Learning with Geographical Sensitivity: Place-Based Education and Its Praxis

This study presents pragmatic evidence to make learning a geographical process. It investigates how place-based education (PBE) can deepen the sense of place and vice versa. The study first reviews the meaning of PBE and continues with an ontological discussion of place. As place is theorized, learning practices in the course Sustainable Urban Development and Hong Kong are outlined. The submissions of students are analyzed, and selected reflections are presented to interface with the ontological construct of place. We examine how PBE can enrich student awareness of place and in what way student appreciations of place can add values to the geographical reasoning on sustainability- and urbanism-related topics. Results show that site selection is important and place in PBE is both real and imagined. Heritage conservation and place revitalization are potential reflective topics to design a PBE-based teaching praxis.     

Machine learning predictions of passive microwave brightness temperature over snow-covered land using the special sensor microwave imager (SSM/I)

Abstract

Two different forms of machine learning – an artificial neural network (ANN) and a support vector machine (SVM) – are used to estimate passive microwave (PMW) brightness temperatures (Tb) as observed by the special sensor microwave imager (SSM/I) satellite sensor over snow- covered land in North America. Both techniques reasonably reproduce unbiased estimates of SSM/I observations at 19.35 and 37.0 GHz for both vertically- and horizontally-polarized channels. When compared against SSM/I observations not used during training, domain-averaged statistics from 1 September 1987 to 1 September 2002 yielded a root mean squared error (RMSE) of less than 9 K for all frequency and polarization combinations examined in this study. Even though both ML techniques reasonably reproduced SSM/I Tb observations, the SVM outperformed the ANN because the SVM: (1) better captured the high-frequency (i.e. day-to-day) temporal characteristics in the Tb observations across the majority of the study domain, (2) better reproduced the spatial variability as a function of snow classification, and (3) yielded greater sensitivity to snow-related input variables during the estimation of PMW Tb. These findings reinforce previous research of SVM-based estimation of PMW Tb employing observations from the advanced microwave scanning radiometer.     

高光谱影像的DAE分类

针对高光谱影像非线性分类问题,根据高光谱影像光谱分辨率高且光谱具有非线性的特点,结合深度学习理论,提出了一种采用降噪自动编码器(DAE)的高光谱影像分类方法。该方法结合降噪自动编码器与SOFTMAX分类器,构造深层网络分类模型;然后,利用加噪后的光谱数据,采用Dropout方法对分类模型进行预训练和微调;最后,利用训练得到的网络模型学习高光谱影像光谱的隐含特征,实现高光谱影像的分类。采用该方法对AVIRIS和PHI的高光谱影像分别进行分类对比实验,结果表明该方法能有效提高高光谱影像分类精度。     

Classification and Recognition of Polyhalite in Chuanzhong Based on Support Vector Machine

Polyhalite is mainly solid mineral potassium in Sichuan Basin, The most of polyhalite layer in Sichuan region is impurity, and usually accompanied by layers of gypsum, anhydrite, rock salt, and even deposited in the same layer. Conventional logging interpretation method can only roughly identificate polyhalite layers. Based on the theory of Support Vector Machine and logging interpretation methods,this paper creates prediction model with the input of logging curves, and discriminates the polyhalite reservoirs in the lower-middle Triassic strata. Compared with logging data, the accuracy rate of the discrimination results reaches 90%. According to the prediction model, identification model can be established with the curve features of polyhalite to discriminate pure polyhalite reservoirs, gypsiferous polyhalite reservoirs and polyhalite-gypsum reservoirs, the accuracy rate is 91.78%. The study demonstrates that Support Vector Machine is superior to the method of logging interpretation, and it has broad prospects in potash exploration.     

基于多源数据和集成学习的城市住宅地价分布模拟——以武汉市为例

精准刻画城市住宅地价分布特征,对于科学引导城市空间布局规划、有效实现城市精明增长等具有重要意义。而城市住宅地价与其潜在影响因素之间的复杂非线性关系,给地价分布精细模拟带来了挑战。论文旨在探索基于地理大数据和集成学习的城市住宅地价分布模拟方法体系,以满足快速、精准监测地价动态变化的需要。选取武汉市为典型区,以住宅用地交易样点、兴趣点(points of interest, POI)和夜间灯光影像为数据源,以500 m分辨率网格为估价单元,提取POI核密度和夜间灯光强度作为住宅地价预测变量,采用机器学习算法和bagging、stacking集成方法构建住宅地价预测模型,并对比分析其精度。研究发现：① 单个机器学习算法中,支持向量回归(support vector regression, SVR)预测精度最高,接下来依次是k最近邻算法(k-nearest neighbor algorithm, k-NN)、高斯过程回归(Gaussian process regression, GPR)和BP神经网络(back propagation neural networks, BP-NN);② 在提升单个算法预测精度方面,stacking方法的性能优于bagging方法,使用stacking集成SVR和k-NN的地价预测模型精度最高,其平均绝对百分误差仅为8.29%,拟合优度R²达0.814;③ 基于论文所构建模型生成的城市住宅地价分布图能有效表征价格圈层分布特征和局部奇异性。研究结果可为城市住宅地价评估提供新的思路和方法借鉴。     

人工智能GIS软件技术体系初探

作为人工智能的代表性技术,深度学习已经成为大数据等各个领域中最具有突破性发展的新技术。深度学习的成功主要得益于其新颖的数据驱动的特征表示学习能力,这种能力成功地替代了传统建模中基于领域知识人为设计特征的方式。在这些技术推动下,人工智能技术在新一代GIS基础软件技术的研究与应用中发挥着极为重要的作用,而现有人工智能GIS（AI GIS）技术研究整体仍处于初步探索阶段,距离成熟阶段尚有较大距离。作为新一代GIS基础软件的方法和技术,AI GIS已经广泛应用在遥感数据分析、水资源研究、空间流行病学和环境健康等地学领域,与传统GIS模型相比大大提高了对非结构化的遥感或街景影像和文本的地理信息提取和特征理解能力,显示出巨大的价值和发展潜力,但现有研究对AI GIS软件技术体系的梳理和总结尚不够全面。大部分研究只关注地理空间人工智能算法的研究及其特定场景下的应用研究,而对相关的AI GIS软件技术体系关注较少。本文分析了地理智慧的几个层次,并讨论了其与AI GIS的关系,总体介绍了国内外现有人工智能技术与GIS软件相结合的发展现状,进而提出了AI GIS软件技术体系。根据AI与GIS的结合关系提出了AI GIS由地理空间智能算法、AI赋能GIS和GIS赋能AI三部分组成。此外,为深入介绍AI GIS各部分组成,本文以SuperMap为例,探讨了AI GIS软件的设计与实现。最后,探讨了AI GIS的未来发展中亟需解决的问题。本文基于AI GIS软件技术的初步探索,尝试为地理智能的基础GIS软件技术体系的构建提供理论基础,以促进人工智能技术与GIS技术的进一步融合和发展,为实现地理智能提供一个可行的研究方向。     

顾及上网行为特征的手机用户停留行为预测方法

随着信息通讯技术的发展,手机成为人类日常生活不可缺少的一部分,人类活动逐渐从现实空间延伸至网络空间,在移动互联网时代,网络空间的上网行为与现实空间的出行行为密不可分。当前个体出行行为预测建模较少考虑上网行为与出行行为间的关系,本文提出一种融合上网行为特征的手机用户停留行为预测模型,通过时空约束定义手机用户的停留行为,在考虑个体出行行为时空偏好的同时,融合手机用户使用的APP组合、上网流量、上网次数等上网行为特征以及天气信息等外部特征,从时间、空间的角度进行特征交叉,构建从特征到模型均具有高可解释性的手机用户停留行为预测模型。实验证明：本文模型预测准确率为80.31%,且在融合上网行为特征、天气等外部因素后,比仅使用个体出行特征进行手机用户停留行为预测提升了12.08%。     

基于机器学习的参考作物蒸散量估算研究

参考作物蒸散量（Reference Evapotranspiration, ET₀）的准确估算对区域水资源管理和分配、流域水量平衡以及气候变化等研究具有重要作用。新疆地处我国西北干旱地区,水资源供需矛盾尖锐,精确估算该地区的ET₀有助于其科学合理地调配水资源,缓解水资源供需压力。FAO推荐的Penman-Monteith法是计算ET₀的标准方法,但该方法需要多项气象因子,而新疆地区气象站点较少且分布不均,精确完备的气象数据在新疆大部分区域难以获取。因此,如何使用有限气象因子获取高精度的ET₀在新疆地区备受关注。本文基于中国气象数据网提供的新疆地区1980—2019年的地面气候资料日值数据集,在日和月尺度下,通过对最高气温T_max、最低气温T_min、平均气温T_avg、风速U₂、相对湿度RH和日照时数n共6项气象因子进行敏感性分析,形成不同的气象因子组合;然后使用SVM、RF、GBDT和ELM 4种机器学习算法,以FAO-56 PM计算值为标准值,对新疆地区的ET₀进行了拟合建模;最后,从拟合精度、稳定性和计算代价3个方面对模型进行评价。研究表明：① 在新疆地区,ET₀对RH、T_max和U₂敏感系数级别为高,平均敏感系数分别为-0.516、0.283和0.266;n为中等,平均敏感系数为0.124;T_min和T_avg为低,平均敏感系数分别为-0.016和-0.003;② 在日尺度,各算法在RH、T_max、U₂和n这4项气象因子为输入时精度较高（RMSE<0.5 mm/day,R²>0.95）,可对ET₀进行精确估算;在月尺度,各算法使用RH、T_max和U₂这3项参数便可对ET₀进行精确估算。SVM和GBDT这2种算法在日尺度和月尺度都有较好的适用性,可在相应尺度下使用较少气象因子替代FAO-56 PM公式对ET₀进行估算。     

“四同”条件下周口城区高分一号遥感影像分类对比研究

目前大多数面向像元、面向对象遥感影像分类对比研究算法、软件、样本均不同,引入多方面系统误差导致结果一定程度上不严谨。为更准确比较2种分类方法,本文采用面向像元、面向对象2种分类方式,在同软件平台、同分类器、同训练样本、同验证样本,即“四同”条件下对2018年4月17日高分一号周口城区融合影像进行分类对比研究,并完成主、客观评价精度评价。结果表明：① “四同”条件下2种分类方式、CART（Classification and Regression Tree）、SVM（Support Vector Machine）、RF（Random Forests）3种机器学习算法均能识别周口城区主要地物类型,而面向对象的分类效果明显优于面向像元分类,与前人研究结论一致。其中面向像元分类效果最好的是RF算法,总体分类精度为78.02%,Kappa系数为0.72;面向对象分类效果最好的是RF算法,总体分类精度为93.40%,Kappa系数为0.92;② 尽管由于光谱特征相似、分布交叉,单类别建筑用地、交通用地用户精度与生产者精度较低,但面向对象分类较面向像元分类效果明显提升,以RF分类为例,建筑用地生产者精度由56.18%提高至92.13%,用户精度由69.44%提高至87.23%;交通用地生产者精度由72.15%提高至89.87%,用户精度由72.15%提高至92.20%;③ 与前人研究成果比较,本文在“四同”条件下实现了更科学、更严谨的面向像元、面向对象遥感分类方法对比,对后续高分辨率遥感影像分类具有一定参考意义。     

深度学习和遥感影像支持的矢量图斑地类解译真实性检查方法

空间数据质量检查是数据准确可靠的重要保障,是数据的生命线。然而,目前的空间数据质量检查主要针对拓扑关系、属性一致性以及数据间的相关性进行检查,往往忽视矢量图斑地类解译真实性问题。因此,本文提出深度学习和高分遥感影像支持的矢量图斑地类解译真实性检查方法,选用深度学习经典模型Inception_v3进行迁移学习,对分割后的影像进行自动场景分类,以高分遥感影像块的场景分类结果作为参照依据,对场景分类结果与矢量图斑原始数据进行叠加分析,自动查找出类别信息不符的分割单元,从而提取出可疑图斑,实现矢量图斑地类解译真实性自动检查,并在徐州市贾汪区青山泉镇和大吴镇的矢量图斑地类解译真实性检查中进行验证。实验结果表明,本文方法在研究区图斑地类解译真实性检查中的精确率和召回率分别高达0.925和0.817,可为矢量图斑地类解译真实性检查提供可靠的技术支撑。