基于BNU-SWAT模型的地下水埋深模拟

基于BNU-SWAT模型对通州区地下水埋深变化进行了模拟,模拟结果较好地反映了通州区地下水埋深的实际变化趋势.在此基础上,设置了2020年平水年(P=50%)和枯水年(P=75%)2种情景,改变作物种植结构和再生水灌溉模式,模拟了北京市通州区未来地下水位变化趋势.结果表明:种植结构的合理调整,如小麦、玉米等农业用地向林果等经济林地的转变,可以有效减少农业地下水开采量;同时,利用通州区内及周边污水处理厂的再生水进行农业灌溉,不仅减少地下水的开采量,还可以有效补给地下水.以上2种方法的结合对通州区地下水资源保护具有重要的意义.     

基于机器学习的平面剩余油分布预测方法

老油田在长期开发过程中积累了大量的数据资源,为机器学习技术应用提供了基础.以深入挖掘数据资源内在关系为目的,提出基于机器学习的剩余油分布预测新方法.首先以测井解释成果、油藏工程理论计算和多套油藏数模结果为基础数据,开展数据融合和处理,给出12个维度参数的具体计算方法,形成样本资料库;利用支持向量机和长短期记忆神经网络模...     

基于机器学习的地下水水质预测研究

基于实测的地下水水质数据（pH、总硬度、溶解性总固体、硫酸盐、氯化物、Fe、Mn 7种）和气象数据（平均气温、最低气温、最高气温、平均最低气温、平均最高气温、20:00—20:00降水量、日降水量≥0.1 mm的时间、最大日降水量8种）,分别使用BP神经网络、随机森林（RF）和支持向量机（SVM）构建了地下水水质参数的机器学习预测模型．对于每一种水质参数,分别使用不同的机器学习算法基于不同滞后期的数据进行模拟,将结果与实测水质进行对比,选择精度最高的机器学习模型及其对应的滞后期作为该水质参数的最优模型和最佳滞后期．结果表明,不同机器学习方法和滞后期的选择对预测精度影响很大,BP神经网络对pH（R2=0.225,RMSE为2.411）、总硬度（R2=0.503,RMSE为47.973 mg·L?1）、氯化物（R2=0.994,RMSE为0.544 mg·L?1）和Fe（R2=0.302,RMSE为7.772 mg·L?1）的预测精度最高,RF对硫酸盐（R2=0.908,RMSE为3.788 mg·L?1）和Mn（R2=0.522,RMSE为0.429 mg·L?1）的预测精度最高,BP神经网络、RF和SVM对溶解性总固体的预测性能均较好（R2=0.994~0.996,RMSE为674.660~950.470 mg·L?1）．此外,硫酸盐和Mn预测模型对应的最佳滞后期为0个月,溶解性总固体和氯化物预测模型对应的最佳滞后期为1个月,pH、总硬度和Fe预测模型对应的最佳滞后期为2个月．      

三种机器学习模型在太湖藻华面积预测中的应用

基于2014—2018年太湖气象水文水质数据与卫星遥感数据,分别采用支持向量机(SVM)、长短记忆神经网络(LSTM)、极端梯度提升树(XGBoost)模型模拟全太湖、贡湖、南部沿岸区、中西北湖区的蓝藻水华(简称藻华)面积。结果表明:(a)XGBoost全太湖与分区藻华面积回归模型模拟效果较好,其次是SVM、LSTM回归模型;不同时间尺度下SVM、XGBoost回归模型对全太湖藻华面积模拟结果偏小,但有效模拟了藻华的发展趋势。(b)XGBoost分类模型在全太湖、中西北湖区模拟准确率较高,优于SVM、LSTM分类模型;在贡湖、南部沿岸区,3种分类模型准确率均较高。(c)以当天、提前1 d的气象水文水质因子作为全太湖与分区藻华面积模型输入,XGBoost回归与分类模型模拟精度较高、稳健性较好,预测应用情景较好。     

塔里木河下游数字地下水埋深模型的构建

根据数字地面模型的概念,利用航空拍摄的地面高程数据和地下水观测孔观测得到的地下水水位数据,建立了塔里木河下游地区的数字高程模型和数字地下水水位模型,并在这两个数字模型的基础上得到了塔里木河下游的数字地下水埋深模型．从数字地下水埋深模型获得的地下水埋深分布状况可知,地下水埋深大于10m的面积占统计面积的65％．     

河套灌区地下水埋深空间异质性分析

综合灌区井灌面积、引黄水量、土地利用类型等影响因素,通过地统计分析,研究河套灌区2000—2013年地下水埋深的空间异质性特征。研究表明:灌区地下水埋深的年内变化曲线呈驼峰型,最高最低值分别出现在秋灌期9月和秋浇期11月;相反,人口集中的城镇地区水埋深年内恒定不变;总体而言,由于井灌面积增大、引黄水量逐年减少等原因使得地下水埋深逐年增高。分析可知,研究区域地下水埋深的空间相关性适中且逐渐增长,空间分布各向异性增大,且因为城镇地区水埋深逐年增大,从而影响了整个灌区的地下水空间结构。克里金插值结果显示,地下水埋深由灌区中部地区至灌区边界总体呈上升趋势。地下水埋深最小值所处区域多为农田,极少部分为裸地,主要集中在解放闸灌域西部边缘地区、义长灌域东南部地区,最大埋深主要集中在巴彦淖尔市。     

地下水埋深对玉米滴灌的影响研究

以春玉米为研究对象,探求不同地下水位条件下(0.5m～3.0m)地表滴灌与地下滴灌对作物需水量、土体中盐分的运移规律及玉米产量的影响,以期为类似地域的科学灌溉与可持续发展提供理论依据。     

支持向量机下机器学习模型的分析

首先概述了支持向量机的发展与应用,指出其在机器学习领域有较大的发展前景.分析了支持向量机的基本算法,进而阐述了基于支持向量机的机器学习模型构造思路.给出了其应用于机器学习模型的核函数和训练算法,最后给出了学习模型的具体分类效果.     

基于遗传算法优化机器学习模型的地下水潜在性预测

传统机器学习模型在地下水潜在性预测中,未考虑最优因子组合,会对地下水潜在性制图产生不利影响。为此,提出了遗传算法优化支持向量机的地下水潜在性预测方法。以云南省彝良县为研究区,从地形、水文、土壤、地质等方面选取了共15个影响因子;考虑模型性能和影响因子的作用,利用遗传优化算法筛选了包含11个影响因子的最优因子组合;然后使用支持向量机方法构建了地下水潜在性预测模型;最后计算了因子优化前后的模型准确度和受试者工作特性曲线下面积（area under curve,AUC）,并绘制了模型的受试者工作特性（receiver operating characteristic,ROC）曲线和地下水潜在性预测图。结果表明：因子优化前模型的准确度为0.774,验证集AUC为0.789,因子优化后模型的准确度为0.777,验证集AUC为0.806,分别提高了0.003和0.017。可见,所提方法的准确性、可靠性优于传统的支持向量机法,其结果可以为区域水文地质调查和地下水资源管理与规划提供科学参考。     

地下水埋深对冬小麦地下水的利用量及表层土壤含水率的影响

地下水位埋深深浅直接影响冬小麦对地下水的利用量及土壤含水率,通过天长二峰灌溉试验站连续五年排水指标试验,寻求出江淮丘陵区冬小麦地下水位埋深时补水量及0cm～30cm土壤表层含水率的相关关系,为地下水吸收利用,水资源平衡计算及农田排水工程设计,提供科学依据.     

利用SVM-LSTM-DBN的短期光伏发电预测方法

为解决传统预测算法的不足,利用深度信念网络(DBN)耦合支持向量机(SVM)和长短期记忆神经网络(LSTM),提出一种新的光伏功率组合预测方法.分别构建以高斯径向基函数为核函数的支持向量机预测模型、4层长短期记忆神经网络为单项预测模型,通过深度信念网络组合,优化预测结果并输出.根据实际出力和预测结果的误差,利用DBN动态调整以获得最优值,进一步验证SVM-LSTM-DBN模型的有效性和准确性,并以新疆维吾尔自治区某光伏电站的实测数据进行仿真验证.结果表明:基于SVM-LSTM-DBN组合的光伏出力预测模型与单一模型相比,预测精度明显提高.     

多尺度卷积循环神经网络的情感分类技术

结合卷积神经网络对于特征提取的优势和循环神经网络的长短时记忆算法的优势,提出一种新的基于多尺度的卷积循环神经网络模型,利用卷积神经网络中的多尺寸滤波器提取出具有丰富上下文关系的词特征,循环神经网络中的长短时记忆算法将提取到的词特征与句子的结构联系起来,从而完成文本情感分类任务.实验结果表明:与多种文本情感分类方法相比,文中算法具有较高的精度.     

递归神经网络研究综述

递归神经网络(RNN)因具存储特性,可以处理前后输入有关系的序列数据,故广泛应用于文本音频、视频等领域.当输入间隙较大时,RNN存在短期记忆问题,无法处理很长的输入序列,而长短期记忆(LSTM)能很好地处理长期依赖性问题.自LSTM提出以来,几乎所有基于RNNs的令人兴奋的结果都是由LSTM实现的,因此LSTM成为深度...     

基于注意力模型的卷积循环神经网络城市声音识别

环境声音识别（Eenvironment Ssound Rrecognition ,ESR）在基于情景感知和辅助技术等领域发挥着重要作用。卷积神经网络（CNN）和循环神经网络（RNN）作为两种最具代表性的特征提取方法,在语音和音乐信号处理方面都取得显著效果,然而二者都存在一定缺点,CNN无法有效提取时间特征,RNN在提取空间特征上也存在明显劣势。为了有效的提取并利用时间特征和空间特征,提出一种新模型,利用时间分布卷积神经网络（CNN）从梅尔频谱图中提取城市环境声音特征,然后应用双向长短时记忆网络（BiLSTM）从CNN输出中获取时间信息,最后在BRNN的输出序列上实施注意力机制,从而关注到与城市环境声音最相关的特征进而做出分类判断,注意力机制既提高了分类准确性,又增强了模型的可解释性。实验结果表明,在Urbansound8K数据集中,该模型可获得80.2%的分类准确率,这优于以前在同一数据集的报告结果     

复杂环境中一种基于深度学习的异常检测方法

为了解决复杂环境中异常检测的问题,提出一种基于深度学习的检测方法。首先,通过引入(you only look once,YOLO)检测,将卷积神经网络回归法提取的物体时空特征,输入到长短期记忆模型(LSTM),追踪复杂环境中个体的运动轨迹。然后,评估相邻个体间运动轨迹的依赖性。最后,采用编码-解码框架训练LSTM模型,预测物体未来的运动轨迹;根据物体未来运动轨迹的异常概率,最终完成异常检测。实验结果表明,解决了复杂环境中运动物体间的相互干扰问题;在时间和空间鲁棒性评估上,优于其他轨迹追踪的方法,从而证明了本方法的有效性和可行性。     

基于双向长短期记忆神经网络的岩相预测方法

介绍一种基于双向长短期记忆神经网络(Bi-directional long short-term memory,Bi-LSTM)的岩相预测方法,综合利用测井和地震数据进行高效准确的岩相预测.通过合成地震记录,进行井震数据的时深匹配,以地震吸收衰减数据、纵波阻抗、密度和伽马拟声波阻抗作为输入,以岩相作为标签,通过Bi-L...     

基于LSTM的钓鱼邮件检测系统

提出了一种基于LSTM的钓鱼邮件检测方式.该方式主要由两部分构成:分别为数据扩充部分及模型训练部分.数据扩展部分中,通过KNN与K-means算法扩大训练数据集,保证数据的数量能够满足深度学习算法的需要.在模型训练部分中,通过对数据进行预处理并将其转化为词向量矩阵,最后将转化完词向量通过训练得到LSTM神经网络模型.最终,可以根据训练好的LSTM模型将邮件分为正常邮件以及钓鱼邮件.通过实验对提出的算法进行了评估,实验结果显示提出的算法准确率可以达到95%.      

基于自适应神经网络的云资源预测模型

为了避免容器云资源因资源供求不均衡而导致的资源利用率差等问题,需要对未来时刻的资源需求情况进行预测来进行更精准的调度和分配资源,因此,结合神经网络的高效学习能力与自适应调整的学习率,提出一种基于自适应神经网络的云资源预测模型.首先,融合卷积神经网络(convolutional neural network,CNN)和长...     

基于LSTM的短波频率参数预测

针对现有短波通信频率参数预测方法操作繁琐、预测精度不足的缺点,首次提出一种基于长短期记忆型循环神经网络（LSTM RNN）的预测方法。通过对电离层参数f0F2数据的分析,利用LSTM在处理时序相关数据时可以长期记忆网络历史数据的优势,对f0F2值进行预测。对比反向传播神经网络（BPNN）,LSTM将误差降低了7%,并将均方误差控制在2%以下。研究结果表明：基于LSTM搭建的提前预报5天的f0F2值的模型是可行的且比BP神经网络更适合预测电离层的f0F2值。