摘要：中国的区域性整体贫困问题在2020年已经解决,但相对贫困仍将长期存在。因此,对贫困地区进行长期的贫困测量和发展分析仍具有重要意义。但是传统的测度方式使用社会经济数据存在较大的限制。以中国西南4省(市)为研究区域,首先,建立了基于粒子群优化算法的反向传播(back propagation,BP)神经网络模型,构建了2000—2019年的长时间序列夜光(nighttime light,NTL)数据集;然后,根据社会经济和地理数据,构建了反映县域贫困的多维贫困指数;最后,将长时间序列NTL数据与多维贫困指数相结合,构建了贫困测度模型,输出基于NTL数据的多维贫困指数(nighttime light multidimensional poverty index,NLMPI)。同时,在NLMPI指数的基础上进行了县域贫困测度和时空动态分析。研究表明,在2000年NLMPI表明西南4省(市)多维贫困状况分化较为严重,但随国家扶贫工作的开展,极低和较低等级县域占比下降,中等县域占比提高;在2000—2019年间,西南地区各县域的NLMPI具有正的空间自相关,Moran’s I指数呈现先降后升的趋势,这反映出在2000—2010年,贫困聚集现象有所减弱,而在之后进入了较为分散的脱贫攻坚阶段;局部空间自相关的结果表明,中国西南地区的多维贫困模式正在改善,但不平衡;结果反映在成渝、昆明和贵阳的高-高聚集,以及四川西北部和云南西部的低-低聚集的空间模式。本研究强调了夜光遥感数据在区域尺度贫困研究中的应用能力。

摘要：【目的】传统燃气管道高后果区识别方式受限于人员熟练程度与人为主观判断影响,存在效率低及人为误差较大等问题。近年来,卫星影像数据与地理信息系统(Geographic Information System,GIS)的引入在一定程度上改善了上述问题,但单一数据依然难以满足燃气管道高后果区识别与分级对数据多样性的需求,限制了识别与分级工作的定量化与自动化程度。通过多源数据获取建筑物空间及属性信息,提出燃气管道高后果区识别与分级方法。【方法】基于无人机采集的高分辨率正射影像,构建一种优化建筑物边缘提取效果的深度学习模型SEU-Net(Squeeze-and-Excitation U Network)从正射影像中提取管道周边建筑物轮廓;在引入兴趣点(Point of Interest,POI)获取建筑物种类信息的同时,通过三维点云获取高精度数字高程模型(Digital Elevation Model,DEM)与数字表面模型(Digital Surface Model,DSM),计算建筑物高度;基于GIS的空间分析功能与属性处理能力,计算建筑物面积,整合建筑物空间与属性信息。设计了燃气管道高后果区识别与分级算法。【结果】以四川省遂宁市某燃气管道为例验证该方法,与传统识别结果相比,应用该方法识别出人工未能识别的建筑物17座,减少误识别高后果区管段0.369 km。【结论】该方法具备更高的准确度和效率,在燃气管道完整性管理领域具有很好的应用潜力。(图4,表1,参19)