一种基于深度学习的海表温度混合预测方法

海表温度（SST）是海洋水文的重要参数,准确预测SST对海洋经济发展与极端天气的预防都有重大意义。首先,针对SST序列数据的多噪声特点,采用变分模态分解方法（VMD）预处理,以减少噪声对预测结果的影响。其次,将卷积神经网络（CNN）与长短时记忆网络（LSTM）结合,同时提取SST序列的空间与时间特征,以提高预测精度。最后,本文提出了一种基于深度学习并融合了去噪模块的SST预测模型,选取我国东海海域的SST进行实证研究。通过与基线模型、现有模型的对比,证明了本文模型不但在SST的预测精度方面提升明显,而且具有较好的鲁棒性。     

基于STL的南海海表温度组合预测模型

海表温度（sea surface temperature,SST）是海洋科学研究的重要内容之一。SST的异常波动导致海洋灾害、气象灾害现象时有发生,SST的精确预测对海洋环境保护和海洋经济发展有重要意义。针对SST序列的季节性、非平稳性,首先利用周期趋势分解算法（seasonal-trend decomposition procedure based on loess, STL）对数据进行预处理,分解得到季节分量、趋势分量和残差分量子序列,依次选择相应的预测方法构建组合模型。季节分量应用具有时间嵌入编码模块的Transformer网络预测,充分挖掘序列全局信息,解决时间序列长时间依赖问题;趋势分量应用线性回归模型预测;残差分量应用自回归模型预测。选取南海海域单点SST数据,应用基于STL的SST组合预测模型建模,预测5 d的SST值。实验结果表明,本文模型在单点SST预测任务中,能够有效捕获SST变化规律,提高预测精度。     

基于注意力机制优化的LSTM河流溶解氧预测模型研究

溶解氧(DO)是水体中的重要水质指标,构建数据驱动模型,实现对溶解氧的准确预测,将为水环境管理提供科学有效的技术手段. 考虑到溶解氧序列数据非线性强、非平稳性突出的特点,提出一种基于双阶段注意力权重优化机制的长短时记忆网络(long short-term memory, LSTM)的河流溶解氧预测模型(DAIW-LSTM模型),该模型的编码器包含双阶段权重优化的空间注意力机制,而解码器包含双阶段权重优化的时间注意力机制. 将该模型应用于流溪河流域白云李溪坝、流溪河山庄、从化街口等水质监测站溶解氧日均值预测的研究,开展了该模型与DA-LSTM、LSTM、Bi-LSTM等基线模型的预测效果对比分析,探讨了特征权重优化机制及上游站点水质数据输入对模型预测性能的影响. 结果表明:①通过与基线模型的预测效果对比,验证了DAIW-LSTM模型的精准性,其对白云李溪坝站溶解氧预测的对称平均绝对百分比误差(SMAPE)、平均绝对误差(MAE)、均方误差(MSE)分别为0.075、0.611、0.712,在所有模型中最优. ②对于新的注意力权重优化机制,第二阶段会对第一阶段的初步权重进行优化修正;针对pH、电导率、水温、气温等影响溶解氧预测的重要特征,DAIW-LSTM模型会自适应调整其权重在时间序列上的分布,从而提高该模型的预测精度. ③加入上游水质特征的输入影响,通过9个组合试验对比可知,DAIW-LSTM模型仍然为表现最佳的模型,该系列组合试验也证明上游站点及其特征变量选取的重要性. 研究显示,注意力权重优化机制的引入使得该模型相较其他基线模型展现出更好的适用性和精准性,可为地表水水质预测研究提供新思路.      

基于全局跨尺度时空注意力的深度神经网络海表面温度预测模型

海表面温度（sea surface temperature, SST）是海洋与大气之间相互作用的关键因素,海温控制着全球大气和海洋生态系统的变化。准确预测海表面温度的演变对治理全球大气系统和海洋生态系统都具有重要的意义。为了对SST数据的空间自相关性准确建模,本文提出了基于全局跨尺度时空注意力的深度神经网络海表面温度预测模型（deep neural network based on global cross-scale spatiotemporal attention, GCSA-DNN）。模型分为3个部分,从长时序数据中提取时序依赖特征的时序建模模块,从SST序列均值中提取空间分布规律特征的多尺度局部空间建模模块和基于全局跨尺度的时空注意力融合模块,实现每个网格点对全局自相关性的建模。本研究选择空间分布规律不同的东海和南海海域数据,对1981年9月1日至2022年4月7日美国国家海洋和大气管理局（nationaloceanicand atmospheric administration,NOAA）的数据进行了预测分析,共14829条数据,其中1981年9月1日至2021年8月31日的...     

基于注意力机制优化的BiLSTM珠江口水质预测模型

为提高珠江口水质预测精度和稳定性,提出了基于时间和特征双注意力机制优化的BiLSTM水质预测模型,引入特征注意力机制强化模型捕获参数重要特征能力,加入时间注意力机制提高对时间序列相关性信息及水质波动细节信息的挖掘能力.将新模型应用于珠江8个入海口水质预测,开展预测性能试验、泛化能力试验和特征参数扩展性试验.结果表明:①新模型在珠海大桥水质预测取得了较高的预测精度,预测值与实测值的均方根误差RMSE为0.004 1 mg·L^-1,决定系数R²为98.3 %.与Multi-BiLSTM、Multi-LSTM、BiLSTM和LSTM对比,表明新模型预测精度最高,验证了模型的精准性.②训练样本数量和预测步数均对模型预测精度产生影响,模型预测精度随着训练样本的增加而提升,海珠大桥断面总磷预测时,240组以上训练样本可获得较高预测精度;增加预测步数,会使模型预测精度迅速下降,预测步数大于5步时无法保障模型预测的可靠性.③将新模型应用于珠江8个入海口不同水质指标预测,预测结果均取得较高精度,模型具有较强的泛化能力;输入对象断面预测指标相关联的上游来水、降雨量等特征参数,能够提高模型预测精度.通过多方面多次试验,结果表明新模型能够较好地满足珠江口水质预测精度、适用性和扩展性要求,为复杂水动力环境水体水质高精度预测进行了新的探索.     

基于逆方差多模型融合的空气质量指数预测方法

空气质量预测对合理制定环境治理政策具有重要意义。针对目前单体预测模型存在模型不稳定和泛化能力不强的问题,提出基于逆方差权重分配方法融合3种单体模型的空气质量指数(air quality index, AQI)预测方法。首先,以北京市为例,构建空气质量指数预测数据集;其次,分别构建长短期记忆网络(LSTM)、门控循环单元(GRU)、双向长短期记忆网络(Bi-LSTM)、自回归积分滑动平均模型(ARIMA)和多元线性回归(MLR)5种模型对数据集进行预测,并对比以上模型的预测结果;最后,在多模型融合方法中,选择逆方差法计算预测精度较高的3种单体模型的权重,根据算得权重构建逆方差融合预测模型。与预测精度较高的3种单体模型以及加权平均融合预测模型相比,逆方差融合预测模型对空气质量指数的预测精度R²分别提高3.9%、3.4%、1.6%和0.5%,达到0.933。结果表明：逆方差融合预测模型综合了各单体预测模型的优点,能够提高AQI预测精度。     

基于阶段式时序注意力网络的PM2.5鲁棒预测

PM_2.5浓度的预测对于大气污染治理、改善环境质量等起到重要作用。受气象条件变化与大气污染物排放等多种因素的交叉影响,PM_2.5预测通常易受突变事件及噪声数据干扰。因此,基于对气象条件以及大气污染物与PM_2.5的相关性分析,提出阶段式时序注意力网络模型（staged temporal-attention network,STAN）,该方法融合多段注意力学习模块与循环神经网络,建模气象因素与大气污染物对PM_2.5浓度的交叉影响。统计分析北京市、上海市、广州市预测结果的绝对误差值,可知:1）对比广泛使用的单一类模型支持向量机（support vector machine,SVM）、长短期时序记忆方法（long short-term memory,LSTM）和多层感知机（multilayer perceptron,MLP）,STAN可达到10%以上的性能领先;对比最新的融合类模型U型网络（U-net）,STAN领先了7%的优势。2）以北京市冬季预测结果为例进行统计分析,STAN的预测值与实测值之间的拟合系数可有95.2%的性能领先。此外,在鲁棒性分析中发现,STAN在含有10%噪声的数据上进行预测,误差上升幅度仅为9.3%。结果表明:注意力机制与时序学习模块相结合能够深度挖掘PM_2.5变化规律并抑制噪声数据,且STAN模型可以进行PM_2.5浓度的鲁棒预测。     

融合主题模型与注意力机制的情感分析方法

随着深度学习技术的深入研究,越来越多的深度神经网络模型被运用于情感分析任务。针对现有模型不能较好地表征词语的上下文信息,且存在数据稀疏与特征不明显等问题,提出了一种基于主题模型和注意力机制的情感分类方法,通过LDA模型提取主题特征,并将主题特征和文本特征融合在一起。为了捕获文本情感极性转变的语义信息,从而抽取出文本的最佳情感极性,该方法采用基于CBOW方式的Word2vec模型训练词向量,将带有主题特征的词嵌入矩阵通过Bi-LSTM神经网络模型获取文本的上下文信息,结合注意力机制进一步提取文本信息,再通过softmax线性函数输出积极情感和消极情感的概率。结果表明,该方法在情感分析(NLPCC-SCDL)评测任务的中文数据集上取得了较好的分类效果。     

面向方面级情感分类与深度学习的分层网络模型

针对已有基于方面级别的情感分类通常只考虑独立的句子及关注每个句子的方面情感的问题,提出了一种基于方面情感分类的分层区域CNN-LSTM模型。与基于注意力机制LSTM和基于注意力机制CNN不同,通过分层关注机制将注意力集中在单词级别和句子级别上。采用一种新的基于分层CNN作为输入层,在整个评论中提取基于方面的长距离依赖特征,这种分层CNN和区域LSTM可以捕获与关注更深入更细粒度的信息,并且可以在预测过程中考虑句子内部和句子之间的关系。在多领域数据集上进行实验,结果表明,与仅使用单词向量基于方面情感分类的同类模型相比,所提出的模型性能更好。     

陕西省能源消费的组合预测

组合预测理论及建模技术对于信息不完备的复杂经济系统具有一定的实用性。鉴于能源消费系统的复杂性及非线性的特征,文章首先利用陕西能源消费量的历史数据,分别采用指数回归模型、能源需求弹性回归模型及灰色模型建立了陕西省能源消费系统的单项预测模型。其次,采用标准差法进行非负权重分配,建立了陕西省能源消费量的组合预测模型。结果表明,加入时间虚拟变量和分段建模的预测精度明显提高,且组合预测模型的精度高于单项预测模型。最后,应用该模型对陕西未来10年的能源消费量进行了预测。     

Assessing high impacts of climate change: spatial characteristics and relationships of hydrological ecosystem services in northern Japan (Teshio River watershed)

Ecosystem services (ESs) provide information on the tendency of ecosystems to reach and form a state of equilibrium. The process of ES changes is important in order to identify the climate change-related causes that occur regionally to globally. ES-based management plays an important role in mitigation strategies for the negative impact of global climate change on ecosystem. Therefore, it is necessary to evaluate spatial characteristics and relationships among these multiple services from different spatial scales which could aid in multiple ES sustainable development from local to global scales. In this study, we developed a framework for analyzing the spatial characteristics and interactive relationships of multiple ESs. We analyzed the spatial distributions of six hydrological ESs that are important in the northernmost part of Japan (Teshio River watershed) by using hydrology and nutrient model (Soil and Water Assessment Tool, SWAT) under baseline climate conditions and climate change derived from the global circulation model (GCM). We then explored the spatial characteristic scales of ESs by multiscale analysis (lacunarity estimation) to reveal provision flow and spatial distribution characteristics for hydrological ESs. We observed a strong relationship between the spatial characteristics of land uses and ES provision. The spatial characteristics of individual hydrological ESs were totally different and had different spatial homogeneity and cluster (indicated by initial lacunarity index and lacunarity dimension). The results also showed trade-offs between inorganic nutrient retention (provision ESs) and organic nutrient and sediment retentions (regulating ESs), and synergies between organic nutrient retention and sediment retention under all climate change scenarios. The different stakeholders will take different mitigation programs (e.g., establishing riparian vegetation, planning nutrient management practices, and integrating climate change model into systematic conservation planning of ESs) to avoid negative impacts of climate change on ESs. Application of this proposed framework to study the spatial characteristics and relationships of hydrological ESs under climate change could provide understanding on the impact of climate change on ES changes and solutions to mitigate strategies to cope with those changes in the future.     

气候变化对湿地景观格局的影响研究综述

气候变化是影响湿地景观格局变化的主要自然因素。文章从气候变化对湿地水资源面积、湿地土地利用格局、湿地植被空间格局及湿地生物多样性格局的影响研究等方面进行了综述,并对完善气候变化下湿地景观格局变化的研究方法和技术手段进行了探讨。指出:应用气候模型进行未来气候预测时,应合理选择气候变化情景,并确保不同模型的时空尺度匹配;应用"3S"技术提取湿地类型信息、观测湿地土地覆盖变化时要确保信息的精度,不同来源的数据必须采取制图综合等手段;实现气候变化下湿地景观结构与生态过程相结合的动态格局分析。     

多参数指示南极普里兹湾浮游植物的时空变化

以南极普里兹湾沉积物为研究对象,运用气相色谱技术,研究了生物标志物菜子甾醇、甲藻甾醇、长链烯酮对应指示的硅藻、甲藻、颗石藻等浮游植物的生产量和种群结构的历史变化,结合2001—2011年实测和遥感水体ρ(Chla)(Chla为叶绿素a)及SST(海水表层温度)数据,探讨了该湾浮游植物生产量时空变化特征及其影响因素. 结果表明:过去100多年间南极普里兹湾浮游植物总生产量(212.04~759.10 ng/g)〔以w(菜子甾醇)+w(甲藻甾醇)+w(长链烯酮)计〕和w(硅藻)所占比例(62.28%~87.13%)〔以w(菜子甾醇)所占比例计〕均呈上升趋势,而w(甲藻)所占比例(10.09%~27.98%)〔以w(甲藻甾醇)所占比例计〕和w(颗石藻)所占比例(1.97%~9.74%)〔以w(长链烯酮)所占比例计〕则呈下降趋势. 全球变暖背景下浮游植物种群变动通过改变南大洋对CO₂的吸收进而影响全球碳循环. 水体ρ(Chla)与沉积生物标志物指示的浮游植物总生产量均具有湾内高、湾外低的空间分布特征. 湾内ρ(Chla)与SST的年际变化趋势相似,二者以2002—2003年和2009—2010年相对较高,SST分别为-0.30和0.01 ℃,ρ(Chla)分别为1.69和2.31 mg/m3;以2001—2002年和2010—2011年相对较低,SST分别为-1.19和-0.95 ℃,ρ(Chla)分别为1.08和0.79 mg/m3,表明该湾SST变化可较明显地影响浮游植物的生长.      

柴达木盆地气候变化的区域显著性及其成因研究

利用1961—2013 年柴达木盆地气温、降水等气象资料和高原季风、西风环流等相关大气环流及植被覆盖数据分析了柴达木盆地气候变化时空规律,揭示了其区域气候变化显著性的成因.研究表明:近53 a 来柴达木盆地气候变化呈显著增暖趋势,年平均气温气候倾向率达0.48 ℃/10 a,增幅明显高于整个青藏高原乃至全国和全球平均水平;滞后于变暖,柴达木盆地气候趋于明显变湿,其降水量和降水日数均呈增多趋势,达到95%以上信度的显著性水平;气候暖湿化具有明显的经向地带性分布规律,气候变暖显著的区域气候变湿相对不甚明显,反之亦然;在全球变化背景下,太阳辐射减小、高原季风趋于强劲、西风环流略弱和盆地植被覆盖恢复并具有明显的经向地带性变化特征,是造成柴达木盆地气候变化具有上述区域特征的气候成因.     

全球气候变化下中国农业生产潜力的空间演变

农业生产潜力对区域农业发展和农业产业投资与布局等具有重要影响。然而,当前的研究较少探讨1980年代以来我国区域农业生产潜力空间演变特征,以及就未来气候变化对中国区域农业生产潜力所产生的可能影响也还较少关注。为此,论文对1980年代以来中国区域农业生产潜力的空间演变特征进行了分析,并就未来气候变化对中国区域农业生产潜力的可能影响做出了估计,研究发现：1961—2012年中国农业生产潜力的地理分异特征异常显著,其中东南较高,西北相对较低,同时呈现出较为明显的纬度地带性规律。1980年代以来我国农业生产潜力减少的区域主要是集中在胡焕庸线以东的地区,其中四川盆地和华北平原中部等地区的农业生产潜力减少最为明显,约在4%以上,而水分有效系数的下降是其农业生产潜力减少的主要因素,农业生产潜力增加的地区则主要位于长江中下游和华北平原南部等地。在当前的全球变化趋势下,模拟得到,2041—2060年我国农业生产潜力减少的区域可能主要位于长江以南以及青海中部地区,其中四川盆地和湖北中南部等地的农业生产潜力下降趋势最为明显,因而这也可能会给这些地区的平均粮食产量带来一定程度的下降。     

漳卫河流域水文循环过程对气候变化的响应

气候变化对我国各地区水资源影响的时空格局变化,是气候变化影响评估的重要内容。论文以漳卫河为研究流域,采用线性回归法、Mann-Kendall非参数检验等方法,分析了1957-2001年的水文气象要素变化特征;基于数字高程模型、土地利用和土壤类型等资料,建立了SWAT分布式水文模型,验证了SWAT模型在该流域的适用性;根据IPCC第四次评估报告多模式结果,分析了IPCC SRES-A2、A1B、B1情景下21世纪降水、气温、径流、蒸发的响应过程。结果表明漳卫河流域未来2011-2099年降水量变化较基准期呈现出增加趋势,年平均气温较基准期也呈现出显著的上升趋势,各年代径流量较基准期将出现先减少后增大的态势。     

基于遥感时-空-谱特征及随机森林模型的土壤重金属空间分布预测

获取土壤重金属的含量特征及空间分布是预防土壤污染和制定环保政策的关键.选取济南市长清区为研究区,系统采集304处表层土壤样品（0~20 cm）,利用多源遥感数据构建土壤重金属的光谱特征、时间特征和空间特征;进一步采用相关分析法选择出与土壤重金属密切相关的时-空-谱特征,并将其作为输入自变量,实测土壤砷（As）含量值为因变量,建立基于随机森林（RF）算法的空间预测模型,完成土壤重金属的含量估算和空间分布预测.结果表明：①As含量均值超出背景值43.17％,低于农用地土壤污染风险规定的筛选值和管控值,表明As在土壤中出现富集,但处于可管控范围内.②在单个遥感特征构建的土壤重金属空间预测模型中,精度由高到低依次为：空间特征（RPIQ=3.87）>时间特征（RPIQ=2.57）>光谱特征（RPIQ=2.50）,空间特征对土壤重金属空间预测最为重要.③基于“时间-空间”、“时间-光谱”和“空间-光谱”组合特征的土壤重金属空间预测模型均优于单个特征构建的模型,其精度系数RPIQ值分别为4.81、4.21和4.70.④利用“时间-空间-光谱”特征组合输入的随机森林模型达到最佳的空间预测精度（R²=0.90;RMSE=0.77;RPIQ=5.68）.⑤As在空间分布上从西北到东南含量逐步降低,主要受到黄河冲淤积和工业活动影响.研究采用的遥感时-空-谱特征结合随机森林算法的土壤重金属空间预测技术,可为土壤污染防治及环境风险管控提供有效的方法支持.     

集成AEC和时空特征的工业园区PM2.5浓度预测

为实现工业园区企业污染排放精细化管控,捕捉工业园区内企业污染排放与污染物浓度之间的响应关系,提出一种集成大气环境容量(AEC)和时空特征的工业园区PM_2.5浓度预测模型.通过有限体积法获得工业园区日均大气自净能力指数(ASI),结合工业园区日排放数据作为AEC特征;同时利用小波分析和Pearson相关系数法提取时空特征,包括目标监测站PM_2.5浓度的时间变化特征和其与周围监测点PM_2.5的空间相关特征.通过CNN获取训练数据中PM_2.5的关联特征,并利用BILSTM充分反映时间序列训练数据中隐含的关键历史长短期依赖关系,确保快速准确的预测性能,以2018～2020年濮阳市工业园区大气污染物观测数据、气象数据及排放数据进行实验验证.结果表明:本文提出的CNN-BILSTM预测模型相较于传统LSTM模型预测精度提升10%;AEC特征和时空特征有利于提高模型精度和稳定性,集成AEC和时空特征的CNN-BILSTM预测模型在PM_2.5污染天数预测准确率最高,达93%;分季节预测结果表明...