佳文推荐
非物质文化传播域边际计算模型研究
周雪;李晓;刘雅浩;李晓婧;张军海;针对非物质文化传播由中心向周围渐进式扩散的文化边际语义，利用文化时空数据建立文化边际推演计算模型。以蔚县剪纸为案例，首先对文化载体进行系统分类与空间化表征，借助层次分析法(AHP)确定载体权重并计算文化信息量，引入Delaunay三角网优化核密度估计，构建基于面积—信息量协同变化的突变点检测模型“核密度等值线圈层计量法(Ilm-density)”,通过识别文化传播边际的关键突变点，精准界定文化传播边际范围；最后将提出的Ilm-density模型与Densi-Graph模型对比检验，结果表明：Ilm-density模型边际识别精度明显高于Densi-Graph模型，适用于界定如文化传播等与点位影响力权重密切相关的抽象文化空间辐射边际，而Densi-Graph模型更适用于识别如城市建成区等具有明显密度梯度的功能空间物理边际。研究结果可为非物质文化保护与评估及同类研究提供参考。
融合局部方向信息的历史地图地理实体匹配
张昕;任雨蒙;龙治国;孟华;高易;历史地图记录区域地理实体的时空演变过程，跨时期实体匹配对于揭示区域历史变迁具有重要意义。受限于地理实体名称变迁、形态变化及部分实体的消亡，传统基于名称的匹配方法常面临数据缺失或误匹配问题。本文提出一种融合局部方向信息的地理实体匹配方法，其核心思想在于挖掘地理实体间方向与距离等空间结构的相对稳定性作为匹配的关键线索。首先，基于规范化Levenshtein相似度提取先验匹配对；其次，采用Rubber-sheeting变换方法矫正地图间的空间形变；最后，结合Hausdorff距离与近邻—方向相似度实现精确匹配。实验表明，相比基于距离的方法，引入方向关系后F1值大幅提升，显著提高了历史地图实体匹配的准确性；局部方向特征能有效刻画空间邻近实体之间的结构差异，显著增强地理实体匹配的鲁棒性，可为理解和重构历史时空演变过程提供精准可靠的技术路径，在数字人文与文化遗产保护等领域具有重要应用价值。
一种保持库表结构的矢量数据字段级加解密技术
樊泽宇;马照亭;雍琦;王旭;丁剑;刘冬;针对传统字段级加密技术应用于空间数据库矢量字段时因密文扩展导致的库表结构破坏、存储异常等问题，提出一种保持库表结构的矢量数据字段级加密扩展框架。以WKB格式的geometry字段为基础，在加密空间坐标的同时嵌入加密填充和摘要值，通过差异化修改和扩展WKB节点适应密文数据扩张，形成适用点、线、面等多种类型的加密扩展框架，并设计面向几何字段的结构化加解密方法，有效保障几何字段的机密性和完整性。实验结果表明：加密后的几何字段密文完全兼容数据库矢量字段解析规范，能保持库表结构不变；加密效率与传统字段级加密效率相近，少量记录查询场景下，密文解密查询效率与明文查询效率相当。该方法可为矢量数据在空间数据库中的安全存储提供实用化解决方案。
基于大模型与社交媒体的地表异常事件发现与遥感验证
杨雪文 ;屈永华 ;刘东宜 ;赵琪 ;地表异常事件严重威胁生态文明建设和人民生命财产安全，迫切需要对该类事件进行及时、准确的检测。社交媒体凭借即时性与广泛性，为弥补遥感检测响应时效性不足提供了可能，但社交媒体信息存在海量、非结构化及信噪比低等问题，难以直接用于地表异常事件的空间识别。对此，本文提出一种基于社交媒体数据的地表异常事件自动提取方法。首先利用基于自建的异常事件语料库微调的大语言模型(ERNIE-3.5-8K),从微博和X(原Twitter)的热点信息中自动抽取事件核心五元组(时间、地点、类型、经度、纬度);以提取的事件信息为线索，调度Sentinel-2遥感影像开展灾前与灾后影像对比，并在影像变化不显著的情形下结合官方新闻验证事件的真实性。实验结果表明，该方法能快速有效地提取全球范围内的多类型地表异常事件，为构建近实时的全球地表异常事件检测与应急响应体系提供了一条兼具时效性与可靠性的技术路径。
尾矿库遥感检测模型Tail-YOLO及晋豫两省应用分析
张子龙;秦凯;王艳恒;程德强;孙浩;尾矿库是矿业固体废弃物的主要贮存设施，其安全运行依赖精准、高效的监测手段。近年来，基于YOLO系列的深度学习模型在高分辨率卫星影像的尾矿库检测中展现出良好潜力，但在复杂地形与多尺度特征下仍存在精度与鲁棒性不足、漏检较多等问题。为弥补现有尾矿库检测数据在复杂地形场景下样本覆盖的不足，本文构建面向山西省的尾矿库遥感数据集：基于GF-2多时相影像完成预处理与定向边界框标注，并生成0.8 m分辨率影像切片以扩充训练样本；提出基于YOLOv8改进的尾矿库检测模型Tail-YOLO,该模型采用定向检测框机制以增强对尾矿库不规则轮廓与方向变化的适配性，并在主干特征提取阶段融合多尺度卷积与注意力增强模块，以强化多尺度特征表征与空间感知能力，同时引入部分卷积实现轻量化以降低计算开销。在山西省自建数据集与河南省公开尾矿库数据集上的实验结果表明，Tail-YOLO的平均精确率为86.8%,平均召回率为83.8%,F1分数为85.3%,mAP@50与mAP@50-95分别达到88.9%和65.4%,验证了该模型在尾矿库遥感自动识别与监管监测任务中的应用可行性。
