排序方式： 共有7条查询结果，搜索用时 31 毫秒
1
2.
地理流的空间模式：概念与分类 总被引：1，自引：0，他引：1
地理流被定义为地理对象在不同空间位置间的流动,而地理流通常涵盖了物质、信息、资金、能量等的空间转移。位置之间各种流的出现与强化,改变了以距离衰减效应为基本规律的传统认知。因此,针对地理流的研究将有助于从新的角度理解地理格局及其形成机理。本文认为可采用2种模型对地理流进行表达：① 将地理流抽象为包含起点和终点坐标的四元组（又称地理流正交模型）;② 将其抽象为包含起点坐标、流长度与流方向的模型（又称地理流极坐标模型）。在地理流表达模型的基础上,流空间可以定义为由两个二维空间通过笛卡尔积形成的四维空间。本文给出了流空间中4种距离（最大距离、加和距离、平均距离和加权距离）、不同距离下地理流的r邻域体积以及地理流密度等测度的定义。根据地理流极坐标模型中不同要素随机性的组合方式,将地理流模式分为随机、丛集、聚散、社区、并行与等长6种常见的单一模式,并梳理了不同模式的识别方法。单一模式之间的组合可以形成混合模式,而多类流数据之间可以形成多元流模式。在未来的研究中,地理流的基础统计理论、地理流模式的挖掘方法以及在实际问题中的应用将是其重要的发展方向。 相似文献
3.
地理大数据是地理对象所产生的“足迹数据”,而地理大数据挖掘就是通过反演分析地理对象的“足迹数据”,揭示其中蕴含的人地关系及其时空模式。近年关于地理大数据的重大研究进展显示,其研究结论的取得大多需要借助多种大数据的信息综合。为此,本文提出研究地理大数据聚合的必要性：代表新的研究范式、产生新的研究视角、提升研究的全面性,并将地理大数据聚合定义为：不同地理大数据之间通过转换形成面向研究对象的多维数据集合。在阐述地理大数据分类和特点的基础上,将地理大数据聚合分为：时空聚合、面向对象聚合、面向主题聚合以及面向模型聚合四种类型。地理大数据聚合作为地理大数据挖掘的重要组成部分,其过程大致可以分为：确定内核—信息溯源—反演汇聚3个步骤,而其中的关键科学问题包括：统一时空框架和基准、统一数据表达与存储、匹配同一观测对象的多数据源、统一多源数据的时空范围、调和不同对象之间不同的变化速率、解决数据共享与隐私保护、大数据与小数据的聚合等。地理大数据聚合方法与技术的发展,将会拓展地方的感知、土地功能的识别、对人群的观测与理解、功能与流动之间关系、地表复杂巨系统等新领域的研究。 相似文献
4.
5.
COVID-19疫情是进入21世纪以来最为严重的全球公共卫生事件,并成为不同学科共同关注的热点。根据文献计量学分析结果,从疫情开始直至近期,关于COVID-19疫情的文章已经超过13 000篇,相关研究除从医学及生物学角度探讨病毒致病机理、特效药物和疫苗研制之外,更多的是探索疫情的非药物防控方法。本文针对后者,从传播关系识别、疫情时空模式分析、疫情预测模型、疫情传播模拟、疫情风险评估和疫情影响评价6个方面梳理近期研究进展。传播关系识别的研究主要包括：聚集性疫情和传播关系的识别,其中,个体轨迹大数据已成为此类研究的关键。针对疫情的时空模式分析发现,疫情分布具有显著的时空异质性,而时空传播则呈现出典型的网络特征。针对疫情的预测仍主要依赖于动力学模型,而从宏观到微观的预测模型,人群流动的影响不容忽视,并成为模型预测精度的关键要素之一。针对疫情的情景模拟主要侧重于通过模拟手段评估交通限制、社区防控和医疗资源调配等措施的效果。在非药物的干预中,交通阻断和社区防控措施被证明是目前最有效的手段;医疗资源的保障和优化调配则是防控的基础;而复工复产的情景模拟显示,在防控措施到位的情况下,复工进程必须有序有节。针对疫情风险评估的研究,目前主要关注生物因素、自然因素和社会因素。具体地,疫情感染风险与个体是否具有基础性疾病关系密切,而感染病毒后的死亡率存在性别差异;在自然因素中,如温度、降水、气候等会影响疫情的传播,但影响有限;而社会因素中,除了人群流动和人口密度的影响外,社会不公平性所导致的就医条件差异也会对感染率产生显著影响。针对疫情对未来的影响,本文主要关注公众心理、自然环境和经济发展3个方面,即疫情对公众心理和经济的影响主要以负面为主,而对自然环境的影响则起正向作用。通过对现有研究的系统梳理,可以看出,大数据尤其是个体轨迹和群体大数据在非药物干预的各个方面均发挥了重要的作用;重大疫情的防控已经不是单一学科和手段所能解决的问题,需要多学科的交叉以及不同领域人员的协作;疫情期间各种防控措施的效果、影响因素等均已被明确的揭示,但疫情的空间溯源、精准预测以及对未来的影响仍然是未解的难题。 相似文献
6.
本文收集了重庆市2020年1月21日—2月24日确诊的545例新型冠状病毒肺炎（COVID-19）病例个案信息,结合1500万手机用户在疫情期间的信令轨迹大数据,分析了其疫情的时空演化特征以及人群活动的变化规律,并从复杂网络的角度揭示了疫情分布的异质性,从疫情传播与人群活动之间的关系揭示了异质性的原因。研究发现：① 重庆市疫情在时间上,经历了以输入病例为主、输入和本地病例共存、以本地病例为主3个阶段,病例实时再生数（Rt）初期较高,随着防控措施的实施,逐步减小;空间上,病例分布呈现显著聚集性,病例高聚集区主要分布在以万州区为核心的渝东北地区和以主城区为核心的渝西南地区;② 疫情发生后,重庆市人群移动总量减少为疫情前的53.20%,减少主要集中在主城区以及其他各区县的中心城区,而郊区、农村的人群移动变化不大,甚至有所增加;③ 人群活动与病例发生之间存在不同程度的相关性,具体为：每日人群移动总量与病例实时再生数、一个平均潜伏期（7 d）后的每日新增病例数的相关系数为0.97、0.89,揭示了人群活动与病例增长的时间相关性;各街道（乡镇）人群移动总量与其累计确诊病例数、本地感染病例数之间的相关系数为0.40、0.35,揭示了人群活动与病例空间分布的相关性;病例高聚集区与人群移动网络社区对应,且与网络社区内人群活动较强的区域吻合,揭示了重庆市疫情传播的本地聚集特征。大数据与疫情信息的聚合分析证实,切断人群移动网络社区之间的连接,并遏制疫情高风险社区内部的传播是在城市内部疫情防控的有效措施。 相似文献
7.
地理大数据挖掘的本质 总被引：5，自引：3，他引：5
针对地理大数据的内在本质以及地理大数据挖掘对于地理学研究的意义,本文解释了地理大数据的含义,并在大数据“5V”特征的基础上提出了粒度、广度、密度、偏度和精度等“5度”的特征,揭示了地理大数据的本质特点。在此基础上,从地理大数据的表达方式、地理大数据挖掘的目标、地理模式的叠加与尺度性、地理大数据挖掘与地理学的关系等4个方面阐述了地理大数据挖掘的本质与作用,并从挖掘目标的角度对地理大数据挖掘方法进行分类。未来地理大数据挖掘的研究将面临地理大数据的聚合、挖掘结果的有效性评价以及发现有价值的知识而非常识等几方面的挑战。 相似文献
1