机器学习与统计模型在石羊河流域气候降尺度研究中的适用性对比     

宫毓来  马绍休  刘伟琦 《中国沙漠》2022,42(1):196-210

高分辨率气候数据是研究气候变化对农业、生态、水文影响的驱动数据,动力和统计降尺度模型是两类常用的生成高分辨率气候数据的方法,近年来机器学习模型也被用到气候变化的研究中,但针对不同站点(下垫面)的多种统计降尺度模型的对比研究较少.石羊河流域土地利用类型多样,海拔变化显著,适合研究降尺度模型的适用性.本研究选择2种传统统计...  相似文献   

基于决策融合的SPOT-6影像土地覆被分类研究     

李宏达  高小红  汤敏 《地球信息科学学报》2021,23(5):928-937

多分类器决策融合方法在提高遥感影像分类的准确性和可靠性方面已表现出了巨大潜力,但这一过程中对所有像元多次分类会产生巨大的时间代价,为改善这一问题,本文提出了主分类器的概念。在青海湟水流域确定2个试验区,对7种常用的分类器进行评估,排除精度较低的3种分类器后,选择支持向量机（Support Vector Machine, SVM）、多层感知机（Multilayer Perceptron, MLP）、随机森林（Random Forest, RF）和梯度提升树（Gradient Boosting Decision Tree, GBDT）4种不同的分类器,建立决策规则共同对SPOT-6影像分类。为提高分类效率,以精度最高的GBDT作为主分类器对影像分类后,仅对结果中可信度不高的像元使用多分类器共同决策。研究结果表明,2个区域内主分类器独立完成分类的像元分别占38.10%和65.26%,错分率为1.57%和2.18%;多分类器共同决策的区域,相比GBDT的分类结果,总体精度分别高出2.49%和3.66%。整体上看,决策融合使2个区域的总体分类精度分别提高了1.18%和1.09%,能够有效减少分类结果中的“椒盐噪声”,精度更加均衡。相比现有的决策融合方法,主分类器的使用在保证分类精度的同时有利于分类效率的提高及分类结果保持良好的一致性。  相似文献   

耦合人群移动的COVID-19传染病模型研究进展     

尹凌  刘康  张浩  奚桂锴  李璇  李子垠  薛建章 《地球信息科学学报》2021,23(11):1894-1909

构建传染病模型可为疫情防控与公共卫生研究提供至关重要的规划与解析工具。由于宿主行为是传染病传播动态的决定性因素之一,有效耦合人群时空行为对以人为宿主的传染病建模具有重要意义。得益于人群移动大数据研究与应用的快速发展,新型冠状病毒肺炎（COVID-19）的疫情建模研究中呈现出了耦合人群移动建模的显著特征。为系统深入理解该项传染病模型研究中的重要进展,本文对相关文献进行分析与总结。首先,本文分析了COVID-19疫情与人群移动的交互影响,说明了耦合人群移动构建COVID-19模型的必要性。然后,根据建模的目的和原理,从疫情短期预测与过程模拟2个角度,对耦合人群移动的COVID-19传染病模型进行分类梳理。其中,根据耦合人群移动的方式,本文将面向疫情短期预测的模型分为人群移动一阶量与人群移动二阶量的耦合模型,将基于过程模拟的模型分为群体级别和个体级别的耦合模型。最后,本文评述了耦合人群移动的传染病模型研究进展和未来发展方向,认为该领域研究亟需更加深入建模与疾病传播相关的复杂人群时空行为、提升模型的空间解析能力、突破精细化时空传播模拟的计算瓶颈、拓展与前沿人工智能方法的融合,并构建普适而开放的建模数据与工具以促进应用发展。  相似文献   

基于无监督机器学习的胶州湾海底工程环境适宜性综合评价     

杜星  孙永福  董杰  王青  宋玉鹏  苏志明  张莞君 《海洋与湖沼》2022,53(4):972-980

海岸带工程地质环境的稳定性对于海洋工程的建设安全和沿海经济繁荣十分重要。在胶州湾海域已有地质、水文等数据的基础上,对胶州湾海底工程环境适宜性进行了分区。通过无监督机器学习的谱聚类算法,构建了胶州湾海底工程环境适宜性综合评价模型。结果表明,胶州湾整体工程环境适宜性趋势为北高南低,从北向南依次可分为适宜性高、适宜性较高、适宜性较低和适宜性低四个区域。相关性分析表明,影响胶州湾海域海底工程适宜性的因素从高到低依次为冲淤分布、沉积物类型、坡度、第四系沉积物厚度、水深、海流流速、断裂分布。本研究可为胶州湾工程环境和地质灾害预防提供参考,有助于海洋工程环境稳定和经济安全保障。  相似文献   

顾及空间自相关特征的机器学习水深反演方法研究     

王鑫  贝祎轩  陈卓  张凯 《海洋学报》2022,44(11):159-169

基于多光谱影像的水深反演方法是获取近岸水深信息的高效手段,然而反演精度低一直是制约其广泛应用的瓶颈。本文聚焦于实测水深与多光谱数据自身的空间自相关特性,提出在机器学习框架下将学习样本的空间自相关特征与统计互相关特征相结合,以提高水深反演精度。西沙北岛海域的实验结果表明:在实测数据量较小的情况下,相比传统机器学习,顾及自相关特征的新方法可获得18%的精度提升;而当实测数据量充足时,精度提升可达到27%。结果表明,将数据源的空间自相关特征融入机器学习算法中,可显著提升多光谱水深反演结果的精确性,进而为浅海海洋研究提供有效数据支撑。  相似文献   

基于KNN机器学习方法对青藏高原唐古拉地区表层土壤水热状况的模拟   总被引：1，自引：1，他引：0  

刘宏超  马俊杰  李韧 《冰川冻土》2021,43(4):1243-1252

利用唐古拉站2004—2012年气象观测资料,基于KNN算法,结合机器学习思想,建立了一个气象回归模型,模拟了2005年唐古拉地区表层土壤水热变化趋势,结合实测数据,将模拟值与观测值进行对比,并对模型模拟效果进行了评估。结果表明：KNN模型能够较好地模拟活动层表层土壤水热状况,各层土壤温度的模拟值与观测值的相关系数均在0.99以上,均方根误差在1.25 ℃以内;不同深度土壤水分的模拟值与观测值的相关系数均在0.95以上,均方根误差在0.02 m³?m^-3以内。总体上,KNN模型能够对青藏高原多年冻土区唐古拉地区表层土壤水热状况进行较为精确地模拟,该模型对于青藏高原其他地区的适用性有待进一步研究验证。  相似文献   

基于机器学习的滑坡崩塌地质灾害气象风险预警研究          下载免费PDF全文

李阳春  刘黔云  李潇  顾天红  张楠 《中国地质灾害与防治学报》2021,32(3):118-123

在划分气象风险等级时,传统地质灾害气象风险预警方法忽略了承灾体脆弱性因素,且气象风险预报等级整体偏高,导致高等级风险区空报率较高。基于此,提出基于机器学习的滑坡、崩塌灾害气象风险预警方法。利用信息量法,分析气象因素影响程度。选取坐标点、降雨量、易发生等级,将其作为机器学习人工神经网络的输入节点,判断是否发生崩塌、滑坡灾害;针对地质灾害区域,根据影响程度计算气象引发因子指数,结合滑坡、崩塌灾害潜势度G和承灾体脆弱性M,确定气象风险预警指数R,划分预警级别,完成滑坡、崩塌灾害气象风险预警。实验结果表明,设计方法有效降低了三级预报和四级预警空报率,提升了预警精细化程度。  相似文献   

基于数据科学的矿产资源定量预测的理论与方法探索     

左仁广 《地学前缘》2021,28(3):49-55

矿产资源预测已从定性走向了定量,从数据稀疏型走向了数据密集型,亟须数据科学支撑。本文在前人研究基础上,讨论了基于数据科学的矿产资源定量预测理论与方法,该方法的理论基础为相关性理论与异常理论,前者采用监督的机器学习方法挖掘地质找矿大数据与矿床的相关性为预测未发现矿床提供了理论基础;后者采用非监督的机器学习方法识别地质找矿大数据蕴含的地质异常为预测矿床提供了理论依据。该理论与方法强调地质找矿大数据和机器学习的重要性,其中,数据种类的多样性及数据精度和质量会影响预测结果的好坏,机器学习可提高特征提取与信息集成融合效率。此外,本文讨论了基于数据科学的矿产资源定量预测理论与方法的技术框架、特征提取、数据集成融合方法,以及该理论与方法引入的不确定性。  相似文献   

基于机器学习和测井数据的碳酸盐岩孔隙度与渗透率预测     

侯贤沐  王付勇  宰芸  廉培庆 《吉林大学学报(地球科学版)》2022,52(2):644-653

准确预测碳酸盐岩储层孔隙度和渗透率对于碳酸盐岩油气藏储层评价具有重要意义。碳酸盐岩储层裂缝与溶孔广泛发育,基于经验公式从测井曲线预测储层孔隙度和渗透率具有较大误差。以中东某碳酸盐岩油藏为研究对象,选取914块取心井岩心,测定孔隙度与渗透率,利用随机森林（RF）、K-近邻（KNN）、支持向量机（SVM）和长短期记忆网络（LSTM）4种不同机器学习方法,通过测井数据进行孔隙度与渗透率预测,优化机器学习参数,筛选出适用于碳酸盐岩油藏的测井孔隙度与渗透率预测方法。研究结果表明：4种机器学习方法预测储层孔隙度结果差异不大,通过调整输入参数种类,可进一步提高孔隙度与渗透率预测效果,当以补偿中子（NPHI）、岩性密度（RHOB）和声波时差（DT）3种测井参数数据作为输入时,基于LSTM的储层孔隙度预测精度最高,孔隙度预测结果均方根误差（RMSE）为4.536 2;由于碳酸盐岩储层的强非均质性,基于机器学习的测井储层渗透率预测效果较差,相对而言,仅以NPHI作为机器学习输入参数时,基于RF的储层渗透率预测精度最高,渗透率预测结果的RMSE为45.882 3。  相似文献   

基于气象因子及机器学习回归算法的夏季空调负荷预测     

田心如  蔡凝昊  张志薇 《气象科学》2019,39(4):548-555

气温、气压、相对湿度等气象因子对夏季用电负荷的影响非常显著。为了定量研究气象因子导致用电负荷的变化,本文将夏季用电负荷与当年4月及9月用电平均值之差定义为夏季空调负荷,并利用2014年1月到2016年12月南京市逐时气温、气压、相对湿度、水汽压、降雨量、风速、露点温度等气象资料,以及逐日逐时用电负荷数据资料,采用多元线性、K近邻法,决策树,bagging回归、随机森林等5种机器学习回归算法进行建模,并对其分别进行参数调优工作,进而得到空调负荷预测结果。结果表明:多元线性回归方法是5种回归算法里效果最差的一种,但通过增加特征量的种类和样本数,可以提高预测精度;随机森林回归算法是5种回归算法里效果最好的一种,较多元线性回归算法减小误差达44%,并且较好描述了空调负荷高值区的极端情况并减少了对于训练数据的过拟合现象。  相似文献