排序方式: 共有123条查询结果,搜索用时 15 毫秒
1.
纳滤膜对微污染物去除效率受膜特性、微污染物性质和实验条件等因素影响,优化这些影响因素对纳滤工艺的成功应用至关重要,然而实验优化过程不能同时兼顾多因素对去除效能的交互影响.为此,基于线性、非线性和集成学习算法,开发了4种纳滤膜对有机微污染物去除效率的预测模型,并验证了模型的预测性能和可行性.在拟合程度、稳健性和外部预测能力等方面对开发的模型进行了对比分析研究,结果表明,用集成学习算法开发的XGBoost模型能够准确识别影响膜分离过程中的关键因素,在预测纳滤膜对微污染物的去除效率方面表现出强大的潜力(Radj2=0.977,Qext2=0.877,QLOO2=0.875).此外,利用SHAP解释方法定量解析了各驱动因素对纳滤膜去除微污染物效率的贡献,证明纳滤膜的截留分子量、膜表面接触角和污染物的尺寸是微污染物去除过程中重要的影响因素.首次将模型解释方法应用于特征变量的选择过程,使集成算法(XGBoost)模型的性能得到进一步优化.所开发的机器学习模型,有利于优... 相似文献
2.
为解决现行安全生产科技领域中全球定位系统(GPS)/惯性导航系统(INS)融合系统容易产生较大时变误差的关键问题,满足GPS定位信号的精度和信号数据处理时间的要求,提出1种群调度滤波算法,通过实验仿真,分别与模糊算法、机器学习算法及卡尔曼滤波网络算法进行比较研究。结果表明:群调度滤波算法兼顾了定位精度与数据处理时间,具有较大优势,可在航空安全、船舶安全、应急监测、灾后抢险等安全科技领域广泛应用。 相似文献
3.
4.
以武汉市为研究区域,从遥感影像中提取相关淹没点数据并从致灾因子、孕灾环境及承灾体三方面出发选取12个洪涝灾害风险影响因素;基于随机森林、梯度提升决策树、XGBoost和逻辑斯蒂回归四种模型拟合淹没点与影响因素间的非线性关系,进而得到不同影响因素对风险水平的作用程度,并据此计算各指标权重,建立风险评估模型。基于所建立的模型,对武汉市洪涝灾害风险区进行识别。其结果为:(1)相比于随机森林、梯度提升决策树和逻辑斯蒂回归,XGBoost模型在拟合影响因素与淹没点之间的非线性关系方面具有更优的性能;(2)武汉市洪涝灾害风险水平主要受高程、人口密度和年平均降雨量的影响,高风险区域主要分布在中部主城区和东南部梁子湖附近;(3)承灾体暴露性急剧增加是武汉市洪涝灾害高风险地区形成的主要原因。 相似文献
5.
滑坡位移预测一直是滑坡研究的热点之一。近年来,随着计算机科学的发展,越来越多的人工智能技术模型被用于滑坡位移的预测。相较于常用的如LSTM神经网络等机器学习模型,集成算法中的XGBoost模型在滑坡位移预测领域尚不多见。由于其在滑坡位移预测中具有预测精度更高、运行速度更快等优点,目前在学术界已成为研究的热点领域。文中以泉州市安溪县尧山村滑坡地灾点监测数据为例,运用Python搭建XGBoost模型,并通过最大信息系数的比较来选定与位移高度相关的特征,输入至模型中对滑坡位移进行预测。结果表明,XGBoost模型因其在目标函数中引入正则项来控制模型过拟合、模型数据集划分采用前向验证方式等优点,相较于大多数机器学习模型,能更加准确地预测降雨诱发阶跃型滑坡位移。该模型对此类滑坡的位移预测及早期监测预警具有重要参考意义。 相似文献
6.
7.
在过去的几十年里,快速的经济发展以及工业化、城镇化进程加速使得中国的资源环境承担的压力不断加大。作为影响空气质量的首要污染物,PM2.5和PM10(记为PM2.5/10)直接影响着广大人民群众的身体健康。因此,针对PM2.5/10浓度进行遥感反演研究,对环境监测和控制改善全国空气环境质量具有重要的意义。近些年来,随着对近地面PM2.5/10浓度研究的不断深入,基于遥感影像数据进行PM2.5/10浓度的反演方法也日益增多。本文利用Google Earth engine(GEE)平台获取了海量的Landsat 8 OLI遥感影像数据,并结合气象信息、空间特征等参数,采用机器学习中常用的多层映射反向传播神经网络构建了波段反射率与PM2.5/10浓度之间的反演模型,以获得PM2.5/10在研究区域的连续分布。为了提高基础PM2.5/10反演模型的反演精度,还从影响因素和前溯时间两个维度出发,探寻了模型的最优化输入参数组合,并最终实现了对PM2.5/10浓度的精准反演。以北京市地区为例,模型的PM2.5和PM10的反演精度R2分别达到0.814和0.796,均方根误差RMSE分别为19.21 μg?m?3和28.31 μg?m?3。鉴于该反演结果具有较高的准确性和可靠性,本文所建立的方法模型为研究PM2.5/10在空间上的连续分布特征提供了新的思路和方法,具有较为重要的科研意义与广泛的应用价值。 相似文献
8.
机器学习结合多源遥感数据反演土壤水分含量(SMC)是目前SMC研究的热点,因较少考虑温度、蒸散等重要SMC影响因子,反演结果存在一定的不确定性。利用Sentinel-1影像、MODIS产品和SRTM数据,提取雷达后向散射系数等32个SMC影响因子,经相关分析选择27个显著的SMC影响因子(P<0.05)作为反演因子,并设计三组因子组合。这三组因子组合分别与随机森林、支持向量回归、BP神经网络三种机器学习方法结合,发现基于随机森林结合所有因子的方案,其SMC反演精度最高,该组合均方根误差RMSE为0.039 m³/m³,将该方案被用于反演2017年生长季锡尔河流域中下游平原区农田SMC。结果表明:从上部至下部SMC总体呈逐渐增加的态势,但存在显著时空差异,春季和秋季SMC较高而夏季较低。SMC差异主要由土壤质地、热量条件和地表植被状况差异引起。春季平原区下部农田SMC要高于上部,SMC的主控因子是土壤质地和地表植被状况;在夏季,土壤水分的主控因子是热量条件,农田灌溉弥补了热量条件差异对土壤水分的影响,导致空间上平原上部和下部土壤SMC空间差异不显著;秋季SMC的主控因子植被状况抵消地表温度和土壤质地差异对SMC的影响,使得秋季SMC空间差异不显著。本文采用的研究方法在一定程度上克服了因考虑SMC影响因子不足而获取更高SMC精度的限制。 相似文献
9.
全国各地为了减少新冠疫情对社会和人民生活的影响,采取了必要的防疫防控措施,这些措施对空气质量的变化产生了重要的影响,此外空气质量的变化与气象条件也存在很大的关系.通过对河南省疫情前(1月1~26日)和疫情管控期(1月27日~2月29日)这两阶段的空气质量分析对比发现,整个河南省除了O3浓度上升了69.64%外,PM2.5、PM10、SO2、CO和NO2分别降低了36.89%、34.18%、19.43%、29.85%和58.51%;通过机器学习算法中的长短期记忆型网络(LSTM)模拟显示,气象条件引起污染物浓度的降幅大部分在15%~30%之间;人为排放减少引起的污染物浓度的降幅大部分在6%~40%之间.O3在疫情期间上升过程中,气象条件和人为排放两种因素分别占了34.84%和34.81%.结果表明,疫情管控期间,河南省空气质量总体上有所改善,但是也有重污染发生,其中O3的浓度对于疫情管控减排的影响不明显,呈负相关,需要进一步探索引起臭氧浓度上升的原因,以此帮助政府合理控制臭氧等前体污染物的减排比例. 相似文献
10.
针对现有大气污染物浓度预测模型存在预测精度不高、污染物种类单一等不足的问题,通过小波分解将高维大气污染物数据转换为低维数据,再对分解序列建立长短期记忆网络(LSTM)预测模型,最后通过小波重构将分解序列重构为污染物时间序列,建立了1种基于小波变换(WT)的LSTM大气污染物预测模型(WT-LSTM),用以预测目标区域内的次日平均ρ(PM2.5)、ρ(PM10)、ρ(SO2)、ρ(NO2)和ρ(O3)。采用长沙市2015—2018年10处国控站点的数据进行验证,结果表明:相对于LSTM、多元线性回归(MLR)和基于WT的WT-MLR模型,WT-LSTM的均方根误差和绝对平均误差均下降了50%,其对PM2.5、PM10、SO2、NO2和O3的污染等级预测准确率均在80%以上。 相似文献