2. 中国矿业大学(北京)地球科学与测绘工程学院, 北京 100083;
3. 北京师范大学地理科学学部, 北京 100875;
4. 香港理工大学土地测量与地理资讯学系, 香港 九龙
2. College of Geoscience and Surveying Engineering, China University of Mining & Technology(Beijing), Beijing 100083, China;
3. Faculty of Geographical Sciences, Beijing Normal University, Beijing 100875, China;
4. Department of Land Surveying and Geo-Informatics, Hong Kong Polytechnic University, Hong Kong, China
为推动全世界范围内经济增长、社会包容与环境美好三位一体的协调发展,2015年9月联合国发展峰会通过《变革我们的世界——2030年可持续发展议程》(https://undocs.org/ch/A/RES/70/1),提出了17项可持续发展目标(Sustainable Development Goals,SDGs)及169项子目标(targets)。为切实落实这一重要的全球性政治议程,联合国设计和推行了一系列后续措施,包括开展基于统计和地理信息的SDGs进展评估与监测,以及时发现问题、制定改进措施[1-3]。为此,联合国成立了SDGs指标跨机构专家委员会(Inter-Agency and Expert Group on SDG Indicators,IAEG-SDGs),于2017年提出了包括232个指标的SDGs全球指标框架(SDGs Global Indicator Framework, SGIF),开展了元数据编制、指标分级、典型试验等研究(https://unstats.un.org/sdgs/iaeg-sdgs),为开展国家或区域SDGs定量评估、定期监测及定期报告提供了全球统一的指标体系[4-5]。
目前,基于SGIF的SDGs监测评估研究与应用实践方兴未艾。一些国家和组织利用统计信息进行了SDGs评估监测,如来自Sustainable Development Solutions Network (SDSN)的专家利用世界银行数据库和参考塔斯曼基金会与指示板进行了149个国家SDGs基准线评估[6],联合国西亚经社会专家根据20年时间序列统计信息完成了22个阿拉伯国家的SDGs进展与趋势评价[7],南非专家利用世界银行和粮农组织统计数据库进行了非洲南部农业可持续性评估[8]等。但这些评估分析并未利用地理空间信息,因而难以有效地反映和揭示SDGs践行情况的地理空间格局、区域差异及时空效应等。因此,联合国提出要发挥地理空间信息在SDGs评估监测中的作用,并着手推动多层面的研究与应用[9]。例如,IAEG-SDGs地理信息工作组(英文缩写为IAEG-SDGs:WGGI)分析梳理出最需使用地理信息的24个SDG指标(http://ggim.un.org/UNGGIM-wg6/),开展了典型指标计算、地理空间数据融合、统计数据的地理空间分解等研究[10];地球观测组织(GEO)成立了题为“对地观测支撑SDGs”的研究计划(英文缩写为EO4SDGs)(http://eo4sdg.org/),组织开展了一系列交流讨论[11]。但就总体而言,统计和地理信息相结合的SDGs评估监测尚处于概念设计、方法探讨和单指标、小范围试点阶段,尚未见到对一个完整行政区域(国家或省市县)的全面评估监测报道[12-14]。
究其原因,主要是面向2030可持续发展议程的SDGs综合评估涉及因素众多、技术过程复杂,不仅面临着SGIF的科学理解、海量时空数据的融合处理、顾及地理视角的指标计算与分析、基于事实的SDGs分析评估等诸多技术难题,还要解决跨学科的综合分析、与政府机构的沟通协调等问题[15-16]。针对这一国际前沿课题和热门话题,作者在联合国经社会、中国自然资源部、国家统计局、浙江省人民政府等支持下,选择浙江省德清县,进行了统计和地理信息相结合的SDGs综合评估试点研究,编制了践行2030议程的进展评估报告,构建了在线知识服务系统,为国际社会提供了首个此类研究示范[17]。本文介绍了提出的总体技术方法和试点情况,并讨论了今后的努力方向。
1 总体技术方法顾名思义,顾及地理空间视角的区域SDGs综合评估是对该地区经济增长、社会包容及环境美好的整体状况与进展进行全面分析,并在评估指标设计、数据处理、指标计算和评估分析中充分利用地理空间信息。笔者研究提出了基于统计和地理信息的区域SDGs综合评估的总体技术思路,如图 1所示。其是根据联合国2030议程的要求和中国落实2030可持续发展议程的国别方案,对联合国SGIF进行本土化分析,构建综合评估所需的本土化指标集,继而进行面向时空融合的数据处理、顾及地理视角的指标计算和基于指标与事实的多层次评估,最终编制综合评估报告,建立知识服务系统。
1.1 面向综合评估的指标本地化分析
联合国SDGs全球指标体系包含232个指标,涵盖了17个SDGs的169个子目标(targets)。鉴于其是根据国家层面的评估监测和全球普适性设计的,不可能充分反映不同地区和国家的特殊情况,难以直接套用到所指定的研究区域[5, 7]。因此,要根据研究区域的地域特征,从适应性、可量测和全覆盖3个方面,分析联合国SDGs每一指标的内涵与用途,经进一步的筛选或改进,构建出本地化的SDGs指标集。其中适应性分析是指分析每一指标对于所研究区域是否具有实际意义或价值。例如,对不邻海的德清来说,SDG 14 (海洋)没有意义,所对应的指标均不适用;可量测分析是指判断所选的指标是否有权威可靠且可获取的数据,包括统计数据、地理空间数据及其他类型的数据;全覆盖分析则是依据各目标的内涵及实践需求,进行指标筛选、改进等分析,以确保所选取的指标集能涵盖区域经济、社会和环境各个主要的SDGs及其重要的子目标,以便进行全面评估。直接选取、改进、扩展或替代等是指标筛选或改进的4种主要方式。其中直接采纳是指不改变原有指标元数据,包括指标名称、定义解释、计算方法,即直接引用。扩展是指原有指标的名称、定义解释、计算方法基本适用,但其对应的具体目标表述不足,或者不能完全反映区域的不同发展阶段,需扩展其指标的内涵,或改进其计算方法。修改是在保持指标内涵的基础上,对指标具体定义或者元数据中定义的部分数据,进行具体化或者结合本地化的实际进行调整。替代是指原有指标不适用,研究提出近似或相近指标。
1.2 面向时空分析的数据处理SDGs践行与施效既需要多年不懈的努力,也要落实到具体的地域空间上去,在本质上是一个时空过程。这就需要利用多类型、多时相、多尺度的统计和地理空间数据,进行SDGs时空分析和评估监测。IAEG-SDGs的初步研究表明,约2/3的SDGs指标缺乏官方提供的权威数据,直接制约着SDGs的时空分析与综合评估( https://unstats.un.org/sdgs/iaeg-sdgs)。因此,要梳理SDGs指标计算和分析评估的实际需求,收集整理来自政府机构、专业部门的权威基础数据以及相关的社交媒体、众包数据等,进行必要的归一化、地理分解与聚合、质量验证检核等处理,形成所需的时空数据。例如,矢量地形、数字高程模型(DEM)、地表覆盖、遥感影像等是其中最重要的空间型基础数据,但已有数据的内容、类型、时空分辨率往往不能完全满足要求,必须进行相应的细化完善或更新处理[18]。再如,从统计部门收集到的人口数据是以行政区划为单元的,主要表示人口在行政单元的平均状况,难以反映其真实的空间分布与差异,需采用地理空间细分(geospatial disaggregation)技术,利用地表覆盖、夜间灯光等空间数据与人口数据的多元回归关系,将其转化为基于地理格网的空间密度数据[19-21]。
1.3 顾及地理空间视角的指标计算就总体而言,大多数SDGs指标可以采用统计型方法,即利用比率(或占比)、变化率、指数等,直接利用统计数据计算。对于那些涉及地理空间分布及变化的指标,往往需要采用空间型方法,直接利用空间数据计算,或采用混合型方法,综合利用统计和空间数据进行计算[22]。前者主要是通过空间密度计算、分类提取等,直接从地理空间数据或遥感影像中提取;后者多是以通达性、覆盖度、空间关系等为基础,对空间化的统计数据进行计算分析,多为涉及环境和社会的服务范围、空间可达性的指标。值得说明的是,IAEG-SDGs曾按有无成熟计算方法,对SGIF的232个指标进行过分类,认为至少有60余项指标缺乏公认的计算方法,如指标6.6.1 (湿地范围及变化);而另有一些指标虽有计算方法(如指标11.3.1-土地使用率与人口增长率之间的比率),但在面对大范围计算、动态化监测时,自动化程度和可靠性尚待提高[23]。
1.4 基于指标和事实的多层次分析评估首先是参照贝塔斯曼基金会与联合国可持续发展解决方案网络(SDSN)2017年发布的《SDGs指数和指示板》[24]和“中国落实2030年可持续发展议程国别方案”(https://www.fmprc.gov.cn/web/ziliao_674904/zt_674979/dnzt_674981/qtzt/2030kcxfzyc_686343/P020170414688733850276.pdf)以及国际权威学术论文中的相关标准等,对本地化指标集的每一个指标进行比对,按基本达标(绿色)、有待提高(黄色)、面临挑战(橙色)和相差甚远(红色)分为4个等级。其次,将每一个SDG的子目标分为2—3个子集,凝练出对应的基本内涵、分析重点及其指标,利用量化指标和事实进行有针对性的分析,总结其可持续发展的状态、主要成绩和发展特色,分析存在的问题和改进方向[25];再者,通过所含指标对环境、经济、社会的贡献(或影响)度分析,将各SDG分别归至经济、社会、环境3个SDGs目标群,利用各指标量化结果、群内各指标间的变异系数和有关事实实例,分别对经济增长、社会包容与环境美好进行总体发展水平、协调程度、主要挑战等分析。
2 德清试点研究德清县位于浙江省北部,东望上海、南接杭州,地处长江三角洲腹地;县域总面积937.92 km2,地势西高东低,呈现“五山一水四分田”格局;2017年户籍人口43万,实现地区生产总值470.2亿元。采用前述的总体技术方法,完成了本地化指标集构建、时空数据处理、102个指标计算、单SDG评估和SDG板块分析等。
(1) 本地化指标集构建:在深入理解联合国2030可持续发展议程和中国国别方案的基础上,从德清县域实际情况出发,对联合国SGIF的有关指标进行了本地化分析,形成了包含102个指标本地化SDGs指标集。其中,直接采纳(adopted, 标注为A)的指标为47个,扩展(extended, 标注为E)的6个,修改(revised, 标注为R)的42个,替代(substituted,标注为S)的7个。对每个指标均给出了概念定义、计算方法和建议使用的数据。
(2) 时空数据处理:共收集200多项统计和地理空间数据,完成相应的处理分析。其中统计数据主要源自《德清县统计公报》《德清县政府工作报告》《水资源公报》等官方资料,或由政府有关专门部门提供。地理空间数据主要有德清地理信息中心提供。为了便于实现统计和地理数据的融合分析,利用“分区-面积加权法”[21],对人口等统计数据进行了地理空间分解处理。其是利用高分辨率(2 m)地表覆盖数据,分出居住区和非居住区,并对居住区按楼层高度进行面积加权;再以各乡镇(或街道)统计人口为约束,对居住区按30 m×30 m格网进行人口的面积加权分解。图 2是所形成的30 m空间分辨率人口密度分布图。
(3) SDGs指标计算:利用时空数据,完成了德清102项SDGs指标的计算。其中有85项指标系采用社会经济统计数据量化计算,10项指标系采用地理空间数据量化计算,7项指标系利用统计数据与地理空间数据计算,如表 1所示。表中A表示直接利用地理空间信息计算,B则是采用混合型方法计算。
SDG | 指标编号及名称 | 计算类型 |
1 | 1.4.1可获得基本服务人口及比例 | B |
2 | 2.4.1可持续农业面积在农业生产面积中的比例 | A |
3 | 3.8.1基本保健服务的覆盖面 | B |
6 | 6.2.1使用得到安全管理的环境卫生设施服务的人口比例 | B |
6.6.1.a涉水生态系统的空间范围变化程度 | A | |
6.6.1.d典型湿地生态系统的健康状况 | B | |
9 | 9.1.1.a居住在四季通行的道路两千米以内的农村人口所占比例 | B |
9.1.1.b道路密度 | A | |
9.1.1.c交通基础设施情况 | B | |
11 | 11.2.1可便利使用公共交通的人口比例 | B |
11.3.1土地使用率与人口增长率之间的比率 | B | |
11.7.1城市建设区中供所有人使用的人均公共开放空间、绿地率及人均公园绿地 | A | |
15 | 15.1.1森林面积占陆地总面积的比例 | A |
15.1.2保护区内生物多样性的重要场地占比 | A | |
15.2.1实施可持续森林管理的进展 | A | |
15.3.1已退化土地占土地总面积的比例 | A | |
15.4.1保护区内山区生物多样性的重要场地占比 | A | |
15.4.2山区植被覆盖度 | A |
(4) SDG指标评级:对于德清102项SDGs指标来说,共有79项指标具有可对比的参照标准或依据,其中68项SDGs指标已经达到或十分接近联合国2030议程的目标,或者明显居于全国乃至世界前列的(绿色),有9项指标仍存在差距、有待提高(黄色),面临挑战的指标有2项,占2.5%。
(5) 单SDG评估:鉴于德清没有海洋或海岸带,对除SDG14的其他16项SDGs进行了评估分析。按照“最小因子原则”,以每个目标内最低水平的指标评级确定所在SDG的践行水平定级,结果有8个目标基本达标(绿色),6个目标有待提高(黄色),仅有2个目标面临挑战(橙色),各目标距实现2030可持续发展议程的目标差距不显著(无红色)。
(6) SDG目标群分析:德清经济目标群涉及SDG 2、7、8、9、10,分析重点是经济发展条件、经济增长态势和经济发展;环境目标群包括SDG6、12、13、14、15等个目标,资源利用、生态环境保护和气候变化的区域响应为其分析重点;而社会目标群涉及SDG 1、2、3、4、5、6、7、8、9、10、11、16等12个SDG,分析重点是社会包容情况,包括满足生存需要、安全需要和发展需要等。分析可知,其经济、环境、社会3个目标群的指标变异系数分别为0.091、0.106、0.102,均处于较高水平上的基本协调型可持续发展,其中经济子系统的稳定度、协调度最高。
3 结语在联合国经社会、中国自然资源部、国家统计局、浙江省人民政府等方面的指导和支持下,来自国家基础地理信息中心、6所大学、2家公司的30余位研究人员与德清县政府及有关部门密切配合,研究提出了基于统计和地理信息的区域SDGs综合评估方法,分析撰写了中国(德清)践行2030可持续研究的进展报告;采用领域服务计算的思路与方法[26],设计研发了基于互联网的SDGs知识服务系统(www.deqing-sdgs.net),形成了中国(德清)样本。这项研究回答了2个基本问题:一是如何进行顾及地理视角的区域SDGs综合评估;二是德清县相距联合国2030议程提出的SDGs目标有多远。
首先,本项研究实践证明,将地理空间数据与社会统计数据有机结合,能够有效地实现顾及地理空间视角的SDGs进展综合评估。地理空间数据不仅可以直接用于计算部分SDGs指标,还可以支撑人口等社会经济数据的空间化分解、提供通达性和覆盖度等细节信息。此外,还为SDG单目标评估和目标群分析提供了不可或缺的空间事实和分析依据。
其次,综合评估结果表明:德清坚持以“两山”理念引领、以创新驱动、以公平促进、以“初心”精神推进可持续发展,在城乡统筹发展、均衡发展及绿色发展等方面取得了突出的成绩,创造了一批践行联合国2030年可持续发展议程的鲜活案例。但也应该看到,实现2030可持续发展目标是一项持久、艰巨的系统工程,德清部分SDGs还存在着一些可以提升的空间,如工业减排和降低能耗物耗、公共交通的便利程度等方面尚需进一步提高,环境板块和社会板块的稳定度和协调度略有不足。
综合利用统计和地理信息,对一个完整行政区域进行顾及地理空间视角的SDGs综合评估,在国内外均属首次。其不仅为德清总结践行SDGs经验、发现存在问题、制定改进方案提供了重要科学依据,也为国内外其他区域开展SDGs综合评估监测提供了可借鉴的方法与范例,因而受到了国际社会的关注。2018年11月8日,国际著名科学刊物Nature对这项工作进行了报道(http://www.nature.com/articles/d41586-018-07309-w)。2018年11月20日,首届联合国世界地理信息大会上举办专场报告会,正式向国内外发布了这一研究成果,向国际社会分享了这一中国经验。
应该指出的是,本文研究仅是万里长征迈出的第一步,离形成一套完整的理论方法、技术体系和标准规范尚有较大距离。今后应进一步加强这方面的理论方法、实现技术、标准规范研究,包括研究解决面向区域特征的核心指标集设计与选取、顾及发展中国家特点的SDG指标评价标准、时空大数据的SDGs指标高可性计算与动态监测、基于综合评估结果的SDGs问题诊断与政策模拟等问题。同时应积极完善德清SDGs样本,争取成为联合国2030可持续发展议程的“最佳实践”。为此,应进一步加强与统计部门和地理、经济、可持续发展等相关学科的合作与协同。
致谢: 本项研究得到联合国经社会、中国自然资源部、国家统计局、浙江省统计局和地理信息局、德清县委、县政府和莫干山高新技术区的支持和帮助,湖南科技大学、陕西师范大学、西南交通大学、北京建筑大学、北京帝测科技发展有限公司、广州阿尔法信息技术有限公司等单位参与了相关研究与试验工作,在此一并致谢。
[1] | PERSSON Å, WEITZ N, NILSSON M. Follow-up and review of the sustainable development goals:alignment vs. internalization[J]. Review of European, Comparative & International Environmental Law, 2016, 25(1): 59–68. |
[2] | MAURICE J. Measuring progress towards the SDGs:a new vital science[J]. The Lancet, 2016, 388(10053): 1455–1458. DOI:10.1016/S0140-6736(16)31791-3 |
[3] |
薛澜, 翁凌飞.
中国实现联合国2030年可持续发展目标的政策机遇和挑战[J]. 中国软科学, 2017(1): 1–12.
XUE Lan, WENG Lingfei. The policy opportunities and challenges in China's implementation of 2030 Sustainable Development Goals[J]. China Soft Science, 2017(1): 1–12. DOI:10.3969/j.issn.1002-9753.2017.01.001 |
[4] | DIZDAROGLU D. The role of indicator-based sustainability assessment in policy and the decision-making process:a review and outlook[J]. Sustainability, 2017, 9(6): 1018. DOI:10.3390/su9061018 |
[5] | ROSENSTOCK T S, LAMANNA C, CHESTERMAN S, et al. When less is more:innovations for tracking progress toward global targets[J]. Current Opinion in Environmental Sustainability, 2017(26-27): 54–61. |
[6] | SCHMIDT-TRAUB G, KROLL C, TEKSOZ K, et al. National baselines for the Sustainable Development Goals assessed in the SDG index and dashboards[J]. Nature Geoscience, 2017, 10(8): 547–555. DOI:10.1038/ngeo2985 |
[7] | ALLEN C, NEJDAWI R, EL-BABA J, et al. Indicator-based assessments of progress towards the Sustainable Development Goals (SDGs):A case study from the Arab region[J]. Sustainability Science, 2017, 12(6): 975–989. DOI:10.1007/s11625-017-0437-1 |
[8] | NHEMACHENA C, MATCHAYA G, NHEMACHENA C R, et al. Measuring baseline agriculture-related Sustainable Development Goals index for Southern Africa[J]. Sustainability, 2018, 10(3): 849. DOI:10.3390/su10030849 |
[9] | SCOTT G, RAJABIFARD A. Sustainable development and geospatial information:a strategic framework for integrating a global policy agenda into national geospatial capabilities[J]. Geo-spatial Information Science, 2017, 20(2): 59–76. DOI:10.1080/10095020.2017.1325594 |
[10] | GENG W, CHEN J, ZHANG H P, et al. Task and progress of IAEG-SDGs:WGGI in monitoring SDGs through a "Geographic Location" lens[J]. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2018(XLⅡ-3): 385–390. |
[11] | ANDERSON K, RYAN B, SONNTAG W, et al. Earth observation in service of the 2030 agenda for sustainable development[J]. Geo-spatial Information Science, 2017, 20(2): 77–96. |
[12] | XIAO Wen, MILLS J, GUIDI G, et al. Geoinformatics for the conservation and promotion of cultural heritage in support of the UN Sustainable Development Goals[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018(142): 389–406. |
[13] | KUFFER M, WANG Jiong, NAGENBORG M, et al. The scope of earth-observation to improve the consistency of the SDG slum indicator[J]. ISPRS International Journal of Geo-Information, 2018, 7(11): 428. DOI:10.3390/ijgi7110428 |
[14] | GIEZEN M, BALIKCI S, ARUNDEL R. Using remote sensing to analyse net land-use change from conflicting sustainability policies:the case of Amsterdam[J]. ISPRS International Journal of Geo-Information, 2018, 7(9): 381. DOI:10.3390/ijgi7090381 |
[15] |
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. DOI:10.3969/j.issn.1672-1586.2018.01.001 |
[16] |
吕永龙, 王一超, 苑晶晶, 等.
关于中国推进实施可持续发展目标的若干思考[J]. 中国人口·资源与环境, 2018, 28(1): 1–9.
LÜ Yonglong, WANG Yichao, YUAN Jingjing, et al. Some thoughts on promoting the implementation of Sustainable Development Goals in China[J]. China Population, Resources and Environment, 2018, 28(1): 1–9. |
[17] | CHEN Jun, LI Zhilin. China tracks its progress on SDGs 184|NATURE|563-8 NOVEMBER, 2018. |
[18] |
陈军, 陈晋.
GlobeLand 30遥感制图创新与大数据分析[J]. 中国科学(地球科学), 2018, 48(10): 1391–1392.
CHEN Jun, CHEN Jin. GlobeLand30:operational global land cover mapping and big-data analysis[J]. Science China Earth Sciences, 2018, 48(10): 1391–1392. |
[19] |
董南, 杨小唤, 蔡红艳.
人口数据空间化研究进展[J]. 地球信息科学学报, 2016, 18(10): 1295–1304.
DONG Nan, YANG Xiaohuan, CAI Hongyan. Research progress and perspective on the spatialization of population data[J]. Journal of Geo-Information Science, 2016, 18(10): 1295–1304. |
[20] |
鲁楠, 张委伟, 陈利军, 等.
顾及城乡差异的大区域人口密度估算——以山东省为例[J]. 测绘学报, 2015, 44(12): 1384–1391.
LU Nan, ZHANG Weiwei, CHENL Lijun, et al. Estimation of large regional urban and rural population density based on the differences of population distribution between urban and rural:take Shandong Province as example[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(12): 1384–1391. DOI:10.11947/j.AGCS.2015.20150005 |
[21] | HOLT J B, LO C P, HODLER T W. Dasymetric estimation of population density and areal interpolation of census data[J]. Cartography and Geographic Information Science, 2004, 31(2): 103–121. DOI:10.1559/1523040041649407 |
[22] | LIVERMAN D M. Geographic perspectives on development goals:constructive engagements and critical perspectives on the MDGs and the SDGs[J]. Dialogues in Human Geography, 2018, 8(2): 168–185. DOI:10.1177/2043820618780787 |
[23] | SDSN. Data, indicators, and follow-up & review[EB/OL].[2018-08-12]. http://unsdsn.org/what-we-do/data-indicators-follow-up-review/. |
[24] |
陈军, 张俊, 张委伟, 等.
地表覆盖遥感产品更新完善的研究动向[J]. 遥感学报, 2016, 20(5): 991–1001.
CHEN Jun, ZHANG Jun, ZHANG Weiwei, et al. Continous updating and refinement of land cover data product[J]. Journal of Remote Sensing, 2016, 20(5): 991–1001. |
[25] | KANTER D R, SCHWOOB M H, BAETHGEN W E, et al. Translating the Sustainable Development Goals into action:a participatory backcasting approach for developing national agricultural transformation pathways[J]. Global Food Security, 2016(10): 71–79. |
[26] |
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. DOI:10.11947/j.AGCS.2017.20170411 |