基于机器学习模型的淮河流域中长期径流预报研究

准确可靠的中长期径流预报是支撑水资源科学调配、提高水资源利用效率的关键。本研究采用AdaBoost模型(AdB)、随机森林模型(RF)和支持向量机模型(SVM)进行淮河流域王家坝和蚌埠站当年11月至次年10月共12个月的中长期径流预报研究。采用置换准确度重要性度量法从130项气象-气候因子及前期降雨/流量构建的1 562个因子变量中筛选出影响各月径流的关键因子,构建了基于AdB、RF和SVM模型的各月径流预报模型,模型参数采用随机搜索技术并结合交叉验证方式确定。采用变幅误差合格率和等级(五级)预报合格率指标对模型的预报精度进行了评估。变幅误差合格率指标表明,王家坝12个月的平均合格率分别为99.8%(AdB)、96.6%(RF)和95.9%(SVM),蚌埠站分别为100%(AdB)、94.8%(RF)和93.8%(SVM);等级预报合格率指标表明,王家坝12个月的平均合格率分别为79.0%(AdB)、76.4%(RF)和79.9%(SVM),蚌埠站分别为81.0%(AdB)、75.6%(RF)和76.6%(SVM)。模型均具有较好的预报效果,但RF和SVM模型对于高流量值的预报存在偏低现象,AdB模型整体上优于RF和SVM模型。     

尺度分层多阈值结合SVM分类的热红外舰船识别

针对尺度自适应选择分层多阈值方法,有时检测目标不完整且存在较多虚警目标等问题,提出了一种基于尺度分层多阈值和SVM分类相结合的舰船目标检测与识别方法。首先使用尺度自适应分层多阈值方法进行初检测;其次根据样本学习生成舰船目标特征及最佳分类特征组合;最后使用SVM样本学习分类实现舰船目标检测与识别。实验结果表明,该方法比单一使用样本分类法降低了虚警率,提高了检测效率,能在近岸舰船目标与背景对比度较低的情况下实现虚假目标有效剔除,且在突堤式码头停放的舰船目标识别中更有效和更稳定。     

旋挖钻机与冲击钻机组合在嵌岩桩施工中的应用

旋挖钻机施工工艺和正循环冲击钻机施工工艺相结合,充分发挥了旋挖钻机施工土层速度快和正循环冲击钻机施工岩层速度快的优点,从而打破嵌岩桩施工的传统工艺,为大口径嵌岩桩施工提供经验和技术参考。通过镇江市体育会展中心体育场桩基工程采用旋挖钻机施工工艺和正循环冲击钻机组合成孔工艺的成功实例,介绍了该工艺的施工技术措施及注意要点。     

基于支持向量机的膨胀土胀缩等级预测

膨胀土的胀缩等级判定对膨胀土地区工程建设具有重要的意义。为此,本文提出了一种基于支持向量回归机（SVR）模型的膨胀土胀缩等级预测方法。基于肯尼亚“蒙内铁路”沿线膨胀土的土工试验数据,以土体自由膨胀率作为预测目标,构建了包含两种不同预测指标体系的膨胀土胀缩等级预测模型。模型I以液限、塑限、塑性指数、3种不同粒径的颗粒含量（< 0.075、0.075～0.25、0.25～0.5）、土的类型为输入参数,模型II以液限、塑限、塑性指数、粒径< 0.075的颗粒含量、土的类型为预测参数。两个模型在预测时采用Linear、Polynomial、RBF和Sigmoid核函数进行训练。结果表明：（1）当预测采样次数达到1000次时,训练模型均趋于稳定;（2）整体而言,模型I的预测精度要优于模型II,模型I中采用RBF核函数建立的模型给出了最高准确率86.6%,其次为Linear核函数（准确率82.9%）和Sigmoid和函数（准确率75.1%）。模型II中采用RBF核函数建立的模型给出了最高准确率77.4%,其次为Linear核函数（准确率74.3%）和Sigmoid和函数（准确率72.9%）;（3）采用Linear函数、Sigmoid函数和RBF函数作为核函数模型对44组未知胀缩等级的土样预测时,模型I中三者预测结果相同的数量占比为73%,其余组土样的预测胀缩等级相同或相邻,不存在“越级”现象,模型II中三者预测结果相同的数量占比为68%,不存在“越级”现象。最后,通过与模糊层次分析法评价结果对比,进一步证明了本文研究结果可为肯尼亚等类似地区工程建设中膨胀土的胀缩等级预测和处理提供依据。     

基于极限学习机的GF-2影像分类

遥感图像分类是提取图像有效信息过程中重要的一部分,为了探寻最优的分类方法,许多机器学习算法逐步应用于遥感分类中。极限学习机（extreme learning machine,ELM）以其高效、快速和良好的泛化性能在模式识别领域得到广泛应用。本文采用训练速度快、运算量小的极限学习机算法与支持向量机（support vector machines,SVM）算法和最大似然法进行分类对比,对高分辨率遥感图像进行分类,分析极限学习机算法对于遥感图像分类的准确度等性能。选取吉林省长春市部分区域的GF-2遥感数据,将融合后的影像设置为原始数据,利用3种方法进行分类。研究结果表明,极限学习机算法分类图像总体分类精度达到85%以上,kappa系数达到0.718,与其他分类方法相比分类准确度较高,且极限学习机运行时间比支持向量机运行时间约短2 480 s,约为支持向量机运行时间的1/8,因此具有良好的性能和实用价值。     

基于结构模式的道路网节点匹配方法

道路网数据中微观结构的识别对于多尺度路网建模、步行导航等至关重要。复杂道路交叉口是重要的道路微观结构之一,针对目前道路复杂交叉口基于几何形状描述与图形匹配识别方法存在的不足,从复杂交叉口识别与化简的角度出发,提出了一种利用路段分类进行复杂道路交叉口识别与化简的方法。该方法首先通过点密度聚类的方法对道路交叉口进行定位,然后利用路段的规模、形状和属性等特征构建特征空间,将交叉口的识别作为一种区分主干路段与辅助路段的两类分类问题,利用支持向量机的方法对交叉口区域内的路段进行分类,从而完成交叉口的识别与化简。利用开放街道地图（Open Street Map）数据进行实验,结果表明,该方法能够有效地识别道路交叉口。     

土地覆盖制图：基于最优化遥感数据的支撑向量机分类

遥感数据具有在不同空间、光谱和时间尺度上获取地表测量信息的能力,使其成为获取土地覆盖信息的一个主要数据源。影像分类即把卫星影像上的相关像元划分给某类已知的土地覆盖类型的过程。支撑向量机（SVMs）是一种土地覆盖分类的新技术。三种常用的SVMs是：基于线性和多项式的SVM以及具有高斯核函数的SVM分类器,分类能否成功地应用有赖于其各自选择的最佳参数。但是海量的遥感数据使得这些参数的确定速度十分缓慢。本文研究了一种新的基于最优化遥感数据压缩技术的SVM分类方法。研究显示用于获取SVM参数的数据量能够在不影响土地覆盖的分类精度的前提下进行压缩。数据压缩成功的应用于多项式和高斯核函数的SVM分类,而线性SVM的分类精度却非常低。     

高光谱遥感影像分类研究进展

随着模式识别、机器学习、遥感技术等相关学科领域的发展,高光谱遥感影像分类研究取得快速进展。本文系统总结和评述了当前高光谱遥感影像分类的相关研究进展,在总结分类策略的基础上,重点从以核方法为代表的新型分类器设计、特征挖掘、空间-光谱分类、基于主动学习和半监督学习的分类、基于稀疏表达的分类、多分类器集成六个方面对高光谱影像像素级分类最新研究进行了综述。针对今后的研究方向,指出高光谱遥感影像分类一方面要适应大数据、智能化高光谱对地观测的发展前沿,继续引入机器学习领域的新理论、新方法,综合利用多源遥感数据、多维特征空间互补的优势,提高分类精度、分类器泛化能力和自动化程度;另一方面要关注高光谱遥感应用的需求,突出高光谱遥感记录精细光谱特征的优势,针对应用需求发展有效的分类方法。     

矩形顶管机在长距离及弯曲顶管施工中的应用

矩形断面管道具有空间利用率高的特点。在本工程中,采用泥水平衡顶管技术施工,证实了矩形顶管机在长距离及弯曲顶管施工中的各方面适用性,相信今后矩形顶管机会有广阔的发展前景。     

黄土高原区SRTM1 DEM高程误差校正模型构建及对比分析

对SRTM1 DEM高程误差进行校正可有效提高其应用精度。以具有典型地貌特征的黄土高原作为研究区域,以ICESat-2/ATL08陆地高程作为参考数据,引入主流机器学习算法建立SRTM1高程误差与影响因子之间的关系模型对高程值进行校正;通过分析模型性能指标、误差频数分布、校正误差空间格局以及典型剖面误差分布,以此得到不同地貌类型区的高程误差校正模型适用性。实验结果表明：在平原、风沙丘陵和黄土塬地貌区随机森林模型高程校正效果最佳,平均绝对误差分别降低0.49、0.82和1.2 m,同时校正误差在空间分布上异常值较少,低起伏度的平原和风沙丘陵地貌区典型剖面误差与原误差较为贴合;山地区支持向量机模型适用性更强,均方根误差和平均绝对误差分布降低了6.79 m和5.43 m,可大幅提升误差绝对值较小的点位频数,同时在空间格局和典型剖面验证效果最佳;黄土丘陵地貌区弹性反馈神经网络模型效果最优,均方根误差和平均绝对误差分别降低了2.3 m和2.04 m,空间分布上误差降低效果显著,典型剖面误差异常值较少;土石丘陵地貌区卷积神经网络模型效果更理想,均方根误差与平均绝对误差分别降低4.14 m和3.5 ...