高数与高中数学的区别篇1

关键词：高光谱遥感波段选择地物分类

中图分类号：S758.4文献标识码：A文章编号：1672-3791（2015）05（b）-0016-02

高光谱遥感是高光谱分辨率遥感的简略说法。由于其极高的光谱分辨率（可达10nm左右），能够获得数十至数百波段的数据，可以形成特定地物的连续的光谱曲线，能够提供更丰富更准确的地物信息。结合标准光谱库的建设，已经在找矿等领域取得了不错的应用效果。同时，高光谱数据是一个高维度数据，存在着数据冗余度高、数据量大、计算代价高等缺点。对高光谱数据进行降维处理是应用时的一种常见的思路。降维处理的方法可分为变换的和非变换的两类。波段组合选择是非变换方法中有代表性的一种。其结合应用需求，针对性的选择某一些波段作为信息来源，从而将高维数据的处理变为较低维数的数据处理问题。

1实验过程

1.1研究区选择

选择普达措国家公园属都湖与碧塔海周边地区作为研究区域。该区域位于滇西北生物多样性丰富区域，是入选国际名录的重要湿地保护区。具有重要的生态地位和研究价值，是高原湿地研究的热点区域。该区域中分布着高原湖泊、湖泊周边及山间谷地中的草甸和草地、以松和杉为主的林地以及几条道路。地物景观类型构成不甚繁复，有利将研究问题聚焦于不同波段选择的比较。同时草甸、林地类型中的次一级的景观构成，为研究的深入提供了充足的空间。笔者近年曾较详细的实地调查过该区域，积累了不少有价值的信息和数据。选择该区域作为研究区，有较充分的研究基础。

1.2研究数据

使用于2003年12月获取的EO-1Hyperion数据，进行校正等预处理，并根据研究区界限进行裁切，获得研究区的高光谱遥感数据。Hyperion数据是目前几乎唯一的可以免费获得的星载高光谱遥感数据。它提供了242波段的数据，频谱分辨率10nm，空间分辨率30m。根据相关文献，选择三个典型的波段组合作为后续分类和比较的数据。这三个波段组合（数字代表波段号）分别是（29：23：16）、（50：23：16）和（204：150：93），对应的波长分别是：641：580：509nm，855：580：509nm，2194：1649：1074nm。（29：23：16）组合是用来形成真彩色图像最常用的组合。使用（50：23：16）组合来形成真彩色图像时，图像中的植被会显示成偏红的颜色。（204：150：93）组合所对应的频谱范围避开了受大气吸收影响最明显的范围，有利于规避大气吸收对遥感数据的干扰。

1.3分类方法

由于之前的调查数据数量不充足，使用监督分类方法效果不佳。故而使用非监督分类方法进行分类。K-均值聚类方法和ISODATA聚类方法是最常用的非监督分类方法。两种方法较为相似，ISODATA有所改进。使用ISODATA方法的关键是确定分类是所使用的主要参数：迭代次数、分类数量的范围、变化阈值、类别最大标准差、类别最小距离等。通过使用样本数据多次尝试，确定了所需要的参数数值。在实地调查信息的基础上，结合对实验所用影像的观察，确定了地物景观类型。共分为：水体、林地阳坡、林地阴坡、草甸、公路及裸地5种。ISODATA分类的结果，类别数大于地物景观类型数。在分类的后处理中，主要进行了类别合并，将ISODATA分出的类别归并成地物景观类型。

2分类结果评价

从主观定性和客观定量的两种途径，对分类结果进行评价。主观定性途径主要依据景观格局的吻合程度、地物显著特征点的分类细节情况，参照同时期研究区的高分辨率影像（图1）和实地调查信息，进行判断。客观定量途径则进行了混淆矩阵的计算，使用总体分类精度、Kappa系数及类别间错分情况来进行评价。参照同时期研究区的高分辨率影像和实地调查数据，对研究区高光谱数据均匀选择了验证位点，进行人工解译。以此作为验证数据，用于计算混淆矩阵。

3实验结果及分析

直观观察分类结果，总体上三个波段组合数据分类结果（分别见图2、图3和图4）斑块的破碎程度都不很高，应该与EO-1Hyperion数据较低的空间分辨率有关。（29：23：16）组合的分类结果中，林地等植被覆盖区域错分为水体的情况较多，属都湖的轮廓已不完整，景观格局与实际情况差别明显。其他两个组合的分类结果中，景观格局保持较好。尤其是（50：23：16）组合，水体的识别十分准确。两个高原湖泊的水体是研究区最显著的特征地物。以水体来观察，（50：23：16）组合分类结果最佳，（204：150：93）组合次之，（29：23：16）组合最差。另一明显地物是研究区左侧边缘附近公路沿线的居民点和农地，此地物的识别情况受限于较低的空间分辨率，总体都不理想，相较而言，（50：23：16）组合结果最佳，（29：23：16）组合次之，（204：150：93）组合最差。

通过计算混淆矩阵，得到使用三个波段组合分别进行分类的分类精度（见表1）。（50：23：16）组合分类精度最佳，（204：150：93）组合次之，（29：23：16）组合最差。这些数值总体偏高，应该是由于Hyperion数据幅宽较窄、空间分辨率较低，验证数据选取的验证点的数量偏少造成的。Hpyperion数据幅宽仅为7.7km，远小于Landsat数据的185km。

得到的类别错分数据显示，在（50：23：16）组合的分类结果中，水体、公路及裸地两种类型基本没有发生错分的情况，林地和草甸间的错分比例也很低，均低于10%。在（204：150：93）组合的分类结果中水体出现了25.84%未能分类的问题，草甸错分为公路及裸地、林地的比例较高，公路及裸地错分为草甸的比例达到11.73%。在（29：23：16）组合的分类结果中，突出的问题是水体错分为林地和林地错分为草甸，比率分别为20.46%和16.02%。还各有5%左右的草甸错分为林地和公路及裸地的情况发生。

总体来看，研究区位于保护良好的自然保护区中，植被覆盖较好，从可见光影像上可以明显看到整个区域的色彩分布较为集中，整体色调一片绿色。这对通过遥感数据进行地物分类识别带来了困难。研究区地物分类识别的主要问题是能否有效、准确的区分林地与水体、草甸与公路及裸地。或者说有效、准确的区分植被覆盖地类和无植被覆盖地类。（50：23：16）组合具备区分植被区域和无植被覆盖区域的突出能力，因而分类效果最佳。

4结语

通过使用Hyperion数据不同波段组合的实验表明，不同波段组区分植被覆盖地类和无植被覆盖地类的能力有明显差别。高光谱数据的高频谱分辨率带来了更加丰富和精细的信息，适当地选取高光谱数据中的波段组合作为数据进行分类，突显关注的地物，能有效的提高分类精度。波段组合选择也是降低维数、降低计算代价，利用高光谱数据的有效方法。

参考文献

[1]JParecke.EO-1/HyperionScienceDataUser’sGuide[M].TRWSpace，Defense&InformationSystem，2011.

[2]赵春晖，陈万海，杨雷.高光谱遥感图像最优波段选择方法的研究进展与分析[J].黑龙江大学自然科学学报，2007，24（5）：592-602.

[3]林志垒，晏路明.地球观测1号高光谱与全色图像融合的最佳方法[J].计算机应用，2014，34（8）：2365-2370.

高数与高中数学的区别篇2

关键词：EXCEL；筛选；高级筛选；筛选记录

一、自动筛选

数据管理中常涉及到同一类别中数据的对比，操作者希望很快找出数据的不同，以便于进行分析与数据更新。“自动筛选”用于简单的筛选工作，且筛选后符合条件的记录显示在原有的数据表格中，不符合的条件记录将被自动隐藏起来。

例：将“计算机动画成绩单”中计算机系的成绩筛选出来。（一）选择条件进行自动筛选。首先单击菜单栏“数据”筛选自动筛选”，每个列标题旁边将增加一个向下的筛选箭头，然后单击‘系别’列的筛选箭头，选择下拉菜单中的‘计算机’选项，最终计算机系的成绩将被筛选出并显示在原有的数据表格中，其他记录将自动被隐藏（示图略）。

（二）自定义条件自动筛选。首先单击菜单栏中“数据”筛选自动筛选”选项，然后单击‘系别’列的筛选箭头，选择下拉菜单中的“自定义”项，在弹出的“自定义自动筛选方式”窗口中选择满足条件的项（系别等于自动控制或等于信息），“确定”。最终只有信息与自动控制系的成绩被筛选出，在原有的数据表格中显示，其他记录自动被隐藏。如下图：

（三）取消自动筛选。

方法1、单击‘系别’列的筛选箭头，选择下拉菜单中的“全部”项，所有信息将重新显示在原来位置。

方法2、单击菜单栏中“数据”筛选全部显示”项。

二、高级筛选

若要筛选单元格中含有指定关键词的记录，被筛选的多个条件间是“或”、“与”的关系，需要将筛选的结果在新的位置显示、筛选不重复记录等等，“自动筛选”显得无能为力。此时“高级筛选”为多条件筛选的实现手段。

应用高级筛选的关键是在合适的区域正确编写筛选条件，条件区域可以是数据清单以内的任何空白处，此空间足以放下所有条件（通常在数据表的最前端插入3行表格）。填写筛选条件时，首先，在空白区域的第一行写上条件中的字段名，然后再字段名行的下方填写筛选条件（条件表达式要与相应的字段在同一列），如果在对数据进行筛选时，同时存在多个逻辑关系，我们一定要分清条件之间是“与”关系还是“或”关系，如果是“与”关系，这些条件一定要写在同一行，如果是“或”关系，条件要写在不同行（示图略）。

条件设置完成后，在数据表中任意一个单元格处单击，然后单击菜单栏中“数据筛选高级筛选”项，在弹出的“高级筛选”对话框中填入满足条件的数据：“列表区域”为（$A$4：$G$33）、“条件区域”为（$D$1：$E$3）及“方式”，确定。筛选出的数据显示在数据表中，不符合条件的内容被隐藏起来。若想恢复所有数据，可选择“数据-筛选-全部显示”项。如下图：

在筛选过程中，有时因所选条件区域和原数据区域紧密相联而不能严格区分，从而产生错误结果，所以条件区域与数据区域之间至少要相隔一行或一列，才能正确筛选

三、含有特定字符的记录的筛选

如查找“学生档案信息表”中所有姓“王”的学生的档案信息。首先在“学生档案信息表”的数据区域外任一单元格中输入被筛选的字段名称“姓名”，然后在其下方单元格中输入筛选条件“王*”，最后按照上面高级筛选的方法进行筛选。如下图：

4、“条件格式”

如在Sheet1工作表中将3年里降雨量在100及以上的值挑选出来并设置为绿色。

先选中数据表区域，在“格式”菜单中选择“条件格式”项，然后在弹出的菜单中填写题目要求的条件，最后在格式按钮中选择样式即可。如图

总之，EXCEL筛选的应用较容易，重点在于对筛选条件的分析。

参考文献：

[1]主编：胡志勇高等教育出版社.

高数与高中数学的区别篇3

关键词：安徽省；A级旅游景区；景区特征

中图分类号：F590文献识别码：A文章编号：1001-828X（2016）015-000-02

一、引言

旅游景区是以旅游及其相关活动为主要功能或主要功能之一的空间或地域[1]。2004年的《旅游景区质量等级的划分与评定》对于全国A级旅游景区评定起到了规范作用，对促进旅游业的发展起到了一定作用。本文以安徽省A级旅游景区作为对象，突破传统单一分析工具的局限，利用不同的统计研究工具方法对安徽省A级旅游景区进行分析。

二、研究设计

（一）相关综述

朱f等2008年开始研究中国A级旅游景区的空间结构特征，从空间和时间上分析了A级旅游景区发展与人口、地形的联系以及全国A级旅游景区的发展趋势[2]。同年，吴必虎等从中国资源型景区的分布、聚集状态对资源型景区旅游空间结构进行研究[3]。李飞等以2001-2009年A级旅游景区为例研究了中国旅游景区发展的地区差异及其收敛性[4]。总的来说，关于A级旅游景区的研究主要集中于不同地域范围的空间分布、空间结构、景区发展规律等方面。对安徽省A级旅游景区的研究则主要集中于A级旅游景区空间分布差异、区际比较竞争力等方面[5-6]。

（二）数据来源

本文AAAAA级旅游景区数据来自于国家旅游局及安徽省旅游局网站。

（三）分析工具

本文使用EXCEL软件，使用地理集中指数、基尼系数以及地理不平衡指数等统计指标进行分析。

三、安徽省A级旅游景区特征分析

根据安徽省A级旅游景区统计资料，截至2012年底，安徽省共有A-AAAAA级旅游景区数量分别为3、162、131、109、7家。

根据统计分析，安徽省A级旅游景区特征如下：

（一）空间分布特征

以传统方式划分安徽：皖南包括黄山、宣城、池州、铜陵、芜湖、马鞍山市；皖中包括合肥、安庆、六安、滁州市；皖北包括淮南、淮北、蚌埠、阜阳、亳州、宿州市。

据统计，皖南A-5A级景区数量分别为3、53、58、50、4家；皖中A-5A级景区数量分别为0、74、56、45、2家；皖北A-5A级景区数量分别为0、35、17、14、1家。从数量上进行比较，可知安徽省皖南地区与皖中地区旅游景区数量相差不多，但是皖北地区的A级旅游景区总量只有67家，明显少于皖南皖中地区；从旅游景区质量上进行比较，皖南地区3A级及以上旅游景区比皖中地区多，即皖南地区景区等级比皖中地区高，而皖北地区的景区高等级景区数量明显低于皖南皖中地区。

1.景区分布集中性

（1）地理集中指数

地理集中指数是一个描述集中化程度的指数：

（2）基尼系数

基尼系数是根据洛伦茨曲线提出的判断分配平等程度的指标：

（3）地理不平衡指数

地理不平衡指数反映研究对象在不同层级或不同区域内分布的均衡程度[7]：

经过集中程度、均衡程度和不均衡指数的分析得出安徽省旅游景区分布集中程度很高。

2.景区分布富集区

根据安徽省A级旅游景区在16个地市的分布情况可以得到安徽省A级旅游景区富集区为：

（1）皖南山区。该区域因为天然的地理优势，呈现出明显的资源富集状态。

（2）皖江城市带。该区域因为自古便利的水上交通，成为安徽省一条旅游带。

（3）以合肥为中心的皖中地区。因为重要的地理区位，有着发展旅游景区的交通条件及经济基础。

（二）等级结构特征

据统计，浙江省5A-A级景区数量分比为：11、139、83、83、5；江苏省5A-A级景区数量分比为：17、119、143、234、0；湖北省5A-A级景区数量分比为：8、101、124、56、4；安徽省5A-A级景区数量分比为：7、109、131、162、2。浙江省的高级别景区（4A级及以上）比例最高，江苏省最低；江苏省A级景区数量最多，湖北省最少；其中，浙江、湖北、安徽3个省份的A级旅游等级结构约呈纺锤形分布，只有江苏省的A级旅游景区等级结构分布约呈锥形分布。另外，安徽省的高级别景区比例高于江苏省，但是江苏省的5A、4A级旅游景区的数量明显高于安徽省，尤其5A级旅游景区；安徽省高级别级旅游景区的总数量高于湖北省，但是高级别旅游景区的比例却低于湖北省。

（三）类型结构特征

对安徽省A级旅游景区的类型结构进行分析统计，安徽省地文景观、水域风光、生物景观、天象与气候、遗址遗迹、建筑与设施、旅游商品以及人文活动类景区数量分别为：149、64、29、0、23、93、2、52，所以数量最多的旅游景区类型为地文景观类型149个，最少的是天象与气候景观。其中，在149个地文景观类旅游景区中，地文景观类旅游景区集中分布在皖中及皖南地区。人文活动类旅游景区，亳州市分布最多，但是从总量上看，依然是皖南地区的人文活动类旅游景区最多。

四、结论

通过对安徽省A级旅游景区进行统计分析，本文得出了安徽省旅游景区的一些规律，并对其进行了分析，给出一定建议：

首先，分析安徽省的A级旅游景区特征可发现，安徽省旅游景区分布呈较为集中而且呈现不均衡的状态；安徽省A级旅游景区的等级结构约呈纺锤形；分析安徽省A级旅游景区的类型结构特征可看出，皖南地区以自然资源为主，皖北以人文旅游资源为主。究其原因，安徽省地形地貌南北迥异，长江淮河横贯省境，皖南自古自然资源丰盛，风景秀丽，皖中有长江流经其间，皖北平原有深厚的文化旅游资源。所以安徽省应该关注旅游整体发展的需要，以客源市场为导向、以旅游线路及对外通道为纽带，构建层次分明、功能明确、结构合理的旅游空间。

安徽省周边省份的5A级旅游景区数量众多，所以安徽省应该在避开其与周边省市的竞争激烈目标群体，从国际旅游市场考虑，加强安徽省5A级旅游景区在国际旅游市场上的宣传，优先打开更广阔更富潜力的国际旅游市场。

参考文献：

[1]国家旅游局.旅游景区质量等级的划分与评定（修订）[S].（GB/T17775-2003）.

[2]朱f，陈晓亮.中国A级旅游景区空间分布结构研究[J].地理科学，2008，28（5）：608-615

[3]谢志华，吴必虎.中国资源型景区旅游空间结构研究[J].地理科学，2008，28（6）：748-753

[4]李飞，何建民.中国旅游景区发展的地区差异及其收敛性――以2001-2009年A级旅游景区为例[J].地理与地理信息科学，2001，27（4）：83-88.

[5]武真真，章锦河.安徽省旅游景区空间分布差异分析[J].云南地理环境研究，2012，22（2）：70-75.

[6]程晓丽，黄国萍.安徽省旅游空间结构演变及优化[J].人文地理，2012，2：145-150.

高数与高中数学的区别篇4

关键词：长三角地区；极端气温；时空变化；张力样条插值法；规则样条插值法

中图分类号：P457文献标识码：A文章编号：1672-1683（2016）04-0042-06

Abstract：Baseonthedailytemperaturedataof34meteorologicalstationsintheYangtzeRiverDeltaregionduring1960-2012，byusingtrendanalysis，waveletanalysis，Mann-Kendalltest，andsplineinterpolationmethod，thetemporalandspatialvariationcharacteristicsofextremetemperatureinYangtzeRiverDeltawereanalyzed.Theresultsshowedthat：inrecent53years，coldindexshowedasignificantlyupwardtrend，andpassedthe0.01reliabilitytest，withtheclimatetendencyrateof-2.8d/（10a），-4.1d/（10a）and0.45℃/（10a），respectively.Thewarmindexhadarisingtrendbutthetrendwasnotsignificant，onlywarmdayindexandtheextrememaximumtemperaturepassedthe0.05reliabilitytest.Fromaspatialdistributionperspective，thenumberofhightemperaturedaysandtheextrememaximumtemperatureshowedthedistributionrulesofnorthlowandsouthhigh，eastlowandwesthigh，andcoastallowandinlandhigh.Lowtemperaturedaysandextrememinimumtemperaturewerecontrary.Fromachangetrendperspective，extremetemperatureindexshowedarisingtrend，andthemostobviousupwardtrendareasoftheextremelowandextremehightemperaturewereShanghai，Nanjing，Hangzhouandotherlargecitiesandsurroundingareas.

Keywords：YangtzeRiverDeltaregion；extremetemperature；spatialandtemporalvariations；splinewithtension；regularizedspline

全球变暖的大背景下，极端天气气候事件的发生越来越频繁。据估计[1]，1991年-2000年的10年里，全球每年受到气象水文灾害影响的平均人数为2.11亿，是因战争冲突受到影响人数的7倍。研究表明[2-13]，我国近百年来地面气温已明显增暖，增温速率约为0.08℃/（10a），与全球同期平均相当或略强；近54年我国年地表平均温度增温速率0.25℃/（10a），明显高于全球或北半球同期水平。

极端天气气候事件的研究受到了越来越多的关注，国内外学者对极端气温变化趋势特征也进行了大量研究。如Klein等[14]采用极端气候指数研究了欧洲日极端气温和降水的变化趋势；高路等[15]研究指出，东北、青藏高原及西北地区为极端低温的集聚区，其中青藏高原为全国极端高温中的唯一冷中心，西北盆地为最热中心；王刚等[16]分析了海河流域极端高温和极端低温的长期变化特征和流域整体增温的气候变化背景，得出极端低温增幅明显高于极端高温，对平均气温上升的贡献较大的结论；翟盘茂[17]等依据经典气候学定义，通过阈值分析的方法研究了中国北方近50年的温度和降水极端事件变化，发现中国北方夜间温度偏低日数显著减少而白天温度偏高日数趋于增加。王琼[18]等采用WMO推荐的极端气温指数研究了近50年长江流域极端气温事件，结果显示冷指数基本都呈现减少趋势而热指数呈现一定的上升趋势，并且冷指数的上升速率较大。

长江三角洲地处我国东南沿海，是暴雨、夏季高温等极端气候事件经常发生的地区之一，极端天气气候事件在该地区发生所造成的经济、财产损失和社会影响往往也是巨大的。鉴于目前国内外专门研究长三角地区的极端气温时空变化特征的文献很少，本文拟采用长三角地区34个气象站1960年-2012年长时间序列逐日气温资料，揭示该地区极端气温事件的发生频率、时间变化和区域分布特征，旨在于为区域气候变化和城市气候研究以及区域经济发展提供可靠的依据。

1数据与方法

1.1数据来源

研究区为江苏、浙江全省以及上海市和安徽省的合肥、芜湖、滁州、马鞍山和铜陵五地级市所辖区域。地面气象观测资料来自于国家气象信息中心，共选取长江三角洲地区34个观测站（图1）的逐日气温资料，序列均一性都已经过检验。

由于各站点资料序列起始时间参差不齐以及资料序列中缺测情况不一，文章综合考虑选取各站点资料序列的时间段为1960年1月1日至2012年10月31日共53年，其中浙江龙泉站由于资料不全选取的时间段为1960年1月1日到2008年12月31日。

1.2样条插值

本文采用样条插值法对长三角地区极端气温空间分布特征进行分析。样条插值法从根本上属于多项式插值，该方法主要是通过估计方差，利用一些特征节点，用多项式拟合的方法来产生平滑的插值曲线。这种方法适用于逐渐变化的表面，如温度、高程、地下水位高度或污染浓度等。如果用ve表示待估计点的值，则有：

2长三角地区极端气温时空变化特征

2.1极端气温指数定义

本文选取世界气象组织（WMO）推荐的16个极端气温指数中的6个指数（表1），从三个方面定义气温的极端变化，对于气温变化进行细微地分析。

可以看出，这6个指数分别从相对、绝对和极值三个方面进行了定义，实际上也可以把6个指数分为从冷和热或者极端低温和极端高温两个方面分别定义，其中冷指数（极端低温指数）有3个，分别为冷夜指数、低温日数、极端最低气温；暖指数（极端高温指数）分为暖昼指数、高温日数和极端最高气温。

2.2极端气温变化趋势

近50多年长三角地区6个极端气温指数的年代际变化见图2。分析表明，冷夜指数和低温日数均呈下降趋势，其中20世纪60年代和2003年以后略有波动；暖昼指数和高温日数伴随着较大的波动而缓慢上升，极端最低气温和极端最高气温也呈稳步上升趋势。从6个指数的变化可以得出长三角地区的极端低温和日最极端高温都有所上升，极端低温比低端高温上升的更为明显，是气温变暖的最主要特征。

从表2可以看出，冷夜指数、低温日数的下降和极端最低气温的上升明显而且稳定，冷夜指数、低温日数的变化速率分别为-2.8d/（10a）和-4.1d/（10a），并且两者都通过了0.01的信度检验，最低气温也以0.45℃/（10a）的速度上升且通过0.01的信度检验。可见，近53年长三角地区的冬季气候变暖异常显著。

暖昼指数、高温日数和极端最高气温也有上升的趋势，而与冷指数相比，这三个暖指数波动较为剧烈且上升趋势不显著。其中，暖昼指数上升速率为1.7d/（10a），通过了0.05的信度检验，高温日数上升速率为1.1d/（10a）且没有通过检验，极端最高气温上升速率为0.21℃/（10a）通过了0.05的信度检验。

总之，全球变暖的背景下长三角地区的冷指数显著上升，相比夏天，冬天变暖更为明显。过去53（1960年-2012年）年，长三角地区平均极端最低气温上升了2.3℃，低温日数平均减少了21d。

2.3极端气温空间变化特征

2.3.1极端气温区域分布特征

为得到极端气温区域分布特征，分别计算长三角地区的低温日数、高温日数、极端最低气温、极端最高气温的空间分布（图3），分析可知如下结果。

（1）冷指数。低温日数分布总体呈北高南低态势，而且在浙江地区，东南沿海高于内陆，而苏、皖、浙三省交界处较同纬度的值相对较低。高值区为江苏北部，最高为赣榆站达84d，低值区为浙江东南沿海及岛屿，最低玉环站为5.9d。极端最低气温分布为北低南高，最低为赣榆站达-11.2℃，最高为大陈岛-2.3℃。上述空间分布是纬度、海陆分布和地形对低温日数和极端最低气温共同影响的结果。

（2）暖指数。高温日数的空间分布与极端最高气温的分布极为相似，两者都呈现北低南高、东低西高、沿海低内陆高的分布规律。其中高温日数和极端最高气温的高值区分布在浙南中部地区，最高均为丽水站高温日数和极端最高气温分别达45.1d和39.6℃，低值区为浙江东南沿海的岛屿，最低为大陈岛站高温日数和极端最高气温分别为0d和31.4℃。可以看出，浙江丽水地区为长三角夏季最为炎热的地区，而浙江东南部岛屿如大陈岛为长三角地区夏季最为凉爽的地区，浙江东南部夏季温度梯度较大，主要体现了海陆分布和海陆风对气温的影响。

2.3.2极端气温变化趋势空间分布

利用Mann-Kendall检验，对冷夜指数、低温日数、极端低温和暖昼指数、高温日数、极端高温变化趋势的空间分布（图4）进行研究发现如下结果。

（1）冷夜指数、低温日数全为下降趋势，极端最低气温全为上升趋势，即均为变暖趋势。各个指数通过验证的站点数目和通过验证率具体见表3，三个冷指数通过0.05信度检验的站点数分别为32、32和29，占总站点的94%、94%和85%，其中冷夜指数、低温日数两者通过0.01信度检验的站点数均达85%以上。三个冷指数趋势大小分布较为相似，冷夜指数下降趋势大值基本分布在南京以北和以上海、杭州、宁波为中心的三个片状区域，倾向率最大为高邮站的4.2d/（10a），小值区主要分布在浙东南沿海岛屿。低温日数下降趋势的大值区主要分布在除太湖区域外的整个江苏地区以及上海、杭州、宁波等地方，倾向率最大仍然为高邮站的6.9d/（10a），小值区仍然分布在浙江东南沿海岛屿。极端最低气温上升的大值区主要分布在以徐州、赣榆、南京、常州、洪家为中心的点状区域，倾向率最大南京站的为0.78℃/（10a），小值区分布在浙江南部边缘站点。

（2）暖昼指数、高温日数、极端高温3个暖指数的升高没有冷指数的变暖明显，但大部分站点呈上升趋势。其中，上升趋势最为明显的地区基本为杭州湾以北及以南的沿海区域和杭州地区，而暖昼日数上升的大值区向南延伸到浙江东南部沿海地区，极端最高气温上升的大值区向北延伸到江苏苏州、南通等地区，这些大值区站点的上升趋势都通过了检验，大部分站点通过了0.01的信度检验。暖昼指数、高温日数、极端最高气温上升倾向率最大值分别为洪家站的6.2d/（10a）、鄞县的5.4d/（10a）、上海龙华站的0.66℃/（10a）。三者变化趋势为负即为下降趋势的站点基本分布在江苏西北部。

从6个气温指数的变化总体来看，无论极端低温（即冷指数，前文由日最低气温定义）还是极端高温（即暖指数，前文由日最高气温定义），长三角地区大部分站点都表现为上升趋势，而只有小部分站点的极端高温呈微弱下降趋势。极端低温上升最为明显的地区为苏北以及南京、上海、杭州、宁波等大城市区域，极端高温上升最为明显的地区为江苏南部及沿海、浙江东部沿海以及杭州地区。极端低温和极端高温全为上升趋势且通过检验的站点有8个，分别为高邮、南通、溧阳、龙华、杭州、平湖、鄞县和洪家。

3结论

（1）近53（1960年-2012年）年，冷夜指数、低温日数、极端最低气温3个冷指数都呈显著上升趋势，且均通过了0.01的信度检验，气候倾向率分别达-2.8d/（10a）、-4.1d/（10a）和0.45℃/（10a），暖昼指数、高温日数和极端最高气温3个暖指数虽也有上升趋势但趋势较为不显著，仅有暖昼指数与极端最高气温通过了0.05的信度检验。

（2）极端低温主要体现为低纬地区高于高纬地区沿海地区高于内陆地区，最低为苏北徐州、赣榆等地区，最高为浙东南玉环等地区；极端高温主要体现为沿海低于内陆，当然与纬度也有一定关系，其中最高为浙江金华、丽水地区，最低为浙东南玉环、大陈岛等地区；相比夏天变暖，冬天变暖更为明显，过去53（1960年-2012年）年，长三角地区平均极端最低气温上升了2.3℃，低温日数平均减少了21d。

（3）极端气温指数变化趋势均表现为上升趋势，但各有差异，极端低温表现为上升趋势，且较极端高温更为明显，极端低温上升趋势较为明显的地区为江苏大部、上海和浙江少部分地区，最为明显的是高邮、南京、上海、杭州、宁波等地区；极端高温上升明显的区域为苏南、上海以及浙江东南部，最为明显地区为南通上海一带、杭州以及宁波等地区。

参考文献（References）：

[1]丁裕国，郑春雨，申红艳.极端气候变化的研究进展[J].沙漠与绿洲气象，2008，2（6）：1-5.（DINGYu-guo，ZHENGChun-yu，SHENHong-yan.Theresearchadvanceforextremeclimateanditschange[J].DesertandOasisMeteorology，2008，2（6）：1-5.（inChinese））

[2]钱维宏，符娇兰，张玮玮，等.近40年中国平均气候与极值气候变化的概述[J].地球科学进展，2007，22（7）：673-684.（QIANWei-hong，FUJiao-lan，ZHANGWei-wei，etal.ChangesinmeanclimateandextremecliamteinChinaduringthelast40years[J].AdvancesinEarthScience，2007，22（7）：673-684.（inChinese））

[3]赵宗慈，王绍武，罗勇.IPCC成立以来对气温升高的评估与预估[J].气候变化研究进展，2007，3（3）：183-184.（ZHAOZong-ci，WANGShao-wu，LUOYong.AssessmentsandprojectionsoftemperaturerisingsincetheestablishmentofIPCC[J].AdvancesinClimateChangeResearch，2007，3（3）：183-184.（inChinese））

[4]任国玉，初子莹，周雅清，等.中国气温变化研究最新进展[J].气候与环境研究，2005，10（4）：701-716.（RENGuo-yu，CHUZi-ying，ZHOUYa-qing，etal.RecentprogressesinstudiesofregionaltemperaturechangesinChina[J].ClimaticandEnvironmentalResearch，2005，10（4）：701-716.（inChinese））

[5]周雅清，任国玉.中国大陆1956-2008年极端气温事件变化特征分析[J].气候与环境研究.2010，15（4）：405-417.（ZHOUYa-qing，RENGuo-yu.VariationcharactersofextremetemperatureindicesinmainlandChinaduring1956-2008[J].ClimaticandEnvironmentalResearch，2010，15（4）：405-417.（inChinese））

[6]任福民，翟盘茂.1951-1990年中国极端气温变化分析[J].大气科学，1998，22（2）：217-227.（RENFu-min，ZHAIPan-mao.1951-1990analysisofextremetemperaturechangeinChina[J].ChineseJournalofAtmosphericSciences，1998，22（2）：217-227.（inChinese））

[7]严中伟，杨赤.近几十年我国极端气候变化格局[J].气候与环境研究，2000，5（3）：267-372.（YANZhong-wei，YANGChi.GeographicpatternsofextremeclimatechangesinChinaduring1951-1997[J].ClimaticandEnvironmentalResearch，2000，5（3）：267-372.（inChinese））

[8]龚志强，王晓娟，支蓉，等.中国近58年温度极端事件的区域特征及其与气候突变的联系[J].物理学报，2009，58（6）：4342-4353.（GONGZhi-qiang，WANGXiao-juan，ZHIRong，etal.AnalysisoffeaturesofclimatechangeofHuabeiareaandtheglobalclimatechangebasedonheuristicsegmentationalgorithm[J].ActaPhysicaSinica，2009，58（6）：4342-4353.（inChinese））

[9]熊开国，封国林，王启光，等.近46年来中国温度破纪录事件的时空分布特征分析[J].物理学报，2009，58（11）：8107-8115.（XIONGKai-guo，FENGGuo-lin，WANGQi-guang，etal.Spatial-temporalcharacteristicsofrecord-breakingtemperatureeventsoverChinainrecent46years[J].ActaPhysicaSinica，2009，58（11）：8107-8115.（inChinese））

[10][HJ1.7mm]张晶晶，陈爽，赵昕奕.近50年中国气温变化的区域差异及其与全球气候变化联系[J].干旱区资源与环境，2006，20（4）：1-6.（ZHANGJing-jing，CHENShuang，ZHAOXin-yi.Spatialdivergencyoftemperaturechangeduring1951-2000inChinaanditscorrelationwithglobalclimatechange[J].JournalofAridLandResourcesandEnvironment，2006，20（4）：1-6.（inChinese））

[11]秦大河.应对全球气候变化防御极端气候灾害[J].求是，2007（8）：51-53.（QINDa-he.Extremeweatherdisastersdefenseforglobalclimatechange[J].QStheory，2007，8：51-53.（inChinese））

[12]张宁，孙照渤，曾刚.1955-2005年中国极端气温的变化[J].南京气象学院学报，2008，31（1）：123-128.（ZHANGNing，SUNZhao-bo，ZENGGang.ChangeofextremetemperaturesinChinaduring1955-2005[J].JournalofNanjingInstituteofMeteorology，2008，31（1）：123-128.（inChinese））

[13]刘学华，季致建，吴洪宝，等.中国40年极端气温和降水的分布特征及年代际差异[J].热带气象学报，2006，22（6）：618-624.（LIUXue-hua，JiZhi-jian，WUHong-bao，etal.DistributingcharacteristicsandinterdecadaldifferenceofdailytemperatureandprecipitationextremesinChinaforlatest40years[J].JournalofTropicalMeteorology，2006，22（6）：618-624.（inChinese））

[14]KleinTankA.M.G.，KonnenG.P..TrendsinIndicesofDailyTemperatureandPrecipitationExtremesinEurope，1946-1999[J].Climate，2003，16：365-368.

[15]高路，KarstenSchulz，陈兴伟等.基于ERA-Interim再分析资料的中国极端气温分析[J].南水北调与水利科技，2014，2（12）：75-78.（GAOLu，KarstenSchulz，CHENXing-wei，etal.AnalysisofextremetemperaturesinChinabasedonERA-Interimreanalysisdata[J].South-to-NorthWaterTransfersandWaterScience&Technology，2014，2（12）：75-78.（inChinese））

[16]王刚，严登华，张冬冬，等.海河流域1961年-2010年极端气温与降水变化趋势分析[J].南水北调与水利科技，2014，12（1）：1-6.（WANGGang，YANDeng-hua，ZHANGDong-dong，etal.TrendAnalysisofvariationsinextremeprecipitationandtemperatureintheHaiRiverBasinfrom1961to2010[J].South-to-NorthWaterTransfersandWaterScience&Technology，2014，12（1）：1-6.（inChinese））

[17]翟盘茂，潘晓华.中国北方近50年温度和降水极端事件变化[J].地理学报，2003，58（增刊）：1-10.（ZHAIPan-mao，PANXiao-hua.ChangeinExtremetemperatureandprecipitationoverNorthernChinaduringthesecondhalfofthe20thCentury[J].ActaGeographicaSinica，2003，58：1-10.（inChinese））

[18]王琼，张明军，王圣杰，等.1962-2011年长江流域极端气温事件分析[J].地理学报，2013，68（5）：611-625.（WANGQiong，ZHANGMin-gjun，WANGSheng-jie，etal.ExtremetemperatureeventsinYangtzeRiverBasinduring1962-2011[J].ActaGeographicaSinica，2013，68（5）：611-625.（inChinese））

高数与高中数学的区别篇5

IPCC对全球范围气温的第4次评估报告指出[1]，从1850年至今的12个暖年中，有11年发生在最近的12年间；因此，高温事件越来越受到各国政府和气象学家的关注[2]。近年来，国内已广泛开展了对高温成因及时空分布特征的研究，分别对我国高温日数变化趋势、夏季高温天气特征、高温变化周期，江苏、新疆、山东、重庆和我国的东部、华北等部分地区、省、市的高温成因及时空分布特征进行了研究[3－14]。但目前从统计角度出发，采用百分位法定义极端高温阈值，并没有考虑数据或系统本身的变化特征[15]。而气候系统的变化具有自记忆特征，在气候时间序列里存在着持续性[16－18]。为可靠地分析气候序列中的长程幂律相关性，有必要辨别数据中内在的长程波动引起的趋势成分，如果分析时没有滤去趋势成分，则其中的强趋势成分会对长程相关的分析结果给出虚假的信息，所谓去趋势波动分析(DetrendedFluctuationAnalysis,DFA)就是先除去序列中的趋势，再对序列进行记忆特征研究[19－25]。同时，气候系统是一个非线性、无标度、多层次、强迫耗散十分复杂的巨系统[20]，故采用能够反映其变化的不确定性特点的统计量来分析我国气候特征，更具有合理性[21]，这个能够度量某些要素不确定性程度的指标就是熵。熵是一个热力学概念，是用来描述热力学系统的混乱程度，在众多熵值的计算模式中[22]，排列熵(PermutationEntropy,PE)是一个基于长时间序列的相邻数据对比的复杂度参数，它的优点是易于计算、简单而实用[25]，目前多用于医学[26－27]，而一些学者的研究证明排列熵方法对气温突变和周期检测是十分可靠的[22,28]。对温度变率时空结构研究，既有助于加深对气候变化特征的了解，又对气候灾害的风险及其预测具有实际应用价值[23]。因此，本文利用DFA方法，确定了各站点的极端高温阈值，应用排列熵方法分析各区极端高温年频数的周期和突变，并详细分析我国大陆极端高温的时空分布特征成因。研究的内容有助于城市高温预警预报业务的开展，对于提高公共服务质量，保障民生具有重要的科学意义和现实意义。

2资料与方法

2.1资料说明

气温对于迁站等人为因素非常敏感，会引起非均一性。中国气象局国家气象信息中心自2006年开始中国均一化历史气温数据集(1951—2004年)，因此，本文采用由中国气象局国家气候中心提供的均一性较好的数据分析。按照1951—2008年连续缺测少于0.5年(182d)，累计缺测不多于1年的原则，共有77个站点符合要求。为了保证空间序列信息的完整性，增加了青海格尔木(1955年4月—2008年)、青海玛多(1953—2008年)、青海西宁(1954—2008年)天津(1954—2008年)、拉萨(1955—2008年)5个站点；同时，由于上海站仅拥有1991—2008年的数据，而上海龙华站1997—2006年间的数据缺失，考虑到上海市在长江三角洲乃至全国的重要性，及其上述两站点的距离相对较小，故将上海站的1997—2006年数据补充至上海龙华站的时间序列内。共计83个站点。

2.2DFA方法

DFA方法是基于随机过程理论和混沌动力学新发展的一种分析方法，用于检测时间序列的物理特征。从动力学角度看，这种方法中变换的序列仍残留着原序列的痕迹，与原序列保持着相同的持久性(或反持久性)[16]。通过观测得到的气象数据通常是非平稳的，采用传统的方法在计算自相关系数时经常受到含有的噪声或某些趋势成分的影响，影响到分析结果的可靠性，而DFA对于分析此类含有趋势成分的序列的标度行为有很大的优势[19]。DFA方法作为一种标度分析工具，它可以有效滤去各阶趋势成分，很好地处理非平稳数据并消除其中的伪相关现象，检测非平稳时间序列中的相关性[24]。根据杨萍等的研究，DFA确定高温阈值的具体步骤如下[16]。

①确定{xi}的最大值xmax。

②确定序列{xi}的中间点R，R值可以是平均值xave或者介于最大值与最小值之间的某一中值xmed。

③从{xi}的最大值xmax开始，依次舍去{xi,xi≥xmax-d×k}数据区间的数据点，直到xi=R，依次得到新序列YJ，J=xmax-d×k，其中d为区间间隔，k=1，2，，(xmax-R)/d。

④计算每个新序列YJ的长程相关性指数DJ，得到其随舍去区间J的变化。

⑤当DJ的变化开始趋于平缓且收敛时的值为临界值。

⑥区间间隔d代表本方法的分辨率，其取值越小k越大，确定的阈值分辨率越大，同时计算量也越大；反之则阈值分辨率小，k小，计算量也相对较小。考虑到温度的精确程度及夏季所有站点的温度范围，取k=1000，R=15.0℃。

2.3排列熵算法

根据侯威等的研究[28]，PE算法步骤如下。

①设一离散时间序列为[x(i)，i=1，2，，n]，对其中任意一元素x(i)进行相空间重构，得，X(i)=[x(i)，x(i+l)，，x(i+(m-1)l)](1)式中m和l分别为嵌入维数和延迟时间。

②将X(i)的m个重构分量[x(i)，x(i+l)，，x(i+(m-1)l)]按照升序重新进行排列，得到一组符号序列，A(g)=[j1，j2，，jm](2)其中g=1，2，，k，且k≤m!，m个不同的符号[j1，j2，，jm]一共有m!种不同的排列，计算每一种符号序列出现的概率P1，P2，，P，按照Shannon信息熵的形式定义为，vkvvH(m)plnp1p∑==(3)

③当Pv=1/m！时，Hp(m)就达到了最大值ln(m!)，标准化处理后为，0≤Hp=Hp(m)/ln(m!)≤1(4)Bandt等[25]研究表明，m≤4时，PE算法将失去有效性，但太大(如m=12)也不合适[23]。因此，在本中选取m=7。

3结果与分析

定义日最高温度高于DFA方法确定的阈值时为极端高温，每个站点的高温阈值如表1。从而获得1951—2008年我国大陆极端高温年频率的时空分布(图1、图2)。图1表明1951—2008年我国大陆整体的极端高温频数变化为1950年代初最大，而后急剧下降，直至1970年代末—1980年代初呈现增长趋势。陈隆勋等对近45年来中国气候变化特征作了全面分析：中国自1940年代到达20世纪的第一个暖期后[29]，于1950年代气温急剧下降，随后呈波动变化，1980年代后，气温又急剧上升[30]。而1950年代初期—1980年代，中国大陆地表日照时数减少和太阳总辐射总体呈减少趋势[31－34]，和随后的增加趋势很可能是造成我国大陆极端温度年频数发生变化的主要原因。图2表明我国大陆极端高温年平均频率自我国西南-东北方向呈减少-增加-减少趋势，而自东南-西北呈增加-减少的趋势，且较大频数主要分布在云南、广西、广东、河南和河北南部等地区，贵州、甘肃、内蒙古等省区为较小频数分布的主要区域。总体而言，我国南方地区频数要较北方地区的大，而且大、小频数发生区域相对集中。为分析不同区域极端高温频数的年际变化规律，根据全国的时空分布及大小集中情况，将全国划分为10个区(图3)，分别为：准葛尔区(A)、东北区(B)、准葛尔东区(C)、西南东区(D)、西南西区(E)、京津塘区(F)、东南区(G)、中南区(H)、太行秦岭区(I)、华南区(J)(图3)。分区的结果与龚志强等根据动力学自相关因子指数Q分析我国温度的时空变化特征进行的空间分区[35]和向旬等利用REOF和CAST聚类分析相结合的方法，对热浪指数和暖夜指数进行的分区基本一致[36]。

考虑到添加的6个站点时间序列最多缺失4年，因此在计算排列熵时自2008年开始，于1956年终止；并对所得的排列熵按照公式(4)进行标准化处理。从图4a可以看出准格尔区的极端高温呈准10～11年的周期变化，分别于1963年和1994年两度发生突变。图4b表明东北区的逐年极端高温频数主要呈14～15年的周期变化，且以14年的变化周期为主，并于1960—1964年发生突变。准葛尔东区(图4c)逐年高温天数变化第一周期为准10年，第二周期为准13～15年，且在1969年与1978—1980年发生两次突变。西南东区(图4d)的第一周期为13～14年，第二周期为18～20年，在1984—1985年发生突变。西南西区(图4e)呈现三个稳定周期，分别是第一周期7年，第二周期9年，第三周期13～14年，其中1965年和1976—1979年发生突变。京津塘区(图4f)与其他地区相比，极端高温周期较小，分别是7年及准10年，自1980年持续两年HP较低。东南区(图4g)逐年极端高温频数周期为11～13年和15年，且以准13年为主，在1977—1978年出现突变。中南区(图4h)出现三类变化周期，分别为准8年，准10年和准11年；直至2007年出现一次突变。太行秦岭区(图4i)第一周期为准13年，第二周期为16年，该地区于1979年发生一次突变。华南区(图4j)是规则的双周期，即准10年和准15年，该地区在1956—2008年间共出现三次突变，即：1966—1970、1976和1979年。

董满宇等运用MHF小波分析、非参数统计检验Mann-kendall法及Yamamoto法对东北地区91个气象站点近50年的气候资料进行了温度变化的时空特征分析，结果表明东北地区14年周期振荡最强，且于1964年发生突变[37]；刘燕等运用EOF、相关分析等方法，分析了广州市1951—2004年高温频数的基本气候特征，发现广州高温频数1980年以来稳定增加，并检测1980年代初具有一次增加突变[38]；而江志红等利用多窗谱方法，对全球各区域平均温度序列进行多种信号的检测、重构，认为在我国北方存在准10.3年的年代变率[39]均与本文的结论基本一致，佐证了排列熵方法的可靠性。

图4的统计结果表明，各区逐年极端高温频数变化主要呈三大周期，即准7年、准10～13年和准16～20年，其中准7年和准11年分别是ENSO和太阳活动的显著周期，它们对全球及我国的气候变化均有较大影响，侯威等[28]认为我国的逐年极端高温频数周期与太阳活动周期、10年的气候变率周期有关。而温度是受太阳活动、地球自转、各种遥相关指数等多种因素影响的天气要素[16]；但高温日数多寡和高温频数及其进程受大气环流要素场及其距平场的变动影响较大[38,40]；同时，由于副热带高压与东亚大陆副热带夏季风强度有密切的关系，夏季风偏强的年份，我国夏季大范围高温[41－42]，强高温过程偏多，强度偏大；而影响我国的西太平洋地区的越赤道气流呈现10～11年和准20年的振荡，中层500hPa和低层850hPa纬向风多表现为17年的年代际周期及经向风则在6—8月有显著的准7年和准13年周期[43]。各区的突变主要发生在1960年代、1970年代末和1980年代初，这与林学椿[44]的气候跃变结论和何文平[45]的地表温度动力学结构突变的时空分布结论基本一致。而1960年代北半球气候状况普遍出现突变，各地的跃变在空间上具有行星尺度的有机联系，其原因主要由于北半球中高纬大部分地区较一致的降温和部分较低纬地区的增温，导致高低纬热力梯度在1960年代前期迅速增大的结果[46]；作为响应，我国大部分地区在同时期的极端高温频数发生了突变。而何文平认为1970年代末—1980年代初的突变与同时段的两次太阳活动强弱状态的交替时期有关[45]；同时，该时期的突变很好响应了我国日照时数在该时期前后表现出的变化趋势差异[31－34]和1980年代前、后全球总体温度的变化趋势。

4结论

(1)我国大陆极端高温年频率均值，自西南-东北方向呈减少-增加-减少的变化趋势，而自东南-西北呈增加-减少的变化趋势，且我国南方高温频数较北方的大，大、小频数区域性较强。

高数与高中数学的区别篇6

根据调查，我们发现，高校历年录取分数的高低，从某种意义上显示了考生和家长对高校的认可度，为此我们对教育部权威部门提供的各高校近三年(2009～2011年)高考录取分数中几十万个数据进行了统计、整理、筛选、分类，最终得出了10分段“高校录取分数分区间分布统计表”(内容见后)，以期对考生的志愿填报有所参考。

为方便大家理解统计数据，特作以下说明。

1.统计分数为院校录取平均分。在本次统计中，我们参考的是高校在各省(区、市)的录取平均分。就一所院校而言，在同一省(区、市)既有最低分，也有最高分，平均分是将所有录取考生的分数进行统计整理而得。根据志愿填报规律，如果考生报考某大学，其成绩的相对分(高考成绩与同科类同批次省控线之差)与录取平均分相对分(平均分与同科类同批次省控线之差)相差不大，录取的可能性更高。因此，选择平均分对考生选择大学的参考意义更大。

2.具体统计方法：首先根据教育部提供的拟1年各高校分省份录取数据，按文、理科，不同批次，统计出某所高校在所有招生省(区、市)的录取平均分分差(院校录取平均分分差=院校在该省的录取平均分一该省该批次省控线)，然后把这些院校在不同省(区、市)的录取分差相加，并除以省(区、市)的数量得到某一年录取平均值。据此方法，再分别统计加09年和加10年的高校录取分平均值，然后将三年平均值之和经过再次平均，最后得出的平均值就是高校所属的分数区间(详见本文第一部分：高校录取分数区间分布统计表)。

3.跨批次招生院校，归类情况有所差异。目前，跨批次招生的院校较多，为了更详细地反映各高校录取情况，我们按院校在不同批次的招生分别归于不同的批次中。这里要特别说明的是，某院校如果在某批次招生少于五个省(区、市)中，未列入本统计表。

4院校分布的分数区间：根据院校历年录取分数超过省控线的规律和特点，对本科一批分9个分数段进行统计，本科二批、本科三批分6个分数段进行统计。具体而言，本科一批9个分数区间分别为：80分以上、71～80分、61～70分、51～60分、41～50分、31～40分、21～30分、11～20分、0～10分；本科二批、本科三批六个分数区间分别为：50分以上、41～50分、31～40分、21—30分、11～20分、0～10分。

5.排序办法。在“高校录取分数分区间分布统计表”中，每个分数区间段内的大学原则上是按照分数高低进行排序的。如果有分数并列的情况，则以计算机自然排序为准。