排序方式: 共有39条查询结果,搜索用时 15 毫秒
1.
本文介绍了厦门岛市区机动车流遥感监测的实施目的和方法,通过航空影像有关题信息解译与实例、专题图件编制以及统计资料的对比分析,认为:目前厦门岛市区交通主要存在着机动车增长过速、道路狭窄和会计室场少且分布不合理等三个方面的问题,文中提出了相应的建议。体现了航空遥感对于中、大比例尺城市动态监测快速有效的特点。 相似文献
2.
脆弱性评估很大程度上存在着模糊性和随机性,为有效解决评估过程中定性概念与评估指标按隶属函数定量描述这一不确定转换问题,本文基于云理论本文选取海岸地貌、海岸高程、海岸坡度、海岸缓冲能力、有效波高、道路价值和建筑价值为指标,构建了厦门岛海岸脆弱性评估指标体系,运用云模型评估手段定量测度了厦门岛海岸脆弱性空间分异特征。评估结果与客观情况比较吻合,检验了指标体系的合理性和评估模型的适用性。本文提出了海岸脆弱性综合评估模型,实用有效,可以推广到与厦门岛类似的区域,为海岸管理及规划提供科学指导。 相似文献
3.
2008年5月27~29日源自内蒙古南部的沙尘暴于5月30日到达厦门.受其影响,30日晚厦门风速最高达到12.6 m/s;31日本监测站大气中CO、NO2和NO含量明显下降,分别从551.3μg/m^3下降至218.9μg/m^3,从25.0μg/m^3下降至6.7μg/m^3,从8.1μg/m^3下降至0.1μg/m^3;6月1日其分别回升至682.4、28.7、6.5μg/m^3.与CO、NO2和NO不同,PM10和SO2含量在5月31日没有明显变化,PM10含量从5月31日晚的10.1μg/m^3上升至6月1日的232.6μg/m^3,SO2含量从5月底的25.0μg/m^3上升至52.0μg/m^3,并且两者的变化显示出较好的相关性(R2=0.65).据此认为本次沙尘暴到达厦门时,在引起PM10含量增加的同时还引起了SO2含量的升高.这是沙尘暴引起中国南方城市SO2含量升高的首次报道.尽管目前SO2在中国的分布和传输已有较多研究,但对于沙尘暴在中国南方城市传输SO2的机制仍需进一步的探讨. 相似文献
4.
5.
6.
居民就医时空特征与空间格局反映了医疗设施的服务能力与布局合理性.本文以厦门岛为例,采用出租车轨迹数据,探讨了居民就医的时空特征和空间格局.论文提出了基于道路中心线的研究单元划分方法;提出OD轨迹偏移算法,更精细地提取出三级医院的就医OD数据,改善传统的缓冲区分析法中精确度较低的问题;对居民就医行为进行时空特征分析;基于... 相似文献
7.
城市绿地休闲服务是与城市居民关系最为紧密的城市生态系统服务类型之一。识别城市绿地休闲服务供需失衡关键区并划分规划干预优先级,对于精准提升城市绿地休闲服务供给效率、满足城市居民高品质休闲功能需求具有重要作用。本文以厦门岛为例,利用2019年遥感影像数据、兴趣点数据和统计数据等多源数据,应用InVEST模型、ArcGIS平台和GeoDA等空间分析工具,构建了城市绿地休闲服务供需评价指标体系和研究框架,评价了供需水平及空间聚类特征,并识别划分出供需失衡关键区和规划干预优先级。结果表明:(1)厦门岛生境质量和植被生长状态均呈现“南优北劣”的空间分布特征;城市绿地休闲服务供给能力存在显著的空间集聚特征,高—高热点区集中于南部和西部片区。(2)常住人口密度与POI核密度均呈现出“总体均质、片区集中”的空间集聚特征;特殊人群人均绿地资源享有率差异较大;城市绿地休闲服务需求水平与供给能力的空间集聚特征相反,高—高热点区分散于西南部及中部片区。(3)识别出387个“低供—高需”失衡关键区单元,主要分布于厦门岛中部及北部片区的居住区,该类区域面临城市绿地休闲服务供不应求的严峻挑战,需要重点修复和优化。(4... 相似文献
8.
9.
根据厦门岛东南岸沙滩剖面1999年2月-2002年11月4年的观测资料,分析了该剖面上平均高潮位、平均海平面、平均低潮位的位置变化,绘制了冲淤变化曲线,研究剖面的形态特征及季节和长周期变化趋势。结果表明,风暴潮影响后沙滩剖面呈风暴型剖面,而常浪季节均表现为滩肩型复式剖面。受滨外地形、岸线走向、季节性风浪和潮汐活动等因素影响,沙滩剖面的季节变化比较复杂,长周期变化及风暴潮后剖面的恢复过程各岸段有所不同:泥沙流上游的岸段供沙不足,呈侵蚀状态,剖面恢复较慢;下游则呈基本稳定或淤长状态,剖面恢复相对较快。暴风浪和季节性常风浪交替作用控制着本区沙滩剖面的长周期循环变化过程,该过程一般包括风暴侵蚀期、快速恢复期、稳定恢复期和基本稳定期4个阶段。 相似文献
10.
乘客出行需求预测是智能交通系统的组成部分,准确的出行需求预测,对于车辆调度具有重要的意义;然而现有的预测方法无法准确的挖掘其潜在的时空相关性,且大都忽略历史流入量对出行需求的影响。为了进一步挖掘时空大数据中的时空特性及提升模型预测乘客出行需求的精度,本文提出了一种乘客出租出行需求短时预测CLAB(Conv-LSTM Attention BiLSTM)模型。CLAB模型设置了3个模块分别为基于注意力机制的Conv-LSTM模块和2个BiLSTM模块,基于注意力机制的Conv-LSTM模块提取临近时刻乘客出行需求量中的空间特征和短时时间特征,其中注意力机制能自动分配不同的权重来判别不同时间的需求量序列重要性;为了探索长期时间特征,用2个BiLSTM模块来提取历史流入量序列时间特征和日乘客需求量序列的时间特征。采用厦门岛的网约车和巡游车的订单数据进行实验,结果表明:(1) CLAB模型更适用于使用30 min历史数据预测未来5 min短时乘客出行需求;(2)与基准预测模型相比,CLAB模型的整体的效果误差更低,具有更好的预测效果,CLAB模型比CNN-LSTM、LSTM、BiLSTM、CNN... 相似文献