堆叠集成模型径流预报效果的影响因素研究

为了研究堆叠集成模型预报效果的可能影响因素,以安墩水流域为例,选择支持向量回归、多元线性回归、长短期记忆神经网络、前馈神经网络、梯度提升回归树、自回归积分滑动平均模型以及自适应增强算法作为基学习器,选择多元线性回归、支持向量回归、多层感知机作为元学习器,建立多个堆叠集成模型,并基于平均绝对误差、均方根误差、纳什效率系数构建综合评价指标,对各集成模型的预报效果进行了对比分析。研究表明,堆叠集成模型的预测效果与基学习器的数量无关,与基学习器的质量呈正相关关系。此外,不同的元学习器选择也会对堆叠集成模型的预测效果产生影响。该研究可为利用堆叠集成模型进行径流预报提供科学指导。     

累积海冰密集度及其在认识北极海冰快速变化的作用

为定量分析北冰洋海冰密集度年际差异,提出并采用累积海冰密集度(ASIC)概念。利用SSMR/SSMI的分辨率为25 km的海冰密集度数据,分别研究了1979—2011年北极海冰在融冰期(4~9月)和结冰期(10月至翌年3月)的变化过程以及2个冰期内ASIC的区域差异。研究发现,在1979—1989年、1989—1999年和1999—2009年期间,融冰期海冰发生明显变化的范围都远远大于结冰期海冰发生明显变化的范围。1998—2010年,融冰期内发生加速融化的海区并没有都出现结冰期冰量减小的现象。在此期间融冰期ASIC减小,结冰期ASIC也减小的海域仅集中在楚克奇海、新地岛北部海域以及格陵兰岛东西海岸。融冰期ASIC减小,而结冰期ASIC无明显变化的海域包括波弗特海、东西伯利亚海、拉普捷夫海和喀拉海。这些区域与局地陆地径流侵入的海域重合。研究发现,在这些区域,融冰期ASIC减少是陆地径流增大加速海冰融化引起的。在结冰期,陆地径流加速海水结冰的作用消除融冰期海水吸收大量太阳辐射能后发生推迟结冰的现象,使得ASIC无明显变化。融冰期ASIC减小,而结冰期ASIC增大的区域只有白令海。研究结果证明累积海冰密集度能够去除海冰高频变化而只表现低频变化,能够描述海冰的年际变化特征。同时由于海冰变化与海洋中其他物理参数存在显著关系,变T的ASIC可以更加方便地描述次表层叶绿素最大值层深度的变化。     

基于集成学习与贝叶斯优化的岩石抗压强度预测

岩石抗压强度是评估岩体工程稳定性的重要力学参数,传统统计回归方法对于岩石抗压强度预测存在一定的局限性.为此,提出了一种利用简单岩石力学参数实现岩石抗压强度智能预测的方法,首先收集了620组含不同类型岩石的三轴试验数据,然后分别采用随机森林(Random Forest,RF)、极限梯度提升树(XGBoost,XGB)和轻量梯度提升机(LightGBM,LGB)3种主流的集成学习算法建立了岩石抗压强度预测模型,使用贝叶斯优化算法在模型训练过程中进行超参数优化,最后利用决定系数(R²)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)对优化后模型的泛化能力进行了综合评估和对比分析.此外,利用LGB模型对输入特征进行重要性分析,以评估不同输入特征对模型泛化性能的影响重要程度.研究结果表明：所建立的3种模型对岩石抗压强度均取得了较好的预测结果,其中LGB模型泛化性能优于另外两种模型(R²=0.978,RMSE=5.58,MAPE=9.70%),且运行耗时相对最少.弹性模量(E)、围压(σ₃)和密度(ρ)对模型的泛化性能影响较...     

基于深度学习的地质找矿大数据挖掘与集成的挑战

基于深度学习的地质找矿信息挖掘与集成已经成为数学地球科学的前沿领域.深度学习作为一种具有多级非线性变换的层级机器学习算法,在地质找矿大数据挖掘与集成中仍处于探索阶段,还有一系列问题亟需解决.以卷积神经网络为例,探讨了基于深度学习的地质找矿大数据挖掘与集成过程中两大挑战:训练样本不足和深度学习网络模型构建困难,重点分析了基于复制和添加噪声的地质找矿数据增强技术并开展了多组对比实验,构建了适用于地质找矿大数据挖掘与集成的训练样本和卷积神经网络模型.该模型对闽西南铁多金属成矿区的地质、地球物理和地球化学等多源数据进行了特征提取与集成融合,圈定了找矿远景区,为该区进一步找矿提供了科学依据.      

格陵兰海海冰外缘线变化特征分析

格陵兰海作为北冰洋的边缘海之一,容纳了北极输出的海冰,其海冰外缘线的变化既受北极海冰输出量的影响,也受局地海冰融化和冻结过程的影响。利用2003年1月到2011年6月AMSR-E卫星亮温数据反演的海冰密集度产品,对格陵兰海海冰外缘线的变化特征进行了分析。结果表明,格陵兰海海冰外缘线不仅存在一年的变化周期,还存在比较显著的半年变化周期,与海冰在春秋两季向岸收缩有关。格陵兰海冬季的海冰外缘线极大值呈逐年下降的趋势,体现了北极增暖导致的冬季海冰范围减小;而夏季海冰外缘线离岸距离的极小值呈上升趋势,表明夏季来自北冰洋的海冰输出量增大。2003—2004年是格陵兰海夏季海冰融化最严重的2年。2007年北冰洋夏季海冰覆盖范围达到历史最小;而格陵兰海夏季的最小海冰范围最大,表明2007年北冰洋海冰的输出量大于其他年份。此外,夏季格陵兰岛冰雪融化形成的地表径流对海冰外缘线有一定的影响。对海冰外缘线影响最大的不是格陵兰海的局地风场,而是弗拉姆海峡(Fram Strait)区域的经向风,它直接驱动了北冰洋海冰向格陵兰海的输运,进而对格陵兰海海冰外缘线的分布产生滞后的影响。     

白令海冰间湖的数值模拟及影响模拟准确度的关键因素

冬季在北白令海陆架区域频繁地出现潜热冰间湖,对当地的生态系统和北极盐跃层贡献很大.将CICE海冰模式应用到该区域,采用高分辨率(6.37 km)网格,模拟2002年11月至2003年4月的海冰变化过程,模拟的海冰总面积和海冰密集度与AMSR-E/Aqua卫星遥感结果吻合很好,其中两者日平均海冰总面积在模拟期间的相关系数达到0.97.模拟结果表明,东北风将海冰向南输运在东西走向的海岸南部形成冰间湖,反映了潜热冰间湖形成和演化的动力过程.对卫星观测数据,将海冰密集度<75%作为冰间湖的判据;而对数值模拟结果,确定海冰密集度<70%为冰间湖的判据.据此讨论白令海4个区域的冰间湖形成过程,与卫星数据进行比较,大部分冰间湖得到很好的模拟.深入讨论了影响冰间湖模拟准确度的主要因素,认为选用恰当的阈值、提高气象强迫场的空间和时间分辨率有助于提高模拟效果.对部分海域的冰间湖模拟效果不佳,需要发展冰海耦合模式才能最终解决.     

地质领域机器学习、深度学习及实现语言

地质大数据正在以指数形式增长。只有发展智能数据处理方法才有可能追上大数据的超常增长。机器学习是人工智能的核心,是使计算机具有智能的根本途径。机器学习已成为地质大数据研究的前沿热点,它将让地质大数据插上翅膀,并因此改变地质。机器学习是一个源于数据的模型的训练过程,最终给出一个面向某种性能度量的决策。深度学习是机器学习研究中的一个重要子类,它通过构建具有很多隐层的机器学习模型和海量的训练数据,来学习更有用的特征,从而最终提升分类或预测的准确性。卷积神经网络算法是最为常用的一种深度学习算法之一,它广泛用于图像识别和语音分析等。Python语言在科学领域的地位占据着越来越重要。其下的Scikit-Learn是一个机器学习相关的库,提供有数据预处理、分类、回归、聚类、预测、模型分析等算法。Keras是一个基于Theano/Tensorflow的深度学习库,可以应用来搭建简洁的人工神经网络。     

北极海冰对长江流域主汛期降雨的影响

针对极地冰雪显著影响中低纬气候的事实,利用1979-2017年长江流域116站降水资料和美国国家冰雪数据中心海冰资料,通过奇异值分解等统计学方法,研究北极海冰对长江流域主汛期降水的影响及可能的机制,结果表明:冬春季节,巴伦支海和鄂霍次克海海冰面积偏多、波佛特海海冰面积偏少时,主汛期长江上中游干流、汉江上游和雅砻江降水偏多;北极群岛、楚科奇海和拉普捷夫海以北海域海冰面积偏多时,主汛期两湖水系降水偏多,嘉陵江上游、汉江上游降水偏少;反之亦然。可能的机制为冬春季关键区海冰变化通过影响湍流热通量引发大气能量波动,这种波动以大气波列形式向东亚传播,影响东亚地区夏季的大气环流和水汽输送,从而间接影响长江流域主汛期降水。应用多元回归法,以关键区海冰面积作为预测因子建立4个流域内主汛期降水趋势预测模型,模型对预报区降水的定量预测有明显的波动,但对预报区总体的降水趋势有较好的预测效果。     

基于变分模态分解的机器学习模型择优风速预测系统

精准的风速预报对风力发电系统具有重要意义,但风速信号自身固有的随机性使其波动复杂且不可控,以往的研究采用单一或固定的组合模型很难把握风速序列的特征.提出一种基于分解的机器学习模型择优风速预测系统,采用变分模态分解算法降低原始风速序列的复杂度.进而利用模糊神经网络、非线性自回归神经网络、Elman神经网络、反向传播神经网络和自回归差分移动平均模型构成机器学习模型择优系统,分别对子序列的验证集进行预测,通过均方根误差等性能指数选择其最优模型,提高了整体模型的预测精度.试验采用宁夏地区4个站点的实测风速数据,仿真实验结果表明,所提模型相比于单模型以及较新的深度学习组合模型,具有更高的预测精度.     

基于卷积神经网络和黄铁矿大数据判别金矿类型

黄铁矿是金矿中普遍存在的金属硫化物,其微量元素含量信息可以揭示出矿物形成时的相关矿物和流体组成与结晶特征,因此不同期次与金矿有关的黄铁矿及微量元素信息可以被用来预测矿床的类型。且相关研究历史已久,积累了大量的研究资料,然而由于研究思想和手段的局限性,传统方法往往存在无解性或多解性问题。随着大数据思想的发展和推广,研究人员试图采用机器学习算法来解决此类问题,已取得不错的效果。本次研究根据深度学习思想建立黄铁矿微量元素数据集并进行深入研究,采用“成分数据图像化”和“数据增强”等手段,解决了前人采用深度学习方法进行此类分类任务时遇到的数据不平衡问题和卷积神经网络无法直接读取数据的问题。本文对比分析了基于四种卷积神经网络模型(Mobilenet V2、Resnet 50、VGG 16和VIT)采用黄铁矿微量元素成分数据进行金矿类型分类任务的精度与效果,发现采用卷积神经网络算法可以基于黄铁矿成分数据对不同类型金矿进行较为精准的分类任务。此方法比传统图解法具备更高的精准度与泛化能力,通过对金矿类型的预测可以为找矿勘查和深部预测工作节省成本,也为深度学习在地质矿产研究方面的应用和推广提供全新思路,具...     

波致海床瞬态液化对再悬浮贡献率的深度学习预测方法

波致瞬态液化渗流导致海床内细粒沉积物向海水中运移,这一过程对海底沉积物再悬浮的贡献率不容忽视,但是贡献率的准确估计和预测比较困难。本研究将黄河水下三角洲的观测数据(包括水深、有效波高、有效波周期、实验舱内悬沙浓度、实验舱外悬沙浓度)作为模型输入数据集,基于长短时记忆循环神经网络建立了瞬态液化对再悬浮贡献率的深度学习预测模型。为了客观评价模型的性能,以平均绝对百分比误差、均方根误差和平均平方误差-标准偏差为评判标准,将该深度学习模型与其他预测模型(支持向量回归模型、人工神经网络)的预测结果进行了比较。结果表明,基于长短时记忆循环神经网络的深度学习模型对3.5d以内的瞬态泵送再悬浮贡献率预测误差最小,其平均绝对百分比误差、均方根误差和平均平方误差-标准偏差分别为5.87%、1.6730、0.1574。因此,该模型可以有效地减少机器学习方法在连续预测中产生的误差叠加问题。     

基于深度学习的深层次矿化信息挖掘与集成

矿产预测的核心是对地学空间数据进行特征提取与集成融合,当前的研究热点和前沿聚焦于深层次矿化信息特征提取与集成。进入大数据时代,如何基于机器学习开展深层次矿化信息挖掘与集成是当前矿产预测的前沿领域。本文介绍了基于机器学习的矿产预测与评价研究的主要内容,深度学习的基本原理,以及深度学习在地球化学异常识别和多源找矿信息集成融合中的应用。研究结果表明,深度学习可有效识别和提取地球化学异常,并能对地质、地球物理、地球化学等多源地学数据进行特征提取、集成融合及找矿远景区圈定。尽管如此,如何把深度学习与地质约束有机结合,使其既能有效挖掘与集成深层次矿化信息,又符合地质认知,还需要更加深入的研究。     

机器学习在水系沉积物地球化学采样下伏基岩填图中的应用

为了探索高效且能大区域应用的基岩填图方式，本文整合水系沉积物地球化学数据和局部空间Moran’s I指数、高程、坡度、坡向变率、高磁、断层、矿点、水系等多元地学数据作为附加特征，采用浅层机器学习决策树及其Bagging和Boosting集成算法，以及深度学习的图卷积网络，分别训练了不同的基岩判别模型。结果表明，相比浅层机器学习的决策树及其集成算法，深度学习的图卷积神经网络基岩判别模型仅使用20%带标签数据就获得了最高的78.31%判别精度。应用基于图卷积网络的基岩类型判别模型对察汗乌苏河地区第四系覆盖物下伏基岩填图，预测结果与其周边基岩类型协调一致，该模型可用来探究更全面的区域基岩分布情况。     

深度学习在地质学上的应用

自Hinton等使用基于卷积神经网络的深度学习模型赢得Image Net分类比赛以来,深度学习的研究席卷了各个行业。通过介绍深度学习的历史,探索国内地质行业中深度学习模型的使用情况,并介绍深度学习的基础概念(如神经元、神经网络、监督学习和无监督学习等)以及深度学习基础模型中的2个重要网络:深度信念网络(DBN)和卷积神经网络(CNN)。在此基础上,类比深度学习在医学等相关领域的应用,提出了深度学习在地质上的几点应用:利用深度学习在计算机视觉上表现出的强大能力,可以对遥感图像进行聚类、对岩石样品图像进行分类、对岩石薄片数据进行描述;利用深度学习对原始数据表现出的强大识别能力,处理地质异常数据,从而确定成矿靶区的可能位置;利用深度学习的特点,对地震前的声信号数据进行处理,从而判断出地震发生前的剩余时间。     

利用机器学习从切片的孔隙结构特征预测多孔介质渗透率

利用机器学习模型预测多孔介质的渗透率是当前孔隙尺度模型的关键研究方向之一。由于三维多孔介质数据无法直接应用于经典机器学习模型,对孔隙空间结构进行特征提取是有必要的。深度学习模型作为经典机器学习模型的进阶,在多孔介质三维数字图像预测渗透率方面取得许多成功,但模型的计算成本相当高。该研究提取多孔介质切片的孔隙结构特征,将数字图像转化为多维向量并作为机器学习模型的输入,在减少数据输入量、大幅度提高训练效率的同时,模型保持了出色的预测能力,其中长短期记忆神经网络（LSTM）的预测结果最佳。     

2008年夏季北冰洋海冰表面积雪特征初步分析

运用中国第三次北极考察期间观测的积雪资料, 分析了夏季北冰洋中心海域海冰表面积雪的空间分布特征. 结果表明: 积雪在垂直分布上呈现6种粒雪状态, 表层到底层依次为新降雪、风板、冰片、深霜、冻结状粗雪和渗浸冻结冰层, 积雪表面常被新降雪或厚度为2～3 cm的风板所覆盖. 考察区域积雪的平均密度为(304.01±29.00)kg·m^-3, 表层密度略低于次表层, 遵循雪的密实化原理. 积雪厚度, 雪水当量和新降雪皆具有由南向北递减的空间分布特征, 表明在海冰消融末期, 积雪的气候态分布主要是由降水量的多少决定的, 积雪的消融和蒸发并非海冰表面积雪评估需考虑的首要因素. 雪温随深度的增加而增加, 具有明显的垂直梯度, 观测区积雪表面的平均温度为(-2.01～±0.96)℃, 比海冰/积雪界面的温度高得多.     

基于AlexNet网络的二维找矿预测——以松桃—花垣地区沉积型锰矿为例

在大数据的时代背景下,地质大数据逐渐趋于复杂化的模式与其间的空间关联性为基于机器学习算法的矿产资源定量预测带来了更大的挑战。利用深度卷积网络算法优异的分析性能来提取不同成矿条件下多种二维要素图层的空间分布特征与关联性是一项非常有意义的探索性实验。以松桃—花垣地区沉积型锰矿为例,利用深度卷积神经网络模型AlexNet挖掘Mn元素、沉积相、大塘坡组出露、断裂及水系的空间分布与锰矿矿床的就位空间的耦合相关性,以及不同的控矿要素之间的相关性,以此训练出二维矿产预测分类模型。经过训练后,可以得到验证准确率88.89%,召回率为66.67%,损失值0.08的深度卷积神经网络分类模型。应用该模型对未知区进行二维成矿预测,共圈定出91、96、154、184号4个成矿远景区,其中91号和154号的区域含矿概率为1,96号含矿概率为0.5。由此可见,预测区具有很大概率存在尚未发现的矿床。     

基于深度卷积神经网络的地震相识别技术研究

针对传统地震相分析方法难以有效表征地震相与地震数据间复杂的非线性映射关系,而人工解释工作强度大、效率低的问题,进行了基于深度卷积神经网络模型开展了地震相的智能识别技术研究。首先根据钻井解释和专家知识两种方式构建了地震相的训练样本库,之后利用Tensorflow深度学习框架开展了网络参数寻优,再利用搭建好的网络模型进行了实际资料的训练和预测。测试结果表明,利用CNN构建的河流相模型,预测成功率高于75%。因此,深度卷积网络不仅可以很好地保持地震数据结构特征,还可以基于多层网络结构挖掘数据中更深层的特征来提高地震相识别结果的可靠性,印证了该技术在地震相识别中的巨大应用潜力。     

基于集成学习与径向基神经网络耦合模型的三峡库区滑坡易发性评价

准确的滑坡易发性评价结果是滑坡风险评价的重要基础.为提升滑坡易发性评价精度,以三峡库区龙驹坝为例,选取坡度等10个因子构建滑坡易发性评价指标体系,应用频率比方法定量分析各指标与滑坡发育的关系.在此基础上,随机选取70%/30%的滑坡数据作为训练/测试样本,应用径向基神经网络和Adaboost集成学习耦合模型(RBNN-Adaboost),径向基神经网络和逻辑回归模型分别开展易发性评价.结果显示:水系距离、坡度等是滑坡发育的主控因素;RBNN-Adaboost耦合模型的预测精度最高(0.820),优于RBNN模型和LR模型的0.781和0.748.Adaboost集成算法能进一步提升模型的预测性能,所提出的耦合模型结合了两者的优点,具有更强的预测能力,是一种可靠的滑坡易发性评价模型.      

基于梯度提升决策树(GBDT)算法的岩性识别技术

对覆盖区下伏岩体的有效识别是实现深部找矿突破的关键,近年来机器学习理论的发展为岩性识别提供了新的思路。梯度提升决策树(GBDT)算法是以决策树为基函数的集成学习方法,算法通过将学习得到的多个树模型进行集成,可以达到同时减少模型方差和偏差的效果。本文以地球化学元素数据为基础,利用GBDT算法进行岩性识别研究,并将所得结果与KNN、SVM和决策树3种机器学习算法进行对比,结果表明,针对岩性识别问题,GBDT算法具有更高的精度,可以作为岩性识别的参考技术,具有一定的推广和应用价值。