高斯过程机器学习方法在地下水位预测中的应用

高斯过程是近年来发展起来的一种新的机器学习方法,它有着严格的统计学习理论基础,对处理高维数非线性小样本复杂问题具有良好的适应性.针对地下水位的动态变化是一个复杂的非线性过程,地下水位与其影响因素之间存在着复杂的非线性关系,将高斯过程机器学习方法应用于地下水位预测,并提出相应的模型.工程实例研究表明,地下水位预测的高斯过程机器学习模型是科学可行的,预测精度高,简单实用,对地下水位预测的问题具有较好的适用性.     

高斯过程机器学习方法在地下水位

高斯过程是近年来发展起来的一种新的机器学习方法,它有着严格的统计学习理论基础,对处理高维数非线性小样本复杂问题具有良好的适应性。针对地下水位的动态变化是一个复杂的非线性过程,地下水位与其影响因素之间存在着复杂的非线性关系,将高斯过程机器学习方法应用于地下水位预测,并提出相应的模型。工程实例研究表明,地下水位预测的高斯过程机器学习模型是科学可行的,预测精度高,简单实用,对地下水位预测的问题具有较好的适用性。     

基于机器学习的东非植被变化因子重要性分析

[目的]基于机器学习算法对东非植被变化进行因子重要性分析,测度不同算法在各情况下的精度差异及适用性,为保护、恢复和促进可持续森林管理、水土流失综合防治提供科学依据。[方法]以东非9个国家2001—2020年的归一化植被指数(normalized difference vegetation index, NDVI)变化为研究对象,选取影响东非植被变化的2个气候因子及5个人类活动因子作为自变量,利用随机森林(random forest, RF)、BP神经网络(BP neural networks, BP)、支持向量机(support vector machines, SVM)、遗传算法(genetic algorithm, GA)、径向基神经网络(radial basis function, RBF)、卷积神经网络(convolutional neural networks, CNN)6种机器学习算法建立NDVI预测模型,以决定系数(R²)、平均绝对误差(MAE, mean absolute error)、平均相对误差(MRE, mean relative error...     

消减残差自相关性的县域土壤有机质整合模型预测研究

提升土壤属性空间预测精度对实现农田精准施肥和保护生态环境具有重要意义。利用河北省滦平县采集的1 773个样点耕地表层(0～20cm)土壤有机质(SOM)及其地理环境数据,通过逐步回归分析方法筛选出最优环境变量;基于其中1 426个农田样点分别建立多元线性回归(Multiple Linear Regression,MLR)、随机森林(Random Forest,RF)、贝叶斯正则化神经网络(Bayesian regularization neural network,BRNNBP)以及与普通克里格(OK)整合模型(MLR-OK、RF-OK和BRNNBP-OK)预测SOM空间分布,以其余347个样点数据为测试集检验分析不同模型预测精度,并对模型残差进行半方差函数和空间自相关分析以评价模型拟合效果。结果表明,研究区耕地表层土壤SOM处在8.62～35.64 g·kg^-1变化区间,变异系数为20.26%,属中等程度空间变异;SOM高值区主要分布在东北及东南海拔较高地区,低值区多分布在西南及中部河谷地区;海拔、坡度和年均温度与SOM关系密切(P<0.001);整合模型...     

森林地上生物量遥感反演研究进展

森林地上生物量是反映森林生态系统状况的关键性指标之一,对全球气候变化、以及我国实现碳达峰和碳中和目标具有重要意义。遥感技术快速发展并日益成熟,已成为大区域尺度森林地上生物量反演的主要技术手段。通过系统梳理国内外相关文献资料,从数据源和反演模型两方面对森林地上生物量遥感反演研究进展进行讨论：从数据源角度,阐述分析光学遥感数据、合成孔径雷达数据、激光雷达数据等3种数据源提供的有效信息、优势及局限;从反演模型角度,结合实际应用案例讨论分析多元回归模型、机器学习算法、机理模型等3种模型的特点及适用范围。在总结现阶段利用遥感手段反演森林地上生物量存在问题的基础上,分析探讨未来森林地上生物量遥感反演的方向和热点。     

江苏省农田生态系统固碳时空分布特征与趋势预测

为探讨江苏省农田生态系统固碳时空分布特征及未来固碳趋势,利用固碳速率法对江苏省2005—2020年农田固碳进行估算,重点分析2005、2010、2015年和2020年时空分布特征,并运用机器学习的方法对2021—2060年全省农田生态系统固碳进行预测。结果表明：在时间序列上,江苏省近年农田生态系统固碳量整体呈现升高的趋势,2020年估算量为282.55万t·a^-1(以C计,下同),在全省陆地生态系统固碳总量中占比达20.17%;在空间分布上,固碳贡献最大的是苏北地区,无论是施用肥料还是秸秆还田贡献的固碳量,苏北地区均呈现高于苏中、苏南地区的态势;根据机器学习的重要性分析,秸秆还田量是最为重要的影响因素;两种模型中,BP神经网络相较于随机森林具有更高的预测精度,该模型预测2021—2060年农田生态系统固碳量仍会在短期内持续升高,但随后将进入较稳定的平台期,其中2021—2026年间固碳量将持续升高并达峰值,为365.26万t·a^-1,而到2060年固碳量则为348.12万t·a^-1。研究表明,江苏省农田生态系统固碳量已逐...     

基于机器学习的畜禽粪便资源化预测研究

为了比较不同来源的畜禽粪便理化性质差异,考察堆肥过程中与腐熟度有关的理化指标变化情况,采集5种畜禽粪便的原料(堆肥原样)和堆肥腐熟后的样品,对其进行性质测定分析;同时,为探索预测堆肥腐熟度的最优模型,选用XGBoost、随机森林、支持向量机(SVM)、多元非线性回归模型对训练集样本堆肥腐熟度进行预测,并利用测试集样本对比分析4种模型的预测精度。结果表明:羊粪、牛粪、猪粪、兔粪、鸡粪原样均为弱碱性,其浸提液中可溶性盐浓度(EC)较高,鸡粪原样总养分(N、P、K)含量最高,猪粪原样中金属元素铜、锌、铁、锰总含量和有机质含量最高;5种粪便原样经过升温腐熟过程后,铜、锌、铁、锰元素含量和发芽率均表现出明显的上升趋势,pH值、EC值和有机质含量呈显著下降趋势;堆肥有机质含量和含水率对堆肥腐熟度影响最大,%IncMSE值分别为14.92%和13.61%;通过构建XGBoost、随机森林、SVM机器学习模型和多元非线性回归模型,经特征选择模型优化后,仅选取含水率和有机质含量作为特征变量,即可准确地预测堆肥腐熟度,模型预测值与实测值间的拟合优度(R2)分别为0.994、0.871、0.908、0.800。其中,XGBoost模型表现出较高的预测性能,均方根误差和平均绝对误差分别为4.690%和4.042%。相比于模型优化前,XGBoost、随机森林、SVM的R2分别升高41.39%、5.83%和36.30%。由于堆肥腐熟前后pH值、含水率、有机质及发芽率变化显著,且与其他性质之间存在较高的相关性,据此选取其作为堆肥腐熟度的评价指标。综合分析结果认为,XGBoost模型对堆肥腐熟度的预测精度最高,特征选择是提高模型预测精度的有效方法。     

人工智能在湖泊水情监测研究中的应用

随着信息技术的发展,人工智能(Artificial Intelligence)已被广泛应用到各个领域,随后问世的机器学习,推动了人工智能的大跨步发展。我国是一个水资源大国,改革开放以来,我国经济的快速发展和城镇化的快速推进,人们的生活和生产对湖泊水环境造成了很多不可逆的影响,湖泊面积萎缩,湖泊水资源污染,富营养化严重,有关湖泊水环境的研究成为国内外研究的热点,有必要对湖泊水资源质量监控做深入的研究,从根源保护湖泊水生态环境不受破坏。本文阐述了机器学习在各个领域的应用现状,介绍了湖泊水质和水温目前的研究现状,分析了遥感技术和人工智能手段在其探究领域的发展,指出机器学习方法已被广泛运用到湖泊水质的预测模型中,但在水温预测方面较为缺乏。     

基于PDF版式特征的文献篇章结构细粒度抽取方法研究

[目的/意义]为实现文献资源的细粒度组织,满足用户日趋精准的信息服务需求,研究提出一种基于PDF版式特征的文献篇章结构细粒度自动抽取方法。[方法/过程]方法充分利用机器学习在信息分类方面的优势,针对非结构化的PDF文档,基于其版式特征对章节标题进行自动分析、识别与抽取。根据章节标题的坐标定位,将正文内容以段落为最小颗粒度自动匹配至所属标题的下级位置,最终实现文档全文结构的细粒度抽取和重组。[结果/结论]经实测,机器自动抽取平均正确率达80%,针对非结构化PDF文档的细粒度抽取工作具有较好的现实意义和应用前景,基于底层方法设计构建的数据处理系统现已投入实际应用,大幅解放人工进行篇章结构细粒度抽取的工作。     

机器学习在油气管道的应用研究进展及展望

机器学习作为实现人工智能的主要手段,通过探索数据规律、建立预测模型来指导决策支持。在目前油气管道系统设备繁多、结构复杂、技术庞杂等背景下,引入机器学习是为了采用人工智能技术解决单纯依靠数学模型难以应对的问题,代替人工从事一些枯燥繁琐、危险程度较高的工作。结合油气管道系统各生产环节,重点阐述了深度学习、强化学习及迁移学习3类机器学习方法的应用研究进展,包括油气管道泄漏、多相流型识别、设备故障诊断及储罐目标检测等应用场景,构建了人工智能技术在油气管道系统的应用框架,指出深度学习、强化学习及迁移学习在该领域拥有较强的应用前景。最后,对机器学习在油气管道领域的应用进行了展望,以期为油气管道系统的智能化研究与发展提供参考。