确定坡面径流过程曼宁糙率系数的实验方法研究

曼宁糙率系数是用水动力学方法进行流速计算的关键参数。坡面流曼宁糙率系数与明渠流的不同。为确定坡面径流过程的曼宁糙率系数,自行研发了一种包括供水系统、实验水槽和数据观测记录系统的室内可变糙率坡面实验系统。通过87场预实验验证了供水系统的稳定性和准确性。以坡度、实测流量、实测水深、不同糙率板上河砂的平均直径和地表粗糙度为自变量,以曼宁糙率系数为因变量,选用均方根误差(RMSE)和决定系数(R ²)为评价指标,对166种实验场景进行了支持向量机(Support Vector Machines, SVM)训练与预测,发现：① 紊流的训练结果难以预测层流和过渡流的曼宁糙率系数,说明流态不同时,实验因素对水流的影响机制不同;② 若要较为准确地预测曼宁糙率系数,至少需要包括实测水深在内的3种因素;③ 当同时考虑4种及更多种因素时,紊流状态下均可对曼宁糙率系数进行较为准确的预测。     

基于SVM的海浪要素预测试验研究

采用支持向量机对海浪要素中的有效波高进行预测,采用风场和波浪场作为学习要素,对比不同特征向量对有效波高预测结果的准确度。取台湾岛东部海区作为实验区域,使用NCEP再分析的数值模式数据作为学习样本。选用支持向量分类机,建立了4组不同特征向量的模型进行海浪有效波高的预测,并对4种模型的结果进行比较和分析。实验表明,当输入的特征向量过多或过少时,会对模型的预测结果和计算效率产生不同的影响。当使用风场和波浪场共同作为特征向量进行学习时,在该区域预测结果与模式预报结果相比更接近,相关系数将近99%,均方根误差约0.2 m。     

省级基础地理信息快速更新方法研究

传统省级基础地理信息更新模式,无法保证数据的现势性,直接影响其使用价值和使用范围,因此本文研究了一种省级基础地理信息快速更新方法。首先利用互联网地理分析、影像和矢量数据变化检测等技术实现变化地理信息的快速发现;接着通过无人机遥感测量系统、车载移动测量系统、内外业一体化采集平台等实施变化地理信息的快速采集;最后根据增量信息形成新的现势数据库和历史数据库。实施成果表明,该技术可以灵活地应用于特定要素或指定区域信息的快速更新,对于推进省级基础地理信息数据快速更新机制的完善具有重要作用。     

基于三种机器学习算法的山洪灾害风险评价

依据洪灾风险概念模型,从触发因子、孕灾环境和承灾体3方面选取江西省的12个洪灾风险指标,采用k近邻、随机森林、AdaBoost 3种机器学习算法构建洪灾风险评价模型。利用精度、Kappa系数、ROC曲线（AUC值）3种定量评估指标评价洪灾风险模型,基于随机森林和Boruta特征提取算法共同分析指标重要性,最后对比3种模型绘制的江西省山洪灾害风险分区图并分析山洪灾害分布特征。结果表明：① AdaBoost模型的精度、Kappa系数和AUC值的平均值为别为0.902、0.870和0.826,精度和Kappa系数略优于随机森林,AUC值与随机森林相当,而k近邻模型的3种性能指标均低于前2种算法;② 农田生产潜力、年最大6 h暴雨均值、年最大1 h暴雨均值、归一化差值植被指数、年降雨量均值这5个指标对最终的洪灾风险形成具有非常重要作用;③ 江西省较高风险区与最高风险区的面积和约占江西省总面积的34.4%,且主要分布于高降雨量、高暴雨量、农田生产潜力大的山区。     

经验模态分解和最小二乘支持向量机在大坝变形预测中的应用

由于受到温度、雨水冲刷等外在因素的影响,大坝变形时间序列数据会呈现出非线性和非平稳的曲线特性。为此,提出一种经验模态分解(EMD)和最小二乘支持向量机(LSSVM)相结合的大坝变形预测模型。首先,使用EMD对大坝变形时间序列数据分解成若干个不同尺度的本征模式分量(IMF);然后,利用LSSVM模型对各个IMF进行预测;最后,对预测的结果相加得到大坝变形预测值。以吉林市丰满大坝为算例,构建EMD-LSSVM预测模型,并与LSSVM模型对比分析,结果表明,EMD-LSSVM模型预测效果更好,精度更高,具有更好的实用型。     

地理大数据挖掘的本质

针对地理大数据的内在本质以及地理大数据挖掘对于地理学研究的意义,本文解释了地理大数据的含义,并在大数据“5V”特征的基础上提出了粒度、广度、密度、偏度和精度等“5度”的特征,揭示了地理大数据的本质特点。在此基础上,从地理大数据的表达方式、地理大数据挖掘的目标、地理模式的叠加与尺度性、地理大数据挖掘与地理学的关系等4个方面阐述了地理大数据挖掘的本质与作用,并从挖掘目标的角度对地理大数据挖掘方法进行分类。未来地理大数据挖掘的研究将面临地理大数据的聚合、挖掘结果的有效性评价以及发现有价值的知识而非常识等几方面的挑战。     

Evaluation and comparison of LogitBoost Ensemble,Fisher’s Linear Discriminant Analysis,logistic regression and support vector machines methods for landslide susceptibility mapping

The purpose of this study was to investigate and compare the capabilities of four machine learning methods namely LogitBoost Ensemble (LBE), Fisher’s Linear Discriminate Analysis (FLDA), Logistic Regression (LR) and Support Vector Machines (SVM) to select the best method for landslide susceptibility mapping. A part of landslide prone area of Tehri Garhwal district of Uttarakhand state, India, was selected as a case study. Validation of models was carried out using statistical analysis, the chi square test and the Receiver Operating Characteristic (ROC) curve. Result analysis shows that the LBE has the highest prediction ability (AUC = 0.972) for landslide susceptibility mapping, followed by the SVM (0.945), the LR (0.873) and the FLDA (0.870), respectively. Therefore, the LBE is the best and a promising method in comparison to other three models for landslide susceptibility mapping.     

中国珊瑚礁资源状况及其药用研究调查 Ⅲ.民间药用与药物研究状况

对中国珊瑚药用状况和研究现状进行了调查.结果表明,中国有造礁石珊瑚、柳珊瑚、软珊瑚等珊瑚物种 490 种,民间药用的仅有22种.目前,已经对100种南海软珊瑚和柳珊瑚进行了化学成分的研究.其中,软珊瑚以豆荚软珊瑚Lobophytum,肉芝软珊瑚Sarcophyton,短指软珊瑚Sinularia,柔荑软珊瑚Nephthea和异花软珊瑚Xenia等属研究较多,柳珊瑚以小月柳珊瑚Menella,竹节柳珊瑚Isis和灯芯柳珊瑚Junceella等属研究较多.主要化合物结构类型包括二萜、甾体、倍半萜,含氮化合物等,其中部分化合物显示较强的抗肿瘤、抗菌、抗氧化、防生物附着等多种生物活性,具有潜在的药物开发应用价值.     

Comparative study of multilayer perceptron-stochastic gradient descent and gradient boosted trees for predicting daily suspended sediment load: The case study of the Mississippi River,U.S.

Monitoring sediment transport is essential for managing and maintaining rivers.Estimation of the sediment load in rivers is fundamental for the study of sediment movement,erosion,and flood control.In the current study,three machine learning models-multi-layer perceptron(MLP),multi-layer perceptron-stochastic gradient descent(MLP-SGD),and gradient boosted tree(GBT)-were utilized to estimate the suspended sediment load(SSL)at the St.Louis(SL)and Chester(CH)stations on the Mississippi River,U.S.Four evaluation criteria including the Correlation Coefficient(CC),Nash Sutcliffe Efficiency(NSE),Scatter Index(SI),and Willmott’s Index(WI)were utilized to evaluate the performance of the used models.A sensitivity analysis of the models to the input variables revealed that the current day discharge variable had the most effect on the SSL at both stations,but in the absence of current-day discharge data(Qt),a combination of input parameters including SSL_t-3,SSL_t-2,SSL_t-1,Q_t-3,Q_t-2,Q_t-1 can be used to estimate the SSL.The comparative outcomes indicated the high accuracy of MLP-SGD-5 model with a CC of 0.983,SI of 0.254,WI of 0.991,and NSE of 0.967 at station CH and the MLP-SGD-6 model with a CC of 0.933,SI of 0.576,WI of 0.961,and NSE of 0.867,respectively,at station SL.The results of MLP models were improved by SGD optimization.Therefore,the MLP-SGD method is recommended as the most accurate model for SSL estimation.     

西藏喜马拉雅成矿带东段嘎波伟晶岩型锂矿的发现及其意义

库拉岗日穹窿位于西藏喜马拉雅成矿带的东段,北邻拉隆穹窿。通过1∶5万矿产地质填图和稀疏地表工程控制,在库拉岗日穹窿东部的嘎波地区新评价一处伟晶岩型锂矿。含矿锂辉石伟晶岩脉整体上顺层出露在穹窿滑脱系大理岩中,单条脉长1~1 200 m不等、宽0.8~40 m不等,主要含锂矿物有锂辉石、锂电气石和锂云母等。目前通过5个地表工程控制识别出2条主要矿化带,其中Ⅰ号矿化带长约2 km,圈出主矿体2条(K₁、K₂), Ⅱ号矿化带长约700 m,圈出主矿体1条(K₃)。K₁矿体长约1 200 m,厚5~40 m,平均约20 m。K₂和K₃矿体呈大透镜状产出,走向延伸>100~600 m,厚15~50 m,其中K₂矿体总厚度45.3 m,Li₂O平均品位为1.11%、Rb₂O平均品位为0.064%、BeO平均品位为0.047%。新发现的嘎波锂矿以锂为主,共生铍、铷,伴生铌、钽、铯、钨、锡等有益组分,初步分析有望达到大型规模,进一步找矿潜力巨大。嘎波锂矿的发现是喜马拉雅成矿带稀有金属找矿取得的又一重大突破,对深入认识喜马拉雅新生代构造-岩浆演化与稀有金属成矿作用,进一步丰富和完善青藏高原南部碰撞造山与成矿理论具有十分重要的指导意义。