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·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。     

洞庭湖中枯水期水情变化及其驱动因素

为揭示洞庭湖中枯水期水情变化特征及其驱动因素,采用长短期记忆神经网络模拟洞庭湖出湖流量及湖区水位,通过情境模拟开展水情变化归因分析。洞庭湖1992—2019年9—10月出湖流量大幅减少,主要受长江流量降低的影响。洞庭湖中枯水期水位主要呈下降趋势,其中9—10月平均水位在西洞庭湖、南洞庭湖降幅约1 m,在东洞庭湖降幅约2 m。地形变化对中枯水期水位主要起拉低作用,长江和流域四水流量变化在9—10月起拉低作用、在12月至次年3月起抬升作用,其中对东洞庭湖水位的影响相对更为显著。研究结果可为洞庭湖中枯水期水资源管理和湿地保护提供参考。     

利用LSTM网络预测月球物理天平动参数

利用中国探月甚长基线干涉测量(very long baseline interferometry, VLBI)观测数据改进月球物理天平动参数的预测精度,对于着陆器和巡视器的精密定位具有重要意义。利用VLBI单点定位模型解算得到“嫦娥三号”(Chang’E-3,CE-3)着陆器的坐标和物理天平动,分别采用循环神经网络(recursive neural network,RNN)和长短期记忆(long-short term memory,LSTM)网络进行物理天平动的预测。选取月球着陆器的坐标和VLBI观测量作为输入量,将3个欧拉角Ω,i,μ作为输出量,将11 323个样本用于训练,2 315个样本用于测试,2 315个样本用于验证,1 000个样本用作与预测结果进行对比。结果显示,验证集的数据经过1 000次训练和9次迭代训练后的梯度约为6.2×10^-5(″)/s,证明了LSTM网络与RNN的可靠性。LSTM网络和RNN的3个欧拉角的预测精度分别达到了97.8%、99.7%、97.2%和95.2%、98.5%、95.8%,LSTM网络的预测精度更高。与DE421星历对...     

基于通道域注意力卷积神经网络的遥感影像高尔夫球场提取

针对高尔夫球场目标大、场景复杂等引起的难以完整准确提取问题,构建了EfficientNetB3+UNet网络,引入通道域注意力模块,设计了大尺寸样本训练策略,并对模型进行了对比实验分析和应用。实验结果表明,所提方法的mIoU精度为0.948 7,明显高于非通道域注意力模型（mIoU为0.884 8）和小尺寸模型（mIoU为0.601 4）,有效提升了高尔夫球场提取的完整性和准确性,显著降低了自然植被、水域等复杂内部场景和球场边缘混合场景等导致的漏提和误提现象。同时,在北京、上海、广州和深圳四地的高尔夫球场提取应用中,模型召回率均优于90%,具有良好的应用价值。     

基于极限学习自编码器的水声信号目标识别方法

传统的机器学习方法在特征提取时容易受到主观经验的影响,导致对水声信号目标的识别准确率不高。而一般深度学习算法模型较复杂,通常具有训练耗时、计算复杂度高等缺点。极限学习自编码器具有很强的非线性处理能力,适合针对具有非线性特点的水声信号目标的识别,而且模型具有学习速度快,泛化能力强等显著优势。将极限学习自编码器算法应用于水声信号目标识别中,并与卷积神经网络、自编码器和极限学习机识别方法进行对比,结果表明：提出的方法对水声信号目标识别的准确率最优,且训练时间较短。     

基于灰色关联分析与RBF神经网络的水面蒸发量预测

利用灰色关联度法分析了影响水面蒸发量的主要气象因素,并通过RBF神经网络建立了水面蒸发量的经验预测模型.计算结果表明,所建立的模型简单易行,精度较高,可以应用于生产实践中.     

基于BP神经网络与数学形态学的彩色地质图面要素信息智能提取

地质图是一个区域地质研究的重要成果,也是前人留下的宝贵资料,更融合了地质专家的丰富知识。本研究的目的是通过新的思路将彩色地质图信息提取出来,使其结果能直接进行数据分析,并用于决策和分析。以机器学习为指导,在分析半结构化（栅格）地质图特征的基础上,根据图例信息,提出一种彩色地质图信息提取新思路,对彩色地质图进行分层信息提取,并结合数学形态学和多层前向反馈式神经网络,探索半结构化数据转换为结构数据的有效技术方法。利用图像信息提取技术将半结构化地质图转化为结构化数据,可用于成矿预测等研究。这一变化将改变传统地质数据的结构,地质研究的信息基础和来源将会增加,对于获取更多的数据源和信息源,进一步开展地质分析研究具有重要意义。     

基于广义回归神经网络的砂土液化综合判别方法

基于厦门地区大量钻孔试验数据,分别采用规范法和Seed法对该区饱和砂土进行液化判别。然后选取二者判别结果相同的数据作为训练和测试样本,运用广义回归神经网络,对二者判别结果分歧的钻孔数据进行二次判别。结果表明:广义回归神经网络性能良好,预测准确度高。此外,这种综合判别方法也提高了饱和砂土液化判别的准确度,并为其他地区饱和砂土的液化判别研究提供借鉴和参考。     

盆地基底岩性的综合地球物理预测方法——以松辽盆地滨北地区基底岩性预测为例

预测盆地基岩岩性不仅对于研究盆地的深部地质结构及盆地的形成演化具有重要的意义,而且也对基岩风化壳油气藏的勘探具有一定的指导作用.本文通过对盆地重、磁异常成因的综合分析,提出了一系列盆地基底岩性综合预测研究的综合地球物理资料处理解释方法技术.指出在地震构造界面的约束下采用重力剥皮技术可以较为可靠地获取基底岩性重力异常并分析了界面密度差对剥皮后基底岩性重力异常的影响,给出了等效密度差的求取方法.分析了基底起伏对基岩岩性磁异常的影响,指出采用"平化曲"将磁异常归化到与基底同一高度,可以有效地提高对基底岩性体的刻画能力.通过综合分析认为:应用基底的相对视密度、相对视磁化率及两者的相关系数可以有效地刻画基底岩性的特征.神经网络是基底岩性判别与分类的有效方法技术.通过对松辽盆地北部滨北地区的基底岩性的综合预测显示了本文系列预测基底岩性方法的有效性,预测结果反映了松辽盆地基底岩性的分布特征.该系列方法技术可为其他盆地的基底地质填图提供了可借鉴的综合预测方法技术.     

正则化偏移成像的全局优化快速算法

目前,偏移后的地震剖面往往只是一个地质构造图像,还不能为后续的岩性分析和油气储层属性的提取提供更精确的信息.为了得到高分辨率真振幅的图像,建议采用正则化偏移成像方法.针对本问题数据规模大和正演算子矩阵稀疏的特点,提出采用一种新的算法——无记忆拟牛顿-模拟退火法对偏移算子方程进行求解.该方法综合了无记忆拟牛顿法优良的局部搜索能力以及模拟退火法的全局最优性质.用该方法得到的全局最优解不仅成像位置正确,还能提供更准确的振幅及其他属性信息.通过理论模型试算和实际资料处理,表明在正演算子准确的情况下,该方法能减弱Kirchhoff偏移的假象,得出接近真实的反射系数分布.因此,该方法在地震成像方面是有实际应用前景的.