基于机器学习的大气NO_(2)浓度预测模型

传统的NO_(2)监测存在响应时间滞后等问题,准确预测大气NO_(2)浓度对于环保政策制定和空气质量改善至关重要。大气NO_(2)水平与地区的气象条件、工业污染排放、社会经济发展情况等多个因素相关联,因此NO_(2)污染具有显著的区域差异。近年,机器学习被广泛应用于环境质量要素预测,其中极端梯度提升树(XGBoost)算法在分析、挖掘数据关系上具有优势。本研究搜集了2011—2022年大连市11个区县的大气NO_(2)浓度与气象、工业排放、社会经济因素的年度数据,通过时间滑动策略,结合XGBoost算法构建了空间异质的未来时间NO_(2)预测模型。模型对大连市各区域2021年与2022年NO_(2)浓度预测结果的决定系数(R^(2))达到0.611,具有良好的预测性能与泛化能力。使用沙普利加和解释(SHAP)对关注的多个因素进行分析,结果表明,污染排放氨氮、社会消费品零售额、污染排放氮氧化物与NO_(2)浓度呈现正相关。

基于计划行为理论的大学生垃圾分类行为问卷编制

为顺应绿色发展、和谐发展的要求,城市生活垃圾分类工作在全国有序推进。为探索垃圾分类行为的结构,自编大学生垃圾分类行为问卷并进行信效度检验。基于计划行为理论,结合态度ABC理论及态度–行为–情景理论,确定垃圾分类行为的多维度模型。严格遵照心理测量学问卷编制的一般流程进行问卷编制,最终获得信效度优越、模型适配良好的大学生垃圾分类行为问卷。问卷由31个项目组成,涵盖行为认知、行为情感、行为意向、感知行为控制、主观规范、外部情景因素等6个维度。可作为大学生垃圾分类行为研究领域科学的标准化评估工具,为量化大学生的垃圾分类行为提供工具和方法参考,也为标准化问卷工具在垃圾分类的行为研究领域中进一步推广到更广大的研究对象上做出了有益探索。

大学生对垃圾分类的外显和内隐态度研究

为探究大学生对垃圾分类的外显和内隐态度,采用语义差分量表测量75名大学生的外显态度。采用经典内隐联想测验(Implicit Association Test, IAT),集中测量武汉市某高校72名大学生对垃圾分类的内隐态度。结果表明,大学生对于垃圾分类表现出积极的外显态度(t = 2.154, P 【0.01);积极的内隐态度(t = −11.636, P 【0.01)。且外显和内隐态度相互独立,不存在显著的相关关系(P = 0.5)。结果说明大学生对垃圾分类的外显和内隐态度一致呈现积极倾向。

囧小孩儿日记

那天,我和妈妈还有姐姐一起回家,由于一直等不到电梯,我就独自先爬楼梯上去了。我爬到三楼后,在电梯门口摆好了一个搞笑的造型,想要给妈妈和姐姐一个惊喜。但是我们家在四楼,而我却没有发现爬错了楼层。我一直摆着造型却没有等来妈妈和姐姐。