空間數據科學R語言實踐：以民航GNSS干擾數據分析為例

【中圖分類號】P208 DOI：10.3969/j.issn.1674-7178.2025.04.007

開放科學（資源服務）標識碼（OSID）

引言

近年來，數據驅動的城市治理已成為全球城市發展與管理的重要趨勢I，而空間數據科學的發展更是重中之重。各種空間數據（如遙感影像、矢量地理信息、軌跡數據等）的持續增加，使得人們對城市運行情況的觀察范圍和深度不斷擴大。空間數據科學作為地理信息科學與數據科學的交叉學科，聚焦于多源、海量、復雜空間數據的全生命周期管理，涵蓋采集、處理、建模、分析、可視化及決策支持等核心環節[2。在地理信息系統、時空統計分析、大數據挖掘、人工智能和遙感技術的共同推動下，空間數據科學正在改變城市治理、城市規劃、國土空間監測、環境管理、災害防控和智慧農業等多個領域的決策方式[3-4]。同時，該學科的發展也契合了國家成立國家數據局的初衷，為統籌時空大數據資源共享與開發利用奠定堅實的技術與人才基礎。

然而，機遇總與挑戰并存，空間數據科學的發展存在瓶頸。首先，空間數據的種類和體量都在爆炸式增長，格式各異、特性不同?，F有的數據處理方式缺乏統一的方法，很難高效地整合和規范管理數據。其次，面對時空大數據，很多分析還停留在相對簡單的模型上，缺乏堅實的理論基礎和更深人的模型支撐，數據的深層價值難以被充分釋放。此外，傳統分析工具在建模時，常常對空間自相關、異質性這類復雜問題\"力不從心”。這些問題在城市規劃、環境監測和公共安全等領域表現得尤為突出，成為科學決策的瓶頸。

針對以上挑戰，開源的R語言正異軍突起，展現出獨特的優勢。它靈活的結構、模塊化的設計以及背后極其活躍的開發者社區，使得其成為一套高效且完整的工具系統。R語言可以很好地處理復雜的、高維度的和非結構化的數據。它建立了一個完整的空間數據分析生態系統，包含了矢量數據和柵格數據處理、交互式地圖可視化、空間建模和統計推斷等功能。比如，sf工具包采用了國際通用的簡單要素（SimpleFeatures）標準，使空間數據的處理變得更加簡單;tmap和leaflet等工具包支持各種地圖展示方式，適合科研結果的展示和政策傳播;spdep和gstat等工具包支持從空間權重矩陣到空間回歸分析的全過程。尤為關鍵的是，相較于商業平臺普遍存在的算法封閉性與參數可調性受限等缺陷，R語言在算法實現層面具有高度透明性與可追溯性。這些功能顯著提高了空間數據分析的效率，降低了空間數據分析的使用門檻，為R語言解決前面提到的挑戰提供了可靠的技術保障。

本文聚焦R語言，系統梳理了它在空間數據科學中的關鍵應用，重點探討其在數據處理、可視化和統計分析三方面的能力。為了更具體地說明問題，本文以民航領域分析全球導航衛星系統（Global Navigation Satellite System，以下簡稱GNSS）信號干擾為案例，清晰地展示了R語言在處理高維航空空間數據時的強大潛能和獨特優勢。

一、多源空間數據分析中的挑戰與應對路徑

隨著城市治理步入數字化快車道，管理者們正被海量的空間數據包圍一一遙感影像、移動軌跡和社交媒體信息等等。這些數據洪流本應成為洞察城市的“透視鏡”，但現實卻像面對一堆散落的拼圖：數據種類繁雜、體量爆炸增長，加上五花八門的格式標準，讓統一處理變得異常棘手。傳統工具如SPSS、EXCEL以及GIS等在清洗、可視化和統計分析這些數據時常常力不從心，不僅拖慢決策效率，更可能因分析偏差引發嚴重后果。尤其當遇到空間數據特有的自相關和異質性時，傳統工具無法很好地處理結構復雜的數據，滿足當前精細化分析任務的要求。因此，我們需要更有效、更靈活的新工具。

空間數據處理的核心挑戰，不僅在于數據結構的高度異構性，更在于“大數據、小模型\"的難題?？臻g數據可能來自衛星掃描、地面傳感器、居民問卷或是經濟數據庫，坐標系不同、精度參差、時間尺度各異。如果沒有統一的標準，數據整合會變得非常困難，將直接影響后續的建模和分析工作。例如，一項城市經濟研究發現，數據差異過大，會嚴重影響模型的構建和信息的提取過程，導致分析結果不準確、不可靠[5]。如果這一問題未能有效解決，政府或企業在資源配置過程中可能產生決策失誤，進而導致地區間發展不均衡的狀況進一步加劇。更棘手的是，當前空間數據分析常陷入“大數據、小模型”的困境一一分析深度不足、建模方法單一、技術手段匱乏。要突破這些瓶頸，僅憑手工清洗數據遠遠不夠，必須依賴自動化流程與強大計算能力的協同支撐。

在空間數據可視化方面，主要的問題是如何在圖像中同時反映數據的空間分布和數據的不確定性?？臻g數據通常存在測量誤差或采樣偏差。如果在可視化時忽略了這些誤差，決策者可能會誤解數據的真實含義，掉進認知陷阱。通常來說，研究者通過在地圖上疊加表示誤差的圖層，幫助決策者更全面地理解數據。但是，這種方法存在缺陷，例如容易造成圖像信息冗余，增加認知負擔。另外，在展示大量空間數據時，也要避免圖像信息太密集給決策者造成視覺錯誤，影響突發事件的預警和快速反應7]。同樣的，也要避免圖像信息過度簡化，密密麻麻的傳感器讀數被壓縮成單一色階圖，關鍵波動信號在縮放時被“平滑\"掉了。好的空間可視化不該是信息轟炸，而是要學會用動態聚焦、分層渲染等手段講清復雜故事。

傳統的空間統計方法，例如傅里葉變換與協方差建模，雖然理論成熟，但對計算資源和建模經驗的依賴顯著[8]。在實際操作中，這些方法可能難以支撐對實時響應的需求。一旦處理流程出現延誤，就有可能錯失對基礎設施異常的早期識別，進而影響應急響應的時效性。特別是在自然災害或重大工程風險預警中，數據處理效率往往直接關系到公共安全。這種背景下，急需一種更具自動化能力、能快速部署的統計分析流程，用以支撐動態監測與風險管理任務。

在這種背景下，學界與工程界將目光轉向更靈活的技術工具。R語言的廣泛應用，正體現了這種趨勢的轉變。作為開源軟件，R語言不僅無須支付授權費用，還擁有模塊化架構和活躍的社區生態。這種開放性的特征，為R語言在空間數據處理與分析中的擴展性奠定了良好基礎。更重要的是，R語言所涵蓋的豐富函數包能夠覆蓋從數據清洗到可視化的多個環節，使用戶可以以較低的學習成本，快速構建出具備可操作性的分析方案。這為應對空間數據科學面臨的挑戰提供了新的解決辦法。

二、R語言如何革新空間數據分析

R語言在空間數據分析領域引發了一系列重要變革，逐步改寫了傳統的工具體系與技術路徑。早期階段，研究人員主要依賴sp函數包來建立空間數據的基礎結構，配合maptools、rg-dal和rgeos等工具，共同構成了一個較為完整的分析系統9。然而，隨著sp工具包不再維護，R語言進入以sf工具包為代表的更新階段。sf函數包基于國際通用的簡單要素標準，將空間數據組織成類似數據框的格式，使數據結構更清晰，操作更便捷。更具吸引力的是，它與ggplot2、dplyr等常用數據分析工具高度兼容[1o]，在簡化操作的同時，也推動了現代分析風格的普及。

與此同時，柵格數據處理方面也經歷了關鍵調整。新推出的terra函數包逐漸取代了傳統的raster包，在計算速度和功能擴展上都有顯著提升，尤其適用于遙感影像等大規模數據場景[1]。此外，R語言的兼容性也在不斷增強。通過rgrass、RSAGA和RPyGeo等工具，用戶可以實現與PostGIS、GRASS、SAGA和ArcGIS等主流平臺的無縫連接，從而拓寬R語言的應用邊界

數據可視化方面的進步同樣不容忽視。早期研究者多依賴基礎的plot函數繪圖，用于展現點、線、面等空間要素，并借助RColorBrewer實現簡單的專題地圖設計[12]。GISTools的加入帶來了比例尺、指北針、圖例等制圖元素，使輸出地圖更具規范性[13]。ggplot2的興起則是一次范式轉變，引入“圖形語法\"的構圖理念，讓地圖制作更具模塊化與美學表達。通過疊加圖層，用戶可以靈活構建表達清晰、視覺美觀的地圖。現在，研究人員常用ggspatial等插件工具進一步提升地圖品質，使其達到出版級標準[14]。plot函數和ggplot2各有側重，也為不同分析需求提供了豐富選擇。

借助R語言，空間統計分析領域的兩大核心方法一空間自相關分析與空間差異性分析，實現了突破性進展。空間自相關分析揭示鄰近區域屬性的空間聚集特征，為插值預測與點模式識別提供基礎理論支持[15]。而空間差異性分析則關注地理過程的區域變異，常使用如地理加權回歸（GWR）等局部模型[16]。本研究團隊開發的GWmodel函數包正是GWR方法的重要實現工具，具備較強的模型拓展能力。配套的GWmodelVis可視化包支持結果的動態展示與交互操作，顯著降低了建模門檻[17-19]。借助這些工具，R語言在空間建模能力上持續增強[20-22]，也逐步形成了從數據準備、建模分析到結果呈現的一體化流程。

三、R語言空間數據科學實踐案例：民航GNSS干擾數據分析

GNSS是現代航空系統的關鍵技術之一，廣泛應用于民航飛行中的空間定位、速度測量與時間同步。GNSS信號傳播高度依賴外部環境，極易受到電磁干擾、地理遮擋和極端氣象等因素影響，進而造成定位精度下降或信號丟失，對飛行安全構成潛在威脅。針對干擾問題的實時監測與空間識別，已成為民航運行保障的重要課題。

隨著數據采集技術進步，飛行品質監控系統（QuickAccessRecorder，以下簡稱QAR）成為獲取飛行過程中GNSS信號狀態的核心數據來源。通過對QAR記錄的深人分析，可有效識別干擾發生的時空特征，為構建干擾監測與防控機制提供數據支撐。

基于全國飛行品質監控網絡，研究團隊對2023年約4150架民航客機執行的超過350萬架次航班數據進行了GNSS信號監測。為處理這一大規模數據集，采用R語言分別從統計建模與空間可視化兩個維度展開系統分析，體現空間數據科學方法在實際應用中的價值。

為提升數據可靠性，需對QAR數據開展標準化處理?；诤娇諗祿值?，對不同機型與設備版本間的字段差異進行統一，消除結構異構性。針對傳感器記錄中的缺失值，采用R語言中的線性插值方法，結合輔助變量進行動態填補。系統初始化階段產生的噪聲與異常值，通過統計模型識別后進行插值或替代修正。飛行軌跡中的波動與簡化誤差，則通過卡爾曼濾波算法進行校正，優化空間精度。此外，為補全記錄中缺失的機型信息，結合機場與航班時刻數據進行還原識別。

（一）基礎統計與可視化

采用R語言中的基礎繪圖函數對2023年民航GNSS信號監測數據進行統計與可視化分析，生成月度信號丟失率圖與機場分布統計圖。通過對GNSS信號丟失的月份分布以及區域分布分析，能夠得出信號丟失事件主要集中的時間以及地點，為民航運行安全提供了數據參考。

結合日歷熱力圖進一步刻畫特定機場GNSS信號丟失的時間分布特征。以圖1所示的A市為例，熱力圖清晰展示每日信號異常的密集程度，為識別干擾事件的時序規律及潛在周期性提供可視化依據。該方法有助于提升干擾源識別與風險研判的效率與準確性。

（二）核密度估計與空間可視化

核密度估計屬于非參數概率密度估計方法，可通過設置平滑參數，對數據的空間分布特性進行連續性表達與圖形化呈現。依托本研究團隊所開發的R語言空間分析函數包GISTools，構建GNSS信號干擾事件的核密度空間分布模型，并以某區域空域為對象進行建模與可視化（出于數據安全考量，本部分內容未提供具體圖示說明）。

模型分別對不同飛行階段（如起降、巡航）、不同干擾持續時長（如10分鐘以上）及不同飛行高度（如3000米以下）條件下的事件分布進行核密度估計，結果揭示多個高密度聚集區。相關分析反映了GNSS干擾的空間強度分布、變化趨勢及可能模式，為后續識別干擾源的空間位置與類型提供理論依據與圖像支持。

四、R語言革新空間數據處理對行業的深遠沖擊

R語言的出現，重新定義了空間數據處理的方式，并在一定程度上彌補了傳統GIS工具的局限。這些局限多體現在多源數據的整合、可視化表達和統計建模的靈活性方面。傳統軟件如ENVI和ArcGIS，多依賴圖形化界面操作，雖然上手簡單，卻難以滿足高頻迭代與批量處理的需求，重用性也不足。與此同時，軟件授權費用較高，常常限制了中小機構的廣泛應用。相比之下，R語言基于代碼腳本的運作模式，不僅提升了處理的靈活性，還便于結果的復現與共享。尤其是在sf和terra等函數包的支持下，用戶可以在同一平臺內同時處理矢量和柵格數據，這一整合性優勢顯著提升了城市規劃與資源管理的工作效率。

圖1A市GNSS信號丟失時間分布圖（萬次）

更重要的是，與商業平臺中“算法黑箱”參數受限的狀況不同，R語言在方法層面體現出高度透明性與可追溯性。以地理加權回歸為例，ArcGIS所集成算法與學術界通用模型存在實現差異，用戶既難以檢視計算過程，也無法調整關鍵參數，影響結果可信度。而R語言通過開源工具包提供了細粒度控制權限，研究人員可直接修改源碼、優化模型結構，并對算法邏輯進行驗證，確保分析的科學性與可重復性。這一特性極大增強了研究的自主性與理論貢獻的嚴謹性。

R語言的優勢不僅體現在底層技術與分析能力上，更在于其廣泛的跨領域適用性。在城市治理實踐中，R語言已廣泛應用于城市三維建模、遙感數據整合、水質地圖構建、大壩安全監測與交通擁堵指數建模等領域。例如，在阿聯首阿奈恩市（AlAin），研究團隊利用R語言整合HERE地圖與谷歌地圖的交通數據構建可視化模型，用以識別高峰期擁堵成因并輔助交通調度決策[23];在環境監測中，R語言通過Leaflet可視化污染物分布，提升了數據可視性與應急響應效率[24]；R語言在社交媒體空間建模中同樣展現潛力，能夠提取社交平臺中的地理與文本數據，進而揭示輿情演化模式，提升政策回應的精準度[25]。

在教學實踐方面，R語言通過RMarkdown實現了數據分析、結果表達與報告撰寫的高度集成，改變了以往“操作導向\"教學模式[26-27]。學生在編寫代碼的同時生成可復現的分析文檔，教師則可依據腳本快速審閱作業過程與輸出結果。這種教學機制不僅提升了學習效率，也有助于培養學生對復雜空間數據問題的建模能力與邏輯思維，從而實現從“軟件技能”向“數據能力\"的教學轉型[28]。

從實踐應用到教學推廣，R語言都顯示出廣闊的發展前景。R語言的開源特性帶來的開放性與可擴展性，使其在城鄉與自然系統管理領域發揮著日益重要的作用。隨著人工智能技術的逐步融人，R語言在城市微氣候調控、建筑節能評估、綠色設計模擬等領域的應用不斷拓展。例如，研究者利用shadow工具包對建筑陰影進行分析，從而識別城市熱島效應的空間分布，為城市空間優化提供科學依據[29]。這些實踐為構建更加智能與可持續的城市環境奠定了基礎。可以預見，R語言將在跨領域研究、智能治理與公共服務數字化等方面持續發力，成為空間數據科學不可或缺的技術平臺。

結語

在全球數字化轉型和空間智能技術迅速發展的背景下，空間數據科學正改變人類理解地理世界的方式。伴隨城市治理的數字化進程加快，大量結構復雜、類型多樣的空間數據不斷涌現，傳統分析工具在數據融合與建模方面顯得力不從心，制約了城市規劃、環境監測與公共安全等領域的效率與精準度。為破解這一難題，本文基于R語言構建了一套涵蓋數據導人、清洗、建模、可視化和統計分析的完整流程，并詳細介紹了核心工具包的實際應用。同時，選取民航GNSS干擾數據作為案例，驗證R語言在處理高維、異構空間數據方面的可靠性與實用性。通過引入R語言，本文構建了一條“開放共建、低門檻、可重現”的空間數據科學民主化路徑。

隨著R語言開源生態的不斷擴展，其構建了從空間數據分析、可視化到統計建模的完整鏈條，在空間數據科學領域的作用日益增強。

面向未來，隨著城市空間三維數據等新型空間數據源的爆發式增長，構建更強大的多源數據融合處理框架已成為支撐綜合應用場景的迫切需求。與此同時，技術演進正加速消融編程語言邊界，未來跨平臺（如R語言與Python語言）協同的空間數據科學實踐生態將重塑分析方法論體系。需要指出的是，本研究雖未涵蓋地理空間人工智能（GeoAI）技術[30]，但該方向在空間模式識別與智能決策中的核心價值使其成為學科發展不可或缺的組成部分。更值得關注的是，在大語言模型技術革命的驅動下，探索復雜空間分析場景中R代碼的精準自動化生成機制，并進一步發展為具備自主推理能力的空間統計分析智能體[31，正成為人工智能與空間科學交叉融合的前沿突破口。

參考文獻：

[1]甄峰、李智軒：《數據驅動的中國城市空間治理框架 設想》[J]，《經濟地理》2023年第43期，第26-35頁。

[2]李德仁、王樹良、史文中、王新洲：《論空間數據挖掘 和知識發現》[J]，《武漢大學學報（信息科學版）》2001年 第26期，第491-499頁。

[3]田穎、楊滔、黨安榮：《城市信息模型的支撐技術體系 解析》[J]，《地理與地理信息科學》2022年第38期，第50- 57頁。

[4]盧賓賓、田小溪、秦思嫻、史祎琳、李建松：《基于地理 加權建模技術的武漢市土地資源承載力評價研究》[J]， 《武漢大學學報（信息科學版）》2025年第50期，第430- 438頁。

[5]RainerSplechtna，ThomasHulka，Disha Sardana，NikithaDonekal Chandrashekar， DenisGracanin and KresimirMatkovic，“InteractiveExplorationofComplexHeterogeneousData：A Use Case on Understanding City Economics\"[C]，Proceedingsof the2O23InternationalConference onInformationVisualization Theoryand Applications，2023.

[6] Dominik J?ckle，Hansi Senaratne， Juri F Buchmüller and DanielA.Keim，“Integrated Spatial UncertaintyVisualization using Off-screen Aggregation”[C]，EuroVis Workshop on Visual Analytics，2015.

[7] DanielA.Keim，ChristianPanse，Mike Sips and Stephen C. North，“Pixel Based Visual Data Mining of Geo-spatial Data\"[J]， Computers and Graphics，2004，28（3）： 327-344.

[8] Reguzoni Mirko，Rossi Lorenzo，De Gaetani CarloIapige， Caldera Stefano and Barzaghi Riccardo，“GNSS-Based Dam Monitoring： The Application of a Statistical Approach for Time Series Analysis toa Case Study\"[J]，Applied Sciences， 2022，12（19）： 9981-9981.

[9]Roger S. Bivand，Edzer J.Pebesma，Virgilio G6mez-Rubio，Applied Spatial Data Analysis with R[M]，NewYork： Springer，2008.

[10] HadleyWickham and Garrett Grolemund，R for Data Science：Import，Tidy，Transform，Visualize，and Model Data [M]， London，UK： O’Reilly Media，2023.

[11] Robert J. Hijmans，Márcia Barbosa，Roger Bivand， Andrew Brown，Michael Chirico，Emanuele Cordano，Krzysztof Dyba，Edzer Pebesma， Barry Rowlingson and Michael D. Sumner，“Terra： Spatial Data Analysis”[DB/OL]， 2023，accessed July 24， 2025，htps：//ran.r-project.org/package= terra.

[12] Tonny J. Oyana， Spatial Analysis with R： Statistics，Visualization，and Computational Methods [M]，London： CRC Press， 2021.

[13] Chris Brunsdon，Binbin Lu and Hongyan Chen，“GIS Tools：Further Capabilities in Geographic Information Science\"[DB/OL]， 2024，accessed July 24，2025， htps：//CRAN. R-project.org/package=GISTools.

[14] Dewey Dunnington，Brent Thorne and Diego Hernang6mez，“Ggspatial： Spatial Data Framework for Ggplot2” [DB/OL]， 2021， accessed July 24， 2025， https：//CRAN. Rproject.org/package=ggspatial.

[15] Waldo R. Tobler，“A Computer Movie Simulating UrbanGrowthintheDetroitRegion”[J]，EconomicGeography，1970，46（2）： 234-240.

[16] Michael F. Goodchild，“The Validity and Usefulness of Laws in Geographic Information Science and Geography” [J]，Annals of theAssociation of American Geographers， 2004，94（2）： 300-303.

[17]Binbin Lu，Paul Harris，Martin Charlton and Chris Brunsdon，“The Gwmodel R Package： Further Topics for Exploring Spatial Heterogeneity Using Geographically Weighted Models\"[J]， Geo-spatial Information Science，2014，17 （2）： 85-101.

[18] Isabella Gollini，Binbin Lu，Martin Charlton，ChristopherBrunsdonand Paul Harris，“Gwmodel：AnR Package forExploring Spatial Heterogeneity Using Geographically Weighted Models”[J]， Journal of Statistical Software， 2015，63（17）： 1-50.

[19] Binbin Lu and Huimei Wang，“GWmodelVis： Visualization Tools for Geographically Weighted Models\"[DB/OL]， 2025，accessed July 24，2025， https：//CRAN.R-project.org/ package=GWmodelVis.

[20] Chris Brunsdon，A. Stewart Fotheringham and Martin E. Charlton，“Geographically Weighted Regression：A Method for Exploring Spatial Nonstationarity”[J]，Geographical Analysis，1996，28（4）： 281-298.

[21] Binbin Lu，Chris Brunsdon， Martin Charlton and Paul Haris，“Geographically Weighted Regression with Parameter-specific Distance Metrics\"[J]， International Journal of Geographical Information Science，2017，31（5）： 982-998. [22] Stewart A. Fotheringham， Wenbai Yang and Wei Kang， “Multiscale Geographically Weighted Regression”[J]， Annalsof the American Association of Geographers，2017， 107（6）： 1247-1265.

[23] Khaula Alkaabi， Mohsin Raza，Esra Qasemi， Hafsah Alderei，Mazoun Alderei and Sharina Almheiri，“Using Crowd-sourced Traffic Data and Open-source Tools for Urban Congestion Analysis”[J]， Transportation Research Interdisciplinary Perspectives，2024，28： 1261-1261.

[24] Kaya Efdal， Agca Muge， Adiguzel Fatih and Cetin M， “Spatial Data Analysis with R Programming for Environment”[J]，Humanand Ecological RiskAssessment，2019， 25（6）： 1521-1530.

[25] Sanchez-Arias，Reinaldo and Eliana Espinosa，“TwitterData Miningand PredictiveModeling inR\"[J]，TransportationResearchInterdisciplinaryPerspectives，2024. [26] Benjamin Baumer and Dana Udwin，“R Markdown\"[J]， Wiley Interdisciplinary Reviews：Computational Statistics， 2015： 167-177.

[27] Kristine L. Grayson， Angela K. Hilliker and Joanna R. Wares，“R Markdown as a Dynamic Interface for Teaching： Modules from Math and Biology Classrooms\"[J]， Mathematical Biosciences，2022： 108844.

[28] Ben Baumer，Mine Cetinkaya-Rundel，Andrew Bray， LindaLoi and NicholasJ.Horton，“R Markdown：Integrating aReproducible Analysis Tool into Introductory Statistics”[J]，Technology Innovations in Statistics Education， 2014，8（1）： 1-29.

[29] Dorman Michael， Erell Evyatar， Vulkan Adi and Kloog Itai，“Shadow：R Package for Geometric Shadow Calculations in an Urban Environment\"[J]， TheRJournal，2019，11 （1）： 287-287.

[30] Gengchen Mai， Yiqun Xie，Xiaowei Jia，Ni Lao， JinmengRao，Qing Zhu， Zeping Liu，Yao Yi Chiang and Junfeng Jiao，“Towards the Next Generation of Geospatial Artificial Inteligence”[J]，， International Journal of Applied Earth Observation and Geoinformation，2025，136： 1043-68.

[31] Temitope Akinboyewa， Zhenlong Li， Huan Ning and M NaserLessani，“GIS Copilot：Towards an Autonomous GIS Agentfor Spatial Analysis”[J]，International Journalof Digital Earth，2025，18（1）：2497489.

作者簡介：張瀟月，中國民航科學技術研究院助理研究員。李斌，中國民航科學技術研究院研究員。盧賓賓，武漢大學遙感信息工程學院教授。

責任編輯：盧小文助理編輯：虞晉鈞