对节约集约用地的理性思考

1节约集约用地是经济持续发展和社会长治久安的必然选择党中央、国务院从我国经济社会发展的实际出发,审时度     

自适应空间邻域分析和瑞利-高斯分布的多时相遥感影像变化检测

提出了一种基于自适应空间邻域分析和瑞利-高斯模型(Rayleigh-Gauss models, RGM)分布的多时相遥感影像自动变化检测方法。该方法把自适应空间邻域信息和改进的差值影像与比值影像乘积变换融合 法(improved multiplying transform fusion, IMTF)结合构造差异影像, 可以有效地抑制噪声和消除多时相影像之间配准误差的影响, 具有更强的鲁棒性。在对差异影像的分割处理中, 运用瑞利和高斯模型分别模拟变化类像元和非变化类像元的分布情况, 然后估计出两类像元的概率     

全极化SAR数据反演桥面高度

根据高分辨率SAR图像上建筑区的影像特征, 提出了基于灰度共生矩阵(gray-level cooccurrence Matrix, GLCM)纹理分析的建筑区提取方法, 该方法由初步定位和边界调整2个步骤组成, 均遵循特征计算、基于Bhattacharyya距离的特征选择和KNN分类流程, 所不同的是2个步骤中分别采用了逐块和逐点计算纹理特征的方式以兼顾纹理分析的效率和准确性。文中对不同SAR传感器获取的图像进行了实验。实验结果表明, 选用具有最大Bhattacharyya距离值的3或4个特征可以获得较好的初步定位结果, 建筑区的检测率超过80%, 虚警率低于10%;随着边界调整的进行, 检测到的建筑区边界逐渐接近于真实边界。实验结果验证了该算法的有效性。     

空间选址关键因素及其建模研究

影响空间选址的因素错综复杂,本文在对以往一些研究成果进行综合分析的基础上,提出了空间选址的三大影响因素:容量、区位特征和作用范围,并进行了空间选址的建模研究,建立了三个基本模型(容量因素影响模型、区位特征因素影响模型、作用范围因素影响模型)和空间选址的评估模型,并结合应用实例对该模型进行了初步的验证。     

怒江六库水电站建设移民搬迁地的GIS分析选择

云南水能资源丰富,是我国重要的水电基地,水电开发具有综合效益好、比较成本低的显著特点,可极大地拉动当地的经济社会发展。电站建设涉及面广,需要解决的问题多,移民就是其中历来困扰水电开发建设的难题之一,移民搬迁贯穿于电站建设全过程,是水电开发不可分割的重要组成部分。随着社会的进步,以人为本观念的渗透,科学、有效地为水电开发移民选择理想的安置地,让移民真正从水电开发中受益已显得越来越重要。本文以拟建的怒江流域梯级电站中的六库电站为例,探讨采用GIS的空间叠置分析、缓冲区分析、网络分析等空间分析技术为移民寻找适宜居住的最佳搬迁地。安置区的选择,我们主要考虑以下因素:(1)靠近集镇或主要交通线,便于各类配套实施的建设及对外交往;(2)充裕的适宜开发的土地资源和水源条件;(3)坡度小于25度的区域;(4)安置区最好在本县,与所在区域居民语言相通,传统习俗相近便于沟通交流,有认同感;(5)安置区选择与自然保护区、国家重点建设规划用地不冲突。     

住房成本与通勤成本的空间互动关系——来自北京市场的微观证据及其宏观含义

住房成本和通勤成本是城市空间结构中两个相互关联的内生变量。居民在进行居住区位 选择时, 会在这两者之间进行权衡, 从而形成住房价格、建筑密度和通勤行为在空间上的变化规 律。本文回顾了通勤成本和住房成本间的理论均衡关系, 探讨了各种现实情况是如何影响这个理 论关系的; 并利用大规模调研所采集的北京市微观个体数据, 提供了这一互动关系的一些定量证 据; 最后从两个角度探讨了这种互动关系在城市管理的公共政策方面的宏观含义: 考虑通勤成本 后的住房支付能力评价, 以及就业与居住过度分离的社会效果分析。     

遥感影像混合像元分解中的端元选择方法综述

端元选择是进行遥感影像混合像元分解的首要步骤,也是最关键的步骤,其直接影响混合像元分解的精度。该文对遥感影像混合像元分解中端元产生的特定背景、当前存在的端元选择途径和端元选择方法进行综述,并通过对当前端元选择方法的分析,提出了选择或构造端元选择方法应遵循的几个原则。     

基于机器学习的格点气温预报订正方法

使用2017年9月至2021年3月国家级业务化运行的智能网格实况分析产品和欧洲中期天气预报中心全球模式(EC)产品,根据湖北省的地理分布特征构建6个分区,采用基于LightGBM机器学习算法建立的气温预报方法,生成湖北省0.05°×0.05°格点气温预报产品。利用2021年4—9月的预报产品和格点实况资料进行检验,结果表明:基于机器学习的气温预报方法(MLT)取得了较好的预报效果,其在0～72 h时效内优于中央气象台下发的气温精细化指导预报(SCMOC)和EC产品;MLT在山区的误差较平原大,但山区的订正幅度大于平原,日最高气温的订正幅度大于日最低气温的订正幅度;4—9月MLT、SCMOC、EC产品的平均绝对误差(MAE)日变化都呈现了白天偏高、夜间偏低、午后凸起的单峰特征,MLT的MAE值较SCMOC和EC产品的更低,并且在转折性天气中仍具有优势;站点检验与格点检验结论一致,基于格点建模的气温预报产品对站点预报同样得到了订正。机器学习在格点气温的模式订正方面可以作为一个行之有效的手段。