摘要：针对野外小气象观测站点半小时温度观测长时间数据缺失问题,结合较低频次的人工温度观测数据,采用时间序列分析和深度学习等方法,对缺失的半小时温度观测数据进行高精度插补。首先,选用深度学习数据插补中的序列-序列(Seq2Seq)方法,建立了适合高精度温度数据插补需求的编码-解码深度学习模型BiLSTM-I;然后,选用了传统的代表性方法,从时间序列回归分析——差分整合移动平均自回归模型(ARIMA)状态方程形式中,获取卡尔曼平滑状态估计方程的各项参数,由卡尔曼平滑估计实现对温度观测数据缺失值的插补。实验分析结果表明,所设计的BiLSTM-I深度学习气温插补方法要优于时间序列的双向递归插补方法(BRITS-I)。对缺失值时间窗口为30 d的测试集,测试结果中均方根误差(RMSE)为0.47℃,相较于BRITS-I得到的RMSE,精度提升了0.90;对缺失值时间窗口为60 d的测试集,RMSE为0.49℃,相较于BRITS-I得到的RMSE,精度提升了0.90;基于ARIMA状态模型的插补方法也有较高的精度,RMSE为0.75℃。最后,还分析了BiLSTM-I深度学习插补方法对不同温度缺失时间长度的适应能力,结果表明训练模型对不同的温度缺失时间长度具有泛化能力。

摘要：采用追踪研究设计对湖南省2010名中职学生进行了间隔半年的两次测量,考察中职学生学业自我概念与生涯发展的双向关系以及家庭教养方式的影响。交叉滞后分析、回归分析和中介效应检验发现:中职学生学业自我概念与生涯发展之间存在相互作用;家庭教养方式能正向预测T1的学业自我概念和生涯发展;家庭教养方式通过T1的学业自我概念间接影响T2的生涯发展。研究结果表明,学业自我概念和生涯发展之间存在相互促进关系,积极的家庭教养方式有利于中职学生积极学业自我概念和良好生涯发展状态的形成,家庭教养方式还通过学业自我概念对中职学生生涯发展产生延后的间接影响。

摘要：完整高精度的温度观测数据是农业气象灾害监测、生态系统模拟重要的输入参数.由于野外气象观测条件的限制,气象观测数据缺失现象是常态,数据插补方法是气象数据应用必要处理步骤.本文针对野外小气象观测站站点半小时温度观测数据长时间缺失值问题,结合同一地点较低频次的人工温度观测,构建了新的温度缺失值插补深度学习模型,对缺失的半小时温度观测数据进行高精度插补.本文构建的深度学习模型,采用了基于编码-解码结构的序列-序列深度学习结构(BiLSTM-I),模型编码层采用双向LSTM-I网络,解码层分别采用LSTM解码结构与全连接两种解码结构.试验分析结果表明,本文设计的BiLSTM-I深度学习温度插补方法要优于其他方法,可满足了高精度温度数据插补需要,而且LSTM解码结构的BiLSTM-I模型具有更好的数据插补精度.文章最后还分析了BiLSTM-I深度学习模型的泛化能力,结果表明BiLSTM-I模型具有不同温度缺失窗口长度的插补能力.