基于时空XGBoost的中国区域PM2.5浓度遥感反演

为了提高PM_2.5估算精度,获得连续的PM_2.5浓度空间分布,本文提出了一种时空XGBoost模型（STXGB）.STXGB模型引入克里金法,将地理信息和时间信息融合到XGBoost算法体系中,通过集成遥感数据、气象数据和地理信息数据建立了基于STXGB模型的PM_2.5质量浓度空间估算方法.最后,以2019年中国区域PM_2.5质量浓度月数据为例,采用基于样本、站点和时间的十折交叉验证法,评估了STXGB模型的性能,并与BP神经网络（BPNN）、随机森林（RF）、XGBoost、反距离加权XGBoost （XGBIDW）模型结果进行对比.结果表明,STXGB模型的预测精度优于其它模型,其中,STXGB模型验证的决定系数为0.92,均方根误差为6.51 μg·m^-3,平均预测误差为4.26 μg·m^-3,利用该模型生成的中国区域PM_2.5浓度空间分布更为合理.     

基于机器学习的典型社会安全事件发生规律研究及对雄安新区的启示

针对雄安新区建设和发展过程中对社会安全事件的防控需求,以盗窃作为典型社会安全事件,提出基于机器学习模型的社会安全事件分析预测方法,并以A市2012—2016年的实际盗窃犯罪数据为基础,提取发案时间、发案地点、实施手段和损失金额作为分类特征,通过比较多种机器学习算法,研究盗窃前科人员的预测方法,并根据预测结果挖掘盗窃前科人员的作案规律。研究结果表明:随机森林算法表现最优,查准率、查全率和F1均达到了0.85以上;对于盗窃这一典型社会安全事件,其前科人员倾向于选择下午时段和人流量大的地区实施,盗窃金额明显高于初犯和惯犯。最后,基于前述研究,提出构建数据驱动的社会安全事件预测预警和综合研判系统,并针对该系统的前期建设和后期使用,给出“制定统一的数据格式”、“实现数据实时接入”的建议。相关研究成果可为雄安新区社会安全事件预测预警以及治安防控工作的开展提供参考和借鉴。     

基于机器学习方法的浙江省台风灾害风险评估和动态风险预报

利用机器学习方法建立以区县为基本研究单元的浙江省台风灾害风险评估模型,并进一步结合气象预报与实测数据形成覆盖全省、时空连续的台风过程动态风险预报,为科学应急减灾提供决策支持。首先,本研究以浙江省各区县为研究对象,考虑危险性、孕灾环境、暴露性和脆弱性等风险要素选择台风灾害风险评估模型的预测变量;其次,基于10个重大历史灾害的灾损数据(直接经济损失)划分风险等级作为输出变量;最后,采用机器学习模型XGBoost建立台风灾害风险评估模型。同时,以利奇马为例,进一步探索该模型的实战应用潜力,即以气象预报和实测数据为模型驱动,实现浙江省全域各区县台风灾害风险的实时更新预报。     

2015—2020年中国三大城市群臭氧浓度时空变化特征及影响因子

针对中国京津冀、长三角、珠三角三大城市群,分析了2015—2020年三大城市群的臭氧浓度时空变化特征,基于随机森林模型和地理探测器模型分别研究了影响其时间变化和空间变化的主要因子。结果表明：1）2015—2020年三大城市群臭氧浓度整体呈逐年升高的时空演变特征。其臭氧变化率存在中部向南北递减的趋势,即长三角（3.4%）>京津冀（2.9%）>珠三角（2.1%）;臭氧浓度平均值呈北高南低的空间变化特征,即京津冀（98.3 μg/m³）>长三角（96.7 μg/m³）>珠三角（90.5 μg/m³）。2）温度、风速、人均GDP和能源消耗量不仅是影响三大城市群臭氧浓度时间变化的主要因子,而且与臭氧浓度存在着阈值效应。3）能源消耗量和人均GDP是影响三大城市群臭氧浓度空间变化的主要因子,其对臭氧浓度空间变化的解释率均超过36%。今后关于城市群臭氧的防控应更关注经济发达地区,并通过重点监测和预警高耗能区等手段,达到城市群臭氧防治效果。

     

基于机器学习的长沙市空气污染物浓度预报研究

基于2014～2019年长沙市6种空气污染物日均浓度的监测数据、同期的气象数据,利用随机森林重要性评估的方法对影响污染物浓度的预报因子进行筛选,构建了基于随机森林算法和支持向量机算法的2种机器学习预报模型对6种空气污染物浓度分别进行预报。结果表明：各污染物浓度预报结果的均方根误差随着AQI指数的增加而变大;经随机森林变量筛选优化之后2种模型对各种污染物浓度的预报准确率都有所提升,且预报准确率都随着预报时效的增大而降低。整体而言,支持向量机回归模型对长沙市空气污染预报具有更强的泛化能力,误差更小。     

基于案例推理和机器学习的场地污染风险管控与修复方案推荐系统构建技术

为解决我国现有场地土壤和地下水污染风险管控与修复方案选择不合理、筛选效率低等问题,通过结构化层次存储和搜索技术,运用案例推理和机器学习,构建场地污染风险管控与修复方案推荐系统,实现快速搜索查找匹配源案例;通过研究案例库实现途径和内容,进行方案推荐系统的结构设计和系统开发,建立了基于万维网技术的案例检索查询页面;采用K最近邻算法和层次分析法在案例库中检索相似案例,实现了方案推荐功能,以期为决策者选取相对优化的场地污染治理方案提供参考,提高我国场地污染风险管理的精准化、智能化、高效化和低成本化。     

基于深度学习的空气质量预报方法新进展

空气质量预报与人们的日常生活密切相关,其基本思想是分析历史空气质量数据,发现其内在的时空相关性,结合未来气象信息以及污染源排放量,对未来的空气质量进行预测。目前,环境管理和社会公众服务对空气质量预报提出了长时间、多维度、高精度的预测要求,一些新型的空气质量预测方法仍处于起步探索阶段。近年来,随着人工智能的普及与推广(特别是云计算与大数据的发展),深度学习这项基于传统人工神经网络的技术被国内外研究者所重视。笔者对现有典型的空气质量预报方法进行了阐述,包括数值预测模型方法、统计预报模型方法、基于机器学习模型的预测方法等,并重点介绍了该领域最新进展:基于深度学习模型的预测方法,并在此基础上进行了总结与展望。     

基于集成学习的结构地震动响应预测方法研究∗

为获取建筑结构在地震过程中的位移响应,解决结构主动控制中的时滞问题,使用集成学习方法预测结构位移响应。提出了一套适用于结构地震动响应预测的集成学习模型,使用不同的神经网络和损失函数组合作为基学习器,在此基础上使用全连接网络构建二级学习器,得到最终预测模型。模型使用双向地震动加速度和结构位移响应作为输入,预测短期的结构位移响应;结构位移响应可实现多步预测,进行动态化输出。将该框架应用于某钢框架结构,进行数值实验,结果表明,集成后的模型预测结果要优于单一模型的预测结果,所有模型都表现出预测误差随着预测时间的增加而增加的规律。模型的预测随着地震过程在同步进行,当模型预测值第一次达到某一阈值时,则将预测结果反馈到主动控制系统中,提前进行结构振动控制,而不必等待位移传感器采集到真实的响应数据,从而减小甚至避免主动控制中时滞问题的影响。     

能源环境约束下中国区域工业效率分析

目前,我国工业化进程进入中后期阶段,资源短缺、环境污染成为制约工业发展的主要瓶颈。由此,国家把建设资源节约型、环境友好型社会放在工业化、现代化发展战略的突出位置,在考察工业经济增长时,能源环境因素就不容忽视。为此,本文采用数据包络分析方法,引入方向性距离函数和Malmquist-Luenberger指数法对能源和环境因素约束下的我国2001-2009年区域工业效率和绿色全要素生产率进行了考察,对区域之间考虑环境因素的全要素生产率和不考虑环境因素的全要素生产率进行了比较。研究结果表明,我国工业全要素生产率逐年提高,其中技术进步的作用显著高于效率提高;非期望产出的引入在一定程度上降低了我国工业的投入产出效率,不考虑能源环境约束过高的估计了我国工业经济的增长;在年份变化上,循环经济和新能源发展卓有成效,考虑能源环境约束下的区域工业全要素生产率逐年提高;在区域比较上,东部地区工业不仅在技术和投入产出效率方面领先于中部和西部地区,在污染治理方面也领先于中西部。     

数字金融与碳排放:基于微观数据和机器学习模型的研究北大核心CSCDCSSCI

数字金融发展新阶段,中国同时正在进行碳达峰、碳中和的深刻变革。基于2000—2019年城市面板、工业企业等数据库匹配的多维微观数据样本,首先运用传统计量模型,结合R语言地理坐标系统和爬虫等前沿技术构建相应指标,从多个角度实证研究数字金融如何影响碳排放。然后,运用Python机器学习模型开展数字金融对碳排放的真实非线性效应研究。实证结果显示:①数字金融对地区总体碳排放量具有显著降低作用,而且通过了工具变量法等稳健性检验。②机制检验首次验证发现,数字金融通过支持数字科技产业化和传统产业数字化这两大机制影响碳排放。一方面,数字金融发展的普惠性主要体现在通过助力数字科技的产业化和优化产业结构减少地区总体碳排放。另一方面,对传统产业的数字化赋能并不在于直接的金融普惠性逻辑,而是通过深化市场整合、强化市场竞争,促进了企业的优胜劣汰,提升企业的创新投入和创新能力,从而提高能源利用和碳减排效率,降低地区总体碳排放。③机器学习模型分析首次发现,数字金融对碳排放影响的重要性与传统因素相当,此外,还揭示了其对碳排放影响的非线性趋势。上述研究有助于解释和统合数字金融对实体经济“创造性”和“破坏性”的争议,即数字金融发展对碳排放的减少起到重要作用,但是其影响机制较为间接,而且正面作用逐渐收敛和转向。基于此,应注重引导传统金融机构数字化转型和深耕服务实体经济,推进碳金融的数字化创新,强化数字金融反垄断监管,从而充分抓住新一代数字科技机遇,引导数字金融支持数字产业化和产业数字化,助力实现“双碳”目标。