Inclusive Multiple Models(IMM) for predicting groundwater levels and treating heterogeneity

An explicit model management framework is introduced for predictive Groundwater Levels(GWL),particularly suitable to Observation Wells(OWs)with sparse and possibly heterogeneous data.The framework implements Multiple Models(MM)under the architecture of organising them at levels,as follows:(i)Level 0:treat heterogeneity in the data,e.g.Self-Organised Mapping(SOM)to classify the OWs;and decide on model structure,e.g.formulate a grey box model to predict GWLs.(ii)Level 1:construct MMs,e.g.two Fuzzy Logic(FL)and one Neurofuzzy(NF)models.(iii)Level 2:formulate strategies to combine the MM at Level 1,for which the paper uses Artificial Neural Networks(Strategy 1)and simple averaging(Strategy 2).Whilst the above model management strategy is novel,a critical view is presented,according to which modelling practices are:Inclusive Multiple Modelling(IMM)practices contrasted with existing practices,branded by the paper as Exclusionary Multiple Modelling(EMM).Scientific thinking over IMMs is captured as a framework with four dimensions:Model Reuse(MR),Hierarchical Recursion(HR),Elastic Learning Environment(ELE)and Goal Orientation(GO)and these together make the acronym of RHEO.Therefore,IMM-RHEO is piloted in the aquifer of Tabriz Plain with sparse and possibly heterogeneous data.The results provide some evidence that(i)IMM at two levels improves on the accuracy of individual models;and(ii)model combinations in IMM practices bring‘model-learning’into fashion for learning with the goal to explain baseline conditions and impacts of subsequent management changes.     

岩性识别：方法、现状及智能化发展趋势

岩性识别是地质工作中一项基础而又重要的工作。传统的岩性识别方法过于依赖经验和地质专业知识积累,不仅耗时长、专业性强,还易受主观因素影响,导致准确率不理想。笔者等首先回顾了传统的岩性识别方法,之后总结了最新涌现的智能化识别方法,最后详细介绍了基于岩石图像、镜下图像、图像与元素信息融合等的智能识别方法。基于岩石图像的识别方法对于文中的岩石识别准确率可达90%以上,基于图像与元素融合的岩性识别方法可以降低图像相似度高、风化破坏表观特征等因素对识别准确度的影响。笔者等认为当前岩性智能化识别研究仍处于初级阶段。综合各类数据源的优势,利用机器学习深度挖掘岩石元素、矿物、光谱和表观特征间的内在关联性,有利于突破单源信息的局限性,实现岩性快速准确识别。     

群智能优化算法在水文频率曲线适线中的应用

根据不同适线准则,研究群智能优化算法在水文频率曲线适线中的计算问题,为水利工程规划、水资源优化配置等提供依据。以陕北地区12个主要测站的年径流系列为例,选取五大分布类共12种分布线型,根据我国现行水利水电工程设计洪水计算规范,按照离(残)差平方和最小准则(OLS)、离(残)差绝对值和最小准则(ABS)、相对离差平方和最小准则(WLS),以MATLAB7.6为计算平台,研究模拟退火算法、遗传算法、粒子群算法和蚁群算法进行水文频率参数的估计。在不同适线准则下,陕北地区年径流最优频率分布模型为广义Logistic分布(Generalized Logistic Distribution,GLO),粒子群算法进行参数估算偏差最小。与传统优化方法相比,群智能优化算法对优化目标函数要求低,是一种推求年径流频率曲线统计参数的新途径。     

面向实时应用的遥感服务技术

当前中国卫星事业正面临着难得的发展机遇,以应用需求为牵引,着力提升卫星遥感的服务能力,充分发挥卫星的应用效益,突破通信、导航、遥感卫星的系统壁垒,构建通导遥一体化的天基信息实时服务系统,提供全天时、全天候、全地域的面向实时应用的服务.本文首先分析了天空地海对地观测传感网实时服务能力,接着阐述了遥感技术实时应用服务需求(...     

基于注意力机制与自适应时序分解的气温预报模型

针对传统方法在捕捉气象序列长期依赖关系及泛化性能上的不足,提出了一种基于稀疏注意力与自适应时序分解的气温预报模型（ATFSAS）。该模型整体采用编码器 解码器架构,结合稀疏注意力机制以有效捕捉气象观测数据间的长期依赖性。为减少编码过程中造成的冗余,提出了一种信息蒸馏方法。通过结合多层解码器与自适应时序分解单元,逐步细化预报信号中的周期性和趋势性分量,实现了较为精准的气温预报。基于德国耶拿气象数据集,进行24 h精细化气温预报,其平均绝对误差为1.7108℃。基于中国地面气候资料日值数据集,进行中短期日平均气温预报和多地区单日平均气温预报,相比传统模型LSTM,ATFSAS模型预报结果的平均绝对误差分别提升了35.56%和23.66%。