随着城市规模的不断扩大，城市居民通勤中混合交通模式普遍出现，即需要借助不同交通工具之间的换乘完成行程。精确提取和分析城市居民换乘行为，对城市交通模式及设施便捷性等研究具有重要意义。目前，换乘行为的提取多采用GPS（Global Positioning System）、GTFS（General Transit Feed Specification）等数据，基于步行速度或经验选取距离阈值或时间阈值，进而实现换乘行为的识别。但这种方式忽略了城市空间内公交或地铁站点密度的差异性特征，识别精度可能受到较大影响。因此，本研究基于公交地铁IC卡数据，提出了一种时间-距离阈值双约束的换乘行为识别算法，即根据公共交通刷卡数据的统计特征，实现时间和距离阈值的自动选择，进而精准提取换乘行为。在此基础上，本文根据前后半程的旅行时间/距离长短将换乘行为分为九类换乘模式：长-长换乘、长-中换乘、长-短换乘、中-长换乘、中-中换乘、中-短换乘、短-长换乘、短-中换乘、短-短换乘，并分别对其出行特征进行分析。结果表明，所有类型的换乘行为的早高峰均早于公交和地铁的出行早高峰，短-长换乘的早高峰时间甚至比一般出行的早高峰时间提前了30 min，充分说明了以换乘模式通勤的乘客需要付出更大的努力。相比之下，晚高峰出行时间则各有早晚，如长-长、长-短换乘模式晚高峰明显滞后于一般出行的晚高峰时间，更凸显了换乘群体的通勤成本负担之重。从出行距离上来说，九种换乘行为的通勤距离峰值远大于一般出行的峰值，甚至多分布于20~40 km之间。总之，本文所提出的换乘行为提取算法能够实现城市换乘行为的精确提取，结合对不同换乘行为模式的有效分析，为城市交通、城市活力、公共交通设施和城市规划等方面的研究提供有效的模型算法支撑。
可解释的准确预测PM2.5浓度变化可以有助于人类规避暴露风险，对人类健康风险评估和政策实施具有重要意义。目前已有PM2.5浓度预测模型过多专注于提升模型预测精度，但忽略了模型的可解释性，造成模型可复用性和可信任度较差。鉴于此，本文提出了一种兼顾模型预测精度与模型可解释性的注意力时空常微分方程模型（Attentional SpatioTemporal Ordinary Differential Equation，ASTODE）用于PM2.5浓度预测任务。具体而言，本文将神经常微分方程集成至PM2.5浓度预测任务中，以提升预测模型的可解释性。此外，针对传统神经常微分方程难以挖掘PM2.5浓度数据中空间依赖关系的挑战，本文提出了一种新颖时空导数网络将传统神经常微分方程扩展到了时空常微分方程。针对传统神经常微分方程难以挖掘PM2.5浓度数据中长期依赖关系的挑战，本文设计了一种时空注意力机制去融合多个时间节点的隐藏状态。本文采用真实的PM2.5浓度数据集对提出的ASTODE模型进行了验证。实验结果表明，ASTODE模型不仅在预测精度上优于或逼近于存在的6个基线方法，并且在可视化的视角下具有良好的可解释性。
亚洲是国际人口迁移的活跃区域。除区域社会经济因素外，迁移流之间的时空依赖也不可忽视。本文基于1990—2020年6个时期亚洲国家双边移民流量数据，采用零膨胀负二项回归以及与之相结合的特征向量空间滤波和时空滤波模型（时空同期和时空滞后），分析亚洲内部国际人口迁移的影响因素，并对2020—2025年人口迁移流进行预测。结果初步表明： ① 亚洲国际人口迁移流存在显著的时空自相关，且同期邻近迁移流比过去邻近迁移流影响更大，加入表征时空依赖的特征向量能够有效提高模型拟合能力； ② 人口规模、经济水平、战乱情况以及邻近性是影响亚洲国际人口迁移流的主要因素，在1990—2020年，人口规模效应先减后增，经济差异驱动力则先强后弱，因战乱死亡人数仍具有较强的推力，地理距离的阻碍作用在减小，语言邻近和经济合作依然对人口迁移具有显著的促进作用； ③ 综合时空同期和时空滞后2种模型的预测结果，2020—2025年巴基斯坦和印度之间、印度 沙特、巴基斯坦 阿富汗和叙利亚 约旦的迁移趋势明显； ④ 根据2种时空滤波模型的结果，2020—2025年亚洲国际人口迁移流总量约为1.8×107人。揭示亚洲内部国际人口迁移的时空依赖特性和其他规律有助于准确预测未来人口迁移趋势，同时为国家经济社会发展的宏观政策制定等提供科学决策参考。
准确预测城市内部OD流对于优化城市交通运行效率、提高资源利用率以及促进城市可持续性发展具有重要作用。现有研究大多基于单一尺度利用地理位置之间大量的历史流量来预测未来的流量，尚未有研究充分探究不同空间尺度下OD流预测可能存在的重要特征或建模精度差异等问题。本研究以北京市出租车轨迹为例，采用深度重力模型（Deep Gravity）对不同空间尺度下的轨迹OD流进行预测。同时，引入SHAP值（SHapley Additive exPlanations）揭示不同尺度下影响OD流预测建模的重要特征。结果表明： ① 相比于重力模型和辐射模型，街道尺度下深度重力模型的OD流预测精度最高（CPC值高达0.83），且成功捕捉到了北京市早晚高峰时段的OD流网络整体结构，呈现出“环形散射状”特征； ② 在本研究所选各空间尺度下，对OD流预测精度影响最大的4个特征均为O、D点之间的出行距离，O、D点周围公司企业数量、餐饮服务数量以及购物服务数量； ③ 同一特征对OD流预测模型的局部影响不同于全局，如科教文化和体育休闲类POI在全局尺度下对模型影响较小，但在局部尺度下却表现出极大的影响。
传统聚落集聚了大量的古代建筑和民俗等传统文化资源，以其突出的历史、文化和艺术等价值而备受关注，提取其丰富的历史文化信息并服务于现代产业发展具有积极的意义。针对当前尚缺乏从地理知识提取和表达视角对传统聚落丰富的历史文化信息进行知识抽取、组织和表达，进而实现“数据-信息-知识-智慧”转换这一问题，本文提出传统聚落景观基因本体（Geographic Ontology of Cultural Landscape Genes of Traditional Settlements, GeoOnto-CLGTS），并探索传统聚落景观基因的内在关联特征。首先，结合地理信息本体和传统聚落景观基因特征分析了GeoOnto-CLGTS的概念及表达方法，并提出GeoOnto-CLGTS模型的构建方法。其次，结合七步法的地理信息本体建模方法，梳理景观基因概念、关联关系和数据属性特征，自顶向下构建GeoOnto-CLGTS的概念层。并以123个中国传统聚落为案例，通过protégé工具进行实例补充，实现了GeoOnto-CLGTS模型的实例层构建。最后，通过Neo4j图数据库对本体数据进行存储，构建传统聚落景观基因知识图谱，实现了景观基因信息的查询。结果表明，本文构建的GeoOnto-CLGTS可以为今后开展传统聚落文化资源的知识发现及促进传统聚落的数字化保护提供有益的借鉴。
海岸线位于陆地与海洋交汇的关键地带，其利用模式与陆海两侧的空间规划与开发密切相关。本研究主要基于2022年SDGSAT-1卫星影像，兼顾海岸线两侧的陆域和海域空间，从中国海岸带整体、省（市区）海岸带、剖面线3个层面探究中国大陆海岸线与陆海两侧空间利用的关联特征。结果表明： ① 中国大陆海岸线开发利用比例较高，未利用岸线仅占35.11%；在已开发的岸线类型中，养殖围堤岸线占比最大，其次是港口码头岸线； ② 在土地利用方面，建设用地面积最大，其在天津和上海占有较大比重；人工湿地次之，在辽宁和山东占比较高。对于海域利用，渔业用海在山东和福建占比较大；交通运输用海在上海占比最大；能源开发用海在上海、天津和河北占有较大比重； ③ 从开发利用强度来看，海岸线利用程度综合指数、土地利用程度综合指数和海域利用程度综合指数两两之间均存在明显的正相关关系。与向海一侧相比，海岸线利用程度与陆域土地利用活动之间的相关性更强；空间上，3个指数高值和低值所在的地区基本一致，高值区主要分布在天津和河北等北方省份，低值区主要分布在浙江和福建等南方省份； ④ 从海岸线角度观海望陆：未利用岸线向陆一侧林地占比最高、土地利用程度综合指数值最低，而在未利用岸线向海一侧，旅游娱乐用海的占比高于其他岸线类型；港口码头岸线陆海两侧利用程度综合指数均为最高，陆侧以建设用地为主，海侧以能源开发用海和交通运输用海为主；养殖和盐田围堤岸线海侧的生态保护用海占比高于其他岸线类型。研究结果可为科学规划和管理海岸线、优化陆海空间结构等提供科学数据和决策支持。
在卫星碳观测用于区域减排存在技术壁垒的背景下，全球尺度的高分辨率化石燃料二氧化碳（FFCO2）排放清单成为区域FFCO2排放研究的主要数据来源，但现有的全球尺度FFCO2排放清单用于区域研究仍存在显著的不确定性。为此，本研究定量分析3种全球尺度的高分辨率FFCO2排放清单（ODIAC 2020b, EDGAR v6.0, PKU-CO2-v2）用于区域尺度研究的差异性和变异性，然后基于卡尔曼滤波将3组数据进行特征融合，探讨了粤港澳大湾区FFCO2排放的时空演变格局。结果表明： ① 当前FFCO2排放清单数据间存在着显著的差异性和变异性特点，以大湾区为例，在最佳表征空间分辨率3 km×3 km下，区域内网格单元的平均差异性达到140%，变异系数达到16.3%，单一的全球尺度FFCO2排放清单数据用于区域或城市的FFCO2排放研究结果不准确； ② 经卡尔曼滤波融合重构的2000—2018年长时间序列的新数据显示：卡尔曼滤波融合结果的不确定性由±15%~20%减少至±10%； ③ 2000—2018年，大湾区FFCO2排放的总体布局是广深港澳中心高排放，向外围区域逐渐降低为低排放区，并形成深圳、香港→广州→佛山、东莞→中山的排放转移路径。本文提出的区域FFCO2排放研究思路在大湾区进行了示范应用，同时可应用于其他区域和城市。本研究的结论将为大湾区能源、资源优化布局提供科学依据，对低碳转型及高质量发展和“美丽湾区”建设具有重要意义。
黑土层厚度与农田土壤肥力和质量密切相关，准确刻画东北松嫩典型黑土区耕地黑土层厚度的空间分布对黑土地保护和农业可持续发展具有重要意义。然而，常用的预测模型在平原漫岗地区进行数字制图具有较大的难度，如何准确预测黑土层厚度的空间分布特征是亟待解决的问题。选取东北地区松嫩典型黑土区作为研究区，以研究区内106个剖面点和45个环境因子为基础数据，通过因子重要性排序和相关性剔除法筛选变量，利用多元线性回归（Multiple Linear Regression，MLR）、随机森林（Random Forest，RF）、梯度提升树（Gradient Boosting Decsion Tree，GBDT）、极端梯度提升（Extreme Gradient Boosting，XGBoost）、随机森林回归克里格（Random Forest-Regression Kriging，RF-RK）和堆叠泛化模型（Stacking）对黑土层厚度进行空间预测制图，评估不同模型预测精度并研究影响黑土层厚度空间分布的最优协变量，并基于较优模型绘制东北黑土区耕地黑土层厚度分级图。结果表明： ① Stacking组合多种模型的优点，预测性能表现最佳（R2=0.47，MAE=21.02 cm，RMSE=27.12 cm），其次是RF-RK和RF； ② 通过变量筛选剔除低贡献度的环境变量后，不同模型的R2平均提高0.11，其中MLR提升幅度最大为0.32； ③ 不同模型预测的松嫩典型黑土区黑土层厚度空间分布趋势基本一致，60 cm以上的黑土层主要分布在研究区的东北部和东南部，而30 cm以下的黑土层主要分布在研究区的西南部。在平原漫岗地区，RF-RK和Stacking可以作为黑土层厚度预测的有效方法，总初级生产力（GPP）、坡度坡长因子（LS）和地表温度最大值合 成（LSTm）是模型中最重要的解释变量，且黑土层厚度的空间分布信息能为黑土区耕地黑土保护和农业可持续发展提供数据支持。
城市街道与老年人的日常活动密切相关，探讨街道环境适老性水平的空间分布特征及其关键影响因素，对老年友好型城市公共空间建设有重要指导作用。然而，既有研究难以贴近真实的人本视角、快速、大规模且精准地评估街道适老性水平的地理空间效应。因此，本研究从人行视角采集街景图像，结合语义分割和目标检测技术提取环境要素，利用人机对抗众包评价与残差神经网络50（ResNet50）技术测度街道环境适老性水平，采用莫兰指数（Moran's I）、普通最小二乘回归模型（OLS）、空间滞后模型（SLM）和空间误差模型（SEM）综合分析街道适老性水平的地理空间异质性及其影响因素；最后，选取了老龄化程度明显、街道环境多样的广州天河核心区为例进行实证研究。研究发现： ① 本研究结合了人视街景图像、机器学习和空间统计学方法，能够快速、有效地开展街道适老性水平评价，揭示其空间效应特征和关键影响因素； ② 街道适老性水平指标在研究区存在中等偏高程度的空间聚集性，商业型街道和靠近住宅区的街道、滨水街道差异大。水平较高的是商业型街道和靠近低密度住宅区的街道，较低的是靠近高密度住宅区的街道。老年人在滨水街道的活动性和安全感高，但愉悦感低；对靠近住宅区街道的归属感低； ③ 不同街道环境要素对适老性水平的影响存在差异。绿视率、开敞度和围合度对街道适老性水平的影响较强，拥挤度、人行道占比与场景多样性几乎无影响。研究有助于为精细化、具身性的城市街道适老化空间研究与实践提供参考和理论依据。
山区城镇化的建设会造成土地利用的变化，从而改变滑坡的易发性。然而，目前在滑坡灾害的管理中缺乏未来土地利用动态变化下的易发性研究。基于此，本文以重庆市万州区长江沿岸乡镇为例，首先利用斑块生成土地利用变化模拟（Patch-generating Land Use Simulation， PLUS）模型对该地区2025年与2030年的土地利用动态因子进行预测；随后，结合研究区所收集的静态因子与滑坡灾害数据构建了易发性评价的数据库。并利用粒子群算法（Particle Swarm Optimization, PSO）对XGBoost、LightGBM与CatBoost共3种基于GBDT（Gradient Boosting Decision Tree）框架的集成学习模型进行超参数的调整并 开展动态易发性建模；最后，基于最优评价模型开展未来土地利用动态变化情景下的滑坡易发性进行制图。研究结果表明：① 基于PLUS模型的土地利用变化结果能够为未来滑坡易发区域的预测提供准确的基础数据； ② 通过对比PSO算法参与建模前后的AUC结果，可以发现PSO-CatBoost模型能够更好的拟合研究区滑坡清单和触发因子的非线性关系，并获得了最优的建模精度； ③ 综合考虑未来土地利用与滑坡易发性的研究框架表明未来长江沿岸乡镇的建筑用地发展会提高潜在的滑坡易发性。本文所提出的研究思路对于构建坚韧有效的山区城镇防灾减灾体系具有重要的实际意义，并可为未来山区城镇的规划提供科学指导。
建筑物提取作为遥感影像处理领域备受关注的研究方向之一，对于城市规划、灾害管理、智慧城市建设等方面具有重要意义。近年来，随着遥感技术的不断突破和深度学习算法的迅速发展，卷积神经网络凭借强大的特征提取能力成为从遥感影像中提取建筑物的新兴解决方案。本文对基于卷积神经网络的建筑物提取方法进行系统总结，并将相关文献的方法针对模型结构、多尺度特征差异性、边界信息缺失以及模型复杂度的优化策略进行归纳分析。随后，我们阐述了典型的建筑物数据集以及当前数据集存在的问题，并根据数据集上的实验结果对相关方法的精度及参数量进行详细分析，旨在帮助读者更好地理解各种方法的性能和适用范围。最后，立足于领域的研究现状，面向人工智能高质量发展的新时代，从Transformer与CNN的结合、深度学习与强化学习的结合、跨模态数据融合、无监督或半监督学习方法、基于大规模遥感模型的实时提取、建筑物实例分割和建筑物轮廓矢量提取等方面对建筑物提取的未来研究方向进行了展望。
高质量的降水数据是气象服务与水文应用的基础资料保障，多时空尺度的卫星降水数据作为重要的降水数据源，现已被广泛应用到水文气象领域。然而，卫星降水产品存在空间分辨率粗糙、准确性差等问题，难以满足精细化水文和气象的应用需求。本文以随机森林（Random Forest，RF）为基础模型，提出一种顾及空间自相关性的多源遥感日降水数据融合方法(Spatial Random Forest Multi-source Fusion, SRF-MF)。该方法首先基于降水与环境因子之间存在较强的相关性，在月尺度上利用空间随机森林对多种卫星降水产品分别进行降尺度，然后根据日比率将月降水分解为日降水，最后借助随机森林将降尺度数据和站点数据融合，最终生成高质量的日降水数据。利用2015—2019年四川省5种卫星降水产品（CHIRPS、CMORPH、PERSIANN、GAMaP和IMERG）和实测雨量计数据，通过SRF-MF方法生成了逐日降水数据集，并将该数据集与原始卫星降水产品和5种机器学习方法比较，包括随机森林合并方法（RF-MEP）、单机器学习方法（RF、ANN）和双机器学习方法（RF-RF、RF-ANN）。实验结果表明，在不同时间尺度上（日、月、季、年）SRF-MF方法产生的降水数据集精度均明显优于其他几种方法，而且针对不同强度降水事件的捕捉精度更高，其降水分布图的空间细节信息更加丰富，准确性更高。本文研究结果将为提高卫星降水数据质量，以及扩大应用领域提供研究思路。
西南地区是我国重要的生态环境保护区，复杂的气候与地理条件导致干旱事件频繁发生，准确掌握干旱的空间分布情况及变化趋势对保护西南地区生态环境具有重要意义。本研究基于极端梯度提升算法，利用表征多维度特征变量的遥感干旱指标，构建了一种考虑植被状态、地表状态、气候状态及环境因素的干旱遥感监测模型（eXtreme Gradient Boosting Drought Monitor, XGBDM）。利用该模型对西南地区2001—2020年干旱情况进行监测，选取典型干旱事件与土壤墒情数据对模型精度进行评价，并结合Theil-Sen Median趋势分析、Mann-Kendall显著性检验、Hurst指数、重心迁移模型，揭示了西南地区干旱时空演变特征、未来变化趋势及干旱重心迁移情况。结果表明：① 在不同季节中，XGBDM模型均能准确监测西南地区干旱事件，模型精度指标R2为0.816~0.897，MAE为0.200~0.283，RMSE为0.296~0.424，模型与土壤墒情相关性为-0.60~0.86。相比于站点SPEI-3监测方法，XGBDM模型监测结果与土壤墒情相关性更高，且更能准确反映旱情的空间分布细节特征；② 时间上，2001—2020年西南地区XGBDM年均值整体呈波动下降趋势，表明干旱情况呈加重趋势，其中春季和夏季干旱呈加重趋势，秋季和冬季干旱呈减轻趋势。空间上，西南地区XGBDM值变化斜率在春季和夏季呈“北高南低”的空间分布格局，在秋季和冬季呈“南高北低”的空间分布格局，其中不同季节干旱呈加重趋势的面积占比分别为春季69.17%、夏季76.02%、秋季34.43%、冬季47.5%； ③ 西南地区XGBDM值整体呈弱反持续性变化，春季、夏季以及冬季未来旱情以减轻为主，旱情由加重转为减轻的区域面积在不同季节占比为28.44%~63.82%。旱情持续加重面积在春季最高，占比为17.97%，持续减轻情况在冬季占比最高，为15.92%； ④ 2001—2020年干旱重心主要分布于研究区中部，呈西北至东南的分布格局，未来干旱重心在西北至东南方向进行迁移的概率更高。研究结果可为西南地区干旱监测及治理提供理论依据。
光学影像和SAR影像具有丰富的互补属性，有效的融合策略可为地物解译提供夯实的信息基础。道路作为条状地物，其拓扑结构、分布规律和应用场景往往会对解译效果带来挑战。基于此，本文提出一种多分支双任务的多模态遥感影像道路提取方法。首先，构建结构相同但参数独立的编码—解码网络分别对光学和SAR影像进行特征提取，并利用道路表面分割标签监督训练；其次，引入SAR影像的编码层特征进行道路边缘检测，并将其中间特征输入至SAR影像的解码层特征，从而优化道路与背景的切割效果；最后，利用设计的通道—条状空间注意力（Channel Attention-Strip Spatial Attention, CA-SSA）充分融合光学影像和SAR影像的浅层和深层特征，从而预测最终的道路提取结果。为验证本文方法的有效性，利用Dongying数据集进行实验，在定量精度评价指标中，本文方法的IoU相比单模态对比方法至少提升1.04%，相比多模态对比方法至少提升1.95%；在定性效果分析中，本文方法在道路交叉口以及低等级道路等重难点区域具有明显优势。此外，在光学影像受云雾影响时，本文方法的道路提取效果最佳。
大规模室外点云具有丰富的空间结构，是地理信息获取重要手段之一，由于其本身具有不规则性、复杂几何结构特征及地物尺度变化大等特征，点云分割的准确性依然是一个巨大的挑战。特别是目前大规模点云几何信息及颜色等信息利用不充分等问题，为解决这些问题，本文提出了一种融合颜色信息和多尺度几何特征的点云语义分割方法（Integrating Color Information and Multi-Scale Geometric Features for Point Cloud Semantic Segmentation（CMGF-Net））。该方法中，分别设计了几何特征信息提取和语义特征信息提取模块。在几何特征信息提取模块中，为了充分利用点云数据的几何特征信息，设计了2个特征提取模块，分别是局部邻域的相对位置特征提取模块（RPF）和局部邻域的几何属性提取模块（LGP）。其中，RPF模块利用三维点云的空间法向信息以及相对空间距离，提取邻域点与当前点的相对位置关系； LGP模块利用点云几何属性在不同地物上有独特的表现特性，融合局部区域的几何属性特征；然后通过所设计的几何特征融合模块（LGF）将RPF模块和LGP模块所提取的特征信息进行融合得到融合后的几何特征信息。此外，为了从点云中学习到多尺度的几何特征， CMGF-Net在不同尺度的网络层中都进行了几何特征的提取，最终将所提取的几何特征与基于颜色特征提取的语义特征信息分层进行融合，以提高网络的学习能力。实验结果表明所提出的网络模型在Semantic3D数据集上的平均交并比（mIoU）和平均准确率（OA）达到了78.2%和95.0%，相较于KPConv提高了3.6%和2.1%；在SensatUrban数据集上达到了59.2%和93.7%，由此可见本文所提出的网络模型CMGF-Net在大规模室外场景点云分割具有较好的结果。
