土壤侵蚀是影响全球土地退化和可持续发展的重大环境问题。土壤侵蚀模型可估算土壤流失的空间和时间分布,为制定流域水土资源保护政策与实施有效战略提供支持。修订版通用土壤流失方程(RUSLE,Revised Universal Soil Loss Equation)模...土壤侵蚀是影响全球土地退化和可持续发展的重大环境问题。土壤侵蚀模型可估算土壤流失的空间和时间分布,为制定流域水土资源保护政策与实施有效战略提供支持。修订版通用土壤流失方程(RUSLE,Revised Universal Soil Loss Equation)模型以其兼具简单性与准确性,成为全球应用最广泛的土壤侵蚀模型之一。在RUSLE模型的输入参数中,地形因子(LS因子)对土壤流失潜力的影响最为显著,而LS因子的输入数据和计算方法对最终RUSLE模型计算的质量会有直接影响。为此构建了中国区域30米分辨率LS因子数据集(LS_China)。本数据集采用开源工具SAGA(自动化地球科学分析系统)和GDAL(地理空间数据抽象库),基于公开的SRTM30米高程数据集(SRTMGL1)计算获得,覆盖整个中国区域。数据被组织成单独的栅格化图块,每个栅格化图块覆盖1°×1°的范围,以Geotiff格式存储。在大尺度范围的数据计算过程中,基于对数据的空间分解,采用邻域依赖的计算方法,同时采用多流算法,保证LS因子计算的准确性。在数据质量控制方面,通过变异系数(CV)验证并与同一区域的其他数据集进行比较。结果表明,LS_China数据集的变异系数为1.24,相较于其他数据集,其内部异质性较小,具备高质量和高可靠性。本数据集可用作各种尺度(地方、区域、国家)的任何土壤侵蚀评估的输入数据。展开更多
台区电力工单记录反映了台区运行工况和用户需求,是制定台区用电安全管理制度和满足台区用户用电需求的重要依据。针对台区电力工单高复杂性和强专业性给台区工单分类带来的难题,提出一种融合标签平滑(LS)与预训练语言模型的台区电力工...台区电力工单记录反映了台区运行工况和用户需求,是制定台区用电安全管理制度和满足台区用户用电需求的重要依据。针对台区电力工单高复杂性和强专业性给台区工单分类带来的难题,提出一种融合标签平滑(LS)与预训练语言模型的台区电力工单分类模型(MiniRBT-LSTM-GAT)。首先,利用预训练模型计算电力工单文本中的字符级特征向量表示;其次,采用双向长短期记忆网络(BiLSTM)捕捉电力文本序列中的依赖关系;再次,通过图注意力网络(GAT)聚焦对文本分类贡献大的特征信息;最后,利用LS改进损失函数以提高模型的分类精度。所提模型与当前主流的文本分类算法在农网台区电力工单数据集(RSPWO)、浙江省95598电力工单数据集(ZJPWO)和THUCNews(TsingHua University Chinese News)数据集上的实验结果表明,与电力审计文本多粒度预训练语言模型(EPAT-BERT)相比,所提模型在RSPWO、ZJPWO上的查准率和F1值分别提升了2.76、2.02个百分点和1.77、1.40个百分点;与胶囊神经网络模型BRsyn-caps(capsule network based on BERT and dependency syntax)相比,所提模型在THUCNews数据集上的查准率和准确率分别提升了0.76和0.71个百分点。可见,所提模型有效提升了台区电力工单分类的性能,并在THUCNews数据集上表现良好,验证了模型的通用性。展开更多
文摘土壤侵蚀是影响全球土地退化和可持续发展的重大环境问题。土壤侵蚀模型可估算土壤流失的空间和时间分布,为制定流域水土资源保护政策与实施有效战略提供支持。修订版通用土壤流失方程(RUSLE,Revised Universal Soil Loss Equation)模型以其兼具简单性与准确性,成为全球应用最广泛的土壤侵蚀模型之一。在RUSLE模型的输入参数中,地形因子(LS因子)对土壤流失潜力的影响最为显著,而LS因子的输入数据和计算方法对最终RUSLE模型计算的质量会有直接影响。为此构建了中国区域30米分辨率LS因子数据集(LS_China)。本数据集采用开源工具SAGA(自动化地球科学分析系统)和GDAL(地理空间数据抽象库),基于公开的SRTM30米高程数据集(SRTMGL1)计算获得,覆盖整个中国区域。数据被组织成单独的栅格化图块,每个栅格化图块覆盖1°×1°的范围,以Geotiff格式存储。在大尺度范围的数据计算过程中,基于对数据的空间分解,采用邻域依赖的计算方法,同时采用多流算法,保证LS因子计算的准确性。在数据质量控制方面,通过变异系数(CV)验证并与同一区域的其他数据集进行比较。结果表明,LS_China数据集的变异系数为1.24,相较于其他数据集,其内部异质性较小,具备高质量和高可靠性。本数据集可用作各种尺度(地方、区域、国家)的任何土壤侵蚀评估的输入数据。
文摘台区电力工单记录反映了台区运行工况和用户需求,是制定台区用电安全管理制度和满足台区用户用电需求的重要依据。针对台区电力工单高复杂性和强专业性给台区工单分类带来的难题,提出一种融合标签平滑(LS)与预训练语言模型的台区电力工单分类模型(MiniRBT-LSTM-GAT)。首先,利用预训练模型计算电力工单文本中的字符级特征向量表示;其次,采用双向长短期记忆网络(BiLSTM)捕捉电力文本序列中的依赖关系;再次,通过图注意力网络(GAT)聚焦对文本分类贡献大的特征信息;最后,利用LS改进损失函数以提高模型的分类精度。所提模型与当前主流的文本分类算法在农网台区电力工单数据集(RSPWO)、浙江省95598电力工单数据集(ZJPWO)和THUCNews(TsingHua University Chinese News)数据集上的实验结果表明,与电力审计文本多粒度预训练语言模型(EPAT-BERT)相比,所提模型在RSPWO、ZJPWO上的查准率和F1值分别提升了2.76、2.02个百分点和1.77、1.40个百分点;与胶囊神经网络模型BRsyn-caps(capsule network based on BERT and dependency syntax)相比,所提模型在THUCNews数据集上的查准率和准确率分别提升了0.76和0.71个百分点。可见,所提模型有效提升了台区电力工单分类的性能,并在THUCNews数据集上表现良好,验证了模型的通用性。
