Decomposition analysis on direct material input and dematerialization of mining cities in Northeast China

Material dematerialization is a basic approach to reduce the pressure on the resources and environment and to realize the sustainable development. The material flow analysis and decomposition method are used to calculate the direct material input (DMI) of 14 typical mining cities in Northeast China in 1995-2004 and to analyze the demateri-alization and its driving factors in the different types of mining cities oriented by coal, petroleum, metallurgy and multi-resources. The results are as follows: 1) from 1995 to 2006, the increase rates of the DMI and the material input intensity of mining cities declined following the order of multi-resources, metallurgy, coal, and petroleum cities, and the material utilizing efficiency did following the order of petroleum, coal, metallurgy, and multi-resources cities; 2) during the research period, all the kinds of mining cities were in the situation of weak sustainable development in most years; 3) the pressure on resources and environment in the multi-resources cities was the most serious; 4) the petro-leum cities showed the strong trend of sustainable development; and 5) in recent years, the driving function of eco-nomic development for material consuming has continuously strengthened and the controlling function of material utilizing efficiency for it has weakened. The key approaches to promote the development of circular economy of min-ing cities in Northeast China are put forward in the following aspects: 1) to strengthen the research and development of the technique of resources' cycling utilization, 2) to improve the utilizing efficiency of resources, and 3) to carry out the auditing system of resources utilization.     

基于概念分析的空间数据挖掘研究进展

空间数据挖掘的过程与空间概念形成和分析的过程密切相关.本文以空间数据中抽取出各层次、各粒度的概念为主线,以概念形成和分析的形式化理论--概念格和云模型为理论基础,总结了基于概念分析的空间数据挖掘方法及应用,包括概念格的空间关联规则挖掘方法及应用、概念格的概念聚类挖掘方法及应用、云模型的空间关联规则挖掘方法及应用、云模型的空间聚类/分类挖掘方法及应用等.概念格提供了一种形式化的概念描述和概念结构分析的理论和方法,云模型提供了一种综合处理模糊性、随机性以及二者之间关联性的不确定性理论和方法,利用概念格、云模型等形式化的理论和方法分析和描述空间数据挖掘过程中空间概念的形成、空间概念的结构关系、空间概念之间以及空间概念层次之间的不确定性是概念分析的空间数据挖掘研究的进一步的研究方向.     

基于Weka的地震数据挖掘系统的设计与实现

基于开源的数据挖掘系统Weka,使用Java语言及面向对象的思想,设计并实现了地震数据挖掘系统。根据地震数据资料的特点,将数据挖掘的核心技术（聚类分析、关联规则分析等）引入到该系统中,其中聚类分析选用DBSCAN作为核心算法,关联规则分析选用Apriori作为核心算法。用户使用该系统只需在交互界面选择相关参数,即可实现调用数据挖掘算法来分析地震数据,发现探索其隐含规律。     

空间同位模式支持下城市服务业关联发现及特征分析

空间同位模式分析是数据挖掘中一种常见的方法,可有效挖掘城市设施在空间位置上的关联特征,进而发现城市设施的分布规律.本文基于POI数据同位模式挖掘用来获取城市服务业空间关联结构:首先,通过邻近实例获取、同位候选模式存储与筛选,得到城市服务业二阶同位模式;然后,据此构造产业空间关联图,得到产业间的关联结构;最后,分别构造了...     

城镇-农业-生态空间划定的多情景模拟

城镇-农业-生态空间划定(简称"三区"划定)是国土空间规划的核心内容,对于科学合理地规划、利用有限的国土资源具有重要的意义。已有研究主要根据区域内土地利用与社会经济发展现状构建指标体系进行"三区"划定,较少将未来土地利用变化纳入"三区"划定过程中,使得划定结果在指导实践过程中缺乏前瞻性。针对这一问题,本文提出一种基于土地利用情景模拟,结合指标体系评价与决策树特征挖掘的"三区"划定方法,并以武汉市2015年土地利用现状为基础,在土地利用变化情景模拟的基础上进行"三区"划定。通过对比,验证了本文提出方法的合理性。研究发现:①不同情景下的"三区"空间在规模、空间分布上具有明显差异,将未来土地利用变化纳入"三区"划定过程中确有必要;②不同土地利用情景下"三区"空间的差异主要出现在三类空间的交界区域,这些区域是国土空间规划应该关注的重点区域。     

平原地区高潜水位采煤塌陷综合治理研究——以兖州煤田为例

煤炭资源的开采引发了采煤塌陷、农田损毁、生态破坏、农民失地等后果,给矿区带来了一系列经济、社会、环境问题。该文以兖州煤田为例,对平原地区高潜水位条件下煤炭开采引起的地表塌陷现状进行调查,充分掌握了塌陷区土地利用现状、塌陷区稳沉状况及破坏现状。分析了兖州煤田采煤塌陷区的土地损毁特点,研究了塌陷区综合治理的手段和方法,针对性地提出了高潜水位地区采煤塌陷综合治理的途径,为采煤塌陷区的规划治理提供了参考。     

海陆气候事件关联规则挖掘方法

近年来,异常气候事件的频发对人类的生活环境和经济发展带来严重负影响。气象学家研究表明：海洋气候异常对陆地气候异常事件的发生具有重要的诱发作用,因此,对海陆气候间的内在关联机制进行深入挖掘具有重要研究价值。本文提出了一种关联规则挖掘方法,以探索单一海洋气候指数与陆地异常气候事件间存在的关联。首先,针对陆地气候要素,采用顾及空间邻近关系的层次聚类方法进行有效气候分区,通过对各层分区结果进行相关统计分析得到有效的各区域气候序列;然后,进行顾及多重约束进行时序关联规则挖掘,以探索海陆气候要素间的关联机制;最后,通过实际算例分析得到的各气候指数与我国陆地区域异常降水事件间的关联机制结果,与实际情况高度吻合。     

内蒙古鲁新井田水文地质条件研究

矿产资源开发导致了地下水失衡,地下水失衡又给矿产开发造成了极大的安全隐患,近年来,矿产资源开发与地下水环境保护之间的矛盾愈发凸显。通过对内蒙古鲁新井田典型的水文地质条件进行分析研究,分析采矿导致地下水失衡机理,深入剖析矿井开采充水条件及矿山开发对地下水环境的影响,合理提出了促进矿产开发与地下水保护相互协调的对策建议,为实现"采矿保水"协调统一提供了基础地质依据。为类似地区矿产开发过程中遵循自然规律,趋利避害,保障生产安全,保护地下水环境安全,实现资源绿色开发有较好的指导借鉴作用。     

Optimizing support vector machine learning for semi-arid vegetation mapping by using clustering analysis

In remote sensing communities, support vector machine (SVM) learning has recently received increasing attention. SVM learning usually requires large memory and enormous amounts of computation time on large training sets. According to SVM algorithms, the SVM classification decision function is fully determined by support vectors, which compose a subset of the training sets. In this regard, a solution to optimize SVM learning is to efficiently reduce training sets. In this paper, a data reduction method based on agglomerative hierarchical clustering is proposed to obtain smaller training sets for SVM learning. Using a multiple angle remote sensing dataset of a semi-arid region, the effectiveness of the proposed method is evaluated by classification experiments with a series of reduced training sets. The experiments show that there is no loss of SVM accuracy when the original training set is reduced to 34% using the proposed approach. Maximum likelihood classification (MLC) also is applied on the reduced training sets. The results show that MLC can also maintain the classification accuracy. This implies that the most informative data instances can be retained by this approach.     

使用Python函数式编程进行空间回归分析

针对使用传统的编程方式进行空间回归分析过于繁杂的问题,本文提出将Python函数式编程引入空间回归分析方法,分析和探讨脚本语言＋函数式编程方式在GIS数据分析中的推广应用前景。编程实践证明,采用Python函数式编程,结合既有的开源软件包,可以有效提高编程效率,减少代码量,将实践人员的注意力集中在问题本身。