<正>《测绘科学技术学报》创刊于1984年,双月刊,是由中国融通文化教育集团有限公司主管、星球地图出版社主办的测绘专业学术刊物,国内外公开发行。本刊为中国期刊全文数据库(中国知网)、中文科技期刊数据库(维普资讯)、万方数据—数字化期刊群(万方数据)、日本科学技术振兴机构数据库JST (2023)收录期刊,并入选WJCI科技期刊世界影响力指数报告(2023)。国际标准刊号ISSN 1673-6338,国内统一刊号CN 10-1974/P。
事件作为现实世界的重要描述单元，其可视化表达对于理解和分析各类现实现象与过程具有重要意义。当前事件可视化研究主要聚焦于事件的基本信息、统计特征及动态演变过程的表达，对于构成事件骨架与演化脉络的结构与关系，尚缺乏系统的融合可视化研究。针对这一问题，提出了一种以时空实体为核心的事件结构与关系融合可视化方法E-SRViz(Event-Structure-Relation Visualization)。该方法综合运用甘特图、和弦图、径向图、树形图和节点-链接图等多种可视化形式，构建了多视角、多类型的图元组织与交互机制，实现了对事件层级结构、时间拓扑关系、语义与逻辑关系以及空间关系的统一表达。以某历史事件及其重要战役为案例，开展了基于时空实体事件数据的可视化表达实验。结果表明，该方法在优化可视空间布局、增强结构清晰度和关系识别度方面具有显著优势，能够有效支持复杂历史事件的结构化认知与多维关系理解。
针对地磁基准图构建中传统数据采集手段单一、成本较高，且数据处理无法满足多源地磁数据融合需要等问题，本文基于众包模式，利用智能终端采集地磁数据，构建了一种结合滤波与神经网络的多源地磁数据融合处理方法。该方法采用4阶低通滤波对智能终端地磁数据进行高频噪声去除并结合LSTM神经网络，利用滤波处理后的智能终端地磁数据与基准地磁数据，构建基于多源智能终端地磁数据融合的回归神经网络模型，提升智能终端地磁数据精度。此外，该方法利用VMD算法进一步提升融合精度，利用SSA优化算法对神经网络相关参数进行自动寻优。经实验证明，本文所构建的VMD-SSA-LSTM神经网络算法实现了众包模式下智能终端地磁数据的多源融合，在验证集上的精度达到263.7 nT(RMS);并且相较于单一智能终端地磁数据采集精度有明显提升。
推荐与研究区地形要素相似的区域可以为地质灾害防治、工业园区选址、山区线路规划等工作提供有价值的参考。综合考虑多种地形要素，提出基于VGG-16特征提取模型的相似区域推荐方法。首先，采用直方图统计方法统计样本数据集中各地形要素的特征，并基于数据集中各地形要素的特征对样本数据进行K-means聚类；其次，将聚类结果作为数据集标签，在分类任务上对VGG-16模型进行训练，构建地形要素提取模型；最后，利用训练的VGG-16模型提取区域特征，采用余弦距离计算区域相似度，从而根据相似度推荐相似区域。为验证推荐区域的准确性，采用综合评估模型计算区域之间直方图统计特征的相似度。结果表明，构建的方法能够快速高效地为研究区提供地形要素最相似的区域，为相关研究提供有力的支持。
当前地理关联网络相关研究主要以城市和国家尺度为主，较少围绕全球尺度讨论，缺少对全球尺度下地理关联网络的时空分布及演化等特征的分析与可视化。政治、经济、交通和人口是长期以来倍受关注的全球性问题，以此为背景，基于时空对象数据模型构建多主题、多时变的全球尺度地理关联网络。利用复杂网络理论和社会网络分析法深入分析地理关联网络的空间分布、关联结构、时序演化及统计信息等特征，有助于理解全球地理格局的时空演变特征及规律。采用综合可视化方法直观展示地理关联网络的多维度特征，并结合实际情况分析。实验结果揭示了地理关联网络深层关联结构的空间分布特征与时变规律，为洞察全球性问题提供了新的视角和分析工具。
针对现有的PM2.5浓度预测模型只能进行时序特征提取，无法根据当前时序预测任务进行特征过滤与筛选，从而导致模型的泛化能力差的问题，使用兰州市2019—2023年污染物浓度、气象因子和归一化植被指数(NDVI)逐时数据，结合注意力机制(Attention Mechanism)、卷积神经网络(CNN)和门控循环单元(GRU),构建一种基于CNN-Attention-GRU的PM2.5浓度预测模型。首先将经过预处理的特征数据输入到CNN中提取时序特征；其次注意力机制对特征输入进行注意力权重分配，实现时序特征的过滤与筛选；接着GRU进行回归预测；最后通过全连接层整合输出预测结果。结果表明，引入注意力机制的CNN-Attention-GRU模型比对照组模型预测精度更高，具有较高的泛化能力和普适性，能够对PM2.5浓度进行有效预测。
旱涝灾害严重威胁区域农业与水资源安全，土壤湿度SM(Soil Moisture)作为表征旱涝状况的关键指标，其时空特征分析与动态监测对灾害事件的精准预测至关重要。本文基于旋风全球导航卫星系统CYGNSS(Cyclone Global Navigation Satellite System)土壤湿度遥感数据，结合地面气象观测数据，构建了带外生变量的季节性自回归积分滑动平均模型与长短期记忆扩展人工神经网络SARIMAX-LSTME(Seasonal Autoregressive Integrated Moving Average with eXogenous regressors-Long Short-Term Memory Extended)相结合的多尺度标准化降水蒸散指数SPEI(Standardized Precipitation Evapotranspiration Index)预测模型。以广东省为例，利用快速傅里叶变换-小波变换FFT-WT(Fast Fourier Transform-Wavelet Transform)方法分析了CYGNSS SM在正常、干旱与洪涝3个时段的周期振荡特征及其与SPEI的相关性，并基于典型站点开展了SARIMAX-LSTME性能评估实验。结果表明，不同气候条件下SM震荡特征表现出空间异质性；与随机森林RF(Random Forest)和Transformer相比，SARIMAX-LSTME模型有效增强了对不同气候地区CYGNSS SM空间异质性的识别能力，有效提升了SPEI的预测精度，3个月、6个月与12个月预测时效下的R2分别达到了0.921、0.898、0.886。
针对遥感影像中背景特征复杂多样导致道路提取效果不佳的问题，设计了一种改进于U-Net的结合多尺度特征提取与注意力聚合的遥感影像道路提取方法(MSUNet)。该方法通过金字塔特征聚合操作融合编码器的多层特征保留道路的空间及语义信息，并引入基于条形卷积的多尺度特征提取与注意力聚合解决空洞卷积中的像素特征损失问题，加强对道路的线性特征提取，丰富道路的上下文信息。实验在Massachusetts道路数据集上进行，其精确度、召回率、F1分数和交并比相比于U-Net分别提升0.73%、1.44%、1.09%、1.46%;在自主标注的吉林一号光学A星道路数据集上，其4项指标相比于U-Net分别提升3.97%、1.82%、2.85%、3.96%。实验结果表明，MSUNet优于所比较的方法，能够有效提高道路提取的准确性。
随着遥感卫星尤其是小卫星的迅速发展，遥感卫星数据资源剧增，现有空间检索方法在大范围遥感数据覆盖筛选时存在冗余度大、复杂度高、速度慢甚至难以完成的情况，制约了遥感数据资源的快速运用与服务。为此，本文基于全球空间网格剖分框架，设计了二维多边形数据的快速网格化方法及评分并行算法，以筛选少量影像并实现区域最大化覆盖。通过空间切分效率对比和优选影像结果对比两组实验验证，网格化方法在切分耗时方面受影像数量的影响较小，但存在元素数目较多且精度与元素数量呈负相关的情况；算法求解效率相较于贪心算法平均提升了35%,相较于随机跳坑算法提升了42.8倍，优选影像数量比随机跳坑算法增加5%,比贪心算法减少5%。因此，本文方法能够有效地解决遥感影像优选问题，尤其适用于大规模数据，具有较低的切分耗时和求解耗时，且求解效果良好，为实际应用提供了有价值的参考。
水工建筑物表面结构复杂且不规则，容易受到自然因素影响而出现裂纹、露筋等病害。为了获得高精度病害检测结果，基于无人机贴近摄影测量与深度神经网络模型提出了一种建筑表面特征获取与病害识别方法。首先，利用无人机搭载摄影航摄仪贴近水工建筑物表面获取多视影像，制作影像融合数据集；之后，利用以改进U-Net模型为核心的全连接神经网络方法处理图像数据；最后，基于注意力机制实现建筑物病害特征的准确识别和标注。以某水电站溢洪道为实验对象，测试结果表明该方法能够有效识别溢洪道剥落、裂缝、露筋等病害特征，实现建筑物外观缺陷精细化检测，为维护修复、除险加固提供可靠依据。