一、基于人工神经网络的森林资源预测研究(论文文献综述)
刘思源[1](2021)在《陕北农牧交错带沙地农业利用规模的水资源调控研究》文中认为陕北农牧交错带位于毛乌素沙地东向黄土高原的过渡地带,该地区农牧业交错演替,具有明显的交错过渡性、生态环境脆弱性和水资源紧缺性。当前陕北农牧交错带沙地治理和利用已具规模且不断扩大、农业用水量持续增长。若仍保持现有无序扩张的趋势,当开发规模超过水资源支持能力,将对当地生态环境造成威胁,对经济发展造成影响。因此,协调研究区内资源开发与生态保护间的关系对于实现地区农业经济的可持续发展具有决定意义。本文针对陕北农牧交错带沙地农业利用过程中存在的水资源贫乏、生态环境脆弱等问题,明确了水资源对区域经济发展与生态保护的关键作用,开展了水资源模拟预测;以水资源对沙地农业开发的支持能力为约束,建立沙地农业利用的水资源调控模型,并采用改进的NSGA-Ⅱ多目标优化算法,探索水资源调控下的沙地农业利用的适宜规模,为交错带的资源可持续利用、生态环境良性提升、经济社会稳固发展提供支持。论文主要的研究成果如下:(1)基于VAR模型分析了水资源对交错带农业发展的动态影响,明确了水资源在沙地农业发展中的关键作用。选取了交错带农业发展过程中紧密相关的水资源、农业经济、土地利用及生态环境等多方面指标进行相关性分析,依据典型指标建立了多变量VAR模型,采用脉冲响应和方差分解法定量地分析了水资源对交错带农业发展过程的动态影响,结果表明水资源综合占比在总用水量、农业用水量、农林牧渔总产值、沙地面积及生态服务价值等指标中贡献度分别为94.44%、90.93%、58.86%、86.39%、70.93%,说明水资源在交错带农业发展中扮演着关键性资源的角色,是主要影响因素和资源动力。(2)基于TOPMODEL模型和WAS模型联合模拟了交错带自然社会二元水循环,对未来交错带水资源可利用量进行预测。利用TOPMODEL模型开展基于DEM的径流过程模拟,采用启发式分割算法进行历史径流资料的突变点分析,确定1979年为突变点所在年份,划分1980-2000年为率定期,2001-2018为验证期,率定期和验证期模型的效率用WAS模型对交错带供水情况进行预测,得到交错带在北京气候模式BCC-CSM1.1下RCP2.6、RCP4.5、RCP8.5三种降雨情景的2025年可供水量分别为15.14亿m3、14.46亿m3 和 14.70 亿 m3,2030 年分别为 18.84 亿 m3、18.45 亿 m3 和 18.72 亿 m3。(3)构建了沙地农业利用的水资源调控模型,并设置了多元调控情景。根据沙地农业可用水量的区间量化原理,明确了用水上限,获得了 2018年和2025年交错带沙地农业可用水量分别为 19113 万 m3、17880.5 万 m3,2030 年 RCP2.6、RCP4.5、RCP8.5 降雨情景下分别为25571.6万m3、23928.8万m3、26390.8万m3。基于Markov模型对交错带土地利用类型进行预测,2025、2030年沙地农业利用的可开发沙地规模分别为2992.41km2和2763.72km2。从水资源条件、节水措施及农作物种植结构三个角度设置调控情景,包括降雨情景(3种)、节水情景(3种)、种植情景(7种),共形成63种方案集。(4)采用基于正交试验设计思想和ε占优机制的oε策略改进的NSGA-Ⅱ算法,求解了水资源调控模型。以沙地农业利用规模最大为原则,选取了 15种推荐方案,各方案下榆阳区和神木县可开发规模占未利用沙地比例最低,2018年、2025年和2030年中最大占比分别为(18.57%,4.08%)、(7.06%,28.6%)、(5.01%,0%);占比最高的区域为府谷县和定边县,分别为(100%,31.24%)、(100%,47.82%)、(100%,100%),交错带2018年、2025年和2030年中可开发规模最大占比分别为24.54%、14.71%、29.99%。总体来看,交错带沙地农业利用规模在空间分布上呈现出东西部高中间低的状态。结果表明,在大量依靠引调水工程的前提下,交错带在各情境下水资源仍无法支撑未利用沙地的完全开发,水资源分布不均且形势紧张。(5)利用水土资源匹配指数法研究了交错带水土资源空间匹配格局变化。交错带沙地农业水土资源匹配指数主要分布范围是[53.07,122.14],沙地农业可用水量与利用规模呈现出不匹配状态。在空间分布上,榆阳区和神木县匹配系数始终<0,呈现出地多水少、沙地农业可用水量不足现象;府谷县2018、2025、2030年指数范围分别在[1.77,1.98]、[3.36,5.84]、[-0.39,1.71],沙地农业可用水量与开发规模保持在均衡范围内,水土资源匹配状况最优;交错带水土资源匹配格局呈现出从东北部地多水少向西南部水多地少过渡,基本与沙地农业利用规模空间分布情况相印证。沙地农业发展的不均衡导致各县区水土资源匹配格局呈现出空间差异性,节水效率的提升有助于提升水土资源匹配程度,高效的农业灌溉管理措施仍是改善交错带水土资源匹配格局的有效途径。
周永章,左仁广,刘刚,袁峰,毛先成,郭艳军,肖凡,廖杰,刘艳鹏[2](2021)在《数学地球科学跨越发展的十年:大数据、人工智能算法正在改变地质学》文中指出近十年是科学研究从问题驱动向数据驱动转变的转折时期,科学研究的第四范式—数据密集型科学发现应势而生。这期间,大数据与人工智能算法的引入使数学地球科学实现跨越式发展,并正在改变地质学。机器学习是使计算机具有智能的根本途径。深度学习,即多层神经网络的方法,是一种实现机器学习的技术,是过去几年大数据与数学地球科学研究的最重要的热点。贝叶斯网络是贝叶斯公式和图论结合的产物,可用来建立矿床地质的成因网络,进而理解矿床成因。地质大图形问题可以转化为大型的复杂网络空间问题和社区结构问题,社区分析技术可用于地震预报、地质网络分析、特殊地质现象识别、矿床预测。关联规则和推荐系统算法在地质研究中已有成功的应用实例。化探数据及其异常经常包含复杂和非线性模式,深度学习在智能识别与提取复杂地质条件下地球化学异常具有优异的能力,卷积神经网络、堆叠自编码机等是较为常用和有效的方法。非线性矿产资源预测、基于GIS和三维地质建模的三维成矿预测及相应的软件系统得到持续改进。三维虚拟仿真建模技术的应用实现了多模态、跨尺度地学虚拟现实与多维交互,地质过程数值模拟等已有创新性进展。区块链技术以及OneGeology、玻璃地球、深时数字地球等大地质科学计划,将在整合全球地质大数据、共享全球地学知识、推动数学地球科学学科发展方面起到重大的推动作用。
张振杰,成秋明,杨玠,武国朋,葛云钊[3](2021)在《机器学习与成矿预测:以闽西南铁多金属矿预测为例》文中提出作为近年来爆炸式发展的方法模型,机器学习为地质找矿提供了新的思维和研究方法。本文探讨矿产预测研究的理论方法体系,总结机器学习在矿产预测领域的特征信息提取和信息综合集成两个方面的应用现状,并讨论机器学习在矿产资源定量预测领域面临的训练样本稀少且不均衡、模型训练中缺乏不确定性评估、缺少反哺研究、方法选择等困难和挑战。进一步以闽西南马坑式铁矿为实例论述基于机器学习方法的矿产预测基本流程:(1)通过成矿系统研究建立成矿模型,确定矿床控矿要素;(2)通过勘查系统研究建立找矿模型,并为评价预测提供相关的勘查数据;(3)通过预测评价系统研究,建立预测模型,并提取预测要素;(4)利用机器学习模型对预测要素进行信息综合集成,获取成矿有利度图;(5)对预测性能和结果进行不确定性评估;(6)找矿靶区/成矿远景区圈定及资源量估算。最后,总结建立以地学大数据和地球系统理论为指导,以"地球系统-成矿系统-勘查系统-预测评价系统"为研究路线的基于地学大数据的矿产资源定量预测理论和方法体系的研究愿景。
郑超杰[4](2021)在《基于成分数据及机器学习在阿舍勒地区的综合找矿研究》文中进行了进一步梳理新疆阿舍勒铜锌矿位于阿尔泰造山带西南缘阿舍勒盆地内,是典型的火山沉积块状硫化物(VMS)型矿床。前人对矿床的地质特征、成矿物质来源、成矿机制和成矿预测等方面做了大量研究,积累了大量的地质资料和找矿成果。鉴于阿舍勒铜锌矿床具有埋藏深、开采难度大、采矿维护成本高等特点,伴随着矿山开采对探明资源储量不断消耗,深边部矿体品位下降,对阿舍勒铜锌矿床深部及外围找矿任务已迫在眉睫。本文以矿产资源定量评价体系为指导,在充分收集研究区地质资料及前人研究成果的基础上,归纳矿区成矿地质规律及控矿地质要素;引入成分数据分析,对阿舍勒矿区外围原生晕数据进行研究,运用分形理论及奇异性理论分离、识别并提取地表原生晕弱异常;量化矿区控矿地质要素,结合地球化学指标,构建研究区综合信息找矿模型;借助不同机器学习算法对矿区外围开展找矿预测,并对预测结果予以评估;分析钻孔原生晕垂向分带特征,评价矿区深部找矿潜力。如下为本文取得的成果及认识。1.对研究区岩石地球化学9个元素进行成分数据分析,还原元素真实空间分布;以稳健主成分方法探讨元素组合特征,得出(1)Cu-Zn-Co及(2)Pb-Mo-Ag-As-Au-Sb两组矿化组合,分别对应矿床喷流沉积及变质热液叠加改造两个成矿阶段。2.运用分形-多重分形方法分离元素地球化学异常及背景分布,提取研究区原生晕异常;对常规地球化学数据处理方法难以识别的弱异常,以局部奇异性理论识别、提取,充分挖掘地球化学数据中隐藏的与成矿紧密相关的弱异常信息。3.对矿区成矿规律分析的基础上,归纳研究区控矿地质要素;以GIS信息系统为媒介、矿区见矿钻孔为参照,运用“距离分布法”,明确各类控矿地质要素与矿体间最佳缓冲距离,量化各类与成矿密切相关的控矿地质要素信息,结合地表原生晕地球化学综合异常,构建研究区地质-地球化学综合信息找矿模型。4.基于研究区综合信息找矿模型,运用三类监督学习算法,对研究区开展找矿预测;对各类机器学习模型评估并对各模型预测结果与矿区见矿钻孔相对应,得出三类机器学习模型找矿预测效果显着。由此,提出将三类机器学习算法相结合,构建基于机器学习的综合找矿预测模型。5.以机器学习综合找矿预测结果为主,辅以岩石地球化学弱异常信息,结合研究区地质背景及矿区控矿地质要素重要度评价指标,在新疆阿舍勒铜锌矿区外围圈定3类共9个找矿预测区,并分析钻孔原生晕数据进行深部找矿预测,验证深部具有较大找矿潜力。
马瑶,赵江南[5](2021)在《机器学习方法在矿产资源定量预测应用研究进展》文中指出回顾了国内外在矿产资源定量预测研究领域的发展历程,对近十年来国外相关方向的文献进行了统计对比分析,结果显示机器学习方法已经成为矿产资源定量预测研究领域的热点方向,并主要在如下3个方面发挥了积极的作用:(1)提取和挖掘复杂数据中隐藏的难以识别的矿化信息;(2)致矿异常信息关联与转换;(3)多源地学数据的致矿异常信息融合、预测和发现矿床。对逻辑回归、人工神经网络、随机森林与支持向量机等主要机器学习算法与模型在矿产资源定量预测实践中的应用效果进行了评述,并探讨了在实际应用过程中存在的样本选择、错分代价、不确定性评价以及模型性能评价等主要问题及目前的解决方案。最后提出基于大数据与机器学习的矿产资源定量预测是未来发展的重要趋势。
武国朋[6](2020)在《基于机器学习的集宁浅覆盖区钼多金属矿成矿预测与评价》文中认为内蒙古集宁地区是华北克拉通北缘重要的钼多金属矿产地之一,具有较大的钼多金属矿成矿潜力。然而,该区地表所覆盖的新生代玄武岩和碎屑沉积物对成矿信息具有屏蔽和衰减作用,对进一步找矿勘查带来巨大挑战。因此,本文结合覆盖区的特点,基于研究区地质构造及成矿规律,建立了钼多金属矿找矿模型,综合地质、重磁、地球化学等多源地学数据,运用机器学习方法开展了多源找矿信息提取与成矿定量预测研究。主要取得成果如下:(1)断裂构造解译基于1:20万区域重力和航磁数据,运用位场分离及边界识别方法开展断裂构造解译,结果将覆盖区隐伏断裂及深部断裂刻画出来。同时,借助t统计量分析定量评估断裂构造对矿床产出的最佳影响域为4 km。(2)中酸性岩浆岩圈定基于地球化学主微量元素及重磁场数据,分别利用主成分分析、有监督支持向量机和随机森林方法开展中酸性隐伏岩浆岩的圈定。通过t统计量及ROC曲线对以上三种方法的结果进行对比分析可得,采用随机森林得到的推断岩体与出露中酸性岩体具有更好的空间对应关系,并可进一步帮助揭露隐伏花岗岩体的分布;(3)综合矿化异常提取基于专家知识获得的矿化指示元素(包括W、As、Bi、Hg、Sb、Cu、Mo、Ag、Pb、Zn、Au),在利用因子分析提取的矿化综合异常的基础上,采用能谱-面积(S-A)多重分形模型进一步将异常与背景分离,从而压制玄武岩覆盖层影响,同时突出弱缓地球化学异常;(4)基于机器学习的覆盖区矿产资源预测机器学习成矿预测中已知矿床(点)数量较少,导致预测结果准确率虽高,但实际意义指示不大。本文探索扩大负样本选取数量,然后对正样本过采样以平衡样本集,训练结果同时提高了预测准确率及成功率。正例和无标记样例(即PU算法)学习仅利用正样本标签和无标记样本数据,避免创建负样本标签带来的不确定性,因此尝试被引用到成矿预测,得到的预测结果优于传统有监督方法。多源找矿信息结果对比显示,基于过采样随机森林方法得到的成矿预测结果最优,基于此集宁地区圈定A级远景区6个,B级远景区2个,C级远景区3个,为研究区钼多金属矿下一步勘查工作提供部署建议。(5)泉子沟远景区综合地球物理评价综合重磁电震等方法,对泉子沟覆盖层区域主要地质体及构造进行勘查,并评估其找矿潜力。重磁震联合建模结果显示,该区发现一隐伏断陷盆地及三个隐伏花岗岩体,其中中部花岗侵入岩具有低阻、高极化率及较高钼异常,因此具有较好的找矿前景,且已得到部分钻孔资料验证。
张士红[7](2020)在《基于深度学习的四川会理“拉拉式”铜矿找矿预测研究》文中指出四川会理地区位于扬子准地台西南缘川滇裂谷系中段之会理-东川拗拉槽西端,是我国重要的铜矿资源基地。如何充分利用海量多源地学空间大数据和深度学习方法,挖掘内在的、深层次的找矿预测信息,提高找矿预测效果是当前成矿预测的重要研究方向。论文在收集、整理四川会理地区多源地学数据的基础上,开展了机器学习算法在目标类型矿床找矿预测中的应用研究,重点探讨了系统样本集构建和深度卷积神经网络成矿预测方法流程,圈定了 5处找矿远景区。研究工作对于创新矿产预测方法具有借鉴意义,同时对会理地区拉拉式铜矿勘查也具有实际应用价值。(1)综合“拉拉式”铜矿成矿地质条件、水系沉积物地球化学元素和航磁数据的分布模式及其与已知矿床(点)的空间关系,筛选出河口群地层、基性岩体临近度、Cu元素含量、主成份分析第二主分量和航磁△T化极异常5个重要预测变量,建立了综合信息预测模型。以此为基础,开展证据权法、支持向量机、随机森林和单隐层感知机模型的成矿预测性能对比研究。(2)构建了—套系统、规范的样本数据集,为训练神经网络模型奠定了基础。以研究区内代表性矿床勘探所获取的矿体平面投影范围网格化单元为中心,通过样本扩充,得到1468个矿化窗口样本;与随机获取的同等数量的非矿窗口样本结合,形成了系统的可用于深度学习的样本数据集。研究表明利用代表性矿床勘探获取的矿体范围构建样本集,训练人工神经网络模型是可行的,模型也更有针对性,对特定类型的找矿预测工作具有很好的指示作用。(3)引入集成学习的思想,结合深度学习之卷积神经网络,创新性地提出了“随机样本集成卷积神经网络”(Random Samples Integrating CNN,RSI-CNN)成矿预测技术。并在MATLAB平台编程实现了从基本预测要素数据处理、矿化与非矿窗口样本集形成和随机组合,到卷积神经网络模型训练和成矿预测的完整过程。研究表明随机样本集成卷积神经网络在数据层面增加了训练样本的多样性,在模型层面提高了预测结果的稳定性。(4)使用最大值和均值基学习器组合策略,依据成矿有利度,结合成矿地质条件,圈定了嵩枝坝、落凼—红泥坡、打厂坡西、黎洪、吊井洞等5片找矿远景区,为该地区进一步的铜矿找矿勘探提供了决策依据。
李昌建[8](2020)在《基于云的负载测试的主机预测与弹性伸缩技术》文中研究表明近年来,应用程序更多的以云服务方式部署,用户通过浏览器等途径通过网络访问云服务。这种方式在增加服务便捷性和开放性的同时也带来了性能和可用性方面的不确定性。负载测试是评估应用程序性能的重要手段,能有效预防性能风险,保障云服务质量。传统的负载测试多基于本地集群方式实现,由多台本地主机相互配合发起服务访问请求,完成测试任务。这种方式需要专业技术人员管理和维护测试主机,主机运行和维护代价较高;并且硬件资源成本较高,当负载测试需要更多的主机来发起负载时,不易对硬件资源进行扩展。基于云的负载测试在云上管理和执行负载测试任务,测试负载由云上的虚拟主机发起,测试资源方便扩展且不需要专业技术人员部署测试集群。云负载测试实施较为方便,同时有望更加高效地利用测试资源。然而当前的云的负载测试缺乏有效的方法预测测试所需要的主机数量,当主机数量分配不足时会导致测试失败,而主机数量分配过多时易造成资源浪费。此外,现有负载测试技术的测试资源调度存在难以准确、及时的问题,不易保证负载发起的质量。为了解决云测试中计算资源难以确定的问题,本文提出了基于云的负载测试的主机预测方法,根据负载测试目标规模预测完成负载所需要的计算资源,然后将计算资源转化为具体的主机数量。同时,提出了一种面向负载变化策略的主机弹性伸缩技术,根据负载变化策略中所设定的负载随时间变化的趋势,制定云测试主机分配计划,在负载增加前提前分配好适当的主机数量,确保测试过程中每一时刻的计算资源满足负载发起要求,尽可能降低主机分配延迟带来的影响,减少资源浪费,优化整个测试过程中的资源使用。具体工作包括:(1)提出了一种基于云的负载测试的测试主机数量预测方法。首先执行小规模的负载测试,收集计算资源、测试负载规模的数据,在此基础上使用机器学习等方法训练负载与计算资源的预测模型。使用预测模型估算完成目标负载所需要的计算资源,计算所需主机数量,从而保证负载测试有效发起和避免无端浪费。(2)提出了一种面向负载变化策略的测试资源弹性伸缩方法。使用主机预备时间的历史数据训练模型以预测负载发起前新增指定数量主机需要的预备时间,根据负载变化策略预测负载测试每个阶段需要的主机数量,再根据主机预备时间计算在该阶段负载发起前何时启动或关闭主机,由此构造测试资源弹性伸缩的主机分配计划,确保负载测试得到有效实施。(3)实现了本文提出的主机预测与弹性伸缩技术,并将其集成到已有的云测试工具中,证实了本文所提出的方法的有效性,能帮助优化计算资源使用减少测试开销。
高原[9](2019)在《闽西南铜多金属矿找矿信息挖掘与成矿预测》文中研究指明多源找矿信息挖掘与集成在矿产勘查实践中扮演着十分重要的角色,它被认为是确保成矿预测有效性的重要环节,直接影响着成矿预测的效果。因此,如何对地学数据进行深入挖掘与有效集成,以获取能够更好表达成矿潜力的综合信息,一直是成矿预测领域的重要研究内容。近年来,机器学习的前沿算法被引入成矿预测实践,并逐渐成为该领域的研究热点。与传统分析方法相比,机器学习方法对复杂、隐蔽的分布特征以及变量之间的关系拥有更强的刻画与提取能力,且大多数方法对数据的分布模式并不敏感,具有更广泛的适用性。鉴于此,本文以闽西南森林覆盖区为示范研究区,在已收集和整理的多源地学数据基础上,综合运用GIS空间分析、分形与多重分形理论和机器学习等方法开展了多源找矿信息挖掘与成矿预测相关研究,主要研究内容及取得的认识包括:(一)断裂构造解译与控矿作用分析基于1:20万区域航磁数据,运用地球物理场源边界信息增强方法开展了断裂构造解译,并结合DEM数据对区内缺失的断裂信息进行了补充完善。同时,借助GIS空间分析和局部奇异性分析方法定量评估了不同走向断裂构造对已知铜矿床(点)空间分布的控制作用。初步确定了区内广泛发育的NW向和NE向断裂为成矿有利要素,而SN向断裂与已知铜矿床(点)存在空间负相关关系。(二)矿化指示元素选取与综合异常信息提取基于水系沉积物化探数据开展了以下两方面研究:一方面考虑次生作用等因素影响,从地球化学元素空间分布与富集规律和地球化学元素与矿床空间耦合关系两个层面出发,综合运用多重分形谱函数和ROC曲线开展了矿化指示元素选取;另一方面由于研究区覆盖层的影响,异常信息会受到不同程度的屏蔽和衰减,形成弱缓信号而难以被识别和提取。因此,本次将深度自编码网络模型应用于深层次异常信息提取。结果表明,深度自编码网络模型不仅可接受高维地球化学数据进行融合,同时可借助深度网络的多层非线性变换特征有效的获取隐蔽异常信息,所提取的综合异常与已知铜矿床(点)具有很好的空间耦合关系,该方法有助于提升异常识别精度。(三)中酸性隐伏岩体推断由于覆盖与屏蔽作用,覆盖区往往缺少地质直接观察信息,难以获取完整的地学空间数据。因此,本次研究基于区域地球化学常量组分和航磁数据,运用逻辑回归模型开展了中酸性隐伏岩体推断。结果表明,出露的中酸性岩体与推断岩体具有较强的空间相关性,推断结果可为区域成矿预测提供新的中酸性隐伏岩体信息。(四)基于机器学习的多源找矿信息集成针对成矿预测中已知矿床(点)不足且大量无标记样本信息未能得到充分利用的问题,本次将半监督随机森林模型运用于多源找矿信息集成研究,并与传统随机森林模型进行了对比评价。结果表明,半监督随机森林模型在传统模型的基础上融入半监督的思想,可有效的挖掘未标记的样本信息用于辅助训练模型,有助于提升成矿预测精度,该方法可为在已发现矿床(点)较少的地区开展成矿预测提供借鉴。论文的主要贡献:(1)开展了致矿地质异常信息提取。综合应用航磁数据及DEM数据开展了断裂构造解译,共解译深部断裂20条。同时,基于区域地球化学主量元素和航磁数据开展了中酸性隐伏岩体的推断。以上研究可为闽西南植被覆盖区开展成矿预测提供新的深部找矿信息;(2)开展了矿化指示元素选取和深层次异常信息提取。综合运用多重分形谱函数与ROC曲线,筛选出Cu、Au、Ag、Pb、Zn、Fe2O3、W、Sn、Mo、Bi、P、MgO、Cd、Sr共14种矿化指示元素,为研究区铜多金属矿矿化指示元素选取提供了参考。同时,利用深度自编码网络模型提取了隐蔽异常信息,提升了化探异常识别精度和效率;(3)开展了成矿远景区预测。应用半监督的随机森林模型开展了多源找矿信息集成,并圈定A级成矿远景区4个、B级成矿远景区3个、C级成矿远景区2个,为研究区铜多金属矿进一步找矿勘查提供了科学依据。
周丁旺[10](2019)在《基于卫星遥感信息的云-降水水资源预测预警模型研究》文中指出云与降水作为水资源的两种不同物态形式,作为一个地区水资源的重要组成部分,对区域水资源管理与预警起到至关重要的作用。近年来,随着全球环境变化,水资源越来越成为一种稀缺资源的同时,也带来了频繁的灾害事件。研究云与降水之间关系,建立云降水水资源预测预警模型,成为亟待解决的问题。本文选取乌溪江流域为研究对象,基于MODIS反演的2000-2004年每日云参数数据和地面站点实测降水量资料,利用BP神经网络和支持向量机分别建立云-降水水资源预测预警模型,最后基于两种模型结果作对比分析,优选出乌溪江流域云降水水资源预测预警模型。结果表明,(1)综合考虑云与降水形成机制、遥感反演物理基础和仪器性能,选取出的归一化云检测指数、大气水汽含量、MODIS第29、31和32波段云顶红外亮温差等5个云参数能准确建立云与降水之间关系。(2)分析各云参数与降水关系,发现单一参数难以构建云与降水之间复杂关系。(3)利用BP神经网络建立的乌溪江流域云与降水预测预警模型,采用分季建模模型性能优于年际建模方式。分季建模模拟结果雨季与旱季回归分析相关系数分别达到0.74和0.75,模型性能整体较优。(4)采用PSO-LSSVM方法建立的乌溪江流域云降水水资源预测预警模型性能良好,训练阶段和验证阶段相关系数分别达到0.90和0.92,模型能够准确模拟云与降水之间关系。通过比较两种模型性能,在乌溪江流域云降水水资源预测预警模型研究中更适合选取PSO-LSSVM模型。该研究充分利用卫星遥感技术的优势,建立水资源预测预警模型,为区域水资源管理与预警提供了一种可靠模型。这对提高区域水资源管理能力,防范由降水带来的洪涝和干旱灾害有着重要的社会经济价值和实际指导作用。
二、基于人工神经网络的森林资源预测研究(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于人工神经网络的森林资源预测研究(论文提纲范文)
(1)陕北农牧交错带沙地农业利用规模的水资源调控研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景 |
1.2 研究目的和意义 |
1.3 国内外研究进展 |
1.3.1 水文模型研究进展 |
1.3.2 自然系统多变量互馈关系研究进展 |
1.3.3 水资源调控的思想演变与方法进展 |
1.4 问题提出及思考 |
1.5 主要研究内容 |
1.6 研究方案和技术路线 |
1.6.1 研究方案 |
1.6.2 技术路线 |
1.7 本章小结 |
2 研究区范围及概况 |
2.1 陕北农牧交错带范围界定 |
2.2 自然地理概况 |
2.2.1 地形地貌 |
2.2.2 土壤植被 |
2.2.3 自然资源 |
2.3 社会经济现状 |
2.4 水资源开发利用现状 |
2.4.1 水资源分布情况 |
2.4.2 水资源开发利用情况 |
2.5 荒漠化特征及治理历程 |
2.5.1 荒漠化现状及特征 |
2.5.2 荒漠化动态演进 |
2.5.3 水土流失现状 |
2.6 区位特殊性及重要意义 |
2.6.1 交错性与过渡性 |
2.6.2 水土资源紧缺性 |
2.6.3 生态环境脆弱性 |
2.6.4 区位特殊性 |
2.7 本章小结 |
3 水资源对交错带农业发展影响分析 |
3.1 VAR模型介绍 |
3.2 指标选取及相关性分析 |
3.3 VAR模型的构建与检验 |
3.3.1 序列平稳性检验 |
3.3.2 Johansen协整检验 |
3.3.3 模型参数估计 |
3.3.4 模型检验 |
3.4 脉冲响应 |
3.5 方差分解 |
3.6 水资源对交错带农业发展影响分析 |
3.7 本章小结 |
4 基于TOPMODEL和 WAS模型的交错带水资源预测 |
4.1 模型基本原理 |
4.1.1 TOPMODEL模型 |
4.1.2 WAS模型 |
4.2 子流域单元划分 |
4.3 TOPMODEL模型构建及校验 |
4.3.1 下垫面参数提取 |
4.3.2 模拟效果及模型参数校验 |
4.4 WAS模型构建与模拟验证 |
4.4.1 拓扑关系 |
4.4.2 数据基础 |
4.4.3 模拟验证 |
4.5 基于TOPMODEL和 WAS模型的水资源预测 |
4.5.1 规划年气候情景模式 |
4.5.2 规划年水资源量预测 |
4.6 本章小节 |
5 沙地农业利用的水资源调控模型构建 |
5.1 水资源调控模型的理论基础 |
5.1.1 模型框架 |
5.1.2 模型原理 |
5.2 可用水量区间量化分析 |
5.2.1 可用水量区间量化 |
5.2.2 可用水量上限分析 |
5.2.3 传统行业需水预测 |
5.2.4 沙地农业可用水量潜力分析 |
5.3 可开发沙地规模预测 |
5.3.1 土地利用现状及其结构分析 |
5.3.2 土地利用遥感监测动态演变 |
5.3.3 土地利用空间转移变化分析 |
5.3.4 基于Markov模型的土地利用类型预测 |
5.4 调控情景设置 |
5.4.1 多元情景分析 |
5.4.2 调控情景设置 |
5.5 水资源调控模型构建 |
5.5.1 目标函数 |
5.5.2 约束条件 |
5.6 本章小结 |
6 沙地农业利用适宜规模及空间格局变化 |
6.1 基于正交?占优策略改进的NSGA-Ⅱ算法 |
6.1.1 正交设计初始化种群 |
6.1.2 ε占优策略 |
6.1.3 NSGA-Ⅱ算法 |
6.1.4 模型求解流程 |
6.2 沙地农业利用适宜规模分析 |
6.2.1 各县区适宜规模分析 |
6.2.2 交错带适宜规模分析 |
6.3 沙地农业利用规模的空间分布 |
6.4 沙地农业利用的水资源配置方案 |
6.5 水土资源空间匹配格局变化 |
6.6 本章小结 |
7 结论与展望 |
7.1 结论 |
7.2 创新点 |
7.3 展望 |
致谢 |
参考文献 |
附表 |
攻读博士学位期间主要研究成果 |
(2)数学地球科学跨越发展的十年:大数据、人工智能算法正在改变地质学(论文提纲范文)
0 引言 |
1 深度学习与人工智能地质学 |
1.1 机器学习、深度学习 |
1.2 人工智能地质学 |
1.3 知识图谱 |
2 大数据挖掘 |
2.1 高维数据 |
2.2 大图形数据 |
2.3 关联规则与推荐系统算法 |
3 地球化学异常识别与提取 |
4 矿产资源预测与评价 |
4.1 非线性矿产资源预测 |
4.2 基于GIS的矿产预测 |
4.3 基于三维地质建模的三维成矿预测 |
5 地质虚拟现实 |
6 地质过程模拟 |
6.1 多点地质统计学 |
6.2 地球动力学数值模拟 |
6.3 成矿地质过程数值模拟 |
7 区块链技术应用 |
8 大地质科学计划 |
8.1 OneGeology |
8.2 玻璃地球 |
8.3 化学地球 |
8.4 深时数字地球(DDE) |
9 展望 |
(3)机器学习与成矿预测:以闽西南铁多金属矿预测为例(论文提纲范文)
0 引言 |
1 矿产预测理论研究现状 |
2 基于机器学习的矿产预测研究现状 |
3 基于机器学习的矿产预测基本流程 |
3.1 成矿模型 |
3.2 找矿模型 |
3.3 预测模型 |
3.4 信息综合与集成 |
3.5 预测性能和不确定性评估 |
3.6 找矿靶区/成矿远景区圈定 |
4 结论与展望 |
(4)基于成分数据及机器学习在阿舍勒地区的综合找矿研究(论文提纲范文)
摘要 |
abstract |
第1 章 引言 |
1.1 选题来源 |
1.2 研究目的和意义 |
1.3 矿产预测理论与方法研究现状 |
1.3.1 国外研究现状 |
1.3.2 国内研究现状 |
1.4 机器学习在矿产预测中的应用 |
1.5 研究区以往工作程度 |
1.6 研究内容、方法及技术路线 |
1.6.1 研究内容、方法 |
1.6.2 技术路线 |
第2 章 地质概况 |
2.1 区域地质 |
2.1.1 区域地理概况 |
2.1.2 区域地层 |
2.1.3 区域构造 |
2.1.4 区域岩浆岩 |
2.1.5 区域矿产 |
2.2 矿区地质 |
2.2.1 矿区地层 |
2.2.2 矿区构造 |
2.2.3 矿区火山活动与岩浆岩 |
2.2.4 矿区围岩蚀变 |
第3 章 研究区元素地球化学分布模式及弱异常识别 |
3.1 地球化学数据处理方法 |
3.1.1 成分数据分析 |
3.1.2 分形-多重分形理论 |
3.2 原生晕样品采集及数据分析 |
3.2.1 样品采集及测试分析 |
3.2.2 原生晕地球化学数据统计学特征 |
3.3 研究区单元素地球化学分布模式 |
3.3.1 原生晕数据元素地球化学分布模式 |
3.4 研究区元素组合地球化学分布模式 |
3.4.1 基于ilr变换的稳健主成分分析 |
3.4.2 基于ilr变换的连续二值分离技术 |
3.5 综合地球化学分布模式及弱异常提取 |
第4 章 研究区综合信息找矿模型 |
4.1 成矿规律研究 |
4.1.1 矿床成因浅析 |
4.1.2 地层控矿规律 |
4.1.3 构造控矿规律 |
4.1.4 岩体控矿规律 |
4.1.5 岩体-地层接触带控矿规律 |
4.1.6 矿化蚀变带 |
4.1.7 古火山机构 |
4.2 成矿地质信息提取方法 |
4.2.1 距离分布法 |
4.2.2 地质成矿要素提取流程 |
4.3 成矿地质要素定量提取 |
4.3.1 地层与成矿的关系 |
4.3.2 构造与成矿的关系 |
4.3.3 岩体与成矿的关系 |
4.3.4 岩体-地层接触带与成矿的关系 |
4.3.5 围岩蚀变与成矿的关系 |
4.3.6 古火山机构与成矿的关系 |
4.3.7 定量分析结果 |
4.4 综合信息矿产预测模型 |
4.4.1 铜锌多金属矿床综合找矿模型 |
4.4.2 矿床统计单元划分原则 |
4.4.3 统计单元的赋值 |
第5 章 基于机器学习的综合信息矿产预测 |
5.1 基于监督学习的矿产资源预测 |
5.1.1 训练、测试样本集特征 |
5.1.2 支持向量机模型 |
5.1.3 随机森林模型 |
5.1.4 加权K最近邻模型(KKNN) |
5.2 定量预测模型综合评价 |
第6 章 异常评价及深部找矿研究 |
6.1 基于机器学习的综合异常与原生晕弱异常对比研究 |
6.1.1 研究区控矿地质要素重要性评估 |
6.1.2 综合异常对比研究 |
6.1.3 研究区找矿预测区圈定 |
6.2 深部原生晕找矿研究 |
6.2.1 钻孔原生晕样品采集及分析 |
6.2.2 钻孔原生晕数据多元统计分析 |
6.2.3 原生晕轴向分带特征 |
6.2.4 钻孔原生晕深部找矿预测 |
第7 章 结论与存在问题 |
7.1 结论 |
7.2 创新点 |
7.3 存在问题 |
参考文献 |
附录1 阿舍勒铜矿区断裂特征简表 |
附录2 矿区次火山岩岩石学特征表 |
附录3 断裂要素与矿点缓冲距离参数 |
附录4 SVM模型核函数超参数优化 |
个人简历、申请学位期间的研究成果及发表的学术论文 |
致谢 |
(5)机器学习方法在矿产资源定量预测应用研究进展(论文提纲范文)
1 矿产资源定量预测方法概况 |
(1)基于多元统计和概率统计的矿产资源定量评价方法。 |
(2)以分形及多重分形理论为基础的非线性成矿预测方法。 |
(3)以三维建模技术为基础的隐伏矿体三维成矿预测方法。 |
(4)以大数据与机器学习为基础的矿产资源预测方法。 |
2 矿产资源定量预测方法分类 |
3 机器学习及其在矿产资源定量预测中的作用和应用 |
3.1 机器学习 |
3.2 机器学习方法在矿产资源定量预测中的作用 |
3.3 主要机器学习方法及在矿产资源定量预测中的应用 |
3.3.1 逻辑回归(LR) |
3.3.2 人工神经网络(ANN) |
3.3.3 随机森林(RF) |
3.3.4 支持向量机(SVM) |
4 存在的主要问题及发展趋势 |
4.1 样本选择问题 |
4.2 错分代价问题 |
4.3 矿产预测不确定性问题 |
4.4 预测模型验证和选择 |
4.5 深度学习 |
5 应用实例——人工神经网络在闽西北火山岩型铀矿定量预测的应用 |
(1)构建训练样本集 |
(2)构建人工神经网络预测模型 |
(3)成矿预测与结果验证 |
6 结 语 |
(6)基于机器学习的集宁浅覆盖区钼多金属矿成矿预测与评价(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 选题依据及意义 |
1.2 研究现状及存在问题 |
1.2.1 区域矿产预测的研究现状 |
1.2.2 机器学习在矿产勘查中的研究现状 |
1.2.3 研究区以往地质工作程度 |
1.2.4 存在的主要问题 |
1.3 研究内容及技术路线 |
1.4 论文创新点 |
2 研究区区域地质 |
2.1 区域地层 |
2.1.1 太古宇 |
2.1.2 古生界 |
2.1.3 中生界 |
2.1.4 新生界 |
2.2 区域岩浆岩 |
2.2.1 侵入岩 |
2.2.2 火山岩 |
2.3 区域构造 |
2.4 区域地球物理 |
2.4.1 岩石地球物理特征 |
2.4.2 区域地球物理场特征 |
2.5 区域地球化学特征 |
2.6 典型矿床与找矿预测模型 |
2.6.1 区域金属矿产 |
2.6.2 主要成矿类型 |
2.6.3 控矿要素 |
2.6.4 找矿预测模型 |
3 机器学习 |
3.1 无监督学习 |
3.1.1 主成分分析 |
3.1.2 因子分析 |
3.2 有监督学习 |
3.2.1 支持向量机 |
3.2.2 随机森林 |
3.3 半监督学习 |
3.4 性能评估 |
4 覆盖区成矿要素提取与预测 |
4.1 断裂构造解译 |
4.1.1 重磁场处理方法 |
4.1.2 重磁构造推断 |
4.1.3 矿床点与断裂构造的空间关系分析 |
4.2 中酸性隐伏岩浆岩圈定 |
4.2.1 数据预处理 |
4.2.2 基于主成分分析的中酸性岩体推断 |
4.2.3 基于有监督方法的中酸性岩体推断 |
4.2.4 中酸性岩体推断结果评价 |
4.3 覆盖区矿化综合异常信息提取 |
4.3.1 数据预处理 |
4.3.2 基于因子分析模型的综合信息提取 |
4.3.3 基于S-A多重分形模型的综合信息提取 |
5 基于机器学习的覆盖区矿产资源预测 |
5.1 训练模型的构建 |
5.2 基于有监督学习的多源找矿模型 |
5.2.1 基于有监督模型的多源信息集成 |
5.2.2 基于过采样有监督模型的多源信息集成 |
5.3 基于PU半监督算法的多源找矿模型 |
5.4 多源找矿信息结果对比评价 |
5.5 成矿远景区圈定以及级别划分 |
6 泉子沟成矿远景区综合地球物理研究 |
6.1 泉子沟地质及矿床地质 |
6.2 重磁构造分析 |
6.3 二维反射地震 |
6.4 重磁震联合二度半建模 |
6.5 泉子沟找矿潜力评估 |
7 结论 |
7.1 主要认识 |
7.2 不足与展望 |
致谢 |
参考文献 |
附录 |
(7)基于深度学习的四川会理“拉拉式”铜矿找矿预测研究(论文提纲范文)
摘要 |
Abstract |
1 引言 |
1.1 研究背景和意义 |
1.2 研究现状和存在问题 |
1.2.1 矿产资源预测理论与方法研究进展 |
1.2.2 机器学习及其在矿产预测中的应用 |
1.2.3 研究区以往工作程度 |
1.2.4 存在的问题与发展趋势 |
1.3 研究内容与技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
1.4 完成的主要工作量 |
2 区域地质构造背景 |
2.1 大地构造背景 |
2.2 区域地质 |
3 矿床地质特征与成因 |
3.1 矿床地质特征 |
3.1.1 矿床规模 |
3.1.2 赋矿层位与岩性 |
3.1.3 构造对矿体的控制 |
3.1.4 基性侵入岩体对成矿的意义 |
3.1.5 矿体与矿石特征 |
3.2 矿床成因与控矿要素分析 |
4 综合数据处理及异常分析 |
4.1 地球化学异常分析及提取 |
4.1.1 勘查地球化学研究现状 |
4.1.2 区域地球化学特征 |
4.1.3 单元素地球化学异常提取 |
4.1.4 多元素地球化学异常提取 |
4.2 地球物理异常分析及提取 |
4.2.1 地球物理方法在成矿预测领域的应用 |
4.2.2 岩(矿)石磁性特征 |
4.2.3 航磁异常处理 |
4.2.4 航磁异常分布特征 |
4.3 小结 |
5 综合信息预测模型研究 |
5.1 综合信息矿产预测 |
5.2 ROC曲线 |
5.3 综合信息预测模型 |
5.4 小结 |
6 经典算法综合信息集成与成矿预测 |
6.1 训练样本 |
6.2 预测变量 |
6.3 证据权方法 |
6.3.1 证据权方法原理 |
6.3.2 证据权法成矿预测 |
6.4 多层感知机 |
6.4.1 多层感知机原理 |
6.4.2 多层感知机建模 |
6.4.3 多层感知机成矿潜力制图 |
6.5 支持向量机 |
6.5.1 支持向量机原理 |
6.5.2 支持向量机建模 |
6.5.3 支持向量机成矿潜力制图 |
6.6 随机森林 |
6.6.1 随机森林原理 |
6.6.2 随机森林建模 |
6.6.3 预测变量重要性及其边际效应分析 |
6.6.4 随机森林成矿潜力制图 |
6.7 模型性能评价 |
6.8 成矿潜力分析 |
6.9 小结 |
7 随机样本集成卷积神经网络成矿预测 |
7.1 深度学习发展历程 |
7.2 卷积神经网络的基本结构 |
7.3 卷积神经网络的架构 |
7.4 数据 |
7.4.1 预测变量 |
7.4.2 样本扩充 |
7.4.3 集成学习模型 |
7.5 结果与讨论 |
7.5.1 训练单元选择的有效性 |
7.5.2 性能评价 |
7.5.3 模型集成 |
7.5.4 成矿潜力分析 |
7.6 小结 |
8 结论与展望 |
8.1 结论 |
8.1.1 主要成果 |
8.1.2 创新点 |
8.2 存在问题与展望 |
致谢 |
参考文献 |
附录 作者简历 |
(8)基于云的负载测试的主机预测与弹性伸缩技术(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 负载测试 |
1.2.2 云测试 |
1.2.3 资源弹性分配 |
1.3 本文的主要工作 |
1.4 本文的组织结构 |
第二章 相关概念和方法 |
2.1 云计算及其相关概念 |
2.1.1 云计算与虚拟化 |
2.1.2 弹性伸缩 |
2.2 测试脚本 |
2.3 负载测试 |
2.4 基于云的负载测试 |
2.5 本章小结 |
第三章 云负载测试中的测试主机预测技术 |
3.1 问题定义 |
3.2 总体预测流程 |
3.3 数据采集与融合 |
3.4 基本预测框架 |
3.5 单一配置测试主机预测方案 |
3.6 多配置测试主机预测方案 |
3.7 多测试脚本情况下的预测 |
3.8 实验 |
3.8.1 实验设置 |
3.8.2 实验分析 |
3.9 本章小结 |
第四章 云测试的主机资源弹性伸缩技术 |
4.1 问题分析 |
4.2 测试主机弹性伸缩总体方法 |
4.3 主机预备时间的预估 |
4.3.1 主机需求变化趋势 |
4.3.2 初步预估的主机预备计划 |
4.4 负载主机弹性伸缩 |
4.4.1 弹性扩容优化 |
4.4.2 弹性收缩优化 |
4.5 实验 |
4.5.1 实验对象 |
4.5.2 实验分析 |
4.6 本章小结 |
第五章 系统实现 |
5.1 系统设计 |
5.2 数据采集与数据融合实现 |
5.2.1 数据采集模块 |
5.2.2 数据融合模块 |
5.3 主机预测模块实现 |
5.4 弹性伸缩模块实现 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 未来工作展望 |
参考文献 |
致谢 |
攻读硕士学位期间完成的论文以及学术成果 |
攻读硕士学位期间参加科研项目情况 |
(9)闽西南铜多金属矿找矿信息挖掘与成矿预测(论文提纲范文)
作者简介 |
摘要 |
abstract |
第一章 绪论 |
1.1 选题背景 |
1.2 研究意义 |
1.3 研究现状及存在的问题 |
1.3.1 区域矿产预测理论研究现状 |
1.3.2 区域矿产定量预测研究进展及发展趋势 |
1.3.3 机器学习在矿产定量预测中的应用现状 |
1.3.4 存在的主要问题 |
1.4 主要研究内容 |
第二章 闽西南区域地质及典型矿床 |
2.1 闽西南区域地质背景 |
2.1.1 区域地层特征 |
2.1.2 区域侵入岩特征 |
2.1.3 区域构造特征 |
2.1.4 区域矿产 |
2.2 区域大地构造及成矿演化规律 |
2.2.1 区域大地构造演化 |
2.2.2 区域成矿时空演化规律 |
2.3 典型矿床与成矿要素 |
2.3.1 矿区地质特征 |
2.3.2 主要矿床类型及成矿要素 |
2.3.3 成矿预测要素选取 |
2.4 研究区数据介绍 |
第三章 断裂构造解译与控矿作用分析 |
3.1 区域航磁数据处理与断裂构造解译 |
3.1.1 航磁数据处理方法 |
3.1.2 区域航磁数据处理与断裂构造解译 |
3.1.3 基于DEM影像的断裂构造补充解译 |
3.2 矿床(点)与断裂构造空间关系分析 |
3.2.1 断裂走向与矿床(点)空间分布趋势分析 |
3.2.2 断裂对矿床(点)影响范围分析 |
3.2.3 断裂构造对矿床(点)控制作用分析 |
第四章 矿化指示元素选取与综合异常信息提取 |
4.1 地球化学数据预处理 |
4.1.1 数据检查 |
4.1.2 数据变换 |
4.2 矿化指示元素选取 |
4.2.1 多重分形谱函数 |
4.2.2 ROC曲线分析 |
4.2.3 矿化指示元素综合选取 |
4.3 地球化学综合异常信息提取 |
4.3.1 基于深度自编码网络的综合异常信息提取 |
4.3.2 综合异常信息提取结果评价 |
第五章 研究区中酸性隐伏岩体推断 |
5.1 数据预处理 |
5.2 基于逻辑回归模型的中酸性岩体推断 |
5.2.1 逻辑回归模型 |
5.2.2 基于逻辑回归模型的中酸性岩体推断 |
5.3 中酸性岩体推断结果评价 |
第六章 基于机器学习的多源找矿信息集成 |
6.1 闽西南铜多金属矿找矿概念模型 |
6.2 基于监督学习的多源找矿信息集成 |
6.2.1 训练样本构建 |
6.2.2 随机森林模型 |
6.2.3 基于随机森林模型的多源信息集成 |
6.2.4 多源找矿信息集成结果评价 |
6.3 基于半监督学习的多源找矿信息集成 |
6.3.1 半监督随机森林模型 |
6.3.2 基于半监督随机森林模型的多源找矿信息集成 |
6.3.3 多源信息集成结果对比评价 |
6.4 成矿远景区圈定 |
第七章 主要认识与创新点 |
7.1 取得的主要认识 |
7.2 主要创新点 |
7.3 主要贡献 |
7.4 存在的不足与展望 |
致谢 |
参考文献 |
(10)基于卫星遥感信息的云-降水水资源预测预警模型研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 水资源预警系统研究 |
1.2.2 遥感技术在降水测量中的应用 |
1.2.3 云反演降水参数选取 |
1.2.4 降水云与非降水云判别 |
1.2.5 云-降水预测模型研究 |
1.3 研究内容及技术路线 |
2 研究区域与研究方法 |
2.1 乌溪江流域概况 |
2.2 MODIS数据 |
2.2.1 MODIS数据简介 |
2.2.2 卫星数据反演方法 |
2.3 人工神经网络 |
2.3.1 BP神经网络简介 |
2.3.2 MATLAB实现BP神经网络 |
2.4 支持向量机 |
2.4.1 支持向量机简介 |
2.4.2 MATLAB实现支持向量机 |
3 云参数因子选取及云参数反演 |
3.1 云参数 |
3.1.1 云-降水的物理基础 |
3.1.2 云参数光谱特征 |
3.1.3 云参数选取 |
3.2 MODIS云参数反演 |
3.2.1 MODIS数据的获取 |
3.2.2 云参数反演方法 |
3.2.3 云参数的反演 |
4 云参数与降水的BP神将网络预测预警模型 |
4.1 云参数与降水关系分析 |
4.2 BP神经网络预测模型结果分析 |
4.2.1 年际模型能力分析 |
4.2.2 分季模型能力分析 |
5 云参数与降水的支持向量机预测预警模型 |
5.1 支持向量机预测模型结果分析 |
5.1.1 PSO-LSSVM训练结果分析 |
5.1.2 PSO-LSSVM预测结果分析 |
5.2 BP神经网络模型与支持向量机模型比较 |
5.2.1 模型基础 |
5.2.2 模型性能表现 |
6 结论与展望 |
6.1 结论 |
6.2 创新点 |
6.3 展望 |
参考文献 |
作者简历 |
硕士期间参与科研项目与成果 |
四、基于人工神经网络的森林资源预测研究(论文参考文献)
- [1]陕北农牧交错带沙地农业利用规模的水资源调控研究[D]. 刘思源. 西安理工大学, 2021
- [2]数学地球科学跨越发展的十年:大数据、人工智能算法正在改变地质学[J]. 周永章,左仁广,刘刚,袁峰,毛先成,郭艳军,肖凡,廖杰,刘艳鹏. 矿物岩石地球化学通报, 2021(03)
- [3]机器学习与成矿预测:以闽西南铁多金属矿预测为例[J]. 张振杰,成秋明,杨玠,武国朋,葛云钊. 地学前缘, 2021(03)
- [4]基于成分数据及机器学习在阿舍勒地区的综合找矿研究[D]. 郑超杰. 桂林理工大学, 2021(01)
- [5]机器学习方法在矿产资源定量预测应用研究进展[J]. 马瑶,赵江南. 地质科技通报, 2021(01)
- [6]基于机器学习的集宁浅覆盖区钼多金属矿成矿预测与评价[D]. 武国朋. 中国地质大学(北京), 2020(04)
- [7]基于深度学习的四川会理“拉拉式”铜矿找矿预测研究[D]. 张士红. 中国地质大学(北京), 2020(01)
- [8]基于云的负载测试的主机预测与弹性伸缩技术[D]. 李昌建. 南京航空航天大学, 2020(07)
- [9]闽西南铜多金属矿找矿信息挖掘与成矿预测[D]. 高原. 中国地质大学, 2019(05)
- [10]基于卫星遥感信息的云-降水水资源预测预警模型研究[D]. 周丁旺. 浙江大学, 2019(02)