基于STL的南海海表温度组合预测模型

海表温度（sea surface temperature,SST）是海洋科学研究的重要内容之一。SST的异常波动导致海洋灾害、气象灾害现象时有发生,SST的精确预测对海洋环境保护和海洋经济发展有重要意义。针对SST序列的季节性、非平稳性,首先利用周期趋势分解算法（seasonal-trend decomposition procedure based on loess, STL）对数据进行预处理,分解得到季节分量、趋势分量和残差分量子序列,依次选择相应的预测方法构建组合模型。季节分量应用具有时间嵌入编码模块的Transformer网络预测,充分挖掘序列全局信息,解决时间序列长时间依赖问题;趋势分量应用线性回归模型预测;残差分量应用自回归模型预测。选取南海海域单点SST数据,应用基于STL的SST组合预测模型建模,预测5 d的SST值。实验结果表明,本文模型在单点SST预测任务中,能够有效捕获SST变化规律,提高预测精度。     

基于全局跨尺度时空注意力的深度神经网络海表面温度预测模型

海表面温度（sea surface temperature, SST）是海洋与大气之间相互作用的关键因素,海温控制着全球大气和海洋生态系统的变化。准确预测海表面温度的演变对治理全球大气系统和海洋生态系统都具有重要的意义。为了对SST数据的空间自相关性准确建模,本文提出了基于全局跨尺度时空注意力的深度神经网络海表面温度预测模型（deep neural network based on global cross-scale spatiotemporal attention, GCSA-DNN）。模型分为3个部分,从长时序数据中提取时序依赖特征的时序建模模块,从SST序列均值中提取空间分布规律特征的多尺度局部空间建模模块和基于全局跨尺度的时空注意力融合模块,实现每个网格点对全局自相关性的建模。本研究选择空间分布规律不同的东海和南海海域数据,对1981年9月1日至2022年4月7日美国国家海洋和大气管理局（nationaloceanicand atmospheric administration,NOAA）的数据进行了预测分析,共14829条数据,其中1981年9月1日至2021年8月31日的...     

FY-3C/VIRR数据中国周边海域区域SST反演算法开发

已有的验证结果显示风云三号C星（Fengyun-3C,FY-3C）搭载的可见光红外辐射仪（visible and infrared radiometer,VIRR）反演的业务化海洋表面温度（sea surface temperature,SST）产品存在较大偏差。根据FY-3C/VIRR的热红外通道设置,分别选择非线性SST算法（non-linear SST,NLSST）和三通道非线性算法（triple window NLSST,TNLSST）开发适用于中国周边海域的白天和夜间区域SST反演算法。通过对卫星热红外波段的亮温和现场数据进行晴空海洋匹配样本数据构建,利用回归拟合方法获得NLSST和TNLSST的算法系数。采用独立样本数据对区域算法进行验证,白天数据的偏差和标准差分别为0.082 ℃和0.633 ℃,夜间为?0.007 ℃和0.557 ℃。以OISST（optimum interpolation SST）为参考值,将区域算法反演的SST与国家卫星气象中心的业务产品进行对比,结果显示区域算法将白天SST的偏差和标准偏差从0.047 ℃和0.743 ℃减小到0.031 ℃和0.641 ℃,夜间从0.184 ℃和0.708 ℃减小到0.034 ℃和0.556 ℃。     

基于注意力机制的HDC-BiGRU海表温度预测模型

海表温度（sea surface temperature,SST）是研究全球气候变化的重要地球物理参数,SST的精确预测对全球气候变化、海洋环境和渔业发展具有重要意义。为了提高SST的预测精度,基于时空特征的提取方法,本文提出具有注意力机制的HDC-BiGRU混合模型（HDC-BiGRU-AT,由编码器和解码器构成）,可以预测7天的SST。在模型编码阶段,混合空洞卷积（hybrid dilated convolution,HDC）能够提取SST的空间特征,双向门控循环神经网络（bidirectional gated recurrentunit,BiGRU）能够捕获SST的时序特征。通过加入注意力机制,对输出信息分配不同的权重（重要信息分配更高的权重系数）,进而实现信息编码,在解码阶段可以提高模型的预测精度。选取我国东海和南海海域的二维SST数据进行建模,实验结果表明,HDC-BiGRU-AT模型的误差指标值均低于已有的方法,充分验证了所提方法的可行性、有效性。     

基于CEEMDAN-SE和LSTM神经网络的PM10浓度预测

针对PM₁₀浓度时间序列具有明显的非线性和波动性特征,提出一种基于自适应噪声的完整集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）-样本熵（sample entropy,SE）和长短期记忆神经网络（long short-term memory,LSTM）的组合预测模型。首先利用CEEMDAN-SE将原始PM₁₀浓度时间序列分解为若干个复杂度差异明显的子序列;然后针对各子序列的内在特性结合气象因素分别建立适当参数空间的LSTM预测模型;最后将预测结果进行叠加得到最终预测结果。以唐山市4个空气质量监测站的实测PM₁₀浓度数据进行模型验证分析,结果表明:所提预测模型对比其他几种预测模型显示出较高的预测精度,以及良好的普适性。     

关于市政道路工程声环境影响预测的探讨——以回龙观十里长街东延工程为例

本文主要以《环境影响评价技术导则-声环境》（HJ2.4-2009）中推荐公路、城市道路交通运输噪声的预测模式进行噪声预测,预测方式及过程符合导则要求,得出的结果不论在水平方向上还是垂直方向上均可与人耳感知较好地吻合,可作为市政道路工程噪声预测的方法之一。     

海南东环铁路（海口段）运行噪声预测研究

本文对海南东环铁路海口城区的南海大道附近的敏感点列车开通的近期（2020年）和远期（2030年）的噪声进行预测：根据噪声暴露声级与等效声级的关系公式,对列车加密后南海大道距离轨道30m处的噪声进行预测,发现当小时列车数达到14车次时,其昼问等效声级将超过70dBA的标准,为城区段控制小时列车次数提供参考。     

基于AVHRR和MODIS的海表温度一致性分析

本文以太平洋为研究区域,选取平均偏差、绝对偏差、标准偏差和相关系数4个误差统计指标,开展2002年7月至2009年12月MODIS SST与AVHRR SST两种SST产品的一致性分析。结果表明:（1）两种SST产品的差异在时空上分布不均匀,距平前,一致性较好的区域均分布在偏差条带（10° N附近）的南、北两边低纬度区域以及澳洲的东部海域,且二者偏差长时间稳定在±0.4 ℃以内;（2）在南美洲中西部海域以及马来群岛附近海域,两种SST产品差异具有明显的季节性规律,并且在马来群岛附近海域,两种传感器存在一定程度的原理机制区别;（3）在南半球中纬度太平洋中部海域和北半球中纬度太平洋中部海域,季节性因素并不是造成两种SST产品差异的主要原因;（4）距平后,其中一致性较好的区域主要分布在偏差条带（10° N附近）的南、北两边低纬度区域以及澳洲的东部海域,其他区域在距平后的差异更接近同一水平;（5）两种SST数据产品中,夜间降轨（Night）产品之间的差异大于白天升轨（Day）,距平后,这种差异大大缩小。     

基于STL的海表面温度预测算法

海表面温度是海洋科学研究中重要的参数之一，有效预测海表面温度对海洋灾害预警、海洋经济以及海洋生态环境研究具有重大意义。针对海表面温度具有周期性、持续性、非平稳性和非线性的特性，首先利用基于局部加权回归的周期趋势分解方法将原始海表面温度序列分解为周期项、趋势项和余项，挖掘海表面温度的潜在信息并去除序列中的随机噪音，再结合长短期记忆网络模型的优点，搭建神经网络来预测未来5天内的海表面温度。通过与其它模型的预测效果进行对比，实验结果表明，本文方法在预测海表面温度时具有较好的预测精度，能够实现海表面温度的有效预测。     

GIS支持下的交通噪声预测与规划系统

以地理信息系统（ＧＩＳ）为技术支撑，结合交通噪声预测模型，建立了交通噪声预测与规划系统ＴＮＰＰＳ，该系统充分利用ＧＩＳ对空气数据与属性数据进行编辑，管理，显示，查询的能力与分析建模优势，并注重用户与系统的交互，用户与系统交互以ＷＨＡＴ ＩＦ提问／解释方式进行。ＧＩＳ与环境模型相结合，为环境噪声调查，道路工程设计，建筑设计等提供了有效的交通噪声预测与规划工具。     

渤海风场的概率预测模型研究

风是海上溢油迁移扩散的关键动力因素之一,溢油区风场的精确预报是油膜漂移轨迹预测的基础。本文对渤海的历史风资料进行了相关分析,根据不同区域风的相关性和不同时段风的差异性,分别进行了渤海风的区域划分和时段划分;根据风在每两个指定方向转换的概率和风的平均持续时间,建立了渤海风场的概率预测模型。该预测模型生成的随机风时间序列能体现出历史风场的能量水平、周期性和方向变化,且与相应历史时期风资料的统计参数吻合良好,可为高精度海面溢油预报提供动力基础,也可为其他相关海洋动力学计算提供参考。     

基于Keras长短时记忆网络的矿井瓦斯浓度预测研究

瓦斯浓度监测是煤矿瓦斯灾害事故预警的重要的手段,其浓度变化预测对于提升矿山安全生产具有重要意义。针对矿井瓦斯浓度预测问题,建立了一种基于Keras长短时记忆网络的矿井瓦斯浓度预测模型。该模型首先对矿井瓦斯浓度时间序列进行标准化处理,并将处理后的时间序列划分为训练集与测试集;然后通过调用测试集数据进行模型训练,利用提出的基于LSTM网络建立的矿井瓦斯浓度多步预测模型,实现了对矿井瓦斯浓度发展趋势的预测,并利用损失函数计算预测误差大小,评估模型的预测精度;最后以贵州某煤矿掘进工作面为工程背景,利用基于LSTM网络建立的矿井瓦斯浓度多步预测模型,开展了矿井瓦斯浓度预测研究,并通过与ARMA模型、ARIMA模型的预测结果进行对比,验证该模型的预测效果。结果表明:该模型预测结果的均方根误差RMSE值最小仅为2%,且预测步长约为ARMA模型、ARIMA模型的5倍,说明该模型的预测效果好,可为煤矿井下合理规避瓦斯灾害事故提供科学依据。     

全球SST的季节特征及长期变化趋势分析

利用来自NCEP/NCAR的Sea Surface Temperature(SST)资料,对全球海域近150 a SST的季节特征和逐年变化趋势进行分析。结果表明:(1)全球大部分海域SST呈显著的逐年线性递增趋势,同时也表现出很大的区域性差异,线性递增趋势较强的海域主要集中在:北太平洋中部海域(0.003~0.006℃/a)、赤道中东太平洋(0.004~0.006℃/a)、南大西洋大部分海域(0.006~0.01℃/a)、南印度洋西部海域(0.006~0.009℃/a),仅在冰岛西南部海域、两极部分海域呈显著的递减趋势,与全球变暖的大背景相吻合;(2)全球部分海域的SST变化趋势由冬季占主导,部分海域的SST变化趋势由夏季占主导;(3)全球海域存在三大永久性暖池,且具有2.78~3.13 a、3.45 a、5.26~5.88 a的共同周期及100 a的长周期震荡。     

XGBoost-LSTM变权组合模型支持下短期PM2.5浓度预测——以上海为例

为进一步提高PM_2.5浓度预测的精度,基于XGBoost和LSTM进行改进得到变权组合模型XGBoost-LSTM（Variable）.过对预测因子进行相关性分析,得到其它大气污染物和气象因素对PM_2.5浓度的影响,确定最优PM_2.5浓度预测因子,再将预处理后数据集输入LSTM模型和XGBoost模型分别进行预测,采用基于残差改进的自适应变权组合方法得到最终预测结果.结果表明,污染物变量的相对重要性高于气象因子变量,其中当前PM_2.5和CO浓度的相对重要性较高,而平均风速和相对湿度重要性较低.XGBoost-LSTM（Variable）模型的RMSE、MAE和MAPE值为1.75、1.12和6.06,优于LSTM、XGBoost、SVR、XGBoost-LSTM（Equal）和XGBoost-LSTM（Residual）模型.分季节预测结果表明,XGBoost-LSTM（Variable）模型在春季预测精度最好,而夏季预测精度较差.模型预测精度高的原因在于其不仅考虑了数据的时间序列特征,又兼顾了数据的非线性特征.     

规范变换与误差修正结合的环境系统的前向网络和投影寻踪预测模型

为了建立适用于环境系统的结构简洁、形式统一、程序规范、应用普适的神经网络和投影寻踪回归预测模型,针对传统的神经网络和投影寻踪回归用于多因子、大样本预测建模,存在模型结构复杂、学习效率低的局限,提出设置环境系统预测量及其影响因子参照值和规范变换式的原则和方法,使规范变换后的影响因子皆"等效"于同一个规范影响因子,从而将多因子的的预测建模简化为等效规范因子的预测建模,使模型结构得到极大地简化,提高了学习效率;此外,为了提高预测模型的预测精度,还提出了对预测样本的模型输出值的误差修正公式.在对环境系统的预测量及其影响因子进行规范变换的基础上,将m个规范影响因子的每个建模样本组成m个"等效"训练样本,应用免疫进化算法优化模型参数,分别建立适用于环境系统的2个或3个规范影响因子的前向神经网络和投影寻踪回归两类预测模型;并依据误差理论,对误差修正公式修正后的模型预测精度的提高进行了严格的数学论证.将基于规范变换与相似样本误差修正相结合的两类预测模型,用于某市5个点位的SO_2浓度预测,并与6种传统预测模型和方法的预测结果进行了比较.结果表明:对同一个预测样本,同类模型的两种不同结构的的预测值及其相对误差都几乎完全相同或彼此相差甚小;此外,两种不同结构的两类预测模型用于5个样本预测,其相对误差绝对值的平均值分别为2.59%、2.67%;2.18%、2.62%,均远小于传统BP神经网络模型的25.72%、传统PPR模型的14.20%、传统SVR模型的22.13%、模糊识别模型的21.57%、组合算子模型的18.36%和多元回归模型的25.31%;而两类模型预测的最大的相对误差绝对值分别为4.11%和3.57%,更加远远小于传统的6种预测模型的37.18%、56.07%、27.40%、32.14%、38.38%和60.26%.实例分析结果证实了误差修正公式对提高模型预测精度具有切实可行性.基于规范变换与误差修正相结合的前向神经网络和投影寻踪回归两类预测模型不仅避免了"维数灾难",提高了学习效率和模型的预测精确度,而且具有简洁、普适、规范、统一和稳定的特点,对其他预测建模也有借鉴作用.     

基于灰色理论与BP神经网络预测成都市生活垃圾产生量

根据成都市中心城区垃圾产生量的历年数据,先用以时间为单变量的灰色GM(1,1)预测模型得到历年数据的拟合值,再分析垃圾产生量与其影响因素之间的灰色关联度,选出关联度最大的4个因素建立多变量的灰色GM(1,5)预测模型与BP神经网络模型,并对垃圾产生量的预测精确度进行了对比,用预测精度最高的BP神经网络模型对未来年份的垃圾产生量进行了预测,为成都市垃圾处理处置规划提供了理论依据。     

面向密闭空间内外温度的时序预测模型

目的 研究密闭空间条件下已知外部温度时间序列对内部实时温度的预测推理问题。方法 选取密闭空间内外温度时序预测典型场景,抽象为多变量时间序列预测问题,分析变量间的关联性和依赖性。借鉴特征融合、注意力机制、多任务模型等思路,结合物理机制与数据特征,基于长短期记忆网络基本网络单元,构建密闭空间内外温度时序预测模型,并在万宁、敦煌、漠河对某型密闭空间进行数据采样,基于三地数据集进行不同模型试验。结果 多变量模型比单变量模型具有更好性能,注意力机制对该场景没有显著性能提升,结合物理机制的模型结构设计充分考虑了变量之间的关联性和依赖性,能显著提升预测精度,双输入双输出的多变量时序预测模型具有相对最高的精度和最稳定的鲁棒性,是面向密闭空间内外温度时序预测的相对最优模型。结论 研究结论可指导密闭空间其他环境特征建模,研究思路可为其他多变量时序建模问题中变量之间的关联性、依赖性分析提供参考。     

基于多通道长短期记忆网络的PM2.5小时浓度预报

PM_2.5作为主要的大气污染物之一,严重影响空气质量和人体健康. 基于深度学习的PM_2.5小时预报研究中,不同输入要素的历史时间序列对PM_2.5预报结果的响应情况存在差异. 因此,基于太原市2019—2020年空气质量监测站、气象观测站的数据,提出一种多通道长短期记忆网络(Multi-Channels Long Short Term Memory,MULTI-LSTM)模型对PM_2.5浓度进行预报. 首先使用独立的长短期记忆网络(LSTM)学习每个输入要素,然后将每个模型的学习结果进行融合,最终获得未来多小时的PM_2.5浓度预报结果. 将单通道LSTM模型(BASE-LSTM)和LSTM扩展模型(LSTME)作为对照模型,与MULTI-LSTM模型的预报精度进行对比. 结果表明:不同观测窗与预报时效下,MULTI-LSTM模型在测试集上的预报精度明显高于其他2个对照模型. 其中,MULTI-LSTM模型在8 h观测窗和6 h预报时效组合下,均方根误差(RMSE)、平均绝对百分误差(MAPE)以及拟合指数(IA)分别为20.26 μg/m3、51%、0.91. 对未来逐6 h的预报中,观测窗宽度从8 h增至32 h,MULTI-LSTM模型的预报精度无明显变化,观测窗宽度为40和48 h时,RMSE比8 h观测窗下分别下降了2%和3%. 此外,增加LSTM层深度不会提升模型的预报精度. 研究显示,利用MULTI-LSTM模型作为PM_2.5浓度小时预报模型,通过选取合适的观测窗宽度与气象要素,可获得精度较高的预报结果.