城镇天然气负荷预测方法研究进展

合理、准确地预测城镇天然气负荷已成为政府制订政策、气源端与管网建设以及优化运行调度的重要保障。在对国内外相关文献和实践进行广泛调研的基础上，结合天然气工业的发展历程，系统梳理了城镇天然气负荷预测技术研究进展，将其分类为早期传统预测方法、基于机器学习的预测方法以及组合预测方法。中国在应用基于机器学习的智能算法预测天然气负荷的研究方面已实现跨越式发展，成为当前国际上最活跃的研究群体。组合预测方法细化了对天然气用气特征的分析，预测结果的准确性更高，各种预测方法的组合应用研究已成为天然气负荷预测研究的热点。未来，应注重大数据处理和先进算法技术在天然气负荷预测中的应用，但仍不能忽视对负荷形成机制、特点等技术本质的深入研究。（图1，表1，参87）     

基于多源光学雷达数据融合的黄淮海平原冬小麦识别

遥感技术能够快速准确地获取农作物空间分布信息，为探究2021年黄淮海平原冬小麦空间分布信息，基于Google Earth Engine（GEE）云平台，以Sentinel-1 SAR雷达影像和Sentienl-2光学遥感影像为数据源，通过计算极化特征、光谱特征和纹理特征，运用随机森林等4种机器学习方法和深度循环神经网络模型，对研究区冬小麦空间分布信息进行提取，并对比各分类器和网络架构的分类精度。结果表明，黄淮海平原冬小麦总面积约为16226667hm2，占研究区总面积的49.17%，其中冬小麦种植面积最大的是河南省，约为4647334hm2，研究区冬小麦种植分布呈现由东向西、由南向北递减的趋势；随机森林是4种机器学习方法中识别精度最高的分类器，总体分类精度为94.30%；在随机森林算法中仅使用Sentinel-1雷达数据总体精度为87.38%，仅使用Sentinel-2光学数据总体精度为93.95%，而融合时序Sentinel主被动遥感数据总体精度为94.30%；在大范围的冬小麦分类上，深度学习模型的泛化性高于机器学习方法。     

基于人工智能的棉花虫害预防系统结构设计

虫害是棉花种植中常见的自然灾害之一，如果对其防治不当，会直接影响到棉花的产量和质量。在棉花虫害防治中，精准的棉花生长环境信息和虫害信息是重要的参考，但是，当前棉花种植中对于虫害信息的获取，主要是依托人工调查，其效率和精准度相对较低。因此，结合人工智能中机器学习等技术体系，开发了棉花虫害预防系统。该系统运行主要依托智能监测小车和无人机巡检，以虫害和棉花生长的相关参数为对照，对录入数据进行智能分析和对比，为棉花虫害的预测和防治提供精准度高的线上系统支持。     

耦合植被物候的新疆绿洲土壤盐分信息挖掘

随着土壤环境问题涉及的尺度日趋增大，小区域斑块化盐渍化信息的提取难以了解土壤环境总体的变化趋势。本文以野外监测的南北疆典型绿洲区域——渭库绿洲和艾比湖流域为分析靶区，通过实测数据建立土壤–环境关系，并通过MODIS EVI数据反演得到植被物候特征，耦合植被物候、植被指数、盐度指数、地表温度和地形参数作为随机森林(random forest, RF)模型的输入因子，预测新疆绿洲区域土壤盐分含量信息并绘制土壤盐分空间分布图。结果表明：通过深入挖掘植被物候信息，物候参数在预测土壤盐分方面具有较高的相对重要性，代表生物积累量的LSI和SSI参数表征土壤盐渍化的能力较强，优于其他几个物候参数。耦合物候参数后土壤盐分信息预测精度明显提高，决定系数R~2从0.53提升到0.61。经模型反复迭代进一步筛选出适合研究区的23个环境参数，大幅提升了预测精度(R~2=0.73, RMSE=5.19, MAE=3.59)。从得到的盐渍化空间分布特征来看，新疆绿洲大部分区域分布的是非盐渍化土和轻盐渍化土，且普遍分布在绿洲内部，中度及以上盐渍化土多分布在绿洲外围，总体盐渍化水平依次为：伊犁平原<北疆绿洲&l...     

面向亚热带丘陵区小流域土壤有机碳空间预测的四种模型构建及性能比较

土壤是陆地生态系统最大的碳库,在提升生态系统服务功能和调节气候变化等方面发挥关键作用。对复杂多变环境下土壤有机碳(SOC)含量的精确预测将有助于正确评估区域土壤质量和碳汇功能。本研究以亚热带丘陵区一个典型小流域为研究对象,以地形、气候和植被三类环境变量为驱动因子,分析支持向量机回归(SVR)、随机森林(RF)、极端梯度提升算法(XGBoost)和轻量级梯度提升机(LightGBM)四种不同的机器学习算法在土壤(0~20 cm)SOC含量预测中的精度差异,并筛选影响SOC分布的主要环境影响因素。结果表明,RF模型、XGBoost模型和LightGBM模型均能较好预测SOC含量,以RF模型的表现相对最佳(R^(2)=0.540),其预测精度优于XGBoost(R^(2)=0.528)和LightGBM模型(R^(2)=0.504)。而SVR模型的预测精度(R^(2)=0.427)低于模型预测精度的最低可接受值0.50,并不适用于亚热带丘陵地貌SOC含量的预测。相关分析表明,在亚热带丘陵地貌区,地形(主要为海拔)对几种模型预测的贡献最大,是预测SOC的重要环境变量。基于四种模型预测的SOC数字制图显示,SOC空间分布趋势总体相似,均表现为北部区域、西南和东南边缘区域SOC含量较高,而中部区域SOC含量普遍偏低。     

基于机器学习算法的烤烟香型分类研究

为了探索烤烟香型判别分析的方法,采集了我国典型香型的烤烟样本,运用机器学习的方法对训练集和测试集的样本进行了模型拟合,结果表明:对于清香型、浓香型、中间香型拟合最好的机器学习算法为神经网络模型,就香型而言,该模型对于清香型、浓香型评价相对较好,中间香型整体判定效果较低;就数据集而言,在数据准备中分部位进行香型判别较为合理。在具体香型分析判别中,可首选神经网络机器学习算法,为烟草质量评价和卷烟产品研发等提供技术依据。     

基于机器学习的富硒茶评论文本消费者满意度感知研究

为探究农产品消费者在线评论数据对消费者满意度决策的重要影响,选取具有体验性的富硒茶作为研究对象,使用机器学习分类算法对富硒茶评论文本进行情感分类,使用TF-IDF和LDA模型进行文本特征词与主题可视化挖掘,识别消费者对富硒茶的满意度影响因素。研究发现,消费满意度主要体现在对产品的信任感知、营销感知、质量感知、物流服务和价格感知5大因素,质量感知与信任感知是影响消费者满意度差评的主要因素。通过机器学习与数据挖掘识别出富硒茶不同维度的消费者满意度的指标,为企业和政府提供营销决策参考,对推动区域特色农产品富硒茶品牌建设与产业发展提供参考价值。     

基于遥感云计算的自然资源动态监测研究

目的 针对自然资源资产管理绩效评估中自然资源数据收集手段落后、要素不全、数据断档、更新频率不一致、缺乏空间信息等现状，构建了自动化、业务化自然资源遥感云计算动态监测服务平台。方法 文章以四川省理县为例，利用Landsat，MODIS和Sentinel等多源遥感数据，通过计算植被指数、水体指数和干旱指数等指标，综合运用机器学习方法识别与提取自然资源地物类别。结果 根据该文提出的高效计算方案，构建自然资源动态监测云平台，并基于多源数据信息的互补特性实现了复杂地物的高精度识别和提取，提升自然资源自动化、业务化动态变化监测能力。结论 该平台可为生态系统价值评估、县域自然资源资产管理以及生态环境质量监测工作提供思路和参考。     

不同机器学习算法在草原草地生物量估算上的适应性研究

准确估算草地地上生物量(Aboveground biomass，AGB)对于科学调整草畜关系、保护生态环境和实现草地资源的可持续发展具有重要意义。本文以锡林郭勒盟不同草地类型为研究对象，基于遥感数据、气象数据和数字高程模型数据，利用支持向量机(Support vector machines,SVM)、BP神经网络(BP neural networks,BP)和随机森林(Random forest,RF)三种机器学习算法建立AGB估算模型，评估三种机器学习算法模型估算AGB的潜力。精度验证结果表明，在研究区内不区分草地类型整体建立估算模型时RF算法的回归精度最高(R=0.88，RMSE=0.10，MSE=0.01，MAE=0.07)。SVM算法建立的模型在草甸草原和荒漠草原回归精度较高，而RF算法回归能力在典型草原具有相对优势。不同特征变量对估算AGB的贡献分析结果表明，植被覆盖度(Fractional vegetation cover,FVC)、归一化植被指数(Normalized difference vegetation Index,NDVI)、增强植被指数(Enhanced vegetation index,EVI)和降水量(Precipitation,PRCP)四个变量对AGB估算结果的影响较大。本文研究结果为干旱/半干旱区草地地上生物量估算精度的提高和方法的选择提供科学建议。     

基于机器学习的阿勒泰地区草地地下生物量估测与数字制图

为精准估算草地地下生物量，分析其水平及垂直空间格局，实现草地地下生物量（BGB）的数字制图。调查了2015年阿勒泰地区草地生长季节（6-8月）的生态要素和地下生物量。以地理位置、地形、气候、土壤和植被中的代表性信息为基础，基于机器学习算法估测研究区0~30 cm的草地地下生物量，并根据估测结果利用空间插值法得到地下生物量的空间分布格局，最终实现草地地下生物量的数字制图。结果表明：1）相比偏最小二乘回归（PLS）和随机森林模型（RF），支持向量机模型（SVM）在0~10 cm、10~20 cm和20~30 cm土层地下生物量的估测中表现出最高的精度，验证集数据的精度（R²）依次为0.77、0.67和0.69，相应的RMSE为245.56、98.81和63.58 g·m^-2。从空间插值的效果看，反距离权重插值（IDW）优于径向基函数插值（RBF）和张力样条插值（SPL）。2）进一步比较了不同估测模型与空间插值方法间的组合能力，结果显示，在阿勒泰地区的草地地下生物量研究中，SVM+IDW是可靠的估测模型和空间化方法的组合。在0~10 cm、10~20 cm和20~30 cm土层的草地地下生物量数字制图的R²为0.73、0.64和0.60，RMSE为269.73、108.14和73.01 g·m^-2。3）阿勒泰地区草地地下生物量均值为1265 g·m^-2，是全国平均值的两倍，与全球平均水平相当。其中，高寒草甸的地下生物量最大，为2908.50 g·m^-2，温性荒漠的地下生物量最小，为776.84 g·m^-2，全区草地地下生物量共计1.27×10⁸ t（≈0.13 Pg）。全区草地地下生物量的空间变化明显，整体上自北向南，由山地向平原呈递减的趋势。