非认知能力、地方依恋对农民工城市融入的影响机理研究

农民工的城市融入水平对迁入城市的可持续发展有着重要影响。非认知能力是农民工人力资本的重要构成,论文将非认知能力划分为开放性、尽责性、外倾性、宜人性和情绪稳定性5个维度,系统分析非认知能力与城市融入的关系,并辨析农民工城市融入过程中的情感联结即地方依恋在两者关系中的作用路径,进而探究非认知能力、地方依恋对城市融入的影响机理。研究结果表明：① 非认知能力中的开放性、尽责性、宜人性3个维度对农民工城市融入具有显著的正向影响;开放性、尽责性、外倾性、宜人性、情绪稳定性对地方依恋有显著的正向影响;地方依恋对农民工城市融入具有显著的正向影响;② 地方依恋在开放性、尽责性、宜人性与城市融入之间起到部分中介效应;地方依恋在外倾性、情绪稳定性与城市融入之间起到完全中介效应。论文丰富了农民工城市融入的研究范畴,可为促进农民工在珠三角地区的城市融入提供新的决策依据。     

基于GEE和U-net模型的同震滑坡识别方法

地震滑坡解译是震后重建的重要基础工作,主要通过室内人工遥感解译和室外野外调查确定。地震滑坡相比其他地物来说更为复杂,很难通过简单指数识别。室内遥感解译通过滑坡后壁、侧壁和堆积等纹理特征进行识别,大面积同震滑坡解译工作往往耗费大量人力和物力,且耗时长,难以满足灾害应急需求。本研究利用U-net神经网络模型,结合Google Earth Engine（GEE）云平台和人工智能学习平台Tensorflow,以地震局解译的汶川滑坡作为样本数据,以震后30 m分辨率的Landsat影像、高程、坡度以及NDVI数据作为模型输入参数,自动识别并获取了汶川地震后的同震滑坡数据,同时比较了不同参数组合情况下U-net神经网络模型的分割识别精度。研究表明：① U-net模型可以用于以Landsat影像为基础数据的同震滑坡快速自动识别;② 随着高程、坡度以及NDVI等输入参数增加,模型分割精度在逐渐提高,但假阳性结果也会出现增多,震后滑坡影像+高程+坡度+NDVI的输入参数组合精度最高;③ 在细节上,模型在多参数组合的情况下,大型滑坡能够很好被识别,一些较小型的滑坡受制于影像分辨率的影响,分割精度较差。为了更好识别小型滑坡,后续研究可能需提高影像的分辨率。此外,GEE云平台大大提高了训练样本获取的效率,为科研人员快速进行基于神经网络与遥感数据的地物识别研究提供了条件。