基于Sentinel-3 OLCI影像的巢湖藻蓝素浓度年内动态遥感监测

藻蓝素(PC)是水体蓝藻的指示性色素,其浓度反映了蓝藻生物量,利用卫星遥感监测藻蓝素浓度年内动态对蓝藻水华的有效防控有着重要意义.根据不同季节的巢湖藻蓝素浓度实测数据与同期Sentinel-3 OLCI影像,构建机器学习回归反演模型,应用于巢湖2019年OLCI影像集上,对巢湖藻蓝素浓度的空间分布、年内变化进行遥感监测...     

太湖水体吸收分解(Ⅱ):浮游植物色素吸收分解

蓝藻水华暴发前,浮游植物群类结构的变化可通过其指示型色素的浓度变化来反映.为了同时反演叶绿素a、叶绿素b(绿藻门指示型色素)、叶绿素c(硅藻门指示型色素)和藻蓝素(蓝藻门的指示型色素)的浓度,利用偏最小二乘回归构建线性模型,通过2011年太湖实测吸收数据,较为准确地反演了叶绿素a和藻蓝素的浓度;针对无明显优势藻的春季数据集较为准确地反演了叶绿素b和叶绿素c的浓度.相对于经典最小二乘算法,偏最小二乘法在多色素混合的吸收光谱分析上更为有效.通过反演指示性色素浓度来反映藻类的分布,为富营养化湖泊主要藻类时空分布变化的遥感监测提供了一定的理论与技术支持.     

中国大陆强震时间序列预测的支持向量机方法

统计学习理论（Statistical Learning Theory或SLT）是研究有限样本情况下机器学习规律的理论。支持向量机（Support Vector Machines或SVM）是基于统计学习理论框架下的一种新的通用机器学习方法。它不但较好地解决了以往困扰很多学习方法的小样本、过学习、高维数、局部最小等实际难题，而且具有很强的泛化（预测）能力。文中使用支持向量机对中国大陆最大地震时间序列进行预测，预测次年的我国大陆最大地震震级，结果表明该方法具有较好的预报效果。研究结果还表明我国大陆强震活动除了与强震时间序列本身有关外，还与全球的强震活动、太阳黑子活动等有密切的关系。尽管这种关系还不清楚，但是通过支持向量机可以很好地反应出这种非线性关系。     

基于支持向量机的地震序列分类

介绍了人工智能领域最新的基于结构风险最小化原理的数据挖掘算法——支持向量机算法。根据支持向量机线性分类和可以具有不同核函数的非线性分类两种算法,建立了地震序列分类模型。通过试算和分析比较得到了地震序列最佳分类模型,最佳模型的分类结果与实际地震序列分类基本一致。综合分析认为支持向量机算法无论在学习或者预测精度方面都具有很大的优越性,其获得的地震序列分类知识库可以较为准确地实现地震序列类型的分类,因此基于支持向量机理论建立的地震序列分类模型应该是可行的。     

半监督最小二乘支持向量机的研究及其在海上油田储层预测中的应用（英文）

勘探开发初期海上油田钻井少、井间距离大,在应用地震多属性分析技术预测储层参数的过程中,直接采用监督最小二乘支持向量机算法预测精度较低。本文将最小二乘支持向量机与半监督学习理论结合,提出基于最小二乘支持向量机协同训练的半监督回归模型,并在模型训练过程中引入矩阵迭代求逆的方法,提高模型训练速度。利用UCI数据集实验研究,对比了半监督与监督最小二乘支持向量机模型,结果表明,半监督学习机制能够有效地提高最小二乘支持向量机的泛化性能,且随着训练样本的减小,效果更加明显;同时对比了半监督最小二乘支持向量机与半监督k-临近算法,结果显示,在小样本建模中,半监督最小二乘支持向量机有着更高的预测精度。最终将半监督最小二乘支持向量机运用于锦州工区,预测该区的砂体及储层孔隙度的分布,获得了较好的地质效果。     

支持向量机方法在地震短期预测中的应用

支持向量机方法是基于统计学习理论提出的一种机器学习方法,在处理小样本、非线性问题方面有着很强的优势。而地震的孕育发生过程是一个复杂的非线性动力学系统,地震数据时间序列的变化更呈现非线性、不规则等特征。本文系统地分析了天津及其周边地区多种前兆现象,选取反映2至3个月短期情况的前兆测项,使用支持向量机分类方法建立地震综合预测模型,初步结果表明这种方法在地震短期预测中有一定的应用前景。     

我国大陆强震预测的支持向量机方法

统计学习理论是研究小样本情况下机器学习规律的理论. 支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法. 它不但较好地解决了以往困扰很多学习方法的小样本、过学习、高维数、局部最小等实际难题,而且具有很强的泛化（预测）能力,其预测效果通常优于人工神经网络. 我国大陆强震与全球主要板块边界的强震活动之间具有一定的关系,但是这种关系具有较强的非线性. 尽管这种关系还不清楚, 但是通过支持向量机可以很好地进行建模, 并对我国大陆强震进行预测.      

地震前兆综合预测支持向量机模型研究

该文介绍了支持向量机算法的原理与回归方法。 采用支持向量机中的非线性回归算法与理论公式产生的多维样本, 对其进行了数值仿真实验。 利用该方法和地震前兆异常建立了最佳地震综合预测模型, 对获得的最佳模型进行了内符检验, 得出最佳模型的预测结果与实际震例的地震震级基本一致。 综合分析认为, 支持向量机无论在学习或者预测精度方面不但具有很大的优越性和具有较强的外推泛化能力, 而且基于支持向量机回归算法建立的地震前兆综合预测模型是可行的, 其获得的知识可较为准确地实现对主震震级的综合预测。     

基于机器学习的水-气界面CO2、CH4扩散通量预测及影响因素分析——以三峡水库为例

传统的水-气界面温室气体通量的监测方法具有诸多局限,对其影响因素的分析也大多基于数学统计层面。对此,本研究提供了一种较为新颖的研究和分析方法——基于机器学习的数据预测和分析。本研究采用2种经典机器学习算法——随机森林(RF)和支持向量机(SVM)和2种深度学习算法——卷积神经网络(CNN)和长短时记忆神经网络(LSTM),通过环境因素预测水库水-气界面CO₂和CH₄扩散通量。此外,采用RF中的特征重要性评估和经典算法决策树(DT),对环境因素和水库温室气体扩散通量的关系进行了全新角度的数据挖掘和分析。结果表明:深度学习算法的预测效果均较好,经典机器学习算法中RF预测效果显著优于SVM。LSTM和RF分别产生了最优的CO₂扩散通量和CH₄扩散通量的预测精度,均方根误差(RMSE)分别为0.424 mmol/(m²·h)和0.140μmol/(m²·h),预测值与实测值的R²分别为0.960和0.758。RF的特征重要性评估表明沉积物因子...     

嘉峪关典型土遗址裂缝变形气温响应特征研究

裂隙、冲沟、掏蚀、片状剥离等是中国西北地区土遗址发育典型病害,为探求土遗址本体及其赋存环境变化的内在本质规律,开展土遗址变形监测的研究与实践至关重要。以嘉峪关土遗址烽火台裂缝1号、2号为研究对象,通过分析2016年裂缝变形和环境气温监测数据,寻找其响应关系,探索环境气温影响裂缝发育的规律;利用相关性分析、归一化处理数据,结合支持向量机(SVM)机器学习方法对裂缝发展趋势进行预测,为土遗址裂缝发育趋势研究提供理论依据。     

Predicting high-frequency variation in stream solute concentrations with water quality sensors and machine learning

Stream solute monitoring has produced many insights into ecosystem and Earth system functions. Although new sensors have provided novel information about the fine-scale temporal variation of some stream water solutes, we lack adequate sensor technology to gain the same insights for many other solutes. We used two machine learning algorithms – Support Vector Machine and Random Forest – to predict concentrations at 15-min resolution for 10 solutes, of which eight lack specific sensors. The algorithms were trained with data from intensive stream sensing and manual stream sampling (weekly) for four full years in a hydrologic reference stream within the Hubbard Brook Experimental Forest in New Hampshire, USA. The Random Forest algorithm was slightly better at predicting solute concentrations than the Support Vector Machine algorithm (Nash-Sutcliffe efficiencies ranged from 0.35 to 0.78 for Random Forest compared to 0.29 to 0.79 for Support Vector Machine). Solute predictions were most sensitive to the removal of fluorescent dissolved organic matter, pH and specific conductance as independent variables for both algorithms, and least sensitive to dissolved oxygen and turbidity. The predicted concentrations of calcium and monomeric aluminium were used to estimate catchment solute yield, which changed most dramatically for aluminium because it concentrates with stream discharge. These results show great promise for using a combined approach of stream sensing and intensive stream discrete sampling to build information about the high-frequency variation of solutes for which an appropriate sensor or proxy is not available.     

Study on retrieve specified objects in massive remote sensing data

In this paper, we show that to retrieve specified objects in massive remote sensing data set is very important in both practice and theory. An algorithm-based content retrieval in the massive data set is studied. To avoid the loss of information, the algorithm based on the Support Vector Machine classification is proposed. Also, the experiment on the real data set is made.     

卫星遥感解译湖泊蓝藻水华的几个关键问题探讨

蓝藻水华是全球性的水环境健康问题,对水华暴发过程信息的快速准确获取是制定有效防治措施的关键.卫星遥感因具有大范围、周期性观测的特点,被广泛地用于湖泊蓝藻水华的时空动态监测.本文指出在利用遥感对湖泊蓝藻水华进行研究时,需要注意的4个问题:(1)湖泊水体中泥沙等信号对藻华存在干扰;(2)大气程辐射及水陆边界影响藻华特征提取结果;(3)卫星数据的有效观测频次影响获取的藻华时空变化趋势;(4)卫星遥感难以实现藻华暴发区的叶绿素浓度准确反演.本文分析了形成上述问题的主要原因,并建议相关的研究工作者在选用合适的遥感数据及方法时,对它们的潜在影响进行评估.     

基于最优分割的高分辨率遥感影像震害建筑物识别技术

为了提高建筑物震害信息提取的效率与准确度,针对震后高分辨率遥感影像,根据震害建筑物在遥感影像上的特征,以2010年海地M_S7.0地震为例,通过尺度参数估计算法自动选择最优分割尺度对影像进行多尺度分割,并采用面向对象方法对海地高分辨率遥感影像进行建筑物震害信息提取,同时与基于像元的支持向量机、反向传播神经网络、基于分类回归算法的决策树分类方法进行比较。试验结果表明,面向对象的分类方法具有更好的目视效果和更高的分类精度,有利于地震后震害信息的准确提取和快速评估。      

丹江口水库浮游植物时空变化特征

为研究丹江口浮游植物的群落特征,探讨影响浮游植物时空分布的环境因子,于2014年5月2015年4月对丹江口水库进行了为期1年的调查.此次调查共采集到浮游植物66种,隶属于7门21科38属.浮游植物全年平均生物量为0.35 mg/L,平均密度为9.08×10~5cells/L.优势种为脆杆藻、小环藻、直链藻和栅藻,其中脆杆藻所占比例最大,平均生物量为0.089 mg/L,占总生物量的25.43%.近些年丹江口水库营养水平的提高可能是脆杆藻生物量升高的主要原因.绿藻和蓝藻在夏季大量繁殖,硅藻为春、秋和冬季优势门类.汉江库区浮游植物生物量大于丹江库区,两个库区的浮游植物种类组成存在明显的差异,丹江库区优势门类为硅藻门,而汉江库区为绿藻门.浮游植物生物量与环境因子的相关分析表明,浮游植物生物量的主要影响因子是总磷浓度、pH值和溶解氧浓度.RDA分析表明,影响浮游植物组成的主要环境因子是溶解氧浓度、pH值、总磷浓度和水温.为控制浮游植物的生物量,防止其异常增殖造成水华,应严格控制外源营养盐特别是磷元素的输入.本研究可为丹江口水库的水质改善及富营养化防治提供一定的科学依据.     

Influence of river channel morphology and bank characteristics on water surface boundary delineation using high‐resolution passive remote sensing and template matching

Accurate mapping of water surface boundaries in rivers is an important step for monitoring water stages, estimating discharge, flood extent, and geomorphic response to changing hydrologic conditions, and assessing riverine habitat. Nonetheless, it is a challenging task in spatially and spectrally heterogeneous river environments, commonly characterized by high spatiotemporal variations in morphology, bed material, and bank cover. In this study, we investigate the influence of channel morphology and bank characteristics on the delineation of water surface boundaries in rivers using high spatial resolution passive remote sensing and a template‐matching (object‐based) algorithm, and compare its efficacy with that of Support Vector Machine (SVM) (pixel‐based) algorithm. We perform a detailed quantitative evaluation of boundary‐delineation accuracy using spatially explicit error maps in tandem with the spatial maps of geomorphic and bank classes. Results show that template matching is more successful than SVM in delineating water surface boundaries in river sections with spatially challenging geomorphic landforms (e.g. sediment bar structures, partially submerged sediment deposits) and shallow water conditions. However, overall delineation accuracy by SVM is higher than that of template matching (without iterative hierarchical learning). Vegetation and water indices, especially when combined with texture information, improve the accuracy of template matching, for example, in river sections with overhanging trees and shadows – the two most problematic conditions in water surface boundary delineation. By identifying the influence of channel morphology and bank characteristics on water surface boundary mapping, this study helps determine river sections with higher uncertainty in delineation. In turn, the most suitable methods and data sets can be selectively utilized to improve geomorphic/hydraulic characterization. The methodology developed here can also be applied to similar studies on other geomorphic landforms including floodplains, wetlands, lakes, and coastlines. Copyright © 2014 John Wiley & Sons, Ltd.     

Application of support vector machine and relevance vector machine to determine evaporative losses in reservoirs

This article employs Support Vector Machine (SVM) and Relevance Vector Machine (RVM) for prediction of Evaporation Losses (E) in reservoirs. SVM that is firmly based on the theory of statistical learning theory, uses regression technique by introducing ε‐insensitive loss function has been adopted. RVM is based on a Bayesian formulation of a linear model with an appropriate prior that results in a sparse representation. The input of SVM and RVM models are mean air temperature (T) ( °C), average wind speed (WS) (m/sec), sunshine hours (SH)(hrs/day), and mean relative humidity (RH) (%). Equations have been also developed for prediction of E. The developed RVM model gives variance of the predicted E. A comparative study has also been presented between SVM, RVM and ANN models. The results indicate that the developed SVM and RVM can be used as a practical tool for prediction of E. Copyright © 2011 John Wiley & Sons, Ltd.     

Determination of reservoir induced earthquake using support vector machine and gaussian process regression

The prediction of magnitude (M) of reservoir induced earthquake is an important task in earthquake engineering. In this article, we employ a Support Vector Machine (SVM) and Gaussian Process Regression (GPR) for prediction of reservoir induced earthquake M based on reservoir parameters. Comprehensive parameter (E) and maximum reservoir depth (H) are considered as inputs to the SVM and GPR. We give an equation for determination of reservoir induced earthquake M. The developed SVM and GPR have been compared with the Artificial Neural Network (ANN) method. The results show that the developed SVM and GPR are efficient tools for prediction of reservoir induced earthquake M.     

基于遥感藻总量和气象因子的巢湖不同湖区藻华预测

湖泊能为人类提供不可或缺的资源,而全球普遍存在的湖泊富营养化导致的藻华频繁暴发正不断损害湖泊生态环境服务功能.为合理保护湖泊环境和防治藻华危害,需预测藻华暴发.以我国富营养巢湖为研究区,本文构建了一种基于遥感藻总量和气象因子的不同湖区藻华暴发概率预测方法.基于MODIS/Aqua数据,研究首先反演了2003—2019年日尺度的藻华分布和考虑垂向结构的水柱藻总量.然后,统计了西、中和东巢湖的藻华面积,判别了藻华/非藻华日,并匹配日平均藻总量和气象因子.最后,筛选出藻华形成的关键影响因子——藻总量、气温和水汽压,并构建了不同湖区日藻华暴发概率的Logistic预测模型.不同湖区月平均藻总量基本一致,但藻华暴发日占比呈“西高东低”特征.对西、中和东巢湖的藻华/非藻华检验样本,模型精度分别为90%、85%和89.5%,模型也适用于2020年夏秋季和冬春季藻华预测.湖泊藻华暴发是藻类大量增殖并在一定气象条件下的产物,故基于遥感藻总量和气象因子的藻华暴发概率预测科学合理,可推广应用于太湖等其他富营养湖泊.     

汉江中下游水华防控生态调度研究

汉江中下游1992-2021年冬春季节共计暴发了十余次大规模水华事件,水生态安全和饮用水安全频繁受到威胁.基于历次水华发生情况,分析总结了汉江中下游水华特征和暴发成因,根据水华与水文过程响应关系研究提出了抑制水华的关键指标及其调控阈值,构建了汉江中下游水利工程联合生态调度方案,明确了抑制水华的生态调度方式和调度持续时间...