基于PCA-PSO-SVM的凡口铅锌矿地区岩溶地表塌陷危险性预测

岩溶地表塌陷是由多个影响因素共同作用导致地面形成塌陷坑（洞）的一种动力地质现象,具有隐蔽性和突发性的特点,常规简单数学模型难以对地表塌陷危险性准确预测。文章先通过主成分分析法（PCA）对选取的地下水位、地下水位波动幅度、给水度等11个影响因素提取5个主成分,对导致地表塌陷危险性的主成分进行全新的解释,同时引入粒子群算法（PSO）优化的支持向量机（SVM）方法,建立PCA-PSO-SVM岩溶地表塌陷危险性预测模型,并结合凡口铅锌矿地区工程实例,将预测结果与单一的SVM模型预测结果进行对比,表明PCA-PSO-SVM危险性预测模型精度更高,可以更好地为岩溶地表塌陷防治工作提供依据。      

基于PSO-SVM的边坡稳定性组合预测方法研究

为利用不同边坡稳定预测方法的特征信息,改进预测质量,提出了一种基于微粒群优化--支持向量机(PSO-SVM)的边坡稳定性非线性组合预测模型。该模型能够利用边坡的特征参数快速预测出边坡的稳定性,且在建模过程中可对不同建模方法的特征信息进行整合,避免了单一方法的偶然性。为提高SVM的学习、泛化能力,采用混合核函数,并用具有并行性和分布式特点的PSO算法优化选择SVM模型参数。利用该非线性组合预测模型对73个边坡实例进行学习,对另外10个边坡实例进行推广预测,研究结果表明,该模型较好地整合了不同建模方法的特征信息,较单一模型、加权组合模型和BP网络组合模型具有更高的预测精度和更小的峰值误差,为边坡稳定性评价提供了一种新的途径。     

甘肃疏勒河流域灌区农业用水动态预测及优化配置研究

为得出灌区用水动态预测模型和水资源优化配置模型,以甘肃疏勒河流域罐区为例,以极限学习机模型(ELM),随机森林模型(RF)和高斯指数模型(GEM)作为用水预测模型分析,以离散粒子群算法和连续粒子群算法作为水资源优化配置的方法,对灌区不同作物用水量进行了预测和分配,结果表明:ELM模型的RRMSE、R2和Ens分别为5. 30%、0. 974和0. 975,可推荐为灌区用水预测模型;连续粒子群算法对不同作物用水量及种植结构优化配置结果与实际更为相符,效益更高,可为水资源优化配置的标准方法使用。     

基于贝叶斯模型平均的径流模拟及不确定性分析

水文模型是模拟水循环过程重要手段,依靠单个模型进行模拟往往存在很大的不确定性,使通过多模型进行组合模拟成为必然趋势。选取3个集总式水文模型应用贝叶斯模型平均(BMA)进行流域月径流量的多模型模拟,采用期望最大化算法推求BMA分布参数以得到BMA均值模拟序列和90%不确定性区间。以武烈河实测数据为例进行分析,结果表明:BMA方法既能通过均值模拟提供更高精度的模拟效果,还可通过不确定性置信区间定量评价模型结构不确定性,为径流模拟提供丰富信息。     

矿山边坡地表变形的PSO-ELM预测模型

为提高矿山边坡地表变形预测模型的精度,从矿山边坡地表变形影响因素角度考虑,建立了基于粒子群优化（PSO）极限学习机（ELM）的矿山边坡地表变形预测模型。结合经典的粒子群优化算法和极限学习机方法,提出矿山边坡地表变形影响因素同地表变形数值之间的耦合关系;采用中煤平朔安家岭露天矿区矿山边坡地表变形及影响变形因素的采集数据,应用ELM建立预测模型,并应用PSO对ELM预测模型的输入层与隐含层的连接权值、隐含层阈值进行优化,以提高其预测精度。研究表明,经过PSO的优化,将预测模型的最大相对误差（4.705×10-8）、均方误差（6.243×10-5）及均方根误差（0.008）等预测误差参数分别降低到1.516×10-8,1.158×10-5和0.003,说明PSO-ELM预测模型具有更高的预测精度,该预测模型可在后续研究中进一步应用于矿山边坡地表变形预测中,以期提升矿山生产安全。      

基于最优加权组合模型及高斯－牛顿法的滑坡变形预测研究

在对最优加权组合理论和高斯－牛顿法优化非线性模型参数的方法研究的基础上,依托于洒勒山滑坡的实际变形监测资料,建立了该滑坡变形预测的3个非线性预测模型:指数模型、Verhulst模型和灰色GM（1,1）模型;利用最优加权组合理论建立了洒勒山滑坡的最优加权组合预测模型,并运用高斯－牛顿法对各单一模型和组合模型的参数进行了优化。通过对比分析得出:组合模型的预测精度高于任何单一模型的预测精度;参数优化后各单一模型的预测精度都有不同程度的提高;参数优化后的组合模型预测精度是最高的。因此,综合运用最优组合理论和高斯－牛顿法处理滑坡预测预报模型,是提高滑坡预测预报精度的行之有效的方法。     

GM—BP串联组合预测模型在滑坡变形监测中的应用

为了提高滑坡的预测精度,通过对灰色GM（1,1）模型与BP神经网络模型各自优缺点及互补性的分析,建立了GM—BP串联组合预测模型。模型首先采用等维动态GM（1,1）模型进行初步预测,然后利用BP神经网络对初步预测的结果进行训练及仿真,通过数据的归一化处理,参数的判定选取,获得组合模型预测值。以茅坪滑坡为例,对位移进行了预测。通过数据的对比分析,发现GM—BP串联组合预测模型在短期预测精度上高于单一模型。     

气候变化和人类活动对滦河流域内蒙段河川径流的影响分析

河川径流不仅受气候因素的直接影响,受人类活动的影响也非常显著。滦河流域内蒙段地处我国干旱半干旱地区,水土流失严重,生态环境恶劣。经分析可知,近50年研究区径流呈明显下降趋势。本文运用SWAT模型研究分析了气候变化和人类活动对河川径流的影响,结果表明流域河川径流受人类活动影响要大于气候变化的影响,其中人类活动的间接影响要大于直接影响。同时验证了SWAT模型在干旱半干旱地区是适用的。     

基于正交设计下SVM滑坡变形时序回归预测的超参数选择

超参数的选择直接影响着支持向量机（SVM）的泛化性能和回归效验,是确保SVM优秀性能的关键。针对超参数穷举搜索方法的难点,从试验设计的角度,提出了正交设计超参选择方法,并分析了基于混合核函数（比单一核函数具有更好的收敛性和模型适应性）SVM各个超参数的取值范围,选定了每个参数的试验水平。通过考虑参数间的正交性和交互性,选取最优超参数组合下的SVM模型。应用该方法,对两种典型滑坡位移时序的SVM建模进行了超参数组合正交优化设计,获得了精度高且泛化性能良好的滑坡预测模型,其试验结果验证了方法的可靠性。正交设计超参选择方法较之其他超参选择法简单实用,其高时效的特点更有助于SVM在实践工程中的良好应用。     

基于EEMD-PSO-GRNN模型的元江中上游径流预测

径流序列的非线性和非平稳特性使得高精度的径流预报存在困难。本文组合EEMD和GRNN模型形成EEMD-GRNN耦合模型,预测时通过将径流序列分解为确定成分与随机成分并通过GRNN模型分别进行预测,预测值的加和则构成径流最终预测结果。EEMD-GRNN耦合模型应用到元江中上游,并与其他模型进行比较,结果表明：EEMD-GRNN耦合模型具有更高的预测精度,对径流的总体趋势预测有良好的效果,但在随机性的模拟上有待进一步完善。EEMD-GRNN耦合模型优于BP、GRNN、EEMD-BP模型,能有效提升径流预测的精度,可为流域的水资源优化调度等提供决策支持。     

基于机器学习模型的淮河流域中长期径流预报研究

准确可靠的中长期径流预报是支撑水资源科学调配、提高水资源利用效率的关键。本研究采用AdaBoost模型(AdB)、随机森林模型(RF)和支持向量机模型(SVM)进行淮河流域王家坝和蚌埠站当年11月至次年10月共12个月的中长期径流预报研究。采用置换准确度重要性度量法从130项气象-气候因子及前期降雨/流量构建的1 562个因子变量中筛选出影响各月径流的关键因子,构建了基于AdB、RF和SVM模型的各月径流预报模型,模型参数采用随机搜索技术并结合交叉验证方式确定。采用变幅误差合格率和等级(五级)预报合格率指标对模型的预报精度进行了评估。变幅误差合格率指标表明,王家坝12个月的平均合格率分别为99.8%(AdB)、96.6%(RF)和95.9%(SVM),蚌埠站分别为100%(AdB)、94.8%(RF)和93.8%(SVM);等级预报合格率指标表明,王家坝12个月的平均合格率分别为79.0%(AdB)、76.4%(RF)和79.9%(SVM),蚌埠站分别为81.0%(AdB)、75.6%(RF)和76.6%(SVM)。模型均具有较好的预报效果,但RF和SVM模型对于高流量值的预报存在偏低现象,AdB模型整体上优于RF和SVM模型。     

基于PSO-DSRVM的边坡变形预测

为了建立高精度的边坡位移预测模型,文章采用基于粒子群优化(PSO)的双稀疏相关向量机(DSRVM)建立边坡稳定性和影响因素之间的非线性关系。双稀疏相关向量机是在变分和相关向量机(RVM)框架下提出的一种多核组合优化的方法,相比于RVM和其他多核学习方法,DSRVM不仅有更少的训练时间,并且能够得到更高的预测精度。由于DSRVM的核参数对预测效果的影响较大,文章采用粒子群算法实现多个核参数的优化选取并应用于边坡位移预测。最后将本文提出的基于粒子群优化的双稀疏相关向量机(PSO-DSRVM)预测结果与极限学习机(ELM)和小波神经网络(WNN)预测结果进行对比,通过均方根误差(RMSE)、复相关系数(R²)和平均相对预测误差(ARPE)进行评价,验证了PSO-DSRVM模型在边坡变形预测上的可行性。     

甘肃干旱与半T旱地区水资源可T持续开发利用对比分析

甘肃半干旱区天然降水是主要的水资源，而干旱区的水资源来自于南部祁连山以及阿尔金山的山区降水和冰雪融水.甘肃半干旱区在小麦生长需水关键期的5～6月，降水量离差系数大，农业生产易遭旱灾.河西干旱区出山径流较稳定，为灌溉农业的稳定提供了基础.甘肃半干旱地区的水资源持续开发利用应主要拦蓄大气降水，配合开发地下水，并合理规划利用地表水，其中雨水集流工程和旱作节水农业技术的推广政策和措施是关键.干旱区的水资源持续开发利用主要应通过水价调整来引导建立节水型经济结构和推广节水技术，政策支持重点领域是水资源的合理配置并完善绿洲资源保护与水源涵养林保护的法规体系     

Advanced Mathematical Models to Predict the Compaction Properties of Coarse-Grained Soils from Various Physical Properties

An essential task in the process of construction is the determination of compaction properties of soils. Many years of laboratory test experience strengthen our belief in the existence of predictive equations that govern the compaction characteristics of soils. An advanced mathematical model developed in this research in order to uncertain the governing equations. An advanced mathematical model developed in this research in order to uncertain the governing equations. Through a comparative study among a Multiple Linear Regression (MLR) model, an Artificial Neural Network (ANN) model, Extreme Learning Machine (ELM) and a Support Vector Machine (SVM) model, the best predicting model was determined. For this purpose, Six hundred and six (606) samples collected and split into a dataset used for training the models and another used for validation of the derived model. 8 neural networks with a varying number of hidden layers and a varying number of nodes in hidden layers were employed. In ELM 1 hidden layer with varying number of units were employed. It was found that the equations derived from the ELM models described the relationship with superiority over multiple regression, ANN and SVM models for Maximum Dry Density and MLR models described the relationship with superiority over ANN, ELM and SVM models for Optimum Moisture Content.     

基于EMD组合模型的径流多尺度预测

受全球气候变化与人类活动影响,径流序列愈发呈现出非稳态与非线性特征,为降低由此而引发的预报误差,充分发挥不同模型对提高径流预测精度的优势,针对传统径流预报模型的单一性,以干旱区典型内陆河玛纳斯河为例,采用经验模态分解(EMD)提取径流序列中具有物理含义的信号,得到不同时间尺度的多个固有模态函数(IMF)及1个趋势项,利用 ARIMA模型与GRNN模型分别对不同时间尺度的IMF分量进行模拟,分析径流未来变化趋势。运用多元线性回归法、Spearman相关系数法、平均影响值法筛选大气环流因子作为神经网络模型的输入项,根据子序列的局部频率特点构建组合模型。最后将各IMF分量的预测结果重构,得到径流的最终预测值。单一评价指标无法全面评价模型精度,本文通过构建TOPSIS评价模型对径流预测模型进行定量评估,客观评价模型优度。结果表明:EMD分解能有效提取径流序列中隐含的多时间尺度信号,由趋势项可知玛纳斯河径流量总体呈上升趋势;EMD分解可提高ARIMA模型25%的合格率,但对于高频率分量IMF1、IMF2、IMF3,ARIMA模型的相对误差达到70%以上,预测结果不理想;经过筛选预报因子可有效提高GRNN模型精度,其中MIV法筛选的预报因子最适合玛纳斯河,与EMD-ARIMA组合后的GRNN模型的合格率最高,TOPSIS模型得分也最高。预测结果可作为水资源规划与调度的科学依据,建模思路也可为优化径流预测模型提供新途径。     

Assessment of climate change impacts on rainfall using large scale climate variables and downscaling models – A case study

Many of the applied techniques in water resources management can be directly or indirectly influenced by hydro-climatology predictions. In recent decades, utilizing the large scale climate variables as predictors of hydrological phenomena and downscaling numerical weather ensemble forecasts has revolutionized the long-lead predictions. In this study, two types of rainfall prediction models are developed to predict the rainfall of the Zayandehrood dam basin located in the central part of Iran. The first seasonal model is based on large scale climate signals data around the world. In order to determine the inputs of the seasonal rainfall prediction model, the correlation coefficient analysis and the new Gamma Test (GT) method are utilized. Comparison of modelling results shows that the Gamma test method improves the Nash–Sutcliffe efficiency coefficient of modelling performance as 8% and 10% for dry and wet seasons, respectively. In this study, Support Vector Machine (SVM) model for predicting rainfall in the region has been used and its results are compared with the benchmark models such as K-nearest neighbours (KNN) and Artificial Neural Network (ANN). The results show better performance of the SVM model at testing stage. In the second model, statistical downscaling model (SDSM) as a popular downscaling tool has been used. In this model, using the outputs from GCM, the rainfall of Zayandehrood dam is projected under two climate change scenarios. Most effective variables have been identified among 26 predictor variables. Comparison of the results of the two models shows that the developed SVM model has lesser errors in monthly rainfall estimation. The results show that the rainfall in the future wet periods are more than historical values and it is lower than historical values in the dry periods. The highest monthly uncertainty of future rainfall occurs in March and the lowest in July.     

http://www.sciencedirect.com/science/article/pii/S1674987115000456

This article adopts three artificial intelligence techniques, Gaussian Process Regression(GPR), Least Square Support Vector Machine(LSSVM) and Extreme Learning Machine(ELM), for prediction of rock depth(d) at any point in Chennai. GPR, ELM and LSSVM have been used as regression techniques.Latitude and longitude are also adopted as inputs of the GPR, ELM and LSSVM models. The performance of the ELM, GPR and LSSVM models has been compared. The developed ELM, GPR and LSSVM models produce spatial variability of rock depth and offer robust models for the prediction of rock depth.     

开都河流域山区径流模拟及降雨输入的不确定性分析

选取塔里木河源区的开都河流域为研究区,将流域内气象水文站点数据与遥感数据相结合,利用气象、土壤类型、土地利用和地表覆盖、数字高程(DEM)和降雨等资料,模拟流域水文过程,并在出山口实测径流数据的基础上对模型进行率定和验证;对降雨输入所带来的径流模拟不确定性进行分析,探讨降雨输入的空间异质性对水文预报结果的影响机制.结果表明:MIKE-SHE模型能在水文、气象站点稀少,土壤及水文地质数据缺乏的条件下,模拟开都河流域的日径流过程,但精度上仍有待提高;降雨输入的空间分布程度对径流模拟有重要影响.FY-2C遥感估算降雨资料能够更好地表达降雨时间的空间异质性,相应地对径流模拟精度也有一定程度的提高.