The hydrological behaviour of urban streets: long‐term observations and modelling of runoff losses and rainfall–runoff transformation

Runoff on impervious surfaces (roads, roofs, etc.) raises a number of environmental and road safety‐related problems. The primary objective of this research effort is to improve our knowledge of the hydrological behaviour of impervious urban surfaces in order to better assess runoff on these surfaces and its subsequent consequences. This article will focus on two street stretches studied over a 38‐month period. Measurements of rainfall and runoff discharge on these stretches have made it possible to estimate runoff losses as well as to constitute a database for modelling purposes. On the basis of these data, two models have been used, one simple the other more detailed and physically based. For both models, runoff discharges at a 3‐min time step are well reproduced, although runoff coefficients and runoff losses are still poorly estimated. Detailed analyses of experimental data and model output, however, indicate that runoff losses could be quite high on such ‘impervious surfaces’ (between 30 and 40% of total rainfall, depending on the street stretch) and that these losses are mainly because of evaporation and infiltration inside the road structure. Copyright © 2011 John Wiley & Sons, Ltd.     

http://www.sciencedirect.com/science/article/pii/S1674987112000254

The applications of intelligent techniques have increased exponentially in recent days to study most of the non-linear parameters.In particular,the behavior of earth resembles the non-linearity applications.An efficient tool is needed for the interpretation of geophysical parameters to study the subsurface of the earth.Artificial Neural Networks(ANN) perform certain tasks if the structure of the network is modified accordingly for the purpose it has been used.The three most robust networks were taken and comparatively analyzed for their performance to choose the appropriate network.The single-layer feed-forward neural network with the back propagation algorithm is chosen as one of the well-suited networks after comparing the results.Initially,certain synthetic data sets of all three-layer curves have been taken for training the network,and the network is validated by the Held datasets collected from Tuticorin Coastal Region(78°7′30″E and 8°48′45″N),Tamil Nadu.India.The interpretation has been done successfully using the corresponding learning algorithm in the present study.With proper training of back propagation networks,it tends to give the resistivity and thickness of the subsurface layer model of the field resistivity data concerning the synthetic data trained earlier in the appropriate network.The network is trained with more Vertical Electrical Sounding(VES) data,and this trained network is demonstrated by the field data.Groundwater table depth also has been modeled.     

高密度电法在公路岩溶勘察中的应用

岩溶发育区的公路建设和运行过程中,容易形成地面塌陷,危及工程安全或正常使用,高密度电法是近年来在岩溶发育地区高速公路勘察中常用较有效的一种勘探方法。以工程实例探讨公路岩溶勘察中的应用效果及注意事项。     

基于神经网络模型的中国表层土壤有机质空间分布模拟方法

基于全国第二次土壤普查得到的6 241个典型土壤剖面数据,采用主成分分析方法和径向基函数神经网络模型建立不同植被类型—土纲单元内土壤有机质与气候、地形和植被等环境因子间的非线性关系,模拟全国表层土壤有机质的空间分析格局。结果表明,该模型具有较准确的预测能力,性能指数达到1.94。与普通克里格法、反比距离法和多元回归模型相比,神经网络模型对621个验证点模拟结果与实测值的相关系数为0.799,分别提高了0.265、0.181和0.120,平均绝对误差分别降低了4.25、4.43和2.34 g/kg,平均相对误差分别降低了30.16%、32.66%和5.93%,均方根误差则分别降低了8.61、8.24和6.24 g/kg;从模拟结果图来看,神经网络模型能够提供更多的细节信息。该方法为大尺度土壤性质空间分布模拟提供了有益的参考。     

基于遗传神经网络的克钦湖叶绿素反演研究

叶绿素a浓度能够在一定程度上反映内陆湖泊水质情况。为实现对克钦湖水体叶绿素a浓度的监测,于2010年8月15日对克钦湖进行了现场光谱测量和同步采样。通过分析叶绿素a浓度和光谱数据之间的关系,建立基于反射比、人工神经网络和遗传神经网络的叶绿素a浓度估测模型。结果表明:利用R700nm/R670nm反射比建立的模型估测精度为R2=0.67;人工神经网络模型的估测精度较高,R2=0.882;将遗传算法引入神经网络之后,模型的估测精度进一步提高,R2达到0.956,将模型预测的结果与克里格内插法相结合对研究区的叶绿素a空间分布情况进行定量估测,发现北湖的叶绿素a浓度明显高于南湖,有由北向南逐渐递减的趋势,这为今后利用高光谱数据对克钦湖叶绿素a浓度大面积遥感反演提供了研究基础。     

YOLO v4框架下Multi-Patch多帧增量式交通视频目标检测

提升目标检测模型的泛化能力是计算机视觉领域的研究热点和关键难点。本文提出了一种Multi-Patch方法和多帧增量式预测策略,提升了不同场景下交通视频目标检测的稳健性,有效解决了目标尺度多变导致的视频中目标召回率低的问题。根据视频分辨率和目标尺寸,基于Multi-Patch方法自动将视频帧分割成最佳输入尺寸,使用YOLO v4神经网络并关联连续帧的上下文信息,采用增量式预测策略降低视频目标检测的漏检率,提升不同场景下视频目标的检测置信度得分和召回率。采集不同拍摄条件下的交通视频,验证该方法的有效性。试验结果表明,本文提出的目标检测方法召回率在80%以上,置信度平均得分在0.84以上。     

路基土干湿类型判定的若干问题浅析

在市政道路工程勘察中,路基土干湿类型的判定结论为道路设计提供了设计依据。本文分析比较了相关规范中关于路基土干湿类型的判定标准,并结合市政道路工程勘察实践,对路基土干湿类型判定中存在的若干问题和注意事项进行了分析总结。     

基于过滤文本和社交网络的用户常驻位置预测

社交用户的文本具有地理差异性,并且社交关系密切的用户之间居住位置更近,因而文本和社交网络均可用于推断用户常驻位置。现有基于文本和社交网络的用户常驻位置预测方法对文本的位置指示性特征挖掘不充分,而用户文本中地名等位置指示信息却提供了最有用的位置信号。因此,本文提出一种基于地理命名实体识别（GER）和图卷积神经网络（GCN）的社交用户位置预测方法。首先,通过地理命名实体识别方法对用户文本进行过滤以凸显位置指示性特征;其次,基于提及关系和关注与被关注关系抽取社交网络;再次,结合社交网络和用户文本内容,采用基于图卷积神经网络的方法进行用户常驻位置预测;最后,将GER-GCN与GCN以及最新研究成果进行比较,并探究该模型的小样本学习能力及其影响因素。基于Geotext数据集和2个微博数据集的实验表明：① GER文本过滤方法可显著提升用户位置预测精度;② 在所有实验中,GER-GCN的预测精度最高,并在基准数据集GeoText上比最新研究成果提升1%~2%;③ 在最小监督的现实场景中,本文印证了GER-GCN模型的小样本学习能力,并发现社交网络质量对其小样本学习能力起到决定性作用。实验结果验证了GER-GCN方法的先进性,且该方法符合社交媒体现实场景的应用需求。     

分形理论在交通网络分布形态研究中的应用

探讨了以分形几何理论为基础的表达空间网络分布特征的几种分维数,重点描述了相似分维数的定义及其地理意义,以实例说明了相似分维数在交通网络分布特征研究中的应用,对测算结果进行了分析和评述。     

路面土质底基层材料干缩试验方法研究

路面土质底基层材料需具有良好的干缩性能,对土质干缩试件的尺寸、试模及测试仪器的设计、试件的制作与养生进行了探讨,论述了干燥收缩试验的机理、测试及计算方法,并列举了干缩试验的实例,提出了一种土质干缩试验方法。