Rural Access Index（RAI） is an indicator（SDG 9.1.1） of the UN’s Sustainable Development Goals（SDGs）, and it measures the proportion of the rural population who live within 2 km of all-season roads.Currently, there is a lack of evaluation on RAI’s spatial pattern in China and its influencing factors in existing studies. To fill this gap, our study proposes another indicator, Non-Served Rural Population（NSRP）, and employs six open datasets including 1:250 000 road data, 1:1 000 000 county-level division data, 100 m population data,urban extent data, DEM data, and GDP data to evaluate both the RAI and NSRP indicators for 2852 counties in China. We also select two categories of variables（i.e., socio-economic and terrain variables） to analyze the spatial patterns of RAI and NSRP. Results show that:（1） The RAI and NSRP of China are 99.5% and 4.8 million,respectively. It means that 99.5% of rural population in China live within 2 km of all-season roads, and this value is much higher than that published by The World Bank. However, there still are 4.8 million rural population that live outside the 2 km of all-season roads;（2） The spatial patterns of both RAI and NSRP can be divided into two parts. That is, a relatively high RAI and low NSRP in the southeast of the“Hu Huanyong Line”, but on the contrary, a relatively low RAI and high NSRP in the northwest of the“Hu Huanyong Line”;（3） Both the RAI and NSRP are significantly correlated with socio-economic and terrain variables, and the correlation between RAI（or NSRP） and the terrain variable is the strongest, which indicates that the terrain may be a main factor that affecting the spatial patterns of these two indicators. This study first maps the spatial pattern of SDG 9.1.1 in China, which provides basic data, helpful information, and knowledge for improving road infrastructure in rural areas of China.
全球离散格网系统(Discrete Global Grid System,DGGS)是数字化的地球参考框架,在多源、多尺度地球空间数据集成分析方面优势明显.本文选择菱形三十面体六边形全球离散格网系统,提高格网与地球的整体拟合精度和空间采样率;建立遥感图像六边形像素数学模型,提出兼容开放标准格式的数据存储方案.①根据地理位置将遥感图像格网化,完成遥感图像六边形DGGS建模;其次,建立六边形单元与矩形像素严密对应关系,等效保留六边形单元的邻域信息;②采用GeoTIFF开放标准格式精确存储六边形属性值以及投影、变换参数;③设计依托六边形DGGS格网标准数据集为基础的多尺度六边形DGGS生成算法.实验结果表明:本文方案不仅能保证六边形像素遥感图像数据与标准文件格式兼容,而且能保证矩形像素与六边形单元逐一对应,较好地保留了六边形单元数据的图像信息和空间分布特征,相较于欧空局SMOS数据组织方案更具优势.本文方案打破了六边形单元与矩形像素遥感图像的数据组织壁垒,使用常见GIS/RS软件即可读取六边形像素的遥感图像,并可通过对矩形像素的操作等效实现对六边形单元的处理,有望推动六边形DGGS在遥感数据组织、处理、共享等方面的应用.
移动增强现实和地理信息系统融合正成为空间信息可视化的理想平台.针对现有增强现实跟踪注册技术描述室内空间信息位置不精确、推理空间结构弱和场景理解能力有限等问题,本文提出一种空间布局约束下的在线学习跟踪注册方法,首先使用图像特征匹配算法估计相机相对初始姿态,接着利用端到端编码-解码网络提取室内场景边缘和语义特征信息,生成2D布局假设,然后应用贪心策略细化2D布局假设并提取对应布局关键坐标点信息,最后将语义特征和布局关键坐标点作为约束条件,联合优化空间信息的初始位姿.本文方法在复杂室内场景下,注册虚拟模型最大位置误差为9 cm,最大缩放误差为17%,最大旋转误差为16°.实验结果表明,所提方法能为空间信息注册增添条件约束,实现在室内场景精确注册,并具备较强的场景理解能力.
引起人类患癌的原因,环境污染占比60%.空间同位(co-location)模式挖掘算法可以识别其实例在地理空间中频繁邻近的模式,可应用于探究工业排放的室外空气污染物与癌症的潜在联系.传统的空间同位模式挖掘算法在衡量模式兴趣度时通常基于模式实例出现频次计算其频繁性,但污染源实例对癌症实例的影响还与实例之间的距离相关,加之污染源受气象条件、浓度大小、危害程度等因素的影响具有差异性,因此不能只依靠实例出现次数度量其兴趣度.为此,基于高斯核密度估计模型提出了空间序偶模式及相应挖掘算法,高斯核函数可以较好地刻画污染源对癌症病例的影响随距离衰减的过程,为了尽可能地还原污染源在真实世界中的扩散情况,将城市风向、风速以及污染源排放浓度考虑在内定义了新的空间邻近关系度量准则,并且对污染源所属致癌类别进行了归类,对不同致癌类别的污染物进行加权区分,提出了更加新颖的污染源与癌症关系模式的度量和相应的挖掘算法.最后,在真实和合成数据集上验证了所提度量和挖掘算法的有效性和高效率,结果表明,提出的影响度度量较传统参与度度量更能捕获现实生活中更具有现实意义的空间序偶模式,且相较于同类型算法挖掘效率平均提高了60%左右.
城市正在成为人类社会可持续发展的核心要素。随着大数据和人工智能技术的飞速发展，越来越多的研究致力于数据驱动的城市可持续发展，通过海量多源异构城市数据对城市在社会、经济和生态方面的可持续发展进程进行监测、解释和评估。然而，当前研究往往局限在单一应用场景和单一数据源，缺少对不同城市数据源、不同城市元素之间内在关联的考虑，难以泛化到城市可持续发展的多种场景。因此，本文提出城市商圈/街区知识图谱驱动的城市可持续发展研究框架。首先，从海量多源异构城市数据中构建城市商圈/街区知识图谱本体，建模人、地、组织、商圈和街区等城市元素的关联关系，进一步在本体指导下实现知识融合，构建城市商圈/街区知识图谱。紧接着，围绕城市可持续发展进程的状态监测、现象解释和决策评估介绍城市商圈/街区知识图谱驱动的城市可持续发展应用。最后，以城市社会经济指标预测为典型任务，提出知识注入的跨模态对比学习方案，验证城市商圈/街区知识图谱在相关应用中的有效性和泛化性，为城市商圈/街区知识图谱驱动的城市可持续发展提供典型例证。
