广西南流江口无居民海岛生态系统较为脆弱,自海岛地名普查以来,该区域海岛形态和岛体开发利用变化显著。文章基于2012—2019年共8期遥感影像,开展南流江口海岛形态和开发利用的遥感提取和变化检测,并逐年分析海岛变化情况。遥感监测结果表明:2012—2019年,南流江口10个海岛形态变化显著,面积减少约61.8%,2个海岛岛体新增开发利用变化;重点说明花轿铺、小砖窑岛和小平墩岛3个显著变化海岛的逐年变迁情况,并分析海岛变迁的主要原因,为海岛保护和管理提出若干建议。

为了解和掌握月相对渔业产量或单位捕捞努力量渔获量（catch per unit effort, CPUE）的影响规律，利用2016—2019年（每年3月2日—11月29日）马达加斯加西海岸底拖网独角新对虾（Metapenaeus monoceros）和2017—2020年（每年6月15日—10月9日）西白令海中层拖网狭鳕（Theragra chalcogramma）的渔业生产数据，结合基于圆形统计的广义线性模型（GLM）和基于时间序列的广义加性模型（GAM）2种不同的月相量化和统计的方法，分析月相对拖网渔业CPUE的影响。结果表明：月相对独角新对虾的CPUE具有显著性影响（P<0.05）,2种方法得出的影响趋势较为一致，较高CPUE出现在上弦月；基于圆形统计的GLM显示，月相对狭鳕CPUE具有显著性影响（P<0.05）,较高CPUE出现在新月期，而基于时间序列的GAM显示，月相对狭鳕CPUE的影响不显著（P>0.05）;交叉验证显示，基于圆形统计的GLM平均绝对误差(EMA)和均方根误差(ERMS)均小于基于时间序列的GAM,而GLM分析的决定系数R2则大于GAM,表明前者的拟合具有更好的准确性、稳定性和拟合优度。研究表明，当周期性循环变量（月份、月相和小时等）具有较弱的显著性时，使用基于圆形统计的GLM更能反映月相对拖网渔业CPUE的影响。

莱州湾作为黄渤海众多渔业生物关键栖息地，其鱼类早期发生量和补充量直接影响渤海乃至黄海渔业资源动态及其可持续性。实验基于历史调查资料并结合补充调查，构建莱州湾鱼卵、仔鱼调查数据集，通过数理统计和时间序列分析阐述近40年来莱州湾鱼类早期资源(浮性鱼卵、仔稚鱼)群聚特性和演替过程。结果显示，莱州湾鱼类早期资源结构处在持续更替过程中，不同时期早期资源的种类组成、资源丰度、优势种类和物种多样性水平等呈明显季节更替。鱼卵和仔稚鱼种类数和资源丰度均在2010s (2010—2019，以下同此表示)初期跌至历史低值，近年来均又呈现一定程度回升。鱼卵和仔稚鱼种类数由1980s的44种，1990s前期的34种、后期的40种，2000s的35种，逐次下降至2010s前期的24种，2010s中后期开始逐步回升至38种。当前鱼卵种数仅为1980s的60%左右，资源丰度不足彼时三分之一；仔稚鱼种数为1980s的四分之三左右，资源丰度约为彼时的90%。生命周期短、性成熟早、处于食物链低端的中上层和底层小型鱼类为莱州湾鱼类早期资源的主体成分。长期变化，相同季节优势种种类更替现象明显，且近年来呈明显加快趋势；鱼卵仔稚鱼物种多样性水平呈年际和年代际剧烈波动；栖息类型、适温类型产卵亲体种数均呈先降后升变动趋势，全年综合陆架浅水中上层鱼类所占比例升高，中底层和底层鱼类所占比例降低。研究表明，与20世纪80年代相比，莱州湾鱼类早期资源已发生结构性改变，这些变化均由一系列复杂并不断变化的环境条件与鱼类早期资源每个物种数量动态相互作用驱动，是捕捞和环境双重压力下导致鱼类群落内生态位错位交替和结构性渔业资源衰退的具体体现。

随着智能电表的发展，对区域级、建筑级的负载预测准确度逐步提高，但在住户级负载预测领域，因其突变性、波动性更强，该领域仍面临着巨大挑战。为了解决这些问题，提出多重检测长短期记忆模（Multi-detection-LSTM），即在传统聚类方法上引入深度学习领域的LSTM模型，使其面对不同的住户数据时能自适应其用电习惯，对单户人家用电量进行精准预测。与传统模型相比，Multi-detection-LSTM有效的消除了住户级负载预测面临的波动性问题，具有更高的准确度。

电力是社会生存和发展的重要能源，是促进经济快速发展的重要支撑和保障。电力负荷是电力系统规划设计和运行管理的重要指标之一。气象条件、季节因素、社会经济环境等都在一定程度上决定着电力负荷的变化，而气象条件的作用更是首当其冲。本文以国家气象站观测数据和伊春市电力负荷数据，通过时间序列法针对电力负荷对气温的响应作出实际分析。

本文利用时间序列分析，针对成都市1999-2019年城镇居民人均收入与消费支出的数据，研讨其人均收入对消费支出的影响。通过文献整理和实证分析得出的主要结论是：成都市城镇居民人均收入是引起成都市城镇居民消费支出变化的原因，存在长期均衡关系，即人均收入增长1%，消费就相应增长0.8497%。

经济时间序列具有复杂的非线性特征。为了准确的对其进行预测，本研究提出了基于时间序列重构和时延Elman神经网络的预测方法，给出算法步骤。首先，对时间序列进行重构得到状态向量序列，再对时延Elman神经网络进行训练，在进行预测时，输入状态向量值得到预测值。通过对对恒申指数的模拟预测，结果显示该预测方法具有较高的精度。

本文利用国家统计局、四川统计局提供的城乡人均居民消费支出等相关数据和北京大学互联网金融研究中心编制的普惠金融使用深度时间序列数据为基础，构建四川省互联网金融发展情况与居民真实消费水平的分析指标，并对影响程度进行了实证分析。研究结果初步表明，以四川省为代表的互联网金融发展对居民整体消费水平有着一定的影响，并且有着较为显著的正向效应。这为挖掘居民消费潜力，扩大内需，促进地区经济增长提供了依据。