基于LSTM与Transformer的地面沉降智能预测方法研究——以上海市为例

受地面沉降严重威胁到生命财产安全的人口已达19%,开展地面沉降模拟预测对防灾减灾具有非常重要的现实意义。针对现有地面沉降预测在模型参数难以获取、单一深度学习方法在预测精度低等方面的局限性,本文提出了集成大模型核心技术的地面沉降预测方法。首先,从地面沉降模拟预测的顶层设计,提出了基于深度学习的地面沉降预测包括算力层、数据层、模型层、评估层与应用层的总体架构;其次,基于LSTM与Transformer提出了地面沉降预测的实用方法;最后,利用上海的地面沉降数据进行了实验研究。结果表明：深度学习技术可以在地面沉降模拟预测中取得较好的结果,多模型法对地面沉降变化不大、回弹、变化较大均可进行预测,iTransformer模型对地面沉降变化较小的情况预测效果较好;在微量地面沉降时代,利用大模型的核心技术Transformer可以取得较高的精度。     

矿产分布繁杂 记忆方法有序

我国矿产资源分布特点：北方多有煤油气,南方多藏有色（金属矿）磷,集中虽好开采易;流通交换运输难。这就点出了我国矿产资源分布的特点：分布广泛,相对集中,煤、铁、油产区,北方居多;有色金属区多在南方;有利于集中开采,形成全国性的矿产基地;但流通交换,加重了运输负担。     

长江干流径流的时序结构与长期记忆

基于宜昌、汉口、大通3个典型控制站的长期月径流序列,本文采用奇异谱分析方法、消除波动趋势法 (DFA) 等手段,识别长江干流径流序列的趋势、突变、周期振荡等时序结构及其长期记忆特征。主要结论有：①长江干流径流序列存在明显的准15年周期振荡特征,该周期振荡1970s以来受到某种扰动而弱化;② 宜昌站径流序列于1926 年、1970 年发生两次突变,均以径流减少为特征;汉口站径流序列于1955a发生突变,也以径流减少为特征;大通站径流于1955年、1988年发生两次突变,前者以径流减少为特征,后者以增加为特征;③ 长江干流月径流序列存在较强的确定性成分,长期记忆特征明显;集水面积越大,径流序列的长期记忆越强,表现出明显的记忆累积效应。     

融合空间和时序遥感信息的深度学习水稻提取

为了得到更加精细的水稻提取结果,提出一种结合高分辨率和多时序遥感影像的深度学习水稻提取方法.构建全卷积网络(FCN)对BJ-2高分辨率遥感影像进行分类,并利用长短期记忆网络(LSTM)和随机森林(RF)分类器对Sentinel-2多时序遥感影像进行分类,再通过面向对象的分割和投票对3种方法的分类结果进行融合,得到最终提...     

历史传承与现代化的对接——北京城市建设新风貌

北京城市建设日新月异,以惊人的速度、超常的规模,黍列国际大都会行列。但800年古都、风韵犹存;本文论述对东西长安街和南北中轴线空间布局的棋盘格局;地铁选线与设计的乡土特色,古树名木的历史见证与城市记忆,为读者解读北京城市建设现代化过程中,体现历史文化传承潜规则的精彩与和谐。     

基于特征注意力机制的RNN-Bi-LSTM船舶轨迹预测

【目的】为更准确预测船舶轨迹,基于RNN、Bi-LSTM和注意力机制,研究一种结合特征注意力机制的RNN-Bi-LSTM的船舶轨迹预测模型。【方法】基于AIS数据构建基于循环神经网络(RNN)与双向长短时记忆网络(Bi-LSTM)的混合神经网络模型,并在混合模型中加入特征注意力机制对数据特征进行权重分配,提升模型对船舶轨迹预测精度。【结果】使用实际运行的船舶AIS数据,对模型的有效性和实用性进行验证,测试集均方误差为2.751×10^-5、均方根误差为5.245×10^-3,在连续弯道预测中的均方误差为4.359×10^-6、均方根误差为2.088×10^-3。【结论】结合特征注意力机制的RNN-Bi-LSTM相较于传统的预测神经网络,船舶轨迹预测精度更高,尤其在弯道预测中也表现出较好的符合度。     

基于长短期记忆神经网络的风速超短期快速滚动预报技术

利用甘肃省某风电场2017—2020年测风数据,基于长短期记忆神经网络(LSTM)模型,通过评估不同输入数据和模型时间窗口长度下的预报精度,设计一套适用于风电场的风速超短期快速滚动预报方案。结果表明：通过输入不同的特征变量,在风速的超短期(未来4 h内)预报中,风速自身变化起主导作用,模型输入变量中只加入各高度层的风速能得到更好的模拟效果。通过评估LSTM模拟时间窗口长度L对模拟效果的影响,当时间窗口长度L≤24 h时,模拟效果较好,说明超短期风速变化主要和风速自身临近时刻的变化有关;当L>24 h时,模拟效果快速下降,说明过长的L会削弱模拟能力,降低模拟精度。通过分析LSTM在未来4 h内的风速模拟能力,发现随着预报时长的增加,模拟精度逐步下降,但在未来2 h内的风速均方根误差RMSE均小于2 m·s^-1,结果较为理想,且该方法对计算资源要求不高,经济实用性强,在业务中具有较高的应用潜力。     

基于循环神经网络的重力异常数据推估研究

利用鄂尔多斯西南缘的重力观测数据对长短期记忆循环神经网络(long short-term memory,LSTM)进行训练,结果表明,该神经网络可基于有限的数据获取较好的推估结果.基于自由空气重力异常数据,对比分析长短期记忆循环神经网络和传统克里金方法的推估结果发现,神经网络的推估能力优于传统克里金方法,但运算效率低于...     

洞庭湖中枯水期水情变化及其驱动因素

为揭示洞庭湖中枯水期水情变化特征及其驱动因素,采用长短期记忆神经网络模拟洞庭湖出湖流量及湖区水位,通过情境模拟开展水情变化归因分析。洞庭湖1992—2019年9—10月出湖流量大幅减少,主要受长江流量降低的影响。洞庭湖中枯水期水位主要呈下降趋势,其中9—10月平均水位在西洞庭湖、南洞庭湖降幅约1 m,在东洞庭湖降幅约2 m。地形变化对中枯水期水位主要起拉低作用,长江和流域四水流量变化在9—10月起拉低作用、在12月至次年3月起抬升作用,其中对东洞庭湖水位的影响相对更为显著。研究结果可为洞庭湖中枯水期水资源管理和湿地保护提供参考。     

利用LSTM网络预测月球物理天平动参数

利用中国探月甚长基线干涉测量(very long baseline interferometry, VLBI)观测数据改进月球物理天平动参数的预测精度,对于着陆器和巡视器的精密定位具有重要意义。利用VLBI单点定位模型解算得到“嫦娥三号”(Chang’E-3,CE-3)着陆器的坐标和物理天平动,分别采用循环神经网络(recursive neural network,RNN)和长短期记忆(long-short term memory,LSTM)网络进行物理天平动的预测。选取月球着陆器的坐标和VLBI观测量作为输入量,将3个欧拉角Ω,i,μ作为输出量,将11 323个样本用于训练,2 315个样本用于测试,2 315个样本用于验证,1 000个样本用作与预测结果进行对比。结果显示,验证集的数据经过1 000次训练和9次迭代训练后的梯度约为6.2×10^-5(″)/s,证明了LSTM网络与RNN的可靠性。LSTM网络和RNN的3个欧拉角的预测精度分别达到了97.8%、99.7%、97.2%和95.2%、98.5%、95.8%,LSTM网络的预测精度更高。与DE421星历对...