船载雷达海冰监测及预报技术在辽东湾冰区油轮外输作业中的应用

渤海的辽东湾是世界上典型的海湾结冰区,位于冰区中的石油平台油轮外输作业中,流冰连续不断地漂移、聚集形成堆积冰,给海上油轮的外输作业安全带来严重危害。本文概述了在国内首次利用船载雷达,在该湾冰区石油平台上,现场采用雷达海冰监测预报技术系统,进行遥感海冰数据源的获取,图像的解译和数值化处理,得到流冰类型、冰厚度、流冰密集度、流冰速度、方向、流冰漂移轨迹等要素。同时首次现场实时计算出雷达冰漂流场矢量图,并开展了雷达海冰数值跟踪预报,在冰区油轮外输作业中得到很好应用,为雷达技术对水体和海冰监测和预报、遥感应用新领域提供科学依据。     

应用马尔可夫链分析预测福建以林为主的土地利用趋势

土地利用状况的研究是国土整治及林业发展规划的重要研究内容,本文根据森林资源连续清查的资料,应用马尔可夫链理论,建立预测模型,分析、预测土壤利用的动态状况,提出宏观控制的对策,为土地利用规划,林业生产决策提供科学的方法与依据。     

利用马尔柯夫过程预测锡林河流域草原退化格局的变化

以我国北方典型草原模式地段之一的锡林河流域草原为研究对象,根据研究区两个时期遥感影像解译的植被类型图衍生出草原植被退化图。在对草原退化图统一网格化后,计算各网格草原退化指数,并加以分级,确定不同草原退化等级之间转移概率,并应用马尔柯夫模型预测锡林河流域草原退化格局的演变趋势。结果表明:如果不采取防止草地退化的根本性措施,草原退化态势还将继续下去。以每个网格草原退化指数值为各网格草原退化状况划分依据,以3km×3km网格为统计单元,在流域总面积为10701km₂情况下,预测结果是:2005年,锡林河流域草原退化为3级的网格总面积是3776km₂,占流域总面积的35.29%;4、5级网格面积之和为5427km₂,达到流域总面积的50.71%。2025年,锡林河流域草原退化为3级的网格面积总和是3389km₂,占流域总面积的31.67%;4、5级网格面积之和为6406km₂,达到流域总面积的59.86%。     

利用人工神经网络对空气中O3浓度进行预测

将人工神经网络应用于对空气中O3的浓度预测,提出了完整的预测模型,选取风速、风向、相对湿度、云量、平均气温、最高气温等6项气象因子作为输入量,经过两个月的预测实验,结果表明,实测值与预测值的平均相对误差为21.49%,相关系数为0.837.表明人工神经网络对O3的浓度预测是一种有效的工具.     

Streamflow Forecasting Using Singular Value Decomposition and Support Vector Machine for the Upper Rio Grande River Basin

The current study improves streamflow forecast lead‐time by coupling climate information in a data‐driven modeling framework. The spatial–temporal correlation between streamflow and oceanic–atmospheric variability represented by sea surface temperature (SST), 500‐mbar geopotential height (Z₅₀₀), 500‐mbar specific humidity (SH₅₀₀), and 500‐mbar east–west wind (U₅₀₀) of the Pacific and the Atlantic Ocean is obtained through singular value decomposition (SVD). SVD significant regions are weighted using a nonparametric method and utilized as input in a support vector machine (SVM) framework. The Upper Rio Grande River Basin (URGRB) is selected to test the applicability of the proposed model for the period of 1965–2014. The April–August streamflow volume is forecasted using previous year climate variability, creating a lagged relationship of 1–13 months. SVD results showed the streamflow variability was better explained by SST and U₅₀₀ as compared to Z₅₀₀ and SH₅₀₀. The SVM model showed satisfactory forecasting ability with best results achieved using a one‐month lead to forecast the following four‐month period. Overall, the SVM results showed excellent predictive ability with average correlation coefficient of 0.89 and Nash–Sutcliffe efficiency of 0.79. This study contributes toward identifying new SVD significant regions and improving streamflow forecast lead‐time of the URGRB.     

深度学习方法在上海市PM2.5浓度预报中的应用

为提升PM_2.5浓度预报能力,尤其是对PM_2.5重污染的预报能力,以中尺度气象-化学耦合模式系统（WRF-Chem）为基础,结合中尺度WRF气象预报数据、地面及高空气象观测数据、PM_2.5浓度观测数据,基于人工智能深度学习序列到序列的算法建立了上海市PM_2.5统计预报模型.结果表明,人工智能深度学习算法（Seq2seq）明显修正了WRF-Chem模式由于模型非客观性造成的偏差,提高了上海市PM_2.5浓度的预报能力;该算法优化和修正了WRF-Chem模式结果,并通过检验发现可以使PM_2.5浓度预报值与实况值间的相关系数由0.51上升至0.79,均方根误差由25.9μg/m³下降至15.01μg/m³.而单独使用套索法（Lasso）线性回归算法对WRF-Chem模式优化效果不理想.基于Seq2seq的PM_2.5浓度预报修正模型能够有效提升预报精度.     

基于灰色系统理论的济南市建筑废物产量预测

首先以建筑面积核算法对济南市2000~2017年建筑废物产量进行了估算,然后以估算值作为原始数据,建立了灰色GM（1,1）预测模型.最后对未来5a济南市建筑废物产量进行了预测.经验证,模型精度等级达到优秀级.结果表明,灰色GM（1,1）预测模型可以准确地预测济南市建筑废物的年产量,预测表明济南市建筑废物平均产量将从2018年的860万t,增加到2022年的1000万t.     

大气腐蚀数据降维最优维度研究

目的确定金属大气腐蚀数据降维的最优维度。方法分别采用PCA、MDS、Isomap和LLE四种方法对大气腐蚀数据进行降维处理,并采用集成学习算法建立预测模型。针对不同的降维方法和近邻点个数计算,使用MAPE(Mean Absolute Percentage Error,相对百分误差绝对值的平均值)对预测结果进行评价,将最佳预测速率所对应的维度作为最优维度。结果不同的降维方法和近邻参数作用下,最优维度从2维到7维不等。流形学习方法对大气腐蚀数据进行降维的MAPE均小于线性降维方法。结论适合每种降维方法的最优维度可能是不同的,通过对MAPE进行对比,得到大气腐蚀数据在各种降维方法的最优维度。     

随机应用下的锂离子电池剩余寿命预测

目的为模拟海洋工程与水下科考装备电池的真实使用情况,进行随机电流放电下的锂离子电池老化实验,通过高斯过程回归模型进行电池剩余寿命预测。方法从数据驱动方法中选取具备不确定性表达能力的高斯过程回归模型,选定核函数后通过训练数据来优化超参数建立预测模型。用随机应用下的电池充放电循环实验数据验证预测结果。结果与SE核函数相比,基于Matern核函数的模型预测效果更优。训练数据越多,预测起始点越大,模型预测绝对误差越小、MAPE与RMSE值更低。对两种不同实验温度、不同随机电流放电模式下的三组电池,模型预测绝对误差大多在40 cycle内,MAPE与RMSE值分别低于0.06、0.09,均能实现准确剩余寿命预测。结论对于随机应用下的锂离子电池剩余寿命预测,高斯过程回归模型具备高精度与适用性。     

基于BP神经网络的污染物浓度多模式集成预报

基于中国气象局雾-霾数值预报系统CUACE、北京区域环境气象数值预报系统BREMPS和华东区域大气环境数值预报系统WRF-Chem三个环境气象模式预报产品,利用BP神经网络方法建立多模式集成预报模型.首先通过实验得到BP神经网络的训练函数、隐含层节点数和训练样本长度分别为贝叶斯归一化训练函数trainbr、10和50.随后选取北京、天津和石家庄站点的预报结果检验该模型的预报性能.结果表明：（1）相对于单模式,BP神经网络集成预报的3~72h逐3h污染物浓度和观测之间的归一化平均偏差从-100%~200%降低到-20%~20%,污染物浓度和观测的均方根误差比各单模式降低15%以上,相关系数从0.1~0.8提升到0.3~0.85之间,说明其预报结果优于各单模式.（2）2016年AQI等级评估表明,集成模型预报的北京轻度和中度污染的TS评分分别比CUACE提高22%和10%,在天津重度污染的空报率和漏报率分别降低31%和25%.（3）2016年12月份的重污染过程评估发现,集成模型预报的PM_2.5浓度的演变趋势和实况基本相符.