山区县域土地利用/覆被变化多尺度多模型模拟对比——以云南省勐腊县为例

土地利用/覆被变化(LUCC)模拟及其尺度效应一直是土地变化科学的研究内容与难点。本文选择西南沿边山区县域——云南省勐腊县为试验区,利用LCM、FLUS、CA-Markov和CLUE-S探究该县域LUCC模拟的最适模型和栅格尺度。结合1994年、2004年两期Landsat TM影像分类生成的土地利用/覆被数据,以及自然与社会经济数据,在60、90、120、150、180、210和240 m七个栅格尺度下模拟该县域2014年土地利用/覆被空间格局,并以同期土地利用/覆被遥感分类数据为参考来评价模型模拟精度,筛选出最适模型和栅格尺度,进而模拟该县域2024年土地利用/覆被格局。研究表明:四种模型均能较好地模拟该县域土地利用/覆被变化(K_(standard)=0.67～0.84),其中以LCM模型模拟精度最高(K_(standard)=0.77～0.84);各模型对不同土地利用/覆被类型的适用性不同,LCM模型模拟林地、园地和耕地效果最好,而FLUS模型模拟建设用地更佳;四种模型模拟LUCC的最适栅格尺度均为120 m,其K_(standard)0.70。整合不同地类的最适模型和栅格尺度模拟结果有利于提高山区县域LUCC模拟精度。     

空间尺度上推方法的精度评价——以内蒙古锡林郭勒盟土地利用数据为例

不同的空间尺度上推方法会导致不同程度的信息丢失、信息歪曲等后果;但目前少有研究在较长的尺度序列上、对不同尺度上推方法所得成果开展精度分析。本研究首先提出尺度上推方法精度评价的三个准则,即:保持土地类型构成特征、保持土地面积精度、保持土地空间分布格局和斑块形态;继而使用格点中心值、最大面积斑块、最大聚合面积斑块等3种尺度上推方法,配合100 m～50 km土地利用数据开展尺度转化实验;最后基于上述评价准则和尺度上推实验所得的系列输出结果,分析了不同尺度上推方法的精度。研究表明:(1)格点中心值上推方法能更好地保留区域土地类型构成、土地面积精度等特征;(2)锡林郭勒盟地区土地研究的适宜尺度应小于10 km,最大不应超过30 km;(3)在尺度上推过程中,土地斑块的平均面积、形态以及空间分布格局对尺度上推成果精度有着重要影响。     

矢量数据在多尺度栅格化中的精度损失模型探讨

在进行空间分析时,由于栅格数据便于空间分析,因而通常将矢量数据转化成栅格数据进行空间分析。在转化过程中,采用不同尺度的栅格大小会造成怎样的精度损失?精度损失、栅格大小和平均斑块大小之间的关系是否可以用模型来表达?本文正是针对这样的问题,以重庆市1∶10万的土地利用矢量数据为例,探讨了在不同尺度栅格大小(从30m×30m到1000m×1000m)的情况下,各种土地利用类型在转化过程中的精度损失情况,对精度损失与栅格大小和平均斑块大小之间的关系进行了定量分析。研究表明,精度损失与地类的平均斑块大小和栅格尺度之间的关系可以用模型来表达。该模型为:Y=5.366-0.179X-0.978ln(S)+0.0348Xln(S)。模型中Y为精度损失,S为地类的平均斑块大小,X表示栅格的大小。该模型的复相关系数为0.93。     

基于栅格面积成分数据的土地利用格局解释模型稳健估计

针对最小二乘估计不能应用于栅格尺度以面积成分表征的土地利用格局驱动机理分析的难题,本文提出了一种利用偏最小二乘回归法稳健估计该类土地利用格局解释模型的方法。利用该方法能在解释变量间存在多重共线性的情况下,获得基于栅格面积成分数据的土地利用格局解释模型的稳健估计。本文推导了应用偏最小二乘回归分析的数据处理和建模估计过程,并运用该方法开展了针对黄淮海地区耕地、建设用地分布格局及其驱动因子的建模分析,得到了拟合优度高的估计结果。研究表明,偏最小二乘回归分析方法在开展栅格尺度以面积成分表征的土地利用格局驱动机理分析时具备高效与稳健的特征,适宜在类似研究中推广应用。     

全球尺度多源土地覆被数据融合与评价研究

精确的全球及区域尺度土地覆被遥感分类数据是全球变化、陆地表层过程模拟、生态文明建设及区域可持续发展等研究的重要基础数据。本文以5套全球土地覆被数据集GLCC、UMD、GLC2000、MODIS LC、GlobCover为研究对象,结合MODIS VCF、MODIS Cropland Probability以及AVHRR CFTC数据集,设计一种基于模糊逻辑思想的证据融合方法实现上述多源土地覆被信息的决策融合,生成一套依据植物功能型分类的全球1 km土地覆被融合数据SYNLCover。结果显示,与5套源土地覆被数据集相比：① 在总体一致性精度上,SYNLCover的8个生物形态类型和12个目标类型的平均总体一致性精度最高,分别约为65.6%和59.4%,其次依次是MODIS LC、GLC2000、GLCC和GlobCover,UMD的最低,分别约为48.9%和42.6%,而且SYNLCover与5套源土地覆被数据集两两相比的总体一致性都是最好的;② 在类型一致性精度上,除灌丛类型外,SYNLCover中包括森林、草地、耕地、湿地、水体、城镇建筑和其他7种生物形态类型,以及森林类型的5种叶属性的平均一致性精度也是最高的,如其他类型的平均一致性精度可达67.73%;③ 除灌丛和湿地类型外,SYNLCover的其余6种生物形态类型的平均一致性精度均比其在5套源数据中相应的一致性精度的最大值提高了10%~15%左右;森林类型的5种叶属性的一致性精度也提高了约10%。SYNLCover分类精度的提高反映了本研究设计的多源数据融合方法的可行性和有效性。     

土地覆被类型空间格局与地形因子的定量关联及其应用

以全国1∶25万土地覆被数据、全国公里网格DEM数据和县级行政区划数据为基础,首先,在国家尺度上宏观分析地形因子对土地覆被类型空间分布格局的影响,土地覆被类型空间分布宏观格局受海拔高度、坡度、地表起伏度的影响明显,而与坡向的关系并不显著;其次,以县级行政单元为统计分析样本,利用多元线性回归分析方法,在国家和区域两个尺度建立土地覆被类型面积占比与主要地形因子之间的定量模型,在6类土地覆被类型中,除草地以外,其他5类土地覆被类型的面积占比均与地形因子之间呈显著相关关系,显著性由高到低的排列顺序依次为森林、农田、荒漠、聚落和湿地水体;最后,以相关性最好的森林的空间分布为例,说明了将所建立的模型应用于栅格单元上某种土地覆被类型面积占比估算的可能性,虽然估算结果与实际情况存在差异,但总体趋势基本保持一致,特别是土地覆被类型面积占比大的区域。     

基于DEM的中国地形起伏度适宜计算尺度研究

基于SRTM和ASTER DEM数据,在全国范围内选取13个实验区,在渐变尺度下计算平均起伏度变化曲线的"突变点",据此确定中国地形起伏度的适宜计算尺度;结合山地界定标准计算各实验区山地面积,并采用人工解译的山地范围对计算结果进行检验。研究结果表明:1)地形起伏度适宜计算尺度与所采用的DEM数据有关,DEM分辨率越小,地形起伏度适宜计算尺度越大;2)针对同一分辨率DEM数据,中国境内的地形起伏度适宜计算尺度随地貌特征变化而变化,但总体变化幅度不大;3)针对SRTM和ASTER DEM两种常用数据源,分别选择4.72km2和3.20km2作为地形起伏度适宜计算尺度是合理的,山地界定精度达90%以上。     

基于包含检验法的多边形栅格化并行算法研究

随着对地观测技术的快速发展和数据规模的急剧增长,矢量数据快速栅格化已成为业界关注的重要研究内容。该文将并行计算技术应用于矢量多边形栅格化中,探索了矢量数据划分方法、边界栅格单元处理方法等关键问题,设计并实现了基于包含检验法的矢量多边形栅格化并行算法。基于土地利用现状数据对并行算法的精度、并行效率等进行了测试与分析。试验证明,在进程数不超过CPU核数时,并行算法的加速比随进程数增长显著;而当进程数达到CPU核数以后,并行算法加速比总体趋于稳定。并行效率与数据的划分方式、数据的存储方式密切相关,划分方式的正确与否将直接关系到算法的并行效率。     

基于GIS、RS的四川省地貌区划

采用数字高程模型(DEM)数据,基于地理信息系统(GIS)空间分析和消融方法、遥感(RS)中主成分变换和非监督分类方法,得到地貌类型矢量边界,建立了四川省地貌分类系统并完成区划。主要结论如下:(1)运用均值变点法,求出适用于四川省地貌要素计算的最佳统计单元为1.82 km2;(2)利用离散分析和相关性分析的定量循环体系,实现四川省地貌要素集的有效选取;(3)根据以上方法,四川省划分出川西北高原区(Ⅰ)、川西山地区(Ⅱ)及四川盆地区(Ⅲ)。结果经验证表明,选取的地貌要素有效体现四川省地貌特征,区划结果细致反映出四川省地貌格局及差异、改进了传统数字地貌区划栅格状、琐碎化的不足。     

土地利用数据尺度转换的精度损失分析

由于栅格数据便于空间分析,因而通常将矢量数据转化成栅格数据来进行空间分析.在转化过程中,选用不同的栅格大小,其面积和精度损失是不同的.针对这个问题,以重庆市110万的土地利用矢量数据为例,探讨了不同栅格大小下,各种土地利用类型在转化过程的面积和精度损失.研究表明(1)栅格大小＜100m时,其精度损失均＜3.3%.(2)在1000m时,其精度损失达到50%以上的地类有湖泊、水库坑塘、滩地、农村居民点用地、工交建设用地、戈壁、裸岩石地、平原区旱地和坡度＞25°的旱地,这些地类的平均图斑大小均在＜51hm2.(3)在30m～1000m间,平均图斑大小＜82hm2的地类随着栅格的由小变大,其面积变得比实际面积小;平均图斑大小＞101hm2的地类中除高盖度的草地和河渠之外,却与此相反.     

栅格化属性精度损失的评估方法及其尺度效应(英文)

Rasterization is a conversion process accompanied with information loss, which includes the loss of features’ shape, structure, position, attribute and so on. Two chief factors that affect estimating attribute accuracy loss in rasterization are grid cell size and evaluating method. That is, attribute accuracy loss in rasterization has a close relationship with grid cell size; besides, it is also influenced by evaluating methods. Therefore, it is significant to analyze these two influencing factors comprehensively. Taking land cover data of Sichuan at the scale of 1:250,000 in 2005 as a case, in view of data volume and its processing time of the study region, this study selects 16 spatial scales from 600 m to 30 km, uses rasterizing method based on the Rule of Maximum Area (RMA) in ArcGIS and two evaluating methods of attribute accuracy loss, which are Normal Analysis Method (NAM) and a new Method Based on Grid Cell (MBGC), respectively, and analyzes the scale effect of attribute (it is area here) accuracy loss at 16 different scales by these two evaluating methods comparatively. The results show that: (1) At the same scale, average area accuracy loss of the entire study region evaluated by MBGC is significantly larger than the one estimated using NAM. Moreover, this discrepancy between the two is obvious in the range of 1 km to 10 km. When the grid cell is larger than 10 km, average area accuracy losses calculated by the two evaluating methods are stable, even tended to parallel. (2) MBGC can not only estimate RMA rasterization attribute accuracy loss accurately, but can express the spatial distribution of the loss objectively. (3) The suitable scale domain for RMA rasterization of land cover data of Sichuan at the scale of 1:250,000 in 2005 is better equal to or less than 800 m, in which the data volume is favorable and the processing time is not too long, as well as the area accuracy loss is less than 2.5%.     

Using multi-scale and hierarchical deep convolutional features for 3D semantic classification of TLS point clouds

ABSTRACT

Point cloud classification, which provides meaningful semantic labels to the points in a point cloud, is essential for generating three-dimensional (3D) models. Its automation, however, remains challenging due to varying point densities and irregular point distributions. Adapting existing deep-learning approaches for two-dimensional (2D) image classification to point cloud classification is inefficient and results in the loss of information valuable for point cloud classification. In this article, a new approach that classifies point cloud directly in 3D is proposed. The approach uses multi-scale features generated by deep learning. It comprises three steps: (1) extract single-scale deep features using 3D convolutional neural network (CNN); (2) subsample the input point cloud at multiple scales, with the point cloud at each scale being an input to the 3D CNN, and combine deep features at multiple scales to form multi-scale and hierarchical features; and (3) retrieve the probabilities that each point belongs to the intended semantic category using a softmax regression classifier. The proposed approach was tested against two publicly available point cloud datasets to demonstrate its performance and compared to the results produced by other existing approaches. The experiment results achieved 96.89% overall accuracy on the Oakland dataset and 91.89% overall accuracy on the Europe dataset, which are the highest among the considered methods.     

多尺度土壤侵蚀评价指数的技术与方法

针对不同尺度开展土地利用与土壤侵蚀的综合研究是自然地理学研究的前沿领域和热点问题。多尺度土 壤侵蚀评价指数作为新近提出的土壤侵蚀模型, 在跨尺度土地利用与土壤侵蚀的研究中具有良好应用前景。本文 基于多尺度土壤侵蚀评价指数计算公式及其因子内涵, 应用尺度转换的思想, 阐述了降雨侵蚀力、土壤可蚀性、作 物覆盖与管理因子、地形因子等不同评价因子在坡面、小流域、流域不同尺度上的计算方法与GIS 实现技术, 以期 服务于多尺度土地利用与土壤侵蚀研究的深入和多尺度土壤侵蚀评价指数的发展。     

ARIMA和ANN模型的干旱预测适用性研究

开展干旱预测是有效应对干旱风险的前提基础,根据1960-2016年三江平原7个站点逐日降水和气温数据,利用ARIMA和ANN模型对不同时间尺度标准化降水蒸散指数（SPEI）序列进行分析建模预测。借助相关系数R、纳什效率系数NSE、Kendall秩相关系数τ、均方误差MSE和Kolmogorov-Smirnov （K-S）检验对模型的有效性进行了判定,然后分别用ARIMA和ANN模型进行12步预测,并将预测值与实际值进行比较。结果表明：（1） ARIMA模型和ANN模型对SPEI的预测能力都随时间尺度的增加而逐渐提高。（2）两种模型对3、6个月尺度SPEI的预测精度偏低,9、12、24个月的SPEI的预测精度在70%以上;（3）SPEI-9、SPEI-12、SPEI-24三个时间尺度ANN模型的预测精度优于ARIMA模型。     

不同比例尺下中国水系分维数关系研究

应用分形理论,再次验证整个中国水系及各流域水系分形特征的客观存在;通过比较1:450万及1:1200万比例尺计算的分形维值大小及变化规律,表明单一尺度的分形规律在其它尺度下依然存在;大比例尺条件下计算得到的分形维值也大,且各层次不同流域的分维值在不同比例尺条件下的变化也呈现相同的趋势,表明图源比例尺对分维计算值的影响。     

多元统计回归及地理加权回归方法在多尺度人口空间化研究中的应用

对统计型人口数据进行格网形式的空间化可更直观地展示人口的空间分布,但不同的人口空间化建模方法和不同的格网尺度在表达人口空间化结果方面存在差异。本文在人口特征分区的基础上,引入DMSP/OLS夜间灯光对城镇用地进行再分类,采用多元统计回归和地理加权回归方法(GWR),开展人口统计数据空间化多尺度模型研究,生成1 km、5 km和10 km等3个尺度的2010年安徽省人口空间数据,并对3个尺度下2个模型结果进行精度评价与比较。结果表明：人口空间数据精度不仅与建模所用方法关系密切,还受到建模格网尺度大小的影响。基于多元统计回归方法的模型估计人口数与实际人口的平均相对误差值随着尺度的增加而降低,而基于GWR方法获得的人口空间数据误差值随着尺度的增加而升高。整体来看,基于GWR方法的1 km研究尺度的人口空间数据平均相对误差最低(22.31%)。区域地形地貌条件与人口空间数据误差有较强的关联,地貌类型复杂的山区人口空间数据误差较大。     

区域尺度土壤固碳量估算方法评述

增加陆地生态系统碳汇已成为一项重要的减排手段,被纳入有关国际气候变化协定。区域尺度土壤固碳量估算成为当前研究的热点与难点。本文综述了目前国内外常用的区域土壤固碳量估算方法,并依据估算精度与方法差异将这些方法总结为四类:简易模型、清查法、经验模型和基于GIS的机理模型。同时对这四类方法的特点和适用性进行了评述,建议根据研究地区及目的不同选择合适的方法。此后,通过分析土壤固碳机理、数据收集、尺度推移、情景分析和土壤有机质机理模型发展等与区域土壤固碳量估算密切相关的各方面中存在的不足,提出今后区域尺度土壤固碳量估算方法将向耦合土壤有机质机理模型、土壤可溶性碳模型、土地利用模型和区域水文模型的基于GIS平台的区域综合模型方向发展。     

Multiscale structure in sedimentary basins

Hierarchies of superimposed structures are found in maps of geological horizons in sedimentary basins. Mapping based on three‐dimensional (3D) seismic data includes structures that range in scale from tens of metres to hundreds of kilometres. Extraction of structures from these maps without a priori knowledge of scale and shape is analogous to pattern recognition problems that have been widely researched in disciplines outside of Geoscience. A number of these lessons are integrated and applied within a geological context here. We describe a method for generating multiscale representations from two‐dimensional sections and 3D surfaces, and illustrate how superimposed geological structures can be topologically analysed. Multiscale analysis is done in two stages – generation of scale‐space as a geometrical attribute, followed by identification of significant scale‐space objects. Results indicate that Gaussian filtering is a more robust method than conventional moving average filtering for deriving multiscale geological structure. We introduce the concept of natural scales for identifying the most significant scales in a geological cross section. In three dimensions, scale‐dependent structures are identified via an analogous process as discrete topological entities within a four‐dimensional scale‐space cube. Motivation for this work is to take advantage of the completeness of seismic data coverage to see ‘beyond the outcrop’ and yield multiscale geological structure. Applications include identifying artefacts, scale‐specific features and large‐scale structural domains, facilitating multiscale structural attribute mapping for reservoir characterisation, and a novel approach to fold structure classification.     

粤港澳大湾区城市群知识多中心的演化过程与机理

基于1990-2016年“Web of Science”核心合集所收录的科研论文合著数据,借助基尼系数测度属性和功能多中心性的方法,对粤港澳大湾区城市群的知识多中心性及其知识网络的演化进行了研究。结果发现：① 伴随着粤港澳大湾区城市群知识生产总量的持续增长,其多中心性程度呈现出阶段性、阶梯式提升的特征,分别经历了波动、增长和分化的发展阶段,港澳回归后的2000-2010年间是多中心性快速增长的重要阶段。② 粤港澳大湾区城市群在区域、国家和全球尺度上的功能多中心性程度随着尺度增加逐级递减,进一步证实了功能多中心性的尺度规律性;而且发现了多中心在演化中的尺度敏感性,全球尺度上的多中心性会存在不确定的峰值,而区域尺度上的多中心性可能会持续增加。③ 城市群多中心的演化是受制度接近、地理接近和等级接近影响,在研究人员移动、科研单位联动和政府政策推动及其行动主体间的相互作用下实现的,多中心程度的增加有助于推动粤港澳大湾区城市群构建科研协同创新共同体。