综合多信息进行地震约束储层随机建模——以准噶尔盆地庄1井区J1S2^2砂组为例

针对地震约束储层随机建模中地震反演波阻抗数据体与岩相概率关系差的问题,提出综合多信息、逐级约束、多级建模的思路方法。首先以地震反演数据体约束建立地球物理特征曲线随机参数场,再以每一个地球物理特征曲线参数场为约束建立相模型,最后以优选的相模型和地球物理特征曲线参数场为约束进行储层参数建模。该方法在井距较大的开发前期评价阶段具有较好的应用效果。     

海南近海野生鞍带石斑鱼群体遗传多样性的RAPD分析

用RAPD技术分析海南近海野生鞍带石斑鱼群体的遗传多样性,从48个随机引物中筛选出20个引物对鞍带石斑鱼的DNA进行扩增,结果共检测出131个位点,其多态位点比例(P)为48.09%;利用RAPDdistance1.04软件获得海南野生鞍带石斑鱼群体21个个体间的遗传距离矩阵,依此计算出个体间平均遗传距离(D)为0.2650,个体间平均遗传相似系数(S)为0.7350;利用POPGENE1.3软件计算出Shannon遗传多样性指数(H0)为0.2266;与其他种类的石斑鱼群体的RAPD分析结果比较可知,海南近海野生鞍带石斑鱼群体仍保持着较丰富的遗传多样性.因此在海南发展鞍带石斑鱼的养殖业,可以选择海南近海的野生鞍带石斑鱼作为亲本进行人工繁殖,但应采取一些有效的保护措施,以避免遗传多样性的丧失.     

具有不同到达率的带有启动时间及不耐烦策略的多级适应性休假M^X/G/1排队

研究了具有不同到达率的带有启动时间及不耐烦策略的多级适应性休假M^X/G/1排队模型,通过嵌入马尔可夫链方法推导出稳态队长的母函数、等待时间的LST（先到先服务规则）,并验证了稳态队长和稳态等待时间具有随机分解性,而且给出了忙期、全忙期及在线期均值。     

同步N-策略多重休假的M/M/C/WV排队

考虑同步N-策略多重休假和工作休假M/M/c排队,简记为M/M/c（N-WV）。在休假期间,服务员并未完全停止工作而是以较低的速率为顾客服务。用拟生灭过程与矩阵几何解方法,给出了系统稳态队长和稳态条件等待时间的分布。此外,也得到了队长和等待时间的条件随机分解结构及附加队长和附加延迟的分布。     

模糊神经网络在GPS高程转换中的应用

介绍了T-S模糊神经网络的基本原理以及如何确定GPS高程转换的模糊神经网络模型,并采用该模型对实测数据进行了计算分析。结果表明,模糊神经网络能够对小区域GPS高程做出比较准确定的拟合,从而能够为GPS高程转换提供一种较好的方法,能够满足实际工程需要。     

《地理空间信息》2009年总目次

<正>~~     

一种基于BP神经网络的空间异常探测方法

空间异常探测旨在发现偏离普遍模式的小部分异常目标.对揭示地理现象潜在的发展变化规律有着重要意义.在现有的空间异常探测方法中,空间邻近域的确定直接影响探测结果的可靠性.为此,在顾及空间数据分布特征的前提下,利用人工神经网络机器学习的优势,发展了面向空间异常探测的BP神经网络结构和学习规则,提出了基于BP神经网络的空间异常探测方法,定义了基于BP神经网络的空间异常度概念,进而探测空间异常.最后,通过3组实际算例验证所提方法的可行性,并分析得出实验结论.     

函数模型与随机模型双约束的GPS-InSAR数据融合方法建立三维形变场

针对InSAR技术研究地表三维形变时监测信息不足的问题,以GPS监测信息为先验信息,建立附有随机模型约束的地表三维形变模型。考虑到SAR卫星极轨方式运行导致LOS向观测量对南北向形变不敏感的问题,以GPS南北向形变观测值作为强约束,构建三维形变解算的函数约束条件。模拟数据与西安地区实测数据的计算结果表明,基于随机模型与函数模型共同约束的地表三维形变参数最小二乘解的精度优于仅有函数模型约束或仅有随机模型约束及无任何约束的参数解精度。     

用随机有限断层方法模拟2016-11-13新西兰Mw7.8地震

在未来大地震发震构造已知的前提下,提出用经验公式确定大地震断层长度、宽度、地震矩和滑动分布等参数,并用随机有限断层方法预测未来大地震。用随机有限断层方法模拟2016-11-13新西兰M_W7.8地震的12个基岩台站地震动时程和反应谱,并用模拟的频谱幅值与记录频谱幅值平均比值确定模拟误差。结果表明,在周期为0~10 s的范围内,模拟误差在0.92~1.08之间,不同频率模拟误差的标准差变化范围不超过1。95%的置信区间宽度随频率无明显变化,模拟结果反映了地震动记录的平均效果。用准随机方法重新获取新西兰大地震断层初始破裂点和位错滑动分布,模拟地震动并计算模拟误差随频率的变化,得到与最初模型相似的结论,从而进一步证实了本文提出的获取震源参数并用随机有限断层方法预测未来大地震的可靠性,且其特别适用于大地震远场模拟。     

中国碳强度关键影响因子的机器学习识别及其演进

碳强度影响因子数量众多,通过在众多因子中评估其重要性以识别出关键影响因子进而解析碳强度关键因子的变化规律,是中国2030年碳强度能否实现比2005年下降60%~65%目标的科学基础。传统的回归分析方法对于评估众多因子的重要性存在多重共线性等问题,而机器学习处理海量数据则具有较好的稳健性等优点。本文从能源结构、产业结构、技术进步和居民消费等方面选取了56个中国碳强度影响因子指标,采用随机森林算法基于信息熵评估了1980-2014年逐年各项因子的重要性,通过指标数量与信息熵的对应关系统一筛选出每年重要性最大的前22个指标作为相应年度关键影响因子,最终依据关键影响因子的变化趋势划分了3个阶段作了演进分析。结果发现：1980-1991年,碳强度的关键因子主要以高耗能产业规模及占比、化石能源占比和技术进步为主;1992-2007年,中国经济进入快车道增长时期,服务业占比和化石能源价格对碳强度的影响作用开始显现,居民传统消费的影响作用在增大;2008年全球金融危机后,中国进入经济结构深化调整时期,节能减排力度大大增强,新能源占比和居民新兴消费的影响作用迅速显现。为实现2030年碳强度下降60%~65%目标,优化能源结构和产业结构,促进技术进步,提倡绿色消费,强化政策调控是未来需要采取的主要措施。