基于RNN的空气污染时空预报模型研究

针对空气污染物时间序列中包含缺失值以及现有时间序列预报模型缺乏对时序特征状态建模的问题,该文构建了基于缺失值处理算法和RNN(循环神经网络)的时空预报框架。对空气污染物时序数据设计了3种缺失值处理算法(前向递补、均值替代和权重衰减),用缺失标签和缺失时长对缺失值建模,并在此基础上搭建含有全连接层与LSTM层的深度循环神经网络(DRNN)用于时空预报。使用深度全连接神经网络(DFNN)作为DRNN的对照,用京津冀区域的空气质量和气象数据训练模型,并比较不同模型的预测精度。通过实验,比较了3种缺失值处理方法的效果,结果表明,LSTM在空气污染时空序列预测上的表现优于传统的全连接神经网络层,证实了提出的基于深度学习的时空预报框架的有效性。     

融合GNSS水汽、风速与大气污染物的河北省冬季PM2.5浓度预测研究

为提高PM_2.5浓度预测的时效和精度,本文综合大气污染物、GNSS水汽和风速等观测要素,利用FFT与LSTM神经网络方法构建PM_2.5浓度预测模型,开展未来24 h的PM_2.5浓度预测研究。首先对大气污染物、GNSS水汽和风速等观测要素进行快速傅里叶变换,提取各类要素的公共变化周期,获得最佳公共周期为216 h;然后选取最佳公共周期长度的各类要素作为模型输入,24 h序列的PM_2.5浓度作为模型输出,分别以PM_2.5单要素的RBF神经网络和融合大气污染物、风速、GNSS水汽的LSTM神经网络构建PM_2.5浓度预测模型;最后利用实测PM_2.5浓度序列分别对2种模型开展外部可靠性检验,将RMSE和IA作为评价指标进行模型精度评价。研究结果表明,基于FFT-LSTM的PM_2.5浓度预测模型的RMSE和IA分别为16.22 μg/m³和84.36%,模型预测精度较好,可有效预测未来24 h的PM_2.5浓度,该模型可为大气污染防治部门空气质量预测提供参考。     

Advanced prediction of tunnel boring machine performance based on big data

Predicting the performance of a tunneling boring machine is vitally important to avoid any possible accidents during tunneling boring.The prediction is not straightforward due to the uncertain geological conditions and the complex rock-machine interactions.Based on the big data obtained from the 72.1 km long tunnel in the Yin-Song Diversion Project in China,this study developed a machine learning model to predict the TBM performance in a real-time manner.The total thrust and the cutterhead torque during a stable period in a boring cycle was predicted in advance by using the machine-returned parameters in the rising period.A long short-term memory model was developed and its accuracy was evaluated.The results show that the variation in the total thrust and cutterhead torque with various geological conditions can be well reflected by the proposed model.This real-time predication shows superior performance than the classical theoretical model in which only a single value can be obtained based on the single measurement of the rock properties.To improve the accuracy of the model a filtering process was proposed.Results indicate that filtering the unnecessary parameters can enhance both the accuracy and the computational efficiency.Finally,the data deficiency was discussed by assuming a parameter was missing.It is found that the missing of a key parameter can significantly reduce the accuracy of the model,while the supplement of a parameter that highly-correlated with the missing one can improve the prediction.     

基于长短时记忆神经网络的鄱阳湖水位预测

湖泊水位是维持其生态系统结构、功能和完整性的基础.鄱阳湖受流域"五河"和长江来水双重影响,水位变化复杂.为了准确预测鄱阳湖水位变化,采用长短时记忆神经网络方法(LSTM)构建了鄱阳湖水位预测模型.该模型以赣江、抚河、信江、饶河和修水"五河"入湖流量和长江干流流量作为输入条件,预测鄱阳湖湖区不同代表站(湖口、星子、都昌、吴城和康山)的水位过程.研究以1956—1980年的水文时间序列数据作为训练集,1981—2000年作为验证集,探讨了LSTM模型输入时间窗、隐藏神经元数目、初始学习率等模型参数对预测精度的影响,并确定了鄱阳湖水位预测模型的最优参数.结果表明,采用LSTM神经网络方法可基于流域"五河"和长江来水量历时数据合理预测鄱阳湖不同湖区的水位过程,五站水位预测的均方根误差为0.41～0.50 m,纳什效率系数和决定系数达0.96～0.98.为考察模型训练数据集对鄱阳湖水位预测结果的影响,进一步选取了随机5年(1956—1960年)的资料和5个典型水文年(1954年、1973年、1974年、1977年和1978年)的日均流量资料来训练模型.结果显示随机5年资料作为训练数据的预测精度要差于典型年水文资料训练得到的模型,尤其是洪、枯水位的预测;由于典型水文年数据量仍远低于20年的资料,故其总体预测精度要略低于采用20年资料训练的模型.建议应用这类基于数据驱动的模型时,应该尽可能多选取具有代表性的资料来训练.     

Deep learning long short-term memory combined with discrete element method for porosity prediction in gravel-bed rivers

The porosity of gravel riverbed material often is an essential parameter to estimate the sediment transport rate, groundwater-river flow interaction, river ecosystem, and fluvial geomorphology. Current methods of porosity estimation are time-consuming in simulation. To evaluate the relation between porosity and grain size distribution (GSD), this study proposed a hybrid model of deep learning Long Short-Term Memory (LSTM) combined with the Discrete Element Method (DEM). The DEM is applied to model the packing pattern of gravel-bed structure and fine sediment infiltration processes in three-dimensional (3D) space. The combined approaches for porosity calculation enable the porosity to be determined through real time images, fast labeling to be applied, and validation to be done. DEM outputs based on the porosity dataset were utilized to develop the deep learning LSTM model for predicting bed porosity based on the GSD. The simulation results validated with the experimental data then segregated into 800 cross sections along the vertical direction of gravel pack. Two DEM packing cases, i.e., clogging and penetration are tested to predict the porosity. The LSTM model performance measures for porosity estimation along the z-direction are the coefficient of determination (R²), root mean squared error (RMSE), and mean absolute error (MAE) with values of 0.99, 0.01, and 0.01 respectively, which is better than the values obtained for the Clogging case which are 0.71, 0.14, and 0.03, respectively. The use of the LSTM in combination with the DEM model yields satisfactory results in a less complex gravel pack DEM setup, suggesting that it could be a viable alternative to minimize the simulation time and provide a robust tool for gravel riverbed porosity prediction. The simulated results showed that the hybrid model of the LSTM combined with the DEM is reliable and accurate in porosity prediction in gravel-bed river test samples.     

基于灰色多元变权组合预测模型对山东省海水养殖产量预测

为了进一步提高海水养殖产量预测精度, 考虑多因素对海水养殖产量的影响, 文章基于变权组合预测模型, 充分结合长短期记忆(Long Short-Term Memory, LSTM)神经网络预测模型、GM(1, N)预测模型和偏最小二乘回归预测模型等传统统计预测模型的优点, 构建出一种基于灰色多元变权组合预测模型, 并对山东省海水养殖总产量和分类产量进行了预测。实证结果显示, 基于灰色多元变权组合预测模型对山东省海水养殖产量的预测精度高达99.13%, 预测精度显著优于LSTM神经网络等各单项模型, 并能综合于LSTM神经网络、GM(1, N)预测模型和偏最小二乘回归预测模型的优点, 弥补各单项模型的不足, 提高预测精度和可靠性。根据预测结果, 到2025年山东省海水养殖产量仍将保持良好发展, 海水养殖产量将达到579.28×10⁵t, 平均增长速度为3.11%, 而鱼类、甲壳类、贝类、藻类以及海参海水养殖产量将分别达到6.27×10⁵、26.27×10⁵、445.83×10⁵、68.65×10⁵和9.5×10⁵t。     

深度学习在大坝变形预测中的应用研究

大坝时间序列变形的高精度预测对于大坝运行维护及保护人民生命安全显得尤为重要。本文以某大坝113期变形时间序列数据为实验,提出了一种深度学习中的循环神经网络(LSTM)方法来进行大坝变形预测,将实验的结果与机器学习中NAR神经网络和ARIMA自回归移动平均模型的预测结果进行对比,LSTM、NAR和ARIMA模型的均方根误差(RMSE)分别为0.392 5、0.573 7、1.298 7;平均相对误差(MRE)分别为0.0498、0.1046、0.1878;R^2系数分别为0.932 3、0.822 1、0.247 7。从上述结果对比可知,LSTM时间序列预测模型的精度更高且稳定性更好,可作为后续大坝变形预测的一种新的思路和探索。     

陇中黄土丘陵沟壑区人工草地土壤水蚀预测模型

针对陇中黄土丘陵沟壑区土壤水蚀过程复杂且难以有效预测的问题，以定西市安家沟水土保持试验站2005—2016年1~12月人工草地径流场试验数据为主要来源，将流域月降雨量、月侵蚀性降雨量、月径流量、月降雨强度、径流场面积、径流场坡度、土壤砂粒含量、土壤粘粒含量8个因子作为输入因子，月土壤水蚀量作为输出，运用偏最小二乘法(Partial Least-Squares Regression,PLSR)和长短期记忆(Long Short-Term Memory,LSTM)循环神经网络建立人工草地土壤水蚀预测模型，并利用BP(Back Propagation)、RNN(Recurrent Neural Network)、LSTM常见神经网络模型，对模型的有效性进行评估。结果表明：PLSR将模型8个输入因子减少为4个，从而有效解决LSTM神经网络模型对样本数量要求过高的问题； PLSR和LSTM神经网络模型的结合可以有效提高模型对人工草地土壤水蚀过程的预测精度和收敛速度，预测结果的平均相对误差小于4%，相关系数高于其他3种神经网络模型，而迭代次数、均方根误差和平均绝对误差均低于其他3种模型；研究发现坡度对人工草地土壤水蚀过程影响较为明显，降雨量小于25 mm时，人工草地土壤水蚀量不会随坡度增加而明显增长，但当降雨量超过25 mm时，人工草地土壤水蚀量会随坡度明显增加。 PLSR LSTM神经网络土壤水蚀预测模型可以准确预测陇中黄土丘陵沟壑区人工草地土壤水蚀量，为该地区水土流失的准确预报提供新的思路和方法。     

基于观测和再分析数据的LSTM深度神经网络沿海风速预报应用研究

基于海洋气象历史观测资料和再分析数据等，利用LSTM深度神经网络方法，开展在有监督学习情况下的海面风场短时预报应用研究。以中国近海5个代表站为研究区域，通过气象台站观测数据和ERA-Interim 6 h再分析数据构建数据集。选取21个变量作为预报因子，分别构建两个LSTM深度神经网络框架(OBS_LSTM和ALL_LSTM)。经与2017年WRF模式6 h预报结果对比分析，得出如下结论:构建的两个LSTM风速预报模型可以大幅降低风速预报误差，RMSE分别降低了41.3%和38.8%，MAE平均降低了43.0%和40.0%；风速误差统计和极端大风分析发现，LSTM模型能够抓住地形、短时大风和台风等敏感信息，对于大风过程预报结果明显优于WRF模式；两种LSTM模型对比发现，ALL_LSTM模型风速预报误差最小，具有很好的稳定性和鲁棒性，OBS_LSTM模型应用范围更广泛。     

LSTM支持下时序Sentinel-1A数据的太白山区植被制图

植被分类是森林资源调查与动态监测的基础与前提。当前植被分类研究大都利用光学遥感影像,然而,光学遥感成像易受到云雨覆盖的影响,难以构建完整时间序列,植被分类精度有限。微波遥感具有全天时全天候、时间序列完整的优势,在植被调查与分析中具有巨大的应用潜力。本文利用2018年Sentinel-1A微波遥感时间序列数据和深度循环网络方法,对秦岭太白山区的森林植被进行分类制图。首先利用Sentinel-2光学影像与数字高程数据对研究区进行多尺度分割;然后将处理后的时间序列Sentinel-1A数据空间叠加到分割地块上,构建地块的多元时间序列曲线;最后利用深度循环网络提取与学习多元时间序列的时序特征并分类。实验结果表明：① 与传统机器学习方法（如RF、SVM）相比,本文提出的深度循环网络方法的分类精度提高10%以上;② 在Sentinel-1A微波极化特征组合中VV+VH表现最好,与VV+VH+VV/VH极化特征组合的精度相近;③ 使用全年的时间影像构建时间序列分类精度最高,达到82%。研究表明,利用深度循环网络与时间序列Sentinel-1A数据的方法能够有效提高植被分类的精度,从数据源与分类方法上为森林植被分类研究提供了新的思路。