机器学习在水系沉积物地球化学采样下伏基岩填图中的应用

为了探索高效且能大区域应用的基岩填图方式，本文整合水系沉积物地球化学数据和局部空间Moran’s I指数、高程、坡度、坡向变率、高磁、断层、矿点、水系等多元地学数据作为附加特征，采用浅层机器学习决策树及其Bagging和Boosting集成算法，以及深度学习的图卷积网络，分别训练了不同的基岩判别模型。结果表明，相比浅层机器学习的决策树及其集成算法，深度学习的图卷积神经网络基岩判别模型仅使用20%带标签数据就获得了最高的78.31%判别精度。应用基于图卷积网络的基岩类型判别模型对察汗乌苏河地区第四系覆盖物下伏基岩填图，预测结果与其周边基岩类型协调一致，该模型可用来探究更全面的区域基岩分布情况。     

新冠肺炎疫情时期四川盆地大气污染成因分析北大核心

由于新型冠状肺炎病毒(COVID-19)的爆发,中国从2020年春节起实施了限制出行、交通管制等一系列措施,污染物排放量大幅度减少,但四川盆地区域仍出现了多次轻度空气污染事件。本文结合空气质量观测数据与WRF-Chem模式模拟分析了疫情封控减排时期四川盆地污染的时空分布及成因。四川盆地区域二氧化氮(NO_(2))因人为活动减排从35.0μg·m^(-3)下降至20.2μg·m^(-3),减少比例约为40%~60%,而臭氧(O_(3))因NO_(X)-VOCs-O_(3)的非线性关系以及四川盆地区域氮氧化物(NO_(X))、挥发性有机物(VOCs)排放与减排的不均衡反而从27.5μg·m^(-3)上升至41.4μg·m^(-3),在重庆甚至增幅高达100%,进而促进了四川盆地区域气态污染物的氧化和二次细颗粒物的生成。疫情减排对污染的影响存在较为显著的区域差异,在成都、重庆地区,二次污染的生成一定程度上抵消了一次污染物减排的影响,二次污染物与一次污染物的比例变化幅度为-10%~20%,而在南遂广、川南、达万区域,细颗粒物(PM_(2.5))平均质量浓度从57.0μg·m^(-3)降低至47.4μg·m^(-3),二次污染物与一次污染物的比例下降幅度约为30%~60%。总体而言,减排在疫情期间发挥主导作用,不平衡的一次减排和大气氧化性的增强促进了部分区域二次污染物生成过程,四川盆地区域的污染防治仍需注重多种污染物的协同治理。