基于小波变换和LSTM神经网络的格陵兰岛近海海域海平面变化预测

海平面变化包含多种不同时间尺度信息，传统的预测方法仅对海平面变化趋势项、周期项进行拟合，难以利用海平面变化的不同时间尺度信号，使得预测精度不高。本文基于深度学习的预测模型，提出一种融合小波变换（wavelet transform，WT）与LSTM （long short-term memory，LSTM）神经网络的海平面异常组合预测模型。首先利用小波分解得到反映海平面变化总体趋势的低频分量和刻画主要细节信息的高频分量；然后通过LSTM神经网络对代表不同时间尺度的各个分量预测和重构，实现海平面变化的非线性预测。基于该模型的海平面变化预测的均方根误差、平均绝对误差和相关系数分别为12.76 mm、9.94 mm和0.937，预测精度均优于LSTM和EEMD-LSTM预测模型，WT-LSTM组合模型对区域海平面变化预测具有较好的应用价值。     

基于海洋气候数据集的区域海平面变化非线性预测

本文基于中国首套长时间序列、高精度、高时空一致性的全球海洋气候数据集产品, 利用1993年1月至2015年12月的山东半岛近海海平面异常数据, 构建了基于集合经验模式分解(EEMD)和长短期记忆神经网络(LSTM)的海平面非线性变化组合预测模型。EEMD可以得到海平面异常的各周期项、线性趋势及残差部分, LSTM模型可对其进行逐个预测并重构得到最终的海平面异常预测结果。EEMD-LSTM组合模型海平面异常预测的均方根误差仅为25.87 mm, 取得了令人满意的效果。基于该组合模型预测2016-2025年山东半岛近海海平面上升速率将达到3.54 mm·a^-1。     

结合CNN-BiLSTM-SA运动模式识别的自适应步频检测方法

随着位置服务(LBS)的普及，基于智能手机的行人步频检测方法对行人航迹推算(PDR)有重要影响.针对传统步频检测方法在行人多种运动模式下计步误差大的问题，提出一种结合CNN-BiLSTM-SA运动模式识别的自适应步频检测方法.首先根据行人行走特点划分运动模式，使用卷积神经网络(CNN)提取行人不同运动模式的局部特征，利用自注意力机制(SA)对提取的运动特征进行权重分配；再结合双向长短期记忆网络(BiLSTM)挖掘行人运动特征的前后时序关系进行分类识别；然后根据分类结果提出自适应最小峰距和自适应动态阈值两个特征约束的峰值检测算法对步频进行检测，并在步行中动态调整阈值大小.实验结果表明：本文提出方法在8种组合运动模式下步频检测平均误差率为1.31%，与传统峰值检测相比误差率降低5.97%，同时也优于固定阈值法.     

基于CEEMD和LSTM方法的深基坑沉降变形预测

为了提升长短时记忆(LSTM)神经网络对深基坑沉降监测数据的预测效果，本文提出一种基于互补集合经验模态分解(CEEMD)、样本熵以及LSTM神经网络的组合基坑沉降预测模型。该组合沉降模型实现基坑沉降变形预测的关键步骤为：首先，使用CEEMD分解算法将基坑沉降序列分解为若干个本征模态函数(IMF);其次，重组相同特征的IMF分量；最后，使用LSTM神经网络预测重组后分量并叠加预测结果。使用某实测基坑数据进行实验，结果显示，本文提出组合预测模型预测结果的均方根误差、平均绝对误差以及平均绝对百分比误差较对比模型均更小，表明本文提出组合预测模型的预测精度更高，具有较好的非线性序列预测效果，为基坑沉降预测提供了一种新方法。     

融合数据同化与机器学习的流域径流模拟方法

环境变化影响下流域径流的精确模拟对洪涝灾害防治与区域水资源管理都具有重要意义。在径流模拟研究中，现有机器学习模型未能充分考虑水文中间状态变量对降雨-径流过程的影响，本研究基于集合卡尔曼滤波(EnKF)更新水文状态变量，结合主成分分析(PCA)提取预报因子的主要特征，采用长短时记忆神经网络(LSTM)构建考虑水文中间变量的机器学习水文模型EnKF-PCA-LSTM。以赣江流域为例，评估EnKF-PCA-LSTM模型的径流模拟效果，同时将模拟结果与LSTM模型、物理水文模型HYMOD做对比分析。结果表明，EnKF-PCA-LSTM模型模拟径流的纳什效率系数、Kling-Gupta效率系数和对数纳什效率系数分别为0.954、0.971和0.972,比LSTM模型和HYMOD模型具有更好的模拟性能，说明考虑水文状态变量可有效提高机器学习模型的径流模拟精度及稳定性。研究成果可为流域径流模拟提供技术参考。     

基于长短期记忆网络的甘肃舟曲立节北山滑坡变形预测

立节镇北山滑坡长期处于蠕动变形状态，已多次发生滑坡、泥石流灾害。监测地表形变，以掌握灾害体地表形变规律，是实现地质灾害预警预报的可靠依据。文章引入一种机器学习模型——长短期记忆网络，通过立节北山监测点位移数据，运用该方法对立节北山滑坡变形进行预测，并且将预测结果与实际数据进行比对和分析。文章预测结果评价指标选用均方根误差、平均绝对误差、决定系数以及可解释方差，其中决定系数和可解释方差均达到0.99，预测值和真实值的拟合均方根误差和平均绝对误差也表现较低，说明长短期记忆网络在立节北山滑坡变形的预测中达到了良好的预测性能。     

CAST-LSTM：一种用于雷达回波外推的时空LSTM模型

基于循环神经网络的雷达回波外推算法的预报结果随时间逐渐模糊失真，同时难以预报强回波区域。针对上述问题，提出一种上下文融合和注意力机制的时空长短期记忆网络模型。该方法通过上下文融合模块充分提取雷达图像不同尺度的短期上下文信息；通过注意力模块拓宽预测单元的时间感受域，使模型感知更多的时间动态。以2019—2021年4—9月江苏省气象雷达数据为样本，通过试验对比分析，基于上下文融合和注意力机制的时空长短期记忆网络取得了更好的预测性能。在外推60min，阈值为10、20、40 dBz的条件下，临界成功指数和HSS分别达到0.7611、0.5326、0.2369和0.7335、0.5735、0.3075，有效提高了预测精度。     

媒体话语下纪念性恐惧景观神圣性地理想象建构过程研究——以侵华日军南京大屠杀遇难同胞纪念馆为例

纪念性恐惧景观是人类珍贵的记忆遗产，但因灾难事件存在非亲历性和时空距离感，公众可能会对其产生负面的地理想象，纪念性恐惧景观的社会意义不断陷入困境，如何建构纪念性恐惧景观的神圣性成为重要的研究问题。以侵华日军南京大屠杀遇难同胞纪念馆为案例地，运用扎根理论探讨了媒体话语下纪念性恐惧景观神圣性地理想象的建构过程与机理。研究发现：1）网络媒体将南京大屠杀记忆扩展至更宽广的时空语境之中，叙述重点呈现由宏观历史向微观生命意义演变的趋势。2）国家及媒体通过命名规范、法律尊崇、象征物建构、仪式互动等方式，自上而下地将纪念馆建构为一个神圣的和平纪念地与新时代国家形象的传播地。3）在侵华日军南京大屠杀遇难同胞纪念馆神圣性建构的过程中，纪念仪式扮演着联结主体、记忆与空间的重要角色。公众通过参与纪念仪式将自身与记忆场域和集体身份相连接，产生强烈的使命感与意义感。