改善末端的慢行环境是提升绿色交通出行竞争力的关键问题。既有研究多针对出行效率问题分析地面公交末端出行的改善效果，未充分考虑城市公共交通系统与土地利用的关系。本文融合多源交通大数据构建“门到门”精细尺度的公共交通出行链，提出步行和骑行等两种方式下公共交通全过程出行时间的计算方法，据此构建基于累计机会模型的末端出行改善效果的评估模型，研究骑行替代步行后公共交通可达性改善效果。该方法两步计算具有计算量较小和数据更新机制灵活的特点，适应于大空间尺度公共交通可达性研究。基于2020年北京的案例研究表明：骑行替代的公共交通出行时间平均减少315 s，降低幅度达12.8%；末端出行效率的提高改善将进一步提升就业、医疗、餐饮、绿地、购物和休闲等城市居民活动的公共交通可达性，其改善幅度达90%、74%、94%、33%、107%和77%，且改善的区域聚集于中心城区和外围居住组团。另外，公共交通可达性改善效果呈圈层径向递减的空间特征，城市轨道交通作为公共交通的主干网络，就业、医疗、餐饮、绿地、购物和休闲活动提升效果分别为地面公交的1.43、1.43、1.70、1.42、1.70、1.71倍。
面向多尺度、全要素、长时序“三区空间”形态效率格局解析及其演化机制分析，构建基于“四叉树”算法的“三区空间”识别方法，以“形态效率值”作为空间形态效率的核心衡量手段，构建统一、可比较的“三区空间”形态效率衡量渠道；运用Dugam基尼系数和空间计量回归分析方法，验证基于“四叉树”算法对国土空间形态描述的有效性，并挖掘形态效率及其变化的影响机制，为宏、中、微观各尺度国土空间的形态监测提供数据适应性强、判别精度高的基础支撑方法。以长江经济带为实证对象，对该典型区域“三区空间”形态效率的特征、变化差异及演化机制进行分析，研究发现：① 近40年来，城镇空间成片开发水平快速提升，形态效率提升0.46，而农业空间集中连片水平剧烈下降0.17，生态空间基本不变；② 长江经济带“三区空间”开发保护存在中西部后发地区城镇空间无序开发、全域农业空间形态破碎以及东部地区大规模侵蚀生态空间完整性的风险； ③ 关注资源环境承载能力脆弱、社会经济处于高速发展阶段、区位条件相对较差地区的“三区空间”形态效率变化，并制定空间结构与形态优化的相关政策，是优化长江经济带三区空间形态效率的关键。
精确地核算碳收支是实现“双碳”目标的前提，通过开展统计单元的碳收支核算可为国土空间优化提供可靠的数据支撑。本文在地理国情监测数据的支持下，结合社会经济数据、人口数据和能源数据等提出了一种格网为统计单元的精确碳收支核算及变化分类方法。该方法先核算了土地利用与覆被各类型的固碳量和碳排放量并将其空间化，再据此核算选定分辨率的统计单元内碳收支量，后根据碳收支量及其在研究期的变化将统计单元划分为9类：汇提高区、汇稳定区、汇恶化区、平衡向好区、稳定区、平衡向差区、源好转区、源稳定区和源加剧区。以江苏省2015年和2019年的数据为例进行碳收支核算和公里格网统计分析，结果表明：2019年江苏省的碳收支量为344.21×106 t，与2015年相比增加了4.24×106 t，旱地和工矿用地分别为固碳量和碳排放量的主要来源；苏北和苏中碳收支为碳汇的区域远多于苏南，碳收支为碳源的区域在经济比较发达的中心城区呈现聚集分布；覆盖江苏省的格网被划分为5类，针对每一类典型区域提出了低碳发展的有关建议。和传统方法相比，本文方法在碳收支核算和碳收支变化分类方面的可行性与优越性，可为实现碳公平和协同减排提供技术支持。
伴随着城市工业化的粗犷发展，热岛效应和雾霾现象也急剧加重。但由于城市温度和污染物的交错区域分布，使得以区块为单位的通风廊道模糊选取的传统方法难以综合考虑温度引导和污染物引导，导致通风廊道构建位置的选取产生了不容忽视的误差。因此，本文提出MDP-DMW模型，用以改进通风廊道的选取方法，并对该模型的关键内容进行阐述：① 以百度地图为数据源，通过爬虫技术获取研究区POI数据；② 分别计算3种分布：通过python与GDAL处理遥感数据计算城市地表温度分布；基于Gis技术将地面PM2.5监测值，POI数据以及PM2.5浓度的6个相关因子进行空间叠加获取数据集，通过随机森林模型计算样本点污染物数据，然后采用普通克里金插值法计算城市污染物浓度分布；以建筑物密度和建筑物高度为数据源，通过计算城市天空开阔度与地表粗糙程度估算通风潜力分布；③ 基于3种分布结果分别进行高温、高污染物浓度、高通风潜力区域的模拟定位，以模拟定位区域中的POI地理属性为依据，结合百度地图进行定位寻址，分别确定各分布结果的高值结点实际地理位置；④ 分析研究区风环境，按照双缓解风向引导原则将通风潜力分布的高值结点区域连接构建多条模糊廊道，在各模糊廊道线路上结合POI属性定位，选择合适的“通风补偿点”作为通风廊道中间结点，分别贯通各模糊廊道上的通风廊道中间结点即为城市潜在的通风廊道。本文采用MDP-DMW模型，以西安市为研究区，最终识别出了7条潜在的城市通风廊道，并给出了合理的规划管控建议。
遥感卫星数据是地球表面信息的重要来源，但利用传统的遥感分类方法进行土地覆盖分类局限性大、过程繁琐、解译精度依赖专家经验，而深度学习方法可以自适应地提取地物更多深层次的特征信息，适用于高分辨率遥感影像的土地覆盖分类。文中对高分辨率影像中水体、交通运输、建筑、耕地、草地、林地、裸土等进行高精度分类，结合遥感多地物分类的特点，以DeepLabV3+模型为基础，作出了以下改进：① 骨干网络的改进，使用ResNeSt代替ResNet作为骨干网络；② 空洞空间金字塔池化模块的改进，首先在并联的每个分支的前一层增加一个空洞率相对较小的空洞卷积，其次在分支后层加入串联的空洞率逐渐减小的空洞卷积层。使用土地覆盖样本库和自制样本库进行模型训练、测试。结果表明，改进模型在2个数据集的精度和时间效率均明显优于原始DeepLabV3+模型：土地覆盖样本库总体精度达到88.08%，自制样本库总体精度达到85.22%，较原始DeepLabV3+模型分别提升了1.35%和3.4%，时间效率每epoch减少0.39 h。改进模型能够为数据量以每日TB级增加的高分影像提供更加快速精确的土地覆盖分类结果。
研究如何在土地利用变化模拟过程中更为科学、客观地设置模型参数，对于避免复杂模型由于参数设置不当导致模拟效果不佳的问题具有重要意义。本文通过耦合进化算法（Evolutionary Algorithm，EA）与FLUS模型，构建了具有参数寻优功能的EA-FLUS模型。该模型首先通过进化策略对FLUS模型中人工神经网络模型的参数进行寻优，以提升对各土地利用类型出现概率分布的预测准确率，在此基础上结合地理分区，利用带精英策略的遗传算法与进化策略的组合对FLUS模型中元胞自动机模型的参数进行调整，以提升模拟精度。在实证研究阶段，本文以桂林市为实验区，通过对土地利用变化进行分区模拟来分析EA-FLUS模型的改进效果，此外还设置了自然发展、耕地保护、生态优先3种情景来模拟桂林市2020—2030年的土地利用变化。结果表明：① 进化算法对参数的寻优结果相比于基于经验以及土地利用变化历史特征的参数设置，更加贴近实验区的政策导向，更能体现各土地利用类型在不同区域间多样的发展趋势；② EA-FLUS模型相较于FLUS模型，在加入地理分区的土地利用变化模拟中更具优势，其模拟结果总体精度、Kappa系数、FoM系数分别提升0.56%、0.011、0.009，更贴近真实的土地利用格局；③ 桂林市的建设用地与耕地具有较强的扩张趋势，但林地却呈现收缩趋势，进一步加强对生态空间的保护有助于建设用地与耕地扩张速度的减缓。研究结果在丰富现有土地利用变化模拟技术与方法的同时，也可为城市规划、可持续性研究等提供一定的理论基础与科学依据。
准确、高效地获取地面光伏电站的空间部署现状，科学估算光伏电站发电效益及其碳减排成效，对未来光伏电站建设的合理布局与光伏资源的有效利用具有重要意义。本文以我国西部新疆维吾尔自治区、青海省和西藏自治区作为研究区： ① 使用以ResNet50作为骨干网络的ResNet50-UNet网络分割模型自动提取地面光伏电站，在深度学习广泛应用于遥感语义分割/地表覆盖分类的背景下，本文未局限于单一地对网络模型的不断改进上，而同时考虑了如何充分发挥输入样本的自身优势，研究中基于Sentinel-2A遥感影像挖掘光伏电站纹理特征，强调地物固有特征在智能化深度学习中的应用价值，模型提取精度得到显著提升；② 针对提取结果边界精度较差的问题，提出结合ArcGIS和eCognition多尺度分割优化处理光伏电站提取结果的技术路线，高保真还原地面光伏电站真实形态。经后处理优化，提取结果的Kappa系数达93.71%，mIoU值达94.05%；③ 碳减排效益评估时，准确估算光伏电站发电量是进行该工作的重要前提，本文基于光伏电站提取结果，从内部结构复杂的光伏用地中准确提取发电量估算公式中的重要参数之一——光伏方阵面积，实现了大区域范围下光伏电站发电量的有效估算，进一步探究光伏能源与传统化石能源之间的碳源效应，助力我国双碳目标的早日实现。
山洪灾害防治是我国当前防汛减灾的薄弱环节，开展山洪灾害预警是防御山洪灾害最有效的方式之一，应急制图可为山洪灾害预警信息发布和决策部署提供有力的技术支撑。对于突发性强、时空过程变化剧烈的山洪灾害，常规应急制图方法的时效性难以满足实际需求。本研究利用参数少、结构简单的SCS模型能快速分析计算山洪灾害发生的可能性，结合“模型计算-应急制图-辅助决策”框架，以提升山洪灾害风险应急制图的时效性。2020年主汛期长江流域遭遇1998年以来最严重的汛情，迫切需要开展山洪灾害风险应急制图研究，本文以长江经济带为研究区开展研究。研究结果表明：① 通过改进SCS模型，对划分的每个子流域进行气象数据的山洪灾害风险计算，并且通过构建前期基础数据库、快速数据处理工具，设计标准制图模板，提高了模型计算及应急制图效率，保证了应急制图的规范性，单幅应急专题图制图时间提升至约50 min；② 将实时模型计算与应急制图结合，并且通过采用每日24 h降雨预报数据，实现专题图动态持续更新；③ 研究有效应用于2020年汛期长江经济带山洪灾害防御工作，累计制作150幅山洪灾害风险专题图支撑国家应急管理决策部署，取得了良好的效果。本研究也为新时期各类突发自然灾害应急服务提供新的思路和可能。
以POI为代表的社会感知数据为精细尺度城市空间结构研究提供了新思路，然而，POI数据与传统光学遥感数据的关系、长时序POI数据表征的城市功能空间扩张与演替特征还有待进一步挖掘。因而，本文以开封市主城区为例，采用2005—2020年POI数据，通过构建城市街区尺度功能集聚-扩散分析框架，利用空间统计指标和区位熵指数分析城市功能的演替特征与复合功能变化。结果发现：① 2005—2020年开封市城市社会经济活动呈逐渐增长的扩张态势，活动空间的面积扩张了11.26 km2，年均扩张速度由2005—2015年的3.5%提升至2015—2020年的5.1%；② 城市各种活动的集聚、扩散过程造成不同功能的演替变化，其中开封市商服功能集聚程度较高，虽然受到新城区商业中心扩散的影响，单中心的城市发展模式依然没有发生变化；③ 具有复合功能的城市街区不断增多，对单中心的城市结构形成有益支撑。复合功能较强的街区主要分布在活力高、居民生活较为便捷的区域。本研究不仅能为城市空间规划的研究提供理论和技术支撑，也为城市更新、可持续发展以及国土空间规划提供新的思路。
探明土壤镉（Cd）在不同空间位置的影响因子和污染来源，对于防控土壤Cd污染、保障粮食安全和城市居民健康有重要意义。多尺度地理加权回归（Multi-scale Geographically Weighted Regression，MGWR）在传统地理加权回归模型的基础上考虑了不同解释变量的差异化作用尺度，是识别目标变量局部影响因子的有效方法，但尚未应用于土壤重金属污染研究。因此，本研究在武汉市黄陂区采集了110个土壤样本，通过对多元线性回归、地理加权回归和MGWR进行模型评估来验证MGWR的有效性，进而使用MGWR模型探究Cd与11个解释变量间的空间异质关系，据此确定各点位Cd的影响因子和污染来源，最后结合污染现状和来源划定4类Cd污染风险区，提出相应的Cd污染管控措施。研究结果可以概况为3点：① 模型评估的结果表明MGWR模型最优，其建模R2为0.733； ② MGWR结果显示不同解释变量的有效带宽差异较大。此外，从整体上看，pH、黏粒含量和地形湿度指数是Cd空间分布的主要影响因子，城镇化和土壤母质是Cd的主要来源；从各点位来看，不同空间位置Cd的局部影响因子和主要来源差异较大； ③ 研究区55.5%的样本存在Cd污染；结合污染源类型和污染情况划定了高、中高、中、低4类风险区，并分别提出Cd污染防控建议。本研究证实了MGWR模型的有效性和考虑解释变量差异化带宽的必要性，研究成果可以为其他地区土壤重金属污染的局部影响因子探究、污染来源确定和防控措施制定提供参考。
山区多发沟谷型泥石流，而由于山区地形崎岖，导致无法开展大面积的泥石流危险性评价工作。本文使用遥感数据、DEM (Digital Elevation Model)数据以及岩性、土壤、植被数据，构建了一个基于多源数据，能快速进行大面积排查工作的卷积神经网络模型RSDNet (Residual-Shuffle-Dense residual Net)。该模型首先使用最大池化改进的残差结构对各类不同数据进行浅层特征提取，然后使用通道重排以加强各类数据底层特征间的关联性，接着使用密集残差结构对底层特征作进一步的特征提取，学习各类特征间的相互作用对潜在泥石流危险性的影响，最后根据待评价沟谷与已发生过泥石流沟谷的相似度给出沟谷的潜在危险性。在训练过程中，使用了交叉熵和基于焦点损失改进的联合损失函数，使模型能更好地区分各类沟谷的形态特征和致灾特征。RSDNet在沟谷分类任务上可达到89.7%的精确率。在对怒江州全境沟谷进行潜在危险性评价的任务中，132条历史泥石流沟谷有122条被模型判断为高危险或极危险。结果表明模型性能良好，为沟谷泥石流的危险性评价提供了新思路。
互花米草的快速入侵严重影响湿地生态系统平衡。因此，精确监测互花米草扩张的时空动态变化过程具有重要意义。尽管现有基于植被物候特征的互花米草遥感提取方法，避免了光谱特征相似性引起的分类误差，但受到云和潮汐的严重影响，难以获取大尺度湿地植被提取特征信息。本文提出一种结合最大值合成法和Savitzky-Golay（S-G）滤波算法提取互花米草关键物候特征，减弱大尺度云和潮汐对时序遥感信号特征的影响，精准重构符合植被生长趋势的NDVI时间序列数据。通过获取关键物候特征，确定互花米草提取的最优时间窗口，基于Google Earth Engine（GEE）平台精准获取互花米草空间分布状况并分析典型地区的互花米草空间分布特征。研究结果显示，生长季初期（6—7月）为互花米草提取的最优时间窗口，该时期总体分类精度为89.81%，Kappa系数为0.88，相比其他时期的总体分类精度提高10.09%，Kappa系数提高0.11。互花米草提取结果表明，2020年福建省互花米草入侵面积总计100.78 km2，主要分布在宁德、福州、泉州以及漳州等地。其中，宁德市互花米草分布面积最广，共计38.08 km2，占全省互花米草分布总面积的37.79%。福建沿岸的互花米草在空间分布上呈现多种地理特征，在半封闭型海湾和河口地区的沿岸附近主要以连续的条带或片状斑块分布，而在低潮位区域则多是零星斑块。本文研究成果能为互花米草扩散的长时期、大范围空间监测提供可行性方案，为湿地植被精准提取提供技术支撑，为实现海岸带资源的高质量可持续利用提供数据基础。
尽管卷积神经网络（Convolutional Neural Network， CNN）已广泛应用于遥感影像变化检测任务，但CNN感受野有限，难以有效提取全局语义信息。针对上述问题，本文提出一种用于变化检测任务的端到端局部-全局特征增强的编-解码网络模型（Local-Global Feature Enhancement Network，LGE-Net）。在编码部分，LGE-Net利用CNN_ResNet34骨干网络分别获得双时相遥感影像局部语义特征，级联后输入Locally Enhanced Transformer（LE-Transformer）结构捕获远距离语义依赖，提取深层全局语义特征。在解码部分，嵌入语义增强模块（Context Enhancement Module，CEM）连接解码特征与多尺度局部特征，实现变化对象的准确定位与分割。此外，针对LE-Transformer各分块内部以及相邻分块序列间缺乏局部信息交互问题，设计了局部特征增强前馈网络（Locally Enhanced Feed Forward Network，LEFFN）。在LEVIR-CD和CDD变化检测数据集上的综合对比试验表明，本文提出LGE-Net模型取得的F1-score分别达到91.06%和94.78%，显著优于其他对比模型，可更加精准识别变化区域，进一步减少误检以及漏检率，且具有良好的泛化能力。
遥感影像目标检测在城市规划、自然资源调查、国土测绘、军事侦察等领域有着广泛的应用价值。针对遥感影像目标检测在目标尺度变化大、目标外观相似性高以及背景复杂度高等方面的难点，本文提出了一种新的目标检测算法，该算法有效融合了多元稀疏特征提取模块（MNB）和阶层深度特征融合模块（HDFB）。多元稀疏特征提取模块以多个卷积分支结构来模拟神经元的多个突触结构提取稀疏分布的特征，随着网络层的堆叠获取更大感受野范围内的稀疏特征，从而提高捕获的多尺度目标特征的质量。阶层深度特征融合模块基于空洞卷积提取不同深度的上下文信息特征，然后提取特征通过独创的树状融合网络，从而实现局部特征与全局特征在特征图级别的融合。本文算法在大规模公开数据集DIOR进行验证，实验结果表明：① 多元稀疏特征提取模块和阶层深度特征融合模块相结合的方法总体准确率达到72.5%，单张遥感影像的平均检测耗时为3.8毫秒；② 通过使用多元稀疏特征提取模块，多尺度和外观相似性目标的检测精度得到了提高，与使用Step-wise分支的物体检测结果相比，总体精度提高了5.8%；③ 通过阶层深度特征融合模块的多感受野深度特征融合网络提取阶层深度特征，并为实现局部特征与全局特征在特征图级别的融合提供了一种新的思路，提高了网络对上下文信息的获取能力；④ 重构PANet特征融合网络，以多元稀疏特征提取模块对不同尺度的稀疏特征进行融合，有效提高了PANet结构在遥感影像目标检测任务中的有效性。许多因素深刻影响着算法的最终表现：一方面高质量数据集是更高精度的基础，如图像质量、目标遮挡、目标的类内差异性大等深刻影响着检测器的训练效果；另一方面算法模型参数设置，如对数据集进行聚类分析得到候选框以提高最佳召回率，保证阶层深度特征融合模块的感受野范围覆盖特征图是确保精度的关键。我们得出结论：使用多元稀疏特征提取网络可以提高特征质量，而阶层深度特征融合模块可以融合上下文信息，减少复杂背景噪声的影响，从而在遥感影像的目标检测任务中获得更好的性能。
西南山区地块破碎且复杂，种植类型多样，且该地区多云多雨，可利用遥感数据有限，利用单一的光谱特征或植被指数难以实现作物的有效识别。物候特征能够反映作物的生长周期规律，可用于复杂地区作物的精细监测。本研究以重庆市潼南区为例，基于多时相中分辨率的Sentinel-2和Landsat8遥感影像，对地块尺度的NDVI、EVI等 6个植被指数进行时间序列构建并提取其物候特征，通过特征优选构建多维数据，利用随机森林分类模型对柠檬、油菜、水稻、玉米等作物进行识别。结合植被指数与物候特征进行作物分类，总体精度达94.52%，Kappa系数为0.90，柠檬、油菜、玉米、水稻的精度分别为89.88%、87.30%、84.98%和95.57%。研究表明，利用时序遥感数据的植被指数与物候特征能够有效进行地块尺度的作物识别，为复杂种植结构地区获取大范围作物分布制图提供参考。
对SRTM1 DEM高程误差进行校正可有效提高其应用精度。以具有典型地貌特征的黄土高原作为研究区域，以ICESat-2/ATL08陆地高程作为参考数据，引入主流机器学习算法建立SRTM1高程误差与影响因子之间的关系模型对高程值进行校正；通过分析模型性能指标、误差频数分布、校正误差空间格局以及典型剖面误差分布，以此得到不同地貌类型区的高程误差校正模型适用性。实验结果表明：在平原、风沙丘陵和黄土塬地貌区随机森林模型高程校正效果最佳，平均绝对误差分别降低0.49、0.82和1.2 m，同时校正误差在空间分布上异常值较少，低起伏度的平原和风沙丘陵地貌区典型剖面误差与原误差较为贴合；山地区支持向量机模型适用性更强，均方根误差和平均绝对误差分布降低了6.79 m和5.43 m，可大幅提升误差绝对值较小的点位频数，同时在空间格局和典型剖面验证效果最佳；黄土丘陵地貌区弹性反馈神经网络模型效果最优，均方根误差和平均绝对误差分别降低了2.3 m和2.04 m，空间分布上误差降低效果显著，典型剖面误差异常值较少；土石丘陵地貌区卷积神经网络模型效果更理想，均方根误差与平均绝对误差分别降低4.14 m和3.5 m，空间分布与地形剖面误差降低效果良好。研究结果可为该区域不同地貌类型区选用SRTM1 DEM高程校正模型提供了参考。
