长短期记忆神经网络(LSTM)模型在低能见度预报中的应用

利用浙江省义乌市2015—2019年逐小时气象观测数据(相对湿度、风速、地气温差、能见度)和空气质量指数(Air Quality Index, AQI)数据, 分析了义乌地区低能见度天气(观测能见度lt; 10 km)的分布特征和气象要素条件。利用长短期记忆神经网络(Long Short Term Memory Neural Network, LSTM)模型对逐小时能见度进行模拟, 分别对比了观测能见度作为输入变量与否的模拟效果; 根据义乌地区低能见度天气条件的特征, 将模拟时段分为三个时期(11月至翌年2月, 3—6月, 7—10月), 对比了分时期模拟的效果; 以及评估了模型的预报步长。结果表明: 高湿、高污染、气温高于地温和低风速是义乌地区低能见度天气的主要特征。LSTM模型对单站能见度有较好的模拟效果, 当输入参数中加入历史观测能见度时, 能大幅提高模拟准确度, 日均能见度模拟结果均方根误差RMSE=0.63 km, 平均绝对误差MAE=0.51 km, 拟合优度R²=0.99;分时期进行模拟能得到更精准的模拟结果。本研究中选用的输入要素在冬季(11月至翌年2月)模拟效果最好, RMSE=2.35 km, MAE=1.46 km, 低能见度均方根误差RMSE_10 km=1.81 km, 低能见度平均绝对误差MAE_10 km=1.13 km, R²=0.83; 3—6月的模拟中, 输入变量中不加AQI模拟效果更好, 这意味着3—6月义乌地区的低能见度天气以雾天气为主导, 加入过多变量并不一定能提高模型准确度; 随着预报步长增大, 模型预报效果变差, 预测步长等于3 h, R²=0.71, 预测结果已不具备实际应用意义。     

氧化矿中银的回收工艺试验研究

对某地氧化矿做矿物相和化学分析,查明用氰化法浸泡矿石,银回收率很氏的主要问题所在。采用焙烧的方法除去影响银溶解的有害元素,采用酸性浸出液提高银的回收率。     

新疆卡拉玛铜矿床伴生金工艺矿物学研究

文章对卡拉玛铜矿床中伴生金的工艺矿物学特征进行了研究.结果显示,矿石主要由黄铜矿、黄铁矿、菱铁矿和少量辉铜矿组成,伴生金主要呈独立矿物自然金产出,多数金矿物以脉型和裂隙型嵌布于矿石中,金矿物的粒度多分布在0.10～0.05mm,矿石中金的理想回收率为86.78%.     

协方差阵非负约束的赫尔默特方差分量估计

在多源数据联合反演同震滑动分布过程中,各类观测数据之间相对权比的确定是当今大地测量与地球物理联合反演领域的研究热点和难点。近年来,赫尔默特方差分量估计法因其可以同时估计虚拟观测数据及实际观测数据之间的比例因子的优势,在联合反演滑动分布领域中得到了广泛应用。然而,利用HVCE法确定多源数据联合反演相对权比过程中易出现负方差现象。针对以上问题,本文提出在HVCE法确定联合反演相对权比过程中添加线性不等式约束,利用带有线性不等式约束的平差模型进行求解（LC-HVCE）,解决计算过程中出现负方差问题。为了验证LC-HVCE法的有效性,开展模拟地震试验,结果表明LC-HVCE法可以有效地解决HVCE法在确定联合反演相对权比过程中存在的不足,保证了同震滑动分布反演精度。蒙特卡洛模拟试验及拉奎拉实际地震反演结果进一步表明了LC-HVCE法在确定正则化参数与相对权比过程中较HVCE法的适用性与稳定性。     

2021年青海玛多MW7.3地震同震和早期震后断层滑动模型及发震构造摩擦属性

地震同震和早期震后断层滑动是研究发震断层深浅部孕震形态及摩擦性质的重要手段.本文基于雷达干涉测量(InSAR)数据获得了玛多地震同震和早期震后形变场，并反演得到了发震断层的滑动分布模型.研究结果表明同震滑动主要分布在上地壳浅部，并且存在多个滑动亏损区域.发震断层在东端分叉处的倾向与主断裂和西端倾向相反.基于N-SBAS方法获得的震后4.5个月形变场显示，断层近场震中区域的累积形变量达5 cm,远场区域累积形变达2 cm.震后早期余滑分布在断层浅部和深部以及两侧的横向延展区域；部分余滑区域与同震区域重叠.其中，上地壳浅部的余滑达20 cm且填充了同震滑动亏损.时序地震矩显示上地壳浅部区域在震后快速余滑而深部稳定滑动，表明了发震断层区域的复杂摩擦属性.     

基于长短期记忆神经网络的风速超短期快速滚动预报技术

利用甘肃省某风电场2017—2020年测风数据，基于长短期记忆神经网络（LSTM）模型，通过评估不同输入数据和模型时间窗口长度下的预报精度，设计一套适用于风电场的风速超短期快速滚动预报方案。结果表明：通过输入不同的特征变量，在风速的超短期(未来4 h内)预报中，风速自身变化起主导作用，模型输入变量中只加入各高度层的风速能得到更好的模拟效果。通过评估LSTM模拟时间窗口长度L对模拟效果的影响，当时间窗口长度L≤24 h时，模拟效果较好，说明超短期风速变化主要和风速自身临近时刻的变化有关；当L>24 h时，模拟效果快速下降，说明过长的L会削弱模拟能力，降低模拟精度。 通过分析LSTM在未来4 h内的风速模拟能力，发现随着预报时长的增加，模拟精度逐步下降，但在未来2 h内的风速均方根误差RMSE均小于2 m〖DK〗·s-1，结果较为理想，且该方法对计算资源要求不高，经济实用性强，在业务中具有较高的应用潜力。