高数与高中数学的区别十篇

高数与高中数学的区别篇1

1、切向量是曲线在一点处的切向量可以理解为沿曲线该点处切线方向的向量。在数学几何中法线指平面上垂直于曲线在某点的切线的一条线。

2、曲面的切向量可视为切平面中的向量。曲线的法线是垂直于曲线上一点的切线的直线，曲面上某一点的法线指的是经过这一点并且与该点切平面垂直的那条直线。

3、切向量的概念是个几何概念，亦即它的定义和坐标选取无关。对于立体表面而言，法线是有方向的：一般来说，由立体的内部指向外部的是法线正方向，反过来的是法线负方向。

（来源：文章屋网 ）

高数与高中数学的区别篇2

关键词：分组学习；南平剑津中学；等级分；成效探究

一、背景资料

1.分组学习

分组学习，国外教育界称之为Cooperative Learning or Collaborative Learning，国内也称为小组互助合作学习，是20个世纪70年代兴起的一种基于传统课堂教学下的学习模式。分组学习是在班级授课制背景下的一种教学方式，以课堂教学作为基本教学组织形式，以学生小组学习为教学手段，激发个体的学习潜力，发挥群体的竞赛功能，有效地创造出“组内成员合作，组间成员竞争”的学习模式，以较好地完教学任务，使参与的学生取得良好的成绩。

众所周知，初中生物教学如果纯粹采用传统的教学模式，则主要有以下几个不足之处：学习被动性，即学生处于被动学习的状态，不是“我要学”，而是“要我学”；相互之间沟通困难，即教师与学生之间，学生与学生之间，课内与课外活动之间，互动、沟通不够，从而导致学生学习效率不高，兴趣不高，课堂气氛不够热烈，在学习过程中的参与度不高，兴趣激发难度大。在常规教学中引入分组学习，则可有效地弥补上述不足。

本文通过观察南平剑津中学三个教学周期六个教学班级，分别采取引入与不引入分组学习的方法，比对其等级分在各区间的差异性，探究引入分组学习的作用与效果。

2.南平剑津中学及生物课程在中考的位置

南平剑津中学创建于1902年，具有110多年的办学历史，现为初级中学，省级初中示范校。全校三个年级（七、八、九年级），每年级一般有十四个班。生物课程于学生入校伊始开设，于八年级下学期期末以“等级分”形式参与全市中考结束。我市中考成绩等级分的评判标准为：85分及以上为“A”级，75分及以上至85分为“B”级，60分及以上至75分为“C”级，60分以下为“D”级。

二、探究方法与数据

2008年9月-2014年6月期间，在各级专家的精心指导下，在学校领导的大力支持下，在本教研组同仁的鼓舞下，特别是在在家人的理解奉献下，笔者全过程承担了三个周期的生物教学工作。每个周期为二学年，承担二个班级生物教学工作。采用比较法，每个周期的二个班级，每个班级学生数均为50人左右。在二学年的教学过程中，一个班级采取传统教学方法，另一个班级引入分组学习法。同一个周期的二个班级以中考成绩为样本，进行对比，得出数据。

为方便，记传统教学方法的班级为A班，引入分组教学方法的班级为B班，A1，A2，A3分别为第一周期（2008-2010学年），第二周期（2010-2012学年），第三个周期（2012-2014学年）的A班；同样记B1，B2，B3。对中考考成绩分别以[0，50），[50，60），[60，70），[70，75），[75，80），[80，85），[85，90），[90，95），[95，100]共9个分数区间段进行人数统计，得出如下数据：

在第一周期中，A，B班级人数分别为51人和49人，其中在区间[0，50），[50，60），[60，70），[70，75），[75，80），[80，85），[85，90），[90，95），[95，100]中，A班人数分布分别为：0，1，2，4，5，6，18，8，6；B班人数分布分别为：0，1，2，3，4，5，20，10，5.

在第二周期中，A，B班级人数分别为50人和51人，其中在区间[0，50），[50，60），[60，70），[70，75），[75，80），[80，85），[85，90），[90，95），[95，100]中，A班人数分布分别为：1，0，1，3，6，7，19，7，6；B班人数分布分别为：0，1，2，3，3，6，21，8，6.

在第三周期中，A，B班级人数均为50人，其中在区间[0，50），[50，60），[60，70），[70，75），[75，80），[80，85），[85，90），[90，95），[95，100]中，A班人数分布分别为：0，1，1，6，6，6，18，8，4；B班人数分布分别为：1，0，0，4，5，4，23，9，4。

对三个周期各区间人数进行累加，则A班总人数为151人，B班总人数为150人，其中在区间[0，50），[50，60），[60，70），[70，75），[75，80），[80，85），[85，90），[90，95），[95，100]中，A班人数分布分别为：1，2，4，13，17，20，55，23，16；B班人数分布分别为：1，2，4，10，11，15，65，27，15.

为去除班级人数不同造成的数据比对不科学，我们计算出各区间人数在相应班级总人数所占的百分比，可以得到：

在第一周期，各区间所占百分比（保留两位小数）。A为：0.00%，1.96%，3.92%，7.84%，9.80%，13.73%，35.29%，15.69%，11.76%；B为：0.00%，2.04% ，4.08%，6.12%，6.12%，10.20%，40.82%，20.41%，10.20.

在第二周期，各区间所占百分比（保留两位小数）。A为：2.00%，0.00%，2.00%，6.00%，12.00%，14.00%，38.00%，14.00%，12.00%，B为：0.00%，1.96%，3.92%，5.88%，5.88%，11.76%，43.14%，15.69%，11.76%.

在第三周期，各区间所占百分比（保留两位小数）。A为：0.00%，2.00%，2.00%，12.00%，12.00%，12.00%，36.00%，16.00%，8.00%.

三个周期总和中，各区间所占百分比（保留两位小数）.A为：0.66%，1.32%，2.65%，8.61%，11.26%，13.25%，36.42%，15.23%，10.60%；B为：0.67%，1.33%，2.67%，6.67%，7.33%，10.00%，43.33%，18.00%，10.00%.

为了便于比对，我们将上述数据同一周期所占百分比的B减去A，得出下表一：

三、分析与结论

1.分析

从上述数据来看，在等级分“D”阶段，即[0，60）之间，采取分组学习与不分组学习的考生数差异不大，这一点在等级分“A”的高分阶段，即[95，100]之间也一样。这应该与南平市教育主管部门规定的，剑津中学等所有初中校，招生形式采取划片入学，校内分班再采取电脑随机分班的方法，从而同一年段后进生与特优生在各班是随机分布这一现象有关。在此，为实现数据的科学性与合理性，本文剔除这二个阶段，不予以比对。

随着分数区间的递增，首先是A组人数占比开始明显逐步多于B组人数占比，在等级分“C”阶段，即[60，75）之间，其中的[60，70）之间A组与B组三年相差只到0.002%，差别尚不明显，几乎可以忽略不计。而到了[70，75）之间，A组与B组相比，相差已接近二个百分点，达-1.94%；特别是在等级分“B”阶段，即[75，85）区间，这种差别更加显著，从表一可看出，等级分“B”阶段二个区间，即[75，80），[80，85），每个周期之间，A班占比都比B班占比多，且总体显递增趋势，特别是第二周期，差距接近10个百分点，达9%，且三周期的差距之和为：（-3.92%）+（-3.25%）=-7.17%.

与上述完全相反的是，到了“A”阶段，剔除前述高分段[95，100]特例不予以考虑之外，则与“B”“C”二阶段截然不同，引入分组学习的班级与传统教学班级相比：（1）B班占比数明显多于A班人数，特别是在第三周期，B班与A班占比数相差超过12.00%；（2）随着分数区间的递增，到了高分段[90，95）B班与A班占比数相差趋小，由低分段[85，90）每个周期都超过百分之五到本阶段每个周期都低于百分之五。综合比对，在“A”阶段，三个周期的差距之和为：（6.91%）+（2.77%）=9.68%，即引入分组学习的班级，等级分达“A”的所占比例明显多于只采取传统教学的班级。

2.结论

分组学习的引入，在学习成绩上，对班级两个极端（后进、特优）的学生影响不大，但对大部分的学生而言，通过分组学习，能有效地把他们的成绩由“良好”（“B”等级）提高到“优秀”（“A”等级）成绩。这说明了：在初中生物教学中引入分组学习的班级比只采用常规教学的班级，中考成绩优秀率高近10个百分点。由此，我们也确实体会到在初中生物教学中引入分组学习的有效性和必要性。

参考文献：

[1]薛国平.浅议分组学习[J].价值工程，2011（13）.

高数与高中数学的区别篇3

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-1 Hyperion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-1 Hyperion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] J Parecke.EO-1/Hyperion Science Data User’s Guide[M].TRW Space， Defense & Information System，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：Base on the daily temperature data of 34 meteorological stations in the Yangtze River Delta region during 1960-2012，by using trend analysis，wavelet analysis，Mann-Kendall test，and spline interpolation method，the temporal and spatial variation characteristics of extreme temperature in Yangtze River Delta were analyzed.The results showed that：in recent 53 years，cold index showed a significantly upward trend，and passed the 0.01 reliability test，with the climate tendency rate of -2.8 d/（10a），-4.1 d/（10a） and 0.45 ℃/（10a），respectively.The warm index had a rising trend but the trend was not significant，only warm day index and the extreme maximum temperature passed the 0.05 reliability test.From a spatial distribution perspective，the number of high temperature days and the extreme maximum temperature showed the distribution rules of north low and south high，east low and west high，and coastal low and inland high.Low temperature days and extreme minimum temperature were contrary.From a change trend perspective，extreme temperature index showed a rising trend，and the most obvious upward trend areas of the extreme low and extreme high temperature were Shanghai，Nanjing，Hangzhou and other large cities and surrounding areas.

Key words：Yangtze River Delta region；extreme temperature；spatial and temporal variations；spline with tension；regularized spline

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-2.8 d/（10a）和-4.1 d/（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1.7 d/（10a），通过了0.05的信度检验，高温日数上升速率为1.1 d/（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21 d。

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84 d，低值区为浙江东南沿海及岛屿，最低玉环站为5.9 d。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45.1 d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0 d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4.2 d/（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6.9 d/（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6.2 d/（10a）、鄞县的5.4 d/（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-2.8 d/（10a）、-4.1 d/（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21 d。

（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.（DING Yu-guo，ZHENG Chun-yu，SHEN Hong-yan.The research advance for extreme climate and its change[J].Desert and Oasis Meteorology，2008，2（6）：1-5.（in Chinese））

[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.（QIAN Wei-hong，FU Jiao-lan，ZHANG Wei-wei，et al.Changes in mean climate and extreme cliamte in China during the last 40 years[J].Advances in Earth Science，2007，22（7）：673-684.（in Chinese））

[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.（ZHAO Zong-ci，WANG Shao-wu，LUO Yong.Assessments and projections of temperature rising since the establishment of IPCC[J].Advances in Climate Change Research，2007，3（3）：183-184.（in Chinese））

[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.（REN Guo-yu，CHU Zi-ying，ZHOU Ya-qing，et al.Recent progresses in studies of regional temperature changes in China[J].Climatic and Environmental Research，2005，10（4）：701-716.（in Chinese））

[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.（ZHOU Ya-qing，REN Guo-yu.Variation characters of extreme temperature indices in mainland China during 1956-2008[J].Climatic and Environmental Research，2010，15 （4）：405-417.（in Chinese））

[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.（REN Fu-min，ZHAI Pan-mao.1951-1990 analysis of extreme temperature change in China[J].Chinese Journal of Atmospheric Sciences，1998，22 （2）：217-227.（in Chinese））

[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.（YAN Zhong-wei，YANG Chi.Geographic patterns of extreme climate changes in China during 1951-1997[J].Climatic and Environmental Research，2000，5（3）：267-372.（in Chinese））

[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.（GONG Zhi-qiang，WANG Xiao-juan，ZHI Rong，et al.Analysis of features of climate change of Huabei area and the global climate change based on heuristic segmentation algorithm[J].Acta Physica Sinica，2009，58 （6）：4342-4353.（in Chinese））

[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.（XIONG Kai-guo，FENG Guo-lin，WANG Qi-guang，et al.Spatial-temporal characteristics of record-breaking temperature events over China in recent 46 years[J].Acta Physica Sinica，2009，58（11）：8107-8115.（in Chinese））

[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.（ZHANG Jing-jing，CHEN Shuang，ZHAO Xin-yi.Spatial divergency of temperature change during 1951- 2000 in China and its correlation with global climate change[J].Journal of Arid Land Resources and Environment，2006，20（4）：1-6.（in Chinese））

[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.（QIN Da-he.Extreme weather disasters defense for global climate change[J].QStheory，2007，8：51-53.（in Chinese））

[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.（ZHANG Ning，SUN Zhao-bo，ZENG Gang.Change of extreme temperatures in China during 1955-2005[J].Journal of Nanjing Institute of Meteorology，2008，31（1）：123-128.（in Chinese））

[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.（LIU Xue-hua，Ji Zhi-jian，WU Hong-bao，et al.Distributing characteristics and interdecadal difference of daily temperature and precipitation extremes in China for latest 40 years[J].Journal of Tropical Meteorology，2006，22（6）：618-624.（in Chinese））

[14] Klein TankA.M.G.，Konnen G.P..Trends in Indices of Daily Temperature and Precipitation Extremes in Europe，1946-1999[J].Climate，2003，16：365-368.

[15] 高路，Karsten Schulz，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.（GAO Lu，Karsten Schulz，CHEN Xing-wei，et al.Analysis of extreme temperatures in China based on ERA-Interim reanalysis data[J].South-to-North Water Transfers and Water Science & Technology，2014，2（12）：75-78.（in Chinese））

[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.（WANG Gang，YAN Deng-hua，ZHANG Dong-dong，et al.Trend Analysis of variations in extreme precipitation and temperature in the Hai River Basin from 1961 to 2010[J].South-to-North Water Transfers and Water Science & Technology，2014，12（1）：1-6.（in Chinese））

[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.（ZHAI Pan-mao，PAN Xiao-hua.Change in Extreme temperature and precipitation over Northern China during the second half of the 20th Century[J].Acta Geographica Sinica，2003，58：1-10.（in Chinese））

[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.（WANG Qiong，ZHANG Min-gjun，WANG Sheng-jie，et al.Extreme temperature events in Yangtze River Basin during 1962-2011[J].Acta Geographica Sinica，2013，68（5）：611-625.（in Chinese））

高数与高中数学的区别篇5

关键词：　比较法 有丝分裂 减数分裂

比较法教学，是指按照食物对立统一规律和人的认识规律，将复杂多样的事物现象和本质进行分析鉴别和综合比较的教学方法。在中学生物教学中，许多知识点的区别与联系都能应用到比较教学法，如光反应和暗反应的区别与联系，有氧呼吸和无氧呼吸的区别与联系，等等。而在有丝分裂和减数分离的教学中比较法的运用更加广泛。

细胞增殖是细胞重要的生命活动，是生物体生长、发育、繁殖、遗传的基础。细胞是以分裂的方式进行增殖的，真核细胞的分裂方式有三种：有丝分裂、无丝分裂、减数分裂。而有丝分裂和减数分裂是中学生物学的重点和难点内容，让多数学生倍感头痛。在教学中，我将有丝分裂和减数分裂的相关图像放在一起进行对比，使抽象的内容具体化、直观化，非常利于学生掌握有丝分裂和减数分裂。下面我将自己在教学中所作的比较做一归纳总结成以下两个大的方面。

一、图像比较与表格比较相结合

1.将这种比较运用于区别细胞分裂的类型上，许多学生很难将有丝分裂、减数第一次分裂、减数第二次分裂的图像有效地区分开来。为了帮助学生解决这个难题，我将有丝分裂、减数第一次分裂、减数第二次分裂的前期，中期或后期的图像放在一起进行比较，让学生根据染色体的特征列出图表区别这三个时期。以中期为例，如上图：

将A、B、C三图用多媒体一起展示，然后展示下列图表让学生完成，最后得出结论。

学生通过图像对比，列表总结，就很容易得出结论，从而有效区别有丝分裂、减数第一次分裂和减数第二次分裂，最后将下图呈现让学生进一步加深学生的印象。

细胞分裂图像识别规律：

2.在区别细胞分裂方式的基础上，我运用图像通过染色体的特征区别细胞分裂过程中的体细胞、初级精母细胞、次级精母细胞、精细胞。以精原细胞的增殖方式为例，如下图。

第一步我通过多媒体呈现，让学生仔细观察图像中染色体的形态和数目特征。

第二步将图像转换成表格的形式，填写好表格。

最后师生共同总结图像A、B、C、D的特征，指出各图像代表的细胞类型。通过以上的比较很容易将图像和知识点联系起来，大大加深了学生对各类细胞特征的理解。

3.图像与表格结合比较法除了可以有效地区别细胞分裂的方式和细胞的特征外，还可以运用在动植物细胞的有丝分裂的区别、精母细胞和卵母细胞的减数分裂过程中的区别、有丝分裂和减数分裂过程的区别。例如在动植物细胞有丝分裂的区别教学中我采用的是下面的方法步骤。

（1）动植物细胞的有丝分裂图像比较如下。

（2）将图像A与B、C与D分别放在一组，让学生观察图像，根据教材指出动植物细胞有丝分裂的不同点发生在细胞分裂的什么时期，并进一步说出动植物细胞有丝分裂的主要区别点。最后我将图像转换为表格比较如下。

通过以上步骤教学，学生既能从直观上区别动植物细胞的有丝分裂，又能根据表格理解二者的区别，真是一举两得，达到事半功倍的效果。

通过图像和列表比较，我不仅培养了学生的观察能力，还提高了学生的分析解决问题的能力和归纳综合能力。这种课堂教学更有利于提高学生的积极主动性，真正做到了以学生为主，教师为辅，学生普遍反映很好。

二、表格比较和坐标图比较相结合

在细胞有丝分裂和减数分裂的教学中，遗传物质DNA、染色体和染色单体的数量变化也是一个让学生头痛的难题，多数学生不能很好掌握它们的变化规律。为了解决这个难题，我同样运用比较法，让学生根据书本中有丝分裂和减数分裂的过程图解，首先填写出细胞分裂过程中遗传物质DNA、染色体和染色单体的数量变化规律表，再根据数量变化表画出曲线图。

1.运用于有丝分裂过程中遗传物质DNA、染色体和染色单体的数量变化。

第一步：根据教材植物细胞有丝分裂模式图和学生有知识，以二倍体生物为例，填写出遗传物质DNA、染色体和染色单体的数量变化规律表。

第二步：根据遗传物质DNA和染色体数量变化规律表要求学生在坐标图中画出它们的数量变化曲线。

最后得出结论：有染色单体存在时，DNA的数目=染色单体的数目；无染色单体存在时，DNA的数目=染色体的数目。通过比较学习法很容易让学生掌握遗传物质DNA、染色体和染色单体的数量变化规律。

2.运用于减数分裂过程中遗传物质DNA、染色体和染色单体的数量变化。

在减数分裂的教学总结中，我首先让学生观察精原细胞、初级精母细胞、次级精母细胞、精细胞中的染色体数目，并判断有无染色单体，在根据已有的知识：“有染色单体存在时，DNA的数目=染色单体的数目；无染色单体存在时，DNA的数目=染色体的数目”，填写完成减数分裂中细胞核内主要成分的变化规律表。

紧接着根据上表完成精原细胞形成过程中染色体和DNA数目变化坐标图。

通过对遗传物质DNA、染色体和染色单体的数量变化的比较教学，不仅让学生掌握了它们的变化规律，还提高了学生的识图和作图的能力。

在有丝分裂和减数分裂的教学中，我通过运用比较教学法加强了学生的直观性，并能提高学生的逻辑思维能力，可使学生牢固地建立起知识的内部联系，把一些零碎的知识组织起来，使之系统化，并迅速而准确地由此及彼，去认识有丝分裂，减数第一次分裂，减数第二次分裂，精原细胞，初级精母细胞，次级精母细胞，精细胞，，染色体、染色单体、DNA等概念的区别联系和变化规律，获得了新的知识；扩大了知识范围，加深原有知识的程度，取得了很好的教学效果。

参考文献：

［1］普通高中课程标准实验教科书《生物—分子与细胞》.

［2］普通高中课程标准实验教科书《生物—遗传与进化》.

［3］中等职业学校课本农林专业教材《生物》.

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。

高数与高中数学的区别篇7

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8

【关键词】区分度；试题质量

衡量某一考试的试卷质量是否合格，需要通过它的难度、区分度、信度、效度、长度等指标来进行评定，本文试就区分度与试卷质量的关系作以粗浅的探讨。

测验试题的区分度也叫鉴别力，是指测验试题对被试实际水平的区分能力，区分度高的试题，能将不同水平的被试区分开来。试题区分度是评价试题质量的主要指标。如果一个试题实际水平高的被试能顺利通过，而实际水平低的被试不能通过，则该试题就具有较高的区分度。

常用的区分度的计算方法主要有以下两种：

一、鉴别指数法

此方法的主要步骤如下：

（1）按测验总分高低排列测验分数；

（2）确定高分组与低分组，每一组取试卷总数的27%；

（3）分别计算高分组与低分组在该试题上的通过率；

（4）按下列公式估计出项目区分度。

式中D为区分度，PH、PL分别为高分组和低分组在该试题上的通过率。从公式可知，如果高分组全部答对某题，而低分组无一人答对，则D=1；如果低分组全部答对，而高分组无一人答对，则D=-1；如果两组答对人数相等地，则D=0。因此，试题区分度指数的范围为-1≤D≤1。D值是反映试题作答情况与总分高低之间关系的量数，若D>0时，说明高分组的被试答对人数多，测试题具有区分能力，D值越大，区分度越；若D=0时，则说明试题无区分能力；若D

二、相关系数法

通过计算考生该试题分数与测验总分之间的相关系数来求得，即：

其中N为考生人数，x为每题得分数，y为每份试卷的总得分，的范围为0≤≤1， 的值越大，表示区分度越高，=0时，表示试题与考生学习水平无关；=1时，表示试题能把考生的学习水平完全区分开来。1965年美国测验专家伊贝尔根据长期的经验提出只有当（D）>0.4，试题的区分度才符合标准要求，反之，试题的区分度就达不到考试要求。

通过计算相关系数的方法来求区分度的过程是比较麻烦的，也易出错，因此有时也用成绩分布规律来区分各类考生的水平，即考试成绩若是正态分布的，其区分度就高；不符合正态分布的，其区分度就低。在高等教育中具有提高性和专业性，且大学生的各种差异也比较明显，不可能人人都在同一专业上具有同样的水平，通过对考试成绩的分布统计，凡基本符合正态分布的就说明试题的区分度符合考试要求，反之，就说明试题过易或是过难。因此这一方法被大多数教师采用，从而可直接检查自己的考试结果。

目前我国高校中许多专业的考试成绩平均分在80分以上的并不少见，考试成绩不是按正态分布的，这不仅违反了教学规律，减弱了学生的进取心和积极性，同时也影响了高等教育的社会信誉和教师的威信。而造成这种状况的主要原因是试题的难度偏低，主要表现在大部分考试内容是教材中的现成知识，特别是在某专业没有相关课作对比的情况下，大都是由任课教师进行复习、命题和评卷，学生最后的成绩高低与任课教师的复习方法、范围、试题的难度等直接相关。一般只要学生在考前通过重点复习就能获得高分，而低分的比例就会偏低，尤其是不及格比例很低，这种人人是高分、大家学习好的假像，掩盖了学生中客观存在的各种差异，从而也就不能完全区分各类考生的能力。

如何才能提高考试的区分度，具体可从以下几点着手：

首先要认识到区分度在考试中的作用。区分度是评价考试质量的主要指标，考试的目的是为了将不同知识和能力水平的考生加以区分，每一试题都对考生有所区分，试题的区分度正反映了这种区分能力的大小。区分度的高低意味着试题对于学生能力的强弱是否能很好地鉴别。由于目前学生水平的参差不齐，有些教师为了提高及格率和高分率，从而就降低试题的难度，这就势必会引起区分度的下降，也不能通过考试看出学生的差别，也达不到利用考试约束其勤奋学习、刻苦钻研的目的。

其次，增加试题的类型和条目。现在很多教师在出题时普遍采用问答题和计算题较多，虽然也有采用选择题、是非题、填空题等等，但是相对来说题量较小，分值较大，涉及的知识面不广，因此学生只要加强对重点章节的复习，基本上能猜中大部分的考试内容，学生的考试成绩差异不显著，区分度势必降低，要准确检查出学生对教材的掌握情况就很难。因此教师在命题时，要注重题型的搭配以及难易程度的比例，同时适量增加试题的数量，从而增加试题的覆盖面积，这样学生考试成绩出现优劣的偶然性也会随之减小，对各类学生的区分能力也就自然随之提高。

再次，加强对考试质量的评价工作。作好考试质量分析和评价工作，对检查学生学习情况和提高教师教学质量都有重要的意义。但一般情况下教师只注重对考试成绩作纯表面的描述，缺少对数据资料的统计分析，因而不能以教育测量的观点提出问题和解决问题，从而得出的结论也缺乏科学性的说服力。为了提高区分度，考试前避免采用划重点的复习方式，应采取系统复习的方法，从而减少学生猜中试题的可能性，在编制试卷的同时要制定出标准答案和评分细则，在评卷的过程中要严格按照事先制定的标准进行评分，坚决杜绝送分的不良现象。在评卷工作结束后，充分利用教育统计与测量的手段，作好对考试成绩的描述统计和推断统计，为今后的教学与考试工作提供相关信息。

参考文献：

[1] 王景英.小学教育统计与测量. [M].人民教育出版社，2008

[2] 伍跃东，彭绍勇。.数理统计在试卷分析数量化中的应用.郴州医专学报[J]，，1999

[3] 沈恒范.概率论与数理统计教程. [M].高等教育出版社，2003

高数与高中数学的区别篇9

关键词：GIS（Geographic Information System）；福建省；烤烟；产量；估测模型；空间分区

中图分类号：S572 文献标识码：A 文章编号：0439-8114（2016）10-2514-07

DOI：10.14088/ki.issn0439-8114.2016.10.017

Abstract：Based on the flue-cured tobacco output and its relevant influence factors data of representative samples in the tobacco area，this study was conducted to reveal spatial variation of flue-cured tobacco output of different flue-cured tobacco varieties in Fujian tobacco production areas. Based on the ideal estimation model of flue-cured tobacco yield for tobacco K326， cloud and mist 85 and 87， and the aid of GIS the yield and spatial distribution of different lue-cured tobacco variaties were estimated.The results showed that the estimation accuracy of the artificial neural network towards tobacco K326，cloud and mist 85 and 87 were 99.48% and 99.51%，respectively. So the neural network model was the best model to estimate the flue-cured tobacco production in Fujian province. The high yield regions of tobacco K326，Yunyan 87（85） were concentrated in Pucheng， Jianyang，Jianou，with the area of 96 695.67 hm2 and 208 683.58 hm2，respectively；The medium yield regions of tobacco K326，Yunyan 87（85） were mainly distributed in Yongding， Ninghua and Shanghang，with the area of 121 879.70 hm2 and 91 803.92 hm2，respectively；the low yield regions of tobacco K326，Yunyan 87（85） were 296 096.70 hm2 and 214 184.60 hm2，respectively. The research demonstrates that planting mist series in Fujian tobacco-growing areas can lead to higher yields.

Key words：Geographic Information System；Fujian province；flue-cured tobacco；output；estimating model；spatial division

福建是中国烟草发源地之一，由于福建省烟区位于亚热带季风气候区，气候温和，日照充足，降水丰沛，为烤烟生长提供较理想的立地条件，从而成为中国优质烤烟主产区和重要烟草生产基地。福建省烟区主要位于南平、三明和龙岩三市，合计烤烟种植面积占全省烤烟种植总面积的95%以上，2013烤烟产量达16.14万t，主要种植品种为K326、云烟87（85）[1]。烟叶的产量和品质直接关系到烤烟种植业的经济效益，故烤烟产量和品质的提升一直是人们关注的热点，但国内外至今有关烤烟产量的研究主要集中于烤烟产量的影响因素及改良技术措施等方面。如Farrokh等[2]研究指出氮肥与钾肥施用量对烟叶产量以及质量影响最大；Huo等[3]利用15N标记示踪技术寻找提高烤烟产量和品质的最佳水-氮耦合比率；Tariq等[4]通过田间试验研究了不同施肥方法与烟草养分吸收的相关性及其对烤烟品质和产量的影响；尹鹏达等[5]借助偏最小二乘回归施肥模型研究表明，氮磷钾肥与烤烟产量及烟叶化学成分均有显著的回归关系；上官力等[6]研究了同一海拔高度种植不同海拔高度选育的烟草种子对烤烟产量和品质的影响；李淑娥等[7]采用SPSS统计软件分别建立趋势产量和气候产量回归模型，最终建立白河烟区产量回归模型。可见，国内外至今针对烤烟产量估测模型的研究报道较少，在筛选建立区域烤烟产量最佳估测模型的基础上，借助GIS与产量最佳估测模型集成技术实现区域烤烟品种产量的空间估测与分区则更少见研究报道。为此，本研究利用福建烟区不同烤烟品种代表性调查样点烤烟产量及其相关影响因素资料数据，在筛选建立烤烟产量最佳估测模型的基础上，借助GIS与烤烟产量最佳估测模型集成技术，利用福建烟区烤烟产量影响因子空间属性数据库，开展福建烟区烤烟产量估测及分区研究，为实现福建烟区烤烟产量的动态监控，保障烟草优质、高产、高效生产提供科学依据。

1 方法步骤

1.1 资料收集

根据研究需要，收集以下数据：①1∶250 000福建烟区烤烟品种用地适宜性评价数据库，包括评价因子和烤烟用地适宜性的空间属性数据库，由土壤生态系统健康与调控福建省高校重点实验室提供；②福建烟区399个代表性调查样点地理信息坐标、烤烟品种产量（近3年均值）及相关土壤属性调查分析数据。其中K326样点数为186个，云烟85样点数36个，云烟87样点数为177个，由福建省烟草总公司烟草农业科学研究所提供。

1.2 烤烟产量影响因子及其属性数据集建立

烟草是一种对生态条件十分敏感的作物，不同生态因子对烟草生长发育特性、烟叶产量高低、品质好坏等影响差异明显[8]。地形因子与土壤中的水分及物质运移有着紧密的联系[9]，从而会影响土壤中养分的分布，同时地形因子通过制约水热条件再分布而对区域小气候产生显著影响。充足的光照、适宜的气温是形成优质烟叶的必要条件[10]，烤烟大田生育期日照时数要求达500～700 h，最佳温度为20～28 ℃，日照百分率为40%以上，≥20 ℃成熟期日均温的持续日数不少于50 d，水分是烟草重要的生态因子和组成成分，烤烟生育期月均降水量要求在100～200 mm之间[11]。良好的土壤条件是烤烟优质高产的重要基础，烤烟为喜钾忌氯作物，对土壤酸碱度较为敏感，适宜pH 5.5～6.5，肥力中等，有机质含量适中，质地为轻黏壤土、中壤和沙壤土最能生产出优质的烤烟[12]。综上所述，选取土壤因素（有机质、黏粒、碱解氮、速效磷、水溶性氯、交换性镁、pH和速效钾）、立地环境因素（坡度、坡向、耕层厚度、地下水位）、气候因素（无霜期、日均温≥20 ℃的持续日数、日照时数和日均温≥10 ℃活动积温）共16个因子作为福建烟区烤烟产量估测的主要影响因子。

代表性样点的土壤因子数据为福建烟区399个调查样点的实测值，立地环境条件和气候因子数据借助ARC/GIS软件，通过399个调查样点的地理信息坐标，从福建烟区烤烟用地适宜性评价因子数据库中提取。由于云烟85和云烟87是同源品种，其生产和效益相近，且因云烟85的实际调查样点数偏少，故将两者合并进行产量建模、预测和分区。将获取的数据分别建立福建省烟区烤烟K326、云烟87（85）产量估测模型筛选的样点数据集，其中K326样点数据集为186个，云烟87（85）样点数据集为213个。将样点数据集分为估测模型建模样本（占70%）和精度验证样本（占30%）两部分，所有样本数均符合统计学的大样本原则。

1.3 烤烟品种产量估测模型的建立

1.3.1 神经网络模型的建立 BP人工神经网络模型是一种模拟大脑-思维-计算之间关系的人工智能系统，是目前应用最广，被广泛接受的神经网络学习算法，能够自动以任意精度逼近任意复杂的非线性映射[13]。根据神经网络模型的网络参数确定原则，借助DPS统计软件分别对K326共130个、云烟87（85）共149个的产量进行拟合。通过BP算法误差反向传播法，信号从多个输入层节点导入，中间是一层与多层隐层节点，非线性耦合传递到输出层，逐步调整网络参数，最终得到一个误差平方和最佳的原则修正网络结构[14-16]。

具体参数设置如下：网络输入层神经元节点数即系统的自变量个数，设定为16；输出层神经元节点即系统目标个数设定为1；中间层激发函数Sigmoid为0.9，允许误差为0.000 1，最大迭代次数为1 000，数据进行标准化变换；K326产量模型的最小训练速率确定为0.8，激发函数确定为0.6，第1隐含层节点数选取14；云烟87（85）产量模型的最小训练速率确定为0.9，激发函数确定为0.6，第1隐含层节点数选取16。

1.3.2 逐步回归模型的建立 逐步回归分析方法是一种逐步筛选出显著影响因子的算法，其每一步筛选都要通过F值检验作为自变量对因变量作用的显著程度判断标准，从大到小地依次逐个引入回归方程，当F值的显著水平P≤0.05时，显著性检验为显著，否则将其剔除掉[17]，这一过程持续到没有变量可以剔除为止。借助DPS统计软件的逐步回归分析方法，分别对130个K326样点、149个云烟87（85）样点的产量建立以下逐步回归模型。

Yk=67.941+2.641X1+0.251X2+0.471X3-0.029X4+0.027X6-0.265X7+0.082X8-0.065X10-0.173X11+0.137 2X12-0.009X14

模型的决定系数R2=0.635，显著性水平P=0.046，n=128，表明模型中的自变量与K326的单位面积产量呈显著相关。

Y87（85）=148.797-3.896X1-0.218X2+0.153X3+0.047X4-0.010X5+0.013X6-0.128X7+0.010X8-1.741X9-0.179X10+0.077X11+0.050X12+0.690X13-0.016X14+0.045X15+0.091X16

模型的决定系数R2=0.744，显著性水平P=0.015，n=147，表明模型中的自变量与云烟87（85）的单位面积产量呈显著相关。

式中，Yk和Y87（85）分别为K326和云烟87（85）的单位面积产量；X1为pH，X2为黏粒，X3为有机质，X4为碱解氮，X5为速效磷，X6为速效钾，X7为交换性镁，X8为水溶性氯，X9为耕层厚度，X10为地下水位，X11为无霜期，X12为日照时数，X13为≥20 ℃日数，X14为≥10 ℃活动积温，X15为坡度，X16为坡向（下同）。

1.4 最佳模型筛选与检验

将56个K326和64个云烟87（85）烤烟品种验证样本的立地、土壤和气候因子数据分别代入上述建立的各烤烟产量估测模型，计算获得K326、云烟87（85）验证样本烤烟产量的模型估测值，采用模型估测产量与实际调查产量的线性回归相关性检验、配对样本t检验和均方根误差检验（RMSE）综合判断确定烟区烤烟产量估测的最佳模型。

1.5 烤烟产量空间推算与分区

为实现不同品种烤烟产量空间推算与分区，利用烤烟产量最佳估测模型和主要影响因子空间数据库，借助ARC/GIS软件，分别估测福建烟区K326、云烟87（85）的产量并建立相应烤烟品种产量空间数据图层，利用福建烟区烤烟生态适宜用地图层分别模拟K326、云烟87（85）的烤烟产量空间数据图层，建立福建烟区烤烟适种区K326、云烟87（85）产量空间数据库，借助动态聚类分析模型[18]，开展福建省烤烟适种区K326、云烟87（85）产量分区，分区标准见表1。

2 结果与分析

2.1 烤烟产量最佳估测模型的确定

由表2和表3可见，采用人工神经网络模型估测的K326与云烟87（85）产量均值分别为（1 866.36±10.70）和（2 130.42±10.23） kg/hm2，与实际调查产量均值间的绝对差值分别为0.52%和0.50%；而采用逐步回归模型的估测产量均值分别为（1 929.88±47.05） kg/hm2和（2 166.06±35.38） kg/hm2，与实际调查产量均值间的绝对差值分别为2.87%和2.13%；t检验结果显示，采用人工神经网络模型估测的K326和云烟87（85）产量与实际调查产量的t值（分别为0.91和1.03）均小于逐步回归模型（分别为1.14和1.30），2种模型的烤烟品种估测与实际产量间的t值均小于t0.05（t0.05=2.05，n=55；t0.05=2.00，n=63），表明2种模型估测的烤烟品种产量和实际产量均无显著差异，但均以人工神经网络模型估测的产量与实际调查产量差异较小。烤烟品种的模型估测产量与实际调查产量相关分析结果（图1和图2）表明，采用人工神经网络模型估测的K326和云烟87（85）产量与实际调查产量的相关系数（均为0.95）均显著高于逐步回归模型（分别为0.39和0.48），表明采用人工神经网络模型估测的K326和云烟87（85）产量与实际调查产量的相关性更为密切。由表4可以看出，采用人工神经网络模型估测的K326和云烟87（85）实际调查与估测产量的RMSE值（分别为79.40和81.88）均明显低于逐步回归模型（分别为353.05和284.59），同时人工神经网络模型对K326和云烟87（85）产量的模拟精度（分别为99.48%和99.51%）均高于逐步回归模型（分别为97.21%和97.87%），表明人工神经网络模型的烤烟品种估测产量与实际调查产量误差较小。因此，人工神经网络模型对K326与云烟87（85）产量的估测精度较高，可作为福建烟区烤烟产量估测的最佳模型。

2.2 烤烟产量空间分区分析

从利用ARC/GIS与人工神经网络模型集成技术估测的福建烟区不同烤烟品种产量可见（表5），福建省烟区烤烟K326和云烟87（85）产量空间差异较为明显，K326产量为2 624.10～1 305.00 kg/hm2，变异系数为14.16%，产量均值为1 752.90 kg/hm2；云烟87（85）产量为2 803.95～1 395.00 kg/hm2，变异系数为16.34%，产量均值为1 959.60 kg/hm2。

由福建烟区烤烟品种产量分区结果（图3）可知，福建省烟区K326品种高产量区面积达96 695.67 hm2，占福建省烟区生态适宜用地总面积的18.79%，集中分布于浦城、建阳、长汀和建瓯等县（市）；云烟87（85）高产量区面积为208 683.58 hm2，占福建省烟区生态适宜用地总面积的40.55%，主要分布于浦城、建阳、上杭、建瓯和宁化等县（市、区）。这些产量比较高的烟区一般分布于海拔低于400 m的地区、平均坡度为3.08°、平均日照时数725.46 h和≥10 ℃活动积温3 326 ℃的地区，这为烤烟生长发育提供了优越的气候条件；从土壤类型来看，高产区的主要土壤类型为灰泥田和灰泥沙田等，质地多为壤土，耕层厚度均值达22.37 cm，土壤有机质30.14 g/kg、碱解氮163.59 mg/kg、速效钾76.40 mg/kg，速效钾含量比全省烟区适宜种植烤烟耕地土壤的均值高6.63 mg/kg，交换性镁含量适中，为烤烟生长发育提供了较理想的养分条件。

福建省烟区K326品种中产量区面积达121 879.70 hm2，占全省烤烟适宜用地总面积的23.68%，主要分布于浦城、武夷山、长汀、连城、上杭、武平、永定、宁化和永安县（市）；云烟87（85）中产量区面积达91 803.92 hm2，占福建省烤烟适宜用地总面积的17.84%，主要分布于建瓯、建阳、长汀、上杭、新罗、永定、宁化和尤溪县（市、区）。这些耕地多分布于低丘缓坡，海拔也相对较低，气候条件与高产量区相似，但土壤耕层厚度和速效钾含量均值仅分别为全省烟区适宜烤烟种植的耕地土壤相应属性均值的96.51%和92.34%，而土壤水溶性氯含量均值则比全省烟区适宜烤烟种植耕地土壤的相应均值高2.17 mg/kg，土壤类型多为肥力相对较差的黄泥沙田等，因此，上述区域耕地土壤的耕层厚度、速效钾和水溶性氯含量等属性不利于烟叶产量的提高。

福建省烟区K326品种低产区面积为296 096.70 hm2，占全省烤烟生态适宜用地总面积的57.53%，集中分布于建瓯、建阳、邵武、顺昌、武夷山、武平和新罗等县（市、区）；云烟87（85）低产区耕地面积为214 184.60 hm2，占全省烤烟生态适宜用地总面积的41.61%，主要分布于建瓯、邵武、武夷山、长汀、连城、武平和宁化等县（市）。这些区域大多分布于海拔较高的山地丘陵坡地区，交通不便，田间管理困难，大部分地处阴坡，日照时数的不足也制约了烤烟的光合作用，≥10 ℃活动积温比福建省烟区均值低210.68 ℃，耕层厚度均值仅为13.24 cm，土壤有机质含量23.12 g/kg、碱解氮含量150.05 mg/kg和速效钾含量60.01 mg/kg，水溶性氯含量均值比福建省烟区适宜烤烟种植耕地土壤相应均值高3.11 mg/kg，热量、光照和土壤条件均不利于烤烟的生长发育。

3 小结与讨论

不同数学模型估测精度比较表明，人工神经网络模型可作为福建烟区烤烟产量估测的最佳模型，利用该模型将福建烟区主栽品种K326和云烟87（85）的产量划分为高产、中产和低产量区。云烟87（85）高产量区面积占福建省烟区评价区域总面积的40.55%，明显高于K326高产量区面积（仅占全省烟区评价区域总面积的18.79%），表明福建烟区种植云烟系列烤烟品种可获得更高的产量。

烤烟产量的影响因素十分复杂，不同品种及研究区域影响烤烟产量的因素各异，且不同数学模型适用的条件也不同，故在实际应用中应根据研究区域和烤烟品种差异，科学选择烤烟产量的最佳估测模型。此外，烤烟生长发育过程是生态因素和社会因素共同作用的结果，且作物生长过程也是一个随时间变化的动态过程，本研究只是从生态条件对烤烟产量的影响角度入手，尚未考虑区域生态条件的动态变化以及社会经济因素（如人为灌溉、施肥及病虫害防治等）对烤烟产量的影响。因此，在今后的研究中应综合运用数学模型、生物学、经济学和3S技术，通过多模型综合运用的方法提高模型的预测精度，以便更好地为区域烤烟种植业的高效和持续发展提供技术支撑。

参考文献：

[1] 福建省统计局.福建经济与社会统计年鉴（农村篇）[M].福州：福建人民出版社，2004.137-138.

[2] FARROKH A R， AZIZOV I， FARROKH A. Effect of nitrogen and potassium fertilizer on yield， quality and some quantitative parameters of flue-cured tobacco cv.K326[J].African Journal of Agricultural Research，2012，7（17）：2601-2680.

[3] HOU M M，SHAO， X H，LI Y Y.Effects of water and N-15-labelled fertilizer coupling on the growth， N uptake， quality and yield，of flue-cured tobaccos：A two-year lysimeter experiment[J].Research on Crops，2013，14（03）：950-959.

[4] TARIQ M，AKBAR A，LATAF-UL-HAQ，et paring application methods for boron fertilizer on the yield and quality of tobacco（Nicotiana tabacum L.）[J].Communication in Soil Science and Plant Analysis，2010，41（13）：1525-1537.

[5] 尹鹏达，赵丽娜，朱文旭，等.基于偏最小二乘回归的填充型烤烟优化施肥研究[J].中国烟草科学，2011，32（4）：61-65.

[6] 上官力，彭家宇，任晓红，等.不同海拔选育的烟草种子对烤烟产质量的影响[J].湖北农业科学，2013，52（21）：5214-5216.

[7] 李淑娥，王智慧，刘开平，等.白河烟区烤烟产量多元线性回归模型年景预测[J].作物研究，2012，26（7）：84-86.

[8] 飞.主要生态因素和烘烤对烤烟致香物质含量的影响[D].长沙：湖南农业大学，2009.

[9] 秦 松，樊 燕，刘洪斌，等.地形因子与土壤养分空间分布的相关性研究[J].水土保持研究，2008，15（1）：46-49.

[10] 周 宏.不同光强光质对烤烟生长发育和烟碱合成代谢的影响[D].南京：南京农业大学，2013.

[11] 蓟红霞.土壤条件对烤烟生长养分累积和品质的影响[D].北京：中国农业科学院，2006.

[12] 邢世和，张黎明，周碧清.福建农用地利用区划[M].福州：中国农业科学技术出版社，2012.54.

[13] 张淑娟，何 勇，方 慧.人工神经网络在作物产量与土壤空间分布信息关系分析中的应用[J].系统工程理论与实践，2003， 12（12）：121-127.

[14] 王淑红.基于神经网络的选矿厂数学模型及应用研究[D].昆明：昆明理工大学，2002.

[15] 牛之贤，李武鹏，张文杰.基于AIGA-BP神经网络的粮食产量预测研究[J].计算机工程与应用，2012，48（2）：235-237.

[16] 唐启义.DPS数据处理系统[M].北京：科学出版社，2013.466.

高数与高中数学的区别篇10

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.