基于深度学习的区域生态安全时空模拟与预测

区域作为人类、自然、社会共同作用和互相影响的复杂系统,对区域进行生态量化建模与模拟仿真,是实现区域可持续发展战略的关键。传统机器学习方法对区域生态系统建模取得了一定的成果,但难以确定学习特征和实现时空模拟。深度学习不需事先确定训练特征,具有优异的特征学习能力,能够提高模型预测精度,因此利用深度学习进行建模具有显著优势。本文使用植被净初级生产力（NPP）、气溶胶光学厚度（AOD）和人口格网数据,充分利用深度学习的优点,采用最优深度神经网络时空模拟,得到了河南省2007-2014年3 km分辨率的生态赤字空间分布图和河南省2015-2020年的生态赤字时间预测结果并进行分析,为区域生态的科学管理和建设供科学依据和参考。     

案例推理的制图综合应用背景与方法

从挖掘和利用经验数据的角度出发,提出了基于案例推理的智能化制图综合方法。首先探讨了基于算法和模型的自动综合实现方式所面临的瓶颈,并提出了采用制图综合案例推理辅助制图综合的思想;然后设计了制图综合专家案例的三元表示方法,以及获取、使用和管理流程;最后对实现该基于案例推理的智能化制图综合方法的五个关键性步骤进行了分析,并深入阐述该方法的原理和可行性,提出了基于案例推理的智能综合辅助系统架构。     

高分辨率光学遥感场景分类的深度度量学习方法

针对高分辨率光学遥感影像场景具有同类型内部差异大、不同类型间相似度高导致部分场景识别困难的问题,本文提出了一种深度度量学习方法。首先在深度学习模型的特征输出层上为每类预设聚类中心,其次基于欧氏距离方法设计均值中心度量损失项,最后联合交叉熵损失项以及权重与偏置正则项构成模型的损失函数。该方法的目标是在特征空间上使同类型特征聚集并扩大类型间的距离以提高分类准确率。试验结果表明,本文方法有效地提升了分类准确率。在RSSCN7、UC Merced和NWPU-RESISC45数据集上,与现有方法相比,分类准确率分别提高了1.46%、1.09%和2.51%。     

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。     

Extending self-organizing maps for supervised classification of remotely sensed data

An extended self-organizing map for supervised classification is proposed in this paper. Unlike other traditional SOMs, the model has an input layer, a Kohonen layer, and an output layer. The number of neurons in the input layer depends on the dimensionality of input patterns. The number of neurons in the output layer equals the number of the desired classes. The number of neurons in the Kohonen layer may be a few to several thousands, which depends on the complexity of classification problems and the classification precision. Each training sample is expressed by a pair of vectors ： an input vector and a class codebook vector. When a training sample is input into the model, Kohonen＇s competitive learning rule is applied to selecting the winning neuron from the Kohouen layer and the weight coefficients connecting all the neurons in the input layer with both the winning neuron and its neighbors in the Kohonen layer are modified to be closer to the input vector, and those connecting all the neurons around the winning neuron within a certain diameter in the Kohonen layer with all the neurons in the output layer are adjusted to be closer to the class codebook vector. If the number of training sam- ples is sufficiently large and the learning epochs iterate enough times, the model will be able to serve as a supervised classifier. The model has been tentatively applied to the supervised classification of multispectral remotely sensed data. The author compared the performances of the extended SOM and BPN in remotely sensed data classification. The investigation manifests that the extended SOM is feasible for supervised classification.     

基于迁移学习方法的山东冷云冰晶特征分布研究

为分析冷云中冰晶的分布特征,揭示冰晶增长演变机制,根据冰晶形状和尺度特征分为8类并进行标注,同时标注1类隔断栏进行数据质量控制,将9类标签图像整合并建立图像集,利用迁移学习VGGNet16方法进行识别训练,经训练模型分类准确率达98%。将模型应用到秋季冷云冰晶特征研究中,选取3次积层混合云和3次层状云降水过程,分析冰晶形状在不同温度区间的占比及冰晶谱变化特征,结果表明,温度通过影响冰晶基面与棱面的比值来决定冰晶初始形状分布,相同温度区间积层混合云内球状冰晶和线型冰晶占比高于层状云,低于-12℃后各类冰晶占比相对固定;积层混合云内线型冰晶直径集中在300~800 μm,冰晶谱呈多峰分布,聚合体直径大于600 μm,冰晶谱首尾两端浓度相当,球状冰晶直径集中在120～300 μm,冰晶谱呈单调下降趋势。     

基于机器学习的格点气温预报订正方法

使用2017年9月至2021年3月国家级业务化运行的智能网格实况分析产品和欧洲中期天气预报中心全球模式(EC)产品,根据湖北省的地理分布特征构建6个分区,采用基于LightGBM机器学习算法建立的气温预报方法,生成湖北省0.05°×0.05°格点气温预报产品。利用2021年4—9月的预报产品和格点实况资料进行检验,结果表明:基于机器学习的气温预报方法(MLT)取得了较好的预报效果,其在0～72 h时效内优于中央气象台下发的气温精细化指导预报(SCMOC)和EC产品;MLT在山区的误差较平原大,但山区的订正幅度大于平原,日最高气温的订正幅度大于日最低气温的订正幅度;4—9月MLT、SCMOC、EC产品的平均绝对误差(MAE)日变化都呈现了白天偏高、夜间偏低、午后凸起的单峰特征,MLT的MAE值较SCMOC和EC产品的更低,并且在转折性天气中仍具有优势;站点检验与格点检验结论一致,基于格点建模的气温预报产品对站点预报同样得到了订正。机器学习在格点气温的模式订正方面可以作为一个行之有效的手段。     

考虑裂尖塑性区影响的水力压裂缝高计算模型

储层可压性的准确评价是储层压裂设计和压后产能评估的重要前提。目前,采用岩石力学参数进行页岩可压裂性评价取得了较好的现场应用效果。因此,如何准确获取岩石力学参数成为至关重要的问题。通过建立一种基于物理信息约束的神经网络模型,该模型采用物理和数据双驱动,仅使用少量数据就能够实现岩石力学参数的准确预测。为验证模型性能的优异性,采用人工神经网络、随机森林和XGBoost模型与之进行对比。结果表明,物理信息约束的神经网络在少量数据下预测岩石力学参数的平均准确率高于95%,性能远优于其他模型。采用物理信息约束的神经网络预测得到弹性模量、泊松比、抗拉强度和断裂韧性4种岩石力学参数,基于岩石力学参数对储层可压性的影响,建立了基于脆性指数和力学参数的可压性评价方法。最后,以渤海湾盆地沧东凹陷K2段不同储层可压性为例进行验证。结果表明：研究区整体可压性较好,其中,纹层状混合质页岩可压裂指数高于0.7,可压性良好;纹层状长英质页岩、厚层状灰云质页岩和薄层灰云质页岩可压裂指数均处在0.4~0.7,可压性中等。评价结果与实际施工现场各储层日采油量进行对比,证实了可压性智能评价方法的可靠性,该方法可以推广至页岩储层可压性评价工作中。

     

Developing and Sequencing Community Engagement and Experiential Education: A Case Study of Urban Geography Teaching and Research

Community engagement curricula and course design can provide substantial experiences for both community members and participating students. Using a case study approach, this research focuses on four steps in this process: initial community relationship forming, engaging in community service, transitioning to civic engagement, and developing a community-based research program. Narrative examples from student course evaluations position these community-based experiences as transformative for multiple parties. Institutional structures are presented as helpful entrees to engagement for students, while noting that community relationships provide contextualized, powerful, and meaningful relationships, supporting recommendations for emerging and existing community engagement programs.     

基于融合U-Net及ConvLSTM的海面高度异常预报方法研究

海面高度异常是反映海洋环境状况的主要变量之一。本文使用1993—2019年的融合月均海面高度异常数据,建立了基于深度学习的海面高度异常预测神经网络模型,提出了基于融合U型网络(U-Net)和卷积长短记忆网络(ConvLSTM)的中长期海面高度异常预报模型。在研究海域0.25°×0.25°的空间分辨率下,模型测试集预报结果的均方根误差和平均绝对误差分别为0.039 m和0.027 m,均优于全连接LSTM预报模型和ConvLSTM+CNN预报模型,为大中尺度的海面高度异常预报提供了新的方法。