基于大数据的水生态承载力分析模型

随着科学技术的发展,水文信息数据量发生了巨大的增长,如何充分利用这些支持决策的大规模数据,是当前科学家面临一个大问题.传统的水生态承载力分析计算复杂多样,涉及的数据种类多样,扩展性不强,注重于理论研究和分析,本文通过研究历史数据,分析影响水生态承载力的因素,将数据划分为3个指标层,提出一种基于大数据的水生态承载力分析模型（ECCBD）.利用Hadoop集群的HDFS分布式文件系统实现水生态数据的备份存储,利用MapReduce实现海量水生态数据的并行计算.通过输出值与水生态承载力对比,判断水资源是否盈余或赤字,本文提出的方法和模型能够从压力、承载力、弹性力3个不同的指标层有效分析水生态环境现况,对提供水生态保护依据上有重要意义.     

Elman神经网络在优化空气预报模式结果中的应用

空气质量与人们的生活息息相关, 空气质量的预测结果是进行空气质量控制的依据. 因此, 提高空气质量的预测精度是本文研究的重点. CMAQ (Community Multiscale Air Quality modeling system)和CAMx (Comprehensive Air quality Model with extensions)是两种常用的空气质量数值模式, 其工作原理是通过大气物理化学方法模拟污染物传输转化过程, 进而预测空气质量. 空气质量数值模式的输入文件质量会影响到空气质量的预测精度, 为了提高空气质量预测的准确率, 本文提出了一种基于Elman神经网络的优化方法, 该方法在CMAQ和CAMx两种空气质量数值模式基础上利用Elman神经网络优化预测结果. 首先, 运行空气质量模式CMAQ和CAMx得到预测结果, 然后对预测结果进行预处理, 处理后的预测数据和实测数据一起作为Elman神经网络的输入, 进行模型的训练, 最后得到神经网络模型. 通过对测试数据集的验证和分析, 实验结果表明, 该方法表现出比单一空气质量数值模式更高的准确率.     

基于Cotraining-LSTM空气质量校准算法

空气环境问题越发成为人们关注的焦点.除了工厂排放的各种废气,私家车的普及都导致了当前令人担忧的空气环境状况.国家相关部门也开始加大对空气环境的治理,提出了环境质量网格化监测的相关政策.在此背景下,市场涌现出很多微型监测仪器,但由于自身内部的传感器精准度不够,存在数据偏差的问题.为了解决这一问题,本文通过利用神经网络技术中的长短期记忆网络（Long Short-Term Memory,LSTM）模型结合半监督学习方法,达到提高监测数据的精准度的目的.通过与其它模型进行对比分析,该方法达到了一定的效果.