【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。

【目的】 作为世界文化遗产和城市游憩空间的重要组成部分，中国古典园林文化生态系统服务的发挥主要依赖于游客与景观的视觉感知与交互。然而，如何为古典园林景观视觉感知模拟建立相应的3D数据模型仍存在以下方法挑战：如何构建视觉感知框架以表征中国古典园林所特有的“景”概念?如何以游客视觉感知为切入点剖析其游园观景行为?以何种形式组织古典园林景观3D数据模型，从而实现视觉感知的全流程模拟计算，并提升计算效果和效率?【方法】 针对这些挑战，本文从游客视觉感知过程的“客体-路径-主体-结果”4个环节出发，以“叙事符号系统-叙事策略”的空间叙事为切入点，将古典园林景观构成剖析为“环境空间-视觉感知空间-视知觉空间”，提出了古典园林景观的视觉感知框架，并基于相关领域本体模型 语义复用，将模型梳理为“地物层-行为层-分析层”3个层次，扩展并设计了面向视觉感知计算的古典园林景观3D数据模型。【结果】 以苏州拙政园为例，从地物数据处理、行为数据配置、存储环境搭建，再到分析数据计算，阐述了古典园林景观3D数据模型实施应用的方法流程，以期为中国古典园林乃至其他文化遗产三维空间视觉感知研究提供理论与方法参考。

【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。

【目的】 随着城市化进程的加速和机动车数量的剧增，城市交通系统面临着巨大的压力。智能交通系统作为智慧城市的重要组成部分，被广泛应用于改善城市交通状况，交通速度预测即是其中的一个关键研究领域。实时且准确的交通速度预测对于缓解交通压力、优化交通运输和建设智能城市交通至关重要。然而城市交通网络节点间存在复杂的耦合关系和动态随机的时变特征，现有的预测方法往往难以准确捕捉其潜在的动态时空相关性。【方法】 本文将城市交通速度预测视为多变量时间序列预测问题，提出了一种基于多元时间序列动态图神经网络（MTDGNN）的交通速度预测模型。该模型基于实时交通信息，通过图学习层自适应地生成交通动态图，结合预定义的道路网络静态图，从多方面捕捉空间依赖性。同时，图卷积模块和时间卷积模块交替使用，构建多层次的空间邻域与时间感受野，充分提取交通数据的空间特征和时间特征。【结果】 本文在北京市东部城区2017年4月1日—5月31日397条路段的真实交通数据集上对 MTDGNN 模型进行了实验测试，并将预测结果与9个基准模型和7个消融实验模型进行对比。与9种基准模型相比， MTDGNN模型的平均MAE降低了至少2.24%，平均RMSE降低了至少3.98%。【结论】 MTDGNN模型在MAE、RMSE和MAPE评估指标上均取得了最优的预测精度，表明该模型在复杂交通场景中的优越性与鲁棒性。

【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。

【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。

【目的】 癌症是全球绝大多数国家的主要致病死因，对人类寿命和公共卫生构成了严重威胁。本文探讨了全球五类主要癌症死亡率的时空分布特征，并给出了未来发展趋势预测。【方法】 本文针对2011—2019年全球200个国家五类主要癌症（肺癌、结直肠癌、胃癌、肝癌与胰腺癌），采用GBD数据与世界银行数据库资料，基于MGWR模型提取各类癌症死亡率影响因素的空间异质性特征，利用ARIMA模型提取各类癌症死亡率的时间变化趋势特征，并将该时空信息作为参数输入构建贝叶斯时空模型，对全球主要类型癌症死亡风险进行预测评估。【结果】 研究发现，全球五类癌症死亡率均持续增加， 2019年各类癌症死亡率较2011年平均上升了17.2/100 000人。全球超过72.8%的国家癌症死亡相对风险较高（RR>1），呈现出明显的空间聚集性。【结论】 相比非洲与南亚地区，欧洲、中亚、北美、东亚及太平洋地区癌症死亡率增速较快。相比中低收入和低收入国家，高收入和中高收入国家各类癌症死亡率上升趋势明显，相对风险更高。65岁及以上人口占比、吸烟、酒精、低运动强度、高糖加工饮食、人均GDP、人均GNI和人均医疗卫生支出成为全球主要类型癌症死亡风险的关键影响因素。本研究通过集成不同地理时空分析方法优势，创新性构建了涵括时空分组变量和不同影响因素的疾病风险时空预测模型，灵活度高，可解释性强，更适用于量化时空非平稳性关系，能够有效评估全球不同地区主要类型癌症死亡的相对风险，加深了地理空间建模技术与流行病研究的交叉融合，对严峻的全球癌症防控规划具有重大科学意义。

【目的】 城市交通流量预测对智能交通系统至关重要。传统方法常将路网划分为栅格进行区域预测，但忽略了道路间的关联，导致预测结果无法准确反映交通流变化。基于道路段数据的方法虽能捕捉道路间的空间联系，却面临轨迹映射时数据冗余、轨迹错配和数据稀疏等问题。【方法】 为了解决这些问题，本文提出了一种用于道路级稀疏交通流预测的注意力时空神经网络(ASTNN)模型。模型首先对轨迹数据做预处理和基于隐马尔可夫模型（HMM）的地图匹配，得到各道路段的交通流数据；并采用面向路网的自适应紧凑二维图像表示方法，将路网表示为以道路段为像素点的二维图像。在分析交通流时空特征的基础上，提出了两种新的注意力时空模块：注意力时空记忆块（ASTM block）和注意力时空聚焦块（ASTF block），分别用于时间相关性挖掘和空间稀疏特征提取。基于这2个模块，并融合外部信息，构造了ASTNN模型实现道路级交通流预测。 【结果】 本研究以成都出租车轨迹数据为研究对象，在成都市三环区域内的五级路网中，完成了轨迹数据的预处理和流量的映射，并对流量预测模型进行了验证。 结果显示，本文所提出的数据处理方法可使轨迹与路网匹配时间降低73.6%。在与CNN、ConvLSTM、GRU、STNN等现有方法的对比实验中，本文方法在RMSE、MAE以及R²等指标上均取得了最优的预测准确度。在此基础上，进一步验证了在ASTNN中引入温度信息对提高预测准确度的显著作用，为模型性能优化提供了新的思路。【结论】 本研究提出的ASTNN模型为城市道路级稀疏交通流预测提供了可行的实施思路和技术路线。

【意义】影像匹配是完成多景影像空间位置对齐的方法和过程，而自动化影像匹配是现代摄影测量与遥感数据处理中关键的一环。【进展】随着对地观测技术的发展和多源遥感数据获取能力的提高，综合协同处理多源数据的能力需求推动多模态遥感影像的匹配技术研究不断深入，近年来基于深度学习的思想深刻影响了影像匹配领域技术的发展。本文在介绍传统遥感影像匹配框架的基础上，分析了多模态遥感影像的类型、特点与匹配难点，重点论述了针对多模态遥感影像不同深度学习方法研究的新进展，并分析了其优缺点，归纳总结了目前适应多模态遥感影像匹配任务的数据集，对深度学习方法在多模态遥感影像匹配中的发展成果和当前挑战进行了总结。成果方面，该领域算法在高效、鲁棒和精度上显著提升，多模态融合策略和多种创新框架与模型推动了研究发展并反映了该领域从模块化适配到整体建模的转变，揭示了数据驱动的表征学习与几何推理的更深度融合。但当前研究仍存在显著瓶颈，多模态差异方面，异构性严重制约匹配效能，模型泛化能力不足；数据与计算层面，高质量标注数据稀缺、计算资源需求大；工程部署层面，算法实战能力欠缺，误匹配剔除困难，模型在混合模态数据处理中泛化性差。【展望】最后对多模态遥感影像深度学习匹配方法领域的发展趋势与未来展望进行了深入探讨，包括模态无关的设计、物理信息约束的网络架构以及适应复杂环境的轻量化方案等。

【意义】街景图像视觉位置识别（Street View Image-based Visual Place Recognition, SV-VPR）是一种基于视觉特征信息的地理位置识别技术，其核心任务是通过分析街景图像的视觉特征，实现对未知地点的地理位置预测和精确定位。该技术需要克服不同环境条件下的外观变化（如昼夜光照差异、季节更替特征演变等）和视点差异（如车载相机与卫星图像的视角偏差），并通过计算图像特征相似性、几何约束等条件来实现精准识别。作为计算机视觉与地理信息科学的交叉领域，SV-VPR与视觉定位、图像检索、SLAM等技术密切相关，在无人机自主导航、自动驾驶高精度定位、网络空间地理围栏构建、增强现实场景融合等领域具有重要应用价值，特别是在GPS信号缺失场景下展现出独特的定位优势。【分析】本文系统综述了街景图像视觉位置识别技术的研究进展，主要包含以下内容：首先，阐述了图像视觉位置识别技术的基础概念与分类，深入探讨了街景图像视觉位置识别技术的基础概念与分类方法；其次，详细分析了该领域的关键技术研究；此外，全面梳理了街景图像视觉位置识别技术相关的数据集资源；同时，梳理了该技术的评价方法与指标体系；最后，对街景图像视觉位置识别技术的未来研究方向进行了展望。【目的】通过本综述，旨在为相关研究者提供系统化的技术发展脉络梳理，帮助快速把握领域研究现状；关键技术与评估方法的对比分析，为算法选型提供决策依据；前沿挑战与潜在突破方向的预判，启发创新性研究思路。

【意义】 在全球城市多灾害风险频发的当下，如何建设具有高水平防灾韧性的交通系统已成为学界关注的焦点。相较于传统的数据类型，时空大数据以其高精细度和高信息密度的优势，在交通系统韧性研究中发挥日益显著的重要作用。然而，目前对于时空大数据在交通系统韧性研究中进展脉络的理解相对不清晰，客观上缺少对交通系统韧性领域中时空大数据的类型、应用场景和发展趋向的综合分析。【进展】 本文利用系统性文献综述方法，对在CNKI中国知网和Web of Science数据库中检索到的中英文相关文献进行了系统的综述分析，全面探讨了时空大数据应用于交通系统韧性研究的主流数据类型，量化评估、监测预警、模拟预测与系统优化4个具体实践领域及在各领域所运用的研究方法，以及相关研究的发展趋势。【展望】 在总结当前时空大数据在交通系统韧性研究中的应用成就与不足的基础上，进一步展望了若干交通系统韧性研究领域未来可能的发展方向，以期为我国时空大数据赋能交通可持续发展、推进交通强国战略目标落实提供有益思考与借鉴。

【目的】现阶段台风灾害知识服务常面临着“数据海量、知识难求、服务受限”的困境，如何从海量数据中快速凝练知识，提升台风灾害知识服务水平，减轻灾害带来的破坏性影响是当前研究的关键。大语言模型（LLMs）在自然语言处理领域展示出优异的性能，能够有效挖掘各类灾害信息，为深度灾害知识服务提供有效支撑。【方法】本研究深入解析了LLMs在台风灾害领域的应用前景，搭建了涵盖数据、知识、服务的台风灾害知识服务方法。【结果】就数据层到知识层而言，提出了基于Qwen2.5-Max的台风灾害知识图谱自动化构建方法。该方法首先提出了多层次台风灾害知识表达模型，而后构建了顾及时空特征和灾情影响的台风文本训练数据集。在此基础上采用“预训练+微调”的技术范式，实现了灾害数据到灾害知识的快速凝练。就知识层到服务层而言，提出了基于Qwen2.5-Max的台风灾害智能问答方法。该方法利用构建的台风灾害知识图谱，采取图检索增强生成（GraphRAG）方法，实现了基于图的灾害知识检索与面向用户的个性化防灾减灾指导方案生成。【结论】本研究充分展示了LLMs在台风灾害领域的广泛应用前景，也为LLMs与地理信息技术的交叉融合打下了基础，有望推动地理人工智能的进一步发展。

【目的】 为提高交叉口中车辆轨迹预测精度，解决交叉口多车交互场景中的轨迹预测难题。【方法】 构建强化邻接图卷积（EAG-GCN-T）的车辆轨迹预测模型，采用公共数据集INTERACTION并对数据噪声进行平滑处理，开展模型对比验证试验，与不同基准模型比较误差评估指标，验证轨迹预测精度、对比交互能力、分析泛化能力与驾驶行为识别。在模型构造上，EAG-GCN-T模型将强化邻接图卷积网络（EAG-GCN）与Transformer模型结合，EAG-GCN模块通过考虑相对速度与距离，利用强化加权邻接矩阵精确建模车辆空间交互关系，Transformer模块捕捉时间依赖性并生成未来轨迹，提升了时空预测能力。【结果】 在预测效能方面，单车轨迹长时段预测时，平均位移误差（ADE）和最终位移误差（FDE）较CV、ARIMA、CNN-LSTM分别降低69.4%、39.8%、33.3%和71.9%、32.5%、27.4%；多车交互预测中，与GRIP模型相比，FDE降低19.5%和20.6%；与3种交互机制对比，EAG-GCN-T在所有时域下总体误差最低，ADE/FDE分别为0.53和0.74，且行驶区域符合度（DCA）和轨迹点丢失率（MR）更合理，在匝道和环形交叉口适应性良好。在驾驶行为方面，模型能精准预判跟驰、变道、避让等行为及其对轨迹的影响，预测轨迹与真实轨迹高度一致。【结论】 EAG-GCN-T模型有效解决了交叉口多车交互场景中的车辆轨迹预测问题，具有高精度、强交互性和良好的泛化能力，为智能交通系统的车辆轨迹预测提供了新的解决方案。

【意义】 制图级矢量要素提取是遥感智能解译可直接应用于真实场景的关键前提。【分析】 尽管遥感观测技术和深度学习在遥感影像解译中取得了显著进步，但生产满足业务需求的矢量要素仍依赖大量人工目视解译和人机交互后处理。【进展】 本文基于公众测绘产品生产等业务场景的实际数据需求，深入分析了大量业务场景中遥感影像解译的不同地物矢量要素的规则约束，初步定义了能够直接满足行业需求的“制图级矢量要素”。围绕该定义，从矢量类型，地物形状，边界定位，面积、长度、宽度和角度大小，拓扑约束以及邻接约束这9个维度对制图级矢量要素规则集内容进行了归纳和分析，并从类别属性、位置准确性、拓扑准确性以及综合取舍合理性4个方面梳理了制图级矢量要素的评价方法。随后，重点回顾了基于深度学习提取矢量要素的分割后处理、迭代式和并行式3类方法，分析它们的基本思路、提取矢量的特点与精度、灵活性以及计算效率等方面的优劣与异同，概括了当前面向制图级矢量要素遥感智能解译方法在制图级解译能力、制图级规则耦合以及遥感可解译性方面的不足。【展望】 最后，从构建广泛且开放的制图规则集、构建并共享制图级矢量要素样本集、发展面向多要素的制图级矢量要素提取框架、探索多模态耦合语义规则潜力等方面对制图级矢量要素智能解译的未来研究方向进行了展望。

【意义】月球形貌遥感测绘是保障月球探测任务安全实施和推动月球科学研究的关键手段，对于理解月球地质演化和地月系统的形成具有重要意义。【进展】近年来，随着国内外对月球探测的兴趣与投入不断增加，遥感技术的创新推动了月球形貌测绘精度和覆盖范围的显著提升，各类遥感任务获取了大量多源、多模态和多尺度的数据，为技术突破奠定了基础。然而，数据量和复杂性的急剧增加，带来了形貌测绘处理的严峻挑战。本文全面综述了月球形貌遥感测绘的发展现状，重点梳理第二次探月热潮以来月球遥感探测任务的实施与数据获取情况，系统总结了激光高度计测高、光学摄影测量以及合成孔径雷达地形测量等关键测绘技术的最新研究进展与应用。【展望】对月球形貌遥感测绘领域的发展趋势与未来可能面临的挑战进行了深入探讨和展望，针对传感器能力提升、月球绝对参考框架优化、多源数据融合精细建模、海量遥感数据智能高效处理、以及推动科学应用水平发展的前景等方面给出了建议。

【意义】经典统计推断依赖大样本与独立同分布前提，但时空数据却往往不满足这两大前提，因此，经典统计框架下的时空统计方法具有一定理论局限；相较而言，贝叶斯统计范式下的时空统计方法通过融合先验信息、引入参数随机性，形成统一的概率推断框架，可考虑更多不确定性，并能有效克服时空数据中的小样本和非独立问题，在时空统计建模中体现出较强的自身优势，并受到广泛关注和快速发展。【进展】本文首先从方法论演进角度出发，从传统贝叶斯时空统计与贝叶斯时空机器学习两个视角系统梳理了主流的贝叶斯时空统计模型，前者包括贝叶斯时空演化层次模型、贝叶斯时空回归层次模型、贝叶斯空间面板数据模型、贝叶斯时空地理加权回归模型、贝叶斯时空变系数模型和贝叶斯网格化时空高斯过程模型，后者包括贝叶斯时空因果森林模型、贝叶斯时空神经网络模型和贝叶斯时空图卷积神经网络模型；后又从实际应用方面，重点回顾了贝叶斯时空统计模型在公共卫生、环境科学、经济社会与公共安全、能源与工程等领域的应用。【展望】贝叶斯时空统计方法需在多源异构数据建模、深度学习融合、因果推断机制引入及高性能计算优化等方面实现突破，以兼顾理论完备性与实践适应性，推动其发展为具备因果推断、自适应泛化及智能分析的下一代时空建模范式。

【目的】随着我国城市化进程的深入和市场竞争的加剧，长时间工作已成为普遍的社会问题，对劳动者身心健康与城市可持续发展构成挑战。当前关于城市居民工作活动的研究多依赖问卷调查数据，样本量有限且缺乏针对特大城市长时间工作现象的探究。【方法】本研究基于长时序手机信令数据，提出了一个识别长时间工作者的技术框架，系统分析了2019年11月份北京市长时间工作现象的空间分布特征。【结果】研究发现，北京市长时间工作者（周工作时长≥40 h）占比达47.1%，平均周工作时长48.86 h，其空间分布呈现“多中心集聚”格局，集中于CBD、金融街、中关村及亦庄等就业聚集区。不同性别和年龄群体分异显著：男性平均周工作时长（49.62 h）较女性（48.14 h）高1.5 h； 20~29岁男性群体的平均周工作时长（50.68 h）最长，而30~39岁女性群体尽管人数占比最高（22.13%），但其平均周工作时长（47.59 h）反而最低。此外，不同类型就业聚集区的长时间工作特征呈现明显的分异规律：CBD和中关村等区域的长时间工作人数更多，亦庄地区的长时间工作者占比最高（58.0%），而新发地、马驹桥等批发物流基地的工作强度更大（平均周工作时长均超过50 h）。【结论】本研究为深入理解北京市长时间工作现象提供了丰富的实证依据，研究结果为优化劳动时间政策提供了数据支持，对促进城市可持续发展和社会公平具有现实意义。

【目的】 流域水文信息提取对于水资源管理、洪水预警和生态保护至关重要。传统水文建模多采用四边形格网进行空间离散化，但由于其邻接性不统一、形状失真和拓扑结构表示不准确等问题，导致流域提取时容易在细节处出现阶梯状及平行河流线条，尤其在河流的弯曲和分叉点处更为明显。相比之下，六边形格网因其各向同性、较好的边界效果和均匀的空间分布等优势，能够更好地保持曲线和分叉点的形态，准确地模拟水文过程和提取流域。【方法】 本文基于H3六边形格网系统，以韭园沟流域为研究区，使用分辨率为30 m的SRTM 1数字高程模型（DEM），通过六边形格网生成、DEM重采样、填洼、流向分析、流量累积等步骤，设计了一套基于六边形格网的水文分析算法，并对流量累积和河网提取的数据质量进行评价与分析。首先，本文通过统计流量值1~15的六边形格网与四边形格网所占其格网总数的百分比，结果表明六边形格网在低流量值范围内表现更为集中，在流量值增加时保持更稳定的累积频数增长，避免在高流量值范围内出现过度集中的情况。此外，以更高分辨率（12.5 m）的韭园沟流域河网作为标准河网，将河流线段按长度比例随机选取100、200、300、400、500个点，计算其到最近的四边形格网和六边形格网的平均距离，得到2种方法提取河网的平均偏移量。【结果】 结果显示四边形格网的平均偏移量分别为28.16、30.45、30.57、30.84、30.79 m，六边形格网的平均偏移量为24.03、25.63、23.49、23.78 、24.99 m，六边形格网的平均偏移量均小于四边形格网，表明其具有更高的河网提取精度，能更好地反映地形特征。【结论】 综上，与传统四边形格网相比，六边形格网在流量累积、河网提取方面，展现出更高的空间一致性和精确性，为水文模拟和流域分析提供了一种更高效、更准确的解决方案。

【目的】 现有的语义变化检测方法对于遥感影像的局部和全局特征利用不足，且忽略了不同时相间的时空依赖性，导致土地覆盖语义分类结果不精确。此外，检测的变化对象存在边缘模糊问题，检测结果和实际变化区域的一致性有待提升。【方法】 针对这些挑战，受具有长序列处理能力的视觉状态空间模型（Vision State Space Model， VSSM）启发，本文提出了一种融合卷积神经网络（Convolutional Neural Networks， CNN）与VSSM的语义变化检测网络CVS-Net。该网络有效结合了CNN的局部特征提取优势与VSSM捕捉长距离依赖关系的能力，并嵌入基于VSSM的双向时空关系建模模块以引导网络深入理解影像间的时空变化逻辑关系。此外，为增强模型对变化对象边缘的识别精度，提出了边缘感知强化分支，通过联合拉普拉斯算法和多任务架构自动集成边界信息，增强模型对于变化地物的形状模式的学习能力。【结果】 在SECOND和FZ-SCD数据集上，将本方法与HRSCD.str4、Bi-SRNet、ChangeMamba、ScanNet及TED五种主流的SCD方法进行对比。实验结果显示，本方法的语义变化检测性能优于其他对比方法，验证了本方法的有效性。在SECOND数据集上实现了23.95%的分离卡帕系数（Sek）和72.89%的平均交并比（mIoU），在FZ-SCD数据集上的SeK达到23.02%， mIoU达到72.60%。消融实验结果中，随着在基础网络中添加各模块， SeK值逐步提升至21.26%、23.04%和23.95%，证明了CVS-Net中各模块的有效性。【结论】 本方法可有效提升了语义变化检测的属性和几何精度，可为城市可持续发展、土地资源管理等应用领域提供技术参考和数据支撑。

【意义】月球表面物质成分与热环境特征，是进一步认识月球资源分布、环境特征、演化历史的重要科学依据。光谱成像仪具有无损探测物质成分的能力，是月球及深空探测任务中配置的重要科学载荷之一。轨道器探测数据为人类认识月球资源分布、起源演化等提供了重要数据。随着月球探测任务的日益深入和光谱成像技术的不断发展，获取更高空间分辨率、更高光谱分辨率的宽谱段全月数据是月球环绕探测的发展趋势，但也加深了数据处理的难度。【进展】本文首先概述了国内外历次月球探测任务中，光谱成像仪的参数配置及主要研究成果等；然后，针对月球高光谱宽谱段遥感数据预处理、月表参量转换等难题进行了讨论；最后，就如何突破现存的挑战，获取更高精度的月表科学研究成果，提出了可能的技术途径和解决方向。【结论】高光谱数据为月球表面特征的详细研究提供了数据基础，后续将为载人月球探测和月球科学研究提供进一步的支撑。光谱成像技术的发展以及高光谱数据处理方法的提升将进一步增强在月球和行星科学方面的研究能力，推动月球的地质学和资源利用的发展。

【目的】 高分辨率遥感图像具有丰富和精细的空间信息，但其丰富的细节却模糊了不同土地覆盖类型间的界限，增加了分割的模糊性和不确定性。针对遥感图像分割领域的这一问题，本文提出一种改进区间二型模糊神经网络的新型遥感图像分割方法。【方法】 该方法通过引入空间邻域信息及模型混合策略，构建混合回归隶属函数，实现对数据复杂特征的精细表达，以提升模型的适应性和特征提取能力；通过构建混合回归隶属函数的不确定区域来映射模糊和不确定的遥感数据特征，提高模型的鲁棒性；使用全连接神经网络结构进行特征整合，进一步增强模型的学习能力，同时引入焦点损失函数缓解类别不平衡问题的影响。【结果】 在WHDLD和Potsdam数据集上进行的地物类别分割实验中，提出方法的分割精度优于DeepLab v3+和UNet++，与区间二型模糊神经网络方法相比，总体精度平均提升了8.31%和10.48%，Kappa值提升14.07%和14.59%，F1-score提升16.36%和12.31%。【结论】 实验结果表明，提出方法成功应对了遥感图像分割中的模糊性和不确定性，有效缓解了土地覆盖分割中区域噪声造成的影响，具有分割精度高、泛化能力强等特点。

【目的】深度学习方法在地物识别中可以通过自动提取复杂地形特征从而显著提升效率，其中DeepLabV3+算法能够有效捕获多像素特征，被广泛地应用于遥感影像的分割和识别。但其在滑坡识别中细节处理能力受限，容易导致目标边界的模糊和识别错误，此外，该模型依靠卷积运算捕获的是局部信息，难以有效地建立长距离依赖关系。【方法】本文提出了一种基于DeepLabV3+的改进模型，首先，引入坐标注意力（Coordinate Attention，CA）机制，增强特征表达能力。其次，使用密集空间空洞金字塔池化（Dense Atrous Spatial Pyramid Pooling，DenseASPP）模块替换原有的空间空洞金字塔池化（Atrous Spatial Pyramid Pooling，ASPP）模块，提升多尺度特征提取效果并有效地解决了空洞卷积低效或失效的问题；同时，通过并联加入条形池化(Strip Pooling，SP）分支模块，提升主干网络对长距离依赖关系的建模能力。最后，引入级联特征融合（Cascade Feature Fusion，CFF）模块，用于整合不同层次的特征信息，进一步优化分割性能。【结果】使用毕节滑坡数据集进行实验，结果表明，改进后模型相较原模型的MIoU提高了2.2%，F1分数提高了1.2%；与其他主流深度学习模型进行对比，该模型在提取精度方面均表现出一定优势。在分割效果上，该模型在识别滑坡区域的整体准确性上有显著提高，分割结果与原始滑坡形态保持很高的一致性，减少了错分和漏分现象，在滑坡边界的分割上更加精确。【结论】通过验证数据集测试及实际应用验证，本文提出的方法在不同场景、不同复杂程度下的滑坡影像均表现出较强的识别能力，尤其在植被覆盖区、河流邻近区域等复杂背景环境中表现更加稳定，展现出较强的泛化能力和普适性。

【目的】针对现有遥感影像建筑物提取模型中因冗余导致的特征表示能力差、建筑物边界不清晰及微小建筑物丢失问题。【方法】提出一种细节增强与跨尺度几何特征融合网络DCS-Net，由信息解耦与聚合模块（IRDM）、局部互相似性细节增强模块（LMSE）和引导小目标推理的跨尺度几何特征融合模块（CGFF）组成。IRDM模块通过分配权重将冗余特征分离并重构，从空间和通道2个维度抑制冗余，促进有效特征学习； LMSE模块通过动态选择窗格以及编-解码特征之间的局部互相似性指定像素聚类，提升建筑物边缘信息的准确性和完整性； CGFF模块计算原始图像与不同语义级特征图间的特征分块关系，补偿信息损失以提升微小建筑物的提取性能。【结果】本文的实验基于2个公开数据集： WHU航拍数据集和Massachusetts建筑物检测数据集。实验结果表明，与UNet、PSPNet、Deeplab V3+、MANet、MAPNet、DRNet、Build-Former、MBR-HRNet、SDSNet、HDNet、DFFNet、UANet等现有建筑物提取算法相比，DCS-Net在各项评价指标中得到了显著提升，验证了所提方法的有效性。在WHU数据集上的交并比、 F1值和95%HD达到92.94%、96.35%和75.79，对比现有最佳算法分别提升了0.79%、0.44%和1.90；在Massachusetts数据集上的指标为77.13%、87.06%和205.26，分别提升了0.72%、0.43%和13.84。【结论】DCS-Net能更为准确完整地提取出遥感影像中的建筑物，并显著缓解微小建筑物丢失的问题。

【意义】人类移动与交通、传染病、安全等密切相关，使得轨迹分析与建模成为持续的研究热点。目前，学界与业界已发展了大量以机器学习/深度学习为主流的轨迹专门模型，如轨迹插值模型、轨迹预测模型、轨迹分类模型等。然而，这些模型大多针对专门任务设计、基于局部区域数据训练，难以泛化应用于其他任务、其他区域乃至其他类型的轨迹。近年来，随着生成式人工智能发展，通用基础模型在自然语言处理、计算机视觉等领域得到显著应用。在这一技术发展趋势下，构建轨迹基础模型，使其学习到大规模轨迹数据的通用特征，以适用于不同区域与多种下游任务，成为轨迹建模的迫切需求。【方法】本文首先系统综述了各类轨迹专门模型的研究进展与发展脉络，然后将轨迹建模任务分为常规任务（轨迹相似性计算、插值、预测、分类等）与生成任务（轨迹生成），阐述了近年来面向这两类任务的轨迹基础模型前沿研究进展。【结论】本文认为，面向常规任务的轨迹基础模型除了具备任务泛化能力，还应进一步强化其空间泛化与数据泛化能力；面向生成任务的轨迹基础模型还需攻克空间泛化难题，能够基于易获取的目标城市宏观数据或特征，“从无到有”生成城市级大规模轨迹数据。此外，将轨迹数据与其他类型数据（如文本、地图、其他地理空间数据）联合构建多模态地理基础模型，以及构建面向交通管理、传染病传播、公安寻人等业务场景的轨迹基础模型，也是未来值得探讨的研究方向。

【意义】 地理建模是解决地理学相关的各种复杂实际问题的科学手段，但执行过程导向的传统地理建模方式给建模者（尤其是非专业用户）实际应用时带来沉重的建模负担。【方法】 本文提出了智能化地理建模应该从用户的建模目标出发，形式化为初始的建模问题单元，以递归求解的思路逐步解决当前的建模问题单元，之后上溯推理形式化新的建模问题单元、相应求解出适用的地理模型（或其组成部分），从而实现根据用户实际应用问题的场景自动构建出合适的地理模型工作流。【进展】 本文介绍了在此基本思想指导下，作者近年来开展的一系列智能化地理建模的方法研究工作，旨在有效降低实际应用中非专业用户的地理建模难度，同时保障所建模型的准确性。基于上述方法研究工作，可实现领域建模知识（尤其是案例化的应用场景知识）驱动、“数据-知识-模型”协同递归的智能化地理建模计算应用模式，基于此开发了原型系统——地理空间智能计算系统（EGC）。【展望】 本文最后重点讨论了上述方法研究与当前兴起的利用大语言模型进行地理建模研究工作之间的关系，并讨论了下一步研究方向。

【目的】小目标检测在军事和民用领域具有重要意义，但由于低分辨率、高噪声环境、目标遮挡及背景复杂等因素的影响，传统检测方法在精度和鲁棒性上难以满足实际需求，复杂场景下的小目标检测问题仍极具挑战性。因此，本文提出一种混合特征与多尺度融合的小目标检测算法。【方法】首先，本文设计了一种混合特征提取模块（Hybrid Conv and Transformer Block, HCTB），充分利用局部和全局上下文信息来增强网络对小目标感知，优化了计算效率和特征提取能力；其次，提出了多膨胀率共享卷积核模块（Multi-Dilated Shared Kernel Conv, MDSKC），通过不同膨胀率的空洞卷积扩展主干的感受野，高效提取多尺度特征；最后，结合基于Omni-Kernel和Cross Stage Partial思想构建的全核跨阶段特征融合模块（Omni-Kernel Cross Stage Model, OKCSM），优化了小目标特征金字塔网络，更大程度上保留小目标的信息，提高了检测性能。【结果】本文在 VisDrone2019和TinyPerson数据集上进行了消融实验和对比实验，结果表明：本文方法相较于基线模型yolov8n，在查准率、召回率、mAP₅₀、mAP_50:95上分别提升为1.3%、3.1%、3%、1.9%和3.6%、1.3%、2.1%、0.7%，且模型尺寸和GFLOPs仅为6.3 MB和11.3 G；此外，在与HIC-Yolov5、TPH-yolov5、Drone-YOLO等经典算法的对比实验中，本文提出的算法显示出明显的优势，优于其他对比方法。【结论】本文算法有效提升了检测精度，证明了本文算法面对复杂场景中小目标检测问题方面具有良好的检测性能。

【目的】 森林作为陆地生态系统的主体，具有调节气候、保持水土等多种功能。在森林面临的众多危害中，火灾对森林资源的危害日益严重。分析影响森林火灾的因素对于预防森林火灾和制定相关策略至关重要。【方法】 本研究选取中国为研究区，识别森林火灾主要驱动因素，选取植被、气候、地形、人类活动等森林火灾相关驱动因子，利用地理探测器进行全局森林火灾的驱动力分析。并基于植被分区方案，定量计算了8个植被区划的森林火灾空间分布驱动力。【结果】 ① 全局尺度上，森林火灾的空间分布受植被覆盖度（fvc）的影响最大，解释力为0.130 2，气候因子对森林火灾的驱动力相对较强；驱动因子交互作用均为增强，森林火灾的发生是各驱动因子综合作用的结果；且森林火灾驱动因子与森林火灾发生概率之间存在非线性关系和影响阈值； ② 局域尺度上，气候和植被作为森林火灾的关键驱动因素，很大程度上解释了各个分区森林火灾的空间分布。如气温（tem）是寒温带针叶林区域（CTNF）、温带针叶、落叶阔叶混交林（TCBMF）、青藏高原高寒植被区域（AVTP）3个区域的最高解释力驱动因子，解释力分别为0.313、0.410、0.052；风速（win）是暖温带落叶阔叶林区域（WTBF）的最高解释力驱动因子，解释力为0.279。【结论】 在不同区域，森林火灾主要驱动因子和因子的交互作用均有差异，定量验证了森林火灾空间分布驱动力的空间异质性。研究结果有助于了解中国不同区域森林火灾的驱动因素，并帮助政策制定者设计火灾管理战略，以减少潜在的火灾危害。

【目的】 由于点云的非结构化和无序性，现有的深度学习点云分类网络存在局部特征和全局特征挖掘不充分并且缺乏有效的上下文特征融合的问题，难以实现地物精细分类。因此，本文提出了一种顾及局部-全局特征多尺度卷积注意力网络的点云地物分类方法。【方法】 首先，针对点云的非结构性，构建局部加权图学习中心点和邻域点的位置关系，动态调整核权重，以获得更具代表性的局部特征。同时提出全局图注意力模块，考虑各点之间的全局空间分布，应对点云无序性的同时，可以有效捕获全局上下文特征，从而有效整合不同尺度信息。此外，设计自适应加权池化模块进一步实现局部和全局特征的自适应融合，最大程度提高网络的分类性能。【结果】 应用开源Toronto-3D点云数据集和实测校园点云数据集验证本文方法有效性，实验结果表明，在Toronto-3D数据集本文方法的OA和MIoU分别为97.21%和85.46%，相较于Pointnet++、DGCNN、RandLA-Net、BAAF-Net和BAF-LAC等网络模型，OA提升了1.99%~8.21%，MIoU提升了3.23%~35.86%，在校园数据集本文方法的OA和MIoU分别为97.38%和85.70%，OA提升了0.58%~10.53%，MIoU提升了2.01%~32.01%。【结论】 本文方法实现了复杂场景下高精度、高效率的自动化地物精细分类。

【目的】 粗放式设施配置已无法保障社会公平和生活品质，提高感知服务质量成为城市公共交通发展和改革的重要方向。以往研究存在以下不足： ① 传统基于交通调查的分析方法难以揭示感知服务质量的区域差异； ② 现有使用社交媒体平台大数据的研究容易受到信息偏差、极化等影响，不易反映公众真实诉求，且对制度化平台数据的利用多停留在舆情分析层面，缺乏具体可行的优化路径。【方法】 提出了一种结合公众网络参与和语义分析的方法，并以武汉都市发展区为研究区域，基于政-民在线互动平台的公共交通相关网络留言，通过时空特征信息提取验证了数据的可靠性，运用情感分析、主题聚类和空间分析识别了感知服务质量的特征，并结合公交系统服务效能针对不同区域提出优化建议。【结果】 ① 公众网络参与数据能够反映实际出行活动的时空规律，具有较高可信度； ② 公众的情感表达在个体和区域上存在差异，对服务质量的感知维度可以分为“公共交通规划建设”、“公共交通出行路况”、“居住小区公交配置”、“公共交通线路设置”和“公共交通运营服务”5个主题，且感知服务质量在空间上呈现不均衡和聚集的特征； ③ 针对主城区道路系统、远城区地铁站点、主城区与远城区交界处公交线路提出了相应的优化建议。【结论】 研究成果为城市公共交通感知服务质量的空间差异精细化识别与优化提供了新方法，也展现了公众网络参与数据在促进政府决策方面的应用价值。