课堂、网络、宿舍三位一体的商务英语实践环境建设

对高职院校商务英语实践环境现状进行了分析,并结合高职商务英语教学的培养目标及中国环境管理干部学院商务英语专业建设实际,提出建设高职商务英语专业校园立体化实践环境模式。立体化实践环境主要包括课堂、网络和宿舍三个方面,并以网络交流平台为重点及主要特色。     

再生水回用公众参与意愿两阶段影响因素分析

污水再生利用是减少水体污染、缓解水资源供需矛盾和促进城市经济社会可持续发展的重要途径,但公众的偏见和排斥严重制约再生水处理技术的推广和发展。本文整合技术接受拓展模型和技术准备度理论,构建公众参与再生水回用意愿影响因素模型,运用结构方程模型和人工神经网络进行两阶段实证检验。研究表明：感知有用性和感知易用性对公众参与再生水回用意愿有显著正向影响;便利条件和主观规范分别对感知易用性和感知有用性起显著提升作用;技术准备度的消极因素极大地阻碍了公众再生水回用意愿的提升。基于上述结论,本文提出提升宣传的有效性,完善城市再生水配套设施及相关激励政策,联合社区、学校、企业等平台协同推进再生水处理技术推广工作等对策建议,为政府制定科学有效的干预政策,引导公众使用再生水提供重要的理论参考和实践指导。     

Artificial neural network model for identifying taxi gross emitter from remote sensing data of vehicle emission

Vehicle emission has been the major source of air pollution in urban areas in the past two decades. This article proposes an artificial neural network model for identifying the taxi gross emitters based on the remote sensing data. After carrying out the field test in Guangzhou and analyzing various factors from the emission data, the artificial neural network modeling was proved to be an advisable method of identifying the gross emitters. On the basis of the principal component analysis and the selection of algorithm and architecture, the Back-Propagation neural network model with 8-17-1 architecture was established as the optimal approach for this purpose. It gave a percentage of hits of 93%. Our previous research result and the result from aggression analysis were compared, and they provided respectively the percentage of hits of 81.63% and 75%. This comparison demonstrates the potentiality and validity of the proposed method in the identification of taxi gross emitters.     

基于GF-1 WFV影像和BP神经网络的太湖叶绿素a反演

叶绿素a浓度是可直接遥感反演的重要水质参数之一,常用来评价湖泊水体的富营养化程度.太湖是典型的二类水体,光学性质复杂,应用一类水体线性反演模式拟合较为片面且难以找到最佳拟合模型.BP神经网络模型具有模拟复杂非线性问题的功能.为研究高分一号卫星16m多光谱相机WFV4结合BP神经网络进行太湖叶绿素a浓度监测的可行性,实验利用GF-1 WFV4影像和实时的地面采样数据,建立了BP神经网络模型,同时采用波段比值经验模型进行对比.经精度检验,BP神经网络模型预测值与实测值之间的可决系数R2高达0.9680,而波段比值模型的R2为0.9541,且均方根误差RMSE由波段比值模型的18.7915降低为BP神经网络模型的7.6068,平均相对误差e也由波段比值模型的19.16%降低为BP神经网络模型的6.75%.结果证明,GF-1 WFV4影像应用BP神经网络模型反演太湖叶绿素a浓度较波段比值模型精度有所提高.将经过水体掩膜的GF-1 WFV4影像用于训练好的BP神经网络反演太湖叶绿素a浓度分布,结果显示,叶绿素a高浓度区集中分布在湖心区北部、竺山湾、梅梁湾区域,与之前的研究一致.本文研究结果验证了采用BP神经网络模型对GF-1 WFV4影像进行太湖叶绿素a浓度反演的可行性.     

基于神经网络的碳排放预测及影响因素分析

基于新疆1995—2014年农业生产碳排放源,建立碳排放关系数据库。应用广义神经网络(generalized regression neural network,GRNN)构建了排放量预测模型,结合平均影响值(mean impact value,MIV)方法对碳排放影响因素进行量化。结果表明:1)GRNN模型预测碳排放的平均绝对百分误差和拟合优度分别为2.7860%和0.8720;2)新疆人口、人均GDP、农业贡献值、农机总动力和农户固定资产投资等因素对农业生产碳排放的影响程度分别为0.6210、0.2377、0.3698、0.8500和0.1000。该成果可为新疆碳排放总量分析和影响因素量化方面提供参考。     

基于机器学习算法的新冠疫情管控对河南省空气质量影响的模拟分析

全国各地为了减少新冠疫情对社会和人民生活的影响,采取了必要的防疫防控措施,这些措施对空气质量的变化产生了重要的影响,此外空气质量的变化与气象条件也存在很大的关系.通过对河南省疫情前（1月1~26日）和疫情管控期（1月27日~2月29日）这两阶段的空气质量分析对比发现,整个河南省除了O₃浓度上升了69.64%外,PM_2.5、PM₁₀、SO₂、CO和NO₂分别降低了36.89%、34.18%、19.43%、29.85%和58.51%;通过机器学习算法中的长短期记忆型网络（LSTM）模拟显示,气象条件引起污染物浓度的降幅大部分在15%~30%之间;人为排放减少引起的污染物浓度的降幅大部分在6%~40%之间.O₃在疫情期间上升过程中,气象条件和人为排放两种因素分别占了34.84%和34.81%.结果表明,疫情管控期间,河南省空气质量总体上有所改善,但是也有重污染发生,其中O₃的浓度对于疫情管控减排的影响不明显,呈负相关,需要进一步探索引起臭氧浓度上升的原因,以此帮助政府合理控制臭氧等前体污染物的减排比例.     

中国市域旅游流网络结构空间分异及其效应研究——基于携程旅行网的大数据挖掘

大数据驱动的旅游流网络结构研究是旅游流深化研究的主要方向之一。利用网络爬虫技术抓取携程旅行网上中国市域尺度的旅游线路及相关数据,在构建O-D矩阵的基础上,揭示网络结构指标的空间分异及其效应。中国市域旅游流网络具有以下特征：网络同质性较小;不同主题类旅游流流量总体上遵从东多西少、东南多西北少的总体格局;中国市域旅游流网络形成了五大高值集聚区,分别为长三角城市群、泛珠三角地区、云南内部、青海—甘肃交界地区、北疆地区;中国市域旅游流网络还具有显著的资源—经济指向性,“结构”效应总体不显著。未来需要进一步重视区域旅游网络化的发展特征,在尊重空间规律的基础上,发挥核心组团的辐射作用,发挥“资源—经济”的双核驱动,促进跨区域旅游合作。     

神经网络在海水腐蚀预测中的应用

根据我国材料自然环境腐蚀网站长期以来积累的海水腐蚀数据,采用BP人工神经网络算法,建立了碳钢及低合金钢的海水腐蚀预测模型.该模型以合金成分、环境因素为输入参数,以平均腐蚀速率为输出参数.以碳钢、低合金钢的17种钢种在青岛、厦门、榆林海水腐蚀试验站16年腐蚀数据建模.选定A3钢与10CrCuSiV在以上三地16年的腐蚀数据为验证样本.结果表明该网络具有良好的预测精度,能够正确反映海水环境腐蚀性因素及金属材料腐蚀暴露时间与其腐蚀速率的关系,用于碳钢及低合金钢在海洋全浸环境中的腐蚀预测.     

平原河网地区滨岸带外来植物入侵现状及影响研究——以上海青浦区为例

河流滨岸带作为一种典型的开放系统,在受到外界干扰的条件下极易被外来植物所入侵并受到严重影响。以上海青浦区为例,通过对河流滨岸带生态系统入侵植物分布及现状调查,以及对两种入侵植物：白花三叶草（Trifolium repens）和加拿大一枝黄花（Solidago canadensis）群落的物种多样性及其土壤特性的实证研究,探讨外来植物入侵对河流滨岸带生态系统造成的影响。结果表明：目前该地区河流滨岸带外来入侵植物共有14科24种,其科、种数分别占到该生态系统所有植物的48．3％与26．1％。入侵植物白花三叶草与加拿大一枝黄花在春、秋两季均显著降低了河流滨岸带植物群落的物种多样性。此外,两种人侵植物也对当地河流滨岸及土壤特性造成了不同程度的影响,其中对土壤含水量、pH值的影响最为显著。该研究填补了平原河网地区河流滨岸带生态系统外来植物入侵研究的空白,有助于今后开展对该生态系统的评价、恢复及管理工作。     

Developing an empirical model of phytoplankton primary production: a neural network case study

We describe the development of a neural network model for estimating primary production of phytoplankton. Data from an enriched estuary in the eastern United States, Chesapeake Bay, were used to train, validate and test the model. Two error backpropagation multilayer perceptrons were trained: a simpler one (3-5-1) and a more complex one (12-5-1). Both neural networks outperformed conventional empirical models, even though only the latter, which exploits a larger suite of predictive variables, provided truly accurate outputs. The application of this neural network model is thoroughly discussed and the results of a sensitivity analysis are also presented.