山洪是全球范围内最危险的自然灾害之一,具有突发性强、成灾快和破坏力大并且难以短时临近预测的特点。传统山洪预报预警方法主要依赖于基于物理机制的水文-水动力山洪过程模拟,然而这种方法计算复杂耗时较长,难以满足山洪的短时临近预...山洪是全球范围内最危险的自然灾害之一,具有突发性强、成灾快和破坏力大并且难以短时临近预测的特点。传统山洪预报预警方法主要依赖于基于物理机制的水文-水动力山洪过程模拟,然而这种方法计算复杂耗时较长,难以满足山洪的短时临近预测需求。以浙江临安仁里村为例,在水文-水动力物理模拟所产生的8378条降雨时序和对应山洪淹没时空序列数据集的基础上,以基于卷积门控循环单元(convolutional gated recurrent unit convGRU)的深度神经网络作为核心,构建山洪时空序列预测代理模型。该模型通过输入过去24小时降雨观测时序和未来6小时的降雨预报时序,可实现未来6小时山洪淹没时空演变过程的快速预测。代理模型在测试集中能可靠地预测未来逐小时的山洪淹没范围、最大淹没深度以及淹没位置,未来6小时预测的可决系数均值为0.96,且预测速度平均比物理模拟快15625倍。这表明该代理模型能够捕捉物理模拟中降雨到山洪的复杂映射关系,实现目标区域山洪的快速预测,为山洪预警及应急响应决策制定提供有力的模型基础。展开更多
粮食产量受到气候、经济等多重因素的影响,具有非线性、非平稳等特性,给产量预测带来一定的困难。准确预测粮食产量有助于稳定粮食生产、保障国家粮食安全。以1978—2022年全国粮食产量数据为例,预测2020—2022年的粮食产量。首先采用...粮食产量受到气候、经济等多重因素的影响,具有非线性、非平稳等特性,给产量预测带来一定的困难。准确预测粮食产量有助于稳定粮食生产、保障国家粮食安全。以1978—2022年全国粮食产量数据为例,预测2020—2022年的粮食产量。首先采用经验模态分解(empirical mode decomposition,EMD)算法对影响粮食产量的变量进行分解,然后采用主成分分析(principal components analysis,PCA)方法对分解后的变量进行降维,最后使用长短期记忆网络(long short term memory networks,LSTM)模型对粮食产量进行预测。结果表明,LSTM模型、PCA-LSTM模型、EMD-LSTM模型和EMD-PCA-LSTM模型对粮食产量预测的平均绝对百分比误差分别为1.37%、0.97%、1.11%和0.79%,以EMD-PCA-LSTM模型的粮食产量预测结果最优,可作为一种新的粮食产量预测方法。展开更多
文摘山洪是全球范围内最危险的自然灾害之一,具有突发性强、成灾快和破坏力大并且难以短时临近预测的特点。传统山洪预报预警方法主要依赖于基于物理机制的水文-水动力山洪过程模拟,然而这种方法计算复杂耗时较长,难以满足山洪的短时临近预测需求。以浙江临安仁里村为例,在水文-水动力物理模拟所产生的8378条降雨时序和对应山洪淹没时空序列数据集的基础上,以基于卷积门控循环单元(convolutional gated recurrent unit convGRU)的深度神经网络作为核心,构建山洪时空序列预测代理模型。该模型通过输入过去24小时降雨观测时序和未来6小时的降雨预报时序,可实现未来6小时山洪淹没时空演变过程的快速预测。代理模型在测试集中能可靠地预测未来逐小时的山洪淹没范围、最大淹没深度以及淹没位置,未来6小时预测的可决系数均值为0.96,且预测速度平均比物理模拟快15625倍。这表明该代理模型能够捕捉物理模拟中降雨到山洪的复杂映射关系,实现目标区域山洪的快速预测,为山洪预警及应急响应决策制定提供有力的模型基础。
文摘粮食产量受到气候、经济等多重因素的影响,具有非线性、非平稳等特性,给产量预测带来一定的困难。准确预测粮食产量有助于稳定粮食生产、保障国家粮食安全。以1978—2022年全国粮食产量数据为例,预测2020—2022年的粮食产量。首先采用经验模态分解(empirical mode decomposition,EMD)算法对影响粮食产量的变量进行分解,然后采用主成分分析(principal components analysis,PCA)方法对分解后的变量进行降维,最后使用长短期记忆网络(long short term memory networks,LSTM)模型对粮食产量进行预测。结果表明,LSTM模型、PCA-LSTM模型、EMD-LSTM模型和EMD-PCA-LSTM模型对粮食产量预测的平均绝对百分比误差分别为1.37%、0.97%、1.11%和0.79%,以EMD-PCA-LSTM模型的粮食产量预测结果最优,可作为一种新的粮食产量预测方法。
