公共文化服务平台

赵明松: 作品数：51 被引量：648H指数：15; 供职机构：安徽理工大学更多>>; 发文基金：安徽省高校省级自然科学研究项目国家自然科学基金土壤与农业可持续发展国家重点实验室开放基金更多>>; 相关领域：农业科学经济管理环境科学与工程天文地球更多>>

合作作者

山西省土地利用碳排放时空差异及影响因素分析: 2023年; 测算区域土地利用碳排放,探究其时空差异和影响因素为优化土地利用结构、健全低碳减排政策提供了参考。通过构建土地利用变化模型、碳排放测算模型以及LMDI分解模型,从土地利用结构变化、土地利用碳排放时空差异和土地利用碳排放影响因素3个角度分析了山西省2000-2020年间土地利用碳排放效应。结果表明:(1)山西省土地利用类型变化明显,各土地类型都有不同程度的变化:其中建设用地转入面积最大,耕地转出面积最大。(2)2000-2020年,山西省碳排放量增加速率远远超过碳吸收速率,导致山西省净碳排放量呈现递增趋势,净碳排放量从2000年9007.13×10^(4) t增长到2020年32113.30×10^(4) t,增长率达到了257%。山西省碳排放量整体表现为中部和南部高,北部低的分布格局。(3)能源碳排放强度、经济发展水平及人口规模促进山西省土地利用碳排放增长,能源强度和土地规模则抑制山西省土地利用碳排放增长。为实现山西省绿色低碳发展,迫切需要控制能源消费强度和总量,健全节能减排政策机制。; 刘锦盛王世航赵明松李彦旻; 关键词：土地利用变化碳排放影响因素

大别山区土壤侵蚀动态变化及趋势预测: 2016年; 本文结合了RS和GIS的分析方法,利用RUSLE对皖西大别山区的1980年、2000年、2010年的土壤侵蚀量进行了计算。本文分析1980~2000年与2000~2010年间土壤侵蚀等级面积的转移情况;利用马尔科夫模型根据2000年和2010年的土壤侵蚀状况预测了2020年、2030年的土壤侵蚀变化趋势。具体结果表明,若以目前的土壤侵蚀状态继续发展,到2020年土壤侵蚀中度以上的区域面积为1596.77km2,占总面积的11.7%,到2030年中度侵蚀以上的面积为1564.19km2,占总面积的11.5%。与2010年相比,整体朝着好的方向发展。; 赵明松赵可于伟宣; 关键词：RUSLE 土壤侵蚀马尔科夫模型

基于碳承载力对河南省能源消费碳排放及其驱动因素的研究: 2024年; 基于河南省近20年的能源消费碳排放数据和陆地生态系统碳承载力数据,对近年来研究区碳排放量情况进行了分析,并采用LMDI因素分解模型和Tapio脱钩模型对碳排放驱动因素以及与经济耦合情况进行了探讨。结果表明:(1)2000—2020年,河南省碳排放量呈现“先急后缓”的增长状态,在2012年后增加量开始减少并逐渐趋于稳定。(2)整体上,经济产出效应和人口规模效应对碳排放起促进作用;与之相反,能源消费强度效应和能源消费结构效应抑制了碳排放,经济产出效应的影响在减少,能源消费强度效应的影响在增加。(3)由Tapio脱钩模型分析得出,河南省碳排放与经济增长之间以弱脱钩为主,脱钩指数逐年减小,逐步向强脱钩状态迈进。总体上,2000—2020年河南省碳排放情况得到了很好的控制,合理规划土地利用、提高新能源的消费比重、降低能源消费强度对该地区节能减排具有重要意义。; 陶勤王世航徐胜祥杨震赵明松王奇邓良; 关键词：能源消费碳排放

基于CLUE-S模型的煤矿城市土地利用变化模拟被引量：16: 2022年; 以淮南市为研究区,选择1985、1995、2005、2016年土地利用数据,在分析土地利用动态变化特征的基础上,利用CLUE-S模型模拟预测了未来土地利用格局。结果表明:1985-2016年,研究区耕地面积减少11.62%;建设用地和水体面积百分比分别增加7.98个百分点和4.29个百分点。2005-2016年是各地类变化最强烈的阶段,其综合土地利用动态度最大,为13.46%。建设用地变化速率最快,其土地利用动态度为5.19%。土地转移主要发生在耕地、水体和建设用地之间,以耕地向建设用地和水体的转换为主。耕地转为建设用地的面积达207.61 km^(2),新增水体集中分布在潘谢矿区。加入空间自相关性和土壤质量因子后,耕地和建设用地的Logistics回归效果显著改善,ROC分别增加0.201和0.133。年均降水量是影响耕地变化的主要驱动因子,与耕地分布概率呈负相关;而建设用地变化主要驱动因子为GDP。土地利用模拟的Kappa系数为0.74,CLUE-S模型在研究区域具有较好的模拟能力。运用CLUE-S模型预测了研究区2028、2034、2040年土地利用空间分布,未来土地利用空间分布格局总体上没有明显变化,各用地类型面积变化相对稳定。; 赵明松徐少杰邓良刘斌寅王世航吴运金; 关键词：土地利用 CLUE-S模型

1985～2015年淮北市土地利用变化特征及其预测研究被引量：12: 2019年; 以1985、1995、2005、2015年4期遥感影像为基础,应用RS.GIS技术和景观生态学方法,分析了淮北市1985-2015年土地利用景观格局变化,并采用ANN-CA模型预测2025年淮北市土地利用数据。结果表明:1)淮北市土地利用类型以耕地为主,耕地面积占60%以上,建设用地次之;近30年,建设用地和林地面积呈增加趋势,耕地、水域和草地呈减小趋势;2005~2015年土地利用结构和景观格局变化显著,各类土地利用面积变化速率加快。2)1985~2015年土地利用类型的转移主要为耕地向建设用地转变、水域向耕地和建设用地转变。3)1985~2015年淮北市土地利用破碎化程度不断升高,景观格局趋向复杂化,景观异质性增强。4)2015~2025年,林地面积将保持不变,耕地、草地、水域面积减少,建设用地面积不断增加。; 刘斌寅赵明松卢宏亮张平张平; 关键词：土地利用城市化煤矿城市

安徽省土壤侵蚀空间分布特征及其养分流失评估: 基于修正的通用土壤流失方程(RUSLE)和GIS 空间分析技术,定量分析了安徽省土壤侵蚀及其养分流失的空间分布特征,探讨了土壤侵蚀强度与海拔、坡度等地形因子的关系.结果表明：2010 年安徽省土壤侵蚀总量为3454 &#...; 赵明松李德成张甘霖; 关键词：RUSLE 土壤侵蚀土壤养分流失

基于多尺度地理加权回归的安徽省土壤pH预测: 2021年; 基于安徽省140个采样点的土壤pH数据,综合考虑土壤、地形、气候、生物等因子对土壤pH的影响,利用MGWR与GWR模型对安徽省土壤pH空间分布进行预测。结果如下:①MGWR模型的AICc值比GWR减小49.72,其R_(adj)^(2)较GWR模型增加了0.08,模型的残差较GWR模型降低了10.84,拟合效果得到了很大提升;②MGWR的多带宽有效揭示了各环境因子的影响尺度,使得模型可靠性更高。; 陈宣强赵明松徐少杰邱士其; 关键词：地理加权回归环境因子采样点多尺度

GIS支持下太湖县生态敏感性分析: 2024年; 为了维护人类社会与自然环境的平衡,更有效对区域生态环境进行规划和管理,以太湖县为研究对象进行生态敏感性分析,选取5个生态评价因子,采用GIS空间分析方法与层次分析法,综合评价太湖县生态敏感性。结果表明:1)在所选的评价因子中,水域缓冲区对太湖县的生态敏感性影响程度最大,坡度对其影响程度最低,二者的权重分别为0.4和0.07。生态敏感性影响从小到大排序依次为坡度、高程、土地利用、植被覆盖度、水域缓冲区。2)太湖县的整体生态敏感性较高,其中高敏感区和极高敏感区占比分别为29.23%和4.45%,中敏感区占比为29.93%,低敏感区和极低敏感区占比分别为26.19%和10.19%。3)太湖县的生态敏感性在空间上分布差异明显,表现为西北部地区生态敏感性较高,东南部地区较低。; 李煜华王世航赵明松杨震; 关键词：生态敏感性 GIS 层次分析法

基于InVEST-PLUS模型的淮北市碳储量时空演变及预测被引量：1: 2024年; 研究土地利用时空演变对生态系统碳储量的影响,对研究区未来的国土空间规划以及减排增汇提供理论依据.基于1985、1995、2005、2015和2020年这5期土地利用数据,结合In VEST模型分析了研究区碳储量时空变化,运用PLUS模型预测研究区2035年自然发展情景、耕地保护情景、生态保护情景以及耕地和生态双保护情景土地利用变化并估算不同情景下的生态系统碳储量.结果表明:①1985~2020年研究区耕地面积持续减少,2015~2020年土地利用变化较快,综合土地利用动态度达到了34.62%;②1985~2020年碳储量呈下降趋势,减少1.55×10^(5)t,其中在2005~2015年间,碳储量减少了1.22×10^(5)t,年均减少量达1.22×104t;③碳储量较高区域分布在研究区的东部,碳储量较低区域分布在研究区中部和西北部;耕地碳储量占比从66.89%下降到57.73%,但耕地仍是研究区最主要的碳库;其他地类向草地和林地转化有利于生态系统碳储量的增加;④2035年,自然发展情景、耕地保护情景、生态保护情景以及双保护情景下的碳储量分别为81.77×10^(5)、82.45×10^(5)、82.82×10^(5)和82.51×10^(5)t.; 于芝琳赵明松高迎凤王涛王涛王世航; 关键词：土地利用碳储量

基于神经网络模型的安徽省土壤pH预测被引量：6: 2019年; 以土壤pH为研究对象,利用一般反向传播(Back propagation,BP)神经网络模型、带回溯的弹性反向传播(Resilient back propagation with backtracking,RPROP-WB)神经网络模型、不带回溯的弹性反向传播(Resilient back propagation without backtracking,RPROP-OB)和最小绝对梯度反向传播(Smallest absolute gradient resilient back propagation,SAG-RPROP)神经网络模型进行安徽省土壤pH的预测及制图,选用均方根误差(RMSE)、绝对平均误差(MAE)及决定系数(R 2)为评价标准,比较3种改进的神经网络模型与一般BP神经网络模型对于土壤pH的预测能力。结果表明:研究区域内,4种神经网络模型的拟合能力高低依次为:SAG-RPROP>RPROP-WB>RPROP-OB>BP。由建模集可以看出,RPROP-WB、RPROP-OB 2种模型与BP神经网络模型的预测精度一致,4种模型中预测精度最高的为SAG-RPROP,R 2比其他3种模型提高0.07。对于验证集,预测能力高低依次为:SAG-RPROP>RPROP-WB>RPROP-OB>BP,预测精度和泛化能力最高的为SAG-RPROP模型,RMSE、MAE和R 2分别为0.67、0.50及0.59。空间预测图结果显示,4种模型所得安徽省土壤pH空间分布基本类似,均呈“南酸北碱”趋势,一般BP神经网络对于土壤pH预测区分度较低,预测所得安徽省南部地区的土壤pH均集中在5.57至6.50之间,RPROP-WB、RPROP-OB及SAG-RPROP所得预测图则区分更为明显。综上所述,RPROP及其改进算法可以有效地进行土壤属性的预测,且精度均高于一般BP神经网络模型。; 卢宏亮赵明松; 关键词：土壤PH 神经网络

赵明松

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

赵明松

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈