利用模糊理论估算自然衰减率常数

模糊理论方法提供了量化主观信息和体现决策人在最小化条件下优先选择的便利工具。利用Buschek和Alcantar(1995)的理论估算自然衰减和降解率，在实际上，由于数学简化和场点复杂性造成明显的不精确。在本篇文章中，两种模糊方法一模糊算法和模糊回归，常被用于刻画在降解和衰减率估算中的可变性。输入参数的可变性能够利用体现决策者对可能值感知的隶属关系函数进行刻画。隶属关系函数临界输入值的选择明显影响了估计输出值的可变性。同样的，与决策者信念有关的稳定状态模型与描绘场点监察流状态的一致性，也能够通过一致性判据进行量化。利用基于模糊评价方法进行灵敏度检验是相当有用的，可以评估决策者的优先选择对估计率常数和相关可变性的影响程度。同样，上面提到的方法在涉及自然衰减监测的安排中也是很有意义的。     

福建省耕地数量影响因素分析

随着经济发展，福建省耕地非农化数量日趋增多，从而影响到人类基本的物质生存条件。耕地非农化在当前是一个倍受关注的焦点，耕地数量又受诸多因素影响。本文以协调“吃饭”和“建设”的矛盾为出发点，通过回归分析，研究福建省人口增加、城市化水平、粮食单产与耕地资源的数量关系，寻求协调经济发展与耕地保护的有效途径。     

地理试题应更多联系社会生活实际

近年来，我国地理高考试题的设计正进行着一些稳步的改革。这种改革的重要标志之一是试题设计越来越注重联系社会生活实际。例如，2003年上海市地理高考试题中有一题要求考生分析长江年均输沙量下降的原因和对长江自然环境的影响。这类试题既考了学生应用地理基础知识分析实际地理问题的能力，也使学生认识到地理不是一门单纯依靠记忆就能学好的课程。这类试题对于引导学生改变地理学习方式，关注发生在他们身边的有关人类发展和环境的问题，有着积极的促进作用。为开拓思路，使地理高考试题更多地联系社会生活实际，现特另举一些试题例子以供探讨。     

幂函数对建筑物沉降的回归分析

通过实例推导幂函数对建筑物沉降进行回归分析，并且得出较为精确的结果，同时也说明在选择回归函数的时候，还会受到很多条件影响。     

建筑物沉降规律的综合时序分析

建筑物的沉降监测数据序列具有趋势变化和随机变化的特点，本文针对两种变化项的特点分别建立相应的数学模型，再将其组合起来建立综合数学模型，从总体上把握沉降数据序列的变化规律。实例计算分析表明，此方法具有较高的拟合精度和预测能力，具有一定的应用参考价值。     

基于神经网络的建筑物沉降原因分析

在我们应用回归方法对建筑物沉降原因分析及沉降趋势的预测中，由于实际情况的复杂性及主观认识的局限性，这样所得的结果含有较多的人为因素，可能会与实际情况有所差异。针对这种情况，讨论了应用神经网络方法来发现和验证引起建筑物沉降的因素及对沉降趋势的预测。实例表明，该方法能取得较好的效果。     

武夷山脉主峰黄岗山两种山地草甸土的研究

选取武夷山脉主峰黄岗山典型山地草甸土和黄壤性山地草甸土的代表剖面，研究了土壤形成的条件和特点，推断在气候和植被条件相近的情况下，地形因素的差异引起的水环境的不同，是造成两种土壤理化性质差异的主要原因。     

武夷山脉主峰黄岗山两种山地草甸土的研究

选取武夷山脉主峰黄岗山典型山地草甸土和黄壤性山地草甸土的代表剖面,研究了土壤形成的条件和特点,推断在气候和植被条件相近的情况下,地形因素的差异引起的水环境的不同,是造成两种土壤理化性质差异的主要原因.     

土壤粒径的光谱响应特性研究

以实验室制备的5个不同粒径水平的土壤样本和室内高光谱数据为基础,通过对光谱数据进行重采样、数学变换等预处理并进行单因素方差分析、相关性分析和回归分析,探讨土壤粒径的高光谱特性,建立了光谱数据预测土壤粒径的校正模型。结果表明,土壤粒径对反射光谱有显著的影响,波长越长影响越大;在全波段范围内土壤粒径和光谱数据都呈负相关关系,对原始光谱数据进行微分变换能增加其与土壤粒径的相关性;以反射率一阶微分建立的回归模型为反演土壤粒径的最佳模型,其建模决定系数■、预测决定系数■、预测相对偏差RPD分别为0.666,0.653,2.043,预测均方根误差RMSE为0.175。     

时间尺度重构EEMD-GRNN改进模型预测PM2.5的研究

合理构建PM_2.5浓度预测模型是科学、准确地预测PM_2.5浓度变化的关键。传统PM_2.5预测EEMD-GRNN模型具有较好的预测精度,但是存在过于关注研究数据本身而忽略其物理意义的不足。本研究基于南京市2014-2017年PM_2.5浓度时间序列数据,分析PM_2.5浓度多尺度变化特征及其对气象因子和大气污染因子的尺度响应,基于时间尺度重构进行EEMD-GRNN模型的改进与实证研究。南京市样本数据PM_2.5浓度变化表现为明显的天际尺度和月际尺度,从重构尺度（天际、月际）构建GRNN模型更具有现实意义;同时,PM_2.5对PM₁₀、NO₂、O₃、RH、MinT等因子存在多尺度响应效应,以其作为GRNN模型中的输入变量更具有时间序列上的解释意义。改进后的EEMD-GRNN模型具有更高的PM_2.5浓度预测精度,MAE、MAPE、RMSE和R²分别为6.17、18.41%、8.32和0.95,而传统EEMD-GRNN模型的模型有效性检验结果分别为8.37、27.56%、11.56、0.91。对于高浓度天（PM_2.5浓度大于100 μg/m³）的预测,改进模型更是全面优于传统EEMD-GRNN模型,MAPE为12.02%,相较于传统模型提高了9.03%。