； ② 根据曲线的顶点和交集，将两条曲线划分为不同的子区域。然后，根据Gestalt心理学的邻近性原理，在每个子区域内计算图形的形状相似度； ③ 将各个子区域内图形的形状相似度进行加权求和，得到2个简单曲线目标的形状相似度。通过心理学实验研究，验证了本文提出的方法计算得到的形状相似度与人们的空间认知相符，具有一定的适用场景。该方法不仅可以直接计算曲线形状的相似度，而且避免了对大样本曲线对的依赖，提高了计算效率。因此，该方法在地图学、图形学和几何学等领域具有一定的应用前景。
地势低洼、人口稠密的沿海地区发生的风暴潮复合洪水灾害可能会造成毁灭性的社会、经济和生态影响。全球气候变化导致的海平面上升以及热带气旋强度和频率的增加将加剧这种影响。为了保护沿海地区免受洪水的侵袭，必须准确评估热带气旋造成的复合洪水灾害。然而，关于气候变化对沿海地区热带气旋复合洪水风险的研究还很有限。本文基于EC-EARTH3P气候模式，选取STORM模型合成的气候变化热带气旋轨迹数据集，通过耦合Delft3D FLOW & WAVE流体动力学模型来模拟风场和波浪非线性作用导致的复合水位对沿海地区的影响，并研究了不同SSPs（Shared Socioeconomic Pathways）情景下热带气旋和海平面上升对沿海风暴潮复合洪水的贡献，研究以沿海特大城市上海市为例。结果表明，气候变化对风暴潮复合洪水产生重要影响，且受未来气旋路径及强度的影响，复合洪水表现出较大的空间差异和水位差异。此外，未来海平面上升将使上海地区面临更严重的洪水灾害。研究发现，虽然海平面上升会进一步加剧沿海风暴潮复合洪水灾害的影响，但热带气旋对未来沿海复合洪水的影响更大。本文设计的复合洪水分析框架可用于研究其他低洼沿海地区未来的风暴潮复合洪水灾害，研究结果不仅可以为洪水风险管理人员识别风险区域提供相关研究基础，而且对沿海适应性措施和城市应急响应规划具有重要意义。
在我国高密度城区和人口老龄化发展背景下，加强城市口袋公园设计与建设研究不仅必要而且紧迫。本文运用CiteSpace，并结合文献综述、技术分析等方法对2000—2022年我国城市口袋公园研究进行聚类分析及文献综合分析，结果表明：当前该领域的研究热点包括口袋公园、街旁绿地、景观设计、袖珍公园、公共空间、风景园林、微绿地、街头绿地、设计策略、规划设计等；口袋公园研究进展分为基础研究（2000—2006年）、稳步推进（2007—2018年）和快速发展（2019—2022年） 3个阶段；其研究重点包括基础性研究、规划设计研究和评价研究。未来我国城市口袋公园研究的发展方向包括：多个口袋公园协同组群布局及单个口袋公园内部空间布局优化、景观设施布局优化、植物配置与优化研究；以环境行为学和环境心理学为理论基础，基于居民行为特征和心理需求的口袋公园适老性、适幼性、无障碍、人性化等方面的研究；综合运用建筑环境理论、遥感技术（RS）和地理信息系统（GIS）技术，对口袋公园与所在地区自然环境效应耦合关系进行系统性研究；口袋公园设计导则、建设和运维标准范式等的规范性研究；口袋公园设计的数字化和运维管理的智能化研究，以及在此基础上的口袋公园评价体系、评价方法、统计分析研究等。
地表温度是表征局地热环境的关键地表参数。无人机热红外遥感具有高空间分辨率的优点，为获取高分辨率局地地表温度提供了数据支撑，基于无人机热红外遥感数据的地表温度反演已吸引越来越多的关注。本文系统探索了基于同步大气温湿度廓线的无人机热红外遥感地表温度反演方法，以南京信息工程大学中苑校园及周边地区为研究区，利用无人机搭载WIRIS Pro Sc热像仪和温湿度观测系统同时获取热红外影像和大气温湿度廓线数据，在消除大气影响的基础上，结合地物比辐射率反演得到高精度的地表温度，利用修正后的实测地面点温度数据对地表温度反演结果进行验证，基于反演得到的地表温度分析其空间分布特征。结果表明，基于温湿度传感器获取的同步大气温湿度廓线，可以有效去除大气影响得到准确的离地辐射亮度，反演得到的地表温度与实测地表温度的温度差为0.06~4.96 K之间，R2为0.91，地表温度空间差异明显，其空间分布与地表覆盖类型密切相关，反演结果较为准确。研究为无人机热红外遥感数据的地表温度反演研究提供了借鉴与参考，并能够为局地微热环境监测提供技术支撑。
建筑物屋顶面的准确分割对建筑物模型重建具有重要意义。但是由于建筑物屋顶面的种类繁多、大小差异大、形状复杂等特点，以及机载LiDAR点云数据的密度不均、数据量大等特性，传统分割方法存在欠分割、过分割以及小平面难以准确分割等问题。针对上述问题，本文提出一种基于体素区域增长的机载LiDAR点云建筑物屋顶面分割方法，有效提升了复杂结构建筑物屋顶面的分割精度。首先，对点云数据进行体素化，根据PCA方法估计每个体素的法向量、曲率值。然后实现基于体素区域增长的初始屋顶面分割。该过程选取当前体素空间曲率最小值体素作为初始种子体素，以26邻域为增长方向，根据种子体素与待增长体素间的法向量夹角约束增长。迭代增长过程中根据当前种子体素与增长体素的曲率差绝对值确定待增长种子体素，直到未有新的种子体素出现停止增长。再次选择新的初始种子体素重复该过程，直到完成所有体素的分割。最后通过对初始分割结果中过分割屋顶面进行合并、屋顶面结构完整性修复、复杂建筑物的小平面提取等优化处理得到最终的屋顶面。本文选取ISPRS官网提供的Vaihingen和Toronto 2个地区的机载LiDAR点云数据，分别对其中代表性的单栋建筑物和区域建筑物进行屋顶面分割实验。结果表明，复杂建筑物屋顶面点云分割的完整率、正确率和分割质量结果分别为95.36%~99.58%、94.83%~100%和90.65%~98.28%。本文方法在解决欠分割和过分割问题的基础上，有效地提高了建筑物点云的屋顶面分割的精度。
本文提出了一种用于遥感影像变化检测的多尺度交叉对偶注意力网络MSCDAN（Multi-Scale Cross Dual Attention Network），该神经网络模型利用改进的ResNet18网络提取原始遥感影像中的多尺度低级特征，并通过结合交叉注意力和对偶注意力2种注意力机制的CDA（Cross Dual Attention）模块提取注意力特征信息。CDA模块可以加强输入数据中不同视角或特征图之间的关联、融合时空信息、捕捉地表变化的时间序列特征、识别周期性变化和持续性变化等时序相关的变化模式。MSCDAN模型通过全转置卷积上采样模块FTCUM（Fully Transposed Convolution Upsampling Module）对特征图中的每个点进行局部的特征融合，由神经网络判别变化边界，避免了像双线性插值等传统方法带来的模糊和锯齿等问题，且实现了端到端的训练和优化，从而能够更好地适应遥感影像变化检测任务需求。相较于现有主流方法DTCDSCN（Dual-Task Constrained Deep Siamese Convolutional Network），本文提出的方法在DSIFN数据集上的准确度提高了5.13%，在WHU-CD数据集上的准确度提高了1.3%。同时，本文方法在这两个数据集上的表现也优于现有方法ChangeNet以及LamboiseNet，在CDD数据集上的表现优于改进DeepLabv3+和SRCD-Net。这些结果表明本文方法在不同数据集上均具有良好的性能，对进一步研究遥感影像变化检测具有重要参考价值。
