大气环境分类的SVM联合决策方法

目的实现城市大气环境的精准快速归类预测。方法基于支持向量机(SVM)构建多分类问题的联合决策算法,将大量城市环境因素数据的主成分聚类结果作为输入,通过机器学习训练,组建大气环境的SVM联合决策模型。结果该模型根据大气环境因素将数据集91个城市划分为9类,其中河内与海防环境相似度最高,巴东与格尔木差异最大。9个SVM二分类器组建的联合决策模型通过逐点预测在主成分数据空间形成了分区预测云图。结论SVM联合决策模型可实现城市环境的快速分类辨识,分类预测结果精度高于95%。     

基于DE-BPNN模型的含腐蚀缺陷管道失效压力预测*

为提升含腐蚀缺陷管道失效压力预测精度,准确把控管道状态,建立基于DE-BPNN的含腐蚀缺陷管道失效压力预测模型,有效避免BPNN模型陷入局部最优问题,提升预测精度。基于61组管道爆破实验数据,分别用DE-BPNN与BPNN模型进行仿真计算。结果表明:DE-BPNN预测结果平均相对误差为3.26%,R²为0.985 85,预测精度较BPNN模型有明显提升。应用DE-BPNN模型预测含腐蚀缺陷的管道失效压力可为长输管道运输调配和检维修提供决策支持。     

深基坑开挖变形研究进展

深基坑的设计理念主要以“变形控制”为主,综合前人的研究成果,将深基坑开挖变形研究分为2类：深基坑开挖平面变形研究和三维变形研究。在深基坑开挖平面变形研究的模式下,回顾了地表沉降模式、地表沉降影响范围以及基坑支护变形,并对具有代表性的工程实测数据进行了归纳总结;在深基坑开挖三维变形研究的模式下,对土体本构模型和数值模拟进行了总结分析;介绍了深基坑智能监测发展趋势,对机器学习在深基坑变形预测和稳定性评估方面的不同算法模型的性能进行了分析。通过理论分析、工程实测、数值模拟、智能监测以及机器学习5个方面,对深基坑开挖变形进行了综述。可以看出,深基坑变形研究需要多方法并举、多领域贯通、多学科相互配合,旨在构建智能一体化云监测分析预警平台,保障深基坑工程的施工安全,为今后智慧工地和智能建造的发展提供可靠的支持。     

边坡稳定性自动机器学习预测方法研究*

为了简便有效地评估边坡稳定性状态,针对目前传统机器学习的算法选择与超参数优化等难题,提出1种边坡稳定性自动机器学习预测方法。首先,简要介绍5种主流开源自动机器学习框架;其次,以422组边坡稳定性样本为数据集,进行自动机器学习纯自动化训练,并与传统机器学习对比分析模型的性能与耗时;最后,综合讨论与比较典型自动机器学习框架的特性。研究结果表明:自动机器学习预测效果总体上优于传统机器学习,提升边坡稳定性预测准确率和稳健性,且无需人为干预。研究结果可为岩土工作人员准确可靠地评价边坡稳定性提供便捷条件。     

大数据挖掘和机器学习在毒理学中的应用

随着高通量筛选技术的快速发展,化学品的毒性相关信息与日俱增。现今快速发展的数据挖掘技术和机器学习等计算机方法为化学品的毒性预测和风险防控提供了新途径。有害结局路径(adverse outcome pathway, AOP)将化合物的结构、分子启动事件和生物的有害结局建立关联,为污染物的毒性测试、预测和评估提供了新的模式,最终实现风险评估并应用于管理决策。定量结构-活性关系(QSAR)建模、分子模拟以及多组学技术在AOP的各个方面发挥了重要作用。基于此,本综述主要介绍数据挖掘与机器学习在毒理学中的应用方法,涉及QSAR建模、分子模拟及组学等方面,并结合实例分析系统阐述了当前研究的重点与方向,以更好地适应当前大数据时代的研究背景。     

基于随机森林模型的辽河高时间分辨率氮、磷浓度模拟与预测

随着环境信息获取技术的飞速发展,水质监测数据逐渐呈现出高时间分辨率的特点.针对传统方法在模拟高频检测数据时的不足,本文基于随机森林建立了河流氮、磷逐日浓度预测模型,识别了影响辽河干流马虎山断面氮、磷浓度变化的主要因素,并预测了未来不同情景下氮、磷浓度变化特征.结果表明：①马虎山断面氮、磷浓度变化的主要影响因素是上游珠尔山断面的来水水质和本断面的流量;②随机森林模型在高时间分辨率的水质指标模拟中具有误差低和拟合优度高的特点,其中,TN浓度预测模型的RMSE为0.40 mg·L^-1,R²为0.95,TP浓度预测模型的RMSE为0.01 mg·L^-1,R²为0.96;③在不同水文、污染控制和来水水质的变化情景下,未来马虎山断面氮、磷浓度变化主要取决于上游 来水水质,加强全流域营养盐控制是确保断面水质稳定达标的重要基础.     

基于特征选择和机器学习的阳澄湖叶绿素a遥感反演研究

利用2016-2020年Sentinel-2多光谱遥感影像和同步实测叶绿素a浓度数据,提出了一种基于特征选择和机器学习的叶绿素a遥感反演方法,并应用于阳澄湖.结果表明,特征选择方法在反演模型的自变量选取上具有较好的应用效果,基于此建立的随机森林模型在阳澄湖叶绿素a反演上具有较优的验证精度;2016-2020年阳澄湖叶绿...     

湖南空气质量预报中的数据预处理和特征工程

为提高空气质量预报的准确率,建立了融合气象和环境观测资料、结合机器学习和数值天气预报,且预测时效较长、预测精度较高的机器学习模型库。以湖南6个城市(长沙、株洲、湘潭、益阳、常德、岳阳)的空气质量预报为例,将数据预处理、特征工程方法运用到模型之中,得出以下几点结论:①数据预处理工作包括样本收集、数据清洗、缺失值处理、异常值剔除等,对提高模型预测稳定性帮助很大。②点、线、面的特征组合有助于完整地描述污染物的生消过程。引入传输指数后,株洲市模型对传输型污染过程的预测性能得到明显提高,对轻度、中度、重度污染的分类准确度分别提升了23.6%、16.6%、30.0%。引入静稳指数后,长沙市模型PM_2.5浓度测试的相关系数由0.938提升至0.959,均方根误差由10.33下降至8.46,且模型对中度以上污染天气的极值预报结果更接近实况;益阳市模型在高浓度样本预测中存在的系统性偏低现象得到改善,对轻度以上污染天气的预报结果得到较大矫正。③随机森林的特征重要性排序功能可以大幅度减少特征的数量,使得模型的可解释性和稳定性增强。     

基于BP神经网络的粤北某地区地下水脆弱性评价及其风险管控

针对传统DRASTIC模型在参数权重确定过程中主观性强问题,以粤北某地区浅层地下水为研究对象,利用采集的地下水相关数据和新增土地利用类型参数,在优化BP神经网络算法和构建DRASTICL模型基础上,借助地下水NO^-₃浓度进行模型验证,建立耦合BP神经网络算法的BP-DRASTICL模型,进而根据地下水脆弱性空间分布特点提出了地下水污染风险管控对策。结果表明：训练函数为trainlm、学习率为0.1、隐含层神经元节点数为6时,BP神经网络算法效果最好,相应地获得的最优BP-DRASTICL模型参数权重依次为0.1420(地下水埋深,D)、0.1151(净补给量,R)、0.0791(含水层介质,A)、0.1833(土壤介质,S)、0.0908(地形,T)、0.1574(包气带介质影响,I)、0.0891(渗透系数,C)和0.1433(土地利用类型,L)。D、S、T和L对评价结果的影响最大。与DRASTIC模型、DRASTICL模型相比,BP-DRASTICL模型的Pearson和Spearman相关系数最高,分别达到0.615和0.656,表明硝...