以全域土地综合整治为强大引擎推动“千万工程”不断提质增效

今年是浙江“千万工程”实施20周年。20年来,浙江省咬定青山不放松,一张蓝图绘到底,深耕全域土地综合整治,全力助推“千万工程”不断深化,取得了积极成效。聚焦“三生融合”,率先实现规划蓝图共绘共建。浙江省以国土空间规划定格局,合理划分生产、生活、生态“三生”空间。以土地综合整治优布局,突出“优化、盘活、修复、提升”四大核心功能,实现城乡空间从杂乱无序到整体大美的转变。以城乡有机更新提品质,在“留住城市记忆”和“记得住乡愁”的同时,促进城乡融合。     

长春,一座城市的地图记忆

与我国其他地区的城市相比,东北地区城市的历史相对较短,绝大部分兴起于明代之后;到了近代,作为东北亚的交通枢纽且濒临大海,一些东北城市曾受到侵略,沦为殖民地城市;中华人民共和国成立之后,国家在经济布局中,将众多重工业和基础工业布局在了东北,由此很多东北城市又发展为工业城市。特殊的历史,造就了特殊的城市空间格局和城市风貌,这次我们选择东北城市长春作为考察的对象.     

美丽的记忆 美好的传说 美韵的释义 华表用途之谜的解说

去过北京的人,几乎都欣赏过天安门前那对高大的华表。这对用汉白玉雕刻而成的华表,挺拔笔直的柱身上雕有螭龙流云纹饰,上部横插一块石片,石片上有浮雕的祥云,仿佛高大的柱身直插云问。捶顶承露盘中,蹲坐着一头别致的怪兽。     

融合多源遥感影像的城市扩展识别与空间驱动分析

鉴于当前较难获取最新高精度长时序遥感城市土地监测图,现有城市扩展空间驱动分析实践识别主要驱动因子时未检验因子集的全局解释性且较少关注空间溢出效应。以东莞为实验对象,集合Landsat影像和MODIS归一化植被指数（normalized differential vegetation index,NDVI）时序产品,构建深度学习分类器,获取高精度土地覆盖分类图,识别城市扩展,使用基于logistic回归的探索性回归识别解释东莞全局城市扩展的最优因子集,进而使用auto logistic回归测度空间溢出效应的影响并进行驱动分析。研究发现：(1)基于深度学习分类器,融合Landsat光谱、纹理和MODIS NDVI时序变化信息可获取高精度（Kappa>93%）土地覆盖分类图;(2)基于探索性回归可良好识别解释全局城市扩展的最优因子集,受试者工作特征曲线（receiver operating characteristic curve,ROC）>0.85;(3)2000—2020年,最优解释东莞全局城市扩展的主要空间驱动因子有城市规划方案、距建成区距离、空间加权城市密度、城市扩展的空...     

地震预报专家系统ESEP 3.0中的知识表示方法

知识表示是专家系统建造中的一个关键环节，知识表示方法的好坏直接关系到系统的智能水平和解决问题的能力。在地震预报专家系统ESEP3．0中有多种知识表示方法，本文介绍了该系统的结构知识、地震学和前兆预报知识、机器学习知识、综合预报知识、确定异常证据可信度知识以及支持知识等多种知识表示方法，提出了确定异常证据可信度模型。这些知识表示方法可以很好地表示各类地震预报知识。     

井水位降雨影响的定量改正

给出了井水位降雨影响定量改正的新方法.利用褶积滤波和多元回归的方法,考虑到降雨对井水位影响的滞后记忆效应,对井水位进行降雨影响改正.对鲁08井水位的降雨改正结果表明,该方法的改正效果是比较好的.      

井水位降雨影响的定量改正

给出了井水位降雨影响定量改正的新方法.利用褶积滤波和多元回归的方法,考虑到降雨对井水位影响的滞后“记忆”效应,对井水位进行降雨影响改正.对鲁08井水位的降雨改正结果表明,该方法的改正效果是比较好的.     

井水位的“记忆”滞后效应

观测资料表明,井水位对信息响应存在的“记忆”滞后现象,它与一般的位相滞后不同,在鲁２９井现场试验也证明了井水位对井吕空气压力变化的响应存在的“记忆”滞后现象。利用水平层状承压含水层模式,从理论上解释了井水位对井口空气压力变化响应“记忆”滞后现象,认为这种现象与水井含水层的导水系数有关,含水层导不系数越小,这种现象越明显,用一般多元回归方法无法较好地扣除井水位中“记忆”滞后影响,作给出了一种可以扣     

利用计算机测定近震时空参数的记忆梯度法

基于无约束最优化问题的记忆梯度法,本文设计了测定近震时空参数的计算机程序。仅需三个台站的记录资料即可利用本程序进行测定,记录中的主要震相((?)、(?)、P_n、S_n)均可参与测定运算。本程序对台网内外近震的参数测定均适用,对远离台网的地震,其测定结果的精度不低于交切法。     

融合数据同化与机器学习的流域径流模拟方法

环境变化影响下流域径流的精确模拟对洪涝灾害防治与区域水资源管理都具有重要意义。在径流模拟研究中,现有机器学习模型未能充分考虑水文中间状态变量对降雨-径流过程的影响,本研究基于集合卡尔曼滤波(EnKF)更新水文状态变量,结合主成分分析(PCA)提取预报因子的主要特征,采用长短时记忆神经网络(LSTM)构建考虑水文中间变量的机器学习水文模型EnKF-PCA-LSTM。以赣江流域为例,评估EnKF-PCA-LSTM模型的径流模拟效果,同时将模拟结果与LSTM模型、物理水文模型HYMOD做对比分析。结果表明,EnKF-PCA-LSTM模型模拟径流的纳什效率系数、Kling-Gupta效率系数和对数纳什效率系数分别为0.954、0.971和0.972,比LSTM模型和HYMOD模型具有更好的模拟性能,说明考虑水文状态变量可有效提高机器学习模型的径流模拟精度及稳定性。研究成果可为流域径流模拟提供技术参考。