基于STL的海表面温度预测算法

海表面温度是海洋科学研究中重要的参数之一，有效预测海表面温度对海洋灾害预警、海洋经济以及海洋生态环境研究具有重大意义。针对海表面温度具有周期性、持续性、非平稳性和非线性的特性，首先利用基于局部加权回归的周期趋势分解方法将原始海表面温度序列分解为周期项、趋势项和余项，挖掘海表面温度的潜在信息并去除序列中的随机噪音，再结合长短期记忆网络模型的优点，搭建神经网络来预测未来5天内的海表面温度。通过与其它模型的预测效果进行对比，实验结果表明，本文方法在预测海表面温度时具有较好的预测精度，能够实现海表面温度的有效预测。     

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R²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。     

基于机器学习的细粒度空气质量时间预测器

针对空气质量状况的预防和治理,提出了基于线性回归的空气质量预测方法。作为时间预测器,更多的是考虑本地的历史数据、过去与未来的状况,挖掘空气质量随时间变化的关系以及变化趋势,为了选取最优的特征,对数据进行分析,找到与空气质量变化关系密切且存在线性关系的特征,以此特征来建立线性回归模型,并使用Cross-Validation方法进行评估验证。实验结果表明线性回归方法能够有效地预测到空气质量的变化趋势,效果良好,具有较强的实用性。     

常压塔塔顶腐蚀关键参量相关性分析与预测

预测常压塔顶回流罐切水的关键离子浓度可以为常压塔顶系统工艺防腐提供技术指导。收集了某炼厂2014-2016年常压装置的生产实时工艺参数、原料及产品采样数据、水质分析化验参数,采用线性插值方法对不同时间尺度的数据进行补全。通过线性相关性分析获得了影响常压塔顶回流罐切水总铁离子浓度、pH的主要因素,并基于深度学习、支持向量机回归、粒子群优化方法建立了腐蚀关键参量预测模型。结果表明,pH值和总铁离子浓度的相关因素大部分重叠,与原料性质及产品馏出温度较强相关;建立的回归模型预测精度高,在训练集和预测集上,总铁离子浓度预测值与测量值最大偏差分别为4. 4%和9. 8%,pH值预测值与测量值最大偏差分别为0. 9%和1. 1%。     

基于MABC-SVR的边坡安全系数预测模型

为避免原始人工蜂群算法(原始ABC算法)搜索时陷入局部最优解,提出一种改进的人工蜂群算法(MABC算法),该方法先将原始蜜源的适应度进行排序,找出适应度最高的蜜源,再在其周围搜索更优解,并采用MABC算法对支持向量回归(SVR)模型参数进行优化,实现对边坡安全系数的回归分析与预测。通过对两种算法进行函数测试,结果表明:MABC算法较原始ABC算法收敛速度快、全局性好。选取实例边坡数据构造训练集和测试集,采用MABC-SVR方法基于建立的边坡安全系数预测模型进行预测,结果表明:均方根误差为0.004 6,最大相对误差为7.62%,回归系数为0.967 2。可见,建立的边坡安全系数预测模型准确度较高,可推广使用。     

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。     

基于多机器学习算法耦合的空气质量数值预报订正方法研究及应用

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、PM_2.5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、PM_2.5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、PM_2.5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PM_2.5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PM_2.5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.      

基于风险神经网络的大气能见度预测

针对空气污染导致大气能见度降低的预测研究,构建了一个风险神经网络模型,模型以6个气象因子、3种主要污染物(SO2,NO2,PM10)浓度和能见度作为输入因子,输出为24h后能见度的预测值.该模型对低能见度情况的数据给予相对较高的风险值,而对高能见度情况的数据则给予相对较低的风险值.以天津市2003~2007年的气象数据对模型进行检验,结果表明该风险神经网络模型优于传统神经网络模型和线性回归模型.     

造纸废水处理过程的高斯过程回归软测量建模

针对造纸废水处理系统的时变性、非线性和复杂性等特点,本文提出一种基于高斯过程回归的软测量模型.基于平方指数协方差、线性协方差和周期性协方差函数组合构建了7种高斯过程回归模型,分别对出水化学需氧量和出水悬浮固形物浓度进行回归预测.此外,还对比了多元线性回归模型、主成分回归模型、偏最小二乘模型、人工神经网络模型和高斯回归模型的预测效果.对比计算结果表明无论是对输出变量的训练拟合还是预测,高斯过程回归模型的拟合效果均优于非高斯过程回归模型.高斯过程回归模型的预测结果表明：对于出水化学需氧量,线性协方差函数与周期性协方差函数的组合模型可以取得最好的预测结果;对于出水悬浮固形物,平方指数协方差函数与线性协方差函数组合模型可以取得最好的预测结果.     

基于机器学习的二氧化碳卫星反演方法

基于机器学习模型在分析数据并学习预测方面的优势,提出了一种基于机器学习的短波红外通道CO₂卫星遥感反演方法,以卫星观测辐亮度、气溶胶光学厚度、温度构建训练数据集,采用前馈神经网络与量化共轭梯度算法进行训练学习,构建了短波红外通道卫星CO₂反演模型,并利用GOSAT卫星观测光谱数据反演了CO₂浓度.反演结果与TCCON站点观测数据进行了比对,结果表明:卫星与地面观测的相关性优于0.86,平均误差小于2.5×10^-6,验证了反演方法的有效性.     

基于关联向量机回归的水质预测模型

提出了一种基于关联向量机回归的水质时间序列预测模型,并以该模型对氢离子浓度指数(p H值)、溶解氧(DO)、高锰酸盐指数(CODMn)和氨氮(NH3-N)4种重要水质指标进行预测.首先采用国家环保部发布的四川攀枝花龙洞水质自动监测数据进行实验,对该模型的有效性进行了验证;然后将关联向量机回归预测模型与支持向量机回归预测模型进行比较.为了比较不同核函数的预测效果,实验中预测模型的核函数分别采用了线性函数和高斯函数.实验结果表明,关联向量机回归模型的预测效果不亚于支持向量机回归模型;且在给出预测值时,还能同时给出预测结果的可信程度.     

ABC算法优化SVR的磨损故障预测模型

目的为了提高故障预测的精度,针对支持向量回归SVR(Support vector machine for regression,SVR)参数选择困难的问题,提出一种采用人工蜂群(artificial bee colony,ABC)算法优化支持向量回归(SVR)的故障预测模型(ABC-SVR)。方法该模型先对样本数据进行重构,然后将故障预测误差(适应度)作为优化目标,通过ABC算法寻优找到最优的SVR参数,建立故障预测模型。最后通过实例仿真验证模型的优越性。结果采用ABC算法优化的SVR故障预测模型进行时间序列预测,能够较好地跟踪发动机滑油金属元素浓度的变化过程,并且能够提前2个取样时间预测异常情况的出现。结论 ABC-SVR模型有效解决了SVR参数选择难题,能够更加准确地表现故障变化规律,提高了故障预测精度。     

1979-2014年中国地面风速的长期变化趋势

基于中国国家级地面气象站均一化风速月值数据集,采用线性回归等方法分析了1979-2014年中国2268个台站地面风速演变的时空特征。结果表明：中国地面风速总体呈显著下降趋势,年平均风速变化速率为-0.142 m/s/10 a;四个季节中春季平均风速下降趋势（-0.18 m/s/10 a）明显大于其他三个季节,其次依次为冬季（-0.135 m/s/10 a）、夏季（-0.13 m/s/10 a）及秋季（-0.129 m/s/10 a）;研究选取的台站中约82%的台站风速呈现下降趋势;划分的七个区域中,高原区和东北区风速下降趋势最明显,华北区下降趋势最小,但都通过了0.05显著性检验;中国地面风速在1980s下降趋势最显著（-0.235 m/s/10 a）,1990s下降趋势减缓（-0.112 m/s/10 a）,2000-2014年下降趋势最小,为-0.099 m/s/10 a;研究期间地面风速与地面气温呈显著负相关,表明近期中国气温变暖可能导致风速减弱。     

咸海流域地表水变化长期监测及驱动因素分析

咸海流域是绿色丝绸之路经济带的重要枢纽.但是地表水的逐年减少,对咸海流域的生态环境产生了恶劣的影响,严重阻碍了绿色丝绸之路经济带的建设.本文基于Google Earth Engine(GEE)平台上的1992?—?2018年Landsat影像,采用水体频率的方法提取咸海流域地表水信息,对咸海流域地表水的时空变化进行了研究,并绘制分布图.同时采用LandTrendr算法生成了地表水面积变化图.通过线性回归模型分析咸海流域地表水面积变化与气候变化、人为因素之间的内在联系.结果表明:咸海流域的地表水面积呈现递减趋势,其中以咸海为主的全年水体面积减少最为明显.2010年之后,整个流域地表水的减少趋于稳定.影响咸海流域地表水变化的主要驱动因素为气候因素中的温度.本研究可为后续确定咸海流域地表水减少的成因、影响,以及水资源保护研究提供有力的技术支持.同时也为绿色丝绸之路经济带的建设提供科学支持.     

基于限定motif关联规则的海洋热浪事件模式发现研究

海表温度作为近岸海洋热浪事件的重要孕灾环境要素,揭示其变化规律有助于预测未来热浪事件的发生。本文将用于表达热浪事件发生前和发生时海表温度变化规律的关联规则定义为事件模式,提出了基于限定motif关联规则挖掘的模式发现方法。方法通过STAMP算法挖掘出motif,运用MDL评分策略分割motif形成候选关联规则,结合热浪事件发生的约束条件,实现对海洋热浪事件模式的提取。本文利用中国近海3个站点的海表温度数据进行海洋热浪事件模式发现实验,研究结果表明,中国近海的海洋热浪呈季节特征,主要发生于夏季,且持续时间达20天以上,海洋热浪事件模式呈现有规则的升温和下降趋势,升温速率和降温速率呈对称特性,且在热浪发生前,海表温度有一个短暂的升温间歇期。     

东北地区采暖气候条件变化特征及预测

东北地区是我国采暖期最长、采暖需求最高的地区。冬季供暖耗能的多少主要取决于室外温度。论文利用1957-2011 年东北地区88 个气象台站的逐日平均气温资料,采用趋势系数、变化速率、Mann-Kendall 突变分析、一元线性回归等方法,对东北全区、北区和南区的采暖气候条件进行了分析。得出：东北全区采暖期平均气温为-8.2℃,54 a 来的变化速率为0.17℃/10 a,升温趋势通过了0.05 显著性检验,在1982-1983 年发生了突变;采暖期天数平均为186 d,变化速率为-2.0 d/10 a,通过了0.001 显著性检验,在1990 年发生了突变;采暖强度平均为4 959℃·d,采暖耗能变化率为-17.7%/10 a,通过了0.001 显著性检验,在1980 年代中期发生了突变。东北地区采暖期平均气温升高1℃,采暖强度将减少210℃·d,采暖耗能将减少4.4%。另外,论文根据前期环流指数构建了采暖强度预测模型。     

渤海鳀鱼产卵场关键影响因素识别及变迁预测

为识别影响渤海鳀鱼产卵场分布的关键因素并预测产卵场的未来变迁,采用地理加权回归（GWR）方法,建立了渤海鳀鱼产卵场分布的GWR回归模型,分析了鳀鱼鱼卵分布与环境因子的关系,进而结合海表温度、盐度变化趋势,预测了未来渤海鳀鱼产卵场空间分布的变迁.结果表明,表层海水的温度、硅酸盐浓度、盐度和海水深度是对鳀鱼产卵场分布贡献较大的因素,其回归系数平均值依次为1.296、-1.133、-0.374和0.521,在未来海表温度、盐度变化情景下,一方面,渤海鳀鱼产卵场总面积将呈现缩小的趋势,最大可收缩为现有面积的47%,特别是渤海湾东北部鳀鱼产卵场明显收缩;另一方面,鳀鱼产卵场的密集区会发生迁移,如在辽东湾将出现新的产卵场密集区.GWR方法可以识别变量的空间非平稳性,应用其预测鳀鱼产卵场的未来变迁,可为渤海生态综合管理提供科学依据.     

Prediction of the concentration of chlorophyll-a for Liuhai urban lakes in Beijing City

The weekly water quality monitor data of Liuhai lakes between April 2003 and November 2004 in Beijing City were used as an example to build an artificial neural networks （ANN） model and a multi-varieties regression model respectively for predicting the fresh water algae bloom. The different predicted abilities of the two methods in Liuhai lakes were compared. A principle analysis method was first used to select the input variables of the models to avoid the phenomenon of collinearity in the data. The results showed that the input variables for the artificial neural networks were T, TP, transparency（SD）, DO, chlorophyll-a （Chl-a）,pH and the output variable was Chl-a. A three layer Levenberg-Marguardt feed forward leaming algorithm in ANN was used to model the eutrophication process of Liuhai lakes. 20 nodes in hidden layer and 1 node of output for the ANN model had been optimized by trial and error method. A sensitivity analysis of the input variables was performed to evaluate their relative significance in determining the predicted values. The correlation coefficient between predicted value and observed value in all data and in test data were 0.717 and 0.816 respectively in the artificial neural networks. The stepwise regression method was used to simulate the linear relation between Chl-a and temperature, of which the correlation coefficient was 0.213. By comparing the results of the two models, it was found that neural network models were able to simulate non-linear behavior in the water eutrophication process of Liuhai lakes reasonably and could successfully estimate some extreme values from calibration and test data sets.