基于机器学习的土壤温度预估研究综述

土壤温度是地球科学研究中的重要物理量。在陆-气相互作用研究中,土壤温度不仅影响土壤内部的物理、生物、化学过程,而且对陆-气之间能量和物质交换起重要作用。随着可获取的相关数据越来越丰富,机器学习方法已经被越来越多的研究人员引入到土壤温度预估中,在很多任务中已经超过了统计模型、物理模型的性能。本文对比了统计模型、物理模型和机器学习方法这三种土壤温度常用计算方法的异同,简要介绍了应用于土壤温度研究的各类机器学习模型的原理和特点,综合国内外文献归纳了传统机器学习和深度学习在土壤温度空间分布、时间变化和时空变化三方面的研究进展。在土壤温度空间分布研究中,传统机器学习方法能够通过影响因子的空间异质性学习空间特征,并利用站点观测数据计算土壤深处的温度,但随土壤深度增加模型效果减弱,而深度学习模型有能够提取空间特征的结构,但对数据量要求高,当前研究中仅用于地表温度的遥感反演;在土壤温度时间序列研究中,加入了周期性信息的传统机器学习方法具有更好的模型效果,深度学习中的序列学习模型能自动捕捉土壤温度变化规律,结合了非平稳序列分析方法的混合模型能充分考虑土壤温度变化的连续性和周期性;由于陆面过程复杂性,土壤...     

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...     

基于机器学习中分辨率遥感影像分类应用研究

地表信息提取是地理国情监测和环境保护的重要环节,本文选用Landsat-8 OLI遥感影像为主要数据源,针对分类样本数据少这一问题,在对2015年和2017年全球地表覆盖数据优化处理的基础上,将其作为分类的先验知识,以最大似然法、支持向量机(Support Vector Machine,SVM)和随机森林(Random Forest,RF)机器学习方法,以及基于VggNet-16和ResNet-18模型的深度学习方法,对黄河三角洲区域进行地表信息提取方法的应用研究.结果表明,在利用粒子群优化遗传算法进行特征优化的基础上,RF和SVM模型分类总体精度较高,其中RF和SVM模型分类总体精度最高可达87.3％、86％;VggNet-16和ResNet-18两种模型的分类精度较机器学习方法有较大提升,其中以ResNet-18分类精度最佳,最高总体精度可达94.1％,Kappa系数为0.91.本文的研究方法在中分辨率遥感地物分类时具有较好的适用性和推广价值.     

基于聚类算法的钻孔瞬变电磁视电阻率立体成像方法

煤矿井下地球物理水害超前探测要求探测点20 m范围内不得有积水和金属物体,传统电磁法超前探测技术已不能满足要求,钻孔瞬变电磁法通过将收发装置送入掘进工作面前方的钻孔中进行探测,既远离了巷道中的各种干扰,又提高了隐蔽致灾水体的探测精度。为解决该方法对钻孔径向异常体的准确定位解释难题,通过三维正演总结了其水平分量异常响应特征,提出了异常体象限确定准则,研究了根据水平分量幅值和异常象限综合求取异常体工具面角的计算方法。将由垂直分量计算得到的每一个视电阻率视为独立异常体,基于K-means聚类算法对相应的水平分量异常曲线特征值进行二分类,实现了全数据集的视电阻率象限自动划分,结合异常工具面角算法研究得出钻孔瞬变电磁视电阻率立体成像方法。最后计算了三维数值模型的立体成像结果,对钻孔径向的小规模低阻异常体取得了良好效果。结果表明:基于K-means聚类算法的钻孔瞬变电磁视电阻率立体成像方法是地球物理与机器学习的有机结合,该方法能够为井下掘进工作面隐伏水害超前探测精细解释提供技术支撑。     

浅谈地理信息系统的数据挖掘

一、DM在GIS中的应用 DM（Data Mining数据挖掘）是指把人工智能、机器学习与数据库等技术结合起来,由计算机自动的从数据库或数据仓库中的大量数据中揭示出隐含的、先前未知的并具有潜在价值的信息或模式,以解决数据量大而知识贫乏这一困扰专家系统（ES）的知识瓶颈问题的非平凡过程。这一概念一经提出,立即引起了学者、软件开发商和用户的极大兴趣,     

基于浮标44013数据的有效波高预测研究

随着海事活动和海洋资源开发的不断增加,精准的海浪预报变得越来越重要.其中有效波高(SWH,Significant Wave Height)作为海浪的主要参数之一,精准的有效波高预测不仅可以给各项海事活动提供必要的海洋气象预报,还可以为波浪能高效利用提供重要的参考依据.由于受到复杂海洋环境和自然混沌行为的影响,有效波高的...     

基于机器学习的重庆长江航道雾图像特征识别研究

基于重庆市境内长江航道雷达站拍摄的雾天气过程影像资料,利用K最近邻、支持向量机、BP神经网络、随机森林等机器学习算法,对无雾和5类有雾天气个例进行图像识别训练,构建雾图像识别模型,并检验了识别准确率。结果表明：机器学习能够有效识别雾图像,随机森林算法的识别效果优于其余3种算法。对于能见度超过1500 m的无雾天气,模型的识别准确率为100%,对于能见度在1000—1500 m范围内的轻雾、能见度低于50 m的强浓雾,模型的识别准确率在90%以上,对于能见度在50—1000 m范围内的雾、大雾和浓雾,识别准确率超过70%。     

人类移动数据生成方法：研究进展与趋势探讨

人类移动行为与交通、传染病、安全应急等现实应用息息相关。尽管现代信息和通信技术发展使得采集大规模个体移动定位数据成为易事,但涉及个人隐私又存在冗余、缺失和噪声的原始轨迹数据在实际中的可得性和易用性仍有很大局限。通过建模方式生成个体轨迹数据和群体移动数据,使其在统计层面接近并在应用层面可替代真实数据,是值得尝试的解决思路。本文面向个体轨迹数据生成和群体移动数据生成两大研究主题,将生成方法分为基于机理模型的方法和基于机器学习的方法,对其研究进展进行了系统总结,并探讨了其发展趋势和所面临的挑战。本文提出,未来人类移动数据生成方法研究需要多学科深度交叉共同探索人类移动行为底层机制、关注机理模型与机器学习耦合建模、借助生成式人工智能与大语言模型前沿技术、平衡生成数据可用性与隐私保护效果、强调空间泛化与迁移学习能力、控制模型训练与使用成本等。本文认为,人类移动过程是典型的人地交互过程,地理信息科学应在吸纳计算机科学、统计物理学、复杂性科学等多学科理论方法的基础上,充分发挥本学科特色,将空间依赖、距离衰减、空间异质性、尺度等地理空间效应显式纳入建模过程,提升模型性能及合理性。     

人工智能技术在地震减灾应用中的研究进展

近年来人工智能(AI)技术的迅猛发展,引领了包括地震减灾在内的众多科技领域的前沿.为反映和描述当前人工智能技术的引入和促进地震减灾科技发展的全貌,本文系统整理和回顾了近10年来已发表的相关文献,解读了其在地震监测预警、地震预测、风险防治、应急处置与风险管理四个方面取得的主要技术进展,具体包括事件检测、震源参数测定、事件...     

基于极端梯度提升算法的西安市逐小时PM2.5浓度预报研究

利用西安市2016—2021年逐小时PM_2.5浓度监测数据和气象观测数据,基于极端梯度提升机器学习算法模型(extreme Gradient Boosting, XGBoost),选择气象因子和时间因子作为特征变量,对西安市逐小时PM_2.5浓度进行预报试验。结果表明：西安市PM_2.5浓度与平均气温和能见度显著负相关,冬季PM_2.5浓度与相对湿度和露点温度显著正相关,偏东风更易诱发重污染天气。西安市12月底至翌年1月初空气污染频发,但PM_2.5浓度总体逐年降低。冬季PM_2.5浓度的双峰形日变化最明显,最高值分别出现在凌晨和11时。西安市PM_2.5浓度变化存在“周末效应”。模型能够较为真实地反映PM_2.5浓度量级和演变趋势的变化,预报值与实况值之间的决定系数为0.77、平均绝对误差为12.79μg·m^-3、均方根误差为18.68μg·m^-3。模型秋冬季表现较为稳定,预报效果...