检索结果-南通市图书馆

城市空间水体热环境效应研究——以重庆市主城七区为例

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

西安理工大学学报 2024年第1期40卷 15-26页

作者：杨清源邓睿汤伟宏张用川重庆交通大学智慧城市学院重庆400074 安徽农业大学林学与园林学院安徽合肥230036

水体作为地表热环境的重要敏感因子,对缓解热环境效应具有重要作用。基于2003、2011和2019年土地覆被数据与热环境指数数据,以重庆市主城七区为例,将景观格局与热环境相结合,利用空间分析和相关性分析探究地表重要覆被对水体降温能力的... 详细信息

水体作为地表热环境的重要敏感因子,对缓解热环境效应具有重要作用。基于2003、2011和2019年土地覆被数据与热环境指数数据,以重庆市主城七区为例,将景观格局与热环境相结合,利用空间分析和相关性分析探究地表重要覆被对水体降温能力的影响以及水体对热环境效应的具体调控机制。结果表明:①水体相比裸地、植被、建成区覆被类型,其热环境指数处于最低水平,与热环境效应呈显著的负相关性,有良好的降温效果,且单位水体比单位植被降温作用更强;②水体与植被之间存在相互作用,且随着植被比例增加,水体的降温效果越差;在非城市用地中,植被的降温效果最好,随着城市发展密度的增加,水体的降温效果也逐渐增强,超越植被调节热环境的能力;③水体自身热环境与水体形状指数无关,与面积、长度、宽度、深度因素有关,且在一定范围内,随着面积、长度、宽度和深度的增加,降温效果有所提升;④随着缓冲距离的增大,水体的降温效果逐渐下降,河流的最佳降温范围为200 m左右,水塘和水库的有效降温范围在300 m左右。为促进城市热环境的改善,未来应因地制宜利用城市空间增加绿化、加强水体循环等机制来缓解城市热环境效应,实现城市生态的稳定和可持续发展。

关键词：水体植被热环境效应降温机制重庆市主城七区

基于多模态数据融合的典型路网POI自动识别

在线全文

学校读者我要写书评

暂无评论

测绘地理信息 2024年第3期49卷 1-7页

作者：刘纪平王勇龙彩霞刘万增张用川王艳东中国测绘科学研究院北京100036 重庆交通大学智慧城市学院重庆400074 国家基础地理信息中心北京100036 武汉大学测绘遥感信息工程国家重点实验室湖北武汉430079

针对路网兴趣点(point of interest,POI)数据传统获取方法人工依赖高、成本高、效率低等问题,基于遥感影像和车辆轨迹数据融合提出了一种典型路网POI自动识别方法。该方法通过卷积神经网络(convolutional neural network,CNN)提取遥感... 详细信息

针对路网兴趣点(point of interest,POI)数据传统获取方法人工依赖高、成本高、效率低等问题,基于遥感影像和车辆轨迹数据融合提出了一种典型路网POI自动识别方法。该方法通过卷积神经网络(convolutional neural network,CNN)提取遥感影像中的道路几何特征,并利用循环神经网络(recurrent neural network,RNN)有效捕捉车辆轨迹隐含的道路交通特征,最后通过神经网络,实现从多模态数据中识别路网中红绿灯路口、加油站、停车场等兴趣点。本研究以2019年重庆市中心城区道路兴趣区域的400张遥感影像数据和40000条出租车轨迹数据作为训练样本进行了实验验证。结果表明,对比单一使用车辆轨迹数据的算法,该算法识别精度提高了近11.83%;对比单一使用遥感影像数据的算法,该算法识别精度提高了近2.53%。

关键词：遥感数据车辆轨迹数据深度学习特征提取路网POI 多模态数据融合

基于多机器学习模型的逐小时PM浓度预测对比

在线全文

学校读者我要写书评

暂无评论

南京林业大学学报(自然科学版) 2022年

作者：陈建坤牟凤云张用川田甜王俊秀重庆交通大学智慧城市学院

【目的】比较分析XGBoost模型、LightGBM模型、随机森林模型(RF)、K最近邻模型(KNN)、长短期记忆神经网络(LSTM)、决策树模型(DT)共6个PM浓度预测模型，以准确、及时预测环境PM浓度。【方法】基于重庆市合川区2020年全年空气质量监测数...

【目的】比较分析XGBoost模型、LightGBM模型、随机森林模型(RF)、K最近邻模型(KNN)、长短期记忆神经网络(LSTM)、决策树模型(DT)共6个PM浓度预测模型，以准确、及时预测环境PM浓度。【方法】基于重庆市合川区2020年全年空气质量监测数据和气象数据，通过最大相关最小冗余算法(MRMR)进行数据降维选择最优特征子集，作为模型的输入，逐一进行PM浓度预测；考虑到不同季节下PM浓度差异较大，故分季节预测了PM浓度；为了探究各模型预测性能，计算了各模型运行时间和内存占用，并基于PM与特征变量的相关性和特征变量的重要性探讨了模型预测性能季节性差异原因。【结果】模型总体预测精度排序为XGBoost、RF、LightGBM、LSTM、KNN、DT模型；预测性能方面，6个模型均表现为秋冬季节预测精度高于春夏季节；LightGBM模型可在保证模型精度的情况下，大幅减少模型训练时间和内存占用；特征重要性显示PM浓度、气温和气压的重要性高，O浓度、风向和NO浓度重要性相对较弱。【结论】采取MRMR方法进行数据降维选取的最优特征子集能较好地预测PM浓度；相比较而言，XGBoost、RF、LightGBM、LSTM模型在PM浓度预测上具有较高性能。

关键词：

城市空间水体热环境效应研究——以重庆市主城七区为例

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

西安理工大学学报 2023年

作者：杨清源邓睿汤伟宏张用川重庆交通大学智慧城市学院安徽农业大学林学与园林学院

水体作为地表热环境的重要敏感因子，对缓解热环境效应具有重要作用。基于2003、2011和2019年土地覆被数据与热环境指数数据，以重庆市主城七区为例，将景观格局与热环境相结合，利用空间分析和相关性分析探究地表重要覆被对水体降温能... 详细信息

水体作为地表热环境的重要敏感因子，对缓解热环境效应具有重要作用。基于2003、2011和2019年土地覆被数据与热环境指数数据，以重庆市主城七区为例，将景观格局与热环境相结合，利用空间分析和相关性分析探究地表重要覆被对水体降温能力的影响以及水体对热环境效应的具体调控机制。结果表明：（1）水体相比裸地、植被、建成区覆被类型，其热环境指数处于最低水平，与热环境效应呈显著的负相关性，有良好的降温效果，且单位水体比单位植被降温作用更强。（2）水体与植被之间存在相互作用，且随着植被比例增加，水体的降温效果越差；在非城市用地中，植被的降温效果最好，随着城市发展密度的增加，水体的降温效果也逐渐增强，超越植被调节热环境的能力。（3）水体自身热环境与水体形状指数无关，与面积、长度、宽度、深度因素有关，且在一定范围内，随着面积、长度、宽度和深度的增加，降温效果有所提升。（4）随着缓冲距离的增大，水体的降温效果逐渐下降。河流的最佳降温范围为200 m左右，水塘和水库的有效降温范围在300 m左右。为促进城市热环境的改善，未来应因地制宜利用城市空间增加绿化、加强水体循环等机制来缓解城市热环境效应，实现城市生态的稳定和可持续发展。

关键词：水体植被热环境效应降温机制重庆市主城七区

基于多机器学习模型的逐小时PM_(2.5)浓度预测对比

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

南京林业大学学报（自然科学版） 2022年第5期46卷 152-160页

作者：陈建坤牟凤云张用川田甜王俊秀重庆交通大学智慧城市学院重庆400074

【目的】比较分析XGBoost模型、LightGBM模型、随机森林模型(RF)、K最近邻模型(KNN)、长短期记忆神经网络(LSTM)、决策树模型(DT)共6个PM_(2.5)浓度预测模型,以准确、及时预测环境PM_(2.5)浓度。【方法】基于重庆市合川区2020年全年空... 详细信息

【目的】比较分析XGBoost模型、LightGBM模型、随机森林模型(RF)、K最近邻模型(KNN)、长短期记忆神经网络(LSTM)、决策树模型(DT)共6个PM_(2.5)浓度预测模型,以准确、及时预测环境PM_(2.5)浓度。【方法】基于重庆市合川区2020年全年空气质量监测数据和气象数据,通过最大相关最小冗余算法(MRMR)进行数据降维选择最优特征子集,作为模型的输入,逐一进行PM_(2.5)浓度预测;考虑到不同季节PM_(2.5)浓度差异较大,故分季节预测了PM_(2.5)浓度;为了探究各模型预测性能,计算了各模型运行时间和内存占用,并基于PM_(2.5)与特征变量的相关性和特征变量的重要性探讨了模型预测性能季节性差异原因。【结果】模型总体预测精度从高到低排序为XGBoost、RF、LightGBM、LSTM、KNN、DT模型;预测性能方面,6个模型均表现为秋冬季节预测精度高于春夏季节;LightGBM模型可在保证模型精度的情况下,大幅减少模型训练时间和内存占用;特征重要性显示PM_(10)浓度、气温和气压的重要性高,O_(3)浓度、风向和NO_(2)浓度重要性相对较弱。【结论】采取MRMR方法进行数据降维选取的最优特征子集能较好地预测PM_(2.5)浓度;相比较而言,XGBoost、RF、LightGBM、LSTM模型在PM_(2.5)浓度预测上具有较优性能,其中综合性能较好的为LightGBM模型。

关键词： PM_(2.5)预测机器学习最大相关最小冗余(MRMR) 气象因子

重庆市轨交客流与土地利用混合度耦合协调关系研究

在线全文

学校读者我要写书评

暂无评论

西南大学学报（自然科学版） 2023年第9期45卷 162-170页

作者：牟凤云黄淇王俊秀何勇张用川重庆交通大学智慧城市学院重庆400074 重庆市规划和自然资源信息中心重庆401147

为探究重庆市城市轨道交通站点客流与站域土地利用混合度的耦合协调关系,从2018年、2021年2个时间横断面出发,首先基于IC卡数据计算站点工作日日均出站客流量,其次基于POI数据构建站域POI重分类体系,计算站域土地利用混合度,最后探究两... 详细信息

为探究重庆市城市轨道交通站点客流与站域土地利用混合度的耦合协调关系,从2018年、2021年2个时间横断面出发,首先基于IC卡数据计算站点工作日日均出站客流量,其次基于POI数据构建站域POI重分类体系,计算站域土地利用混合度,最后探究两者耦合协调关系.研究结果表明:重庆市2018年至2021年轨道交通站点工作日日均出站客流量均值由6594人次上升为9071人次,前10名变化较小,后10名变化明显.站域土地利用混合度均值由0.61上升为0.67,前10名、后10名均大幅变化.两者的耦合度总体上均处于上游水平(0.69~1.00),协调度则在下游至上游均有分布(0.28~0.79),根据耦合协调度识别出优质、中级、初级耦合协调型站点各17,136,6个.由此推论,2018年至2021年重庆市轨道交通站点客流与站域土地利用混合度总体在高度耦合作用下协调发展,站点客流与站域土地利用融合较好.

关键词：城市轨道交通客流量土地利用混合度耦合协调关系重庆

基于可拓云模型的重庆市中心城区公路洪灾风险评价

在线全文

学校读者我要写书评

暂无评论

水土保持通报 2022年第3期42卷 157-165页

作者：黄淇牟凤云张用川陈林李云燕重庆交通大学智慧城市学院重庆400074 重庆市地理信息和遥感应用中心重庆401147 山地城镇建设与新技术教育部重点实验室重庆大学重庆400045

[目的]分析公路洪灾风险指标存在的模糊性和随机性,以及公路洪灾风险评价指标由定性描述转化为定量表达的问题,为提高公路洪灾风险防控能力提供科学决策依据,降低社会经济损失。[方法]首先从致灾因子危险性、孕灾环境敏感性、承灾体暴露... 详细信息

[目的]分析公路洪灾风险指标存在的模糊性和随机性,以及公路洪灾风险评价指标由定性描述转化为定量表达的问题,为提高公路洪灾风险防控能力提供科学决策依据,降低社会经济损失。[方法]首先从致灾因子危险性、孕灾环境敏感性、承灾体暴露性3个准则层出发选取12项指标,构建公路洪灾风险评价指标体系,其次利用AHP-熵权法确定各指标权重,最后基于可拓云模型构建了公路洪灾风险评价模型,将重庆市中心城区公路洪灾风险等级划分为Ⅰ—Ⅴ级(非常低、比较低、一般、比较高和非常高)。[结果](1)重庆市中心城区69.52%的公路洪灾风险为Ⅰ—Ⅲ级,仅30.38%的公路为Ⅳ—Ⅴ级;渝中区(64%)、巴南区(47%)和江北区(41%)高风险公路比例最高,应针对全区公路进行总体防控;(2)渝中区(71.06%)、巴南区(57.43%)和江北区(38.76%)的高风险公路长度最长,应针对区内Ⅳ—Ⅴ级公路进行防控。[结论]“两江四岸”及周边地区高风险公路最为密集,各大流域、湖泊及水库附近为次密集。应保障及完善两江水上交通系统及周边地区路网体系,同时推进各大流域水文站及防汛监测预警系统建设,编制防御及应急预案等。

关键词：可拓云模型公路洪灾洪灾风险 AHP-熵权法重庆市中心城区

利用出租车GPS轨迹数据进行短时交通流量预测:以重庆市解放碑街区为例

在线全文

学校读者我要写书评

暂无评论

科学技术与工程 2023年第28期23卷 12265-12274页

作者：汪孝之牟凤云张用川王俊秀自然资源部城市国土资源监测与仿真重点实验室深圳518038 重庆交通大学智慧城市学院重庆400074

交通流量预测是智能交通系统的重要组成部分。以重庆市解放碑街区为研究区域进行交通流量预测分析,基于研究区域内出租车GPS轨迹数据处理获取时间间隔为5、10、15 min的交通流量序列。同时为充分挖掘交通流量序列特征规律,减小序列非线... 详细信息

交通流量预测是智能交通系统的重要组成部分。以重庆市解放碑街区为研究区域进行交通流量预测分析,基于研究区域内出租车GPS轨迹数据处理获取时间间隔为5、10、15 min的交通流量序列。同时为充分挖掘交通流量序列特征规律,减小序列非线性、非平稳性带来的影响,提出一种基于信号分解的预测模型LE-RL(linear regression model-empirical mode decomposition-random forest-long short-term memory network)。通过一般线性模型(linear regression model,LR)将原始序列分解成周期序列、趋势序列和残差,同时引入经验模态分解(empirical mode decomposition,EMD)方法对残差进一步分解以充分挖掘序列特征;模型预测方面,构建随机森林(random forest,RF)模型对周期序列和趋势序列进行预测,接着引入长短期记忆网络模型(long short-term memory network,LSTM)构建RF-LSTM残差模型对EMD分解的各分量进行预测,通过叠加各模型预测成果得到最终预测结果;为验证模型精度,设置对照模型进行比对。结果表明:所构建的LE-RL模型在预测精度上均高于对照模型,可以满足基于不同样本时间间隔的交通流量预测的需要。

关键词：交通流量预测时间序列分解长短期记忆网络(LSTM) 随机森林(RF) 机器学习

在线全文

学校读者我要写书评

暂无评论

出租车优质客源时空特征及影响因素

科学技术与工程 2023年第25期23卷 10664-10672页

作者：牟凤云田甜王俊秀张用川何勇重庆交通大学智慧城市学院重庆400074 贵州工程应用技术学院生态工程学院毕节551700

针对城市出租车供需失衡、运营效率低等问题,提出一种综合考虑寻客空载与相邻载客状态的优质客源量化评价模型,利用数理统计、地理统计等时空分析方法探究其时空特征,并结合兴趣点(point of interest, POI)数据构建多时段地理加权回归... 详细信息

针对城市出租车供需失衡、运营效率低等问题,提出一种综合考虑寻客空载与相邻载客状态的优质客源量化评价模型,利用数理统计、地理统计等时空分析方法探究其时空特征,并结合兴趣点(point of interest, POI)数据构建多时段地理加权回归模型分析其影响因素。以重庆市2019年“五一”假期4 d与后6 d工作日出租车轨迹数据展开研究。结果表明:节假日优质客源整体较多于工作日,呈节假日首日和工作日末日较多的“U”形分布;23:00—次日5:00优质客源先减少后增加再减少,5:00—9:00逐渐增加,此后呈波动趋势并于21:00—23:00达到峰值;优质客源在6:00—10:00聚集情况最差,其余时段主要围绕重庆市中心城区“1主、6副、21组团”的商业、娱乐及交通枢纽等区域聚集,并呈现粘连趋势;交通设施、医疗机构、休闲娱乐及宾馆酒店等是影响优质客源时空分布的主要因素;节假日相比于工作日,工作、服务较规律的设施其影响强度明显降低,而提供娱乐、交通出行的设施其影响强度及时间都有显著增加。研究结果对提高出租车精细化管理具有重要意义。

关键词：优质客源时空特征出租车轨迹数据地理加权回归重庆市中心城区