共查询到20条相似文献，搜索用时 250 毫秒
1.
2.
砂岩储层孔隙中的流体识别一直是石油勘探开发过程中重要的环节,传统方法主要依赖于测井数据,但是在测井数据缺失的条件下较难得到准确的流体识别结果.本文提出一种只依靠地震数据的砂岩中流体识别的新方法,并选择地球物理方法可测或可求的地球物理参数σ、ρλ和ρμ作为流体识别因子,然后进行模型实验.首先,设置典型流体状态,用Gassmann方程进行流体替换,将得到的流体识别因子作为支持向量机的训练集数据,并定义支持向量机的分类标签;之后,设置随机流体状态,利用Gassmann方程计算流体因子,将得到的结果作为支持向量机的测试集数据.将训练集、测试集数据集输入支持向量机,进行分类,得出测试集数据的分类结果.模型实验分类结果表明,支持向量机法可以判别砂岩孔隙中流体的主要属性. 相似文献
3.
湖泊富营养化导致的水华问题严重影响了淡水资源的利用和保护,快速、全面、准确的监测水华信息对于湖泊水环境的治理具有十分重要的意义.本文以巢湖为研究区域,利用多源光学遥感影像和时空融合技术,采用波段融合的方式将NDVI指数波段加入到遥感影像当中,并通过监督分类解译水华信息,以此揭示2009-2018年10年间巢湖水华的时空变化规律.结果表明：巢湖发生的水华以零星和局部水华为主,2012年巢湖水体首次出现区域蓝藻水华;巢湖水华的季节变化性强,夏、冬半年水华变化差异大,其中2018年季节间的差异最为显著;巢湖水华后五年发生频率明显高于前五年,西半湖水华较东半湖严重,且巢湖西北部是水华的高发区域,2011年水华开始向沿岸蔓延,2014年水华首次出现在西南湖区,2016年巢湖水华高发区域新增巢湖东部和中部地区.另外,本文根据巢湖的相关气象数据,构建了Logistic水华气象风险概率预测模型,模型平均预测准确率高达87.52%.探究巢湖水华长时序的时空变化规律有助于从宏观上把握其动态趋势,为后续湖区治理以及周边生态环境建设提供理论依据,水华气象风险概率预测模型可为巢湖水华的预警和防控提供决策支持. 相似文献
4.
福建某河流甲藻水华与污染指标的关系 总被引：8，自引：4，他引：4
2009年1-2月份,在福建某河流发现大面积水华,河水呈深褐色经对气温、水温、pH、溶解氧、高锰酸盐指数、氨氮、总氮、总磷以及藻细胞密度、叶绿素a等因子的监测,发现水中有甲藻、隐藻、硅藻、绿藻、蓝藻、裸藻和其它常见种,其中优势种为佩氏拟多甲藻(Peridiniopsis penardii),细胞密度为0.1×10~5-333×10~5cells/L.水体营养盐丰富,总氮浓度为2.50-8.65mg/L、总磷浓度为0.09-1.15mg/L.另外,pH值、溶解氧异常升高,水华反反复复持续一个多月时间.经相关分析,拟多甲藻细胞密度与气温、pH值和总氮相关系数分别为-0.323(P=0.027)、0.327(P=0.025)和0.316(P=0.030),显著相关,偏相关分析表明,拟多甲藻细胞密度与水温相关系数为-0.4894(P=0.008),非常显著负相关.结果显示,pH值和溶解氧升高是甲藻水华产生的表征现象,总氮可能是本次甲藻水华生长的限制因子,而气温和水温的变化既是甲藻水华产生的重要原因,但超过甲藻适宜的生长温度对其也起到一定的抑制作用.由于调查区干旱、少雨、梯级电站过密等因素所导致的水流速过缓,加上足够的营养盐和合适的温度,促使本次拟多甲藻水华的发生. 相似文献
5.
6.
7.
《地球物理学进展》2016,(2)
基于测井数据分析的岩性识别是油气地球物理勘探的基础性问题之一.支持向量机(SVM)是目前分辨能力最高的岩性识别方法,特征优化可提高SVM的识别正确率,该方法采用主成分分析(PCA)进行目标特征提取,易受特征选取的影响.针对诸如白云岩和灰岩的区分等测井响应差别不明显,岩性区分困难而又必须进行的问题,本文引入概率生成模型连续限制玻尔兹曼机(CRBM)进行测井数据岩性特征提取,然后再运用SVM在提取特征上进行岩性识别.运用所发展的CRBMSVM进行川西海相灰岩及白云岩的识别,正确率达到了81.9%.基于同样的支持向量机,CRBM提取特征识别正确率要高于PCA提取特征. 相似文献
8.
9.
辽河坳陷中央凸起中南部基底变质岩类型多样,测井岩石物理参数与岩性之间的映射关系复杂,测井响应多解性强,导致传统的测井岩性识别方法结果不精确.本文采用基于自适应粒子群参数优化的最小二乘支持向量机算法进行变质岩的测井多参数岩性识别.通过变质岩测井岩石物理分析,优选出对岩性敏感的自然伽马、自然电位、声波时差、深侧向电阻率、密度和补偿中子6种测井参数作为特征输入,以自适应粒子群算法优化最小二乘支持向量机参数,构建岩性判别模型,预测目的层段变粒岩、混合花岗岩、混合片麻岩、混合岩和角闪岩5种类型变质岩的垂向分布.与支持向量机、K最邻近及人工神经网络算法的岩性识别效果相比,本方法判别准确率最高,符合率为90.17%,在随机划分的10次样本预测中本模型稳定性最强,分类性能最好,平均AUC值为0.974,有效解决了深层基底变质岩储层精细描述中的岩性精准识别难题. 相似文献
10.
为准确预测地震死亡人数,提出了基于主成分分析法(PCA)和粒子群算法(PSO)优化的支持向量机(SVM)模型。首先利用主成分分析法对地震死亡人数7个影响因子中的6个进行数据降维,同时对第7个发震时刻因子单独进行区间分类,然后对提取出的主成分进行归一化处理,将归一化的主成分数据作为支持向量机的输入向量,通过粒子群算法寻优获得最优支持向量机模型参数,最终建立基于PCA-PSO-SVM的地震死亡人数预测模型,并对5组样本进行死亡人数预测,同时对比分析包含和不包含发震时刻因子的2种情况下的模型预测效果。结果表明:在不考虑发震时刻因子的情况下,使用PCA-PSO-SVM模型的最小误差、最大误差和平均误差分别为0.85%、20%、10%,其平均误差相比PSO-SVM、SVM模型分别降低2.08%、2.28%;输入向量加入发震时刻因子分类数据后,PCA-PSO-SVM模型的最小误差、最大误差和平均误差分别为0.25%、20%、7.18%,其平均误差相比PSO-SVM、SVM模型分别降低3.34%、3.50%。因此,加入发震时刻因子后3种模型的平均误差明显降低,同时由于PCA-PSO-SVM模型进行主成分降维处理,能够明显提高运行效率和预测精度,故降低了模型复杂度。 相似文献
11.
于2015年春季拟多甲藻水华暴发期在香溪河支流高岚河、南阳河与干流设置9个采样点,探讨浮游植物种群与水体总磷浓度等环境因子的相关性;同时,分离纯化拟多甲藻后,设置5个不同磷浓度(0、0.005、0.020、0.100、0.600 mg/L)对其进行实验室培养,分别测定其比生长速率;在对数生长期,检测不同磷浓度培养下的藻细胞的快速光曲线及其参数;检测不同磷浓度培养下的藻细胞对外源无机碳的吸收效率及其参数.结果表明,水体中总磷浓度越高的河段,拟多甲藻细胞密度越高;培养基中磷浓度越高,拟多甲藻的比生长速率越大,光合效率越高,其对外源无机碳的吸收能力越强.这些结果表明高磷的水环境可能是促使拟多甲藻形成水华的关键因素之一. 相似文献
12.
13.
针对基于机器学习的滑坡易发性评价中非滑坡样本选取不规范导致的分类精度较低问题,本文提出联合基于密度的噪声应用空间聚类（Density-Based Spatial Clustering of Applications with Noise,DBSCAN）采样策略和支持向量机（Support Vector Machine,SVM）分类方法的DBSCAN-SVM滑坡易发性评价模型。首先,基于DBSCAN聚类和空间分析选取非滑坡样本;然后,将样本数据代入SVM分类模型进行训练与验证,预测并提取SVM分类中属于滑坡的概率,获得滑坡易发性;最后,以四川省绵阳市为试验区,预测滑坡易发性概率,基于滑坡易发性精度与分级结果等要素,与传统非滑坡样本采集策略的SVM滑坡易发性评价模型进行对比,并结合实际情况对DBSCAN-SVM模型评价结果进行分析。研究结果表明,相比传统SVM滑坡易发性评价模型,本文提出的DBSCAN-SVM滑坡易发性评价模型在高易发区和极高易发区中包含的滑坡样本数量较多,准确率、召回率、AUC、F1分数均得到提高,精度较高。 相似文献
14.
利用2005-2017年太湖周边区域气象观测资料和基于遥感解译的蓝藻水华信息,基于信息量权数法构建太湖蓝藻水华影响程度指数（简称为蓝藻指数）,应用通径分析法,分析年平均气温（Ty）、1-3月平均气温（T1-3）、年降水量（Ry）、6-7月降水量（R6-7）和年高温日数（DTmax）5个气象因子对蓝藻水华影响的直接效应和间接效应,在此基础上构建太湖蓝藻水华气象评估模型.结果表明,2007年蓝藻指数值最大,为0.759,2017年其次,为0.709,2009年最小,仅为0.113,蓝藻指数与实际情况基本相符;直接通径系数中Ty和T1-3为正值,其余为负值,表明Ty和T1-3对蓝藻水华的发生发展具有正效应,而Ry、R6-7和DTmax具有负效应,总通径系数绝对值排序为：Ty > T1-3 > Ry > R6-7 > DTmax,由此可以反映各气象因子对蓝藻水华影响程度的权重.根据模型计算的综合气象指数与蓝藻指数之间的相关系数达0.826,通过0.01显著性检验,根据百分位法将蓝藻指数和气象指数进行等级划分,分类总精度为84.6%,其中中度以上达90.9%,表明模型能够较好地反映综合气象因子与蓝藻水华发生发展程度的关系,在水体富营养化程度没有明显改善的情况下,可用于太湖蓝藻水华定量气象评估.上述研究结果有助于更好地理解环境因子、尤其是气象因子在蓝藻生长和水华形成机制中所起的作用,从而为太湖蓝藻水华的监测、预测预警和精细化防控提供理论依据. 相似文献
15.
Application of support vector machine and relevance vector machine to determine evaporative losses in reservoirs 总被引：1，自引：0，他引：1
This article employs Support Vector Machine (SVM) and Relevance Vector Machine (RVM) for prediction of Evaporation Losses (E) in reservoirs. SVM that is firmly based on the theory of statistical learning theory, uses regression technique by introducing ε‐insensitive loss function has been adopted. RVM is based on a Bayesian formulation of a linear model with an appropriate prior that results in a sparse representation. The input of SVM and RVM models are mean air temperature (T) ( °C), average wind speed (WS) (m/sec), sunshine hours (SH)(hrs/day), and mean relative humidity (RH) (%). Equations have been also developed for prediction of E. The developed RVM model gives variance of the predicted E. A comparative study has also been presented between SVM, RVM and ANN models. The results indicate that the developed SVM and RVM can be used as a practical tool for prediction of E. Copyright © 2011 John Wiley & Sons, Ltd. 相似文献
16.
Due to the complex mechanisms of rockburst, there is no current effective method to reliably predict these events. A statistical learning method, support vector machine (SVM), is employed in this paper for kimberlite burst prediction. Four indicators \(\sigma_{\theta } ,\sigma_{c} ,\sigma_{t} ,W_{\text{ET}}\) are chosen as input indices for the SVM, which is trained using 108 groups of rockburst cases from around the world. Data uniformization is used to avoid negative impact of differing dimensions across the original data. Parameter optimization is embedded in the training process of the SVM to achieve optimized predictive ability. After training and optimization, the SVM reaches an accuracy of 95% in rock burst prediction for validation samples. The constructed SVM is then employed in kimberlite burst liability evaluation. The model indicated a moderate burst risk, which matches observed instances of rockburst at a diamond mine in north Canada. The SVM method ignores the focus on rockburst mechanisms, instead relying on representative indicators to develop a predictive model through self-learning. The prediction results show an excellent accuracy, which means this method has a potential application in rockburst prediction. 相似文献
17.
Lagrangian particle tracking of a toxic dinoflagellate bloom within the Tampa Bay estuary 总被引：1，自引：0，他引：1
Heather Havens Mark E. Luther Steven D. Meyers Cynthia A. Heil 《Marine pollution bulletin》2010,60(12):2233-2241
A coastal risk assessment system simulates the basic physical mechanisms underlying contaminant transport in Tampa Bay. This risk assessment system, comprised of a three-dimensional numerical circulation model coupled to a Lagrangian particle tracking model, simulates the transport and dispersion of a toxic dinoflagellate bloom. Instantaneous velocity output from the circulation model drives the movement of particles, each representing a fraction of a K. brevis bloom, within the model grid cells. Hindcast simulations of the spatial distribution of the K. brevis bloom are presented and compared with water sample concentrations collected during the peak of the bloom. Probability calculations, herein called transport quotients, allow for rapid analysis of bay-wide K. brevis transport showing locations most likely to be impacted by the contaminant. Maps constructed from the transport quotients provide managers with a bay-wide snapshot of areas in Tampa Bay most at risk during a hazardous bloom event. 相似文献
18.
Soil moisture prediction is of great importance in crop yield forecasting and drought monitoring. In this study, the multi-layer root zone soil moisture (0-5, 0-10, 10-40 and 40-100 cm) prediction is conducted over an agriculture dominant basin, namely the Xiang River Basin, in southern China. The support vector machines (SVM) coupled with dual ensemble Kalman filter (EnKF) technique (SVM-EnKF) is compared with SVM for its potential capability to improve the efficiency of soil moisture prediction. Three remote sensing soil moisture products, namely SMAP, ASCAT and AMSR2, are evaluated for their performance in multi-layer soil moisture prediction with SVM and SVM-EnKF, respectively. Multiple cases are designed to investigate the performance of SVM, the effectiveness of coupling dual EnKF technique and the applicability of the remote sensing products in soil moisture prediction. The main results are as follows: (a) The efficiency of soil moisture prediction with SVM using meteorological variables as inputs is satisfactory for the surface layers (0-5 and 0-10 cm), while poor for the root zone layers (10-40 and 40-100 cm). Adding SMAP as input to SVM can improve its performance in soil moisture prediction, with more than 47% increase in the R-value and at least 11% reduction in RMSE for all layers. However, adding ASCAT or AMSR2 has no improvement for its performance. (b) Coupling dual EnKF can significantly improve the performance of SVM in the soil moisture prediction of both surface and the root zone layers. The increase in R-value is above 80%, while the reduction in BIAS and RMSE is respectively more than 90% and 63%. However, adding remote sensing soil moisture products as inputs can no further improve the performance of SVM-EnKF. (c) The SVM-EnKF can eliminate the influence of remote sensing soil moisture extreme values in soil moisture prediction, therefore, improve its accuracy. 相似文献
19.
太湖蓝藻水华的年度情势预测方法探讨 总被引：2，自引：2，他引：0
在太湖、巢湖、滇池、洱海、三峡水库等我国重要湖泊和水库,蓝藻水华时常发生但年际之间藻情往往有较大差异,给蓝藻水华的防控物资及人员投入、湖库水源地水质安全保障带来较大的挑战,亟待探索周年尺度的蓝藻水华强度预测方法.本文收集了太湖连续15年的蓝藻水华情势观测数据和同步的气象、水文数据用于构建蓝藻水华预测模型,提出了利用遥感反演的蓝藻水华面积(A_(BL))及人工观测的水体浮游植物叶绿素α浓度([Chl.a]_(LB))共同表征的蓝藻水华强度指标(BI).分析了太湖年尺度的BI值与环境条件的关系,提出了基于年初能够掌握的气象、水文、营养盐等综合环境指标进行年度BI预测的统计模型.结果表明,太湖年度BI值与冬季及初春(12-3月)日均水温(WT_(12-3))、冬春季有效积温(AT_(12-3))、前一年降雨总量(RF_(YB))等环境因子呈显著正相关,与冬季及初春的水体总氮(TN_(12-3))、溶解性总氮(DTN_(12-3))、总磷(TP_(12-3))及溶解性总磷(DTP_(12-3))不存在统计上的显著相关关系.此外,本研究开展了基于上述因子(BI为因变量,其余环境因子为自变量)的多元(或一元)回归分析,并遴选出最优模型.总体而言,最优模型的模拟计算结果与实测浓度具有较高的一致性,因此本研究得出的模型对太湖蓝藻水华年际强度预测具有较高精度.本研究对太湖等富营养化湖库蓝藻水华的中长期预测具有指导意义. 相似文献
20.
地震前兆综合预测支持向量机模型研究 总被引：4，自引：0，他引：4
该文介绍了支持向量机算法的原理与回归方法。 采用支持向量机中的非线性回归算法与理论公式产生的多维样本, 对其进行了数值仿真实验。 利用该方法和地震前兆异常建立了最佳地震综合预测模型, 对获得的最佳模型进行了内符检验, 得出最佳模型的预测结果与实际震例的地震震级基本一致。 综合分析认为, 支持向量机无论在学习或者预测精度方面不但具有很大的优越性和具有较强的外推泛化能力, 而且基于支持向量机回归算法建立的地震前兆综合预测模型是可行的, 其获得的知识可较为准确地实现对主震震级的综合预测。 相似文献