从TM图像自动提取洪涝灾情的研究

1991年夏我国江淮地区发生特大洪涝灾害,本文报道应用TM图像提取洪涝灾情信息的试验研究结果,发展了一套从TM图像数值分析入手,把TM包含的丰富光谱信息转化为洪涝灾情信息的图像应用处理技术.计算机自动输出的滁河和水阳江两流域洪涝灾情分布图和面积数据经实地验证准确可信.     

数字经济、要素配置效率与城乡融合发展北大核心CSCDCSSCI

把握数字经济时代机遇,促进城乡融合发展,对社会稳定与经济高质量发展具有重要意义。研究基于2011—2020年省级面板数据,综合利用全局主成分分析法、熵权TOPSIS法,建立计量模型,从要素配置效率的视角研究数字经济对城乡融合发展的影响,探讨数字经济的门槛效应,并进一步分析数字经济对城乡融合发展的空间溢出效应和区域异质性。研究结果表明:①数字经济通过缩小城乡收入差距、推动城乡产业融合发展、促进城乡要素双向流动等,对城乡融合发展具有正向促进作用。②数字经济的发展提高了劳动、资本、土地、信息和数据等生产要素的配置效率,而要素配置效率的提高可以减少城乡要素错配,优化城乡利益关系,因而要素配置效率在数字经济与城乡融合发展之间具有中介作用。③要素配置效率对城乡融合发展的促进作用受到数字经济发展水平门槛作用的影响,相对于低数字经济发展水平而言,较高数字经济发展水平下要素配置效率对城乡融合发展的促进作用明显增强。④数字经济对城乡融合发展具有空间溢出效应,即有利于推动区域间协同发展;数字经济的作用也呈现显著的区域异质性,研究发现数字经济对东部、西部地区城乡融合发展是促进作用,而对中部地区城乡融合发展是抑制作用。最后,从加强数字基础设施建设、促进要素自主有序流动、推动数字经济地区间协同发展和推动数字经济区域异质性发展四个方面提出对策建议。研究结果深化了对数字经济与城乡融合发展的理解,为建立健全城乡融合发展体制机制提供了政策启示。     

新媒体融合下的电视新闻评论

新闻评论作为电视新闻节目的"点睛之笔",其深入透彻的说理分析,让人们在新闻"快餐"之后,了解到更多的背景和专业观点,在给观众提供更多信息的同时,也带来更多的思考。如今,新媒体的加入为电视新闻评论增添了活力与动力并促进其不断发展。本文从内容与呈现形式两方面浅析新媒体融合下的电视新闻评论,并结合新闻节目的有关成功案例探讨这一话题。     

城市生态保护红线划定技术研究——以宜昌市为例

划定生态保护红线,是生态文明建设的一项重要任务,对维护国家和区域生态安全及经济社会可持续发展具有重要的战略意义。目前,城市化发展中面临着突出生态环境问题,在城市层面开展生态保护红线的划定工作显得更加紧迫。但现阶段生态保护红线的划分技术上仍处于不断探索与完善阶段。基于此,文章以湖北省宜昌市为例,利用RS和GIS技术,采用"识-评-落-融-分"的技术流程,提出了一套城市生态保护红线体系与划分方法。结果表明:宜昌市生态保护红线体系划分为3个层级:生态保护红线区、生态保护黄线区和生态保护绿线区;生态保护红线区、黄线区和绿线区分别占全市面积的48.83%、31.50%和19.67%。     

人群聚集风险预警系统新发展

<正>2009年,在国庆60周年的大背景下,北京市劳动保护科学研究所创造性地将视频智能分析、风险管理、数据挖掘等技术进行融合,率先研发完成国内首个人群聚集风险预警系统(以下简称预警系统)。该成果目前已获得3项发明专利、5项实用新型、3项软件著作权的授权,拥有完全自主知识产权。系统自首次在西单商业区投入应用后,迄今为止已稳定运行6年,其提供的人群监测、分级预警、客流预测和疏导策略等实用功能为保障该地区的安全稳定和繁荣发展发挥了重要作用。除此以外,系     

基于多传感器融合的林火监测

为了提高近距离火灾监测的准确率,建立了基于Arduino平台的多传感器实时监测系统.此系统安装在移动机器人身上以探测火灾.在林火发生期间,会产生CO、C02明火火焰及其他产物,并引起周围环境温度的升高.因此,选择合适的传感器,检测出以上参数,就有可能据此判断实际环境是否有火.通过在Arduino上搭建火焰传感器、温度传感器、气体传感器和烟雾传感器,可以实时监测环境参数.在无火和有火环境中进行了多次试验,进行数据采集,得到了大量原始数据.无火环境的数据是在不同的天气条件下测得的;有火环境由试验火堆模拟得到.在模拟的过程中,进行人为操作以模拟不同的火情.如通过浇湿底部的可燃物模拟预热阶段,试验数据因此更有代表性.数据分析表明,单个传感器的输出值波动大,且在有火环境和无火环境中的输出值有重叠.因此,用单一传感器来检测火灾的准确率很低.而同时分析3个传感器的输出值时,其输出值随所检测火堆的不同呈现出一致的变化规律.最后,利用神经网络进行多传感器数据融合.涉及5个输入变量,由神经网络实现对多变量的非线性问题进行模式识别.将前述试验所得数据划分为训练数据和测试数据,两类数据均包含一定比例的有火样本和无火样本.用训练数据对BP神经网络进行训练,可得到林火识别模型.用测试数据检验模型,结果表明,该BP神经网络对试验火的识别准确率为98.625％.