基于时序分解与机器学习的非平稳径流序列集成模型与应用     

张力  王红瑞  郭琲楠  徐源浩  李理  谢骏 《水科学进展》2023,(1):42-52

揭示变化环境下非平稳径流序列波动特征,可为提高径流预测精度和涉水工程规划提供支撑。针对径流序列具有非平稳性、周期性和异方差性的特征,收集长江流域攀枝花、城陵矶和大通站2008—2018年实测径流资料,基于周期趋势分解法(STL)将原始数据分解为周期项、趋势项和剩余项,结合各子序列特征采用多模型集成获取未来径流的综合预测值,并将预测结果与Prophet、LSTM和GARCH等单一模型进行对比。结果表明：联合机器学习和时序分解的集成模型在多个评价指标上均优于单一模型,且对异方差效应显著的站点模拟精度提升明显;验证期内3个站点的纳什效率系数分别为0.96、0.95和0.93,表明该模型能有效模拟长江流域径流波动过程。  相似文献   

上海强对流智能预报业务新技术研究进展     

马雷鸣  林红  储海  尹春光  张军平  陈磊  王海宾  徐康  范旭亮 《地球科学进展》2023,(2):111-124

强对流天气系统发展剧烈,常造成严重的暴雨、雷电、大风和冰雹等灾害。对强对流天气的准确预报一直是国际气象领域研究的难点和瓶颈问题,也是大城市防灾减灾关注的重点。强对流预报技术的发展已经从单纯依赖于雷达的图像识别,发展到雷达、卫星、高分辨率数值模式以及人工智能大数据预测融合应用的新阶段。在回顾国际强对流预报技术进展的基础上,介绍了上海气象业务部门近年来攻关研发的雷达自适应组网观测、雷达外推短临预测和数值预报误差机器学习订正等关键新技术及集成建立的上海强对流智能监测预报系统。这些技术成果的业务应用,在城市防灾减灾和精细化治理中已发挥了重要作用,可供相关研究人员参考。  相似文献   

一种基于时间序列与核岭回归的结构损伤定位方法          下载免费PDF全文

何定桥  杨军 《地震工程学报》2022,44(5):1082-1089

结构健康监测的一个重要目的是实现结构损伤识别与定位,文章将结构监测数据的时间序列模型与机器学习中的核岭回归相结合,提出了一种新的结构损伤定位方法.先定义结构损伤识别矩阵,推导出结构损伤系数向量与损伤结构和未损伤结构的自回归系数向量差值的关联关系,结构的损伤识别矩阵可以通过机器学习中的核岭回归算法获得.对比其他回归算法,核岭回归的正则化、核函数特性可以大幅提高模型的拟合性能与泛化性能,更好地应用于结构损伤识别.然后通过一混凝土框架数值模型对该方法进行验证.结果表明该方法对结构的单损伤、多损伤均可进行有效识别,准确率较高.  相似文献   

基于贝叶斯更新的非饱和土坡参数概率反演及变形预测     

仉文岗  顾鑫  刘汉龙  张青  王林  王鲁琦 《岩土力学》2022,(4):1112-1122

滑坡变形预测一直是实现滑坡灾害预报与防控的有效手段。岩土体参数是开展滑坡变形计算的关键输入信息,然而目前研究鲜有考虑岩土体参数不确定性对滑坡变形的影响,如何融合有限监测数据实现岩土体参数不确定性定量表征及滑坡变形概率预测仍然是一大难点。以降雨入渗非饱和土坡为例,开展流固耦合分析,基于有限的孔压监测数据,利用DREAM＿zs算法实现对岩土体参数的高效概率反演。根据岩土体参数的先验分布,采用拉丁超立方抽样法生成随机样本,将其导入ABAQUS中计算相应的坡脚变形作为数据集,分别采用多元自适应回归样条曲线（MARS）和Light GBM模型构建基于数理-机制双驱动的边坡坡脚变形预测模型,计算贝叶斯更新后的后验稳态样本对应的边坡坡脚变形值,并对边坡变形值开展统计分析。结果表明：DREAM＿zs算法仅需少量的孔压监测数据,即可完成对岩土体参数的更新,并且计算效率高、收敛速度快。此外,提出的边坡坡脚变形预测模型不仅突破了由孔压等间接监测数据来预测边坡变形的局限,同时还实现了对边坡变形发生概率的预测,为滑坡变形预测提供了新的思路和探索。  相似文献   

基于机器学习的矿物智能识别方法研究进展与展望          下载免费PDF全文

郝慧珍  顾庆  胡修棉 《地球科学》2021,46(9):3091-3106

矿物智能识别是地球科学与信息科学的重要交叉方向,显示出强大的生命力.本文在调研国内外研究动态的基础上,把矿物智能识别划分为4个阶段,即矿物采集、数据获取、模型构建、分类判别;根据测试方法和获得的数据类型,把矿物智能识别分为基于化学成分、显微光学图片、光谱分析的3条基本路线;总结了应用于矿物智能识别的机器学习方法和技术,包括统计学习、线性回归模型、距离度量模型、树结构模型、神经网络模型及其与样本问题相关的新技术.在此基础上,提出消除地质学与人工智能的鸿沟、建设可用于学习的高质量矿物数据集、完善适合矿物智能识别的机器学习方法、增进模型可解释性、加强工业推广的实践是该领域未来的重点发展方向.   相似文献   

基于机器学习的区域滑坡危险性评价方法综述          下载免费PDF全文

方然可  刘艳辉  黄志全 《中国地质灾害与防治学报》2021,(4):1-8

我国滑坡灾害分布范围广,危害严重。区域滑坡危险性评价一直都是滑坡灾害防灾减灾的重要内容之一。近年来,随着大数据和人工智能技术的飞速发展,机器学习技术逐渐在滑坡灾害危险性评价方面得到广泛应用,并取得了较好效果。在大量研读文献的基础上,系统阐述了基于机器学习技术的滑坡危险性评价方法研究现状。综述从评价因子选择与量化归一化、数据清洗与样本集构建、模型选取与训练评价等三个关键环节对现有研究成果进行分析评述,最后对机器学习滑坡危险性评价方法的发展趋势提出讨论意见。  相似文献   

基于GEOROC数据库的全球辉长岩大数据的大地构造环境智能判别研究   总被引：5，自引：2，他引：3  

焦守涛  周永章  张旗  金维浚  刘艳鹏  王俊 《岩石学报》2018,34(11):3189-3194

辉长岩是化学成分与玄武岩类似的侵入岩,前人认为它的形成过程太复杂,对应的岩浆可能经过了分离结晶作用、混染作用等,不能用Pearce判别图来判断岩浆岩形成的构造环境。本文利用GEOROC数据库的资料对辉长岩进行大数据挖掘。首先根据前人成果,将GEOROC数据库的辉长岩形成的大地构造环境分为大陆玄武岩环境、汇聚边界环境、板内火山岩环境和大洋岛弧玄武岩环境等4类;然后在数据清洗基础上,利用Python语言,依托sklearn库,实现支持向量机、K近邻和随机森林等3种机器学习算法,获得3种对应的分类器结果输出。对辉长岩的构造环境进行智能判别结果显示,随机森林方法效果最好,判断准确率可达97%,利用辉长岩的地球化学大数据来判断岩浆岩的构造环境是完全可行的。  相似文献   

基于组合核函数的高斯过程边坡角智能设计   总被引：2，自引：0，他引：2  

徐冲  刘保国  刘开云  郭佳奇 《岩土力学》2010,31(3):821-826

高斯过程(GP)是近年来发展迅速的一种全新学习机。与支持向量机(SVM)相比,该方法有着容易实现、超参数可自适应获取及预测输出具有概率意义等优点。结合边坡工程中的边坡角设计,编写了在多种因素影响下边坡角设计的GP程序,为克服单一核函数预测精度和网络泛化能力差的缺点,采用单一核函数相加作为GP的组合核函数,将自动关联性测定参数（ARD）引入其中,建立了关于超参数的GP回归网络模型,使用共轭梯度下降算法导出最优超参数,用ARD超参数进行输入属性相关性分析和特征选取,并以此网络对测试样本进行学习预测,结合支持向量回归方法给出了在回归问题上的应用和对比分析。结果表明：在边坡角智能设计应用中,采用组合核函数的GPR网络ARD参数具有明确的物理意义,预测回归性能优于SVM,且预测输出的概率解释能更好的体现预测值的代表性,为边坡角设计开辟新径。  相似文献   

基于梯度提升的优化集成机器学习算法对滑坡易发性评价：以雅鲁藏布江与尼洋河两岸为例     

林琴  郭永刚  吴升杰  臧烨祺  王国闻 《西北地质》2024,(1):12-22

雅鲁藏布江与尼洋河两岸地质构造活跃,山体滑坡时常发生,滑坡易发性评价能有效的减少因灾害发生所造成的对人类生命和财产的伤害。笔者基于基尼系数的加权随机森林、XGBoost和LightGBM算法在滑坡易发性中的性能。选取188个滑坡样本和7个影响因素,应用五折交叉验证法训练模型,训练过程中同时考虑特征选择算法、运用贝叶斯方法优化超参数后,采用precision、 recall、 F1、 Accuracy指标对各个级别的预测结果进行分析。结果表明：在高程为32～1 544 m与2 722～3 752 m、坡度为30°～40°、距断裂带、河流与道路200 m以内的区域最容易发生滑坡;滑坡极高与高易发性分布为12.14%和12.41%,低和极低易发性占比分别为26.47%与29.55%,区内一半以上的地区不容易发生滑坡灾害;LightGBM模型在所有模型中表现最好,AUC值为0.843 2,准确度为0.853 1,F1分数为0.834 5;墨脱县的达木乡、帮辛乡,林芝县的丹娘、里龙、扎西饶登乡,朗县的陇村,工布江达的江达乡位于极高易发区,发生滑坡概率极大,在这些地区应采取相应的地质灾害防治措施。  相似文献   

静力触探识别场地土层分布的贝叶斯学习方法研究     

胡越  王宇 《工程地质学报》2020,28(5):966-972

静力触探试验(CPT)通常是垂直于地表进行的,用以识别工程场地土层分布情况。实际工程中,常常由于时间和预算的限制,工程场地中的CPT探测点数量有限且分布稀疏。准确推测CPT探测点之间未测区域的数据和分层情况非常困难。本文提出了一种贝叶斯学习算法来解决这一难题。该方法可使用少量CPT探测点来预测二维剖面中土的分类和分层。该方法包括3部分:(1)使用贝叶斯学习对CPT数据进行二维空间插值;(2)利用Robertson土性分类图在二维剖面中确定每个位置(包括已探测和未探测的位置)土性分类(SBT);(3)使用边缘探测方法描绘二维剖面中的土层边界。本方法仅利用少量CPT探测点可直接得到表征二维地质剖面的高分辨率CPT数据和土体分类信息,并自动划定土层边界。本文用模拟算例探讨了该方法的效果。结果表明,仅使用5个CPT探测点的数据即可得到合理的推测结果。此方法可应用于地质信息化研究和城市地下空间建模。  相似文献