1.开展相关自然资源多维信息智能感知技术和国土空间多模态数据汇聚融合技术研究，推进成果的转化和应用

在GPU加速的多尺度航拍图像融合、增强视觉观感的图像融合、时空预测建模、机器学习算法优化、 矿产资源智能时空预测、大数据可视化、矿物识别及应用、实时数据流的动态重定向机制等方面开展了具体工作。

2.利用研究站大数据分析研究优势，研发了疫情跟踪播报大数据系统，为全国和全球的疫情跟踪分析和恢复生活生产提供了可靠的数据保障

时空大数据支持的人工智能 NCP 趋势预测与调控策略研究

3.联合中国土地勘测规划院、中国农业大学等多家科研院所和企业开展国家重点专项“绿色宜居村镇技术创新” 2020年度项目“村镇土地智能调查关键技术研究”的攻关研究和课题申报

针对当前村镇土地调查举证难，资源生态识别难，村镇治理服务难的现实问题，结合当前空天地网一体化技术，研发村镇土地智能调查技术及装备体系。提出将5G、无人机、 智能飞控、倾斜摄影、三维建模、智能移动终端、GIS、动态加密、人工智能等新技术与LBS 相互融合，实现在线数据采集与变化感知、举证与核查一体化的土地调查智能系统整体化解决方案

4.结合北京市三调数据现状，开展了北京市三调数据的管理应用研究

结合当前三调数据获取的现状及自然资源各部门数据的使用情况，在深入调研和实验分析的基础 上，开展三调数据使用管理方法和技术的研究，形成了在数据生产、汇交、申请使用、数据保管、 数据回收和数据的进一步推广应用及数据完整、有效、安全上的系列管理办法和服务体系。

5.在房山野外观测研究站开展了多轮长时滞留垂起新型无人机及机载多传感器的国土资源快速技术实验研究

针对当前广大农村区域国土调查效率低下的问题，研发长航时， 复杂地形情况下的无人机国土智能调查技术及装备体系，在房山观测研究站开展了多次 无人机设备调试实验，为技术的进一步研发提供了宝贵实验数据和经验。

6.参与开展了国际大科学联合项目深时地球——DDE项目研究，并开展了基于全息VR数字剖面系统的开发研究

利用研究站在全息VR地质资源可视化和GIS辅助空间分析的研究成果和经验， 积极参与国际大科学联合项目深时地球——DDE项目研究，为其研究开发全息VR数字剖面系统。

7.开展了基于野外观测站自然资源环境的远程虚拟环境模拟教学研究

结合野外观测站上方山实验研究园区的丰富地质和森林旅游资源， 开展了自然资源空-地-网一体化的多维资源大数据全息虚拟调查管理系统和旅游、 教学的研发实验探索，并在疫情期间开展了多种形式的虚拟资源环境考察教学和科普活动，获得师生好评。

8.开展基于国土信息综合技术教学的《3S综合实习》线上线下混合式课程建设，获得国家级一流本科课程

结合野外研究站多年科研实践和教学探索，形成了一套立德树人、虚实结合、 知识能力素质三结合的线上线下混合式课程，，并获得2020 国家首批一流本科课程认定。多家媒体给与了跟踪报道。

9.利用研究站科研成果服务应用于上方山国家森林公园园区消防巡查管理工作，实现研究成果向实际应用转化，取得良好经济和社会效益

利用长期的野外观测和科研工作成果积累，成功将3S技术集成， 结合当地野外消防工作实际esa需求，开发了森林消防巡查系统，并成功投入上方山国家森林公园消防工作中，科技服务地方，实现成功转化，获得良好经济效益和社会效益。

10.上方山国家森林公园和房山世界地质公园客服疫情影响，坚持科普宣传工作， 虽然疫情期间闭关半年余，但在疫情稍好期间，坚持为开管，为广大群众采取各种多媒体 形式宣传和导览，2020年度接待散客达10400余人，为研究站的科普和推进自然资源领域 的科技文化传播做出了贡献

房山世界地质公园博物馆

1.媒体报道影响

依托野外观测研究站建成国家一流课程被媒体报道
依托野外观测研究站，产学研相结合，形成国家级一流课程，被多家媒体报道和转载，扩大了研究站研究内容和教学育人方法的推广普及。

向中国自然资源学会提交了“新冠肺炎疫情趋势预测及调控策略”的建议报告，在2020年第5期 《中国自然资源观察》中进行了报道；并以《中国自然资源学会文件》（中自资经发〔2020〕05号） 形式向中国自然资源部领导进行了报道。

向中国地质大学（北京）提交了“时空大数据支持的人工智能NCP趋势预测与调控策略研究”的建议报告，初步成果于2020年3月4日的《中国科学报》得到了报道

2.科技论文推广影响

发表SCI论文5篇，进一步扩大了国际影响力。

基于社交媒体大数据的传染病疫情分析
利用来自微博的媒体大数据对新冠肺炎疫情期间社交媒体话题和情感变化特征进行分析，可为大规模公共卫生事件的管控提供决策支持。相关研究成果发表在中科院二区SCI期刊《Chaos, Solitons & Fractals》。

基于数理方法与机器学习方法的传染病疫情传播预测建模
针对COVID-19疫情的建模分析有助于国家卫生机构制定应对计划，该模型的预测结果与每日报道的确诊病例数量高度接近，表明该方法能够准确分析疫情的趋势，本研究观察到的社会隔离和隔离等预防措施的效果，表明通过这些预防措施可以显著减少病毒的传播。该成果发表在SCI期刊《Chaos, Solitons & Fractals》，所属分区为中科院二区，截止2021年3月10日，Web of Science上显示该论文他引达14次。

基于时空大数据及深度学习方法的传染病疫情传播预测
在新冠疫情传播的初期，疫情发展趋势预测对政府决策、公共卫生部门应对提供技术支持具有现实意义。提出了预测方法弥补了深度学习中LSTM方法在疫情预测中的短期预测缺陷，同时，引入新的衡量指标（扩散/消亡指数等），分析了非药物干预措施对于减缓COVID-19疫情传播的有效性。该成果发表在SCI期刊《Chaos, Solitons & Fractals》，所属分区为中科院二区。

机器学习算法优化
所提出的BELM-MIL算法解决了多示例学习中传统ELM-MIL算法的参数敏感及过拟合问题，表现出了更高的分类精确度和更好的鲁棒性。该成果发表在SCI期刊《IEEE Access》，所属分区为中科院二区。

基于多模型集成学习的矿产资源智能时空预测
该时空模型提高了当前成矿远景预测领域空间建模的泛化能力，避免了模型选择难题。相关成果发表在SCIE期刊《Minerals》。