轨道误差对InSAR相位影响的BP神经网络去除法

针对用二次多项式法去除轨道误差对InSAR相位影响时,须对干涉相位其他项分布性质作假设,且自身存在一定的模型缺陷的问题,该文提出用BP神经网络去除轨道误差对InSAR相位影响的方法。研究表明:BP神经网络法在使用时无须对干涉相位其他项分布性质作假设,模型更优。模拟实验中,轨道误差相位拟合残差更小;真实数据实验中,纠正后非形变区相位集中在零值附近,且波动趋势更为平稳。该方法一定程度上降低了传统二次多项式法的应用局限性。     

基于卷积神经网络的建筑物精细化提取

现有图像分割方法往往受图像模糊和噪声的影响,提取的轮廓不准确。为了提取建筑物的精确轮廓,提出了一种基于卷积神经网络的集成方法,包括建筑物定位、形状判断、形状匹配等步骤。实验证明,无论是对DSM图像还是多光谱影像,该方法都能获得精确的建筑物轮廓。     

结合地形改正的神经网络算法在GNSS跨河高程传递中的应用

GNSS测量可以同时获得相对精度较高的三维坐标,是现代工程中重要的控制网布设手段。但GNSS观测数据只被用来布设平面控制网,高程数据并没有被充分利用。本文将神经网络算法和地形改正相结合,建立高程异常拟合模型,目的是充分利用GNSS的高程观测数据,在水准测量困难地区提高效率。     

使用长短期记忆人工神经网络进行花岗岩变形破坏阶段的判别

判别岩石所处的变形破坏阶段是分析岩石变化过程的重要基础。由于室内试验视频数据具有很好的等时距分布特征,可以使用基于长短期记忆的神经网络（LSTM-NN）模型判别外荷作用下岩石的变形破坏阶段。本文根据花岗岩室内单轴压缩试验所得应力-应变曲线和试验视频图像中裂隙的分布情况,将岩石变形破坏过程分成岩石压密阶段、弹性变形阶段、裂隙扩展阶段、整体破坏阶段,在提取不同阶段不同组分主要数字特征参数（面积）基础上,建立了基于LSTM-NN模型的岩石变形破坏阶段分类网络,分析了模型主要参数（学习率和最大周期等）对分类准确性的影响,使用所建模型对岩石所处变形破坏阶段进行了判别。结果表明,在LSTM-NN模型参数中,学习率和最大周期对变形破坏阶段判别准确率的影响较大,二者分别为0.005和200时的判别准确率达到最高;对于整个变形破坏阶段来说,LSTM-NN模型对裂隙扩展阶段预测的判别效果最好、对整体破坏阶段预测的判别效果最差;对于花岗岩中不同组分来说,LSTM-NN模型对变形破坏阶段预测准确性高低的顺序是裂隙、黑云母、长石、石英。     

长江中游荆江段非均匀悬沙恢复饱和系数

三峡工程运行后,长江中游荆江河段含沙量大幅度降低,次饱和水流冲刷河床使含沙量在沿程逐渐恢复,但其恢复特点由于沿程床沙组成差异而有所不同。本文基于Markov随机过程及泥沙起动理论,推导非均匀悬沙的泥沙落距表达式;结合悬移质扩散理论,修正非均匀悬沙恢复饱和系数公式。在此基础上,基于荆江河段实测输沙过程,提出考虑床沙组成影响的分组悬沙恢复饱和系数计算方法;该方法主要与泥沙粒径、悬浮指标、床沙组成及止滚概率、止悬概率等因素有关,无需考虑非饱和调整系数的影响。计算结果表明:①不考虑床沙组成时,沙市、监利站恢复饱和系数计算值均在区间0.12~0.27内变化,而考虑床沙组成时分别为0.000 3~0.171 8和0.003 5~0.157 9。②不考虑床沙组成时,分组悬沙恢复饱和系数计算值细沙>中沙>粗沙;考虑床沙组成时细沙 < 中沙 < 粗沙;除落水期外,沙市站粗沙的恢复速度均大于监利站。③沙市、监利站恢复饱和系数在各计算时段的变化过程对悬沙分组具有敏感性,其中洪水期恢复饱和系数大于枯水期、涨水期和落水期。采用河床变形方程反算分组悬沙恢复饱和系数,并与本文计算结果进行对比;通过比较分析,本文公式能够用于描述荆江河段分组悬沙恢复特性,可为三峡工程下游非均匀悬沙沿程恢复过程研究提供参考。     

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。     

随机森林模型预测岩溶区酸性煤矿井水锰污染

酸性煤矿井水严重威胁地下水的水质。如何更有效对受影响区域的地下水源进行动态监测是当前的一个关键问题。采用随机森林中的回归模型,利用自变量(采空区水位、岩溶水位、pH值、泉水流量、电导率)和因变量(污染离子浓度)的相关性,建立回归模型;使用测试数据进行误差分析,结果证明模型准度较高,所得预测值具有参考价值;得出各自变量对因变量影响的重要程度,分析结果与实际情况相符合。试验表明,随机森林回归模型在酸性煤矿井水污染预测方面具有适用性,可作为辅助手段监测水质污染情况,对今后工作有一定的指导意义和经济价值。     

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。     

GRAPES全球集合预报系统模式扰动随机动能补偿方案初步探究

为了体现次网格尺度能量升尺度转换过程中存在的不确定性, 文中将随机动能补偿(Stochastic Kinetic Energy Backscatter, SKEB)方案应用于GRAPES(Global/Regional Assimilation and Prediction System)全球集合预报系统(GRAPES-GEPS), 以更好地表征模式误差并且增大集合离散度。使用的SKEB方案基于具有一定时、空相关特征的随机型以及由数值扩散导致的局地动能耗散率来构造随机流函数强迫。并根据流函数与水平风速旋转分量的关系, 将SKEB方案中的流函数强迫转化为适用于GRAPES全球模式的水平风速扰动。结果表明, SKEB方案的使用一方面能够提高GRAPES对大气动能谱的模拟能力; 另一方面能够改善GRAPES-GEPS的集合离散度与集合平均误差的关系, 增加了集合离散度, 并在一定程度上减小了集合平均误差, 尤其是在热带地区这种改进更为显著。而且该方案使得热带地区连续分级概率评分(CRPS评分)显著减小。就降水预报而言, 从Brier评分与相对作用特征面积(AROC, Area under the Relative Operating Characteristics)的结果来看, SKEB方案有助于改善中国地区小雨[0.1 mm, 10 mm)、中雨[10 mm, 25 mm)与大雨[25 mm, 50 mm)量级降水的概率预报技巧, 而对暴雨[50 mm, ∞)量级降水预报技巧影响很小(24 h降水量)。总体上, 模式扰动随机动能补偿方案提高了GRAPES-GEPS的概率预报技巧。