基于重标极差分析和非周期循环分析的气候变化趋势预测——以兰州市为例

利用兰州市区及周边5个气象站的气象数据,通过重标极差分析(R/S)和非周期循环分析,计算兰州市气温、降水和城市热岛强度时间序列的Hurst指数、分维数和非周期循环的平均循环长度,分析气温、降水和城市热岛强度时间序列的变化趋势、长期记忆效应和记忆周期。结果表明:兰州市四季和年平均气温呈现上升趋势,变化趋势具有持续性特征。年均、春、夏、秋、冬季气温序列的平均循环长度分别为9 a、4 a、8 a、5 a和6 a。兰州市春、冬季降水量仍将持续递减,夏季降水持续递增;年平均和秋季降水量变化过程具有反持续性,未来的年平均和秋季降水量将出现增加的趋势,年均、春、夏、秋、冬季降水量序列的平均循环长度分别为9 a、7 a、10 a、12 a和13 a。兰州热岛强度冬季最强,夏季最弱,春秋居中;1月平均热岛强度为1.6℃,7月平均热岛强度为0.1℃。近50 a兰州市热岛强度逐渐增强,线性趋势达到0.46℃.(10a)-1,未来兰州市热岛强度的变化趋势将以目前的速率持续增强。将定量描述长程依赖性的重标极差分析和非周期循环分析二者结合起来,应用于气候变化的趋势预测研究,是一种新颖、科学、可行的非线性研究方法。

R/S分析法对矿区地表沉陷预测

为提高矿区开采过程中地表沉降安全性,研究其具有复杂非线性特征的沉降规律.以某矿区重点区域的沉降变化为例,通过分形理论的R/S分析法计算不同监测点的变形时间序列的Hurst指数,根据Hurst指数的值域划分,对矿山重点区域的沉降趋势及其强度进行了预测,并将预测结果和实测值进行了对比.研究表明:该矿区重点区域8个沉降监测点沉降序列的Hurst指数最小为0.894 9,8个监测点的沉降趋势与历史沉降趋势之间呈现出较强的持续性,即矿区重点区域的沉降趋势将减弱,且减弱趋势较为明显,这与同期的沉降变化趋势是相一致的.

基于Hurst指数的矿化强度识别--以山东大尹格庄金矿为例

探索成矿元素分布的分形特征是揭示矿化富集程度的重要途径之一。运用重标极差分析(R/S)方法,研究了山东大尹格庄金矿-210m中段多勘探线Au品位序列随采样尺度变化的趋势,探讨元素序列的Hurst指数与矿化强度的关系。结果显示:具有不同矿化强度的勘探线Au的Hurst指数存在明显差异,且均大于0.5;矿化连续分布或间断出现的勘探线元素品位序列的Hurst指数大于0.65,表明元素序列具有标度不变性和长相关性,序列的持续强度与矿化程度基本一致,可为区域矿化强度定量识别提供一种新的有效方法。

基于分形学的瓦斯爆炸事故时序数据分析模型及应用

针对煤矿瓦斯爆炸灾害子系统的复杂非线性动力学特性,以南方某省1958—2007年的煤矿瓦斯爆炸事故发生数构建时间序列,应用霍斯特时间序列数据的标度行为,提出瓦斯爆炸时间序列的重标极差分析(R/S分析)方法。结果表明:瓦斯爆炸时间序列的霍斯特指数为0.550 2,分形维数为1.449 8,其分式布朗运动轨迹表现出一定的持久性和非高斯性。为诊断瓦斯爆炸事故时间序列变异年份,对时间序列进行分段R/S分析,获得变异年份为1974年,以1974年为分界点构成2个时间序列,霍斯特指数分别为0.589 1和0.697 5,分形维数为1.410 9和1.302 5,与煤矿瓦斯爆炸事故时间序列的持久性趋势一致。煤矿瓦斯爆炸事故时间序列看似无序却蕴藏规律,反映了系统的动力学变化特征,R/S分析方法可以描述煤矿瓦斯爆炸事故时间序列的动力学特征。

基于集成学习的交通流短时特性分析与神经网络预测方法

为揭示交通流的内在动态特性,利用分析法对交通流分形特性进行研究,表明该城市交通流序列具有长程相关性;为达到更精准的短期交通预测效果,同时提出一种基于思维进化算法(MEC)对神经网络最优初始参数的定向搜索,解决神经网络易陷入局部最优的问题;并用自适应增强算法(adaptive enhancement algorithm,Adaboost)对优化过的神经网络集成,弥补神经网络对新样本集的泛化性能差缺陷,在此基础上通过预测误差平方和倒数准则重新调整Adaboost算法对弱预测器权值分布,使每个预测器最大程度提高网络预测精度。验证结果表明,改进MEC-BP_Adaboost模型与BP模型相比,均方误差和平均绝对误差分别下降78.2%和46.4%,证明本文改进方法对交通流预测具有合理性,对不同的交通流状态具有较好的适应性。

西藏地区1971——2008年台站观测总云量的变化特征

利用1971—2008年西藏地区22个台站观测的总云量资料,初步分析研究了西藏地区总云量的变化趋势。结果表明:西藏大部分区域年总云量呈显著减少的趋势,其中那曲中西部的减幅最大,达2.32%/10a,而南部边缘年总云量减少的趋势不显著。总云量与降水、相对湿度呈正相关,与日照时数、平均气温及气温日较差呈负相关。总云量的Hurst指数表明,西藏大部分地区总云量呈减少的趋势,未来这种减少的趋势将持续,短时期内不会发生逆转。

不同的分组方法对赫斯特指数的影响

赫斯特指数的计算过程需要对研究的时间序列数据进行分组,而不同的分组情况对赫斯特指数会产生不同的影响。以深圳股票市场1997-2001年的日收盘成分指数为例,表明组内数据为15个左右时计算的赫斯特指数的可信度较高,但不同的分组方法却不会使结论发生质的变化,仅是量的改变。

1971—2020年呼伦贝尔市积雪气候特征和未来趋势预估

利用1971—2020年呼伦贝尔市16个国家气象站最长积雪日数和最大积雪深度资料,采用经验正交函数(EOF)分析、重标极差分析(R/S)和非周期循环分析,统计最长积雪日数和最大积雪深度时间序列的Hurst指数、分维数和非周期循环的平均循环长度,分析最长积雪日数和最大积雪深度变化趋势和记忆周期;同时采用MOD10A2积雪产品,研究2001—2018年呼伦贝尔市积雪覆盖率变化。结果表明:(1)近50年呼伦贝尔市最长积雪日数呈递减趋势,最大积雪深度呈递增趋势;(2)积雪深度>20、30cm的年平均积雪日数主要出现在1996—2014年,其中积雪深度>30cm年平均积雪日数>1d;(3)呼伦贝尔市积雪初日出现在10月中旬至11月上旬,积雪终日在4月结束,积雪初日出现最早时间和积雪终日结束最晚时间都在呼伦贝尔市的北部地区;(4)R/S分析和非周期循环研究表明,呼伦贝尔市最长积雪日数和最大积雪深度H指数分别为0.5899和0.889,即最长积雪日数未来减少和最大积雪深度未来增多趋势持续,持续时间分别为8和12 a;(5)呼伦贝尔市年平均积雪覆盖率为98.87%,呈波动增加趋势,空间分布呈自西北向西南和东南地区增加,10月和翌年3月增加显著,9、12月和翌年4月减少。