基于地表-地下水文过程模拟的农业灌溉开采量估算

通过发展新安江模型中非饱和带、饱和含水层水量平衡计算及入渗补给、潜水蒸发、河流-地下水水量交换动态模拟功能,在对作物灌溉需水量的估算基础上,利用河流流量和地下水埋深观测资料进行模型反演,实现对灌溉开采量的估算。在淮北平原沙颖河流域井灌区应用表明,该方法不仅较好地模拟河川径流和地下水埋深动态变化,而且较好地估算出灌溉开采量动态变化过程及其对地下水埋深的影响。地下水开采量估算及地下水位动态变化对地下水控制管理具有重要价值。     

基于代价敏感的粗糙集近似集与粒度寻优算法

粗糙集的近似集用已有知识粒对不确定性目标概念进行近似描述,但在构建近似集时并没有考虑数据的代价信息这一实际因素.对此,首先分析在构建粗糙集的近似集时考虑代价信息的必要性;然后,从代价敏感角度构建误分类代价的粗糙集近似集模型,并分析该模型下求得的近似集的相关性质.为了在多粒度空间中寻找一个合适的粒度空间来对不确定性目标概念进行近似描述,使误分类代价与测试代价之和尽可能小,给出属性代价贡献率的定义,并提出一种代价敏感的粒度寻优算法.实验结果表明,所提出算法能适用于现有代价认知场景,并在给定代价场景下求出合理的层次粒度空间结构以及不确定性目标概念的近似集.     

基于元数据分析的西北干旱区生态地下水位埋深及其影响因素

综合现有文献研究成果, 基于元数据分析方法研究不同植被的适宜、极限生态地下水位埋深。选择乔木、灌木 和草本等 3 种植被类型中的 13 种植物, 分析适宜、极限生态地下水位埋深的统计分布、生物多样性和丰富度指数, 推求生态地下水位埋深与植物根系和土壤质地的关系, 得出: 西北地区适宜和极限生态地下水位埋深均值分别为 2. 9、5. 5 m, 控制范围分别为 2. 3~ 3. 9、4. 0~ 7. 2 m; 适宜、极限生态地下水位埋深与植物根系具有显著的相关关系, 适宜生态地下水位埋深还取决于植物根系伸展速率与地下水位埋深下降速率的相对关系; 土壤质地控制毛细管上升高度及地下水位埋深以上水分供给能力, 是确定生态地下水位埋深的重要因子。     

基于多粒度特征融合的新型图卷积网络用于方面级情感分析

方面级情感分析是情感分析中的细粒度任务,旨在检测给定句子中方面词的情感极性。随着图卷积网络的兴起,通过依赖树构建的图卷积网络模型被广泛用于该任务,并取得了令人满意的效果。但大多数研究只获取图卷积网络最后一层输出作为分类层的输入,忽略了其他层的节点特征,且深层图卷积网络存在节点平滑问题。近年来,有研究者将图卷积网络的多层节点特征进行集成,提高了情感分类模型的性能。文中结合自适应特征融合与高速公路网络,提出了一种基于多粒度特征融合的高速公路图卷积网络模型,用于方面级情感分析。首先,该模型通过句法依赖结构和双向的上下文信息构建图卷积网络;同时,在图卷积网络引入高速公路网络缓解深层图卷积网络过平滑的问题,加深图卷积网络的深度。然后,使用自适应融合机制从不同深度图卷积网络获得多粒度节点信息。最后,在公共数据集上进行实验,实验结果表明,与基准模型相比,所提模型能更好地捕获更多粒度的句法信息和长距离依存关系。     

降水特征对水文模型参数及模拟精度的影响

为评估水文模型预测气候变化影响下水文过程演变的可靠性,以淮河紫罗山流域为研究对象,利用1977—1989年的逐日观测资料,基于三水源新安江模型分析了不同率定期下模型参数值和模拟精度的变化以及与降水量变化特征的关系。结果表明:不同率定期参数率定值具有较大的不确定性,但影响蒸散发量、产流量、水源划分以及地下水出流速率的参数值组合与降水系列的干湿变化存在明显的相关关系;以确定性系数和均方根误差作为目标函数评估模拟效果时发现,两者都随着验证期日降水量均方差的增大而增大,同时更偏向于提高降水变幅大的丰水年组的预测效果。     

基于MCMC和ES-MDA方法的地下水数值模型非均 质参数场及开采量的反演研究

马尔科夫链蒙特卡罗方法(MCMC)和多重数据同化集合平滑器方法(ES-MDA)近年来在地下水参数反演得到广泛应用，但对三维多层非均质含水层参数反演精度和计算效率还缺乏对比分析。本文构建了含有基于Karhunen-Loève展开的非均质参数场的潜水和多层承压水含水层案例，并建立了地下水数值模型和基于Kriging方法的替代模型，模拟含水层分层水头变化，探讨了基于替代模型的MCMC、替代模型和数值模型相结合的两阶段MCMC以及ES-MDA方法反演的含水层渗透系数以及开采量。结果表明，针对本文算例，在非均质参数和开采量的反演中，相比而言，两阶段MCMC反演参数精度更高，ES-MDA方法计算效率更高。本研究为地下水数值模型参数反演方法选择提供参考依据。     

基于局部半径的三支DBSCAN算法

DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一种经典的基于密度的聚类算法，它通过两个全局参数即半径Eps和最少点数MinPts,能够对任意形状的数据进行聚类，并自动确定类个数。但是，使用全局半径的DBSCAN对于密度不均匀数据集的聚类效果较差，且无法对重叠数据集进行聚类。因此，定义了密度递减原则和局部半径，并根据k-近邻距离自动确定局部半径，从而提出了基于局部半径的DBSCAN算法(LE-DBSCAN);然后，通过考虑近邻的标签，对二支聚类结果的临界点和噪声点进行重新划分，从而提出了基于局部半径的三支DBSCAN算法(LE3W-DBSCAN)。将LE-DBSCAN和LE3W-DBSCAN与该领域的相关算法在UCI数据集和人工数据集上进行对比，实验结果表明，所提算法在常用的硬聚类指标和软聚类指标上都具有较好的表现。