关键词： 降水   潜在蒸散   数据融合   机器学习   干旱事件   中国北方   主导因素  

摘要： 中国是广受干旱灾害影响的国家之一,开展干旱的变化规律和主导因素研究,对干旱的发生发展进行精准地监测和科学评估至关重要,可以为农业生产、水资源管理和生态环境保护,以及社会经济发展提供重要的依据。在气候变暖背景下,中国北方大部分区域的温度上升显著,使得蒸散速度加快,造成地表水分流失和水循环过程加快,进而使得干旱灾害频繁发生。对干旱的精准监测可以为科学评估干旱的影响提供参考,对干旱事件发生和发展的规律深入研究,可以加强干旱预测和化解干旱风险的能力。研究选取中国北方地区为研究区,通过机器学习方法融合多源降水数据,通过降尺度改进,发展了适合于北方地区的精细化降水数据;并提出了一种结合Penman-Monteith公式和机器学习方法驱动微波土壤湿度估算中国北方地区潜在蒸散的方法。在此基础上,利用精细化的降水数据和潜在蒸散数据,全面的分析了2001年-2020年的降水、潜在蒸散和水分盈亏量的时空变化趋势。再次,利用精细化降水数据和潜在蒸散数据计算了SPEI,并探讨了中国北方地区不同区域在降水转折变化以后的干旱时空演变特征和规律。最后,结合精细化的SPEI分析了主导中国北方地区不同区域干旱变化的关键影响因素。主要结论如下: (1)针对现有多源降水数据在地形复杂、观测站点稀疏和气候敏感区域精度差的问题,发展了中国北方地区精细化降水数据和潜在蒸散估算数据,为进一步开展精细化干旱监测提供了可靠的基础支撑。随机森林算法更适合于融合多源降水数据生成高精度的精细化降水数据,其整体的决定系数(R2)为0.92,均方根误差(RMSE)为15.9 mm,平均绝对误差(MAE)为7.82 mm,多源降水数据中精度最高的IMERG决定系数(R2)为0.87,均方根误差(RMSE)为22.0mm,平均绝对误差(MAE)为12.1 mm。与多源降水数据相比,本研究发展的精细化降水数据在复杂地形条件下的精度更高,很好的克服了多源降水数据在高海拔地区和观测站点稀疏地区精度不足的缺点。该精细化降水数据不仅可以很好的描述降水的年际和月尺度变化特征,在空间上也能够更好的刻画真实降水的空间变化。另外,利用4种机器学习方法结合Penman-Monteith公式和微波土壤湿度准确估算了中国北方地区的潜在蒸散。4种机器学习算法中随机森林整体的精度更高,R2为0.87,RMSE为14.3 mm,MAE为10.7 mm。随机森林算法估算的潜在蒸散在不同土地覆盖利用类型下的精度更高,与Penman-Monteith潜在蒸散参考值的相关性更高,相关性在0.90至0.95之间。该方法估算的潜在蒸散能很好地模拟真实潜在蒸散的年际和月尺度变化特征。以观测站点降水和PenmanMonteith公式的潜在蒸散计算多尺度SPEI作为参考真实值,精细化气象资料计算的多尺度SPEI决定系数R2在0.67-0.7之间,RMSE在0.548-0.573之间,MAE在0.398-0.432之间;而SPEIbase数据集的R2在0.19-0.46之间,RMSE在0.862-1.12之间,MAE在0.68-0.884之间。发展的精细化气象资料计算的SPEI比应用广泛的SPEIbase数据集更适合于监测中国北方地区的干旱。 (2)认识了气候变暖背景下中国北方地区降水、潜在蒸散和水分盈亏量的时空演变特征,发现中国北方地区年降水和年潜在蒸散为持续增加趋势、年水分亏损呈持续变小趋势。在2001-2020年20年间,中国北方地区年降水呈现显著的持续增加趋势(P<0.05,Hurst指数>0.5),倾向率为3.48 mm/a,夏季和秋季降水持续增加趋势明显。中国北方地区52.96%的区域年降水呈现持续增加趋势,湿润区和干旱多发区的年降水趋势倾向率分别为4.46 mm/a和5.06 mm/a。中国北方地区最近20年的年潜在蒸散呈现不显著持续增加趋势(P>0.05,Hurst指数>0.5),倾向率为0.46 mm/a,年潜在蒸散增加的区域占49.71%,减少的区域占21.37%。春季中国北方地区潜在蒸散整体增加趋势明显,且湿润区、干旱区和干旱多发区的季节变化趋势较为一致。最近20年的水分盈亏量呈显著持续上升趋势(P<0.05,Hurst指数>0.5),水分亏损在逐渐减小,表明中国北方整体呈现变湿趋势,夏季和秋季水分亏损也在逐渐减小。从不同的区域来看,年水分亏损减小的区域主要分布在干旱多发区,增加的区域主要分布在干旱区。 (3)揭示了中国北方地区不同区域的干旱时空变化趋势,明确了干旱事件的时空迁移特征。中国北方地区多数区域的多尺度SPEI在2001-2020年呈现持续变大趋势,表明干旱在持续减轻;SPEI03持续变大和变小为区域分别为56.82%和43.14%。中国北方地区多数区域的干旱持续时间在20年间未出现显著变化;干旱严重度

关键词： 慢性心力衰竭   中医辨证   机器学习   随机森林   支持向量机  

摘要： 目的: 将机器学习方法与心衰中医辨证相结合,旨在开发一个提高慢性心衰中医辨证效率的智能模型,为心衰患者临床治疗和管理提供决策支持。 方法: 收集广州中医药大学第一附属医院2017年1月至2022年1月病房住院收治的慢性心力衰竭患者。根据病例纳入及排除标准筛选合适的病例,并对收集的病例临床数据进行严格的质量控制和预处理。随后,通过聚类分析,应用K-means算法,对心衰患者临床数据分组,探索并分析数据内部的异质性。其次,通过关联规则分析,利用Apriori算法,探索心衰患者临床特征之间的潜在关联。最后,应用支持向量机(Support Vector Machine,SVM)和随机森林(Random Forrest,RF)等机器学习方法构建心衰智能辨证模型,通过交叉验证、ROC曲线等方法对模型性能进行全面评价。 结果: 1.K-means聚类分析中,研究将心衰患者根据临床特征进行有效分类,识别出不同的患者群体,并通过簇内特征分析深入探讨各群体的特点。研究结果提示:气阴两虚血瘀证在聚类簇中具有高度相关的特性,表明气阴两虚血瘀证在某些特征指标存在高度一致性。同时也观察到某些聚类簇包含多种证型,如气虚血瘀证和阳气亏虚血瘀证联系紧密,由此可猜测气虚血瘀证和阳气亏虚血瘀证的某些特征指标相似。 ***关联规则分析中,通过挖掘心衰临床特征之间的频繁项集,研究发现一系列有助于心衰辨证的关键特征。研究表明:气促、乏力、神志清等症状在气虚血瘀证、阳气亏虚血瘀证、气阴两虚血瘀证三种辨证类型中频繁共现,提示对于心衰的三种证型,气促、乏力、神志清等症状普遍存在。同时,研究发现,针对气阴两虚血瘀证,舌色红是其强关联特征,针对阳气亏虚血瘀证,该证型患者多合并高血压疾病。 3.心衰辨证模型方面,支持向量机(SVM)和随机森林(RF)模型均展现出优异性能。通过对比分析模型的准确率、召回率、精确率和F1分数等评价指标,研究发现:SVM模型在气虚血瘀证的诊断中,准确率为81.44%、精确度为64.71%、召回率为82.24%、F1分数为72.43%;在气阴两虚血瘀证,模型的准确率为95.01%、精确度为93.83%、召回率为95.00%、F1分数为94.41%;在阳气亏虚血瘀证,模型的准确率为85.32%、精确度为82.54%、召回率为55.32%、F1分数为66.24%。同时,对于RF模型,气虚血瘀证的准确率为81.16%、精确度为66.12%、召回率为74.77%、F1分数为70.18%;在气阴两虚血瘀证,模型的准确率为95.01%、精确度为95.51%、召回率为93.12%、F1分数为94.30%;在阳气亏虚血瘀证,模型的准确率为83.38%、精确度为70.24%、召回率为62.77%、F1分数为66.29%。并且,对比RF模型和SVM模型在不同证型上的AUC值,研究发现,SVM模型和RF模型在气虚血瘀证和气阴两虚血瘀证的诊断上AUC值一致,分别为0.88和0.99。然而,在阳气亏虚血瘀证的诊断上,SVM模型的AUC值为0.91,而RF模型的AUC值为0.89,略低于SVM模型的性能。 结论: 研究通过结合中医传统辨证理念与现代机器学习技术,构建新型心衰辨证模型。通过多种评估指标验证,RF模型和SVM模型均能有效识别心衰患者的中医证型。并且,由于SVM模型在非线性问题上的强大处理能力,在本研究中展现出更好的分类效果。研究的创新性尝试为心衰辨证的客观化、智能化、高效化提供了有效的策略和方向。

关键词： 消费需求   产业升级   机器学习  

摘要： 改革开放以来,我国经济高速发展,社会变革加快,人均收入稳步提升,推动居民消费行为和消费结构迅速改变,消费规模不提升,形成了长期的需求扩张过程。与此同时,我国正处在转变发展方式、优化经济结构、转换增长动力、推动经济社会高质量发展的关键时期,党的二十大报告指出科技是第一生产力,创新是第一动力。因此在需求扩张的视角下,研究需求侧对产业升级的推动作用对提高我国科技创新水平,实现高质量发展有着重要意义。 本文从理论和实证两个方面来论述需求引致推动产业升级的理论机理和影响机制。从理论层面看,需求扩张对产业升级的推动作用可以看成是需求侧对供给侧的影响,根据“需求引致创新理论”和“本土市场效应理论”,需求侧的结构和规模的变化会通过市场机制传递给供给侧,供给侧为了适应需求侧的变化会自发的进行结构调整和技术调整。从现实机制层面看,本文通过梳理现有研究成果,并结合我国消费升级和产业升级的现状将需求扩张定义为消费结构变迁,消费品质升级和消费需求规模的扩大,将产业升级定义为技术进步为主导的产业结构和产品品质同时升级。消费需求可以通过需求弹性机制、要素配置机制、恩格尔效应和鲍莫尔效应牵引产业升级。 从实证层面看,消费需求和产业升级之间存在着复杂的非线性关系,通过对比计量模型的与机器学习的实证结果,本文认为机器学习模型能更好的识别数据中的非线性特征,因此选择了机器学习模型进行实证研究。首先本文针对当前机器学习领域的主流算法进行了系统性的评估与筛选,选择了随机森林和XGBoost两个解释能较强的模型进行实证分析研究,之后通过三大产业之间的结构关系构建产业结构高级化和产业结构合理化指标来描述产业升级中的产业结构变化,通过将全要素生产率分解得到技术的变化指数来描述产业升级中的技术进步。然后选取2000年至2022年的31个省份的面板数据来寻找最优模型参数,训练机器学习模型,构建部分依赖图从产业结构变化和技术进步两个角度刻画消费需求引致产业升级的过程,并分析其中的非线性关系。最后采用改变训练集和测试集的比例和“置换特征重要性方法”以及训练拟合能力较强的支持向量机模型和神经网络模型进行实证结果对比来进行稳健性检验。 本文从理论和实证共同得出结论,从整体上看,消费需求扩张对产业结构变化和技术变化均有正向积极的影响,可以促进产业结构调整升级和技术进步,从两方面共同牵引产业升级,促进我国科技进步。从变量的非线性结构看,消费规模的变化会对产业结构的转变产生稳定持续的影响,能够促进第二第三产业的占比提升。消费规模对产业均衡程度和技术进步的影响则存在积累效应,需要经过一定规模的积累,之后才能对产业均衡发展和技术进步产生较大的促进作用。消费结构的变化对产业均衡程度和技术水平存在稳定持续的影响,能够持续促进产业结构均衡合理化和技术水平的不断提升。消费结构对产业结构的转变则存在积累效应。