基于随机森林算法的云南昆磨高速公路气象风险研究

利用2018—2021年昆磨高速沿线交通气象观测站点数据,计算了总降水量及能见度低于500 m的天数,将其与地灾点、隧道点和桥梁点核密度以及道路曲率半径栅格数据输入到基于随机森林算法的预测模型中,最终昆磨高速危险路段回归预测结果R²值为0.790,P值为0.001,满足显著性检验要求,且预测结果与验证数据之间高度拟合。结果表明：(1)中度危险性以上路段集中在昆磨高速沿线“上—中”段的呈贡区、晋宁县、红塔区、峨山县、宁洱县以及景洪市,其中重大危险等级路段主要分布在景洪市和宁洱县;(2)从随机森林算法预测结果来看,隧道点核密度重要性占比为26%,能见度小于500 m的天数重要性占比为24%,2项综合占比为50%,说明隧道的分布和能见度低的天气状况对昆磨高速沿线行车安全影响最大。     

空气质量模拟与观测机器学习NO2浓度预报

在空气质量模拟预报数据基础上,采用套索算法(Lasso)将前馈神经网络(FNN)与基于污染物浓度及气象实时观测值搭建的长短期记忆网络(LSTM)组合,形成了模拟与观测机器学习(SOML)预报模型,开展了佛山市顺德区NO₂未来3d10个镇街空气质量监测点位逐日浓度预报.结果显示:SOML3d的准确性均优于WRF-CMAQ及其它单一模型,其中第一天SOML平均绝对误差(MAE)为4.99μg/m³,改进幅度达66.18%;SOML不同季节适用性均较强,四季预报效果均较WRF-CMAQ明显提升(MAE分别降低42.18%、42.89%、61.04%、50.91%),其中秋冬季改善幅度更好;相比WRF-CMAQ,SOML预报结果能较好反映顺德区内各站点NO₂浓度实际空间分布和数值水平,有效提升了浓度预报精准度.     

基于机器学习的武汉城市圈土地生态安全格局识别与优化策略

为明晰武汉城市圈土地生态安全格局,从经济、社会和自然3个维度构建土地生态安全评价体系,在机器学习框架Keras中利用BP神经网络对2010—2017年武汉城市圈土地生态安全水平进行评价,在此基础上,利用ArcGIS软件对评价结果进行空间识别,并提出相应土地生态安全优化策略。结果表明:(1)2010—2017年武汉城市圈土地生态安全水平小幅下降,长期处于临界安全状态,其中土地自然生态安全状况不断恶化,土地经济生态安全状况持续改善,土地社会生态安全水平增减变化差异较大。(2)武汉城市圈土地生态安全变化存在明显空间差异,土地自然生态安全水平下降较大区域主要集中在西部和南部;黄冈和黄石土地经济生态安全水平小幅下降,其他城市安全水平均有不同程度上升;土地社会生态安全水平变化较大,武汉和潜江上升1个安全等级,仙桃和孝感下降1个安全等级,咸宁下降2个安全等级。(3)研究区土地自然生态安全状况恶化的主要原因为人均耕地、耕地面积比例、森林覆盖率持续下降以及工农业废水和废弃物排放总量持续上升;土地经济生态安全状况持续改善的主要原因为工农业生产效率、居民收入和第三产业占比持续上升;土地社会生态安全系统的影响因素较多。     

基于机器学习遥感算法的大型漂浮藻面积提取方法研究

采用基于机器学习的多层感知机算法,利用GOCI(Geostationary Ocean Color Imager)传感器获取的瑞利校正反射率数据,对东中国海大型漂浮藻进行遥感自动识别,采用线性混合像元分解来计算大型漂浮藻的覆盖面积,并利用膨胀和侵蚀法进行大型漂浮藻的分布面积计算。利用L8/OLI(Landsat 8/Operational Land Imager)高空间分辨率资料进行验证,结果表明,基于机器学习遥感算法针对GOCI提取的大型漂浮藻覆盖面积,与L8/OLI结果十分接近,R2达到0. 959,平均绝对误差和平均相对误差分别为39. 32 km2和18. 15%。     

基于数据驱动的汽车部件温度预测模型研究

目的基于某汽车在中国吐鲁番地区自然暴露的部件温度变化试验数据,预测该车在美国凤凰城地区气象环境下的汽车部件温度变化。方法把汽车部件的温度作为输出变量,提取影响汽车部件温度变化的关键特征(试验时间、大气温度、太阳辐照)作为输入变量,同时运用公式对不同纬度地区部件受到的太阳辐照进行修正,以消除地理位置的影响。利用Python等软件构建机器学习模型,用吐鲁番试验数据训练模型,然后预测该车部件在美国凤凰城地区的温度变化。结果梯度提升机模型具有良好的泛化能力和预测精度,其预测值与实际值的平均绝对误差均在3.3°以内,拟合优度R^(2)均大于0.90。BP神经网络和随机森林算法模型也具有较好的预测精度。结论利用汽车在我国试验站点进行的自然暴露试验数据,可以预测该汽车部件在国外相似地区气象条件下的温度变化。该研究对于依据汽车部件在我国的自然暴露试验结果预测其他国家相似地区自然环境下汽车部件的温度变化具有一定的指导意义。     

基于卫星遥感的四川省XCO2高分辨率时空分布

为深入了解四川省碳源、碳汇情况,该研究基于XGBoost机器学习算法,对多源卫星(GOSAT、OCO-2和OCO-3)的CO₂干空气柱平均摩尔分数(XCO₂)数据进行融合填补,重构四川省2015-2021年1 km网格XCO₂逐日浓度时空分布。结果表明,XGBoost模型基于网格和天的留出验证R²分别为0.98和0.96,可实现XCO₂数据的高精度时空分布重构。四川省2015-2021年XCO₂年平均浓度为406.5×10^-6,年平均增长速率为2.50×10^-6,增长速率呈逐年下降趋势。多年XCO₂浓度在春季最高,秋季最低,季节差异为3.4×10^-6。XCO₂浓度在空间上呈现“东部高,西部低”的分布特征,四川盆地内的城市XCO₂浓度普遍较高。各个城市的XCO₂在空间上呈现不同的分布特征,与当地碳源、碳汇密...     

基于机器学习利用低成本传感器数据构建城市近地面PM2.5浓度的高分辨率空间分布

PM_2.5是当前影响中国城市空气质量的一种重要污染物,它对人体健康有不利影响,高时空间分辨率的PM_2.5浓度分布是城市大气污染 精细化防控和健康影响评估的重要基础.低成本传感器在中国城市空气质量监测领域得到越来越多的应用,但由于其数据质量不够高,其价值没有得到充分的挖掘.本研究以在长三角地区蚌埠市城区作为研究案例,首先基于国控站监测数据对低成本传感器观测数据进行校准.接着通过6种机器学习模型的预测性能的比较选取随机森林作为本研究的核心方法.然后利用随机森林方法结合土地利用类型、人口密度和通过WRF模式模拟得到的气象数据、监测数据等多源数据,构建了时间分辨率为1 h、空间分辨率为0.005°（接近500 m）的近地面PM_2.5浓度的时空分布.最后对几种方法的结果进行了比较和评估.反演得到的高分辨率PM_2.5浓度的10倍交叉验证结果显示,空间R²=0.95,RMSE=9.32 μg·m^-3,时间R²=0.88,RMSE=9.24 μg·m^-3.结果表明,低成本传感器观测数据可以帮助人们构建具有更高精度的高时空分辨率的PM_2.5浓度 分布,使得低成本传感器数据的时空特征价值得到更好的利用,同时也可为低成本传感器更好地服务于空气质量精细化管理提供一种新的 应用思路.     

基于端到端深度学习的有机光伏材料光电转化效率预测

碳中和背景下,亟需开发高效清洁的新型能源,以减少对化石能源的依赖。有机光伏材料作为一种可将太阳能或其他光能直接转化为电能的材料,日益成为一种具有重大应用前景的低碳能源材料。在探索新的高性能有机光伏材料的过程中,机器学习虽然能够提高材料设计效率,但其预测能力极大受制于描述符的开发和选取。利用循环神经网络、卷积神经网络、图神经网络等算法,构建端到端的深度学习模型预测有机光伏材料光电转化效率,所建模型可直接从SMILES符号、分子图像、分子图网络中提取化合物结构信息,而无须人为开发和选取描述符。所得模型不仅能够较为准确地预测有机光伏材料的光电转化效率(其中最优模型五折交叉验证结果和测试集预测结果决定系数均>0.73),而且能够识别影响转化效率的关键结构特征。该研究结果可为新型环境功能材料设计提供理论参考。     

基于机器学习方法研究气象及排放变化对长三角地区主要城市大气污染物的影响

选取2015～2021年长三角地区4个代表性城市污染物浓度,利用机器学习的气象归一化方法解耦气象因素对污染物的影响,量化气象和排放对污染物浓度变化的贡献.结果表明,长三角地区PM_2.5、 NO₂和SO₂排放下降影响贡献较大(57.2%～68.2%、 80.7%～94.6%和81.6%～96.1%),抵消了气象因素带来的不利影响,致使污染物浓度降低.而气象条件对于臭氧日最大8 h(MDA8＿O₃)的贡献强于其他污染物(23.5%～42.1%),其中气象因素促进污染物浓度上升(4.7%),排放变化促进污染物浓度下降(-3.2%). NO₂和MDA8＿O₃在2019～2021年降幅更快,主要原因是2019～2021年排放起到较2015～2018年更强的促进污染物浓度降低作用.PM_2.5和SO₂在2019～2021年的降幅较2015～2021年整体有所减弱.基于机器学习的气象归一化方法可以解耦气象对污染物的影响,量化排放...