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。