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。     

基于四参数随机生长法重构土体的格子玻尔兹曼细观渗流研究

多孔介质模型的重构问题是土体细观渗流机理研究的基础和关键。由四参数随机生长法(QSGS)构建土体模型,采用格子玻尔兹曼方法(LBM),通过MATLAB自编程序研究重构土在不同条件下的细观渗流机理。结果表明:随模型尺寸增大,孔隙连通程度显著提高,300×300格点大小的模型连通孔隙率增长幅度(34.38%)最大,继续扩大模型尺寸发现增加不明显;流体粒子在孔隙连通性好、孔径大的区域,会形成主渗流通道,且存在指进效应,孔道中间流速最大,可达0.0324,越靠近孔壁流速越小;大孔隙率土的流速比小孔隙率土大,而低孔隙率土中的流速相比大孔隙土更稳定;LBM模拟渗透率与经典K-C公式计算结果对比发现,孔隙率越高计算渗透率越准确(n=0.78,误差为10.22%);土颗粒越小,渗流孔道越细窄、分布越密集,对应的速度场分布更为均匀,同时流速也更小。该研究成果能较好地揭示重构土的细观渗流机理,也可为现有细观土体孔隙流研究提供一定借鉴。     

基于机器学习的表层土壤成矿元素空间预测: 以稀有金属铷元素为例

近些年随着土地质量地球化学调查工作的开展,获取了大量表层土壤样品数据。然而,这些数据也存在一个明显的缺陷,即1∶50 000大比例尺表层土壤数据往往缺少成矿元素。鉴于土壤成矿元素含量对于矿产资源勘查的重要指示作用,尝试基于现有数据对大比例尺表层土壤成矿元素含量提供一个补全方案。以稀有金属铷元素为例,采用随机森林算法把同一区域2 548组1∶250 000小比例尺表层土壤数据按照8∶2的比例随机分为两组,用80%的数据进行训练建模,20%的数据对模型进行验证。采用变量重要性度量排序和构建学习曲线的组合方法优选了8种元素(K、B、Ni、V、Zn、As、Co、Cu)作为预测变量,模型对训练数据和测试数据的拟合优度R²分别达到0.983 2和0.895 6,说明预测变量的优选方法是有效的。随后将1∶50 000表层土壤的上述预测变量数据作为输入变量导入模型中,得到预测的Rb元素含量,预测结果比较符合实际特征。本研究表明将大数据机器学习随机森林算法引入表层土壤地球化学元素含量空间定量预测具有可行性,可进一步拓展土地质量地球化学数据的服务应用维度。     

应用随机反演技术精细刻画河道砂体——以大庆油田萨北开发区萨二组为例

以大庆油田萨北开发区萨二组为例,研究了随机地震反演技术及其对河道砂体的精细刻画。研究表明:纵向上,不同厚度砂体的随机反演结果符合率差异较大:厚度大于3 m的砂体符合率为89.6%,厚度为2~3 m的砂体符合率为79.1%,厚度小于2 m的砂体符合率为71.5%;平面上,各沉积单元平均的砂体符合率能达到75%以上,且分流平原亚相的符合率要高于内前缘亚相。地震、测井及地质资料的充分结合,能够对河道的走向、复合河道砂体的单一河道边界及井间砂体叠置关系精细刻画,显示了井震结合预测河道砂体的适用性。     

加速迭代硬阈值ISAR稀疏成像

加速迭代硬阈值(AIHT)作为一种压缩感知(CS)算法,具有计算复杂度低、内存占用小的特点,在较小数目的观测下,经过有限次迭代便能获得较好的重建效果。因此,本文将该算法应用到逆合成孔径雷达(ISAR)稀疏成像,对该方法的具体特征和适用性进行了详细分析。仿真结果表明,在相同信噪比和回波脉冲数条件下,基于AIHT的ISAR成像方法,相比于稀疏贝叶斯算法(SBL),在重建时间上缩短了至少2个量级;相比于迭代加权最小二乘法(IRLS)和平滑l0范数算法,在重建质量上提高了约3倍。经实测数据处理结果验证,在1/4原始脉冲数条件下,该方法仍具有良好的聚焦性能和压低旁瓣效果。     

地面固定式激光扫描点云中建筑物墙面信息的识别提取

地面固定式激光扫描系统能够获取大面积高分辨率的被测对象表面三维数据,本研究通过对固定式LiDAR激光数据做初分类,从地面点中粗提取具有少量噪声的建筑墙面数据,然后利用平面区域分割算法和立面约束条件提取建筑物墙面数据。在对两份固定式三维激光扫描点云的实验中,通过对不同分辨率的数据利用本文所提算法都取得了较好的墙面提取效果,实验证明了该方法的有效性。     

四川盆地暖区暴雨的雷达回波特征及分类识别

暖区暴雨强度大且降水集中,可造成严重气象灾害。利用四川盆地实况降水和7部天气雷达资料,分析了2012—2017年28次暖区暴雨过程的降水特征,按超过20 mm·h-1降水站数的突增,将暖区暴雨的雷暴群分为初生阶段和成熟阶段,根据不同降水类型成熟前后的雷达回波特征,将雷暴群分为3种类型,3类回波特征差异明显,雷暴的长时间生消、合并以及传播作用使暖区暴雨降水强度大、范围广。在28次暖区暴雨过程中,四川盆地西北部出现次数最多,持续时间最长,回波基本呈现东北—西南向,与四川盆地西部龙门山脉走向基本一致,地形（产生偏东风）抬升在暖区暴雨的发生发展中起关键作用。对3类雷暴群质心高度、顶高、最大回波强度等要素的统计显示,不同类型雷暴群在初生阶段和成熟阶段的概率密度曲线存在双峰和单峰等结构特征。利用雷暴群的多个参数构建暖区暴雨分类识别的特征向量,并采用随机森林机器学习方法进行识别,取得较好效果。     

基于机器学习的降雨量雷达回波数据建模与预测

以浙江省2016年1-10月的雷达回波强度数据为基础,分别应用随机森林模型、BP神经网络模型、卷积神经网络模型来预测降雨量并进行对比.建模分析结果表明,随机森林模型预测效果精确度较低,容易低估较大的降雨强度,而BP神经网络和卷积神经网络预测的效果都比随机森林好,特别是卷积神经网络,其预测值与真实值更加接近,且对较大的降雨强度拟合较好.     

基于随机森林的暴雨灾害人口损失预估模型及应用

基于2009—2017年的广西县级暴雨灾情记录,综合考虑致灾因子、孕灾环境和承灾体因素选取7个解释变量,运用随机森林算法,构建暴雨灾害人口损失预估模型;并以精细化网格降水实况分析和预报产品驱动模型,预估是否发生人口损失。研究结果表明:模型训练样本及测试样本的分类准确率均在90%以上,致灾因子(降水情况)是最主要的解释变量,重要性从大到小依次是前10 d降水距平百分率、过程最大日雨量、最大小时雨量和短时强降水频次。应用智能网格降水产品对广西地区近两年的暴雨灾害过程进行回报试验,准确率超过70%。     

随机参数扰动方法对中国冬季降水集合预报的影响

降水数值预报有很大的不确定性,与降水预报密切相关的物理过程参数化方案中关键参数的不确定性是降水数值预报误差来源之一,对这些参数引入随机扰动的随机参数扰动方法（Stochastically Perturbed Parameterization,简称SPP方法）可以代表模式降水预报的不确定性,是国际集合预报前沿研究领域。为了认识该方法能否代表中国冬季降水数值预报的不确定性,为业务应用提供科学依据,基于中国气象局中尺度区域集合预报模式（Global/Regional Assimilation and Prediction System-Regional Ensemble Prediciton System,简称GRAPES-REPS）,从对模式降水预报不确定性有较大影响的积云对流、云微物理、边界层及近地面层等四个参数化方案中选取了16个与降水密切相关的关键参数,引入了随机参数扰动方法,并通过2018年12月12日至2019年1月12日总计31天的冬季集合预报试验,对比分析了SPP方法对等压面要素及降水的集合预报效果。结果显示:在冬季应用SPP方法时,等压面要素的概率预报技巧总体来说优于无SPP方法扰动的对比试验,且对于低层、近地面要素的改进效果优于对中高层等压面要素的改进;但对降水概率预报而言,尽管检验评分数值略优于对比预报试验,但并未通过显著性检验,这表明,在东亚冬季风影响下,随机参数扰动方法对中国冬季降水概率预报技巧没有明显的改进。究其原因,可能是由于SPP方法主要代表对流性降水预报的不确定性,而中国冬季降水过程主要与斜压不稳定发生发展有关,模式降水以大尺度格点降水为主,对流性降水较少,故对冬季降水预报改进不明显,这为业务集合预报模式中应用随机参数扰动方法提供了科学依据。