【摘 要】
:
物流作为国民经济的重要组成部分以及社会各环节的联结纽带,随着我国产业结构改革、电子商务兴起以及居民消费方式转变,城市物流需求与空间急剧增长。科学定量解析城市物流空间发展规律和驱动机制,以理论指导其健康有序发展,对促进城市绿色可持续发展具有重要意义。现有研究多立足于物流用地或物流要素(物流企业、物流节点)单一视角,而基于时空动态视角综合用地与要素的研究较少。结合交叉学科方法,本研究立足于时空动态视角
论文部分内容阅读
物流作为国民经济的重要组成部分以及社会各环节的联结纽带,随着我国产业结构改革、电子商务兴起以及居民消费方式转变,城市物流需求与空间急剧增长。科学定量解析城市物流空间发展规律和驱动机制,以理论指导其健康有序发展,对促进城市绿色可持续发展具有重要意义。现有研究多立足于物流用地或物流要素(物流企业、物流节点)单一视角,而基于时空动态视角综合用地与要素的研究较少。结合交叉学科方法,本研究立足于时空动态视角,以武汉市都市发展区为研究范围,通过物流用地和物流要素双向路径分析物流空间变化特征及其驱动机制。首先,运用空间分析方法,结合武汉市土地利用数据和物流空间组成要素POI数据,综合探究其空间发展规律,并对二者空间协同发展特征进行测度。研究结果表明,2010-2018年间武汉市都市区内物流仓储用地和物流要素在空间上都表现出中心—外围不均匀蔓延的郊区化趋势,江北强、江南弱的分布形态持续显现;且物流要素发展基本形成了和居民需求结构相符合的自组织空间格局,并呈现高速扩展与增长态势,但支撑其发展的用地空间匹配不够,二者协同发展程度较低。其次,依托Matlab和Arcgis构建空间环境作用的的元胞自动机空间变化模型,模拟分析物流用地和物流要素时空变化与城市空间环境的作用关系,从定量角度揭示物流空间变化和城市空间环境的统计相关性。模拟结果表明,用地与物流要素倾向集聚于机场附近、路网密集、商业集聚、工业集聚区域,但物流要素更依赖于中心区域的居住用地布局,而用地布局对地价因素更敏感导致多集中在城市外围。最后,结合武汉市物流空间发展现状和未来发展要求,构建“物流要素—物流用地”协同发展优化路径,从物流要素、用地以及发展管理三个层面提出具体优化策略。本研究从交叉学科视角综合物流用地和物流要素对物流空间的研究,丰富了物流相关研究的方法和理论体系,为城市物流空间布局的科学规划提供决策依据。
其他文献
随着人脸识别技术的广泛应用,针对人脸识别系统的攻击层出不穷,为了抵抗这些活体攻击方式,人脸活体检测应运而生。在训练数据域和测试数据域的分布一致时,主流的活体检测方法表现良好,但在面对跨数据域测试和未知攻击时,因为域泛化能力差,模型表现大打折扣。针对现有域泛化方法提取出的活体特征包含干扰信息过多的问题,提出了基于解耦表征学习的人脸活体检测算法。通过特征解耦方法将图像特征分离为活体特征和内容特征,设计
社团是网络中普遍存在的一种结构,通常由具有相同角色或者相似属性的成员组成,往往能反映网络中存在的某种局部特征和功能,社团检测也就成为网络分析的一项基础而重要的任务。随着信息的爆炸式增长,许多网络规模急速膨胀而出现数据过载现象,同时这些网络往往时刻处于动态变化中,而图流是一种能有效处理网络数据过载和快速动态变化的技术手段。但基于图流的局部社团检测是一个新的研究课题,相关研究还处于起步阶段。形式化地定
当前,基于视觉的目标检测研究领域,一些常用的神经网络模型在数据集优良前提下,大多能获得比较高的检测精度,但应用于低光照数据集时,模型的检测效果却往往不能尽如人意。尽管学界也开展了相关研究,但由于现阶段已有的低光照目标检测模型普遍对原始图像的利用率较低,这一问题暂时还未得到较好解决。论文提出并设计实现了一种基于特征融合的低光照目标检测模型,可有效提升对原始图像的利用率,针对低光照目标不仅能获得较好的
点云是三维场景理解的首选数据表现形式,点云的语义分割和实例分割可以将物体分别在类别层面和个体层面加以区分。近年来基于深度学习的方法取得了比传统分割更优秀的效果,但仍存在一定的不足:(1)点云在存储上是无序且离散的,缺少对点与点之间关系的显式表达,这限制了模型对点云局部几何关系的学习;(2)语义与实例分割在结果上存在一定的关联性,为二者的相互促进提供了可能,而这一点往往遭到忽视。对场景理解领域的点云
行人重识别旨在通过一张给定的图片,从多个摄像头捕获的一组图像中进行人员定位,在公共场合寻人、疑犯追踪等方面有着重要意义。虽然目前行人重识别领域有了巨大的进展,但是大部分行人重识别任务都是基于人的衣着纹理进行特征识别,在某些失去服装纹理特性的场景下,如行人换衣或者统一着装的场景,传统模型不够具有辨识力。对相似衣着下的行人重识别方法进行研究,引入人体结构特征辅助行人身份判断。针对全局特征分支,把特征金
现有人脸识别算法在已知场景域下获得了良好的识别性能,但将其直接应用到新场景域时,识别性能却大幅下降,为提升识别性能,它们大多采用域自适应的方法,需要在训练过程中访问新的场景域数据。现实场景中人脸识别算法需要应对各种域变化的挑战,由于新领域数据不可得或者不易得的原因,不可能在训练过程中访问所有域的数据,因此需要识别模型在新领域上具有良好的泛化性能。目前绝大部分域泛化任务使用单源域数据,但是单源域数据
随着现代科技的不断发展和大数据时代的到来,各种数据类型层出不穷,研究者们需要处理的不仅仅是低维度数据,更多的是各种复杂的高维度数据,同时数据量也迅猛地膨胀。持续同调技术是拓扑数据分析领域中的一项重要技术,它能捕捉高维样本空间中的低维拓扑结构,同时不会损失过多的信息。目前,在持续同调领域有很多的理论和应用研究成果,但是将持续同调与机器学习结合的研究相对较少,主要是持续同调提取出的信息很难直接用于机器
卷积神经网络是一种重要的神经网络结构,被广泛应用于图像分类和目标检测等计算机视觉任务。相关研究推动了人脸识别、光学字符识别和自动驾驶等计算机视觉任务和相关领域的迅猛发展,为人类生活提供了更加安全和便捷的环境。因此,研究高效的卷积网络结构具有重要的理论意义和现实意义。作为卷积神经网络的核心组件,方形卷积核是卷积神经网络的标准单元。它与张量计算相契合,具有很高的计算效率。然而,生物视觉系统中的视网膜神
头部和胸部CT扫描是一种常用的疾病检查方式。在临床中,经常需要从头胸部CT图像中分割出颅骨、颈椎、胸椎、胸骨、左右锁骨、左右肋骨,进而为疾病的诊断提供依据。目前,深度神经网络广泛应用于CT图像的语义分割任务,在三维图像语义分割中,比较常用的是3D-UNet以及该网络的一些变种。3D-UNet网络结构较为简单,参数量较少,在单分割任务中具有较好的性能,但是用于多标签分割任务中时则往往难以获得较高的精
深度神经网络在多个人工智能领域均表现出显著的性能优势,并被广泛应用于现实场景中的多种任务,如图像分类、人脸识别等计算机视觉任务。然而,近期的研究发现,深度神经网络对添加了微小扰动的对抗样本十分脆弱。尽管目前对抗攻击在白盒攻击的设置下已经能够达到较高的攻击成功率,大多数攻击在黑盒攻击的设置下仍表现出较弱的迁移性,尤其是在攻击有防御能力的模型时迁移性很差,这使得现有的白盒攻击方法很难直接应用于现实场景