����GPS�۲������ɽ8.1������΢��̬�����о�

???????????????????????????????????????嶫?????????GPS????????????????????????????????λ??ó?????????β???????仯???????????2001???????8.1???????????β?????????д?????μ?仯????????仯?????????ж??????????С????????????????????????????????????????8.1????????????????????????????????о????????????????β???????п???????????????????     

GPS/GLONASS��Ͼ��ܵ��㶨λ��������άˮ�������е�Ӧ��

???????GPS/GLONASS ?????????λ??????????????????????????й?????????12??CORS?6 d????????????????COSMIC????????????????????????????GPS???????λ???????GPS/CLONASS ??JP3?????????λ??????????????????????????????????18%??????????10%??     

�İ�����������Ӧ�䳡�仯�ۺ��о�

??????????????????????????????????С?????????????????о????????????????仯?????????????5.1??????????????????????????С?????????P??λ?????????仯???????????????????????????????????????仯??????2006??4?????????Χ?200 km??     

Ӧ��360��ȫ��Ӱ����������ⷽ��

???360???????????????????????????????????????????????·???????????в???????????????????????YCbCr???????????????????????????????????????????Ч??????????????????????????????????????????????????????????????????????????????????Ч?????????????????÷????????360?????????е??????????????????????????????????????????????Ч?????????á?     

����GPS���ϼ���ɽվ�����TEC�����о�

????2000??2006?????????GPS?????????о??????????TEC????????????????????????????仯?????????????????GPS??TEC????????????????????????仯???????????????????TEC?仯?????????????????????????????????????????????????     

���е�ͼ��ϢԼ����GPS/DR��ϵ���ϵͳKalman�˲��㷨

??GPS/DR?????????У?GPS???????????????????????????ж??????DR?????????е???????DR??????????????????????????????????????????????λ??????????????????????????????????????????У???DR???????????????????????????????????Ч????λ?????     

һ�ָĽ�������RTK�������ӳ���������ڲ�ģ��

??????RTK??????λ?У???????????ο?????????????????????????????????????????????????????????λ????????????????????????????LIM???????????????????????????????????????????CORS?????????ο??????????????????????????????????????LIM???????徫?????????1~2 cm??     

����CORSϵͳ����������������

????TEQC????????CORS????GPS??2011-07-2012-09?μ????????????????飬?????????HBCORS????99.4%??????????????IGS?????????     

����С��������GEO�����쳣ʶ���о�

?????????????????????????????????????????????????????????粻????????????????????????????λ?????????η???????????????????С????????GEO???????????????????????鷨?????????????????????????COMPASS?????????伸?η???????????????????о????????????????????????ж????????????????ж??????????5 s??     

���ܵ��㶨λ��GNSS����������е�Ӧ��

??????????λ???PANDA?????????纣????????2009??2011??2013??????3??GNSS?????????д????????????ITRF2008?μ???????????????з??????ó?????????????????仯????E???????32.16 mm/a????N???????-10.08 mm/a?????????????????????λ?????????????????????μ?????????     

夜光遥感支持下的城市人口核密度空间化及自相关分析

基于福建省福州市鼓楼区街道社区人口统计数据、夜光遥感影像、Landsat8影像,融合核密度与回归方程,绘制30 m栅格空间分辨率的人口密度图并进行空间自相关分析。方法:① 采用核密度方法对69个社区人口计算生成人口密度分布图。建立786个居民小区点的人口密度与夜光遥感的常规QQ分位图,检测出人口密度存在较大的误差区域:五凤街道和洪山镇。② 建立人口密度与夜光遥感、Landsat8线性分解的不可渗透表面影像之间的二元二次回归方程,修正两个区域的人口密度误差。③ 采用高/低聚类分析、热点分析、聚类和异常值分析,得到鼓楼区人口高聚类属性,显示了鼓楼区最大商业圈区域与人口密度最大居民点区域,展示了人口聚类的空间局部差异性格局。结果:① 研究中所采用的人口空间化技术融合了2种空间化方法:核密度与回归方程。生成30 m栅格空间分辨率的人口密度图。② 鼓楼区人口密度均值分为3种类型:11 000、25 000和50 000人/ km²,人口密度分布近似正态分布。③ 当鼓楼区人口密度均值大于33 000人/ km²,不可渗透表面灰度值与人口密度相关性更强。反之,夜光亮度值与人口密度相关性更强。     

京津冀都市区经济增长空间分异的GIS分析

基于GIS技术和探索性空间数据分析(ESDA)方法,利用京津冀都市区1995-2007年人均GDP数据,对京津冀都市区经济发展水平、经济增长率及其和初始发展水平动态关系进行了深入的研究。研究表明:(1)京津冀都市区经济差异和空间集聚都呈逐步扩大趋势,空间依赖增强,经济差异和空间集聚呈较高的正相关关系,京津冀都市区经济发展水平空间集聚的增加,在一定程度上加大了经济差异。(2)京津冀都市区内部形成了两大空间集聚区,一个以北京、天津、唐山为核心的高经济发展水平的集聚区;另一个是以承德、张家口和保定为核心的低经济发展水平的集聚区。(3)初始经济发展水平局部空间自相关类型不同的区域,经济增长率与初始发展水平的动态关系不同,初始发展水平高的空间集聚区表现出明显的经济收敛性,而初始发展水平低的空间集聚区中的多数地区则有落入"恶性循环累积陷阱"的倾向。     

不同空间权重定义下中国人口分布空间自相关特征分析

人口分布的研究对实现人口、环境、资源可持续管理具有深刻意义。相对于洛伦斯曲线、基尼系数等传统度量指标,运用空间自相关分析可以较好地表达人口分布的集聚现象,揭示人口格局的空间结构和空间相互作用。空间自相关测度的关键因素之一为空间权重矩阵。当前人口空间自相关特征测度多采用单一邻近关系定义空间权重矩阵,忽视了不同空间邻近关系对自相关特征分析结果的影响。本文根据距离阈值和邻接关系定义了八种空间权重,包括新定义的高铁两小时可达性空间权重。基于2010年《中国人口年鉴》统计资料,结合GeoDa软件测度了中国人口空间分布自相关特征并分析空间权重定义对自相关特征分析结果的影响。发现:(1)在不同空间邻近关系下,中国省域人口密度分布在全局自相关上均呈现空间正自相关,但其显著性水平有差异;(2)局部自相关分析结果Moran's I表现出明显的区域差异。     

Modeling of spatial distributions of farmland density and its temporal change using geographically weighted regression model

This study used spatial autoregression（SAR） model and geographically weighted regression（GWR） model to model the spatial patterns of farmland density and its temporal change in Gucheng County,Hubei Province,China in 1999 and 2009,and discussed the difference between global and local spatial autocorrelations in terms of spatial heterogeneity and non-stationarity. Results showed that strong spatial positive correlations existed in the spatial distributions of farmland density,its temporal change and the driving factors,and the coefficients of spatial autocorrelations decreased as the spatial lag distance increased. SAR models revealed the global spatial relations between dependent and independent variables,while the GWR model showed the spatially varying fitting degree and local weighting coefficients of driving factors and farmland indices（i.e.,farmland density and temporal change）. The GWR model has smooth process when constructing the farmland spatial model. The coefficients of GWR model can show the accurate influence degrees of different driving factors on the farmland at different geographical locations. The performance indices of GWR model showed that GWR model produced more accurate simulation results than other models at different times,and the improvement precision of GWR model was obvious. The global and local farmland models used in this study showed different characteristics in the spatial distributions of farmland indices at different scales,which may provide the theoretical basis for farmland protection from the influence of different driving factors.     

小流域山洪灾害危险性分析之降雨指标选取的初步研究

降雨是诱发山洪灾害的直接动力和激发条件,是山洪灾害危险性分析中不可或缺的重要指标。对于不同的研究区,不同频次和历时的降雨对山洪灾害的影响不同,危险性分析所选取的降雨指标也可能不同。本文基于1:5万小流域数据、历史山洪灾害空间分布数据和暴雨图集资料,以江西省婺源县小流域为例,采用相关分析法对初步选取的24个降雨指标进行相关性分析,筛选出相关性不强的降雨指标;利用GIS技术和基于局部Getis-Ord Gi*算法的优化热点分析工具对历史山洪灾害点进行空间聚类分析,获得研究区每个小流域山洪灾害危险度的估值,该值能够较好地反映小流域山洪灾害危险性的空间分布;通过地理探测器模型中的因子探测器和交互探测器对已筛选出的降雨指标和小流域山洪灾害危险度进行综合探测分析,从而获取对该研究区小流域山洪灾害危险性影响较大的降雨指标,即100年一遇最大6 h降雨和100年一遇最大24 h降雨。本文研究对小流域山洪灾害危险性分析降雨指标的定量选取具有参考和指导意义。     

“一带一路”成员国居民健康状况的时空统计分析

健康是影响不同国家和地区发展的关键因素,全面了解“一带一路”成员国的居民健康状况,是探讨“一带一路”成员国之间健康医疗合作的重要基础。本文选择了4个代表性的健康状况指标（出生期望寿命、总生育率、过早非传染性疾病死亡率和结核病发病率）,利用Moran's I指数、Getis-Ord G指数对“一带一路”135个成员国的健康状况进行时空统计,分析了健康状况的空间相关性和空间分布模式,研究了健康状况的时空格局。研究发现：① 2000—2016年“一带一路”大部分成员国的各项健康状况指标均朝着改善和优化方向发展;健康状况指标均呈现显著的正空间自相关性;② 总体而言,在“一带一路”成员国中,欧洲国家的居民健康状况最好;南北美洲和大洋洲国家的居民健康状况良好;亚洲国家的居民健康状况总体良好,但东南亚部分国家的结核病发病率较高;非洲国家的居民健康状况虽有明显改善,但仍处于较低状态。因此,“一带一路”成员国应进一步加强健康医疗合作,共同推动健康丝绸之路的发展。     

STUDY ON SPATIAL AUTOCORRELATION OF URBAN LAND PRICE DISTRIBUTION IN CHANGZHOU CITY OF JIANGSU PROVINCE

1INTRODUCTION The level and periodic changes of land price are interest- ing subjects for the governors, investors, researchers and grass-roots. Currently, the higher land price in China has become the focus among the people, from central go- vernment tocommon citizens,especially in theChang- jiang (Yangtze) River Delta area around Shanghai City. So that studyingthisproblem have both an academic and practicalmeaning. One characteristic ofland is fixed location (the others are high cost…     

内嵌空间聚类算法的分区地理元胞自动机建模与应用

传统的地理元胞自动机(Geo-Cellular Automata;GeoCA)模型,大多采用统一的转换规则驱动元胞空间内的所有元胞进行演变。然而,许多地理现象都存在着空间异质性,统一的元胞转换规则忽略了空间异质性的存在。针对这一问题,本文提出了空间聚类的分区地理元胞自动机模型,采用空间聚类算法对元胞空间进行分区,对不同的分区分别求取转换规则,以此来提高地理元胞自动机的模拟精度。以杭州市为案例区,采用本文提出的空间聚类的分区地理元胞自动机模型,对研究区2000-2005年的城市用地变化进行了模拟。结果表明:与采用统一转换规则的GeoCA相比,引入空间聚类算法的分区GeoCA具有较高的模拟精度,尤其是在空间形态和整体结构上,具有较好的模拟效果。     

基于国家1:50000地形数据库的公路交通网络空间分布特征和趋势变化研究

为了获得全国公路交通网络空间分布特征和趋势变化,以国家1:50000地形数据库的公路交通数据(2012~2015年4个时间序列)为研究对象,利用空间自相关的统计方法对其展开分析研究。实验结果表明全国公路交通网络的空间分布具有显著的空间自相关性和聚类特征,同时其分布与区域经济指标存在空间显著正相关。     

2008—2018年中国手足口病时空分异特征

手足口病是一种在婴幼儿中多发的常见传染病,对儿童的身体健康具有重要影响。为揭示我国手足口病的时空分异特征,为手足口病的防控提供科学依据,本文选取自2008年手足口病被列为丙类传染病以来至2018年中国手足口病发病率为研究数据,运用全局莫兰指数、Getis-Ord G_i ^*、新兴时空热点分析和标准差椭圆等空间统计方法对中国手足口病的整体和局部时空分布模式、特征和趋势进行了分析。结果显示：① 2008—2018年我国手足口病发病率呈现显著的空间聚集性,且聚集的强度显著增高;② 我国手足口病发病的热点区域主要集中在东南沿海地区,且较明显向内陆以及北部沿海地区扩张,而冷点区域主要集中在西北内陆以及东北地区;③ 我国手足口病的新兴时空热点模式以振荡的热点为主,新增热点主要出现在云南、重庆和四川,而冷点分布区域相对稳定,且冷点大部分以加强的、持续的模式出现;④ 手足口病高发病率区域在2008—2018年期间主要向西南方向移动,但在2008—2009年、2013—2014年以及2017—2018年存在向北部移动的趋势,同时2018年手足口病在东—西方向上的分布范围显著增大。总体来说,我国手足口病在南方地区高发。