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。     

基于谱聚类算法的海底滑坡危险性评价

海底滑坡的危险性评价与分区,对海洋工程设施的选址和危险预防具有指导作用。本文基于无监督机器学习的谱聚类算法对黄河口埕岛海域展开了海底滑坡危险性评价,构建了输入参数为9、输出类别为4、核函数参数为0.08的海底滑坡危险性评价模型。使用该模型进行评价,将研究区分为了海底滑坡危险性高、较高、较低和低的区域。评价结果与地质环境因素分布特征对比显示,最重要的影响因素为海底沉积物类型和水动力作用,最重要的触发因子为液化。模型参数分析结果显示,合理简化输入因子可获得精度略低的评价结果,而核函数参数是影响评价准确性的重要指标。以上研究表明,谱聚类算法能够较好地用于海底滑坡危险性评价,数据类别丰富度和精度是影响评价精细程度的重要因素。     

在省国土资源厅开展深入学习实践科学发展观活动动员大会上的讲话

同志们： 按照省委的统一部署,经厅党组研究决定,今天在这里召开深入学习实践科学发展观活动动员大会。主要任务是,深入学习贯彻中央和省委有关会议和文件精神,对我厅开展深入学习实践科学发展观活动进行动员部署。省委对开展学习实践活动高度重视,省委派来了以方士荣同志为组长、宋培军同志为副组长的一行4人指导检查组,等一会,方士荣组长还要作重要讲话。我代表厅党组和全厅党员干部职工,向省委指导组的全体同志表示热烈欢迎和衷心感谢!     

一种多层特征融合的道路场景实时分割方法

道路场景理解是自动驾驶领域中重要模块之一,它可以提供关于道路更丰富的信息,对于建立高精度地图和实时规划都具有重要作用。其中,语义分割可以为图像每个像素赋予类别信息,是自动驾驶场景理解中最常用的方法。但是,目前常用的语义分割算法在速度和精度上大都不能达到很好的平衡。本文在Mobile Net V2的基础上,提出了一种多层次特征融合的方法,使得网络可以在实时运行的同时保证精度满足实际应用的需求,并在Cityscapes数据集上进行了试验验证和分析。     

基于乡土案例探究的地理教学模式

一、背景提出 地理课程标准中指出：学习生活中有用的地理;学习对终身有用的地理;改变地理学习方式;构建开放式地理课程等。在课堂中使用乡土地理案例组织学生开展自主学习、合作探究等教学活动,既能够激发学生学习地理的积极性,     

基于双隐层ANN模型的叶绿素a浓度智能预报方法

利用2019年5月WZ02生态浮标监测数据,建立了两种不同隐层人工神经网络(ANN)模型的叶绿素a(Chl-a)智能预报方法,并对单隐层和双隐层模型的预测结果做了对比.结果表明:双隐层结构预测结果精度更高,泛化能力更强,一定程度上说明了深层学习比浅层学习对信息的主要特征提取能力更有优势.同时,对数据样本集合进行了系统预...     

基于深度学习的2D-3D地下密度异常体反演方法

地下密度异常体反演需要由二维数据反演三维结果,为了高效、高精度地反演地下异常体的位置及密度信息,本文提出2D-3D InvNet深度学习反演方法.方法的编-解码器结构,在编码阶段利用二维卷积网络结构提取地表重力异常及重力梯度异常数据信息,解码阶段利用三维卷积网络结构恢复异常体地下形态,实现了二维和三维网络结构的结合.为了精确地反演异常体密度,提出利用加权均方误差（WtdMSE）作为损失函数,同时为了更好地评估反演结果,引入核密度函数作为评价手段.与均方误差（MSE）相比,利用WtdMSE作为损失函数对异常体密度的反演结果更为准确,异常体所在区域的密度误差减少50%以上.对理论样本的反演结果表明,2D-3D InvNet在准确反演异常体地下位置的同时,也能给出准确的密度信息.应用此方法对西澳大利亚Kauring地区实测数据进行反演,我们成功获得了此区域地下异常体的密度分布.理论与实际应用结果表明,2D-3D InvNet深度学习方法稳定且具有较强的泛化性能,能在无需规定限制条件的情况下快速获得准确的反演结果.

     

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。     

广域滑坡灾害隐患InSAR显著性形变区深度学习识别技术

全面识别和发现地质灾害隐患,已成为我国地质灾害防治的重大实际需求。目前,基于InSAR技术和深度学习相结合用于广域尺度下地质灾害隐患智能识别应用效果与适用性还需要进一步探索与研究。本文基于Stacking InSAR技术获得地表形变相位数据,利用深度学习检测识别正在变形的滑坡隐患位置与分布,确定显著性形变区边界,探索将上述技术方法推广到一定的广域范围和动态更新数据集。结果显示,测试数据集显著性形变区平均识别精度为0.69,召回率为0.67,F₁ score为0.67,动态更新数据集识别精度为0.85,召回率为0.58,F₁ score为0.68。研究表明,本文方法在广域地灾隐患识别中具有应用可行性,可为地质灾害监测预警提供理论基础与技术支撑。     

“大气的运动”一节的“问题链”

“问题链”是教师为了实现一定的教学目标,根据学生的已有知识或经验,针对学生学习过程中将要产生的困惑,将教材知识转换成为层次鲜明、具有系统性的一系列的教学问题;是一组有中心、有序列、相对独立而又相互关联的问题。教学中的“问题链”,一问接一问,一环接一环,环环紧扣,步步深入,由此及彼,就像一根链条,把疑问和教学目标紧紧地连在一起,对学生学法的形成有较强的导向作用,是促进学生理解和掌握知识,发展学生的思维能力,