浅析大学生自卑心理的产生及防治

大学生的自卑心理,不仅影响着个人的学习与成长,也造成了校园人际关系的紧张与恶化,已成为学校德育不可忽视的一个突出问题。研究与了解大学生自卑心理的主要表现以及形成的基本原因,并采取积极有效的预防与矫治措施,以保证大学生健康地成长,就成为高校思想政治教育面临的一个重要而又紧迫的课题。

基于梯度提升算法的近地面臭氧浓度估算比较

提出了一种基于梯度提升树优化的近地面O_(3)浓度时空分布估算模型.基于O_(3)地面观测站点数据、高分辨率大气成分卫星数据(TROPOMI、AIRS)、ERA5气象再分析资料、以及地表覆盖和地形数据,本文研究了京津冀地区近地面O_(3)与对流层O_(3)及其前体物、气象因素、以及下垫面资料之间的相关关系,对比分析了不同梯度提升树算法模型(GBDT、XGBoost、LightGBM)的估算精度.结果表明,3种模型整体上均可对近地面O_(3)进行精确估算,GBDT、XGBoost、LightGBM的决定系数R^(2)分别为0.9489、0.9547、0.9495,均方根误差RMSE分别为13.85,13.26,13.76μg/m^(3),XGBoost模型的精度相对最高;通过采用过滤法、相关性分析法以及递归特征消除法筛选特征,对XGBoost估算模型进行了优化,在保证模型精度前提下,降低了特征复杂度,优化后模型估算精度可达到R^(2)=0.9549,估算速率提升了约17%,为区域尺度O_(3)浓度时空分布建模与估算提供了一个精细而高效的方法模型.

大学生生命教育的有效方式初探

有效开展大学生生命教育,一个重要的方面在于,积极探求与实施一套切实可行,行之有效的教育方式与方法。突出的是,整体安排,搞好学校教学计划;突出重点,做好心理咨询引导;拓展渠道,建立网络教育平台;强化理念,组织全员参与教育;注重实践,开展各种实际活动。

基于多源数据和机器学习方法的大兴安岭地区雷击火驱动因子及火险预测模型

【目的】基于长时间序列多源数据,开展雷击火驱动因子分析,采用机器学习方法构建动态、高分辨率雷击火火险预测模型,为雷击火防控提供支撑。【方法】分析大兴安岭地区2010—2020年雷击火时空分布规律,基于闪电监测数据、卫星遥感数据、气象再分析资料、DEM等多源数据选取闪电、气象、植被、地形4类18个雷击火潜在驱动因子,研究其特征及与雷击火发生的关系;提取历史雷击火点和随机生成的非雷击火点对应的驱动因子,构建原始样本集,计算各驱动因子的重要性和相关性矩阵进行驱动因子挑选;基于优化后的训练样本集,采用梯度提升决策树(GBDT)、随机森林(RF)和极端随机树(ERT)3种集成学习模型进行雷击火火险预测能力评估,选择表现最优的方法用于构建大兴安岭地区雷击火火险预测模型并应用。【结果】2010―2020年大兴安岭雷击火出现次数最多和最少的年份分别为2015和2012年,主要集中于5―7月,发生时段主要集中于10:00―17:00;雷击火高发区为漠河县、塔河县、新林区和呼中区。闪电与雷击火的空间分布基本一致,但闪电越多雷击火发生次数不一定越多,2011年闪电次数最多,为114632次,雷击火仅出现11次。在闪电强度为-20~-40 kA、陡度为-4~-8 kA·μs-1、相对湿度小于40%、降水量小于4 mm、气温大于29℃、大气压为91~95 kPa且风速为1~3 m·s-1的气象条件下更易发生雷击火。NDVI(归一化植被指数)、GPP(总初级生产力)、Et(蒸散量)、NPP(净初级生产力)大小与雷击火发生呈正相关。雷击火在海拔300~900 m、坡度0~12°范围内出现次数较多,坡向对雷击火发生影响不大。特征选择后剩余13个特征参量分别参与3种集成学习算法模型构建,其中,ERT模型预测能力最好,其AUC达0.97,查准率、查全率和F1 Score均高于GBDT和RF模型。ERT模型预测的高风险区与实际雷击火点分布区的空间一致性很好。【结论】利用多源大数据,尤其是卫星观测数据,获取更多与雷击火发生有关的潜在驱动因子,并依靠机器学习,能够较好体现因子间非线性关系及自行学习参数间复杂关系能力的优势,本研究构建的雷击火火险预测模型具备很好的泛化性、自适应性和较高的空间分辨率。

谈高校消防安全管理对策

面对新时期高校消防安全管理,找准高校消防事故集中高发地带的消防安全根源所在,提出适应性对策,通过建立消防安全领导体制,加强全员消防,定期组织校园消防安全文化宣贯,健全安全管理体制,加大消防检查与隐患整改,加强高校消防基础设备配置等措施,为高校消防安全构筑一道严密的防火墙。

基于集成学习方法的中国近地面臭氧浓度时空分布

自2013年大气污染防治行动以来,PM_(2.5)、PM_(10)、SO_(2)、NO_(2)等空气污染物浓度都有不同程度下降,但臭氧污染仍有上升趋势,臭氧污染已成为制约中国空气质量持续改善的关键问题。地基站点可以提供空间上特定点的臭氧浓度,但无法获得近地面臭氧连续的空间分布。由于臭氧大量分布于平流层,遥感卫星反演的臭氧柱浓度产品仅能反映整层臭氧柱浓度,但整层臭氧柱浓度与近地面浓度无明显相关性,因而无法体现近地面臭氧浓度。本文综合地基监测数据、再分析资料、卫星产品,采用不同的模型方法,得到近地面臭氧浓度的时空分布,结果表明集成学习方法可以准确估算近地面臭氧在空间上的分布状况和在时间上的变化趋势。本文对比了梯度提升回归树(GBRT)、极端随机树(ERT)、极端梯度提升器(XGBoost)3种不同的集成学习方法在近地面臭氧污染估算的效果表现,3种集成学习方法在2019年—2020两年的十折交叉验证R^(2)都在0.89以上,极端梯度提升器(XGBoost)方法在RMSE、MAE指标上有最好的表现,2019年—2020年两年的平均RMSE、MAE分别为15.77μg/m^(3)、10.53μg/m^(3),但基于极端随机树(ERT)方法获得的近地面臭氧空间分布更加连续自然。因此最终选择极端随机树(ERT)方法估算得到中国近地面臭氧浓度数据集,并在此基础上进行时空分析。由于中国政府实施积极的减排措施的及疫情影响,臭氧浓度多年来的上升趋势得到了逆转,2020年臭氧年均值为107.41±18.6μg/m^(3),较去年平均值109.26±19.71μg/m^(3),有所减少。时间上,每年的5—9月气温较高,光化学反应剧烈,因而臭氧高污染事件频繁发生。空间上,京津冀地区、长三角地区、珠三角地区、成渝地区等城市群显著高于周围其他区域,是臭氧污染防治的重点区域。