随机应用下的锂离子电池剩余寿命预测

目的为模拟海洋工程与水下科考装备电池的真实使用情况,进行随机电流放电下的锂离子电池老化实验,通过高斯过程回归模型进行电池剩余寿命预测。方法从数据驱动方法中选取具备不确定性表达能力的高斯过程回归模型,选定核函数后通过训练数据来优化超参数建立预测模型。用随机应用下的电池充放电循环实验数据验证预测结果。结果与SE核函数相比,基于Matern核函数的模型预测效果更优。训练数据越多,预测起始点越大,模型预测绝对误差越小、MAPE与RMSE值更低。对两种不同实验温度、不同随机电流放电模式下的三组电池,模型预测绝对误差大多在40 cycle内,MAPE与RMSE值分别低于0.06、0.09,均能实现准确剩余寿命预测。结论对于随机应用下的锂离子电池剩余寿命预测,高斯过程回归模型具备高精度与适用性。     

国际土地利用/覆盖变化模型研究综述

国际上对土地利用/覆盖变化的研究由来已久,近年由于土地利用/覆盖变化对全球变化的贡献及响应,预测土地利用/覆盖变化成为必然。由此,越来越多的科学家致力于研究土地利用/覆盖变化模型,并取得了积极进展。论文介绍了目前国际上土地利用/覆盖变化模型的一些相关问题:①土地利用/覆盖变化模拟的尺度依赖性;②土地利用/覆盖变化模拟的数据问题;③预测土地利用/覆盖变化的位置与数量。回顾了已有的5种主要的土地利用/覆盖变化模型:①基于行为者的土地利用/覆盖变化模型;②经验统计模型;③最优化模型;④混合/综合模型;⑤动力模拟模型。最后总结了现有模型中存在的问题,并探讨了今后土地利用/覆盖变化模型发展的方向。     

声波清灰技术在袋式除尘器上的应用

利用声波清灰技术替代袋式除尘器传统的反吹、机械振打等清灰方式。运行结果表明:该技术运行可靠,维护量低,经济实用,解决了袋式除尘器易损坏,维护量大等问题。     

土地利用变化下的生态系统服务敏感性研究——以克里雅绿洲为例

通过剖析传统的敏感性分析法,提出交叉敏感性概念,评价生态服务价值对土地利用类型转换的响应性。以克里雅绿洲为研究区域,以1991、2002 和2011 年三期遥感影像数据为基本信息源,运用交叉敏感性分析,计算生态系统服务价值对土地利用类型转换的敏感性,确定生态系统日趋敏感的土地利用变化过程,为土地管理对策提供参考依据。研究结果表明:20 a来,克里雅绿洲生态服务价值较敏感的土地利用转换类型相对稳定,主要集中在湿地和水体向荒漠和低覆盖度草地的转换;与1991 和2011 年相比,2002 年的交叉敏感性系数普遍上升,这主要是因为湿地、水体面积的减少加剧了研究区的生态脆弱性,从而表现出更大的敏感性;湿地和水体向耕地转换的交叉敏感性一直处于上升趋势,并不断接近于-1,表明生态服务价值对高强度的人为活动变得越来越敏感,从而警示地方管理部门采取必要措施制止此种转换的持续。     

黄土丘陵区土地利用变化对深层土壤有机碳储量的影响

通过研究黄土丘陵子午岭林区5种典型土地利用类型土壤剖面有机碳分布特征,分析了天然乔木林转变为人工乔木林、天然乔木林转变为农田、天然灌木林转变为农田及撂荒后土壤有机碳变化特征.同时,以浅层(0~100 cm)土壤为对照,探讨了土地利用变化对深层(100~200cm)土壤有机碳储量的影响.结果表明,在0~200 cm剖面上,天然乔木林、天然灌木林、人工乔木林、撂荒地、农田土壤有机碳含量分别为5.85、3.96、4.98、3.09、3.20 g·kg-1,天然乔木林、人工乔木林土壤有机碳含量显著高于天然灌木林、撂荒地和农田(p0.05).各土地利用类型下浅层和深层土壤有机碳含量分别占0~200 cm土壤有机碳含量的58%~73%和27%~42%,不同土地利用类型间浅层土壤有机碳含量差异显著,但深层土壤有机碳含量差异不大.土地利用变化对土壤有机碳储量影响显著.天然乔木林转变为人工乔木林、天然乔木林转变为农田、天然灌木林转变为撂荒地、天然灌木林转变为农田4种土地利用转变方式0~200 cm土壤有机碳储量分别减少了9.68、52.90、20.20、12.49 t·hm-2,减幅为7%、39%、21%、13%,其中,浅层土壤减少了2%~48%,深层土壤减少了12%~22%.相对于林地开垦为农田而言,农田退耕还林后土壤有机碳的恢复要慢得多.研究结果揭示了浅层和深层土壤有机碳对土地利用变化的敏感性,反映了深层土壤有机碳具有较大的稳定性.     

长株潭城市群地类转移的碳传导效应与预测

土地利用碳排放是影响城市碳达峰、碳中和实现的重要因素.基于土地利用遥感数据和碳排放估算模型,得到长株潭城市群的土地利用碳排放量,借助转移矩阵分析了长株潭城市群土地利用转移的碳传导效应.此外,采用马尔科夫模型预测2030年和2060年的长株潭土地利用碳排放量.结果表明：①1995~2018年长株潭城市群土地利用净碳排放从810.84×10⁴ t增加到2015.41×10⁴ t,碳源/汇比整体呈上升趋势.其中,建设用地是主要的碳排放源,林草地是主要的碳汇.②不同时段地类转移引致的碳传导最终均表现为净碳排放,在时间上呈现先增加后减少的态势.其中以林地和耕地向建设用地转移产生的碳传导最为显著,涉及草地、水域和未利用地的碳传导效应微弱.③预测结果表明,长株潭城市群的土地利用碳排放预测量处于持续上涨态势,如若仍按目前趋势发展,则如期实现"双碳目标"存在难度.政府需要在加强林地的碳吸收能力以提升生态系统碳汇增量和遏制建设用地的无序扩张以减少碳源两方面着力,加快长株潭城市群的绿色低碳建设.上述结果为长株潭城市群开展低碳导向的城市土地利用调控提供了重要参考.     

广州部分区域表层土壤中有机氯农药分布特征

通过在冬、夏两季对广州市部分市区和远郊区的表层土壤样品中OCPs(有机氯农药)的采样和气相色谱-电子捕获检测法分析,对OCPs残留现状进行了研究.结果表明,土壤中w(HCHs)为0.29～14.90 ng/g,未超过GB 15618—1995《土壤环境质量标准》的一级自然背景值.w(DDTs)为nd～697.70 ng/g.海珠区和黄埔区部分地点w(DDTs)超过一级自然背景值.DDTs为主要残留有机氯农药,平均占w(OCPs)的85.1%.所观察到的较低的w(α-HCH)/w(γ-HCH)(小于1)和w(γ-HCH)>w(β-HCH)的结果,有可能是林丹输入所致.一些地点可能有新的DDT输入.按土地利用类型划分,表层土壤中w(OCPs)为工业区>农田>果园>未利用地>居民区绿地>森林公园.      

中国土地利用规划的指标分配逻辑：兼论对国土空间规划的启示

用地指标是我国空间规划实施和国土空间管制的关键政策工具。研究收集省级土地利用总体规划（2006—2020年）新增建设用地指标数据,利用多层线性模型,分析了用地指标分配的偏好及其影响因素,并探讨了省级和市级因素对指标分配的交互作用机制。结果表明： （1）用地指标分配策略具有明显的地区差异性,绝对量呈现东高西低的格局,而相对量呈现西部和东南高、中部和东北低的空间特征;（2）用地指标分配模式主要受经济发展需求驱动,缺乏对水土等资源环境限制性因素的考虑;（3）快速发展期的省倾向于集中分配策略,发展水平较高的省则更为均衡。因此,需坚守资源环境底线,配合有效的经济激励政策,实施差别化的用地指标管理策略。     

洱海西部灌排沟渠水质特征及土地利用的影响

灌排沟渠径流是洱海氮、磷营养盐输入的主要来源。2020年秋季,研究选取洱海西部2个汇水区,分析了降雨条件下汇水区和沟渠子汇水区2个空间尺度下沟渠水质的变化特征,以及土地利用对沟渠水质的影响。结果表明：沟渠水质表现出显著的空间差异性,其中双隐汇水区东南部沟渠化学需氧量（COD）较高,为5.68~20.49 mg/L,北部沟渠总氮（TN）浓度较高,为1.04~1.44 mg/L,总磷（TP）浓度自东向西递减,氨氮（NH₃-N）浓度整体较低;万阳汇水区南部沟渠COD较高,为5.02~14.22 mg/L,TN浓度整体较低,环洱海和中部靠北沟渠TP和NH₃-N浓度整体偏高。冗余分析结果表明,村镇、农田是沟渠TP和NH₃-N的主要来源,秋季库塘未被利用的蓄水也可能对沟渠水质造成影响,林草地面积占比与沟渠水质呈负相关,但由于占比小和空间分布原因,对入海污染负荷的削减效用较小。洱海西部应加强灌溉用水循环利用,完善环湖截污工程,以减少灌排沟渠退水和农村生活污水对洱海水质的影响。

     

不同雨强条件下河流水质对流域土地利用类型与格局空间响应

以七乡河流域为研究区域,基于2015年4、5、6月3次不同雨强条件下的河流水质实时监测数据,以及区域DEM数据和遥感数据,根据高程与坡度将流域划分5级河流缓冲区,研究不同雨强条件下各缓冲区内土地利用类型、格局与河流水质之间的响应关系.结果表明:1不同空间单元土地利用类型与格局存在差异.低缓区域、中缓区域和高缓区域优势土地利用类型为建设用地;中陡区域和高陡区域林地为优势土地利用类型.2低缓区域是不同雨强条件下,土地利用类型对河流水质影响最大的空间单元.3低缓区域建设用地对水质的影响最大;中缓区域湿地对小雨强时水质影响最大;建设用地对中等雨强和大雨强时水质影响最大.中陡和高缓冲区,建设用地对小雨强时水质影响最大;而中等雨强和大雨强时林地对水质影响最大.4土地利用格局对河流水质影响比较复杂.平均斑块形状指数对低缓区域水质影响最大;斑块密度、平均斑块形状、多样性指数分别是中缓区域3种雨强时对水质影响最大的格局因子;高缓区域3种雨强条件下平均斑块形状指数、多样性指数和斑块密度对水质影响最大;平均斑块形状指数和蔓延度是中陡区域和高陡区域小雨强和大雨强时对水质影响最大,蔓延度和多样性指数是中等雨强时影响最大土地利用格局因子.