中国宗教版图演变的时空分析

基于中国宗教场所数据,以市为研究单元,以佛教、道教、伊斯兰教和基督教为研究对象,应用数理统计和空间分析相结合的方法,剖析了以宗教场所为代表的中国宗教版图分布的时空变化,揭示了中国主要宗教的分布规律及发展趋势。结果表明：建国后特别是改革开放以来,中国宗教得到了长足发展;中国宗教场所发展不平衡,不同宗教间、不同区域间发展差异较大;不同宗教采取的扩张模式和扩张策略有所不同,主导了宗教空间格局的时空演化,优势宗教区域空间格局变化明显;汉族地区和少数民族地区形成了不同的宗教景观;不同宗教存在过度集聚和急剧扩张现象;不同区域的不同宗教亦呈现了不同的发展模式。     

我国土地城镇化的时空特征及机理研究

为了探索我国土地城镇化规律,基于2000—2012年省级数据,运用统计分析法研究了我国土地城镇化的时空特征及机理。研究表明,全国和各个省份的城镇建成区与土地城镇化水平均有大幅增长,但省际差异较大,空间格局上呈现出显著的峰值效应;土地城镇化快于人口城镇化,且省际差异明显;相对于土地城镇化水平空间格局而言,省级城市建成区规模空间格局与GDP的空间格局更为相似;经济增长、土地财政、用地指标、土地资源禀赋及现行土地征收制度是造成这种变化的主要影响因素。     

2000—2020年长三角地区城市低碳竞争力时空演化

“双碳”目标下需要在区域范围研究城市低碳竞争力,解析区域内各城市低碳发展条件的时空演化差异。以长三角41个城市2000—2020年低碳竞争力为研究对象,以碳排放量、碳排放社会经济关联因素、低碳技术与政策3个维度构建城市低碳竞争力评价指标体系,基于TOPSIS-灰色关联法解析长三角地区城市低碳竞争力时序演化特征,并采用LISA时间路径和时空跃迁模型分析其空间演化格局,最终划分了城市时空演化类型。结果表明：(1)长三角地区城市低碳竞争力位序更替明显,近50%的城市演化呈现波动上升趋势,地区平均水平上海市>浙江省>江苏省>安徽省。(2)碳排放量空间关联度变化较大,碳排放社会经济关联因素空间关联度较弱,而低碳技术与政策时空协同发展态势显著。(3)长三角城市不发生时空类型跃迁或跃迁方向一致的概率为81.1%,表明长三角城市低碳竞争力空间格局存在一定的路径依赖。(4)长三角地区低碳竞争力存在不同的时空演化类型,北部部分城市属于低水平固化型;皖南和浙南地区部分城市属于高水平协同型;中部的杭州、宁波等城市属于高水平溢散型,带动周边地区向好发展;而上海、南京与合肥属于高水平中心型,尚未...     

湖南省城镇空间时空压缩特征及其可视化表达——基于时空图分析模型

本文构建了一个基于“时间-空间图(Time-Space Map)”的技术方法模型,用于分析交通网络建设给地理空间带来的时空压缩效应.现有基于可达性评价模型的“空间格局分析法”只能描述网络整体效率变化,而“等时圈分析法”局限于节点分析,两者都无法完整展现区域时空压缩.本文集成了网络大数据抓取技术、统计分析技术和可视化技术,通过绘制“时空图”实现区域时空压缩的可视化.首先,该方法利用网络大数据抓取技术,通过网络地图路径导航服务获取距离数据矩阵;然后,运用多尺度分析方法(Multidimensional Scaling),用通行时间(距离)取代欧氏距离计算求得最佳拟合空间,并对拟合误差进行估算和检验.最后,将拟合空间与地理空间在三维空间中叠加,观察和分析拟合空间的拉伸、延展、扭曲效果,总结区域时空压缩整体特点.在此基础上,以湖南省为案例绘制出了各地县级城市在现状公路网联系下的通行距离和通行时间时空图.研究验证了时空图在区域时空压缩格局可视化上的有效性和直观性,并在解读时空图集聚、偏移和皱起的基础上,提出改善省内公路网络可达性均衡的政策建议.     

乌梁素海湿地时空动态演化

以半荒漠地区乌梁素海湿地为研究区域,利用GIS、RS技术结合景观生态学的理论和方法,对1986-2008年不同时间、空间粒度的多源遥感影像进行信息提取,描述不同类型区景观斑块指数动态变化,进行湿地生态资源时空异质性分析,对乌梁素海湿地类型区之间的演化关系和演化方向进行研究,定量分析湿地各类型区景观动态演化趋势。结果表明：景观破碎化程度降低,明水区丧失,水下水草丛生,以芦苇为主的大型挺水植物平均面积约占湿地的49%以上,是湖泊湿地类型区演化的主导类型。湿地时空格局演变和气候、水文条件及人为影响相关,再现了人类活动对湿地景观的干扰过程和干扰强度。     

中国入境旅游经济空间格局的时空动态性

以中国31个省域作为研究单元,以入境旅游外汇收入作为入境旅游经济的衡量指标,运用ESTDA框架,通过ESDA、LISA时间路径和时空跃迁等方法,从时空耦合的视角对中国2001~2011年省域入境旅游经济空间格局的时空动态性进行分析。研究发现:中国入境旅游经济存在弱正相关,表现为一种弱积聚格局,入境旅游经济空间差异呈现先缩小后扩大的趋势;东部沿海旅游经济发达地区具有更加动态的局部空间结构,而中西部旅游经济欠发达地区具有更加稳定的局部空间结构;湖北省在空间依赖方向上具有最大的波动性,而浙江省在空间依赖方向上具有最大的稳定性;中国入境旅游经济空间格局的演化具有较强的空间整合性,出现协同高增长趋势的省份主要集中在东部地区,而出现协同低增长趋势的省份主要集中在中西部地区;中国入境旅游经济的局部区域结构和空间自相关性非常稳定,具有一定的路径依赖或锁定特征。     

江苏省工业转型的时空分异特征与机理

采用GIS空间分析技术及工业转型系数、工业高级化指数、空间基尼系数、专业化指数和偏离—份额分析等方法,深入分析了2000-2012年江苏省工业转型的时空演化特征及驱动机理.研究发现:近10年来江苏省工业转型速度呈先快后慢而高级化呈较快提升趋势,工业转型对工业发展的促进作用具有滞后性;各工业部门增长速度差异显著,竞争优势行业和主导产业均发生更替,但主导产业的主导作用变化不明显;空间上,不同发展水平的地区工业转型速度、方向及空间集聚程度各异,形成了苏州—无锡、南京、徐州三个工业空间集聚高地;工业专业化分工梯度差异显著,呈现以苏南为核心向外工业技术层次逐渐降低的圈层式垂直分工格局;资源禀赋、技术创新、贸易需求、区域政策是造成江苏工业转型时空分异格局演化的主要驱动力.     

哈尼梯田土地利用空间格局及其变化的信息图谱研究

以云南省元阳县为例,建立土地利用空间格局及变化信息图谱,对其图谱特征进行分析。结果表明:土地利用时空演变征兆图谱更直观形象的揭示区域土地利用变化的基本模式,提供时空复合的表达方式;土地利用斑块形态与空间扩展图谱的建立应用空间格局研究中的相关概念和方法,将微观、宏观层次图形信息与变化过程结合;土地利用变化景观特征图谱建立以度量空间格局变化为目标的景观指数体系。     

海湾型城市建设用地扩展的时空动态特征及驱动力研究——以厦门市为例

解译了厦门市1986~2007年6个时间点的遥感影像,提取建设用地斑块,借助ArcG IS9.0空间分析模块和空间统计功能,进行缓冲区分析。通过绘制建设用地类型扩展量曲线图,分析波峰-波谷时空变化,结合同期自然和人文因素的变化,揭示建设用地扩展的驱动力。结果表明:①自然因素和人文背景影响城镇用地扩展的基本格局;②社会经济实力积累推动建设用地空间分布的演变;③城市化和工业化相互作用快速推动建设用地的扩展;④政策因素多层次地影响建设用地的时空变化。     

元阳县土地利用空间格局及其变化的图谱方法研究

信息图谱为区域土地利用空间格局及变化提供了一种谱系化、定量化与定位化相结合的研究方法.以云南省元阳县为例,在遥感、GIS空间分析和统计分析模型的支持下,从土地利用时空演变模式、空间扩展过程、斑块的空间分布特征三方面建立土地利用空间格局及变化信息图谱,并对其图谱特征进行分析.结果表明:土地利用时空演变征兆图谱更直观形象地揭示了区域土地利用变化的基本模式,提供了时空复合的表达方式;土地利用斑块形态与空间扩展图谱的建立应用空间格局研究中的相关概念和方法,将微观、宏观层次的图形信息与变化过程相结合;利用等步长变距离缓冲区分析法建立的VCM曲线可直观地描述不同土地利用类型斑块的空间分布特征及不同研究时段内其空间分布特征的变化情况.     

时空大数据背景下并行数据处理分析挖掘的进展及趋势

随着互联网、物联网和云计算的高速发展,与时间、空间相关的数据呈现出“爆炸式”增长的趋势,时空大数据时代已经来临。时空大数据除具备大数据典型的“4V”特性外,还具备丰富的语义特征和时空动态关联特性,已经成为地理学者分析自然地理环境、感知人类社会活动规律的重要资源。然而在具体研究应用中,传统数据处理和分析方法已无法满足时空大数据高效存取、实时处理、智能挖掘的性能需求。因此,时空大数据与高性能计算/云计算融合是必然的发展趋势。在此背景下,本文首先从大数据的起源出发,回顾了大数据概念的发展历程,以及时空大数据的特有特征;然后分析了时空大数据研究应用产生的性能需求,总结了底层平台软硬件的发展现状;进而重点从时空大数据的存储管理、时空分析和领域挖掘3个角度对并行化现状进行了总结,阐述了其中存在的问题;最后指出了时空大数据研究发展趋势。     

Spatiotemporal data model for network time geographic analysis in the era of big data

There has been a resurgence of interest in time geography studies due to emerging spatiotemporal big data in urban environments. However, the rapid increase in the volume, diversity, and intensity of spatiotemporal data poses a significant challenge with respect to the representation and computation of time geographic entities and relations in road networks. To address this challenge, a spatiotemporal data model is proposed in this article. The proposed spatiotemporal data model is based on a compressed linear reference (CLR) technique to transform network time geographic entities in three-dimensional (3D) (x, y, t) space to two-dimensional (2D) CLR space. Using the proposed spatiotemporal data model, network time geographic entities can be stored and managed in classical spatial databases. Efficient spatial operations and index structures can be directly utilized to implement spatiotemporal operations and queries for network time geographic entities in CLR space. To validate the proposed spatiotemporal data model, a prototype system is developed using existing 2D GIS techniques. A case study is performed using large-scale datasets of space-time paths and prisms. The case study indicates that the proposed spatiotemporal data model is effective and efficient for storing, managing, and querying large-scale datasets of network time geographic entities.     

基于大数据的流空间研究进展

流空间是认识城市网络结构和演化的重要手段。近年来大数据的快速发展为流空间研究提供了新的机遇和挑战。论文系统综述了基于大数据的流空间研究进展。首先,论文梳理了基于大数据流空间研究的背景和历史,然后总结了基于大数据的流空间研究的主题、数据类型、方法和主要发现,最后展望了未来的研究挑战。2011年以后,基于大数据的流空间研究呈指数增长趋势,中英文论文年均发表量从2010年的11篇增长到2018年的106篇。大数据主要从提供新的数据源、激发新的分析方法和提供新的研究视角三方面推进了流空间研究。常用于流空间研究的大数据主要包括手机信令数据、社交媒体签到数据、公共交通刷卡数据和出租车轨迹数据,它们比传统统计数据更能直接提供人流、物流和信息流的时空动态信息。研究方法也从传统的基于距离的重力模型发展为网络分析方法。未来在交叉学科研究、大数据和传统数据的耦合、大数据与深度学习和云计算等新方法的结合方面仍需进一步探索,从理论、数据和方法上全面深化流空间研究。     

Toward space-time buffering for spatiotemporal proximity analysis of movement data

Spatiotemporal proximity analysis to determine spatiotemporal proximal paths is a critical step for many movement analysis methods. However, few effective methods have been developed in the literature for spatiotemporal proximity analysis of movement data. Therefore, this study proposes a space-time-integrated approach for spatiotemporal proximal analysis considering space and time dimensions simultaneously. The proposed approach is based on space-time buffering, which is a natural extension of conventional spatial buffering operation to space and time dimensions. Given a space-time path and spatial tolerance, space-time buffering constructs a space-time region by continuously generating spatial buffers for any location along the space-time path. The constructed space-time region can delimit all space-time locations whose spatial distances to the target trajectory are less than a given tolerance. Five space-time overlapping operations based on this space-time buffering are proposed to retrieve all spatiotemporal proximal trajectories to the target space-time path, in terms of different spatiotemporal proximity metrics of space-time paths, such as Fréchet distance and longest common subsequence. The proposed approach is extended to analyze space-time paths constrained in road networks. The compressed linear reference technique is adopted to implement the proposed approach for spatiotemporal proximity analysis in large movement datasets. A case study using real-world movement data verifies that the proposed approach can efficiently retrieve spatiotemporal proximal paths constrained in road networks from a large movement database, and has significant computational advantage over conventional space-time separated approaches.     

A land use/land cover change geospatial cyberinfrastructure to integrate big data and temporal topology

ABSTRACT

Big data have shifted spatial optimization from a purely computational-intensive problem to a data-intensive challenge. This is especially the case for spatiotemporal (ST) land use/land cover change (LUCC) research. In addition to greater variety, for example, from sensing platforms, big data offer datasets at higher spatial and temporal resolutions; these new offerings require new methods to optimize data handling and analysis. We propose a LUCC-based geospatial cyberinfrastructure (GCI) that optimizes big data handling and analysis, in this case with raster data. The GCI provides three levels of optimization. First, we employ spatial optimization with graph-based image segmentation. Second, we propose ST Atom Model to temporally optimize the image segments for LUCC. At last, the first two domain ST optimizations are supported by the computational optimization for big data analysis. The evaluation is conducted using DMTI (DMTI Spatial Inc.) Satellite StreetView imagery datasets acquired for the Greater Montreal area, Canada in 2006, 2009, and 2012 (534 GB, 60 cm spatial resolution, RGB image). Our LUCC-based GCI builds an optimization bridge among LUCC, ST modelling, and big data.     

A lightweight ensemble spatiotemporal interpolation model for geospatial data

ABSTRACT

Missing data is a common problem in the analysis of geospatial information. Existing methods introduce spatiotemporal dependencies to reduce imputing errors yet ignore ease of use in practice. Classical interpolation models are easy to build and apply; however, their imputation accuracy is limited due to their inability to capture spatiotemporal characteristics of geospatial data. Consequently, a lightweight ensemble model was constructed by modelling the spatiotemporal dependencies in a classical interpolation model. Temporally, the average correlation coefficients were introduced into a simple exponential smoothing model to automatically select the time window which ensured that the sample data had the strongest correlation to missing data. Spatially, the Gaussian equivalent and correlation distances were introduced in an inverse distance-weighting model, to assign weights to each spatial neighbor and sufficiently reflect changes in the spatiotemporal pattern. Finally, estimations of the missing values from temporal and spatial were aggregated into the final results with an extreme learning machine. Compared to existing models, the proposed model achieves higher imputation accuracy by lowering the mean absolute error by 10.93 to 52.48% in the road network dataset and by 23.35 to 72.18% in the air quality station dataset and exhibits robust performance in spatiotemporal mutations.     

Mining spatiotemporal association patterns from complex geographic phenomena

ABSTRACT

Spatiotemporal association pattern mining can discover interesting interdependent relationships among various types of geospatial data. However, existing mining methods for spatiotemporal association patterns usually model geographic phenomena as simple spatiotemporal point events. Therefore, they cannot be applied to complex geographic phenomena, which continuously change their properties, shapes or locations, such as storms and air pollution. The most salient feature of such complex geographic phenomena is the geographic dynamic. To fully reveal dynamic characteristics of complex geographic phenomena and discover their associated factors, this research proposes a novel complex event-based spatiotemporal association pattern mining framework. First, a complex geographic event was hierarchically modeled and represented by a new data structure named directed spatiotemporal routes. Then, sequence mining technique was applied to discover the spatiotemporal spread pattern of the complex geographic events. An adaptive spatiotemporal episode pattern mining algorithm was proposed to discover the candidate driving factors for the occurrence of complex geographic events. Finally, the proposed approach was evaluated by analyzing the air pollution in the region of Beijing-Tianjin-Hebei. The experimental results showed that the proposed approach can well address the geographic dynamic of complex geographic phenomena, such as the spatial spreading pattern and spatiotemporal interaction with candidate driving factors.     

移动定位大数据视角下的人群移动模式及城市空间结构研究进展

了解城市人群移动行为和空间结构对城市规划、交通管理、应急响应等具有重要的意义。近年来,随着信息技术(ICT)的快速发展,采集大规模、长时间序列的人群移动定位大数据变得容易,为人群移动行为研究带来了新的机遇和挑战。本文首先介绍了目前用于城市人群移动行为和空间结构研究的主要数据源及其特征,并分别从人群移动行为、城市空间结构2个方面对近3年国内外相关研究进行归纳总结。目前的研究主要从移动定位大数据中挖掘人群移动模式,理解人群移动时空规律,进一步透视城市的空间结构特征;而对城市空间结构与人群移动行为影响的研究较少。未来可通过融合多源时空数据,综合研究人群移动行为与城市空间结构之间的相互作用,发展大规模群体移动行为时空分析理论和模型,进一步深入理解人群移动行为与城市空间结构的耦合关系。     

室内定位数据分析与应用研究进展

现代人文地理学的研究越来越多地关注人的时空行为,而获取个体在出行活动中的时空位置数据是研究人类时空行为的前提。受数据获取技术的限制,之前对时空行为的研究主要集中在室外空间。随着室内定位技术的出现和应用,这类研究由室外空间扩展至室内空间。室内定位技术和方法较多,但从数据的角度来看,根据数据获取中使用定位方法的不同,可将室内定位数据分为几何位置数据、指纹位置数据和符号位置数据3类。目前,基于室内定位数据的研究可以归结为以下4个方面,即：人在室内的时空分布、人在室内的移动模式、人在室内的行为习惯及属性推断、人与室内环境的交互作用。然而,总体上目前的研究还处于探索阶段,理论和方法体系尚未成熟。本文认为后续的研究中需要关注以下问题：①数据获取方面。相对于蓝牙、射频识别、红外等定位技术,“智能手机+WiFi”模式的定位系统具有覆盖范围广、成本低廉、无需专门设备支持、易与用户交互等优势,是一种最具应用前景的室内定位技术;②研究内容方面。时空行为特征的研究是基础,个体属性推断及个体与环境的相互作用形式和机理研究将是重点,多时空尺度数据融合分析是一种趋势;③科学伦理方面。室内定位涉及微观尺度人类活动的记录,隐私保护问题需要高度关注。