Embedding a Geographic Information System in a Decision Support System for Landslide Hazard Monitoring

In this paper we present an application that exploitsa geographic information system as a front-end of acomplex information system supporting the managementof landslide hazard in Valtellina, an alpine valley inNorthern Italy.A decision support system (EYDENET, operational sinceOctober 1996), incorporating a geographic informationsystem and a data interpreter based on artificialintelligence techniques, processes the readings of the250 most significant instruments of a monitoring netof about 1000 sensors installed on differentlandslides in several alpine valleys.Data gathered by extensometers, clinometers andpluviometers, to check both movements of rocks andclimatic conditions which could affect them, areprocessed by EYDENET, that provides on-lineinterpretation of data, helps the users analyse them,and generates natural language explanations and alarmmessages for the people responsible for theenvironmental management and the civil protection.     

主成分分析法和遗传算法优化的支持向量机模型在地震伤亡人数预测中的应用

为有效解决地震伤亡人数预测所需影响因子多、运算量大、模型训练烦琐等问题,构建了主成分分析法(PCA)和遗传算法(GA)优化的支持向量机(SVM)模型,采用PCA对地震伤亡人数影响因子进行降维以去除贡献率较低的主成分,将贡献率较大的主成分作为支持向量机的输入变量,以地震伤亡人数作为输出变量,利用GA对SVM模型性能参数进行优化,建立基于PCA-GA-SVM的地震伤亡人数预测模型,并对测试样本进行预测,结果表明:与SVM模型、 GA-SVM模型和PCA-GA-BP模型相比, PCA-GA-SVM模型的预测准确率和运行效率分别提高4.73%、 1.14%、 9.99%和47.05%、 36.76%、 44.55%。结果显示, PCA-GA-SVM模型预测精度高,泛化能力强,能够科学合理地对地震伤亡人数作出预测。     

基于梯度提升树的大气分层透过率快速计算方法

大气透过率的计算是红外辐射传输计算的核心,RTTOV(Radiative Transfer for TOVS)通过建立大气廓线中温度、水汽、臭氧和其他气体浓度等参数与卫星通道透过率的统计关系,可实现卫星通道透过率和大气顶辐射率的快速准确计算。但在一些复杂吸收波段,如水汽波段,RTTOV的计算误差较大。为提高RTTOV在水汽敏感波段的计算精度,利用机器学习中的梯度提升树(Gradient Boosting Tree,GBT)方法,选取从ECMWF(European Centre for Medium-Range Weather Forecasts)的IFS-137(The Integrated Forecast System,137-level-profile)廓线集中挑选的1406条廓线和由此计算的透过率真值作为样本,选取风云三号气象卫星上搭载的红外分光计(Infra Red Atmospheric Sounder,IRAS)通道12(7.33μm)进行个例研究,分别建立陆地和海洋晴空大气等压面至大气层顶透过率的快速计算模型(GBT模型)。通过和透过率、亮温真值的比较,验证了GBT模型...     

30—50 天振荡动能特性及其与平均气流正压不稳定能的转换

该文利用冬季500 hPa的欧洲中心（ECMWF）网格点逐日资料,分析了30—50天振荡的E矢量分布、动能特性及平均气流的正压不稳定能转换特征,从而得到：30—50天振荡的能量传播与西风急流的位置有密切的关系,在西风大风速区作纬向能量传播,在小风速区作指向赤道的经向传播;在急流的出口区有较强的正压能转换,低频振荡从基本流中获得能量,使这里的低频动能最大,并表现出较强的正压特性,与低纬度的斜压特性形成鲜明对照。     

单一低透突出煤层底抽巷煤气共采技术及实践

针对底抽巷瓦斯抽采穿层钻孔施工过程中,煤岩界面识别不及时、不准确,缺少相应技术手段的问题,设计开发了一套基于钻进参数(转速、回转扭矩、推进力、推进速度、破碎比功)的煤岩界面识别系统,整套系统由数据感知层、采集层和分析层组成。其中,数据感知层和数据采集层合称钻机数据采集系统,可以对钻进参数进行实时采集;数据分析层则采用支持向量机(Support Vector Machine, SVM)分类算法对带有煤岩分类标记的钻进参数进行数据学习和模型训练,继而对未知的钻进参数进行分类预测,最终实现煤岩界面自动识别。在河南鹤壁中泰矿业的现场应用表明：钻进参数中的回转扭矩、推进速度和破碎比功在煤岩界面处均产生明显的“涨落”,可以作为区分煤层和岩石的3个特征参数;使用线性核函数的支持向量机分类模型可以准确地将两种地层中的钻进参数区分出来,通过对训练集中89个样本数据学习即可在测试集中获得100%的正确率,说明了特征参数和地层信息之间是线性可分的。该系统推广应用不仅可以为煤岩分类识别提供基础数据的获取途径;还可以为穿层钻孔的煤岩界面识别提供一定的科学依据和指导,从而确保钻孔达标,避免抽采空白带的产生。

     

基于支持向量机模式识别的大雾预报方法

选取1971～2000年11～12月大雾发生前近地面层的气象要素(气温、降水、能见度、风向风速、相对湿度、云量等9个预报因子),将支持向量机(SVM)方法应用于大雾预报.采用支持向量机方法,应用径向基函数,建立了陕西公路站点大雾24 h预报模型,并进行了大雾预报的模拟、训练,其寻优标准TS评分达到了理想的效果.     

任意各向异性介质中三维可控源音频大地电磁正演模拟

在一些地层层理发育的地区,地下介质存在显著的电各向异性,此时基于各向同性模型解释含各向异性效应的可控源音频大地电磁（CSAMT）测深观测数据会导致错误的结果.本文通过引入3×3的对称正定张量表征电导率各向异性,采用非结构四面体网格和矢量有限元方法离散电场满足的矢量Helmholtz方程,并将电磁场源等效为系列电偶极子,实现任意各向异性介质中CSAMT高效数值模拟.本文首先通过层状各向异性模型检验三维有限元算法的精度和有效性,进一步建立三维地电模型研究异常体各向异性和围岩各向异性对CSAMT响应的影响,最后使用视电阻率极性图来识别各向异性电导率主轴方向.数值模拟结果表明,各向异性电导率对CSAMT视电阻率幅值及分布规律都有很大影响,视电阻率极性图能够很好地识别各向异性主轴方向.

     

基于多源数据的机器学习在地震预测中的研究进展

近年来,机器学习的快速发展在计算机视觉、自然语言处理和数据挖掘等领域取得前所未有的成绩。地震研究学科众多,包括地震学、大地测量学、地球化学、地球电磁学和地质学等,研究产生的多源、复杂、海量数据高度符合机器学习对于训练数据的要求,因此许多学者将机器学习方法引入到地震预测中。本文基于机器学习背景、地震预测应用流程和评价方法等方面,回顾了近年来基于机器学习方法,利用不同学科数据进行地震预测的应用概况和主要进展,并对机器学习在地震预测中的应用进行总结和讨论。     

支持向量机、随机森林和人工神经网络机器学习算法在地球化学异常信息提取中的对比研究

地球化学勘查是通过发现异常、解释评价异常进行找矿的。因此,地球化学异常识别对矿产资源的定位、定量预测具有重要的的指示作用。在大数据时代的背景下,机器学习方法不要求数据满足正态分布的分布形式,且具有非线性以及泛化能力强等特点,因而逐渐地被应用于矿产资源的定量预测评价,如神经网络、支持向量机、贝叶斯网络、随机森林、受限玻尔兹曼机、极限学习机等。本文通过设计理论实验,可视化了不同算法,提出了不同机器学习方法在不同地区的地球化学异常信息提取中的效果存在不一致性的假设。在此基础上,以湖南香花岭锡多金属矿整装勘查区及甘肃合作金矿整装勘查区的地球化学异常提取为研究内容,将人工神经网络、随机森林以及支持向量机应用于研究区地球化学异常信息的提取与识别工作。在香花岭研究区,人工神经网络的结果较好,在合作研究区,随机森林的结果较好,从而验证了上述假设。通过生成两研究区的地球化学异常图,讨论了该方法在两研究区地球化学异常的地质意义和该方法的可靠性与实用性。此外,还完善了基于多种监督机器学习方法的地球化学异常信息提取流程,为软件开发提供了一定的理论依据。