改进非线性外源自回归网络的潮位实时预测

我国海域辽阔,海岸带面积约占全国总面积的13%,在沿海区域的交通运输及经济建设领域,都需要具备精确的潮位数据,因此实现精准快速的潮位预报具有重要的应用价值和实际意义。为了提高潮位预测精度和稳定性,提出了一种基于带外源输入的非线性自回归 (Nonlinear Auto Regressive models with Exogenous Inputs, NARX) 神经网络的实时潮位预测方法,并在其基础上做了相应改进。首先采用了模块化潮位预测(Modular tide level prediction)方法,将潮汐数据分为天文潮及非天文潮两部分,其次引入滑动时间窗(Sliding Time Window, STW)概念构建出改进的MS-NARX神经网络预测模型。利用美国比斯坎湾 (Biscayne Bay) 的实测潮汐值数据进行潮位预测的仿真试验,并与传统NARX神经网络及自适应粒子群算法优化的基本反向传播 (SAPSO-BP) 神经网络两种预测方法进行比较,结果表明在MAE、MSE及RMSE三项精度指标测算中,MS-NARX神经网络均为最小,可见其针对数据预测的精度和稳定性均优于 SAPSO-BP 神经网络和传统NARX神经网络,能够为提高船舶运营效率和保障船舶航行安全提供指导。     

基于遥感数据的常州市热岛效应分析

【目的】对常州市近30年热岛变化特征进行分析,并且分析城市热岛强度与植被、水体以及其他土地覆盖类型之间的关系。【方法】以整个常州市为研究对象,利用Artis&Camahan 的辐射校正温度反演法进行了地表温度反演,分析了常州市1988—2014年的城市热岛效应及空间变化。【结果】常州市在近30年来城市热岛范围,城区主要热岛区域与建成区保持一致,大量的人工下垫面、高密度建筑等扩张,造成高温区逐渐增多,热岛效应也越来越明显。【结论】常州市的热岛分布特征与常州市的土地利用类型有较好的一致性。低温区主要集中在植被和水体的区域,植被能够有效地起到降温的作用。