一、影响深圳市空气质量的天气因素分析(论文文献综述)
王正宇[1](2021)在《基于集成学习的大连市PM2.5影响因素分析与预测》文中研究表明近年来,随着我国经济的飞速发展,伴随而来的环境问题尤其是空气污染越来越受到人们的关注。随着空气中PM2.5浓度值的不断提升,雾霾天气的频繁出现不仅给人们正常的工作生活带来诸多影响,同时也危害着人们身体健康,制约着我国经济的快速发展。分析本地的PM2.5污染影响因素,实现对PM2.5浓度的准确预报,可以提前让人们提前做好防护工作,减少在雾霾环境下的暴露,也可以帮助政府制定污染控制措施。与传统方法相比,本研究提出一种基于机器学习的PM2.5建模方法,仅需根据监测站的监测数据,就可实现对PM2.5的影响因素分析以及短时预测。本文收集了大连市2018年所有空气监测数据与气象数据,对这些数据进行处理与表征,发现它们与PM2.5数据存在线性与非线性关系。同时,在不同地区或者不同时期,PM2.5的分布也受到人类活动和自然因素的影响。为了衡量这些因素对PM2.5建模的作用,本研究使用随机森林模型对这些因素进行测试,包括研究空气污染物、气象因素、分区建模和分季度建模对模型的影响。结果表明,上述因素均可提升模型准确性,对PM2.5建模有明显作用。同时在此期间,发现使用Kmeans分区的效果最好,R2可达0.919;在不同季度,使用随机森林的特征重要性指标可以发现当地的O3与NO2对PM2.5的影响规律;最后,本文利用上述影响因素,构建了一种由随机森林(Random Forest)和极限梯度提升器(Xgboost)经Lasso回归融合而成的堆叠器(Stacking)用于PM2.5的短时预测。通过对模型预测性能的测试,该模型可以准确预测48小时之后的PM2.5浓度,R2最低可达0.784。结果表明,基于时空因素的Kmeans-Stacking模型具有更高的预测准确度,可以准确对未来48h的PM2.5浓度进行预测。
赵明静[2](2021)在《基于公共安全视角的城市物流风险分析及预测研究》文中研究指明我国城镇化人口超过60%,城市成为人口的主要聚集地,城市中各类要素高频流动的需求带动城市物流的蓬勃发展,同时城市物流公共安全事件呈现出多样性、复杂性、紧迫性和不确定性等特点,城市公共安全、经济社会运行秩序和人民生命财产安全受到严重威胁。为实现城市物流公共安全风险的有效治理,一方面需要认清城市物流运营对公共安全影响较大的风险因素,完善治理方案,另一方面需要对现实困境进一步分析,归纳当前城市物流公共安全事件的发生特征及规律,进而构建高效且精细的城市物流公共安全风险治理方案。以前的物流企业为保证物流运营安全,大多采取加强监管、安全宣传等传统手段。但是,巨大的人力和物力等资源的耗费给物流企业增加较大的经济负担。虽然目前物流风险研究领域已存在大量的理论思想与方法,但是仍亟需解决很多现实问题。目前的物流风险管理研究过度依赖经验判断和专家知识,风险分析方法理论研究需要继续完善;此外,由于事故数据记录没有统一的规范,导致数据的结构化程度不同,如何对非结构化以及半结构化的数据进行风险分析成为当前研究的热点问题之一。基于以上问题,本文依据风险管理理论的流程,完成的主要工作有:(1)统计分析2008~2020年城市物流公共安全事故。分别对事故类型、事故时间、风险源、后果等多个角度作统计,并结合死亡人数、事故等级等指标对事故特征进行分析,详细梳理事故风险因素及相关规律,使后续风险因素集的建立有据可依;(2)利用文献法与业务流程分析法对事故风险因素进行识别,建立风险因素候选集,采用NASA-TXL量表法得到各因素权重,在风险发生概率和风险损失程度两个属性下利用逼近于理想值的排序法对候选风险因素的重要性程度进行筛选梳理,建立最终的关键风险因素集。并对风险因素的独立性进行检验,为后续建立贝叶斯网络评估模型奠定基础;(3)提出了改进的Apriori算法快速挖掘频繁项集,设计出标准化的公共安全视角下的城市物流风险因素关联规则挖掘流程,运用数据分析和处理等手段,基于建立的关键风险因素集,对统计的235起事故进行分析,共得到374条风险因素关联规则,并对高支持度关联规则、高置信度关联规则以及所有关联规则进行可视化展示。通过可视化结果可以得出城市物流风险因素关联规则呈现显着的聚集特征;(4)基于解释结构模型建立贝叶斯网络的初始结构,通过因果映射方法进行改进建立最终的贝叶斯网络动态风险评估模型。利用贝叶斯网络的推理功能对风险进行结果评估及原因推理,通过敏感度分析,揭示了“人-车-货”是造成事故的重要因素,结果表明贝叶斯网络在提升城市快递物流作业能力、规避公共安全风险方面是有效的。(5)提出了粒子群算法与广义回归神经网络算法相结合的风险等级预测模型优化方法。将模型预测结果与BP神经网络算法预测结果对比,结果显示PSOGRNN模型具有预测准确率高、稳定性高、误差较小的优点,对风险等级进行预测并提前相应的风险防控机制,降低事故造成的人民生命财产损失。本文共有图53幅,表49个,参考文献144篇。
阮柱[3](2021)在《基于NDVI重构的广东省NDVI变化及其驱动因素分析》文中研究指明前人研究表明:植被是地表系统中极重要的组成部分,它与地球系统中的水循环、碳循环、气候变化有着十分密切的关系,同时它还能反映地表上的人类活动。简言之,植被可反映极其丰富的信息,非常适用于环境演变研究。而在遥感数据中,Normalized Differential Vegetation Index(NDVI)是其中一种较常用的数据,用于表征植被在空间上的分布。众所周知,广东省是中国,常住人口最多,Gross Domestic Product(国民生产总值,GDP)最大的省份,加之其可开发利用的土地日益减少,人地关系愈发紧张。故,研究广东省的气温、降水、人口和GDP等因素与NDVI的相互影响,研究NDVI在时空上的变化及其驱动因素,对探讨广东省人口、经济和环境的可持续发展,有着重要意义。而NDVI的变化分析及驱动因素分析,又受到NDVI数据质量以及NDVI变化检测方法的影响。因此,为了更好地检测广东省的NDVI变化及对其驱动因素分析,本文提出了:(1)“加权迭代的光滑样条”(ISSPW)和“基于时间序列分解的加权迭代滤波法”(IWSd)组合的NDVI滤波重构法,对广东省范围内的MODIS(Moderate resolution Imaging Spectroradiometer)NDVI数据进行高质量重构;(2)综合残差趋势法(Integrated-RESTREND,In-RESTREND)和一种简单的NDVI变化类型划分方法,它们可以更好地检测广东省NDVI的长期变化。此外,分别计算重构NDVI与气温、降水和人口的相关系数,并以它们的最大相关系数划分了春夏秋冬四季NDVI主导因素两级分类;使用地理探测器,量化了2000~2018年的气温、降水和人口对重构NDVI的长时间序列影响力和相互作用;量化了气温、降水、人口、交通数据、土地覆盖数据以及人口和GDP空间化数据等数据,对广东省重构NDVI变化的影响力。最终得到了以下结论:第一,与加权迭代Savitzky-Golay滤波,ISSPW,基于时间序列分解的迭代滤波法(ISd),IWSd,迭代Whittaker滤波(IWhittaker),优化参数后的IWhittaker以及IWSd+ISSPW组合法相比,ISSPW+IWSd的组合法重构的图像噪声最少;它重构的样点曲线更贴合原始NDVI和描述更多曲线细节;而且此法去除的模拟噪声和原始数据的相关系数最大,均方根误差最小,去噪效果较好且比较稳定;综合前三条结果。可知ISSPW+IWSd适合用于广东省域的NDVI重构。第二,与RESTREND相比,In-RESTREND和时间序列分段残差趋势法(Time Series Segmentation and Residual Trend,TSS-RESTREND)都能检测到更多的NDVI减少像元,RESTREND低估了2000~2018年的NDVI减少情况。其中In-RESTREND检测到的显着减少像元则是RESTREND的4.8倍。In-RESTREND可用于探测广东省域NDVI变化情况。而根据In-RESTREND的探测,2000~2018年期间,广东省域的NDVI以增长为主,主要增长时段是2006~2018年,NDVI增长的区域主要分布于粤北、粤西地区及珠江三角洲的个别城市;NDVI减少的情况主要发生于2000~2005年,主要分布于珠江三角洲地区。而从变化类型看,广东省域NDVI变化类型以单调上升型为主,占据了广东省域面积的50.06%,其次是先降后升型,占27.35%;第三是中间下降型,占9.39%;其余类型占比较少。第三,在四季中,主导因素像元主要都是以人口主导像元为主。在主导因素正负相关像元中,则主要是以人口主导负相关像元为主。人口主导负相关像元在全省皆有分布,而人口主导正相关像元主要分布于深圳市、惠州市、广州市、佛山市和河源市。而在主导因素像元中,气温主导像元的面积排在第二。气温主导像元主要分布于夏季的粤北和粤东地区。降水主导像元面积最小,它主要分布于秋季的粤北地区。而从情景假设的角度,去理解最大相关系数的像元分布,可以给研究者和政策者启示:1,对NDVI高值区域,要减少不利的人为影响。2,人口高密度区域,NDVI与人口呈现正相关,说明人口因素对NDVI也有正面影响;更深的启发是:人与自然能和谐相处,在人口适度高密度地区,实现人口、资源与环境的可持续发展是有可能的。第四,在省域而言,在2000~2018年期间的四季中,人口的影响力强于气温或降水的影响力,且人口的影响力呈现线性增长趋势,而气温和降水的影响力呈现线性减弱趋势。在相互作用中,气温和人口的相互作用,强于降水和气温以及降水和人口的相互作用。而在地级市尺度,人口仍然是主导因素,其次是气温,气温主要在春夏两季,影响的地级市较多;人口在秋冬两季影响的地级市数量要比春夏两季多;值得注意的是:在春夏两季,珠三角地区NDVI既受人口影响,也受气温的影响;在春夏秋冬四季中,粤北、粤西、粤东的大部分地级市的NDVI都主要受人口影响。而地级市尺度的气温和人口的影响力曲线,有明显的线性特点;其中气温影响力曲线主要呈现为线性减弱趋势,地级市的人口影响力主要呈现为线性增强趋势。而地级市尺度的降水影响力曲线,波动起伏比较大,线性趋势较弱。而根据NDVI变化的多因素的因子探测器分析,在省域尺度,第二、三产业GDP(GDP23)对NDVI变化影响最大,其次是土地利用布局。在地级市尺度,主要是土地利用布局,GDP23和气候因素组合(气温+降水)影响了NDVI的变化。其中,土地利用布局中的建设用地的布局对NDVI变化的影响较大。而结合NDVI变化结果,又发现,在2000~2005年,人口影响力(主要是土地利用布局变化)主要是起到破坏植被,减少NDVI的作用,主要其负作用区域集中在珠三角;到了2006~2018年,人口影响力主要起到促进NDVI增长的作用,且在全省范围内,NDVI都有增长。
孙瑞弟[4](2021)在《2005~2019年粤港澳大湾区吸收性气溶胶时空分布特征及影响因素研究》文中提出改革开放以来,粤港澳大湾区经济发展迅猛,加速推进城市化和工业化进程的同时,造成了诸多环境方面的问题,与人类密切相关的城市大气环境问题已经引起了足够的关注。粤港澳大湾区属世界四大湾区之一,经济发达、人口众多,气候敏感、生态脆弱,目前对其大气环境和吸收性气溶胶指数(Absorbable aerosol index,AAI)等方面的研究仍然是个空白,因此对其大气环境质量的研究很有必要。本文采用2005~2019年OMAERUV数据日产品,研究粤港澳大湾区吸收性气溶胶指数时空分布特征,并分析自然因素、人为因素、植被指数、臭氧以及气流轨迹等诸多因素与吸收性气溶胶指数之间的相关性,同时利用重标分析法和潜在贡献源函数等方法,对粤港澳大湾区吸收性气溶胶的未来趋势和贡献源区分析,研究结果如下:(1)粤港澳大湾区近15年AAI年均值整体呈现波动上升状态,年均值最大增加量在2008年,增长率为4.5%,为0.353;2005~2015年,AAI数值逐年缓慢增加,平均增长率3.96%;2016~2018年,AAI先上升后下降,近15年AAI最大值出现在2017年,为0.986。空间上呈现中部高、东南及西北地区低的分布特征。广州、佛山、江门和中山市的大部分区域一直属于高值区(AAI>0.4),江门市西部、东莞以及深圳等市东部、肇庆市南部和香港处于中等水平(0<AAI<0.4),惠州市、肇庆北部AAI<0.4范围内变化。(2)粤港澳大湾区吸收性气溶胶指数四季均值水平:春季最高,冬、秋次之,夏季最低。空间分布上,大湾区范围内以广州市为中心的四周区域为四季的高值区域。春季时,大湾区吸收性气溶胶指数全境以第6等级为主;夏季大湾区只分部第1~2等级,达到四季当中的最低值;秋季吸收性气溶胶指数值开始升高,大湾区全境吸收性气溶胶指数值以2~3等级为主;冬季,大湾区吸收性气溶胶指数值达到2~5等级。(3)大湾区吸收性气溶胶指数值稳定性整体呈现东、西两端集聚、中部分散,高低差异显着的分布格局。稳定性差、较差的区域主要分布在广州、佛山、中山、珠海以及东莞市和深圳市西部等地区,稳定性好和良好区域主要分布在肇庆市和惠州市等地区,该区域人为排放低于珠江三角洲,且远离气溶胶高排放区域。(4)从自然和人为因素方面来看:吸收性气溶胶指数月均值与月平均降水量、月均温之间均呈显着负相关关系,且平均拟合优度R2分别达到了0.812、0.886,说明降水对吸收性气溶胶起到稀释和冲刷的作用,以及气温的升高,可以加剧大气垂直对流作用,有利于大气污染物的扩散。大湾区生产总值及第一、二、三产业值与AAI值具有显着相关性,其相关系数分别为0.946、0.847、0.931、-0.549,其中,AAI值与第三产业(服务业、旅游业)所占比重呈显着的负相关,这表明随着第三产业比重的增加,AAI值出现降低的现象。机动车保有量和工业废气排放量与AAI之间呈极显着的正相关关系(p<0.01),且平均拟合优度R2分别达到了0.894、0.919,说明机动车保有量直接导致汽车尾气排放量的增加,进一步影响了AAI值的上升;工业废气对大湾区AAI值也具有重要的贡献。(5)从植被指数与吸收性气溶胶指数相关来看:与AAI值呈负相关的区域主要分布在广州、佛山以及东莞市等地区,相关性大多在-1~0之间变动;呈正相关的区域,分布在肇庆市和惠州市等植被覆盖度高的地区,其相关性在0~1之间,说明NDVI值高的地区AAI值低AAI值与NDVI的相关性,通过置信度检验(p<0.05)的格点数据达68.42%。(6)从气流轨迹和潜在源看:春季,西北气流的移动速度最快,运输距离最长,其次是西部气流,而东部气流最慢;在夏季和秋季,气流来自西北和西部;在冬季,气流轨迹可大致分为三种类型:西北气流,北部气流和东部气流,西北路线的运输高度最高(57.29%),其次是运输高度最低(34.38%)。后向轨迹的分布与PSCF值分布基本一致,北方地区的污染物会伴随冷空气南下影响大湾区。气流轨迹和PSCF的空间分布均表明,大湾区气溶胶增多的主要贡献源区是由本地源提供的,此外,台湾、福建、江西等地的潜在贡献也较大。(7)从臭氧对吸收性气溶胶的协同性来看:基于像元的空间相关性计算方法,臭氧柱浓度与吸收性气溶胶指数的相关关系表明:空间分布分布在肇庆市、佛山市、东莞市以及深圳市等地区,而负相关地区出现在广州市中部、中山市和香港东部、惠州市大部分地区,该区域人口靠近港湾,相对于西部地区臭氧浓度也较低。从臭氧和吸收性气溶胶相关性发现,臭氧柱浓度对吸收性气溶胶指数的变化也是极其重要的。
王馨琦[5](2021)在《基于激光雷达的华南城市群大气臭氧时空分布和输送特征研究》文中提出近些年,我国大城市群在经济以及工业化上快速发展,大气颗粒物以及臭氧引起的复合污染已成为大城市区域的主要污染问题。华南城市群作为我国主要的城市群之一,臭氧已经取代颗粒物成为华南地区的首要污染物。考虑到对流层臭氧会对人类健康、生态系统等造成严重的危害,并且会引起气候变暖一系列的变化。因此,开展华南地区对流层臭氧污染的形成原因、影响因素等研究具有重要意义。差分吸收激光雷达作为一种探测大气臭氧及气溶胶时空分布特征的主动遥感技术,可以获取边界层内高度的臭氧浓度以及气溶胶消光系数。近年来,由于单点的地基激光雷达受到区域限制,其所观测的范围也存在一定的限制,因此差分吸收激光雷达也由早期的单一定点的臭氧监测发展成为区域组网监测,为区域臭氧空间分布及时间分布提供了有效的数据支撑。为了解我国华南地区臭氧的垂直变化及其影响因素。本研究基于华南地区差分吸收激光雷达臭氧观测数据。分析了臭氧的季节变化、局地污染及区域传输。并且利用了WRF-Chem(Weather Research and Forecasting Model with Chemistry)模式对区域臭氧、气象因素及前体物进行了模拟,讨论了臭氧污染与后两者的关系。研究表明:(1)通过地基激光雷达发现广州市、江门市秋季臭氧浓度明显高于夏季,秋季高浓度臭氧可以达到1000 m,夏季为600 m。阳江市夏季臭氧日变化不明显,其他城市高浓度臭氧主要集中在午后。广州市夏季臭氧平均浓度最高,为92.57μg/m3,东莞市最低。同时秋季臭氧平均浓度最高也为广州市,达到133.34μg/m3。局部污染过程中,高浓度臭氧主要发生在地面附近,1500 m以上臭氧分布均匀。臭氧的外来传输主要发生在500-1100 m及1100 m以上。夏季以西南气流轨迹为主,秋季以东北气流为主。(2)利用差分吸收激光雷达对2017年1月-2018年9月广州市对流层臭氧垂直结构进行长期连续监测。夏季臭氧浓度在四季中最高,冬季浓度最低,春季和秋季之间差异较小。在局地污染过程中,高浓度臭氧主要集中在近地面,随着高度的增加而逐渐减小,在0.7 km以下臭氧浓度随高度增加递减速率较快,1.5-2km趋于均匀分布。臭氧传输主要发生在0.3-0.7 km、0.8-1 km以及1.1 km以上三个高度区间。(3)运用2019年9月20日-9月30日激光雷达、气象梯度塔以及WRF模型等资料讨论了臭氧时空分布、臭氧与消光系数关联及臭氧污染形成的气象因素。结果显示:24日前臭氧日变化显着,24日后夜间存在明显的残留现象,同时边界层内颗粒物浓度明显增加。在980 m以下,臭氧与消光系数呈负相关,980m-2400 m左右,两者呈正相关。随着高度的增加,二氧化氮浓度逐渐减少且伴随着臭氧浓度的增加。当温度291.3-301.8 K,湿度19.4%-71.6%,大气气压为903.72-963.1 h Pa,在平均风速为:4-5.2 m/s,主要风向为偏北风时,有利于深圳地区高浓度臭氧的形成。此次深圳市臭氧污染传输主要来自我国东北方向的内陆城市,江西省东南地区贡献超过180μg/m3。(4)近地面城市臭氧浓度的相关性与距离有关,相邻的城市(广州、江门、东莞、深圳)之间的相关性较高,垂直高度上大气臭氧的传输影响高于近地面臭氧传输,其中在500 m相关性整体最高。夏季,主要传输通道有海洋-惠州-东莞-广州-江门,海洋-阳江-茂名-广西省东南地区以及海洋-潮州-福建省。秋季气流主要来源于我国内陆地区,主要传输路径为以下四条:湖南郴州西部地区-肇庆-阳江,湖南郴州-清远-广州-江门,江西赣州-河源-惠州-深圳,以及大气臭氧随气流从福建省龙岩西部地区传输至潮州市。夏季,江门市对广州的输送量高于深圳市,输送通量最大值达到了1147.82μg/(m2·s)。对于广州市及东莞市来说,500 m以下整体表现为广州市像东莞市方向输送。秋季受偏北气流的影响,臭氧水平传输从偏北城市至偏南城市,广州市对江门市臭氧水平输送影响较大,最大输送量为2752.78μg/(m2·s)。
赵秀玲[6](2021)在《中国城市典型空气污染物时空分布特征与影响因素研究》文中提出人口和产业在城市的集聚,增加了污染物的排放,改变了污染物的扩散条件,导致城市空气污染严重,是城市可持续发展面临的重大挑战之一。其中细颗粒物(PM2.5)和臭氧(O3)是城市中最突出和典型的两类空气污染物,威胁居民的身心健康,影响城市生态系统的社会、经济和自然等诸多方面。识别和理解这两类空气污染物污染的风险区域、影响因素、影响特点以及调控效果,对进一步缓解城市空气污染至关重要。现有研究多从单一污染物或从单一角度探究城市空气污染的时空分布特征和影响因素。而城市是一个社会生态复合系统,社会发展以及生态变化综合对典型污染物的影响特征是怎样的仍然尚不清楚。本论文以空气污染严重的中国城市为研究对象,重点围绕上述两种典型污染物,试图回答以下3个科学问题:1)典型空气污染物的时空演变具有怎样的特异性?2)从社会-生态综合角度,考虑其影响因素和特点是怎样的?3)针对不同类型污染物的调控方向有怎样的差异?回答上述问题,对城市规划和城市大气污染防治具有重要的理论和实践意义。本研究基于空气质量监测数据、统计年鉴数据、气象观测数据、遥感数据和微博大数据等数据源,首先从全国尺度定量分析了典型污染物浓度、浓度变化以及与其前体污染物浓度协同变化的区域和季节特异性;进而从全国和区域尺度分析了城市人为活动和气象条件及其交互对典型污染物的驱动特征和相对贡献;在此基础上,以典型城市深圳为例,探讨了针对空气污染的防控政策,及其调控效果。主要研究结果如下:1)中国城市空气污染呈现污染物类型、区域和季节分异特征在《大气污染防治行动计划》执行之后,2015-2017年大部分城市PM2.5污染在改善,年平均浓度降低了 6±9±μg/m3;污染改善的热点区域多分布在污染严重的北方区域;而O3污染呈现恶化趋势,年平均浓度增加了 8±9μg/m3;且污染严重的区域依然是污染恶化的热点区;从全国尺度来看,冬季是PM2.5污染最严重的季节;夏季是O3污染最严重的季节;PM2.5污染变化与其前体物SO2、NO2污染变化具有较高的协同性,O3污染与其前体物NO2污染变化的关系比较复杂。2)人为活动和气象条件对典型污染物的影响和贡献呈现区域和季节分异特征对于PM2.5污染:城市空间结构、社会经济和气象条件及其交互作用均会显着影响PM2.5浓度;在北方区域,社会经济和气象条件交互作用对PM2.5污染变化的解释程度最大;在南方区域,气象条件的单独作用对PM2.5污染变化的解释程度最大。对于O3污染:在春、夏、秋季,大部分城市O3浓度与NO2(CO)浓度无显着关系,冬季大部分城市O3浓度与NO2(CO)浓度呈显着的负相关关系;在春、夏、秋季,大部分城市O3浓度与城市气温呈显着正相关关系,与风速无显着关系;在冬季,大部分城市O3浓度与气温关系不显着,与风速成正相关关系;在各个季节,大部分城市O3浓度与相对湿度显着负相关;相较于前体物,气象条件对城市O3污染变化的贡献更大;前体物浓度单独对城市O3污染变化的贡献多为正向的,但是与气象条件交互对O3污染变化的贡献多为负向的。3)前提物减排、气象条件驱动特征以及人们的主观态度是城市空气污染物调控政策制定应关注的主要方向,并且针对不同类型空气污染物,应采用差异化的防控政策深圳市针对典型污染物污染改善方向,在宏观上重点放在产业结构和能源结构的快速调整上,在微观精细化的管理上,针对空气污染的治理政策具有持续性、精准性和及时性特点,但是这些政策措施只对PM10、NO2和SO2类污染物的防治有效,对O3污染的防治作用有限;针对深圳市O3污染的防控,一方面需结合不同季节O3与其前体物的关系,调控不同的前体物:在夏秋季,可能处于NOx控制区,重点调控NOx浓度;在冬春季处于VOCs控制区,需要重点关注对VOCs的调控;另一方面,当控制了前体物浓度,通过调节深圳市热环境进而调控O3污染至关重要;除此之外,在缓解城市空气污染时,需要考虑居民的主观感受,开展舆情监测。
梁丽思[7](2020)在《东南沿海经济区PM2.5浓度的时空变化、影响因素及反演方法研究》文中提出本文利用2015-2019年地面PM2.5浓度监测数据结合气象数据、自然数据、人文数据对东南沿海经济区不同时间尺度PM2.5浓度进行空时空变化和影响因素分析。应用BP神经网络模型和随机森林模型结合2017年3月至2018年2月8-17h的卫星反射率数据、气象数据反演地面PM2.5浓度。通过引入不同参数后的反演结果分析模型的精度。研究结果如下:(1)从时间变化分析,PM2.5浓度日内变化总体呈现“升-降-升-降”的波动趋势。前三年呈“双峰单谷”型分布,后两年变化较平稳。月均PM2.5浓度呈“V”型分布,最低值为17.78μg/m3,最高值为42.68μg/m3,分别出现在6月份和1月份。季节PM2.5表现出:冬季>秋季>春季>夏季。年均PM2.5浓度最高的城市为肇庆市(37.32μg/m3);浓度最低的城市是南平市(23.01μg/m3)。五年间东南沿海经济区的年均值从32.32μg/m3下降到27.27μg/m3,降幅为15.62%。(2)从空间变化分析,浓度高值区主要集中在珠江三角洲地区以及东南部的揭阳市和漳州市。PM2.5浓度在19-23h污染较严重,范围较广。PM2.5浓度在1月份污染范围最大(55μg/m3),污染范围弥漫整个珠江三角洲平原;2月份污染范围开始缩减,直至9月份从珠江三角洲中心地区开始污染,到12月份蔓延至整个西南部城市。PM2.5浓度有明显的季节差异;PM2.5浓度每年的高值区的分布格局基本一致,总体表现为西南高东北低的特点,但高值区的面积和浓度逐年减小。(3)从影响因素分析,气象因子相关性由强到弱排列为地面气压>气温>降水量>相对湿度>边界层高度>风速。除地面气压和风速为正相关外,其余呈负相关。自然因子中,高程、NDVI与PM2.5浓度均表现为负相关。人文因子的人口密度、GDP与PM2.5浓度呈正相关。(4)从反演方法分析,在两个模型中依次加入气象因子后,精度均有提升,但整体上随机森林模型较优。R2从0.7559提高到0.8658,RMSE从10.0671μg/m3下降到7.4633μg/m3,拟合方程斜率从0.6513增加到0.7831,偏差降低了13.18%。对比两个模型预测的精度指标可知,随机森林模型的r最大可达到0.9305,大于BP神经网络模型。均方根误差为7.4633、平均绝对误差为0.5138、平均分比偏差为0.2146,均比BP神经网络模型误差指数小。
计寻[8](2021)在《暴雨天气下城市道路动态交通特征及交通流分配方法研究》文中指出城市道路交通系统是一个城市的骨架,不仅是客货运输、社会经济活动和市民生活的载体,同时也承受着自然灾害的威胁。频发的暴雨天气严重影响了城市道路交通的正常运行,降低了交通的供给能力,加剧了交通拥堵。现有研究往往是从暴雨天气的整体效应出发,忽略了降雨过程中动态变化的降雨条件,难以准确描述降雨过程中交通特征与降雨的动态关联,以及暴雨天气下道路网交通流的动态时空分布。因此,有必要深入研究暴雨天气下城市道路交通特征的动态降级规律,掌握其与降雨、道路、车辆等相关因素的动态关联,进一步研究动态降雨条件下的交通流分配模型与算法,为应对暴雨天气的交通管理和干预对策提供理论支持。本文立足于暴雨天气下城市道路交通的动态特征,研究暴雨天气下城市道路动态降级演化及道路网的动态交通流分配方法。首先,以深圳市历史交通数据和降雨数据为数据基础,对比分析暴雨天气与常态天气下交通流的特性规律。然后,从降雨过程的角度出发,探讨暴雨天气下降雨过程对交通流基本图和交通拥堵的影响,揭示暴雨过程不同阶段对交通特征影响的差异性;进一步从降雨过程引出降雨强度和滑动雨量的动态特征,研究自由流速度降级的影响因素,建立暴雨天气自由流速度的动态降级模型,揭示暴雨天气下交通特征的演化方向;最后,结合物理排队和自由流速度动态降级模型,构建暴雨天气下出行费用函数,基于随机动态用户均衡,建立暴雨天气下道路网动态交通流分配模型。本文的研究内容主要包含以下4方面:(1)以城市道路交通为研究对象,选取暴雨天气作为典型的极端恶劣天气,定义了暴雨天气的分类标准。基于历史交通数据和降雨数据,按照一定原则选取暴雨分析对象和常态天气对照组,并对原始数据进行处理与转换,对比分析了暴雨天气与常态天气下,城市道路交通流特性的分布规律。(2)以降雨过程作为暴雨天气研究的切入点,从暴雨天气对城市道路交通的影响机理出发,提出并分析了降雨过程在暴雨天气对交通流影响中的重要作用。给出了降雨过程的阶段划分方法,并根据研究目的和数据条件将降雨过程划分为暴雨峰前和峰后两个阶段。基于实测的主干路交通数据和暴雨数据,以Underwood模型为基础,分别建立了暴雨峰前和峰后阶段下的交通流基本图模型,揭示了降雨过程在不同阶段对交通流影响的差异性。在此基础上,从交通拥堵形成机理的角度出发,确定了拥堵分析要素,对比分析了暴雨峰前和峰后阶段交通拥堵的变化,探究了暴雨天气下偶发性拥堵的产生和常发性拥堵的加剧规律,弥补了既有研究中缺乏降雨过程对交通影响的不足。(3)从理论模型和实测数据两个角度,分别研究了快速路常态天气自由流速度的获取方法,确定了常态天气下快速路的自由流速度。以自由流状态的车辆为数据基础,界定了暴雨天气自由流速度降级的研究前提,通过对比分析常态天气和暴雨天气下的自由流速度,确定了暴雨天气自由流速度降级比例,探究了降雨强度、滑动雨量、车道位置、车辆类型及积水路段类型对自由流速度降级的影响程度。基于降雨强度和滑动雨量的动态性特征,考虑其与分类变量的交互性,提出并简化了分类变量引入模型的方式,构建了暴雨天气下自由流速度动态降级模型。结合实测数据,通过验证集对模型的精度进行检验,确定最优模型及相关参数。研究结果解决了现有自由流速度降级研究较少考虑降雨动态性的问题,模型结果和参数能够应用于暴雨天气下快速路的交通流分析,实时预测自由流速度的动态降级比例,对开拓暴雨天气下道路降级研究思路具有积极作用。(4)基于暴雨天气下自由流速度动态降级的规律,将动态的暴雨因素融入到路段出行费用中,结合路段交通负荷、车辆类型及路段类型等因素,以物理排队为基础,建立了暴雨天气下的路段出行费用函数,揭示不同类型车辆在暴雨影响下的出行费用构成,实现了暴雨影响下降级路段出行费用的动态估计。在出行费用函数的基础上,以路径感知瞬时出行费用为出行决策依据,以随机动态用户均衡作为暴雨天气下的动态交通流分配原则,提出了暴雨影响下的出发时间与路径选择模型,明确了流量的传播规律,构建了暴雨天气下的动态交通流分配模型与算法,解决了现有恶劣天气下动态交通流分配研究缺乏考虑自由流速度降级与暴雨动态关联的问题。通过算例分析,讨论了不同情境下路径流量的时空分布规律。研究结果表明,模型可以有效解析暴雨天气下的动态交通流分配,解释暴雨下各阶段路径流量的突变与渐变规律,为暴雨天气的交通应急管理提供有力的理论基础。本文研究结果可以丰富极端恶劣天气下交通流分配领域研究的理论与方法,为我国决策部门掌握暴雨天气下道路网交通流时空分布、优化暴雨天气下交通应急管理与疏散策略提供方法支撑。
孙宇[9](2021)在《基于社会生态模型的街道体力活动影响机理研究 ——以深圳为例》文中提出体力活动提升已经成为应对公共健康挑战的有效路径,尤其对慢病防治具积极作用。街道作为城市重要公共空间,是居民进行户外体力活动的主要载体,意味着增进街道体力活动具有巨大健康效益。由于人的行为决策复杂性,人们对街道体力活动影响机理以及与行为目的相关联的认识尚不清晰。这正是街道体力活动提升的必要认知,也是相关研究长期关注但尚未攻克的难点。本文基于社会生态模型,利用健康行为相关理论对活动影响因素作用关系的诠释,运用理论推演与实证检验分析结合的方式,对街道体力活动影响机理进行系统探讨。首先,通过理论分析与文献综述,构建影响机理分析的理论模型。继而,根据理论模型的影响因素构成,进行问卷设计与信效度检验,并对深圳开展调研。然后,利用所得数据,一方面进行影响因素的描述性分析和实证检验,另一方面进行影响因素作用关系的实证检验分析;在此基础上,揭示个体特征的调节逻辑。最后,基于分析所得结果,获取影响机理认知,进而结合实际问题提出活动提升策略。关于理论模型构建,具体为提出影响因素及其作用关系两个方面的研究假设。其一,基于社会生态模型归纳分析街道体力活动潜在影响因素,体现在个体、社会环境、物质环境和政策环境四个层面。针对行为心理因素呈现出复杂纷繁状态,利用健康行为相关理论的概念界定进行选取,从而确定影响因素构成,提出研究假设。其二,首先进行健康行为相关理论下的影响因素作用关系分析,获取作用关系初步认知;继而梳理影响因素各层面之间作用的整体关系;在此基础上,分析行为心理因素的具体关系,再以理论关联、理论推演和实证关联三种方式,梳理各影响因素之间作用的具体关系,进而就因素间的作用关系提出研究假设。关于影响因素的描述性分析,体现在居民体力活动水平和街道体力活动友好性两方面。一方面,当前深圳居民的街道步行水平显着高于骑行水平;近9成居民能依靠步行满足我国成年人体力活动相关标准,其中休闲强身步行水平最高;个体特征引起的活动水平差异明显,这种差异的规律性因活动类型和个体特征的多元而呈现出多样化特点。另一方面,街道体力活动友好性在空间供给、环境治理和行为引导三方面存在不足。其中,骑行专用道及相关设施缺乏问题尤为严峻,是造成居民骑行水平偏低的重要因素。关于活动影响机理的量化探讨,具体体现在影响因素实证检验,因素间作用关系分析和个体特征调节逻辑揭示三方面。首先,通过对各活动类型的影响因素相关性检验,发现社会生态模型所提出的影响因素特定性在物质环境层面尤为突出。其次,分别对各活动类型的影响因素作用关系进行结构方程分析,揭示出行为习惯、物质环境和政策环境对行为决策有重要影响,且三者间作用效力的大小关系在各活动类型中不尽相同;从综合表现来看,物质环境的影响作用需要引起足够重视。最后,经过对个体特征调节逻辑的探讨,发现个体特征主要通过调节各影响因素对外部环境刺激的表征,同时作用于因素之间的作用关系,使作用关系的显着性或效应大小产生差异,从而造成相同干预措施作用于不同群体的效果有所差别。这是实证研究对干预对象异质性予以关注的内在原因。关于街道体力活动干预,要基于影响机理认知,同时结合实际问题对各层面措施予以完善。在影响机理认知方面,作用能力是影响因素诠释的关键;协同合作是因素间作用关系的本质;多层次调节是个体特征发挥作用的途径。在活动提升的整体策略方面,要促进各层面因素的协同合作,注重在规划各阶段的贯彻落实,充分发挥物质环境的作用能力。在活动提升的具体策略方面,要通过提高居民对体力活动健康效益的认知,形成健康福祉关系城市发展的认同,塑造浓厚的健康行为社区环境,来强化社会环境对行为心理的全作用力;通过弥补骑行空间供给短板,有所侧重地优化已有设施,重视使用者的特征差异,提高空间环境运维水平,来激发物质环境的综合作用力;通过形成多层级规划导控体系,进行约束鼓励兼并的行为引导,探索街道治理的创新模式,来巩固政策环境的源驱动力。综上所述,本文在社会生态模型和健康行为相关理论的支撑下,通过理论分析、假设推理、量化检验等方法,深入探讨街道体力活动影响因素作用机理。一方面,立足于物质环境领域,深化并拓展了已有认知,为相关研究提供参考。另一方面,基于活动影响机理认知的干预策略,为提升居民活动水平提供系统措施。
杨雨鑫[10](2020)在《公共自行车系统运营规律及提前调度方法研究》文中指出随着城市环境污染、交通拥堵等问题日益凸显,在绿色、共享理念的引导下,在互联网、GPS定位等技术快速发展的支持下,公共自行车作为低碳、环保、健康出行方式的代表应运而生并迅速发展壮大。目前公共自行车系统运营过程中存在的车辆调配滞后问题严重影响系统运转效率及用户体验。如何对网点用车需求量进行预测,准确评估系统中各网点的重要程度,优先对重要性程度更高的网点自行车数量进行监管调度是解决车辆调配滞后问题的有效措施。本文以深圳市公共自行车系统为例,首先基于用户用车数据对系统运营时空规律进行分析,通过历史天气数据讨论降雨、温度、空气质量等因素对系统用车量的影响;之后结合用车时段、天气、温度等影响用户用车量因素提出基于BP神经网络模型的网点需求量预测方法;最后提出一种运用树形数据结构对有向加权网络节点进行重要性评估的方法,为通过优先平衡系统中重要网点从而提升调度效率解决调度滞后问题提供理论支撑。本文研究的主要工作及结论如下:1、基于公共自行车系统用户用车刷卡数据,对系统一天内各时段用车量规律、用户用车时长规律、不同类别网点自行车使用率、网点间车辆流向规律等进行描述性统计分析。结合历史天气数据分析降雨、温度、污染等自然因素对用户用车量的影响。2、结合分析得到的影响用户用车量因素,综合考虑用户用车量的历史特征、时段特征、日期特征、天气特征、温度特征,提出基于BP神经网络模型的公共自行车网点需求量预测方法。通过对比在不同日期和天气特征条件下运用该方法预测所得部分网点一天各时段预测量与实际值差异,证明该方法的有效性。3、针对有向加权网络提出基于构造树的节点重要性评估方法。该方法对以待评估节点为根的广度优先遍历树和深度优先遍历树分别进行评估,以考察待评节点的局部影响力和全局影响力,同时考虑待评估节点的入度与出度对网点重要性影响,因此该评价方法能够对网络中不同节点的重要程度提供更为全面的信息。基于ARPA网络进行鲁棒性实验,结果证明了该方法的有效性。将上述方法运用于公共自行车系统网点重要性评估中,能够获得明显效果。
二、影响深圳市空气质量的天气因素分析(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、影响深圳市空气质量的天气因素分析(论文提纲范文)
(1)基于集成学习的大连市PM2.5影响因素分析与预测(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.3 研究思路与目标 |
1.3.1 研究思路 |
1.3.2 研究目标 |
1.3.3 技术路线 |
1.4 论文组织结构 |
2 研究方法 |
2.1 机器学习简介 |
2.2 决策树 |
2.3 随机森林(Random Forest) |
2.4 极限梯度提升器(Xgboost) |
2.5 堆叠器(Stacking) |
2.6 K均值聚类(Kmeans clustering) |
2.7 相关性分析 |
2.8 模型评估指标 |
2.9 本章小结 |
3 2018年大连市PM_(2.5)污染情况及关联因素分析 |
3.1 研究区概况 |
3.2 数据源 |
3.3 数据预处理 |
3.4 PM_(2.5)与气象因素的关联性分析 |
3.5 PM_(2.5)与其他空气污染物的关联性分析 |
3.6 大连市PM_(2.5)的时间分布特征 |
3.7 大连市PM_(2.5)的空间分布特征 |
3.8 本章小结 |
4 基于随机森林的影响因素建模效果分析 |
4.1 大连市PM_(2.5)污染区域划分研究 |
4.1.1 Kmeans点位聚类 |
4.1.2 点位相关性分析 |
4.1.3 聚类与相关性分区比较 |
4.2 分季度与不分季度研究的效果对比 |
4.3 与PM_(2.5)二次粒子有关的气象与气态污染物因素研究 |
4.3.1 不同区域下PM_(2.5)污染的影响因素比较 |
4.3.2 不同季度下PM_(2.5)污染的影响因素比较 |
4.4 本章小结 |
5 PM_(2.5)短时预测模型的构建 |
5.1 机器学习模型的构建及调参 |
5.1.1 建模流程 |
5.1.2 随机森林模型调参 |
5.1.3 极限梯度提升器(Xgboost)调参 |
5.1.4 Stacking模型堆叠过程 |
5.2 基于Stacking的 PM_(2.5)短时预测模型 |
5.2.1 PM_(2.5)预测模型介绍 |
5.2.2 不同模型实验结果对比 |
5.2.3 预测结果表征 |
5.3 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表学术论文情况 |
致谢 |
(2)基于公共安全视角的城市物流风险分析及预测研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外相关研究综述 |
1.2.1 物流风险研究综述 |
1.2.2 事故模型综述 |
1.2.3 主要存在问题 |
1.3 研究内容与研究方法 |
1.3.1 研究问题界定 |
1.3.2 研究内容 |
1.3.3 研究思路及方法 |
1.4 本章小结 |
2 相关理论基础及事故统计分析 |
2.1 城市物流系统概述 |
2.1.1 城市物流系统的概念 |
2.1.2 城市物流系统的特征 |
2.1.3 城市物流系统的体系结构 |
2.1.4 城市物流系统的复杂性 |
2.2 风险的相关理论 |
2.2.1 风险的基本概念 |
2.2.2 风险管理概述 |
2.3 城市物流公共安全事故统计分析 |
2.3.1 城市物流公共安全事故因果连锁理论 |
2.3.2 城市物流公共安全事故统计分析 |
2.4 本章小结 |
3 公共安全视角下的城市物流风险因素分析 |
3.1 风险因素分析 |
3.1.1 风险因素分析流程 |
3.1.2 风险因素识别方法 |
3.1.3 风险因素评价方法 |
3.1.4 城市物流公共安全领域风险因素分析 |
3.2 风险因素识别 |
3.2.1 文献法识别 |
3.2.2 业务流程分析法识别 |
3.2.3 城市物流公共安全风险因素集 |
3.3 关键风险因素集的构建 |
3.3.1 关键风险因素集构建的基本流程 |
3.3.2 关键风险因素集构建原则 |
3.3.3 关键风险因素的选择 |
3.4 本章小结 |
4 风险因素关联规则挖掘和可视化分析 |
4.1 风险因素关联规则挖掘方法 |
4.1.1 关联规则挖掘方法 |
4.1.2 快速挖掘频繁项集的VS_Apriori算法 |
4.1.3 关联规则挖掘流程 |
4.2 风险分析、数据分析和处理 |
4.2.1 风险分析 |
4.2.2 数据分析 |
4.2.3 数据处理 |
4.3 风险因素关联规则挖掘 |
4.3.1 高支持度关联规则 |
4.3.2 高置信度关联规则 |
4.4 风险因素关联规则的可视化分析 |
4.4.1 高支持度关联规则可视化分析 |
4.4.2 高置信度关联规则可视化分析 |
4.4.3 所有关联规则的可视化分析 |
4.5 本章小结 |
5 公共安全视角下的城市物流动态风险评估 |
5.1 贝叶斯网络概述 |
5.1.1 贝叶斯网络原理 |
5.1.2 参数学习 |
5.1.3 结构学习 |
5.1.4 贝叶斯网络推理 |
5.2 解释结构模型概述 |
5.3 基于贝叶斯网络的城市物流公共安全风险评估 |
5.3.1 初始网络构建 |
5.3.2 网络结构改进 |
5.3.3 贝叶斯网络模型的确定 |
5.4 动态风险评估贝叶斯网络模型应用 |
5.4.1 后验概率分析 |
5.4.2 敏感度分析 |
5.5 本章小结 |
6 公共安全视角下的城市物流风险预测研究 |
6.1 城市物流公共安全风险预测方法 |
6.1.1 广义回归神经网络理论概述 |
6.1.2 粒子群算法概述 |
6.1.3 PSO-GRNN预测模型概述 |
6.1.4 模型性能评价标准 |
6.2 基于PSO-GRNN的城市物流风险预测模型 |
6.2.1 数据准备 |
6.2.2 基于PSO-GRNN算法的风险预测 |
6.2.3 预测结果分析 |
6.3 城市物流风险预防及控制措施 |
6.3.1 风险预防措施 |
6.3.2 风险控制措施 |
6.4 本章小结 |
7 研究结论与展望 |
7.1 主要结论 |
7.2 研究创新点 |
7.3 研究展望 |
参考文献 |
附录A 物流公共安全事故详表 |
附录B 物流公共安全风险因素评估调查问卷 |
作者简历及攻读博士学位期间取得的研究成果 |
学位论文数据集 |
(3)基于NDVI重构的广东省NDVI变化及其驱动因素分析(论文提纲范文)
摘要 |
abstract |
第1章 引言 |
1.1 选题背景及意义 |
1.2 国内外文献综述 |
1.2.1 NDVI滤波重构研究进展 |
1.2.2 NDVI变化研究进展 |
1.2.3 NDVI驱动因素研究进展 |
1.2.4 当前NDVI研究不足 |
1.3 研究内容及目标 |
1.3.1 研究内容 |
1.3.2 研究目标 |
1.4 技术路线及组织结构 |
1.4.1 技术路线 |
1.4.2 组织结构 |
第2章 数据和方法 |
2.1 研究区简介 |
2.2 数据及其来源 |
2.3 数据的预处理 |
2.4 方法 |
2.4.1 NDVI滤波重构法 |
2.4.2 NDVI变化分析方法 |
2.4.3 NDVI驱动因素分析方法 |
2.4.4 GDP网格化方法 |
第3章 不同NDVI滤波重构方法的效果对比 |
3.1 基于不同方法重构后的图像对比 |
3.2 基于不同方法重构前后曲线对比 |
3.3 不同重构法模拟噪声去除对比 |
3.4 本章小结 |
第4章 广东省NDVI变化的检测与分析 |
4.1 基于不同NDVI趋势算法的不同时段NDVI变化 |
4.1.1 两种趋势算法的差异 |
4.1.2 2000~2005年NDVI变化 |
4.1.3 2006~2011年NDVI变化 |
4.1.4 2012~2018年NDVI变化 |
4.2 基于残差趋势法的NDVI变化分析 |
4.2.1 基于不同趋势法计算的RESTREND结果分析 |
4.2.2 基于RESTREND的2000~2005的NDVI变化分析 |
4.2.3 基于RESTREND的2006~2011的NDVI变化分析 |
4.2.4 基于RESTREND的2012~2018的NDVI变化分析 |
4.2.5 RESTREND检测2000~2018年NDVI变化的不合理性分析 |
4.2.6 不同残差趋势法的2000~2018年NDVI变化的整体比较 |
4.2.7 基于不同残差趋势法检测的长期NDVI变化结果的局部比较 |
4.2.8 基于地级市的不同残差趋势法检测到的NDVI长期变化结果比较 |
4.3 广东省2000~2018年NDVI变化类型 |
4.3.1 广东省2000~2018年NDVI的变化类型整体分布 |
4.3.2 广东省地级市尺度的NDVI变化类型分布 |
4.4 本章讨论 |
4.4.1 残差趋势法之间的异同 |
4.4.2 广东省NDVI变化类型与残差趋势法的对应关系 |
4.5 本章小结 |
第5章 基于相关系数的广东省NDVI影响因素分析 |
5.1 基于相关系数的广东省春季NDVI主导因素像元分布 |
5.1.1 广东省春季NDVI主导因素像元的整体分布 |
5.1.2 广东省地级市中春季NDVI变化主导因素像元的分布 |
5.1.3 广东省地级市中春季NDVI变化主导因素正负相关像元的分布 |
5.2 基于相关系数的广东省夏季NDVI主导因素像元分布 |
5.2.1 广东省夏季NDVI主导因素像元的整体分布 |
5.2.2 广东省地级市夏季NDVI变化主导因素像元的分布 |
5.2.3 广东省地级市夏季NDVI变化主导因素正负相关像元的分布 |
5.3 基于相关系数的广东省秋季NDVI主导因素像元分布 |
5.3.1 广东省秋季NDVI主导因素像元的整体分布 |
5.3.2 广东省地级市秋季NDVI变化主导因素像元的分布 |
5.3.3 广东省地级市秋季NDVI变化主导因素正负相关像元的分布 |
5.4 基于相关系数的广东省冬季NDVI主导因素像元分布 |
5.4.1 广东省冬季NDVI主导因素像元的整体分布 |
5.4.2 广东省地级市冬季NDVI变化主导因素像元的分布 |
5.4.3 广东省地级市冬季NDVI变化主导因素正负相关像元的分布 |
5.5 本章讨论 |
5.5.1 基于相关系数的NDVI驱动因素研究与前人研究的异同 |
5.5.2 相关系数主导因素像元与NDVI变化的脱钩 |
5.5.3 对基于相关系数的主导因素像元的解释以及启示 |
5.6 本章小结 |
第6章 基于地理探测器的广东省NDVI影响因素研究 |
6.1 基于地理探测器的春季气候和人口因素对NDVI的时空影响研究 |
6.1.1 省域尺度春季气候和人口因素的影响力分析结果 |
6.1.2 省域尺度春季气候和人口因素的交互探测器结果 |
6.1.3 地市级尺度春季降水影响力变化特点 |
6.1.4 地市级尺度春季气温影响力变化特点 |
6.1.5 春季地市级尺度人口影响力变化特点 |
6.1.6 基于地理探测器的地市级尺度春季NDVI的主要影响因素 |
6.2 基于地理探测器的夏季气候和人口因素对NDVI的时空影响研究 |
6.2.1 省域尺度夏季气候和人口因素的影响力分析结果 |
6.2.2 夏季省域尺度气候和人口因素的交互作用结果 |
6.2.3 夏季地市级尺度降水影响力变化特点 |
6.2.4 夏季地市级尺度气温影响力变化特点 |
6.2.5 夏季地市级尺度人口影响力变化特点 |
6.2.6 基于地理探测器的夏季地市级尺度NDVI的主要影响因素分析 |
6.3 基于地理探测器的秋季气候和人口因素对NDVI的时空影响研究 |
6.3.1 秋季省域尺度气候和人口因素的影响力分析结果 |
6.3.2 秋季省域尺度气候和人口因素的交互作用分析结果 |
6.3.3 秋季地市级尺度降水影响力变化特点 |
6.3.4 秋季地级市尺度气温影响力变化特点 |
6.3.5 秋季地级市尺度人口影响力变化特点 |
6.3.6 基于地理探测器的秋季市级尺度NDVI变化的主要影响因素 |
6.4 基于地理探测器的冬季气候和人口因素对NDVI变化的影响研究 |
6.4.1 冬季省域尺度气候和人口因素的影响力分析结果 |
6.4.2 冬季省域尺度气候和人口因素的交互作用结果 |
6.4.3 冬季地市级尺度降水影响力变化特点 |
6.4.4 冬季地市级尺度气温影响力变化特点 |
6.4.5 冬季地市级尺度人口影响力变化特点 |
6.4.6 基于地理探测器的冬季地级市尺度NDVI的主要影响因素分析 |
6.5 基于地理探测器对NDVI变化的多因素影响研究 |
6.5.1 省域尺度的NDVI变化多因素影响力分析结果 |
6.5.2 地级市尺度的NDVI变化多因子影响力分析结果 |
6.6 本章讨论 |
6.6.1 基于地理探测器的NDVI驱动因素研究与前人研究的异同 |
6.6.2 地理探测器驱动影响力结果解析 |
6.6.3 广东省NDVI变化机制探讨 |
6.7 本章小结 |
6.8 本章建议 |
第7章 结论与展望 |
7.1 主要结论 |
7.2 主要创新点 |
7.3 不足与展望 |
7.3.1 研究不足 |
7.3.2 研究展望 |
参考文献 |
致谢 |
作者简历及攻读学位期间发表的学术论文与研究成果 |
作者简历 |
已发表的学术论文 |
参加的研究项目情况 |
(4)2005~2019年粤港澳大湾区吸收性气溶胶时空分布特征及影响因素研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 吸收性气溶胶的概述 |
1.3 吸收性气溶胶研究进展 |
1.3.1 吸收性气溶胶监测研究进展 |
1.3.2 吸收性气溶胶影响因子研究进展 |
1.3.3 吸收性气溶胶时空分布研究进展 |
1.4 研究目标及内容 |
1.4.1 研究目标 |
1.4.2 内容 |
第2章 研究区概况 |
2.1 地理位置 |
2.2 地质地貌 |
2.3 气候水文 |
2.4 土壤植被 |
2.5 人口及社会经济状况 |
第3章 数据与方法 |
3.1 数据来源及处理 |
3.1.1 吸收性气溶胶数据 |
3.1.2 气象数据 |
3.1.3 经济数据 |
3.1.4 植被指数数据 |
3.2 研究方法 |
3.2.1 克里金插值法 |
3.2.2 标准偏差分析 |
3.2.3 基于像元的空间分析法 |
3.2.4 Theil-Sen Median趋势分析和Mann-Kendall检验 |
3.2.5 基于像元的重标极差(R/S)分析法 |
3.2.6 潜在贡献源函数 |
第4章 粤港澳大湾区吸收性气溶胶时空分布特征分析 |
4.1 粤港澳大湾区吸收性气溶胶时间变化规律 |
4.1.1 粤港澳大湾区吸收性气溶胶年际变化 |
4.1.2 粤港澳大湾区吸收性气溶胶季节变化 |
4.2 粤港澳大湾区吸收性气溶胶空间变化 |
4.2.1 粤港澳大湾区吸收性气溶胶空间整体变化 |
4.2.2 粤港澳大湾区吸收性气溶胶空间年际变化 |
4.2.3 粤港澳大湾区吸收性气溶胶空间季节变化 |
第5章 粤港澳大湾区吸收性气溶胶变化趋势及未来趋势 |
5.1 粤港澳大湾区吸收性气溶胶稳定性分析 |
5.2 粤港澳大湾区吸收性气溶胶变化趋势及空间格局 |
5.2.1 粤港澳大湾区年平均吸收性气溶胶的变化趋势及空间格局 |
5.2.2 粤港澳大湾区季节吸收性气溶胶的变化趋势及空间格局 |
5.3 粤港澳大湾区吸收性气溶胶未来趋势变化 |
第6章 粤港澳大湾区吸收性气溶胶变化的影响因素分析 |
6.1 地形及气象要素对吸收性气溶胶影响 |
6.1.1 地形与风场因素对吸收性气溶胶的影响 |
6.1.2 气候因素对吸收性气溶胶的影响 |
6.2 粤港澳大湾区吸收性气溶胶来源解析 |
6.2.1 人为排放对吸收性气溶胶的影响 |
6.2.2 粤港澳大湾区吸收性气溶胶与臭氧的协同影响 |
6.2.3 粤港澳大湾区归一化植被指数对吸收性气溶胶值的影响 |
6.2.4 后向轨迹分析 |
第7章 讨论 |
7.1 粤港澳大湾区吸收性气溶胶时空分布及未来趋势 |
7.2 粤港澳大湾区吸收性气溶胶影响因素分析 |
第8章 结论与展望 |
8.1 主要结论 |
8.2 展望 |
参考文献 |
致谢 |
个人简历、在学期间发表的学术论文及研究成果 |
(5)基于激光雷达的华南城市群大气臭氧时空分布和输送特征研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 大气臭氧研究背景及意义 |
1.2 大气臭氧概述 |
1.2.1 大气臭氧理化性质 |
1.2.2 大气臭氧的源与汇 |
1.2.3 大气臭氧的影响 |
1.3 大气臭氧测量监测技术 |
1.3.1 地基探测 |
1.3.2 卫星遥感 |
1.3.3 臭氧探空 |
1.3.4 差分吸收激光雷达 |
1.3.5 空气质量模型 |
1.4 华南城市群(珠江三角洲)臭氧相关研究 |
1.5 本论文主要内容 |
第二章 数据与方法 |
2.1 激光雷达探测原理及基本结构 |
2.1.1 激光与大气相互作用 |
2.1.2 激光雷达系统基本结构 |
2.1.3 差分吸收激光雷达 |
2.1.4 差分吸收激光雷达探测原理 |
2.1.5 差分吸收激光雷达校准对比分析 |
2.2 数值模式模拟 |
2.2.1 WRF模式 |
2.2.2 WRF-Chem模式 |
2.3 污染物来源分析模型 |
2.3.1 后向轨迹模型与聚类分析 |
2.3.2 潜在源贡献(PSCF)分析法 |
2.3.3 浓度权重轨迹(CWT)分析法 |
2.4 本章小结 |
第三章 华南城市群臭氧区域特征研究 |
3.1 华南城市群研究区域概述 |
3.2 臭氧重污染季节变化特征 |
3.3 典型臭氧污染特征 |
3.3.1 局地污染 |
3.3.2 臭氧区域传输 |
3.3.3 区域臭氧重污染季节潜在源分析 |
3.4 高浓度区域臭氧污染事件影响因素分析 |
3.5 重点城市臭氧垂直分布特征 |
3.5.1 研究区域概述 |
3.5.2 广州市臭氧时空分布及季节变化特征 |
3.5.3 广州市臭氧污染特征分析 |
3.5.4 广州市四季潜在源分析 |
3.5.5 案例分析 |
3.5.6 深圳市气溶胶-臭氧时空分布 |
3.5.7 深圳市臭氧浓度影响因素 |
3.6 本章小结 |
第四章 华南地区臭氧传输定量分析 |
4.1 城市群之间臭氧的相关性分析 |
4.2 华南区域臭氧输送通道分析 |
4.3 臭氧水平输送通量分析 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 论文主要结论 |
5.2 主要创新点 |
5.3 展望 |
参考文献 |
攻读博士学位期间取得的研究成果 |
致谢 |
作者简介 |
(6)中国城市典型空气污染物时空分布特征与影响因素研究(论文提纲范文)
摘要 |
Abstract |
第1章 引言 |
1.1 研究背景与意义 |
1.2 国内外研究进展 |
1.2.1 空气污染的危害与时空分布 |
1.2.2 城市化发展对空气污染的影响 |
1.2.3 空气污染物调控 |
1.3 当前研究存在的不足 |
1.3.1 中国空气污染时空分布特征研究 |
1.3.2 PM_(2.5)污染驱动因素研究 |
1.3.3 O_3污染驱动因素研究 |
1.4 研究目标 |
1.5 研究内容与技术路线 |
第2章 研究区域与研究方法 |
2.1 研究区概况 |
2.2 数据来源与预处理 |
2.2.1 监测数据 |
2.2.2 遥感数据 |
2.2.3 社会经济数据与空气污染防控措施 |
2.2.4 微博文本数据 |
2.3 研究方法 |
2.3.1 城市主城区边界提取 |
2.3.2 空间聚类分析 |
2.3.3 统计分析 |
2.3.4 城市空间结构定量化方法 |
2.3.5 微博数据预处理技术 |
第3章 中国城市空气污染时空分布 |
3.1 中国城市空气污染物污染现状 |
3.2 中国城市空气污染物污染变化 |
3.3 中国城市典型空气污染物协同污染变化 |
3.4 讨论 |
3.4.1 不同污染物污染特异性 |
3.4.2 不同区域污染特异性 |
3.4.3 不同季节污染特异性 |
3.5 小结 |
第4章 典型空气污染类型影响因素-PM_(2.5)污染 |
4.1 中国城市空间结构对PM_(2.5)污染的驱动特点 |
4.2 中国城市PM_(2.5)污染驱动因素区域和季节分异特征 |
4.3 讨论 |
4.3.1 城市空间结构对PM_(2.5)污染的驱动特点 |
4.3.2 城市社会经济发展对PM_(2.5)污染的驱动特点 |
4.3.3 城市气象条件对PM_(2.5)污染的驱动特点 |
4.3.4 社会-生态综合对城市PM_(2.5)污染的驱动特点 |
4.4 小结 |
第5章 典型空气污染类型影响因素-O_3污染 |
5.1 中国城市O_3污染与前体物的关系 |
5.2 中国城市O_3污染与气象条件的关系 |
5.3 中国城市人为活动和气象条件对O_3污染的相对贡献 |
5.4 讨论 |
5.4.1 中国城市O_3污染控制区的区域和季节特异性 |
5.4.2 中国城市气象条件对O_3污染影响的区域和季节特异性 |
5.4.3 中国城市气象条件和前体物浓度对O_3污染影响的相对贡献 |
5.5 小结 |
第6章 典型城市空气污染调控措施及成效-以深圳市为例 |
6.1 深圳市空气污染演变及其调控经验 |
6.1.1 深圳市典型污染物污染演变 |
6.1.2 深圳市社会经济发展与典型污染物的关系 |
6.1.3 深圳市空气污染防治措施演变特征 |
6.2 深圳市O_3污染调控 |
6.2.1 深圳市O_3污染时空分布 |
6.2.2 深圳市O_3污染驱动机制 |
6.3 深圳市人居环境舆情监测 |
6.3.1 人们对深圳市人居环境要素的关注程度 |
6.3.2 人们对深圳市空气污染要素的主观感受 |
6.3.3 人们对深圳市空气污染要素的主观感受与客观监测值的对应关系 |
6.3.4 人居环境舒适度查找表及其预测应用 |
6.4 讨论 |
6.4.1 深圳市典型污染物污染演变及其调控策略与过程 |
6.4.2 深圳市O_3污染调控方向 |
6.4.3 深圳市人居环境舆情监测 |
6.5 小结 |
第7章 结论与展望 |
7.1 主要结论 |
7.2 研究创新 |
7.3 研究展望 |
参考文献 |
致谢 |
在读期间发表的学术论文与取得的其他研究成果 |
(7)东南沿海经济区PM2.5浓度的时空变化、影响因素及反演方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究进展 |
1.2.1 PM_(2.5)时空分布研究概况 |
1.2.2 PM_(2.5)影响因素分析概况 |
1.2.3 PM_(2.5)浓度反演概况 |
1.3 研究内容与技术路线 |
第2章 研究数据与方法 |
2.1 研究区概况 |
2.2 研究数据 |
2.2.1 地面观测数据 |
2.2.2 气象数据 |
2.2.3 自然数据 |
2.2.4 人文数据 |
2.2.5 Himawari-8 卫星数据 |
2.3 研究方法 |
2.3.1 空间插值法 |
2.3.2 皮尔逊相关系数 |
2.3.3 BP神经网络 |
2.3.4 随机森林模型 |
第3章 PM_(2.5)浓度时空分布特征 |
3.1 时间变化特征 |
3.1.1 逐小时变化特征 |
3.1.2 逐月变化特征 |
3.1.3 季节变化特征 |
3.1.4 城市年变化特征 |
3.2 空间分布特征 |
3.2.1 小时空间分布特征 |
3.2.2 月空间分布特征 |
3.2.3 季节空间分布特征 |
3.2.4 年际空间分布特征 |
3.3 本章小结 |
第4章 PM_(2.5)浓度影响因素分析 |
4.1 气象因素 |
4.1.1 气温对PM_(2.5)的影响 |
4.1.2 降水量对PM_(2.5)的影响 |
4.1.3 相对湿度对PM_(2.5)的影响 |
4.1.4 风对PM_(2.5)的影响 |
4.1.5 地面气压对PM_(2.5)的影响 |
4.1.6 边界层高度对PM_(2.5)的影响 |
4.2 自然因素 |
4.2.1 植被NDVI对 PM_(2.5)的影响 |
4.2.2 高程对PM_(2.5)的影响 |
4.3 人文因素 |
4.3.1 GDP对PM_(2.5)的影响 |
4.3.2 人口密度对PM_(2.5)的影响 |
4.4 本章小结 |
第5章 PM_(2.5)浓度反演 |
5.1 反演模型建立 |
5.2 BP神经网络反演 |
5.3 随机森林模型反演 |
5.4 模型精度对比 |
5.5 本章小结 |
第6章 结论与展望 |
6.1 结论 |
6.2 不足与展望 |
参考文献 |
攻读硕士期间发表的学术论文及参加的科研项目 |
致谢 |
(8)暴雨天气下城市道路动态交通特征及交通流分配方法研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景和意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 研究思路和内容 |
1.3 技术路线 |
1.4 本章小结 |
2 国内外研究现状及评述 |
2.1 恶劣天气下道路交通特征研究 |
2.1.1 现有研究回顾 |
2.1.2 综合评述 |
2.2 动态交通流分配研究 |
2.2.1 现有研究回顾 |
2.2.2 综合评述 |
2.3 降级路网下交通流分配研究 |
2.3.1 现有研究回顾 |
2.3.2 综合评述 |
2.4 本章小结 |
3 暴雨天气下城市道路交通流特性分析 |
3.1 暴雨天气 |
3.2 基础数据获取 |
3.2.1 降雨数据 |
3.2.2 交通流数据 |
3.3 数据处理 |
3.3.1 数据预处理 |
3.3.2 时间占有率与密度的转换 |
3.3.3 对照组选择与匹配 |
3.4 交通流特性分析 |
3.4.1 速度分布 |
3.4.2 车型分布 |
3.5 本章小结 |
4 暴雨过程对交通流基本图及交通拥堵影响研究 |
4.1 概述 |
4.1.1 暴雨天气对交通的影响 |
4.1.2 降雨过程分析 |
4.2 降雨过程的阶段划分 |
4.3 暴雨过程对交通流基本图的影响分析 |
4.3.1 基本图模型选取 |
4.3.2 基本图对比分析 |
4.4 暴雨过程对交通拥堵的影响分析 |
4.4.1 拥堵形成机理 |
4.4.2 拥堵分析要素 |
4.4.3 暴雨过程影响的显着性检验 |
4.4.4 基于非参数回归的拥堵影响分析 |
4.5 本章小结 |
5 暴雨天气下自由流速度动态降级演化研究 |
5.1 自由流速度获取方法 |
5.2 基于理论模型的常态天气快速路自由流速度 |
5.2.1 交通流模型分析 |
5.2.2 自由流速度标定 |
5.3 基于实测数据的常态天气快速路自由流速度 |
5.3.1 研究方法解析 |
5.3.2 自由流状态定义 |
5.3.3 实测数据分析 |
5.3.4 确定自由流速度 |
5.4 暴雨天气下快速路自由流速度动态降级模型 |
5.4.1 研究前提 |
5.4.2 自由流速度降级比例 |
5.4.3 自由流速度降级影响因素分析 |
5.4.4 自由流速度动态降级模型构建 |
5.4.5 参数估计与分析 |
5.5 本章小结 |
6 暴雨天气下动态交通流分配模型与算法研究 |
6.1 暴雨天气下动态交通流分配研究思路 |
6.2 基于物理排队的暴雨天气下路段出行费用函数 |
6.2.1 出行费用构成 |
6.2.2 连续行驶费用 |
6.2.3 排队延误费用 |
6.3 基于随机用户均衡的动态交通流分配模型构建 |
6.3.1 出发时间选择和路径选择 |
6.3.2 流量传播函数 |
6.3.3 一般约束条件 |
6.3.4 模型建立 |
6.4 求解算法 |
6.5 算例分析 |
6.5.1 算例设计 |
6.5.2 结果分析 |
6.6 本章小结 |
7 结论与展望 |
7.1 研究总结 |
7.2 主要创新点 |
7.3 研究展望 |
参考文献 |
作者简历及攻读博士学位期间取得的研究成果 |
学位论文数据集 |
(9)基于社会生态模型的街道体力活动影响机理研究 ——以深圳为例(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景与问题的提出 |
1.1.1 研究背景 |
1.1.2 问题的提出 |
1.2 研究目的与意义 |
1.2.1 研究目的 |
1.2.2 研究意义 |
1.3 概念界定及研究范围 |
1.3.1 社会生态模型 |
1.3.2 街道体力活动 |
1.3.3 生活性街道 |
1.3.4 研究范围 |
1.4 国内外研究现状 |
1.4.1 基于社会生态模型的体力活动相关研究 |
1.4.2 街道环境对体力活动影响的相关研究 |
1.4.3 研究现状评述 |
1.5 研究内容与方法 |
1.5.1 研究内容 |
1.5.2 研究方法 |
1.5.3 技术路线 |
1.5.4 研究框架 |
第2章 社会生态模型与街道体力活动的基础认知 |
2.1 社会生态模型内涵与应用解析 |
2.1.1 模型的内涵阐释 |
2.1.2 模型应用的基本原则 |
2.1.3 模型应用的优势 |
2.2 街道体力活动发展历程与困境 |
2.2.1 西方国家街道体力活动发展历程 |
2.2.2 我国街道体力活动发展历程 |
2.2.3 街道体力活动发展面对的困境 |
2.3 街道体力活动发展的应对与挑战 |
2.3.1 强调路权平等的共享街道 |
2.3.2 兼顾全使用者需求的完整街道 |
2.3.3 注重多类型用途的开放街道 |
2.3.4 应对公共卫生挑战的健康街道 |
2.3.5 街道体力活动发展的其他应对 |
2.3.6 街道体力活动发展面临的挑战 |
2.4 社会生态模型在街道体力活动研究中的应用分析 |
2.4.1 街道体力活动研究存在的难点 |
2.4.2 社会生态模型对街道体力活动研究的支撑 |
2.4.3 健康行为相关理论与社会生态模型的互补 |
2.5 本章小结 |
第3章 街道体力活动影响机理的理论模型构建 |
3.1 基于社会生态模型的影响因素构成 |
3.1.1 个体层面的影响因素 |
3.1.2 社会环境层面的影响因素 |
3.1.3 物质环境层面的影响因素 |
3.1.4 政策环境层面的影响因素 |
3.1.5 影响因素的归纳与解释 |
3.2 健康行为理论下的影响因素作用关系分析 |
3.2.1 健康信念理论下的作用关系分析 |
3.2.2 计划行为理论下的作用关系分析 |
3.2.3 自我决定理论下的作用关系分析 |
3.2.4 社会认知理论下的作用关系分析 |
3.3 作用关系梳理与影响机理的理论模型构建 |
3.3.1 影响因素各层面之间作用的整体关系梳理 |
3.3.2 个体行为心理因素的选取与具体关系梳理 |
3.3.3 各影响因素之间作用的具体关系梳理 |
3.3.4 影响机理的理论模型构建 |
3.4 本章小结 |
第4章 街道体力活动影响因素的问卷开发 |
4.1 各影响因素的问卷内容设计 |
4.1.1 个体层面影响因素的问卷内容设计 |
4.1.2 社会环境层面影响因素的问卷内容设计 |
4.1.3 物质环境层面影响因素的问卷内容设计 |
4.1.4 政策环境层面影响因素的问卷内容设计 |
4.2 街道体力活动的问卷内容设计 |
4.2.1 街道体力活动水平的表征方式分析 |
4.2.2 街道体力活动的数据获取方式分析 |
4.2.3 街道体力活动问卷的具体内容设计 |
4.3 深圳调研区域选取与数据收集过程 |
4.3.1 深圳街道基本情况与样本选取 |
4.3.2 问卷调研的方式及其实施过程 |
4.3.3 有效问卷筛选及数据整理 |
4.4 问卷各部分的信效度检验 |
4.4.1 检验方法与思路 |
4.4.2 行为心理因素部分的信效度检验 |
4.4.3 社会环境因素部分的信效度检验 |
4.4.4 物质环境因素部分的信效度检验 |
4.4.5 政策环境因素部分的信效度检验 |
4.4.6 街道体力活动部分的信效度检验 |
4.5 本章小结 |
第5章 影响因素的描述性分析与实证检验 |
5.1 深圳居民街道体力活动的描述性分析 |
5.1.1 受访居民的个体特征分析 |
5.1.2 受访居民的活动水平分析 |
5.1.3 个体特征引起的活动水平差异分析 |
5.2 深圳街道体力活动友好性的描述性分析 |
5.2.1 骑行基础设施短板拉低了整体水平 |
5.2.2 空间优化是提高可达性的主要问题 |
5.2.3 行为管理是影响安全性的重要因素 |
5.2.4 环境治理是愉悦性体验的必要保障 |
5.2.5 街道体力活动友好性的总结分析 |
5.3 各活动类型的影响因素实证检验 |
5.3.1 各活动类型的行为心理因素检验 |
5.3.2 各活动类型的社会环境因素检验 |
5.3.3 各活动类型的物质环境因素检验 |
5.3.4 各活动类型的政策环境因素检验 |
5.3.5 影响因素检验结果的归纳分析 |
5.4 本章小结 |
第6章 影响因素作用关系的实证检验与分析 |
6.1 检验分析的方法及思路 |
6.1.1 整体思路及参数控制 |
6.1.2 变量界定及题项打包策略 |
6.1.3 检验模型的转译 |
6.2 深圳各步行类型的影响因素作用关系检验 |
6.2.1 到工作地步行的影响因素作用关系检验 |
6.2.2 交通换乘步行的影响因素作用关系检验 |
6.2.3 满足生活需求步行的影响因素作用关系检验 |
6.2.4 休闲强身步行的影响因素作用关系检验 |
6.3 深圳各骑行类型的影响因素作用关系检验 |
6.3.1 到工作地骑行的影响因素作用关系检验 |
6.3.2 交通换乘骑行的影响因素作用关系检验 |
6.3.3 满足生活需求骑行的影响因素作用关系检验 |
6.3.4 休闲强身骑行的影响因素作用关系检验 |
6.4 影响因素作用关系及其作用效应分析 |
6.4.1 影响因素作用关系的归纳分析 |
6.4.2 影响因素作用效应的比较分析 |
6.4.3 物质环境因素的作用特点分析 |
6.4.4 物质环境各维度的作用效应分析 |
6.5 本章小结 |
第7章 个体特征对影响因素及其作用关系的调节分析 |
7.1 分析的方法及思路 |
7.1.1 个体特征对影响因素调节的分析方法及思路 |
7.1.2 个体特征对作用关系调节的分析方法及思路 |
7.2 个体特征对影响因素的调节分析 |
7.2.1 人口统计特征对影响因素的调节分析 |
7.2.2 社会经济特征对影响因素的调节分析 |
7.2.3 家庭情况特征对影响因素的调节分析 |
7.2.4 身体质量指数对影响因素的调节分析 |
7.2.5 个体特征调节能力的总结分析 |
7.3 个体特征对影响因素作用关系的调节分析 |
7.3.1 人口统计特征对作用关系的调节分析 |
7.3.2 社会经济特征对作用关系的调节分析 |
7.3.3 家庭情况特征对作用关系的调节分析 |
7.3.4 身体质量指数对作用关系的调节分析 |
7.3.5 个体特征的调节逻辑解析 |
7.4 本章小结 |
第8章 街道体力活动的影响机理认知与提升策略 |
8.1 街道体力活动的影响机理认知 |
8.1.1 作用能力是影响因素诠释的关键 |
8.1.2 协同合作是影响因素作用关系的本质 |
8.1.3 多层次调节是个体特征发挥作用的途径 |
8.2 提升深圳街道体力活动的整体策略 |
8.2.1 促进各层面因素的协同合作 |
8.2.2 注重城市规划各阶段的贯彻落实 |
8.2.3 强调物质环境的作用能力发挥 |
8.3 强化社会环境对行为心理的全作用力策略 |
8.3.1 提高居民对体力活动健康效益的认知 |
8.3.2 形成健康福祉关系深圳发展的认同 |
8.3.3 塑造积极的健康行为社区环境 |
8.4 激发物质环境的综合作用力策略 |
8.4.1 着力弥补骑行空间供给短板 |
8.4.2 有所侧重地优化已有设施 |
8.4.3 重视使用者的空间需求差异 |
8.4.4 以运维提升来保障空间品质 |
8.5 巩固政策环境的源驱动力策略 |
8.5.1 完善多层级规划导控体系 |
8.5.2 形成约束与鼓励兼并的行为引导 |
8.5.3 探索街道治理的深圳模式 |
8.6 本章小结 |
结论 |
参考文献 |
附录 |
附录A 街道体力活动研究的相关问卷梳理 |
附录B 调研区域的基本范围 |
附录C 街道体力活动影响因素调研问卷 |
附录D 问卷的信度检验结果 |
附录E 个体特征引起的活动水平差异分析结果 |
附录F 影响因素实证检验结果归纳 |
附录G 街道体力活动及其影响因素的协方差矩阵 |
附录H 个体特征对影响因素调节的分析结果 |
附录J 体力活动所带来的综合效益梳理 |
攻读博士学位期间发表的论文及其它成果 |
致谢 |
个人简历 |
(10)公共自行车系统运营规律及提前调度方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 用户出行特征及影响因素研究现状 |
1.2.2 公共自行车系统网点需求量预测研究现状 |
1.2.3 节点重要性评估研究现状 |
1.3 研究目标与研究内容 |
1.4 论文结构 |
第2章 公共自行车系统运营特征统计分析 |
2.1 研究区域概况 |
2.2 系统基础数据筛选 |
2.3 系统运营时间规律描述统计分析 |
2.3.1 系统运营时段规律分析 |
2.3.2 用户用车时长规律分析 |
2.4 不同类型网点运营规律描述统计分析 |
2.5 自然条件对用户用车影响分析 |
2.5.1 温度对用户用车情况影响 |
2.5.2 不同天气对用户用车情况影响 |
2.5.3 空气质量对用户用车情况影响 |
2.6 本章小结 |
第3章 基于BP神经网络模型的网点需求预测 |
3.1 理论方法介绍 |
3.1.1 输入输出向量设置 |
3.1.2 数据预处理 |
3.1.3 样本分区 |
3.1.4 参数设置 |
3.2 实例分析 |
3.3 本章小结 |
第4章 基于树形结构的节点重要性评估方法 |
4.1 KD-Tree与 KB-Tree的构建 |
4.1.1 KD-Tree构建方法 |
4.1.2 KB-Tree构建方法 |
4.1.3 基于网络图构造树实现过程 |
4.2 基于三度理论的深度影响力评估 |
4.2.1 理论基础 |
4.2.2 深度影响力评估方法 |
4.3 广度影响力评估 |
4.4 深度影响力与广度影响力的综合评价方法 |
4.5 基于ARPA网络的实证分析 |
4.6 基于公共自行车运营网络应用分析 |
4.7 本章小结 |
第5章 总结与展望 |
5.1 工作总结 |
5.2 研究展望 |
参考文献 |
致谢 |
在读期间公开发表论文(着)及科研情况 |
四、影响深圳市空气质量的天气因素分析(论文参考文献)
- [1]基于集成学习的大连市PM2.5影响因素分析与预测[D]. 王正宇. 大连理工大学, 2021(01)
- [2]基于公共安全视角的城市物流风险分析及预测研究[D]. 赵明静. 北京交通大学, 2021(02)
- [3]基于NDVI重构的广东省NDVI变化及其驱动因素分析[D]. 阮柱. 中国科学院大学(中国科学院广州地球化学研究所), 2021(01)
- [4]2005~2019年粤港澳大湾区吸收性气溶胶时空分布特征及影响因素研究[D]. 孙瑞弟. 西北师范大学, 2021(12)
- [5]基于激光雷达的华南城市群大气臭氧时空分布和输送特征研究[D]. 王馨琦. 安徽大学, 2021(02)
- [6]中国城市典型空气污染物时空分布特征与影响因素研究[D]. 赵秀玲. 中国科学技术大学, 2021(06)
- [7]东南沿海经济区PM2.5浓度的时空变化、影响因素及反演方法研究[D]. 梁丽思. 桂林理工大学, 2020(07)
- [8]暴雨天气下城市道路动态交通特征及交通流分配方法研究[D]. 计寻. 北京交通大学, 2021
- [9]基于社会生态模型的街道体力活动影响机理研究 ——以深圳为例[D]. 孙宇. 哈尔滨工业大学, 2021(02)
- [10]公共自行车系统运营规律及提前调度方法研究[D]. 杨雨鑫. 江西师范大学, 2020(10)