Automated Prediction of CMEs Using Machine Learning of CME – Flare Associations

Machine-learning algorithms are applied to explore the relation between significant flares and their associated CMEs. The NGDC flares catalogue and the SOHO/LASCO CME catalogue are processed to associate X and M-class flares with CMEs based on timing information. Automated systems are created to process and associate years of flare and CME data, which are later arranged in numerical-training vectors and fed to machine-learning algorithms to extract the embedded knowledge and provide learning rules that can be used for the automated prediction of CMEs. Properties representing the intensity, flare duration, and duration of decline and duration of growth are extracted from all the associated (A) and not-associated (NA) flares and converted to a numerical format that is suitable for machine-learning use. The machine-learning algorithms Cascade Correlation Neural Networks (CCNN) and Support Vector Machines (SVM) are used and compared in our work. The machine-learning systems predict, from the input of a flare’s properties, if the flare is likely to initiate a CME. Intensive experiments using Jack-knife techniques are carried out and the relationships between flare properties and CMEs are investigated using the results. The predictive performance of SVM and CCNN is analysed and recommendations for enhancing the performance are provided.     

基于集成学习的阶跃型滑坡阶跃点判别分析

针对阶跃型滑坡阶跃点识别和预测难的问题,提出了一种基于聚类分析和集成学习的阶跃型滑坡阶跃点识别和判别模型。以三峡库区八字门滑坡ZG110钻孔2010年4月至2016年12月80个滑坡位移、库水位和降雨数据为例,通过聚类分析方法识别滑坡累积位移-时间曲线中的阶跃点和平稳点,并利用K均值聚类分析检验分类结果的准确性。基于灰色关联确定了滑坡位移的最佳诱发因素,结合随机森林模型建立阶跃型滑坡阶跃点判别模型并利用八字门滑坡ZG111钻孔验证该模型的准确性。模型阶跃点和平稳点的识别准确率均达90%以上,表明该方法在阶跃型滑坡识别中具有较好的适用性,可为阶跃型滑坡的预测提供参考。     

勘查地球化学数据挖掘与弱异常识别

我国积累的大量高质量、多元素、多尺度的地球化学数据,为矿产勘查与环境评价提供了有效的数据支撑。如何对这些数据进行二次开发和再利用,提取有价值的地球化学异常信息并带动找矿突破,是缓解当前矿产资源短缺的重要途径之一。在覆盖区和深部的找矿实践中,由于矿体埋深和覆盖层的影响,往往在表生介质中形成弱小的地球化学异常,识别和评价弱小地球化学异常是当前勘查地球化学数据处理的重要方向之一。本文围绕地球化学异常信息的提取和评价,主要从以下几个方面讨论了相关的国内外研究进展和发展趋势:勘查地球化学数据处理与异常识别方法和模型,勘查地球化学数据闭合效应的影响及其解决方案,基于大数据和机器学习的勘查地球化学数据处理以及弱小地球化学异常的识别和评价。研究发现,在地质环境的约束下,基于大数据思维和机器学习相结合的方法,注重地球化学空间分布模式与已发现矿床的相关关系,同时使用所有地球化学变量能有效刻画具有非线性特征的地球化学空间分布模式,可识别出传统方法无法识别的异常,为开展地球化学空间模式识别与异常提取提供了新的途径。     

基于CSA-PLS算法的养殖水体水质快速高光谱预测反演模型研究

养殖水体水质的优劣直接影响养殖对象的成长,准确、快速、全面地掌控养殖水环境的水质参数变化情况具有重要意义。传统的水质指标监测方法都通过人工采样的方式,不仅耗费时间长,且只能体现局部水体情况。针对这些问题,提出了一种乌鸦搜索算法(CSA)结合偏最小二乘回归(PLSR)的高光谱特征波段筛选方法,快速构建回归模型,实现光谱数据的精准预测反演。以连片的养殖小区为研究对象,采集养殖水体样本并拍摄同时期的高光谱影像数据。首先对提取的采样点光谱数据利用多种数据变换方法分别预处理;其次利用这些数据,对水质指标总氮(TN)、氨氮(NH₄⁺-N)、总磷(TP)和化学需氧量(COD)分别构建全波段的SVR和AdaBoost回归模型,同时与提出的CSA-PLS自动筛选波段方法和传统的连续投影算法(SPA)筛选波段后构建的模型进行比较分析;最后根据决定系数(R²)和均方根误差(REMS)选出适合各水质指标的最优模型。从实验结果可以看出,所提波段筛选方法的AdaBoost模型预测结果优于SVR和传统SPA方法提取特征波段后构建的模型,与全波段最优模...     

A hybrid integrated deep learning model for the prediction of citywide spatio-temporal flow volumes

ABSTRACT

The spatio-temporal residual network (ST-ResNet) leverages the power of deep learning (DL) for predicting the volume of citywide spatio-temporal flows. However, this model, neglects the dynamic dependency of the input flows in the temporal dimension, which affects what spatio-temporal features may be captured in the result. This study introduces a long short-term memory (LSTM) neural network into the ST-ResNet to form a hybrid integrated-DL model to predict the volumes of citywide spatio-temporal flows (called HIDLST). The new model can dynamically learn the temporal dependency among flows via the feedback connection in the LSTM to improve accurate captures of spatio-temporal features in the flows. We test the HIDLST model by predicting the volumes of citywide taxi flows in Beijing, China. We tune the hyperparameters of the HIDLST model to optimize the prediction accuracy. A comparative study shows that the proposed model consistently outperforms ST-ResNet and several other typical DL-based models on prediction accuracy. Furthermore, we discuss the distribution of prediction errors and the contributions of the different spatio-temporal patterns.     

数字经济增长动力与区域收入的空间分布规律

为探究数字经济增长的动力构成、地域差异以及与区域收入之间的空间分布规律,本文以中国数字经济创新高地浙江省为样本,构建了数字经济增长动力要素指标体系,并首先提出了数字经济“增长动力指数”构想。借助Weaver-Thomas模型、灰色关联分析以及GIS分层设色法,从地级市层面对浙江省数字经济增长的主导动力构成进行空间可视化分析,并验证了其与区域收入的关联性。结果表明：① 浙江省数字经济增长动力类型特征呈弱波动状态。② 从整体空间格局来看,数字经济增长呈现以杭州和宁波为核心的“双核心”空间格局现象,产业供给动力主导型主要分布在浙西南地区;市场需求动力主导型、信息应用动力主导型及创新驱动动力主导型主要分布在浙西北地区。③ 数字经济“增长动力指数”与区域收入之间存在较强的关联性,较高的数字经济增长动力指数对应的地区收入也处于较高水平,反之亦然。数字经济主导动力结构的变化正在形成一种复杂多样的区域经济增长行为模式。     

旅游地饮食符号经济：地方符号营造与路径依赖

饮食符号是旅游目的地符号系统的重要组成部分,以地方特色饮食为基础的旅游餐饮也是旅游地的重要经济活动。文章以阳朔啤酒鱼为例,分析旅游地饮食符号经济的特点与形成机制。研究发现,1）旅游地饮食符号的形成既是对地方特色的营销与建构,也是特定饮食产品生产与消费集聚的路径依赖结果。2）从饮食生产的角度,就地取材、利润高、制作工艺简单等特点使啤酒鱼餐饮能够大规模、低成本地发展;从饮食消费的角度,啤酒鱼既具有地方特色又能够被大众口味所接受,同时满足游客的符号性和支持性的餐饮体验。3）消费性服务业的集聚能够营造良好的氛围并产生累积吸引力,使得啤酒鱼的营销成本更低、销量更高,从而形成正反馈机制。     

从锈带到先进制造业集群：资源型经济转型及高质量发展的路径探析

资源型经济转型是我国经济高质量发展及区域协调发展的重要掣肘和关键突破口,同时先进制造业集群已成为提升全球竞争力和创新能力的区域根基。本文主要结合德国德累斯顿区域和美国阿克伦城市群从锈带到世界级先进制造业集群的发展历程,剖析其资源型经济转型及集群化高质量发展的共性路径特征,总结其经验启示。研究发现,区域发展过程是路径创造与演化的过程,德累斯顿区域和阿克伦城市群均持续专注于一到两项界限分明的科技创新建立区域转型发展的磁极,本地蜂鸣与全球网络以及二者之间的互动是转型发展的主导力量;采用以主体多元化、领域跨界化、结构扁平化、组织开放化为主要特征的网络化创新组织模式,有效推动形成了政产学研用协同创新共同体和创新型产业集群;空间组织形态兼顾本区域的地理空间集聚和跨区域的集群间协作;集群组织等网络化协作组织在促进本地技术创新网络、跨区域协同合作网络以及本地-全球互动网络构建和发展中发挥着非常重要的“织网人”作用。建议我国资源型经济区域全面对接国家创新驱动发展战略及集群策动战略,专注于一到两项界限分明的科技创新,以本地根植性为聚集核,以培育发展创新型产业集群为导向,制定区域经济转型与集群化高质量发展的完整路径,同时加快建立集群组织、联盟组织等网络化协作组织,通过其“织网人”和“粘合剂”作用推动构建本地技术创新网络和全球协同创新网络,推进区域发展路径的演化与转型。     

基于相关分析和自适应遗传算法的盐渍化建模变量和参数优选

机器学习结合遥感等其他数据反演土壤盐分含量（Soil Salt Content, SSC）较少关注对模型精度影响较大的建模特征变量和模型参数的优选。本文基于自适应遗传算法（Adaptive Genetic Algorithm, AGA）同步优选建模特征变量和模型参数的支持向量回归（Support Vector Regression, SVR）算法反演三工河流域2016年SSC,并分析其在不同土地利用类型的分布特征。建模特征变量和模型参数的同步优选及实验设计如下：首先基于Landsat 8 OLI和SRTM高程数据提取7类共40个盐渍化相关因子,经相关分析初步筛选出候选特征变量,分别代入AGA、遗传算法（Genetic Algorithm, GA）和格网搜索算法（Grid Search, GS）同步优选SVR的建模特征变量和模型参数,并建立盐渍化监测模型（AGA-SVR、GA-SVR、GS-SVR）。结果表明：① AGA-SVR精度最优,GA-SVR次之,GS-SVR最差,相较于GS-SVR,AGA-SVR的R²/RMSE提高了44.65%;② 三工河流域非、轻度、中度、重度盐渍地和盐土的面积占比分别为42.83%、11.02%、15.88%、9.22%、21.05%;③ 草地和未利用地主要以非盐渍地和盐土为主,耕地和林地中非盐渍地分布比例均为最大;不同土地利用类型的SSC均值和标准差均呈现未利用地>草地>耕地>林地的规律。本研究的建模特征变量和模型参数的优选方法可在一定程度上提高盐渍化监测的精度。关键词：盐渍化;遗传算法;机器学习;特征优选;参数优化;土壤盐分含量;土地利用;相关分析