人工智能在冰雹识别及临近预报中的初步应用   总被引：1，自引：0，他引：1       下载免费PDF全文

张文海  李磊 《气象学报》2019,77(2):282-291

基于广东10部S波段多普勒天气雷达的三维拼图资料,利用机器学习技术开发了一种冰雹识别和临近预报的人工智能算法。算法设计时以雷达回波反射率的垂直和水平扫描数据为基础训练集,将冰雹云的雷达反射率扫描数据作为正样本,将其他雷达反射率扫描数据作为负样本,通过贝叶斯分类法对正、负样本数据集进行机器学习,训练人工智能识别冰雹云内在规律的能力。训练时以广东省2008-2013和2015-2016年的数据作为训练集,使用了2014年广东省12次冰雹过程的数据做检验。对比检验的结果表明,人工智能法比传统的概念模型法击中率高9个百分点。研究结果表明了人工智能对冰雹这类非线性强天气过程具有较强的识别能力。   相似文献   

基于支持向量机的京津冀城市群热环境时空形态模拟   总被引：1，自引：0，他引：1  

杨浩  孟娜  王婧  郑燕  赵莉 《地球信息科学学报》2019,21(2):190-200

城市群热环境作为区域生态重要组成部分,已成为近年来的研究热点。而如何选择针对城市群这种复杂地地貌特征的热环境量化工具一直是亟待解决的技术难点,基于此本研究提出了一种解决多样本、非线性、非平稳及高维函数拟合的计算方法,并建立了基于支持向量机(SVM)的京津冀城市群热环境曲面模型来揭示城市群热环境的时空形态变化。研究结果表明：① SVM模型在刻画多核心、多种土地利用类型城市群热环境的空间分布方面具有理论与实践可行性,能够根据热环境的整体空间布局通过高斯核函数进行局部优化差值,最大限度减少缺省值对模型拟合结果的影响。相比于对照方法可以模拟出更高精度的复杂地貌特征城市群热岛空间分布格局;② 在SVM模型曲面拟合的过程中,拟合精度和拟合时间是衡量拟合结果的重要指标,而原始影像的分辨率则是影响该指标的决定性因素;③ 2003-2013年区域内北京市与天津市的城市热岛效应变化最为明显,热岛面积分别增加7091 km²与4196 km²,空间上呈现出逐年接近连片发展趋势,热岛重心移动轨迹具有明显的时空分异性。北京城市热岛特征为东南部地区异速增长,西部地区缓慢增长;天津城市热岛特征为以城市中心为圆心向周围扩展。本研究进一步丰富了城市群热环境评测的定量方法,可以在实践上对城市群的城市规划、城市建设、环境保护和区域可持续发展等提供定量化、可视化的决策支持。  相似文献   

冻土中几类力学试验方法的探讨   总被引：3，自引：2，他引：1  

徐湘田  赖远明  刘峰  常小晓  董元宏 《冰川冻土》2011,33(5):1132-1138

获取寒区工程设计中冻土的物理力学指标及冻土本构模型中的模型参数都离不开冻土的力学试验.随着对冻土力学性质研究的深入,需要考察更多加载路径下冻土的力学行为,这也是检验已有冻土本构模型的有效途径.因此,精确的冻土力学试验是认识冻土力学性质的基本手段.为进一步考察冻土的力学性质,提高冻土力学试验的精度,应用MTS-810低温...  相似文献   

基于遗传算法-支持向量机模型在热带气旋强度预报中的应用   总被引：1，自引：0，他引：1  

顾锦荣  刘华强  刘向陪  吕庆平 《海洋预报》2011,28(3)

利用遗传算法对支持向量机(SVM)模型参数进行寻优,找到最优参数组合后代入SVM模型中,得到基于遗传算法的支持向量机模型(GA-SVM),利用此模型对热带气旋强度进行预报实验。该模型对热带气旋强度12 h、24 h和48 h的预报平均绝对误差分别为3.01 m/s、4.46 m/s和6.57 m/s;比最小二乘回归法的预报精度分别提高了12%、11%、14%。  相似文献   

基于模式识别理论的卡钻类型判别分析          下载免费PDF全文

吴军  臧艳彬  陈星星 《探矿工程》2015,42(10):31-34

将模式识别理论中的支持向量机、Bayes判别分析以及多元回归分析应用于卡钻类型判别分析,建立了基于模式识别理论的卡钻判别模型。以近几年川东北卡钻数据为例进行了算例分析,结果表明：采用支持向量机、Bayes判别法及多元回归法对卡钻类型判别的结果与实际结果的误判率分别为1.92%,11.52%,61.54%。支持向量机（SVM）判别结果精度最高,但其判别方程式较为复杂,不能直观看出各分量对结果的影响程度;多元回归分析判别方程形式简单,可以直观表达各参量与卡钻之间的密切程度,但其判别精度较低;Bayes判别法计算精度介于二者之间,但其判别精度与判别式的个数密切相关。  相似文献   

Evaluation of classifiers for processing Hyperion (EO-1) data of tropical vegetation     

Dhaval Vyas  N.S.R. Krishnayya  K.R. Manjunath  S.S. Ray  Sushma Panigrahy 《International Journal of Applied Earth Observation and Geoinformation》2011

There is an urgent necessity to monitor changes in the natural surface features of earth. Compared to broadband multispectral data, hyperspectral data provides a better option with high spectral resolution. Classification of vegetation with the use of hyperspectral remote sensing generates a classical problem of high dimensional inputs. Complexity gets compounded as we move from airborne hyperspectral to Spaceborne technology. It is unclear how different classification algorithms will perform on a complex scene of tropical forests collected by spaceborne hyperspectral sensor. The present study was carried out to evaluate the performance of three different classifiers (Artificial Neural Network, Spectral Angle Mapper, Support Vector Machine) over highly diverse tropical forest vegetation utilizing hyperspectral (EO-1) data. Appropriate band selection was done by Stepwise Discriminant Analysis. The Stepwise Discriminant Analysis resulted in identifying 22 best bands to discriminate the eight identified tropical vegetation classes. Maximum numbers of bands came from SWIR region. ANN classifier gave highest OAA values of 81% with the help of 22 selected bands from SDA. The image classified with the help SVM showed OAA of 71%, whereas the SAM showed the lowest OAA of 66%. All the three classifiers were also tested to check their efficiency in classifying spectra coming from 165 processed bands. SVM showed highest OAA of 80%. Classified subset images coming from ANN (from 22 bands) and SVM (from 165 bands) are quite similar in showing the distribution of eight vegetation classes. Both the images appeared close to the actual distribution of vegetation seen in the study area. OAA levels obtained in this study by ANN and SVM classifiers identify the suitability of these classifiers for tropical vegetation discrimination.  相似文献   

并行计算技术及其在勘探地球物理学中的现状与展望   总被引：3，自引：2，他引：1       下载免费PDF全文

黄易  师学明  范建柯  胡文宝 《地球物理学进展》2010,25(2):642-649

本文详细阐述了并行计算技术及其在地球物理勘探数据处理中的发展现状和发展趋势,分析了几个代表性的并行算法实例.这些结果表明,在拥有强大的并行机的基础上,基于并行计算开发环境(MPI和PVM等)设计高效的并行算法,通过分配合理的并行粒度、通信开销、负载平衡等执行高效的并行计算,可以有效加快处理速度、降低成本.目前,并行算法在地震数据处理中应用已较为成熟,近年来向更实用的基于PC机群的并行技术发展.然而,在非地震方法中,并行算法应用较少见文献报道,研究尚处于初级研究阶段.在大地电磁的二维和三维正、反演问题上,并行计算技术逐渐得到越来越多关注和重视.随着资源和能源需求的增长,地球物理勘探向深度和广度快速发展,大幅增长的数据量使得高性能并行计算机和高效的并行算法在勘探地球物理学中的发展和应用将占据愈来愈重要的地位.  相似文献   

基于支持向量机的测井资料幅度异常验收方法研究   总被引：1，自引：1，他引：0       下载免费PDF全文

张军  李洪奇  郭海峰  阿力木江·吾甫尔 《地球物理学进展》2009,24(6):2181-2185

当前的测井资料质量标准基于人工验收制定,其中包含大量的定性标准.如何依据定性标准进行测井资料质量自动验收,是目前面临的一个难题.将支持向量机方法应用于测井资料幅度异常预测,在资料中挑选可疑样本,依据已有的专家验收结论建立预测模型,对测井资料幅度异常进行预测,避免了自动验收中必须将定性标准定量化的问题,在实际应用中有较好的效果,对同类工程问题的解决有一定的借鉴意义.  相似文献   

遗传算法优化的支持向量机湿地遥感分类——以洪河国家级自然保护区为例   总被引：6，自引：1，他引：5  

臧淑英  张策  张丽娟  张玉红 《地理科学》2012,(4):434-441

湿地遥感分类作为湿地管理、监测与评价的重要手段,受到了广泛的关注。遗传算法(GA)借鉴了生物进化规律进行启发式搜索寻优,支持向量机(SVM)是一种新型的空间数据挖掘方法,二者相结合可以发挥各自的优势,寻找到支持向量机的全局最优参数,从而较准确地对湿地进行遥感分类。以洪河自然保护区为例,采用遗传算法优化的支持向量机方法进行了湿地遥感分类研究。同格网搜索下的支持向量机湿地遥感分类及最大似然监督分类对比,结果表明,遗传算法优化较格网搜索方式总精度提高了7.29%,较最大似然监督分类提高了12.06%,方法改善了沼泽、草地与裸地三种地物间的区分,是湿地遥感分类的有效手段。  相似文献   

Automated Prediction of CMEs Using Machine Learning of CME – Flare Associations     

R. Qahwaji  T. Colak  M. Al-Omari  S. Ipson 《Solar physics》2008,248(2):471-483

Machine-learning algorithms are applied to explore the relation between significant flares and their associated CMEs. The NGDC flares catalogue and the SOHO/LASCO CME catalogue are processed to associate X and M-class flares with CMEs based on timing information. Automated systems are created to process and associate years of flare and CME data, which are later arranged in numerical-training vectors and fed to machine-learning algorithms to extract the embedded knowledge and provide learning rules that can be used for the automated prediction of CMEs. Properties representing the intensity, flare duration, and duration of decline and duration of growth are extracted from all the associated (A) and not-associated (NA) flares and converted to a numerical format that is suitable for machine-learning use. The machine-learning algorithms Cascade Correlation Neural Networks (CCNN) and Support Vector Machines (SVM) are used and compared in our work. The machine-learning systems predict, from the input of a flare’s properties, if the flare is likely to initiate a CME. Intensive experiments using Jack-knife techniques are carried out and the relationships between flare properties and CMEs are investigated using the results. The predictive performance of SVM and CCNN is analysed and recommendations for enhancing the performance are provided.  相似文献