基于BMA多模型组合的疏勒河径流预测研究

准确可靠的径流预测对于水资源的科学管理与规划具有重要意义,特别是在水资源紧缺的干旱半干旱地区,径流预测对流域内水资源高效利用与水利工程经济运行具有重要现实意义。针对径流预测通常采用单一方法进行建模与预测,难以利用各预测模型优势的问题,本文利用极限学习机（ELM）模型、支持向量机（SVM）模型、多元自适应回归样条（MARS）等机器学习方法建立了疏勒河上游未来1~7日的径流预测模型。在此基础上,运用贝叶斯模型平均（BMA）方法对ELM、SVM、MARS模型的预测结果进行组合,构建了径流组合预测模型,以获取更可靠的预测结果,并采用蒙特卡洛抽样方法获取BMA的95%置信区间,对预测结果进行了不确定性分析。结果表明：ELM、SVM、MARS模型以及BMA组合模型均适用于干旱半干旱地区的中长期日径流预测;BMA的预测精度较单一模型更高,能够提供更准确的预测值;BMA的95%置信区间对实测值覆盖率高,同时能够提供较好的确定性预测和概率预测结果。表明BMA在资料有限的条件下,表现出较单一模型更高的预测性能,可以成为干旱半干旱地区中长期日径流预测的有效方法。     

基于钻进状态监测的智能工况识别

钻进过程状态监测旨在实时描述钻进工况,判断运行性能优劣程度进行非优追溯,及时指导司钻人员调整作业操作,保证钻进过程安全、高效、稳定开展。钻进工况是钻进系统运行状态的反映,因此开展面向状态监测技术的钻进工况识别研究具有重要的理论和应用价值。本文针对钻进工况识别问题,基于状态监测数据,建立基于支持向量机的钻进工况识别模型,对钻进工况进行识别。综合工况识别结果,对钻进效率进行评估,并对影响钻进效率的因素进行讨论,寻找提升钻进效率的手段。最后,采用钻进现场实钻数据进行仿真实验,验证所提方法的可行性和有效性。     

基于CART算法的三维成矿预测研究——以安徽白象山矿区为例

把地质大数据和人工智能技术引入矿产资源定量评价及成矿预测体系中,提高了海量地质数据的有效信息挖掘,弥补了传统方法的不足。本文基于白象山矿区基础地质资料和物化探成果资料,利用三维地质体建模技术和三维空间分析技术,量化三维控矿因素,建立了一种基于CART 算法的三维成矿预测模型。通过在白象山矿区的实验表明：该模型能较好的定位已知矿体,并且预测出在已知矿体北部、东部、东北部、西部、南部和东南部具有较高的成矿概率,可圈定找矿靶区。该模型将地质大数据应用于找矿勘探工作,具有纯数据驱动、预测精度高、预测结果可靠等优点。研究发现,该模型的预测效果与训练数据集的数量、矿控因素提取、决策树深度等有关。     

楔刀作用下岩石微观劣化的试验研究

通过改装RMT-150C系统,使用不同刃角的楔形刀具对花岗岩进行贯切试验,利用DISP声发射测试系统进行声发射的定位特征分析,研究岩石在楔形刀具作用下损伤劣化破坏的全过程。试验结果表明：声发射试验是一种研究TBM滚刀破岩微观机制的有效方法,脆性岩石材料的破坏过程是内部微裂纹的萌生和扩展过程的宏观反映;在楔刃刀具匀速贯入时,声发射信号随着荷载的变化呈一定对应趋势的变化,荷载-贯入度曲线能反映试件内的损伤历程;声发射2D定位结果显示,在岩石破碎区的密实核下方存在“损伤核”,它由微震裂源增生丛聚分布形成,核内劣化程度高,是孕育密实核的场所,为TBM滚刀作用下岩石的宏观破裂现象提供了解释和依据;楔刀跃进式的挤压贯切岩板试件,钝刃刀具产生“球状”损伤核,尖刃刀具产生“水滴状”损伤核,钝刃刀具贯切试件产生更深的贯入度和更宽的损伤核,致使试件中不仅破碎深度大,而且破损范围广,破岩效果优于尖刃刀具。     

三种非线性回归逐时气温预报比较订正

选取ECMWF和T639的2013年1月至2014年12月的数值预报场构造预报因子,基于神经网络、支持向量机和构造函数的非线性方法,预报地面逐时气温。试验结果显示,在单个方法预报误差较大时,3种方法的偏差订正集成方法更利于减小误差,通过偏差订正,3种非线性方法预报效果良好,平均绝对误差减小了0.5 ℃。在近1年独立样本的预报检验中,集成方法、神经网络、支持向量机和构造函数预报的平均绝对误差分别为1.5 ℃、1.7 ℃、1．8 ℃和1．4 ℃,总体上构造函数预报更为准确。     

探空气球施放筒设计

探空气球的充灌和施放是高空气象观测工作的重要组成部分.目前高空观测中雷达跟踪探空仪、探空信号接收和数据处理都已经实现自动化,只有探空气球的充灌和施放是人工操作,气球充灌氢气有一定危险性,且至少需要一个观测员来完成施放气球工作.该文在分析探空气球充灌和施放各环节工作的基础上,介绍了一种探空气球施放筒的设计方案,以及在业务试验中存在的问题和改进方法,为高空气象观测系统的全程自动化创造条件.     

Estimation of suspended sediment concentration in the Saint John River using rating curves and a machine learning approach

ABSTRACT

Sedimentation in navigable waterways and harbours is of concern for many water and port managers. One potential source of variability in sedimentation is the annual sediment load of the river that empties in the harbour. The main objective of this study was to use some of the regularly monitored hydro-meteorological variables to compare estimates of hourly suspended sediment concentration in the Saint John River using a sediment rating curve and a model tree (M5?) with different combinations of predictors. Estimated suspended sediment concentrations were multiplied by measured flows to estimate suspended sediment loads. Best results were obtained using M5? with four predictors, returning an R² of 0.72 on calibration data and an R² of 0.46 on validation data. Total load was underestimated by 1.41% for the calibration period and overestimated by 2.38% for the validation period. Overall, the model tree approach is suggested for its relative ease of implementation and constant performance.

EDITOR M.C. Acreman; ASSOCIATE EDITOR B. Touaibia     

Comparison of the earthquake detection abilities of PhaseNet and EQTransformer with the Yangbi and Maduo earthquakes

PhaseNet and EQTransformer are two state-of-the-art earthquake detection methods that have been increasingly applied worldwide. To evaluate the generalization ability of the two models and provide insights for the development of new models, this study took the sequences of the Yunnan Yangbi M6.4 earthquake and Qinghai Maduo M7.4 earthquake as examples to compare the earthquake detection effects of the two abovementioned models as well as their abilities to process dense seismic sequences. It has been demonstrated from the corresponding research that due to the differences in seismic waveforms found in different geographical regions, the picking performance is reduced when the two models are applied directly to the detection of the Yangbi and Maduo earthquakes. PhaseNet has a higher recall than EQTransformer, but the recall of both models is reduced by 13%–56% when compared with the results reported in the original papers. The analysis results indicate that neural networks with deeper layers and complex structures may not necessarily enhance earthquake detection performance. In designing earthquake detection models, attention should be paid to not only the balance of depth, width, and architecture but also to the quality and quantity of the training datasets. In addition, noise datasets should be incorporated during training. According to the continuous waveforms detected 21 days before the Yangbi and Maduo earthquakes, the Yangbi earthquake exhibited foreshock, while the Maduo earthquake showed no foreshock activity, indicating that the two earthquakes’ nucleation processes were different.     

循环神经网络在雷达临近预报中的应用

该文将循环神经网络（recurrent neural network,RNN）应用于雷达临近预报。使用预测循环神经网络（predictive RNN）架构,利用雷达历史组合反射率因子建模,给出雷达组合反射率因子未来1 h的预报结果。预测循环神经网络的核心是在长短时记忆单元（long short-term memory,LSTM）中增加时空记忆模块,能够提取雷达回波不同尺度的空间特征,配合循环神经网络架构,可以有效解决反射率因子预测问题。北京大兴雷达和广州雷达长时间序列的独立检验结果和2个强对流天气个例检验结果表明:该方法和传统的基于交叉相关法的1 h雷达外推临近预报相比,在20 dBZ和30 dBZ检验项目内,临界成功指数（CSI）可以提升0.15~0.30,命中率（POD）提高0.15~0.25,虚警率（FAR）降低0.15~0.20,该方法对反射率因子强度变化有一定预报能力。     

生成模型学习的遥感影像半监督分类

以生成模型最大似然估计为例,引入结合已标记样本和未标记样本的半监督分类方法来解决遥感影像分类中的小样本问题,应用已有的少量已标记样本初始化一个分类器,结合大量未标记样本,通过递归计算的方式对分类器进行优化,直到包含所有样本的似然函数收敛到局部极大值。通过分析遥感影像待分类类别与影像中地物类型固有特征之间的关系,设计两个在不同生成模型假设下的分类实验。结果表明,未标记样本的参与可在很大程度上提高小样本条件下的影像分类精度,但两种样本的数量应保持一个适当的比例。最后通过与在解决小样本分类问题方面有独特优势的SVM方法的分类比较,发现在小样本情况下,本文方法具有更好的应用潜力。