客家地名文化景观的空间分布特征及成因

针对当前客家文化中地名文化研究缺乏的现状,该文提出了从景观地名角度定量研究客家地名文化的方法,以赣南地区客家村落为研究对象,基于核密度估计法和移动搜寻法,结合地统计学方法,分析客家地名文化景观空间分布特征及其成因。研究发现,赣南地区自然景观地名集中于中北部平原和低谷地区,呈圈层向外衰减的空间分布趋势,与赣南地区自然环境特征相吻合;其中山貌类景观地名与海拔呈梯度负相关的耦合关系,水文景观类地名并"生长"于河流两侧。各文化景观类地名存在一定的空间分异,城镇建设、交通条件、生活方式和迁徙携来的中原传统文化等驱动因素都对赣南地区客家村落分布格局有重要影响,该方法能为客家文化的进一步研究提供参考。     

吉林省地名文化景观空间分布特征及成因分析

运用GIS点密度分析研究吉林省地名文化景观的空间分布特征和成因。在自然景观类地名中,东南部地区集中了地形地貌类、水文类、植物动物类地名;中部地区集中了植物动物类地名;东部集中了水文类和天体方向类地名。在人文景观类地名中,中北部集中了军事防御、经济活动、建筑工程、祈福、姓氏类地名;中南部聚集了许多建筑工程类和历史典故类地名;东南部集中了经济活动类、军事防御类地名;东部集中了建筑工程和祈福类地名;西北部集中了政治类、带"字"类、历史典故类地名。     

湖南传统村落地名文化景观的空间特征

针对传统村落地名文化景观的空间分布问题，该文以湖南省5批共658个中国传统村落为例，借助ArcGIS10.2平台，综合应用核密度估计、局部空间自相关、最邻近点指数等方法，描述了传统村落地名文化景观的空间特征，并分析了影响因素。结果显示，湖南传统村落地名文化景观的空间分布呈不均衡状态，热点地区在省域西部与南部。自然景观类地名多于人文景观类地名，以水文类地名、地形地貌类地名居多，地形地貌类地名凝聚在地势高峻的山区，水文类地名大多数分布于沅江和湘江流域；人文景观类地名同区域经济社会环境、历史文化环境关系紧密，其中，姓氏命名类地名反映了人口的分布与迁移，建筑园林类和美好寓意类地名是当地民俗、建筑、信仰等文化特征的反映。     

基于GIS的榆林市乡镇地名分布特征研究

利用不同的网络公开地名数据源进行数据融合,获得榆林市乡镇级居民地地名数据,在此基础上,对地名数据进行统计分类,引入地名密度和地名点距离的指标,运用GIS的分析方法,对榆林市乡镇级地名数据进行景观分析。研究得出:榆林乡镇地名从东南向西北部递减,并且呈现出聚集的分布特征;榆林市的自然人文特征直接体现在其主要地名分类的分布上,山水类地名的分布反映了榆林西北部沙漠干旱,东南部黄土丘陵、河流较密的自然特点,姓氏、军事类地名的分布则反映了榆林市的移民文化、多民族混居的民族特色,以及古代军事价值高的特点。     

构件模型库的客家古村落三维建模方法——以白鹭古村为例

针对客家历史的重要载体--客家古村落正在面临着被破坏甚至消亡的风险问题,该文对其开展了三维建模方法研究,以进行数字化保护。通过分析客家古村落的建筑特点,首先对客家古村落中的建筑群整体布局展开研究,合理划分出单体古建筑;其次,将单体古建筑拆分成不同类型的子构件并研究各自建模规则,创建了面向客家古村落的建模体系与框架;最后采用CityEngine的规则建模技术为主,结合3DS Max三维建模软件,对子构件进行三维精细建模,构建了基于模型库的客家古村落三维建模方法。并以白鹭古村为例,利用此方法完成了白鹭古村古建筑群的三维精细模型的展示,并开发出了白鹭古村三维仿真系统。实验表明:该方法能够大大提高三维建模效率,快速完成对客家古村落的三维建模。     

基于GIS的通名“围”命名探源

以广东省为研究区域,基于GIS技术,从含"围"地名群空间分布特征出发,通过分析其与环境因素之间的关系,并与客家含"屋"地名群进行选址差异的对比,揭示了绝大多数含"围"地名分布在山地丘陵地区,且符合客家人的选址要求,支持"围屋"的命名起源说法;少数含"围"地名分布在珠江三角洲的水患易发地区,支持"堤围"的命名起源说法。     

基于3S的赣州客家文化信息服务系统

赣州客家文化信息服务系统运用3S技术(GPS、GIS、RS),基于时态GIS技术将赣南客家文化信息与时空地理信息相结合,集数据采集、处理、存储、管理、检索、分析、表达和应用地理信息等多种功能于一体。实现了对赣州客家文化的历史、人口分布、客家方言、客家建筑、客家美食、客家风俗等资源的收集、管理、共享与服务,全面展现了客家文化的深厚底蕴和独特魅力。赣州客家文化系统借助网络平台传播赣州客家文化,为普通民众了解客家文化提供了一个更加方便快捷的窗口,为文化局宣传和传承客家文化开创了新模式。以传统测量和现代测量技术相结合,以地图为载体,集文字、图片、音频和视频等多媒体信息于一体,将赣南地区最具特色的客家围屋、客家名村和客家寺塔呈现给用户,将客家文化从起源、变迁到立足的整个过程娓娓道来。     

徐州村落地名空间分布特征及其成因

为了研究徐州村落地名中蕴含的丰富社会历史文化,该文利用数理统计和GIS核密度技术分析自然地理、人文地理类地名空间分布特征及成因,探讨地理环境对聚落选址的影响,同时展现了徐州人民丰富多彩的生产活动.研究发现:徐州地区自然景观类地名,主要包括山文、水文地名,大都依山而生,沿水分布,与境内复杂的地形和河网分布状况基本一致;人文景观类地名主要划分为姓氏、经济活动、建筑工程、军事、愿望几类,其空间分布特征与当地的氏族聚落、人口迁移、生产生活、社会变迁情况基本符合.通过地名中的文化景观,揭示了 自然地理环境的变迁和人类认识大自然的过程,有利于挖掘徐州村落地名中所蕴含的民族、历史和社会文化.     

基于 MongoDB 的闽西客家文化数据存储设计与分析

针对客家文化数据类型多样、结构复杂的问题,探讨并构建客家文化数据分类体系。结合客家文化数据的分类和MongoDB数据模型,设计客家文化遗产数据存储模型和客家文化基础设施数据模型。探讨基于MongoDB的客家文化遗产数据查询和索引的构建方法和流程。在100 MPs局域网内基于C/S结构分别构建单机和集群测试环境,测试不同客家文化数据单机和集群的存取性能。实验表明,基于MongoDB的客家文化数据模型能够较好地实现类型多样、结构复杂的客家文化数据的管理,便于以增加节点的方式来提高存储能力和读写性能。     

成都市文化遗产时空分布特征及其影响因素分析

文物保护单位是重要的文化遗产资源,研究其时空分布特征及成因有助于了解其历史演化过程,对其采取针对性的保护与开发措施。文章利用ArcGIS软件,通过最邻近指数、核密度估算、缓冲区分析等方法,对不同历史时期成都市文保单位的时空分布特征及影响因素进行分析。结果表明：（1）成都市文保单位历时长,集中分布于明至清和民国至今时期,各时期的主体文物类型经历了“古遗址—石窟寺及石刻—古建筑—近现代重要史迹及代表性建筑”的变化历程。（2）成都市文保单位的空间聚集度高,除史前至先秦时期为均匀分布外,秦至隋、唐至宋元、明至清、民国至今4个时期均为聚集分布,聚集核心区多位于当今成都市中心城区一圈层。（3）成都市文保单位的时间分布特征受经济发展、人口迁移影响,空间分布特征与地形、河流和城址位置密切相关,所有因素中城址位置最为关键。     

基于GIS的呼和浩特市区街道信息变迁分析

基于人文地理学、城市地理学理论,运用历史文献和统计分析方法,运用GIS,并参阅呼和浩特市地名志、呼和浩特市新城区志等资料,对近百年来的呼和浩特市街道信息变迁进行分析。研究结果表明,近百年呼和浩特市街道数量明显增多;新建街道主要向东南方向扩展;街道名称的变化反映了不同时期的社会背景。     

一种英语地名机器翻译方法

针对大量英文地名急需实现中文翻译及目前英语地名自动翻译研究较少、翻译结果质量低下的问题,该文提出了一种英语地名机器翻译方法。首先对于不同类别地名语料基于点互信息和有向无环图数据结构提取地名模板,然后基于统计模板模型解析地名词法结构实现翻译。实验结果表明:该方法翻译精度相对较高,可有效应用于地名生产。本方法解决了地名翻译中通专名合理区分的难题,同时利用地名类别属性辅助翻译,大大节省了人工成本,对我国地名翻译及生产领域具有一定参考意义。     

一种基于复合特征的中文地名识别方法

中文地名识别是命名实体识别的重要研究课题之一,也是提高地理信息系统应用水平的关键。传统的地名识别主要基于词性或地名要素特征,特征类型有限。提出了一种基于复合特征的中文地名识别方法,挖掘中文地名在自然语言中的特点,设计了类型、路径、距离和数量四种句法特征,基于地名要素特征、词性特征、句法特征三种复合特征利用条件随机场模型实现了中文地名的训练和识别。通过实验对比复合特征在中文地名识别方法的效果,结果表明复合特征能够有效提高中文地名识别的准确率和召回率,尤其是对于复杂地名的识别,具有良好的效果。     

北京市区划地名信息社会服务系统设计与开发

为实现第二次全国地名普查成果转化目的,利用普查成果数据,基于WebGIS、大数据、云平台等技术方法,开发了北京市区划地名信息社会服务系统。介绍了系统建设背景及其必要性,详细阐述了系统设计方案、总体架构及其关键技术,深入挖掘地名特色和文化内涵,以讲地名故事、检索地名信息及空间位置、统计地名图表等多种形式,满足社会公众获取权威地名信息的需求。本文以北京市区划地名信息社会服务系统建设为主线,实现全方位、多角度的展示北京市地名普查成果。     

基于百度地图的武汉市老地名时空分析系统

针对目前老地名消失现象严重,无法实现地图检索,地名文化遗产亟待保护的现状,文中基于百度地图API,以武汉地方志和武汉市地名区划网的老地名数据为基础,设计一个能够实现武汉老地名查询、导航和时空变化分析的方法,弥补目前老地名数据无法支持空间可视化表达的缺陷,分析武汉市老地名的时空变迁规律,为地名文化遗产保护提供有效参考。     

结合地名知识和位置信息的中文地名匹配方法

针对中文地名数据中存在的“同名异地”“异地同名”等歧义问题,本文提出了一种结合地名知识和位置信息的地名匹配方法。首先基于特征词的规则匹配模式对地名名称结构进行了解析。然后结合地名的位置信息实现中文地名匹配;同时,基于地名的行政区划信息和实体信息关联多源地名数据,构建地名知识库。最后以兴趣点数据为例,基于名称相似度和位置相似度匹配地名数据中的地名信息,并以知识图谱的形式进行存储和表达。     

基于GeoNames和Solr的地名数据全文检索

地名数据是一种重要的地理信息资源,目前我国的地名数据库建设多局限于国内地名,缺少国外数据。传统地名数据的检索多为关键字查询,查询效率低且无法用于复杂地名查询。文中提出一种基于开源地名数据库GeoNames和开源搜索引擎Solr的地名数据全文检索方法,通过分析GeoNames的数据类型和结构,构建MySQL地名数据库,并利用Solr建立地名索引,提供基于Web服务的地名数据全文检索。实验表明,基于Solr的地名数据全文检索能够显著提高地名数据检索效率,对于复杂地名查询,也能进行有效地检索。     

点状地名信息的加权泰森多边形检索法

鉴于地名库中多数地名仅以中心点坐标形式记录其空间位置信息,缺乏其空间范围的具体描述,造成地名检索中的片面性和局限性,本文在深入分析地名及其空间属性、空间关系的基础上,考虑同类型地名的不同性质在检索中的重要作用,利用泰森多边形在地名边界近似中的优势,提出了针对点状地名信息的加权泰森多边形检索法,依据同类型地名的面积属性作为权重指标构建泰森多边形,以近似表达地名的空间范围,进而描述地名间的各类空间关系;并从拓扑关系、方位关系与距离关系3个方面给出了具体公式以计算地名间的空间相似性;最后以行政区划边界近似与检索为例验证该方法。试验结果表明,该方法可较好地近似表达地名空间范围及空间关系,增强了检索词与地理信息资源在空间位置上的相似性度量,检索结果优于传统方法。     

A name‐led approach to profile urban places based on geotagged Twitter data

Place is a concept that is fundamental to how we orientate and communicate space in our everyday lives. Crowdsourced social media data present a valuable opportunity to develop bottom‐up inferences of places that are integral to social activities and settings. Conventional location‐led approaches use a predefined spatial unit to associate data and space with places, which cannot capture the richness of urban places (i.e., spatial extents and their dynamic functions). This article develops a name‐led framework to overcome these limitations in using social media data to study urban places. The framework first derives place names from georeferenced Twitter data combining text mining and spatial point pattern analysis, then estimates the spatial extents by spatial clustering, and further extracts their dynamic functions with time, which makes up a complete place profile. The framework is tested on a case study in Camden Borough, London and the results are evaluated through comparisons to the Foursquare point of interest data. This name‐led approach enables the shift from space‐based analysis to place‐based analysis of urban space.