数据同化在核事故辐射场评估中的应用研究

为提高核事故辐射场评估的准确性和可靠度,建立一种基于数据同化理论的评价方法。以高斯烟团模式和核素沉降模式联合组成预测模型,以集合卡尔曼滤波(En KF)为同化算法,结合观测剂量率数据,构建核事故辐射场评估同化系统。在Matlab软件平台上,研究不同气象条件和不同核事故释放情形时,同化结果与模型预测结果的异同。试验结果表明,当气象条件和放射性物质释放率恒定时,同化场的相对均方根误差比模型预测场约低25%;当气象条件和释放率都变化时,同化场的相对均方根误差比模型预测场约低20%。通过有效利用观测数据,数据同化方法能及时调整模型,从而减小模型预测误差。     

一种基于数据融合的林火火线动态蔓延预测方法的研究

准确预测林火蔓延对于有效防治野火危害具有重要意义。传统林火蔓延速度场经验模型需要可燃物特性、坡度、温度及湿度等众多实测参数,由于参数均具有不同的时空分布,限制了模型的实际应用。因此提出速度场实时测量及水平集法模拟林火蔓延两种技术相结合的方法,通过测定火蔓延锋面的位置获取当前时刻锋面处的速度场分布并对此速度场在未燃烧区域进行延拓,结合水平集法预测林火蔓延,并使用数值模拟及实验数据验证了该方法能够有效预测短期内林火蔓延趋势,得出基于速度场的数据融合方法可满足实际林火蔓延建模的需求。     

基于随机森林算法的福建省林火发生主要气象因子分析

应用"随机森林"算法,以福建省22个国家级气象站每日气象数据和2000年~2003年间林火火点卫星解译数据为基础,对影响福建省林火发生的主要气象因子进行分析,并对2004年的林火数据进行独立检验。研究结果显示,"日最高地表气温"、"日最低地表气温"、"日照时数"、"日最高气温"和"日最小相对湿度"等5个气象因子是影响林火发生的主要驱动因子,且这5个气象因子对林火发生的影响大小为:"日照时数""日最高气温""日最低地表气温""日最小相对湿度""日最高地表气温";随机森林算法的拟合结果显示:随机森林算法对福建省林火发生的预测精度为82.3%,表明随机森林算法对我国福建省林火发生的预测具有较高的预测能力,可用于基于气象因子的我国福建省林火发生的预测预报。本研究可为福建省林火的预测和决策工作提供一定的参考依据。     

基于无人机多传感吊舱系统的火点实时定位方法

林火定位是林火智能监测设备的核心技术。提出了一种基于激光雷达、红外热像仪及组合惯导多数据融合的火点定位方法。首先设计了一个通用的无人机吊舱系统,并基于ROS框架实现数据采集、数据处理和数据传输等功能;其次提出了一个基于无人机吊舱系统的火点全局定位方案,根据红外热像仪成像特性识别火点,同时将密集点云与红外图像进行数据融合,估计出火点的三维空间位置;然后根据无人机位姿提出了一种基于墨卡托投影的火点全局定位方案,得到了火点的GPS位置。最后通过试验得到了该方案的全局定位精度:在实验中经度最大误差为2.36×10^-5°,纬度最大误差为1.84×10^-5°,高程最大误差为0.926 1 m,为其他林火定位方案提供了技术支持。     

基于迁移学习算法的深部爆破振动速度预测

为了更好地预测深部矿山爆破振动速度,针对深部爆破振动速度预测中存在的样本量小、数据分布同浅部爆破不同的问题,将浅部地下矿山爆破数据中有用的知识迁移至深部矿山爆破振动速度预测模型中,提出一种逻辑回归迁移学习算法(LR-TrAdaboost),提升模型的样本容量及预测准确率;以某铜矿深部爆破振动速度预测为研究对象,结合该铜矿27条深部爆破数据以及梅山矿等5个地下金属矿204条浅部爆破数据,利用支持向量回归机(SVR)、回归迁移学习算法(TrAdaboost-R²)以及LR-TrAdaboost算法分别进行预测和对比。结果表明：3种算法的模型分数分别为0.24、0.38、0.81,均方根误差(RMSE)分别为0.152、0.107、0.06,LR-TrAdaboost算法预测误差相比SVR、TrAdaboost-R²分别降低了60.5%、43.9%;同时,LR-TrAdaboost在迭代次数为50时已经收敛,而TrAdaboost-R²在迭代次数100次后才收敛,收敛速度前者是后者的2倍;LR-TrAdaboost算法的预测性...     

动态残差修正LSTM算法的突发型滑坡位移预测

针对突发型滑坡存在位移趋势突变性，传统长短时记忆(LSTM)神经网络方法存在位移预测精度不足的困难，提出一种基于动态残差修正LSTM算法的突发型滑坡位移预测方法。首先，采用动态流转训练，将由累计位移得到的变形速率通过经验模态分解(EMD)得到周期项及趋势项；其次，通过多项式预测趋势项、动态LSTM预测周期项，并由2项之和得到主预测变形速率；随后，通过对比实测速率与主预测变形速率，得到残差项，并建立动态流转训练的残差LSTM网络预测残差速率；然后，由主预测变形速率与残差预测变形速率之和得到最终预测速率，并进一步得到累计位移预测值；最后，以某突发型滑坡为例，验证该方法的科学性、有效性，以及预测精度和优势。结果表明：将变形速率序列作为预测对象并进一步得到累计位移预测值，比直接预测累计位移值具有更高的准确性；而基于动态残差修正LSTM算法预测的MAE、MAPE、RMSE及R²指标分别为43.843、1.901%、79.394和0.960,相比于传统LSTM预测方法具有明显优势。     

配对进近侧向位置误差QAR参数关联性分析

为研究配对飞机进近阶段飞行员操作和环境因素与侧向位置误差间的关联性,结合快速存取记录器(QAR)数据,基于飞机侧向位置修正过程,识别影响侧向位置误差的QAR参数;建立模糊关联模型,模型中运用模糊C均值(FCM)聚类方法将QAR参数的样本值聚类,得到每个参数的隶属度矩阵;结合Apriori算法,挖掘参数间及参数与侧向位置误差间的关联规则;基于关联规则量化其中的关联性,使用A320-200的真实样本数据进行关联性分析。结果表明:识别出的QAR参数在指定30%支持度下都与侧向位置误差相关;飞机的仰角、坡度、方向舵位置以及风向对侧向位置误差影响较大。     

基于K-CNN-BiLSTM的关联区域VOCs浓度时空关联预测

为了提升关联区域内VOCs浓度预测精度，基于深度学习理论构造了K-CNN-BiLSTM时空关联预测模型。同时，为了实现VOCs精细化治理，首先对研究区域进行了网格划分，采用IDW进行空间插值，计算整理得到VOCs的网格数据集。其次使用KNN算法计算空间相关性筛选得到空间相关矩阵，按照时序排列拼接成时空类图。然后将时空类图输入CNN模型中提取局部时空特征，最后将提取的时空特征送入双向LSTM中进行全局预测。以西安市某区为例，对VOCs浓度进行预测，并将预测结果进行时空分布可视化。结果表明：模型具备单步预测和多步预测能力，同时与CNN-BiLSTM、CNN-LSTM和LSTM相比考虑了VOCs浓度数据的时空关联性，预测精度更高；平均均方根误差(RMSE)、平均绝对值误差(MAE)和平均绝对百分比误差(MAPE)分别为6.352、5.442和10.252%,均优于对比模型。     

基于人工神经网络的气体泄爆最大超压预测研究

为解决传统经验公式在预测气体泄爆中最大超压出现时的较大偏差或过于保守的问题，提出使用人工神经网络预测气体泄爆最大超压。基于124组实验数据，采用BP与RBF神经网络，通过优化算法计算与迭代循环对泄爆样本中的影响因素进行降维与选择，并确定2类神经网络本身在学习与计算气体泄爆样本时的相关参数。结果表明:PCA（主成分分析法）在当前样本条件下的降维效果较差，而通过迭代对比确认气体泄爆样本中的5类特征全部保留时神经网络的训练模拟效果最好；通过对124组实验数据进行随机挑选训练集与测试集的训练模拟结果发现，神经网络对气体泄爆中最大超压的预测效果较好；通过对比Molkov提出的和经Fakandu等改进的NFPA 68经验公式以及2类神经网络的预测结果表明，神经网络相比于传统气体泄爆经验公式具有明显优势。     

基于循环神经网络的缓坡场地液化侧移预测*

为预测缓坡场地地震液化侧向位移,基于改进自适应算法（Rectified Adam）和循环神经网络模型（RNN）,提出液化侧移预测模型RA-RNN,通过对侧移数据进行样本学习,并利用改进自适应算法优化循环神经网络结构,验证RA-RNN模型可靠性,并与多元线性回归法（MLR）计算结果进行对比。结果表明:RA-RNN模型计算得到侧移一般为实测位移的0.7~1.3倍,训练结果R2,RMSE,MAE分别为0.977,0.375,0.141;土耳其科喀艾里RA-RNN模型预测结果RMSE和MAE为MLR模型的1/26,1/830;中国台湾集集镇RA-RNN模型预测结果RMSE和MAE为MLR模型的1/18,1/350,RA-RNN模型预测结果较优,预测精度及泛化能力得到很大提升。     

基于风暴识别算法的森林火灾识别

采用风暴识别算法对森林火灾进行了识别。首先根据参数阈值调整后的风暴识别算法,得到二维分量,结合不同云回波与火灾回波的差异,对火灾回波进行识别。根据算法对浙江省温州市三次森林火灾过程进行识别,结果显示:对于三次火灾过程都能够有效识别。对于火灾发生初期和熄灭时,由于回波强度较弱,回波结构松散,与小范围弱回波混合,导致漏识别。当回波中存在小范围地物杂波时,由于其尺度与小面积火灾接近,最终导致误识别。在森林火灾发生时,该算法可以帮助识别发生火灾的位置,为消防人员提供及时可靠的火灾地点及起火时间。     

基于缓冲区重采样的LSTM林火预测模型*

为提高林火风险预测精度,挖掘地图上隐含的空间信息、时间序列上隐含的长期趋势和循环波动,提出1种基于缓冲区重采样的长短期记忆（LSTM）林火预测模型,选取15个与林火相关的影响因素,以方差膨胀因子为评价指标对其进行多重共线性检验,方差膨胀因子大于10的因素具有共线性,并采用信息增益率验证筛选结果的合理性。考虑到火灾的空间聚集特性,采用缓冲区分析与过采样相结合方法减少样本不均衡现象的影响,最终得到176 732条样本。对12个影响因素和研究时间段的火点建立LSTM预测模型,对森林火灾发生风险进行预测。研究结果表明:基于缓冲区重采样的LSTM林火预测模型有效考虑时空上隐含的信息,预测模型准确率为87.06%,特异性为97.99%,敏感度为76.12%,阳性预测率为97.43%,阴性预测率为80.41%,ROC曲线与AUC值均优于随机森林（RF）和支持向量机（SVM）这2种基准算法。维尔克松秩和检验发现,本文提出的模型与基准算法结果具有显著性差异。研究结果可为提高林火风险预测精度提供参考。     

小尺度森林火灾的渐近幂律分布

森林火灾系统是一个自组织临界性系统，它的表现之一就是火灾的尺度分布满足幂律规律。然而实际数据分析表明，在尺度最大和最小的两个区域，火灾分布与幂律规律存在较大的差异。对小尺度火灾的偏离现象，研究者通常猜测是由于小面积火灾记录数据遗漏较多造成的，目前尚没有一个理论上的依据，而小尺度火灾的分布规律对大尺度火灾的预测起看关键作用。为了解释这种偏离现象，该文将火灾看作一个生灭过程，并对火灾蔓延和熄灭的机理进行了分析，最终得到了森林火灾分布与火灾尺度的定量依赖关系及其机理。将该文的结果与日本近年来全国范围内的森林火灾统计数据进行了对比，表明该文得到的结果与真实数据得到较好符合，并且成功解释了小尺度森林火灾分布与幂律关系的偏离现象。该研究可望对深入认识火灾系统的自组织临界性和防治火灾具有一定的实际意义。     

人口密度对森林火灾发生频率的影响

人类活动是引发森林火灾的主要原因之一，在中国、日本等国家，90％以上的森林火灾是由人为因素引起的。为了量化人类活动对森林火灾的影响，本文基于日本的三级网格系统，对日本全国范围内近年来的森林火灾数据、土地利用率数据和人口密度数据进行了综合分析，研究了人口密度对火灾发生频率的定量影响规律。结果表明：森林火灾发生频率与人口密度之间呈现出幂律关系，经过一步的分析，发现两者之间存在具有边界效应的简单关系，即渐近幂律分布。本文的研究结果对于森林火灾的防治，特别是对于火险的预测具有实用意义。     

基于集成学习的改进灰色瓦斯浓度序列预测*

为有效提高煤矿瓦斯浓度动态预测精度,基于微分方程理论和最小二乘法,从灰色预测模型静态灰色作用量出发,优化灰色作用量,推导幂指数型灰色作用量的改进灰色瓦斯浓度预测算法,推导基于集成学习不同灰色作用量幂指数型灰色瓦斯预测模型,进而研究吉林八连城长期和短期瓦斯浓度监控数据预测精度。结果表明:瓦斯浓度时间序列近似线性时,基于集成学习的改进灰色瓦斯浓度预测算法优于传统灰色瓦斯浓度预测算法,使瓦斯浓度预测值和实际值的均方根误差降低,均方根差最大降低2.25%。研究结果可有效提瓦斯浓度预测精度。     

森林火灾防治决策专家系统的研究与实现

笔者比较系统地收集、研究了林火专家多年积累的理论、经验和解决问题的方法以及各种预测模型、模型的适应条件和使用规则等 ,利用人工智能和COM组件技术 ,通过模型技术和专家系统技术的有机结合 ,建立了基于网络的森林火灾防治决策专家系统。实现了森林火灾从火灾预测、林火扑救决策、清理火场、看守火场到最后的损失评估全过程的推理辅助决策 ;实现了整个决策过程中预测模型和预测结果随外界条件的突变而进行的实时修正 ,从而真正实现了森林火灾管理各个阶段的实时性、准确性和正确性。     

林火预防与扑救投资的成本效益分析

针对某一林区,确定其林木管理目标,以及为达到此目标对林火监测与扑救系统的要求,从而确定森林防火的资金投入。分析了加大森林防火投入前后森林火灾损失与扑求费用的变化。