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。     

基于决策树算法的海州湾地区海雾预测北大核心

基于连云港西连岛站点2014—2018年逐小时气象观测资料,经过对海雾事件及气象要素特征的统计分析探寻海州湾海雾发生发展的基本规律,并基于机器学习中的经典的C4.5算法对海雾天气建立气象要素预测模型。结果表明:基于C4.5算法的决策树预测模型能够较为直观准确的对海州湾海雾进行预测,并且该决策树模型具有较高的泛化能力。利用2014—2017年的样本数据进行学习,模型的学习准确率为92.85%,利用2018年的样本数据对模型的泛化能力进行测试,测试准确率为93.51%。决策树算法在海雾预测中具有方便简洁、科学实用,准确率高等特点。     

基于决策树算法的江苏省不同区域 短时强降水预报研究

采用2000—2019年13个地级市气象站地面观测站点观测资料以及ERA5再分析资料,基于机器学习中的经典的C4.5算法对江苏省不同区域是否出现短时强降水建立气象要素预报模型。结果表明:基于C4.5算法的决策树预测模型能够较为直观准确的对江苏省不同区域是否发生短时强降水进行预测,并且该决策树模型具有较高的泛化能力。决策树模型利用各区域总样本的前15 a数据样本进行自学习,学习准确率在淮北地区为89.70%,在江淮之间地区为87.89%,在长江以南地区为87.88%,利用各区域剩余5 a样本对该决策树模型的泛化能力进行测试,测试准确率在淮北地区为85.73%,在江淮之间地区为83.39%,在长江以南地区为93.92%。     

决策树算法在雷达反射率因子质控中的应用

基于决策树算法，利用2020年武汉多普勒天气雷达探测资料，分析决策树算法对反射率因子的质控效果，得到以下主要结论：（1）决策树算法能有效滤除湖北东部地区由于山脉和城市建筑所导致的固定地物回波和超折射地物回波。（2）对于降水回波而言，决策树算法不改变雷达近距离范围内回波的位置、形状和强度，而远距离处（≥160 km）回波则存在一定程度的过度质控，主要是由于雷达波束随距离增加而抬高以及回波垂直梯度较大导致。（3）决策树算法对辐射状和弧状杂波的质控能力较好，其滤除率达到95%以上。     

基于遗传算法的特征选择方法在短时强降水预报中的应用北大核心

利用江苏省13个气象观测站历史上短时强降水观测资料,用遗传算法进行特征选择,选定影响短时强降水的950 hPa假相当位温、700 hPa比湿、500 hPa比湿、对流有效势能(Convective Available Potential Energy,CAPE)等14个特征为主要因素,将是否为短时强降水抽象成二元分类问题。借助机器学习中CART决策树算法进行分类分析,构建便于使用的短时强降水预报规则集。实验部分,随机选择5816条样本进行训练模型,得到适合江苏地区的短时强降水规则集,利用剩余的1454条数据进行实际检验,模型的短时强降水预报准确率为91.35%,非强降水预报准确率为97.11%,较特征选择之前分别提升了8.66%和1.05%。     

基于SVM决策支持树的城市植被类型遥感分类研究

城市植被类型不同,生物量不同,其生态功能与绿化效应也不同。在目前难直接获取城市“绿量”实测数据的情况下,可以绿地面积和植被类型间接反映绿地的生物量和绿化效应。本文利用高分辨率卫星影像IKONOS,以实验区与验证区城市植被类型信息为对象,在对常用的参数和非参数分类方法进行对比实验的基础上,对SVM的核函数进行了分析,构建了基于SVM决策树的城市植被类型分类模型。分类实验结果表明：与其他传统方法分类结果比较,SVM的决策树分类方法对植被类型的分类精度达到83．5％,绿化面积总精度接近95％,取得了良好的效果。     

面向对象分类的特征空间优化

为提高图像处理效率, 探讨了面向对象分类的特征空间优化方法。以区域增长算法获得的对象为处理单元, 根据植被在IKONOS影像上的表征, 初步选择了6个形状、2个位置、17个光谱和6个纹理特征, 共计31个作为初始特征空间。首先根据每组中特征所代表的信息量和特征之间的相关性, 去掉与其他特征相关性强而方差较小的特征, 将特征空间维降到23；以识别城区植被为目标, 根据220个植被样本计算2—23维特征空间的类间J-M距离, 以最小J-M和平均J-M距离为依据选择最优特征空间, 将特征空间维降到14；最后利用