基于CMIP6的珠江流域未来干旱时空变化

干旱是一种严重且长期持续性的自然灾害,对人们的生产和生活具有显著影响。目前的大部分干旱研究将干旱的时间和空间特征进行单独分析,往往忽略了干旱的时空耦合关系。同时,南方湿润区的干旱灾害近年呈现上升趋势,探究气候变化背景下的干旱演变规律成为亟需解决的问题。因此,该研究首先利用CMIP6计算了珠江流域2015-2100年的标准化降水指数 （Standardized Precipitation Index,SPI）,应用游程理论提取干旱特征,并利用旋转经验正交函数（Rotational Empirical Orthogonal Functions,REOF）对珠江流域干湿区进行划分,再分别利用Sen''s斜率、Hurst指数方法和完备总体经验模态分解 （Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）方法对气象干旱指数和干旱特征进行时空耦合特征分析。结果表明：1）根据SPI未来变化趋势,珠江流域未来将呈现更为湿润的状态,不同干湿分区的变化具有一致性且沿海分区的湿润状态更为明显。2）分析不同气候模式下CEEMDAN结果,辐射强迫的增加导致未来珠江流域干旱更为严重,未来珠江流域车旱历时处千0.5～1.8个月,干旱频率处于5.6%～13.9%之间。3）结合干旱特征的CEEMDAN分析结果,珠江流域干旱历时和干旱频率以1.04～1.31 a为主要周期,沿海分区的短周期特征更显著。该研究通过对干旱指数和干旱特征的时空耦合分析,探寻干旱的未来发展规律,为干旱研究提供了一个新的时空耦合分析视角,对干旱监测、预测预报和管理具有重要的现实意义。     

采用改进长短时记忆神经网络的水产养殖溶解氧预测模型

为了精确预测水产养殖溶解氧变化趋势,该研究提出了基于K-means聚类和改进粒子群优化(Improved Particle Swarm Optimization,IPSO)的长短时记忆(Long Short-term Memory,LSTM)神经网络预测模型。根据环境因子间的相似度,应用改进的K-means聚类算法将环境数据划分为若干类。在此基础上,基于LSTM神经网络算法构建改进的水产养殖溶解氧预测模型,并引入改进粒子群优化算法对模型参数进行优化,以减少经验选取参数的盲目性。在不同天气状况下利用该模型对溶解氧进行预测。试验结果表明,在良好天气情况下,该模型预测误差曲线波动较小,预测精度更高。当天气发生突变时,溶解氧预测模型评价指标平均绝对百分误差、均方根误差、平均绝对误差和纳什系数分别为0.129 5、0.645 3、0.461 3和0.902 2。该模型一定程度改善了天气突变状况下的数据缺失、鲁棒性差等问题。     

基于信号分解和深度学习的农产品价格预测

农产品价格的稳定对社会经济与农业发展有重要意义,但农产品价格的波动具有非平稳、非线性、波动性大的特性,较难精确预测。该研究基于信号分解和深度学习,提出一种分解-重构-提取-关联-输出的农产品价格预测模型(CT-BiSeq2seq),并且加入平均气温、养殖成本(大猪配合饲料与尿素价格)、群众关注度等多维度数据来提高模型的预测精度。首先,采用互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)方法把复杂的原始价格序列分解为简单序列。其次,分析皮尔逊相关系数及分解后的子序列,把原始价格序列重构为高频项、低频项、残差项。再经过时间卷积网络(Temporal Convolutional Network,TCN)提取重构序列的数据特征。随后,构建Biseq2seq模型,解码器引入双向长短期记忆网络(Bi-directionalLongShort-TermMemory,Bi-LSTM)加强序列数据间的全局关联。最后,通过解码器的LSTM网络输出预测值。以北京丰台区批发市场的白条猪肉价格进行实证分析,该研究提出的CT...     

玛纳斯河出山口径流EEMD-ARIMA预测

定量估算暖湿化背景下干旱内陆河径流变化尤其是非线性变化和未来发展趋势对区域水资源配置具有指导意义。以干旱区典型流域——玛纳斯河流域流量最大的玛纳斯河为例,运用曼—肯德尔(Mann-Kendal1),集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)多种方法对出山口水文控制站肯斯瓦特1957—2012年年均径流进行了分析,得到年均径流非线性和多年代趋势定量特征。结果表明:1957—2012年年均径流显著增加;经EEMD分解后获取年均径流时间序列4个模态IMF分量和一个趋势项,各模态中心频率不一样,表明年均径流存在多种周期规律。将表征多年代际震荡的IMF分量引入ARIMA预测年均径流,预测精度明显高于直接应用年均径流的ARIMA预测精度,这表明EEMD-ARIMA组合径流预测法对短期径流预测具有一定参考价值。     

基于集合经验模态分解算法的土壤肥力胁迫甄别与监测

土壤肥力是农作物生长所需的关键要素之一，其水平直接影响农作物的长势甚至产量，然而作物生长过程中受多种胁迫因素的综合影响。避免土壤肥力监测结果受到其他胁迫因素的干扰是土壤肥力精准监测的关键问题之一。该研究旨在分析利用集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）算法进行土壤肥力胁迫甄别和监测的可行性。以河北省廊坊市大厂县冬小麦耕地为研究区域，以EEMD算法为基础，将分解后的本征模函数（Intrinsic Mode Function，IMF）分量按照年际、年间和年内的尺度进行合成，结合不同的时间尺度及胁迫特征剔除土壤水分胁迫、病虫害胁迫及重金属胁迫等因素，实现对土壤肥力胁迫的有效甄别提取。结合主成分分析相关方法，将有机质、全氮、有效磷以及速效钾4项养分指标转换为3个主成分，初步得到土壤肥力综合评价简易模型，后与分解结果进行拟合，构建并实现了土壤肥力综合水平的定量评价模型。结果表明：1）在年际、年间以及年内3组波动组分中，年际波动组分可以较好地反映研究区内土壤肥力胁迫作用对农作物长势的影响；2）利用最小二乘法对土壤养分指标测定数据进行线性拟合，拟合结果与原始数据的决定系数达到了0.857，能够较好地反映出原始数据的变化水平；3）最终土壤肥力水平评价模型评价结果与实测结果间的平均误差为11.82%，表明模型预测结果与实际情况契合程度高，模型反演结果能够较好地反映研究区的土壤肥力水平。该研究结合EEMD算法与统计学分析实现了土壤肥力胁迫的有效甄别及土壤肥力定量评价模型的构建，为遥感技术在土壤肥力研究领域的应用提供了参考。     

基于CNN-BiLSTM的棉花产量预测方法

针对传统的作物产量估算方法在模型泛化方面的不足及缺少时序特征和空间特征的问题,该研究以机采棉为研究对象,结合无人机遥感平台与深度学习技术对棉花进行多期遥感观测与估产。以棉花苗期、蕾期和花期的影像为时间序列数据集,构建基于卷积神经网络（Convolutional Neural Network,CNN）和双向长短期记忆（Bidirectional Long Short-Term Memory,BiLSTM）的混合模型（CNN-BiLSTM）进行棉花产量预估,提高时间维度和空间维度方面的特征提取能力,并分别验证CNN和BiLSTM的性能以及不同网络深度对估产的影响。研究结果表明,CNN和BiLSTM深度分别为14和1的CNN14-BiLSTM模型准确率最高,对比单一结构的BiLSTM该模型决定系数从0.851提升至0.885,其均方根误差和平均绝对百分比误差也均明显下降,在2.3 m×2.3 m的样方内,结果分别为147.167 g和6.711%。该研究实现了基于时间序列的棉花产量估算,可为类似的作物产量估算提供参考。     

利用作物生长模型和时序信号甄别水稻镉胁迫

在自然农田生态系统中,农作物的生长通常受到各类环境胁迫(如重金属胁迫、病虫害、水分、营养)的影响,如何区分重金属胁迫与其他胁迫有待进一步研究。该研究选取了湖南省株洲为试验区,收集2017—2019年的Sentinel-2卫星影像数据,结合野外实测数据,开展水稻重金属镉(Cd)胁迫识别研究。首先,利用作物生长模型World Food Studies(WOFOST)同化时序遥感数据获取每年的叶面积指数(Leaf Area Index,LAI)时间序列曲线;然后运用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法对LAI时间序列进行多尺度分解,得到不同的时序信号分量(Intrinsic Mode Function,IMF);最后使用动态时间规整(Dynamic Time Warping,DTW)方法计算受胁迫水稻分解后的时间序列与健康水稻分解后的时间序列之间的DTW距离,即归一化胁迫指数。结果表明:归一化胁迫指数是水稻重金属胁迫敏感的参数,与土壤重金属含量的相关系数为0.851,水稻受到的胁迫程度越高,归一化胁迫指数值越大,反之越低;在试验区中,水稻重度重金属胁迫的分布面积比例相对较低,且主要集中在西部、东北部以及偏东南地区。融合集合经验模态分解和动态时间规整方法能有效地甄别并定量分析水稻重金属胁迫状况,从而为作物重金属污染胁迫监测提供重要参考。     

基于注意力机制神经网络的荒漠区蒸散量模拟

该研究对基于注意力机制的长短期记忆（Attention-Based Long Short Term Memory，AT-LSTM）模型对蒸散量（Evapotranspiration，ET）模拟的可行性和有效性进行验证，以提高环境数据缺失情况下的蒸散量模拟精度。基于盐池县2012-2017年的每30 min环境数据，利用不同环境因子组合构建基于注意力机制的LSTM模型，并将其与极限学习机（Extreme Learning Machine，ELM）模型、支持向量机（Support Vector Machine，SVM）模型、长短期记忆（Long Short Term Memory，LSTM）模型在日尺度、月尺度和季节尺度上进行对比分析。结果表明：与其他3种模型相比，当输入环境因子变化时，AT-LSTM模型模拟精度变化很小，模拟效果均较好。当输入空气温度、净辐射、相对湿度、土壤温度、土壤含水率所有环境因子时，基于AT-LSTM模型的模拟效果最好，均方根误差（Root Mean Square Error，RMSE）为0.013 mm/30 min，平均绝对误差（Mean Absolute Error，MAE）为0.006 mm/30 min，相关系数（Correlation Coefficient，R）值为0.905。且无论是从小时尺度、日尺度和月尺度来看，AT-LSTM模型的模拟效果均优于其他3种模型。在环境因子缺失的情况下，净辐射对盐池县ET的模拟贡献程度最大，仅输入净辐射时，AT-LSTM模型模拟得到的RMSE和MAE分别为0.014、0.007 mm/30 min，R为0.892，模型模拟精度较高，AT-LSTM模型模拟精度高，模型稳定性强，对蒸散量模拟预测具有一定的适用性，仅输入净辐射的AT-LSTM模型可以作为环境数据缺失条件下的蒸散量预测模型。     

采用LWD-QPSO-SOMBP神经网络的拖拉机柴油机故障诊断

针对目前拖拉机柴油机故障诊断中单BP（Back Propagation）神经网络模型的局限性,该研究提出一种LWD-QPSO-SOMBP（Linear Weight Decrease-Quantum Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络的拖拉机柴油机故障诊断模型。首先,将SOM（Self Organizing Maps）神经网络和BP神经网络结合,重置网络结构并利用LWD-QPSO（Linear Weight Decrease-Quantum Particle Swarm Optimization）算法对网络的权值和阈值进行优化;然后,分析拖拉机柴油机的故障机理,确定反映故障发生的数据信号;最后,确定LWD-QPSO-SOMBP神经网络模型的结构参数,基于CAN（Controller Area Network）总线技术采集潍柴WP6型拖拉机柴油机传感器信号数据对LWD-QPSO-SOMBP神经网络的性能进行测试,并将测试结果与BP神经网络、SOMBP（Self Organizing Maps Back Propagation）神经网络、PSO-SOMBP（Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络、LWD-PSO-SOMBP（Linear Weight Decrease-Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络及改进量子粒子群（Improved Quantum Particle Swarm Optimization,IQPSO）算法优化后的SOMBP神经网络的测试结果进行对比。试验结果表明, LWD-QPSO-SOMBP神经网络输出总误差为0.111 8、平均相对误差为0.005 8、均方误差为0.000 3,相比于其他5种神经网络均为最低。LWD-QPSO-SOMBP神经网络充分发挥并有效综合了SOM神经网络在数据预处理及PSO算法在优化BP神经网络初始权值阈值方面的优势,实现了拖拉机柴油机的高精度故障诊断。LWD-QPSO-SOMBP神经网络由于使用SOM神经网络结构对输入数据进行预处理,网络收敛速度大幅度提升,相比单BP神经网络,迭代次数由2 431次降为63次,下降了97.40%;同时采取LWD-QPSO算法对BP神经网络的初始权值阈值进行优化,降低了传统PSO算法的粒子适应度,进一步提高了网络的收敛精度和收敛速度,相比传统PSO算法,粒子适应度从0.15降为0.11,下降了26.67%,网络训练误差由0.004降为0.000 6,下降了85.00%;LWD-QPSO-SOMBP神经网络的故障诊断准确率大幅度提升,相比于单BP神经网络,输出总准确率由85.00%上升至99.44%。研究结果可为高精度拖拉机柴油机故障诊断提供参考。     

基于模态组合的短期负荷预测方法

随着电力市场化改革的深入推进,电力系统运行呈现出更强的灵活性和不确定性,对短期负荷精准预测提出了更高的要求。为有效协调发电、输电、配电、用电的关系,增强电力系统日运行调度的安全稳定性,该研究提出了一种基于模态组合的短期负荷预测方法。从时域和频域2个维度提出了负荷序列和影响因素序列分解评价方法,得到改进的变分模态分解法(Variational Mode Decomposition,VMD),对原始日负荷序列及影响因素序列进行分解,并采用粒子群优化算法(Particle Swarm Optimization,PSO)对VMD的参数寻优。根据原始序列分解情况,对比各影响因素模态序列与负荷序列的频域特征,筛选出与负荷序列特征相近的模态并将其进行线性叠加组合,得到多个整合后的组合模态序列,以确定预测模型的输入量;分别利用粒子群优化的最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)模型进行负荷预测。算例结果表明,相比于直接采用PSO-LSSVM方法,本文提出的基于模态组合的短期负荷预测方法的最大相对误差降低了3.36个百分点,平均相对误差降低了1.71个百分点,最大绝对误差降低了95 MW,平均绝对误差降低了55.72 MW,短期负荷预测的精度得到明显提升。     

鄱阳湖生态环境与可持续发展

鄱阳湖作为我国第一大淡水湖，早已引起国际上的关注。鄱阳湖自然保护区1992年被列入了《国际重要湿地名录》。本文通过对鄱阳湖区植被、生物多样性、土地利用、水情水势及泥沙等生态环境现状分析，指出了鄱阳湖区湿地植被退化较严重、水土流失不断加剧、土地沙化日趋严重、洪涝灾害日益频繁、血吸虫病猖獗、生物多样性破坏严重等存在的主要生态环境问题；同时，以“科学发展观”为指导，从战略和全局角度出发，提出了鄱阳湖生态环境统筹规划、合理布局，适度开发、注重保护的若干对策与措施，为鄱阳湖生态环境的可持续发展提供了决策参考依据。     

基于Box—Jenkins方法的黄河水质时间序列分析与预测

采用基于Box-Jenkins方法的时间序列分析技术,对黄河上游甘肃兰州段、中游吴堡和下游山东利津段的水质进行了趋势分析和预测。选取对水质产生影响较大的两个污染因子化学需氧量（CODMn）和溶解氧（D0O1994—2003连续10a的月平均水质监测数据,借助Matlab和SAS统计软件,建立了ARIMA模型和乘积季节时间序列模型,并分析了这两个污染因子随时间推移的变化规律。结果表明：ARIMA模型和乘积季节模型能够用于短期水质预测,并且预测效果较好。黄河流域从上游到下游水质总体状况呈逐渐下降趋势,上游水质一般为Ⅱ和Ⅲ类,而中游和下游水质基本为Ⅳ、Ⅴ和超Ⅴ类。     

基于等维新息灰色马尔可夫模型的河流水质预测

河流水质预测是对河流水环境污染进行分析、控制和治理的基础。基于太湖流域上海市青浦区急水港点位2004-2011年的水质指标COD,NH₃^-N数据,分别建立等维新息灰色预测模型;由于NH₃^-N指标的平均相对误差没有达标,因此利用马尔可夫模型对NH3-N指标的预测结果进行修正,之后应用两种模型分别预测未来几年两项水质指标数值。结果表明,等维新息灰色马尔可夫模型有效地减小了预测结果的平均相对误差,提高了预测精度;未来几年,两项水质指标均呈整体下降趋势,并在一定程度上趋于平缓。但由于太湖流域污染的长期性,其水环境形势依然严峻,应继续采取合理有效的治理措施,如从源头上进行减污,生态清淤,加快转变流域经济发展方式及完善流域管理等,使流域水质得到整体改善。     

IFWA优化的BLSTM与transformer融合构建海水水质三维预测模型

为了精准揭示不同水层各个时间序列的海域养殖水质参数含量在三维空间的变化规律,该研究首先在海水水质数据处理方面提出了将主成分分析算法（principal component analysis,PCA）与互信息算法（mutual information,MI）相融合的数据处理算法（MIPCA）;其次将双向长短期记忆（bidirectional long short-term memory,BLSTM）与transformer 2个网络融合提出了新模型,即首先利用改进烟花算法（improved fireworks algorithm,IFWA）优化了双向长短期记忆神经网络中超参数;再利用transformer中注意力机制关注重要水质特征,最后将两个网络集成提出了混合模型MIPCA-BLSTM-transformer-IFWA。试验结果表明,该模型在MAPE(mean absolute percentage error)、RMSE(root mean square error)、R(coefficient of correlation)和D(willmott index of agreemen...     

鄱阳湖区农村面源污染控制中最佳管理措施示范研究

鄱阳湖区农村面源污染问题日益严峻,已威胁到湖泊的水环境安全。结合该区域农村面源污染自身的变化特征,在星子县示范区内构建结构性最佳管理措施BMPs(best management practices)系统对区域内农村面源污染进行控制。结果表明,在监测期间该BMPs系统对COD,TP和TN的削减量分别为568.25,3.06和26.90kg。其中人工湿地对COD,TP和TN的单位面积削减量约达40,0.4和3.0g/m2,有较稳定的污染物去除能力;生态沟渠对各污染物单位面积削减量变化较大,与人工湿地相比虽有更强的污染物削减能力,但稳定性较弱。结合生态沟渠和三级表面流人工湿地的特点,建议通过引入适宜的植物至生态沟渠提高其处理污染物的稳定性。     

鄱阳湖生态经济区畜禽养殖土壤环境承载力及污染风险研究

[目的]测算和评价鄱阳湖生态经济区畜禽养殖过程中的土壤环境承载力及其污染风险,为合理规划鄱阳湖生态经济区畜禽养殖空间布局、实现可持续养殖提供参考。[方法]利用2000—2012年鄱阳湖生态经济区24个县(市)的统计数据进行土壤环境承载力及畜禽污染物排放量的测算和评估。[结果]2000—2012年鄱阳湖生态经济区畜禽粪便耕地负荷警报值在0.7左右,总氮耕地负载警报值为0.5~0.6,总磷耕地负载警报值超过了1,畜禽养殖对环境造成了污染威胁。畜禽养殖污染风险较高的地区为高安市、东乡县、余江县、德安县以及南昌县。[结论]污染风险较高的地区应强制实行畜禽养殖总量控制和污染物消减措施,而湖口县、都昌县和彭泽县畜禽污染风险较低,可以适当扩大养殖规模。     

近40年鄱阳湖枯水期水体面积变化特征及驱动因素分析

湖泊是维持生态平衡的重要因素,鄱阳湖作为我国最大的淡水湖,由于枯水期提前且持续时间延长导致水体面积发生变化。研究鄱阳湖枯水期水体面积的变化特征及其驱动因素对区域生态环境的稳定及经济发展具有重要意义。利用1973-2018年鄱阳湖枯水期遥感影像数据,采用Mann-Kendall趋势检验法、Mann-Kendall突变分析法及Pettitt突变检验对湖泊水体面积变化特征进行分析,并利用双累积曲线法量化出入湖流量之差和人类活动导致的土地利用的变化对鄱阳湖枯水期水体面积的影响。结果表明:(1)在研究时段内,鄱阳湖枯水期水体面积呈极显著下降趋势(P0.01),突变点年份为2002年(P0.01);(2)出入湖径流量之差多年来呈现不显著的增加趋势;1980-2015年鄱阳湖流域的土地利用情况表现为城乡工建用地增加,其余用地类型均呈现减小趋势;(3)以1977-2002年作为基准期,2003-2016年人类活动导致的土地利用的变化对鄱阳湖枯水期水体面积变化的贡献率为87.48%,是鄱阳湖枯水期水体面积显著减少的主要原因。研究成果为鄱阳湖水资源的合理利用及维持区域生态系统的平衡提供了科学依据。     

动态调整粒子群-霍尔特模型在径流预测中的应用

为了提高水库和河流中长期径流预测精度,针对粒子群算法存在的缺陷,提出了动态调整粒子群算法（DAPSO）。借助霍尔特-温特斯线性季节性模型的预测功能,应用DAPSO算法求解和优化霍尔特-温特斯线性季节性模型组合参数,形成动态调整粒子群-霍尔特-温特斯线性季节性模型组合算法,对石泉水库进行中长期径流预测。仿真计算表明,动态调整粒子群-霍尔特-温特斯线性季节性模型算法收敛速度快于霍尔特-温特斯线性季节性模型算法、粒子群-霍尔特-温特斯线性季节性模型算法。该组合算法克服了按梯度试算法搜索质量差和精度不高的缺点,输出稳定性好,预报精度显著提高,置信度为95%时的预测相对误差小于6%。该算法可应用于水库和河川中长期径流预测。     

鄱阳湖湿地生态系统服务功能研究

鄱阳湖是中国最大的淡水湖泊,是吞吐性河成湖,被称为长江的天然水位调节器。作为一种特殊的湿地生态系统类型,鄱阳湖湿地效益类型丰富多样。主要的生态功能有涵养水源、调蓄洪水,调节气候,降解污染,固定C释放O2,控制侵蚀、保护土壤,参与营养循环,作为生物栖息地。主要直接的产品用途有储水、供水,生产湿地植物产品,生产湿地动物产品,能源生产,水运,休闲/旅游,作为研究与教育用地。鄱阳湖湿地属性主要有生物多样性,社会文化重要性。