基于机器学习的贫困地区识别算法对比——以陕西省为例

以传统社会经济指标为主导的贫困识别依赖于详尽的普查抽查数据,收集和处理不同质量和数量的普查抽查数据来研究区域贫困需要耗费大量的人力物力和时间,难以快速动态地监测贫困状态。然而时间分辨率高且客观易获取的夜间灯光数据可以在一定程度上弥补统计数据的劣势,即时地反映地表社会经济现象。机器学习算法能够从这些数据中学习出规律和模式,从中挖掘出潜在信息来识别贫困地区。基于陕西省NPP-VIIRS夜间灯光数据,通过构造多维统计变量,利用逻辑回归、支持向量机、K近邻、随机森林、决策树和梯度提升树6种监督分类算法识别贫困地区。结果表明从夜间灯光数据提取的多维特征能够更好的应用于贫困地区的识别,6种算法都能够准确的识别贫困地区,分类结果在空间上具有相似性,且表现出一定的地域性,分类准确度达到76.82%~83.20%。根据混淆矩阵进一步对比各个算法的特点,认为随机森林算法在误差偏移和分类精度等方面综合表现最佳。     

土地污染文献定量分析

为了定量探究土地污染研究现状及其时空格局,采用文献计量统计法,从文献数量、作者、研究机构、期刊及内容等角度对1957-2015年《中国期刊全文数据库》收录的土地污染文献进行综合分析。共涉及13 077篇文献、15 714位作者、5 663个研究机构、2 141种期刊。结果表明：土地污染文献数量增长符合指数模型,土地污染研究已进入高速发展阶段;核心作者群已经形成,核心作者177人;土地污染核心研究机构较少,高等院校和科研院所是土地污染研究的核心力量,发文量占总发文量的92.80%;该领域的核心期刊群已经形成,核心区期刊中《农业环境科学学报》发文量为172篇,居榜首,《安徽农业科学》发文量为115篇,位居第二;从关键字分析来看,重金属污染和土地污染修复仍是目前研究的热点,生物修复技术在土地污染修复中具有重要地位。