长三角地区2014—2019年大气环流型下的PM_(2.5)和O_(3)污染特征

基于中国中东部地区2014—2019年秋、冬季(11月—次年2月)、暖季(4—10月)的细颗粒物(PM_(2.5))、臭氧(O_(3))监测数据,运用T-mode斜交旋转主成分分析法(T-mode PCA)对长三角及周边地区2014—2019年925 hPa位势高度和风场进行大样本客观分型,总结了有利于和不利于长三角地区PM_(2.5)和O_(3)污染发生的大气环流类型。结果表明,17类大气环流类型会影响长三角地区空气质量,并进一步识别出PM_(2.5)污染和O_(3)污染易发的大气环流型。其中,秋、冬季PM_(2.5)污染易发的环流型是冷锋相关(AW_CT2)和出海高压(AW_CT3和AW_CT5)相关,前者可能与上风向PM_(2.5)污染输送相关,后者则可能以局地累积和转化过程为主。副高控制(Spring_CT1和Summer_CT1)和均压场(Summer_CT3和Autumn_CT2)环流型则有利于促发暖季O_(3)污染;在Spring_CT1、Summer_CT1、Summer_CT3和Autumn_CT2环流型下,长三角5个重点城市O_(3)超标率和ρ(O_(3)-8 h)水平高于同季节的其他环流类型,但气象和化学影响机制可能有所差异。此外,副高控制和均压场环流型也易导致上海、杭州和南京等城市出现暖季PM_(2.5)和O_(3)双高污染。

基于机器学习的风场预报订正方法研究

为了实现更准确的站点风预报,结合中尺度数值模式WRF预报结果和自动气象站观测数据,采用反距离加权插值法,将模式网格和观测站点的数据进行融合构建训练集,利用3种机器学习方法对WRF预报的风场结果进行订正,优化风场预报准确率。其中随机森林模型实现风速的预报均方根误差(RMSE)平均降低了18.22%,风向降低了15.97%;LightGBM模型对于风速、风向的RMSE平均降低了18.60%和17.56%;深度神经网络模型对于风速、风向的RMSE平均降低了5.53%和9.10%。对2020年宁波市9个大风过程进行检验,利用LightGBM模型对于3个站点预报进行订正,结果表明风速的RMSE从4.61 m/s下降到2.14 m/s,平均降低了53.58%,风向的RMSE从30.31°下降到18.20°,平均降低了39.95%。

基于集成学习的全球农地区域旱情监测方法与研究

农业是对全球变化响应最为敏感的部门之一,也是国民经济发展和社会稳定的基石。在全球农地区域,利用2002—2020年的MODIS数据分别计算归一化植被指数(NDVI)、植被健康指数(VHI)、叶面积指数(LAI)、总初级生产力指数(GPP),通过皮尔森相关系数(r)分别检验不同遥感指数之间的相关性,以评估不同指数在全球农地监测中的适用性和一致性,结果表明:不同遥感指数在全球的农地区域具有较好的相关性,每8d的NDVI与VHI、LAI、GPP的相关性分别为0.70、0.72、0.60,呈强相关。基于ERA5再分析资料,利用机器学习方法对多遥感指数进行融合,提高旱情监测的准确性,基于逻辑回归、贝叶斯模型、XGBoost模型、LightGBM及Stacking集成学习模型,在测试集上的分类准确率分别为0.69、0.66、0.84、0.83及0.86,基于集成学习融合策略可以有效提高旱情分类的准确率,本文的研究为全球农地旱情监测提供了新的思路和方法,具有较为重要的科研意义与广泛的应用价值。

基于自监督学习的高光谱图像降维算法

针对高光谱图像(HSI)分类中有标签样本少和数据高维度降低HSI像素分类精度的问题,提出一种基于自监督学习的特征提取方法,以提取表示HSI数据关键信息的低维度特征。首先利用无监督数据增强方法扩展HSI训练集;随后在自监督学习框架下利用扩展的数据集训练由一个外部注意力模块构造的特征提取模块,在光谱数据内在共现属性的监督下,提取单个样本波段之间的自亲和力特征和不同样本之间的潜在相关性;最后,利用训练的特征提取模块降维原始HSI数据后将其输入后续分类器,实现对HSI像素的分类。通过对Indian Pines、Salinas和Pavia University数据集降维结果的定量评价,验证了所提方法的可行性和有效性。实验结果表明:所提方法生成的特征提取模块可充分提取原始光谱数据中的空间-光谱特征,对训练集尺寸不敏感,适用于小样本HSI数据的场景。