基于机器学习的流域尺度森林火灾灾害风险预测

森林是碳库,具有强大的固碳增汇功能,在应对气候变化中发挥着重要作用。然而,由于极端高温的影响,频繁发生可燃物自燃而引发森林火灾,除了影响区域水文大气循环过程以外,也给人类带来严重的人员伤亡和经济损失。现有森林火灾预测研究主要侧重可燃物研究和火灾监测等方面,较少关注大尺度地形、气象和人类活动对森林火灾的影响,但这些也是除可燃物外导致森林火灾发生的主要因素。以嘉陵江流域重庆段为研究区,区域内山地受自然火灾影响严峻。基于地理信息系统叠加地理空间因子与火灾分布点获得数据集,构建4种机器学习模型,测试模型性能,评价最优模型进行森林火灾灾害风险制图。研究结果表明,模型评估指标受试者工作曲线下面积(area under the curve, AUC)平均值为95.0%,模型性能梯度提升决策树最优,AUC值为98.3%。利用梯度提升决策树(gradient boosting decision tree, GBDT)模型预测森林火灾风险对防范大尺度森林火灾具有一定的可行性,对山城避灾规划起到借鉴作用,规划引导降低森林火灾风险,从而维护生态平衡和生态系统碳汇能力。     

中等收入群体崛起如何影响碳排放——消费视角下的研究

中国日益壮大的中等收入群体在释放巨大消费潜力的同时,也引发了碳排放增加、减排压力增大的担忧。将这种定性担忧转化为定量认识,有助于从容应对气候挑战,为决策者针对特定消费群体制定差异化的减排策略提供信息参考。该研究开发了基于家庭微观调查数据和机器学习算法的消费模式预测模型,结合投入产出模型拆分方法,实现将家庭消费选择异质性纳入环境影响评估宏观模拟的方法构建,以此为工具评估了新兴中等收入群体可能造成的碳排放影响,比较了扩大中等收入群体不同政策情景下的影响差异。结果发现：(1)若2018—2030年实现中等收入群体规模倍增（以2018年不变价计,年收入3.3万～8.0万元/人的全国人口比重增加24%）,则达峰年新兴中等收入群体消费升级隐含的额外碳排放为2.7亿～3.6亿t,居民消费相关的减排工作量增加8%～11%。(2)新兴中等收入群体在仅收入提升情景下的消费碳排放显著低于原中等收入群体（人均碳排放相差0.2～0.3 t）,二者之间的差距蕴含着这一群体在阶层跃迁过程中协同实现收入增长与碳排放控制的可塑空间。(3)与人力资本提升和完善社会保障情景相比,城镇化情景下扩大中等收入群体带来的碳排放影响...     

中国城市碳达峰路径及其驱动因素的结构分解

碳达峰和碳中和是生态文明建设整体布局的重要一环,是实现中国绿色低碳高质量发展的重要举措。该研究首先基于校准的夜间灯光数据,运用从上至下估算方法对中国267个地级及以上城市的碳排放量进行反演模拟测算;然后,综合运用高斯回归、支持向量机、梯度提升等机器学习算法,科学预测各个城市的碳达峰路径;最后,运用拓展的广义迪氏指数方法对2000—2030年地级及以上城市碳排放演变的驱动因素进行分解,结果显示：(1)中国二氧化碳排放总量呈持续增长态势,各城市增速不同且差异较大,形成“发达城市高排量,欠发达城市低排量”的态势。(2)267个样本城市中,仅有苏州市、贵阳市等6个城市可以提前达峰或按期达峰,比重仅占2%;上海市、广州市、杭州市等252个城市将在2031—2034年达峰;北京市、珠海市等9个城市将长时期延期达峰。(3)运用拓展的广义迪氏指数进行结构分解后发现,能源消费规模、产出规模、固定资产投资规模等因素对各城市碳排放基本保持促增作用,而产出碳强度、投资碳强度等则基本保持促降作用。优化绿色低碳发展区域布局,推动低碳产业集群建设,兼顾城市“稳发展”与“促减排”是“双碳”目标有序推进的重要保障。     

边坡稳定性自动机器学习预测方法研究

为了简便有效地评估边坡稳定性状态,针对目前传统机器学习的算法选择与超参数优化等难题,提出1种边坡稳定性自动机器学习预测方法。首先,简要介绍5种主流开源自动机器学习框架;其次,以422组边坡稳定性样本为数据集,进行自动机器学习纯自动化训练,并与传统机器学习对比分析模型的性能与耗时;最后,综合讨论与比较典型自动机器学习框架的特性。研究结果表明：自动机器学习预测效果总体上优于传统机器学习,提升边坡稳定性预测准确率和稳健性,且无需人为干预。研究结果可为岩土工作人员准确可靠地评价边坡稳定性提供便捷条件。     

基于臭气测定值的渗滤液恶臭浓度机器学习预判模型

为了评估生活垃圾运输过程中,发酵垃圾渗滤液中气味浓度的变化.采用控温发酵对含水量不同的渗滤液样本进行处理,并应用仪器测量与人工嗅辨相结合的方法来确定气味浓度.结果表明,仪器测量结果与人工嗅辨值之间存在显著的相关性（r=0.916）,从而验证了所采用方法的有效性.进一步地,研究分析了水分含量、温度和发酵时间对气味浓度的具体影响.通过比较随机森林、XGboost和LightGBM等先进机器学习模型的性能,使用MAE、MSE、MAPE等评价指标后,确认随机森林模型在预测气味浓度方面的优越性.这些结果为理解和控制垃圾处理过程中的气味扩散提供了实用的参考,并为机器学习技术在环境科学研究中的应用奠定了基础.     

网络攻击检测中的机器学习方法综述

在详细介绍网络攻击检测机器学习原理的基础上,对现有的各种方法进行了评述,并结合网络攻击检测系统的应用需求,阐述了网络攻击检测系统机器学习技术的发展方向。     

基于机器学习和情景分析的我国焦化行业企业用地污染预测

针对焦化行业企业用地缺乏时序连续监测数据而无法预测其污染趋势的问题,从企业特征、企业管理水平、污染物特征和自然地理要素等4个方面选取13个影响企业用地污染的指标,识别焦化行业企业用地污染主控因子,在此基础上构建基于机器学习的焦化行业企业用地污染预测模型,并在不同情境下,对2025年和2030年焦化行业企业用地污染状况进行预测.结果表明,生产经营活动时间、建厂时间、企业环境监管记录、土壤黏粒和年均风速是焦化行业企业用地污染的主控因子;相对于支持向量机模型、BP神经网络模型和决策树模型,逻辑斯蒂模型预测价值高、性能指标稳健,其预测精度受试者工作曲线面积为0.91,模型准确率和召回率分别为84%和88%.在乐观情境下,2025年和2030年焦化行业高概率污染地块数量分别为1599块和1695块;在悲观情境下,2025年和2030年焦化行业高概率污染地块数量分别为1671块和1715块.研究结果可为焦化行业企业用地的修复治理和生态环境的宏观决策提供科学依据.     

基于无人机遥感与机器学习的岸滩大型塑料垃圾监测方法

鉴于现场人工调查手段对海滩垃圾的监测具有成本高、耗时长等特点,近年来无人机遥感技术在海洋垃圾监测中的应用受到广泛关注。为评估无人机遥感及机器学习技术在海洋垃圾信息收集与分析中的有效性,首先,本研究将无人机遥感图像的目视解译结果与实地调查进行对比,结果表明,目视解译对垃圾的总体识别率达68.1%～75.1%,对各类塑料垃圾的识别率达38.9%～94.3%,说明无人机图像解译垃圾具有较强的可行性;其次,在目视解译无人机图像的基础上,引入机器学习技术自动解译图像,该技术对各类塑料垃圾的识别准确率达77.9%～81.5%,回收率达45.6%～60.6%;最后,本研究将无人机遥感与机器学习技术运用于崇明岛岸滩的实地调查中,成功地实现了样区塑料瓶、塑料渔网、塑料浮球、塑料泡沫和浮木等多类垃圾通量和组成的快速统计与空间分布分析,并揭示了台风前、后岸滩垃圾的变化特征。本研究发展并验证了基于无人机遥感与机器学习图像解译的岸滩塑料垃圾监测技术,实现了垃圾数据的半自动化采集、识别与统计的完整监测过程,提升了监测效率。本研究发展的机器学习模型可解决海量、复杂无人机影像中垃圾的定位与识别需求,一定程度上实现了智...     

基于树模型的北京市PM2.5预测效果对比分析

在城市空气质量预测中,ρ（PM_2.5）会受到气象条件和时间周期的影响。选取北京市全市为实验区域,对多种污染物浓度特征、时间特征及天气特征等进行分析,采用2019年33个空气质量监测站逐小时数据开展PM_2.5预测实验,建立了基于特征的LightGBM （light gradient boosting machine） PM_2.5质量浓度预测模型,分别与随机森林模型（RF）、梯度提升树模型（GBDT）、 XGBoost模型3个PM_2.5浓度预测模型进行对比。结果表明:在PM_2.5浓度预测精度方面,LightGBM模型最高,XGBoost模型次之,RF模型最差。LightGBM模型的PM_2.5污染浓度预测准确率高于其他模型,R2为0.9614,且具有训练快、内存少等优点。LightGBM模型的5个评估指标均优于其他模型,说明其在PM_2.5逐时预测上具有很好的稳定性和应用前景。     

污水处理系统中N2O的生产利用及数据驱动模拟研究进展

氧化亚氮(N₂O)是一种温室气体,同时也是具有能源回收潜力的强氧化性物质。综述了促进N₂O产生的新兴污水脱氮过程及提高N₂O产生的方法,比较了不同方法的运行条件及N₂O转化率,并指出了各种方法的不足之处。从识别N₂O产生的关键影响因素和预测N₂O产量2个方面综述了污水处理过程中N₂O数据驱动模型的研究进展。目前N₂O的增产方法主要包括耦合好氧-缺氧氮分解过程、单反应器生产过程及基因工程菌和半导体修饰菌增产过程。收集污水处理厂中的大数据可以建立N₂O数据驱动模型,但是现有的数据驱动模型仅仅关注N₂O减排。开发N₂O的新型增产过程,优化控制增产过程的功能菌种,建立N₂O数据驱动模型与N₂O增产方法之间的关联性是未来N₂O生产利用技术的发展方向。