基于随机森林与时空聚类的共享单车站点需求量预测

为方便准确地预测出城市共享单车站点的需求量,根据站点需求量的随机性和时变性,提出了一种基于随机森林和时空聚类的共享单车站点需求量预测模型;该模型研究了时间因子、气象因子以及关联站点对需求量的影响;应用分层聚类对站点进行了时空分析;结合对数优化后的随机森林作为预测器。面向湾区共享单车出行数据进行需求量预测。结果表明:该模型相比极限学习机、支持向量机与随机森林等经典机器学习算法在需求量预测方面有较好的预测结果,可为实际车辆调度提供参考依据。     

基于机器学习算法的森林火灾风险评估研究

【目的】利用森林火灾风险图可提高有效巡护,优化有限防火资源,基于地形、人类活动、植被和气象因素数据,采用基于机器学习算法构建了林火发生预测模型,对林火防护提供一定的参考。【方法】以安徽省滁州韭山为研究对象,提取林区的坡度、海拔、坡向、到居住点的距离、到道路的距离、地形湿度指数、归一化植被指数和温度驱动因素,评估火灾发生驱动因子,将潜在驱动因子分成地形、人类活动、植被与气象因素等4类;使用哨兵火灾产品,提取林区内的历史火点,然后采用机器学习算法建立林火发生的预测模型;最后利用混淆矩阵评估指标和接受者操作特征曲线(ROC)进行精度评价。【结果】植被、温度和到道路的距离是研究区域火灾发生的主要驱动因素。两种模型的ROC曲线表明,逻辑回归预测模型准确度为71.07%,曲线下面积(AUC)值为0.717 2;随机森林模型具有较好的准确性,准确度达到84.91%,曲线下面积值为0.850 1。【结论】随机森林模型表现出比逻辑回归模型更好的预测能力。森林火灾风险图表明,随机森林模型预测下,研究区11.91%(29.36 km²)位于高、极高风险级别。森林火灾风险图可有效协助林火...     

基于机器学习的卫星遥感水质富营养化评价——以合肥市环城河为例

以合肥市环城河为研究对象,使用线性回归、随机森林、支持向量回归和套索回归等机器学习模型挖掘Landsat8卫星数据和水质参数之间的关系,对遥感影像值的反射率和水质参数进行建模,并比较了4种不同模型的表现.结果显示,随机森林模型的表现最好,对TN、TP、NH3-N反演模型的精度都能达到0.7以上;反演的水质参数浓度分布图表明TN、TP在环城河东北段的污染最严重,而NH3-N则在西南段的污染最严重;从水体富营养化分布图可以看出,环城河东段水体呈现中度营养状态.     

安徽省土壤湿度时空变化规律分析及遥感反演

为获取安徽省的土壤湿度时空信息,采用克里金法将站网实测多层土壤湿度数据插值为网格数据,分析其时空变化特征;进而建立遗传算法优化的BP(back propagation)神经网络模型进行土壤湿度反演。该模型以风云3B卫星的亮温数据为主要输入,训练后对该模型验证并进行预测。结果表明:安徽省土壤湿度月均值波动较频繁,淮北平原和大别山区较其他区域干燥;随着深度的增加,土壤湿度增大且季节和空间差异变小;所有分区平均模拟值与实测值的日序列相关性达到0. 605,均方根误差为0. 056 m~3/m~3,说明该模型能够较好地反演安徽省土壤湿度。     

不同微波遥感模态和不同数据组合的等湿度区域分布与土壤湿度的反演

论述了主动、被动和主动被动相结合的3种微波遥感模态反演土壤湿度的方法和特点。为了采用人工神经网络方法反演出土壤湿度，在随机粗糙面双谱散射模型的基础上计算了裸土壤表面的散射系数和发射率，分析了3种不同的微波遥感模态和不同数据组合的等湿度区域分布的特点，从而确定了适合于各个微波遥感模态的输入数据组合。反演结果表明，只要选择适当的人工神经网络输入数据组合，采用3种模态中的任何一种微波遥感模态反演土壤湿度都是可行的，并具有较好的反演精度，结果对于微波遥感反演土壤湿度方案的选取具有指导意义。     

基于自然驾驶数据的危险事件识别方法

利用阈值法从自然驾驶数据中识别可能的危险事件,再采用随机森林模型和支持向量机模型深度筛选,克服了阈值法误报率过高的缺陷。基于上海自然驾驶数据,建立提取危险事件的阈值标准,从原始数据中识别出3 623起可能的危险事件;利用随机森林模型筛选出重要特征作为输入变量,训练机器学习模型,对测试集进行预测。结果表明,起到关键作用的变量有:纵向加速度的最小值和均值、与前车距离的最小值以及车速的标准差。相比随机森林模型,支持向量机模型预测效果更优,在控制漏报率的同时,可过滤85.9%的无效事件。     

基于机器学习的城市暴雨内涝时空快速预测模型

暴雨内涝的快速预测对于提升灾害应急处置能力具有重要意义。针对传统数值模拟复杂耗时导致难以满足暴雨内涝预测时限要求的问题,该文基于机器学习方法构建城市暴雨内涝时空快速预测模型。利用城市综合流域排水模型(InfoWorks ICM)模拟的高精度网格结果作为数据驱动,综合考虑降雨因素、地理数据以及排水管网的分布情况,分别基于随机森林、极限梯度提升(XGBoost)、K最近邻以及长短期记忆(LSTM)神经网络建立城市暴雨内涝快速预测模型。以北京市某区域为例,开展算例研究,结果表明：随机森林模型的空间预测效果最佳,淹没范围预测准确率可达99.51%,积水深度平均预测误差3.55%; LSTM神经网络模型能准确预测内涝点积涝过程的水深时序变化。在该算例场景下,所构建的机器学习模型可实现s级的暴雨内涝时空快速预测。     

利用GNSS信号地表穿透特性反演土壤湿度的思考

利用全球导航卫星系统干涉信号（GNSS-interferometric reflectometry, GNSS-IR）进行土壤地表湿度反演具有无需信号源、探测区域宽广等特点，受到了国内外研究机构的广泛关注. 为解决传统GNSS穿透模型结构复杂的问题，根据几何构型给出了GNSS-IR计算天线相位中心与地表实际反射面垂直距离的方法，通过仿真不同土壤湿度下的高度测量偏差，建立了与GNSS信号理论穿透土壤深度的线性关系，以及与土壤湿度的反比例关系. 考虑到卫星高度角的变化对高度反演的影响，采用修正的测高模型，并利用Lomb-Scargle谱分析的方法计算了高度测量偏差. 为减少地表植被对反演天线相位中心距离地表实际反射面垂直距离的影响，利用归一化植被指数对高度测量偏差进行了修正，同时建立了GNSS信号高度测量偏差与土壤湿度的一阶反比例模型，最后对该模型进行了验证. 结果表明，对于长时间大尺度变化土壤湿度的场景，利用GNSS信号地表穿透特性进行土壤湿度反演有着很好的效果.      

基于GF-2的乔木生物量估测模型研究

以福建省将乐林场为研究区,使用野外实测样地数据,结合福建省二类调查数据,获取了共192个样地的生物量数据,其中杉木纯林112个,马尾松纯林80个．对覆盖研究区的2景GF-2影像进行预处理,提取光谱信息、植被指数、纹理特征及地形因子,筛选与样地生物量相关性较高的因子作为建模的自变量,采用支持向量机、随机森林及多元逐步回归3种方法分别建立了杉木和马尾松生物量模型．结果表明:支持向量机、随机森林模型拟合效果均比多元逐步回归模型好,其中随机森林模型决定系数R2最高,2种样地的R2分别为0.65和0.72,估计精度也最高,分别为65.28%和76.82%;杉木样地3种模型的均方根误差分别为64.27、48.16和77.03,马尾松样地3种模型的均方根误差分别为54.79、48.18和65.63,其中随机森林模型的最低．在3种模型中,随机森林模型为乔木生物量的最优模型．      

基于高分一号的农田植被区土壤湿度反演研究

以国产高分一号(GF-1)遥感数据为数据源,以荆州市公安县为实验区,选择垂直干旱指数(PDI)、改进型的垂直干旱指数(MPDI)和植被调整垂直干旱指数(VAPDI),对土壤湿度指数反演的效果进行比较和验证,同时为减少水体对地表反射率的干扰,采用归一化差异水体指数法(NDWI)对水体进行掩膜处理.研究结果表明,PDI、MPDI和VAPDI分别反演得到的土壤湿度值与实测值的相关系数为0. 520 5、0. 697 2、0. 687 2,实测土壤含水量验证精度评价也表明各模型均能满足反演的精度要求;在植被覆盖较好的农区,MPDI和VAPDI能够在一定程度上克服混合像元对土壤湿度光谱信息的影响,模型拟合效果优于PDI.研究结果可为江汉平原大范围和动态监测表层土壤湿度指数提供理论基础和实践参考.     

基于机器学习的蒸散量插补方法

以黑河流域湿地、农田、草地、柽柳、胡杨林、混合林生态系统为研究对象,结合气象因子(净辐射、温度、土壤热通量、风速、相对湿度、土壤体积含水率),分别采用多元线性回归(MLR)、决策树(CART)、随机森林(RF)、支持向量回归(SVR)、BP人工神经网络(BPANN)、深度学习(DL)等方法对蒸散量进行插补。结果表明:(a)RF、SVR、BPANN、DL在各个生态系统的蒸散量插补精度均较高(R² = 0.8~0.93,R_MSE=21.730~41.731 W/m²,M_AE=12.153~26.129 W/m²),但SVR在柽柳、混合林生态系统的结果稍差于其他3种方法(R²降低了0.01~0.02),MLR插补精度最差(R² =0.6~0.7),CART结果介于之间(R² = 0.78~0.9)。(b)加入土壤体积含水率能一定程度提升模型插补的精度(R²提高了0.01~0.06)。(c)利用建立的插补模型去插补其他年份的蒸散量,发现其精度有不同程度的下降。综合考虑模型的精度和稳定性,RF、BPANN、DL对于蒸散量的插补具有较高的精度,同时加入土壤体积含水率可以提高模型插补的精度。     

Characteristic of Soil Hydro.Physical Properties and Water Dynamics under Different Vegetation Restoration Types

By combining the observation of the soil profile at field and the chemical and physical analysis in laboratory, a study on the hydro-physical properties of soil in six different vegetation types and the dynamics of water content after rain was conducted in Wanchanggou, Guangyuan City to find out the vegetation types with effective water-conservation functions in order to serve the ecological restoration in the low hill heavy rain area upper the Jialing River. Results showed that., the hydro-physical properties of soil in the mixed Alnus crernastogyne and Cupressua Leyland forest （AcCl） were best. But in the depth of 0-20 cm. The properties of soil in the abandoned cropland （Fm） was better than that in the AcCl. The soil bulk densities varied significantly between the layers of 0-20 cm and 20-40 cm in all the six vegetation types except that in the Robinia pseudoacacia shrub forest （RpII）, and the changes of the maximum and the capillary moisture capacity between layers were significant only in the Fm and in the AcCl. Of these stands, the AcCl had the shortest water-absorbing period and the strongest moisture changes in the upper layer （0-15 cm）. In the same stand, the deeper the soil layer, the slighter the soil moisture varied, and the longer the soil moisture accumulating process lasted.     

井冈山自然保护区毛竹林土壤水文特征研究

比较研究了井冈山自然保护区毛竹纯林及竹杉混交林的土壤水文-物理性质。结果表明：（1）毛竹纯林与毛竹混交林土壤容重随土壤深度的增加而增大,纯林各层土壤容重比混交林大。竹毛纯林0~20 cm土层非毛管孔隙、毛管孔隙、总孔隙度均比混交林要大;20~40 cm土层,纯林的土壤容重比混交林要小;40~60cm土层,纯林与混交林的...     

基于机器学习的深基坑三维土层重建

在深基坑施工过程中,需要通过少量钻孔数据来进行土层三维模型重建,以获取土质信息分布.提出一种基于机器学习的土层重建方法,首先设计土层生成算法来进行土层训练数据集的数据增强.然后根据钻孔信息数据结构设计了预测模型特征编码方法,作为预测模型的标准输入,通过搭建卷积神经网络模型,对土层结构进行特征提取,形成土层预测模型.随后,利用预测模型对待预测地块中的离散格点进行土层属性预测,获得土层体数据.最后,对土层体数据利用Marching Cubes算法生成封闭等值面,形成土层实体块,从而实现了对三维土层的重建.本模型能够适应不同层数、不同类型的地层,具备了实际工程应用的初步条件.     

不同林型兴安落叶松林土壤团聚体及其有机碳特征

[目的]团聚体是土壤结构的基本单元,其对有机碳的保护作用是稳定土壤碳库的重要机制.采用野外调查与室内分析相结合的方法,探讨林型对兴安落叶松林土壤团聚体的分布、稳定性及有机碳含量的影响,为兴安落叶松林的可持续经营、碳汇功能提升提供参考.[方法]在内蒙古大兴安岭兴安落叶松原始林内,依据不同林型(草类-兴安落叶松林、杜香-兴...     

基于深度森林算法的油井产量预测研究

为了克服传统机器学习算法产量预测模型的缺点,以深度森林算法理论为基础,综合油井相关各项数据,建立了油井产量预测新模型。首先应用KNN最邻近方法和Z-Score标准化方法对油井相关数据进行预处理,利用MDI特征选择方法选择对油井产量影响最大的特征向量,然后将选出的特征向量作为深度森林模型的输入变量,建立深度森林产量预测模型,利用网格化搜索优化模型参数,最后在测试集上运行模型,对模型性能进行评估。研究结果表明,相对于BP神经网络等传统机器学习算法模型,深度森林模型的产量预测精度更高,可以准确预测油井产量,同时相对于深度神经网络等复杂学习算法,该算法参数少、调参及应用简单,为油井产量预测提供了一种新的方法和思路。     

半干旱地区土壤湿度变化特征

利用兰州大学半干旱气候与环境观测站(SACOL)站2006年5月至2009年12月5～80 cm的土壤体积含水量间隔半小时的数据,分析了半干旱地区土壤湿度变化特征.结果表明:5～40 cm土壤湿度有明显的季节变化,呈现出三高三低的变化特征,80 cm土壤湿度季节变化不明显;土壤湿度浅层比深层波动大,5～80 cm各层土壤体积含水量平均日较差依次为1.08％,0.57％,0.25％,0.11％,0.04％,相比于10 cm土壤体积含水量5.71％的方差,80 cm的方差只有2.69％;土壤湿度大小因土壤深度、季节和天气背景不同而有所差异,春、夏、秋季土壤湿度随深度加深呈降低型,冬季呈现增长型;随着深度的加深,上下层土壤湿度的相关性逐渐减弱,滞后时间在增加,滞后时间最短为3.5h,最长为35 h.     

玛多地区基于植被指数对土壤水分的反演

采用Landsat5影像数据对青海省果洛州玛多地区植被指数和地表温度进行提取,通过地面同步测定土壤水分含量,分析三者之间的相关关系。结果发现:归一化植被指数(NDVI)与土壤水分在植被盖度较低时,二者之间存在较为明显的负相关关系r=-0.655;地表温度与土壤水分呈负相关关系r=-0.932,3种关系模型中线型模型拟合效果最好R2=0.769 0;引入变量植被温度指数TVI并对其与土壤水分做相关分析,结果发现土壤水分与TVI之间的相关系数r=-0.906,二者之间存在明显的负相关关系,3种关系模型中,幂指数模型的决定系数最高R2=0.855 0,TVI与土壤水分的拟合效果较温度与土壤水分的好,因此利用植被指数对区域土壤水分的反演是可行的。     

三峡山地不同坡位土壤水分的时序变化研究

土壤水分是维持森林生态系统可持续的重要因子,降水作为土壤水分最主要的补给来源,定量认识两者的关系对深入了解土壤水分入渗及产流汇流等生态水文效应和区域水平衡至关重要.该文采用时间序列法分析了2018年—2019 年三峡山地大老岭林区典型小流域土壤含水量和降水之间的相关关系,结果表明：1) 研究区降水过程无显著自相关性,而土壤含水量呈现高度自相关性,且随时间尺度缩小不断增强;2) 降水量与土壤水分含量同消同涨,两者之间存在协相关关系,月尺度上土壤含水量与降水相关性较弱,日尺度上二者相关性呈明显的“单锋型”,小时尺度上降水序列和土壤水分序列相关性在降雨事件发生后2～4 h最显著;降雨72 h后,各深度土层相关系数差异明显减小.3) 在不同时间尺度下,不同深度土层土壤含水量与降水的协相关性变化趋势表现出较强的一致性,随土壤深度增加,土壤含水量与降水的相关性降低,且水分变化对降雨滞后性增加.4) 不同坡位土壤水分与降水的协相关性差异显著.坡下土壤含水量对降水的响应强烈,而坡上两者相关系数偏低.5) 土壤水分序列与降水序列协相关性在不同时间尺度有所差异,小时尺度和天尺度两者协相关性较为显著且均随着时间推移呈先增大后减小的特征,而月尺度两者相关性则表现为随滞后时间距增加而单调递减趋势.     

鼎湖山不同演替阶段的森林土壤水分动态

运用中子水分仪监测了鼎湖山土壤水分数据，分析了鼎湖山不同演替阶段林地的土壤水分动态及其特征，探讨了温室效应对自然群落演替下土壤水分的影响.研究表明，鼎湖山不同林型林地土壤水分变化具有明显的差异，但它们的总体变化规律基本一致，即季风林、混交林、针叶林同一土层土壤储水量具有相似的变化趋势，从地表往下，土壤各层储水量呈下降趋势.随着森林的演替，林地土壤持水能力增强，且逐渐集中分布在根系比较密集的土壤上层.从各土层间的相关性来看，季风林最强，其次为针叶林，混交林最小.根据各季节土壤储水量变化的特点，鼎湖山土壤水分变化的季节动态大致分为3个阶段：土壤水分亏损期（1-3月）、补偿期（4-9月）和相对稳定期（10-12月）.