基于机器学习的武汉城市圈土地生态安全格局识别与优化策略

为明晰武汉城市圈土地生态安全格局,从经济、社会和自然3个维度构建土地生态安全评价体系,在机器学习框架Keras中利用BP神经网络对2010—2017年武汉城市圈土地生态安全水平进行评价,在此基础上,利用ArcGIS软件对评价结果进行空间识别,并提出相应土地生态安全优化策略。结果表明:(1)2010—2017年武汉城市圈土地生态安全水平小幅下降,长期处于临界安全状态,其中土地自然生态安全状况不断恶化,土地经济生态安全状况持续改善,土地社会生态安全水平增减变化差异较大。(2)武汉城市圈土地生态安全变化存在明显空间差异,土地自然生态安全水平下降较大区域主要集中在西部和南部;黄冈和黄石土地经济生态安全水平小幅下降,其他城市安全水平均有不同程度上升;土地社会生态安全水平变化较大,武汉和潜江上升1个安全等级,仙桃和孝感下降1个安全等级,咸宁下降2个安全等级。(3)研究区土地自然生态安全状况恶化的主要原因为人均耕地、耕地面积比例、森林覆盖率持续下降以及工农业废水和废弃物排放总量持续上升;土地经济生态安全状况持续改善的主要原因为工农业生产效率、居民收入和第三产业占比持续上升;土地社会生态安全系统的影响因素较多。     

基于机器学习的长沙市空气污染物浓度预报研究

基于2014～2019年长沙市6种空气污染物日均浓度的监测数据、同期的气象数据,利用随机森林重要性评估的方法对影响污染物浓度的预报因子进行筛选,构建了基于随机森林算法和支持向量机算法的2种机器学习预报模型对6种空气污染物浓度分别进行预报。结果表明：各污染物浓度预报结果的均方根误差随着AQI指数的增加而变大;经随机森林变量筛选优化之后2种模型对各种污染物浓度的预报准确率都有所提升,且预报准确率都随着预报时效的增大而降低。整体而言,支持向量机回归模型对长沙市空气污染预报具有更强的泛化能力,误差更小。     

人工智能技术现状剖析

从1956年达特茅斯会议提出AI开始,AI的研究经历几次沉浮。在一次次的高潮和低谷的交替中,不可否认的是,AI无论是在理论还是实践中都取得了长足的进步。尤其是近期以深度学习为代表的AI技术取得了突破性的进展,在计算机视觉、机器学习、自然语言处理、机器人技术方面取得了巨大的进步,深刻改变了我们的生活。在这次变革中,实验室的成果很快就可以进入工业界,这在以往的技术发展史上是非常罕见的。2016年5月国家发展改革委员会等四部门联合下发《互联网+AI三年行动实施方案》,李克强总理的政府报告中也提到了AI产业发展,中国科学技术部"科技创新2030重大项目"将增加"AI2.0",AI已经上升为国家战略。面对AI的热潮,我们应该如何理解现状?如何看待其进步?又如何理解其功能和限制?本文将从AI的核心理论基础、当前存在的一些问题以及未来可能发展的方向等诸多方面对AI做介绍。     

基于机器学习的典型社会安全事件发生规律研究及对雄安新区的启示

针对雄安新区建设和发展过程中对社会安全事件的防控需求,以盗窃作为典型社会安全事件,提出基于机器学习模型的社会安全事件分析预测方法,并以A市2012—2016年的实际盗窃犯罪数据为基础,提取发案时间、发案地点、实施手段和损失金额作为分类特征,通过比较多种机器学习算法,研究盗窃前科人员的预测方法,并根据预测结果挖掘盗窃前科人员的作案规律。研究结果表明:随机森林算法表现最优,查准率、查全率和F1均达到了0.85以上;对于盗窃这一典型社会安全事件,其前科人员倾向于选择下午时段和人流量大的地区实施,盗窃金额明显高于初犯和惯犯。最后,基于前述研究,提出构建数据驱动的社会安全事件预测预警和综合研判系统,并针对该系统的前期建设和后期使用,给出“制定统一的数据格式”、“实现数据实时接入”的建议。相关研究成果可为雄安新区社会安全事件预测预警以及治安防控工作的开展提供参考和借鉴。     

基于机器学习算法的干旱区绿洲地上生物量估算

植被地上生物量是反映陆地生态系统固碳能力的重要指标,利用遥感技术开展干旱区植被地上生物量估算与空间反演,可为荒漠绿洲生态系统的健康评价与碳储量估算提供重要依据。以野外调查和实地采样数据为基础,利用Landsat 8 OLI多光谱影像提取的7个植被指数和13个波段变量构成4种建模变量组合,采用支持向量机(Support Vector Machine,SVM)、反向传播神经网络(Back Propagation Neural Network,BPNN)、极端梯度提升(e Xtreme Gradient Boosting,XGBoost)和随机森林(Random Forest,RF)这4种机器学习算法对新疆渭干河-库车河三角洲绿洲地上生物量进行遥感估算和空间反演。结果表明,(1)由波段变量和随机蛙跳算法优选变量构建的植被地上生物量反演模型,其估测精度明显优于全变量和指数变量,预测能力更为稳定。与SVM和BPNN算法相比,XGBoost和RF算法构建的模型具有更好的估测效果,能更准确地估算研究区植被地上生物量。(2)在构建的估测模型中,波段变量结合RF算法模型的精度最高,稳定性最强,其建模集和...     

基于经验小波变换的鄱阳湖CODMn预测

高锰酸盐指数(COD_Mn)是衡量水质状况的最重要参数之一,能反映水体受还原性物质污染的程度。结合经验小波变换(EWT)和双向长短期记忆(BLSTM)神经网络,提出了一种先利用EWT将原始的COD_Mn时间序列分解成若干成分,然后利用BLSTM神经网络对分解出来的每个成分进行预测,最后将所有成分的预测结果重建获得最终COD_Mn预测值的新的混合模型EWT-BLSTM;并以2017年8月—2020年4月鄱阳湖COD_Mn监测数据为研究对象,进行模型性能验证。结果表明：EWTBLSTM模型具有良好的预测性能,预测未来1 d以后的COD_Mn时,EWT-BLSTM模型的平均绝对百分比误差为2.25%,与单一BLSTM神经网络模型相比降低了10.53%;预测未来7 d以后的COD_Mn时,EWT-BLSTM模型的平均绝对百分比误差为8.36%,与单一BLSTM神经网络模型相比降低了16.16%。在COD_Mn峰值处,该模型依然保持较高稳定的预测性能,说明在...     

基于机器学习方法的浙江省台风灾害风险评估和动态风险预报

利用机器学习方法建立以区县为基本研究单元的浙江省台风灾害风险评估模型,并进一步结合气象预报与实测数据形成覆盖全省、时空连续的台风过程动态风险预报,为科学应急减灾提供决策支持。首先,本研究以浙江省各区县为研究对象,考虑危险性、孕灾环境、暴露性和脆弱性等风险要素选择台风灾害风险评估模型的预测变量;其次,基于10个重大历史灾害的灾损数据(直接经济损失)划分风险等级作为输出变量;最后,采用机器学习模型XGBoost建立台风灾害风险评估模型。同时,以利奇马为例,进一步探索该模型的实战应用潜力,即以气象预报和实测数据为模型驱动,实现浙江省全域各区县台风灾害风险的实时更新预报。     

基于遥感数据的闽东南山区公路滑坡快速识别技术研究

传统的滑坡识别主要通过遥感目视解译和人机交互识别,存在耗时费力、主观性强和提取精度低等问题。文中以福建省某公路为实验区,提出了一种基于高分辨率遥感数据的闽东南山区公路滑坡快速识别方法。包括采用亚米级高分辨率遥感影像,通过对色调、地形、光谱、植被指数和纹理等滑坡特征进行分析与研究,确立了适用于东南山区公路的多维多尺度滑坡分类识别规则;借助机器学习算法分类工具与多维多尺度特征筛选集相结合构建了公路滑坡识别模型,并基于高分辨率遥感影像在色调尺度上对滑坡进行初步识别;最后经由坡度、归一化植被指数和纹理特征筛选集对初步识别的滑坡区域进一步的分割提取,从而对山区公路滑坡空间分布实行精准识别。经实验验证,文中方法所得滑坡识别的平均精度达到85.73%,且滑体提取形态特征完整,可清晰地展现出滑体的“舌”、“簸箕”状形态,亦可清晰辨别滑体的滑壁与堆积体。研究成果可为我国植被发育区的山区交通线路的滑坡识别与风险评估提供科学参考。