目的构建留守与非留守中学生自伤的风险预测模型,为制定针对性的干预措施提供科学依据。方法2021年9月―2023年6月采用多阶段抽样方法,在留守儿童分布相对集中的6个省份中抽取14623名<18岁的中学生(留守8471名,非留守6152名)作为研...目的构建留守与非留守中学生自伤的风险预测模型,为制定针对性的干预措施提供科学依据。方法2021年9月―2023年6月采用多阶段抽样方法,在留守儿童分布相对集中的6个省份中抽取14623名<18岁的中学生(留守8471名,非留守6152名)作为研究对象。通过问卷调查收集研究对象的一般情况、创伤性事件和自伤发生情况。分析不同特征留守与非留守中学生自伤的发生情况。采用R 4.3.0软件按照7∶3的比例分别将留守与非留守中学生随机划分为训练集与测试集,构建logistic回归分析模型和随机森林模型,通过受试者工作特征曲线、灵敏度、特异度等指标评估模型性能。结果中学生自伤总体发生率为25.7%,留守中学生自伤发生率高于非留守中学生(χ^(2)=59.266,P<0.001)。Logistic回归分析模型分析结果显示,留守与非留守中学生预测模型训练集的曲线下面积(area under the curve,AUC)分别为0.745和0.756,测试集的AUC分别为0.721和0.726,Hosmer-Lemshow拟合优度检验P>0.05。随机森林模型中,留守中学生自伤的主要预测因素为经历创伤性事件、家庭氛围、和父亲/母亲关系等,模型的灵敏度、特异度、阳性预测值、阴性预测值和F1指数分别为0.740、0.591、0.822、0.470和0.779,Brier分数为0.212,训练集和测试集的AUC分别为0.800和0.729。非留守中学生则以经历创伤性事件、家庭氛围、父母感情状况等为主,模型的灵敏度、特异度、阳性预测值、阴性预测值和F1指数分别为0.785、0.519、0.850、0.411和0.816,Brier分数为0.188,训练集和测试集的AUC分别为0.845和0.724。结论留守中学生自伤风险高于非留守中学生,二者的预测因素虽有不同,但存在高度重叠,其中创伤经历和家庭因素是关键预测变量。两种模型对自伤的识别能力良好,但随机森林模型综合性能更优,本研究构建的预测模型可为早期识别高危人群提供科学依据。展开更多
【目的】拟预测江西省吉安市森林火灾发生概率,为吉安市森林火灾精准防控提供科学依据。【方法】基于2001—2020年MODIS火点数据,结合气象、地形、植被及人类活动等多维因子,分析江西省吉安市森林火灾的时空分布特征及其驱动机制。采用...【目的】拟预测江西省吉安市森林火灾发生概率,为吉安市森林火灾精准防控提供科学依据。【方法】基于2001—2020年MODIS火点数据,结合气象、地形、植被及人类活动等多维因子,分析江西省吉安市森林火灾的时空分布特征及其驱动机制。采用多重共线性诊断和相关性分析筛选关键影响因子,构建了Logistic回归(binary logistic regression)模型,预测森林火灾发生概率,并利用混淆矩阵和曲线下面积(area under the curve,AUC)评估模型性能。【结果】(1)吉安市森林火灾年际变化呈5年周期性波动,主要发生在9月至次年4月,空间分布呈现北多南少、西多东少的特征;(2)人口密度、上月植被指数、海拔、本月降雨量、上月温度和灯光指数是火灾发生的主要驱动因子,其中本月降雨量和灯光指数与火灾风险呈正相关,其余因子呈负相关;(3)火灾发生概率在0.2~0.7,永丰县、安福县、永新县、吉安县和遂川县为高风险区;(4)模型AUC值为0.748,具有较好的预测能力。【结论】研究可为吉安市森林火灾风险管理提供科学依据,建议在高风险区域加强监测预警,并针对不同驱动因子采取差异化防控措施。展开更多
Shenzhen,a major city in southern China,has experienced rapid advancements in Unmanned Aerial Vehicle(UAV)technology,resulting in extensive logistics networks with thousands of daily flights.However,frequent disruptio...Shenzhen,a major city in southern China,has experienced rapid advancements in Unmanned Aerial Vehicle(UAV)technology,resulting in extensive logistics networks with thousands of daily flights.However,frequent disruptions due to its subtropical monsoon climate,including typhoons and gusty winds,present ongoing challenges.Despite the growing focus on operational costs and third-party risks,research on low-altitude urban wind fields remains scarce.This study addresses this gap by integrating wind field analysis into UAV path planning,introducing key innovations to the classical model.First,UAV wind resistance and turbulence constraints are analyzed,mapping high-wind-speed and turbulence-prone zones in the airspace.Second,wind dynamics are incorporated into path planning by considering airspeed and groundspeed variation,optimizing waypoint selection and flight speed adjustments to improve overall energy efficiency.Additionally,a wind-aware Theta*algorithm is proposed,leveraging wind vectors to expedite search process,while Computational Fluid Dynamics(CFD)techniques are employed to calculate wind fields.A case study of Shenzhen,examining wind patterns over the past decade,demonstrates a 6.23%improvement in groundspeed and a 7.69%reduction in energy consumption compared to wind-agnostic models.This framework advances UAV logistics by enhancing route safety and energy efficiency,contributing to more cost-effective operations.展开更多
文摘目的构建留守与非留守中学生自伤的风险预测模型,为制定针对性的干预措施提供科学依据。方法2021年9月―2023年6月采用多阶段抽样方法,在留守儿童分布相对集中的6个省份中抽取14623名<18岁的中学生(留守8471名,非留守6152名)作为研究对象。通过问卷调查收集研究对象的一般情况、创伤性事件和自伤发生情况。分析不同特征留守与非留守中学生自伤的发生情况。采用R 4.3.0软件按照7∶3的比例分别将留守与非留守中学生随机划分为训练集与测试集,构建logistic回归分析模型和随机森林模型,通过受试者工作特征曲线、灵敏度、特异度等指标评估模型性能。结果中学生自伤总体发生率为25.7%,留守中学生自伤发生率高于非留守中学生(χ^(2)=59.266,P<0.001)。Logistic回归分析模型分析结果显示,留守与非留守中学生预测模型训练集的曲线下面积(area under the curve,AUC)分别为0.745和0.756,测试集的AUC分别为0.721和0.726,Hosmer-Lemshow拟合优度检验P>0.05。随机森林模型中,留守中学生自伤的主要预测因素为经历创伤性事件、家庭氛围、和父亲/母亲关系等,模型的灵敏度、特异度、阳性预测值、阴性预测值和F1指数分别为0.740、0.591、0.822、0.470和0.779,Brier分数为0.212,训练集和测试集的AUC分别为0.800和0.729。非留守中学生则以经历创伤性事件、家庭氛围、父母感情状况等为主,模型的灵敏度、特异度、阳性预测值、阴性预测值和F1指数分别为0.785、0.519、0.850、0.411和0.816,Brier分数为0.188,训练集和测试集的AUC分别为0.845和0.724。结论留守中学生自伤风险高于非留守中学生,二者的预测因素虽有不同,但存在高度重叠,其中创伤经历和家庭因素是关键预测变量。两种模型对自伤的识别能力良好,但随机森林模型综合性能更优,本研究构建的预测模型可为早期识别高危人群提供科学依据。
文摘【目的】拟预测江西省吉安市森林火灾发生概率,为吉安市森林火灾精准防控提供科学依据。【方法】基于2001—2020年MODIS火点数据,结合气象、地形、植被及人类活动等多维因子,分析江西省吉安市森林火灾的时空分布特征及其驱动机制。采用多重共线性诊断和相关性分析筛选关键影响因子,构建了Logistic回归(binary logistic regression)模型,预测森林火灾发生概率,并利用混淆矩阵和曲线下面积(area under the curve,AUC)评估模型性能。【结果】(1)吉安市森林火灾年际变化呈5年周期性波动,主要发生在9月至次年4月,空间分布呈现北多南少、西多东少的特征;(2)人口密度、上月植被指数、海拔、本月降雨量、上月温度和灯光指数是火灾发生的主要驱动因子,其中本月降雨量和灯光指数与火灾风险呈正相关,其余因子呈负相关;(3)火灾发生概率在0.2~0.7,永丰县、安福县、永新县、吉安县和遂川县为高风险区;(4)模型AUC值为0.748,具有较好的预测能力。【结论】研究可为吉安市森林火灾风险管理提供科学依据,建议在高风险区域加强监测预警,并针对不同驱动因子采取差异化防控措施。
基金supported by the National Natural Science Foundation of China(No.U2433214)。
文摘Shenzhen,a major city in southern China,has experienced rapid advancements in Unmanned Aerial Vehicle(UAV)technology,resulting in extensive logistics networks with thousands of daily flights.However,frequent disruptions due to its subtropical monsoon climate,including typhoons and gusty winds,present ongoing challenges.Despite the growing focus on operational costs and third-party risks,research on low-altitude urban wind fields remains scarce.This study addresses this gap by integrating wind field analysis into UAV path planning,introducing key innovations to the classical model.First,UAV wind resistance and turbulence constraints are analyzed,mapping high-wind-speed and turbulence-prone zones in the airspace.Second,wind dynamics are incorporated into path planning by considering airspeed and groundspeed variation,optimizing waypoint selection and flight speed adjustments to improve overall energy efficiency.Additionally,a wind-aware Theta*algorithm is proposed,leveraging wind vectors to expedite search process,while Computational Fluid Dynamics(CFD)techniques are employed to calculate wind fields.A case study of Shenzhen,examining wind patterns over the past decade,demonstrates a 6.23%improvement in groundspeed and a 7.69%reduction in energy consumption compared to wind-agnostic models.This framework advances UAV logistics by enhancing route safety and energy efficiency,contributing to more cost-effective operations.
