建筑物形状相似性度量在地图制图综合中起着至关重要的作用，它不仅为地理空间要素识别和地图分析奠定了基础，还在建筑物形状的匹配、检索和化简选取等应用中发挥了重要作用。本文利用图对比学习在形状区分中的优势，提出了一种图对比学习模型支撑下的建筑物形状相似性度量模型，其目的是利用图增强策略训练出一个图编码器，对形状进行编码得到更具区分度的表示。本文方法首先将矢量图形转为图结构，并提取节点和边特征来表示形状属性；其次利用图增强策略得到正负样本对，经过对比损失函数实现同类别样本间差异的最小化和不同类样本之间差异的最大化；最后经过对比编码得到特征向量，计算特征向量间的余弦值实现建筑物形状的相似性研究。试验以OSM建筑物形状数据作为训练和测试样本，测试分类准确率达到96.7%，并对模型参数、图增强方式和特征节点方向进行分析。与其他方法比较，本文方法优于传统方法的方法，HU矩方法和傅里叶方法的分类准确率分别为22.9%、44.4%，并且相较于图编码GCAE方法（92.5%）也提高4.2%左右。此外，选取香港的3个地区进行了形状分类和形状匹配试验，形状分类准确率为95.7%，并对9个典型形状进行相似性匹配，同类形状的相似值大于非同类形状。试验结果表明，在图对比学习框架下，形状描述与人的空间视觉感知具有一致性。图对比学习模型有效提升了复杂形状的识别能力，实现了15类建筑物形状的有效地分类，为地图制图综合应用提供了技术支撑。

道路选取一直是制图综合领域的重要研究内容，针对现有方法仅考虑单一层次选取单元特征等问题，本文提出一种融合路段和stroke特征的道路自动选取方法。首先，以路段和stroke为基本单元，构建对偶图表达路网的拓扑结构；然后，将路段的几何、类型等级和图连通性指标作为路段特征，将长度、包含路段数量、同一stroke下路段的连接数量作为stroke特征，融合stroke特征到对应的路段单元上；接着，将上述求得的特征矩阵输入到GraphSAGE模型中进行学习，输出路段节点的分类结果；最后提出顾及stroke连贯性的增加最小节点数方法保持路网的连通性，进而完成道路的选取。本文采用河南省郑州市 1:25万和1:50万比例尺的路网数据进行实验，结果表明： ① 本文方法能有效聚合路段和stroke的特征，相较于文献[17]的方法和仅考虑基本特征组合的以路段或stroke为选取单元的对比方法，模型预测准确率提升了6.36%、7.36%、3.13%； ② 本文提出的连通性保持算法处理后的结果往往更符合道路选取的认知规律，也能进一步提升选取的准确率； ③ 完成连通性处理后，本文方法相较两种对比方法在一致道路长度上提升了125.45 km、110.438 km，在一致道路数量占比上提升了8.72%、20.43%，同时能更好保持路网整体格局和局部关键结构以及密度分布。与现有的道路选取方法相比，本文方法能更好地利用多层次道路特征进而提升道路选取效果，为制图综合、级联更新等领域的后续研究提供一种新的思路。

针对室内环境中超宽带（Ultra-Wideband，UWB）信号易受障碍物遮挡导致非视距（Non Line of Sight，NLOS）误差的问题，本文提出了一种基于激光雷达（Light Detection And Ranging，LiDAR）点云识别UWB NLOS的融合定位方法，该方法利用LiDAR点云信息辅助UWB NLOS识别，并通过UWB视距（Line of Sight，LOS）测距值消除LiDAR同时定位与建图（Simultaneous Localization and Mapping，SLAM）过程中的累计误差，从而提高室内融合定位精度和鲁棒性。首先，采用八叉树对LiDAR点云进行处理，根据UWB基准站位置信息构建测距方向，并从LiDAR点云中提取测距方向上相关区域的点云数据。然后，通过3D Alpha Shape算法对所提取点云中可能阻碍UWB信号传播的障碍物进行轮廓提取。此外，根据分析提取的障碍物轮廓和UWB测距方向的空间关系，以此有效判定UWB信号是否存在NLOS测距情况。最后，剔除UWB测距过程中存在的NLOS测距值，通过紧组合方式，采用扩展卡尔曼滤波（EKF）将UWB LOS测距值和LiDAR SLAM的定位信息进行融合解算，消除LiDAR SLAM定位结果中的累积误差，以此提高融合定位精度和鲁棒性。为验证本文所提出的融合定位算法的有效性，通过搭建的融合定位实验平台在教学楼大厅进行了NLOS静态识别实验，在地下停车场进行了动态NLOS识别与动态定位实验。实验结果表明，该方法能够显著提高在室内复杂环境中的NLOS识别与定位的准确性，相较于单传感器定位与UWB原始测距值与LiDAR SLAM紧组合EKF的定位方法，NLOS识别准确率为93.22%，定位精度分别提高了49.24%、47.03%、96.13%，定位误差为0.067 m，实现了亚分米级室内定位。

自动车牌识别（ANPR）数据是当前公安工作中获取车辆轨迹的主要来源之一，基于ANPR数据发现涉案车辆的时空关联车辆，对于团伙犯罪防控具有重要意义。在实际工作中发现，团伙车辆会存在主观避嫌意图，导致出现故意远距离跟随等与传统伴随关系不同的时空关联模式，而现有方法难以有效识别，为此，本文基于车牌自动识别（ANPR）数据，提出了团伙犯罪的时空关联车辆发现方法。 ① 通过分析团伙车辆的跟随策略，梳理出“近距离跟随模式”、“故意远距离跟随模式”、“另择路线前往模式”3种车辆时空关联模式； ② 基于ANPR数据构建关联车辆数据模型，并提出车辆关联的时空约束参数；在此基础上，提出了时空关联车辆的发现方法； ③ 以B城市为例，采用团伙犯罪车辆的相关ANPR数据进行试验与分析，基于团伙案件历史数据对时空约束参数阈值进行定量评估。在此基础上，对某典型案件进行时空关联车辆分析，将本文方法与频繁序列挖掘、计算伴随概率2种方法对比，本文方法有效率平均可达87.59%，优于对比方法，试验结果表明，本文方法能够有效发现故意远距离跟随、另择路线前往等传统方法难以发现的时空关联车辆，能够为公安部门开展团伙犯罪防控工作提供新思路和技术支持。

共享单车轨迹预测是科学合理规划其基础设施的前提条件，但现有研究预测机制较单一、影响因素较片面，致使轨迹预测准确度不高，制约了共享单车的进一步发展。因此为揭示共享单车出行的时空特性与天气因素对出行轨迹的影响，提高轨迹预测精度，本文构建融合天气因素与时空注意力残差双向网络（WSTAR-BiLSTM）的轨迹预测模型。本研究利用2021年数字中国大赛公开数据开放平台提供的厦门市共享单车订单及轨迹大数据，分析其出行时空分布规律与天气因素对出行轨迹的影响。考虑气温、天气现象、风速、空气质量因素，将共享单车轨迹数据按周期性分割时间序列，融合注意力机制进行残差学习，根据天气因素调整预测结果。将轨迹数据按7:2:1划分为训练集、测试集与验证集，分别进行模型训练及预测、模型参数自适应调整及预测结果对比验证实验。实验结果表明，WSTAR-BiLSTM模型轨迹预测精度高于传统模型LSTM、BiLSTM、CNN和自建对比模型（不含天气因素的STAR-BiLSTM、不含注意力机制的WSTR-BiLSTM和不含残差网络的WSTA-BiLSTM），准确率分别提升了12.02%、14.5%、12.02%、4.86%、6.96%、10.80%；绝对轨迹误差分别降低了1.83、2.53、1.85、1.07、1.23、1.53 m。研究表明，WSTAR-BiLSTM模型不仅继承了普通残差网络模型的优势，还创新性融合了注意力机制与多个天气因素的影响，在提升轨迹预测精度的同时还具有较强的智能学习与成长特性，使轨迹预测的精度随反馈次数的增加而进一步提高。研究结果对共享单车轨迹的精准预测具有理论指导意义，对该出行模式的推广具有实际应用价值。

探析医疗资源配置公平性，保障弱势群体平等享受医疗资源对于推动健康乡村建设、巩固拓展脱贫攻坚成果同乡村振兴有效衔接具有重要意义。本文重点考量使用人群分布特征及弱势群体的差异化需求，从地域公平、空间公平以及社会公平3个维度，构建考虑弱势群体的医疗资源配置公平性的评价框架和方法，以秦巴山区商洛市为实验区，综合评价不同层级医疗资源的供给情况、供需关系和弱势群体间的供需差异。研究发现： ① 考虑弱势群体的医疗资源配置公平性评价框架通过考虑弱势群体的需求偏好，能够推动医疗资源在最大限度地保障个体医疗需求得到满足的基础上，向弱势群体进行有益倾斜，为科学评价医疗资源配置、落实弱势群体医疗资源配置提供理论基础； ② 评价方法基于评价框架的理论基础，从供需双向切入，精准衡量医疗资源供给与不同类型使用者需求，尤其是弱势群体需求的匹配情况，使评价结果更加贴合实际资源配置需求，实现医疗资源高效、合理配置； ③ 实验区结果显示，地域公平维度上，30 min乡村健康圈村级、乡镇级医疗资源服务面积比达95%以上，空间公平维度上，城乡医疗资源严重失衡，供需关系大多呈现“双低”状态，社会公平维度上，农业人口在各级医疗资源获取上均存在劣势，但4类群体基尼系数均高于0.5，相对于各群体之间的公平问题，商洛市医疗资源的总体均衡和公平问题更加需要关注。研究结果表明，本文构建的评价框架与方法能够精准评价医疗资源配置公平程度，并找出突出问题，以期为城乡合理配置医疗资源提供借鉴意义。

高分辨率遥感图像中存在物体视觉特征模糊和同物异谱的问题，在单一模态下对相似地物和阴影遮挡的地物分割较为困难，因此本文提出了一种基于多模态特征提取与层级感知的遥感图像分割模型。本文引入了多模态特征提取模块来提 取不同模态的特征信息，并通过坐标注意力机制充分融合不同模态的特征。抽象特征提取模块采用具有双路径瓶颈块的MobileNetV3作为主干网络，并引入了层级感知网络来提取深层次的抽象特征，通过嵌入像素的场景感知来改进注意力机制，实现高效且准确的类级上下文建模。解码部分设计了多尺度聚合双重融合，将低级特征与高级抽象语义特征相结合，利用逐步上采样实现特征恢复。本文基于ISPRS Vaihingen和Potsdam数据集上的高分辨率遥感图像，实验结果表明： ① 在包括C3Net、AMM-FuseNet、MMFNet、CMFet、CIMFNet和EDGNet在内的一系列对比模型中，MFEHPNet在各项性能指标上得到了显著提高，验证了遥感图像的语义分割性能； ② MFEHPNet在ISPRS Vaihingen和Potsdam的总体精度为92.21%和93.45%、平均交并比为83.24%和83.94%、Kappa为0.85、频率加权交并比为89.24%和90.12%，显著提高了遥感图像的语义分割性能，能有效解决分割中的特征边界模糊和同物异谱等问题。

隧道断面的精确提取是隧道形变分析中的一个关键环节，然而，隧道内部复杂的形状和环境使得点云处理算法变得复杂，传统的断面提取与变形分析算法已经不适用于点云数据，因此亟需更高效和更鲁棒的算法。针对这一问题，本文提出了一种基于点云数据的隧道断面连续提取方法。首先，引入结合随机样本一致性（Random Sample Consensus，RANSAC）圆柱拟合与半径滤波的方法，以有效滤除离群点及附着在隧道壁上的噪声点；接着，通过双向投影获取隧道中轴线，并根据“与隧道中轴线正交旋转的直线相交于隧道壁”建立数学模型，从而实现对隧道点云断面的连续提取；最后，以断面点的拟合圆心坐标和设计半径为参数计算隧道的形变量，并通过可视化渲染直观展示隧道整体变形情况。为证明本文方法的有效性，实验选取了成都市某地铁线路三段地铁隧道的激光点云数据，结果表明，该方法滤除噪声时I类误差、II类误差和总误差均值分别为1.48%、1.03%和1.21%，Kappa系数达到97.45%。相比传统的最小二乘法、密度聚类法以及法向偏差法，本方法的3类误差之和分别降低了9.34%、10.61%和4.41%，Kappa系数则提高了5.36%、6.38%和3.65%。这充分展现出本方法更优越的鲁棒性和准确性；此外，该方法所提取出的隧道断面拟合半径与设计半径的偏差均值低至1.36 mm。相比目前的1.60 mm方法及6.00 mm方法，本文方法的偏差均值分别降低了2.5 mm和2.7 mm。而求得隧道形变量范围在0~18 mm之间，同时通过点云渲染方式直观展示了隧道整体变形情况。本研究的方法为隧道安全监测工作提供了可靠依据和基础支持。

我国是受地质灾害影响最大的国家之一，研究高精度、高可靠性的滑坡形变监测与预测方法对于防灾减灾工作具有切实意义。以三峡库区藕塘特大滑坡为例，针对时序InSAR技术滑坡形变提取过程中面临大气干涉效应问题，在时序InSAR滑坡形变提取中引入GACOS进行大气校正，并通过GNSS观测数据进行验证对比；针对滑坡形变预测前较少考虑时空分析的问题，计算莫兰指数、Hurst指数分析滑坡形变时空特征；针对滑坡形变不仅受历史形变影响，还与多种影响因子密切相关的问题。本文提出将滑坡影响因子与形变量耦合用于滑坡形变预测，并采用结合变分模态分解（Variational Mode Decomposition, VMD）和麻雀搜索算法（Sparrow Search Algorithm, SSA）优化的长短期记忆网络（Long Short-Term Memory, LSTM）模型进行预测。通过VMD分解滑坡位移数据为趋势项、周期项和随机项，构建LSTM网络结构并使用SSA寻找LSTM模型最优的隐藏单元数目、最大训练周期和初始学习率，同时通过数据归一化、正则化和模型评估等方法提升LSTM模型的性能和稳定性，最后利用影响因子与分解后的位移数据训练LSTM模型并完成预测，得到滑坡形变的预测结果。结果表明： ① 2021年1月—2023年6月藕塘滑坡形变最高与最低速率分别为-72.75 mm/a、50.74 mm/a； ② 研究区形变具有正向空间自相关性、沉降区域滑坡形变具有持续趋势； ③ 结合VMD和SSA优化的LSTM模型滑坡形变预测误差仅为0.37 mm，较LSTM的精度提升了11.004%。本文基于时序InSAR技术，结合时空分析结果，构建了一种耦合多个影响因子与滑坡形变的高精度预测模型，为滑坡灾害的防治提供了重要的参考依据。

识别城市黑臭水体对于水环境整治、城市水生态保护具有重要作用，小微黑臭水体因其规模小、分散性强、流动性差、污染源复杂等特点采用传统遥感技术难以识别。本文为提高小微黑臭水体识别精度，提出一种基于高分影像的综合遥感“识别算法-识别标志”协同识别技术。以河北省保定市14个建成区小微黑臭水体为实验区，选取2023年春季、夏季、秋季的GF-2遥感影像数据，利用波段比值法构建城市小微黑臭水体遥感识别模型，结合黑臭水体形成机理及成因分析，在GF-2影像上建立水体颜色、形状、纹理、次生环境、沟渠淤塞、岸线垃圾等遥感识别标志，综合识别算法和识别标志得到最终识别结果，利用“目测+无人机航拍+水质检测”的方式进行了精度验证。结果表明： ① 通过精度验证分析，黑臭水体点位识别精确率（P₁）为85.29%、灵敏度（P₂）为90.63%、准确率（P₃）为94.74%，黑臭水体面积识别精度（P₄）为91.19%，该方法可有效识别城市小微黑臭水体； ② 对比波段比值法和遥感识别标志所占权重可知，识别算法和水体颜色权重分别占比25.38%和21.11%，二者对城市小微黑臭水体识别起主要判识作用； ③ 遥感识别错误的小微黑臭水体占比17.1%，识别遗漏的小微黑臭水体占比8.57%，错分率、漏分率相对较低； ④ 对比春季、夏季、秋季同一水体特征表明，综合遥感识别技术能够较好地反映黑臭水体时空变化特征。在精度指标中，本研究的“算法-标志”方法较红绿波段比值法、差值法、WCI指数法等，点位识别精度至少提升1.88%，面积识别精度至少提升1.95%，说明该方法具有更好的识别精度，可为其它城市黑臭水体“长制久清”提供技术支撑。

滨海自然与人工湿地监测对水环境和自然资源保护具有重要意义。考虑水位变化等动态影响，湿地遥感监测涉及多时段影像合成、水位动态过程表征、不同区分度特征指数选择和聚类算法边界分割等技术难题。基于谷歌地球引 擎（Google Earth Engine，GEE）遥感云平台提供的Landsat卫星遥感数据，增加淹没红树林指数（Inundated Mangrove Forest Index，IMFI）等指标作为随机森林（Random Forest，RF）算法的特征变量，通过K-means方法进行自动聚类，将非监督分类与监督分类方法结合起来开发一种自然与人工湿地提取方法。面向粤港澳大湾区，采用生产者精度、用户精度、总体精度和Kappa系数评价基于长时序影像的滨海自然与人工湿地识别。结果表明： ① 相比现有指数，IMFI能更有效区分水域、养殖坑塘和滩涂； ② 通过协同增加的K-means分类结果与IMFI，以分割人工湿地和将滩涂聚类，能增强湿地类间、湿地与其他地物的区分性，方法可以有效解决湿地类间、湿地与水域间的错分与漏分问题； ③ 方法在粤港澳大湾区滨海区域分类的平均总体精度为89.23%，平均Kappa系数为0.873 1，在时间上波动小。整体上，该方法为高精度滨海自然与人工湿地动态监测预警提供技术支撑。

城市绿地是城市生态系统的关键组成部分，对改善生态环境和提高人居质量具有无法替代的作用。高精度的城市绿地识别是城市更新及绿色基础设施优化的基础，目前针对超大城市绿地的识别与空间异质性研究相对较少。本研究以西安市为例，结合城市街景图像与高分二号（GF-2）遥感影像，采用ISODATA分类、K-Means分类及卷积神经网络模型等方法，对绿地进行多维度、降尺度、高精度的识别与分析。结果表明： ① K-Means分类方法的识别精度（84.5%）显著高于ISODATA分类方法（62.4%），且更能准确映射绿地的空间特征与异质性规律， K-Means方法识别的绿地覆盖率为0.277 0，低于ISODATA的0.360 7； ② 西安主城区内街道平均绿视率为0.156 0，表明整体绿化水平良好，但不同道路存在明显的两极分化，其中30%的采样点的绿视率低于0.080 0；主城区整体呈现出高等级道路平均绿视率高于低等级道路的趋势，即主要道路>次要道路>干道>三级道路； ③ 西安主城区内街道绿视率与片区植被覆盖率整体呈现正相关，但在部分路段关联性较小，反映了街道地面纵剖面与天空俯视图的差异，二者结合可以更准确地评估和量化城市绿地。本研究可为西安市绿地规划、绿色基础设施建设和智慧管理提供一定借鉴，同时可为其他城市绿地的高精度识别与空间解析提供技术参考。