基于知识与规则的土地利用信息分层提取研究——以南京市都市区为例

为了克服利用统一分类模型难以有效提高土地利用分类精度的问题,为土地利用/覆被定性、定量信息的提取提供一种高精度、高效率的提取方法,将分层信息提取法和基于知识规则的信息提取方法相结合,基于对南京市都市区的土地利用时空特点和研究区TM影像数据中各地类波谱信息的分析,结合了地类提取指数模型、DEM数据、城市建成区边界等,充分利用地学先验知识,设计了一套土地信息分层提取的流程,对土地利用信息进行了提取。利用该方法对2012年南京市都市区的土地利用/土地覆被信息提取的总体精度达到了88.67%,Kappa系数达到了0.85。实践证明,基于知识与规则的土地利用信息分层提取方法提取精度较高,适用性强,对其他地区的土地利用/覆被信息分类提取也有一定的借鉴意义。     

绿色低碳视角下中国区域创新效率研究北大核心CSCDCSSCI

绿色低碳已成为时代的主题,如何有效推进绿色科技创新以及改善中国目前的生态环境状况,对推动中国经济的健康可持续高速发展具有重要的意义。从绿色环保、低碳节能的角度出发,结合投影寻踪模型处理高维数据的特点,对随机前沿模型进行改进,从而构建了更加有效的估算创新效率的测度模型。在此基础上,选用2005-2011年中国30个省市地区的面板数据对中国各区域创新效率及影响因素进行实证分析,结果表明:中国区域平均创新效率约为0.645,虽然超过0.5,但仍然存在较大的无效率现象,创新效率有待于进一步的提高,且创新效率存在显著的区域异质性,各区域发展不均衡。同时,环境规制强度与创新效率呈"U"型关系,表明环境规制初期,由于成本的增加,会对创新效率产生负向影响,但随着时间的推移,环境质量得到改善,又会促进创新效率的提升;区域开放程度、技术市场成熟度和政府资助这三个因素对绿色创新效度均具有积极的推动作用,这说明较高的区域开放程度能够显著拉动中国创新效率向更高水平发展,成熟的技术市场有利于科技成果市场价值的实现并推动创新效率的提高,政府资助可有效降低区域绿色创新主体的创新成本和风险,激发其进行创新的积极性,对创新效率的提升具有显著影响。因此,要想有效提高中国及各区域的创新效率和社会经济的健康可持续发展,应当重视创新资源的有效利用,生态环境的改善,积极推进绿色创新技术,一方面要均衡经济增长与生态环境的协调发展,另一方面要积极引进并学习国外先进绿色创新技术,同时还要充分发挥政府作用来调控各区域创新能力的失衡现象。     

分层型水库水体好氧不产氧光合细菌时空演替特征

好氧不产氧光合细菌（aerobic anoxygenic photosynthesis bacteria,AAPB）以多样的群落结构及独特的代谢功能在水体物质循环中扮演着重要角色.基于实时荧光定量PCR及Illumina MiSeq高通量DNA测序技术研究金盆水库水体中AAPB丰度及群落结构时空演替特征,结合冗余分析揭示环境因子对其群落结构影响规律.结果表明,金盆水库水体AAPB丰度（以pufM基因计）变化范围为（6.70±0.43）×10³~（2.69±0.15）×10⁴ copies·mL^-1,最大值出现于10月,且随水深增加而减小.样本主要归为19个属（除未分类菌属外）,优势AAPB菌属包括慢生根瘤菌属（Bradyrhizobium sp.）和甲烷菌属（Methylobacterium sp.）,两者隶属α-变形菌（α-Proteobacteria）,其中慢生根瘤菌属（Bradyrhizobium sp.）占比于11月最高,高达60%以上（除10 m外）,此外也发现了以低比例存在的红长命菌属（Rubrivivax sp.）,隶属β-变形菌（β-Proteobacteria）.AAPB不同属间存在较强的互作关系,如红杆菌属（Rhodobacter sp.）与小红卵菌属（Rhodovulum sp.）呈正相关,噬氢菌属（Hydrogenophaga sp.）与慢生根瘤菌属（Bradyrhizobium sp.）呈负相关等.AAPB种群结构组成及分布差异显著,主要受T、TN、NO₃^--N和光照强度影响,且由环境因素综合调控.如10月水深0、5和15 m水体AAPB种群结构受水温（T）、总氮（TN）和总磷（TP）显著影响,12月水深5 m水体AAPB种群结构受光照强度、pH、溶解氧（DO）和叶绿素a（Chla）显著影响等.研究结果对解析分层型水库水体AAPB丰度和多样性的时空变化特征具有指导意义,并为探索AAPB种群结构的水环境驱动因素提供理论依据.     

随机模型在地下水资源评价中的应用研究

介绍了地下水资源评价和管理中近年常用的随机模型,重点分析了回归分析方法、时间序列分析方法和建立随机微分方程等随机方法的应用及优缺点,简要指出了随机模型发展趋势.     

基于BP神经网络的甘肃省二氧化碳排放预测及影响因素研究

基于排放因子法估算2000—2020年甘肃省三大产业及生活能源消费直接CO₂排放量,描述分析其时序演变特征。建立BP神经网络模型并预测2021—2030年甘肃省CO₂排放量。构建甘肃省CO₂排放影响因素的STIRPAT拓展模型,利用多元回归分析定量探究了各因素对CO₂排放量的影响程度和内在作用机理,并结合随机森林进一步识别重要影响因素。结果表明：甘肃省产业及生活能源消耗直接CO₂排放总体呈波动增长趋势,且第二产业占比在70%以上,是主要的CO₂排放源;BP神经网络模型的预测误差为2×10^-4,相关系数>0.99,对于预测甘肃省CO₂排放具有较高精度,并得出2026年的甘肃省能源消耗直接CO₂排放量达到最大;甘肃省CO₂排放的驱动因素作用差异显著,CO₂排放强度、经济发展、城乡消费对CO₂排放的正向作用较大,城镇居民人均消...     

基于机器学习的星载短波红外CO2柱浓度估算

利用OCO-2卫星遥感数据、全球碳柱总量观测网(TCCON)站观测数据、NDVI归一化植被指数数据、ERA5大气数据,采用决策树和集成学习(XGBoost、普通随机森林、极端随机森林、梯度提升)对二CO₂平均柱浓度进行预测.通过相关性分析、特征选择与特征提取,建立模型预测CO₂平均柱浓度,再与TCCON站点的地基观测数据进行比对.通过分析不同模型(决策树、XGBoost、普通随机森林、极端随机森林、梯度提升)预测的结果,发现使用极端随机森林回归模型预测CO₂平均柱浓度的精度最高, R²、均方根误差(RMSE)、平均绝对误差(MAE)、平均相对误差(MRE)分别为:0.953、0.492×10^-6、0.260×10^-6、0.063%,其余模型次之,因此对极端随机森林回归模型的预测性能随自身参数的影响进行了分析,结果表明,在误差允许的范围内(±2×10^-6),极端随机森林回归模型和梯度提升回归模型预测的准确率一样,都为98.10%.由于C...     

中国艾比湖湿地识别及其时空动态变化

在资料稀缺的背景下,遥感数据是提供湿地系统长时间序列的理想方案。然而面向“一带一路”沿线地区复杂下垫面,国家级湿地缺乏系统的长时序梳理。利用Landsat系列数据,基于随机森林分类模型,研究近30年中国典型尾闾湖湿地的时空分布模式、空间转换规律和景观连通性。结果表明：随机森林算法在艾比湖湿地分类应用中取得较高精度（Kappa系数大于0.9）。1991—2017年艾比湖湿地总面积增加425.06 km²,河流增加47.97 km²,湖泊增加233.95 km²,人工湿地增加48.74 km²,盐沼增加109.41 km²,沼泽减少15.01 km²。艾比湖湿地年内时空变化显著,年内季节间盐沼转化率最大,湖泊年内逐渐缩小,主要转化为沼泽。此外,艾比湖湿地空间连通性理想度排序为：春季>夏季>秋季,湿地景观连通性取决于较大面积的湿地斑块,连通效率东移。相关结果可弥补稀缺资料区基础湿地资料,为“一带一路”地区生态补水长效机制提供典型示范。     

基于Landsat8影像的Himawari-8叶绿素a空间降尺度研究

新型地球静止气象卫星Himawari-8由于空间分辨率较低,其叶绿素a产品难以满足空间异质性高的近岸海域水质监测要求。为了克服这个限制,基于非线性的随机森林算法,利用陆地资源卫星Landsat8的波段反射率数据和Himawari-8的叶绿素a产品,通过构建降尺度模型,以提高Himawari-8的叶绿素a数据的空间分辨率。结果表明,2个秋季模型和2个冬季模型的模型决定系数(R²)分别达到0.6、0.72、0.71和0.85;均方根误差(RMSE)为别为1.47,1.05,1.89,0.76mg/m³。通过实测站点数据对比分析表明,降尺度模型生成的叶绿素a与葵花叶绿素a数据具有较高的一致性,R²达到了0.81,能较好的反映近岸海域叶绿素a浓度的空间变化特征。     

地下水污染模拟模型的不确定性分析

为同时分析源汇项和水文地质参数不确定性对地下水污染数值模拟模型输出结果的影响,以抚顺市某煤矸石堆放场为研究实例展开研究.首先以硫酸根离子作为模拟因子,建立该场地地下水污染数值模拟模型.然后,分别采用局部灵敏度分析和全局灵敏度分析两种方法对模拟模型参数进行灵敏度分析并对比二者的结果,最终筛选出对模型输出结果影响较大的两个参数作为模型的随机参数.为减少反复调用模拟模型产生的计算负荷,分别对3口观测井应用克里格、核极限学习机、支持向量机和BP神经网络4种方法建立模拟模型的替代模型,根据这4种替代模型在不同井的拟合效果,为每口井优选出一个表现最好的替代模型,并利用优选出的替代模型完成蒙特卡洛随机模拟.最后,对随机模拟的结果进行统计分析与风险评估.结果表明,在置信度为80%时,1,2,3号三口井浓度的置信区间分别为:211.48~845.04mg/L,0~406.98mg/L,231.42~958.37mg/L.此外,依据《地下水质量标准》和各井的污染物浓度分布函数曲线得出:1号井和3号井的水质达标Ⅴ类水的概率分别为90.1%和93.1%,2号井达标Ⅲ类水的概率为80.7%,藉此为地下水资源管理和污染防治提供合理依据.     

机器学习耦合受体模型揭示驱动因素对PM2.5的影响

PM_2.5主要受排放源、大气化学、气象条件等驱动因素的非线性影响,了解驱动因素对PM_2.5浓度的影响十分重要. 本研究基于南开大学大气环境综合观测超级站的逐时在线观测数据,耦合机器学习方法和受体模型,揭示了驱动因素的重要性以及对PM_2.5浓度的影响. 结果表明:① 2018年11月—2020年10月观测地点的PM_2.5浓度范围为3.21~291.80 μg/m3,采暖季PM_2.5浓度和化学组分均高于非采暖季. ②使用受体模型解析PM_2.5的来源及其贡献,发现观测期间二次源的贡献率(44.7%)最高,其他依次为燃煤源(23.6%)、机动车排放源(11.0%)、扬尘源(9.9%)、生物质燃烧源(7.2%),工业源的贡献率(3.6%)最小. ③利用随机森林-SHAP模型量化排放源、大气氧化能力、气象条件等驱动因素对PM_2.5浓度的影响,发现观测期间排放源对PM_2.5浓度的影响程度为54.3%,高于其他驱动因素;气象条件对PM_2.5浓度的影响程度次之,为32.4%;大气氧化能力对PM_2.5浓度的影响程度相对较低,为13.3%. 在采暖季和非采暖季,各驱动因素对PM_2.5浓度的重要性在排序上没有变化,然而驱动因素对PM_2.5浓度的影响程度有所不同. 采暖季排放源对PM_2.5浓度的影响程度高于非采暖季,采暖季大气压对PM_2.5浓度的影响程度低于非采暖季. 研究显示,排放源对PM_2.5的影响相对较大,气象条件和大气氧化能力对PM_2.5浓度的影响也不容忽视.