南海经济圈的提出与探讨

21世纪是海洋经济时代,以海洋为联系纽带的区域经济持续活跃.首次提出南海经济圈的概念,阐述了南海经济圈产生的条件,分析了其构成要素及产生的必然性,并对其未来发展进行了预测.分析认为,南海可能成为另一个波斯湾或北海油田.南海海岸带的砂矿资源丰富,港口众多,航道发达.区域内各国家近几年经济发展迅速,整体发展速度达4.5%,区域经济依存度增强.南海区域各国之间的经济差异性显著,互补性强,次区域经济体日趋活跃,各种经济要素流动性加强,经济圈条件日渐成熟,南海经济圈初显端倪.     

浙江省海洋旅游资源开发研究的若干建议

21世纪被称为海洋经济时代,人们越来越关注沿海地区的发展及其资源的合理利用程度.以浙江省为例,着重探讨了海洋旅游的不同类型与特点,海洋旅游资源的开发要点.在日本和浙江相近沿海地区资源的比较与研究基础之上,分析了沿海地区的旅游规划与发展所面临的问题以及挑战,论述了浙江沿海地区旅游资源的开发和管理的可持续发展模式,并对浙江海洋资源开发的多样化发展提出了若干具体的建议.     

构建一个经济-气候新模型评价气候变化对粮食产量的影响

将气候变化研究和农业经济研究相结合,构建了一个经济-气候新模型,用来评价全球气候变化对粮食产量影响的问题。提出在经济模型C-D生产函数中添加气候变化因子,建立一个新的评价模型,作为连接气候变化因素和经济变化因素的桥梁,并对该模型的性能及合理性进行了初步的模拟和验证。     

GIS在海洋气象服务中的应用

海洋经济的发展越来越离不开海洋气象服务,随着GIS、Web服务等计算机和船舶通讯技术的发展,海洋气象服务正面临着新的机遇,以GIS为支撑的海洋气象信息库的建立变得日益现实,它的出现不仅有助于人们直观理解和分析大气海洋环境特征的分布情况,克服目前我国海洋气象服务的种种困难,而且必将有助于揭示海区气象环境的变化规律,增强目前海洋气象灾害的监测能力,提高海洋天气预报的水平。     

天津市海洋经济中港口产业发展研究

作为海洋经济的重要组成部分,港口经济的发展为天津市海洋经济的跨越式发展提供了非常有利的契机。要尽快实现天津港口经济健康、有序、可持续的发展,为天津滨海新区的开发开放提供更强有力的支持,从而实现建设北方国际航运中心和国际物流中心的目标。综合近年来海洋统计的成果,以AHP法为分析方法,对天津港口经济的现状和发展趋势作探讨和研究,指出天津港口经济在未来发展中需要注意的问题,并提出初步解决方案。     

基于深度学习的西沙永乐群岛珊瑚礁遥感信息提取

珊瑚礁是海洋生态系统的重要组成部分,对保护海洋生物多样性以及维持海洋生态平衡具有重大意义。我国南海珊瑚岛礁自然资源丰富,准确、高效地提取珊瑚岛礁信息对南海岛礁监测、管理、规划与保护具有现实意义。本研究基于我国海洋一号C卫星(HY-1C)遥感数据,对西沙永乐群岛珊瑚礁信息进行了研究与分析,提出基于HY-1C遥感数据的珊瑚礁地貌分类体系。采用全卷积神经网络U-Net模型,依次通过下采样、上采样操作提取西沙永乐环礁地貌特征,实现原始影像的像素级语义分割。结果表明：基于HY-1C数据建立的地貌分类体系对活珊瑚覆盖及珊瑚生长发育条件具有指示作用,提出的基于U-Net模型的珊瑚岛礁地貌信息自动提取方法,能够为我国南海珊瑚岛礁生态系统的全自动、大范围监测和评价提供相应理论基础,在珊瑚礁生态管理与评价中发挥关键作用。精度验证结果表明：U-Net模型可以有效提取珊瑚礁地貌信息,采用的地貌信息提取方法具备时空泛化能力,泛化精度高于80%。     

集聚经济影响城市经济增长的理论基础与实证研究:文献述评与展望

集聚经济理论自诞生之日起便与城市经济增长存在着本源联系。论文系统梳理集聚经济理论的起源与发展,归纳集聚经济阐释城市空间形成与发展的核心思想,明确集聚经济与城市经济增长之间是具有本源联系的。进一步回顾集聚经济影响城市经济增长的程度与机制,发现以人口密度等指标为代表的集聚经济能够显著促进城市经济的增长,可从“宏观过程”与“微观过程”两大视角探寻城市集聚经济影响城市经济增长的解释机制。这一工作不仅是以往集聚经济与城市经济增长相关文献回顾的一个延续,也为后续集聚经济影响中国城市经济增长的实证研究提供了一个参照。     

基于A- CGAN的深反射地震数据随机噪声压制方法研究

基于深度学习的地震数据噪声压制方法是当前地震数据去噪处理的重要方向。深度学习方法突破了传统滤波处理的局限,在对常规地震数据的噪声压制中表现出效率高、信噪分离效果好的特点。但针对深部弱有效反射数据,当前的深度学习方法特征提取能力有限,难以取得较好的去噪效果。笔者等结合深反射地震数据特点,针对当前深度学习噪声压制方法在特征提取及对数据集依赖上的局限,提出了基于注意力循环生成对抗网络(Attention Cycle- Consistent Generative Adversarial Networks,A- CGAN)的深反射地震数据随机噪声压制方法。借助循环一致生成对抗网络(Cycle- Consistent Generative Adversarial Networks,Cycle- GAN)的域映射思想,降低对数据集的要求。为了构建适用于深反射地震数据的去噪网络,从3个方面对Cycle- GAN进行改进：在Cycle- GAN的生成器（去噪器）中加入残差结构和注意力机制,用于加深网络深度和提高其特征提取能力;在Cycle- GAN的鉴别器中使用块判决,提高鉴别精度和准确度;在损失函数部分加入感知一致性损失函数,提升网络模型恢复纹理细节信息的能力。通过合成地震数据和实际深反射地震数据测试,验证了优化算法的有效性,体现了良好的应用价值。     

可解释性长短期记忆模型用于预测湖泊总磷浓度变化

对湖泊总磷的变化预测和来源识别对水资源调度和流域生态治理有着重要的意义,然而复杂的生化反应和水动力条件导致的非平稳性给湖泊总磷浓度的准确预测带来极大的困难。为克服这一挑战,本文引入了基于加权回归的季节趋势分解(seasonal and trend decomposition using Loess,STL)技术和夏普利加法(SHapley additive exPlanations,SHAP)结合长短期记忆网络(long short-term memory neural network,LSTM)和门控循环单元(gated recurrent unit,GRU)构建了一个可解释的预测框架,以增强对湖泊总磷浓度演变的预测并提高其可解释性。研究表明:(1)在骆马湖总磷浓度的预测中,该框架拥有较好的预报精度(R²=0.878),优于LSTM和卷积长短期记忆模型(convolutional neural networks and long short term memory network,CNN-LSTM)。当预测时间步长增加到8 h时,该框架有效提高了总磷浓度的预测精度,平均相对误差和均方根误差分别降低了47.1%和33.3%。从预测趋势来看,骆马湖在汛期的总磷平均浓度为0.158 mg/L,相较于非汛期的平均浓度,增加了202.1%。(2)运河来水是骆马湖总磷浓度最重要的影响因素,贡献权重为60.0%,并且不同断面(三湾、三场)的污染源受水动力、气象等因素的影响存在显著的时空差异。本文凸显了神经网络模型在预警水体污染方面的可实施性,并且为提高传统神经网络的学习能力和可解释性的开发与验证提供了重要方向。     

预测有效波高的深度学习模型研究

研究基于RNN、LSTM、GRU深度学习模型,针对NOAA浮标数据集中的44013、44014、44017浮标的数据,通过斯皮尔曼相关性分析提高模型预测效果。实验结果表明,在进行相关性分析后,S-RNN、S-LSTM、 S-GRU的预测效果均比原始RNN、LSTM、GRU模型预测效果好。此外,提出一种基于LSTM的LSTM-Attention 波高预测模型,并进行相关实验,量化LSTM-Attention模型的预测效果,实验结果表明LSTM-Attention模型有更好的预测效果。为评估模型的泛化能力,研究还提出了一种采用邻近浮标数据进行学习,预测浮标缺失数据的方 法。实验结果表明,该方法的预测精度可以达到97.93%。本研究为海浪预测提供了新的方法和思路,也为未来深 度学习模型在海浪预测中的应用提供了参考。