基于PSR-WSVM模型的边坡位移预测

为建立高精度的边坡位移预测模型，采用相空间重构（PSR）将边坡位移时间序列数据转换为多维数据，同时构造小波核函数改进的支持向量机模型，建立PSR-WSVM模型并应用于边坡位移预测。将PSR-WSVM模型预测结果与传统支持向量机（SVM）模型、小波支持向量机（WSVM）模型和基于相空间重构的支持向量机（PSR-SVM）模型预测结果进行对比，通过平均绝对误差（MAE）、平均绝对误差百分比（MAPE）和均方根误差（RMSE）3个精度评价指标验证PSR-WSVM模型的可行性。工程实例结果表明，PSR-WSVM模型预测结果的3个精度评价指标都优于另外3种模型，边坡位移预测的精度明显提升。     

Predicting quantiles of water quality from catchment characteristics

Water quality is often highly variable both in space and time, which poses challenges for modelling the more extreme concentrations. This study developed an alternative approach to predicting water quality quantiles at individual locations. We focused on river water quality data that were collected over 25 years, at 102 catchments across the State of Victoria, Australia. We analysed and modelled spatial patterns of the 10th, 25th, 50th, 75th and 90th percentiles of the concentrations of sediments, nutrients and salt, with six common constituents: total suspended solids (TSS), total phosphorus (TP), filterable reactive phosphorus (FRP), total Kjeldahl nitrogen (TKN), nitrate-nitrite (NO_x), and electrical conductivity (EC). To predict the spatial variation of each quantile for each constituent, we developed statistical regression models and exhaustively searched through 50 catchment characteristics to identify the best set of predictors for that quantile. The models predict the spatial variation in individual quantiles of TSS, TKN and EC well (66%–96% spatial variation explained), while those for TP, FRP and NO_x have lower performance (37%–73% spatial variation explained). The most common factors that influence the spatial variations of the different constituents and quantiles are: annual temperature, percentage of cropping land area in catchment and channel slope. The statistical models developed can be used to predict how low- and high-concentration quantiles change with landscape characteristics, and thus provide a useful tool for catchment managers to inform planning and policy making with changing climate and land use conditions.     

黑龙江哈尔滨白渔泡国家湿地公园沼泽、林地和农田土壤物理、化学和生物性质差异

为了揭示黑龙江哈尔滨白渔泡国家湿地公园沼泽、林地和农田土壤物理、化学和生物性质的差异,于2018年7月25日~8月2日,在湿地公园内,在天然芦苇(Phragmites australis)沼泽、林地、旱田和水田中设置采样地,采集不同深度(0~10 cm、10~20 cm和20~30 cm)的土壤样品,测定土壤样品的物理、化学和生物指标。研究结果表明,白渔泡国家湿地公园不同采样地土壤指标存在差异;与天然芦苇沼泽土壤相比,其它采样地土壤的含水量明显偏低,土壤全氮、全磷、碱解氮和有机质含量都明显偏小,水田土壤速效磷含量偏大;天然芦苇沼泽土壤脲酶、硝酸还原酶、纤维素酶、蛋白酶和β-葡萄糖苷酶活性都高于林地和农田土壤,水田0~10 cm和10~20 cm深度土壤的硝酸还原酶活性显著高于旱田和林地;与天然芦苇沼泽土壤相比,旱田土壤小于0.25 mm的小团聚体含量偏大,而其它采样地土壤的各粒级团聚体的比例变化较小,水田土壤团聚体平均重量直径比天然芦苇沼泽和旱田土壤低。     

A machine learning approach for predicting computational intensity and domain decomposition in parallel geoprocessing

ABSTRACT

High performance computing is required for fast geoprocessing of geospatial big data. Using spatial domains to represent computational intensity (CIT) and domain decomposition for parallelism are prominent strategies when designing parallel geoprocessing applications. Traditional domain decomposition is limited in evaluating the computational intensity, which often results in load imbalance and poor parallel performance. From the data science perspective, machine learning from Artificial Intelligence (AI) shows promise for better CIT evaluation. This paper proposes a machine learning approach for predicting computational intensity, followed by an optimized domain decomposition, which divides the spatial domain into balanced subdivisions based on the predicted CIT to achieve better parallel performance. The approach provides a reference framework on how various machine learning methods including feature selection and model training can be used in predicting computational intensity and optimizing parallel geoprocessing against different cases. Some comparative experiments between the approach and traditional methods were performed using the two cases, DEM generation from point clouds and spatial intersection on vector data. The results not only demonstrate the advantage of the approach, but also provide hints on how traditional GIS computation can be improved by the AI machine learning.     

自然和自然贡献情景模型研究综述

本文回顾了自然和自然贡献情景模型发展的背景、历史和内容,概括总结了自然和自然贡献情景模型的发展进程以及联合国生物多样性与生态系统服务政府间科学—政策平台(IPBES)情景模型的概念框架,讨论了自然和自然贡献情景模型存在的问题和发展方向。为了在全球层面解决现有综合集成模型存在的问题,根据地球表层建模基本定理和生态环境曲面建模基本定理,提出了具有中国原创特点的自然与自然贡献情景模型概念框架。     

基于GPIB接口的计数器数据采集与控制软件

在Windows平台上 ,使用VC 6 .0开发了一套基于GPIB接口的计数器数据采集与控制软件 ,其特点是采用了多线程机制 ,可实现对计数器的控制 ,以及数据的采集与实时显示。     

一种有发展前景的隧道及井巷超前预报技术——电磁导弹探测技术

对于隧道和煤矿井巷的安全掘进 ,超前预报显得特别重要。但由于掌子面前的特殊环境限制及多种干扰的严重影响 ,给隧道及井巷超前预报技术的研究带来许多困难。在瞬变电磁理论的基础上 ,引入新的电磁传播理论———电磁导弹技术 ,作为对该技术的初步探索 ,文章论证了该技术在隧道超前预报中应用的可能性 ,并提出了研究的主要内容和发展方向以及可能取得的新的技术突破和技术支撑     

青藏高原隆升的非线性动态有限元仿真研究

根据青藏高原的地质特征建立分析模型，采用3维动态有限元方法，在计算仿真板块速度场的基础上，计算在青藏高原的隆升过程中该地区地壳岩石的等效应力和位移随时间的变化，计算仿真得到的速度场与1998年GPS观测的速度场吻合良好；与过去一贯的假设相反，计算结果反映出地壳应力场不是静态的，而是此起彼伏，不断变化的，应力值最大且变化最剧烈的地区在克什米尔地区、鄂尔多斯地区和鲜水河－小江断裂带，与地震多发区域吻合。     

大同—阳高Ms6.1地震前兆综合加权信息熵的变化

利用“地震预报计算机专家系统”的思想对大同 -阳高 Ms6 .1地震前每一前兆异常事件进行综合评估 ,以每一异常的最可能发震时间来计算发震概率 ,利用地震前兆综合加权信息熵研究了系统熵值与地震的关系。对华北地区的地震前兆综合加权信息熵研究表明 ,在大同 -阳高 Ms6 .1地震前 ,信息熵出现了明显的减熵有序变化     

对青藏东北缘现今块体划分、运动及变形的初步研究

利用2维非连续变形分析方法（DDA），以位移代替围压作为边界约束力，研究青藏东北缘现今块体划分及其运动变形。根据该地区地质构造及地震活动，以GPS点测量位移作为模拟结果约束点，得出了较合理的块体划分模型和随时间演化的主应变分布图，并把应变高值区与近几年来发生的5级以上地震作对比，得出了研究区内地震危险性可能较大的区域。另外，对模拟的甘青块体与阿拉善块体的边缘带断裂左旋运动做了大概计算。