共查询到20条相似文献，搜索用时 15 毫秒
1.
变形分析与预报是工程建(构)物在施工与运营期间的重要内容,目前应用较为广泛的是针对变形体各测点建立时间序列模型(ARMA),这种建模方法考虑的是各测点位移在时间变化上的关联性,而时空序列模型(STARMA)则同时考虑测点在时间以及空间上的相关性,从理论上来讲,能够更好的解释变形体的形变规律。本文以某地下管线沉降监测为研究对象,分别建立ARMA模型以及STARMA模型,通过计算各测点预测RSE、NMSE、RMSE、MAE四个误差指标值并进行比较,验证了STARMA模型在预测精度上好于ARMA模型,对于管线沉降监测具有一定的应用价值。 相似文献
2.
变形监测分析的模型与方法主要是针对单点时序的分析,建立大坝位移自回归模型可实现大坝位移预测预报,但传统自回归模型都是针对单测点进行的,这意味着需要对所有的测点进行建模,将会造成大量模型冗余.而大坝作为一个整体结构,测点间的位移在空间上是相互关联的。单点自回归模型并未考虑着这种相关性,为了考虑测点间的这种空间相关性并建立统一的模型,本文采用时空自回归方法对五强溪大坝位移监测数据进行整体分析,建立了大坝位移的时空自回归模型。通过对大坝引张线测点的建模与预测分析,结果表明时空自回归模型在时间和空间上都可以对位移监测数据序列进行较好的拟合与预测。 相似文献
3.
响应时间作为一项非功能性属性,是网络服务性能的重要度量指标。它直接影响了用户的服务体验,并在服务资源选择中扮演重要的角色。响应时间不仅受制于服务自身的软硬件性能,同时还受到用户访问时空分布差异性的影响,具有显著的不确定性,因此如何可靠地预测响应时间是一个难点。选取OGC WMS（web map service）为研究对象,通过全球多地分布式部署的监测系统获取服务响应时间,在分析WMS响应时间与时空因素的关联关系及其变化规律基础上,提出地理加权回归（geographical weighted regression,GWR）与时空自相关移动平均（spatial-temporal auto regressive and moving average,STARMA）相结合的WMS响应时间时空预测模型。该模型综合考虑了用户访问时空分异特征对WMS响应时间的影响,其中GWR部分描述服务响应时间的时空趋势,STARMA部分拟合时空序列局部随机扰动。通过将多个地区监测点不同时刻WMS响应时间的实测数据与模型预测值对比,验证了模型的有效性。实验表明,该模型的预测精度相比经典的平均值法AVG有较大的提升,同时较GWR模型和STARMA模型的精度有一定程度的改善。 相似文献
4.
5.
6.
时空Kalman滤波可对变形监测数据进行时空滤波去噪、数据插补和变形预测,本文利用时空Kalman滤波进行变形分析,从模型原理及试验两方面比较分析了Kriged Kalman filter(KKF)、space time Kalman filter(STKF)和spatio-temporal mixed effects(STME) 3种典型时空Kalman滤波模型的性能和适用性。结果表明:3种时空Kalman滤波模型均基于空间基函数及动力学模型组合形式描述时空数据的时空相关性,其主要差异在于空间变异的描述形式不同、空间基函数和状态转移矩阵构造过程不同及模型降维方法不同。在适用性方面,KKF模型更适合于稀疏测站的变形分析,STKF模型及STME模型更适合于海量测站的变形分析。在变形分析应用效果方面,3种时空Kalman滤波模型均具有较高精度的时空滤波去噪、数据插补和变形预测性能,其滤波结果相对于普通Kalman滤波结果的平均改善率为21.1%,其缺失数据插补结果相对于Hermite时间插值结果的平均改善率为42.4%,其空间预测结果相对于Kriging空间插值结果的平均改善率为65.3%,其对已知测站未来变形的时空预测结果相对于普通Kalman滤波时间预测结果的平均改善率为20.6%,其对非观测站点未来变形的时空预测结果相对于Kalman滤波+Kriging组合模型预测结果的平均改善率为20.5%。 相似文献
7.
反距离加权插值法是空间分析中插值的一种常用方法,被广泛应用于各个领域的插值计算中。针对反距离插值法(IDW)中未考虑时间因素与高程因素的影响,本文提出一种顾及高程因素的时空反距离加权插值法(H-TIDW)。该方法首先利用时间序列分解法去除数据的季节性波动,然后综合考虑时空距离与高程因素构建时空插值模型进行预测,最后在预测结果上叠加季节性波动得到最终的预测值。验证结果表明:顾及高程的时空反距离加权插值法将时空信息考虑到距离计算之内,从时间和空间两个维度对PM2.5浓度数据进行分析研究,避免了只考虑空间或者时间而造成大量有价值信息丢失,且插值精度也有一定程度的提升。 相似文献
8.
基于RNN的空气污染时空预报模型研究 总被引：2，自引：0，他引：2
针对空气污染物时间序列中包含缺失值以及现有时间序列预报模型缺乏对时序特征状态建模的问题,该文构建了基于缺失值处理算法和RNN(循环神经网络)的时空预报框架。对空气污染物时序数据设计了3种缺失值处理算法(前向递补、均值替代和权重衰减),用缺失标签和缺失时长对缺失值建模,并在此基础上搭建含有全连接层与LSTM层的深度循环神经网络(DRNN)用于时空预报。使用深度全连接神经网络(DFNN)作为DRNN的对照,用京津冀区域的空气质量和气象数据训练模型,并比较不同模型的预测精度。通过实验,比较了3种缺失值处理方法的效果,结果表明,LSTM在空气污染时空序列预测上的表现优于传统的全连接神经网络层,证实了提出的基于深度学习的时空预报框架的有效性。 相似文献
9.
利用时空Kriging进行气温插值研究 总被引：4，自引：0，他引：4
以黑龙江省近37a的月均气温数据为研究对象,介绍了一类积分式时空协方差(变异)函数模型进行时空Kriging插值。针对月均气温呈现出的明显季节变化,对各站点的气温进行去季节项处理,并在此基础上建立时空变异函数。将空间维的普通Kriging插值扩展至时空维,同时考虑空间和时间相关性对研究变量进行时空估计,并将估计结果与空间Kriging插值效果进行了比较。结果表明,时空插值效果理想,插值精度较空间Kriging更高。 相似文献
10.
基于Landsat时间序列数据的土地覆盖检测成为当前研究热点,但基于时间序列数据空间纹理特征的应用及不同时序特征重要性评估较少.基于时间序列Landsat8数据,在时序光谱特征、指数特征和地形特征基础上引入时序纹理特征,利用随机森林算法建立八种分类模型,对北京密云区进行土地覆盖分类并比较其分类精度,进而基于袋外(OOB)误差方法和基尼指数进行特征变量重要性评估.相比加入归一化建筑指数(Normalized Difference Built-up Index,NDBI)或归一化植被指数(Normalized Difference Vegetation Index,NDVI)样本特征,时序纹理特征的加入使总体精度分别提高1.88％和2.12％;最优分类模型中灰度共生矩阵(Gray-level Co-occurrence Matrix,GLCM)熵参数在纹理特征中较为重要,GLCM差异性参数和GLCM相关性参数其次.本文为进一步挖掘影像的时空特征、提高土地覆盖制图精度提供新思路. 相似文献
11.
针对二维欧氏空间内的移动区域对象在时空关系变化建模中存在的问题,该文提出了一种时空关系变化序列模型,并建立了时空关系变化概念邻域图。采取基于时间片的时空数据模型,通过分析移动区域间随时间变化的拓扑、距离和方位关系,解决时空关系变化的集成建模问题。该方法能有效刻画移动区域的动态时空特征。 相似文献
12.
以福建省为研究区,以中等分辨率MODIS NDVI遥感数据、气象数据及其他辅助数据为数据源,基于植被净初级生产力(net primary productivity,NPP)光能利用率估算模型——CASA,定量研究了该区域历史序列(2001—2012年)NPP时空变化格局,探索其主要影响因素。结果表明:2001—2012年该区域NPP总体呈现下降趋势,2003年和2005年为历年变化下降率最大的两年;该区域NPP时空分布特征明显,在空间上表现为由南向北递减的空间分布格局,且沿海经济发达区域NPP普遍较低;时间上表现为春秋两季具有相同的空间分布,夏季具有最高的NPP,占全年NPP的56%,冬季平均NPP在120gC·m~(-2)·a~(-1)以下;降水和温度与NPP的线性相关性较小,且线性相关性随空间位置的不同而有所差异;福建省NPP对气候因子的响应随空间位置的变化而变化,在不同的区域,其主要的胁迫因子不同,NPP总体受到辐射量的驱动因素要比其他胁迫因子强。 相似文献
13.
叶面积指数LAI (Leaf Area Index)是调节植被冠层生理过程的最重要的生物物理变量之一,高空间分辨率时间序列LAI对于植被生长检测、地表过程模拟与区域和全球变化研究至关重要,但是由于数据缺失和反演方法限制,目前还没有时空连续的高分辨率LAI数据产品。本研究提出了一种生成时间连续的高空间分辨率LAI数据的算法,首先对MODIS LAI产品滤波平滑,生成时间序列LAI的上包络曲线,根据上包络曲线提供的变化信息构建LAI动态模型。然后利用地面实测的LAI数据与Landsat反射率数据构建LAI反演的BP (Back Propagation)神经网络模型。将反演得到的高分辨率LAI数据作为LAI观测数据,利用集合卡尔曼滤波EnKF (Ensemble Kalman Filter)方法实时更新动态模型,生成时间连续的30 m空间分辨率LAI数据集。基于该算法生成了塞罕坝地区2000年—2018年长时间序列LAI数据集,利用Prophet深度学习模型进行模拟和预测,根据预测和原始LAI差异,利用支持向量机SVM (Support Vector Machine)方法检测植被干扰状况。结果表明:EnKF算法能够生成时空连续的高空间分辨率LAI数据,估算结果与地面测量值一致性较高,R~2为0.9498,RMSE为0.1577,在区域尺度上与Landsat LAI参考值较为吻合,R~2高于0.87,RMSE低于0.61。Prophet与SVM模型检测到研究区2009年,2010年,2013年,2014年,2015年植被受干扰较为严重,主要由于年降水量偏少和林区作业砍伐造成,检测结果与当地降水量与砍伐数据吻合。本文提出的算法可用于大范围高时空LAI数据反演和植被变化检测,对塞罕坝乃至全国林区规划管理具有重要的参考价值。 相似文献
14.
通过对时间序列模型及其特性进行分析,运用序列间协整关系,实现同一变形体不同变形监测数据序列之间的联系,提取出平稳的、可用于变形预测分析的信息,建立适用于实际工程的ARIMAX动态预测模型,并通过工程实例验证预测模型的优化性、有效性与可行性。 相似文献
15.
特殊因素，特别是突发因素对变形体的作用规律一直是人们认识变形体的难点之一。随着人们改造自然界活动的加强，揭示特殊因素的作用规律已被提到非常重要的位置。本文从变形监测的角度出发，结合ＧＭ＋ＡＲＭＡ组合模型的参数，运用人工智能中的模式识别，即状态识别方法寻找受特殊因素作用的变形时间序列区段（称为状态段），然后集中研究这些状态段的异同及其与变形体在该时间区段内的外界环境的关系，从而进一步识别特殊因素，并揭示特殊因素对变形体的作用规律。 相似文献
16.
试验模型变形测量数码照相装置研究 总被引：4，自引：0，他引：4
针对矿山开采沉陷相似材料模型试验的特点,提出适合小变形体高精度位移测量的普通数码照相方法,通过在测点周围设置独立的控制格网并进行单点数码照相来获取模型测点的变形量,最后用试验验证该方法的实用性。 相似文献
17.
18.
植被净初级生产力NPP(Net Primary Production)遥感估算与分析,有赖于高时空分辨率的遥感数据,但目前中高分辨率的遥感数据受卫星回访周期及天气的影响,在中国南方地区难以获取连续时间序列的数据,从而影响了高精度的区域植被净初级生产力的遥感估算。为此,提出一种基于多源遥感数据时空融合技术与CASA模型估算高时空分辨率NPP的方法。首先,利用多源遥感数据,即Landsat8 OLI数据与MODIS13Q1数据,采用遥感数据时空融合方法,获得了时间序列的Landsat8 OLI融合数据;然后,基于Landsat8 OLI时空融合数据,并采用CASA模型,以长株潭城市群核心区为例,进行区域植被NPP的遥感估算。研究结果表明,基于时间序列Landsat融合数据估算的30m分辨率的NPP具有良好的空间细节信息,且估算值与实测值的相关系数达0.825,与实测NPP数据保持了较好的一致性。 相似文献
19.
基于快照-增量的时空索引机制研究 总被引：8，自引：0，他引：8
已有的时空索引是基于时间或空间索引的扩展,将相应的空间或时间成分作为属性,难以同时顾及时间查询和空间查询的效率.分析基于版本-增量的时空数据模型,提出基于快照-增量的时空数据索引机制.该索引将时间和空间作为同等重要的维,满足时空联合查询的效率. 相似文献
20.
《遥感学报》2016,(5)
遥感定量反演地表参数时间序列产品已被广泛应用于植被动态变化、全球气候变化、防灾减灾及环境保护等领域。由于卫星观测往往受到大气条件(如云、气溶胶、水汽等)以及传感器自身稳定性的影响等,许多由卫星观测反演得到的陆表产品,如归一化差值植被指数(NDVI)、叶面积指数(LAI)、地表温度(LST)、微波极化亮温(PDBT)等存在严重的时空不连续问题。为了获取时间序列上连续、空间上完整的地表参数遥感产品以满足长时序的陆面过程分析与建模的需求,目前已发展多种遥感时间序列重建模型。本文介绍了基于傅里叶变换的时间序列谐波分析(HANTS)方法,能够识别并去除受到云和大气影响的像元(噪声),对原始时序数据进行时间插值来重建连续时间序列的数据,并针对其面向多种不同时空尺度的遥感反演地表参数以及在非洲、南美洲、欧洲、中国及印度等全球不同地区的应用研究进行了综述,包括植被动态变化对于气候变化及流域水循环过程的响应、干旱监测、基于土壤含水量饱和度时间序列分析的洪涝灾害易发区监测、遥感估算地表蒸散发时间尺度扩展等方面的研究,充分阐释了遥感时间序列产品在地气相互作用的各类研究领域的应用。 相似文献