构建循环型旅游产业的思路与途径

根据世界旅游组织预测,到2020年中国将成为世界上最大的旅游接待国和第四大客源输出国.2005年中国入境旅游人数已达1.2亿人次,入境过夜旅游人数达4680万人次,国内旅游人数达12亿人次,出境旅游者达3100万人次.中国旅游业产业规模正在不断扩大,旅游产业已成为国民经济新的增长点,从旅游资源大国到世界旅游大国,中国正努力向世界旅游强国目标迈进,入境旅游、国内旅游、出境旅游三大市场繁荣兴旺;同时,中国旅游产业也正经历着前所未有的考验.     

既打老虎,又拍苍蝇

现代安全管理的根本要求是预防为主,注重科学预测.美国安全心理学家海因里希指出:"在生产过程中,发现违章行为,必须立即进行监督整改,这是预防事故的有效手段,也是坚持预防为主的基本方针."     

关中地区飑线天气的预测及灾害对策探讨

对１９６１～１９９０年发生在陕西省关中地区的飑线天气及其灾害进行了统计分析，并从天气形势背景方面对飑线的发生发展进行了研究和分析，同时就飑线的预测和防灾对策进行了探讨。     

基于RF-LSTM的鸡舍恶臭气体预测研究

以鸡舍氨气为研究对象,对鸡舍氨气预测模型进行了研究.首先,利用随机森林算法（RF）对影响鸡舍氨气浓度的环境变量进行重要性排序,选取温度、湿度、光照、气象温度、降雨量作为模型的输入变量;在此基础上,构建了基于长短时记忆神经网络（LSTM）的鸡舍氨气浓度预测模型,并将提出的预测模型应用于江苏省宜兴市某养鸡场的氨气浓度预测中,并与LSTM模型、RF-Elman模型和RF-BP模型进行了对比实验,结果表明,基于RF-LSTM模型的预测效果最好,其平均绝对误差（MAE）、平均绝对百分误差（MAPE）和均方根误差（RMSE）分别为0.9183、4.9637%和1.4262;同时,为了验证该模型的性能,本文还实现了不同时间尺度的鸡舍氨气浓度预测,提前2h、3h、4h、5h氨气预测的平均绝对误差（MAE）分别为1.6218、2.1991、2.8553和3.0677.本文提出的预测模型提高了鸡舍氨气浓度的预测精度,可为减少鸡舍恶臭气体排放提供科学依据.     

中国光伏组件报废量的预测

在采用威布尔分布模型分析光伏组件使用寿命分布情况的基础上,使用神经网络模型和市场供给A模型分别对中国光伏装机容量和组件报废量进行预测。将光伏组件按照不同质量分成2阶段,考虑不同退化情景预测组件报废量,并计算组件中有价值材料和金属报废量。预测结果表明:2025年后中国光伏组件报废量爆发,到2050年,中国光伏组件报废量最高可达60.22 GW,累计报废最高可达673 GW。在4种退化情景下,到2050年,典型贵金属方面最高产生3134.5 t的Ag;稀有金属方面最高产生228.1 t的Te;463.4 t的Cd,58.5 t的Ga,29.8 t的In;有毒有害金属方面最高产生263.9 t的Pb;Si最高产生量43735.4 t。到2050年,光伏组件材料累积废弃总量最高可达64623193.6 t。     

基于FLUS模型的湖北省生态空间多情景模拟预测

改革开放以来,中国经济在飞速发展的同时,生态环境问题日益严峻。为保障国家和地区的生态安全,对未来生态空间进行模拟预测十分必要。在长江大保护和长江经济带绿色发展背景下,以湖北省为研究区,利用FLUS模型基于湖北省2010年、2015年土地利用数据及包含自然和人文因素的15种驱动因子数据,对2035年的湖北省生态空间进行模拟预测。结果表明：利用2010年土地利用现状模拟出的2015年湖北省土地利用变化情况,总体精度达到0.976,Kappa系数达到0.961,模拟精度较高。设置的生产空间优先、生活空间优先、生态空间优先以及综合空间优化4种不同情景,基本满足未来湖北省不同发展导向的需求。从地貌单元角度来看,在不同情景下,湖北省生态空间主要分布于湖北省边陲四大山区,中部江汉平原生态空间零星分布。从数量规模上来看,不同情景下各个用地类型数量规模差异较为明显,生产空间优先情景下耕地面积增加1216 km²,生活空间优先情景下城镇用地规模增加5959 km²,生态空间优先情景下生态空间用地增长722 km²,综合空间优化情景下生态空间用地规模变化更趋于平缓。从生态空间变化分布来看,四大山区的生态空间变化不大,但中部江汉平原生态空间变化较为明显,其中从行政区划上来看,变化范围主要分布于武汉城市圈、襄阳市、宜昌市中西部地区及随州市中部地区。总而言之,FLUS模型对于湖北省生态空间模拟的适用性较好,多情景模拟结果可为湖北省未来国土空间规划及未来生态空间管控提供多角度、多方向的政策决策参考。     

基于神经网络的东北地区秸秆焚烧预测

选取农作物秸秆露天燃烧严重的东北地区,采用人工神经网络的方法,结合卫星火点和气象数据,开展秸秆露天燃烧预测研究.结果表明：人工神经网络预测模型成功验证了松嫩平原地区2015年10月25日~11月15日的秸秆露天燃烧情况,其准确度为67.1%,经过多次试验,在神经网络建模与验证数据配比为80：20时,预测准确度最高,可达69.7%,同时该模型的稳定性较好.而对不同区域,不同时间段的预测研究表明,人工神经网络较适用于长时间序列的预测.就影响因素而言,相对湿度是影响秸秆露天燃烧的最重要因素.本研究结果可为空气质量模式提供火点预测数据,提高其预报预警能力,为区域联防联控政策的制定提供科技支持.     

基于机器学习的细粒度空气质量时间预测器

针对空气质量状况的预防和治理,提出了基于线性回归的空气质量预测方法。作为时间预测器,更多的是考虑本地的历史数据、过去与未来的状况,挖掘空气质量随时间变化的关系以及变化趋势,为了选取最优的特征,对数据进行分析,找到与空气质量变化关系密切且存在线性关系的特征,以此特征来建立线性回归模型,并使用Cross-Validation方法进行评估验证。实验结果表明线性回归方法能够有效地预测到空气质量的变化趋势,效果良好,具有较强的实用性。