教育综合改革视角下专业学位研究生培养探索——以MPAcc为例

文章以MPAcc为例，阐述了我国专业学位研究生教育现状，对其近十年的报考规模、办学质量以及发展方向加以分析，总结了专业学位研究生在培养过程中存在的问题，并对专业学位研究生培养体系的改革给出意见建议。     

深度学习方法在作物遥感分类中的应用和挑战

[目的]准确估算作物的面积和分布对粮食安全至关重要。与传统的机器学习方法相比,深度学习具有多种优势,如端到端训练、可迁移性。为有效利用高时空数据进行作物识别提供了新的机遇。已有多种模型被应用于作物分类任务中,针对不同的分类任务,如何有效地选择模型,并对其进行训练和使用已成为关键问题。[方法]文章回顾了利用深度学习模型对作物分类的主要研究。N维卷积神经网络(N-D CNN)(N=1、2、3)和递归神经网络(RNN)已被有效用于作物分类任务。长短期记忆RNN(LSTM RNN)和门控循环单元RNN(GRU RNN)是RNN的变体,解决了随着时间序列增加RNN出现的梯度消失或爆炸问题。此外,还有研究使用CNN和RNN(我们称为RCNN)的混合模型对作物进行分类。该文首先阐述了使用深度学习方法进行作物制图的背景和意义,并介绍了CNN和RNN模型结构。然后回顾了一些典型的研究,包括模型的结构、遥感数据源、数据处理方法和分类精度。最后,总结了使用深度学习方法进行作物分类的挑战以及现有解决方案的局限性。[结果](1)1-D CNN可用于提取时间特征,或时间+光谱特征,分类效果良好;2-D CNN已被广泛应用于单时相数据的空间特征提取,分类精度依赖于数据源;3-D CNN应用较少,但具有很大的潜力,尤其是时间+空间维度的特征提取;(2)相同条件下(架构、数据源、研究区域、类别),LSTM RNN和GRU RNN分类效果通常高于普通RNN,而前两者的效果差距不大,但GRU RNN训练时间较短;(3)CNN+RNN混合模型(RCNN)用RNN比3-D CNN更适合提取时间特征。这主要是由于RNN建立了对序列数据的长期依赖,而3-D CNN卷积核是局部计算的。[结论]通过分析,认为深度学习技术是作物遥感分类的有效工具。此外,与其他模型相比,RCNN,3-D CNN和GUR RNN具有更大的潜力。     

解析“一带一路”中的美国因素

基于现行国际政治经济格局,“一带一路”建设客观上不可能绕开美国,主观上也不应该绕开美国.由于众所周知的原因,美国自然会对“一带一路”出自本能地怀有偏见和质疑,进而挖坑、设绊.秉持“天下主义”理念,创新“一带一路”内涵,充分展现“一带一路”的开放、包容、互利、共赢,全力追求“一带一路”通天下的愿景,按照“不冲突、不对抗、相互尊重、合作共赢”的原则,将美国有机融入“一带一路”总体框架,必能推进“一带一路”建设稳健前行.     

集体经营性建设用地出让制度构想

正基于对部分集体经营性建设用地改革试点地区土地出让情况以及相关办法的分析,同时参照国有土地使用权出让制度,笔者从明确出让主体、完善出让程序、优化出让方式、规范出让用途、设定出让期限、健全出让监督6个方面,提出了构建集体经营性建设用地出让制度的一些思考。改革试点实践经验启示在深化土地制度改革的背景下,出让作为创设土地用益物权的重要方式,是集体经营性建设用地入市流转的基础,对于规范出让行为、保护各方合     

社会资本视角下棚户区改造PPP项目风险分析

为了降低棚改PPP项目中的风险,提高社会资本参与棚改PPP项目的积极性,以社会资本方为研究视角。通过文献回顾和案例分析,总结社会资本参与棚改PPP项目面临的主要问题,筛选出社会资本参与棚改PPP项目面临的17个主要风险因素;运用DEMATEL法分析各风险因素的重要程度及相互影响关系,确定政府信用风险、相关法律法规不健全风险、市场收益不足风险、规划设计风险为关键风险因素;针对关键风险因素提出社会资本方防范措施,即多举措并举、细化合同条款、合理界定棚改PPP项目使用者付费范围、选择实力强的设计院是防范社会资本的有力措施。研究结果为分析棚改PPP项目风险提供了新思路,有助于提高社会资本参与棚改项目的积极性,所提对策对社会资本合理规避棚改PPP项目关键风险具有重要的借鉴意义。     

高校思政教育与心理健康教育结合机制研究

为提高大学生综合素质,高校在重视智育的基础上,正不断促进学生思想与心理健康教育水平的提高。高校在加强智育工作的同时,不断提高德育教学水平,通过各种方式展开思政教育及心理健康教育。当前有高校教育学者提出将两项教育工作有机结合,以促进教学水平的提升。以此为背景,本文就其结合机制的长效建立进行研究。     

高分1号冬小麦解译面积核算方法研究

[目的]以高分1号(GF-1)融合2m卫星遥感影像为基础数据源,结合土地利用现状数据、高分多源遥感影像和地面样方等数据,对冬小麦分类提取中存在的面积误差问题进行研究和分析。[方法]文章以河南省永城市为研究区,在冬小麦提取结果聚类处理基础上,基于线性地物缓冲区数据,采用GIS空间运算实现线性地物面积扣除,接着分析了样方数据和土地利用现状数据再扣除零星地物面积比例上的差异,并采用样方零星地物平均扣除系数对全市各乡镇耕地与非耕地中冬小麦提取面积进行了相关统计和误差分析。[结果]永城市冬小麦最终解译面积11. 29万hm~2,其中线性地物和零星地物扣除面积分别为6 613. 08hm~2和3 875. 22hm~2,占研究区冬小麦解译面积的5. 86%和3. 32%,与统计上报数据相比,其处理前后误差由14. 12%降低至4. 41%,有效地提高冬小麦提取面积精度。[结论]误差来源分析与修正对冬小麦解译面积核算精度具有重要影响,该研究为县级区域尺度下冬小麦面积提取核算提供了思路和借鉴。