EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 8: 1339 - 1350

DOI: https://doi.org/10.12082/dqxxkx.2021.200631

Application of Geo-information Science and Technology in Poverty Alleviation in China

  • HU Shan , 1, 2 ,
  • GE Yong , 1, 2, * ,
  • LIU Mengxiao 1, 2
Expand
  • 1. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
* GE Yong, E-mail:

Received date: 2020-10-22

  Request revised date: 2020-12-08

  Online published: 2021-10-25

Supported by

The National Science Fund for Distinguished Young Scholars(41725006)

Copyright

Copyright reserved © 2021
Fold

Abstract

Through various exploration and practice of poverty alleviation, China has embarked on a path of poverty alleviation with Chinese characteristics, which has greatly reduced the number of rural poor people and significantly improved the living standard in poverty-stricken areas. For a long time, the monitoring of socioeconomic and environmental conditions in poverty-stricken areas is based on all kinds of statistical data, reports, paper files, etc., based on administrative units, lacking effective and accurate spatial location information. With the rapid development of geo-information science such as Remote Sensing (RS) and Geographic Information System (GIS), the real-time and efficient capture and calculation ability of spatial information greatly improves the efficiency and decision support level of poverty alleviation. This paper expounds the contributions of geo-information science on China's poverty alleviation from the following aspects:① monitoring and evaluation of natural resources and environment in poverty-stricken areas based on multi-source geospatial data; ② monitoring, early warning, and management of natural disasters in poverty-stricken areas; ③ analysis of poverty causing factors and poverty prediction; ④ decision support system for targeted poverty alleviation based on the mechanism of targeted poverty alleviation. China aims to eradicate absolute poverty in 2020, so the application of geo-information science in poverty alleviation will mainly focus on the establishment of monitoring and assistance mechanism to prevent poverty returning and alleviate the relative poverty. Moreover, under the background of rural revitalization, using geo-information science and technology to promote rural infrastructure information construction will be the focus of the next step.

Key words： poverty; poverty alleviation; geo-information science; big geodata; resources and environment monitoring; spatial-temporal analysis

Cite this article

HU Shan , GE Yong , LIU Mengxiao . Application of Geo-information Science and Technology in Poverty Alleviation in China[J]. Journal of Geo-information Science, 2021 , 23(8) : 1339 -1350 . DOI: 10.12082/dqxxkx.2021.200631

1 引言

1978年改革开放以来,中国在全国范围内开展了有组织的大规模开发式扶贫,减贫成为了国家战略的重要组成部分[1,2]。减贫措施的高效实施、贫困地区资源的优化配置、贫困地区社会和环境的可持续发展,都需要大量监测数据提供支撑。传统的社会经济和资源环境监测建立在各类统计资料,统计报表,纸质档案等的基础之上,耗费人力物力,且更新缓慢。而地球信息科学技术可以提供时间跨度长,覆盖范围广,更新即时的监测数据,使大范围的、实时的社会经济监测成为了可能。随着地球信息科学的蓬勃发展,多源、多尺度卫星影像数据大量累积,无人机遥感技术迅猛发展,计算机图像处理技术不断革新,极大地提升了地球信息科学服务于经济和社会可持续发展的能力[3,4]。
地球信息科学的主要技术手段包括遥感(RS),地理信息系统(GIS)和全球定位系统(GPS)等技术[5]。近年来,遥感技术的科技创新能力不断提升,积累了海量的地理空间数据[6]。中国目前在轨运行的卫星约有200多颗,对地观测领域已经形成了“风云”、“海洋”、“资源”、“高分”等多个体系[7]。特别是高分系列卫星,已广泛应用在国土资源调查,环境监测,现代农业,灾害预警等重大领域[8]。此外,北京一号、二号系列,吉林一号系列,和珠海一号高光谱卫星星座等民商用卫星地有效运行,也成为了国家空间基础设施的有效补充[9,10,11,12]。除国产地球观测数据集,国外也有大量的公开数据集,如拥有最长时间序列观测数据的美国陆地资源卫星Landsat系列数据集[13]、法国的SPOT系列数据集[14]、欧空局Sentinel系列卫星数据集等[15]。近年来,无人机遥感技术迅猛发展,无人机具有结构简单、成本低、风险小、灵活性强等特点,逐步在各类监测应用中强势增长和快速拓展[16]。除地球观测数据之外,自发地理信息（Volunteered Geographic Information, VGI）也提供了现势性高、成本低、细节丰富的地理空间信息[17]。此外,各类捕捉人类行为的地理空间数据（如手机信令数据）也为社会经济监测提供了重要数据源[18]。
同时,空间数据管理,遥感图像处理,云计算,数据挖掘等数据管理和数据处理技术的发展使得从海量的地理空间数据中高效地获取有价值的知识成为了可能。此外,空间分析,时空统计分析,机器学习,空间计量等数据分析方法为贫困人口的空间识别,贫困人口的空间分布特征分析,以及贫困的驱动因素分析提供了丰富的方法支撑。
那么在中国长期的、大范围的减贫过程中,地球信息科学技术发挥了什么样的作用呢?本文从以下4个方面阐述了地球信息科学技术在减贫中的应用：① 多源地理空间数据在贫困地区自然资源和生态环境监测评估中的应用;② 贫困地区自然灾害预警、监测和管理;③ 基于地理空间数据的致贫因素分析和贫困预测;④ 依据精准扶贫工作机制建立精准扶贫决策支持系统。

2 中国的减贫历程和减贫成就

1978—1985年,是农村改革推动减贫的阶段,没有专门的扶贫工作机构,减贫主要依赖于调整结构,深化改革,扩大开发等一系列措施为贫困人口的脱贫带来改革红利[19]。1986年,国家成立了专门的扶贫工作机构,从此有计划、有组织和大规模的扶贫开发正式拉开序幕。1994年制定并实施了《国家八七扶贫攻坚计划（1994—2000年）》[20],确定了592个国家贫困县。《计划（1994—2000）》表明中国要力争用7年左右的时间解决当时全国农村8000万贫困人口的温饱问题。2001年,《中国农村扶贫开发纲要（2001—2010年）》[21]制定并颁布实施,《纲要（2001—2010年）》目的在于解决温饱与巩固温饱并重,改善贫困地区的基本生产生活条件,提高贫困人口的生活质量和综合素质,加强贫困乡村的基础设施建设,改善生态环境,逐步改变贫困地区经济、社会、文化的落后状况。2011年,《中国农村扶贫开发纲要（2011—2020年）》[22]制定并颁布实施,其指出我国的扶贫开发已经从以解决温饱问题为主要任务的阶段转入巩固温饱成果、加快脱贫致富、改善生态环境、提高发展能力、缩小发展差距的新阶段。2013年,习总书记在湖南省湘西州花垣县十八洞村考察时首次提出了以“精准扶贫”为核心的扶贫开发战略思想[23]。2015年,《关于打赢脱贫攻坚战的决定》[24]全面阐述了精准扶贫基本方略,通过对贫困村和贫困户的精准识别,精准帮扶,精准管理和精准考核,实现扶贫到村到户,构建精准扶贫的长效机制。2016年,“十三五”脱贫攻坚规划进一步确定了到2020年消除绝对贫困目标的时间表和路线图[25]。
40年的改革开放实现了中国经济的持续增长,也推动了中国贫困人口的大幅减少。中国的减贫成就主要体现在：① 贫困人口大幅减少。按照现行国家贫困标准（2010年不变价人均纯收入每年2300元）,中国的贫困人口从2011年的1.2亿减少到了2019年的551万,贫困发生率从12.7%下降到0.6%[26]（图1）;② 贫困地区生活水平明显改善,基础设施和公共服务水平不断提高。2018年,贫困地区农村居民人均可支配收入10 371元,是2012年的1.99倍。截止到2018年末,贫困地区通电的自然村接近全覆盖,通电话、通有线电视信号、通宽带的自然村比重分别达到了99.2%、88.1%、81.9%,贫困地区村内主干道路面经过硬化处理的自然村比重达到了82.6%[27]; ③ 区域整体减贫成效明显。国家扶贫开发重点县,民族八省区,以及2011年划定的 14个集中连片特困地区减贫成效明显。集中连片特困地区农村贫困发生率从2012年末的24.4%下降到2018年末4.5%[27]。
图1 改革开放以来,不同贫困标准下,中国贫困人口和贫困发生率变化

注：贫困人口数据和贫困发生率数据来源于《中国农村贫困监测报告(2018)》[26],以及2018年和2019年中华人民共和国国民经济和社会发展统计公报。

Fig. 1 Variation of China's poor population and poverty ratio at different national poverty line since the reform and opening-up

3 地球信息科学技术在中国减贫中的应用

地球信息科学在中国减贫中的应用,主要依赖地球信息科学技术快速和大范围的获取和分析空间信息的能力。遥感技术可以快速获取和更新地理空间信息,并通过对遥感影像数据的定性和定量分析,为贫困地区社会经济和资源环境分析提供土地、植被、水体、地质、大气等多个维度的信息[28]。地理信息系统则是存储、管理、分析和可视化地理空间数据及其空间关系的空间信息系统,其强大的数据综合,模拟和空间分析能力可以辅助贫困地区的空间规划和管理[5]。特别是丰富的数据处理和数据分析方法,为从海量的地理大数据中获取从关于贫困的信息提供了方法支撑。地球信息科学技术服务于中国减贫的整体框架如图2所示。
图2 地球信息科学技术在中国减贫中的应用框架

Fig. 2 Framework of the application of Geo-information science and technology in China's poverty alleviation

3.1 贫困地区自然资源和生态环境监测评估

14个集中连片贫困地区中,有55%的县位于全国25个国家重点生态功能区（2010年《全国主体功能区规划》[29]确定了25个国家重点生态功能区,共包含了436个生态功能县,2016年生态功能县增加到了676个,其中有378个县位于集中连片贫困地区[29,30]）。贫困地区的发展往往依赖于当地的资源开发,但是限制于落后的开发手段和发展模式,使得在获得经济发展的同时,引发了生态环境退化。同时,建立自然保护区,生态防护林等生态环境保护工程时,由于设计的缺陷和有限的生态补偿资金,又限制了贫困地区的发展[31]。因此,在减贫过程中要充分考虑生态脆弱区的扶贫方式,处理好生态保护和减贫的关系,促进精准扶贫与生态建设有效衔接。地球信息科学技术具有覆盖范围广、更新快、多尺度等特点,可以实现大范围的自然资源与生态环境精细化调查,为实现贫困地区的扶贫开发遵循经济发展的现实利益和生态保护的长远利益相统一的目标提供科技支撑。
3.1.1 资源环境信息调查,本底数据采集
自然资源与生态环境本底信息的提取是开展生态安全评价,生态补偿评估,灾害风险评估等工作的基础。土地利用/土地覆被(Land Use and Land Cover,LULC)是评价自然资源和生态环境的重要数据源。LULC分类是遥感技术应用中最早且研究最多的一项基础性工作,已经形成了非常成熟的技术路线,且分类算法日益丰富,分类精度逐步提升[28]。Landsat系列卫星拥有最长时间序列影像,因此Landsat影像数据最常用来监测大面积的、长时间序列的LULC[32]。目前已有丰富的基于Landsat卫星影像的全球30 m分辨率的LULC数据产品,如Chen等[33]基于Landsat影像的2000年和2010年全球30 m分辨率土地覆被数据集。Pekel等[34]基于Landsat系列影像的1984—2015全球地表水体变化图。刘纪远等[35,36]基于Landsat系列影像中国1980—2015年每隔5年的土地利用产品。葛咏等[37]基于Landsat 8的中国集中连片特困地区2013—2018年LULC制图。此外还有欧空局的Sentinel系列卫星数据,其中Sentinel-2可以提供最高空间分辨率为10 m的多光谱数据集,为更加精细和大范围的LULC制图提供了数据源[38]。随着对地观测技术的发展,高分辨率影像数据不断积累,例如Quick Bird,SPOT-5,以及国产高分(GF)系列卫星影像数据。高分影像可以捕捉更为清晰的地物位置布局,更加精细的纹理和几何特征,例如,基于高分影像进行道路,建筑物结构等的提取。典型的应用研究如,Hou等[39]基于高分辨率卫星影像数据来识别中国大型的光伏发电站,并成功绘制了中国439个光伏发电站,面积近2000 km2。
除了LULC,基于卫星影像数据计算的植被指数,如归一化植被指数（Normalization Difference Vegetation Index,NDVI）,可以进行植被等的宏观监测;基于遥感影像反演的地表植被参数,如叶面积指数（Leaf Area Index,LAI）,净初级生产力（Net Primary Productivity, NPP）等,可以提供表征生物量和植被覆盖的信息;基于遥感影像数据反演的地表生态环境参数,如气温、降水、土壤水分等可以为资源环境监测提供表征气候环境状况的指数;基于遥感影像数据还可以反演水体参数,如悬浮物的含量,可以进行水质和水体污染的监测;遥感影像反演的大气参数（如气溶胶）可进行大气环境污染的监测。除了遥感技术,基于GIS技术强大的数据综合,模拟和空间分析的能力,可以实现地理空间过程的演化和预测[5]。例如,基于数字高程模型（Digital Elevation Model, DEM）数据的坡度、坡向、地表粗糙度等地形特征的提取,以及基于GIS空间分析功能进行基础设施的可达性分析,资源优化配置方案分析等。
3.1.2 贫困地区的生态安全评价
对贫困地区生态安全评价的研究主要是基于压力-状态-响应模型(Pressure-State-Response,PSR)、生产-生活-生态三生空间理论,以及社会经济和生态环境2个维度的协调发展理论,通过建立多维度评价指标体系,进行生态安全空间格局分析,生态环境脆弱性分析,生态效益评价,以及生态环境和社会经济的耦合协调度分析。在这一过程中,表征生态环境维度的指标通常可以由基于遥感和GIS的数据提供,例如表征植被覆盖的LAI和NDVI;表征大气污染的氮氧化物排放;表征水体污染的水体中颗粒物含量等。同时,时空分析方法可以进一步探索生态安全评价结果在空间上的分布特征和时间上的演变特征。例如,基于压力-状态-响应模型,根据区域特征建立指标体系,对恩施州[40]、内蒙古自治区[41],青海省[42]等贫困地区的生态安全综合评价以及空间格局的诊断分析。曹诗颂等[43]通过构建自然、社会、经济3个方面指标体系,基于土地利用覆被数据、植被覆盖度指标,以及NPP对秦巴山片区的生态系统功能和生态效益价值进行了评估,并分析了研究区生态资产与经济贫困的耦合协调度。此外,李静怡等[44]对吕梁山片区生态环境质量和经济贫困的空间耦合特征分析; 李旭东等[45]对贵州乌蒙山片区的资源相对承载力的时空变化分析。
3.1.3 贫困地区的生态补偿评估
构建生态补偿机制是目前改善生态环境质量、协调环境保护与经济发展矛盾的重要手段[46]。特别是在中国的贫困地区与生态脆弱区和保护区高度重叠的背景下,贫困地区的生态补偿标准,补偿成本,补偿对象空间范围等的设计对缓解贫困地区经济效益和生态效益的矛盾有重要的意义[47]。地球信息科学技术已经广泛的应用于生态补偿的资源环境效应分析,自然保护区生态补偿管理,生态补偿的空间均衡性分析等方面[48,49,50]。地球信息科学技术首先可以提供核算生态价值的丰富数据源,例如土地利用和土地覆被、NPP、降雨量、碳排放等。其次,时空统计分析和空间计量等分析方法为生态补偿空间范围划定和生态补偿标准测算提供了很好的方法支撑,例如,通过空间聚类分析的方法辅助生态补偿对象空间范围地选择。针对贫困地区的研究如,许丽丽等[51]基于Landsat TM/ETM、HJ-1 CCD、MODIS17A3 NPP 遥感影像数据,结合气候和土壤地面调查数据,对14个集中连片特困地区的生态补偿标准进行了估算。该研究结果指出,2010年14个集中连片贫困地区的生态补偿实际所需金额与国家给予的生态补偿资金相比相对不足。
3.1.4 扶贫相关资源环境综合信息平台建设
目前,已经有较为丰富的基于地球信息科学技术的贫困地区自然资源和生态环境监测评估的综合信息平台,例如,“十二五”期间,由国务院扶贫办组织实施的第一个运用地球信息科学技术为扶贫开发提供决策支持的国家科技支撑计划项目,“扶贫空间信息系统关键技术及其应用”,开发建成了国内首个国家级扶贫开发空间信息服务平台。该平台以多维度精准识别扶贫对象,精准配置扶贫资源为目标,实现了面向贫困地区的资源环境遥感监测,生态价值和生态补偿评估,灾害风险管理与评估、扶贫开发资源优化配置,基于多维贫困指数的县、村、户多维贫困精准识别。中国科学院寒区旱区环境与工程研究所以甘肃省陇南市为应用示范区,以中国高分系列卫星数据为核心,整合资源系列卫星,环境系列卫星,“风云”系列卫星等卫星影像数据,辅助以无人机精细化调查,地面监测网络,构建了陇南市自然资源和生态环境监测调查系统,为陇南市精准扶贫与生态补偿的重点建设方向与实现路径提供了科技支撑[52]。
基于地球信息科学技术进行贫困地区自然资源和生态环境监测方面的应用和研究主要是基于多源的地球观测数据进行自然资源调查,生态安全评价,生态补偿评估等,且有较为成熟的技术路线。但是,关于贫困和生态环境耦合关系的定量分析研究还较为缺乏,中国贫困地区的社会经济发展在多大程度上受到了自然资源和生态环境的制约,从长期来看贫困地区的生态环境是否受到大规模扶贫开发的影响等问题还没有得到很好的解决。因此,进一步的研究工作可以从贫困和生态环境耦合关系的角度进行挖掘,为缓解贫困地区发展和保护的矛盾提供数据支撑,促进贫困地区的可持续发展。

3.2 贫困地区的自然灾害监测、预警、与评估

中国的贫困地区多位于滑坡,泥石流,干旱等自然灾害频发的地区,14个集中连片贫困地区中有448个县属于地质灾害重点防治县,占片区县的比例为65.9%[53]。自然灾害的突发性、毁灭性和不可抗拒性,直接威胁着贫困地区的人们赖以维持的生计和主要收入来源的农业生产,也威胁着人们的生命财产安全。自然灾害不但会加剧贫困,甚至会使已经脱贫致富的家庭因灾返贫,因此灾害风险预警和评估于贫困地区至关重要。地球信息科学技术发挥其时效性强,手段多,全天候等的特点,可基于贫困地区社会经济条件和自然环境特征,实现业务化的灾害监测,预警和管理,最大程度上减少灾害损失,提高贫困地区抵御自然灾害风险的能力。
卫星、航空,以及无人机遥感技术,已经广泛应用于贫困地区灾害监测、预警和管理,包括干旱、洪涝、地震、地质灾害、森林火灾、次生灾害等的监测和各类灾害的损失评估[54]。针对贫困地区“因灾致贫,因灾返贫”的现象,目前的相关研究主要集中在贫困地区的灾害风险评估和制图。例如,陈曦炜等[55]基于GIS技术对恩施土家族苗族自治州贫困地区的降雨诱发型地质灾害的风险评估。殷洁等[56]基于GIS对武陵山片区洪水灾害的风险评估。此外,也有丰富的专门针对贫困地区建立的灾害监测与评估平台,典型的应用平台如,中国四维测绘技术有限公司与涞源县人民政府围绕涞源县森林火灾的科技扶贫战略合作,开发了基于高分4号（GF-4）遥感影像数据的“涞源森林火险指挥平台”,可以实现火情、火点、火势的快速监测,为涞源县的森林防火工作的信息化建设提供了有力支撑。
基于地球信息科学技术的贫困地区自然灾害监测,主要是高效和快速的灾害监测和预警,以及灾害风险评估,这在很大程度上减少了贫困地区因灾害造成的损失。但是,关于贫困地区自然灾害与贫困以及返贫风险之间关系的研究还比较少。因灾返贫现象在贫困地区较为普遍,通过进一步挖掘贫困地区自然灾害与返贫风险的关系,可以为提高贫困人口抵御自然灾害的能力提供决策支持。

3.3 基于多源地理空间数据的致贫因素分析及贫困预测

贫困人口的分布具有空间聚集性和分异性特征,这些特征的形成与区域的地理要素,如地形地貌、气候等,以及社会经济要素如基础设施建设、民族文化等密不可分。基于这些地理要素和社会经济要素诊断区域的致贫因素,分析主导致贫因素及其空间差异,有助于因地制宜的制定减贫措施。例如,刘一明等[57]基于BP神经网络（Back Propagation Neural Network）,结合DEM数据、NPP、NDVI、综合灾情指数,以及社会经济数据,模拟了武陵山片区的自然致贫指数和社会经济消贫指数。空间统计学以统计学为基础,将空间关系融入统计学中,如空间自回归分析,地理加权回归分析,地理探测器,时空贝叶斯分析模型等,可以实现贫困的时空分布和演化格局分析,挖掘区域贫困背后的驱动因素。例如,刘彦随等[58]以河北省阜平县为例,运用地理探测器探索了县域农村贫困化分异的主导因素,研究指出地面坡度,到主干道的距离,和到县城中心距离都是影响农村贫困化分异的主导因素。刘梦晓等[59]以湖北省郧阳区为例,分别基于随机森林和多元线性回归LMG（Lindeman Merenda and Gold,LMG） 2种方法探索了村级贫困发生率与环境、经济、社会3大类要素之间的关系。在致贫因素分析的基础上,也有研究进一步结合这些致贫因素进行贫困地区整体的扶贫绩效分析,例如,葛咏等[60]建立了反映贫困地区社会经济条件,生产生活条件,扶贫开发措施多个方面的共50项指标,全面地评估了除西藏外的13个集中连片特困地区2010—2012年的综合扶贫绩效指数及其时空变化。
目前,估计一个区域的贫困状况最可靠的方法依旧是基于耗时长、成本高、更新缓慢的家庭调查,无法及时和高效的获取贫困地区的社会经济信息。随着“大数据”时代的到来,人们越来越意识到开放的、海量的、更新即时的地理空间数据在了解区域社会经济发展状况中的潜力[61]。基于地理空间数据可以提取反映区域自然环境条件和社会经济条件的要素,例如,LULC中,耕地面积的比重可以近似的反映区域的农业生产条件,建设用地的变化情况可以近似的反应区域经济发展情况。夜间灯光亮度值可以反映区域的经济水平,距离公共服务设施的距离也可以近似的反应区域的社会经济条件。由于夜间灯光数据亮度值与传统的衡量经济增长的指标的强相关性,最初对区域贫困状况的探索是基于夜间灯光数据。国内学者余柏蒗团队[62],基于NPP-VIIRS平均夜间灯光指数对中国县域贫困度进行了估算,并得出基于统计数据的县域综合贫困指数与基于夜间灯光数据的贫困度指数之间存在较高的相关性,表明夜间灯光数据可以作为一个客观高效的数据源来评估和预测县域贫困。国外学者Warmouth等[63,64]在其2013年和2016年的文章中分别利用基于地球观测数据获取的土地覆被数据、NDVI、到市场的距离等探索了人口普查数据与环境要素之间的关系,以及幸福指数和环境要素之间的关系。这两项研究揭示了基于遥感影像中提取的环境因子可以预测一定程度的区域社会经济水平。之后,Warmouth等[65]基于高分辨率Quick Bird影像预测了肯尼亚家庭水平的贫困,并且预测最贫困人群的精度达到了60%。
基于地球信息科学的贫困预测,国外学者的研究相对国内来说较多,主要集中在非洲地区,例如,Jean等[66]基于高分辨率影像和深度学习方法,对非洲地区5个国家的消费支出和资产支出进行了预测。Blumenstock等[67]基于手机通话数据预测了卢旺达的贫穷和财富指数。Pokhriyal和Jacques[68]将地球观测数据和手机通话数据结合,对塞内加尔社区单元的多维贫困进行了预测。中国的自然要素和社会经济要素相对非洲来说更为复杂,人口众多,农村居民点密集,地形地貌复杂,加之中国的扶贫政策干预力度较大,基于地理空间大数据预测贫困的研究相比于非洲地区更为复杂,因此国内基于地理空间大数据预测贫困的研究还相对较少,特别是小尺度的,如针对行政村的贫困预测研究。因此,仍需要进一步去探索和挖掘地理空间数据与区域贫困,家庭或者个体贫困之间的关系,以实现高效的贫困识别。

3.4 基于精准扶贫工作机制建立的精准扶贫决策支持系统

精准扶贫通过对贫困户和贫困村的精准识别,精准帮扶,精准管理和精准考核,引导各类扶贫资源优化配置,实现扶贫到村到户,逐步构建精准扶贫工作长效机制,为科学扶贫奠定基础。根据国务院扶贫办《扶贫开发建档立卡工作方案》[69],各级扶贫工作部门于2014年底完成了全国贫困人口的建档立卡工作,为精准扶贫的信息化建设奠定了基础。贫困人口的精准识别和动态调整,项目资金等的精准管理,基层工作人员的精准帮扶,以及工作成效的精准考核都需要大量的信息采集作为基础。扶贫工作涉及到住建部门,民政部门,规划部门等多个政府部门的职责,在政府层面缺乏统筹协调和资源共享会导致资源浪费,重复安排等情况。同时,精准考核需要具体和深入地量化扶贫工作成效,但是由于信息的不对称,容易出现多部门重复考核,考核指标出现偏差,考核激励机制不完善,为考核与评估带来很大的挑战。因此,通过建立扶贫信息平台,打通各个部门信息障碍,最大限度地整合各部门资源,能高效地指导资源优化配置,同时对各扶贫部门进行监督与管理。
地球信息科学技术有助于扶贫信息和扶贫资源整合,实现精准扶贫“一张图”管理。基于地球信息科学技术的精准扶贫决策支持系统通过对贫困户信息,帮扶信息,帮扶项目信息等的信息化和空间化,实现了扶贫信息的互联互通,提升精准扶贫工作效率。全国范围内已有多地基于区域特征开发了精准扶贫决策支持系统,例如,湖南省第二测绘院为湖南省花垣县十八洞村开发设计的可用于PC端和手机移动端的“十八洞村精准扶贫管理系统”,实现了花垣县十八洞村贫困户的精准定位,贫困户家庭基本信息的精准录入,扶贫措施的空间化,大数据精准分析辅助易地搬迁等决策,多项指标的统计分析,扶贫成效的精准评估[70]。此外,类似的精准扶贫决策支持系统还有,内蒙古自治区的“自治区-盟市-旗县-乡镇-村-户”上下联动的精准扶贫决策支持系统[71];西宁市的精准扶贫信息管理系统[72]等。
目前在基于精准扶贫工作机制建立的扶贫决策支持系统中,地球信息科学技术发挥的作用大多是整合各部门信息,将扶贫对象,扶贫措施等信息空间化,而地理信息系统强大的空间分析功能,以及地理空间大数据挖掘技术还未能充分发挥其作用。如何基于采集的各类自然和社会经济信息,通过空间分析和地理空间大数据挖掘技术获得更多的知识,例如通过地理空间大数据高效地识别贫困区域或者贫困人口,基于历史数据的贫困预测和返贫风险模拟等,都是需要进一步探索的方向。

4 结论与展望

4.1 结论

本文从贫困地区自然资源和生态环境监测,灾害风险监测与评估,致贫因素分析和贫困预测,精准扶贫决策支持系统几个方面系统地阐述了地球信息科学技术在中国减贫中的应用进展。地球信息科学技术首先为贫困地区的资源环境、贫困特征、贫困成因等分析提供了丰富的本底数据,基于这些本底数据能够更加即时和大范围地进行自然资源精细化调查、生态安全评估、生态补偿评估、灾害监测评估、扶贫项目和资源空间化;其次,地球信息科学技术为更进一步地挖掘生态环境状况的时空格局变化、贫困人口时空分布特征,以及贫困驱动因素分析提供了丰富的方法支撑,如空间分析、时空统计分析,以及空间计量等分析方法;最后,通过整合多源数据,数据处理和数据分析方法,集成并可视化,可以形成丰富的贫困地区资源环境监测平台,灾害风险监测平台,精准扶贫决策支持系统等,提升扶贫工作的效率和决策支持水平。
然而,地球信息科学技术在减贫中的应用仍存在一些有待于进一步探索的问题,主要表现在： ① 在自然资源和生态环境监测方面的应用较为完善,但缺乏贫困与生态环境耦合关系的定量分析;② 针对贫困地区的灾害监测,主要集中在灾害预警和风险评估方面,缺乏灾害与贫困,以及灾害与返贫风险之间关系的研究;③ 精准扶贫决策支持系统方面,地球信息科学技术发挥的主要作用还是空间化扶贫对象和扶贫资源,强大的空间分析功能以及地理空间大数据挖掘技术还未充分发挥其作用; ④ 基于地理空间大数据对中国的贫困预测研究较少,特别是针对小尺度的贫困预测研究。

4.2 展望

地球信息科学技术在中国减贫中的应用研究仍旧有很大的探索空间。从技术层面来看,在如今的大数据时代,首先需要进一步完善数据开放和共享生态,加强多源数据的无缝整合,提高地理空间数据的利用效率。其次,地理信息系统的空间分析和时空统计分析功能需要进一步发挥其作用,时空统计分析不仅是扶贫对象和扶贫资源的空间化,而是从地理学的角度揭示贫困的时空分异特征,挖掘背后的驱动因素,为因地制宜地制定减贫措施提供参考。最后,面对多源地理大数据,需提升挖掘有效信息的效率,发挥其解决复杂地理问题的能力,使地理大数据更好的服务于社会经济发展。
从服务内容来看,随着2020年后中国消除绝对贫困目标的实现,首先,基于精准扶贫工作机制的扶贫管理和决策支持系统将注重对退出的贫困县,贫困村,贫困户的稳定脱贫情况进行监测,并建立防止返贫的监测和帮扶机制。同时,2020年后,中国的扶贫工作将从实现“两不愁、三保障”的目标向缓解发展不平衡、不充分的相对贫困转变。相对贫困包含社会经济和生态环境的多个维度,地球信息科学如何为贫困地区的产业发展,公共服务,卫生基础设施,人居环境等的升级提供信息化服务将成为重点。2020年如期实现全面脱贫,是下一步实施乡村振兴战略的重要基础。实施乡村振兴战略,如何使用好地球信息科学技术这一助推器,促进乡村基础信息化建设也是下一步的研究重点。
从具体的研究问题来看,下一步基于地球信息科学技术的贫困研究工作可以围绕以下3个方面：① 在中国2020年消除绝对贫困的背景下,贫困地区的返贫风险模拟研究,特别是疫情影响下的返贫风险模拟。② 贫困与生态环境的耦合关系分析。在中国长期的扶贫开发过程中,贫困地区的发展受生态环境的制约随着扶贫开发措施的实施是否减弱?同时,贫困地区长期的扶贫开发措施是否对生态环境产生了影响?③ 发挥地理大数据表征社会经济的潜力,探索运用地理大数据快速识别区域贫困和区域发展不平衡。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
中华人民共和国国务院新闻办公室. 中国农村扶贫开发新进展[R]. 北京, 2011.

[The State Council Information of the People's Republic of China. New progress in development-oriented poverty reduction program for rural China[R]. Beijing, 2011. ]

[2]
中华人民共和国国务院新闻办公室. 中国的减贫行动与人权进步[R]. 北京, 2016.

[The State Council Information of the People's Republic of China. China's progress in poverty reduction and human rights[R]. Beijing, 2016. ]

[3]
李德仁. 展望大数据时代的地球空间信息学[J]. 测绘学报, 2016, 45(4):379-84.

[Li D R. Towards geo-spatial information science in big data Era[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(4):379-384.]

[4]
郭华东. 大数据大科学大发现:大数据与科学发现国际研讨会综述[J]. 合作与交流, 2014, 29(4):500-506.

[Guo H D. Big data, big science, big discovery: Review of CODATA workshop on big data for international scientific programmes[J]. Exchange & Cooperation, 2014, 29(4):500-506. ]

[5]
李健松. 地理信息系统原理[M]. 武汉: 武汉大学出版社, 2006.

[Li J S. Principles of Geographic Information Systems[M]. Wuhan: Wuhan University Press, 2006. ]

[6]
郭华东. 科学大数据:国家大数据战略的基石[J]. 中国科学院院刊, 2018, 33(8):768-73.

[Guo H D. Scientific big data: a footstone of national strategy for big data[J]. Bulletin of Chinese Academy of Sciences, 2018, 33(8):768-773. ]

[7]
何国金, 王桂周, 龙腾飞, 等. 对地观测大数据开放共享:挑战与思考[J]. 中国科学院院刊, 2018, 33(8):783-790.

[He G J, Wang G Z, Long T F, et al. Opening and sharing of big earth observation data: challenges and countermeasures[J]. Bulletin of Chinese Academy of Sciences, 2018, 33(8):783-790. ]

[8]
东方星. 我国高分卫星与应用简析[J]. 卫星应用, 2015(3):44-48.

[Dongfang X. China's high-resolution satellites and its application[J]. Satellite Application, 2015(3):44-48. ]

[9]
刘韬. 北京2号卫星星座[J]. 卫星应用, 2015(3):44-48.

[Liu T. Beijing-2 DMC-3[J]. Satellite Application, 2015(3):44-48. ]

[10]
童庆禧, 卫征. 北京一号小卫星及其数据应用[J]. 航天器工程, 2007, 16(2):1-5.

[Tong Q X, Wei Z. Beijing-1 micro-satellite and its data application[J]. Spacecraft Engineering, 2007, 16(2):1-5. ]

[11]
张召才. 吉林一号卫星组星[J]. 卫星应用, 2015(11):89.

[Zhang Z C. Jilin-1[J]. Satellite Application, 2015(11):89. ]

[12]
李先怡, 范海生, 潘申林, 等. 珠海一号高光谱卫星数据及应用概况[J]. 卫星应用, 2019(8):12-18.

[Li X Y, Fan H S, Pan L S, et al. Zhuhai-1 (OHS) and its application[J]. RS Application, 2019(8):12-18. ]

[13]
Markham B L, Helder D L. Forty-year calibrated record of earth-reflected radiance from Landsat: A review[J]. Remote Sensing of Environment, 2012, 122:30-40.

DOI

[14]
Miguel-Ayanz J S, Biging G S. Comparison of single-stage and multi-stage classification approaches for cover type mapping with TM and SPOT data[J]. Remote Sensing of Environment, 1997, 59(92-104).

[15]
Malenovský Z, Rott H, Cihlar J, et al. Sentinels for science: Potential of Sentinel-1, -2, and -3 missions for scientific observations of ocean, cryosphere, and land[J]. Remote Sensing of Environment, 2012, 120(91-101).

[16]
李德仁, 李明. 无人机遥感系统的研究进展与应用前景[J]. 武汉大学学报·信息科学版, 2014, 39(5):505-513,540.

[Li D R, Li M. Research advance and application prospect of unmanned aerial vehicle remote sensing system[J]. Geomatics and Information Science of Wuhan University, 2014, 39(5):505-513,540. ]

[17]
Goodchild M F. Citizens as Voluntary sensors: Spatial data infrastructure in the world of web 2.0[J]. International Journal of Spatial Data Infrastructures Research, 2007, 2:24-32.

[18]
裴韬, 刘亚溪, 郭思慧, 等. 地理大数据挖掘的本质[J]. 地理学报, 2019, 74(3):586-598.

DOI

[Pei T, Liu Y X, Guo S H, et al. Principle of big geodata mining[J]. Acta Geographica Sinica, 2019, 74(3):586-598. ]

[19]
白增博. 新中国70年扶贫开发基本历程、经验启示与取向选择[J]. 改革, 2019(12):76-86.

[Bai Z B. The basic history, experience enlightenment and orientation selection of poverty alleviation and development from 1949 to 2019[J]. Reform, 2019(12):76-86. ]

[20]
凤凰国际智库. 宣战2020—中国扶贫报告[R]. 凤凰国际智库研究报告, 2016.

[The Phoenix International Think Tank. Declaration of 2020: Report on China's poverty alleviation[R]. The Phoenix International Think Tank Report, 2016. ]

[21]
中共中央国务院. 中国农村扶贫开发纲要(2011-2010)[R]. 北京, 2011.

[The State Council, the People's Republic of China. The outline for development-oriented poverty reduction for China's rural areas (2001-2010)[R]. Beijing, 2011. ]

[22]
中共中央国务院. 中国农村扶贫开发纲要(2011-2020)[R]. 北京, 2001.

[The State Council, the People's Republic of China. The outline for development-oriented poverty reduction for China's rural areas (2011-2020)[R]. Beijing, 2011. ]

[23]
刘彦随, 周扬, 刘继来. 中国农村贫困化地域分异特征及其精准扶贫策略[J]. 中国科学院院刊, 2016, 31(3):269-278.

[Liu Y S, Zhou Y, Liu J L. Regional differentiation characteristics of rural poverty and targeted poverty alleviation strategy in China[J]. Bulletin of the Chinese Academy of Sciences, 2016, 31(3):269-278. ]

[24]
中共中央国务院. 国务院关于打赢脱贫攻坚战的决定[R]. 北京, 2015.

[The State Council, the People's Republic of China. The State Council on fighting to win the tough battle against poverty[R]. Beijing, 2015. ]

[25]
中共中央国务院. 国务院关于印发 “十三五”脱贫攻坚规划的通知[R]. 2016, 北京.

[The State Council, the People's Republic of China. The 13th five-year plan for fighting the battle against poverty [R]. 2016, Beijing.]

[26]
国家统计局住户调查办公室. 中国农村贫困监测报告[M]. 北京: 中国统计出版社, 2018.

[Department of Household Surveys, National Bureau of Statistics of China. Poverty monitoring report of rural China[M]. Beijing: China Statistics Press, 2018. ]

[27]
国家统计局. 扶贫开发持续强力推进脱贫攻坚取得历史性重大成就—国成立70周年经济社会发展成就系列报告之十五[R]. 2019, 北京.

[National Bureau of Statistics. Poverty alleviation and development continued to be promoted, the remarkable achievements of poverty alleviation have been achieved: The 15th of series reports on the achievements of economic and social development on the 70 th anniversary of the founding of People's Republic of China [R]. 2019, Beijing. ]

[28]
赵英时, 等. 遥感应用分析原理与方法(第2版)[M]. 北京: 科学出版社, 2013.

[Zhao Y S, et al. Principles and methods on the application of remote sensing[M]. Beijing: Science Press, 2013. ]

[29]
国务院. 全国主体功能区规划[R]. 北京, 2010.

[The State Council of People's Republic of China. National Main Functional Area Planning[R]. Beijing, 2010. ]

[30]
国务院. 新增纳入国家重点生态功能区的县(市、区、旗)名单[R]. 北京, 2016.

[The State Council of People's Republic of China. List of counties (cities, districts, banners) added to the national key ecological function areas[R]. Beijing, 2016. ]

[31]
祁新华, 叶士琳, 程煜, 等. 生态脆弱区贫困与生态环境的博弈分析[J]. 生态学报, 2013, 33(19):6411-6417.

[Qi X H, Ye S L, Cheng Y, et al. The game analysis between poverty and environment in ecologically fragile zones[J]. Acta Ecologica Sinica, 2013, 33(19):6411-6417. ]

[32]
Hansen M C, Loveland T R. A review of large area monitoring of land cover change using Landsat data[J]. Remote Sensing of Environment, 2012, 122:66-74.

DOI

[33]
Chen J, Chen J, Liao A, et al. Global land cover mapping at 30m resolution: A POK-based operational approach[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 103:7-27.

DOI

[34]
Pekel J F, Cottam A, Gorelick N, et al. High-resolution mapping of global surface water and its long-term changes[J]. Nature, 2016, 540(7633):418-422.

DOI

[35]
刘纪远, 匡文慧, 张增祥, 等. 20世纪80年代末以来中国土地利用变化的基本特征与空间格局[J]. 地理学报, 2014, 69(1):3-14.

[Liu J Y, Kuang W H, Zhang Z X, et al. Spatiotemporal characteristics, patterns and causes of land use changes in China since the late 1980s[J]. Acta Geographica Sinica, 2014, 69(1):3-14. ]

[36]
刘纪远, 宁佳, 匡文慧, 等. 2010—2015年中国土地利用变化的时空格局与新特征[J]. 地理学报, 2018, 73(5):789-802.

DOI

[Liu J Y, Ning J, Kuang W H, et al. Spatio-temporal patterns and characteristics of land-use change in China during 2010-2015[J]. Acta Geographica Sinica, 2018, 73(5):789-802. ][维普]

[37]
Ge Y, Hu S, Ren Z P, et al. Mapping annual land use changes in China's poverty-stricken areas from 2013 to 2018[J]. Remote Sensing of Environment, 2019, 232:111285.

DOI

[38]
Drusch M, Del Bello U, Carlier S, et al. Sentinel-2: ESA's Optical High-Resolution Mission for GMES Operational Services[J]. Remote Sensing of Environment, 2012, 120:25-36.

DOI

[39]
Hou X, Wang B, Hu W. SolarNet: A Deep Learning Framework to Map Solar Power Plants In China From Satellite Imagery[J]. arXiv:1912.03685v2, 2020.

[40]
张家其, 吴宜进, 葛咏, 等. 基于灰色关联模型的贫困地区生态安全综合评价——以恩施贫困地区为例[J]. 地理研究, 2014, 33(8):1457-1466.

DOI

[Zhang J Q, Wu Y J, Ge Y, et al. Eco-security assessments of poor areas based on gray correlation model: a case study in Enshi[J]. Geographical Research, 2014, 33(8):1457-1466. ]

[41]
张永利, 吴宜进, 王小林, 等. 内蒙古贫困地区生态安全评价及空间格局分析[J]. 地球信息科学学报, 2016, 18(3):325-333.

DOI

[Zhang Y L, Wu Y J, Wang X L, et al. The evaluation and spatial pattern characteristics of ecological safety in the poor areas of Inner Mongolia[J]. Geo-Information Science, 2016, 18(3):325-333. ]

[42]
Fan Y, Fang C. Evolution process and obstacle factors of ecological security in western China, a case study of Qinghai province[J]. Ecological Indicators, 2020, 117(2020)106659.

DOI

[43]
曹诗颂, 赵文吉, 段福洲. 秦巴特困连片区生态资产与经济贫困的耦合关系[J]. 地理研究, 2015, 34(7):1295-1309.

DOI

[Cao S S, Zhao W J, Duan F Z. Coupling relation analysis between ecological value and economic poverty of contiguous destitute areas in Qinling-Dabashan region[J]. Geographical Research, 2015, 34(7):1295-1309. ]

[44]
李静怡, 王艳慧. 吕梁地区生态环境质量与经济贫困的空间耦合特征[J]. 应用生态学报, 2014, 25(6):1715-1724.

[Li J Y, Wang Y H. Spatial coupling characteristics of eco-environment quality and economic poverty in Liiliang area[J]. Chinese Journal of Applied Ecology, 2014, 25(6):1715-1724. ]

[45]
李旭东. 贵州乌蒙山区资源相对承载力的时空动态变化[J]. 地理研究, 2013, 32(2):233-244.

[Li X D. Tempo-spatial analysis of the relative carrying capacity of population and resources in Wumeng mountainous areas of Guizhou[J]. Geographical Research, 2013, 32(2):233-244. ]

[46]
欧阳志云, 郑华, 岳平. 建立我国生态补偿机制的思路与措施[J]. 生态学报, 2013, 33(3):686-692.

[Ouyang Z Y, Zheng H, Yue P. Establishment of ecological compensation mechanisms in China: Perspectives and strategies[J]. Acta Ecologica Sinica, 2013, 33(3):686-692. ]

[47]
刘春腊, 刘卫东, 陆大道. 生态补偿的地理学特征及内涵研究[J]. 地理研究, 2014, 33(5):803-816.

DOI

[Liu C L, Liu W D, Lu D D. A study of the geographical features and implications of eco-compensation[J]. Geographical Research, 2014, 33(5):803-816. ]

[48]
赵雪雁, 张丽, 江进德, 等. 生态补偿对农户生计的影响——以甘南黄河水源补给区为例[J]. 地理研究, 2013, 32(3):531-542.

[Zhao X Y, Zhang L, Jiang J D. The impact of ecological compensation on the farmers' livelihood: A case study of Huanghe River Water Supply Areas of Gannan[J]. Geographical Research, 2013, 32(3):531-542. ]

[49]
Fan M, Chen L. Spatial characteristics of land uses and ecological compensations based on payment for ecosystem services model from 2000 to 2015 in Sichuan Province, China[J]. Ecological Informatics, 2019, 50:162-183.

DOI

[50]
Han M, Yu H. Wetland dynamic and ecological compensation of the Yellow River Delta based on RS[J]. Energy Procedia, 2016, 104(129-134).

[51]
许丽丽, 李宝林, 袁烨城, 等. 基于生态系统服务价值评估的我国集中连片重点贫困区生态补偿研究[J]. 地球信息科学学报, 2016, 18(3):286-297.

DOI

[Xu L L, Li B L, Yuan Y C, et al. A study on eco-compensation based on eco-service assessment in 14 contiguous destitute areas of China[J]. Journal of Geo-information Science, 2016, 18(3):286-297. ]

[52]
祁元, 王宏伟, 宋晓谕, 等. 中国高分辨率卫星遥感在精准扶贫中的应用——以甘肃省陇南市为例[J]. 卫星应用, 2019(9): 32-35,38-40.

[Qi Y, Wang H W, Song X Y, et al. Application of China's high-resolution satellites in targeted poverty alleviation: Case study in Longnan City, Gansu Province[J]. Satellite Application, 2019(9): 32-35,38-40. ]

[53]
左常升. 中国扶贫开发政策演变: 2001-2015年[M]. 北京: 社会科学文献出版社, 2016.

[Zuo C S. Evolution of China's poverty alleviation and development policy Evolution of China's poverty alleviation and development policy[M]. Beijing: Social Sciences Literature Publishing House, 2016.

[54]
范一大, 吴玮, 王薇, 等. 中国灾害遥感研究进展[J]. 遥感学报, 2016, 20(5):1170-1184.

[Fan Y D, Wu W, Wang W, et al. Research progress of disaster remote sensing in China[J]. Journal of Remote Sensing, 2016, 20(5):1170-1184. ]

[55]
陈曦炜, 裴志远, 王飞. 基于GIS的贫困地区降雨诱发型地质灾害风险评估——以湖北省恩施州为例[J]. 地球信息科学学报, 2016, 18(3):343-352.

DOI

[Chen X W, Pei Z Y, Wang F. GIS-based assessment of rainstorm-induced geological hazards risk in Enshi autonomous prefecture[J]. Geo-Information Science, 2016, 18(3):343-352. ]

[56]
殷洁, 裴志远, 陈曦炜, 等. 基于GIS的武陵山区洪水灾害风险评估[J]. 农业工程学报, 2013, 29(24):110-117.

[Yin J, Pei Z Y, Chen X W, et al. GIS-based flood disaster risk assessment in Wuling Mountain Region[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(24):110-117. ]

[57]
刘一明, 胡卓玮, 赵文吉, 等. 基于BP神经网络的区域贫困空间特征研究——以武陵山连片特困区为例[J]. 地球信息科学学报, 2015, 17(1):69-77.

DOI

[Liu Y M, Hu Z W, Zhao W J, et al. Research on spatial characteristics of regional poverty based on BP neural network: a case study of Wuling mountain area[J]. Geo-Information Science, 2015, 17(1):69-77. ]

[58]
刘彦随, 李进涛. 中国县域农村贫困化分异机制的地理探测与优化决策[J]. 地理学报, 2017, 72(1):161-173.

DOI

[Liu Y S, Li J T. Geographic detection and optimizing decision of the differentiation mechanism of rural poverty in China[J]. Acta Geographica Sinica, 2017, 72(1):161-173. ]

[59]
Liu M, Hu S, Ge Y, et al. Using multiple linear regression and random forests to identify spatial poverty determinants in rural China[J]. Spatial Statistics, 2020: 100461.

[60]
Ge Y, Yuan Y, Hu S, et al. Space-time variability analysis of poverty alleviation performance in China's poverty-stricken areas[J]. Spatial Statistics, 2017, 21(460-474).

[61]
Blumenstock J E. Fighting poverty with data[J]. Science, 2017, 353(6301):753.

DOI

[62]
Yu B, Shi K, Hu Y, et al. Poverty evaluation using NPP-VIIRS nighttime light composite data at the countylevel in China[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(3):1217-1229.

DOI

[63]
Watmough G R, Atkinson P M, Hutton C W. Exploring the links between census and environment using remotely sensed satellite sensor imagery[J]. Journal of Land Use Science, 2013, 8(3):284-303.

DOI

[64]
Watmough G R, Atkinson P M, Saikia A, et al. Understanding the evidencebase for poverty: Environment relationships using remotely sensed satellite data: An example from Assam, India[J]. World Development, 2016, 78:188-203.

DOI

[65]
Watmough G R, Marcinko C L J, Sullivan C, et al. Socioecologically informed use of remote sensing data to predict rural household poverty[J]. Proceedings of the National Academy of Sciences of the United States of America, 2019, 116(4):1213-1218.

[66]
Jean N, Burke M, Xie M, et al. Combining satellite imagery and machine learning to predict poverty[J]. Science, 2016, 353(6301):790-794.

DOI

[67]
Blumenstock J, Cadamuro G, On R. Predicting poverty and wealth from mobile phone metadata[J]. Science, 2015, 350(6264):1073-1076.

DOI

[68]
Pokhriyal N, Jacques D C. Combining disparate data sources for improved poverty prediction and mapping[J]. Proceedings of the National Academy of Sciences of the United States of America, 2017, 114(46):E9783-E9792.

[69]
王介勇, 陈玉福, 严茂超. 我国精准扶贫政策及其创新路径研究[J]. 中国科学院院刊, 2016, 31(3):289-295.

[Wang J Y, Chen Y F, Yan M C. Research on the targeted measures of poverty alleviation and its innovative ways in China[J]. Bulletin of Chinese Academy of Sciences, 2016, 31(3):289-295. ]

[70]
胡恬. 湖南省花垣县十八洞村精准扶贫管理系统设计与实现[J]. 国土资源导刊, 2018, 15(4):53-58.

[Hu T. Design and implementation of precision poverty alleviation management system in shibadong village, Huayuan County Hunan Province[J]. Land & Resources Herald, 2018, 15(4):53-58. ]

[71]
内蒙古自治区人民政府扶贫工作办公室. 关于推广使用全区精准扶贫大数据平台的通知[ED/OL]. 2019.

[Office of Poverty Alleviation and Development, Inner Mongolia Autonomous Region. Notice on promoting the use of big data platform for targeted poverty alleviation [ED/OL]. 2019. ]

[72]
尹继鑫, 王伟, 景仙林, 等. 西宁市精准扶贫信息管理系统设计与实现[J]. 城市勘测, 2018(6):24-27.

[Yin J X, Wang W, Jing X L, et al. Design and implementation of precision poverty alleviation information management system in Xining City[J]. Urban Geotechnical Investigation & Surveying, 2018(6):24-27. ]

Options
Outlines

/

〈 〉