【目的】针对传统聚类方法难以兼顾地理单元空间拓扑关联，以及图神经网络（GNN）分型结果物理可解释性不足的问题，本文旨在构建一种融合“分型-解释”双重架构的山洪孕育背景识别框架，以量化揭示复杂山区山洪孕育背景的空间异质性与主导驱动机制。 【方法】以横断山区为研究区，通过构建包含36个环境因子的指标体系，利用Dink-Net无监督图神经网络模型捕捉空间邻域特征并识别空间分型，引入DeepLIFT解释模型量化单因素贡献的强度与方向，并通过指标归并解析复合因素对不同产流模式分型的驱动差异。 【结果】① Dink-Net有效识别出12类具有空间连续性的二级分型，并可进一步提炼为超渗产流型、蓄满产流型、复合产流型及滞蓄缓释产流型4类一级分型； ② DeepLIFT解释结果表明，极端降雨、海拔、气温及土壤含水量是全局尺度上区分分型边界的关键因子，且同一因子在不同分型中的贡献方向具有显著的空间差异； ③ 复合因素量化解析证实了横断山区山洪孕育受极端降雨、水热本底及大梯度地形的共同约束。其中，超渗产流型由气象因素主导，蓄满产流型受前期水文条件控制，复合产流型表现为地形驱动下显著的壤中暴流过程与强水沙耦合特征，而滞蓄缓释产流型则受高寒气候与缓慢水文响应共同限制。 【结论】本文构建的“分型-解释”框架实现了数据驱动分型与物理意义解析的有机融合，能够将复杂的黑箱模型输出转化为直观的孕育机制认识，为复杂山区山洪差异化防治与风险管控提供了科学依据。

【目的】针对现有降水预测模型在极端降水事件预报精度的不足，本研究提出了一种基于一维卷积神经网络与双向长短期记忆网络（1D-CNN-BiLSTM）的复合模型——CWBiLSTMNets，旨在提高日降水预测的准确性。 【方法】本研究设计了一种复合损失函数，通过对极端降水样本赋予更高权重、对常规降水样本赋予较低权重的动态加权策略，实现训练样本的隐式均衡，增强模型对极端降水事件的预测敏感性。同时，引入了自适应权重分配模块，根据不同时期的气象特征动态调整输入要素权重，使模型能够适应不同气候区域的降水模式。实验采用了4个地区（上海、深圳、台北和天津）的气象数据，评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）以及极端降水预报指标临界成功指数（CSI）和命中率（POD）。 【结果】在与CNN-BiLSTM、CNN-LSTM、LSTM和Transformer模型的对比实验中，CWBiLSTMNets在极端降水预报指标上全面领先，平均CSI达到0.139 6，平均POD达到0.409 2，相较于CNN-BiLSTM、CNN-LSTM、LSTM和Transformer等对比模型，平均CSI提升110%~421%，平均POD提升424%~495%。各地区均有显著提升，其中模型在深圳市表现最优，CSI达到0.296 3、POD达到0.571 4，较次优模型CNN-BiLSTM分别提升56.0%和152.6%。在整体误差指标上，平均RMSE为13.97 mm、MAE为7.25 mm，与对比模型处于相近水平。 【结论】该模型在保持常规降水预测精度的同时，显著提升了对极端降水事件的捕捉能力，为极端降水预报提供了新的解决思路，更好地满足了防灾减灾的实际需求。

【目的】当前数据驱动型山洪灾害风险评估高度依赖大量高质量历史样本，导致其在数据稀缺的偏远山区精度有限。尽管对抗迁移学习为其提供了解决途径，但现有方法在特征对齐过程中往往忽视了山洪灾害的地理空间异质性，不仅易导致负迁移，也未对地理空间结构进行有效表征，制约了山洪灾害风险评估精度的提升。 【方法】本文提出一种顾及地理约束的山洪灾害风险对抗迁移学习模型（GCDANN），通过引入地理约束增强跨域适应能力和评估精度。首先，基于山洪孕灾环境对源域进行划分，并构建相应的多域判别器。其次，通过计算目标域与源域样本间的地理相似性，作为权重对各域判别器进行动态加权，以强化同质环境对齐，同时抑制异质环境干扰。此外，引入图神经网络提取空间特征，并结合梯度反转层实现对抗训练。 【结果】将该模型应用于横断山区的六大流域（怒江、金沙江、澜沧江、雅砻江、大渡河、岷江），构建6组跨域迁移场景，并与直接迁移模型、现有对抗迁移学习模型（DANN和MADA）以及监督学习模型进行对比分析。结果表明，GCDANN在所有跨域迁移场景中均表现出最优的迁移效果，其精度逼近监督学习型模型。以大渡河至岷江的迁移场景为例，相比于直接迁移模型、DANN和MADA，GCDANN的精度分别提升了8.5%、5.4%和4.7%，与监督学习模型的差距仅0.8%。此外，在空间分布上，GCDANN评估出的山洪高风险区与历史山洪灾害事件具有更高的一致性。 【结论】GCDANN通过在对抗迁移学习中考虑地理约束，有效引导模型增强同质环境的特征对齐学习和地理空间结构的显式刻画，显著提升了模型在复杂地理异质场景下的跨域迁移能力，为缺资料地区的山洪灾害风险评估提供了可靠的技术和决策支持。

【目的】中国西昆仑山腹地的喀什噶尔—叶尔羌河流域是典型高寒山区流域，该区域洪水突发性强破坏性大。然而，因当地水文数据及反映区域环境特征对洪水致灾过程响应能力的洪水敏感性数据匮乏，洪水风险评估和预测挑战尤为突出。 现有模型难以在预测精度与模型结果的物理可解释性之间实现有效平衡。 【方法】本研究提出一种新型的SHAP引导扩展长短期记忆网络（SHAP-xLSTM）框架。该框架整合了上下文特征构建模块（CFC）以捕捉局部空间信息，引入xLSTM模型以增强对时间序列的处理能力，并设计了SHAP引导的特征加权策略以实现输入特征的动态优化筛选。研究以喀什噶尔—叶尔羌河流域为研究区，将所提模型框架与CFC-LSTM、CFC-BiLSTM、CNN、CNN-LSTM及CFC-xLSTM等5种主流深度学习模型进行对比分析，并将叶尔羌河的沿岸的典型洪水易发区作为验证案例，全面评估SHAP-xLSTM模型的性能。 【结果】① 极高与高洪水敏感性区域主要集中在研究区中部和北部的山区平原过渡带以及主要河流沿岸地区，极低与低敏感性区域则多分布于远离河道且地势较高的区域。② 相较于性能次优的CFC-xLSTM基准模型，SHAP-xLSTM的洪水敏感性预测性能得到系统性提升： AUC值提高了0.71%， F1分数提升了6.33%， Kappa系数提升了15.08%，同时MSE与RMSE分别降低了21.74%和11.68%，③ SHAP可解释性分析发现最高气温、距河流距离和降雨量是研究区洪水敏感性的主导驱动因子，定量支持了高寒山区“冰雪积累-融雪-洪水”这一典型灾害形成机制。基于2024年季节尺度的时空验证也显示，研究区洪水敏感性随气候变暖呈加剧趋势，与区域实际观测规律一致。 【结论】本文提出的SHAP-xLSTM模型有效解决了复杂冰冻圈环境下洪水敏感性预测精度与机理可解释性难以兼顾的问题，对区域洪水风险预警与适应性管理具有重要的方法参考价值，且具有一定普适性和可推广性。

【目的】长江中下游干流频繁发生极端枯水事件，对区域水安全及可持续发展构成持续威胁。为剖析其成因并预估未来枯水资源量，论文针对该区域极端枯水开展系统的归因分析与未来枯水资源预估。 【方法】首先，依托径流深栅格数据，运用非参数核密度估计方法，识别1961—2018年长江中下游干流区域在75%、90%及95%保证率条件下的极端枯水典型年份。其次，引入优化深度学习方法对非线性回归模型进行改进，在有效排除无关因子干扰的同时，精确识别极端枯水空间分异驱动因子。最后，驱动耦合优化深度学习的非线性回归模型，预估未来极端枯水年的枯水资源量。 【结果】1966年（75%保证率）、1978年（90%保证率）和2011年（95%保证率）为该区域的极端枯水典型年份。基于耦合优化深度学习的非线性回归模型对因子进行优选，得到降水量、气温、潜在蒸发、叶面积指数（LAI）及气象干旱指数（SPEI）构成影响极端枯水空间分异的核心驱动因子组合。优化后的非线性回归模型模拟的NSE提高了0.2，验证期纳什效率系数（NSE）为0.841。SSP1-2.6、SSP2-4.5、SSP5-8.5情景下，未来极端枯水年的平均枯水资源量依次为753.23、741.29、766.51 mm。 【结论】研究揭示了变化环境下极端枯水对影响因子的响应机制及未来枯水资源量，可为区域水资源适应性管理提供科学支撑。

【目的】径流模拟是流域水资源管理与洪水预报的重要基础，但传统概念水文模型采用固定参数，难以表征流域水文响应的时变特征。 【方法】本研究以SIMHYD（Simplified Hydrology Model）概念降雨径流模型为物理骨架，基于PyTorch对其进行可微分重构，构建可微分动态参数学习框架（Dynamic Parameter Learning，DPL）。利用长短期记忆网络（Long Short-Term Memory，LSTM）学习水文气象驱动与模型参数之间的动态映射关系，实现模型参数随时间连续更新，并通过径流模拟误差反向传播优化参数学习网络，同时从整体径流过程和代表性洪水事件2个尺度评价不同参数学习方法的模拟性能。 【结果】在昌江流域2007—2022年逐日径流模拟中，将DPL与协方差矩阵自适应进化策略（Covariance Matrix Adaptation Evolution Strategy，CMA-ES）自动率定方法和可微分静态参数学习方法（Static Parameter Learning，SPL）进行对比。结果表明，DPL取得最佳模拟效果，验证期纳什效率系数（Nash-Sutcliffe efficiency，NSE）和Kling-Gupta效率系数（KGE）分别为0.82和0.91，全时段分别达到0.88和0.94。在4场代表性洪水事件中，DPL平均绝对洪峰误差为5.24%，优于CMA-ES和SPL，对洪水过程和洪峰幅值均有较好的模拟能力，尤其在高流量条件下，对洪峰幅值和过程变化的刻画更加稳定。动态参数分析表明，模型参数具有明显的季节变化特征，能够反映产流与汇流过程随流域水文状态变化的动态调整。归因分析进一步表明，降水和土壤湿度是驱动动态参数变化的主要因素，其中降水贡献随前期时滞增加较快衰减，而土壤湿度的影响持续时间相对更长，体现流域水分记忆效应，说明动态参数既能够响应近期降雨事件，也保留了前期土壤水分条件对当前径流形成过程的影响。 【结论】研究提出的基于SIMHYD模型的可微分动态参数学习框架，能够增强模型对变化水文条件的适应能力，并阐明动态参数变化与产汇流过程响应之间的联系，为解析概念模型内部水文过程提供了新的研究视角。

【目的】针对单一视觉参照物难以适应城市内涝场景中多目标、多尺度及复杂环境下涉水目标视觉受淹状态判别的问题，本文提出一种融合多视觉参照的城市内涝涉水目标视觉受淹状态识别模型。 【方法】基于社交媒体图像和交通监控视频帧构建包含行人、机动车和非机动车的3 600张城市内涝图像数据集，依据水线与行人、机动车和非机动车类型特异性关键部位的相对位置定义S1—S4视觉受淹状态，形成12类“参照物类别-视觉受淹状态”联合标签。在YOLO11n基础上引入动态蛇形卷积（DySnakeConv）、尺度内注意力交互模块（Attention-based Intra-scale Feature Interaction）和DetectAux辅助检测分支，构建DAD-YOLO模型。 【结果】DAD-YOLO的mAP@50达到64.1%，较YOLO11n提高3.1%，计算量为7.2 G FLOPs。S3/S4高受淹状态目标召回率由61.2%提高至68.4%。 【结论】融合多视觉参照的方法能够在统一检测框架下利用行人、机动车和非机动车等多类目标的受淹视觉证据，提高城市内涝图像中多类型涉水目标视觉受淹状态识别能力，可为城市内涝场景下的人工研判和辅助视觉感知提供参考。

【目的】全球变暖与快速城镇化背景下，城市洪涝已演变为制约城市运行的结构性风险。既有洪涝韧性评估框架多侧重静态结构性指标，未充分考量时段异质性。 【方法】本研究以深圳市为研究区，依托高德地图开放平台，通过定时自动化程序采集交通流速数据，构建了覆盖全市路网、时间跨度近2个月、时间分辨率为15 min的高频流速数据集，覆盖日间及晚间活动时段（07:00—23:00），并以此构建行为维度的核心数据基础。在此基础上，整合自然暴露（NEI）、结构支撑（SSI）与行为流速（BSI）三维指标体系，分别表征洪涝暴露风险、基础设施支撑能力与实时交通运行效能，以30 m规则栅格为统一空间分析单元，采用等权先验与CRITIC校正相结合的组合赋权法，构建城市洪涝韧性综合评估指数（UFRI），实现对工作日早高峰、平峰、晚高峰及周末4个典型时段的精细化韧性评估。 【结果】各维度指数均呈现显著空间聚集性：自然暴露指数（NEI）与结构支撑指数（SSI）均表现为“西高东南低”的面状分异格局，行为流速指数（BSI）则呈现“外围优于核心”的空间分异特征，三者叠加形成核心区脆弱性集聚、外围区韧性均衡的复合空间结构；时段动态层面，晚高峰时段综合韧性水平最低，其与平峰时段的UFRI负差值区面积占比达10.87%，高脆弱街道主要集中于产居混合区域。 【结论】本研究方法适用于高密度城市中出行需求在不同时段存在显著差异、且具备高频交通流速数据的评估情境。所采用的商业地图API流速数据基于众包轨迹实时融合生成，具备高时间分辨率与高路网覆盖率，在主要商业地图服务覆盖的城市中均具有良好的程序化可获取性，为本方法的推广应用奠定了数据基础。

【目的】针对自然演替红树林树种混生、光谱特征趋同导致遥感精细分类困难且机理不明的问题，本研究建立一种适应复杂群落结构与不均衡样本的高精度、可解释机器学习分类方法，并明确红树林多光谱特征响应机理。【方法】通过面向对象影像分析（OBIA）提取光谱、纹理及植被指数特征，使用去相关与置换重要性相结合的策略进行特征优选；随后，引入包括极限梯度提升树（eXtreme Gradient Boosting，XGBoost）与局部级联集成（Local Cascade Ensemble，LCE）等多种机器学习模型，重点考察模型在样本不均衡与复杂特征下的综合表现；最终使用SHAP（SHapley Additive exPlanations）方法解释不同树种的敏感特征。【结果】在4种分类器对应的最佳特征配置下，LCE模型取得了0.917的总体精度（OA），与XGBoost（0.918）基本相当，高于SVM（0.900）和RF（0.914）；LCE的宏F1分数（Macro F1）达到0.918，为4种模型最高，高于RF（0.915）、XGBoost（0.913）和SVM（0.901），表明其在类别不均衡条件下具有更均衡的类别识别能力。LCE使用由10个关键特征构成的特征组合时达到精度峰值，说明剔除冗余特征有助于改善模型表现。SHAP分析进一步显示，红海榄对水体指数（NDWI）存在强响应，推测与其生理构造与冠层下残留水体信号有关；幼龄桐花树在红光波段的高反射率可能与其生理发育阶段特性以及潜在的盐胁迫有关。【结论】本研究证实了LCE结合特征优选策略能够在保持较高总体精度的同时改善类别间识别的均衡性，适用于样本不均衡条件下复杂自然演替红树林的精细分类，可为红树林生态系统的精准监测与保护提供方法支撑。

【背景】叙事地图是多学科交汇的领域，无论理论视野如何宽广，它最终必须被设计出来，设计因而是理论与实践的铰合点。然而，正是在这一铰合点上，当前存在着不容忽视的断裂：学术界长期聚焦于制图理论与方法，不强调地图的产品属性与设计逻辑；产业界虽不乏优秀作品，但整体仍停留于数据罗列与表层可视化，实践经验也未能系统总结以反哺理论。这种双向隔阂使得理论与实践的互动远未充分展开。 【方法】本文以理论演绎与经验归纳为基本方法，从叙事地图设计的本体特征与内在逻辑出发，提出具体的工程路径。在此基础上，以《中国大运河》叙事地图为实证对象，在真实项目进程中剖析各阶段的关键决策与迭代过程，以检验该路径的操作可行性。 【结果】① 构建了涵盖铭刻与界定、数据工程、原型架构、产品设计和社会介入五个阶段的叙事地图设计工程路径； ② 验证了该路径在《中国大运河》案例中的有效性与适应性，实现了文化遗产空间信息向可感知叙事空间的转化；③ 证明了该路径能够实现理论自觉与产品落地的统一，为叙事地图从个体创作走向系统性实践提供了经验支撑。 【结论】本文所建立的工程路径有效弥合了理论与实践的断裂，为叙事地图设计提供了兼具操作性与灵活性的方法论工具。该路径在不削弱设计创造性的前提下，提升了设计过程的可控性与成果的可复制性。未来可进一步拓展其在不同类型叙事地图中的应用，并探索与数字交互技术、用户参与机制的深度结合。

【目的】准确提取侵蚀沟对于揭示土壤侵蚀过程和土地退化机理具有重要意义。高分辨率影像（High Spatial Resolution, HSR）能够提供精细的地表特征信息，是进行地貌对象提取与制图的重要数据源。但是，由于地表特征复杂性，HSR影像存在较强的阴影效应和光谱混淆，给现有方法带来了显著挑战。 【方法】针对以上问题，本研究提出了自适应注意力机制与阴影平衡模块，用于提升模型对特征空间位置信息的捕捉能力并改善阴影区与非阴影区结果不平衡的问题，并在此基础上构建了面向单景HSR光学影像的侵蚀沟自动制图网络GMNet （Gully Mapping Net）。GMNet在结构上融合了自适应注意力机制与阴影平衡模块，前者提升了模型对特征空间位置信息的捕捉能力，后者则改善了阴影区与非阴影区结果不平衡的问题。 【结果】本研究在无人机获取的空间分辨率为1 m的影像上进行了实验。结果表明，GMNet在像元尺度和对象尺度评价指标上均表现优秀，F1得分和交并比较传统方法分别提升约2.3%和22.7%，在准确率和召回率指标上也优于对照模型，展现出在不同地形和光照条件下的稳健性。在黄土高原植被覆盖与地表裸露的区域，以及不同阴影面积的条件下的实验表明， GMNet与参考数据的交并比达到0.92，表明其具有良好的适应性，但在人类活动区仍存在一定错分现象，需通过引入更多样化的训练数据来提升模型的泛化能力。同时，讨论了阴影平衡模块中不同权重对结果的影响，证明了此模块能够通过自主调整优化制图结果。 【结论】GMNet在大尺度侵蚀沟制图方面具有显著潜力，并在水土流失监测与土地管理中具有广阔应用前景。

【目的】三维GIS可以支撑对地理场景进行更加真实、丰富和精细化的建模，具备自然用户界面的三维GIS系统，有助于提升用户与地理场景交互的效率与体验。然而，三维GIS交互涵盖场景状态、对象属性、工具功能和参数约束等多层语义，而自然语言指令又具有表达灵活、语义隐含等特点，使二者之间的准确映射面临较大挑战。大语言模型的发展为复杂指令理解与操作映射提供了新的技术支撑。针对上述问题，本文提出一种面向三维GIS场景的自然语言操作映射框架。 【方法】首先，在三维空间数据库的基础上构建了三维空间对象知识库。其次，基于数据库、知识库、场景实时状态和功能列表等构建了三维GIS交互三元组，用以表达场景状态、对象属性和工具参数等信息。进而，针对符号样式设计、视图控制、空间分析和参数化空间模拟4类典型三维GIS交互，依据三元组规范设计了结构化的语义描述。接着，针对自然语言向三维GIS交互操作的映射，基于智能体开发平台设计实现了自然语言解析与场景交互工作流。最后，为验证框架有效性，围绕上述4类典型交互构建220条自然语言测试指令，并从意图识别正确率、参数映射符合度、最终效果达成度3个维度进行评价。 【结果】该框架在 4类典型三维GIS交互任务中取得了较好的操作映射效果。总体上，意图识别正确率为98.64%，参数映射符合度为86.59%，最终效果达成度为85.45%，验证了场景语义抽象与工作流相结合的技术路径在三维GIS自然语言操作映射中的可行性。 【结论】该框架为三维GIS自然语言交互提供了可复用的语义组织、自然语言解析流程编排和实验评价方案，可为数字孪生、虚拟地理环境和三维空间决策支持系统的人机交互设计提供参考。

【目的】针对大语言模型（Large Language Models，LLMs）在旅游推荐中存在事实幻觉、复杂约束响应不足，以及现有检索增强生成方法（Retrieval-Augmented Generation，RAG）存在证据碎片化和语义误匹配等问题，提出一种多模态知识图谱与大语言模型协同的旅游推荐生成方法TMKG-LLM。 【方法】首先，该方法利用提示工程从旅游文本与景点图像中抽取结构化知识，构建以景点为核心的多模态知识图谱，实现异构旅游信息的统一语义表示；其次，引入超图证据组织机制，将景点及其多维属性封装为高阶语义证据单元，并结合拓扑先验筛选与多维评分策略，实现复杂用户意图下的精准证据检索与聚合；最后，将结构化证据作为事实约束注入LLM，生成具有事实一致性和可解释性的旅游推荐结果。 【结果】在北京市旅游推荐评测集上的实验结果表明，相比最佳基线模型，TMKG-LLM在Context Precision、Context Recall、Faithfulness和Answer Relevance指标上分别提升10.1%、8.1%、9.5%和7.4%，验证了多模态知识图谱与LLM在知识表示、证据约束和推荐生成方面的协同优势。进一步的行程约束评测表明，TMKG-LLM在微观硬约束满足率和宏观硬约束满足率上分别达到81.2%和62.0%，展现了其在多条件旅游规划场景中的适用性。消融实验进一步证明，超图证据组织、拓扑先验筛选和多维评分机制能够协同提升检索与生成性能。 【结论】TMKG-LLM通过融合多模态知识图谱、高阶证据建模与LLM推理能力，促进旅游推荐从碎片化信息检索向结构化知识驱动生成转变，为复杂旅游需求下可信、可追溯和可解释的智能推荐提供了一种有效技术路径。

【目的】立交桥是城市路网中实现交通流立体转换的关键枢纽，其数字化表示的准确性对车辆导航的可靠性至关重要。开放街道地图（OSM）作为广泛使用的众源地理数据源，虽具有全球覆盖与低成本的优势，但其在立交桥等复杂路段普遍存在的道路缺失、几何错误及方向错误等拓扑问题，严重制约了其在精准导航中的应用。 【方法】本文提出一种融合众源轨迹数据聚类筛选与门控双向循环神经网络的OSM立交桥识别与道路错误自动检测方法。首先，通过DBSCAN聚类与滑动窗口联合识别立交桥区域，其中利用轨迹方向熵和交叉节点轨迹密度等多维特征进行精细筛选，以区分立体交叉与平面交叉口；其次，采用允许路径中断的改进隐马尔可夫模型进行部分地图匹配，通过动态回溯优化机制有效应对OSM固有错误（如道路断裂、缺失）对匹配过程的干扰，并将未匹配点作为后续道路缺失检测的关键线索；然后，从局部上下文（轨迹距离、方向、候选集空值、最大转移概率等6种特征）和全局上下文（最佳发射概率、最佳转移概率、最佳方向相似度、链式连接等5种特征）两个维度协同构建11种基础特征，经编码扩展为21维标准化向量；进而采用基于道路表征的主成分分析方法，依据道路语义对核心拓扑特征赋予更高权重，依据特征值≥1且累计方差贡献率≥90%的双重准则保留前12个主成分，在降维的同时有效抑制GPS随机噪声，优化模型训练效率。最后，设计了一种引入双向独立门控机制的双向循环神经网络，该门控模块以单点预测熵作为兴趣点判别信号，动态强化与拓扑错误相关的隐藏特征表达，并结合类别敏感加权损失与特征差异正则项，缓解错误样本类别不均衡及易混淆难题，通过多阶段协同处理流程，实现对道路缺失、拐角缺失、方向性错误及几何错误4类拓扑问题的精准识别与分类。 【结果】实验采用北京市主城区140余万条众源轨迹及OSM路网数据，结果表明，本方法在立交桥道路错误检测中的准确率达到97.7%、召回率96.3%、F1值97.4%，显著优于Logistic Regression（F1=65.9%）、CRF（78.5%）、RNN（92.3%）、GNN（89.3%）和Transformer（91.8%）等对比方法。消融实验验证了改进HMM匹配相比标准HMM使F1提升2.7%，门控单元在BiRNN基础上进一步将F1提升0.7%，且对最稀少、最易混淆的道路几何错误类别的召回率提升最为明显。 【结论】该方法为提升OSM复杂立交区域的可导航性提供了有效技术途径，证明了物理规则驱动的先验约束（地图匹配、道路语义加权）与数据驱动的深度学习模型深度融合的模块化框架，在错误类别不均衡和轨迹强噪声条件下具有显著优势，可支撑城市复杂路网数据的低成本、高效率质量优化。

【目的】黄土沟谷横剖面形态是理解黄土地貌发育过程与机理的核心外在表现，其沟坡倾斜程度、宽度、横剖面面积等特征直接反映了侵蚀强度、发育阶段及区域差异性。然而，目前对黄土高原沟谷横剖面形态的空间差异性及其随沟谷等级变化的分布规律仍缺乏系统认识。 【方法】本研究基于不同分辨率DEM数据，依据沟谷网络等级特征及其横剖面采样点流向的法向量采样策略，提出了沟谷宽度与等级自适应的自动化方法，提取了17 000余条黄土高原典型区域的不同Strahler等级沟谷横剖面，在此基础上，计算沟壁倾斜程度、沟谷总宽度、横剖面面积、总侵蚀面积及被侵蚀部分均深等指标，分析其相关关系、区域差异、等级变化特征及分辨率影响。 【结果】① 黄土高原沟谷形态存在明显的南北空间差异：沟坡倾斜程度由南向北逐渐平缓；沟谷横剖面被侵蚀的总面积和沟谷横剖面面积在中北部部分区域偏大，随沟谷等级升高总体增加但高等级处出现波动；沟谷总宽度在中部地区较宽，随等级扩大；沟谷横剖面被侵蚀部分均深在北部最高，随等级增加呈下降趋势，反映下游纵向侵蚀加剧。② 沟坡倾斜程度与沟谷总宽度呈显著负相关，与深度指标正相关，能有效反映沟谷的发育程度；宽度和面积指标同时映射着沟谷演化阶段。沟底地宽度指标与多数指标相关性弱，与整体侵蚀动力关联有限，可作为独立指标评估沟谷成熟度。③ 粗分辨率DEM显著低估沟壁倾斜程度（平均下降30%~50%， p<0.001），不仅增加了小等级沟谷在提取上的难度，而且降低了提取出沟谷的整体变异性。 【结论】黄土高原北部地区沟谷发育程度普遍高于南部地区。本研究揭示了黄土高原沟谷形态的空间分异规律及其尺度敏感性，为土壤侵蚀监测、地貌演化研究及区域水土保持提供了科学依据。

【目的】开源DEM数据是地表汇流分析的重要基础，但其分辨率通常较低，难以表达栅格内部地形差异。现有流向算法多基于中心栅格及邻域高程关系确定流向或分流比例，对亚栅格尺度地形控制作用考虑不足。因此，如何引入栅格内部地形信息以提高流向分配精度，是开源DEM水文分析中的关键问题。 【方法】针对这一问题，本文提出一种基于DEM降尺度三角面连续追踪的地表多流向算法。该方法以原始DEM的栅格中心点为高程控制点构建新格网，并通过三角剖分和局部平面方程获得原始栅格内部的降尺度地形表达；随后以降尺度栅格为起点追踪并统计流向分配比例，突破了传统算法仅依赖栅格间高程关系的局限，有效将亚栅格尺度地形信息融入流向分配过程。 【结果】为验证方法的有效性，本文基于理论数学曲面和安徽省凤阳县实际样区对方法进行验证，其中人工DEM由凸心坡、凹心坡和鞍形坡数学曲面构建，实际样区采用30 m分辨率ASTER GDEM V3数据，并与D8、MFD-md和D-inf方法进行比较。人工DEM实验表明，本文方法在不同地形条件下整体表现稳定，尤其在包含汇聚、发散和流向转换特征的鞍形坡中误差控制效果较好；低起伏条件下，本文方法在5、10和20 m分辨率下的鞍形坡RMSE分别为59.2、32.2和20.7 m，较同条件下表现最好的对比方法MFD-md分别降低约66.4%、78.4%和83.8%。实际样区实验表明，本文方法提取的河道能够较好对应沟谷、坡脚和低洼汇流区域，其低洼区覆盖率、河道—低洼区一致性和综合评价指标分别为0.186、0.725和0.296，综合评价指标较D8和D-inf分别提高约7.6%和1.7%，河道面积较MFD-md减少约15.2%。研究表明，本文方法能够在控制河道范围扩张的同时保持较好的低洼区覆盖能力，适用于需要兼顾河道空间集中性和低洼汇流区覆盖能力的复杂自然地形场景。 【结论】相较于已有其他方法，三角面连续追踪法综合效果更好，特别是对于开源低分辨率DEM，优势更为明显。因此可以说明：本文方法够将原始栅格内部地形差异对水流去向的影响引入流向分配过程，在一定程度上弥补开源低分辨率DEM难以表达栅格内部亚栅格尺度地形差异的不足，并为该类DEM条件下的汇流累积、SCA计算和河道提取等DEM水文分析提供新的方法思路。

【意义】耕地作为保障国家粮食安全与农业可持续发展的核心资源，其动态监测与综合评估已成为自然资源管理和农业遥感领域的重要研究方向。在人工智能技术快速迭代的驱动下，耕地监测评估正由传统的土地调查、实地勘测和统计分析，逐步迈向多源融合、端到端建模与智能决策支持的新阶段。在算力提升、海量数据积累以及人工智能与遥感技术深度耦合的背景下，本文总结归纳了“感知-建模-决策”的全链条技术框架，为推动耕地资源多尺度精准识别与动态管控提供了全面的前瞻视角与技术路径。【进展】本文基于文献计量分析方法，系统梳理了近四十年来人工智能驱动耕地遥感监测评估的发展历程，深入剖析了耕地面积提取、边界提取、地块分割与综合评估等关键任务的技术进展。分析表明，各任务的技术范式与研究热点总体呈现出由传统机器学习向深度学习，再向大模型与智能体协同演进的趋势，充分展现了人工智能在支撑耕地保护、精细化管理和空间治理向更高效、智能与可持续方向转型中的巨大潜力。【展望】尽管研究热度日益提升，人工智能在耕地资源管理中的规模化应用仍面临高质量标注样本匮乏、模型物理可解释性差、复杂场景跨区域泛化性能薄弱以及新兴技术范式与传统业务体系融合困难等现实瓶颈。为此，未来研究亟待构建基于生成式人工智能与多模态大模型的样本增强框架，以突破小样本场景下的算法泛化困境；推进物理知识与数据联合驱动建模，提升监测精度与物理可解释性；深度融合智能体策略与时空数字孪生技术，构建涵盖数量、质量、生态等多维指标的耕地综合评估体系；进一步依托“人-机-物”融合的智能治理平台，最终形成集实时感知、科学评估与智能决策于一体的智慧监管体系，为构建更高效、更具韧性且可持续的耕地生产生态系统提供关键技术底座。

【意义】实景三维模型纹理中可能包含敏感目标，影响数据在智慧城市建设中的安全共享与应用。现有脱敏方法大多忽略了三维模型中纹理与几何结构的高度耦合关系，导致敏感纹理消除后，其对应的空间几何轮廓仍然保留，存在结构信息泄露风险。 【方法】本文提出一种基于局部网格压平的实景三维模型几何与纹理协同脱敏方法。首先，采用YOLOv11与LaMa分别完成敏感目标检测和纹理重生成；随后，基于重心坐标建立二维纹理区域至三维网格的映射关系，实现敏感几何区域的准确定位；最后，提取敏感区域外围的非敏感边界顶点拟合局部参考平面，将内部敏感顶点沿该平面法向投影更新，消除敏感目标的局部空间几何轮廓，并保持网格边界连续性。 【结果】以3个不同区域的实景三维模型为实验对象，共包含687个敏感目标，本文方法敏感目标检测召回率分别为0.95、0.94和0.96，较主流方法平均提高0.1，表明敏感目标检出率显著上升；脱敏后，敏感区域纹理LPIPS分别较主流方法下降0.12、0.11和0.12，纹理重生成区域与三维场景保持良好的感知一致性，同时，表征几何特征残留量的Hausdorff距离由0.35、0.38和0.42 m降至0.012、0.018和0.015 m，表明算法有效消弱了敏感目标在空间结构层面的可识别性。 【结论】综上，所提方法可在保持纹理视觉自然性和网格边界连续性的同时，协同降低敏感目标的纹理与空间几何可识别性，为实景三维模型的安全共享与合规应用提供技术支撑。

【目的】提取多尺度信息对于提升遥感影像目标检测模型能力具有重要意义。然而，主流模型大多采用复杂结构去编码与融合遥感影像中的多尺度信息，带来了巨大的计算负担。 【方法】为此，本文从频域的角度出发，提出了一个名为F-DETR的模型来实现高效且精准的遥感影像目标检测，其包含2个高效结构分别用于遥感影像目标检测过程中的多尺度信息的编码与融合。具体而言： ① 本文在VMamba模型的基础上设计了一个名为频域视觉Mamba（Frequency-domain Vision Mamba，FVM）的多尺度信息编码骨干网络。该骨干网络可通过持续增强特征图中高频部分的方式解决主流模型需要额外增加大量计算量来感知小尺度目标的问题； ②本文设计了一个全新的名为频域融合模块（Frequency-domain Fusion Block，FFBlock）的结构来融合不同尺度特征图，该结构通过频段拆分处理的方式快速建立多尺度特征图间的多级关联，解决主流多尺度特征融合方法关联充分性与计算量难平衡的问题。 【结果】相较于主流方法，本文方法运算效率最高，在2个典型遥感影像目标检测数据集上的结果表明，本文方法的所有检测指标均为最优，且关键指标mAP相较于YOLOv5-L、RT-DETR等多个代表性方法可分别提升0.7%~7.1%（DIOR数据集）与1.2%~8.3%（USOD数据集）。 【结论】本文方法证明在频域视角提升模型精度与效率的可行性，为高时效遥感影像目标检测任务提供了新的解决思路。

【目的】在青藏高原雅鲁藏布江中游河谷地区，人工林广泛分布且承担防治水土流失与土地荒漠化等关键生态功能。然而，该区域人工林地块破碎且种植模式差异显著，导致传统基于像元的遥感监测难以同时兼顾空间边界精度与时间信息表达。 【方法】针对上述问题，本文提出了一套融合语义分割、对象优化与时序分析的人工林监测技术方案。首先基于DeepLabV3模型对高分辨率遥感影像进行初步分割，并结合分水岭与水平集方法实现人工林地块的精细划分与边界优化；在此基础上，利用1988—2024年Landsat与Sentinel-2影像构建地块尺度的生长季长时间序列NDVI数据，并通过年度差分突变检测方法反演人工林种植年份，实现空间单元与时间属性的对应关联。 【结果】人工林提取平均交并比（mIoU）达到88.72%（个别区域最高可达91.33%），总体精度（OA）达到90.12%，召回率（Recall）可达到90.05%；经实地样方调查结果验证，种植年份反演结果均方根误差为2.78年（约80%控制在±2年以内）；通过与传统基于像元的LandTrendr时序分析方法在典型区域对比发现，本研究能够克服LandTrendr方法因像元尺度显著性判断不准确导致漏检问题（漏检比例高于50%），获得面向地块尺度的100%完整时间信息表达。 【结论】本文通过融合语义分割和时序分析实现了高原河谷区人工林空间信息与种植年份属性的协同表达，为区域人工林监测、生态工程评估及精细化管理提供了可靠的数据支撑与技术参考。