随着数字治理的快速发展,技术赋能成为乡村数字治理关注重点,然而只依靠技术发展不关注人民感受,难以实现优化治理效果甚至产生副作用。本文采用2023年《中国社会治理调查(CSGS)》项目数据,利用Logit回归模型等计量方法,检验社会信任、...随着数字治理的快速发展,技术赋能成为乡村数字治理关注重点,然而只依靠技术发展不关注人民感受,难以实现优化治理效果甚至产生副作用。本文采用2023年《中国社会治理调查(CSGS)》项目数据,利用Logit回归模型等计量方法,检验社会信任、信息获取方式对乡村数字治理满意度的影响,并进一步验证村民参与的调节作用。研究发现:社会信任与信息获取方式均正向影响乡村数字治理满意度;社会参与正向调节社会信任、信息获取方式与乡村数字治理满意度的关系。因此,研究认为:在乡村数字治理的背景下,政府应通过优化双向互惠来提升社会信任、加强技能培育以增强村民在线信息获取的方式、完善思行共建以疏通数字参与,从而助推乡村数字满意度的提升。With the rapid development of digital governance, technology empowerment has become the focus of rural digital governance, but it is difficult to achieve the optimization of governance effect and even produce side effects by relying only on technological development without paying attention to people’s feelings. Based on the data of the 2023 China Social Governance Survey (CSGS) and the Logit regression model, this paper examines the impact of social trust and information acquisition on rural digital governance satisfaction, and further verifies the moderating effect of villagers’ participation. The results show that social trust and information acquisition methods have a positive impact on rural digital governance satisfaction. Social participation positively moderated the relationship between social trust, information access and satisfaction with rural digital governance. Therefore, the study concludes that in the context of rural digital governance, the government should improve social trust by optimizing two-way reciprocity, strengthen skill cultivation to enhance villagers’ online information acquisition, and improve thinking and action co-construction to dredge digital participation, so as to promote the improvement of rural digital satisfaction.展开更多
高光谱图像以其高分辨率的空间和光谱信息在军事、航空航天及民用等遥感领域均有重要应用,具有重要的研究意义。深度学习具有学习能力强、覆盖范围广及可移植性强的优势,成为目前高精度高光谱图像分类技术研究的热点。其中卷积神经网络(...高光谱图像以其高分辨率的空间和光谱信息在军事、航空航天及民用等遥感领域均有重要应用,具有重要的研究意义。深度学习具有学习能力强、覆盖范围广及可移植性强的优势,成为目前高精度高光谱图像分类技术研究的热点。其中卷积神经网络(CNN)因强大的特征提取能力广泛应用于高光谱图像分类方法研究中,取得了有效的研究成果,但该类方法通常单独基于2D-CNN或3D-CNN进行,针对高光谱图像的单一特征,一是不能充分利用高光谱数据本身完整的特征信息;二是虽然相应提取网络局部特征优化性好,但是整体泛化能力不足,在深度挖掘HSI的空间和光谱信息方面存在局限性。鉴于此,提出了基于注意力机制的混合卷积神经网络模型(HybridSN_AM),使用主成分分析法对高光谱图像进行降维,采用卷积神经网络作为分类模型的主体,通过注意力机制筛选出更有区分度的特征,使模型能够提取到更精确、更核心的空间-光谱信息,实现高光谱图像的高精度分类。对Indian Pines(IP)、University of Pavia(UP)和Salinas(SA)三个数据集进行了应用实验,结果表明,基于该模型的目标图像总体分类精度、平均分类精度和Kappa系数均高于98.14%、97.17%、97.87%。与常规HybridSN模型对比表明,HybridSN_AM模型在三个数据集上的分类精度分别提升了0.89%、0.07%和0.73%。有效解决了高光谱图像空间-光谱特征提取与融合的难题,提高HSI分类的精度,具有较强的泛化能力,充分验证了注意力机制结合混合卷积神经网络在高光谱图像分类中的有效性和可行性,对高光谱图像分类技术的发展及应用具有重要的科学价值。展开更多
文摘随着数字治理的快速发展,技术赋能成为乡村数字治理关注重点,然而只依靠技术发展不关注人民感受,难以实现优化治理效果甚至产生副作用。本文采用2023年《中国社会治理调查(CSGS)》项目数据,利用Logit回归模型等计量方法,检验社会信任、信息获取方式对乡村数字治理满意度的影响,并进一步验证村民参与的调节作用。研究发现:社会信任与信息获取方式均正向影响乡村数字治理满意度;社会参与正向调节社会信任、信息获取方式与乡村数字治理满意度的关系。因此,研究认为:在乡村数字治理的背景下,政府应通过优化双向互惠来提升社会信任、加强技能培育以增强村民在线信息获取的方式、完善思行共建以疏通数字参与,从而助推乡村数字满意度的提升。With the rapid development of digital governance, technology empowerment has become the focus of rural digital governance, but it is difficult to achieve the optimization of governance effect and even produce side effects by relying only on technological development without paying attention to people’s feelings. Based on the data of the 2023 China Social Governance Survey (CSGS) and the Logit regression model, this paper examines the impact of social trust and information acquisition on rural digital governance satisfaction, and further verifies the moderating effect of villagers’ participation. The results show that social trust and information acquisition methods have a positive impact on rural digital governance satisfaction. Social participation positively moderated the relationship between social trust, information access and satisfaction with rural digital governance. Therefore, the study concludes that in the context of rural digital governance, the government should improve social trust by optimizing two-way reciprocity, strengthen skill cultivation to enhance villagers’ online information acquisition, and improve thinking and action co-construction to dredge digital participation, so as to promote the improvement of rural digital satisfaction.
文摘高光谱图像以其高分辨率的空间和光谱信息在军事、航空航天及民用等遥感领域均有重要应用,具有重要的研究意义。深度学习具有学习能力强、覆盖范围广及可移植性强的优势,成为目前高精度高光谱图像分类技术研究的热点。其中卷积神经网络(CNN)因强大的特征提取能力广泛应用于高光谱图像分类方法研究中,取得了有效的研究成果,但该类方法通常单独基于2D-CNN或3D-CNN进行,针对高光谱图像的单一特征,一是不能充分利用高光谱数据本身完整的特征信息;二是虽然相应提取网络局部特征优化性好,但是整体泛化能力不足,在深度挖掘HSI的空间和光谱信息方面存在局限性。鉴于此,提出了基于注意力机制的混合卷积神经网络模型(HybridSN_AM),使用主成分分析法对高光谱图像进行降维,采用卷积神经网络作为分类模型的主体,通过注意力机制筛选出更有区分度的特征,使模型能够提取到更精确、更核心的空间-光谱信息,实现高光谱图像的高精度分类。对Indian Pines(IP)、University of Pavia(UP)和Salinas(SA)三个数据集进行了应用实验,结果表明,基于该模型的目标图像总体分类精度、平均分类精度和Kappa系数均高于98.14%、97.17%、97.87%。与常规HybridSN模型对比表明,HybridSN_AM模型在三个数据集上的分类精度分别提升了0.89%、0.07%和0.73%。有效解决了高光谱图像空间-光谱特征提取与融合的难题,提高HSI分类的精度,具有较强的泛化能力,充分验证了注意力机制结合混合卷积神经网络在高光谱图像分类中的有效性和可行性,对高光谱图像分类技术的发展及应用具有重要的科学价值。
