基于机器学习的地下水水质预测研究

基于实测的地下水水质数据（pH、总硬度、溶解性总固体、硫酸盐、氯化物、Fe、Mn 7种）和气象数据（平均气温、最低气温、最高气温、平均最低气温、平均最高气温、20:00—20:00降水量、日降水量≥0.1 mm的时间、最大日降水量8种）,分别使用BP神经网络、随机森林（RF）和支持向量机（SVM）构建了地下水水质参数的机器学习预测模型．对于每一种水质参数,分别使用不同的机器学习算法基于不同滞后期的数据进行模拟,将结果与实测水质进行对比,选择精度最高的机器学习模型及其对应的滞后期作为该水质参数的最优模型和最佳滞后期．结果表明,不同机器学习方法和滞后期的选择对预测精度影响很大,BP神经网络对pH（R2=0.225,RMSE为2.411）、总硬度（R2=0.503,RMSE为47.973 mg·L?1）、氯化物（R2=0.994,RMSE为0.544 mg·L?1）和Fe（R2=0.302,RMSE为7.772 mg·L?1）的预测精度最高,RF对硫酸盐（R2=0.908,RMSE为3.788 mg·L?1）和Mn（R2=0.522,RMSE为0.429 mg·L?1）的预测精度最高,BP神经网络、RF和SVM对溶解性总固体的预测性能均较好（R2=0.994~0.996,RMSE为674.660~950.470 mg·L?1）．此外,硫酸盐和Mn预测模型对应的最佳滞后期为0个月,溶解性总固体和氯化物预测模型对应的最佳滞后期为1个月,pH、总硬度和Fe预测模型对应的最佳滞后期为2个月．      

中国植被物候研究进展及展望

本文围绕气候变化背景下的中国植被物候研究,梳理了植被物候对气候变化的响应机制,分析了中国植被物候变化对陆地生态系统碳、水和能量循环的影响,植被物候变化对局地气候的反馈机制以及通过大气环流对气候系统的影响．主要结论:1)中国植被生长季开始日期提前1~6 d?(10 a)–1,结束日期推迟2~5 d?(10 a)–1,生长季显著延长;2)中国中高纬度地区植被对温度的响应明显高于亚热带和热带地区,温度在控制植被物候的过程中起到多重作用,降水主要影响干旱和半干旱地区的植被物候;3)植被生长季延长增加陆地生态系统生产力,增加中国碳汇;4)植被物候变化改变植被的蒸散发量,从而改变我国的流域尺度河流径流;5)在中国大部分地区,植被物候变化对气候系统产生负反馈作用,甚至影响大气环流过程．中国植被物候的研究越来越多,但仍存在亟待解决的科学问题,比如未来中国植被物候研究需要更加关注遥感数据反演精度,明确物候响应气候变化机制的尺度效应,结合机器学习等智能算法改进物候模型提高物候模拟精度,并重视农作物物候,加强物候与森林管理结合研究以提高我国生态系统碳汇能力,积极面对碳中和带来的机遇与挑战．