西安市大气颗粒物数浓度分布及典型天气条件特征变化

利用2013年3月到2014年12月期间西安市大气中0.25～32μm颗粒物监测数据和同期气象参数、散射消光系数等数据,分析了大气颗粒物数浓度分布及典型天气条件下变化特征.结果表明:采样期间西安市大气颗粒物平均数浓度为206.27个/cm3, 99%以上为<1μm的颗粒物数.大气颗粒物数浓度冬季最高,其次为秋、夏和春季,分别为267.66、231.31、141.82和135.77个/cm3.四季的数浓度低值均出现在18:00左右,之后数浓度上升,且晚上高于白天,冬季6:00左右达到峰值,夏季的昼夜差最小,秋季最大.春夏秋冬的大气颗粒物数浓度与散射消光系数的Pearson相关系数分别为0.756、0.702、0.411、0.377.大气颗粒物数浓度在沙尘天气发生前、中、后会升高、下降和再下降,霾天气出现前、后会升高和下降;高温干燥天气下,大气颗粒物数浓度相对较低;降雨对大气颗粒物的清除作用明显,但降雨后大气颗粒物数浓度又很快回升.     

模糊支持向量机在煤与瓦斯突出预测中的研究

模糊支持向量机(FSVM)综合了模糊理论和支持向量机(SVM)的学习理论,不仅继承了SVM在小样本情况下所具有的较强识别能力的特点,并且比SVM拥有更好的学习能力。在FSVM算法中,每个样本被赋予一个隶属度值,使得构造目标函数时不同的样本有不同的贡献,达到最大限度的消除噪声或者孤立点的效果。运用了灰色关联分析(GRA)对煤与瓦斯突出指标进行提取,引入了一个合适的模糊隶属度函数,并在此基础上提出了基于FSVM的煤与瓦斯突出预测的模型,通过实际数据的验证和其他预测方法的对比,证明了FSVM模型能够满足煤与瓦斯突出预测的要求。最后,将FSVM和传统SVM对同一组数据进行训练,证明了FSVM相比较传统SVM拥有更高的精确度。     

全尾砂絮凝沉降参数GA-SVM优化预测模型研究

为了得到经济、高效的絮凝沉降参数,建立GA_SVM预测模型进行优化选择。在优选过程中,以供砂浓度、絮凝剂单耗和絮凝剂添加浓度作为输入因子,以沉降速度作为综合输出因子,通过室内试验,建立训练、验证样本集;建立支持向量机（SVM）回归预测模型,用训练集对模型进行训练,进而以验证集预测值的均方误差作为适应度函数,通过遗传算法（GA）对SVM模型参数进行优化选择,应用优化得到的SVM模型对絮凝沉降参数进行预测、优化。以湖南某铅锌银矿为例,通过建立的GA_SVM模型对全尾砂絮凝沉降参数进行预测,优选出该矿最佳絮凝沉降参数为:供砂浓度20%-25%,絮凝剂单耗8g/t,添加浓度009%。经实验对比,该模型对絮凝沉降参数预测结果的相对误差能控制在5%左右,精确度较高,可以作为絮凝沉降参数优选的一种新思路     

基于多时相MODIS数据的四川省森林植被类型信息提取

森林植被类型信息对于生态的保护、规划和建设具有重要的意义。论文针对单一时相遥感数据在提取森林植被类型信息方面的局限性,探讨了基于多时相MODIS遥感数据实现提取主要森林植被类型信息的方法。将四川省的森林植被划分为常绿落叶混交林、常绿阔叶林、常绿针叶林、落叶阔叶林、落叶针叶林5 种类型。通过对其年内生长差异的分析,选取多时相（2005 年1 月9日、2 月26 日、4 月22 日、7 月19 日和10 月23 日）特征数据,利用光谱和时相特征知识建立了常绿林、落叶林和针叶林的提取模型;通过特征组合与逻辑判断,实现了5 种植被类型信息的提取,提取精度总体达到84%,植被类型最低精度达到76%。研究表明,该方法可以节约大量的人力、物力和财力,在大范围的植被类型调查与监测方面具有较大的应用价值。该研究表明,四川省2005 年的森林覆盖率为28.43%。各类型按所占百分比由高到低的排序为落叶阔叶林、常绿针叶林、常绿阔叶林、落叶针叶林和常绿落叶混交林。该数据对四川省森林植被的保护和利用具有重要的应用价值。     

某水利枢纽坝区构造特征及其对岩溶发育规律的影响

某水利枢纽区构造基本格局形成于早白垩世的燕山运动,此时构造应力场以NE向为最大主应力方向,形成了规模较大的NE向百兴向斜;渐新世以来,区域表现为大面积的间歇性隆升,构造应力场转变以NW向为最大主应力方向,形成坝区占统治地位的NE向构造,在坚硬的岩层中形成大量节理裂隙,软弱岩层中则表现为塑性变形。这种构造特征对岩溶的发育具有控制性作用:(1)构造发育史控制了岩溶发育演化史,(2)构造运动的间歇性导致岩溶的多层性及继承性,(3)褶皱限制了岩溶呈NE向带状分布,(4)不同岩层内构造特征相异导致岩溶仅在某些岩层内较发育,(5)节理裂隙控制了岩溶发育的部位及形态规模。     

三峡库区雷暴气候变化特征分析

利用长江三峡库区及其周边地区38个气象站1961～2001年的逐日雷暴资料,统计、分析了三峡库区雷暴日数及其初、终日的时空分布特征。结果表明：41年来,长江三峡库区年平均雷暴日数较多,一般为34～45 d,其中库区西北部和中南部为多雷区;年际变化大,最多年比最少年一般偏多27～61 d;整个库区年雷暴日数的变化均存在不同程度的减少趋势,气候倾向率为 1～7 d/10 a;雷暴出现的季节变化很明显,4～8月为多发时段;雷暴初日库区东部早于西部,终日东西段差别不大;雷暴持续期普遍在195～239 d之间,其中西部持续时间短,东部长;大部地区雷暴初日有推后的变化趋势,推迟速率约2～6 d/10 a;终日有提前的变化趋势,且提前速率为2～4 d/10 a;库区大部雷暴期呈缩短的变化趋势,缩短速率为2～8 d/10 a。     

基于回归支持向量机的指标规范值的水质评价模型

传统的回归支持向量机的水质评价模型不具有普适性和通用性,当指标较多时,模型的学习效率和求解精度均会受到影响.若适当设定3类水体(地表水、地下水和富营养化水体)各项指标的参照值及指标值的规范变换式,使不同指标的同级标准的规范值差异不大,从而可以认为用规范值表示的不同指标皆“等效”于某个规范指标.因此,可建立用规范值表示的任意m项指标组合皆适用的水质评价的回归支持向量机模型.通过实例对模型的实用性进行了效果检验,结果表明:用基于回归支持向量机的指标规范值的水质评价模型对河桥地表水、黑龙洞泉域地下水和山仔水库富营养化水体的水质评价结果与用BP神经网络评价法、模糊综合评价法和属性识别评价法的评价结果基本一致.     

A stage-structured, Aedes albopictus population model

Aedes albopictus has been the fastest spreading invasive animal species in the world from the mid-1980s until the mid-2000s. In areas it infests, it disrupts native mosquito ecology and can potentially vector up to 21 viruses. To better understand the population dynamics of this species, we created a temperature dependent population model. A stage-structured model was chosen to allow each life-stage to have different temperature dependent mortality and development rates, and each stage was modeled with an ordinary differential equation. Model parameters and distributions were based upon literature values. Initially, a basic model was constructed. This model then had parameters that were forced based upon daily average temperatures. Several criteria were used to evaluate the model, including a comparison to field data from Lubbock, TX. In a stochastic version of the model, a 95% confidence limit contained 70.7% of the field data points. Based upon these results, we feel reasonably confident that we have captured the role of temperature in driving the population dynamics of Ae. albopictus.     

基于遗传-支持向量机和遗传-径向基神经网络的有机物正辛醇-水分配系数QSPR研究

基于遗传算法(GA)的因子筛选和支持向量机(SVM)的非线性回归,提出了1种改进的有机物定量结构-性质相关(QSPR)建模方法--遗传-支持向量机(GA-SVM),并将其用于38种食品工业常用有机物正辛醇-水分配系数(Kow)的QSPR建模.结果显示,QSPR模型选取了分子量、Hansen极性、沸点、含氧率和含氢率5种参数;模型的预测值与实测值间的误差平方和(SSE)、均方差(RMSE)和决定系数(R2)分别为0.048、0,036和0.999,表明模型具有较强的预测能力;同时,交叉验证的结果(SSE=0.295,RMSE=0.089,R2=0.995)也表明,模型具有良好的稳健性,因此,GA-SVM算法适用于对有机物正辛醇-水分配系数的QSPR建模.此外,将基于GA-SVM的QSPR模型分别与基于遗传-径向基神经网络(GA-RBFNN)和基于线性算法的模型进行了比较,结果表明,应用GA-SVM建立的QSPR模型无论从稳健性还是预测能力上都优于应用其它2种算法建立的模型,因此,GA-SVM算法比GA-RBFNN和线性算法更适合于对有机物正辛醇-水分配系数进行QSPR建模.     

基于遗传算法的支持向量机预测有机物自燃点的研究

根据定量构效关系(QSPR)原理,研究自燃点(AIT)与其分子结构间的内在定量关系。以265种有机化合物作为样本集,随机选择238种作为训练集,27种作为测试集,用遗传算法(GA)进行变量选择,分别建立多元线性回归(MLR)模型和支持向量机(SVM)模型研究有机物的自燃点与其分子结构间的关系。通过分析,发现造成模型预测效果不佳的原因是试验数据本身存在问题。通过对2个模型的比较,结果为GA-SVM模型明显优于GA-MLR模型,说明自燃点与其分子结构间具有很强的非线性关系。