分数(g,f)-因子覆盖图(英文)

一个图称为分数(g,f)-因子覆盖图,如果图G中的任何一条边e都包含在 一个分数(g,f)-因子中,并且满足h(e)=1,其中h是分数(g,f)-因子的导出函数。本文 给出了一个图是分数(g,f)-因子覆盖图的充要条件.

二部图的因子覆盖与因子消去

一个图G称为(g,f)-因子覆盖的,如果G的任何边都属于G的某个(g,f)-因子.G称为(g,f)-因子消去的,若对图G的任何边e,G-e含有(g,f)-因子.特别地,对任何x∈V(G),有f(x)≡g(x)时,G相应地称为f-因子覆盖图和f-因子消去图.通过利用二部图(g,f)-因子和f-因子的存在性定理,作者分别讨论了二部图是(g,f)-因子覆盖、(g,f)-因子消去、f-因子覆盖和f-因子消去的充分必要条件.

最小1-因子覆盖集的若干结果(英文)

假设G是一个1-可扩图．G的1-因子覆盖是G的某些1-因子的集合M使得∪M∈M M=F（G）．1-因子数目最小的1．因子覆盖称为excessive factorization．一个excessive factorization中的1．因子数目称为图G的excessive index，记为x：（G）．本文我们基于G的耳朵分解和E（C）的依赖关系给出了X＇e（G）的上界．对任意正整数k≥3，我们构造出一个图G使得A（G）=3而X＇e（G）=k．进而，我们考虑了乘积图的excessive index．

图的因子覆盖和消去及其对偶性(英文)

给出一般图的奇偶 (g ,f)_因子覆盖和消去的充要条件 。

关于图的星形因子覆盖

如果图 G 的支撑子图 M 的每个分支都同构于{K_(1,1)K_(1,2,)…,K_(1,k}(k≥2)中的某个 K_(1,i),则 M(?)叫做 G 的星形因子。进一步,如果对于图 G 的每一条边都存在一个星形因子包含这条边,则称图 G 是星形因子覆盖的。本文给出了图是{P_2,P_3}一因子覆盖的充要条件,并证明了任意正则图均存在星形因子覆盖。

路因子临界覆盖图存在的若干充分条件

设G是一个图,如果G的支撑子图F的每个分支都是一条路,则称F是路因子.P_(≥t)-因子表示每个分支至少含有t个顶点的路因子.对于任意e∈E(G),如果图G存在P_(≥t)-因子包含边e,则称图G是P_(≥t)-因子覆盖的.对于图G的任意顶点子集S,|S|=k,如果G-S是P_(≥t)-因子覆盖的,则称G是P_(≥t)-因子临界覆盖的.本文考虑P_(≥t)-因子临界覆盖图存在的几个充分条件,且通过给出极图说明在某种意义下给出的界是最好的.

黄土高原土壤侵蚀作物覆盖因子计算

土地利用方式以及不同农作物对土壤流失有明显的影响 ,定量评价不同作物在土壤流失中的作用 (作物覆盖因子 )是土地利用和水土保持规划的重要依据。研究的目的在于计算黄土高原主要农作物不同生长阶段的土壤流失强度与裸露地的比率 ,为计算土壤侵蚀作物覆盖因子应用。通过对甘肃天水和陕西安塞水土保持试验资料的分析 ,计算了 7种主要作物 6个农作期的土壤流失比率表 ,并对黄土高原 7种作物覆盖因子进行了计算 ,其值在 0 .2 3～ 0 .74之间 ,按此方法计算的作物覆盖因子值与观测多年平均土壤流失比率基本一致。但该方法的优势在于可以根据土壤流失比率表和不同的降雨侵蚀力分布曲线计算不同地区的 C值 。

基于多因子层次覆盖模型的潜在土壤侵蚀等级评价——以内蒙古林西县为例

以内蒙古林西县作为研究案例,采用降雨侵蚀力、主要地形体、土壤可蚀性、植被盖度及水土保持措施等参数,利用TM影像、DEM、土壤类型图、土地利用类型图等地理辅助数据与地面实测土壤理化性质及多年降水数据,在GIS与RS技术支持下,对5个单因子作用下研究区潜在水土流失风险进行评价。并基于多因子层次覆盖评价模型,对复合因子及多因子综合作用下研究区潜在水土流失状况进行评价。结果表明:地形、土壤与植被盖度3个因子对土壤侵蚀的贡献量较大,土地利用方式与降雨强度对土壤侵蚀的贡献量较小。5个因子综合作用的结果是:林西县有近77%的土地面积面临强度及强度以上水土流失的危险。其中轻度及微度水土流失面积占总土地面积的比例较小,二者共占总土地面积比例14.8%,主要分布在林西县西北部的中高山坡度较低地区;强度水土流失占22.8%,主要发生在北部的中山区及中部的河谷平川区;极强度水土流失占43.8%,主要发生在中部及南部低山丘陵区;剧烈水土流失面积占10.8%,集中分布在北部中山高坡区。

基于多因子层次覆盖模型的城市公共绿地服务功能等级评价——以北京市规划市区内公共绿地为例

以北京市规划市区内公共绿地作为研究区,采用热岛、容纳避难人口数量、绿地率、每年吸收二氧化碳数量、每年释放氧气数量等参数,利用TM影像等地理辅助数据与2005年园林绿化普查资料,在GIS与RS技术支持下,对5个单因子作用下研究区公共绿地服务功能进行评价;并基于多因子层次覆盖评价模型,对复合因子及多因子综合作用下研究区公共绿地服务功能进行评价。结果表明:五个因子综合作用的结果是:在北京规划市区内的没有服务功能很差的公共绿地,服务功能差的公共绿地面积占到23.6%,服务功能中级的占45.1%,服务功能好的占29.1%,服务功能很好的占2.1%。

基于叶面积指数的植被覆盖管理措施因子C的遥感定量估算

以植被结构因子——叶面积指数(LAI)取代长期以来用于水土保持定量评价的植被覆盖度,通过遥感技术反演植被结构因子LAI,构建研究区LAI与植被覆盖管理措施因子C量化耦合模型,并进行模型精度验证。结果表明:基于LAI模拟的土壤侵蚀模数为455.89t·km-2a-1,属于微度侵蚀,与径流小区野外观测结果一致。本文提出的LAI取代植被覆盖度作为水土保持定量估算与评价指标是可行的。

三峡库区紫色土坡地作物覆盖与管理因子C值估算

种植和管理因子C值作为地表覆盖和耕作管理的关键参数,对我国土壤侵蚀预报模型的基础研究具有重大意义。通过分析三峡库区紫色土坡地玉米、花生等主要农作物的农作期、种植模式、降雨侵蚀力的年内分布以及不同农作期的土壤流失比率,计算得到了22种种植模式下的作物覆盖管理因子C值。结果表明:C值变化范围为0.16～0.65,不同种植模式的C值差别较大,其大小排序为:间/轮作<轮作<单作。在同种种植模式下,生长期和降雨侵蚀力的分布是导致差异的主要原因,而不同种植模式下,间/轮作、轮作可调整作物生长期和降雨侵蚀力分布的组合,使土壤流失率与农作期EI的乘积较小,其中间/轮作情况下土壤侵蚀可能性最小。将计算所得的大部分结果与观测结果和其他经验公式的计算结果进行了比较,基本相符。因此可以利用通用流失方程(USLE)结合降雨侵蚀力分布及作物生长周期和覆盖度变化计算所得的C值定量评价不同种植模式与清耕休闲情况的土壤侵蚀的对比。该研究为三峡库区紫色土坡地土壤侵蚀评价提供了依据。

USLE／RUSLE中植被覆盖与管理因子研究进展

通用土壤流失方程(USLE)及修正通用土壤流失方程(RUSLE)是世界范围内应用最广泛的土壤侵蚀预报模型,模型中C因子表示植被覆盖和管理措施对土壤侵蚀的作用,是人为控制土壤侵蚀的重要因子。回溯了C因子发展演变历程,依据国内外最新研究成果,系统阐述了不同尺度C因子估算方法。在小区、坡面、小流域尺度上,C因子确定主要依赖于野外实验观测,研究条件的一致性尤其是标准小区的统一是C因子值可比性的前提。流域、区域尺度C因子确定通常需要利用遥感影像,遥感技术的发展促进了流域、区域尺度C因子估算方法的进步,使提取的C因子图更加精细、准确,但是使用遥感数据全面刻画C因子含义仍然是一大挑战,因此仍需加强C因子相关研究。共归纳了10种确定C因子的方法,介绍了不同方法的优缺点及适用条件,提出了我国C因子研究应加强的工作,希望为相关领域研究者提供参考。

基于混合像元分解的海坛岛植被覆盖度因子研究

在USLE/RUSLE中,降雨侵蚀力与地表植被覆盖度因子具有季节变化特征.本研究考虑到两者的时空耦合性,采用基于混合像元分解的计算方法,得到了海坛岛不同月份的地表植被覆盖度因子C i值(第i月的地表植被覆盖度因子值)和不同地类的年植被覆盖度因子C值,为岛内土壤侵蚀预报和水保工作提供参考.对第i月的地表NDVI i值与年C/C i值进行分析,发现它们呈现较好的线性关系,用SPSS软件进行回归分析得到两组线性回归参数.年C值与11月份的地表NDVI拟合程度最好,NDVI i与C i值的拟合程度好于年C值与NDVI i.最后得到海坛岛通用的C i值估算模型C i=1.007-1.119·NDVI i,该模型的决定系数达到0.8,可用于计算岛内各月份的C i值.

融合多因子层次覆盖模型的绩效指标体系推进高校教育信息化建设

针对目前高校教育信息化建设科研性低、教育成本投入多的问题,设计一种融合多因子层次覆盖模型的绩效指标体系推进高校教育信息化建设方法。选取高校中绩效指标,引入三维模型,构建融合多因子层次覆盖模型绩效指标体系,从而推进高校教育信息化建设。实例分析结果表明,绩效指标体系推进后的高校教育信息化建设比推进前的科研比重高,并且在教育成本投入上比推进前成本投入少,证明绩效指标体系能够推进高校教育信息化建设。

天山北坡中段山区植被覆盖管理措施因子的时空格局动态变化

植被覆盖管理措施因子(Vegetation cover and management factor,以下简称C因子)是评估植被因素抵抗土壤侵蚀的能力及准确估算土壤侵蚀模数的重要参数,而区域尺度C因子高质量时间序列的准确估算和空间特征对于土壤侵蚀预测、水土保持规划尤为重要。为研究天山北坡中段山区C因子时空动态,采用线性光谱混合模型(Linear Spectral Mixture Model,LSMM)、像元二分模型、增强型自适应反射率时空融合模型(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model,ESTARFM)等方法计算C因子,定量分析2000—2018年研究区C因子的时空格局特征,并对不同土地利用类型的C因子进行分析。结果表明,时间上,2000—2018年C因子总体呈现先上升后下降的趋势,不同时段C因子值不同,表现为秋季>春季>夏季、旱季>雨季。空间上,南部高山区(海拔>3000 m)的C因子值较高,北部中低山丘陵区(2000 m<海拔<3000 m)的C因子值较低。C因子值的分布与土地利用类型关系密切,表现为裸土地>其他林地>采矿用地>内陆滩涂>其他草地>农村宅基地>灌木林地>旱地>天然牧草地>风景名胜设施用地>水浇地>人工牧草地>乔木林地。本研究探究C因子遥感定量估算方法,分析不同土地利用格局对C因子的影响,为开展大尺度C因子的准确估算及不同土地利用格局水土保持效益的综合评价提供了参考。

闽西红壤区植被覆盖及管理因子与水土流失强度关系分析

以福建省西部的武平县中山镇为例,运用RS和GIS等相关技术软件提取土地利用、坡度、植被覆盖度、经营管理措施等信息,通过GIS空间叠加分析,获取当地水土流失斑的强度分布特征。研究发现:当地水土流失强度分布特征除了与当地植被覆盖度有关,更与植被后期管理经营密切相关;在一些高植被覆盖度地区如马尾松林地、水源涵养林地等区域,由于经营管理不当也分布相当程度的水土流失。

南方红壤区植被覆盖因子估算模型构建与验证

研究红壤区植被覆盖因子变化规律、构建植被覆盖因子计算模型可为该区域水土流失防治及动态监测提供科学依据。该研究基于广东省五华县水土保持试验推广站200余场降雨试验观测数据,分析了影响水土流失的各关键因子与次降雨土壤侵蚀模数(Individual Rainfall Event Soil Erosion Modulus,ISEM)间定量关系,基于中国土壤流失方程计算了系列次降雨事件不同植被覆盖度对应植被覆盖因子值,构建了植被覆盖因子值与植被覆盖度间数学模型,从点、面2个尺度对模型计算精度进行了验证。结果表明:1)ISEM随植被覆盖度增加而降低;ISEM与雨前土壤表层含水率间存在显著正相关对数关系;ISEM随坡度增加呈先增后减的变化规律;ISEM随次降雨量、次降雨侵蚀力和次降雨径流深呈显著正相关线性变化关系。2)构建了植被覆盖因子值与植被覆盖度间二阶指数衰减模型,该模型决定系数和纳什系数分别达0.947和0.876。点尺度验证结果表明90%样本模型计算值与观测值相对误差均小于0.30;面尺度验证结果表明,70%~80%的植被覆盖因子计算值相对误差不超过0.1。总体而言,该模型计算精度较为理想,但由于研究对象典型的时空尺度特征,仍需要更多观测数据对该模型进行完善和验证。研究成果可为深入理解红壤区土壤侵蚀规律、水土流失动态监测提供有益参考。

关于｛P_2,C_i|i≥3｝-覆盖图

设 Ｇ是一个图，若对于 Ｇ的任意一边 Ｇ都有｛Ｐ_２，Ｃｉ｜ｉ－＞３｝－因子含有这条边，则称Ｇ是｛Ｐ_２，Ｃｉ｜ｉ－＞３｝－覆盖图．本文给出连通非二分图Ｇ是｛Ｐ２，Ｃｉ｜ｉ－＞３｝－覆盖图的充要条件为任给Ｓ■Ｖ（Ｇ），Ｖ（Ｇ）≠Ｓ≠■有ｉ（Ｇ－Ｓ）＿＞｜Ｓ｜－１成立．

浙江省水土流失动态监测中农村建设用地B因子赋值研究

农村建设用地的植被覆盖与生物措施因子即B因子,在使用中国土壤流失方程模型进行区域水土流失动态监测中具有非常关键的作用。按照浙江省水土保持三级区划,在区划范围内随机选择县(市、区)和自然村作为样本,采用高精度无人机遥感影像,详细调查并解译了农村建设用地地块内部的土地利用构成,依据相同的技术路线和赋值方法,重新计算整个地块的B因子,根据自然村的位置分区、海拔、地形和面积分布情况等不同维度因素,探讨不同的农村建设用地B因子值的分组统计方法,分析不同因素可能对B因子值的影响。结果表明:3个因素均不会对B因子值产生较为明显的影响,影响更大的还是农村建设用地内部的地物结构,这是后续新农村建设和水土流失防治工作中需要重点关注的方向;修订浙江省B因子值为0.016,较全国标准化赋值0.025减少36%,采用修订后的数据计算,2021年的农村建设用地水土流失面积将减少14%。

基于NB-IoT网络覆盖的最小投资方法研究

构建了NB-IoT网络与需求满足度的评估体系,该体系基于有4G覆盖区域的A-GPS MR数据和无覆盖区域的仿真预测,考虑了网络制式的覆盖差异因子、不同典型场景覆盖差异因子及不同承载频率的覆盖差异因子,形成20×20 m的、可迭代更新的底层NB-IoT网络覆盖数据库,并利用最小投资算法成功实现NB-IoT网络与市场满足度评估以及最小开站规模评估,实现网络覆盖评估和投资效益最大化,加快5G的mMTC场景应用业务推广。