基于机器学习方法的辽宁省初霜冻日期预测模型研究     

王涛  王乙舒  赵春雨  王小桃  秦美欧  沈玉敏  侯依玲  赵建云 《气象与环境学报》2022,38(4):47-56

基于前期ERA5逐月再分析数据, 应用3种机器学习算法(Lasso回归、随机森林和神经网络)对辽宁省初霜冻日期进行预测评估。Lasso回归算法提取对初霜冻日期预测有重要指示意义的气象要素特征集, 通过交叉验证和超参数调优建立初霜冻日期预测模型, 利用均方根误差(RMSE)和距平同号率方法定量定性地评估模型的预测效果。结果表明: 特征选择后的气象要素特征集建模提升了模型的泛化能力、可解释性和稳定性; Lasso回归模型在4月起报的预测效果最好(RMSE为6—8 d), 神经网络模型在5月起报性能最好(RMSE为6—9 d), 随机森林模型在3月起报性能最好(RMSE为8—9 d); 辽宁全省大部分站点距平同号率为50%—70%, 其中Lasso回归和神经网络模型为5月起报最高(约为68%), 随机森林算法为3月起报最高(约为62%)。特征选择和敏感性实验结果发现, 低植被覆盖比例是初霜冻日期预测关键预测因子, 植被覆盖率越高越有利于地表含水量保持, 降温容易产生霜冻, 初霜冻日期也就越易提前, 去掉低植被覆盖比例因子后模型预测效果显著下降, 也表明该因子是模型建模的前期关键因子。  相似文献   

基于ConvLSTM机器学习的风暴潮漫滩预报研究          下载免费PDF全文

谢文鸿  徐广珺  董昌明 《大气科学学报》2022,45(5):674-687

风暴潮是指由强烈的大气扰动所导致的海面异常升高现象,由热带气旋引起的风暴潮常对沿海地区造成巨大的社会经济、人类活动和生命财产危害。依靠数据驱动的强非线性映射能力的机器学习方法较传统数值模式预报在耗费研究资源和计算时间上更具优势。本文选取广东省珠江口为研究区域,基于卷积长短时记忆网络（Convolutional LSTM network,ConvLSTM）机器学习算法展开风暴潮漫滩预报研究,利用由再分析资料驱动的数值模式产品构建了历史台风漫滩数据集,用于机器学习模型训练、验证和测试。研究了两种预报方式,一种是基于海表面高度场的自回归预报,另一种是依赖预报风场和初始海表面高度场进行的预报;它们可以实现基于数据驱动的风暴潮漫滩预报,其中自回归预报模型表现更优。相较于传统动力学数值预报,基于数据驱动的ConvLSTM预报模型结构更为轻便,所需驱动数据更少,在缺少边界条件、地形、径流等信号时,在短临预报中仍能基本复现数值模式模拟的结果。  相似文献   

机器学习在强对流监测预报中的应用进展     

周康辉  郑永光  韩雷  董万胜 《气象》2021,(3):274-289

近年来,机器学习理论和方法应用蓬勃发展,已在强对流天气监测和预报中广泛应用。各类机器学习算法,包括传统机器学习算法(如随机森林、决策树、支持向量机、神经网络等)和深度学习方法,已在强对流监测、短时临近预报、短期预报领域发挥了积极的重要作用,其应用效果往往明显优于依靠统计特征或者主观经验积累的传统方法。机器学习方法能够更有效提取高时空分辨率的中小尺度观测数据的强对流特征,为强对流监测提供更全面、更强大的自动识别和追踪能力;能够有效综合应用多源观测数据、分析数据和数值预报模式数据,为强对流临近预报预警提取更多有效信息;能够有效对数值模式预报进行释用和后处理,提升全球数值模式、高分辨率区域数值模式在强对流天气预报上的应用效果。最后,给出了目前机器学习方法应用中存在的问题和未来工作展望。  相似文献   

人工智能技术在数值天气预报中的应用          下载免费PDF全文

孙健  曹卓  李恒  钱思萌  王昕  闫力敏  薛巍 《应用气象学报》2021,32(1):1-11

当前,人工智能迎来第3次发展浪潮并在多个领域大数据分析中取得巨大成功,这为人工智能技术与数值天气预报结合提供了契机。已有大量研究尝试将人工智能技术用于数值天气预报的初值生成、预报和产品应用过程中,涉及观测资料预处理、资料同化、模式积分、后处理以及高性能计算,通过误差估计、参数估计和局部代理等手段使预报结果,得到改进且计算速度大幅提升,展示出良好的应用前景,一些神经网络模型也表现出纯数据驱动预报的可能性,在短时强对流天气、降水以及气候预测中已有较为理想的应用实例。然而,人工智能技术在数值天气预报中的应用与发展仍面临一些挑战,主要包括深度学习的弱解释性、不确定性分析以及两者的耦合等,除了应对这些挑战,未来两者的深度结合还需要在理论指导下的人工智能模型设计、高时空分辨率人工智能预报模型设计以及使用更多新型人工智能技术等方面深入探索。  相似文献   

基于融合特征选择算法的钻速预测模型研究          下载免费PDF全文

周长春  姜杰  李谦  朱海燕  李之军  鲁柳利 《探矿工程》2022,49(4):31-40

钻速预测是钻井优化的重要组成部分,机器学习算法是当前实现准确钻速预测的重要手段,准确的特征选择是保证机器学习精度的关键途径。基于南海某井眼的实际钻井数据,本文采用一种融合特征选择法从钻井特征参数中选出井径、钻井液出口温度、钻井液入口密度、钻井液出口密度、K值、塑性粘度、滤失量、上覆压力、孔隙压力、和喷嘴等效直径共10种参数。将优选出的参数作为模型输入,引入集成的梯度提升树（Gradient Boosting Decision Tree,GBDT）算法建立机械钻速预测模型。将建立的模型与常规机器学习算法模型进行对比试验。试验结果显示,所提出的融合特征选择算法模型精度较全特征模型高2%,较常用机器学习模型平均高14.5%,该研究为钻井参数的准确、快速寻优提供了有效解决方案,对提高钻进速率具有一定的指导意义和实际应用价值。  相似文献   

Snow avalanche susceptibility evaluation in the central Shaluli Mountains of Tibetan Plateau based on machine learning method北大核心CSCD     

文洪  巫锡勇  赵思远  边瑞  周桂宇  孟少伟  孙春卫 《冰川冻土》2022,44(6):1694-1706

Snow avalanches,which are widely and frequently developed at high elevations,seriously threatens the built traffic corridors in the Tibetan Plateau. Susceptibility evaluation of snow avalanche via machine learning model with a high forecast accuracy can be appled to quickly and effectively assess the regional avalanche risk. This paper took the central Shaluli Mountain region as the study area,in which the snow avalanche inventory was established through remote sensing interpretation and field investigation verification. We quantitatively extracted 17 evaluation factors via GIS-based analysis,and these factors were selected through the variance expansion factor（VIF）. Four machine learning models containing SVM,DT,MLP and KNN were used to compile the susceptibility index map of snow avalanches,and kappa coefficient and ROC curve were used to verify the accuracy. The results suggested that the susceptibility indexes obtained from SVM,DT,MLP and KNN were in the range of［0,0. 964］,［0,815］,［0,0. 995］and［0,1］,respectively. The accuracy test results show that these four models all have good prediction accuracy. Among them,the SVM model is the best. The results also indicated that the areas with the high snow avalanche susceptibility mainly distributed in Genie Mountain and Rigong Mountain,most of which were above the planation surface of the Tibetan Plateau. The average altitude of the extremely high snow-avalanche-prone areas is 4 939 m,while the average altitude of the high snow avalanche-prone areas is 4 859 m. The snow avalanche has low perniciousness on the Sichuan-Tibet Highway and the Sichuan-Tibet Railway in the study area. This study can provide theoretical basis and method reference for disaster prevention and mitigation of snow avalanche along Sichuan-Tibet Railway and other major projects across Shaluli Mountains region. © 2022 Science Press (China).  相似文献   

地图综合智能化研究的发展与思考          下载免费PDF全文

武芳  杜佳威  钱海忠  翟仁健 《武汉大学学报(信息科学版)》2022,47(10):1675-1687

地图综合是地图制图和多尺度空间数据变换的核心与关键技术。20世纪60年代以来,数字地图数据的自动综合研究逐渐展开并取得了长足的进步,囿于人工智能技术的限制,地图综合的智能解决方法虽有不少成果,但距离真正的智能化、实用化仍有一定的距离。近年来,以深度学习为代表的人工智能技术应用于诸多研究领域并取得显著成效,地图综合的智能化研究也有诸多新的尝试。首先,在归纳自动地图综合研究模式的基础上,阐述了智能地图综合研究的必要性;然后,结合人工智能发展历程回顾智能地图综合研究,梳理和分析了基于传统机器学习与基于深度学习的智能地图综合研究现状,并归纳了地图综合智能化研究的主要方法;最后,围绕地图综合智能化研究中的几个热点问题,探讨了智能地图综合的发展趋势。  相似文献   

基于LS-SVM的多系统融合GNSS-MR潮位反演          下载免费PDF全文

游高冲  郭杭  罗孝文  尹海博  王朝阳 《海洋学研究》2022,40(1):72-80

针对单系统GNSS-MR潮位监测中反演精度和时间分辨率低的问题,提出了一种基于LS-SVM的多系统融合潮位反演方法.利用香港HKQT站连续30 d的GPS、BDS、Galileo、GLONASS卫星观测数据进行实验,比较了基于滑动窗口最小二乘法、SVR、LS-SVM三种多系统融合方法.结果表明:基于LS-SVM的多系统...  相似文献   

基于改进多粒度级联森林的测井岩性识别方法研究与应用     

苏赋  朱威西  马磊 《地球物理学进展》2021,36(2):654-661

岩性是储层评价和地层开发潜力评测的关键因素,是油藏描述、实时钻井监控及求取储层参数的基础.测井资料中包含丰富的地层岩性信息,是岩性分析的基础资料.然而,数据信息的精度往往会严重的影响到识别的准确率,同时复杂的岩性状况也加大了测井解释的难度,如何快速、精确、低耗地利用测井资料获取地层岩性信息越来越受到研究人员的重视.针对传统深度神经网络复杂的网络模型和学习性能严重依赖对超参数调节的问题,本文在机器学习的基础上引入余弦相似度对多粒度级联森林方法进行改进,提出改进多粒度级联森林模型(Improve Multi-Grained Cascade Forest,IgcForest),有效地提高了岩性识别的效率和精度.在大庆油田实际测井数据上使用IgcForest方法,综合自然伽马(GR)、声波时差(AC)、密度(DEN)、微梯度电阻率(RMN)、深侧向电阻率(PHIND)和浅侧向电阻率(RLLS)六种测井参数,对页岩、粉砂岩和砂岩进行识别,取得了较好的识别效果.通过实验数据对比,使用IgcForest模型的岩性识别准确率高于支持向量机、深度神经网络、决策树和多粒度级联森林(Multi-Grained Cascade Forest,gcForest)等其他模型10％左右,算法整体准确率高达87％,表明其在岩性识别算法中更具有发展前景.  相似文献   

基于支持向量机的2021年2月13日日本福岛近海M_j7.3级地震震级估算          下载免费PDF全文

朱景宝  宋晋东  李山有 《世界地震工程》2021,(2):074-81

2021年2月13日日本福岛县近海发生M_j7.3级地震,触发了日本气象厅地震预警系统,系统在首台触发后5.6s发出震级为M_j6.3级的预警第1报,首台触发后10s对公众发布警报、预警震级为M_j6.4级。基于多类型特征参数输入的机器学习支持向量机震级估算模型（SVM-M）,利用2021年2月13日日本福岛县近海M_j7.3级地震获取的日本K-net强震动观测数据,分析SVM-M模型在该次地震中首台触发初期（首台触发后1~10s）的震级估算效能。结果表明:SVM-M震级估算模型,在首台触发后1s即可给出M_j6.3级的震级估算结果,与日本气象厅在首台触发后5.6s发布的预警第1报震级相同;随着时间窗的增加,首台触发后5s和10s,SVM-M模型的震级估算结果分别是M_j6.7级和M_j6.6级,均大于日本气象厅首台触发后10s对公众发布警报的预警震级。该次地震的离线模拟结果表明:SVM-M模型可在地震发生初期有效提高地震预警震级确定的准确性和时效性。  相似文献