长短期记忆神经网络在多时次土壤水分动态预测中的应用

基于长沙站2016—2019年10 cm深度土壤水分自动观测小时数据集,利用长短期记忆神经网络(LSTM)模型结合随机采样学习方法,开展了土壤水分多时次预测,结果表明:LSTM模型对6、12、24、48h后的土壤体积含水量预测均方根误差(RMSE)分别为0.22%、0.28%、0.38%、0.54%,决定系数(R2)分别为0.99、0.99、0.98、0.96,除6 h预测步长外,准确率均优于自回归整合滑动平均(ARIMA)模型,且误差稳定、无异常值出现,预测准确率远优于相关研究。该结果证实了基于LSTM模型精准预测土壤水分动态的可行性,为精准灌溉和干旱预警提供了计算机技术及手段支撑,为政府及科研部门水资源管理政策的制定提供了数据支持。     

CNN-LSTM在日本鲭捕捞渔船行为提取中的应用

目前，国内外部分自动化程度较高的捕捞渔船逐渐开始采用人类观察员与电子观察员相结合的捕捞监控方式。为简化电子监控系统数据处理流程、提高电子监控系统自动化程度、增强相关渔业公司及政府部门的管理效率，该研究提出将卷积神经网络（Convolutional Neural Network, CNN）与长短期记忆模块（Long Short Term Memory, LSTM）应用在传统电子监控系统数据中，用于灯光渔业日本鲭捕捞渔船行为提取。根据日本鲭捕捞渔船工作特点，划分出放网、收网、进鱼、转载等9种捕捞作业行为。设计4组平行试验，分别对比3层卷积神经网络、带有LSTM模块的3层卷积神经网络、8层卷积神经网络、带有LSTM模块的8层卷积神经网络在日本鲭捕捞渔船行为提取中的表现。试验结果显示，在测试集中该4种神经网络训练得到的模型综合评价指标F1分数分别达到了0.794、0.799，0.966及0.972，在配备NVIDIA Tesla V100 32GB高性能GPU的超算环境下5 000组数据平均每次检测耗时分别为34.66、34.50、37.41、37.61 ms。在一定范围内，网络深度的增加会显著提升模型的效果，但检测耗时也会有明显增加；LSTM模块的加入对网络模型效果有一定程度的提升，且不会显著影响检测耗时。因此，CNN-LSTM 模块在电子监控系统高实时性、高精度场景下均有较大的应用前景，能够提高电子监控系统自动化程度，提高相关部门的管理效率。     

记忆与建构:临淮泥塑的创作主题与淮河乡村社会

临淮泥塑是淮河南岸乡村社会中的一项民间手工艺，淮河乡村社会的生产生活为临淮泥塑提供了丰富的创作主题。以临淮泥塑为物质文化媒介，以个人与社会记忆为视角，建构了淮河乡村社会独特的文化景观，即乡村社会与孩童成长、节庆活动、返璞归真的日常生活，这构成了临淮泥塑个人记忆的主题。社会记忆中的临淮泥塑主题由弘扬治淮精神、人民立场与家国情怀这两个方面构成。以上两个主题丰富了临淮泥塑的文化内涵，并由此折射出淮河文化多元并蓄的一面，对皖西非物质文化传播具有重要的理论意义和现实价值。