北太平洋副热带模态水盐度的年代际变化

副热带模态水(Subtropical Mode Water;STMW)在气候变化中起着重要作用。本文利用全球高分辨率数值模拟结果,研究了北太平洋STMW核心层盐度(Core Layer Salinity;CLS)的年代际变化及其物理机制。结果表明,CLS存在显著的年代际变化,其空间分布则与背景流场分布特征有关。侵蚀区CLS滞后生成区CLS约1~2年,这主要是海流平流输运引起的。生成区内,STMW的季节循环一般可分为生成期(12-4月)、隔离期(5-6月)和侵蚀期(7-11月),生成期混合层盐度(Mixed Layer Salinity;MLS)决定着隔离期和侵蚀期的CLS,而MLS年代际变化则主要由同太平洋年代际涛动存在负相关性的海表面淡水通量的变化引起。     

伏牛山地区森林生态系统服务权衡/协同效应多尺度分析

森林生态系统服务权衡与协同研究已成为当前相关学科的研究热点和前沿,对服务权衡与协同关系的多尺度分析有助于更加有效地实施森林资源管理。综合森林类型图、NDVI、气象和土壤等多源数据,借助CASA模型、InVEST 3.2模型和ArcGIS 10.2软件,开展伏牛山地区森林生态系统服务评估,运用空间叠置方法从多个空间尺度（区域、南北坡、垂直带）探讨服务权衡与协同效应。结果表明：① 研究区森林生态系统平均蓄积量为49.26 m ³/hm ²,碳密度为156.94 t/hm ²,供水深度为494.46 mm,土壤保持量为955.4 t/hm ²,生境质量指数为0.79。② 区域尺度上,28.79%的森林服务之间存在高协同效应,10.15%的森林存在低协同效应,61.06%的森林存在强权衡和弱权衡效应。③ 南北坡尺度上,南坡服务之间的协同关系优于北坡。垂直带尺度上,南坡中山落叶阔叶林带（SIII）服务之间协同关系最好,北坡低山落叶阔叶林带（NI）协同关系最差。     

地理时空三向聚类分析方法的构建与实践

随着地理数据获取能力的不断提升,地理数据体量呈指数增长,数据种类、数据性质更加多元化。对数据的有效甄别和归类成为理解地理现象时空特征、演化过程和行为机制的关键。传统聚类方法面临数据体量大、维数高、质量差的挑战,加之对地理空间与时间关联分析的需求,对聚类方法改进和提升研究的要求越来越迫切。本文介绍了从单向到三向聚类构建思路的变革。单向聚类是仅在样本或属性方向上进行聚类,易忽视非常相似的局部特征、易犯“横看成岭侧成峰”的错误。双向聚类是基于数据矩阵内元素值的相似性,形成一个子矩阵分割方案,使子矩阵内元素相似度尽可能高,子矩阵间元素相似度尽可能低,从而实现行列两方向的同时聚类,避免了单向聚类的不足。鉴于双向聚类难以满足地理研究超出双向的解译需求,本文提出并研发了一个全新的三向聚类方法,给出了运用该方法开展地理时空格局过程探测的流程,总结了如何根据研究涉及的“空间—时间—尺度—属性”构建三维数据体;最后,展示了三向聚类的地理实践案例。结果表明：① 三向聚类是一种大数据时代探测地理数据时空分异规律的有效方法,可以解决数据维度高、质量低等问题;② 面对不同的地理问题,三向聚类在算法层面上是通用的,不同之处仅在于：根据不同问题涉及的空间、时间、尺度、属性的不同,构建不同的数据体;不同数据体聚类得到的不同结果回答不同的地理问题;③ 三向聚类可以实现地理数据的时空分异规律多方向、多尺度、多层次的联合解译,揭示地理特征时空尺度叠加效应。最后,论文强调根据地理问题组织数据的重要性,期待未来能够提升三向聚类在多空间尺度、多属性方面的地理研究实践。     

尺度政治视角下的新安江流域生态补偿政府主体博弈

流域生态补偿是中国跨区域生态治理和自然区域保护的一项重要经济、社会、环境政策,涉及区域利益主体权益差异与协调、区域生态协同发展和合作模式构建等方面,是一个典型的地理学研究命题。本文将制度粘性引入到尺度政治理论中,剖析新安江流域生态补偿政府主体的博弈行为,探究不同政府主体的博弈特征和博弈机制。结果表明:中央政府、省级政府、市级政府等不同层级政府主体经历了竞争博弈、合作博弈和竞合博弈3个阶段,构建政府利益共同体能够推进流域生态补偿建设,中央政府的“适度介入”是开展跨省流域生态补偿的关键;流域生态补偿制度从“垂直”模式向“垂直—水平”模式的变迁过程中存在明显的制度粘性,政府主体利用政策革新和社会参与等制度约束稀释制度粘性,重塑流域生态补偿制度;尺度转换是推动新安江流域生态补偿的核心机制,政府主体通过重新分配权力和资本、嵌入非正式约束塑造流域生态补偿话语体系,推动新安江流域生态补偿由“强国家—弱社会”向“强国家—强社会”结构模式的转变。研究结果能够为构建跨区域流域生态补偿机制提供理论支撑,为合理评价和指导流域生态补偿实践、促进流域经济社会协调可持续发展提供科学依据。     

土地利用景观格局空间尺度效应研究——以武汉市为例

城市土地利用景观格局研究对城市规划设计和土地资源管理具有重要的理论价值和现实意义,而研究尺度的选择是其必不可少的部分。本文基于景观生态学方法,以武汉市为研究区域,选取聚集分散指数、斑块类型指数、形状指数三种类型指数对土地利用景观格局进行分析,同时引入层次分析法,研究武汉市土地利用景观格局的空间尺度效应及其响应特征,结果表明武汉市土地利用景观格局具有明显的空间尺度效应,随着空间尺度的增大,景观破碎程度增大,景观分布越来越分散,景观异质性减小,斑块之间连接度越来越弱。在此基础上,建立最佳尺度选择模型,并基于分型理论对最佳尺度的合理性进行验证,最终得出武汉市土地利用景观格局研究的最佳空间尺度为60 m。     

国际贸易地理研究进展

全球化时代的技术进步和贸易自由化似乎逐渐将世界经济连为一体,但研究发现国际贸易仍然显著地受到地理因素影响。与此同时,经济地理学对国际贸易地理的理论建构存在欠缺,其对国际贸易研究的贡献目前集中于对国际贸易地理格局和贸易网络异质性的描述分析上。在此背景下,论文从生产、流通和消费3个方面归纳国际贸易研究对地理因素作用的理论建构和实证研究：① 生产上的地理差异经由机会成本差异促进贸易;② 流通上的地理差异经由贸易成本而抑制贸易;③ 消费上的地理差异经由市场需求地空间差异而影响贸易。通过总结贸易与制度变迁、贸易与集聚、贸易与不平等、贸易与创新、贸易与污染间的关系相关研究,论文认为当前国际贸易研究存在如下局限：① 并未深入讨论地理变量的内生性,即贸易可能反过来塑造地理差异而非仅由地理变量决定;② 相对缺乏多尺度、跨尺度视角,即贸易理论预测的宏观尺度贸易利得在中观、微观主体上并非均等分配,表现出显著的空间差异;③ 部分研究对产品异质性缺乏探讨,无法全面刻画贸易的差异化地理效应。据此,经济地理学未来对国际贸易研究的贡献可能在于运用多尺度、跨尺度联系的视角深入阐释贸易与地理的多维度异质性和复杂互动。     

白令海峡区域太平洋入流水主要特征及其影响因素研究进展

作为北极海洋要素的重要来源之一,白令海峡区域的太平洋入流水在北冰洋表层海洋环流和物质能量输运过程中发挥着重要作用,对区域乃至全球气候和生态系统产生深远影响,然而现今的研究对太平洋入流水出现的新变化以及其如何参与北冰洋的海洋–大气过程了解得还不够深入。本文梳理了目前国内外有关太平洋入流水流量、环流与水团等主要特征的相关研究进展,总结了太平洋入流水的流量变化和驱动机制、环流路径和影响因素,以及与太平洋水有关的水团特征,并在前人研究的基础上对未来的研究方向予以展望。     

一种多层特征融合的道路场景实时分割方法

道路场景理解是自动驾驶领域中重要模块之一,它可以提供关于道路更丰富的信息,对于建立高精度地图和实时规划都具有重要作用。其中,语义分割可以为图像每个像素赋予类别信息,是自动驾驶场景理解中最常用的方法。但是,目前常用的语义分割算法在速度和精度上大都不能达到很好的平衡。本文在MobileNetV2的基础上,提出了一种多层次特征融合的方法,使得网络可以在实时运行的同时保证精度满足实际应用的需求,并在Cityscapes数据集上进行了试验验证和分析。     

基于深度残差网络的机载LiDAR点云分类

机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。     

复杂卫星图像中的小目标船舶识别

船舶作为海上的重要目标,实现对船舶自动识别有重要的意义。针对卫星图像中云雾、海岸背景等复杂海情对船舶识别带来的干扰,以及小目标船舶高漏检率问题,本文提出一种多尺度深度学习模型训练策略,在此基础上构建了一种船舶识别的深度学习网络,该网络可分为多尺度训练、特征提取、生成目标建议区域、船舶分类这4个部分。首先,采用多尺度的训练策略,将多尺度的船舶样本送入网络中进行训练,这样在训练样本中加入了大量小目标船舶的样本,使网络充分提取到小目标船舶的特征;其次,通过卷积神经网络对目标船舶进行特征自适应提取;然后,目标区域建议网络可依据卷积神经网络提取到的特征,在图像中找到感兴趣目标区域,即框定船舶的位置;最后,通过多个全连接层的组合,将高维特征映射到一个4元组中,再运用分类函数输出每一类船舶的概率值,概率值最大的则为该船舶的类别。同时为解决云雾遮挡和海岸背景的干扰,采用了一种负样本增强学习的方法,在样本数据集中加入了大量只含有云雾和海岸背景的图片,进行负样本扩充,增强网络模型对云雾及海岸背景的特征学习能力,以此解决复杂海情的影响。实验结果表明,所提方法有效解决了复杂海情条件下的船舶识别难,以及小目标船舶识别难的问题,实现了复杂海情条件下的船舶识别。同时,与现有成熟的深度学习目标识别算法相比,本文算法的精确度和召回率分别提升了6.98%和18.17%,所训练的模型具有良好的泛化能力和鲁棒性。