图像超分辨率技术通过提升图像的空间分辨率，增强图像清晰度，增加图像细节信息，实现在硬件条件不变的情况下提高图像质量。鉴于遥感影像具有较大的像幅、复杂的特征表现和丰富的细节，结合遥感图像信息高效获取的需求，本文提出了一种基于条件控制扩散模型（Diffusion Model）的遥感图像超分辨率算法DSR（Diffusion Super-Resolution）。该算 法以同一区域的低分辨率遥感图像为扩散模型的控制条件，与添加噪声后的高分辨率遥感图像拼接作为输入，构建了一个以U-Net为主干，融合残差连接和自注意力机制的深度噪声训练网络，并改进了损失函数以获得更优的超分辨率效果。 本文实验中采用了多时相、多时期的国产卫星高分系列、高景系列的高分辨率遥感图像以及公开数据集Alsat-2B作为测试数据，测试了从32像素尺寸扩大至128像素的超分辨率效果。在这一基础上，将本文提出的算法与Bicubic、SRGAN、Real-ESRGAN、SwinIR等超分辨率算法进行比较，在PSNR和SSIM指标上取得了更好的性能。实验结果表明： DSR算法适用于遥感图像的超分辨率重建，特别是在多光谱遥感图像的超分辨率处理中，能够提升超分辨率结果质量，克服了简单卷积网络只能提取图像浅层特征的局限，避免了对抗神经网络训练过程中难以收敛的问题，显著提升了遥感图像中丰富细节的还原能力。

【意义】低空经济作为新质生产力代表，正逐渐成为推动经济增长的新引擎。低空经济以低空空域资源开发利用为基础，在给地理信息科技带来发展机遇的同时也对其提出了全新的挑战。【进展与分析】本文首先对低空经济下低空空域资源划分以及典型无人机应用场景进行了介绍，进而分析了地理信息科技将在空域资源精细化利用与低空环境构建、空中交通新型基础设施规划建设运行、无人机安全高效运行与运营监管等低空经济关键环节具有广泛应用前景，指出地理信息产业也将面临新的技术融合与创新、市场需求增长、政策支持与产业引导、产业升级与转型等发展机遇。【展望】本文简要分析了地理信息科技支撑低空经济发展所面临的时空升维、地图和位置服务、高频次迅捷数据获取体系、全时全域能力和泛在智能化技术等挑战，这些也将成为地理信息科技未来可以发展和突破的方向。

我国是受地质灾害影响最大的国家之一，研究高精度、高可靠性的滑坡形变监测与预测方法对于防灾减灾工作具有切实意义。以三峡库区藕塘特大滑坡为例，针对时序InSAR技术滑坡形变提取过程中面临大气干涉效应问题，在时序InSAR滑坡形变提取中引入GACOS进行大气校正，并通过GNSS观测数据进行验证对比；针对滑坡形变预测前较少考虑时空分析的问题，计算莫兰指数、Hurst指数分析滑坡形变时空特征；针对滑坡形变不仅受历史形变影响，还与多种影响因子密切相关的问题。本文提出将滑坡影响因子与形变量耦合用于滑坡形变预测，并采用结合变分模态分解（Variational Mode Decomposition, VMD）和麻雀搜索算法（Sparrow Search Algorithm, SSA）优化的长短期记忆网络（Long Short-Term Memory, LSTM）模型进行预测。通过VMD分解滑坡位移数据为趋势项、周期项和随机项，构建LSTM网络结构并使用SSA寻找LSTM模型最优的隐藏单元数目、最大训练周期和初始学习率，同时通过数据归一化、正则化和模型评估等方法提升LSTM模型的性能和稳定性，最后利用影响因子与分解后的位移数据训练LSTM模型并完成预测，得到滑坡形变的预测结果。结果表明： ① 2021年1月—2023年6月藕塘滑坡形变最高与最低速率分别为-72.75 mm/a、50.74 mm/a； ② 研究区形变具有正向空间自相关性、沉降区域滑坡形变具有持续趋势； ③ 结合VMD和SSA优化的LSTM模型滑坡形变预测误差仅为0.37 mm，较LSTM的精度提升了11.004%。本文基于时序InSAR技术，结合时空分析结果，构建了一种耦合多个影响因子与滑坡形变的高精度预测模型，为滑坡灾害的防治提供了重要的参考依据。

【目的】系统梳理基于AI大模型的文生图技术的进展，并探讨该技术在城乡规划领域的应用。【探讨】本文首先分别从训练数据集、模型和评价方法3个视角出发，对文生图技术发展进行了全面、系统的回顾，以揭示其成功背后的推动性因素。尽管文生图技术在通用计算机领域取得显著进展，但城乡规划领域的实际应用中仍面临诸多关键挑战，包括缺乏高质量领域数据、生成内容的可控性和可靠性不足，以及缺乏地学先验知识约束等。针对这些问题，本文提出了相应的研究思路，包括：面向领域需求的文生图数据增强策略、基于指令拓展的空间信息增强文生图模型、以及基于诱导布局的局部编辑文生图模型。在此基础上，结合多个实际应用案例展示文生图技术在城乡规划设计领域的应用价值和潜力。【展望】文生图技术通过技术突破和多学科融合，有望成为城乡规划设计领域的重要创新动力，为高效、智能化的设计实践提供支持。

【意义】 数据已成为重要的生产资料，与人工智能技术相互促进，伴生发展，并不断催生新质生产力。遥感数据智能是遥感大数据和人工智能快速发展的必然产物，不仅提高了遥感数据处理效率，还增强了应对突发事件和复杂环境变化的响应能力。【目的】 本文旨在探讨遥感数据智能的发展及其在关键领域的应用潜力，分析了遥感数据智能的出现背景和技术支撑，提出了遥感数据智能技术框架，并结合具体应用案例，展示遥感数据智能在超高分辨率遥感图像中提取中国集中式和分布式光伏分布信息的应用成效。【展望】 研究强调，对于遥感数据智能而言，高质量的数据是遥感数据智能的基础，应重视AI-ready的知识库建设和小数据的作用；有针对性的高效算法是实现遥感数据智能的关键，发展实用的数据智能方法是迫切需要研究的课题；通过数据智能，推进遥感数据、信息和知识的多层次服务。

随着城市居民生活水平和对生活质量追求的提升，公园绿地已成为休闲娱乐的主要场所。在此背景下，如何公正地评价城市公园绿地布局合理性并提出改进意见对交通及土地利用规划至关重要。公园绿地的可达性则是评价其布局的关键指标。针对以往仅以公园绿地的面积评估吸引力所带来的可达性评估局限性，本文以苏州市区为例，在利用客观属性计算可达性的传统框架外，挖掘社交媒体数据，将居民对公园绿地质量指标的主观情感倾向纳入考量范畴。通过这一创新性的融合，本文改进了两步移动搜索法（Two-Step Floating Catchment Area, 2SFCA），深入分析城市居民对公园绿地的可达性，以及突发公共卫生事件前后可达性的动态变化。研究发现：在突发公共卫生事件期间，人们更趋向选择出行便利的公园绿地，如社区公园；而随着事件结束，人们更青睐配备良好设施的公园绿地，如专类公园。采用结合游客评论情感分析的2SFCA，能更准确评估城市公园绿地可达性，丰富公园绿地可达性研究视角。该方法不仅可应用于城市公园绿地规划，也为公共服务设施的可达性分析提供了新思路与计算框架。

【意义】预测是地理空间人工智能（Geospatial Artificaial Intelligence, GeoAI）重要研究方向，也是测绘地理信息技术与人工智能技术深度融合、智能化创新的关键，支撑空间智能技术走向广域多样化应用场景落地应用。【进展】本文回顾了地理空间智能预测的技术发展历史，综述了基于统计学习、深度学习及生成式大模型的智能预测模型，阐述了智能预测模型中的时空依赖关系嵌入机制，解耦了时间关系建模、空间关系建模及时空关系建模等通用计算算子。【挑战与展望】本文总结归纳了智能预测模型在标注数据稀疏、可解释性缺失、泛化能力匮乏、模型压缩轻量化及模型高可靠性不足等挑战，思考并提出了地理空间智能预测技术未来4个发展趋势与研究方向：耦合多算子的可配置通用空间智能预测平台、融合多模态知识的生成式预测模型、先验指导的深度学习智能预测模型，以及地理空间智能预测模型拓展地球系统深度预测应用领域。

在当今城市化快速发展的背景下，公共服务设施的合理选址对于提升城市居民生活质量和提供高效服务至关重要。然而，现有常用的设施选址方法往往未能满足复杂及大规模的现实场景中对于其性能及效率上需求。为弥补这些不足，本文旨在提出一种耦合设施选址图注意力网络（Facility Location Allocation Graph Attention Network, FLA-GAT）和深度强化学习（Deep Reinforcement Learning, DRL）算法的通用图强化选址模型（Graph-Deep-Reinforcement-Learning Facility Location Allocation Model, GDRL-FLAM），通过图表示和REINFORCE算法协同解决公共服务设施智能化选址问题。为了验证提出模型的性能及效率，研究在随机生成的20、50和100个点的数据集上进行训练，并完成了相应的测试实验，结果表明： ① 在20、50和100个点的测试实例上，GDRL-FLAM模型相较于遗传算法（Genetic Algorithm, GA）)性能上提升了11.79%到14.49%；在150和200个点的测试实例上，提升了1.52%到9.35%。并且随着训练集规模的增大，模型在大规模数据集上表现出更强的泛化能力； ② GDRL-FLAM模型可以在简单场景中掌握选址策略，并使其适应到更复杂的场景，展示出了其优异的迁移学习能力；③ 在新加坡的案例研究中，GDRL-FLAM模型相较于GA在性能表现上提升了1.01%到10.75%； ④ 在所有的测试及实验中，GDRL-FLAM模型在效率方面相较于GA都展示出了成倍的提升。总的来说，本研究揭示了GDRL-FLAM模型在公共服务设施选址问题上的潜在应用价值，尤其是其泛化能力及迁移学习能力为未来设施选址问题的高效解决提供了新的思路和方法。此外，该模型经过微调也可以适用于不同的空间优化问题中。最后，本研究探讨了该模型的不足之处以及下一步的研究方向。

高分辨率遥感图像中存在物体视觉特征模糊和同物异谱的问题，在单一模态下对相似地物和阴影遮挡的地物分割较为困难，因此本文提出了一种基于多模态特征提取与层级感知的遥感图像分割模型。本文引入了多模态特征提取模块来提 取不同模态的特征信息，并通过坐标注意力机制充分融合不同模态的特征。抽象特征提取模块采用具有双路径瓶颈块的MobileNetV3作为主干网络，并引入了层级感知网络来提取深层次的抽象特征，通过嵌入像素的场景感知来改进注意力机制，实现高效且准确的类级上下文建模。解码部分设计了多尺度聚合双重融合，将低级特征与高级抽象语义特征相结合，利用逐步上采样实现特征恢复。本文基于ISPRS Vaihingen和Potsdam数据集上的高分辨率遥感图像，实验结果表明： ① 在包括C3Net、AMM-FuseNet、MMFNet、CMFet、CIMFNet和EDGNet在内的一系列对比模型中，MFEHPNet在各项性能指标上得到了显著提高，验证了遥感图像的语义分割性能； ② MFEHPNet在ISPRS Vaihingen和Potsdam的总体精度为92.21%和93.45%、平均交并比为83.24%和83.94%、Kappa为0.85、频率加权交并比为89.24%和90.12%，显著提高了遥感图像的语义分割性能，能有效解决分割中的特征边界模糊和同物异谱等问题。

科学认知中亚-西亚经济走廊国土空间时空演变过程及形成机制，对服务当前“走出去”对外战略和“一带一路”倡议具有重要科学价值与实践意义。依据地域主导功能划分中亚-西亚经济走廊城乡建设、农业生产和生态保护三大国土空间类型，整合多源时空数据构建2002—2022年长时序国土空间分析底图，利用时空立方体模型刻画空间演变过程及典型模式，综合空间转型强度模型从规模-位置-强度3个维度分析空间结构转型特征，基于可解释机器学习模型VIVI-SHAP框架从驱动因素重要程度、交互作用强度和非线性依赖关系等方面分析演变机制。结果表明： ① 2002—2022年中亚-西亚经济走廊约6.14%的国土空间发生了结构转型，城乡建设空间占比小但稳定增长0.17%，农业生产空间整体下降19.04%；生态保护空间内部结构变化明显； ② 生态保护空间内部绿色与其他生态空间的动态互转占主导地位，绿色生态空间向农业生产空间转化呈现出系统倾向性，而城乡建设空间扩张的主要来源为绿色生态空间，占总转入规模的56.36%； ③ 中亚-西亚经济走廊国土空间格局由多个规模量级不同、转型强度各异、驱动机理多样的国土空间转型过程共同塑造，自然地理因素及交通区位因素起到决定性作用，而人口增长和社会经济发展对国土空间结构转型的全局性影响并不突出。本研究为揭示中亚-西亚经济走廊国土空间类型的变化规律和机制提供了新视角和新方法，进一步为决策部门制定合理的国土空间规划提供了数据支持，并在实现更大的空间综合收益及推动区域经济协同发展方面展现了应用价值。

道路网作为一种重要的交通基础设施，路网数据的及时更新对交通管理、应急救援和城市规划等领域有重要应用意义。通过路网匹配来确定不同来源的路网数据中要素间的对应关系，既是实现路网更新的重要技术途径，也为众源路网数据质量评估等任务提供技术支撑，因而备受地理信息领域学者的关注。传统的路网匹配方法主要通过路网数据的几何和拓扑属性来度量路网结构的相似性，以此确定路网要素的匹配关系。但人工设计的特征和阈值易受专家经验局限，使其在复杂路网结构下性能下降。近年来，基于图神经网络的路网数据建模成为研究热点，已在多个路网建模任务中取得优异性能。但现有方法多采用在图拓扑结构上直接进行邻域聚合的方式，学习路网结构的嵌入表示，未在这一关键步骤中考虑路网要素的空间关系，没能充分利用图神经网络的表示学习能力。为此，本研究面向路网匹配任务，采用空间显式建模的思想，提出一种基于改进的邻域聚合图嵌入学习方法。首先，构建路网数据的道路图模型并提取几何、语义和位置特征。然后，基于GraphSAGE框架，提出空间、分类和混合3种邻域聚合算子，在邻域聚合操作中引入路网要素空间关系、属性类型的计算。最后，利用图节点嵌入的相似度确定路网要素的匹配关系。为验证本文方法的有效性，利用真实路网数据开展了充分实验，本文方法在实验区数据上的各项指标取得最优表现，比基线图神经网络方法的匹配正确率提升11%以上、召回率提升6.8%以上。并对路网图嵌入特征进行分析，从图嵌入结构和嵌入路网结构两方面，探讨了改进邻域聚合对图嵌入表示能力的作用，为进一步提升图神经网络路网建模提供了新视角。

【目的】户外步行路网是导航地图的重要组成部分，也是户外活动路径规划的重要依据，对于户外旅行开发和事故救援等具有重要意义。然而，当前路网地图生成方法主要关注城市区域车行导航路网的构建与更新，对复杂户外环境下的徒步旅行导航路网地图构建研究较少，此外，现有方法多侧重于道路的二维几何形态信息提取，而对于路网真实三维几何和拓扑结构的重建研究还比较缺乏。【方法】鉴于此，本文提出一种融合众源轨迹数据的户外徒步旅行导航路网地图构建方法。该方法利用户外活动轨迹数据，通过路网生成层和高程提取层分别提取道路的二维几何拓扑形态和三维高程信息。在路网生成层，采取轨迹密度分层策略构建户外矢量二维路网；在高程提取层，对轨迹覆盖的区域进行高程估计与优化，生成高程格网栅格图，再将二维路网与高程格网进行高程匹配，生成户外三维徒步旅行导航路网。【结果】本文选取2021年来源于六只脚户外网站的1 170条长沙岳麓山风景区的户外轨迹数据进行实验，构建的户外三维徒步旅行路网地图在二维空间定位上的平均偏移距离为4.201 m，高程估计的平均误差为7.656 m，结果表明，本文所提出的三维路网提取方法能适应旅行者户外轨迹数据噪声大、密度差异大等特点，生成质量较好的户外三维徒步旅行路网地图。【结论】相较于传统户外二维路网，本文方法构建的户外三维导航路网提供了更丰富和精确的地图信息，支持在复杂户外环境下的步行路径规划与导航应用服务。

城市绿地是城市生态系统的关键组成部分，对改善生态环境和提高人居质量具有无法替代的作用。高精度的城市绿地识别是城市更新及绿色基础设施优化的基础，目前针对超大城市绿地的识别与空间异质性研究相对较少。本研究以西安市为例，结合城市街景图像与高分二号（GF-2）遥感影像，采用ISODATA分类、K-Means分类及卷积神经网络模型等方法，对绿地进行多维度、降尺度、高精度的识别与分析。结果表明： ① K-Means分类方法的识别精度（84.5%）显著高于ISODATA分类方法（62.4%），且更能准确映射绿地的空间特征与异质性规律， K-Means方法识别的绿地覆盖率为0.277 0，低于ISODATA的0.360 7； ② 西安主城区内街道平均绿视率为0.156 0，表明整体绿化水平良好，但不同道路存在明显的两极分化，其中30%的采样点的绿视率低于0.080 0；主城区整体呈现出高等级道路平均绿视率高于低等级道路的趋势，即主要道路>次要道路>干道>三级道路； ③ 西安主城区内街道绿视率与片区植被覆盖率整体呈现正相关，但在部分路段关联性较小，反映了街道地面纵剖面与天空俯视图的差异，二者结合可以更准确地评估和量化城市绿地。本研究可为西安市绿地规划、绿色基础设施建设和智慧管理提供一定借鉴，同时可为其他城市绿地的高精度识别与空间解析提供技术参考。

通信与移动计算技术的快速发展产生了各种出行大数据，为理解和挖掘交通时空出行特征、建设智慧城市提供了新的机会。然而，新兴移动数据规模与复杂性的显著增加也为其结构特征分析带来了挑战。本研究以六边形时空分区为基本聚类单元，提出了一种处理高维网约车出行时空模式的分析框架，通过聚类同质的出行分布群体来识别不同的时空模式。首先，将六边形分区内集计的出行分布时空特征概括为起点的需求量分布、终点的空间分布和终点的需求量分布。进一步，提出了基于时空密度峰值的快速聚类（CFSFSTDP）算法，通过计算时空相似性来识别各分区的网约车出行分布时空模式。最后，采用近邻传播算法来对各分区聚类出的出行分布时空模式的时间变化序列进行聚类分析，捕捉网约车出行分布时空模式的时间序列模式。对成都一个月的滴滴出行订单数据进行实证分析验证了该方法，分析了不同的时空模式在需求大小、位置和时间上的差异，探讨了网约车出行在不同区域的功能类型。其识别出的6类时间序列模式把握了网约车出行分布时空模式的时间连续性，有助于进一步构建网约车出行时空演化数字孪生平台。

城市活力是提高和维持城市竞争力和生命力的关键。随着城市化进程的发展，城市治理的难度越来越大，亟待城市规划和管理者对城市提出更合理且更精准的措施。本研究以南京市中心城区为研究区，基于基础路网和建筑数据、百度热力图数据、餐饮店铺数据、社交媒体签到数据、POI数据和创新源数据等多源地理大数据，分别从人群活动、网络互动和建成环境 3个层面入手，构建一种深入且细致的城市综合活力评估框架。结合基于实数编码的加速遗传算法优化的投影寻踪模型（RAGA-PPM），对9个城市活力影响因子进行降维得到各因子对综合活力的贡献值，最后分析南京市单维活力和综合活力的空间分布格局，并与熵权法（EWM）计算的活力结果进行差异对比。研究结果表明：从活力产生的角度，整合人群活动、网络互动、物理建设3个维度的城市活力新框架得到的城市综合活力结果，能够更加精准地识别研究区的潜在活力极，通过对活力团样本区域分析，验证了本文提出的城市综合活力评估框架的有效性；南京市单维活力呈现出相似的空间特征，与综合活力一样都呈现出单中心的城市结构，高值区从新街口商圈往外围逐渐递减，且RAGA-PPM方法比EWM识别活力结果的更符合实际。本研究可以为城市设计者提供更加全面且多维的城市活力模式提供借鉴依据。

【目的】随着知识图谱技术在GIS领域应用和发展，地理知识图谱（GeoKG）近年来逐渐成为GIS领域的重要研究方向。GeoKG往往无法确保涵盖所有知识，知识的缺失和不一致性严重影响应用性能，需要采用GeoKG推理技术来自动补全缺失知识、识别矛盾知识、预测地理现象未来发展趋势。区别于通用知识图谱推理技术，GeoKG推理技术需要着重考虑地理知识的复杂时空特性。本文对近年来GeoKG的推理工作进行了全面介绍和总结。【分析】首先，介绍了GeoKG推理的相关概念与问题描述；其次，本文分析了GeoKG推理的二大核心任务： ① 面向知识补全的推理模型，主要用于填补图谱中的空白，确保知识的完整性； ② 面向预测任务的推理模型，旨在通过已有地理数据预测未来的趋势。两类模型各自针对不同的应用场景进行优化，并在地理数据的处理中各有侧重。【展望】展望了GeoKG推理的未来发展趋势，指出未来GeoKG推理技术的发展将更加关注时空数据的复杂关系处理、多尺度地理知识的推理、多模态数据的融合，以及提高推理模型的可解释性与智能化。此外，GeoKG与大规模预训练模型的结合也将成为关键方向。

在大城市出租车队电动化转型过程中，出租车充电需求呈现出充电负荷高、时空分布随机性强的特征。为精确估计出租车队完全电动化转型后的充电需求，本文提出了一种仅基于燃油出租车轨迹数据的潜在充电需求识别概念模型以及基于轨迹地图匹配的二叉树实现算法，为电动化转型滞后地区提供了新的充电需求估计范式。本文使用890辆带有电池状态字段的电动出租车轨迹数据对模型和算法进行验证，结果表明，充电区段数量、充电需求电量等指标的估计误差小于6.5%。此外，模型和算法在不同电池电量消耗阈值θ和不同空间尺度（500、1 000和10 000 m栅格）下具有较高的时空分布估计精度。在此基础上，本文提出以北京市六环内真实道路网为空间分析单元，运用奇异值分解算法对潜在充电需求时空矩阵进行分解降维，以挖掘潜在充电需求的时空特征模式。最后，运用北京市连续3 d共1 913辆出租车轨迹数据进行案例研究，结果表明，北京市出租车潜在充电需求的空间分布呈现出明显的重点区域、关键通道聚集性特征，与该区域的高出行活动强度以及长途出行相关的高密度充电需求高度吻合。分解后的充电需求呈现出常态化充电需求为主导、上下午异质性充电需求以及工作时段和非工作时段异质性充电需求为辅的时空结构特征。该分析方法有助于挖掘潜在充电需求的空间分布结构特征及时空耦合关系，为出租车队电动化转型下的充电基础设施中长期规划、电网负荷调度调节和充电需求管理等提供决策参考。

跨区域知识迁移是在少样本地区开展空间预测的一种重要手段。目前基于迁移学习技术和基于地理学第三定律的跨区域空间预测分别是计算机领域和地学领域的主流方法。本文对2018年以来国内外基于以上两大类方法开展的相关跨区域空间预测研究进行了文献综述，主要工作包括： ① 对比分析了基于地理相似性和基于迁移学习进行空间预测的基本原理及二者的技术流程异同； ② 总结了2类方法在相似性表征指标及相似性度量方法方面的差异； ③ 梳理了2类不同预测方法在常用的辅助数据、空间分析单元、模型方法与评价指标选取方面的差异； ④ 探讨了2类跨区域知识迁移的空间预测方法面临的问题及挑战。研究表明，2类方法的技术思想基本一致，但在适用范围、相似性表征与度量、相关辅助变量及参数选择等方面均存在一定局限性。研究可为两类方法优化完善及有效融合、跨区域预测方法的创新、应用领域的扩展等提供有益参考。

实现轨道交通和常规公交2个系统的便捷换乘，是推动轨道交通与常规公交网络之间融合发展、打造多模式便捷公共交通系统的基础。本文以深圳市为例，结合手机信令数据和公交刷卡数据，识别轨道交通和常规公交的换乘特征，进而估算各轨道站点的换乘潜在需求量及其换乘需求缺口，同时基于熵权-TOPSIS模型对各轨道站点换乘供给条件进行了评价，结合换乘供需匹配的评价结果与换乘需求缺口，对轨道站点提出了相应的优化策略。研究发现，深圳市地铁-公交换乘潜在需求高的站点多分布在居住人口聚集区附近，中心城区的换乘供需匹配度高，且部分老城区供大于需，但外围站点普遍存在供不应求的情况；从换乘需求缺口来看，部分供应不足但运行高效的站点值得借鉴经验，而那些需求缺口大的低效站点应根据不同的供需匹配情况进行针对性的提升优化。结果表明：基于多源数据评估地铁-公交换乘潜在需求与换乘供给水平的匹配情况，并结合换乘需求缺口来制定换乘优化策略，对于提升地铁与公交换乘服务的精细化管理水平具有重要的参考意义。

三维模型轻量化是实景三维中国建设的当务之急，对三维模型进行一定简化是较为合适的途径。在模型简化算法中，二次误差测度QEM(Quadric Error Metrics)算法是较为经典的算法。但传统的QEM算法在简化过程中没有专门的机制来保护重要细节，并且简化后模型网格质量有待进一步优化。为此，本文提出了一种基于边折叠的实景三维模型简化与优化方法，该方法中的简化算法引入了顶点近似曲率及体积误差作为约束条件，以改变边折叠代价从而使三维模型在简化的同时能够保持模型的重要细节，达到较好的简化效果。在改变边折叠代价的同时加入边界保护条件，有效保护了模型边界。最后针对简化后的网格进行了拉普拉斯网格优化处理，用于三角形形状优化和特征保持。本文使用的数据源是采用倾斜摄影测量方式采集影像并使smart3D三维重建得到的格式为OSGB的实景三维网格模型数据，使用这一数据源进行实验研究，并和经典的QEM算法进行对比。研究结果表明，本文算法很好地保留了三维模型的细节特征，同时提高了简化模型的网格质量。该算法适用于实景三维模型的轻量化。

【目的】地理系统是涵盖地球表层自然与人文现象及其相互关系的综合系统，而现有地理信息系统（GIS）虽能数字化处理这些地理要素，但其局限性在于缺乏物理与信息空间的双向交互，并且其模型通常依赖于预设规则和历史数据，难以应对快速变化和三维结构复杂的地理情境。为此，本文提出了“地理智能体”，作为地理信息系统的进阶形式，融合了具身智能、自监督学习和多模态语言模型，旨在提升环境感知、空间理解和自主决策能力。【方法】本文设计的地理智能体架构包含多模态感知、智能中枢和行动操控模块，分别通过传感器网络获取全方位环境信息、利用知识图谱和生成模型进行复杂情境推理，并最终实现对物理环境的实时调控和多层次规划。此外，地理智能体将通过地球模拟器和试验场平台测试，以适应虚拟和真实环境的差异，从而在复杂、动态地理情境中具备更强的自主应对能力。【结果】本文以虚拟数字人“地球通”为例，初步展示地理智能体在空间智能化应用中的具体实现。【结论】“地球通”作为地理智能体的原型机，集成了时空知识图谱（GeoKG）和认知地图生成大模型（GeoGPT）等模块，能够辅助用户在应急管理、城市规划和生态监测等领域中快速获取智能化的空间决策支持，充分体现了地理信息系统从信息处理工具向自主空间智能体的发展演化。

【目的】 当前在微地图的内容检索领域尚缺乏系统性的研究。为了填补这一研究空白，本文提出了一种YOLOv8l-FMSC-Spatial （You Only Look Once v8l- Fewer Multi-Scale Convolution-Spatial, YOLOv8l-FMSC-Spatial）模型，实现在手绘地图场景下地理要素的提取及检索。【方法】 首先通过对比YOLO系列模型，选取最优的YOLOv8l模型，引入C2f-FMSC模块改进最优模型，建立应用于微地图的YOLOv8l-FMSC训练模型，利用该模型实现栅格地图的地理要素提取；其次针对地理要素的检索需要，建立地理要素的空间关系数据库，设计空间计算检索模块Spatial，通过Spatial模块实现地理要素信息的传递与筛选，进一步地计算用户检索信息与数据库地理要素信息的空间关系关联程度；最后根据空间关系关联程度，从微地图数据库中索引包含相关地理要素信息的地图，实现基于空间关系的地理要素检索模型构建。依据上述方法，在手绘校园地图检索场景中进行验证。实验数据源自各个学校发布内容以及学生自由制作，共计493幅手绘校园地图，在全国范围内研究学校代表性地理要素检索，此类要素包括水体、操场、特色建筑，确保准确识别和检索这些特征元素，验证所提模型的实际适用性。【结果】 实验结果表明：训练后的YOLOv8l模型可有效识别手绘地图中的地理要素，并在收集的数据集上验证了模型的有效性和鲁棒性；引入FMSC模块后的YOLOv8l-FMSC模型精确率可达0.8、召回率可达0.764，为实际对比中的最优模型；引入Spatial模块计算模型度量空间关系，可有效捕捉到相关地理要素的空间信息，减少与正射地图检索的差距。【结论】 综上，提出的YOLOv8l-FMSC-Spatial模型可根据顾及空间关系的地理要素条件，快速准确地检索到内容相关的手绘地图，从而填补微地图在内容检索方面的研究空缺。

隧道断面的精确提取是隧道形变分析中的一个关键环节，然而，隧道内部复杂的形状和环境使得点云处理算法变得复杂，传统的断面提取与变形分析算法已经不适用于点云数据，因此亟需更高效和更鲁棒的算法。针对这一问题，本文提出了一种基于点云数据的隧道断面连续提取方法。首先，引入结合随机样本一致性（Random Sample Consensus，RANSAC）圆柱拟合与半径滤波的方法，以有效滤除离群点及附着在隧道壁上的噪声点；接着，通过双向投影获取隧道中轴线，并根据“与隧道中轴线正交旋转的直线相交于隧道壁”建立数学模型，从而实现对隧道点云断面的连续提取；最后，以断面点的拟合圆心坐标和设计半径为参数计算隧道的形变量，并通过可视化渲染直观展示隧道整体变形情况。为证明本文方法的有效性，实验选取了成都市某地铁线路三段地铁隧道的激光点云数据，结果表明，该方法滤除噪声时I类误差、II类误差和总误差均值分别为1.48%、1.03%和1.21%，Kappa系数达到97.45%。相比传统的最小二乘法、密度聚类法以及法向偏差法，本方法的3类误差之和分别降低了9.34%、10.61%和4.41%，Kappa系数则提高了5.36%、6.38%和3.65%。这充分展现出本方法更优越的鲁棒性和准确性；此外，该方法所提取出的隧道断面拟合半径与设计半径的偏差均值低至1.36 mm。相比目前的1.60 mm方法及6.00 mm方法，本文方法的偏差均值分别降低了2.5 mm和2.7 mm。而求得隧道形变量范围在0~18 mm之间，同时通过点云渲染方式直观展示了隧道整体变形情况。本研究的方法为隧道安全监测工作提供了可靠依据和基础支持。

科学准确地监测红树林物种是保护滨海湿地生态系统的基础和前提。利用多源遥感数据能够有效进行红树林物种精细化分类，但在光学和SAR影像特征及其时间变化信息的应用方面仍存在一定的挑战。本文基于Sentinel-1/2影像数据，提出一种基于多源遥感影像特征耦合和集成学习（Ensemble Learning）算法（Multi-source Features-coupled and Ensemble Learning algorithm, MFEL）的红树林物种分类框架，通过分析光谱指数特征、雷达极化特征及其时序谐波谱特征在特征优选和耦合互补上的分类优势，堆叠随机森林（Random Forest, RF）和极端梯度提升（eXtreme Gradient Boosting, XGBoost）算法，构建红树林物种分类的集成学习分类模型，对比基于特征优选的RF分类模型和XGBoost分类模型，评估MFEL分类方法的分类精度和特征应用差异。本研究以湛江市红树林国家级自然保护区为实验区，实验结果表明： ① 相比于只使用光谱指数特征进行红树林物种分类而言，在增加雷达极化特征或时序谐波谱特征参与分类后，分类精度分别提高了6%和8%；同时增加雷达极化特征和时序谐波谱特征参与分类可以更精准地实现红树林物种分类，分类精度提高了12%； ② MFEL方法分类精度最高，总体精度达到88.03%， Kappa系数为0.86；将使用实验区红树林物种样本训练的MFEL模型迁移至其他区域，物种分类精度分别为83.94%和82.77%； ③ 研究验证了雷达极化特征和时序谐波谱特征在红树林物种分类中的应用潜力，对五种红树林物种分类的精度也有明显提升，分类精度为76%~91%。研究结果对拓展中分辨率遥感卫星影像进行红树林物种监测具有参考价值。

【目的】 随着深度学习技术的发展，遥感影像自然资源要素变化监测能力得到显著提高。基于深度学习的变化检测技术善于挖掘遥感影像的低层次语义信息，但在区分土地利用类型变化与非土地利用类型变化（如农作物轮作、水位自然变化、森林自然退化等）方面存在局限性。为了保证变化检测的高召回率，深度学习变化检测方法往往产生大量虚警变化图斑，仍需大量人工作业工作量来排除虚警变化图斑。【方法】 针对这一问题，本文提出了遥感时空知识图谱驱动的自然资源要素变化图斑净化算法。该方法可以在保持变化图斑高召回率的前提下，尽可能降低变化图斑虚警率，从而提高自然资源要素变化监测效率。为了支撑遥感时空知识图谱智能构建与高效推理，本文设计了顾及时空特性的遥感时空知识图谱本体模式，研发了图数据库内存储运算一体化的GraphGIS工具包。本文提出了基于GraphGIS图数据库原生空间分析的矢量知识抽取技术、基于SkySense视觉大模型高效微调的遥感影像知识抽取技术和基于SeqGPT大语言模型的图斑净化知识抽取技术。在时空本体模式约束下，矢量知识、影像知识和文本知识汇聚形成遥感时空知识图谱。受变化图斑净化业务人工作业方式的启发，本文提出了基于遥感时空知识图谱一阶逻辑推理的变化图斑自动净化技术。为了提升遥感时空知识图谱的并发处理与人机交互核验效率，本文研发了一套遥感时空知识图谱管理服务系统。【结果】 针对广东省2024年3—6月自然资源要素变化图斑净化任务，本文方法的存真率达到95.37%、去伪率达到21.82%。【结论】 本文提出的自然资源要素变化图斑智能净化算法及系统能够在充分保留真实变化图斑的条件下，可以高效剔除虚警变化图斑，显著提升自然资源要素变化监测作业效率。

【意义】自然资源时空大数据作为自然资源开发利用的泛在观测，蕴含了丰富的资源要素分布、时空过程演化与关联关系知识。【进展】本文聚焦于自然资源时空大数据挖掘与知识服务，探讨了5种自然资源时空大数据挖掘方法及其知识服务重要应用。首先，分别阐述了时空聚类分析、关联挖掘、异常探测、预测建模和地理风险评估的核心思想、技术体系、方法流程及其在自然资源管理和国土空间决策中的重要应用。然后，提出了描述型、诊断型、预测型和决策型四类自然资源时空知识服务体系，为资源现状监测、规划用途管制和防灾减灾等重大应用提供重要支撑。最后，指出了当前自然资源管理正从数据汇聚分析迈向以知识为核心的智能化服务，逐渐形成大数据-大分析-大知识-大服务的研究与应用范式。【展望】未来工作将延拓数据与知识协同驱动的挖掘方法，着重解决时空知识库与知识服务面临的标准化问题，并探索生成式大模型等前沿技术在自然资源领域中的潜在应用，为自然资源信息化、智能化建设提供新动力。

【目的】在视觉主导机制日益彰显的当下，修辞逐渐从地图学的外围走向中心，成为了叙事地图研究的核心问题之一。然而，学术界尚未搭建起一个系统性的基础框架，难以解答什么是叙事地图的修辞、叙事地图的修辞有哪些类型、修辞如何发挥作用并服务叙事地图的叙事目标等基本理论问题。【方法】针对这些盲点问题，本文首先基于修辞的语言学与图像学研究范式，通过厘清叙事地图中修辞的本质，对叙事地图的修辞进行概念界定和特征辨析；其次，立足于内容语义表征和逻辑语义表征的差异性，提出了叙事地图修辞的分类准则，划分出意义性修辞与结构性修辞两大类别，并以此建立了叙事地图修辞的家族谱系，形成了叙事地图修辞体系框架的元理论和元语言；进而，基于多级符号系统与格式塔原则，从修辞维度、修辞作用层级、修辞综合运用和修辞适用原则4个核心方面入手，深入剖析了叙事地图中修辞的作用机制；最后，结合《江南运河》的典型案例，说明了修辞体系框架如何支撑叙事地图设计实践。【结论】以期为推动当代地图学理论创新提供了参考。

针对室内环境中超宽带（Ultra-Wideband，UWB）信号易受障碍物遮挡导致非视距（Non Line of Sight，NLOS）误差的问题，本文提出了一种基于激光雷达（Light Detection And Ranging，LiDAR）点云识别UWB NLOS的融合定位方法，该方法利用LiDAR点云信息辅助UWB NLOS识别，并通过UWB视距（Line of Sight，LOS）测距值消除LiDAR同时定位与建图（Simultaneous Localization and Mapping，SLAM）过程中的累计误差，从而提高室内融合定位精度和鲁棒性。首先，采用八叉树对LiDAR点云进行处理，根据UWB基准站位置信息构建测距方向，并从LiDAR点云中提取测距方向上相关区域的点云数据。然后，通过3D Alpha Shape算法对所提取点云中可能阻碍UWB信号传播的障碍物进行轮廓提取。此外，根据分析提取的障碍物轮廓和UWB测距方向的空间关系，以此有效判定UWB信号是否存在NLOS测距情况。最后，剔除UWB测距过程中存在的NLOS测距值，通过紧组合方式，采用扩展卡尔曼滤波（EKF）将UWB LOS测距值和LiDAR SLAM的定位信息进行融合解算，消除LiDAR SLAM定位结果中的累积误差，以此提高融合定位精度和鲁棒性。为验证本文所提出的融合定位算法的有效性，通过搭建的融合定位实验平台在教学楼大厅进行了NLOS静态识别实验，在地下停车场进行了动态NLOS识别与动态定位实验。实验结果表明，该方法能够显著提高在室内复杂环境中的NLOS识别与定位的准确性，相较于单传感器定位与UWB原始测距值与LiDAR SLAM紧组合EKF的定位方法，NLOS识别准确率为93.22%，定位精度分别提高了49.24%、47.03%、96.13%，定位误差为0.067 m，实现了亚分米级室内定位。

共享单车轨迹预测是科学合理规划其基础设施的前提条件，但现有研究预测机制较单一、影响因素较片面，致使轨迹预测准确度不高，制约了共享单车的进一步发展。因此为揭示共享单车出行的时空特性与天气因素对出行轨迹的影响，提高轨迹预测精度，本文构建融合天气因素与时空注意力残差双向网络（WSTAR-BiLSTM）的轨迹预测模型。本研究利用2021年数字中国大赛公开数据开放平台提供的厦门市共享单车订单及轨迹大数据，分析其出行时空分布规律与天气因素对出行轨迹的影响。考虑气温、天气现象、风速、空气质量因素，将共享单车轨迹数据按周期性分割时间序列，融合注意力机制进行残差学习，根据天气因素调整预测结果。将轨迹数据按7:2:1划分为训练集、测试集与验证集，分别进行模型训练及预测、模型参数自适应调整及预测结果对比验证实验。实验结果表明，WSTAR-BiLSTM模型轨迹预测精度高于传统模型LSTM、BiLSTM、CNN和自建对比模型（不含天气因素的STAR-BiLSTM、不含注意力机制的WSTR-BiLSTM和不含残差网络的WSTA-BiLSTM），准确率分别提升了12.02%、14.5%、12.02%、4.86%、6.96%、10.80%；绝对轨迹误差分别降低了1.83、2.53、1.85、1.07、1.23、1.53 m。研究表明，WSTAR-BiLSTM模型不仅继承了普通残差网络模型的优势，还创新性融合了注意力机制与多个天气因素的影响，在提升轨迹预测精度的同时还具有较强的智能学习与成长特性，使轨迹预测的精度随反馈次数的增加而进一步提高。研究结果对共享单车轨迹的精准预测具有理论指导意义，对该出行模式的推广具有实际应用价值。

【目的】 当下，面向多圈层耦合、人类干扰强烈的复杂自然场景遥感智能解译在地学研究和实际业务中常存在不好用的问题。为此，本文从遥感地学认知原理角度出发，在明晰遥感智能解译的使命是依托遥感大数据更好地辅助建立数字地球之后，认为达成一致的知识表征模型是解决问题的关键，进而提出遥感解译与地学认知应该耦合为一个系统，以实现“数据获取知识”与“知识引导数据”的双向驱动。【分析】 在此基础上，提出以遥感地学分区为纽带的智能解译框架，以打通已有地学知识向遥感智能解译过程的输入与引导，增加解译结果与已有地学知识体系的匹配度。该框架主要依靠定量化的场景复杂性度量和地理分区知识耦合，形成面向遥感智能解译的地学分区方法以及分区样本抽样与规范，从而实现面向大区域的知识耦合下分区解译策略。【展望】 通过复杂度与优化抽样实验、影像分区分割尺度优选、耕地类型细分等实验，初步揭示了本框架思路在优选样本、影像分割、耕地精细类型识别等遥感智能解译多方面均存在巨大潜力。