软件成本组合估算模型的3种权重系数确定法

综合互补神经网络和向量机的优缺点,在研究并构建基于RBF神经网络和RVM的软件成本组合估算模型的基础上,重点应用熵值法、二次规划法和方差-协方差法以确定该组合估算模型的权系数,最后采用COCOMO数据库数据为输入,通过实验验证3种权系数确定方法的合理性和精确性.

近20年来中国PM2.5污染演变的时空过程

本研究基于国控监测网络的PM2.5实测数据、MODIS AOD数据以及气象参数(温度、风速、风向、边界层高度和相对湿度),综合考虑AOD与PM2.5关系的季节性和区域性差异,构建了基于支持向量回归机(ε-SVR)与思维进化算法优化后的BP神经网络(MEC-BP)的二阶段PM2.5浓度组合估算模型.在此基础上,分析了2000~2017年中国PM2.5浓度的时空变化过程.结果表明,本研究提出的二阶段组合估算模型提供了中国2000~2017年内空间分辨率为1°×1°的月度近地面PM2.5浓度的可靠估算,有效地弥补了中国地面监测网络在时间和空间上的空白(模型的决定系数R2为0. 838,均方根误差RMSE为11. 512μg·m-3,平均绝对百分比误差MAPE为14. 905%,均方百分比误差MSPE为0. 243%,绝对误差MAE为6. 476μg·m-3,均方误差MSE为132. 519μg·m-3).时间变化过程分析结果表明:①2014年是2000~2017年内中国PM2.5浓度从持续缓慢上升到快速下降的关键转折点,其中,从2014年开始,PM2.5浓度较高的北部沿海、东部沿海和长江中游地区的PM2.5污染情况改善较明显.②然而,在研究时间范围内,全国仍有超过65%的区域PM2.5年均浓度超过了二级限值(35μg·m-3),虽然全国PM2.5污染情况有一定程度地改善,但是空气污染形势依然严峻.

2000~2019年中国PM2.5时空演化特征

本研究利用PM2.5实测数据、MERRA-2 AOD与PM2.5再分析数据、气象因子和夜间灯光等数据,基于极限梯度提升、梯度提升、随机森林模型和Stacking模型融合技术提出了PM2.5浓度组合估算模型.在此基础上,从年、季、月尺度综合分析了2000~2019年中国PM2.5时空变化特征.结果表明:(1)组合模型实现了中国2000年以来PM2.5逐月浓度的可靠估算.(2)2000~2019年中国PM2.5年均浓度呈快速增加→保持稳定→显著下降的趋势,2007年和2014年分别为增加到稳定和稳定到下降的转折点.PM2.5月均浓度呈先降后升的"U"型趋势,最小值在7月,最大值在12月.(3)自然地理条件和人类活动奠定了中国PM2.5浓度年度空间格局变化的基础,气象条件的逐月变化决定了PM2.5浓度月度空间格局变化的主基调.(4)2000~2014年中国PM2.5浓度的标准差椭圆中心向东移动,2014~2018年椭圆中心向西移动.1~3月椭圆中心向西移动,4~9月椭圆中心先北移后南移,9~12月椭圆中心向东移动.