1982—2015年黄河流域植被NDVI时空变化及影响因素分析

在全球变化的背景下,刻画植被动态、定量分析气候和人类活动对植被变化的影响对于改善生态系统结构和功能具有重要意义.基于GIMMS-NDVI3g数据、结合土地利用数据和气象数据,采用趋势分析、残差趋势等方法,多尺度、多时段、多类型研究1982—2015年黄河流域植被动态变化,并定量分析气候变化和人类活动对NDVI变化的贡献...     

基于轻量级残差网路的垃圾图片分类方法

近年来,我国生活垃圾总量每年以10％的速度增长.但是生活垃圾的分类处理能力及技术相对比较有限和落后.基于机器视觉的分类方法一直是广泛使用的方法,而传统的视觉分类网络目前面临着参数多、计算量大、分类精度不高和分类时间长的问题.因此,提出使用最大平均组合池化(Max-AVE Pooling)代替ResNet-50Bottl...     

基于小波分解与自适应多级残差修正的最小二乘支持向量回归预测模型的PM2.5浓度预测

采用小波分解(WD)将济南市科干所监测站PM_(2.5)浓度的一维时间序列(2013年1月1日—2017年8月15日)分解为高维信息,获得了该监测站附近PM_(2.5)浓度的时频变化特征,重点分析了PM_(2.5)的随机性和趋势性问题.然后构建了基于小波分解的多级残差修正的最小二乘支持向量回归预测模型(AMLRC-WLSSVR),结果发现,该模型能够很好地对济南市PM_(2.5)浓度做出预测,特别是针对重污染天气的预测有很好的精度.为了避免预测结果的不确定性问题,提出了一种基于方差估计给出预测值置信区间上界的方法,同时,有效弥补了单点预测的不稳定性及预测精度不足的缺点,该方法能够为实际空气污染预警提供技术支持.     

基于PCMRA神经网络补偿算法的瓦斯涌出量预测

为了克服自变量之间的多重共线问题,提高多元回归模型预测的精确性,将主成分分析(PCA)与多元回归分析(MRA)相结合,提出了主成分多元回归分析(PCMRA)模型。利用RBF神经网络对主成分回归分析残差进行拟合预测,最后利用残差预测值对主成分回归分析预测值进行补偿。结果表明:利用RBF神经网络对主成分回归模型进行补偿,将线性拟合算法和非线性拟合算法结合起来用于瓦斯涌出量预测是一种较为优越的算法。     

大姚、普洱地震前云南天文台时纬残差异常

云南是一个地震活动区。1985年4月18日云南禄劝6．1级地震后，详细分析了云南大地震与云南天文台天文时纬残差的关系，发现在云南及其邻近发生大地震以前均存在着时纬残差异常。总结了震前云南天文台时纬残差异常的特征和规律，并在几次大地震前提供了预测信息。天文时纬残差是从时间与纬度的观测值中扣除地球整体运动影响之后的剩余部分，它是一个与当地地球物理场变化有关的量，包括铅垂线变化。震前地震孕育过程中震区地下物质的运动可能是形成天文时纬残差异常的主要原因，所以，它可用于监测台站周围的重力场变化。2003年7月21日大姚6．2级地震与2007年6月3日普洱6．4级地震前，云南天文台的时纬残差均出现了明显的同步异常，这再次说明这种异常可用于天文台周围的强震预测。     

残差模型在工厂烟尘排放量预测中的应用

由于工厂烟尘排放量具有灰色因素,故应用残差辨识数学模型,对湘钢烧结厂主要工作点烟尘排放量原始数据进行了计算,得出了预测结果,可为下一年度环境保护工作决策提供科学依据。     

2000~2020年黄河流域植被时空演化驱动机制

以归一化植被指数（NDVI）作为植被覆盖及生长状况指标,基于2000～2020年MODIS NDVI数据及同时期气象数据,采用Theil-Sen斜率估算、Mann-Kendall检验、相关性分析和残差分析等方法研究了2000～2020黄河流域植被时空演化驱动机制.结果表明,2000～2020年黄河流域生长季NDVI均值以0.005 a^-1的速率波动上升,植被明显改善的区域主要分布于流域中游的秦岭山系、陕北高原和吕梁山系;黄河流域生长季NDVI与降水和气温的偏相关系数均值分别为0.57和0.49,降水对植被的影响高于气温;人类活动对植被生长起明显改善的区域主要分布在流域中部的陕北高原、吕梁山系和宁夏南部等区域,对植被生长起抑制作用的区域主要分布在银川、包头、西安、洛阳、郑州和太原等人类活动强烈的城市区域;人类活动和气候变化分别对黄河流域植被变化贡献了72%和28%,在人类活动和气候变化的驱动下,黄河流域植被生长得到改善的面积占流域面积的96.4%,其中人类活动贡献率大于80%的区域面积占34.3%,主要分布在流域中部和东南部.气候变化贡献率大于80%的区域面积占4....     

动态残差修正LSTM算法的突发型滑坡位移预测

针对突发型滑坡存在位移趋势突变性，传统长短时记忆(LSTM)神经网络方法存在位移预测精度不足的困难，提出一种基于动态残差修正LSTM算法的突发型滑坡位移预测方法。首先，采用动态流转训练，将由累计位移得到的变形速率通过经验模态分解(EMD)得到周期项及趋势项；其次，通过多项式预测趋势项、动态LSTM预测周期项，并由2项之和得到主预测变形速率；随后，通过对比实测速率与主预测变形速率，得到残差项，并建立动态流转训练的残差LSTM网络预测残差速率；然后，由主预测变形速率与残差预测变形速率之和得到最终预测速率，并进一步得到累计位移预测值；最后，以某突发型滑坡为例，验证该方法的科学性、有效性，以及预测精度和优势。结果表明：将变形速率序列作为预测对象并进一步得到累计位移预测值，比直接预测累计位移值具有更高的准确性；而基于动态残差修正LSTM算法预测的MAE、MAPE、RMSE及R²指标分别为43.843、1.901%、79.394和0.960,相比于传统LSTM预测方法具有明显优势。