基于社会科学统计程序(SPSS)回归性分析的尾矿库事故预测模型

基于社会科学统计程序(SPSS)软件的分析功能,对调查研究中获取的尾矿库案例进行数据提炼和分类编码,找出相关因子并进行回归性分析。最终目的是找出尾矿库各个因素的内在联系,建立简单的尾矿库事故模型,从而可以初步预测尾矿库事故发生的可能性。该预测模型为尾矿库事故的研究提出了新方法,对于防灾减灾以及保护人民生命财产安全起到了积极作用。     

地震作用下滑坡水平运动距离概率预测模型∗

地震诱发滑坡失稳是一种常见的地质灾害。如何预测地震作用下滑坡的水平运动距离对该地质灾害的防治具有重要作用。现有经验预测模型存在不能区分有阻碍滑坡和无阻碍滑坡,依据的案例较少且只能提供滑坡水平运动距离的最优估计值而无法提供其预测误差的局限。针对上述不足,首先建立包含380个案例的地震滑坡水平运动距离案例库,基于最大似然法原理,提出可同时考虑有阻碍滑坡和无阻碍滑坡的地震滑坡运动距离经验模型标定方法。单因素回归分析表明,地震作用下滑坡水平运动距离与滑坡垂直运动距离和滑坡体积具有较高的相关性,与滑坡倾角和滑坡表面长宽比相关性较小。在此基础上,通过逐步回归的方法建立滑坡水平运动距离的多因素预测模型。案例分析表明,提出的模型具有较高的预测精度。提出的地震作用下滑坡水平运动距离预测模型可为地震滑坡危险性评价提供参考。     

河北省碳排放及其影响因素变化趋势研究

在国家"十三五"规划政策的指引下,减少碳排放是当今社会的大势所趋。以产业结构调整优化为目的,就河北省碳排放及其影响因素变化趋势进行研究,旨在生态文明建设中促进京津冀产业协同发展。在研究碳排放时,运用STIRPAT模型,根据河北省实际情况,将影响碳排放的因素分为城市化水平、人口数量、富裕度和能源强度,并选取了河北省2003-2014年碳排放及其相关数据作为研究样本,经过对能源消耗量的转换计算得到比较精确的碳排放数据。在此基础上分别建立碳排放灰色GM(1,1)预测模型和碳排放影响因素灰色GM(1,1)预测模型来预测2015-2020年对应的数据变化。并分析各个影响因素的变化趋势及其对碳排放的影响。经过分析发现,富裕度对碳排放影响最大,所以政府等相关部门应加大对该方面的监督与管理,从而从整体上达到低碳的目标。     

基于神经网络的矿区环境预测模型

收集了我国多个矿区城市的空气检测数据,采用多元统计分析和神经网络算法对检测数据进行整理分析,建立了矿区环境预测模型。通过实践检验发现,该模型预测精度较高,可以应用在环境预测实践工作中。     

基于极限学习机回归的海水Chla浓度预测方法

有效监测海水Chl a浓度状况对近海赤潮等海洋灾害的预警预报有着重要意义。运用灰色关联分析法确定预测模型的输入变量,可有效降低预测模型系统维数。采用极限学习机回归方法建立海水Chl a浓度预测模型,通过与广义回归神经网络、支持向量机回归二种模型的预测效果进行对比,表明极限学习机回归预测模型具有较好的预测精度、预测效率和泛化能力,能够实现针对研究水域环境下Chl a浓度的有效预测。     

BP 神经网络模型在环境气象灾害预测中的应用研究--以湖南省为例

依据环境气象数据与自然灾害统计数据,建立BP神经网络模型,对湖南主要气象灾害（洪灾、旱灾、冰冻灾）及受灾经济损失进行实例预测,将在MATLAB7软件中的仿真结果与传统的多元线性回归模型分析结果进行比较和误差分析。结果表明,BP神经网络模型在洪灾、旱灾受灾率方面的预测效果和精度优于多元回归模型,而由于冰灾训练样本不足及经济损失与输入因子的线性相关程度高,在冰灾与受灾经济损失率方面稍逊于多元回归模型。     

基于事故修正系数的山区高速公路事故预测模型

为量化分析山区高速公路线形指标对交通事故发生及严重程度的影响,引入事故修正系数(CMF)概念,提出基于CMF的高速公路交通事故预测模型。验证事故数据服从零膨胀负二项(ZINB)分布,并标定10个不同线形组合路段的基本事故预测模型;在界定理想条件的基础上,借助优势比分析方法,建立10个不同线形组合相对于基本预测模型的CMF模型;通过弹性分析识别出对不同严重程度事故有显著影响的因素,并以此分析山区高速公路线形指标及线形组合的安全效应。研究结果表明：CMF能够定量反映不同线形组合的风险效应,且其值越高,事故率及事故严重程度可能更高;山区高速公路中,平曲线缓坡组合相对安全,平曲线陡坡组合、平曲线竖曲线组合均有较高的事故风险;平曲线与凹型竖曲线组合时的风险会略低于其与凸形竖曲线组合;控制纵坡度、减少平竖曲线的组合均有利于山区高速公路交通安全。     

暴雨致灾机理分析及预测模型构建

台阶边坡、路堑边坡等地常选用乔木作为护坡植物,而降雨易影响乔木的稳定性,进而影响其护坡效果。提前预测降雨对乔木稳定性的影响,则可及时预判边坡失稳、泥石流等灾害的发生。以非饱和土体力学特征和乔木根系固土机理为基本理论依据,分析失稳原因并建立相应理论模型;基于多种降雨方案,利用数值模拟得到不同降雨情况对乔木稳定性影响的相关数据;然后以模拟结果作为训练样本,利用BP神经网络构建预测模型,并制定相应的分类预警评判指标。研究表明：此预测模型不仅精度高,相比于数值模拟计算速度可提高数万倍,此成果可为灾害防治及预警工作提供参考。     

基于3种时间序列模型的九龙江河流库区藻华预测

湖库富营养化和有害藻华是全球性生态环境问题,藻华预测与早期预警是保障湖库水源地供水安全的关键技术.如何基于高频水生态在线监测数据进行藻华的实时动态预测成为水生态管理领域的重大需求.本研究以福建省九龙江江东库区（水源地）为例,利用3年连续观测的逐时平均总叶绿素a浓度数据,对比研究了SARIMA、Prophet和LSTM（长短期记忆神经网络）3种时间序列模型在藻华（日平均叶绿素a大于15 μg?L^-1）预测方面的效果.结果表明：①时间序列模型要求参数少,灵活性强,能清晰反映水质特征和未来变化趋势,可弥补传统藻类监测预警方法的局限性;②基于深度学习框架的LSTM模型,具有独特的迭代优化算法,对藻类非线性变化特征的识别和预测能力较强,其总叶绿素a逐日预测和7日预测效果均显著优于SARIMA模型和Prophet模型;③输入数据长度会在一定程度上影响模型预测效果,最优的输入数据时间长度为7 d;输入数据频率对预测效果也有影响,在预测非藻华日时,小时数据的预测效果优于日频率数据;在预测藻华日时,两种频率数据 无显著差异,但日频率数据能更准确识别藻华日特征.总结起来,基于LSTM模型实现总叶绿素a浓度的短期预测,可为九龙江河流库区藻华早期预警和供水安全保障提供技术支撑.     

基于变量重要性评分-随机森林的溶解氧预测模型——以深圳湾为例

运用Pearson相关性分析,变量重要性评分和随机森林方法构建了溶解氧（DO）实时预测模型,并以深圳湾为例采用浮标资料预测1,3,6和12h的溶解氧.模型预测结果表明,模型最优的输入条件为pH值,水温,叶绿素a,氧化还原电位和蓝绿藻5个水质指标,1h预报的相关系数在0.9以上,6h预报结果一定程度上可以满足工程要求,但对低溶解氧事件的预报必须在3h以内.