基于时间卷积网络的地震波阻抗反演

近些年来,深度学习网络的兴起极大地推动了人工智能技术在地震数据处理、反演以及解译等领域的应用.地震波阻抗反演是石油地震勘探领域的一项关键技术,其反演精度在圈定油气储层构造中起到非常重要的作用.提出了一种基于数据驱动时间卷积网络（temporal convolution network,TCN）模型的地震波阻抗反演方法,旨在无需建立初始反演模型,直接利用工区的少量测井标签数据,以地震振幅数据为输入,将波阻抗反演转化为时间序列建模任务,最终输出地下模型的阻抗信息.采用Marmousi2数据集对基于TCN的波阻抗反演模型进行训练、验证和测试,结果显示,在测试集上该模型预测结果的皮尔逊系数和决定系数分别达到97.92%和95.95%,并对远离训练区域的波阻抗信息预测有着良好的泛化性,且在预测时间和预测精度等方面都要明显优于前人的相关研究工作.上述结果表明,TCN时间序列深度学习模型在复杂地层波阻抗反演中具有一定优越性和应用前景,为地震波阻抗反演提供了新思路.      

基于FLUS的长春市土地利用动态变化与预测分析

研究城乡土地利用变化规律与驱动机制,有利于实现区域土地资源可持续发展。本文以长春市为例,以监督分类与人工解译相结合的方式对1997、2007和2017年Landsat卫星影像进行分类,总体精度分别为93.06%,90.70%和94.12%。1997-2017年,草地、耕地和其他土地面积分别减少354.74、922.11和55.35 km²,建设用地、水域和林地面积分别增加1 154.14、70.38和107.54 km²,整体表现为建设用地向周边扩张,侵占其他用地类型面积。利用未来土地利用模拟（future land use simulation,FLUS）模型,以2007年分类数据为基础,结合地形、交通区位和社会经济等土地利用变化驱动因子,仿真2017年土地利用格局,仿真结果与真实情况吻合较好,仿真精度达85.10%,Kappa系数为0.821 2,验证了模型和驱动因子精度可靠,符合土地利用变化趋势。以此模型因子预测2027年土地利用格局,结果表明：在城镇周围,建设用地将持续侵占耕地、林地、草地和其他土地的面积,但趋势减缓,同时林地面积和水域面积增加。     

灰色新陈代谢GM(1,1)模型在高速公路滑坡中的变形预测研究

传统GM(1,1)模型用于预测时,该模型在初始的少量数据中,才能充分利用有限的数据反映系统的发展变化,越往后监测,该模型的预测精度就越弱。而在实际应用中,必须不断考虑那些随时间相继进入系统的扰动或驱动因素,随时将每一个新得到的数据置入系统中,建立新信息GM(1,1)模型进行动态预测。因此,针对传统GM(1,1)模型存在的不足,文章建立了灰色新陈代谢GM(1,1)滑坡预测模型,并利用该模型对巴达高速公路滑坡位移变形进行了预测。结果表明,灰色新陈代谢GM(1,1)模型精度较高,预测误差较小,有很好的工程应用价值。     

自适应BP网络在洛带气田测井解释中的应用

应用自适应算法对BP网络进行改进，可以提高BP网络的收敛速度和全局寻优性能。在此基础上，利用多种测井数据及岩心描述资料作为网络模型的学习样本，以测井解释渗透率的神经网络模型为例，通过网络的学习、训练，建立测井解释神经网络模型。并应用此模型，定量计算出多口井的渗透率值，与常规渗透率计算结果相比，BP的解释结果及精度均令人满意，同时还取得了良好的实际应用效果。     

基于优化经验模态分解和聚类分析的滑坡位移智能预测研究

针对三峡库区"阶跃式"滑坡的变形特征,提出了一种新的滑坡位移预测方法。以白水河滑坡ZG118和XD-01监测点位移数据为例,采用基于软筛分停止准则的经验模态分解(SSSC-EMD)将累计位移-时间曲线和影响因子时间序列自适应地分解为多个固有模态函数(IMF),并采用K均值(K-Means)聚类法对其进行聚类累加,得到有物理含义的位移分量(趋势性位移、周期性位移以及随机性位移)和影响因子分量(高频影响因子和低频影响因子)。使用最小二乘法对趋势性位移进行拟合预测;采用果蝇优化-最小二乘支持向量机(FOA-LSSVM)模型对周期性位移和随机性位移进行预测。将各位移分量预测值进行叠加处理,实现滑坡累计位移的预测。研究结果表明,所提出的(SSSC-EMD)-K-Means-(FOA-LSSVM)模型能够预测"阶跃式"滑坡的位移变化规律,且预测精度高于传统的支持向量机回归(SVR)、最小二乘支持向量机(LSSVM)模型;并通过改变训练集长度,进行单因素分析,发现其与预测精度之间呈正相关关系。     

ARMA模型在锚碇基坑变形预测中的应用

本文在详细介绍时间序列预测原理、基本模型及预测步骤的基础上,选取新田长江大桥锚碇基坑工程施工过程中的基坑位移和危岩裂缝变形实测数据,运用时间序列法建立自回归滑动平均模型(ARMA),对施工过程中的基坑位移和危岩裂缝变形趋势进行预测,并将模型预测数据与实际监测数据进行对比。结果表明:ARMA模型可以通过差分算法很好地解决数据不稳定性问题,在预测周期较短时预测精度较高;随着预测周期的增加,ARMA模型的预测精度有所降低,其原因是由于随着预报步长的增加,预报所依赖的历史数据在减少;在建立ARMA模型时,定期加入新的数据,可以避免预测周期过长导致预测精度降低。本文的研究成果可以为今后类似工程的监测预报研究参考依据。     

软土物理力学性质指标与微结构参数的灰色关联-神经网络模型

通过对广州市南沙地区大量软土物理力学试验和微结构分析,获取了40组软土试样的物理力学性质指标和微观结构参数。综合运用灰色关联分析的数据分析能力和人工神经网络的非线性映射功能,建立了软土物理力学性质指标与微结构参数的灰色关联-径向基神经网络模型。该模型利用灰色关联分析方法对数据进行预处理,提取重要因子作为网络的输入,而径向基神经网络充分利用样本数据信息,自适应确定隐含层节点个数、径向基函数中心、宽度以及网络的权系数。克服了传统RBF网络隐层节点数为样本个数,当数据较多时导致网络结构庞大、学习速度慢的缺点。通过模型A和模型B的实例研究表明,该方法简化了网络结构,提高了训练速度和预测精度,为软土物理力学性质与微结构参数关系的定量研究提供了一条有效途径。     

灰色理论在中长期水文预报中的应用研究

通过水文气象数据,建立系统模型对某一水体、某一地区或某一水文站在未来一定时间内的水文情况做出科学准确可靠的高精度预测,T提高对防洪、抗旱、水资源合理利用和国防事业中的应用。总结分析中长期水文预报模型的现状及传统模型存在的问题,讨论灰色水文预报模型详细构建步骤及模型精度检验方法,并通过实例数据分析验证构建的灰色水文预报模型的可行性与可靠性。     

基于土地利用现状数据库的土地利用遥感分类本底数据库建设——以山东省泰安市泰山区为例

遥感分类本底数据库和土地利用现状数据库在地类判别标准、精度要求、数据格式和原始底图等方面存在诸多一致性。基于土地利用现状数据库进行遥感分类本底库的建设,大大减少了数据矢量化和外业调查的工作量。由于大部分工作都可以通过计算机来完成,因此作业时间和人力物力投入相应减少,同时确保了遥感分类本底数据库的精度。     

基于土地利用现状数据库的土地利用遥感分类本底数据库建设——以山东省泰安市泰山区为例

遥感分类本底数据库和土地利用现状数据库在地类判别标准、精度要求、数据格式和原始底图等方面存在诸多一致性.基于土地利用现状数据库进行遥感分类本底库的建设,大大减少了数据矢量化和外业调查的工作量.由于大部分工作都可以通过计算机来完成,因此作业时间和人力物力投入相应减少,同时确保了遥感分类本底数据库的精度.     

水稻、小麦与土壤中重金属Cd含量的关系模拟研究

土壤污染防治工作已成为提升耕地质量、保护国土生态安全的重要任务之一.为了科学预测我国大宗农作物(如水稻、小麦)与土壤重金属含量的关系,减少安全利用类农用地的大量农产品与土壤的协同监测,实现重金属污染农用地的安全利用,本研究以重金属Cd为例,选取对水稻、小麦Cd含量影响较大的土壤Cd含量、土壤pH值、土壤阳离子交换量(C...     

利用土壤地球化学数据和BP神经网络预测松嫩平原油气资源

基于东北地区多目标区域地球化学调查获得的海量土壤地球化学数据,利用BP神经网络模型,在土壤地球化学性质与油气田空间位置之间建立模型,构造最优的油气资源预测模型. 以土壤54项地球化学指标以及XY坐标值共同作为模型输入层,以样本是否在油气田内(1代表油气田内,0代表油气田外)作为模型输出层,基于随机抽取的油气田内和油气田外各500个土壤样本数据进行模型训练. 结果显示,多次训练后识别准确率保持在90%左右,说明该模型分类效果较好,可用于油气资源预测. 利用该模型获得了松嫩平原11 291个土壤样本的含油气概率,并绘制了油气资源预测图. 研究表明,神经网络对于解决复杂的非线性地质问题可以发挥重要作用.     

基于滑坡监测数据的Elman神经网络动态预测

滑坡在我国是一种极为频发的地质灾害,且其积累位移监测曲线有着复杂的非线性特性,对此各研究者建立过许多预测模型,然而这些模型的预测精度不尽如人意。基于Elman神经网络可以任意精度逼近任意非线性函数的特征,并以sigmoid为方程的核函数,在选择隐含层数时用了试用法,通过"3δ"法及归一化工程实例滑坡累积位移数据,建立了Elman神经网络动态预测模型。基于该模型对多个监测点数据进行动态预测,结果表明该模型的预测结果与实测数据的吻合度较高,且平均误差为1.78%,预测精度较高,验证了Elman神经网络能够在预测滑坡灾害中发挥一定作用。      

Landslide susceptibility mapping at Zonouz Plain,Iran using genetic programming and comparison with frequency ratio,logistic regression,and artificial neural network models

Without a doubt, landslide is one of the most disastrous natural hazards and landslide susceptibility maps (LSMs) in regional scale are the useful guide to future development planning. Therefore, the importance of generating LSMs through different methods is popular in the international literature. The goal of this study was to evaluate the susceptibility of the occurrence of landslides in Zonouz Plain, located in North-West of Iran. For this purpose, a landslide inventory map was constructed using field survey, air photo/satellite image interpretation, and literature search for historical landslide records. Then, seven landslide-conditioning factors such as lithology, slope, aspect, elevation, land cover, distance to stream, and distance to road were utilized for generation LSMs by various models: frequency ratio (FR), logistic regression (LR), artificial neural network (ANN), and genetic programming (GP) methods in geographic information system (GIS). Finally, total four LSMs were obtained by using these four methods. For verification, the results of LSM analyses were confirmed using the landslide inventory map containing 190 active landslide zones. The validation process showed that the prediction accuracy of LSMs, produced by the FR, LR, ANN, and GP, was 87.57, 89.42, 92.37, and 93.27 %, respectively. The obtained results indicated that the use of GP for generating LSMs provides more accurate prediction in comparison with FR, LR, and ANN. Furthermore; GP model is superior to the ANN model because it can present an explicit formulation instead of weights and biases matrices.     

神经网络串行训练并行处理

作者在文中提出一种神经网络串行训练处理方法，它能提高神经网络学习收敛的速度，并达到提高训练精度的要求，此外，该算法还可依据实际问题的需求，自适应地扩展神经网络的容量，使得可最大限度地充分利用已知信息，达到增强神经网络预测结果可靠性的能力，作者在文中还给出了本文算法运用于大庆油田甘开发区块储层油气预测应用实例，效果良好。     

Landslide susceptibility mapping at Vaz Watershed (Iran) using an artificial neural network model: a comparison between multilayer perceptron (MLP) and radial basic function (RBF) algorithms

Landslide susceptibility and hazard assessments are the most important steps in landslide risk mapping. The main objective of this study was to investigate and compare the results of two artificial neural network (ANN) algorithms, i.e., multilayer perceptron (MLP) and radial basic function (RBF) for spatial prediction of landslide susceptibility in Vaz Watershed, Iran. At first, landslide locations were identified by aerial photographs and field surveys, and a total of 136 landside locations were constructed from various sources. Then the landslide inventory map was randomly split into a training dataset 70 % (95 landslide locations) for training the ANN model and the remaining 30 % (41 landslides locations) was used for validation purpose. Nine landslide conditioning factors such as slope, slope aspect, altitude, land use, lithology, distance from rivers, distance from roads, distance from faults, and rainfall were constructed in geographical information system. In this study, both MLP and RBF algorithms were used in artificial neural network model. The results showed that MLP with Broyden–Fletcher–Goldfarb–Shanno learning algorithm is more efficient than RBF in landslide susceptibility mapping for the study area. Finally the landslide susceptibility maps were validated using the validation data (i.e., 30 % landslide location data that was not used during the model construction) using area under the curve (AUC) method. The success rate curve showed that the area under the curve for RBF and MLP was 0.9085 (90.85 %) and 0.9193 (91.93 %) accuracy, respectively. Similarly, the validation result showed that the area under the curve for MLP and RBF models were 0.881 (88.1 %) and 0.8724 (87.24 %), respectively. The results of this study showed that landslide susceptibility mapping in the Vaz Watershed of Iran using the ANN approach is viable and can be used for land use planning.     

基于测井参数优选的煤层含气量预测模型

随着煤层气勘探的不断深入,对煤层含气量预测精度提出了更高的要求。基于煤层含气量测井响应特征,分析测井参数与含气量的相关性,提出MIV（Mean Impact Value）技术与LSSVM（Least Squares Support Vector Machine）结合的测井参数优选策略,优选最优测井参数作为网络建模的输入自变量组合,通过粒子群算法优化LSSVM网络核心参数,最后构建一套适用于煤层含气量预测的MIV-PSO-LSSVM模型。在此基础上,分别对比分析LSSVM、PSO-LSSVM、MIV-LSSVM和MIV-PSO-LSSVM模型对煤层含气量的预测性能,并与传统多元回归方法进行了对比,利用拟合优度和均方根误差对此5类模型进行评价。结果表明:PSO优化下的LSSVM模型预测精度得到有效提升,结合MIV方法优选测井参数可大幅度改善神经网络建模性能,MIV-PSO-LSSVM模型可实现煤层含气量高精度预测,为煤层气勘探及其储层评价提供新的技术支撑,且本研究的建模策略及思想可广泛应用于其他机器学习建模研究领域。      

中国土地质量评价的研究现状及展望

土地质量评价是一项系统性很强的工作,目前主要开展土地的适宜性评价及利用评价,土地可持续利用的评价成为热门领域。评价指标体系日趋完善,评价方法多样,常见的有层次分析法、模糊综合评价法、权重指数和法及神经网络模型等,同时与GIS技术结合运用成为研究的一大特色。土地质量评价的发展趋势是评价指标的体系化、具体化和处理数据、管理的信息化。     

基于改进原型网络的小样本古生物化石识别研究

传统古生物化石鉴定方法多依赖于古生物学家的经验知识,现有的人工智能识别方法需要大量的化石训练样本才能达到较高的准确率。为解决上述问题,在少量化石图像样本情况下准确识别化石,本文尝试使用残差网络和注意力模块相结合的方法,并将其运用于小样本的化石鉴定。首先以残差网络作为模型的特征提取模块,并在残差网络的残差块中嵌入CBAM卷积注意力模块,提高模型对于化石纹理特征的关注,以提取更为全面的深层次化石图像特征,再使用小样本度量学习中的原型网络对提取特征进行原型计算,最后通过多轮次迭代训练得出最佳的化石判别模型。使用本文方法与5种经典的小样本学习方法进行对比实验,实验结果表明本文方法的识别准确率最高,在样本数量为1和5的情况下,准确率达到了86.32%和94.21%,对稀缺样本下的化石识别具有更显著的优势。     

基于改进原型网络的小样本古生物化石识别研究

传统古生物化石鉴定方法多依赖于古生物学家的经验知识,现有的人工智能识别方法需要大量的化石训练样本才能达到较高的准确率。为解决上述问题,在少量化石图像样本情况下准确识别化石,笔者等尝试使用残差网络和注意力模块相结合的方法,并将其运用于小样本的化石鉴定。首先以残差网络作为模型的特征提取模块,并在残差网络的残差块中嵌入CBAM卷积注意力模块,提高模型对于化石纹理特征的关注,以提取更为全面的深层次化石图像特征,再使用小样本度量学习中的原型网络对提取特征进行原型计算,最后通过多轮次迭代训练得出最佳的化石判别模型。使用本文方法与5种经典的小样本学习方法进行对比实验,实验结果表明本文方法的识别准确率最高,在样本数量为1和5的情况下,准确率达到了86.32%和94.21%,对稀缺样本下的化石识别具有更显著的优势。