机器学习加速能源环境催化材料的创新研究

“双碳”背景下，加快研发高效的能源与环境催化材料有助于推进能源清洁利用和环境污染治理。传统催化材料研发模式主要依赖实验试错方法，难以满足能源与环境领域对高效催化材料的研发需求。快速发展的机器学习等数据科学技术为催化材料研发带来范式变革的契机。基于机器学习、实验数据和计算数据的有机结合，可对催化材料进行快速筛选，突破传统试错法的局限性，有利于解决催化剂研发效率低、成本高等难题。本文从催化材料的位点预测、配方筛选、构型设计以及反应路径优化等角度讨论了机器学习方法加快能源与环境催化材料创新的研究进展，分析了不同训练数据获取途径对应的机器学习方法构建及其在催化材料开发中的应用，展望了机器学习加快催化材料研究方法创新的发展趋势，以期为促进其在能源与环境领域的应用提供启示。     

环境DNA宏条形码监测水生态系统变化与健康状态

开展快速可靠的水生态监测并预测其变化趋势,对保护水生态环境具有重要的价值。近年来,环境DNA宏条形码技术(简称环境DNA技术)的快速发展弥补了传统形态学生物监测的缺陷,显著提升了水生生物群落的监测能力。与机器学习、遥感和云服务等技术结合,环境DNA技术不仅能大尺度、高频率、高灵敏度、自动化地获取生态监测信息,而且能准确地识别水生态系统的变化趋势,进而改变对水生态系统的认识与管理方式。因此,研究着重总结了环境DNA技术在水生态监测中的应用,分析了环境DNA技术与机器学习、卫星遥感等跨学科合作的潜在机遇,基于环境DNA技术简单、便捷的优势,提出了社会公民参与水环境保护的生态监测新思路。     

地震预警技术的应用与展望∗

简要回顾了地震预警的发展历程,介绍了地震预警的基本原理和地震位置、预警震级及预测烈度等关键参数的主要测定方法。作为一种能够有效减轻地震灾害的手段,世界上多个国家和地区相继开始建设各自的地震预警系统,以系统建设与应用实效为切入点,介绍了世界主要地震预警系统和我国的相关进展情况;并基于目前地震预警面临的主要挑战,从传感器、信号处理算法及组网模式等方面,展望了未来地震预警系统新的、有潜在变革性的技术和方法。     

基于机器学习方法的上海市暴雨内涝灾情预测模型研究

本文基于区域灾害系统理论,综合考虑致灾因子、暴露度和脆弱性,提出了一套暴雨内涝灾情预测指标体系;在此基础上利用上海市应急联动中心110接报暴雨内涝灾情数据,构建了暴雨内涝灾情预测BP模型(Back Propagation Model)和XGBoost模型(Extreme Gradient Boosting Model),并对比分析了预测模型效果,实现对上海市暴雨过程内涝灾情数量预测;最后对内涝灾情影响等级进行阈值划分,以期为暴雨内涝影响预报与风险预警业务、服务及灾害管理提供技术支撑。结果表明:1)综合考虑致灾因子、暴露度、脆弱性指标且不经主成分分析降维的指标组合作为暴雨内涝灾情预测指标体系时,BP模型和XGBoost模型的预测精度最优;2)全量样本XGBoost模型总体表现最优,暴雨内涝灾情的右偏分布和内涝灾情的异常高值均对XGBoost模型预测误差有不同程度的贡献;3)综合评价法在历史灾情百分位法和模拟灾情百分位法基础上,结合多年业务实践经验和用户对于110灾情的处置承受力对暴雨内涝灾情进行阈值划分,在实际应用中具有一定参考意义。     

基于BP神经网络在森林防火专家系统不确定推理中的应用研究

提出将改进的BP神经网络应用于森林防火专家系统的不确定性推理中,其良好的自学习和泛化能力,可以解决基于可信度规则的知识表示在实际应用中导致的规则激增,推理速度缓慢的问题。该方法将不确定的知识用可信度区间表示,通过知识编码,设计并训练BP网络,最后用MATLAB进行仿真。实验结果表明:BP神经网络可以自动学习专家的典型经验,并且能将之准确的推广,隐含层神经元个数的确定和典型样本的选取决定了准确精度。在实际的专家系统不确定推理应用中具有应用价值。     

基于膜雌激素受体(GPER)结合化合物能力的分类预测模型

近年来,计算毒理学的方法被广泛应用于潜在的环境内分泌干扰物(EDCs)的筛选.膜雌激素受体(GPER),作为一种可以快速响应内源性配体雌激素的关键靶蛋白,调控其介导的多项生理学功能.但是针对GPER的化合物毒性预测模型仍未见报道.因此,本研究收集了130个化合物对GPER的结合活性数据,主要包括双酚类、多溴联苯类以及农...     

流域水质管理优化决策模型研究

针对目前流域水污染难以有效控制的局面,依据已有的流域水文、水动力、水质、水生态相关机理模拟模型的研究,在考虑了流域社会经济发展条件的基础上,构建了流域水质管理优化决策模型框架体系.基于该框架体系,本文从简单流域系统优化模型、模拟与优化联合模型和时空尺度复杂优化模型3个方面对流域优化决策模型的研究发展历程进行综述,并指出其各自在发展过程中所出现的问题.最后,提出了优化决策模型面临的瓶颈问题,并从模型结构简化和适应性管理两个方面提出了相关的解决思路.     

农村改造房屋结构安全预警模型

农村改造房屋结构安全问题突出,尤其长沙“4·29”民房坍塌事故更凸显出该问题的严峻性,为解决这一问题,首先,基于机器学习算法,构建农村改造房屋结构安全预警指标体系;其次,对初始数据作标准化等预处理,并基于过采样算法解决样本类别不平衡问题,使用经典机器学习算法构建农村改造房屋结构安全预警模型;然后,利用集成学习算法优化原有模型以提高模型精度;最后,对各预警指标的重要度排序。结果表明：经典机器学习算法预测效果较好的是支持向量机(SVM),集成算法效果较好的是堆叠法,总体预测率为85.3%;较为重要的预警指标是建筑面积过大、建筑年份久、无施工草图、非六大重点排查房屋、独立基础、用于出租特别的群组牟利的城乡结合部自建房、地上层数过大、未经正规设计、无资质设计等17个。     

基于机器学习的成渝地区空气质量数值预报PM2.5订正方法研究

空气质量预报对于大气污染防治、打赢蓝天保卫战意义重大.本研究基于重庆市气象局的中尺度天气模式（WRF）和空气质量数值预报模式（CMAQ）的预报产品,采用2018年4个代表月份（1、4、7、10月,分别代表冬、春、夏和秋季）成渝地区22个观测站点的PM_2.5浓度和气象要素观测数据,建立基础特征变量数据集（包括训练数据集和测试数据集）,通过调整模型参数,并利用训练数据集采用机器学习方法（Lasso回归、随机森林回归、深度学习RNN-LSTM）进行模型训练,订正了成渝地区PM_2.5数值预报.其中,通过Lasso回归算法对成渝地区4个区域分别进行变量优选,优化模型,利用测试数据集对模型进行测试并检验评估.结果表明,基于3种机器学习方法订正后的PM_2.5小时浓度相比CMAQ模式模拟预报结果,偏差显著降低,相关系数显著提高.其中,随机森林回归和RNN-LSTM的订正效果优于Lasso回归,区域统计与站点统计结果较为一致;Lasso回归订正后的均方根误差减小50%左右,相关系数达70%,随机森林回归和RNN-LSTM订正后的均方根误差减小70%左右,相关系数达90%,随机森林回归与RNN-LSTM订正后的偏差范围相比Lasso回归集中范围更窄,最大概率分布更集中;3种方法对不同季节的订正效果与全年一致,其中,冬季订正效果更为显著.研究结果可为提高我国重点城市群区域—成渝地区PM_2.5浓度的大气污染预报能力提供有益参考.     

基于公司行业结构的哈尔滨跨区域联系网络分析

在“流动空间”背景下,城市网络中次级城市受到区域经济研究的关注。区域内部及跨区域联系对次级城市发展的作用关系到城市区际合作的成败,但对其认识存在差异。以行业结构作为切入点,基于机器学习行业分类后的工商企业数据,研究哈尔滨与东北地区城市联系的总量变化及行业特征,发现:（1）哈尔滨的内向经济联系中,东北地区城市的重要性在减退,其外向网络腹地范围正在缩小;（2）哈尔滨与东北地区的产业联系有制造业联系下降及服务业低端化的趋势;（3）与全国相比,东北地区内部缺乏“服务中心”。通过研究哈尔滨与东北地区以外城市联系与距离、地区生产总值（GRP）等的关系,以及行业比较优势,发现:（1）哈尔滨联系网络呈现无标度网络特征,与国家中心城市的联系不符合距离衰减规律,且连接度与GRP强线性正相关;（2）哈尔滨的高级生产者服务业联系集聚化,制造业与其他服务业联系偏长尾分布。相对于联系广度,更应重视与少数“服务中心”的联系质量。