基于最优传递矩阵的层次分析法在桥梁震害评估中的应用

影响桥梁抗震性能的因素众多,鉴于传统的定量方法无法精确权衡各因素的影响程度,因此,考虑将不确定型层次分析法引入桥梁的震害评估中,对区间标度的合理选择作了简要讨论,运用1～9标度采集数据,兼顾10/10～18/2标度的精确性,对初始判断矩阵进行折算。利用最优传递矩阵的概念,对传统的AHP进行改进,直接求出各指标的权重值。并将此方法应用到实例当中,建立基于地震波、墩台基础、支座、结构因素、环境因素等多因素影响下的桥梁震害评估模型,得到桥梁最终的综合评估值。     

中国技术灾害的时序变化与区域差异

近年来,由于生产的全球化、工业水平的迅速提高、技术系统的复杂化和规模化,以及社会结构急剧变化,我国技术灾害的发生频次增多,强度加剧,经济损失趋于上升.技术灾害继自然灾害之后,已逐渐发展为威胁我国人民生命安全和生存环境的主要灾种.基于技术灾害数据库,从致灾因子多度、风险频数、相对损失强度和综合风险指数等4个方面对中国技术灾害的时序变化和区域差异进行了分析与探讨,以期加深对中国技术灾害的系统认识,并为中国技术灾害的风险管理提供依据.     

江苏沿海地区化工事故时空变化分析与对策研究

统计汇总了2006—2009年江苏沿海地区发生的化工事故,分析事故发生的时间趋势、空间分布、事故原因、死亡人数以及类型等特点。结果表明:事故发生频次稳定,增长趋势不明显。71%的事故发生于园区内,29%的事故发生在分散企业。连云港事故主要发生于沿海化工区密集带,盐城事故主要分布于沿海化工区域,少数发生在内陆地区,南通事故发生地点较为分散。总体来看,江苏沿海地区化工事故具有数量多,影响广,造成的环境经济损失较大的特点。     

基于卫星观测的青海高原对流层臭氧时空分布特征研究

基于OMI-MLS对流层臭氧总量数据集对2005—2019年青海高原对流层大气臭氧总量进行提取分析,探讨其时空分布格局及气象因子的影响.结果表明：①OMI-MLS对流层臭氧总量数据在青海高原的适用性良好.③海高原的多年平均对流层臭氧总量分布整体呈东北高西南低的态势,受地形和大气环流形势影响较大.海东市的对流层臭氧总量最高,其次是西宁市、格尔木市、德令哈市,玉树市的对流层臭氧总量最低.对流层臭氧总量月变化在一定程度上表现为"倒V"型特点：峰值位于6—7月,谷值位于1月,与气温变化密切相关.对流层臭氧总量季节变化明显,空间异质性强,夏季最高,春季、秋季次之,冬季最低.③近15年青海高原对流层臭氧总量呈显著增加趋势,年平均增加速率为0.22 DU,4个季节的对流层臭氧总量均呈波动上升趋势,冬季的对流层臭氧总量增加速率最快,其次是春季、夏季,秋季增加速率较慢.④影响青海高原对流层大气臭氧总量的主要气象因子是气温和降水,而次要因子表现略有不同.     

长江中游荆南三口断流时间演变特征及其影响机制

研究河道断流演变特征对认识区域水文过程及人类活动具有重要作用。论文依据1951—2014年水文气候实测数据,运用Mann-Kendall检验法,以及蒸散发-断流天数和降水-径流双累积曲线统计模型等方法分析了长江中游荆南三口断流时间演变特征及其影响机制,结果表明：1）对各时期荆南三口平均断流天数而言,1951—2014年呈逐期増加趋势,且趋势性变化显著,而在2003—2014年间,断流天数虽也增加,但趋势性变化不显著,即增加趋势逐渐减缓;2）影响荆南三口断流天数增减変化的是径流变化过程,而导致径流变化的又是以降水和蒸散发为代表的气候因素和以水利工程、各行业（农业）用水为标志的人类活动;3）影响荆南三口断流天数持续增加的主要驱动因素是人类活动,以各自时段前一时段为基准期,1959—1966、1967—1972、1973—1980、1981—2002、2003—2014年的5个变异期中,气候波动对荆南三口断流天数增加的贡献率依次为24.93%、19.05%、6.36%、10.38%、7.56%;人类活动影响的贡献率分别为75.07%、80.95%、93.64%、89.62%、92.44%。     

西宁市农牧源氨排放清单及其分布特征

以西宁市为研究区域,通过实地调研获得西宁市农牧源活动水平数据,利用排放因子法编制了西宁市2018年农牧源氨排放清单.分析了西宁市农牧源氨排放特征,利用ArcGIS进行3 km×3 km的空间网格化分配,利用蒙特卡罗模拟对畜禽养殖和氮肥施用氨排放清单进行不确定性分析.结果表明,西宁市2018年农牧源氨排放总量为4 644...     

Effects of site-selection bias on estimates of biodiversity change

Estimates of biodiversity change are essential for the management and conservation of ecosystems. Accurate estimates rely on selecting representative sites, but monitoring often focuses on sites of special interest. How such site-selection biases influence estimates of biodiversity change is largely unknown. Site-selection bias potentially occurs across four major sources of biodiversity data, decreasing in likelihood from citizen science, museums, national park monitoring, and academic research. We defined site-selection bias as a preference for sites that are either densely populated (i.e., abundance bias) or species rich (i.e., richness bias). We simulated biodiversity change in a virtual landscape and tracked the observed biodiversity at a sampled site. The site was selected either randomly or with a site-selection bias. We used a simple spatially resolved, individual-based model to predict the movement or dispersal of individuals in and out of the chosen sampling site. Site-selection bias exaggerated estimates of biodiversity loss in sites selected with a bias by on average 300–400% compared with randomly selected sites. Based on our simulations, site-selection bias resulted in positive trends being estimated as negative trends: richness increase was estimated as 0.1 in randomly selected sites, whereas sites selected with a bias showed a richness change of −0.1 to −0.2 on average. Thus, site-selection bias may falsely indicate decreases in biodiversity. We varied sampling design and characteristics of the species and found that site-selection biases were strongest in short time series, for small grains, organisms with low dispersal ability, large regional species pools, and strong spatial aggregation. Based on these findings, to minimize site-selection bias, we recommend use of systematic site-selection schemes; maximizing sampling area; calculating biodiversity measures cumulatively across plots; and use of biodiversity measures that are less sensitive to rare species, such as the effective number of species. Awareness of the potential impact of site-selection bias is needed for biodiversity monitoring, the design of new studies on biodiversity change, and the interpretation of existing data.     

基于Landsat数据的关中盆地腹地AOD时空格局及城市化对其影响

气溶胶光学厚度（aerosol optical depth,AOD）是气溶胶最基本的光学特性之一,表征气溶胶对光的消减作用,对区域大气污染有一定的指示作用.首先,以2000~2019年长时间序列MOD09A1产品数据为基础,利用ASTER波谱数据库,构建了Landsat TM/OLI蓝光波段地表反射率数据集,利用深蓝算法（deep blue algorithm,DB）对关中盆地腹地AOD进行了反演估算.其次,通过测算2000~2019多年平均/各年平均AOD和季节AOD值,研究分析了AOD空间分布特征和时间变化趋势;利用经验正交函数分析方法（empirical orthogonal function,EOF）剖析了AOD主要的空间分布模式.最后,探索分析了城市化对AOD时空分布特征的影响.结果表明：①研究区多年平均AOD空间分布受地形和人类活动影响显著,低海拔且人类活动强度大的盆地内部AOD值和变化幅度均高于周围山系.AOD呈现出明显的季节差异性：春季（0.34） > 夏季（0.33） > 秋季（0.23） > 冬季（0.12）,夏季AOD区域差异性最大.②年均AOD呈先增大后减小再增大的变化趋势,2005年达到最大值;春夏两季AOD数值分布离散,而冬季则表现为低值集聚的状态.③EOF分析结果表明,研究区AOD存在3种主要的空间分布模态：第一,AOD空间分布模式表现为区域一致型,特征向量空间分布与海拔梯度一致,反映了不同海拔下AOD变化程度的差异;第二,以秦岭山脉为界,大致呈现南北反相的分布特征,反映出关中盆地地域发展的独特性和与南部秦岭山区的差异性;第三,"东南-西北"的分布格局,表明了AOD在"城镇-乡村"呈反相变化趋势;④研究区AOD值与常住人口密度（R²=0.707,P<0.05）、不透水面密度（R²=0.377,P<0.05）以及工业POI密度（R²=0.727,P<0.5）呈正相关关系,说明城市化对AOD时空分布有一定影响.本研究对加强关中盆地空气质量监测和城市生态环境建设具有重要的意义.     

人工神经网络在矿井多水源识别中的应用

以焦作矿区水化数据为例,选用Na++K+、Ca2+、Mg2+、Cl-、SO2-4、HCO-36种水化离子浓度作为识别矿井水源的依据,运用Matlab软件分别建立BP神经网络与Elman神经网络的矿井多水源识别模型。应用结果表明:与静态的BP神经网络相比,在结构上增加承接层的Elman神经网络在训练和仿真中拟合能力更强,识别精度更高和泛化能力更好;矿井地下水随着地下开采与扰动具有动态性,将具有非线性动态特征的Elman神经网络应用于矿井多水源的识别,对准确判断突水来源和分析地下水运移规律具有一定的辅助和指导意义。     

城市纳污河流有色溶解有机物时空演变特征

利用平行因子分析和主成分分析方法,结合紫外吸收光谱与三维荧光光谱技术,研究了典型城市纳污河流-河北洨河水体有色溶解有机物(CDOM)的来源及随季节和空间变化特征,探讨了水体CDOM与水质指标间关系.结果表明:洨河水体CDOM主要为新近微生物源产生,受人类活动影响较大.CDOM浓度在时间变化上表现为春夏(2、5月)低,而秋冬(8、11月)高,从上游至下游呈现先升高再降低变化特征.荧光鉴别出的4种组分:组分1(类富里酸),组分2(类腐殖酸)及组分3(类胡敏酸)为类腐殖质,组分4为类蛋白物质.不同季节各组分来源及分布存在差异,除夏季外其他季节水体类蛋白与类腐殖质来源相似,尤其与类胡敏酸组分;类蛋白组分在各季节分布变化显著,冬春含量相对较高.洨河水体荧光物质与氨氮、亚硝氮具有共同来源,其中类腐殖质对COD贡献较为明显.采用光谱分析法并结合平行因子、主成分分析及聚类分析方法可识别污染源空间分布,揭示河体CDOM随季节变化规律.