自然资源大数据助力的城市可持续发展评估
左学刚1,2，邹滨1,2*，胡晨霞1,2，李沈鑫1,2，贺晨骋3
(1.中南大学 地球科学与信息物理学院, 湖南 长沙 410083;
2.自然资源部 时空信息与智能服务重点实验室, 湖南 长沙 410083;
3. 湖南省地质调查院, 湖南 长沙 410014)
摘要:
针对传统统计面板数据、网络众源数据等在城市可持续发展评价与信息化建设过程中存在的类型单一、准确性及时空分辨率不一、更新效率低等问题，本文充分发挥自然资源监管大数据覆盖要素广、时空多维度、常态化更新等优势，重构了一套城市可持续发展指标评价体系，综合计算城市可持续发展进程。并以指标评估模型方法为基础进一步优化设计了城市可持续发展评估信息化建设方案，通过全面整合自然资源监测、社会经济等数据，构建可持续发展大数据中心，实现了以自然资源大数据为主的多源异构数据统一管理，同时以此为基础开展了城市可持续发展时空大数据平台建设实践。平台在精准评估诊断城市可持续发展状态的同时，为政府可持续发展决策与目标达成提供了一种新的手段，也为自然资源大数据利用开发了一种新的场景。
0 引言
为实现社会经济与资源环境协同发展，联合国提出了可持续发展的概念，并于2015年发布《2030年可持续发展议程》（以下简称“议程”）。至此，越来越多的国家将议程提出的可持续发展目标（sustainable development goals，SDGs）纳入到了国家监测评估体系和发展计划核心[1]。而城市作为社会经济、资源环境、政治文化构成的复杂生态系统，已成为了可持续发展战略实施的主要阵地[2]。随着互联网、地理信息技术的飞速发展，以信息化技术实现城市可持续发展评估诊断成为了当下建设的热点。目前，我国设立的深圳、临沧等可持续发展创新示范区，依托生态环境大数据、智慧临沧等可视化平台建设推进可持续发展的智慧化监管，率先开始了可持续发展建设探索，初步实现了部分指标的管控。但总体仍缺乏针对城市可持续发展状态全方位、全过程的统一信息化监管。究其原因，一方面由于现阶段的平台建设多基于生态环境、建设规划等单一领域或其他指标进行城市可持续发展态势感知，而对于城市整体可持续发展指标评价体系的全面性、合理性、代表性研究鲜少；另一方面因为平台过于关注信息化技术运用，而采用的评估模型仍以简单统计算法为主，虽通过对统计面板数据进行可视化监管实现了指标的评估，但是对具体空间区位细节差异表征不足，不利于精准调控与决策制定[3]。产生这些问题的根本原因是受制于数据的局限性，即所使用的统计面板数据类型单一、网络众源及遥感地学数据准确性及时空分辨率不一、数据动态更新滞后，导致数据质量参差不齐，部分空间化评估模型难以稳定应用、评价结果准确性难以保障，不利于城市可持续发展系统全面地动态评价与智慧化诊断。
自然资源统一调查监测是我国现行自然资源监管的最重要手段，我国在经过三次国土调查、地理国情普查及自然资源监测等重大工程积累后，已基本摸清了各类自然资源的分布、数量和质量等信息，形成了包括地表覆盖、地理国情要素、统计调查的派生数据及专题数据[4]在内的海量自然资源大数据。自然资源大数据因具备覆盖要素广、时空多维度、常态化更新等特点，已在耕地保护、国土空间开发规划、生态环境保护等领域发挥了重要作用。但由于我国在自然资源部成立以前对自然资源调查监测长期施行分头管理与分头组织[5]，各部门之间的数据开放共享程度、存储管理方式不尽相同，使得其在国民经济建设、城市建设管理及可持续发展评价等综合应用领域的价值尚未充分彰显。
在全球可持续发展建设与自然资源一体化监管的新时代背景下，自然资源大数据为城市可持续发展评估诊断提供了新的数据保障与解决思路。但是，如何进行自然资源大数据统一管理，充分发挥自然资源大数据优势，实现SDGs由传统的统计监测向空间化评估、诊断、预测及调控转变[6-7]，以实现城市可持续发展常态化、动态化、自动化监测与综合诊断评估的目的，仍存在指标体系有待优化、缺乏新信息技术手段有效监管等问题亟待解决。
对此，本文综合考虑我国城市发展过程中的实际问题，借助自然资源大数据优势与空间化计算模型，改进城市可持续发展评估指标体系，综合计算城市可持续发展进程，以此为基础优化城市可持续发展平台建设方案。依托大数据存储与计算等关键技术，实现自然资源大数据、社会经济统计等多源异构数据统一提取、管理与分析，研发了城市可持续发展自然资源时空大数据平台。力求为自然资源大数据的有效利用及城市可持续发展状态的智慧化评估诊断提供参考和借鉴。
1 指标体系构建
2015年联合国提出的SDGs包括了17项大目标169个子目标[8]，到2020年将其中的具体指标更新为了231个。国内已有学者以全球指标为基础，依据各类统计年鉴、政府公报等统计面板数据建立了本地化SDGs指标库，并以社会经济发展、资源环境、人类健康为导向构建了城市可持续发展指标体系[1]。也有部分学者采用统计数据、多源遥感数据及网络开放数据相结合的形式，以SDG11（可持续城市与社区）为基础，联合其他指标，从住房、交通、环境、建设及灾害等方面评价城市可持续发展[9-10]。尽管这些指标体系从不同侧重点对城市可持续发展进行了系统评价，但是针对城市发展过程中有关经济建设、环境保护、民生保障等方面的具体问题，仍存在有效评估与诊断研究不足的问题。此过程中，健全的指标体系及指标计算方法对城市可持续发展评估显得尤为重要。
近年来，随着各种新型测绘技术在自然资源监测工作中广泛应用，自然资源大数据与城市可持续发展之间的联系不断加强。例如，在城市建设管理中，自然资源部门对城市各类基础设施、综合交通网络、规划设施、应急设施等要素的详细监测及城镇开发边界、土地利用规划等的调查结果为城市可持续发展评估体系中的基础设施建设、综合管理、发展规划等指标计算提供了直接、准确的数据支撑。在生态环境方面，自然资源监测过程产生的各类遥感影像、水体/林草/湿地等地表覆盖数据及生态保护红线等规划管控数据也为城市可持续发展调控中的污染源探测发现、污染治理与评估、生态环境质量评价、生态系统服务价值量估算等过程提供了高质量、常态化更新的数据保障。这些数据及其衍生应用的模型算法不仅在上述方面发挥了巨大作用，同时在城市经济发展、民生服务等领域也产生了重要价值。因此，本文充分利用自然资源大数据，综合考虑城市全面发展，借鉴现有城市可持续发展目标研究、可持续发展示范区建设经验，将城市可持续发展评估体系划分为了经济发展、创新驱动、城市建设、生态环境、民生服务5个方面，并以此为主体建立了自然资源大数据与可持续发展评估诊断之间的关联（图1）。在此基础上通过沿用部分示范区指标、并从文献[1,10]建立的指标库选取部分指标作为补充，重构形成了新的指标体系。并以自然资源大数据为主要数据支撑，结合部分社会经济与网络大数据，引入空间化模型算法对指标进一步优化改进（表1）。
表1 基于自然资源大数据的SDGs评估指标体系改进说明
2 城市可持续发展进程度量
为有效评估城市可持续发展进程，本文采用国际通用可持续发展度量计算方法[23]建立了一套城市可持续发展总体进程度量方案，其原理是先将各子目标下的子指标值进行标准化处理后聚合计算得到子目标得分，再由指标体系中不同子目标的得分加权聚合计算得到城市可持续发展总体进程得分。本文采用极值法对子目标中的正向及负向指标进行标准化处理，其中正向指标是对城市可持续发展有促进作用的指标（式1），负向指标是对城市可持续发展具有阻碍作用的指标（式2）[24]，标准化处理过程中的最大值（Mi）采用理想水平值或城市所设置的未来预计达成目标值，最小值（mi）则是理论上的最低水平，设置标准为近五年的最小值[25]或参照2018年联合国《SDGs指数和指示板》[26]。
3 自然资源大数据下的城市可持续发展诊断评估平台建设
3.1 传统可持续发展信息化建设
目前，城市可持续发展信息化评估多集中于建设智慧城市、智慧规划、智慧环保、智慧交通等系统，且已经在各领域发挥了重要作用[27]。但由于建设的侧重点、目标及指标设置等方面的差异，还不能满足新的城市可持续发展框架下问题的全面诊断要求。在技术方面，多数平台还是依赖于关系型数据库及二维地图层面进行建设，随着云计算、大数据存储与挖掘、分布式计算、数字孪生等技术的飞速发展[28]，已有较多平台很好的实现了多源异构数据的管理、城市场景的沉浸式三维仿真模拟[29]，但在应用模型上依然以聚类模型及常见的地统计插值制图模型为主，对可持续发展评价也是以指标展示和查询居多，缺乏诊断决策。因此，在现有智慧城市建设及可持续发展评估平台的基础上，基于新的可持续发展指标体系与模型方法，优化设计方案并建设可持续发展评估诊断时空大数据平台，在城市可持续发展建设进程中具有重要实践意义。
3.2 平台总体架构设计
为充分发挥自然资源大数据优势，克服传统可持续发展评价信息化建设中的弊端。本文在建设实践中总体选择B/S模式，采用微服务架构，结合“自顶向下，逐步求精”的结构化程序设计方法构建了城市可持续发展评估诊断时空大数据平台的数据资源层、业务服务层与应用表现层的三层架构体系（图2）。其中，数据资源层采用多节点分布式计算集群，基于Hadoop与关系型数据库搭建了平台大数据中心。利用自然资源监测体系下的“空-天-地-网”一体化感知网络，综合汇聚历史数字化资源、互联网在线服务形成大数据中心基础数据源，在进行时空数据智能清洗、转换、融合等标准化处理后，为评价诊断模型与可视化提供数据与计算服务。业务服务层是平台核心层，主要基于指标评价与诊断决策模型建设全链条融通的组件式模型仓库，提供统一的模型调用服务，负责模型计算与业务逻辑处理。应用表现层则是在数据资源与计算模型的支撑下，基于三维可视化、情景仿真模拟等技术，实现整个平台业务功能的可视化渲染与交互。
3.3 基于指标模型的功能优化设计
基于表1建立的城市可持续发展指标评价体系及诊断决策应用模型，围绕城市建设发展需求，本文综合考虑“空间精细化模拟辅助”和“指标感知-风险预警-状态诊断-决策调控”两种指导思路，在已有评估系统基础上对功能进行了优化设计，具体分为经济运行、创新驱动、城市建设、生态环境和民生服务5个板块（图3）。
经济运行和创新驱动板块由于成因与决策过程较为复杂，主要是基于空间化的指标对传统面板监控功能进行改进，将经济与发展问题定位到具体区位与产业。在经济指标运行与指标监控方面，包括可持续发展经济指标状态诊断、产业与GDP分布、城市生产与消费状况三大模块，实现城市各类经济指标、特色产业的实际情况、历史变化和未来发展趋势的空间上的可视化监控与问题诊断。在创新驱动指标展示与特色挖掘方面，包括创新发展指标监控、产业规划与动态分布模拟、高新企业及科研单位分布与规划、高新技术产业画像与发展趋势、支柱特色产业展示及城市高新技术成果展等功能。
针对城市建设、生态环境、民生服务板块，本文依据表1建立的城市可持续发展评估与决策模型重点优化了指标诊断辅助决策部分功能模块（图4）。针对城市建设与指标分析板块，采用交通设施可达性与便捷性评价等模型对城市建设过程中的交通状况、建设管理、灾害应急等指标进行诊断决策；针对生态环境一张图与指标诊断板块，采用大气污染精细模拟、污染源动态锁定、健康风险评价等模型，实现环境地理要素可视化、可持续发展指标诊断与调控、气土水污染诊断决策、生态环境质量评价及生态系统服务价值量估算等功能研发；其中针对气土水污染诊断决策功能进行深度优化，从潜在污染源分析、现状分布精细模拟、污染迁移溯源、健康风险评价、潜在风险分析及情景模拟调控等多方面实现污染诊断与评估分析功能；民生服务板块主要采用民生服务指标相关模型对医疗、教育等指标进行监控与资源配置评价。
3.4 大数据存储计算中心设计
基于Hadoop生态圈与关系型数据库混合架构搭建可持续发展时空大数据中心（图5），能有效实现海量自然资源等多源异构数据的存储与计算，且具有安全可靠、易维护、可拓展[30]等特性。大数据中心依据城市可持续发展评估需求，在综合汇聚各类数据的基础上参照国家及行业有关自然资源时空数据建库和大数据中心建设相关标准制定数据接入与数据治理规范。针对来源不同的数据进行分类处理与存储计算。空间数据通过SDE及中间组件构建空间数据引擎实现其时空融合与数据处理，表格、文本、视频等结构化/非结构化数据主要通过ETL工具进行抽取、清洗、转换、分析，不同数据经过相应引擎处理后存入到各类数据库中。
大数据存储计算中心主要负责数据资源目录管理、查询、计算、分发及数据共享和调度业务。通过在数据中心设置自然资源专题数据服务，并基于Hadoop计算框架和Spark分布式计算方法实现自然资源空间大数据的快速空间查询、统计与渲染，从而实现自然资源大数据及其他业务数据的管理及整合分析。其中，在入库前数据须经过质检及标准化处理，对于已处理的自然资源数据直接入库，对于未处理的原始自然资源影像数据则基于卷积神经网络模型进行自然资源地表覆盖要素的自动分类提取、数据质量监测及动态存储入库。数据中心不仅实现自然资源等数据的标准化统一管理，同时对社会经济统计数据、网络在线数据等进行时空关联后支撑城市可持续发展平台高性能智能化运行。
图5 平台时空大数据中心设计
3.5 平台建设关键技术
3.5.1 自然资源数据统一融合治理
按照统一标准进行数据融合治理，是解决平台可持续发展评价过程中自然资源等多源异构数据在空间基准、尺度及内容上存在差异问题的关键[31]，也是平台数据更新、持续稳定运行的重要保障。为此，本研究根据主要数据类型分类制定数据治理方案：①针对城市要素、土地利用、耕地、林草、水资源分布及规划管控红线等多源矢量数据规范至SHP格式，其中对图件式数据、CAD数据等类GIS、非ArcGIS标准的地理空间数据[32]，通过数字化及格式转换等方式统一为SHP格式。经数据质量检查后按照统一要素分层规范重新组织，再通过空间基准转换、属性编码对应等方式完成点位、形状及内容的统一与协调。并进行空间关系、几何及属性信息的一致性处理[33]，使用DataTime字段建立时间戳完成时间维上的统一管理，最后将其存入空间数据库，并发布为矢量地图服务。②以JPG、HDF、TIF等格式的遥感影像、遥感数据产品、航测影像、扫描栅格图等数据为主的多源栅格数据，部分可直接转换为矢量数据，针对不能直接转换的则在统一标准规范下对其进行辐射校正、几何校正、数据质量检查、拼接、裁剪、重采样等预处理操作后，通过IHS(intensity-hue-saturation)变换、多源数据重构[31]等方式进行融合处理，再以文件名时间戳的形式进行时间维管理，并将其存入空间数据库，发布为栅格地图服务。③其它类型的文本、表格及在线接口服务等数据则通过数据转换、抽取、清洗、拼接等方式进行数据处理并统一入库。
3.5.2 大数据分级分类存储与高性能计算
城市可持续发展诊断所涉及到的自然资源监测等数据种类多、数量大、更新频率快，传统的单一关系型数据库或空间数据库无法较好的完成平台所需要的高性能数据服务要求。针对传统时空数据存储计算的性能瓶颈，本平台基于主流Hadoop大数据框架，对不同数据类型采用优势数据库搭建多节点集群混合存储架构的数据中心。整体运用主从(Master/Slave)结构模型，提供高吞吐量的数据访问，采用Kafka消息队列部署多任务处理节点、Yarn动态调度计算资源，结合多并发进行数据计算处理；同时引入MapReduce离线计算与Spark实时计算框架进行模型处理，解耦数据计算与数据存储。在各项技术的协同处理下，为自然资源等数据管理、各类城市可持续发展评估模型计算与数据分析提供稳定与高效数据服务。
3.5.3 组件式模型仓库构建
指标评价与诊断模型的运用是平台进行城市可持续发展评估的核心，而本平台所涉及到的计算模型较多，以大数据存储计算中心为基础，梳理模型相互关系，采用并行计算技术以组件形式建立平台运行专用模型仓库能有力保障各类模型稳定高效的计算运行。模型仓库针对不同计算结果制定了统一标准化输出策略，供模型间相互调用，同时考虑应用模型复杂度及资源配置等因素选用多模式对所涉及到的各类模型进行开发：使用Spark分布式制图框架实现自然资源要素提取、生态环境模块大气污染精细模拟等模型；对于可持续发展指标评估、健康风险评价、交通设施可达性与便捷性分析、医疗/教育资源公平性评价等模型则使用Python语言进行CUDA（CPU+GPU）并行处理，并基于微服务架构进行模型的组件式统一管理调度，生成规范API接口以供平台快速集成与调用。
3.6 平台开发与实现
城市可持续发展评估诊断时空大数据平台在大数据中心及模型仓库的支撑下，采用前后端分离的方式进行开发与实现（图6，图7）。其中，服务器端（后端）以Java为主要开发语言，使用SpringBoot微服务架构进行搭建。对于数据中心存储在MySql业务数据库及PostgreSQL空间数据库中的数据直接使用MybatisPlus映射持久层框架与后端进行交互，Hadoop中存储的非结构化数据采用大数据通信框架进行数据传递。并以组件形式调用模型仓库中的各类计算模型，将计算结果反馈至浏览器端渲染。浏览器端（前端）以主流的Vue框架对五个模块的界面进行开发，通过Axios网络请求库向服务器端发送请求并接受响应，使用Echarts和DataV框架实现数据图表展示，运用openlayers、Cesium及Mars3D等二三维框架进行空间数据与模型计算结果的空间化渲染，实现其在二三维地图场景下的动态可视化与多情景仿真模拟。
4 结束语
在2030年可持续发展目标下，信息化监管平台建设成为了我国城市可持续发展状态有效评估与诊断的迫切需求。而自然资源大数据作为我国自然资源监测体系下产生的丰富数据资源，在全面、精准、客观地动态评价城市可持续发展进程中具有重要价值。本文以自然资源大数据为基础，构建了一套可复制的城市可持续发展评价指标体系，并基于指标评价模型方法对城市可持续发展平台功能建设做了优化设计，通过大数据中心实现了以自然资源大数据为主的海量多源异构数据统一管理、整合、计算，并以此为基础进行了城市可持续发展时空大数据平台建设实践。相比国内外其他软件系统，本平台不仅实现了自然资源数据的统一管理，为自然资源大数据在可持续发展评估领域的应用探索了新的可能，同时借助自然资源大数据的优势进一步优化实现了城市可持续发展态势的全面可视化诊断与精准调控。在5G通信、物联网、人工智能等技术与自然资源大数据及三维立体时空数据库等的持续碰撞下，自然资源的利用会更加广泛，城市可持续发展评估平台将会朝着智慧化、智能化的知识决策型服务方向深入发展，指标调控也会由单一指标诊断向指标间协同调控进一步研究。
（原文有删减）
参考文献
[1] 邵超峰，陈思含，高俊丽，等．基于SDGs的中国可持续发展评价指标体系设计[J]．中国人口·资源与环境，2021，31(4)：1-12． (SHAO Chaofeng，CHEN Sihan，GAO Junli，et al．Design of China's sustainable development evaluation index system based on the SDGs[J]．China Population，Resources and Environment，2021，31(4)：1-12．)
[2] 李锋，刘旭升，胡聃，等．城市可持续发展评价方法及其应用[J]．生态学报，2007，27(11)：4793-4802． (LI Feng，LIU Xusheng，HU Dan，et al．Evaluation method and its application for urban sustainable development[J]．Acta Ecologica Sinica，2007，27(11)：4793-4802．)
[3] 陈军，彭舒，赵学胜，等．顾及地理空间视角的区域SDGs综合评估方法与示范[J]．测绘学报，2019，48(4)：473-479． (CHEN Jun，PENG Shu，ZHAO Xuesheng，et al．Measuring regional progress towards SDGs by combining geospatial and statistical information[J]．Acta Geodaetica et Cartographica Sinica，2019，48(4)：473-479．)
[4] 黄贤金．自然资源统一管理：新时代、新特征、新趋向[J]．资源科学，2019，41(1)：1-8． (HUANG Xianjin．Unified management of natural resources：A new era，new characteristics，and new trend[J]．Resources Science，2019，41(1)：1-8．)
[5] 吴凤敏，胡艳，陈静，等．自然资源调查监测的历史、现状与未来[J]．测绘与空间地理信息，2019，42(10)：42-44． (WU Fengmin，HU Yan，CHEN Jing，et al．History，current situation and future of natural resources survey and monitoring[J]．Geomatics ＆ Spatial Information Technology，2019，42(10)：42-44．)
[6] 孟立秋．地图学的恒常性和易变性[J]．测绘学报，2017，46(10)：1637-1644． (MENG Liqiu．The constancy and volatility in cartography[J]．Acta Geodaetica et Cartographica Sinica，2017，46(10)：1637-1644．)
[7] 陈军，武昊，李松年．全球地表覆盖领域服务计算的研究进展：以GlobeLand 30为例[J]．测绘学报，2017，46(10)：1526-1533． (CHEN Jun，WU Hao，LI Songnian．Research progress of global land domain service computing：Take GlobeLand 30 as an example[J]．Acta Geodaetica et Cartographica Sinica，2017，46(10)：1526-1533．)
[8] 陈军，任惠茹，耿雯，等．基于地理信息的可持续发展目标(SDGs)量化评估[J]．地理信息世界，2018，25(1)：1-7． (CHEN Jun，REN Huiru，GENG Wen，et al．Quantitative measurement and monitoring sustainable development goals(SDGs) with geospatial information[J]．Geomatics World，2018，25(1)：1-7．)
[9] 王鹏龙，高峰，黄春林，等．面向SDGs的城市可持续发展评价指标体系进展研究[J]．遥感技术与应用，2018，33(5)：784-792． (WANG Penglong，GAO Feng，HUANG Chunlin，et al．Progresson sustainable city assessment index system for SDGs[J]．Remote Sensing Technology and Application，2018，33(5)：784-792．)
[10] 高峻，张中浩，李巍岳，等．地球大数据支持下的城市可持续发展评估：指标、数据与方法[J]．中国科学院院刊，2021，36(8)：940-949． (GAO Jun，ZHANG Zhonghao，LI Weiyue，et al．Urban sustainable development evaluation with big earth data：Data，indicators，and methods[J]．Bulletin of Chinese Academy of Sciences，2021，36(8)：940-949．)
[11] 宋洁华，李敏纳，蔡舒，等．海南交通可达性的测度与空间分异格局分析[J]．地理科学，2017，37(10)：1507-1516． (SONG Jiehua，LI Minna，CAI Shu，et al．The measurement and spatial differentiation pattern of traffic accessibility in Hainan[J]．Scientia Geographica Sinica，2017，37(10)：1507-1516．)
[12] 沈安南，王亮绪，高峻．基于深度学习的公民参与城市治理的时空格局研究——以苏州市为例[J]．地理信息世界，2020，27(2)：44-48． (SHEN Annan，WANG Liangxu，GAO Jun．The spatiotemporal pattern of citizen participation in urban governance based on deep learning：A case study of Suzhou[J]．Geomatics World，2020，27(2)：44-48．)
[13] 许珊，邹滨，胡晨霞．面向场景的城市PM2.5浓度空间分布精细模拟[J]．中国环境科学，2019，39(11)：4570-4579． (XU Shan，ZOU Bin，HU Chenxia．Urban scene-oriented simulation of the spatial distribution of PM2.5 concentration in an intra-urban area at fine scale[J]．China Environmental Science，2019，39(11)：4570-4579．)
[14] 谢静，邹滨，李沈鑫，等．大气污染暴露风险防控可视化决策支持平台[J]．计算机应用，2019，39(11)：3391-3397． (XIE Jing，ZOU Bin，LI Shenxin，et al．Visual decision support platform for air pollution exposure risk prevention and control[J]．Journal of Computer Applications，2019，39(11)：3391-3397．)
[15] 邹滨，曾永年，Benjamin F．Zhan，等．城市水环境健康风险评价[J]．地理与地理信息科学，2009，25(2)：94-98． (ZOU Bin，ZENG Yongnian，ZHAN B F，et al．Spatial and temporal health risk assessment of water environment in urban area[J]．Geography and Geo-Information Science，2009，25(2)：94-98．)
[16] 韩琳，徐夕博．基于PMF模型及地统计的土壤重金属健康风险定量评价[J]．环境科学，2020，41(11)：5114-5124． (HAN Lin，XU Xibo．Quantitative evaluation of human health risk of heavy metals in soils based on positive matrix factorization model and geo-statistics[J]．Environmental Science，2020，41(11)：5114-5124．)
[17] 彭令，梅军军，王娜，等．工矿业城市区域水质参数高光谱定量反演[J]．光谱学与光谱分析，2019，39(9)：2922-2928． (PENG Ling，MEI Junjun，WANG Na，et al．Quantitative inversion of water quality parameters in industrial and mining cities from hyperspectral remote sensing[J]．Spectroscopy and Spectral Analysis，2019，39(9)：2922-2928．)
[18] 牟雪洁，王夏晖，张箫，等．北京市延庆区生态系统生产总值核算及空间化[J]．水土保持研究，2020，27(1)：265-274． (MOU Xuejie，WANG Xiahui，ZHANG Xiao，et al．Accounting and mapping of gross ecosystem product in Yanqing district，Beijing[J]．Research of Soil and Water Conservation，2020，27(1)：265-274．)
[19] 杨力．基于多模态迁徙数据的中国城市人口流动网络空间格局和相互作用测度研究[D]．南京：南京师范大学，2020．(YANG Li．Research on the spatial pattern and interaction measurement of Chinese urban population flow network based on multimodal migration data[D]．Nanjing：Nanjing Normal University，2020．)
[20] WAN Neng，ZOU Bin，STERNBERG T．A three-step floating catchment area method for analyzing spatial access to health services[J]．International Journal of Geographical Information Science，2012，26(6)：1073-1089．
[21] 张金萍，林丹，周向丽，等．基于改进3SFCA的乡村地区公共医疗设施空间可达性与公平性评价——以海口市为例[J]．地理科学进展，2022，41(4)：636-647． (ZHANG Jinping，LIN Dan，ZHOU Xiangli，et al．Spatial accessibility and equality of public medical facilities in rural areas based on the improved 3SFCA：A case of Haikou City[J]．Progress in Geography，2022，41(4)：636-647．)
[22] 沈怡然，杜清运，李浪姣．改进移动搜索算法的教育资源可达性分析[J]．测绘科学，2016，41(3)：122-126． (SHEN Yiran，DU Qingyun，LI Langjiao．Spatial accessibility analysis of education resources by modified floating catchment area methods[J]．Science of Surveying and Mapping，2016，41(3)：122-126．)
[23] SDSN, BERTELSMANN S. 2018 SDG index and dashboards report[R]. New York: Sustainable Development Solutions Network，[S.l.], 2018.
[24] 曹敏，赵子竣，胡雪，等．长三角地区可持续发展目标度量与分析[J]．现代测绘，2021，44(3)：1-5． (CAO Min，ZHAO Zijun，HU Xue，et al．Measurement and analysis of sustainable development goal in the Yangtze River Delta[J]．Modern Surveying and Mapping，2021，44(3)：1-5．)
[25] 张焕波, 郭栋, 王军. 中国可持续发展评价报告(2021)[M]. 北京: 社会科学文献出版社, 2021:25-26.（ZHANG Huanbo, GUO Dong, WANG Jun. Evaluation report on the sustainable development of China(2021)[M].BeiJing: Social Sciences Academic Press(China), 2021:25-26.）
[26] 何嘉俊，黎夏．粤港澳大湾区可持续发展目标度量与分析[J]．地理与地理信息科学，2020，36(2)：119-125． (HE Jiajun，LI Xia．Sustainable development assessment and analysis of Guangdong-Hongkong-Macao greater bay area[J]．Geography and Geo-Information Science，2020，36(2)：119-125．)
[27] 龙瀛，张雨洋，张恩嘉，等．中国智慧城市发展现状及未来发展趋势研究[J]．当代建筑，2020(12)：18-22． (LONG Ying，ZHANG Yuyang，ZHANG Enjia，et al．The research on the present situation and future development of China's smart city[J]．Contemporary Architecture，2020(12)：18-22．)
[28] 李德仁，姚远，邵振峰．智慧城市中的大数据[J]．武汉大学学报（信息科学版），2014，39(6)：631-640． (LI Deren，YAO Yuan，SHAO Zhenfeng．Big data in smart city[J]．Geomatics and Information Science of Wuhan University，2014，39(6)：631-640．)
[29] 张新长，李少英，周启鸣，等．建设数字孪生城市的逻辑与创新思考[J]．测绘科学，2021，46(3)：147-152． (ZHANG Xinchang，LI Shaoying，ZHOU Qiming，et al．The rationale and innovative thinking of building Digital Twin City[J]．Science of Surveying and Mapping，2021，46(3)：147-152．)
[30] 崔杰，李陶深，兰红星．基于Hadoop的海量数据存储平台设计与开发[J]．计算机研究与发展，2012，49(S1)：12-18． (CUI Jie，LI Taoshen，LAN Hongxing．Design and development of the mass data storage platform based on hadoop[J]．Journal of Computer Research and Development，2012，49(S1)：12-18．)
[31] 张景雄，刘凤珠，梅莹莹，等．空间数据融合的研究进展：从经典方法到扩展方法[J]．武汉大学学报·信息科学版，2017，42(11)：1616-1628． (ZHANG Jingxiong，LIU Fengzhu，MEI Yingying，et al．Progress in spatial data fusion：From classic approaches to extended methods[J]．Geomatics and Information Science of Wuhan University，2017，42(11)：1616-1628．)
[32] 向红梅，郭明武．城市地理时空大数据管理与应用平台建设技术方法研究[J]．北京测绘，2017(S1)：243-248． (XIANG Hongmei，GUO Mingwu．Research on the technology and method of urban geography spatio-temporal big data management and application platform[J]．Beijing Surveying and Mapping，2017(S1)：243-248．)
[33] 孙群．多源矢量空间数据融合处理技术研究进展[J]．测绘学报，2017，46(10)：1627-1636． (SUN Qun．Research on the progress of multi-sources geospatial vector data fusion[J]．Acta Geodaetica et Cartographica Sinica，2017，46(10)：1627-1636．)
【作者简介左学刚（1997—），男，湖北孝感人，硕士研究生，主要研究方向为环境地理信息服务开发与应用。
205012185@csu.edu.cn
】国家自然科学基金项目（41871317）；湖南省自然资源科研项目（2020-11）
【引用格式】左学刚，邹滨，胡晨霞，等． 自然资源大数据助力的城市可持续发展评估 ［Ｊ］． 测绘科学，２０２３，４８（１）
转自：“测绘学术资讯”微信公众号
如有侵权，请联系本站删除！
