基于地理加权回归模型评估土地利用对地表水质的影响

针对传统线性回归模型大多忽视空间数据局部变化特征这一缺陷,引入地理加权回归模型(GWR)用于评估土地利用对地表水质的影响,分析了不同子流域内两者关系出现空间变化的规律并阐释了原因.同时,对比了GWR模型与普通最小二乘模型(OLS)的校正R2、Akaike信息准则(AICc)及残差的空间自相关指数(Moran's I),验证了GWR模型在预测精度和处理空间自相关过程中是否优于OLS模型.结果表明,同一土地利用类型对水质的影响随空间位置的改变而发生方向或大小的变化.以温瑞塘河流域总氮(TN)与农用地的关系为例,从GWR模型局部回归系数的方向分析,两者关系表现为农村正、城区负的现象,从大小分析,旧城区TN与农用地回归系数的绝对值高于其它区域;在溶解氧(DO)与人口密度所构建的GWR模型中,两者关系在整个研究区域内均表现为负值,与OLS结果吻合,从回归系数的大小分析,人口密度对DO的作用在郊区及农村更为显著.针对此类关系出现空间变化的原因分析表明,相邻子流域土地利用百分比的改变及水体主要污染源的不同,是导致土地利用对水质作用发生变化的根本因素.最后,对比所构建的80个GWR与OLS模型校正R2、AICc指标,验证了GWR作为一种局部统计模型,其预测精度优于OLS等传统全局模型且更能反映实际空间特征.     

Stepwise multiple regression method of greenhouse gas emission modeling in the energy sector in Poland

The energy sector in Poland is the source of 81% of greenhouse gas (GHG) emissions. Poland, among other European Union countries, occupies a leading position with regard to coal consumption. Polish energy sector actively participates in efforts to reduce GHG emissions to the atmosphere, through a gradual decrease of the share of coal in the fuel mix and development of renewable energy sources. All evidence which completes the knowledge about issues related to GHG emissions is a valuable source of information. The article presents the results of modeling of GHG emissions which are generated by the energy sector in Poland. For a better understanding of the quantitative relationship between total consumption of primary energy and greenhouse gas emission, multiple stepwise regression model was applied. The modeling results of CO₂ emissions demonstrate a high relationship (0.97) with the hard coal consumption variable. Adjustment coefficient of the model to actual data is high and equal to 95%. The backward step regression model, in the case of CH₄ emission, indicated the presence of hard coal (0.66), peat and fuel wood (0.34), solid waste fuels, as well as other sources (− 0.64) as the most important variables. The adjusted coefficient is suitable and equals R² = 0.90. For N₂O emission modeling the obtained coefficient of determination is low and equal to 43%. A significant variable influencing the amount of N₂O emission is the peat and wood fuel consumption.     

Stepwise multiple regression method of greenhouse gas emission modeling in the energy sector in Poland

The energy sector in Poland is the source of 81% of greenhouse gas (GHG) emissions. Poland, among other European Union countries, occupies a leading position with regard to coal consumption. Polish energy sector actively participates in efforts to reduce GHG emissions to the atmosphere, through a gradual decrease of the share of coal in the fuel mix and development of renewable energy sources. All evidence which completes the knowledge about issues related to GHG emissions is a valuable source of information. The article presents the results of modeling of GHG emissions which are generated by the energy sector in Poland. For a better understanding of the quantitative relationship between total consumption of primary energy and greenhouse gas emission, multiple stepwise regression model was applied. The modeling results of CO₂ emissions demonstrate a high relationship (0.97) with the hard coal consumption variable. Adjustment coefficient of the model to actual data is high and equal to 95%. The backward step regression model, in the case of CH₄ emission, indicated the presence of hard coal (0.66), peat and fuel wood (0.34), solid waste fuels, as well as other sources (-0.64) as the most important variables. The adjusted coefficient is suitable and equals R² = 0.90. For N₂O emission modeling the obtained coefficient of determination is low and equal to 43%. A significant variable influencing the amount of N₂O emission is the peat and wood fuel consumption.     

乌梁素海Chl-a时空分布及相关水质因子研究

根据2010年1月-2015年11月乌梁素海水质因子监测数据,分析其Chl-a的时空分布及其与主要水质因子的相互关系.结果表明:河套灌区农田退水对乌梁素海Chl-a浓度变化产生较大影响,入口区高于湖心区与出口区.从空间分布上来看,Chl-a浓度分布呈现出入口区>湖心区>出口区的趋势;从时间分布上来看,呈现5月份>7月份>3月份>11月份>9月份>1月份,枯水期>丰水期>平水期.在采样时间段内,Chl-a与NO3-N与NO3-含量比成正比.     

在用轻型汽油车排放水平及趋势变化拟合研究

基于佛山市2.7万条稳态加载模拟工况法(ASM)的尾气排放检测数据,在分析了总体排放劣化特征随行驶里程呈规律性变化的基础上,通过分类统计和回归分析方法研究了在用轻型汽油车的排放劣化增长模型及不同排放标准机动车的排放特征.分析结果表明,线性增长模型能很好地表现CO,HC,NO三种污染物随行驶里程的劣化规律;不同排放标准的轻型汽油车排放特征差异很大,国零、Ⅰ、Ⅱ排放水平很高,对总体排放影响较大.研究结论对于预测机动车污染变化趋势,完善在用车检查/维护制度等方面可以提供理论支持.     

有机化学品不同温度下(过冷)液体蒸气压预测模型的建立与评价

(过冷)液体蒸气压(PL)是评价化学品在环境中分配、迁移和归趋行为的重要参数。PL具有较强的温度依附性。发展一种能够精确预测不同环境温度下化学品PL的方法,有助于填补化学品生态风险评估的大量数据缺失。本研究收集整理了661种有机化合物在不同温度下(200~830 K)共计10 478个log PL值。在此基础上,采用偏最小二乘(PLS)回归和支持向量机(SVM)方法,构建了PL的线性和非线性预测模型。结果表明:2种模型均具有良好的拟合度、稳健性及预测能力,SVM模型的预测性能略高于PLS模型(PLS:R2adj.tra=0.912,RMSEtra=0.477,Q2ext=0.910;SVM:R2adj.tra=0.997,RMSEtra=0.092,Q2ext=0.967)。机理分析表明,温度是影响PL的主要因素,温度越高,蒸气压越大;其次,X1sol也影响PL大小,X1sol用来描述分子间的色散作用,分子间色散力越小,蒸气压越大;此外,化合物的氢键个数、极性和分子构型等因素也影响PL大小。采用Wiliams plot方法表征了PLS模型应用域。所建立的模型可用来预测烷烃、烯烃、醇、酮、羧酸、苯、酚、联苯、卤代芳香烃、含N化合物及含S化合物在不同温度下的PL数据。     

基于视频分析的空管员违规行为识别方法*

为利用视频数据对空管员违规行为进行智能化分析,降低不安全事件发生率,提出2阶段的违规行为识别模型（AR-ResNeXt）,基于实地调研构建空管员视频数据集,利用最小化动态多实例学习损失函数和中心损失函数,获得违规行为检测的判别特征表示,结合异常回归网络和ResNeXt网络,完成对空管员违规行为的时序区间检测与动作分类。研究结果表明:AR-ResNeXt模型在自制数据集中,其帧级AUC达到82.9%,分类准确率达到87.8%,可准确识别空管员发生违规行为的时序区间并进行分类,研究结果可为保障空中交通安全奠定基础。     

基于Logistic回归的燃气管网风险因素重要度分析方法研究*

为确定燃气管网风险评估的关键风险因素,以A省各地市燃气管网为研究对象,基于燃气专家经验确定燃气管线风险等级,提出基于Logistic回归的燃气管网风险因素重要度分析方法。采用样本增强及随机抽样的方式,选取400个均衡样本作为管网评估数据输入,通过因子分析方法对其进行降维,得到3个公共因子并作为一级指标反向构建燃气管网风险评估指标体系;利用有序多分类Logistic回归方法,根据回归系数绝对值大小对风险因素进行重要度排序。研究结果表明:外界环境对燃气管网风险的贡献程度相对较高,管道自身因素和巡检养护次之。研究结果可为城市燃气风险防控提供理论依据和方法参考。     

城市内部尺度PM2.5传输关联方法研究—以北京市为例

基于数据驱动思想,以城市内部环境空气质量监测站点为研究对象,建立了目标站点与周边站点间PM_2.5浓度、风向、风速、欧几里得距离等参数的多元线性关联回归模型,使用梯度下降算法学习得到各参数权重系数,计算得出周边站点对目标站点PM_2.5传输贡献,并评估了模型的可行性.以北京市丰台花园（FT）为目标站点的应用研究结果显示,2016年FT站点PM_2.5浓度为82μg/m³,周边站点大兴（DX）、房山（FS）、亦庄（YZ）、东四环（DS）、古城（GC）和万柳（WL）浓度分别为93,82,80,79,77,71μg/m³;FT站点PM_2.5浓度与上一时刻周边站点WL、GC、DX、YZ的相关性分别为0.634、0.631、0.608和0.601,显示其对FT站点PM_2.5污染传输显著;建立的4个季节关联回归模型RMSE值分别为13.22、11.74、12.51和13.22,PM_2.5模拟浓度与监测浓度变化趋势一致,验证了模型的可行性;WL、DX、YZ、GC分别是对应春、夏、秋、冬4个季节对FT站点PM_2.5污染传输贡献较大的站点,其贡献值分别为1.61%、1.71%、2.20%和8.57%.该模型解析的结果可为北京市未来城市规划、建设提供依据,提出的PM_2.5传输多元线性关联回归方法同样可用来解析其他城市内部尺度PM_2.5传输关联,为挖掘城市内部PM_2.5传输路径、精准溯源提供基础.     

因子回归和交互联合探索区域植被覆盖度的影响因素——以三江源地区为例

利用SPOT VEGETATION数据获取的归一化植被指数（NDVI）,分析三江源地区植被覆盖度（FVC）的空间异质性,围绕自然和人类活动因素,基于因子回归与交互作用联合探索自然因素和人为因素对三江源地区植被覆盖的影响.结果表明：（1）三江源地区植被覆盖度整体呈现明显的空间异质性;（2）总体上FVC空间分布的影响因素表现为自然环境因素>人类活动因素;（3）降水是影响三江源地区FVC的主要驱动因子,解释力达0.777;（4）因子交互发现：驱动解释系统呈现双因子增强,说明从系统的角度来看不存在独立起作用的因子,年降水量与其他因子的交互作用最强;（5）降水梯度影响了三江源地区FVC空间异质性的解释程度.随着降水增加,因子解释力趋稳,在降水量较多的三江源东部地区,FVC趋向于更易受高程和气温的影响;（6）数据结果亦验证了因子独立的全局最优筛选仅仅是模拟因变量特征的最优函数,其解释效果与因变量的驱动解释不能完全等同.