社交媒体在灾害发生时能够快速提供实时且丰富的灾情信息,为应急救援提供辅助参考。然而,社交媒体信息通常以短文本形式呈现,具有口语化、语义特征稀疏和标注语料匮乏等特征,给灾情信息的识别与分析带来挑战。为此,本文提出了一种结合...社交媒体在灾害发生时能够快速提供实时且丰富的灾情信息,为应急救援提供辅助参考。然而,社交媒体信息通常以短文本形式呈现,具有口语化、语义特征稀疏和标注语料匮乏等特征,给灾情信息的识别与分析带来挑战。为此,本文提出了一种结合灾害领域知识的预训练语言模型增强方法,用于识别和分类灾情信息。首先,构建灾情知识库,包含不同灾损事件的触发词及论元;其他,通过分析短文本与灾损事件触发词的语义相似度,生成灾损知识编码;最后,将灾情领域知识与预训练词向量融合增强特征向量并输入神经网络模型实现多标签分类。以2021年7月20日前后河南暴雨灾情数据为例,将本文方法与TextCNN、Attention based CNN模型进行了对比实验,结果表明,该方法不仅有效提升了小样本数据的分类精度,还有效缓解了语义高度重合的数据类型容易错分的问题。同时,对分类结果进行灾损事件论元匹配能够充分挖掘涉灾短文本中的有效灾情信息,辅助应急救援决策。展开更多
针对全球土壤无机碳的不均匀分布格局和碳储量损失所引起的全球气温变暖问题,采用文献计量学的方法,以Web of Science核心合集数据库中1999—2023年土壤无机碳的相关文献作为数据源进行统计分析,探究了土壤无机碳的研究现状和发展趋势...针对全球土壤无机碳的不均匀分布格局和碳储量损失所引起的全球气温变暖问题,采用文献计量学的方法,以Web of Science核心合集数据库中1999—2023年土壤无机碳的相关文献作为数据源进行统计分析,探究了土壤无机碳的研究现状和发展趋势。研究表明,发文量呈现整体上升趋势,分为起步阶段(1999—2005年)、快速发展阶段(2006—2013年)、急剧上升阶段(2014—2023年);环境科学、工程环境、农学、土壤学是该研究领域的热门学科;Kumar Rakesh、Babu Subhash、Singh A K、王慧军是该研究领域学术影响较高的作者;中国科学院、印度农业研究委员会、中国科学院大学发文量较多,各科研机构之间呈现出紧密的合作纽带;中国、美国、德国、印度是土壤无机碳研究领域的核心力量,合作交流密切。近年来,研究热点主要为:土壤无机碳对生态环境以及与冰川消融之间的相互作用、土壤无机碳的固碳机制及碳储量变化、土壤无机碳与土壤有机质之间的相互转换机制。灌丛化对土壤无机碳的影响尚不明确,未来的研究可以进一步探讨这个问题,期望能给土壤无机碳研究领域提供借鉴和启发的新思路,为全球土壤无机碳研究提供科学依据。展开更多
为推动京津冀地区交通运输业的绿色转型,助力国家“双碳”目标的实现,以京津冀地区交通运输业为研究对象,使用对数平均迪氏指数法(logarithmic mean Divisia index,LMDI)考察2010—2019年京津冀地区交通运输业碳排放量的影响因素,并使...为推动京津冀地区交通运输业的绿色转型,助力国家“双碳”目标的实现,以京津冀地区交通运输业为研究对象,使用对数平均迪氏指数法(logarithmic mean Divisia index,LMDI)考察2010—2019年京津冀地区交通运输业碳排放量的影响因素,并使用蒙特卡洛模拟对2020—2030年京津冀地区交通运输业碳排放量情况进行预测,进而探讨有效的减排路径.结果表明:(1)京津冀地区交通运输业碳排放量的影响因素可分解为能源结构、能源强度、运输强度、人均GDP和人口规模.(2)人均GDP对京津冀地区交通运输业碳排放量起主要促进作用,相对其他影响因素,人口规模对碳排放量贡献较小;同一时间段内,各影响因素对不同省(市)交通运输业的作用方向不同;对于同一省(市)交通运输业,不同时间段内同一影响因素的影响方向也有所不同.(3)相对于基准情境,京津冀地区交通运输业在2020—2030年的政策情景下,碳排放量年平均增长率大幅下降,但碳排放量仍在继续增长.综合情景下,2020—2024年京津冀地区交通运输业碳排放量大概率以0.0%~0.5%的年均增长率增长,2025—2030年,年均增长率则大概率为-3%~-2%,即碳排放量不再增加,实现碳达峰的目标.展开更多
文摘社交媒体在灾害发生时能够快速提供实时且丰富的灾情信息,为应急救援提供辅助参考。然而,社交媒体信息通常以短文本形式呈现,具有口语化、语义特征稀疏和标注语料匮乏等特征,给灾情信息的识别与分析带来挑战。为此,本文提出了一种结合灾害领域知识的预训练语言模型增强方法,用于识别和分类灾情信息。首先,构建灾情知识库,包含不同灾损事件的触发词及论元;其他,通过分析短文本与灾损事件触发词的语义相似度,生成灾损知识编码;最后,将灾情领域知识与预训练词向量融合增强特征向量并输入神经网络模型实现多标签分类。以2021年7月20日前后河南暴雨灾情数据为例,将本文方法与TextCNN、Attention based CNN模型进行了对比实验,结果表明,该方法不仅有效提升了小样本数据的分类精度,还有效缓解了语义高度重合的数据类型容易错分的问题。同时,对分类结果进行灾损事件论元匹配能够充分挖掘涉灾短文本中的有效灾情信息,辅助应急救援决策。
文摘针对全球土壤无机碳的不均匀分布格局和碳储量损失所引起的全球气温变暖问题,采用文献计量学的方法,以Web of Science核心合集数据库中1999—2023年土壤无机碳的相关文献作为数据源进行统计分析,探究了土壤无机碳的研究现状和发展趋势。研究表明,发文量呈现整体上升趋势,分为起步阶段(1999—2005年)、快速发展阶段(2006—2013年)、急剧上升阶段(2014—2023年);环境科学、工程环境、农学、土壤学是该研究领域的热门学科;Kumar Rakesh、Babu Subhash、Singh A K、王慧军是该研究领域学术影响较高的作者;中国科学院、印度农业研究委员会、中国科学院大学发文量较多,各科研机构之间呈现出紧密的合作纽带;中国、美国、德国、印度是土壤无机碳研究领域的核心力量,合作交流密切。近年来,研究热点主要为:土壤无机碳对生态环境以及与冰川消融之间的相互作用、土壤无机碳的固碳机制及碳储量变化、土壤无机碳与土壤有机质之间的相互转换机制。灌丛化对土壤无机碳的影响尚不明确,未来的研究可以进一步探讨这个问题,期望能给土壤无机碳研究领域提供借鉴和启发的新思路,为全球土壤无机碳研究提供科学依据。
文摘为推动京津冀地区交通运输业的绿色转型,助力国家“双碳”目标的实现,以京津冀地区交通运输业为研究对象,使用对数平均迪氏指数法(logarithmic mean Divisia index,LMDI)考察2010—2019年京津冀地区交通运输业碳排放量的影响因素,并使用蒙特卡洛模拟对2020—2030年京津冀地区交通运输业碳排放量情况进行预测,进而探讨有效的减排路径.结果表明:(1)京津冀地区交通运输业碳排放量的影响因素可分解为能源结构、能源强度、运输强度、人均GDP和人口规模.(2)人均GDP对京津冀地区交通运输业碳排放量起主要促进作用,相对其他影响因素,人口规模对碳排放量贡献较小;同一时间段内,各影响因素对不同省(市)交通运输业的作用方向不同;对于同一省(市)交通运输业,不同时间段内同一影响因素的影响方向也有所不同.(3)相对于基准情境,京津冀地区交通运输业在2020—2030年的政策情景下,碳排放量年平均增长率大幅下降,但碳排放量仍在继续增长.综合情景下,2020—2024年京津冀地区交通运输业碳排放量大概率以0.0%~0.5%的年均增长率增长,2025—2030年,年均增长率则大概率为-3%~-2%,即碳排放量不再增加,实现碳达峰的目标.
