论变化环境下流域管理的知识创新

提出全球气候变化与世界社会经济动荡等变化环境下流域可持续发展的科学内涵、制约因素以及解决途径。以自然与社会协同进化的复杂系统作为变化环境下流域概念的抽象表征,以科研能力与管理能力作为流域可持续发展的重要影响因素,以流域管理中科学研究与管理实践的相互作用机理为出发点,分析当前流域管理中科学研究与管理实践的种种错位,提出适应变化环境的流域管理知识创新机制,为提高流域科研水平、充分发挥科学在流域可持续发展中的作用提供理论支撑。     

Comparison of daily streamflow forecasts using extreme learning machines and the random forest method

ABSTRACT

Daily streamflow forecasting is a challenging and essential task for water resource management. The main goal of this study was to compare the accuracy of five data-driven models: extreme learning machine (basic ELM), extreme learning machine with kernels (ELM-kernel), random forest (RF), back-propagation neural network (BPNN) and support vector machine (SVR). The results show that the ELM-kernel model provided a superior alternative to the other models, and the basic ELM model had the poorest performance. To further evaluate the predictive capacities of the five models, the estimations of low flow and high flow in the testing dataset were compared. The RF model was slightly superior to the other models in predicting the peak flows, and the ELM-kernel model showed the highest prediction precision of low flows. There was no single model that showed obvious advantages over the other models in this study. Therefore, further exploration is required for the hydrological forecasting problems.     

基于投影寻踪学习网络算法的植物群落高分遥感分类研究

传统的植物群落调查方法主要是野外样地调查和抽样统计,其对于地形复杂的区域难以做到对数据的全面调查;将遥感技术应用于植物群落调查,可实现数据的全面获取,以及对植物群落的快速分类。在深圳市植物群落野外样地调查的基础上,本文应用高分辨率Pléiades影像,结合光谱、地形及纹理信息,采用投影寻踪学习网络的方法,实现了深圳市东部地区植物分类。在实验中,选取人工林和次生林中典型群落样本,将投影寻踪与学习网络算法结合应用于植被分类,通过分类结果与经典监督分类方法比较表明,该算法应用于植物群落分类是可行的;并且该算法分类精度高,更新速度快,能满足深圳市重点项目基本生态控制线专项调查的要求。     

基于支持向量机的非线性AVO反演

本文提出了一种新的AVO非线性反演方法,即利用支持向量机来求解AVO非线性反演问题.文中先对支持向量机的原理进行了阐述,然后建立了适合AVO反演的支持向量机模型.最后利用该方法对模型数据和实际资料进行了反演计算,反演结果表明,该方法在没有牺牲反演效果的情况下较好的解决了传统反演方法所具有的局限性,可以直接从合成记录中提取地层的弹性参数,反演速度快、稳定性好.     

城市建成环境存量的空间计算：进展及展望

城市建成环境是人类赖以生存的人造环境,城市建成环境存量是指城市中建筑物和基础设施的材料质量。反演城市建成环境存量的空间分布,是数字城市建设的新方向,它能够帮助我们了解城市发展模式,更加有效管理城市资源和废弃物等,对发展城市循环经济、实现城市的可持续发展有着十分重要的意义。本文详细介绍了城市建成环境存量空间计算的3种方法（自上而下、自下而上和遥感计算方法）的理论基础和发展现状,总结了目前的几中方法都存在着过度依赖统计数据、无法兼顾研究区域大尺度和高空间分辨率等问题。在地理大数据时代,更多的数据源为存量的计算带来了新的研究方向。本文总结了新数据源的优势,并展望了结合地理大数据和机器学习方法的存量计算方法,为城市建成环境存量的空间计算提供了一种新的思路。     

基于多尺度卷积神经网络的结构损伤识别研究

为了利用结构振动响应的时间多尺度特征来提升卷积神经网络识别结构损伤的能力,给出了两种用于结构损伤识别的多尺度卷积神经网络,即多尺度输入和多尺度卷积核卷积神经网络.对于多尺度输入卷积神经网络,将通过下采样和滑动平均获取的具有不同时间尺度特征的振动信号输入固定尺寸卷积核的分支卷积神经网络;对于多尺度卷积核卷积神经网络,则将...     

BP神经网络在图像字符识别中的改进和应用

传统BP神经网络算法虽然具有良好的学习能力和容错能力,但是收敛速度慢,易陷入局部极小点等缺点制约了它的进一步发展和应用.针对这些不足,采用自适应学习率结合附加动量因子的方法可以有效缩短训练时间,加快收敛速度,同时抑制寻优算法陷入局部极小点.将该算法应用于图像字符识别系统中,通过一系列实验优化系统参数之后给出系统识别结果,表明该系统识别具有较高的准确性和鲁棒性.     

大数据开创地学研究新途径:查明相关关系,增强研究可行性

人类已经进入大数据时代,大数据研究的思想、方法在地学领域也备受关注。笔者认为,大数据研究的对象是数据,研究的工具是计算机,研究的方法、手段是查明数据间相关关系,研究的特点是取向高概率做出决策。大数据是通过对大量数据的挖掘,查明数据间的相关关系,研究问题并做出正确决策的思想、方法。本文提出大数据是应用“归纳法”开展科学研究的思想、方法,以及高性能计算机和大数据计算技术使“归纳法”得以升华的观点。文章通过对统计学、机器学习算法的深入探讨,得出大数据将改变人们对自然的理解和认知方式,改变科学研究的思想和方法,改变长期以来人们通过查找因果关系开展科学研究的习惯。大数据必将开创一条跨越复杂的因果关系、直接获得研究结果的全新的科学研究途径。随着数据爆发式增长,随着高性能计算机的普及和计算技术的迅猛发展,统计分析方法将很大程度地突破数据体量的限制,统计分析预测模型以其真实可靠的处理结果、对条件和结果良好的解释能力、结合机器学习算法对半结构化与非结构化数据的处理优势,将推动地质科学进入定量化研究的新高度。     

基于机器学习的三维矿产定量预测——以四川拉拉铜矿为例

在大数据蓬勃发展的时代背景下,矿产资源定量预测作为地质大数据的核心部分,其综合分析挖掘多元信息的基本思路与大数据的理念不谋而合。以四川拉拉铜矿为例,开展基于机器学习的三维矿产资源定量预测。通过建立三维地质模型,提取成矿有利信息,构建研究区定量预测模型;基于"立方块预测模型"找矿方法,采用机器学习随机森林算法,计算出研究区成矿概率分布,以此圈定出5个找矿远景区。结果表明,随机森林具有更高的预测准确度与稳定性,且能够对控矿要素重要性做出定量评价。该研究成功地将机器学习应用于三维矿产定量预测,为今后的矿产资源预测评价做出了积极的探索。