目前,中国智慧城市建设正呈现快速发展的态势,《“十四五“数字经济发展规划》提出,深化新型智慧城市建设,推动城市数据整合共享和业务协同,提升城市综合管理服务能力。《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》指出,要加快转变城市发展方式,加快推进基于信息化、数字化、智能化的新型城市基础设施建设和改造,加快推进城市信息模型(CIM)平台建设,打造智慧城市的基础操作平台。
中科星图股份有限公司将大数据、云计算和人工智能等新一代信息技术、地理信息技术与航空航天产业深度融合,自主研发了覆盖空天大数据获取、处理、承载、可视化和应用等产业链环节的GEOVIS数字地球产品,并基于GEOVIS数字地球系列产品,推出了基于空天地一体化感知的智慧城市时空大数据平台。
打造时空大数据平台 赋能智慧城市数字化建设
智慧城市时空大数据平台覆盖城市体检、智慧应急、智慧园区、自然资源、生态环境、智慧林业、智慧农业、智慧水利、公共安全、智慧交通、低空通航、智慧旅游等领域,面向各类智慧应用提供统一服务,赋能智慧城市数字化建设。
平台围绕城市建设从平面到立体、从二维到三维、从静态到动态、从被动到主动的发展趋势与需求,采用大数据、云计算和人工智能等新一代信息技术,以统一时空框架基准为智慧城市构建时空信息与综合应用基础支撑平台,目前签署合同金额上亿元。
目前,平台主要用户包括政府机构、城市管理部门、城市规划设计机构、房地产开发商、公共交通运营商、互联网和通信服务提供商等,以高分和城市时空大数据、统一时空基准和北斗网格标准为基础,大数据、云计算和人工智能等技术为支撑,打造数字化智慧城市建设,提供时空大数据平台,基于海量城市数据提供智能数据挖掘、快速数据查阅、数据资源共享和交换、数据链路监控等共性能力。
智慧应用总览
空天地一体化城市全域感知 科技创新和海量数据是关键
智慧城市时空大数据平台的建设推动城市经济发展,带动智慧园区、智慧林业、智慧农业、智慧旅游等产业链上下游业务快速高质量发展,进一步优化城市营商环境,对促进城市社会经济发展和改善投资环境具有积极意义,但平台建设的基础,还是海量数据的运用和科技的不断创新。
智慧城市时空大数据平台通过时空大数据的高效智能检索技术,将城市运行状态的数字化、规范化和空间化关联,建立其与全球统一时空地理框架的映射关系;基于统一时空框架的共享服务技术,基于城市统一的空间数据,打通城市各部门之间的数据共享交换链路,实现面向多级城市部门的数据资源共享分发;基于统一时空框架多源异构数据综合显示技术,分别赋予各个对象类数据实体、金字塔结构等属性,以及建立各种数据的操作动作;基于数字地球基础框架,利用GIS、大数据、物联网等技术,推动城市管理”从粗放向精细、从被动到主动、从治标向治本”的转变。
智慧城市时空大数据平台通过建设智慧城市全域感知体系、智慧城市底板数据中心、智慧城市应用支撑底座,利用通信设备、遥感卫星、航空拍摄、无人机采集、地面监测、视频监控等多种感知手段,形成空天地一体化的城市全域感知体系,快速、高效地获取高精度的各类城市运行观测数据;并面向各类智慧应用提供统一服务,赋能智慧城市数字化建设,实现智慧化、可视化、数字化的智慧城市数字化转型。
空天地一体化城市全域感知体系
智慧城市时空大数据平台不仅是新时期城市全面信息化发展的必然,而且是支撑城市全面智慧化发展的基础;以人为本的新型智慧城市不仅是新型城镇化发展的主旋律,而且是实现数字中国、智慧社会的重要途径。
作为国内数字地球产品研发与产业化的先行者和领军企业,中科星图股份有限公司为智慧城市发展提供数字李生地球底座,提供基础空间数据、专题产品和数据更新服务,通过空夭遥感技术,丰富在风险感知、多维分析、动态监测等方面的应用生态。为智慧城市发展注入新动能,开拓更加广阔的数字经济新蓝海,帮助更多区域和行业开展数字化、智能化转型,实现高质量发展。
好文章,需要你的鼓励
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
微软正式确认配置管理器将转为年度发布模式,并将Intune作为主要创新重点。该变化将于2026年秋季生效,在此之前还有几个版本发布。微软表示此举是为了与Windows客户端安全和稳定性节奏保持一致,优先确保安全可靠的用户体验。配置管理器将专注于安全性、稳定性和长期支持,而所有新功能创新都将在云端的Intune中进行。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。