基于机器学习的高精度高分辨率气象因子时空估计

气象变量常作为重要的影响因子出现在环境污染、疾病健康和农业等领域,而高分辨率的气象资料可作为众多研究的基础数据,对推进相关研究的发展意义重大。本文以中国大陆为研究区域,利用2015年824个气象站点的气温、相对湿度和风速3套数据,结合不同的解释变量组合,分别构建了各自的GAM和残差自编码器神经网络（简称残差网络）模型,以10倍交叉验证判断模型是否过拟合。研究结果表明：① GAM和残差网络方法都不存在过拟合问题,同GAM相比,残差网络显著提高了模型预测的精度（3个气象因素的交叉验证CV R²平均提高了0.21,CV RMSE平均降低了37%）,其中相对湿度模型的提升幅度最大（CV R²:0.85 vs. 0.52,CV RMSE:7.53% vs. 13.59%）;② 残差模型的结果较普通克里格插值结果和再分析资料更接近站点观测数据,表明残差网络可作为高分辨率气象数据研制的可靠方法。此外,研究还发现在相对湿度模型中加入臭氧浓度和气温、在风速模型中加入GLDAS风速再分析资料,可提升模型的性能。     

基于深度学习的钨钼找矿靶区预测方法研究

随着矿产勘查工作由浅部矿向深部隐伏矿、由易识别矿向难识别矿发展,找矿难度日益增大,地质专家越来越重视新理论、新方法、新技术的应用。深度学习作为人工智能的前沿领域/技术,对于实现矿产资源预测“智能化预测评价”具有得天独厚的优势。本文以陕西省镇安县西部钨钼矿集区单元素化探异常原始数据为基础,提出了基于深度学习的钨钼矿产评价方法。该方法以归一化地球化学数据作为模型训练数据,通过深度学习中深度自编码网络方法实现异常值提取进而识别重点成矿有利地段,实现矿产资源找矿远景区定性预测。研究结果表明,在对957条单元素化探异常原始数据分类且做好模型标签后,整个过程在计算机的“黑盒子”中自动完成学习和预测,相较于传统预测研究方法,本文方法具有自动化程度高和客观性强的特征。此外,本文利用已知矿点构建训练数据集,采用随机森林方法对预测区进行矿产资源找矿靶区预测圈定,为进一步缩小找矿靶区范围提供科学依据。     

土层锚杆模型试验研究

针对土层锚杆应力分布的复杂性,进行室内模型试验,利用所得数据,绘制了拉力型锚杆和压力型锚杆杆体全长上的应变分布曲线、同列锚杆锚固段末端点以及坡面处的应变分布曲线.在所得曲线的基础上,对坡体中锚杆的应力分布特征以及变化规律进行了分析及讨论,从而对其工作性能和加固机理进行初步研究.介绍了锚杆上剪应力分布的理论解,并将试验结果与理论分析结果进行了对比,两者基本吻合,验证了本试验结果的合理性和可靠性.     

沉积物中硬质粘土层的研究进展

大量的钻孔资料表明,平原地区及其海域沉积物中普遍有硬质粘土层的存在。硬质粘土层在工程地质、地理学研究等方面具有重要的价值,它不仅是高层建筑的持力层,而且是研究全球环境变化事件、古气候演变的良好载体。该文阐述了硬质粘土层的一般特征、成因以及在粒度、地球化学元素、年代学、沉积环境等方面的研究进展,并展望了硬质粘土层在年代、物质来源和沉积环境等方面的研究方向,认为黄河三角洲硬质粘土层研究较少,需要开展大范围的、系统深入的、多学科的宏观和微观综合分析,挖掘硬质粘土层蕴含的古环境意义和应用价值。     

陡倾斜脉状矿体隐伏深度计算

在研究广西 10 0个矿区地质资料基础上 ,建立了陡倾斜脉状矿体隐伏深度计算经验公式 ,从而为隐伏矿床预测、减少矿床勘查风险提供了信息     

震后早期阶段余震预测研究进展

震后早期快速、准确的余震预测对震后灾害风险应对和采取有效的处置措施十分重要.震后早期阶段地震目录不完整性是影响现有余震预测方法快速、准确预测的关键因素.近年来,随着技术和模型的发展,使得震后早期数据缺失阶段的余震预测成为可能.本文针对震后早期数据缺失阶段难以开展有效的余震预测问题,分别从提升余震检测率角度阐述了匹配滤波技术和深度学习技术,从统计地震学的余震补齐角度阐述了双尺度变换技术,从最大限度利用余震信息实时预测角度阐述了Omi模型和Lippiello模型等研究进展,分析了各类方法的优劣势,并提出了综合解决震后早期数据缺失阶段余震预测“瓶颈期”问题的技术路线,为从事地震检测、余震预测以及震后趋势研判等相关工作的科研人员提供科学参考.     

多种方法测定2019年皎口水库地区2.5级以上地震震源深度

应用CAP方法、sPL深度震相方法和双差定位方法,对2019年M2.5以上皎口水库地区地震震源深度进行测定。通过CAP方法进行反演,计算出最佳震源机制解及震源深度;在震中距50 km左右的近台识别出清晰的sPL震相,运用频率—波速（F-K）方法画出各种震源深度的理论波形,与实际波形进行拟合确定震源深度;建立地震事件对,利用走时差观测值与理论值的残差确定其相对位置及深度。结果发现,上述多种方法测定的结果基本一致;相对而言,双差定位方法更适合皎口水库地区地震震源深度的测定。     

非稳态地下水流系统响应降雨变化的数值模型研究

区域地下水流系统的发育受地质、气候和地形多种因素的影响。以往的地下水流系统研究主要探讨了地质、地形和稳态气候条件下所形成的局部、中间和区域流动系统的组成特征,对非稳态的地下水流系统认识不足。聚焦于研究地下水流系统对降雨变化的动态响应规律,使用HydroGeoSphere构建了剖面二维地下水地表水耦合数值模型,模拟在降雨的周期性和随机性叠加动态驱动下非稳态渗流场形成的地下水流系统。模拟结果表明,各层级流动系统的空间范围都会随着降水波动而发生变化。局部地下水流系统在雨季并非都处于扩张状态,在旱季也并非都处于收缩状态。各个局部流动系统的同时刻穿透深度之间可能具有无关、正相关或负相关关系,这取决于各个局部流动系统响应降雨变化的滞后性。中间流动系统在非稳态条件下非常活跃,其排泄出口、补给入口和循环路径随时间变化,并强烈影响局部流动系统。通过5种不同含水层参数和降雨情景的模拟对比,发现地下水流系统的滞后性和穿透深度的相关性对含水层各向异性特征较为敏感。下一步,需要更加深入地研究地下水流系统在季节尺度、多年乃至跨世纪时间尺度气候波动过程中的非稳态响应规律。     

融合储层纵向信息的机器学习岩性识别方法

测井资料中包含丰富的岩性信息,相比于取心资料,具有连续性强、成本低等优点。用机器学习方法探索测井曲线与实际取心段样本岩性之间的关系,实现储层岩性的自动识别,降低岩性识别成本,提高识别效率和准确性,可以为储层评价提供有效手段。基于岩性分类依据选择适合样本的分类方案,选取适合岩性分类问题的机器学习方法设计试验方案,提出了融合储层纵向信息的机器学习岩性识别方法,利用深度窗对常规测井数据和已知岩性数据进行了序列采样,生成了训练样本。用逻辑回归、支持向量机、随机森林、卷积神经网络和Stacking集成学习5种不同方法分别建立模型,对新疆某油田的强非均质岩层原始样本进行了岩性识别。结果表明,当深度窗宽度与岩层厚度相匹配时,在原始样本具有强非均衡性的情况下,用本方法对其进行预处理之后,各个机器学习方法获得的岩性识别准确率均有较大提高。深度窗的宽度决定了方法识别岩层厚度的精度,深度窗越小,识别精度越高;深度窗越大能够保留的纵向信息越多,对相应厚度的岩层识别准确率越高。本文的融合储层纵向信息的机器学习岩性识别方法能提升测井资料岩性识别的准确性,给非均质薄岩层的自动有效识别提供了经济有效的参考方案。     

基于深度学习的地震速度谱自动拾取研究

在常规的地震数据处理工作流程中,人工拾取地震速度谱中的叠加速度存在耗时长、效率低的问题,且容易受到人为经验的影响.本文基于目标检测的方法,应用改进后的FCOS(Fully Convolutional One-Stage Object Detection)神经网络模型实现速度谱中叠加速度的自动拾取.该方法将速度谱图像作为输入,经模型训练后输出“时间-速度”对序列.在处理低信噪比工区数据时,针对速度谱能量团聚焦特征较差的特点加入基于深度神经网络(Deep Neural Network, DNN)的线性回归模型以拟合出全局速度曲线.Marmousi模型数据和实际工区数据测试结果表明,本文所设计的地震速度谱自动拾取模型准确性较高、鲁棒性强,有效地缓解了人工拾取的负担,在保证速度拾取精度的同时显著地提高了效率.