本文想法和初步動筆起源于10號，但是最近事情比較多，一直到現(xiàn)在才完稿。其實起源是從5月初本科學弟學妹的畢業(yè)答辯開始的，主要談一談聽完答辯的感悟以及對于GIS學科的一些引申思考。
1 Defence:
由于疫情的原因，今年本科學院的學弟學妹畢業(yè)論文答辯采用了騰訊會議網(wǎng)上形式。不過由于各種原因，聽得比較完整的還是直系基地GIS方向的答辯，因此也就針對這幾個內(nèi)容稍微提點東西。先Po一下大家的題目。
一共是9位參與答辯。
第一位是基于新浪微博對洪水災害時間主題挖掘與淹沒信息做提取。從選題來說，是近些年GIS一個比較熱門的方向，內(nèi)容涉及的大致關(guān)鍵詞應該包括位置語義，地理語義，文本挖掘，社交媒體地理學。而這個在災害方面的響應也是一個比較火的方向。大概思路就是基于微博數(shù)據(jù)，利用比較流行的文本挖掘模型LDA做洪水災害事件信息提取，這里是淹沒深度信息，以及相關(guān)的主題分析。主題分析或者主題挖掘是屬于NLP方面比較專業(yè)的一類模型，這里不細闡述,感興趣的同學建議自行搜索關(guān)鍵詞。當前的研究基本上就是從微博文本來進行文本處理，如果是不含位置信息的微博（即無法直接獲取經(jīng)緯度），通常必須先從微博內(nèi)容獲取相關(guān)的地名，這應該可以算是位置語義或者叫地理語義。然后做geocoding，而其余的微博內(nèi)容可以擴充其他文本挖掘的信息，在這個研究里就是淹沒深度。這類研究的意義就在于災害的應急響應以及預警。在目前的大數(shù)據(jù)時代，微博能非?？焖俚貍鬟f相關(guān)信息。因此就像系里老師點評的，這類研究最好能做成實時的app，會更有意義。國內(nèi)微博數(shù)據(jù)分析比較多的相關(guān)團隊還是不少的，北京大學袁曉如老師團隊，地理所王江浩老師也做了一些研究，此外最近GeoAI講座里的胡英杰老師也是這塊研究非常優(yōu)秀的老師。感興趣的可以多去了解，至于模型的話，類似word2vec，甚至于去年大火的BERT是否可以用到里面做結(jié)合也是很有意思的。最后的最后，其實我想說另一點，研究的技術(shù)性和新穎程度很高，但是我重新回顧的時候在考慮一個問題，題目里的洪水災害事件，由于我沒有聽到這個匯報的全部內(nèi)容，所以我不確定究竟是洪水災害事件或者是城市內(nèi)澇事件。作為一個GIS的研究，我認為本質(zhì)上還是基于地理學去分析問題，因此基礎(chǔ)的地學現(xiàn)象和定義要明確。這個研究也讓我想起我本科期間做的一個工作，基于城市藍綠景觀的空間變化與內(nèi)澇區(qū)域的聯(lián)系研究，其中我為了檢驗內(nèi)澇區(qū)模擬準確性，當時也是采用了一個微博數(shù)據(jù)，有人在微博上分享了他整理的福州某次內(nèi)澇事件的60個積水點的地點信息，我根據(jù)那個數(shù)據(jù)做了一個簡單的geocoding，形成空間文件。
相關(guān)資源：
- 地理人工智能進展及在地理文本處理和災害救援中的應用
- 北京大學可視化與可視分析博客
- 北京大學微博可視分析系列
- The geography of Weibo
- Landscape-Scale Simulation Analysis of Waterlogging and Sponge City Planning for a Central Urban Area in Fuzhou City, China
第二位是用地理加權(quán)回歸模型用高光譜遙感數(shù)據(jù)估算土壤有機質(zhì)。由于我對高光譜這塊不是很了解，所以意見更多集中在地理加權(quán)回歸和土壤有機質(zhì)方面的。地理加權(quán)回歸（Geographically Weighted Regression, GWR）是Forthingham教授提出空間統(tǒng)計回歸模型。本質(zhì)上這個模型是基于地理學第二定律——空間異質(zhì)性提出的，目前GWR有大量的模型發(fā)展和應用研究，最近Forthingham教授團隊正在拓展GWR相關(guān)的模型，最新成果是MGWR（Multi-scale Geographically Weighted Regression）。之前在某個會議見過他的弟子Ziqi Li,他也是MGWR模型的作者之一。當時他在會議上做了一個很有意思的研究，就是比較了R里面不同R包（R語言中至少有3個GWR相關(guān)的包），ArcGIS，GWR4（Forthingham教授團隊開發(fā)軟件）以及Python的pysal包的GWR結(jié)果，即用同一套數(shù)據(jù)，不同語言，軟件執(zhí)行GWR，結(jié)果表明，除了ArcGIS以外，其他結(jié)果是一樣的，可以復現(xiàn)。事實上由于ArcGIS是一個商業(yè)軟件，有些時候是會一定程度上忽略模型理論假設(shè)的限制以及針對參數(shù)做優(yōu)化計算的，由此造成了結(jié)果差異。因此使用GWR要慎重。GWR這個模型，從模型求解角度，一定程度會有過擬合現(xiàn)象。這也讓我想到前一段，我與我的大導師討論研究計劃，我提到會用一個用GWR做校正的數(shù)據(jù)，我的大導師很明確跟我說GWR有過擬合現(xiàn)象，讓我不要用這個模型。因此這個模型在各種使用上仍需要慎重。當然我個人角度還算蠻推崇這個方法，我也在我的幾篇論文里都有用到這個方法。GWR用于估算土壤有機質(zhì)，從應用角度，可能稍微比重金屬更新一點。但是這個角度創(chuàng)新點我覺得不是特別高，另外做這類回歸和估算，我們要考慮的不僅僅是精度，還要考慮到研究模型的普適性和可推廣性。土壤有機質(zhì)是比較難測量的變量（有做過土壤地理實驗的都知道測起來很麻煩），所以我們用GWR和高光譜就是想快速獲取大范圍的土壤有機質(zhì)，因此我們選用的一些參數(shù)就要盡可能泛用以及便于測量。此外尺度效應也是一個很重要的點。另外GWR的變式還包括類似GAWR（地理海拔加權(quán)回歸），GTWR（地理時間加權(quán)回歸），這些都是后續(xù)可以拓展的模型。土壤有機質(zhì)其實是生態(tài)學方面尤其是植被碳循環(huán)的重要變量之一，如果做好了，可以為后續(xù)的研究提供很多幫助。另外關(guān)于題目，我重新讀的時候覺得有些別扭，事實上應該是用高光譜遙感數(shù)據(jù)作為輸入，然后用GWR來估算土壤有機質(zhì)。其實我覺得可以把輸入數(shù)據(jù)和方法都放在基于的后面，似乎更舒服一些，如基于高光譜與地理加權(quán)回歸的土壤有機質(zhì)估算。不過也僅是個人意見。
相關(guān)資源：
第三位也是研究土壤相關(guān)的，基于INLA-SPDE做平潭土壤鉛含量預測的不確定性研究。INLA-SPDE是一個空間貝葉斯模型?？臻g貝葉斯的關(guān)鍵就是可以推斷后驗概率，因此不僅可以得到模型估計值，也能得到模型估計的不確定性。事實上空間精度和空間不確定性分析也算是GIS近些年逐漸興起的一個重要分支領(lǐng)域。我在18年參加了Spatial Accuracy的國際會議，對此有頗多感悟，我也做了一些相關(guān)的研究。簡單來說就像量子力學里有一個知名的測不準定律，空間數(shù)據(jù)也是如此，各類誤差和不確定性是廣泛存在矢量與柵格數(shù)據(jù)的，而這些誤差和不確定性隨著數(shù)據(jù)處理會傳播到最后的結(jié)果中，但是很多時候我們無法判斷，這些誤差和不確定性是增大或者減小，同時對一個數(shù)據(jù)而言，如果不評價它的精度，在應用上就會充滿很多疑慮。個人的看法在于過去本身空間數(shù)據(jù)獲取手段相對匱乏，難度高（如測繪級數(shù)據(jù)），需要花大量時間收集數(shù)據(jù)，當然這樣子收集數(shù)據(jù)一般而言質(zhì)量也較高，精度也高，但是數(shù)據(jù)不夠豐富，不夠多的前提下，想再去關(guān)注精度問題還是比較難的。而近些年井噴式的多源地理大數(shù)據(jù)以及對地觀測數(shù)據(jù)，算是比較完美解決了這個問題，但是隨之而來的就是大量的數(shù)據(jù)質(zhì)量問題，這也是空間精度和空間不確定性分析近些年興起的一大原因?；氐截惾~斯模型這塊，空間貝葉斯模型很重要的點就是推斷不確定性，某些研究里可以視為風險值，為決策提供輔助。時空貝葉斯統(tǒng)計與模型也是我未來可能涉及的研究重點，這一塊，我個人推薦英國格拉斯哥大學的Duncan Lee教授，今年早些時候聽過他的報告。他是時空貝葉斯統(tǒng)計的專家，也開發(fā)了相關(guān)的R包。另外再來講講土壤重金屬元素的預測，這一塊其實有各類空間插值方法等研究，因此從領(lǐng)域而言不算太新，如何挖掘新因子以及找到相關(guān)的泛用預測自變量，應該是比較有意思的延伸研究。另外答辯過程里，老師提到了選空間插值的問題，這個讓我想到一個對于空間統(tǒng)計分析的思維培養(yǎng)。我個人認為的空間統(tǒng)計研究流程應該如下。事實上空間插值方法都有一個前提假設(shè)，就是插值的這個對象應該是符合地理學第一定律——具備空間自相關(guān)性的。此外這個研究還涉及到做模型的交叉驗證問題，模型的驗證也是具有一定的技巧的。
flowchat
st=>start: 確立研究地學問題
op1=>operation: 收集數(shù)據(jù)
op2=>operation: 整理、清洗數(shù)據(jù)
op3=>operation: 數(shù)據(jù)探索性分析（數(shù)據(jù)分布特征，是否具有空間自相關(guān)性，空間異質(zhì)性）
op4=>operation: 根據(jù)探索性分析結(jié)果選用合適的空間模型分析
op5=>operation: 解釋模型輸出結(jié)果
st->op1->op2->op3->op4->op5
相關(guān)資源：
- Github of Duncan Lee
- CARBayesST: Spatio-Temporal Generalised Linear Mixed Models For Areal Unit Data
- A set of tutorials for undertaking spatio-temporal areal unit modelling
第四位是分析學校所在的大學城城中村的暴雨洪澇災害脆弱性研究?？梢哉f比較貼近校園。當時我本科畢業(yè)選題也是基于校園的三維模型相關(guān)研究。從選題來說，脆弱性（vulnerable）或者恢復力/韌性（resillence）也算是近些年災害與氣候變化領(lǐng)域很火的主題。尤其與聯(lián)合國的SDGs結(jié)合，今天剛好看到了一篇華東師大相關(guān)的研究，也可以參考。這位的研究可以說是比較傳統(tǒng)的GIS空間分析研究，建立評估指標體系，賦權(quán)重，收集數(shù)據(jù)與空間疊加，可以說是比較典型的小數(shù)據(jù)地理傳統(tǒng)研究。整體來說，數(shù)據(jù)搜集工作很扎實，分析比較清晰。當時答辯老師提了幾個問題，如指標體系需求，指標體系權(quán)重確立，尺度效應的作用，針對這幾個點我也有些看法提了一下，指標體系，其實他定義的指標體系我感覺比較像個人確立的，當然對于小尺度區(qū)域性研究我覺得是可以的，但是我更推薦可以基于一個大的理論框架做指標體系的本地化和區(qū)域化，這類研究會讓我想到比較流行的P-S-R（壓力-狀態(tài)-響應）框架。指標體系權(quán)重確立方法有很多，我本科創(chuàng)新項目答辯時也用到這個權(quán)重確立，當時我覺得避免主觀打分，采用了熵值法，但是老師提的建議是，其實這類研究（我的項目也是基于校園的空間分析）熵值法可能不如AHP準確，因此權(quán)重方法確立也是根據(jù)具體情況而言。最后是尺度效應，老師們當時提的是經(jīng)濟指標在這類小尺度研究是否與脆弱性/恢復力相關(guān)，普遍認知里面社會經(jīng)濟因子對大尺度區(qū)域的恢復力有顯著貢獻，這一點會讓我想到最近參與的一個小研究，關(guān)于新冠肺炎粗病死率的一張圖。我當時把概括，能保持粗病死率為0的除了有物理屏障優(yōu)勢的幾個省份以外，江蘇就是社會經(jīng)濟屏障的典型（經(jīng)濟實力雄厚）?？梢钥吹皆趹獙@類公共衛(wèi)生突發(fā)事件（突發(fā)災害也是相同）的時候，社會經(jīng)濟示例雄厚的區(qū)域往往具有更強的恢復力/韌性。這個基本現(xiàn)象在大尺度研究下大概率是沒問題的，但是當區(qū)域放到小尺度研究呢？我思考了下在類似城中村以及小區(qū)域研究的普適性。以災害發(fā)生以后的資源調(diào)配和政府救助為例，假如存在兩個受災村子。一個村子的財政實力較為一般，另一個村子的財政實力稍微雄厚一些。財政實力略微雄厚的村子選擇自行救助。財政實力一般的村子由于自身經(jīng)濟實力受限，上報上一級政府請求援助，但是上一級政府經(jīng)濟實力非常雄厚。由于這個原因，反而財政實力一般的村子可能在災后恢復要比另一個村子快。當然這也是個比較極端的例子，但我個人認為小尺度區(qū)域受災害影響的時候，很多情況都是上報上級政府求助（假定是救助是均質(zhì)的，受災程度相同，救助款也相同），那么本身村子的經(jīng)濟實力對于恢復力的影響是如何就比較難以判定了。
此外，我記憶比較深的是做了大量的實地考察和調(diào)研。對于小尺度研究，這樣子的研究精神和收集數(shù)據(jù)方式，我是非常贊賞的。當時我也在QQ群里點評了一下，事實上GIS學科通常被認為沒有野外，這是不對的。野外實地考察，調(diào)研對于GIS數(shù)據(jù)精度和準確度尤為重要，RS就更不必說了，無論是做定性遙感的土地利用分類或者是定量遙感的地表參量反演，都需要有地面實測數(shù)據(jù)的驗證。GIS并不是完完全全坐在計算機面前就可以完成的工作。往往GIS出身的同學會產(chǎn)生這類認知差異，我認為有必要提出作為點評的點。這也讓我想起前幾天在微博上看到的一個很有意思的研究。由于疫情期間封城措施，盒馬生鮮在這個特殊時期開始紅火起來，但是GeoHey的官微推了一個有意思的問題（如下圖）。幾乎全國各地盒馬都在這次疫情爆紅，但是在福州失敗了。首先我覺得原因有很多，但是當時我看到微博的第一反應是因為福州有永輝超市。永輝是發(fā)家于福州的連鎖超市，是當?shù)亍稗r(nóng)改超”的典型案例，在福州本地有較為深厚的消費群體根基，而且本身就是以生鮮蔬菜的售賣為特色，因此可能對盒馬生鮮產(chǎn)生了一定的壓制。當然這只是可能的原因之一，具體的原因肯定很復雜，感興趣的同學完全可以就此研究，而這也說明了，對一個區(qū)域不實地考察了解的話，是很難對一些地學現(xiàn)象作出解釋的。當然我的認知還得益于某位學長的創(chuàng)新項目。最后一點，這位同學可以和第一位同學合作，這就是實現(xiàn)大數(shù)據(jù)與小數(shù)據(jù)的結(jié)合了。
相關(guān)資源：
- 學術(shù)動態(tài) | 華東師范大學城市自然地理團隊在洪澇災害應急管理研究領(lǐng)域取得重要進展
- Disruption of emergency response to vulnerable populations during floods
- Towards precision management of cardiovascular patients with COVID-19 to reduce mortality
第五位是基于當下流行的深度學習和圖片識別技術(shù)對交通標志進行檢測。首先從計算機技術(shù)角度出發(fā)，這位同學對計算機視覺算法方面的研究非常深入，并且在計算視覺處理的基礎(chǔ)上，集成開發(fā)了一個Android App，可以說在GIS開發(fā)上有著非常不錯的造詣。這類研究是當下非?；鸬臒o人駕駛熱點之一，在當下的時代，GIS不僅在傳統(tǒng)應用行業(yè)中發(fā)展，現(xiàn)在已經(jīng)擴展到了各個相關(guān)領(lǐng)域，無人駕駛就是其中一塊。當然這個部分對于算法和計算機技術(shù)要求頗高，感興趣的同學可以繼續(xù)深入了解。從研究來看，思路使用了計算機視覺里的圖像處理增強和變換相關(guān)算法，對圖片做了一定的處理，增強特征。然后結(jié)合深度學習來實現(xiàn)圖像檢測。這里要科普一個概念差異（如下圖）。目前來說，就我的認知，這位同學的研究應該還是在image classification的那一步，檢測圖片里面有沒有交通標志，有的話，自動采集收集數(shù)據(jù)。從本科畢業(yè)論文而言，做到這樣子是非常不錯的，我個人很佩服。另外這類app的目的也很好，就像看到蔣波濤老師說的話（如圖），目前深度學習入門教程現(xiàn)在太多了，大家的工作都集中在深度學習各種各樣的Hello World上，但是缺少具體應用的各類數(shù)據(jù)集。因此像這樣子的一個用于采集相關(guān)數(shù)據(jù)的app可以說在制作用于深度學習的數(shù)據(jù)集上提供了基礎(chǔ)和極大的方便。當然后續(xù)研究可以從目標檢測，和語義分割相關(guān)的進行深入研究。最后，我認為這個研究有一個算不上問題的小問題，就是這個研究的“地理味”不夠濃。這一點我后面也會簡單聊一聊。
相關(guān)資源：
- Waymo Open Dataset
- Introduction to Object Detection & Image Segmentation
- awesome-lane-detection
- awesome-semantic-segmentation
- Awesome Object Detection based on handong1587 github
第六位是偏向遙感的研究。利用了Landsat衛(wèi)星影像監(jiān)測龍巖市上杭縣礦區(qū)的生態(tài)環(huán)境狀況?；诙鄠€遙感指數(shù)提取包括地表溫度，濕度，NDVI等比較全面的生態(tài)環(huán)境遙感監(jiān)測常用產(chǎn)品。生態(tài)環(huán)境遙感監(jiān)測算是近些年來比較火的一個概念。這個研究雖然題目上說的是針對礦區(qū)的研究，不過在聽報告后發(fā)現(xiàn)，是做整個上杭縣的研究。上杭縣的礦區(qū)是上杭重點的生態(tài)修復區(qū)。我碩士所在的研究組剛好也有參與過相關(guān)的生態(tài)修復項目，不過我并沒有參與這個項目，只是簡單聽過這個項目。接下來談幾個點，就像答辯老師提的，這個研究的另一個問題是這個研究里使用的遙感監(jiān)測產(chǎn)品很多都是基于NDVI或者是相關(guān)的其他指數(shù)衍生出的各類數(shù)據(jù)，印象中濕度是基于NDVI和一個簡單的線性公式簡單計算得到，因此從這個角度而言，其實這些產(chǎn)品的同質(zhì)性極強。給我的感覺就是這個研究或者說這類研究，尤其是遙感領(lǐng)域的同學在做這方面研究時，通常更多的都是堆砌大量遙感數(shù)據(jù)產(chǎn)品。但是缺乏足夠的生態(tài)學含義和框架將這些數(shù)據(jù)更好地整合在一起，這樣子感覺有點像記流水賬，就是把能算的遙感數(shù)據(jù)全部列上去。這個部分，最近比較火的國土空間規(guī)劃可能可以提供一個參考，就是基于這些數(shù)據(jù)來計算生態(tài)環(huán)境承載力之類的綜合指標，這樣是兼顧生態(tài)學意義與遙感數(shù)據(jù)的方法，相比于比較單個產(chǎn)品更有意義。最后也提一句另外一個相關(guān)的內(nèi)容。去年聽到學弟學妹參加Esri競賽時用的一個遙感指數(shù)，基于遙感的生態(tài)指數(shù)，Remote Sensing Based Ecological Index，RSEI。這個指數(shù)是福州大學徐涵秋老師團隊提出的，簡單說就是基于NDVI，MNDWI，LST和遙感計算的濕度指標做主成分分析然后疊加生成的一個指數(shù)。按照論文里的說法，指標越接近1，生態(tài)環(huán)境質(zhì)量越好。但是這樣子一個指標是否就具備普適性，同時這個指標完全能表征生態(tài)環(huán)境質(zhì)量嗎？我個人還是有些保留意見的。不過后續(xù)擴展研究如果可以基于這個指標做些研究，也還是不錯的。
相關(guān)資源：
第七位是基于WRF數(shù)據(jù)改進數(shù)值模式輸出結(jié)果的不確定性。WRF是美國NCEP和NCAR開發(fā)的天氣數(shù)值模擬模式。這里不詳細贅述了。我博客里有介紹過安裝相關(guān)內(nèi)容，感興趣的可以去查找一下。簡單說，這是一個可以模擬真實氣象狀況的數(shù)值模擬模型，從輸出來說，可以為地學研究提供多維度的氣象變量。但是要注意的點在于，氣象學與地理學的尺度概念有差異，氣象學，尤其是數(shù)值模式的高分辨率與地理學的高分辨率差異較大。在氣象學里，全球1°就可以算是高分辨率，而地理學，尤其遙感領(lǐng)域的高分辨率通常是亞米級數(shù)據(jù)。因此WRF通常輸出最細也是在3KM左右，這是地學應用上一定的限制。這個研究其實無關(guān)WRF，就是討論WRF輸出與實測數(shù)據(jù)如何結(jié)合改進預測，降低不確定性。從概念上講，是類似data assimilation（數(shù)據(jù)同化）的研究，不過我覺得從實際操作角度更接近data fusion（數(shù)據(jù)融合）。同樣是采用了當前流行的深度學習神經(jīng)網(wǎng)絡(luò)模型。當然老師們提了個問題，單點數(shù)據(jù)與網(wǎng)格如何實現(xiàn)結(jié)合。這也是一個比較普遍的地學問題。但是事實上WRF，包括WRFDA模塊，在進行數(shù)據(jù)同化的過程中，他們對于稀疏觀測站點的真實數(shù)據(jù)與模型輸出的同化流程操作與地理學的處理思路是有差異的。地理學往往需要遙感作為尺度擴展的中介。而WRF是需要對觀測站點做一個所謂的局地化方案（印象中是有點類似空間插值的思路），感興趣的同學可以自己去深入了解。但是目前WRF模型輸出的降尺度，數(shù)據(jù)融合，數(shù)據(jù)同化已應用到更細尺度的數(shù)據(jù)產(chǎn)品。這也是地理學重要的數(shù)據(jù)來源與補充。尤其深度學習的出現(xiàn)，為AI和地球系統(tǒng)科學提供了另一個契機。說到這，計算機的國際會議，ICLR 2020會議開始組織一個AI與Earth Science的workshop，包括近年來數(shù)據(jù)科學競賽有大量的相關(guān)題目。無一不顯示了深度學習技術(shù)與地球系統(tǒng)科學結(jié)合的潛力。這方面的研究還有很多值得深入的地方，地理學如何為這類研究提供更好的支撐也是值得考慮的。
相關(guān)資源：
第八位是以平潭島為案例，結(jié)合土地利用數(shù)據(jù)分析海島的生態(tài)安全格局。生態(tài)安全也算是這幾年興起的生態(tài)學領(lǐng)域熱點研究。我碩士導師是國家重點研發(fā)專項“長三角城市群生態(tài)安全保障關(guān)鍵技術(shù)研究與集成示范”子課題負責人，其實同期的國家重點研發(fā)專項一共有四個關(guān)于城市群生態(tài)安全相關(guān)的，分別為京津冀，長三角，珠三角以及閩三角。事實上學院的多位老師也參與了閩三角的子課題。當前生態(tài)安全的幾個關(guān)鍵問題主要包括水生態(tài)安全，糧食生態(tài)安全，大氣污染，生物多樣性等等。這個研究其實是基于土地利用數(shù)據(jù)集合景觀生態(tài)指數(shù)評價生態(tài)安全格局，研究里采用了水文分析中的“源-匯”理論進行分析，事實上可以理解為對生態(tài)脅迫效應的研究，從而分析生態(tài)用地擴張的格局。這里推薦一篇認識的一個師姐最新發(fā)表的文章（鏈接在后面）。說到這個也提一下研究題目的問題，在題目里出現(xiàn)了兩個格局，因此確實讀起來比較拗口，這一點老師們也提到了。如果以“源-匯”理論作為關(guān)鍵創(chuàng)新點，題目可以改為基于“源-匯”理論的生態(tài)安全評估格局研究，當然這僅僅是個人意見。從主題而言應該是城市化擴張的生態(tài)安全影響。另外海島生態(tài)安全分析也是一個當前比較特殊的研究領(lǐng)域，也是值得注意的一個點。另外還可以考慮結(jié)合土地利用模擬模型，對未來的生態(tài)安全情景進行模擬分析。
相關(guān)資源：
最后一位是分析師大區(qū)域的溪源江流域的洪澇災害風險地圖設(shè)計，不過我因為當時在飯點，聽得斷斷續(xù)續(xù)，不是很完整。具體內(nèi)容，我就不具體點評了。整體內(nèi)容是偏向地圖設(shè)計的研究，個人看法是可以和前面第一位和第四位同學交流。地圖設(shè)計的研究，應該不僅限于制圖。在制圖的基礎(chǔ)上，可以聯(lián)系陳述彭院士提出的地學信息圖譜概念，將多年災害的洪澇災害地圖集成到一起，形成地學信息圖譜，從而推斷相關(guān)規(guī)律。這應該也是個蠻有意思的研究。
相關(guān)資源：
2 Topics
總的來說，這九個研究里面（包括我也圍觀了其他GIS系的部分答辯）有很多選題比我們當年要新穎有趣得多，學弟學妹們比我們當年做畢設(shè)的時候敢嘗試的多，當年我們年級GIS系的選題大量集中在面向?qū)ο蟮倪b感分類。有很多題目都是不僅局限于GIS的傳統(tǒng)領(lǐng)域了，如計算機視覺，深度學習，WRF，文本挖掘。
地理學本身是一門很綜合的學科，因此涉及到的地學現(xiàn)象十分復雜。而GIS作為分析地理學的關(guān)鍵定量工具，勢必要求在建模的過程里必須對地理學，地學現(xiàn)象有深入了解。但是GIS學科當前的教育似乎比較多集中在GIS軟件使用，分析，開發(fā)，遙感，偏向計算機科學方面的課程，在地理學基礎(chǔ)理論知識方面的課程相對少一些（可能我的了解比較片面，也不完全對）。當然這也是因為時間緣故，同等時間想兼顧多個內(nèi)容確實很難。
當然本科期間強調(diào)學習的廣度，而碩士生以及博士生的學習會更強調(diào)學習研究的深度。因此先把計算機基礎(chǔ)打好也并不是壞事。如果感興趣繼續(xù)做這方面深入研究的同學，本科期間應該先把計算機基礎(chǔ)打好。在碩博期間挑選一個適合自己的主題，深入研究挖掘。
這樣的研究就要求我們要走出GIS的限制（指去關(guān)注感興趣主題的核心），把研究放在自己關(guān)注的感興趣區(qū)域，深化這部分的專業(yè)知識了解，而隨著對關(guān)鍵領(lǐng)域的深入研究挖掘，往往會出現(xiàn)一些情況，就如上面有幾位同學做的研究，我提到的地理味不夠濃。當這情況出現(xiàn)時，應該回歸本心——重新回顧GIS學科，去思考如何再和地理學，GIS結(jié)合？
舉幾個我個人認為比較有意思的，GIS分析可以運用的特定研究。
籃球場的投籃分析（見如下蝦神的博客，此外Esri也有個匯報是基于ArcGIS Model Builder分析的）。
- AI web app and API to analyze basketball shots.
- AI Basketball Analyze basketball shot with machine learning
- 利用Python對NBA SportUV數(shù)據(jù)進行可視化及分析
B站彈幕分析，可以基于地形分析的思想進行研究?？梢钥吹綇椖粩?shù)量有這個波形的存在（如圖）。也有大神基于這個用Python實現(xiàn)全自動制作視頻。
這與下面Science論文里的這個高程截面圖是類似的。
還有一個與上面的類似研究。
不過GIS的基本理論還是要在本科期間就建立起來并重視的，就比如目前公認的地理學第一定律和第二定律，因為這是一切空間分析和空間統(tǒng)計的基礎(chǔ)。
另外關(guān)于研究題目的起草，這次答辯有不少老師提到，我前一段剛好看到一名知名的學術(shù)博主的評論。覺得甚有益處，也分享給大家（下圖）。
記錄了一些自己的感悟和感受，可能比較隨意，主要用于與大家交流。大部分觀點為個人意見，僅供參考。
最后還是祝大家畢業(yè)快樂呀！??！
