福建各县(市)经济发展梯度研究

本文采用区域经济分析中常用的主成分分析方法(PCA),来研究福建59个县(市)**的经济发展梯度及差异.通过计算各县(市)的经济发展梯度值,总结出福建经济发展水平的空间地域分异规律,并用系统聚类方法把福建各县(市)划分为5个经济发展梯度区,为制定区域经济持续发展战略提供依据.     

福州市植被生态的遥感分析

本文在ENVI的支持下,提取影响植被生态主要因子的4项遥感指数,将其与在GIS环境下生成的、通过ERDAS转换成ENVI可读的、经过投影转换而得的高程和坡度数据进行复合,生成综合影像.然后对其进行主成分分析,确定影响植被生态的综合因素及权重,建立植被生态评价模型,并利用该模型对福州市的植被生态进行评价.     

聚合物／蒙脱土纳米复合材料研究进展

纳米复合材料是指相尺度至少有一维小于100nm量级的复合材料。由于其纳米尺度效应、大的比表面积以及强的界面相互作用，纳米复合材料具有远优于相同组分常规复合材料的物理力学性能，因此制备纳米材料以获得高性能复合材料受到材料工作者的极大重视。而层状硅酸盐粘土(主要成分是蒙脱土)以其内部层状结构、廉价、易获得等独特的优势成为制备聚合物／无机纳米复合材料的首选原料之一。     

党员队伍结构

1921年中国共产党诞生时，只有五十几名党员。81年后的今天，中国共产党已成为在全国执政53年并拥有6600多万党员的大党。     

抑制多径干扰的GPS天线

由于存在多径干扰，所以差分全球定位系统（DGPS）的定位速度和定位精度都受到了限制。例如，测地测量员需要抑制大约36＋20log10SinεdB的多径干扰，这里，ε为正在观察的卫星仰角。利用GPS接收机进行信号处理不能满足这一技术指标要求，因此，需要采用一种接收天线，足以能够抑制从水平方向以下到达的信号。但现有的天线都不能足够地抑制这些信号，而且采用提高天线性能的有效方法，即通过扩大其接地平面来改善天线性能这一种方法也不切合实际。为此，本设计了一种提高多径干扰抑制性能的小型化无接地平面的双波段GPS天线，并进行了野外测试。这种天线象垂直接线柱，而不象水平母板。在0.1m直径、0.4m高的天线罩内有一个由绕杆式（turnstile)单元组成的垂直阵列。在野外测试中，三单元阵列天线抑制多径干扰平均比0.5m直径的接地平面天线好5dB。五元阵天线似乎要优于0.9m直径的接地平面天线。     

利用NOAA AVHRR植被指数数据集分析黑河流域季候特征

利用 NOAA AVHRR的全球归一化植被指数（NDVI）的高时间分辨率数据集，建立了黑河流域 1992-1993和1995-1996两个年度的NDVI数据，范围在96．45°～102．8 °E，35．4°～43．5°N之间。对此数据进行主成分分析（PCA）．提取了前4个主成分分量，分析了黑河流域季候变化特征。结果表明，第一主成分展示了黑河流域NDVI值在分析时段内的综合空间分布结构、累积状况以及地域差异；第二主成分反映黑河流域的NDVI变化不但具有明显的年周期，而且表现出强烈的季节性，是冬夏分明的季节因素所导致；第三主成分主要指征了平原人工绿洲区显著的农作物生长期；第四主成分反映出山区自然植被与平原人工绿洲植被具有明显不同的生长期和物候特征，该成分可以被用于区分不同的地表覆盖类型。     

河南省连康山光萼苔科植物区系地理成分研究

该文在研究标本和文献的基础上,介绍河南省连康山自然保护区所产的光萼苔科(Porellaceae)植物2属8种,即光萼苔属Porella(7种)和多瓣苔属Macvicaria(1种)。讨论了它们的生境、识别特征和植物区系地理成分,并编制了河南省连康山自然保护区光萼苔科植物的分属、分种检索表。     

主成分分析及MAPINFO在生态环境脆弱性评价中的应用

本文在主成分分析的基础上，以MAPINFO为平台，按自然分类法分类制作范围专题地图，对中国区域生态环境进行综合评价，基本上可把全国的生态环境脆弱度分为五级：极脆弱型、脆弱型、中等脆弱型、轻脆弱型、轻度脆弱型，体现了东、中、西部的差异。     

漳州市耕地变化及驱动力研究

本文根据1991－2000年的统计数据，通过耕地年变化、主成分分析，探讨了漳州市耕地面积变化的总体趋势、空间差异和驱动力。结果表明：近10年来，漳州市耕地面积逐年下降，并存在区域差异；经济发展、人口增长和科技进步是耕地变化的3大因素。此外，自然灾害、政策等对耕地变化也有较大影响。     

基于主成分和机器学习的土壤有机质含量空间预测建模

协同环境变量与机器学习回归模型构建土壤有机质空间预测组合模型对养分精准管理具有重要意义,而多维变量间的信息冗余和相关性会导致模型训练时间过长、预测精度降低等问题。以陕西省咸阳市农耕区为例,选取高程、坡向、坡度、剖面曲率、平面曲率、地形起伏度、地形湿度指数、年均降水量、年均气温、归一化植被指数共10个环境变量,在主成分分析(Principal compo-nent analysis,PCA)、核主成分分析(Kernel principal component analysis,KPCA)方法特征提取基础上,组合随机森林(Random forest,RF)、支持向量回归机(Support vector regression,SVR)、K最近邻(K-nearest neighbor,KNN)机器学习模型进行土壤有机质含量空间预测。以单一模型作为对照,通过计算模型决定系数(Coefficient of determination,R~2)、均方根误差(Root mean square error,RMSE)和相对绝对误差(Relative absolute error,RAE),对不同模型的预测结果进行精度评价。结果表明:利用主成分提取方法和机器学习算法构建组合模型能消除变量间相关性,一定程度上提高土壤有机质含量预测模型精度。KPCA-RF模型对SOM含量预测精度高于其他模型,R~2、RMSE、RAE分别为0.791、1.970 g·kg~(-1)、50.100%,该模型良好的预测能力可以为土壤有机质含量的空间预测与制图提供科学依据。