内蒙古锡林郭勒盟牧区雪灾风险评估研究

选取内蒙古锡林郭勒盟与积雪有关的雪灾致灾指标, 以气温、 风速为气象条件孕灾环境指标, 坡度、 植被盖度为下垫面孕灾环境指标, 人口密度、 牧民纯收入、 人均GDP、 牲畜超载率等数据为承灾体脆弱性指标, 基于BP方法、 层次分析法、 建立了内蒙古锡林郭勒盟白灾综合风险评价体系, 并对其进行了风险评价与区划。为提高灾害评估的准确率, 白灾的灾害等级是以月为尺度进行评定, 选取的气象指标多数都是以月为尺度的指标。研究表明： 白灾与积雪因子高度相关, 是气候灾害, 积雪、 低温、 大风等气象因子长期作用的结果。对白灾尝试用BP神经网络法进行风险评估, 评估的灾害等级和实际灾害等级十分吻合, 用训练好的神经网络对各个旗县（1980 - 2015年）的白灾进行了风险评估, 评估效果理想。因此, 可以通过数值预报产品、 气候预测产品获取相关评价因子, 采用BP方法形成白灾风险预评估产品, 进而应用于雪灾风险评估业务中, 为相关部门提供决策依据。     

基于BP神经网络和FEFLOW模型模拟预测多年冻土活动层温度

土壤温度是陆面过程中地-气系统间能量与物质交换的重要参数, 它的动态变化及其对气候变化的响应也是研究陆面过程的关键问题之一。在全球变暖背景下, 研究青藏高原多年冻土活动层土壤热状况动态变化, 对深入了解高原活动层厚度的变化特征及下垫面的热力作用均有重要意义。利用BP神经网络模型, 对青藏高原风火山地区的地表温度进行了模拟, 并利用输出的地表温度驱动FEFLOW模型对研究区活动层不同深度土壤温度进行了模拟。与各深度土壤温度观测值对比发现, 均方根误差介于0.09 ~ 1.78 ℃, 纳什效率系数介于0.86 ~ 0.98, 模拟效果良好。结合BP神经网络模型和FEFLOW模型预测了研究区未来50年活动层热状况的动态变化过程, 结果表明： 在0.02、 0.048、 0.07 ℃·a^-1三种升温情景下, 50年后研究区活动层厚度将分别增加19.4、 51.8、 64.7 cm, 土壤升温幅度随着深度的增加逐渐减小。同时发现, 随着气温不同程度的升高, 土壤开始融化的时间在不断提前, 开始冻结的时间则不断延迟, 这种规律随着土壤深度的增加而减弱, 但不同深度土壤冻融过程对气温升高的响应差异却随着增温速率的增大而逐渐减小。     

基于BP神经网络湖南益阳市滑坡敏感性分析

益阳市是湖南省地质灾害易发区之一,其中滑坡地质灾害占比74.1%。滑坡的敏感性分析通常采用专家知识评价、编录数据评价、滑坡过程物理评价等方法,其评价结果受评价人员水平的影响或评价过程复杂,适用性有限。基于BP神经网络算法,将益阳市338处滑坡以及1∶10 000地质灾害详查得到的307处未滑坡的斜坡调查数据,提取到1个数据库中,利用BP神经网络方法,经过信号正向传播和反向传播的误差逐步修正,研究益阳市滑坡的敏感性影响因子。结果表明,计算模型和滑坡影响因子的重要性从高到低依次为斜坡类型、坡度、坡高、坡顶高程、地层岩性、斜坡结构类型,为滑坡野外识别和防治提供了数据支撑。通过实例分析验证了计算模型的正确性,该计算模型可应用于大批量斜坡稳定性分析。     

无人机高光谱影像分层分类的松材线虫病监测

松材线虫病在秦岭以南传播广、蔓延快,利用遥感技术提取病害松可为疫情防控提供数据支撑。以无人机获取的高分辨率、高光谱数据为基础,捕捉区分病害松与健康松的特征波段,提出一种结合植被指数与小波神经网络的林地分层分类新方法,用于提取病害松树冠图斑。病害松识别结果与实地核查数据对比表明,分层分类结果与实地核查情况基本一致,病害松识别总精度达到89.87%,优于单一使用支持向量机、小波神经网络的分类结果。林地分层分类新方法与传统分类方法相比,分类精度更高,所需的样本更少。无人机高光谱数据信息丰富,病害松、健康松在可见光、近红外范围内均有光谱敏感特征,后续应进行病害松时序光谱监测,进一步研究松材线虫病害影响因子。     

水下航行体远场低频声特征提取鉴别方法综述

针对水下大型航行体的小样本远场低频特征提取与鉴别问题,从3个方面综述了目前国内外小样本低频特征提取与鉴别的传统方法和智能方法。时频域单独、时频域结合和视听感官特征提取的传统方法需要一定的先验知识与假设,易受环境干扰;专家系统、统计类方法和BP神经网络等早期的智能方法存在可移植性差、学习能力差、上限低、梯度消失等问题;深度置信网络（DBN）、卷积神经网络（CNN）、循环神经网络（RNN）、自编码器（AE）神经网络、生成对抗网络（GAN）、迁移学习深度网络等深度智能方法对先验知识依赖度低,可以提取深度不变特征,较其他方法更稳定,识别精度更高,但是也存在依赖数据量、可解释性不足的缺点。未来,传统方法与智能方法更深度的互补融合有望减少当前方法对数据量的依赖,提高深度特征的可解释性。     

基于Siamese卷积神经网络的影像瓦片变化检测技术

针对地理信息变化较快而传统更新方式效率不高的问题,目前许多学者提出了各类变化检测的方法,但这些方法大都是基于影像数据进行试验,对影像预处理要求较高,且检测精度的稳定性较差,受数据源质量影响较大。而天地图、百度地图、谷歌地图等地图中均可免费下载各种级别的影像瓦片,因此本文提出利用天地图影像瓦片进行试验,采用Siamese卷积神经网络（SCNN）和深度学习技术,开发基于SCNN的高精度变化监测算法,以快速发现变化区域,实现地理信息变化信息检测。     

基于BP人工神经网络平潭海域赤潮叶绿素a浓度模型演算研究

以福建平潭海域为研究对象、以叶绿素a浓度为输出指标,根据2009-2018年赤潮期数据规律及2013-2017年海洋监测数据主成分分析结果,对拟构建的BP模型进行输入指标筛选,选定结果包括4个气象因子和4个水质因子。基于此结果,对2013-2017年的698组海洋监测数据中叶绿素a浓度进行归一化处理并进行模型演算,随机选取80%数据作为演算模型的训练样本,其余进行模型验证。通过交叉变换输入指标,寻求最优的输入节点组合,以气温、溶解氧浓度、日照时长指标为输入参数时,BP模型误差较小(均方根误差为0.05μg/L,平均绝对误差为0.03μg/L),演算结果精度较高(可决系数R~2=0.81)。以上结果表明,气温、溶解氧浓度和日照时长对叶绿素a浓度表征效果较好,可为平潭海域以叶绿素a浓度作为判定指标的赤潮预警研究提供参考。     

基于长短时记忆神经网络的辽东湾海冰延伸期预报方法研究

通过合成分析和回归分析,研究了影响辽东湾海冰变化的局地和大尺度环流因子,并基于一种深度学习方法——长短时记忆神经网络(LSTM),建立了辽东湾海冰延伸期预报模型。结果表明,LSTM模型能较好地预报出未来15 d辽东湾海冰的总体发展趋势、浮冰外缘线离岸距离的振荡变化及峰值发生时间等关键特征,1～15 d预报的平均绝对误差为4.1～5.7 n mile~①,均方根误差为5.4～7.5 n mile。LSTM模型的预报时效可达到15 d,较目前海冰数值预报(5～7 d)的时效延长一倍,且运算速度极快,能够节省大量的计算资源和时间成本。该模型的建立为利用深度学习方法开展海洋和气象预报提供了一种新思路。     

基于粒子群算法优化的BP神经网络在海水水质评价中的应用

针对目前存在的海水水质受多因素影响、评价难的现状,提出了一种基于粒子群算法（PSO）优化误差反向传播（BP）神经网络的海水水质评价模型。该模型通过PSO得到BP神经网络最优的权值和阈值,结合青岛东部海域10个监测站点的数据得到水质评价结果。实验证明,该模型和单因子评价、传统的BP神经网络评价相比较,具有训练时间短、预测精度高的特点,在海水水质评价中具有良好的应用价值。     

优选小波函数的小波神经网络预报GPS卫星钟差

为了提高卫星钟差预报的精度,针对小波神经网络(WNN)模型未能根据实际情况选取合适的小波函数的问题,本文提出一种基于"Shannon熵-能量比"的优选小波函数的小波神经网络钟差预报模型。首先利用小波函数对钟差一次差分数据进行连续小波变换,得到变换后的小波系数。然后分别计算小波系数的能量值和Shannon熵值,将"Shannon熵-能量比"(SEE)作为最优小波函数选择的评价指标,以指导选择最适合的小波函数作为WNN模型的激活函数。最后利用优选的WNN模型对卫星钟差进行预报,对预报的结果进行对比分析。结果表明:该评价指标能够根据卫星钟差实际情况准确指导WNN模型选择合适的小波函数,提高WNN模型的预报精度和适用性,使该模型可以实现卫星钟差较高精度的预报。