顾及地理-语义动态的城市热点预测框架

城市热点时空预测是城市管理和智慧城市建设的一项长期而富有挑战性的任务。准确地进行城市热点时空预测可以提高城市规划、调度和安全保障能力并降低资源消耗。现有的区域级深度时空预测方法主要利用基于地理网格的图像、给定的网络结构或额外的数据来获取时空动态。通过从原始数据中挖掘出潜在的自语义信息,并将其与基于地理空间的网格图像融合,也可以提高时空预测的性能,基于此,本文提出了一种新的深度学习方法地理语义集成神经网络(GSEN),将地理预测神经网络和语义预测神经网络相叠加。GSEN模型综合了预测递归神经网络(PredRNN)、图卷积预测递归神经网络(GCPredRNN)和集成层的结构,从不同的角度捕捉时空动态。并且该模型还可以与现实世界中一些潜在的高层动态进行关联,而不需要任何额外的数据。最终在3个不同领域的实际数据集上对本文提出的模型进行了评估,均取得了很好的预测效果,实验结果表明GSEN模型在不同城市热点时空预测任务中的推广性和有效性,利用该模型可以更好地进行城市热点时空预测,解决一系列如犯罪、火灾、网约车预订等等现代城市发展中亟需解决的相关问题。     

一场跨越太平洋的旅行

<正>8月的青岛,夏阳暖照。而此时,大洋彼岸,风光是否也与此相同呢?青岛市第三十九中学的几位同学有幸参与了2013年新一届的美国海洋游学活动。每一条道路都是一次冒险每一个地点都是一场奇遇。在这段身临其境感受美国东西海岸不同海洋风光的日子里,每一个细节也许都将成为他们毕生难忘的印象。——题记清早时分的片片轻云由绛蓝变晕红渐而模糊了远处的天际线,海面随着微风漾起波澜,泛着渐多渐少的光点,映出每个人眼中的期待。伴着这样一幅安然美好的风景画卷,我们乘船向卡特琳娜岛出发。     

基于神经网络模型的湛江湾水体有色溶解有机物的遥感估算

有色溶解有机物(Colored Dissolved Organic Matter, CDOM)是水体中重要的水质参数之一,是水色遥感的重要研究对象,如何构建适合特定区域的近海二类水体CDOM反演模型一直是国内外研究难点。本文利用2017年5月26～29日对南海西北部海域湛江湾20个站位采集的水样和测量的光谱资料,分析归一化遥感反射率与CDOM浓度a_g(400)的相关性,发现最大负相关系数出现在586nm处,选择580、585、590、595nm这四个波段处的归一化遥感反射率与a_g(400)建立了多元线性回归模型、BP(Back-Propagation)神经网络模型和RBF(Radial-Basis Function)神经网络模型,并与其他算法模型进行对比分析。结果发现, BP和RBF神经网络模型的平均相对误差和均方根误差均远小于多元线性回归模型和其他算法模型,神经网络模型的预测值与实测值拟合效果要优于多元线性回归模型。研究表明,神经网络模型更适合于湛江湾有色溶解有机物的遥感估算。     

基于神经网络的专家系统在温室控制中的应用

为了实现温室控制,针对温室环境的多输入、多输出、非线性和难以建立数学模型等特点,提出一种基于BP神经网络的专家系统并用于温室控制。该方法将传感器采集的温度、湿度等信息输入到神经网络专家系统,在获得决策结果的同时通知控制部分执行相应的决策。这种方法不仅解决了传统专家系统知识获取的瓶颈问题、推理能力差、智能化低的缺点,而且克服了神经网络不具有解释功能的问题。总之,成功实现了神经网络和专家系统功能上的互补,较好的用于温室控制。     

深度学习预测GPS时间序列在探索门源MS6.4地震前兆中的应用

以2016-01-21门源M_S6.4地震为例,提出用深度学习预测的GPS时间序列研究地震前兆。用震中附近门源台（QHME）、民乐台（GSML）及古浪台（GSGL）无震时的GPS时间序列训练LSTM神经网络,得到高精度的GPS时间序列预测模型,再分别对该地区无震时和地震前一段时间的GPS时间序列进行回溯性预测。对比预测时间序列与真实时间序列发现,震前2条时间序列大部分的相似性指标比无震时低,说明震前预测时间序列与真实时间序列差异明显,同时考虑震前时间序列的趋势异常,认为出现了异常时段;3个台站分别在E、N、U方向出现多个异常日期,且不同台站具有相同的异常日期,说明探索到了地震前兆。     

模糊数学方法在中国土地资源评价中的应用进展

对近30年来模糊数学方法应用在我国土地资源评价中的论文进行检索与分类统计,以常用模糊数学方法为主线进行应用进展分析与展望。研究结果表明,自1980年以来,模糊数学方法在我国土地资源评价中逐步得到应用,研究论文分布在几十种期刊上,论文作者比较分散;其中,模糊综合评价、模糊聚类分析方法应用相对较多,分别占检索论文总数的46%和26%。模糊综合评价方法主要应用在土地适宜性评价、土地质量评价、可持续发展评价等方面;模糊聚类分析方法主要应用在土地利用类型划分和土地资源评价等方面。模糊数学方法将在土地资源评价、分类、规划、决策、预测和控制问题研究中得到进一步应用。在应用模糊数学方法时应注意合理描述模糊概念、注重多种方法并用,在实践中不断创新。     

基于极限学习自编码器的水声信号目标识别方法

传统的机器学习方法在特征提取时容易受到主观经验的影响,导致对水声信号目标的识别准确率不高。而一般深度学习算法模型较复杂,通常具有训练耗时、计算复杂度高等缺点。极限学习自编码器具有很强的非线性处理能力,适合针对具有非线性特点的水声信号目标的识别,而且模型具有学习速度快,泛化能力强等显著优势。将极限学习自编码器算法应用于水声信号目标识别中,并与卷积神经网络、自编码器和极限学习机识别方法进行对比,结果表明：提出的方法对水声信号目标识别的准确率最优,且训练时间较短。     

利用风云3D微波成像仪数据估算北极海冰密集度的精度评价

卷积神经网络（convolutional neural network, CNN）已用于星载全球导航卫星系统反射测量（global navigation satellite system-reflectometry,GNSS-R）海冰检测,其具有数据预处理简单、最大限度保留反射面信息等优势,但已有GNSS-R CNN海冰检测方法研究的数据集时间跨度较小,代表性有限,且未考虑训练集内海水、海冰时延多普勒图（delay-Doppler map, DDM）的比例对方法泛化能力的影响。针对该问题,首先提出一种筛除畸形DDM方法,有效筛除错误数据;然后,设计合适的CNN结构及参数,通过小样本对比实验发现CNN模型在训练集内海水、海冰DDM的比例为1∶1时具有高准确率和最佳泛化能力,并优化数据集选取策略;最后使用2018年全年大样本数据集评估改进的方法在大数据量和大时间跨度时的有效性和可靠性。研究表明,改进的方法通过加强数据质量控制、优化数据集选取策略,提升了CNN海冰检测方法的泛化能力及可靠性,使其更适用于实际应用场景,为海冰消融等研究提供参考。

     

论GIS的模糊不确定性

文章对GIS的模糊不确定性进行了研究,主要目的是系统论证GIS确实舍有模糊不确定性,使人们真正认识到GIS不仅含有随机不确定性而且含有模糊不确定性。文章主要是从GIS构成的四部分出发即：硬件、软件、人员和数据,分别对这四部分论述其模糊不确定性,即GIS存在着GIS数据模糊不确定性、GIS硬件模糊不确定性、GIS软件模糊不确定性和GIS人员的模糊不确定性;最后,指出GIS的模糊不确定性的研究还处于初步阶段,特别是人员的模糊不确定性还有很多因素无法进行研究以及如何减弱GIS各部分的模糊不确定性的理论和方法。     

基于地形单元分区的BP神经网络反演海底地形

海底地形和海洋重力场在一定波段频率域上存在相关性,传统海底地形反演方法主要考虑海底地形与重力数据之间的线性关系,而忽略非线性项作用对反演结果的影响。基于此,提出了基于海底地形单元分区的BP神经网络反演方法,改善海底地形反演精度。选取东印度洋北部东经90°海岭附近海域(83°E～92°E,10°S～10°N)为实验区,利用船测水深、卫星测高重力等数据,根据地形特征将实验区分为海盆区和海岭区,使用BP神经网络方法分别进行海底地形反演,构建了实验区1′×1′局部海底地形模型。结果表明,基于地形单元分区的反演结果模型平均相对误差精度可达1.45%,比未分区的反演结果均方根误差降低了42 m,验证了本文方法的有效性和可行性。