估值类数据同化方法中背景场的确定——三维可分离的情况

以相关性为基础,详细研究了估值类数据同化方法中背景场的确定问题,并以渤海3月份到7月份的温度场为例,具体说明了如何确定背景场:当要素场在水平方向和垂直方向上可以进行分离变量时,背景场的确定可以通过单独确立水平相关性与垂直相关性完成。研究表明:(1)当没有温跃层时,温度在垂向上的相关是沿着整个深度的;(2)当有温跃层时,温度在垂向上的相关应该限定在上准等温层的下界;(3)在温度的垂向分布方面,其相关性与温跃层有着对应关系,对比相关性与温跃层可以看出,垂向相关性与温跃层位置的变化趋势一致。     

基于开放大数据的广州市中心城区职住平衡特征研究

以广州市中心城区为例,借助百度热力图、百度实时路况和百度地图POI数据,从中观层面多角度综合分析广州市中心城区就业与居住的空间分布关系。结果显示：1）工作时间段人口聚集的高值区整体呈带状分布,斑块较为细碎,但绝大部分集中在核心地带;人口主要高度集中于各区的商业繁华地段与交通线路周围。而休息时间段的高值区则相对集中分布,用地效率较高,表现出多中心的圈层结构;人口主要高度集中分布在传统的老城居住区和新开发的商业住宅区,与核心商圈相对错开。2）不管是在上班时段还是休息时段,人口聚集程度越高的地区,POI设施密度表现越显著;这意味着人口的聚集具有一定的选择性,主要集中在城市基础设施发展较完备的区域。3）广州市中心城区各街道的职住比介于0.73~1.54,职住相对平衡,区域之间差异较小。其中,分值较高的街道多分布于核心地带（主要集中在越秀区、荔湾区北部和天河区南部）,分值较低的街道多分布于核心地带的外围或边缘地区（主要在海珠区、荔湾区和白云区零散分布）。4）从城市交通响应上看,广州市中心城区工作日内早高峰的拥堵度大于晚高峰,但总体路况变化跨度不大,区内并没有出现特别严重的“潮汐通勤”现象。     

基于多源数据的主体功能区划分方法——以广州市为例

以广州市为例,基于城市感知数据、遥感影像等多源数据,采用卷积神经网络对遥感影像进行了语义提取,将提取结果与兴趣点（Points of Interest）样方密度的功能用地识别结果进行补充校验,根据政策和规划文件建立功能用地与主体功能区之间的关联,利用信息熵分析广州市功能用地混合程度,以辅助判别主体功能区,最终得到广州市主体功能区划分结果。将划分结果与《广州市主体功能区规划（2008—2020年）》和《广州市城市总体规划（2017—2035年）》草案对比验证,结果表明文章所提出的方法精准度较高,并能体现广州市空间格局形态,反映主体功能区实际分布情况。     

面向ResearchGate的古气候文献数据采集系统的研制与应用测评

论文基于Linux平台,利用Python(V3.6)和MySQL(V5.7),开发了一套“面向ResearchGate的古气候文献数据采集系统”;并且通过人工判读从全球古气候资料共享网(https://www.ncdc.noaa.gov)数据库中遴选出1450篇古气候重建论文,对关键词进行了分类汇总,初步构建了用于古气候文献检索的关键词表。依据这一关键词表,利用古气候文献数据采集系统,从ResearchGate数据库中进行了文献检索。针对来自ResearchGate的32493篇文献和来自NCDC的1450篇文献,通过时间尺度、代用资料类型、气象要素、研究地区(国家)4个维度关键词词频的对比分析,发现2套文献数据关键词词频的相对差异基本一致。这表明依据初步构建的关键词表,自ResearchGate检索获取的古气候重建文献是有效的,能反映古气候重建研究现状。如此庞大数量的研究论文为下一步收集未被NCDC收录的古气候重建结果提供了丰富的数据源。“面向ResearchGate的古气候文献数据采集系统”达到了预期设计目标。     

基于地理探测器的中国亚热带北界探讨

暖温带与亚热带的分界线,是自然区划中一条重要的自然界线,它的划分问题曾引起诸多学科学者的争论。由于早期综合自然区划研究多以定性、专家集成方法为主,同时区划目的、使用指标等多有不同,导致不同学者所划分的自然区多存在一定的差异。本文基于空间分异性思想,使用地理探测器定量探测气候指标对中国亚热带北界的影响,选择其中q值较大的指标如日均温≥0℃天数、最冷月1月均温、年降水和湿润指数等作为主导因子并参考植被、土壤数据探讨亚热带北界界线的位置。结果表明：① 地理探测器法可以快速、准确地筛选自然区划的主要气候指标,并确定分界线的准确位置,提高了自然区划研究的技术水平和区划界线的客观性。② 使用地理探测器划分的新界线在研究区西部位于秦岭南坡1000~1600 m的位置,与以往界线相比略偏南;在研究区东部河南东部、安徽北部比以往界线略偏北。在保持自然要素完整性的同时,新界线具有更大的q值,表明新界线可以很好的反映暖温带与北亚热带2个区划带之间的差异,划分结果具有合理性。     

东印度洋海域最优深度基准面模型构建

利用东印度洋海域周边长期验潮站实测数据、TOPEX/Poseidon等系列卫星测高反演结果,评估了DTU10,EOT11a,FES2014,GOT4.8,OSU12和TPXO8六种全球潮汐模型精度,根据卫星测高结果给出了浅水分潮改正量和长周期分潮改正量的经验模型,又在此基础上分析并构建了研究区域精度最优的深度基准面模型。考虑到全球潮汐模型在近岸的影响因素及验潮站位置,将13个验潮站分成开阔海域与近海海域两类,与潮汐模型的对比,结果表明,DTU10和FES2014模型分别在开阔海域和近海海域精度最优。根据潮汐模型在不同分潮处的精度,如EOT11a模型在O1和K1分潮处精度较高,DTU10在N2,M2,S2和K2分潮处精度较高等,分别构建了开阔海域与近海海域的组合深度基准面模型,计算得知误差分别为11.33和20.95 cm,其精度显著提高。     

基于Stacking集成学习的恒星/星系分类研究

机器学习在当今诸多领域已经取得了巨大的成功,但是机器学习的预测效果往往依赖于具体问题.集成学习通过综合多个基分类器来预测结果,因此,其适应各种场景的能力较强,分类准确率较高.基于斯隆数字巡天(Sloan Digital Sky Survey,SDSS)计划恒星/星系中最暗源星等集分类正确率低的问题,提出一种基于Stacking集成学习的恒星/星系分类算法.从SDSS-DR7(SDSS Data Release 7)中获取完整的测光数据集,并根据星等值划分为亮源星等集、暗源星等集和最暗源星等集.仅针对分类较为复杂且困难的最暗源星等集展开分类研究.首先,对最暗源星等集使用10折嵌套交叉验证,然后使用支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)、XGBoost(eXtreme Gradient Boosting)等算法建立基分类器模型;使用梯度提升树(Gradient Boosting Decision Tree,GBDT)作为元分类器模型.最后,使用基于星系的分类正确率等指标,与功能树(Function Tree,FT)、SVM、RF、GBDT、XGBoost、堆叠降噪自编码(Stacked Denoising AutoEncoders,SDAE)、深度置信网络(Deep Belief Network,DBN)、深度感知决策树(Deep Perception Decision Tree,DPDT)等模型进行分类结果对比分析.实验结果表明,Stacking集成学习模型在最暗源星等集分类中要比FT算法的星系分类正确率提高了将近10%.同其他传统的机器学习算法、较强的提升算法、深度学习算法相比,Stacking集成学习模型也有较大的提升.     

An Automatic Method for Detecting Transients and Variable Sources in AST3 Survey Based on Image Subtraction and Random Forest

AST3-2 (the second Antarctic Survey Telescope) is located in Antarctic Dome A, the loftiest ice dome on the Antarctic Plateau. It produces a huge amount of observational data which require a more efficient data reduction program to be developed. Also the data transmission in Antarctica is much difficult, thus it is necessary to perform data reduction and detect variable and transient sources remotely and automatically in Antarctica, but this attempt is restricted by the unsatisfactory performance of the low power consumption computer in Antarctica. For realizing this purpose, to develop a new method based on the existing image subtraction method and random forest algorithm, taking the AST3-2 2016 dataset as the test sample, becomes an alternative choice. This method performs image subtraction on the dataset, then applies the principle component analysis to extract the features of residual images. Random forest is used as a machine learning classifier, and in the test a recall rate of 97% is resulted for the positive sample. Our work has verified the feasibility and accuracy of this method, and finally found out a batch of candidates for variable stars in the AST3-2 2016 dataset.     

基于大数据的极端暴雨事件下城市道路交通及人群活动时空响应

随着全球气候变化加剧,极端降雨增多,暴雨内涝灾害频发,严重威胁城市的可持续发展。快速掌握暴雨给城市交通及人群的影响,有助于提高灾害应急管理水平和事件响应能力。利用实时动态的交通路况信息和手机定位请求数据,通过一种融合STL时序分解技术与极端学生化偏差统计检验的时间序列异常探测方法,监测和分析暴雨内涝灾害事件中,城市道路交通和人群活动的时空响应特征,并以2018年7月16日发生在北京的极端暴雨事件为例开展实证研究。研究结果显示,在降雨集中的早、晚高峰两个时段（8—9时、18—19时）,市区的拥堵道路数量超出往常水平最高可达150%,异常检测分析显示拥堵道路数量和交通拥堵指数均达到异常甚至极端水平。人群活动的异常响应分析结果显示,暴雨事件引起定位请求量异常升高、异常点增多,且异常点的空间分布与1 h前的降雨量分布存在较高相关性。以上结果不仅证明了大数据及异常检测方法对于快速洞察暴雨事件对城市交通及人群影响的有效性,也为城市暴雨内涝灾害的应急响应与管理提供了新的技术手段。     

Swelter in the city: Urban greenery and its effects on temperature in Guwahati,India

Changing urban landscape with multistoried high rises, roads and pavements is continuously reducing urban green space. These structures result in high surface temperature variation within cities. To explore the relationship between surface temperature and normalized difference vegetation index (NDVI), this study estimates two models—geographically weighted regression (GWR) and a fixed effect panel data model in relation to the Guwahati Metropolitan Area (GMA), a secondary city in north east India. The results indicate the superiority of GWR regression in presence of spatial dependence. Panel data analysis shows that the densely populated urban areas in the GMA with less than 10 per cent greenery are 1°C warmer than the sub-urban areas with 50 per cent greenery.