农村改造房屋结构安全预警模型

农村改造房屋结构安全问题突出,尤其长沙“4·29”民房坍塌事故更凸显出该问题的严峻性,为解决这一问题,首先,基于机器学习算法,构建农村改造房屋结构安全预警指标体系;其次,对初始数据作标准化等预处理,并基于过采样算法解决样本类别不平衡问题,使用经典机器学习算法构建农村改造房屋结构安全预警模型;然后,利用集成学习算法优化原有模型以提高模型精度;最后,对各预警指标的重要度排序。结果表明：经典机器学习算法预测效果较好的是支持向量机(SVM),集成算法效果较好的是堆叠法,总体预测率为85.3%;较为重要的预警指标是建筑面积过大、建筑年份久、无施工草图、非六大重点排查房屋、独立基础、用于出租特别的群组牟利的城乡结合部自建房、地上层数过大、未经正规设计、无资质设计等17个。     

基于机器学习的浮标实时自动化赤潮预警研究

实现赤潮预警对于减轻海洋环境灾害、避免海洋产业特别是海洋渔业重大经济损失具有重要意义。针对当前水文监测数据海量却难以实现实时自动化监测与预警,特别是难以利用传统监测手段实现对危害更大的赤潮的精准实时预测这一显著问题,提出利用浮标数据作为依据,借助机器学习在大数据分析和智能决策方面的优势,建立一种新颖的双重递进式赤潮预警机制的方法。首先,通过相关算法分析历史数据,以确认赤潮初步预警阈值;其次,对叶绿素a、pH、溶解氧等重要监测指标的当前和阶段性变化进行初步分析,判断是否达到预警触发条件;然后,进一步联合分类、回归、聚类、神经网络等机器学习相关方法,对数据进行深度挖掘;最后,通过这种递进式的机制对短期内是否会发生赤潮作出判断,以实现赤潮自动化预警预报。在此基础上,利用宁波梅山湾实际监测数据,证实了该方法在赤潮实时自动化预警中的有效性。     

基于BP神经网络在森林防火专家系统不确定推理中的应用研究

提出将改进的BP神经网络应用于森林防火专家系统的不确定性推理中,其良好的自学习和泛化能力,可以解决基于可信度规则的知识表示在实际应用中导致的规则激增,推理速度缓慢的问题。该方法将不确定的知识用可信度区间表示,通过知识编码,设计并训练BP网络,最后用MATLAB进行仿真。实验结果表明:BP神经网络可以自动学习专家的典型经验,并且能将之准确的推广,隐含层神经元个数的确定和典型样本的选取决定了准确精度。在实际的专家系统不确定推理应用中具有应用价值。     

荧光传感器阵列检测农药污染物研究进展

农药的滥用已造成严重的环境污染,因此开发高效、简便和灵敏的农药检测技术是环境科学领域的研究焦点.荧光传感检测因其灵敏度高,检出限低,操作简单,成本低,目前已逐渐成为农药快速定量检测的一个发展方向.然而,在真实样品检测环境中,污染物不是单独存在的,常伴随结构或化学性质上与待检测分析物相似的污染物进行干扰.而基于阵列的荧光...     

基于机器学习的交通碳排放预测模型构建与分析

针对交通运输碳排放问题,基于2005~2019年30个省份的面板数据,采用多种机器学习算法构建不同预测模型对30个省份的交通碳排放量与影响因素进行分析.首先,基于固定效应模型思想将省份差异转化为影响因素,进一步采用Pearson相关系数法与Spearman秩相关系数相结合的方法对18个交通碳排放影响因素进行筛选;其次,采用K-折交叉验证方法,并绘制学习曲线对各预测模型性能进行测试,选用MSE、MAE、R²和MAPE作为模型的评价指标进行分析,来选定最佳预测模型,并选择SHAP值来计算最佳预测模型中各解释变量的重要度.结果表明,省份差异、社会商品消费总额、城市绿地面积、货运周转量、私家车数量、交通运输业产值和常住人口这7个因素之间多重共线性弱且均通过显著性检验,可作为交通运输碳排放预测模型的解释变量;随机森林算法和XGBoost算法预测结果均表现优异,R²均高于0.97,误差均低于10 %,且不存在过拟合与欠拟合现象,其中XGBoost算法表现最优,而KNN算法表现欠佳;各解释变量的重要度排名为:省份差异 > 社会商品消费总额 > 私家车数量 > 常住人口 > 货运周转量 > 城市绿地面积 > 交通运输业产值, 综合相关性与重要性分析来看,在交通运输碳排放预测中,省份差异是一个不可忽视的变量.研究结果可为政策制定者和决策者提供参考,促进交通运输行业的可持续发展.     

基于极限学习机的炭化可燃物着火时间预测

机器学习技术近年来在许多传统科学领域取得了应用,针对火灾中炭化可燃物着火时间与物性参数及环境参数之间关系复杂的特点,提出了一种基于极限学习机的预测方法以实现不同物性及环境参数时着火时间的快速准确预测,为防治及扑救火灾提供参考。首先建立炭化可燃物热解数值模型,考虑了可燃物热解过程中的含水率以及热解反应、气体流动等复杂物理化学反应过程,然后搭建极限学习机,以数值模拟数据为基础进行训练及验证工作。结果表明基于极限学习机的预测方法能够有效实现炭化可燃物着火时间的快速准确预测,平均相对误差小于3%。     

环境DNA宏条形码监测水生态系统变化与健康状态

开展快速可靠的水生态监测并预测其变化趋势,对保护水生态环境具有重要的价值。近年来,环境DNA宏条形码技术(简称环境DNA技术)的快速发展弥补了传统形态学生物监测的缺陷,显著提升了水生生物群落的监测能力。与机器学习、遥感和云服务等技术结合,环境DNA技术不仅能大尺度、高频率、高灵敏度、自动化地获取生态监测信息,而且能准确地识别水生态系统的变化趋势,进而改变对水生态系统的认识与管理方式。因此,研究着重总结了环境DNA技术在水生态监测中的应用,分析了环境DNA技术与机器学习、卫星遥感等跨学科合作的潜在机遇,基于环境DNA技术简单、便捷的优势,提出了社会公民参与水环境保护的生态监测新思路。     

兰州市CMAQ近地面臭氧模拟结果的订正方法——基于机器学习方法

为能更加准确地模拟出兰州市近地面臭氧浓度,在CMAQ(社区多尺度空气质量建模系统)的基础上,利用机器学习方法中的XGBoost(极限梯度提升)模型及LSTM(长短期记忆)神经网络模型建立近地面臭氧模拟结果的订正模型,并以两种方法为基础,利用误差变权倒数组合方法构建LSTM-XGBoost组合模型,以期进一步提高订正效果.本文选取兰州市4个国控站点(兰炼宾馆,铁路设计院,榆中校区,生物制品所)2019年7、8月环境空气质量监测数据及兰州市气象站同期气象数据,对CMAQ模拟的同时段兰州市近地面臭氧浓度进行订正.结果表明,CMAQ能够模拟出兰州市近地面臭氧浓度的空间及时间分布特征,但整体上对浓度有所低估.利用上述方法构建的订正模型中,LSTM-XGBoost组合模型的订正效果最好,臭氧相关性由CMAQ模拟的0.61～0.76提升至0.89～0.95,臭氧8h平均相关性由0.65～0.79提升至0.81～0.88,臭氧RMSE由44.83～70.17μg/m³提升至15.21～26.53μg/m³,臭氧8h平均RMSE由40.07～67.57μg/m...     

基于机器学习算法的化学品肝毒性筛查模型

外源性化学品暴露是肝脏疾病的重要病因,有必要筛查肝毒性化学品并进行管理。定量构效关系(QSAR)模型,通过关联化学品的分子结构和毒性效应,可用于肝毒性化学品的有效筛查。本研究旨在构建性能优异的肝毒性化学品的QSAR筛查模型。以往基于机器学习算法的化学品肝毒性筛查模型数据来源单一,覆盖的化学空间有限。本研究搜集整理了4 014种化学品肝毒性的定性数据,使用多种机器学习算法,建立了肝毒性化学品的筛查模型。以PubChem指纹作为模型输入,应用随机森林算法所建模型的效果最优。十折交叉验证的准确率(R_A)、敏感性(R_SE)、特异性(R_SP)和受试者工作特征曲线下的面积(A_ROC)分别为0.714, 0.596, 0.799和0.764;外部验证的R_A,R_SE,R_SP和A_ROC分别为0.733, 0.620, 0.812和0.804。基于分子相似性原理,表征了模型应用域。分子中是否具有氮原子以及氮原子的数量,是决定化学品是...