黃河流域空天地一體化大數據平臺架構及關鍵技術研究黃河流域的生態保護成效事關我國經濟社會發展和生態安全［1］。 以下從3 個方面分析本研究的必要性。 第一，從國家戰略、政策層面來看，2019 年9 月習近平總書記在鄭州主持召開黃河流域生態保護和高質量發展座談會并發表重要講話，明確提出黃河流域生態保護和高質量發展是重大國家戰略［2］。 2018 年6月，中共中央、國務院印發《關于全面加強生態環境保護堅決打好污染防治攻堅戰的意見》，提出“建立權威高效的生態環境監測體系，構建天地一體化的生態環境監測網絡”［3］。 2017 年12 月的中共中央政治局集體學習也特別提出，要加強大數據技術在各行各業的創新性應用，健全大數據輔助科學決策和社會治理的機制［4］。 第二，從黃河流域的生態、發展狀況來看，黃河流域面積79.5 萬km2，面臨水土流失嚴重、水資源分配不均、二級懸河嚴重、甘肅內蒙古等地經濟發展滯后等生態環境和經濟發展問題［5］。 黃河流域的生態保護和高質量發展涉及多部門、多學科、多因素，指揮調度困難，需要處理海量的水文泥沙、氣象氣候、地質地貌、植被生物、土壤水質以及經濟社會等多尺度異構數據，這無疑給黃河流域的生態監測、水土治理、產業發展等一系列生態保護和高質量發展措施加大了難度。 第三，從現實的數據產生、技術發展來看，未來10 a全球天、空、地部署的數百萬計傳感器每日獲取的觀測數據將超過10 PB［6］，面對海量的生態環境監測數據，傳統的數據處理理念、方法、工具和技術根本無以應對，必須采用大數據的理念、方法、工具和技術，這已是國家、省級和地方各級環保部門的共識。 綜上，進行面向黃河流域生態保護的空天地一體化大數據平臺研究很有必要。 平臺設計的好壞、技術組件選配是否合理，直接影響黃河流域生態大數據的處理分析，進而影響黃河流域生態保護的差別化、精準化和管理一體化。 1 黃河流域生態大數據的內涵及其面臨的問題大數據具備“5V”基本特征，即規模性（Volume）、多樣性（Variety）、高速率（Velocity）、真實性（Veracity）以及價值性（Value）［6］，根據行業領域可分為不同的類別，例如健康醫療大數據、教育大數據、電子商務大數據、生態大數據等。 較之其他行業大數據，生態環境大數據是一個系統生態圈，涉及地理信息廣，是涉及空間段、天際段及地表段全方位地理空間數據集，是黃河流域物理空間到數字空間的映射和提煉［7］。 因此，黃河流域生態大數據不僅具有一般大數據的基本特征，還具有地理時空性特征，如圖1 所示。
圖1 黃河流域生態大數據地理空間特征 根據相關的文獻定義［6-9］，并針對黃河流域特點，列出黃河流域生態保護相關的數據類型、采集方式和主要內容，見表1。 表1 黃河流域生態大數據類型、采集方式及主要內容
確定黃河流域生態大數據的類型和特點，將為后續定制大數據平臺提供必要的依據。 目前，各方將大數據技術應用于生態保護的積極性比較高，但仍存在以下問題：①多元立體感知能力欠缺，生態環境無人機監測系統數量較少，應急、機動觀測能力不足，地面監測方面規模化、常態化監測很少；②全要素監測能力薄弱，大部分是對單一生態要素的監測，未將多個生態要素的監測數據整合應用起來，勢必造成所獲取的數據不全面，挖掘出的知識不系統；③流域環境監測數據的共享、整合、應用能力不足，不同系統各自分散獨立建設［9］，缺少統一規劃、統一建設、統一部署；④深層次知識挖掘水平較低，對生態環境大數據的利用水平較低，大部分只是用來做一些簡單的統計和報表［10］，如何利用大數據技術結合業務模型從海量數據中挖掘隱藏在其中的各種知識、洞見，則做得比較少。 筆者對生態大數據的平臺架構及關鍵技術進行研究，對遙感數據、水文數據、水質數據、氣象氣候數據等進行深度挖掘、智能分析，以期為生態保護決策提供數據支撐。 2 黃河流域空天地一體化大數據平臺框架建立大數據平臺的前提和基礎是數據資源的共享，大數據平臺的數據探測與采集面對的是多部門、多系統數據融合，現實中各行業數據標準格式以及技術路線是不統一的，各部門之間是數據割據的局面，導致不同程度的“數據孤島”現象，數據之間沒有實現共享，這也是制約大數據發展的顯著問題［11］。 為了響應國家大數據戰略，各級環保部門紛紛開始探索和建設生態大數據平臺。 黃河流域空天地一體化大數據平臺架構如圖2 所示。
圖2 黃河流域空天地一體化大數據平臺架構 生態環境一體化大數據平臺建設，目的是實現生態環境綜合決策科學化、生態環境監管精準化、生態環境公共服務便民化［8］。 首先應該基于先進的物聯網技術，融合5G 網絡通信手段，構建空天地一體化網絡。 沈學民等［12］提出以地基網絡（地面互聯網、移動通信等）為基礎，以空基網絡（高空通信平臺、無人機自組等）和天基網絡（各種衛星通信系統等）為補充和延伸的空天地一體化網絡建設設想，以期不同維度的網絡可以充分發揮自身作用，打破各自獨立的網絡系統之間的數據共享屏障，實現廣域網絡的互通互聯。黃河流域從空間段、天際段到地表段的數據采集，都離不開網絡的傳輸，并且在水文泥沙、土壤土質等數據的采集中，更是離不開傳感器的數據傳輸。 空天地一體化網絡的建設影響數據的傳輸速率、范圍，同時為空天地一體化平臺的應用提供網絡通信基礎，空天地一體化網絡也是未來網絡發展的趨勢之一。 空天地一體化大數據是針對某個研究對象或者具體范圍，由空、天、地設備協同探測與采集的多源多模大數據及相關的綜合分析技術。 一體化大數據平臺的建設需借助大數據技術對多源異構數據進行大數據存儲管理、數據分析與挖掘、數據可視化，建立一體化的大數據運營調度中心，開展黃河流域植被遙感圖像的自動識別與標注、數據綜合分析與數據挖掘、動態環境監測、智能算法模型庫構建等關鍵技術研發，構建以“數據-分析-服務-價值”為驅動的一體化大數據平臺，為解決黃河流域治理相關問題提供相應的數據、服務、調度、預測、決策等一系列支持。 黃河流域生態環境空天地一體化大數據平臺總體規劃是基于物聯網、人工智能、區塊鏈等新一代信息技術，以環境水利、人文社會為業務支撐，整合基礎設施資源、時空大數據資源、北斗高精度資源，建立一體化大數據運營中心，為生態保護、文化旅游、產業布局、安全監測、交通治理、規劃建設、應急指揮以及國土資源提供服務。 3 黃河流域空天地一體化大數據平臺技術架構研究一體化大數據技術平臺因其要處理的數據類型不同、采取的數據處理技術不同，技術架構的層次體系也不同。 趙芬等［13］針對生態大數據，將大數據技術處理流程分為獲取、存儲與管理、計算模式與系統構建、分析4 個階段；舒田等［7］針對石漠化大數據，將喀斯特石漠化大數據平臺技術處理流程分為獲取、存儲與管理、計算模式、分析4 個階段；常杪等［14］將大數據的處理流程分為采集與預處理、存儲、分析、可視化4 個階段。生態大數據處理的核心思想是通過各種數據的有機結合、計算、分析，去解決復雜的生態環境問題，為環境決策的準確性、時效性、科學性提供支撐，助力保護生態環境和社會經濟的高質量發展，最終將生態大數據價值最大化［15］。 本文基于大數據處理的常規流程將黃河流域空天地一體化大數據的技術處理流程分為數據采集與預處理、數據存儲與安全管理、數據智能分析、數據可視化4 個部分，如圖3 所示。
圖3 黃河流域空天地一體化大數據技術處理流程 3.1 基礎設施平臺黃河流域空天地一體化大數據在總體架構上將平臺分5 層，分別是基于網絡基礎服務和IT 基礎設施服務的基礎層、采集層、大數據層、分析層和呈現層。 作為大數據平臺的運行基礎，基礎層為黃河流域空天地一體化大數據平臺提供堅強的軟硬件基礎設施支撐。基礎設施平臺中硬件資源包括處理數據的計算機、通信網絡和存儲設備，軟件資源包括操作系統、數據庫管理系統以及中間件等。 采集層主要是對生態大數據進行探測、采集、預處理，它是大數據平臺的數據支撐層，是數據分析的前提條件。 大數據層是對數據的存儲與安全管理層，數據的存儲方便數據的檢索，數據在傳輸、存儲、處理時易受到數據泄密、篡改等安全威脅，保障數據安全即保障黃河流域空天地一體化大數據平臺系統的可靠性，最終使數據價值最大化。 分析層是大數據平臺的核心部件，運用數據挖掘、機器學習、統計分析等手段，最大限度地開發數據“礦產”，為政府、科研機構提供更多的規律、現象、決策。 呈現層是數據價值的體現，一般采用圖表等數據可視化形式展示數據的形態，或者在真實場景虛擬仿真的基礎上具現化數據，為用戶提供所需的服務。 3.2 技術路徑黃河流域空天地一體化大數據的采集主要對空、天、地三個時空領域進行采集。 其中：空間段采集的數據主要是衛星遙感和衛星定位數據，主要來自于國產衛星影像云服務平臺的分發點［16］，通過GIS 空間技術分析地表信息的變化，例如黃河兩岸地表植被覆蓋率、建筑占地、防護林面積等指標分析；天際段采集的數據主要是無人機巡航數據、遙感數據、航空測繪數據等，通過一體化測圖系統將天際段采集的數據變化信息與空間段采集的基礎信息相匹配、拼接、勻色以及正射處理等，實現局部區域任意時間段的數據得到增量更新［16］，彌補衛星數據周期長、費用高的不足，這種增量處理方式也可促進空天地一體化數據采集的協同處理；地表段的數據采集主要通過物聯網、移動平臺、人工管理等方式，通過地面氣象站、環境監測網絡、部門的存活系統，采集多源異構數據如地面監測數據、社會統計數據，再融合處理。 數據預處理是指在數據深度挖掘前，對原始數據進行必要的清洗、集成、轉換、離散和歸約等一系列的處理工作，從而達到數據分析算法和工具所要求的最低規范和標準［17］。 目前使用的數據預處理工具主要有Data Flux、Data Stage、IPC 等［13］。 數據存儲是數據分析與可視化的基礎，對于黃河流域生態大數據的數據存儲采用分布式的存儲方式，通過建立文件服務器、圖片服務器、關系型數據庫和非關系型數據庫，確保數據的持續可用、快速查詢。 比較常用的開源工具如Hadoop Common、HDFS、HBase等［13］，利用這些存儲技術來保障數據的實時提取以及多點數據關聯分析。 數據智能分析主要包括多源多模數據融合、大數據智能計算和多維目標智能識別3 個方面。 數據融合主要針對靜態數據的批處理、在線數據的流式處理以及三方數據的交互處理，針對各行業、各環控部門的數據進行組合、整合、聚合，發揮大數據的價值。 大數據智能計算和多維目標智能識別是以機器學習、統計分析、數據挖掘、建模分析為核心進行數據的價值挖掘、目標自動識別等智能分析的過程。 在框架層，可以采用Map Reduce、Storm、Spark 等工具。 在科學計算庫中，可以采用Numpy、Pandas、Scipy 等工具包。 數據可視化是數據的呈現方式，通過交互可視界面，使數據分析結果透明化、具現化。 大數據可視化的目的是讓用戶直觀地看到智能分析后的結果［7］，檢索用戶自身需要的項目，解決自身的需求和問題，為方案決策提供數據支撐，為態勢走向作科學預測。 從目前來看，ChronoViz、D3、flightgear 和Highcharts 等都是比較常用的智能可視化軟件。 4 黃河流域空天地一體化大數據平臺關鍵技術研究4.1 大數據探測與采集技術獲取生態大數據是建立空天地一體化大數據平臺的前提，數據采集質量對數據分析結果有直接影響，因此生態大數據的采集技術是大數據平臺的關鍵技術之一。 下文從空域、天域、地域3 個方面分析大數據的探測與采集。 4.1.1 空域大數據的探測與采集 空域大數據主要通過衛星探測與采集，從衛星的不同用途可以分為遙感衛星、導航衛星、通信衛星。 遙感信息的獲取通過大量搭載了全色、多光譜、高光譜傳感器的遙感衛星來完成。 其中，全色圖像、多光譜圖像、高光譜圖像的分辨率見表2。 國外遙感衛星中地球觀測一號衛星（EO-1）是2000 年發射的，區別于傳統衛星的是最多提供7 個多光譜波段的陸地資源衛星，EO-1 衛星搭載了高光譜成像儀Hyperion、高級陸地成像儀ALI 以及大氣校正儀LEISA［18］。 國內的衛星中高分一號衛星（GF-1）是2013 年發射的，搭載有2 m 空間分辨率全色相機、8 m 空間分辨率多光譜相機以及16 m 空間分辨率多光譜寬幅相機［18］，主要用于陸地監測、環境監測。 利用此類遙感數據為黃河流域的地理測繪、氣象氣候監測、水文泥沙含量監測提供數據支撐。 表2 全色圖像、多光譜圖像、高光譜圖像的分辨率
空域大數據可以從中國遙感數據網、地理空間數據云、遙感集市數據中心、國家綜合地球觀測數據共享中心等獲取。 4.1.2 天域大數據的探測與采集 隨著數字化時代的發展，無人機的應用變得越來越廣泛。 如日常的河流巡航，可以通過無人機的實時拍攝畫面監測日常狀況以及突發狀況。 黃河流域天域大數據除了無人機的日常巡檢數據、災害巡查視頻數據、搭載無人機的傳感器監測數據外，還有航空的測繪數據。 這類數據主要通過移動客戶端、設置埋點、數據推送、爬蟲等技術進行采集。 4.1.3 地域大數據的探測與采集 地域大數據主要包括水文泥沙、土壤土質、水資源取水耗水情況、水質污染狀況等數據，這些數據一部分在各部門機構中，屬于機密信息，一部分是公開數據，例如全國水雨情網站公布的水雨情信息，國家統計局公布的統計數據、年鑒數據、資源公報等，這類數據采集主要通過系統自動分析網頁抓取或自動讀取，存儲到平臺中。 4.2 大數據智能處理技術4.2.1 空天地多源多模數據融合技術 多源數據融合是將不同來源的數據集，通過某種數學算法，利用各類數據在時空分辨率、完整性、精度等方面的互補性［19］，綜合各個輸入數據集的優勢，彌補單個數據集的不足。 數據融合與單一信源獨自處理相比，其可探測性和可信度更高，時空感知范圍更廣，降低推理模糊程度，增加目標特征的位數，系統的容錯能力也更強［20］。 多模態數據融合可為模型決策提供有力的數據支撐，提高決策的準確率［21］。 多模態數據融合的目標是建立能夠處理和關聯來自多個模態信息的模型。 多源多模數據融合方法見表3。 表3 多源多模數據融合方法
4.2.2 空天地大數據智能計算 空天地大數據智能計算的關鍵技術是數據挖掘和預測分析，見表4。 數據挖掘技術是大數據分析的核心，基本過程主要有數據準備、數據挖掘、解釋評估和知識運用［23］；預測分析技術是利用統計、建模、數據挖掘工具對現有數據進行更深入的研究，對事態進行一定的預測［23］。 預測分析是大數據平臺的核心應用，而預測分析的效果取決于數據的質量、采用的技術處理手段以及預測分析的平臺。 表4 大數據智能計算關鍵技術分類［23］
4.2.3 空天地多維目標智能識別 三維圖像，甚至多維圖像是在二維目標監測的基礎上，增加了識別目標的尺寸、深度、姿態等信息［24］，比二維圖像更有意義，例如通過預估實際位置，自動駕駛的車輛和機器人可以準確地預估和規劃自己的行為、路徑，這比二維空間的位置更準確。 按照輸入數據的不同類型可以將三維目標監測數據分為單目圖像數據、多視圖圖像以及點云數據。 根據傳感器的不同，三維目標監測也分為視覺、激光點云和多模態融合三類［25］。 單目圖像主要用來實現圖像平面的分類與定位，基于單目圖像的三維目標監測的實現主要利用三維模型匹配、深度估計網絡等算法去回歸目標的三維幾何信息［24］。 激光點云數據相比視覺數據具有準確的深度信息，三維空間特征明顯，其缺點是數據稀疏時提供的有效空間特征不足［24］，不能準確監測目標位置。 目前針對激光點云的三維目標監測算法為三維空間體素特征法、三維點云投影法，其中三維點云投影法的實現思路是利用坐標維度回歸算法，如圖4 所示。
圖4 三維點云投影法 多視圖圖像一般使用雙目或深度相機采集圖像信息，具有較完整的深度圖信息。 針對多視圖圖像的視覺算法的核心是利用圖像紋理特征、深度特征等進行多特征融合，具體方法有兩種：①采用單目圖像與深度圖像雙通道CNN 融合，如3DOP 監測網絡［26］、Stereo R-CNN監測網絡［27］；②基于三維空間卷積算法，如TLNet 監測網絡［28］，SurfConv 監測網絡［29］。 5 大數據平臺在黃河流域生態保護中的應用5.1 大數據平臺專題應用生態保護監測專題，通過大數據平臺監測了解黃河流域水利、土壤、氣象、植物、動物、微生物等數據信息，包括這些數據的歷史演變情況，從而找到符合生態規律的保護及修復措施，構建黃河流域生命共同體，如圖5 所示。
圖5 大數據平臺生態保護監測專題 此外，空天地一體化大數據平臺還有7 個專題：①水土保持專題，運用各種措施防治水土流失，保護、改良和合理利用水土資源，建立良好生態環境；②污染治理專題，通過監控工業、城鎮生活、農業面源及尾礦庫等4 類污染源，對水質做到監控、預測、預警；③防汛預警專題，通過無人機監測以及降水量的監測數據，實時預警洪澇災害，以最大程度引水避害，減少人員財產損失；④黃河文化專題，利用衛星遙感技術，監測展示黃河流域游客熱衷的區域及游客所在的地理區域，以便提供更好的文化宣傳和服務；⑤氣象專題，監測黃河兩岸氣象氣候，及時對農業灌溉、引水調度提供干旱預警數據；⑥產業經濟專題，智能分析黃河流域九省（區）的GDP 總量、產業構成情況、就業情況、消費支出狀況等，依據這些指標為黃河流域經濟快速發展提供數據支撐；⑦數字經濟專題，通過數字經濟一張圖，直觀掌握黃河流域數字經濟產業存活狀況、行業數字經濟狀況、熱門投資數字經濟產業。 5.2 生態保護模型評估與預測應用模型的建立是為了更好地分析數據，得到隱性的分析結果。 在模型評估方面，大數據平臺通過DEAMalmquist 模型，對黃河流域的水資源利用效率進行評價［30］，從DEA 模型上來看，黃河流域水資源的利用效率總體良好，用水效率呈上升趨勢；從Malmquist 指數上來看，黃河流域的全要素生產率在波動升高，主要是各個指標在逐漸升高，從而提高水資源利用效率。 其次，構造上級政府、基層河長、公眾三方演化博弈的模型［31］，經過模型的求解與演化仿真，證明了三方博弈策略選擇行為的演化路徑是穩定在均衡點處的策略組合上，來解決黃河流域的違法“四亂”（亂占、亂采、亂堆、亂建）問題。 在模型預測方面，通過構建CNN-LSTM 模型預測小浪底水庫出口溶解氧濃度變化，在預測誤差上，CNN-LSTM的RMSE 指標和MAE 指標分別比堆疊LSTM 模型低10.43%和19.76%。 大數據平臺通過對污染源的生命周期進行管理，快速識別排放異常或者超標數據［14］，通過水質分析、水質預測分析其產生、變化的原因，幫助環保部門動態管理污染源企業，并有針對性地對污染治理提出建議對策。 5.3 生態保護監測評價應用在黃河流域生態保護中，可以運用空天地一體化大數據平臺進行監測評價，即進行數據長期監測、自動傳輸、在線計算和可視化應用。 隨著大數據技術的發展，平臺承載能力的提升，生態環境的監測也從短期監測向長期監測轉變，從單一要素向多維宏觀結構、時空協同監測轉變［32］，數據平臺的建立簡化了數據共享流程。 同時，基于物聯網傳感技術和動態監測，結合遙感技術和地理信息數據，構建多模塊的生態保護服務平臺，在很大程度上促進了生態環境監測數據的管理、共享和評價。 6 結論與展望本文分析了黃河流域空天地一體化生態大數據的含義和面臨的問題，提出黃河流域空天地一體化大數據平臺構建的總體框架，通過基礎層、采集層、大數據層、分析層、呈現層5 層架構體系的研究，構建了黃河流域空天地一體化大數據平臺的總體架構，梳理了建立大數據平臺的大數據探測與采集、大數據智能處理技術等關鍵技術，分析了黃河流域空天地一體化大數據平臺在專題展示、模型評估與預測、生態評價等方面的應用。 建立生態環境空天地一體化管理體系，完善綜合防汛預警體系，科學分配水資源，加大流域內產業結構優化調整，加速流域內傳統產業轉型，為黃河流域生態保護和高質量發展做出貢獻，是黃河流域空天地一體化大數據平臺的最終目的。 然而平臺的建設面臨的問題也較多，例如：如何協調各行業各部門的利益，把不同領域的跨學科、多源頭、多尺度的黃河流域生態數據聚合共享；如何更多地利用人工智能、區塊鏈等關鍵技術對數據進行信息提取與知識發現；如何更好地利用大數據平臺進行生態、生活預警；如何將大數據平臺推廣應用，最終利于生態、利于人民的社會生活等，都是下一步需要解決的問題。 ［1］ 水利部黃河水利委員會.黃河流域綜合規劃（2012—2030年）［M］.鄭州：黃河水利出版社，2013：1-5. ［2］ 習近平.在黃河流域生態保護和高質量發展座談會上的講話［J］.求是，2019（20）：4-11. ［3］ 中共中央，國務院.關于全面加強生態環境保護堅決打好污染防治攻堅戰的意見［J］.中華人民共和國國務院公報，2018（19）：7-16. ［4］ 紅星楊.政治局集體學習“大數據”［J］.人民周刊，2018（1）：10-11. ［5］ 王軍.新一代信息技術促進黃河流域生態保護和高質量發展應用研究［J］.人民黃河，2021，43（3）：6-10. ［6］ 孫中平，申文明，張文國，等.生態環境立體遙感監測大數據頂層設計研究［J］.環境保護，2020，48（增刊2）：56-60. ［7］ 舒田，熊康寧.喀斯特石漠化大數據平臺架構和技術初探［J］.貴州師范大學學報（自然科學版），2020，38（4）：18-25. ［8］ 熊麗君，袁明珠，吳建強.大數據技術在生態環境領域的應用綜述［J］.生態環境學報，2019，28（12）：2454-2463. ［9］ LIU X，PAN Y，LI N. Big Data Platform of Provincial Key Basin’s Ecological Environment Information［J］.IOP Conference Series： Earth and Environmental Science，2019，295（2）：012073. ［10］ 蔡志洲，袁普金，王森.空天地一體化水土保持監測初探［J］.人民黃河，2018，40（4）：92-95. ［11］ 張毅，賀桂珍，呂永龍，等.我國生態環境大數據建設方案實施及其公開效果評估［J］.生態學報，2019，39（4）：1290-1299. ［12］ 沈學民，承楠，周海波，等.空天地一體化網絡技術：探索與展望［J］.物聯網學報，2020，4（3）：3-19. ［13］ 趙芬，張麗云，趙苗苗，等.生態環境大數據平臺架構和技術初探［J］.生態學雜志，2017，36（3）：824-832. ［14］ 常杪，馮雁，郭培坤，等.環境大數據概念、特征及在環境管理中的應用［J］.中國環境管理，2015，7（6）：26-30. ［15］ JOHNSON A C，DONNACHIE R L，SUMPTER J P，et al.An Alternative Approach to Risk Rank Chemicals on the Threat They Pose to the Aquatic Environment［J］.Science of the Total Environment，2017，599-600：1372-1381. ［16］ 馬照亭，劉勇，沈建明，等.智慧城市時空大數據平臺建設的問題思考［J］.測繪科學，2019，44（6）：279-284. ［17］ 范明，孟小峰.數據挖掘概念與技術［M］.北京：機械工業出版社，2007：23-60. ［18］ 師艷子，李云松，鄭毓軒.國內外衛星遙感數據源綜述［J］.衛星與網絡，2018（4）：54-58. ［19］ 陳迪，吳文斌，陸苗，等.基于多源數據融合的地表覆蓋數據重建研究進展綜述［J］.中國農業資源與區劃，2016，37（9）：62-70. ［20］ 祁友杰，王琦.多源數據融合算法綜述［J］.航天電子對抗，2017，33（6）：37-41. ［21］ 何俊，張彩慶，李小珍，等.面向深度學習的多模態融合技術研究綜述［J］.計算機工程，2020，46（5）：1-11. ［22］ 閆晗晗，邢波濤，任璐，等.遙感數據融合技術文獻綜述［J］.電子測量技術，2018，41（9）：26-36. ［23］ 高志鵬，牛琨，劉杰.面向大數據的分析技術［J］.北京郵電大學學報，2015，38（3）：1-12. ［24］ 李宇杰，李煊鵬，張為公.基于視覺的三維目標檢測算法研究綜述［J］.計算機工程與應用，2020，56（1）：11-24. ［25］ 沈琦，陳逸倫，劉樞，等.基于兩級網絡的三維目標檢測算法［J］.計算機科學，2020，47（10）：145-150. ［26］ CHEN X Z，KUNDU K，ZHU Y K，et al. 3D Object Proposals Using Stereo Imagery for Accurate Object Class Detection［J］. IEEE Transactions on Pattern Analysis ＆Machine Intelligence，2018，40（5）：1259-1272. ［27］ LI P L，CHEN X Z，SHEN S J. Stereo R-CNN Based 3D Object Detection for Autonomous Driving ［J］. Institute of Electrical and Electronics Engineers，2019，15-20：19263032. ［28］ QIN Z Y，WANG J L，LU Y. Triangulation Learning Network： from Monocular to Stereo 3D Object Detection［J］.Computer Vision and Pattern Recognition，2019，6：1906.01193. ［29］ CHU H，MA W C，KUNDU K，et al. SurfConv： Bridging 3D and 2D Convolution for RGBD Images［J］.Computer Vision and Pattern Recognition，2018，9：1812.01519. ［30］ 買亞宗，孫福麗，石磊，等.基于DEA 的中國工業水資源利用效率評價研究［J］.干旱區資源與環境，2014，28（11）：42-47. ［31］ 岳瑜素，王潔方，盧亞麗.黃河泥沙資源利用合作創新的演化博弈模型［J］.人民黃河，2017，39（1）：21-23，29. ［32］ CAREY C C，WARD N K，FARRELL K J，et al. Enhancing Collaboration Between Ecologists and Computer Scientists： Lessons Learned and Recommendations Forward［J］.Ecosphere，2019，10（5）：5-16. Research on Architecture and Key Technologies of Air-Space-Ground Integrated Big Data Platform Along the Yellow River Basin
|
