黄河三角洲潮沟网络形态特征的时空分异规律及其发育过程

潮沟是陆海生态系统交互作用的主要通道,具有高度的时空动态性。以黄河三角洲新旧河道为界,划分黄河北岸（Ⅰ区）、南岸东（Ⅱ区）、南岸西（Ⅲ区）为对比研究区,选择1998—2018年5个关键时间节点的遥感影像为数据源,利用GIS空间分析功能,定量表征了潮沟发育程度的典型形态特征参数,剖析了黄河改道、湿地恢复工程和外来物种入侵等因子对潮沟发育过程的影响,挖掘潮沟网络的时空演变规律。结果表明：① 潮沟的形态特征具有明显的时空异质性。从1998年黄河改道初期至2004年湿地恢复初期,Ⅰ区各等级潮沟数量大幅减少;由于潮滩淤进和互花米草固滩作用,Ⅱ区潮沟数量、密度、分汊率呈现增长趋势,在2013年互花米草的快速扩张期,潮沟曲率、分汊率明显增大;Ⅲ区潮沟发育的等级、长度、密度最大,等级间的转化频率最高,湿地恢复工程导致低等级潮沟数量、长度明显减少,较强的海洋动力抑制了潮沟曲流的发育。② 黄河改道和侧弯丁坝建设导致平均归槽长度（OPL）增大,潮沟网络的排水效率减少。互花米草的快速扩张使排水效率增大,OPL不断降低;潮沟发育程度Ⅲ区>Ⅱ区>Ⅰ区。③ 潮沟系统由快速变化青年期整体进入缓慢变化中年期,发育状态趋于动态平衡。研究成果有助于了解大范围潮沟的发育过程及演变机制,为沿岸潮滩开发与利用提供科学的决策支撑。     

非线性视角下的上海旅游地复杂系统演化过程及动力学特征

随着旅游地发展复杂性的增加,非线性研究方法成为旅游地演化研究的有效选择。以上海为案例地,运用水平可视图算法,将旅游需求作为旅游地复杂系统动态行为表征,探讨旅游地复杂系统演化过程及动力学特征。研究发现：旅游地复杂系统演化具有小世界和近似无标度网络特性,混沌动态行为特征,表现为混沌确定非线性动力系统;上海旅游地复杂系统演化处于“无序中的有序”混沌或混沌边缘,原有秩序已瓦解,系统新的属性和结构逐渐涌现,有待新的高级有序态生成;旅游地复杂系统遵循“有序—混沌（边缘）—涌现—新有序”,从低级有序向高级有序演化跃升的过程;外部环境和主体系统主导下的重要事件是旅游地复杂系统由低级有序向高级有序演化的“关键要素”,政府学习创新能力的提升对系统阶段性演进起到“推进器”作用,旅游企业开始显现主导地位,成为未来推动上海旅游地复杂系统演替发展的主导力量。上海国际入境旅游客源国（日、韩、新、德、英、法、加、澳）和国内旅游外地游客市场处于不稳定的混沌区域,是影响上海旅游地复杂系统混沌行为的重要因素,应进行混沌控制,加强管理和引导,促进上海旅游地复杂系统新演化阶段有序态的生成。     

结构增强型生成对抗网络SAR图像超分辨率重建

针对利用生成对抗网络模型(Generative Adversarial Network,GAN)重建SAR(Synthetic Aperture Radar)图像存在边缘细节信息不足和“伪影”(artifacts)现象,该文基于增强型超分辨率生成对抗网络(Enhanced Super-Resolution Generative Adversarial Networks,ESRGAN)光学模型,重新设计生成网络上采样重建模块和结构损失函数,提出一种结构增强型生成对抗网络SAR图像超分辨率重建算法,包括特征提取、特征增强和上采样重建3个模块:在特征提取模块采用小尺度卷积层对输入SAR图像进行低层次特征提取;在特征增强模块采用多个级联残差密集块(Residual-in-Residual Dense Block,RRDB)和卷积层提取输入特征;在上采样重建模块交替使用最近邻插值(Nearest Neighbor Interpolation,NNI)和亚像素卷积(Sub-Pixel Convolution,SPC)对特征进行放大重建,使特征信息交互融合。与传统插值算法和经典深度学习重建算法相比,该算法在视觉效果和定量评价方面均有显著提升,能够在保持原网络模型重建图像内容信息不丢失的基础上,增强重建图像边缘细节信息和减缓“伪影”现象,有利于后续目标识别和灾害监测等工作开展。     

基于双分支卷积神经网络的SAR与多光谱图像融合实验

针对合成孔径雷达(Synthetic Aperture Radar,SAR)和多光谱(Multi-Spectral,MS)融合图像中存在的空间细节模糊和颜色失真问题,该文兼顾光谱监督和空间细节监督,设计光谱损失函数和空间细节损失函数,提出一种基于双分支卷积神经网络(Convolution Neural Network,CNN)的SAR和MS图像融合算法。该算法网络框架包含光谱保持和细节提升两个分支:光谱保持分支通过上采样MS图像连接到网络的输出,直接将光谱信息传递到融合图像中;细节提升分支对SAR和MS图像通过高通滤波提取高频细节信息,然后应用CNN对细节信息进行特征提取、特征融合及重建,最后将重建的细节信息叠加到上采样的MS图像,得到融合结果。以哨兵-1B GRD级别的SAR图像和Landsat8卫星多光谱图像为实验数据,通过与传统融合算法和深度学习算法RSIFNN进行对比,结果表明,该文算法在定性和定量评价方面效果更好,能够在保持光谱信息的基础上增强多光谱图像的空间细节信息,有利于后续地物分类和目标识别等工作的开展。     

“冰上丝绸之路”沿线国家贸易网络结构特征分析

“冰上丝绸之路”倡议为沿线国家贸易发展提供了机遇,可加速经济要素跨国流动,促进全球贸易的可持续发展。基于2019年37个“冰上丝绸之路”沿线国家贸易数据,运用复杂网络分析方法,研究37个“冰上丝绸之路”沿线国家贸易网络的拓扑结构特征、贸易社团及节点中心性的地理空间分布特征。结果表明：1）贸易网络具有良好的互通性和扩散性,且具有小世界特征和无标度性质,两极分化较为显著;2）贸易网络呈现出明显的“核心—边缘”圈层结构特征,德国、中国、美国、荷兰处于核心圈层,是贸易网络的枢纽;3）贸易网络可划分为1个北美社团、1个以东亚国家为主的社团和3个以欧洲国家为主的社团,其空间分布表现出连续性特征,各社团内部贸易联系密切,中国是所属社团的核心;4）贸易网络呈现出枢纽辐射式和全连通式共存的结构,强度中心性呈嵌入式的单元格局,接近中心性呈集中连片区块状分布特征,中介中心性的极化现象较为明显。     

从锈带到先进制造业集群：资源型经济转型及高质量发展的路径探析

资源型经济转型是我国经济高质量发展及区域协调发展的重要掣肘和关键突破口,同时先进制造业集群已成为提升全球竞争力和创新能力的区域根基。本文主要结合德国德累斯顿区域和美国阿克伦城市群从锈带到世界级先进制造业集群的发展历程,剖析其资源型经济转型及集群化高质量发展的共性路径特征,总结其经验启示。研究发现,区域发展过程是路径创造与演化的过程,德累斯顿区域和阿克伦城市群均持续专注于一到两项界限分明的科技创新建立区域转型发展的磁极,本地蜂鸣与全球网络以及二者之间的互动是转型发展的主导力量;采用以主体多元化、领域跨界化、结构扁平化、组织开放化为主要特征的网络化创新组织模式,有效推动形成了政产学研用协同创新共同体和创新型产业集群;空间组织形态兼顾本区域的地理空间集聚和跨区域的集群间协作;集群组织等网络化协作组织在促进本地技术创新网络、跨区域协同合作网络以及本地-全球互动网络构建和发展中发挥着非常重要的“织网人”作用。建议我国资源型经济区域全面对接国家创新驱动发展战略及集群策动战略,专注于一到两项界限分明的科技创新,以本地根植性为聚集核,以培育发展创新型产业集群为导向,制定区域经济转型与集群化高质量发展的完整路径,同时加快建立集群组织、联盟组织等网络化协作组织,通过其“织网人”和“粘合剂”作用推动构建本地技术创新网络和全球协同创新网络,推进区域发展路径的演化与转型。     

多维“流”视角下区域旅游网络结构特征及其作用机制分析——以云南省为例

基于多维流视角,运用GIS及社会网络分析方法,对比分析云南省旅游经济流、客流、信息流、资金流的网络结构差异特征及相互影响作用机制。研究表明：云南省供需两侧旅游流反向发展态势明显,旅游流网络异质演变特征明显,流量水平趋高,而流质水平偏低。旅游经济流发展未能随着旅游客流和信息流的发展而增强,网络密度偏低且长期存在旅游经济发展孤点,旅游经济合作交流不足。各州市在旅游经济流网络中“零和竞争”的偏利非共生发展态势,使得旅游市场领域存在一定的“公地悲剧”现象。云南省旅游流节点水平及其空间特征差异显著,”核心-边缘”结构明显。云南省旅游经济流受到旅游客流的中介力、旅游信息流的推动力、旅游资金流的拉动力三者的共同作用影响,各作用力影响程度表现出强弱历时性差异演化,旅游客流中介力持续增强,旅游信息流推动力稳步强化,旅游资金流拉动力显著下降。云南省旅游经济增长及旅游经济流网络发展驱动模式,正逐步由“供给侧拉动型”向“需求侧推动型”转变。     

台风风暴潮情景构建与时空推演

因台风风暴潮的突发性、情景演变时间的连续性和路径的不确定性,导致应急决策者在应急救援中难以做出正确决策,针对这一现状,将“情景—应对”应用在台风风暴潮应急决策中。本文在分析台风风暴潮情景、情景要素的概念模型基础上,首先通过资料搜集、属性识别等方法提取关键情景要素,采用框架表示法构建情景;然后分析台风风暴潮情景演变规律及演变路径;其次通过动态贝叶斯网络法构建台风风暴潮动态情景网络;最后利用先验概率与条件概率计算情景状态概率,实现了台风风暴潮的关键情景推演。本文以2018年9月16日11时至17时山竹台风对广东省沿海城市影响为例,演示了台风风暴潮的情景推演流程及关键技术。实证分析结果表明,溃堤、海水倒灌、洪水、滑坡发生的概率分别为85%、81%、74%、54%,验证了情景推演在风暴潮中应用的合理性。     

基于粒子滤波的行车轨迹路网匹配方法

行车轨迹是一种时间序列的地理空间位置采样数据,而传统的轨迹—路网匹配方法主要以全局或局部寻优的方式建立轨迹—路网匹配关系,影响了时空场景中数据的匹配计算过程的相对独立性。针对这个问题,本文基于粒子滤波（Particle Filter,PF）原理建立行车轨迹与道路网络之间的匹配关系。首先,沿轨迹中车辆运动方向在道路网络中搜索邻近道路节点,在与道路节点拓扑邻接的道路弧段上初始化随机生成粒子,根据轨迹中车辆运动模型将粒子沿所在道路弧段移动;然后,基于PF原理计算各时刻粒子运动状态及与行车轨迹采样点之间的距离误差,根据高斯概率密度函数计算粒子权重并利用随机重采样方法进行粒子重采样,迭代更新粒子运动状态;最后,计算与搜索到的道路节点拓扑邻接的每条道路弧段中累计粒子权重,通过各道路弧段累计权重计算轨迹—路网匹配关系。以行车轨迹进行实验表明,利用本文方法可以通过粒子时空变化反映采样点的移动,行车轨迹—路网匹配结果的正确率大于85%,能够实现行车轨迹和路网的准确匹配。     

深度学习预测GPS时间序列在探索门源MS6.4地震前兆中的应用

以2016-01-21门源M_S6.4地震为例,提出用深度学习预测的GPS时间序列研究地震前兆。用震中附近门源台（QHME）、民乐台（GSML）及古浪台（GSGL）无震时的GPS时间序列训练LSTM神经网络,得到高精度的GPS时间序列预测模型,再分别对该地区无震时和地震前一段时间的GPS时间序列进行回溯性预测。对比预测时间序列与真实时间序列发现,震前2条时间序列大部分的相似性指标比无震时低,说明震前预测时间序列与真实时间序列差异明显,同时考虑震前时间序列的趋势异常,认为出现了异常时段;3个台站分别在E、N、U方向出现多个异常日期,且不同台站具有相同的异常日期,说明探索到了地震前兆。