随着智慧城市与精准导航技术的发展，行人路径规划正从单一效率导向转向多维个性化需求驱动，旨在构建融合复杂城市环境与用户偏好的路径规划模型，提供高效灵活的个性化推荐。然而，现有研究仍面临群体差异建模不足、动态偏好机制缺失及复杂场景适应性有限等关键挑战。本文提出一种基于多维偏好建模与对抗深度强化学习的行人路径规划方法。该方法首先构建“情境感知-动态修正”多维偏好模型，为行人路径选择提供动态偏好权重，辅助深度强化学习网络奖励函数重塑，形成“效率-安全-舒适”多目标协同优化机制；然后，构建偏好增强型对抗深度强化学习算法（PEA-DQN），通过引入双经验池预训练策略和自适应训练机制，加速模型收敛并避免冗余计算。试验以武汉市为例，验证PEA-DQN训练得到的模型在混合路网动态干扰情况下的路径规划性能。结果表明：与DQN算法相比，PEA-DQN在路径规划任务中的避障成功率提升超过50%，平均路径长短缩短40.40%；在消融试验中，相较于Dueling DQN，引入多目标奖励函数后的路径质量提升100.4%，自适应机制使算法在动态障碍场景中的计算效率提升40%。PEA-DQN的综合性能显著优于动态A^*算法及其他同类深度强化学习方法。

交通预测是建设智能交通系统的核心需求。在复杂交通场景中，不同预测模型在不同空间区域和时间段的表现存在显著差异，单一模型难以稳定适应多样化的预测需求。现有集成学习方法通过融合多模型优势提升预测稳定性，但通常依赖全局固定或局部最优的集成策略，忽略了全局时空相关性和时空异质性对模型集成过程的协同约束，从而限制了模型的预测性能和泛化能力。为此，本文提出了一种局部-全局上下文联合感知的时空自适应交通集成预测方法，通过自适应调整集成参数，优化基模型在不同交通状态下的表现。本文方法通过嵌入路网拓扑结构和交通状态演化特征，从局部和全局视角联合感知监测站点的时空信息，协同表达集成过程的时空相关性和时空异质性。在此基础上，该方法自适应地求解各时空位置的集成参数，结合基模型的输出特征进行加权整合，从而获得最终的预测结果。在交通流量、交通速度的短期和长期预测任务上的试验表明，本文方法在预测精度和计算效率方面均优于6种主流的集成预测方法。进一步的可解释性分析表明，本文方法能够精准捕捉不同交通状态下的模型性能差异，通过自适应的集成权重发挥不同模型的优势，显著增强集成学习在交通预测任务中的性能与稳健性。

随着城市化与数字化进程的加快，城市资源配置、应急管理设施和商业设施布局的重要性愈加凸显。传统方法虽然在静态场景下取得了重要进展，但在应对高维度和动态地理时空数据时显现明显的局限性。近年来，人工智能技术，尤其是深度强化学习（DRL）方法为城市设施配置优化提供了一种思路。DRL通过在环境中不断交互学习，能够处理复杂的序列决策问题，并在地理大数据的支撑下展现出较强的自适应性和智能化优势，从而有效弥补传统方法的不足。然而，其应用仍面临模型训练成本高、对数据质量依赖强等挑战。未来研究应致力于优化DRL算法结构，提高模型训练效率，增强其在不同场景下的泛化能力，并探索DRL与其他智能优化方法的融合，以进一步拓展其在城市设施配置优化领域的应用深度和广度。

城市空中交通为居民出行提供了新兴的交通选择，垂直起降场等关键基础设施的选址与空间布局将直接影响未来城市居民的出行模式与行为特征。聚焦城市居民的长距离通勤场景，本文基于真实的通勤需求数据，分析了垂直起降场的合理布局。本文构建了一个双层规划模型，模拟垂直起降场的选址与居民出行选择之间的互动机制，旨在寻求能够最小化通勤者单程通勤时间、提升高峰期地面通勤关键道路运行效率的选址方案。在上层，将站点选址构建为一个多目标优化模型，以候选站点的组合为决策变量，采用多目标遗传算法求解；在下层，通过多智能体交通仿真模拟典型通勤者的活动-出行链，评估布局方案对通勤效率的综合影响。以南京市长距离通勤场景为案例，试验结果表明，本文方法能有效提升长距离通勤效率，使整体通勤时间缩短约5%。本文为未来城市多模式交通的规划与管理提供了理论依据与支持。

停留点识别作为轨迹数据挖掘的重要前期准备工作，对兴趣点挖掘、移动模式分类等研究具有重要支撑作用。然而，传统识别方法通常用于GPS等稠密轨迹，在面对交通卡口、手机信令等定点稀疏轨迹时难以应对数据密度不均、分布复杂导致的特征挖掘不足、阈值估计偏差等挑战。为此，本文提出一种基于自适应扩展密度峰值聚类（AE-DPC）的双阈值停留点识别方法用于定点稀疏轨迹停留点识别。首先，基于数据整体特征划分全局阈值初步筛选停留点；然后，利用AE-DPC聚类结果设定局部阈值进一步判别，其中AE-DPC通过考虑邻域和改进密度峰值构建初始簇，并经过簇扩展与合并提升聚类性能；最后，结合全局与局部阈值实现精准识别停留点。本文基于开源合成数据集与真实定点稀疏轨迹数据集分别对AE-DPC和双阈值法进行试验。结果表明，AE-DPC聚类结果的ARI、AMI指标均显著优于DBSCAN、HDBSCAN、SNN-DPC等对比算法；基于AE-DPC设定局部阈值的双阈值方法在真实停留点识别中展现出明显优势，与基于HDBSCAN的局部阈值法和动态阈值法相比，该方法在查准率指标上分别提升了14.10%和9.88%。

由美国国家航空航天局（NASA）与印度空间研究组织（ISRO）联合研制的合成孔径雷达（NISAR）卫星于2025年7月30日成功发射。凭借其大幅宽、高分辨率、左视成像与双频协同观测的优势，该卫星将显著增强固体地球、冰冻圈与生态系统等领域的观测能力；同时其开放的SAR/InSAR处理工具链与数据政策将大幅降低数据处理的专业门槛。为此，本文系统综述了NISAR卫星的特性，及其对全球地表形变观测任务的推动与创新：首先，解析NISAR卫星系统设计的理念；其次，详细阐述NISAR卫星对地观测的独特性，尤其是在形变监测方面的技术优势；最后，对不同类型地质灾害地表形变特征差异进行分析，总结NISAR卫星对各类灾害形变监测潜在的能力提升。

针对高精度水下定位模型对声线跟踪定位模型算法的依赖问题，本文提出了一种静态声呐延迟补偿定位模型。本文借鉴了GNSS大气静态延迟模型，定义了协议声速，构建了天顶声呐延迟与斜方向声呐延迟之间的高度角映射函数模型，以及其非线性最小二乘参数估计算法，即将声速剖面转化为静态声呐延迟及映射函数信息产品，实现了声呐测距定位模型在斜距上的静态声呐延迟补偿。本文提出的高度角正弦2阶连分式可精确逼近声呐延迟映射函数，辅以动态声呐延迟补偿后，不仅可以实现厘米级精度海底大地测量精密定位，而且计算效率较传统算法提升约80%，较现有快速声线跟踪算法提升50%以上。本文提出的静态声呐延迟补偿定位模型对于海洋水下声学测距定位理论研究具有借鉴意义，也为大规模水下声学导航定位服务信息产品构建提供了一种解决方案。

如何获取高精度的姿态数据是重力卫星载荷数据处理的重要研究内容。GRACE-FO的每颗卫星均搭载了3颗星敏感器和1个陀螺仪，融合这两类载荷的测量数据是获得高精度姿态数据的重要途径。本文首先根据星敏感器测量噪声具有各向异性的特点，建立了星敏感器安装矩阵标定算法；其次，建立了星敏感器低频误差处理方法，使用滑动平均方法抑制低频误差；然后，基于Gibbs矢量建立了四元数改正量和陀螺仪偏差改正量为状态向量的间接Kalman滤波算法；最后，使用GRACE-FO Leve-l1A数据进行验证，并分析其对时变重力场的影响。结果表明，以其中1个星敏感器为基准，校正另外两颗星敏感器安装矩阵时，解算的卫星姿态差异较小，经过星敏感器安装矩阵校正后，可以降低姿态数据在1个轨道周期（CPR）处的低频误差。根据建立的星敏感器低频误差处理策略，可以较好地压制30 CPR频段内的星敏感器低频误差。对于星敏感器和陀螺仪融合，相较于JPL结果，本文解算的姿态数据为0.000 5~0.1 Hz，具有更低的噪声，充分发挥了载荷最大性能。对时变重力场模型反演的影响，从反演的时变重力场的阶方差和等效水高差异上看，基于不同姿态数据解算的时变重力场模型精度基本一致，目前姿态数据精度的提升对时变重力场模型精度影响较小。

实时动态差分因其高精度和收敛快等特性，已成为城市车载终端完好性监测算法的常用定位技术。然而，由于应用场景、终端设备及定位技术的差异，面向航空领域的完好性监测算法无法直接用于城市车载GNSS终端。为此，本文基于解分离方法，围绕故障检测和保护级计算两方面对RTK完好性监测算法进行优化，并对其应用效果进行验证。首先，利用各分量对应故障检验量的相似性，构造新的检验量，提高算法对异常观测的检测能力；然后，通过高斯两步包络法从观测残差中提取名义偏差，并分析偏差项对保护级的影响，提升保护级对定位误差的包络效果；最后，采用城市车载数据集验证优化算法的有效性及适用性。结果表明：在故障检测方面，解分离方法在双分量组合后的检测性能优于单分量，平均改善幅度为21.7%。相较于残差检验法，解分离方法对应的东向、北向、高程方向的精度和模糊度固定正确率分别提升了8.3%、11.5%、34.2%和18.9%。在保护级计算方面，顾及偏差项后，浮点解和固定解的保护级分别为7.273 m和0.218 m，且偏差项对浮点解的影响更为显著，其漏警率由8.2%降至0.3%，在一定程度上反映了顾及偏差项的必要性。

全球导航卫星系统反射测量观测参数（如地表反射率）与土壤湿度、植被、地形等多种参数间存在复杂的耦合效应，区域尺度上存在强烈的空间异质性，使宏观气候-地表分区法难以有效刻画多因素共同作用下的响应关系。本文定量分析GNSS-R地表反射率空间分异的驱动因子，并提出一种基于驱动因子解释力量化的分区模式。首先，采用地理探测器模型定量评估多种地表驱动因子（包括地形、植被、土壤及土地覆盖）对旋风全球导航卫星系统反射率空间分异的解释力（q值），结果表明地表粗糙度、地形高程和土地覆盖类型是影响反射率空间分异的3类主导因子。为考察多因子叠加效应，在耦合关系的基础上，将解释力最强的粗糙度因子分别与土壤湿度和植被含水量进行叠加，构建“粗糙度+土壤湿度”和“粗糙度+植被”两类复合分区模型，并结合线性回归方法，系统对比不同分区策略与地表参数组合下对反射率的拟合效果（以加权R²为评估指标）。研究结果表明：①分区叠加模式（尤其是“粗糙度+植被”组合）的模型拟合优度普遍优于单一因子分区；②引入表征散射机制的PN值可显著提升模型性能；③土地覆盖分区因样本量分布极度不均，其高加权R²得益于大样本草地区域的高精度拟合，而非全局最优；④模型在低海拔平坦区域表现优异，而在高海拔地形复杂区域精度受限。相较于宏观气候-地表分区法，采用驱动因子量化构建的分区模式在GNSS-R地表反射率线性回归模型中表现出更优的拟合效果。该成果为GNSS-R遥感数据在地表参数反演、环境监测及气候变化研究中的精准应用提供了重要的方法支撑，有助于推动多源遥感数据融合与地表过程耦合分析向更精细化、机理化的方向发展，对提升全球及区域尺度陆表水文、生态及气候模型的模拟精度具有积极的理论与实践意义。

针对现有端到端异源变化检测方法未能有效顾及不同模态特征差异，且难以兼顾局部细节与全局语义信息等问题，本文提出一种基于多尺度跨模态特征融合的异源遥感影像变化检测网络。首先，基于编码器-解码器架构，在编码部分利用遥感基础模型构建多模态影像多尺度特征表达，为增强多尺度特征纹理结构信息，引入特征增强模块，通过瓶颈结构多尺度卷积设计有效增强不同模态特征细节信息，同时抑制噪声干扰。其次，为有效顾及不同模态特征差异、实现浅层异构特征高效融合，引入选择性跨模态融合模块，通过学习动态权重实现多模态特征自适应融合，有效捕捉模态间互补信息，提升融合特征稳健性与表达能力。然后，为有效建模深层异构特征时空上下文信息，引入跨模态交叉注意力融合模块，通过空间注意力机制和通道注意力机制有效捕捉不同模态特征时空关联，显著增强融合特征稳健性与可靠性。最后，提出自适应上采样模块实现编码器-解码器特征的对齐与融合，有效弥补解码过程中细节信息缺失、积聚变化信息，并通过三层卷积和上采样模块组成的变化头生成变化图。为验证本文方法的有效性，使用CAU-Flood和Ombria两个大规模洪水变化检测数据集进行试验。结果表明，与传统方法相比，本文方法在两个数据集上均取得最优精度指标，同时变化检测漏检率和虚检率显著降低，取得了最优目视效果。消融试验进一步验证了MHCDNet各模块的有效性，模型复杂度分析表明，MHCDNet计算复杂度较低，取得了精度与效率的最佳平衡。

视觉传感器是目前道路众源变化检测中最常见的感知传感器。针对视觉SLAM在道路杆状物众源变化检测中的精度与稳健性瓶颈，本文提出一套视觉点云质量优化支持的道路杆状物变化检测技术框架。首先，通过融合语义约束、激光点云深度与GNSS全局校正，构建视觉点云优化方法，显著提升了轨迹精度与点云质量；其次，基于优化后的视觉点云，实现道路杆状物的精准提取与定位；然后，引入基于哈希映射的快速匹配策略，完成跨期杆状物的鲁棒变化检测；最后，在同济大学周边采集的两期试验数据上验证了整体流程的有效性。试验表明，本文方法的轨迹平均绝对误差（MAE）与均方根误差（RMSE）分别降低68.39%和65.65%，点云密度平均提升57.97%。在要素定位与变化检测任务中，杆状物要素的平均定位误差在单一方向上为2~3 m，平均平面误差约为3.5 m，杆状物匹配精度达到94.8%，新增与移除杆状物的变化检测准确率与召回率均为100%。结果证明了本文方法的有效性和稳定性，证实了多源数据融合与优化技术在道路杆状物变化检测中的应用价值，为高精地图变化检测与道路设施智能化管理提供了可靠的技术路径。

近年来，大语言模型在语义理解与任务推理方面取得显著进展，为地图设计智能化提供了一种技术途径。本文以行政区划图的配色设计为研究对象，提出并构建了一个融合大语言模型与多智能体的交互式智能地图配色框架——MapColor-Agent。该系统以大语言模型为语义理解核心，通过多智能体实现任务分解与过程协同，并结合自然语言和图形化操作界面，支持用户以更直观的方式生成符合需求的地图配色方案。本文采用系统可用性量表与半结构化访谈评估系统性能。结果表明，MapColor-Agent的总体可用性得分为77.9，达到良好水平。用户普遍认为系统学习成本低、操作流程清晰、交互体验自然，且具有较高的可理解性和控制性。差异性分析显示，熟悉地图配色的用户在学习效率与系统复杂度感知方面得分更高，说明知识背景对系统使用效果具有一定影响。访谈结果进一步表明，系统在语义理解与任务引导方面表现出优势，但在复杂语义解析与生成稳定性方面仍有改进空间。研究结果验证了大语言模型与智能体协同架构在地图配色设计中的可行性，可为未来基于语义推理与多模态交互的地图智能设计提供参考。