机器学习模型在滑坡易发性评价中的应用

机器学习在滑坡的易发性评价中面临两个难点,一是评价指标的客观量化,二是训练样本的选择。鉴于此,采用频率比法实现了评价指标的客观量化,利用k均值聚类算法实现了非滑坡样本数据的筛选。结果表明,以k均值聚类算法筛选非滑坡为前提,神经网络的训练精度由73%提升到了97%,支持向量机的训练精度由75%提升到了96%。基于GIS平台,将神经网络和支持向量机模型计算的全区易发性指数按自然断点法分为五个区域,分区图与历史灾害点的叠加分析统计结果显示,神经网络在全局范围内的评价结果优于支持向量机模型,全局精度分别为76%和74%。研究结果可为南江县的防灾减灾工作提供参考。     

多隐层BP神经网络在模式预报中的简化应用

EC细网格预报效果好,基本满足业务需要,在工作中被广泛应用。为进一步提升预报准确性,做好迪士尼园区的气象服务保障,选取2016年7月至2017年6月1年的2 m温度预报场,24 h预报时效的时间分辨率为3 h,72 h预报时效的时间分辨率为24 h,分别用回归分析法、S型和简化Line型BP神经网络法进行模式释用,与迪士尼气象站观测数据对比。结果表明:阈值为1℃时,对模式结果释用后,均方根误差减少了0.5℃到1.0℃,3—9 h和21—72 h预报时效的准确率由原来的50%和30%分别上升到70%和50%。采用S型多隐层BP神经网络误差最小,不同预报时效释用稳定性最高,同时该释用方法对t_(min)的预报特征把握更精准,释用效果明显优于对t_(max)的预报释用,但迭代计算耗费时间大幅增多,与预报效果的提升不成正比。简化Line型的BP神经网络通过8个半月的数据量和简单的网络模式,捕获了EC预报的特征,不但减小了计算量,大幅缩短了计算时间,而且预报结果也有显著提升,预报稳定性较好,具有广泛的业务应用空间。     

汕头市PM2.5的气象要素影响分析及预报研究

利用2014—2017年汕头市PM_2.5的日浓度资料、以及汕头市国家基准气象观测站的同期地面气象资料,重点分析了汕头市PM_2.5浓度的变化特征以及风、混合层厚度、降水等气象条件对PM_2.5浓度的影响,同时探讨了污染物浓度变化的成因。在此基础上,根据汕头市的气候特点,采用BP （Back-Propagation）人工神经网络方法针对汛期和非汛期分别建立了PM_2.5质量浓度预报模型。结果表明：与多数内陆城市不同,汕头市PM_2.5浓度日变化为单峰型,这与汕头地处沿海受海陆风影响有关;PM_2.5浓度日峰值出现在08时左右,除早高峰污染物排放增加的因素外,与早晨时段的低风速环境有关;PM_2.5日均浓度随着风速的增大呈现减小趋势,PM_2.5日均浓度与08时混合层厚度显著相关（相关系数为-0.143）;汕头市非汛期PM_2.5浓度比汛期高,这与汕头市的亚热带季风气候特征有关,汛期各量级降水（暴雨以上除外）对PM_2.5的清除效果无明显差别,而非汛期降水对PM_2.5浓度有明显清除作用;BP人工神经网络模型的预报效果表明,汛期和非汛期的PM_2.5级别命中率TS分别为100%和90.3%,准确指数分别为87.7%和89.9%,总体预报效果良好。不同时期预报模型出现正误差的数量和程度均大于负误差,汛期预报模型在有强降水发生时误差较大,而非汛期预报模型在有冷空气入侵时误差较大。     

宁波雷电时空分布特征及潜势预报方法探讨

利用闪电定位仪资料分析了2010-2016年宁波市雷电的时空分布特征,根据雷电强度将6-9月雷电分为一般雷电和强雷电两组,结合NCEP再分析资料计算对流参数,运用GA-BP神经网络和费歇判别模型对雷电潜势预报进行分类方法探讨。结果表明:宁波年平均地闪次数为43223次,其中负地闪占比达95.2%;地闪的月际变化和日变化均呈单峰型,6-9月和14-19时分别为地闪次数最多的月份和时段;宁波雷电活动表现出一定的地域性,主城区以及海拔较高的奉化和宁海的西部山区是总地闪密度较大的区域。选择CAPE等4个对流参数参与建模,评估结果显示GA-BP预报准确率为71.60%,临界成功指数为56.60%,空报率和漏报率都在27%左右,模型表现出一定的预报技巧,并且该模型预报效果优于费歇判别模型。     

具有遗忘时滞的静态神经网络的H∞状态估计

本文研究了具有遗忘时滞的静态神经网络的H_∞状态估计问题.首先降低了时变时滞可微的条件,然后通过构造合适的Lyapunov-Krasovskii泛函,设计保H_∞性能的状态估计器,使得误差系统实现全局渐近稳定.最后,借助Matlab中线性矩阵不等式工具箱进行数值仿真,验证了结论的有效性.     

循环神经网络在雷达临近预报中的应用

该文将循环神经网络（recurrent neural network,RNN）应用于雷达临近预报。使用预测循环神经网络（predictive RNN）架构,利用雷达历史组合反射率因子建模,给出雷达组合反射率因子未来1 h的预报结果。预测循环神经网络的核心是在长短时记忆单元（long short-term memory,LSTM）中增加时空记忆模块,能够提取雷达回波不同尺度的空间特征,配合循环神经网络架构,可以有效解决反射率因子预测问题。北京大兴雷达和广州雷达长时间序列的独立检验结果和2个强对流天气个例检验结果表明:该方法和传统的基于交叉相关法的1 h雷达外推临近预报相比,在20 dBZ和30 dBZ检验项目内,临界成功指数（CSI）可以提升0.15~0.30,命中率（POD）提高0.15~0.25,虚警率（FAR）降低0.15~0.20,该方法对反射率因子强度变化有一定预报能力。     

基于循环神经网络的单站能见度短临预报试验

由于能见度具有局地性和复杂的非线性变化特征,一直是精细化预报的难点。人工神经网络对复杂变化过程的模拟能力较高,为解决这一难题提供了可能性。本文采用循环神经网络,利用福州气象观测站地面观测数据,建立了福州单站能见度短临预报模型,并就预报能力进行了评估。随机检验结果表明,在1 h、3 h、6 h时效上,循环神经网络的预报与观测的变化趋势一致性较好;均方根误差比基于实况的预报分别减小15.75%、31.66%、41.26%,说明具备较好的预报能力;平均绝对值误差比传统BP神经网络分别减小12.90%、24.45%、 38.99%,表明循环神经网络对能见度预报具有优势,为能见度的精细化短临预报提供了新途径。     

基于机器学习的海表温度对中国降水的预测研究

利用K-means聚类算法将36a的中国周降水数据聚类为7个区域,其中非季风区的中国西北和青藏高原的大部分地区聚类为两个区域,其余区域聚类为5个区域.将各区域的降水量数据经过指数平滑之后,输入聚焦时延神经网络(FTDNN),求解其与经过主成分分析降维处理的SST之间的关系.结果表明:季风区的降水量最佳延迟时间比远离海洋...     

基于神经网络的滑移隔震结构智能半主动控制

考虑上部结构的刚度和阻尼,使用神经网络控制算法计算基底摩擦力的大小,研究了滑移隔震结构的半主动控制。对计算实例的分析表明,通过半主动控制的滑移隔震结构不但具有较好的隔震效果,且能有效地减小基底的最大滑移量及残余位移。为对比各种控制方法的控制效果,文中还利用Bang-Bang控制和瞬时最优控制算法对滑移隔震结构进行了半主动控制。对比分析表明,基于神经网络控制算法的控制效果优于其它控制算法,具有反馈量少,稳健性强等特点。     

一种基于实景图像的低能见度识别算法

为了利用大量视频监控设备提高能见度数据采集密度,提出一种基于实景图像转换的、采用简单卷积神经网络分类提取能见度等级的算法。该算法假设视频设备水平安装且具备开阔视野,对原始视频图像进行水平分块,提取各分块的梯度、饱和度和亮度信息组成新的图像,基于简单卷积神经网络建模。采用2019年9月—2020年12月上海洋山港气象站29668张视频图像进行训练,建立识别模型,并采用2021年1—5月5757张视频图像对模型进行测试。采用该算法建立的模型参考雾的预报等级(GB/T 27964—2011)将能见度分为5个等级进行检验,白天准确率为87.99%,夜间准确率为81.32%,优于直接采用AlexNet模型。对1000 m以下低能见度天气的识别准确率达95%以上。利用现有的视频摄像头,可有效弥补气象站点能见度仪数据不足的问题,在气象业务上有一定的应用价值。