基于机器学习的侵财类案件危害程度分析

为了进一步分析侵财类案件的危害程度,以抢劫、抢夺和盗窃3种典型侵财类案件为例,利用ZS市2008—2014年的犯罪数据与统计年鉴数据,提取“发案时间”“发案地域”“选择时机”“选择处所”“选择对象”“人均地区生产总值”“职工月平均工资”7个特征,建立基于多种机器学习分类算法的侵财类案件危害程度预测模型,并进一步开展预测结果的分析研究。研究结果表明:梯度提升决策树（GBDT）算法性能最优,危害程度预测准确率达到了0.88;在抢劫案和抢夺案中,一般和重大的案件容易发生在繁华地带,特大案件容易发生在其他处所;侵财类案件倾向于在工作日的城区中发生,发生的危害程度大多为一般;提出的侵财类案件危害程度预测模型可为侵财类案件的风险评估及警务资源优化配置工作提供方法支持。     

中国建筑安全现状及展望

对我国建筑行业安全状况作了概述；对造成建筑行业事故高发的原因进行了分析；展望了今后建筑安全的发展状况并提出了建议。     

论人的失误

人的失误所造成的事故占事故总数的７０—８０％，研究人的失误对控制伤亡事故的发生具有重要意义。为此，分析人的行为模式，论述人失误的原因，并对控制人失误的方法进行了探讨，认为减少人失误的根本途径是大力倡导安全文化，提高操作者的安全素质。     

中国环境科学进展

本文详细论述了我国环境科学的20年进展及今后的展望,介绍了我国环境科学开拓创业阶段的概况,成长阶段所取得的成果,全面发展阶段的进展。内容丰富,详实,观点明确,对环境科学工作者有极大地启发。     

The emergence of land systems as the nexus for sustainability transformations: This article belongs to Ambio's 50th Anniversary Collection. Theme: Agriculture land use

This perspective recognizes the seminal Ambio articles of Sombroek et al. (1993), Turner et al. (1994) and Brussaard et al. (1997), identifying their individual and collective role in laying the ground work for a global change research agenda on land and its human use through increased understanding of terrestrial ecosystem dynamics and global change, and furthering nascent interdisciplinary efforts within the global change science community to better understand the ‘human driving forces’ of change. From these efforts, land system science, as a systemic science focused on complex socio-ecological interactions around land use and associated trade-offs and synergies, emerges as an ‘interdiscipline’ challenged to better understand land systems as the ‘meeting ground’ for multiple claims on land for biodiversity, carbon, livelihoods, food production among others, and support pathways to sustainability for people and nature.     

环境科学中的核技术应用问题

本文论述核技术发展对环境科学的积极作用，并全面介绍主要包括辐照、示踪、核分析以及同位素测量在内的核技术在该学科中应用的各个方面。通过此项技术的应用现状、前景以及需要具备的基本条件等，提出了有关的具体建议。     

基于支持向量机的城市道路降雨径流污染预测模型

为实现城市降雨径流污染有效预测,以文献中的实测数据作为样本,选取雨型、平均雨强、峰值雨强、降雨历时、雨前干期、大气降尘量、PM 10、车流量、路面材料及城市功能区等10项影响因子作为模型输入量,选取径流污染指标COD的场次降雨平均浓度EMC及初期冲刷指数FF30作为模型输出量,基于支持向量机(SVM)构建了城市道路径流污染预测模型。结果表明:EMC-SVM及FF30-SVM模型均具有较高的预测精度,EMC-SVM模型校验参数RMSE、MBE远小于数据集EMC均值,CE、CC达到0.815及0.933;FF30-SVM模型校验参数RMSE、MBE远小于数据集FF30均值,CE、CC分别为0.866及0.932;选用径向基函数(RBF)作为核函数,使用k折交叉验证法对模型参数进行寻优,对于EMC-SVM及FF30-SVM模型寻得的最优参数(c,g)分别为(64.0,0.001953125)、(2.0,0.0625)。     

多机器学习模型下逐小时PM2.5预测及对比分析

为了能及时、准确的估算出PM_2.5浓度及污染等级,分别构建了K最邻近模型（KNN）、BP神经网络模型（BPNN）、支持向量机回归模型（SVR）、高斯过程回归模型（GPR）、XGBoost模型和随机森林模型（RF）6个PM_2.5浓度预测模型,选取江西省赣州市为实验区域,采用2017~2018年逐小时气象站数据、PM_2.5浓度数据和Merra-2再分析数据开展PM_2.5预测实验.结果表明,缺少污染物观测数据时,利用能见度和气象因子等数据也能较好的预测PM_2.5浓度.在PM_2.5浓度预测精度方面,XGBoost模型最高,随机森林模型次之,高斯过程回归模型最差.6个模型的预测精度总体呈现冬季最高,秋季和春季次之,夏季最低.XGBoost模型的PM_2.5污染等级预测准确率高于其他模型,综合准确率达87.6%,并且XGBoost模型具有训练时间短,占用内存小等优点.XGBoost模型的变量重要性结果表明,能见度变量的重要性最高,相对湿度和时间变量次之.本研究可为环境部门准确预测、预报PM_2.5浓度提供参考.     

基于自组织映射与随机森林耦合模型的流域水质空间差异性评估

流域水环境质量空间分布特征分析是推进流域精细化管理的基础.本研究基于流域特征指标与水质的关联性,以子流域为分析单元,利用自组织映射人工神经网络模型（SOM）对苕溪流域水质数据聚类分析为3类后与随机森林模型（RF）进行耦合,对全流域水质进行了空间差异性评估.研究结果显示,上游山地区域水质较好,而平原河网人口集聚区的COD_Mn、NH₃-N及TP浓度较高,山地与平原过渡地带水质则主要受到COD_Mn和TN的影响.采用自然环境、社会经济及土地利用/覆盖指标作为流域特征进行水质分级模式识别,SOM与RF模型耦合模型的准确率稳定在80%左右;在对强相关性特征进行筛选识别后,将蒸发蒸腾量、坡度、人口密度、大于10℃积温、旱地占比、城镇用地占比及景观多样性指数为作为输入特征,准确率可达83%,可以有效地开展全流域水质分级评估.