结构方程模型及其在地学数据建模中的回顾与展望

结构方程模型是一种建立、估计和检验因果关系的方法。它可以替代多重回归、路径分析、因子分析、协方差分析等方法,清晰分析单项指标对总体的作用和单项指标间的相互关系,是一种主要应用于验证性模型分析的多元统计建模技术。由于能够通过可观测变量来度量潜变量得分以及分析不同子模型下潜变量之间的协同效应等优点,结构方程模型被广泛应用在心理学、行为学、市场学等领域的数据建模分析研究中,提供了从提出概念—设计模型—获取数据—验证模型的成熟应用路径。地学数据的建模技术一直是地学研究的热点之一,其目的是在海量、多元、高维、多时态的地学数据中,提取出有价值的模型结构以及潜变量,研究不同地学变量以及潜变量之间的交互关系,从而支撑环境治理、灾害防治、资源勘察、生态评价等相关应用和研究。随着地学数据规模变化和建模工具的不断发展,地学数据建模的样本逐渐从抽样建模变为全样本建模,建模方式从有地学模型指导下的建模变为无约束/弱约束建模,建模依据从基于变量因果关系建模变为基于变量相关性的建模,模型复杂度从单模型/单过程建模变为多模型/多过程的综合建模。结构方程模型作为一种综合的建模方法,其可以同时包含因子分析、潜变量估计、路径分析等多种多元分析技术,这种多层次、多分支的建模方法融合了知识驱动建模和数据驱动建模的特点。结构方程模型在地学数据建模中主要面临以下三个方面的挑战,一是从主要面向验证性建模分析的方式向探索性建模分析的方式转变;二是从有完整地学模型约束的建模型方式向弱模型/无模型约束的地学数据建模方式转变;三是从无空间属性的统计变量建模向空间统计变量建模的转变。这对模型本身和数据建模的方法都提出了新的要求。针对以上三个问题,文章在回顾结构方程模型的概念和发展历程的基础上,介绍了三个结构方程模型在地学数据建模中的应用案例,一是利用湖泊沉积物地球化学数据在弱约束条件下提取地球化学金矿内生控矿因子的建模案例;二是利用结构方程模型的综合参数优化方法,通过计算后验概率与观察后验概率的匹配约束来弱化、校正证据权模型中证据独立性问题在计算金矿找矿后验概率中的影响;三是利用结构方程模型来研究墨西哥马格达莱纳流域森林保护策略,通过对不同区域的森林区块进行编号,将空间分布数据转变为传统的无空间属性的统计变量,并分析了不同环境策略对森林保护的影响。      

云南地学多样性定量评价方法研究与应用

随着全球自然保护事业的发展,地学多样性评价日益成为各类自然地保护和管理的一种重要理念和实用工具.然而,目前全球对地学多样性定量评价方法的研究进展缓慢.重点研究地学多样性定量评价的方法和应用,介绍了地学多样性在全球的发展历程及其核心思想,在此基础上建立了评价模型,并将其应用于云南地学多样性定量评价,得出评价结果.通过分析评价结果认为,对地学多样性可以进行定量化评价;地学多样性同地表粗糙程度存在着强正相关系;云南地学多样价值空间分布呈水平和垂直相交状,并有明显的区域特征.     

人工神经网络技术在水文地质学中的应用潜力初探

在许多水文地质问题中,多因素且非线性的影响常使传统的集中参数随机模型或分布参数确定性数值模型的方法难以对其作出符合实际的评价与预测。本文从几个典型的水文地质问题入手,利用人工神经网络技术的高度自组织、自适应与自学习能力和分类计算能力,对这些问题的解决进行了系统的ＢＰ网分析。结果表明,人工神经网络的应用可有效减少人为的主观臆断性,其训练识别的结果更符合实际,效果令人满意,因此具有十分广阔的应用前景。     

地学模拟相关技术的研究与进展

地学模拟技术的一个发展方向是与地学过程分析密切结合,另一个发展方向是与数据可视化技术相结合。前者试图通过使用各种数学方法模拟地学随机现象,并对这些不良结构化或半结构化的地学问题进行定量化描述;后者运用计算机的三维可视化功能,在三维环境下将空间信息管理、地学解译、空间分析、地学统计与预测、三维图形可视化等技术相结合,实现计算可视化、分析可视化、过程可视化、结果可视化和决策可视化,并用于地学分析。回顾了地学中计算机三维地学建模技术、地质统计学和地学非线性现象模拟方法,并对该领域的发展进行了展望,认为加强地学模拟的理论体系、方法体系、技术体系的研究和实践既有着重要的理论意义,又有着重要的现实意义。     

数据预处理技术在地学大数据中应用

大数据时代随着数据的爆发式增长,在带来可供研究的海量数据的同时,也带来巨量的噪声和冗余数据。在地学领域,由于研究方向和技术方法手段的多样化,产生了数据量巨大和类型众多的地学数据集合。在地学信息的研究过程中,经常碰到地学信息孤岛,分图幅地学数据边界系统误差和地学文档的非结构化问题。在对地学数据进行信息的提取和挖掘之前,必须根据研究目的对地学大数据进行预处理,使冗余、复杂的大数据转为结构化、准确、可用的数据。本文以地学大数据的预处理技术为切入点,从地学数据交互标准与语义、数据调平、地质图接边和文本结构化等四个研究方面,分析阐述目前地学大数据挖掘方面存在的问题及主要的解决手段,同时也对多元数据融合在大数据中的应用进行了阐述。希望通过本文对地学大数据预处理技术的探讨,能对地学大数据的挖掘有所帮助。     

基于XR技术的交互式地质场景模型构建方法研究

扩展现实技术(XR)是虚拟现实(VR)、混合现实(MR)和增强现实(AR)技术的总称。随着计算机硬件和软件的发展,这些技术逐渐走入大众视野,被应用到各大领域。在地学中,XR技术能够让抽象概念更直观动态地展示出来,对地质数据可视化、地理信息交互、地学教育有非常好的促进作用。本文介绍了这些技术的基本概念、技术手段及在地学中的应用,为地学中使用XR技术提供技术认知,提出了可在XR技术中使用的交互方案,并选用了江苏丹阳第四系地质模型在XR里各自制作了测试场景。从地学工作者视角对IdeaVR、Unity 3D和UnrealEngine 4三款引擎进行对比,列举其各自优势,展示3种技术平台的制作过程、交互方式、展示效果及使用场景,并就地质模型导入通用引擎可能遇到的难点问题提出解决方案。     

扫描核探针技术及其地学应用进展

扫描核探针技术作为一种重要的微区原位无损痕量分析手段 ,广泛应用于地学与环境、生物与医学、微电子、材料与冶金科学以及艺术与考古学等研究领域。文中简介该技术在仪器装置、分析技术到地学应用方面的新进展 ,并将之与其他微区分析技术的性能特点进行了对比 ,最后讨论了该技术的未来发展和更广泛的地学应用问题。     

数值模拟软件FLAC及其在地学应用简介

拉格朗日元法是一种常见的数值计算方法,以有限差分程序FLAC软件为例,简单论述其原理,分析了它的优缺点并叙述其工作流程,表明其非常适合解决非线性、大变形问题.同时通过介绍了在国内外地学方面的一些应用实例,对数值模拟技术在国内地学方面的应用和研究提出一些建议.     

基于GIS的地学信息分类编码的一种思路

随着信息高速公路和ＧＩＳ技术的发展和广泛应用,地学信息的标准化已成为当前的迫切任务建立地学信息分类代码体系是其标准化的重要内容,介绍了在适于区域矿产资源定量 价系统的地学信息分类代码体系,并根据地学信息本身及其在矿产定量评价中应用的特点,对如何实现分类编码的科学性,系统性及实用性进行了初步讨论。     

锑同位素测试方法及其应用研究

随着多接收电感耦合等离子质谱仪及其分析技术的快速发展,锑同位素得以深入研究,从而为有效示踪环境中锑来源与地球化学过程成为可能。本文在锑同位素分析方法及其应用研究最新进展评述的基础上,结合笔者团队开发的Sb同位素分析方法,指出离子交换树脂法与巯基纤维或树脂相结合的纯化分离可能是首选的前处理方案;而元素外标法与氢化物系统的结合,是进行仪器质量分馏校正的最佳途径,其分析精度和效率都可以大幅提升,分析精度可达0.4ε。氧化还原、蒸发冷凝和吸附过程等是产生锑同位素分馏的主要原因。目前,锑同位素在环境污染和考古学研究中已展现了独特的优势,并将随着其分馏机理的进一步阐明和应用范围的拓展,在地学及其他诸多领域得到更广泛的应用。     

Simultaneous parameter identification of a heterogeneous aquifer system using artificial neural networks

An artificial neural network (ANN) model is proposed for the simultaneous determination of transmissivity and storativity distributions of a heterogeneous aquifer system. ANNs may be useful tools for parameter identification problems due to their ability to solve complex nonlinear problems. As an extension of previous study—Karahan H, Ayvaz MT (2006) Forecasting aquifer parameters using artificial neural networks, J Porous Media 9(5):429–444—the performance of the proposed ANN model is tested on a two-dimensional hypothetical aquifer system for transient flow conditions. In the proposed ANN model, Cartesian coordinates of observation wells, associated piezometric heads and observation time are used as inputs while corresponding transmissivity and storativity values are used as outputs. The training, validation and testing processes of the ANN model are performed under two scenarios. In scenario 1, all the sampled data are used through the simulation time. However, in the scenario 2, there are data gaps due to irregular observations. By using the determined synaptic network weights, transmissivity and storativity distributions are predicted. In addition, the performance of the proposed ANN is tested for different noise data conditions. Results showed that the developed ANN model may be used in simultaneous aquifer parameter estimation problems.     

数字地形分析技术在分布式水文建模中的应用

论述了在栅格数字高程模型（DEM）的基础上，利用数字地形分析技术来完成地形评价、河网指示、流域分割、子流域参数化等项工作的理论与方法。并结合江西潋水河流域的实际工作进行了详细的说明。研究结果表明，通过数字地形分析的方法，利用栅格DEM实现流域离散化并从中提取分布式水文模型所需要的输入参数是一种行之有效的手段。     

国际地球科学与资源环境科学发展战略分析

介绍了国际主要地学机构（NASA、USGS、NOAA、NERC、BGS）、主要组织（ICSU、EU、OECD、UNESCO）、国际主要基金机构（NSF、ESF）21世纪初10～20年有关地球科学与资源环境科学的研究与发展战略的目标、研究计划、主要研究内容与优先研究领域。这些机构与组织的地学与资源环境科学发展战略，反映了国际上地球科学与资源环境科学的研究重点和发展趋势，对把握国际地球科学与资源环境科学发展方向、明确我国地球科学与资源环境科学的战略重点和优先领域具有重要的参考价值。同时，依据美国科学信息研究所（ISI）的基本科学指标数据库（ESI），分析了过去20年国际地学（geosciences）、环境／生态学（environment／ec ology）领域著名科学家的国别和机构分布状况，分析了国际地学、环境／生态学过去10年成果产出最多、论文被引频次最多、篇均被引频次最高的前10个研究机构，反映了过去10年国际地学、环境／生态学研究的影响力。最后，简要分析了国际地球科学与资源环境科学的优先研究领域与主要特点。     

ASTER数据的自组织神经网络分类研究

传统的遥感数据分类方法大多基于统计学的参数估计，假设数据分布服从高斯正态分布。神经网络方法无需参数估计和统计假设，因而，近来越来越多地应用于遥感数据分类之中。介绍了基于聚类分析的自组织特征映射分类方法。ASTER卫星数据是新型遥感数据，包括 3个15 m分辨率波段和 3个30 m分辨率的短波红外波段。选择北京地区的ASTER数据作为方法实验数据，首先对数据进行了小波融合，然后进行了土地覆盖类型的自组织特征映射神经网络分类研究，把研究结果同最大似然判别法得到的分类结果进行了比较，分类精度比最大似然判别法总体提高了9％。     

Caspian Sea level prediction using satellite altimetry by artificial neural networks

The demand for accurate predictions of sea level fluctuations in coastal management and ship navigation activities is increasing. To meet such demand, accessible high-quality data and proper modeling process are critically required. This study focuses on developing and validating a neural methodology applicable to the short-term forecast of the Caspian Sea level. The input and output data sets used contain two time series obtained from Topex/Poseidon and Jason-1 satellite altimetry missions from 1993 to 2008. The forecast is performed by multilayer perceptron network, radial basis function, and generalized regression neural networks. Several tests of different artificial neural network (ANN) architectures and learning algorithms are carried out as alternative methods to the conventional models to assess their applicability for estimating Caspian Sea level anomalies. The results derived from the ANN are compared with observed sea level values and with the forecasts calculated by a routine autoregressive moving average (ARMA) model. Different ANNs satisfactorily provide reliable results for the short-term prediction of Caspian Sea level anomalies. The root mean square errors of the differences between observations and predictions from artificial intelligence approaches can be significantly reduced by about 50 % compared with ARMA techniques.     

Prediction of pile settlement using artificial neural networks based on standard penetration test data

In recent years artificial neural networks (ANNs) have been applied to many geotechnical engineering problems with some degree of success. With respect to the design of pile foundations, accurate prediction of pile settlement is necessary to ensure appropriate structural and serviceability performance. In this paper, an ANN model is developed for predicting pile settlement based on standard penetration test (SPT) data. Approximately 1000 data sets, obtained from the published literature, are used to develop the ANN model. In addition, the paper discusses the choice of input and internal network parameters which were examined to obtain the optimum model. Finally, the paper compares the predictions obtained by the ANN with those given by a number of traditional methods. It is demonstrated that the ANN model outperforms the traditional methods and provides accurate pile settlement predictions.     

An application of artificial intelligence for rainfall-runoff modeling

This study proposes an application of two techniques of artificial intelligence (AI) for rainfall-runoff modeling: the artificial neural networks (ANN) and the evolutionary computation (EC). Two different ANN techniques, the feed forward back propagation (FFBP) and generalized regression neural network (GRNN) methods are compared with one EC method, Gene Expression Programming (GEP) which is a new evolutionary algorithm that evolves computer programs. The daily hydrometeorological data of three rainfall stations and one streamflow station for Juniata River Basin in Pennsylvania state of USA are taken into consideration in the model development. Statistical parameters such as average, standard deviation, coefficient of variation, skewness, minimum and maximum values, as well as criteria such as mean square error (MSE) and determination coefficient (R ²) are used to measure the performance of the models. The results indicate that the proposed genetic programming (GP) formulation performs quite well compared to results obtained by ANNs and is quite practical for use. It is concluded from the results that GEP can be proposed as an alternative to ANN models.     

基于Elman型神经网络的金川二矿地表岩移时序预测 模型

建立于煤矿开采基础之上的矿山开采沉陷理论和预测方法并不适用于象金川这样厚大、陡倾的金属矿床开采的岩移问题,因此,本文探讨利用神经网络来对地表岩移进行预测。根据Elman神经网络能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,提出了利用Elman神经网络建立地表岩移时序预报模型的方法。利用金川二矿区GPS监测所得到的时间序列数据,通过对Elman神经网络模型预测值与GPS实测值之间的比较,结果表明模型预测显示了良好的准确性,特别是在时间步长较短情况下,应用于实际预测一定程度上可以弥补金属矿山岩移预测方法不足的缺憾。     

Prediction of slope stability using artificial neural network (case study: Noabad, Mazandaran, Iran)

Investigations of failures of soil masses are subjects touching both geology and engineering. These investigations call the joint efforts of engineering geologists and geotechnical engineers. Geotechnical engineers have to pay particular attention to geology, ground water, and shear strength of soils in assessing slope stability. Artificial neural networks (ANNs) are very sophisticated modeling techniques, capable of modeling extremely complex functions. In particular, neural networks are nonlinear. In this research, with respect to the above advantages, ANN systems consisting of multilayer perceptron networks are developed to predict slope stability in a specified location, based on the available site investigation data from Noabad, Mazandaran, Iran. Several important parameters, including total stress, effective stress, angle of slope, coefficient of cohesion, internal friction angle, and horizontal coefficient of earthquake, were used as the input parameters, while the slope stability was the output parameter. The results are compared with the classical methods of limit equilibrium to check the ANN model’s validity.     

Prediction of the Rock Mass Diggability Index by Using Fuzzy Clustering-Based,ANN and Multiple Regression Methods

Rock mass classification systems are one of the most common ways of determining rock mass excavatability and related equipment assessment. However, the strength and weak points of such rating-based classifications have always been questionable. Such classification systems assign quantifiable values to predefined classified geotechnical parameters of rock mass. This causes particular ambiguities, leading to the misuse of such classifications in practical applications. Recently, intelligence system approaches such as artificial neural networks (ANNs) and neuro-fuzzy methods, along with multiple regression models, have been used successfully to overcome such uncertainties. The purpose of the present study is the construction of several models by using an adaptive neuro-fuzzy inference system (ANFIS) method with two data clustering approaches, including fuzzy c-means (FCM) clustering and subtractive clustering, an ANN and non-linear multiple regression to estimate the basic rock mass diggability index. A set of data from several case studies was used to obtain the real rock mass diggability index and compared to the predicted values by the constructed models. In conclusion, it was observed that ANFIS based on the FCM model shows higher accuracy and correlation with actual data compared to that of the ANN and multiple regression. As a result, one can use the assimilation of ANNs with fuzzy clustering-based models to construct such rigorous predictor tools.