一种工业热源提取方法:利用温度特征模板的BP神经网络

针对年尺度热异常数据提取工业热源的方法存在数量和空间精细化程度不足的问题,使用VIIRS Active Fire数据,提出了一种基于温度特征模板的BP神经网络工业热源提取方法。该方法以京津冀及周边地区为试验区,首先,根据工业热源空间聚集性特征,使用OPTICS算法划分热源对象;其次,根据热源的热辐射特征,构建工业热源与非工业热源温度特征模板;最后,以温度特征模板、热源统计特征等作为参数,使用BP神经网络提取工业热源对象。结果表明：① 本文提出的基于温度特征模板的BP神经网络算法的工业热源提取精度达到了96.31%,与时间滤波、逻辑回归方法相比较,工业热源提取精度分别提高了8.45%、7.53%;② 2015—2020年京津冀及周边地区6省市工业热源数量整体减少了27.46%;河北省工业热源对象数量和热异常点数量年均减少了8.06%和7.44%,相对于其他省市减少幅度最大;山东、天津的工业热源集中度分别提高了25.72%、86.64%,说明两地工业转型升级政策取得较显著成效;③ 唐山、邯郸、吕梁和长治4个城市工业热源对象数量占试验区全部的31.37%,为京津冀及周边地区工业热源主要分布城市;临汾、太原等7个城市工业热源聚集程度和能源消耗程度高于其他城市;北京、周口等11个城市工业热源聚集程度和能源消耗程度低于其他城市;④ 2020年1—5月,京津冀及周边地区工业热异常点数量相对于2019、2021年同期保持不变或增加,新冠疫情对试验区工业热源无显著影响;2020年1、2月武汉工业热异常点数量与2019、2021年同期相比数量减少了66.67%以上,2020年3—5月工业热异常点数量低于2019年同期,2020年1—5月新冠疫情对武汉市工业热源影响显著。该研究反映了京津冀及周边地区工业热源发展的现状及趋势,能够为降低能耗和提高第二产业集中度等相关政策的制定与调整提供有价值的参考。     

中国区域BP-Adaboost强预测器对流层天顶延迟建模研究

选取中国大陆构造环境监测网（陆态网）提供的155个测站2014~2018年对流层延迟产品,基于BP-Adaboost算法将多个弱神经网络预测器集成为强预测器,建立新的无气象参数对流层延迟计算模型。利用陆态网2019年参与建模的141个建模测站、未参与建模的62个测站的对流层延迟产品和中国区域86个无线电探空站解算出的对流层延迟精确值对BP-Adaboost模型进行精度评定,结果表明,新模型的平均偏差分别为0.62 mm、-1.16 mm和12.32 mm,均方根误差分别为25.30 mm、26.72 mm和46.29 mm,优于常见的无气象参数模型;BP-Adaboost模型在内陆地区或海拔2 km以上地区具有更高的精度,能够满足中国大陆区域卫星导航用户实时对流层延迟改正的需求。     

基于卷积神经网络与条件随机场方法提取乡镇非正规固体废弃物

随着村镇经济建设发展,生活垃圾和工业固体废弃物造成的污染问题日益突出,已经成为制约新农村建设发展和生态文明建设的关键问题,而目前针对乡镇非正规固体废弃物的调查与统计主要依赖全国各乡镇相关部门逐级调查上报,工作量较大。本文基于高分辨率遥感影像,将深度学习模型和条件随机场模型相结合引入到乡镇固体废弃物的提取研究中,探索一种基于深度卷积神经网络的乡镇固体废弃物提取模型。由于固体废弃物在影像上表现为面积小,分布破碎等特点,为了提高工作效率,将模型特分为识别和提取2个部分：① 通过全连接卷积网络（CNN）对固体废弃物进行快速识别判断,筛选感兴趣区域影像块;② 在传统的全卷积神经网络(FCN)的基础上加入条件随机场模型(CRF)提取固体废弃物边界,提高整体分割精度。根据安徽、山西等地区相关部门上报固体废弃物堆放点以及住房与城乡建设部城乡规划管理中心进行野外检查的结果,实验最终识别精度达到86.87%以上;形状提取精度为89.84%,Kappa系数为0.7851,识别与提取精度均优于传统分类方法。同时,该方法已经逐步应用于住房和城乡建设部有关成都、兰州、河北等部分乡镇非正规固体废弃物的核查工作,取得了较为满意的结果。     

Prediction of uniaxial compression PFC3D model micro‐properties using artificial neural networks

Artificial neural networks are used to predict the micro‐properties of particle flow code in three dimensions (PFC3D) models needed to reproduce macro‐properties of cylindrical rock samples in uniaxial compression tests. Data for the training and verification of the networks were obtained by running a large number of PFC3D models and observing the resulting macro‐properties. Four artificial networks based on two different architectures were used. The networks used different numbers of input parameters to predict the micro‐properties. Multi‐layer perceptron networks using Young's modulus, Poisson's ratio, uniaxial compressive strength, model particle resolution and the maximum‐to‐minimum particle ratio showed excellent performance in both training and verification. Adding one more variable—namely, minimum particle radius—showed degrading performance. Copyright © 2009 John Wiley & Sons, Ltd.     

不规则网土壤测量在水系沉积物异常查证中的应用

在大兴安岭森林沼泽景观区,植被茂盛、土壤表层腐殖质发育,且通视条件差,运用传统的规则网土壤测量方法进行1/5万水系沉积物异常查证,工作周期长、劳动强度大;采用不规则网土壤测量方法进行异常查证,取得了快速评价异常、追踪异常源,缩短找矿周期的效果。     

粒子群神经网络及其在非线性系统辨识中的应用

介绍了一种新的神经网络权值优化算法——粒子群优（Particle Swarm Optimization，PSO）算法，提出了用粒子群神经网络对非线性系统进行系统辨识的构思。仿真实验结果表明，粒子群算法具有比BP算法更强的非线性系统辨识能力和更好的泛化能力。     

An artificial neural network-based snow cover predictive modeling in the higher Himalayas

With trends indicating increase in temperature and decrease in winter precipitation, a significant negative trend in snow-covered areas has been identified in the last decade in the Himalayas. This requires a quantitative analysis of the snow cover in the higher Himalayas. In this study, a nonlinear autoregressive exogenous model, an artificial neural network （ANN）, was deployed to predict the snow cover in the Kaligandaki river basin for the next 30 years. Observed climatic data, and snow covered area was used to train and test the model that captures the gross features of snow under the current climate scenario. The range of the likely effects of climate change on seasonal snow was assessed in the Himalayas using downscaled temperature and precipitation change projection from - HadCM3, a global circulation model to project future climate scenario, under the AIB emission scenario, which describes a future world of very rapid economic growth with balance use between fossil and non-fossil energy sources. The results show that there is a reduction of 9% to 46% of snow cover in different elevation zones during the considered time period, i.e., 2Oll to 2040. The 4700 m to 52oo m elevation zone is the most affected area and the area higher than 5200 m is the least affected. Overall, however, it is clear from the analysis that seasonal snow in the Kaligandaki basin is likely to be subject to substantialchanges due to the impact of climate change.     

参数调整对气象预测的B-P网络模型性能的影响

为了探索ＢＰ网络的参数调整特性,进行了参数α、β的选取对ＢＰ算法的收敛速度和模型的稳定性的影响研究。通过ＢＰ网络用于气象预测建模的参数调整个例分析表明：参数α、β的取值对ＢＰ模型的稳定性无显著影响,但参数值的调整尤其是β值的调整对建模的收敛速度有明显的影响。     

基于广义回归神经网络的GPS高程转换

为提高GPS高程转换的精度,采用广义回归神经网络(GRNN)进行拟合。将控制点的X、Y坐标作为网络输入,高程异常作为网络输出,采用实验数据训练网络,训练完成的网络作为模型进行高程异常预测。结果表明,GRNN方法具有较高的GPS转换精度。     

利用神经网络建立GPS网络RTK的双差对流层误差模型

为减小对流层误差改正数中系统偏差的影响以提高对流层改正精度,提出了基于神经网络的顾及空间的对流层误差建模模型,该模型的对流层延迟误差改正在网内外精度均达5 cm。