土地利用景观格局空间尺度效应研究——以武汉市为例

城市土地利用景观格局研究对城市规划设计和土地资源管理具有重要的理论价值和现实意义,而研究尺度的选择是其必不可少的部分。本文基于景观生态学方法,以武汉市为研究区域,选取聚集分散指数、斑块类型指数、形状指数三种类型指数对土地利用景观格局进行分析,同时引入层次分析法,研究武汉市土地利用景观格局的空间尺度效应及其响应特征,结果表明武汉市土地利用景观格局具有明显的空间尺度效应,随着空间尺度的增大,景观破碎程度增大,景观分布越来越分散,景观异质性减小,斑块之间连接度越来越弱。在此基础上,建立最佳尺度选择模型,并基于分型理论对最佳尺度的合理性进行验证,最终得出武汉市土地利用景观格局研究的最佳空间尺度为60 m。     

基于EEMD和ARIMA的海温预测模型研究

类型丰富、时空分辨率高的海洋探测数据,为信号分解和机器学习算法的应用提供了可能。本文针对如何建立有效的海温预测模型这一问题,使用高时空分辨率的海表温度(SST)融合产品,引入信号处理领域的集合经验模态分解(EEMD)和机器学习领域的自回归积分滑动平均模型(ARIMA)。首先利用最适于分解自然信号的EEMD方法,将海温数据分解成多个确定频率的序列;再利用ARIMA分别对各个频率的序列进行预测,最后将各个序列的预测结果进行组合。该方法在丰富数据的支撑下,比以往直接使用海温数据所建立的预测模型精度更高,为更好地进行海温预测提供了新方法。     

滑坡易发性预测不确定性:环境因子不同属性区间划分和不同数据驱动模型的影响

对于滑坡易发性预测建模，连续型环境因子在频率比分析时的属性区间划分数量（attribute interval numbers，AIN）和不同易发性预测模型是两个重要不确定性因素.为研究这两个因素对建模的影响规律，以江西省上犹县为例，考虑5种连续型环境因子AIN划分（4、8、12、16及20）和5种数据驱动模型（层次分析法（analytic hierarchy process，AHP）、逻辑回归（logistic regression，LR）、BP神经网络（back-propagation neural network，BPNN）、支持向量机（support vector machine，SVM）和随机森林（random forest，RF）），总计25种不同工况下的滑坡易发性预测研究.再开展滑坡易发性指数的不确定性（包括精度评价和统计规律等）分析.结果表明:（1）对于同一模型，随着AIN值从4增加至8再到20时，易发性预测精度先逐渐提升，然后缓慢提升直至稳定；（2）对于同一AIN值，RF模型预测精度最高，其后依次为SVM、BPNN、LR和AHP模型；（3）在25种组合工况下，AIN=20和RF模型的预测精度最高，AIN=4和AHP模型精度最低，但在AIN=8和RF模型组合下的易发性建模效率较高且精度也较高；（4）更大的AIN值和更先进的机器学习模型预测出的滑坡易发性指数的不确定性相对较低，更符合实际的滑坡概率分布特征.在环境因子属性区间划分为8和RF模型工况下高效准确地构建滑坡易发性预测模型.      

经济地理学制度理论的发展与建构的重要方向

在中国制度差异显著与目前区域发展不平衡不充分的现实下,经济地理学与制度相结合的研究显得尤为必要。通过系统地梳理经济地理学与制度的关系发现,经济地理学与制度在历史上存在先分离后融合的情况,并且目前经济地理学与制度研究结合态势不容乐观,制度研究在本体论、方法论、时间维度、空间尺度、研究方法等方面仍然存在不足。通过文献梳理与理论分析,认为经济地理学的制度理论应基于演化经济地理学进行建构,并提出了建构的方向：1）以系统论、层级观为指导,注重构建制度的层级结构;2）以反还原论为基础,寻求方法论的突破;3）借助演化的思想与路径依赖理论,强调时间在制度系统中的作用;4）加强对各空间尺度的制度研究;5）注重工具方法的借鉴与创新。     

青藏高原月NDVI时空动态变化及其对气候变化的 响应

青藏高原脆弱的高寒植被对外界干扰十分敏感,使其成为研究植被对气候变化响应的理想区域之一。青藏高原气候变化剧烈,在较短的合成时间研究气候变化对植被的影响十分必要。因此,本文利用GIMMS NDVI时间序列数据集,研究了1982-2012年青藏高原生长季月尺度植被生长的时空动态变化,探讨了其与气温、降水量和日照时数等气候因子的响应关系。结果表明：在区域尺度上,除8月外,其他各月份植被均呈增加趋势,显著增加多发生在4-7月和9月;大部分月份的NDVI增加速率随着时段的延长显著减小,表明NDVI增加趋势放缓;在像元尺度上,月NDVI显著变化的区域多呈增加趋势,但显著减少范围的扩张多快于显著增加。4月和7月植被生长主要是受气温和日照时数共同作用,6月和9月受气温的控制,而8月则主要受降水量的影响。长时间序列NDVI数据集的出现为采用嵌套时段研究植被生长变化趋势奠定了前提,而植被活动变化趋势的持续性则有助于形象表征植被活动变化过程、深入理解植被对气候变化的响应和预测植被未来生长变化趋势。由此推测,青藏高原月NDVI未来增加趋势总体上趋于缓和,但在像元尺度显著变化的区域趋于增加。     

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%。