介绍一种新的回归方法-最小-乘法

利用最小一乘法回归模型计算并分析它在环境科学领域中的应用，弥补了最小二乘法受异常值的影响加大误差的缺陷，并以文献资料作为应用实例验证了结果，通过大量计算表明，该方法具有一定的优越性。     

介绍一种新的回归方法一最小一乘法

利用最小一乘法回归模型计算并分析它在环境科学领域中的应用，弥补了最小二乘法受异常值的影响加大误差的缺陷，并以文献，资料作为应用实例验证了结果，通过大量计算表明，该方法具有一定的优越性。     

神经网络技术在单机应变寿命监控中的应用研究

目的解决单机应变监控载荷模型中非线性问题带来的误差。方法基于人工神经网络技术,结合某型飞机典型盒段试验件有限元模型,建立用于单机应变寿命监控的神经网络载荷模型,利用随机选取的测试数据对模型的精确性进行验证,并与多元线性回归模型进行对比分析。结果 BP神经网络载荷模型的预测值比较贴近实测值,同时要优于多元线性回归模型的预测结果。结论 BP神经网络载荷模型可以用于单机应变监控,而且预测精度更高,可以更加准确地把握平尾的损伤情况。     

基于PLS的火电二氧化硫减排因素分析研究

以四川省为例,以火电二氧化硫排放量作为因变量,对不同时间、不同地区的样本采样,采用偏最小二乘回归分析方法,建立自变量的偏最小二乘回归模型.该模型综合了多元回归分析、主成分分析及典型相关分析,很好地解决了由变量多重相关性、样本点少于自变量个数等引起的模型预测精度不高的问题,同时也避免了使用普通最小二乘回归方法所引起的模型回归系数异常的问题.结果显示,所建模型解释能力强、预测精度高,能为相关部门制定二氧化硫减排措施提供科学的依据.     

环境科学研究中两变量非线性相关时的线性回归方程

以环境科学研究两变量非线性相关的问题为对象，讨论建立线性回归方程的方法。有绝对误差均方和最小的最小二乘法、相对误差最小的新回归法。以简易的方法，建立相关性好、误差小的回归方程。介绍了两变量各种非线性相关时的线性回归方程在环境科学研究中的应用。     

浅谈一元线性回归在清洁生产审核中的应用

回归分析法是分析相关因素相互关系的一种数理统计方法,这种方法通常应用在预测分析中,如在市场预测时的产品需求预测,而这种方法亦可用于企业清洁生产审核,通过建立一元回归方程,从而表明消耗-生产之间的关系,并更深入地对绩效进行简单的分析,本文就一元线性回归在企业清洁生产审核中的应用进行了简要论述.     

人口与资源预测中Logistic模型承载量参数的自回归估计

在人口、资源、环境和生态诸多系统的预测中,Logistic函数都是一个非常重要的模型。但是,确定Logistic模型的参数又是一件困难的事情。论文基于最小二乘算法和多元回归分析发展一种参数估值方法：首先对模型求导,化为微分方程;然后将微分方程离散化,得到差分方程;然后将差分方程转换为二元线性回归模型,利用自回归分析确定模型参数;最后将回归系数转换为Logistic模型参数。根据对称性思想提出了Logistic模型参数估计效果检测的对称性指数。大量的试验表明,只要研究对象具有S形曲线的增长特征,这种方法就行之有效。借助城市人口和城市化水平预测,给出了两个计算实例,由此说明上述方法的具体应用步骤。     

生态数学模型在人口预测中的应用——以大庆市为例

运用线性回归模型、Logistic增长模型和灰色系统GM(1,1)模型,对黑龙江大庆市2008-2020年人口发展规模进行了预测,结果表明:3种模型在本案例中均能取得较好的效果;而灰色系统GM(1,1)模型的平均相对误差最小,故最终采用该预测模型,预测2010年大庆市人口数将达到284.27万人,2020年将达到325.74万人.     

造纸废水处理过程的高斯过程回归软测量建模

针对造纸废水处理系统的时变性、非线性和复杂性等特点,本文提出一种基于高斯过程回归的软测量模型.基于平方指数协方差、线性协方差和周期性协方差函数组合构建了7种高斯过程回归模型,分别对出水化学需氧量和出水悬浮固形物浓度进行回归预测.此外,还对比了多元线性回归模型、主成分回归模型、偏最小二乘模型、人工神经网络模型和高斯回归模型的预测效果.对比计算结果表明无论是对输出变量的训练拟合还是预测,高斯过程回归模型的拟合效果均优于非高斯过程回归模型.高斯过程回归模型的预测结果表明：对于出水化学需氧量,线性协方差函数与周期性协方差函数的组合模型可以取得最好的预测结果;对于出水悬浮固形物,平方指数协方差函数与线性协方差函数组合模型可以取得最好的预测结果.     

燃煤二氧化硫排放量的回归测算模型

利用方差分析和多元线性回归分析的方法研究了二氧化硫排放量与原煤中可燃硫和不可燃硫含量的关系,建立了燃煤二氧化硫排放量的回归测算模型,并以山东省火电厂为例进行数值模拟.结果显示,所建回归测算模型模拟精度高,效果好,是二氧化硫排放量测算方法的重大改进.     

一种线源扩散模型的建立及算法实现

针对线源扩散的特点,在高斯扩散理论的基础上,建立了一种可用于城市开阔路、高架桥上层路的机动车尾气扩散模型,用C++语言实现了模型算法。该模型可用在风向与线源成任意角度(包含平行风)时线源在大气中的扩散计算上。模式的计算结果与城市空气质量模拟软件(ADMS)的计算结果吻合良好。     

利用多模式集合和多元线性回归改进北京PM_(10)预报

本研究将多模式集合预报和多元线性回归集成方法结合起来减小空气质量预报的不确定性.首先评估了北京空气质量多模式集合预报系统中3个模式成员(NAQPMS、CAMx、CMAQ)对北京地区PM10日均浓度的预报性能,在此基础上引入多元线性回归将历史观测信息纳入进来对3个模式预报结果进行集成,并将集成预报结果与3个模式算术平均的预报结果进行比较.结果发现:1不同模式的预报结果差异较大,并没有一个模式的预报技巧完全优于其它两个模式,其中CMAQ对北京PM10变化趋势的预报优于其它两个模式,NAQPMS预报的均方根误差整体低于其他两个模式.2多模式预报结果的算术平均在趋势预报和偏差两项指标上都低于部分单模式预报,并不能有效改进PM10预报;基于分站点的模式和观测数据构建的多元线性回归集成预报模型能显著提高PM10预报的准确率,选定合适的训练天数(36 d)后,28个站点PM10日均值预报的均方根误差相对单模式预报或集合平均预报下降32%~43%,预报偏差大幅减小至5.8μg·m-3,总体预报技巧显著优于单模式和多模式算术平均的预报结果,并且采用线性回归集成方法大幅提高了对污染过程的预报能力.     

基于PM2.5站点监测数据的京津冀AOD补值研究

以京津冀2020年318个地面监测站点的PM_2.5数据为估算因子,构建了时空线性混合效应模型(STLME)和时空嵌套线性混合效应模型(STNLME),为AOD数据的补值研究提供了一种新方法.结果表明:在有AOD-PM_2.5匹配数据的日期,上述两个模型估算精度相近,交叉验证后决定系数R²分别为0.868和0.874,均方根误差RMSE分别为0.112和0.109;在无AOD-PM_2.5匹配数据的日期,嵌套模型估算精度明显高于非嵌套模型,交叉验证后决定系数R²分别为0.63和0.26.经过模型补值后,研究区监测站点所在网格AOD数据空间维有效比率从原始数据的44.35%提高到99.35%,时间维有效比率从87.94%提高到100%;同时,每个站点的年均AOD值都有明显提高,弥补了高PM_2.5浓度条件下缺失的AOD数据,可以减少空气污染和健康研究中暴露评估的偏差.     

Impacts of climate factors on yields for selected crops in the Southern Turkey

This study aims to identify therelationship between the climatic variablesand yields of three crops (wheat (Triticum aestivum L.), maize (Zeamays L.) and cotton (Gossypiumhirsitum L.) in the Cukurova region ofTurkey. In the study, time series data wereused to analyse crop yields across variousclimate factors for the period 1975 to1999. The climatic variables were arrangedaccording to phonological periods of theexamined crops such as planting, floweringand harvesting time. A linear perturbationmodel (LPM) was used for the identificationof the role of climate variables. 27climatic factors were considered asexplanatory variables in the model. Astepwise selection method in the selectionand introduction of independent variableswas used for regression equation for wheat,maize and cotton. The results of the linearperturbation model (LPM) showed that theR² values for wheat, maize and cottonwere found 46.1%, 57.2% and 74.5%,respectively. The highest variationcoefficient (CV) was found in maizeproduction (43.4%) followed by cotton(23.14%) and wheat (15.29%). The mostsignificant climatic factor affectingdeviations in crop yields is related intemperature at planting, flowering andharvesting time. It is suggested thatfarmers would be better off with theapplying adaptation measurements. Therefore, policy makers should focusefforts on reducing production risksproviding climatic information anddeveloping risk management institutions.     

中国降水酸度预测模型

利用逐步多元线性回归方法建立了中国降水酸度预测模型。该模型包括：大气中二氧化硫、氮氧化物和总悬浮颗粒物的浓度、单位面积二氧化硫排放量这四个时间和空间变量;地理位置横向坐标、降雨量和辐射强度这三个空间变量。该模型通过回顾检验具有较好的预测精度并在假设未来中国环境状况的基础上,对降水酸度的分布进行了预测。该模型是在地理信息系统工具软件ARC/INFO支持下运行的,其预测方法及结果具有空间特性。     

太湖水体Chl-a预测模型ARIMA的构建及应用优化

叶绿素a（Chl-a）是湖泊浮游植物生物量的重要指标,其含量能反映水中浮游植物的丰度和变化规律.以1999年12月~2019年8月太湖水体Chl-a和环境因子的逐月监测数据为基础,运用主成分分析方法探讨了Chl-a与环境因子的关系,据此建立了Chl-a与主要环境因素之间的多元线性逐步回归模型及自回归综合移动平均模型（ARIMA）.结果表明：①太湖Chl-a浓度存在着明显的季节变化,且总体处于上升趋势.总磷（TP）、高锰酸盐指数、月均气温（MAT）和月度降雨量（MR）与Chl-a浓度存在较好的变化同步性,总氮（TN）和氨氮（NH₄⁺-N）则表现出明显的滞后性.②主成分分析结果表明,太湖水体藻类暴发条件不仅仅是基于N和P等限制性因素,而是发展为TN、NH₄⁺-N、TP和高锰酸盐指数、MR和MAT等多元因素的综合影响.③两种模型经验证比较,基于1999~2019年逐月资料建立的Chl-a浓度的ARIMA模型模拟效果和预测精度明显优于所建立的多元线性逐步回归模型,特别是在考虑主要环境因素作为自变量及优化自变量取值情况下其预测效果得到进一步提升.建立的ARIMA（0,1,1）（0,1,1）模型将有助于太湖藻类暴发的预报和预警,并为及时有效地安排水资源调度及调控等水环境管理措施提供依据.     

基于多层线性模型的铝合金大气腐蚀规律研究

目的 针对不同地区铝合金大气腐蚀差异性和样本数据利用不充分的问题,构建精度更高的铝合金大气腐蚀模型,研究铝合金在不同环境中的大气腐蚀规律。方法 基于多层线性模型,构建具备层次结构的腐蚀率模型。以某型号铝合金腐蚀数据为研究对象,逐步建立零模型、随机系数回归模型、完整模型探究大气腐蚀规律,并进行预测评估。结果 通过交叉验证进行模型评估,多层线性模型(MSE=0.001 3)优于幂函数回归(MSE=0.005 5),远优于线性回归(MSE=0.031 6),模型预测精度提升。多层线性模型能有效分解总方差,增强了模型的可解释性。结论 多层线性模型有效结合铝合金腐蚀数据区域差异性特征,能表征大气腐蚀规律,具有一定的实用价值。     

城市垃圾产生量预测研究

通过对城市生活垃圾产生状况的分析，选取我国西部和东部的典型城市成都、上海进行研究。运用线性回归模型对两城市垃圾量进行预测，为城市建设规划和垃圾综合处理提供依据。     

基于多因素灰色预测模型的生活污水量预测研究

生活污水作为城市水环境的主要污染源,进行生活污水排放量的预测是十分必要的.污水排放量预测方法有多种,不同的方法有各自不同的特点.为提高预测精度,采用灰色预测与多元线性回归相结合的方法,综合各种因素建立多因素灰色预测模型.并以人口和人均纯收入作为影响因素,将该模型应用于苏州横泾街道生活污水排放量的趋势预测中.结果表明：该模型能反映系统的实际情况,建模精度高,平均相对误差只有0.069 8％,值得在污水排放预测中推广应用.     

Evaluation of accuracy of linear regression models in predicting urban stormwater discharge characteristics

Stormwater runoff has been identified as a source of pollution for the environment, especially for receiving waters. In order to quantify and manage the impacts of stormwater runoff on the environment, predictive models and mathematical models have been developed. Predictive tools such as regression models have been widely used to predict stormwater discharge characteristics. Storm event characteristics, such as antecedent dry days （ADD）, have been related to response variables, such as pollutant loads and concentrations. However it has been a controversial issue among many studies to consider ADD as an important variable in predicting stormwater discharge characteristics. In this study, we examined the accuracy of general linear regression models in predicting discharge characteristics of roadway runoff. A total of 17 storm events were monitored in two highway segments, located in Gwangju, Korea. Data from the monitoring were used to calibrate United States Environmental Protection Agency＇s Storm Water Management Model （SWMM）. The calibrated SWMM was simulated for 55 storm events, and the results of total suspended solid （TSS） discharge loads and event mean concentrations （EMC） were extracted. From these data, linear regression models were developed. R2 and p-values of the regression of ADD for both TSS loads and EMCs were investigated. Results showed that pollutant loads were better predicted than pollutant EMC in the multiple regression models. Regression may not provide the true effect of site-specific characteristics, due to uncertainty in the data.