大数据解析技术在大气环境监测中的应用研究

针对近年来新兴的大数据及挖掘、分析技术,对大数据解析技术在环境科学研究中的应用进行了分析和探析。以城市局部地区大气细颗粒污染物PM2.5浓度计算为例,筛选了PM2.5浓度历史数据、气象条件、交通状况、人群活动情况、网格道路状况等数据为影响特征量,分析了用神经网络法进行大数据解析和推演的原理和数学过程,是用数学、计算机、统计等方法研究解决多元、非线性复杂环境问题的一种新的探索。     

PSO-RBF耦合神经网络在水质评价中的应用

径向基函数神经网络(RBF)中,连接输出单元的权重是影响径向基函数神经网络学习精度的主要参数,采用粒子群算法(PSO)对模型参数(权值)进行优化,建立了PSO-RBF耦合神经网络模型,避免权重的人为设定,具有客观性。并在Matlab环境下编程计算,构建了用于地下水环境质量评价和海水富营养化评价的径向基函数网络评价模型。将模型应用于黑龙洞泉域5个地下水监测点和某海水富营养化评价。评价结果和其他方法的评价结果一致,与实际情况符合,评级结果是合理的。评价结果表明,RBF网络简便有效,收敛速度快,有较强的分辨能力,优化确定模型参数后,便可对评价样本进行评价,具有较好的实用性和通用性。     

基于GF-1号遥感影像的武汉市及周边湖泊综合营养状态指数反演

湖泊水体富营养化的监测评价是湖泊水资源管理和水环境保护的基础性工作。基于GF-1号WFV遥感影像和综合营养状态指数法,通过82个站点实测数据建立多元线性回归和RBF神经网络模型,对武汉市及其周边地区主要湖泊综合营养状态指数进行了反演。反演的结果显示,武汉市及周边大部分湖泊水域处于轻度富营养和中营养状态,局部湖区为中度富营养状态。验证结果表明:GF-1号WFV多光谱数据用于监测大面积湖群水质变化是可行的;两种模型都可以建立实测数据与遥感信息的函数关系,根据函数可以反演湖泊水质综合营养状态指数,进而实现大面积湖泊水质动态监测;而RBF神经网络模型预测的R2为0.742 3,均方根误差为3.72,其反演精度更高,更适合于监测内陆湖泊水质变化。     

人工智能与专家的故事

人工智能几起几落,一般认为这一轮热潮从2012年开始。这一年,Hinton和他的学生Alex Krizhevsky设计的Alex Net采用深度学习算法,在Image Net图像识别竞赛中获得冠军,图像错误识别率下降10多个百分比,同期的其他神经网络每次的成绩提升很少达到5%,立即引起业界对深度学习的极大关注。之后的两年时间,深度学习网络进一步把整体错误率下降至5%以内,达到了人眼的水平。随后,Google、Micro Soft、Facebook先后开源了自己的深度学习框架Tensorflow、CNTK和Caffe。一时间,国内外涌现了大量的人工智能创业公司。除了深度学习技术,GPU芯片、分布式计算、计算位数压缩等新的优化技术也加快了神经网络的训练和使用效率,人工智能应用从高性能数据中心向嵌入式设备发展。     

城区变电站周边商民用建筑物的安全分析和评估

随着中国社会经济的发展,不断出现变电站位于城区和市区的情况。为了更好的评估城区变电站周边商民用建筑物的安全性,文章分析了城区变电站对周边商民用建筑物和设备设施的影响,研究了城区变电站故障电流对周边商民用接地系统的耦合干扰。建立了城区变电站故障电流耦合干扰分析模型,基于接地导体GPR(地电位升)这个重要指标,提出了耦合干扰系数概念。定量分析探讨了影响耦合干扰系数的主要参数、因素及其变化规律,给出了城区变电站和商民用建筑物接地系统安全评估和分析的建议流程。最后基于BP神经网络建立了耦合干扰系数计算模型,从而设计者可以基于现场实际情况快速得到商民用建筑物受到的耦合干扰具体数值。研究成果为城区变电站周边商民用建筑物的安全防护和评估提供了理论依据和工程指导。     

基于IRBFNN和PCA的电网预想故障安全运行评估方法研究

为了更快速直观地监视、分析和评估故障后电网的安全运行状态,提出了基于径向基函数(radical basis function,RBF)神经网络和主成分分析法(principal component analysis,PCA)的评估模型。利用带衰减因子的吸引力传播(affinity propagation,AP)聚类算法选择RBF神经网络中心和隐含层节点数,同时提出了扩展的电网运行状态安全评估指标,利用越限指标权重和指数阶数避免了安全评估的遮蔽现象,利用主成分分析选取RBF神经网络的输入矢量特征,最后通过IEEE-30节点仿真算例验证了所提模型的有效性。     

基于HHO-CNN-LSTM的CMAQ修正模型及其在上海市空气质量预报中的应用

建立空气质量预报模型，预测污染物浓度对人类健康和社会经济发展具有重要意义。然而，传统的空气质量模型CMAQ对污染物浓度的预报精度并不理想。对此，本文提出了一种基于卷积神经网络(CNN)和长短期记忆神经网络(LSTM)的空气质量预报修正模型，并使用哈里斯鹰算法(HHO)对模型的超参数进行优化；用CMAQ模型对上海市2022年12月六种大气污染物(SO₂、NO₂、PM₁₀、PM_2.5、O₃、CO)浓度的预报数据以及监测站的气象数据和污染物浓度实测数据作为HHO-CNN-LSTM模型的输入，对CMAQ模型预报结果进行修正。使用均方根误差(RMSE)、平均绝对误差(MAE)和一致性指数(IOA)作为评价指标。结果显示，修正模型显著提高了六项污染物浓度的预测精度，RMSE减少了73.11%～91.31%,MAE减少了67.19%～89.25%,IOA提升了35.34%～108.29%。同时针对HHO算法陷入局部最优而导致修正模型对CO浓度预测效果不佳的问题，使用高斯随机游走策略对HHO算...     

RBF神经网络可靠度分析方法在边坡稳定性研究中的应用

针对边坡稳定性可靠度分析,当状态函数无法显式表达且传统计算方法求解复杂问题困难时,提出一种基于ABAQUS和粒子群优化径向基函数神经网络的可靠度分析方法。基于ABAQUS的强度折减方法计算所选随机变量对应的安全系数,利用径向基函数神经网络的数据拟合功能,建立模型并映射出安全系数和随机变量之间的关系,构造响应面功能函数;利用蒙特卡罗生成的大量随机样本代入功能函数得到相应的安全系数,进而计算边坡的失稳概率和可靠度指标来反映边坡稳定性。研究结果表明:相对于传统方法,本文方法计算效率更高、误差更小,适合实际工程应用。     

基于BP神经网络算法的密云水库水质参数反演研究

密云水库是北京市重要的地表饮用水源地,在保障首都水源安全方面起着重要作用,而密云水库水质参数的区域监测已成为当前亟待解决的问题。为了实现密云水库水质参数大范围、实时获取,该文基于遥感和GIS技术,采用BP神经网络算法,结合地面监测数据和Landsat 8遥感影像,分别建立了反演总磷、总氮、氨氮和COD(化学需氧量)4个水质参数的BP神经网络模型,并反演了密云水库2013-2018年非结冰期主要水质参数,分析了密云水库主要水质参数的年际变化特征、季节变化特征和空间分异特征。结果表明,(1)水质参数的Landsat 8敏感波段分别为:总氮为1、4波段,氨氮为1-7波段,总磷为1、3-7波段,COD为2-5波段。(2)密云水库主要水质参数在2013-2018年总体呈下降趋势,氨氮和COD为Ⅰ类水质,总磷为Ⅱ类水质,总氮为Ⅲ类水质。(3)4个水质参数指标春季最高、秋季次之、夏季最低,总氮、总磷、氨氮和COD的春季值分别是夏季值的1.08、1.36、1.6、1.45倍。(4)密云水库不同水质参数的空间差异性较大,总体来看,水库北部和东部的4个水质参数含量相对较高,这种分布与北部和东部村庄密集以及密云水库两大入库河流有关。综上所述,基于BP神经网络算法的密云水库水质反演研究是可行的,且得到了较为可信的研究结果,该研究可为密云水库水质管理与政策制定提供重要的科学依据。     

人工神经网络方法用于城市环境空气质量综合评价

采用人工神经网络技术,建立了城市环境空气质量综合评价的ANN模型,并通过实例对建立的评价模型进行验证。结果证明,ANN模型用于区域环境空气质量评价,其评价结果比较直观。同时,对在建立和应用ANN模型时应注意的一些问题进行了讨论。