基于卷积神经网络的冲击地压预警方法研究*

为探究深度学习在冲击地压预警方面的应用前景,以新疆某冲击地压矿井为研究背景,将深度学习和专家评判运用到微震数据分析中,基于卷积神经网络构建冲击地压预警模型。充分利用一维卷积神经网络对时序数据有较强特征提取能力的优势,以微震数据及其特征参数作为输入,以专家评判值作为标签,借助Python-Keras框架实现冲击地压预警模型的构建和训练。研究结果表明:模型预警效果并不随着训练迭代次数的增加而逐渐最优,存在最优迭代次数,对于所建模型当迭代次数为30时测试集的冲击危险预测结果与专家评判结果基本吻合,同时说明模型可以较好地学习专家评判经验实现冲击地压预警。研究表明所建模型对研究时段内发生的5次大能量矿震事件均进行预警,其准确度较高,具有现场实际应用价值。     

基于机器学习和卫星遥感的PM2.5/10 空间连续分布反演方法研究

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,PM_2.5和PM₁₀（记为PM_2.5/10）直接影响着广大人民群众的身体健康。因此,针对PM_2.5/10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PM_2.5/10浓度研究的不断深入,基于遥感影像数据进行PM_2.5/10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PM_2.5/10浓度之间的反演模型,以获得PM_2.5/10在研究区域的连续分布。为了提高基础PM_2.5/10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PM_2.5/10浓度的精准反演。以北京市地区为例,模型的PM_2.5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PM_2.5/10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。     

基于深度学习的工程结构损伤识别研究进展

为避免或减轻工程结构在建造和运营期间因结构振动产生不同程度损伤,造成安全隐患危及人们生命财产安全,针对结构振动损伤识别技术展开研究,探讨不同深度学习方法发展情况及其利弊,寻找更具可行性的损伤识别方法,并对其最新研究及应用现状进行全面综述。研究结果表明:应用深度学习开发新的结构损伤识别技术,无需冗余的数据预处理以及手工提取损伤特征,实现以较高精度实现损伤识别任务;一维卷积神经网络（1D-CNN）以其独特的应用优势,在数据样本有限条件下较二维卷积神经网络（2D-CNN）表现更为出色。研究结果可为数据驱动的结构损伤识别问题提供新思路,进一步完善土木结构健康监测研究体系。     

基于视频分析的空管员违规行为识别方法*

为利用视频数据对空管员违规行为进行智能化分析,降低不安全事件发生率,提出2阶段的违规行为识别模型（AR-ResNeXt）,基于实地调研构建空管员视频数据集,利用最小化动态多实例学习损失函数和中心损失函数,获得违规行为检测的判别特征表示,结合异常回归网络和ResNeXt网络,完成对空管员违规行为的时序区间检测与动作分类。研究结果表明:AR-ResNeXt模型在自制数据集中,其帧级AUC达到82.9%,分类准确率达到87.8%,可准确识别空管员发生违规行为的时序区间并进行分类,研究结果可为保障空中交通安全奠定基础。     

基于链式多重插补的WOA-ELM煤与瓦斯突出预测模型

为了提高缺失数据下煤与瓦斯突出预测准确率,提出1种基于链式支持向量机多重插补(MICE＿SVM)的鲸鱼优化算法(WOA)-极限学习机(ELM)预测模型,以淮南朱集矿区为例,选取5个煤与瓦斯突出影响指标作为模型特征,采用提出的MICE＿SVM算法插补突出事故数据中缺失值,利用WOA优选ELM输入层权值及隐含层阈值,构建煤与瓦斯突出预测模型,将插补后数据用于WOA-ELM模型的训练与测试,并与其他模型的预测效果对比。研究结果表明：MICE＿SVM插补前、后的有突出数据预测准确率分别为83.02%,90.41%,MICE＿SVM显著提高了有突出预测准确率,对无突出和整体的预测准确率提高不明显;数据插补后WOA优化ELM对无突出、有突出和整体的预测准确率分别为97.94%,96.25%,96.48%,较优化前分别提高了5.79%,5.84%,5.55%,数据插补后WOA-ELM为最佳预测模型。     

辽河流域水环境压力及污染治理模式研究

系统分析了辽河流域近十年社会经济和水污染物排放之间的关系,基于污染物排放强度和人均GDP指标,建立辽河流域COD和氨氮环境学习曲线;结合情景分析法预测在现有治污水平下,辽河流域未来水污染物排放趋势及水环境压力。结果表明,辽河流域水环境压力巨大。根据辽河流域污染治理中存在的实际问题,提出新时期的污染治理模式。     

Bottom up and top down: analysis of participatory processes for sustainability indicator identification as a pathway to community empowerment and sustainable environmental management

The modern environmental management literature stresses the need for community involvement to identify indicators to monitor progress towards sustainable development and environmental management goals. The purpose of this paper is to assess the impact of participatory processes on sustainability indicator identification and environmental management in three disparate case studies. The first is a process of developing partnerships between First Nations communities, environmental groups, and forestry companies to resolve conflicts over forest management in Western Canada. The second describes a situation in Botswana where local pastoral communities worked with development researchers to reduce desertification. The third case study details an on-going government led process of developing sustainability indicators in Guernsey, UK, that was designed to monitor the environmental, social, and economic impacts of changes in the economy. The comparative assessment between case studies allows us to draw three primary conclusions. (1) The identification and collection of sustainability indicators not only provide valuable databases for making management decisions, but the process of engaging people to select indicators also provides an opportunity for community empowerment that conventional development approaches have failed to provide. (2) Multi-stakeholder processes must formally feed into decision-making forums or they risk being viewed as irrelevant by policy-makers and stakeholders. (3) Since ecological boundaries rarely meet up with political jurisdictions, it is necessary to be flexible when choosing the scale at which monitoring and decision-making occurs. This requires an awareness of major environmental pathways that run through landscapes to understand how seemingly remote areas may be connected in ways that are not immediately apparent.     

绿色全要素生产率省际空间学习效应实证

当前中国资源环境约束日益凸显,依靠全要素生产率成为解决这些问题的共识。然而仅仅依靠全要素生产率不能转变生产方式,关键在于区分绿色与非绿色偏向。研究使用中国省际面板数据,运用面板与动态空间面板模型方法,对比分析绿色全要素生产率、绿色"软技术"、绿色"硬技术"的影响机制。研究发现:1依靠全要素生产率驱动发展需要区别绿色与非绿色偏向;2必须注重绿色全要素生产率对绿色发展的作用及其运行机制;3不同偏向的绿色全要素生产率的省际空间学习效应不同;4绿色"软技术"对绿色发展贡献不充分。这就意味着,在当前中国资源环境约束日趋收紧的背景下,要区别绿色与非绿色全要素生产率的不同作用,否则将不能促进生产方式转变,实现绿色可持续发展。推动绿色可持续发展,一方面需要重视提升绿色全要素生产率的作用,另一方面需要重视绿色管理技术等绿色"软技术"对绿色发展的贡献。提升绿色全要素生产率,既要重视研发投入、人力资本投入,又要考虑技术市场、劳动智力结构、劳动者年龄结构的影响。提升绿色"软技术"的贡献率,改善绿色技术效率变动的吸纳能力。通过绿色全要素生产率的省际空间学习效应,实现中国省际区域间绿色可持续协同发展。此外,在引进吸收国外先进绿色技术时,既要重视对绿色"硬技术"的吸收,又要重视对绿色"软技术"的再学习。总之,"打铁还需自身硬",中国要继续鼓励支持绿色"硬技术"自主研发,巩固提升绿色"硬技术"对绿色发展的贡献。     

基于村庄分散度的农村生活污水治理模式量化分析

随着农村地区生活水平的提升,生活污水所含污染物成分趋于复杂化,未经处理就地排放对生态环境影响不容小觑。目前,农村生活污水治理模式种类多样,但决策方法缺乏科学依据。以内蒙古地区82个村落为研究对象。以自然村落为最小研究单元,利用村落宅基地占比、村落长宽比、周长、极限距离、坡度0°~8°占比和坡度标准差等指标,构建了居住密度决策树 (准确率76%) 以及地势决策树 (准确率88%) 。决策树所得结果通过二分类概率单位回归 (Probit)分析 (准确率87%) ,确定其村落集中或分散情况,进而选择适宜的村落污水治理模式 (集中模式、纳管模式、分散模式、拉运模式、就地利用模式) 。农村生活污水治理模式决策方法的确立决策指标的量化,为促进农村生活污水治理体系的发展、提升污水治理的有效性具有积极意义。     

北京市黑臭水体治理的动态遥感监测及影响因素分析

为及时、准确掌握黑臭水体治理进展,基于“北京二号”影像数据和同期的野外综合水体实测数据,采用深度学习算法对黑臭水体进行识别,并引入地理探测器对黑臭水体影响因素进行定量分析。结果表明：基于Faster R-CNN算法的黑臭水体遥感识别,总准确率达到90%左右,短时间内(5~33 h)即可完成北京市建成区黑臭水体的筛查工作;在空间维度上,黑臭水体主要分布在中心城区以外,并在通州区、朝阳区和大兴区较为集中;在时间维度上,专项治理期间(2015—2018年)内,黑臭水体的数量和长度总体趋势都是递减的,但偶尔也有反黑现象;2018年底,在全市建成区范围内,已全面消除黑臭现象;在一年内,第1季度水体环境最好,第2季度次之,第3季度最差,从第4季度开始好转;在北京市大兴区,土壤全氮量(贡献率为32.07%)和周边养殖场排污(贡献率为27.04%)是黑臭水体形成的主要影响因素,高程(贡献率为8%)、土壤类型(贡献率为7.6%)和土地利用类型(贡献率为6.1%)的贡献率较弱。由此可以看出,基于Faster R-CNN算法识别影像中的黑臭水体识别准确率高,可及时、准确地监测城市黑臭水体治理情况,使用地理探测器可定量分析并确定各影响因素的贡献率。本研究成果可为城市黑臭水体的动态监测和治理提供有力的技术支撑。