梅雨降水季节预测的多方法比较

基于1961—2000年逐月降水观测资料和全球大气再分析资料,分析了6—7月长江中下游(108°～123°E,27°～33°N)梅雨的时空分布特征。通过观测诊断和数值试验确定了影响梅雨异常偏多的3个前期因子:4—5月平均的西北太平洋海平面气压正异常;3月至5月北大西洋海平面气压负变压倾向;1月至4月西伯利亚的2 m温度负倾向。利用这3个具有物理意义的影响因子构建了梅雨季节预测模型,该模型在训练期(1961—2000年)和独立预测期(2001—2022年)均具有显著的预测技巧(相关系数分别为0.79和0.77,均方根误差分别为0.59和0.68)。同时,基于相似的潜在预测因子,对比了利用偏最小二乘回归方法和5种机器学习方法(随机森林、轻量级梯度提升机、自适应提升、类别型特征提升、极端梯度提升)建立的预测模型的技巧。虽然训练期(1961—2000年)偏最小二乘回归和机器学习建模拟合效果更高,但在独立预测期(2001—2022年)上述模型的预测技巧显著降低(相关系数均低于0.44,均方根误差均大于0.93),出现了明显的过拟合问题。本研究强调梅雨的短期气候预测应建立在物理机制基础之上,而使用机器学习方法需谨慎。     

基于双隐层ANN模型的叶绿素a浓度智能预报方法

利用2019年5月WZ02生态浮标监测数据,建立了两种不同隐层人工神经网络(ANN)模型的叶绿素a(Chl-a)智能预报方法,并对单隐层和双隐层模型的预测结果做了对比.结果表明:双隐层结构预测结果精度更高,泛化能力更强,一定程度上说明了深层学习比浅层学习对信息的主要特征提取能力更有优势.同时,对数据样本集合进行了系统预...     

雷达-雨量计联合估测区域降水量方法研究Ⅰ——模式集成法的提出

天气雷达估测区域降水量是其应用研究的重要领域,不断研究改进雷达估测区域降水量精度和稳定度是雷达气象工作的重要目标。文章回顾了集合预报理论基础及其发展概况,总结分析集合预报方法、产品表现形式等。对前期雷达估测区域降水量的8种方法,从基本原理和特点等方面进行了系统分析。对该理论在雷达估测区域降水领域的适用性进行了分析,阐述了集合预报理论在该领域应用的概念模型,并提出了两种集成估测区域降水量的新方法,为下一步的应用研究提供了理论支撑。     

全球-地方联结与产业集群的技术学习--以河南许昌发制品产业为例

以产业区理论、管制理论和全球生产网络理论为基础,以学习创新为核心,构建了一个融生产体系与社会生产体制、制度与协调机制、地方生产网络、全球生产网络“四位一体”的学习型产业区分析框架;运用该框架,以河南许昌发制品产业集群为案例,研究了全球-地方网络联结的方式、动态及其对技术学习的影响。研究发现,通过全球与地方生产网络的建构和有机联结,传统产业集群的技术学习是可以从“低端道路”迈向“高端道路”的,发展学习型产业区应作为我国经济发展与技术创新的一项重大战略和政策。     

基于深度学习的目标检测定位系统设计与实现

针对传统遥感影像目标检测方法效率不高,并且无有效手段对检测信息进行管理利用的问题,提出了在B/S构架下基于深度学习的目标检测及定位方法。通过集成深度学习框架、WebGIS以及数据库,实现了集遥感影像目标检测、展示及管理于一体的目标检测定位系统,满足多用户基于前端浏览器的并发目标检测需求。利用网格划分策略,实现了基于前端的大区域范围的目标快速检测。基于某机场飞机目标及某城市区域运动场目标检测结果表明:本文设计的目标检测定位系统能够在前端实现目标快速检测定位,具有较高检测精度,并可有效管理检测信息,为深度学习循环再利用提供数据支撑。     

基于深度学习理论的无人机影像分类

针对无人机影像深度学习分类方法缺乏现状,本文利用深度学习理论卷积神经网络方法对无人机影像进行了分类。该法首先抽取无人机影像作为训练集和检验集,然后建立一个2个卷积层-池化层的卷积神经网络模型进行深度学习,通过设定参数并运行模型实现无人机影像分类。实验表明,本文提出的方法可完成较复杂地区无人机影像分类,其分类精度与支持向量机方法相当,为无人机遥感影像分类提供了一个崭新的技术视点。     

复杂卫星图像中的小目标船舶识别

船舶作为海上的重要目标,实现对船舶自动识别有重要的意义。针对卫星图像中云雾、海岸背景等复杂海情对船舶识别带来的干扰,以及小目标船舶高漏检率问题,本文提出一种多尺度深度学习模型训练策略,在此基础上构建了一种船舶识别的深度学习网络,该网络可分为多尺度训练、特征提取、生成目标建议区域、船舶分类这4个部分。首先,采用多尺度的训练策略,将多尺度的船舶样本送入网络中进行训练,这样在训练样本中加入了大量小目标船舶的样本,使网络充分提取到小目标船舶的特征;其次,通过卷积神经网络对目标船舶进行特征自适应提取;然后,目标区域建议网络可依据卷积神经网络提取到的特征,在图像中找到感兴趣目标区域,即框定船舶的位置;最后,通过多个全连接层的组合,将高维特征映射到一个4元组中,再运用分类函数输出每一类船舶的概率值,概率值最大的则为该船舶的类别。同时为解决云雾遮挡和海岸背景的干扰,采用了一种负样本增强学习的方法,在样本数据集中加入了大量只含有云雾和海岸背景的图片,进行负样本扩充,增强网络模型对云雾及海岸背景的特征学习能力,以此解决复杂海情的影响。实验结果表明,所提方法有效解决了复杂海情条件下的船舶识别难,以及小目标船舶识别难的问题,实现了复杂海情条件下的船舶识别。同时,与现有成熟的深度学习目标识别算法相比,本文算法的精确度和召回率分别提升了6.98%和18.17%,所训练的模型具有良好的泛化能力和鲁棒性。     

社交媒体数据在自然灾害应急管理中的应用研究综述

社交媒体是灾害应急管理的一个新兴但尚未充分利用的大数据源。然而,社交媒体数据在灾害应急管理中能发挥什么作用,目前国内的研究较少,而国外的研究亦较为分散,相关应用受限。论文对国内外利用社交媒体数据进行灾害管理相关研究进行了综述,归纳出社交媒体数据在灾害应急管理中应用的潜力、优势和问题。结果发现：① 社交媒体数据含有丰富的灾害信息,能够依靠态势感知和信息共享支持灾害预警、实时监测、损失和救助需求评估、协助快速应急响应以及预测可能的灾害风险等灾害管理工作;② 社交媒体数据的优势在于能保证灾害信息的实时性和连续性,进而提供致灾强度图、损失预测和舆情分析等结果服务于灾害应急管理;③ 地理位置信息有限、专业语料库缺乏、信息噪声处理的复杂性等原因使社交媒体数据分析结果精度受限。如何发挥社交媒体数据社会感知的优势,以弥补传统观测调查手段的不足,更加科学应对灾害应急,仍需要在社交媒体数据处理及多源数据融合分析技术方面取得突破。     

青岛近海大型水母漂移集合预测方法研究

考虑水母垂直运动等自主运动,基于集合预报和拉格朗日粒子追踪方法,建立青岛近海大型水母的集合漂移预测模型。并利用2012—2013年青岛近海水母实时监测数据和集合漂移预测模型,快速预测水母集合漂移轨迹、速度、趋势和可能影响范围等要素。通过分析水母监测数据和数值模拟结果,在水母如何自主运动及其机理尚不十分清楚的情况下,多轨迹漂移预测结果比单轨迹的更合理、科学、可信,能够传达更多的信息量,对水母灾害的应急处置更具有指导意义。