论文与情报流

由于全局线性模型无法捕捉空间非平稳性和复杂的交互效应，表征空间异质性干旱区生态质量的时空动态及其驱动机制仍具挑战性。本研究提出一种结合Light Gradient Boosting Machine与Shapley Additive Explanations（LGBM-SHAP）以及基于地理最优分区的异质性（GOZH）模型的集成建模方法，以探究2000年至2024年内蒙古遥感生态指数（RSEI）的动态变化。结果显示，空间极化现象加剧：主要位于西部干旱区的23.2%区域呈现持续退化轨迹，而东北部的56.1%区域则表现为持续改善。尽管全局LGBM-SHAP分析确定降水、数字高程模型（DEM）和放牧强度为主要驱动因子，但也揭示了辛普森悖论：由于资源追踪效应，放牧强度在全球尺度上与生态质量呈现误导性的正相关。GOZH模型通过划分12个数据驱动的生态独特分区解决了这一问题，表明在剔除水气候混杂效应后，放牧在高质量区域中作为严格的胁迫因子发挥作用。此外，研究确定了340毫米的临界降水阈值作为生态潜力的约束条件；发现人为胁迫因子（如裸地比例）为条件性驱动因子，仅在特定的水分受限区域内施加显著的退化压力（相对贡献率为11.0%）。这些发现表明，全局平均效应掩盖了关键的局部退化机制。所提出的方法为解耦自然与人为影响提供了稳健工具。

出版日期：2026年12月。来源：《ISPRS摄影测量与遥感杂志》，第242卷。作者：Amin Mohsenifar, Ali Mohammadzadeh, Armin Moghimi, Sadegh Jamali

出版日期：2026年10月15日 来源：Sustainable Cities and Society, Volume 150 作者：Michael Friesenecker, Nadine Haufe, Raphaela Kogler, Maximilian Muhr, Mark Scherner, Thomas Thaler, Patrick Scherhaufer

出版日期：2026年10月15日 来源：Sustainable Cities and Society, Volume 150 作者：Kaiping Wang, Tieyue Qiang, Yunlu Zhang

快速城市化要求对湍流风场和污染物扩散进行高效监测，然而现有的重构与传感器布置策略在现实稀疏约束下往往失效。本文提出 Diff-SPORT，一种基于扩散模型的框架，结合生成式扩散先验、最大后验推断（MAP）及 Shapley 值归因方法，实现高保真流场重构与最优传感器布置。通过在单一域上训练一次扩散先验模型，Diff-SPORT 能够实现非线性最优传感器布置，并从稀疏测量数据中进行近实时流场重构，其速度比 RANS 或 LES 模拟快数个数量级，且性能持续优于现有最先进方法。该框架无需算法修改即可扩展至实验性被动标量浓度数据集（作为污染物扩散的直接代理指标），该数据源自北京海淀区街区在真实城市流动条件下按 1:2400 比例尺的水槽模型测量结果。在极端稀疏条件下，Shapley 引导的传感器布置相比随机布置可将重构误差降低高达 57%，并识别出紧凑且物理可解释的配置方案。这些结果确立了 Diff-SPORT 作为一个模块化基础框架的地位，为需要大量重训练的下游策略提供了零样本替代方案，支持面向空气质量管理和韧性城市设计的可扩展城市流动监测。

出版日期：2026年12月 来源：Cities, Volume 179 作者：Young-Jin Ahn, Hwahwan Kim, Zuhriddin Juraev, Dilshod Dustnazarov, Mirzohid Koriyev

出版日期：2026年12月。来源：《ISPRS摄影测量与遥感杂志》，第242卷。作者：赵思远、李凯明、罗颖、王强、赵晓林、张增辉。

出版日期：2026年12月 来源：《Cities》第179卷 作者：Hongyi Zou, Katarzyna Sila-Nowicka, Malcolm Campbell, Vanessa Brum-Bastos

出版日期：2026年12月；来源：Cities, Volume 179；作者：Sabah Usmani, Xiao Wu, Darby Jack, Heather McBrien, Andrew G. Rundle, Mark Seaman, Marianthi-Anna Kioumourtzoglou, Jaime Benavides

出版日期：2026年12月。来源：《ISPRS摄影测量与遥感杂志》，第242卷。作者：Yuhang Song, Yuanfeng Wu, Boya Zhao, Zutian He, Xiushan Bai, Wenzhi Liao, Bing Zhang

行为克隆在专家演示数据上离线训练策略，但部署处于闭环状态：每个动作都会影响策略随后接收到的观测值。我们研究了紧凑的多模态策略在 CARLA 模拟器中能从离线演示数据中获得多少闭环驾驶能力。该策略利用 RGB 图像、LiDAR、车辆遥测数据和车道航点组成的五帧历史序列，以 20 Hz 的频率预测油门、制动和转向指令。演示数据分三个阶段收集，最后采用一种系统化的路线生成程序，枚举生成点和可行机动动作，并验证已完成的自动驾驶路线。发布的包含 136 万参数的策略在 236,882 个窗口上进行训练，这些窗口代表了来自 448 次采集的大约 3.3 小时驾驶数据。所得策略能够在训练路线和保留路线上自主行驶数小时。在我们的运行中，它未发生碰撞，并且定性迁移到了具有不同道路几何结构的未见过的 CARLA 城镇。我们还观察到从大幅轨迹偏差中的恢复情况，尽管在没有受控评估的情况下，我们不声称具备系统性恢复能力。我们报告了离线指标，并区分了测量结果与定性的闭环观察结果。我们发布了代码、训练检查点、ONNX 模型、数据样本以及针对所报告主张的证据审计。

出版日期：2026年12月 来源：Cities, Volume 179 作者：Juan Pablo Castrellon, Michael Browne, Ivan Sanchez-Diaz

出版日期：2026年12月。来源：《ISPRS摄影测量与遥感杂志》（ISPRS Journal of Photogrammetry and Remote Sensing），第242卷。作者：Ruiming Du, Guangxun Zhai, Tian Qiu, Shichao Jin, Dawei Li, Zhihong Ma, Yongliang Qiao, Junfeng Gao, Haiyan Cen, Yu Jiang

高斯 Whittle-Matérn 场构成了紧致度量图上一类灵活的高斯过程，其空间依赖性通过分数阶随机偏微分方程由网络的几何结构和连通性决定。本文针对具有马尔可夫性质的半整数光滑度参数情形，发展了这些场的一种新的桥表示。该表示将场分解为有限维的图分量以及各条边上独立的 Whittle-Matérn 桥过程。由此产生的分解方法可实现高效的似然评估、克里金预测和模拟。研究表明，与以往方法相比，该方法提高了数值稳定性并显著减少了计算时间。在芝加哥街道网络图上的模拟研究展示了采样方法的计算效率，而对马德里交通强度数据的应用则证明了其在基于似然的推断和预测中的实际优势。相关方法已在 R 包 MetricGraph 中实现。

出版日期：2026年11月 来源：Transportation Research Part A: Policy and Practice，第213卷 作者：Andrea Pellegrini, Elisabetta Cherchi, John M. Rose

应急管理援助项目（如救灾物资分发）对于向受灾社区提供必要物资至关重要。然而，这些项目在由地方中心组成的去中心化网络中运行，各中心面临不确定的局部需求和供应动态，导致本地服务可用性不一致。在这些地方中心之间重新分配物资可以缓解这种不平衡，但各中心往往在信息有限且交通中断的情况下独立做出决策。本研究开发了 CoRe-MARL，这是一个协作多智能体强化学习（MARL）框架，通过构建去中心化部分可观测马尔可夫决策过程（Dec-POMDP）来实现。我们将每个中心视为一个智能体，学习一种再分配策略，以改善最差情况区域的服务水平并缩小区域间的服务差距，同时保障全网服务水平。我们引入了一种循环网络，用于捕捉无需直接观测即可演变的供需动态，而多智能体近端策略优化（MAPPO）则实现了集中式训练和分布式执行（CTDE）。我们在具有多样化轨迹的模拟环境中评估该框架，其中行动者和 MAPPO 评论家均无法观测到确切的动态。我们将循环 MAPPO 与循环独立 PPO（IPPO）以及仅本地启发式方法进行比较，发现 MAPPO 能够减少地方中心之间的服务差距，提升服务最差中心的服务水平，同时保持具有竞争力的全网服务水平。循环 MAPPO 在多样化的轨迹模式中表现出一致的性能，证明了其适应演变动态的能力。研究结果展示了协作学习在去中心化再分配中的能力。

面向自动驾驶的最先进视觉-语言-动作（VLA）模型面临关键局限：参数规模过大、高分辨率图像处理效率低下以及缺乏时序记忆。我们提出 Fast and EffectIVE VLA（FIVE-VLA），通过两项核心贡献解决上述问题。首先，采用高效的视觉编码器处理高分辨率（448 × 896）图像，仅生成 98 个 token，比现有方法减少超过 5 倍，并完全绕过文本生成以实现单步轨迹预测。其次，提出循环动作记忆（Recurrent Action Memory, RAM），这是一种轻量级模块，利用先前动作 token 对动作预测进行条件约束，为超车和紧急制动等机动操作提供关键的时序上下文。FIVE-VLA 仅有 6.41 亿参数，在具有挑战性的 Bench2Drive 闭环驾驶基准测试中，相比此前最先进的 VLA 模型，无交通违规规则完成的路线比例高出约 10%。在大规模真实世界 NVIDIA Physical AI AV 数据集上的非反应式开环仿真显示，其碰撞违规率分别比 SimLingo 低 10.2%（单视图设置）和 7.7%（四视图设置）。此外，FIVE-VLA 在 A100 GPU 上运行速度约为 30 fps，在 T4 GPU（作为边缘设备的代理）上约为 4 fps，相比先前方法实现了 8 至 30 倍的加速。

换道是一项关键的驾驶操作，理解其对交通安全和效率的影响对于有效的交通管理与优化至关重要。然而，现有研究在识别与换道相关的扰动时，难以充分考量自然交通动态。此外，衡量单次自由换道影响的空间范围与持续时间的方法，以及量化其整体时空影响的综合指标仍不完善。为弥补这些不足，本研究提出了一套综合解析框架，用于评估单次自由换道对上游交通的时空影响。该框架基于换道前后的车辆轨迹，识别受影响的跟驰车辆及其受影响时长。引入行驶距离偏差（Travel Distance Bias）指标以衡量跟驰车辆相对于局部参考车辆的运动偏差，同时利用车辆特定的事件前波动包络线和游程持续性滤波器，减少将背景交通波动误归因于换道事件的情况。基于受影响车辆及受影响区间，开发了两个聚合指标：总效率影响幅度（TEIM）和总安全影响幅度（TSIM），分别用于量化效率和安全相关的影响幅度。通过匹配无换道对照组和方法对比实验提供的比较证据表明，受影响车辆识别程序虽能减少但无法完全消除由背景交通波动引起的假阳性检测。

出版日期：2026年12月 来源：《Transportation Research Part D: Transport and Environment》第161卷 作者：Danni Lu, Alireza Yazdiani, Cafer Avci, Carl Closs, Mohammad Tayarani, H. Oliver Gao

在线多相机 3D 跟踪需在同步视图中维持场景全局身份，但基于查询的跟踪器仅在实例库中隐式携带这些身份，导致查询中断时身份碎片化。本文提出一种在线架构，通过在循环稀疏查询上显式预测 ID 来恢复关联精度。采用由外向内的 Sparse4D 检测器将校准视图融合为世界坐标系下的 3D 检测结果，并传播稀疏查询库；同时利用因果 MOTIP ID 解码器在有限轨迹记忆中对检测结果进行关联。我们将 MOTIP 的相对 ID 预测和回收槽位运行时机制适配至全局融合的 3D 观测数据，并引入度量空间门控及基于邻近度的新生目标恢复机制。在官方 2026 AI City Challenge Track 1 测试集上，该方法将 HOTA 从使用原生实例库身份的 29.63 提升至 38.01，主要得益于 AssA 从 20.83 增至 31.10，并在公开排行榜中位列第三。对每个场景全部 9,000 帧进行的完整序列验证表明，解耦 ID 训练相较于原生身份能提升 HOTA，而在分离 ID 目标的同时继续训练检测器则会产生依赖于场景的增益与损失。

生物入侵是全球可持续发展的主要挑战之一，导致生物多样性下降、经济损失和疾病传播。作为国际贸易和人类活动的中心，城市被普遍认为是生物入侵的热点地区。然而，城市生物入侵的驱动因素仍知之甚少，阻碍了有效的可持续管理。

前馈式三维重建的最新进展使得模型能够仅从图像流中恢复密集的场景表示和相机运动。然而，此类预测在长轨迹上容易产生不一致性，特别是在具有重复结构、弱纹理以及动态物体或人物的复杂环境中。缓解这些挑战的一种方法是使用全向相机，它提供宽广的空间覆盖范围并捕获更丰富的视觉信息。然而，大多数模型不支持360度图像，或者需要额外的微调。为了结合这两个方面，我们提出了 RIGOR：一种针对重力对齐的全向视频的大规模重建流程，该流程保留了冻结的前馈透视骨干网络，并将每个全景图利用为四视图虚拟 rig。rig 结构用于检测并修复局部不一致的预测，通过循环四视图一致性检索回环闭合，并在全局优化之前对候选重访点进行几何验证。经过验证的约束驱动 Sim(3) 位姿图，以校正序列中累积的旋转、平移和尺度漂移。我们证明，所提出的一致性机制在具有挑战性的建筑工地序列上，相较于前馈基线方法，同时提高了轨迹精度和重建几何质量。代码可通过以下链接获取：https://github.com/TangentH/RIGOR。

在均匀传播的理想假设下，无蜂窝大规模 MIMO（CF-mMIMO）通过有效地将每个用户包围在其服务接入点（AP）集合中，从而在整个网络上提供均匀的高吞吐量。然而，在现实的非均匀城市传播环境中，难以持续选择良好的有限服务 AP 集合，导致吞吐量显著下降，尤其是对最差服务用户（原“小区边缘”用户）的影响更为严重。为了在现实城市网络中恢复可扩展 CF-mMIMO 的均匀良好性能，我们构建了一个新的多目标优化问题，旨在通过最大化总数据速率来实现高吞吐量，通过最大化每用户吞吐量的 Jain 公平性指数来实现均匀吞吐量，并通过最小化服务 AP 集合大小来实现可扩展性。随后，我们提出了 UnifSrv AP 选择算法以解决该优化问题，其中包括基于深度强化学习（DRL）的算法 UnifSrv-DRL 和启发式算法 UnifSrv-heu。我们在现实的城市网络分布、传播和移动模式下对可扩展 CF-mMIMO 进行了全面的性能评估。结果表明，UnifSrv 显著优于先前的基准 AP 选择方案，并首次在非均匀城市传播条件下实现了 CF-mMIMO 的均匀高吞吐量。重要的是，我们的启发式算法达到了与 DRL 算法相当的吞吐量，但复杂度低了几个数量级。因此，我们首次提出了一种实用的 AP 选择算法，使 CF-mMIMO 在现实城市网络中具有可行性。