自然资源“一张图”建设是综合运用时空数智化思维、认知与技术，有效整合测绘、土地、海洋、林草、地质等各类信息资源，促进跨层级、跨专业的业务协同，全面提升自然资源管理与国土空间的能力与水平。其既是构建自然资源数字化治理体系的迫切需要，也是打造数字生态文明的重要基础设施。本文从技术逻辑出发，分析讨论自然资源“一张图”的技术内涵、发展方向与重点任务。自然资源“一张图”遵循“山水林田湖草沙海”生命共同体的理念，以实体化描述、全域化集成、时空化孪生为主线，将自然资源和国土空间全域数字化，实现基于地理空间位置的业务协同与智慧管理；“一张图”建设与应用贯穿了数据—信息—知识—智慧的整个链条，包括构建时空数据空间、时空计算平台与知识化业务应用系统三层架构，通过数字赋能、平台服务与知识监管，支撑实现跨部门、跨地区、跨层级的数据融合与业务协同；近期的重点任务包括完善时空数据体系、打造技术支撑体系、建设协同化业务系统、塑造健康数据生态等。为切实做好“一张图”建设与应用，应加强顶层设计、加快科技创新、深化赋能应用、构建良好的应用生态。
以人工智能背景下的地图制图为切入点，系统阐释智能地图制图的思维结构并归纳其典型发展路径。总结人类智能与机器智能在地图设计与编绘、地图阅读及使用中的应用；构建对象维、认知维、 ICT 维的地图制图思维三维“立方体”结构，从本体论、认识论与方法论层面揭示智能制图的理论内核。进一步地，归纳智能制图四个典型路径，具体而言：与新媒体算法深度融合，实现个性化、场景化的地图生成与服务；构建并夯实垂直领域知识图谱，驱动地图从信息载体向知识引擎转变；广泛嫁接自动驾驶、低空经济等技术链，形成开放多元的地图生态；研制具备认知与决策能力的制图智能体，实现制图与读图的自我学习和提升。研究可为理解和发展智能时代的地图制图方法提供理论视角与实践指引。
当前我国工业部门亟需破解劳动力要素结构性错配问题。优化工业人口空间分布对于提升劳动力配置效率、推动工业高质量发展具有重要现实意义。作为总人口的一个重要分支，工业人口分布研究相对薄弱，尚未系统阐释我国经济、社会与自然因素对工业人口分布的影响机制，尤其缺乏关于驱动因子作用强度及其区域异质性的分析。本文基于 2020 年中国人口普查数据，通过全局、局部莫兰 I 数的空间相关性分析，揭示中国工业人口的分布特征；借助地理探测器与地理加权回归模型，深入探究工业人口分布的影响因素。结果表明：①中国工业人口分布呈现“东密西疏”的梯度格局，在长三角、珠三角等主要城市群和发达的工业城市高度集聚，并在城市群内部呈现核心 – 边缘结构；②住房成本、数字经济、城镇化水平和收入水平等经济因子对工业人口分布具有决定性影响，自然地理和社会因素起辅助调节作用；③住房成本和城镇化水平主要发挥正向集聚效应，数字经济兼具就业创造的正向效应与劳动替代的负向效应，收入水平则因工业化阶段不同而产生差异化影响。研究建议从优化工业布局、完善住房和就业保障、加快工业数字化转型方面协同施策，促进工业人口合理集聚，扎实推进中国工业高质量发展。
本文系统综述利用遥感技术进行地表异常监测与预警的研究进展与应用实践。随着自然灾害、环境污染及生态破坏等地表异常事件频发，遥感技术凭借其大范围、动态性和信息丰富的特点，在相关领域的监测中发挥了重要作用。本文涵盖滑坡、地震、沙尘暴、洪水、森林火灾、秸秆焚烧、违规开发等多类异常事件，通过整合多源遥感数据（包括光学、微波、高光谱等）与智能算法，系统总结各类异常事件的遥感识别特征、监测指标及预警方法，可为多源数据融合与异常信息统一化提供支撑。尽管当前技术已取得显著进展，但仍面临数据融合效率不高、跨灾种知识体系缺失、模型泛化能力及跨学科协同不足等挑战。未来研究需进一步优化实时监测能力与预警精度，以增强生态安全与灾害防控的决策支持能力。
土地利用精细分类是支撑城市国土空间规划监管、土地资源优化配置与动态监测的关键。现有研究在面临高密度建成区和功能混合区等地物边界模糊、过渡带语义混淆与斑块尺度较小等情形时，主要采取多源融合策略进行像素级分类，易受时相差异、传感器特性及数据质量不一致等因素干扰，且难以兼顾分类稳定性与空间结构完整性。因此，提出一种基于多模态特征自适应融合与空间关系图网络表达的城市土地利用精细分类方法。引入多时相自编码器进行基于对比学习的时空表征；设计由瓶颈注意力机制与多层感知器构成的自适应融合模块，整合光学影像、SAR 数据与关注点等多源信息，提升跨模态语义一致性；进而，基于超像素构建超像素–邻域图结构，并在图神经网络中显式建模空间邻接关系与边界连续性约束。以深圳市为研究案例，结果表明，所提方法在复杂城市场景下优于 HRNet、Paraformer 等已有先进主流模型，总体精度、Kappa 系数结果分别达到 90.9%、86.8%，尤其在小斑块保留、过渡带识别及边界连续性等方面具有优势。
植被侵蚀是导致长城结构坍塌的重要潜在因素，相关检测研究主要包括人工巡检与自动化模型。前者现场勘查效率低下；后者受限于小目标漏检与计算冗余，难以实现精准高效的监测。因此，提出一种基于 YOLOv11 网络架构改进的长城植被侵蚀智能检测算法 GWVE-YOLO（the Great Wall vegetation erosion， you only look once）。通过新增 P2 尺度小目标检测层，增强高分辨率浅层特征提取能力，显著降低微小病害目标的漏检率；在主干与颈部浅层引入 RCS-OSA（reparameterized convolution based on channel shuffle of one-shot aggregation）模块，通过通道重排与结构重参数化技术优化特征融合效率，在维持精度的同时降低计算冗余；采用动态非单调聚焦机制的 W-IoU（wise intersection over union） v3 损失函数，自适应调整低质量样本梯度权重，以提升复杂背景下小目标定位精度。在自建无人机长城病害数据集，经实验表明，所提方法的 mAP50 达到 78.8% 、精确率达到 79.8%，每秒帧数 114，综合性能优于 YOLO 系列及其已有改进等主流检测模型。
点云语义分割作为三维场景理解的重要任务之一，在智慧城市、智能化测绘等领域具有重要的应用价值。然而，现有分割网络在应对复杂城市场景时，易出现空间关系建模不准确、多尺度语义提取不充分等问题。因此，提出一种融合空间感知与多尺度特征的城市级点云语义分割方法 LoGNet（local and global network）。通过联合编码点云的几何坐标、颜色属性与上下文语义关系，提升对地物形态差异、光谱特征与空间关联的表达能力；将可学习的空间距离权重与语义相似度共同引入邻域建模，实现基于结构特征与外观属性的精细聚合；构建轻量级的局部 – 全局双路径特征融合框架，通过点维度与通道维度的全局特征生成方式，强化跨尺度语义一致性与边界解析能力。在 Toronto-3D、SensatUrban、STPLS3D 公开数据集，与已有常用方法的比较实验表明： LoGNet 在三个公开数据集的总体精度分别达 97.5%、94.3%、75.0%，均表现最优；在 SensatUrban 数据集，相较于基线模型， LoGNet 的 OA、mIoU 分别提升了 4.5%、10%，在建筑、铁轨、马路等中大型结构性类别，取得了最高得分；对识别极小目标类别，也有显著优势。
推填土是指人类活动堆填所形成的特殊土体，在遥感监测图斑中占比较高，因其特征复杂无规律导致提取精度低。现有研究多侧重识别城市场景中防尘网覆盖的推填土，较少关注裸露推填土，因此，提出一种面向高分遥感影像的城市裸露推填土轻量化提取方法 LHENet（lightweight hybrid-feature network with edge-calibration）。首先基于卫星遥感数据，构建融合影像特征与场景信息的推填土分类体系、高分辨率城市裸露推填土数据集；其次，编码器阶段采用轻量设计策略；解码器阶段嵌入混合特征优化模块，利用通道、空间注意力机制优化多尺度特征，缓解纹理突变所导致的漏提现象；随后引入边缘校准模块，通过多尺度边界信息融合显著提升复杂边界的提取精度；最后，与已有常用方法进行比较分析。结果表明：①本文方法的总体精度、 F1 分数和交并比结果，均优于已有常用方法；与 HRNet 相比，在精度略低的情况下，参数量、计算量分别降低了 88%、72.4% 。②跨域泛化测试中，本文方法在 F1 分数上表现最佳，能够在精确率与召回率之间取得较好平衡。
现有点云配准方法在处理巷道、走廊等具有强方向性、重复结构、弱纹理特性的结构化场景时，难以有效利用场景固有几何方向先验知识，导致关键点区分度不足、误匹配率高，位姿估计趋于病态。因此，提出一种基于几何 – 方向先验感知点云配准（ geometric-orientational prior-aware point cloud registration， GOAPReg）网络。首先，通过基于 KPConv 多尺度特征提取框架与场景主方向计算，设计显式轴向约束关键点提取模块，筛选与结构主轴一致的关键点；其次，融合点云内自注意力与点云间交叉注意力，构建几何 – 方向先验感知特征交互描述符学习机制，强化点云内部上下文感知与跨点云间的特征关联和一致性；最后，通过方向解耦内点匹配策略，利用 3D 代价卷积网络估计 SO(2) 旋转，并结合随机采样一致性算法迭代求解最优变换矩阵。结果表明：在 3DMatch 数据集上， GOAPReg 网络的相对旋转误差为 1.941° 、相对平移误差为 0.062 m 、配准召回率为 92.8% ；在 S3DIS 走廊数据集上，其值分别为 1.227°、0.045 m、95.5% 。此外，在实采巷道、走廊与人工通道场景中亦表现出了良好的适应性与稳健性。
视觉同步定位与建图（simultaneous localization and mapping，SLAM）是实现移动机器人自主定位并构建环境地图的关键环节。SLAM 技术虽能精确重建环境几何结构，却难以为机器人提供执行复杂任务所需的语义理解能力；建筑信息模型（building information model，BIM）包含丰富的建筑信息，但与机器人操作系统（robot operating system，ROS）之间存在显著的数据格式和表达方式差异，且现有研究多采用人工方式进行转换，效率低下难以规模化应用，且室内环境并非静态不变，从而会影响机器人的导航决策。因此，提出一种集成 BIM 数据的 ROS 室内语义地图构建与动态更新方法。通过研发工业基础类（industry foundation classes，IFC）到统一机器人描述格式（unified robot description format，URDF）自动转换器，实现从 BIM 到机器人仿真环境的自动化建模；融合 YOLOv8 与随机采样一致性（random sample consensus，RANSAC）算法，建立视觉驱动的语义地图动态更新机制。结果表明，静态建筑元素还原准确率达 98% 以上，动态物体识别精度达 0.9 以上，显著提升了语义地图的自动化程度、知识丰富度及环境适应性。
机场净空分析作为保障航空安全的核心任务，其效率与智能化水平直接影响着整个航空体系的稳定运行，而净空限制面的建模与超限分析，正是实现高效净空分析的关键技术环节。传统方法致力于选址规划、将抽象规范转化为精确可视化实体等，其工具化本质导致流程烦琐、知识应用易错及交互僵化而面临瓶颈，因此，提出一种面向高精度工程领域的智能代理框架。其核心在于构建一个由领域知识驱动的自主智能代理（ Agent），通过知识中枢 – 认知核心 – 计算工具集三元解耦架构实现落地：结构化的领域知识中枢为代理提供可靠的专业知识；检索增强生成（ retrieval augmented generation， RAG）赋能的认知核心负责将自然语言指令智能编译为机器可执行的计算方案；模块化的确定性计算工具集被自主调用，完成自动化建模与评估。以广元机场（ 4C 级）为例的端到端实验表明，所构建的机场净空分析智能代理能精确响应“计算 15° 偏置起飞爬升面”等复杂指令；量化评估证实， RAG 机制确保了领域知识应用 100% 的准确性，同时将分析效率从数天级缩短至分钟级。研究验证了所提框架在融合大语言模型的规划能力与地理信息系统精确计算能力方面的先进性，为传统工程领域的智能化转型提供了一套可复现的技术框架与实践路径。
