排序方式: 共有138条查询结果,搜索用时 15 毫秒
1.
2.
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
3.
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
4.
5.
针对传统植被资源调查方法工作量大、成本高、效率低的问题,利用高分辨率无人机遥感影像,联合地物光谱-纹理-空间信息,构建了一种适用于描述城市不同植被种类的多维特征空间,在此基础上对三种应用广泛的分类算法(基于像素的、面向对象的支持向量机及深度学习Mobile-Unet语义分割模型)开展了对比分析研究.结果表明:本文提出的联合地物光谱-纹理-空间信息的特征空间构建方法能够有效地描述城市不同类型植被的特征差异,提升影像分割、植被分类的精度;在分类精度上,基于像素和面向对象的支持向量机分类结果的总体精度均超过90%,深度学习方法的总体分类精度为84%;在算法效率上,传统机器学习方法也优于深度学习方法.因此,得出结论针对城市小区域、小样本的植被精细分类,传统机器学习分类方法比深度学习方法效果更好. 相似文献
6.
数学模拟技术在污水处理方面被广泛应用,为了系统总结相关技术,本文回顾了污水处理系统中数学模拟技术的发展历程;综述了活性污泥模型(ASM)与机器学习(ML)在水质预测及参数工况优化领域中的应用;重点探究了污水处理系统中温室气体排放模型,以及多目标优化模型在污水处理系统中温室气体排放(GHG)、出水质量(EQI)和运行成本(OCI)的权衡问题;归纳了数学模拟技术在实现污水厂能量自给与资源回收的应用发展.研究结果表明数学模拟技术能准确预测出水水质、快速优化工艺参数、权衡温室气体排放、出水水质与运行成本之间的关系、以及提高资源回收效率等.因此,数值模拟技术可有效指导污水处理工艺的运行优化以及管理,为污水处理行业减污降碳协同增效提供技术支撑. 相似文献
7.
选择河北省邢台市作为研究对象,将2020疫情作为一个极限管控措施下的极限减排实验情景,把2021疫情作为未来常态化疫情防控实验分析情景.与疫情前期对比,两次疫情期间臭氧浓度均有提升且2021疫情时期颗粒物浓度同样有提高,2020疫情时期其他污染物浓度均有不同程度的改善,而与2019历史同期相比,两次疫情期间臭氧浓度同样有升高现象,除此以外,2021疫情时期污染物改善较好.利用长短期记忆网络(LSTM)算法和空气质量预报模式系统(WRF-CMAQ)量化了两次疫情时期气象因素对于污染物浓度变化的影响,根据空气质量模拟法反推了不同污染物受人为影响的浓度变化.实验结果表明,LSTM算法在两次疫情期间的模拟均显示人为影响对污染物产生了负影响(降低了污染物浓度)且在总变化影响中占比较高,而CMAQ模式模拟结果中的气象因素影响占比远高于LSTM算法.CMAQ模式在两次疫情模拟中表现出了不同的结果,在2020疫情中人为影响占据了主导,而在2021疫情中,相比较2020疫情时期,除NO2外,人类活动对其他污染物的影响均为正值(促进了污染物浓度升高). 相似文献
8.
针对现有PM2.5浓度时序预测模型预测精度不高的问题,基于Informer建立了1个Seq2Seq的单站点PM2.5浓度多步时序预测模型,以历史污染物数据和气象数据为输入,实现对未来一段时间PM2.5浓度的预测。所构建模型基于ProbSparse (概率稀疏)自注意力机制提取所输入的序列信息,能够广泛地捕获输入序列的长期依赖信息,并对影响因子之间复杂的非线性关系进行建模,从而提高预测准确度。采用北京市2015-2019年逐小时空气污染物数据与气象数据进行模型训练、验证和测试,建立与循环神经网络(RNN)、长短期记忆网络(LSTM)的对比实验并与其他现有研究方法进行比较,结果表明:对未来1~6 h的PM2.5浓度时序预测,Informer的平均绝对误差(MAE)、均方根误差(RMSE)和可决系数(R2)指标均为最好,实现了较为准确的预测。 相似文献
9.
应用多种机器学习算法进行时空耦合从而建立一种新的多模式集合预报订正算法(简称“ET-BPNN算法”),对4种常规污染物(NO2、O3、PM2.5和PM10)的空气质量模型预报结果进行订正. 订正方法分为两步,第一步中利用随机森林、极端随机树和梯度提升回归树3种机器学习算法,采用4个空气质量数值预报模式(CMAQ、CAMx、NAQPMS和WRFChem)的多尺度污染物浓度预报数据、中尺度天气模式(WRF)的气象因子预报数据(包括2 m温度、2 m相对湿度、10 m风速、10 m风向、气压和小时累计降水量)以及污染物浓度观测数据作为训练集,训练结果进入基于均方根误差的择优选择器,选取3种机器学习算法中优化效果最好的算法;在第二步中利用了BP神经网络算法,通过加权平均获得集合模式订正预报结果. 结果表明:①与模式集合平均算法相比,ET-BPNN算法使NO2、O3、PM2.5和PM10浓度预报值与观测值之间的均方根误差分别减小了30.4%、18.9%、43.3%和38.1%. ②ET-BPNN算法的优化效果较随机森林、极端随机树和梯度提升回归树3个机器学习算法有明显提升,与极端随机树算法相比,ET-BPNN算法使NO2、O3、PM2.5和PM10浓度预报值与观测值之间的均方根误差分别降低了42.7%、20.1%、19.7%和9.7%. ③在易发生污染的秋冬季,ET-BPNN算法对PM2.5浓度的预报具有明显的优化效果,此外该算法明显缩小了不同站点预报和不同预报时效之间的偏差,具有较好的鲁棒性. ④对O3和PM2.5浓度预报而言,经ET-BPNN算法优化后的预报结果能够更好地把握污染过程,对污染物峰值浓度的预报也较模式集合平均算法更准确. 研究显示,ET-BPNN算法提高了空气质量模式对污染物浓度的预报效果. 相似文献
10.
针对材料服役性能预测存在误差大、计算复杂、适用性差等问题,提出了基于数据挖掘的机器学习预测方法。首先阐述了机器学习的应用流程,并总结了常用模型原理及其在材料性能预测中的应用。然后采用多种机器学习模型对RPV钢的辐照性能进行预测,并通过Stacking集成方法提高了模型的预测精度。结果表明,机器学习可用于材料服役性能预测,具有较高的预测精度和可靠性。根据材料服役数据的不同特征选择合适的学习模型,同时进行模型融合和参数优化,可有效提高模型的预测精度及运算速度。 相似文献