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%。     

基于长短期记忆网络的甘肃舟曲立节北山滑坡变形预测

立节镇北山滑坡长期处于蠕动变形状态，已多次发生滑坡、泥石流灾害。监测地表形变，以掌握灾害体地表形变规律，是实现地质灾害预警预报的可靠依据。文章引入一种机器学习模型——长短期记忆网络，通过立节北山监测点位移数据，运用该方法对立节北山滑坡变形进行预测，并且将预测结果与实际数据进行比对和分析。文章预测结果评价指标选用均方根误差、平均绝对误差、决定系数以及可解释方差，其中决定系数和可解释方差均达到0.99，预测值和真实值的拟合均方根误差和平均绝对误差也表现较低，说明长短期记忆网络在立节北山滑坡变形的预测中达到了良好的预测性能。     

基于GEE和机器学习的不透水面提取研究——以成渝地区为例

随着城镇建成区范围不断扩大，不透水面面积急剧扩张，对区域生态和经济产生严重影响，对不透水面的快速、准确识别显得尤为重要。文中以成渝地区双城经济圈的两大核心城市为研究对象，基于GEE云平台和Landsat 8影像，构建光谱波段、光谱指数和纹理指数的分类特征，利用最小距离(MD)、分类回归树(CART)、支持向量机(SVM)、随机森林(RF)和朴素贝叶斯(NB)5种机器学习算法，提取不透水面信息。结果表明，RF算法效果最好，提取结果与实际最相符，CART和SVM算法精度差异不大。本研究可为不透水面提取提供方法和技术参考。     

人工智能技术在桥梁抗震领域的应用综述

近年来，人工智能技术发展迅速，作为国家战略的新一轮科技革命和产业变革的核心技术，已经渗透到各行各业，推动了各行业的发展。与其他行业相比，桥梁等基础设施的智能化程度还较低，融合人工智能技术的发展成为必然趋势。桥梁作为重要的生命线工程，当地震灾害发生时，及时和准确地评估桥梁地震损害和调动相应的事后救援工作起着关键作用。人工智能技术能很好地捕捉变量之间的复杂非线性关系，快速准确地对未知数据进行识别与预测，相比于传统的无法同时兼顾准确性与效率分析的方法，人工智能技术有着巨大的优势。为了促进人工智能技术与桥梁抗震深度融合，基于国内外的研究现状，归纳总结了人工智能技术在地震动分析预测、桥梁地震响应预测和模式识别及快速评估方面的应用，梳理了当前人工智能模型存在的问题，并对未来的研究进行了展望，指出真实数据建立的数据库、基于物理的模型、可解释性以及同类型桥梁之间的泛化将是未来的发展方向，为未来的桥梁抗震设计、分析和评估提供帮助。     

基于Catboost和Stacking融合模型的 长江中下游短时临近降水预报研究

用中国自动站与CMORPH降水产品融合的逐小时降水量网格数据集、全球预报系统(Global Forecasting System, GFS)模式再分析资料,将机器学习特征算法筛选的特征变量作为模型输入数据,运用Catboost模型和以Catboost和随机森林为初级模型、径向基神经网络为次级模型的融合模型预测未来6 h累计降水等级,并应用公平TS评分(Equal Threat Score,ETS)、真实技巧评分(True Skill Statistic,TSS)、混淆矩阵、预报偏差(Bias值)、击中率(Probability of Detection,POD)对预报结果进行检验分析。结果表明:优化变量的输入有利于提高模型的准确率;Catboost模型和融合模型都可以在一定程度上辨别晴雨状况;仅非动力学变量参与的融合模型对雨区预报准确率最高,但容易将暴雨雨区预报得更加广泛。总体而言,融合模型具有更强、更稳定的预报性能,中到暴雨量级预报准确率还待进一步提高。     

基于机器学习的冰雹天气识别研究北大核心

利用2017—2019年贵州省威宁彝族回族苗族自治县的C波段天气雷达数据,提取了多种与冰雹相关的雷达特征参量,并结合地面降雹记录建立了客观的冰雹样本标记方法。通过支持向量机、决策树和朴素贝叶斯三种机器学习方法,对冰雹高发区贵州省威宁的冰雹天气过程进行建模与评估。评估结果表明,采用机器学习方法可以有效地识别冰雹天气过程。支持向量机和决策树方法的命中率(Probability of Detection,POD)均较高,分别为88.9%和90.5%;临界成功指数(Critical Success Index,CSI)分别为73.1%和70.3%;误报率(False Alarm Rate,FAR)分别为19.6%和24.1%。朴素贝叶斯方法的POD和CSI相对偏低,分别为67.8%、62.8%,但FAR最低,为10.6%。     

北京地区蚊虫密度变化气象预测方法研究

本文利用蚊虫密度监测数据及气象资料，分析了2009—2019年北京市及其14个区的蚊虫密度与气象条件间的关系，并基于多元回归、支持向量机和随机森林3种经典的机器学习回归方法进行了蚊虫密度预测。结果表明：北京地区蚊虫密度呈周期性的波动，各区多年平均值在0.35~2.54只/(灯·h)之间，高峰值集中出现在7月中旬到8月中旬，与北京地区气温最高和降水最集中的时期非常吻合。采用机器学习方法，尝试了4种输入因子方案，并利用均方根误差和平均绝对百分误差两种方法进行预测效果检验，显示蚊虫数据相对较稳定的地区，如平谷、门头沟、大兴、海淀等地，预测效果相对更优。在3种方法中，支持向量机方法对2019年5月下旬的预测效果非常好，而多元回归与随机森林的预测效果则在2019年5—10月整体上表现得更为稳定。     

驾虚卸实:气象界发展“trustworthy”AI技术

刚刚过去的2021年,全球气象界的一个热点,是以"机器学习"(machine learning,ML)和"神经网络"(neural network,NN)等为代表的AI技术,从几年前有"炒作"嫌疑和爆炸式的登场,到开始入驻气象研究和业务各领域并产生效果和积极影响的过渡年。伴随这样的过渡,"trustworthy"一词被很多学者加在AI之前,组成"可信的AI"。强调AI技术可信,既与AI技术本身的神奇有关,还是现代气象科学本身"物理求真"的传统使然。     

水体透明度遥感反演算法研究进展

水体透明度(Secchi Disk depth,SDD)是水环境监测的重要参数,遥感技术对于监测水体透明度具有重要的应用前景。本文旨在分类和比较当前用于监测水体透明度的算法,并提出未来研究的方向,以推动水环境监测技术的进一步发展。文章对目前检索水体透明度的算法进行分类和比较。其中,经验算法、半分析算法和机器学习算法是目前研究的主要方向。通过分析算法特性和优缺点,提出未来研究的重点和方向。经验算法基于透明度与光谱数据、叶绿素a浓度等的相关性,半分析算法基于水下能见度理论,机器学习算法则基于更优的数据特征学习能力。不同算法具有各自的适用范围和限制。未来的研究应该着重于整合多源遥感数据,改进QAA (quasi-analytical-algorithm),深入分析光学参数与水体透明度的关系,将机器学习算法应用到水体透明度模型的建立中,以建立具有高精度、适用性广的反演模型。     

星载GNSS-R监测海面目标技术进展

全球卫星导航系统(GNSS)因其直射信号经海面反射后，反射信号会携带海面物理信息，由此开辟了一种在遥感应用中有巨大潜力的全球卫星导航反射信号(GNSS-R)技术，国内外在星载GNSS-R监测海面领域取得进展.本文总结了应用星载GNSS-R数据监测海面目标的进展，然后针对星载GNSS-R监测海面目标技术从最初实验、基于延迟多普勒图(DDM)观测值监测、基于反演散射系数监测、应用神经网络监测四个方面进行了总结和归纳.