检索结果-南通市图书馆

PSO-LSTM-TMPH模型在水库调蓄流域径流模拟中的应用

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

中国农村水利水电 2024年第5期 191-199,214页

作者：陈润庭林泳恩林泽群张智庄胜杰王大刚中山大学地理科学与规划学院广东广州510000

水库的建设和运行使得水库下游流量发生了显著改变,为了在月径流模拟中充分考虑水库的调蓄作用,选择东江流域作为典型流域,使用粒子群算法优化的长短期神经网络(Particle Swarm Optimization-Long Short Term Memory,PSO-LSTM)对东江流... 详细信息

水库的建设和运行使得水库下游流量发生了显著改变,为了在月径流模拟中充分考虑水库的调蓄作用,选择东江流域作为典型流域,使用粒子群算法优化的长短期神经网络(Particle Swarm Optimization-Long Short Term Memory,PSO-LSTM)对东江流域的3个多功能水库枫树坝、新丰江、白盆珠水库的出流进行了模拟,并与传统的水库模型Level Pool Scheme(LPS)进行对比;使用三参数月度水文模型(Three-Parameter Monthly Hydrological Model Based on the Proportionality Hypothesis,TMPH)进行水库入流和区间来水模拟,与上述两种水库出流模型结合分别形成PSO-LSTM-TMPH和LPS-TMPH对东江流域重要站点龙川、河源、岭下、博罗进行预见期为一个月的径流模拟。结果表明:①PSO-LSTM在三大水库的模拟中效果均好于LPS,尤其在新丰江水库出流模拟中,在验证期的纳什效率系数(Nash-Sutcliffe Efficiency,NSE)、均方根误差(Root Mean Square Error,RMSE)分别为0.59、55.59 m^(3)/s,相比LPS提高了0.22,降低了17.01 m^(3)/s,说明该模型可以很好地捕捉多年调节水库复杂的水库出流规则;②PSO-LSTM-TMPH模拟龙川站、河源站、岭下站、博罗站径流的NSE为0.87,0.86,0.91,0.93,相比LPS-TMPH,NSE提高了0.09、0.21、0.07、0.03;③在测试期内,PSO-LSTM-TMPH水库出流模拟效果仍然较好,相比训练期、验证期模拟效果差异小,说明模型的模型泛化能力较强。研究建立的PSOLSTM-TMPH混合模型可以结合深度学习和物理模型各自的优势,适用于人类活动干扰下的径流模拟,可为优化水资源利用、实施干旱调度等提供技术支撑。

关键词： TMPH模型 LSTM PSO 水库调蓄径流模拟东江流域

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

堆叠集成模型径流预报效果的影响因素研究

水文 2023年第1期43卷 57-61页

作者：林泳恩孟越杜懿王大洋王大刚中山大学地理科学与规划学院广东广州510000

为了研究堆叠集成模型预报效果的可能影响因素,以安墩水流域为例,选择支持向量回归、多元线性回归、长短期记忆神经网络、前馈神经网络、梯度提升回归树、自回归积分滑动平均模型以及自适应增强算法作为基学习器,选择多元线性回归、支... 详细信息

为了研究堆叠集成模型预报效果的可能影响因素,以安墩水流域为例,选择支持向量回归、多元线性回归、长短期记忆神经网络、前馈神经网络、梯度提升回归树、自回归积分滑动平均模型以及自适应增强算法作为基学习器,选择多元线性回归、支持向量回归、多层感知机作为元学习器,建立多个堆叠集成模型,并基于平均绝对误差、均方根误差、纳什效率系数构建综合评价指标,对各集成模型的预报效果进行了对比分析。研究表明,堆叠集成模型的预测效果与基学习器的数量无关,与基学习器的质量呈正相关关系。此外,不同的元学习器选择也会对堆叠集成模型的预测效果产生影响。该研究可为利用堆叠集成模型进行径流预报提供科学指导。

关键词：堆叠集成模型径流预报机器学习基学习器元学习器

SMOS和SMAP卫星土壤水分产品的对比评价与差异分析

在线全文

学校读者我要写书评

暂无评论

中山大学学报（自然科学版）（中英文） 2022年第5期61卷 9-21页

作者：孟越王大刚林泳恩杜懿张智王大洋林泽群中山大学地理科学与规划学院广东广州510006

为了对比分析SMOS(soil moisture and ocean salinity)和SMAP(soilmoisture active passive)遥感产品土壤含水量数据的质量与精度,本文基于来自美国本土的3种测站网络CRN(climate reference network)、SCAN(soil climate analysis network)和SNOTEL(snowpack telemetry network)的261个站点实测数据,从整体与分站点两个角度进行评价,并探究影响二者表现差异的不同影响因子。结果表明:①对两种卫星遥感水分产品进行整体评价或按照站点进行评价时,SMAP表现均优于SMOS;②同一土壤水分产品在不同土地覆盖类型下的精度差异较大,不同土壤水分产品对于同种土地覆盖类型的响应不同;③季节变化下温度和降水变化,从而影响卫星反演精度;④地形与海拔变化也会引起卫星产品反演水平的变化,随着海拔高度升高,卫星观测的准确性降低。综合来看,目前直接利用卫星观测获取的土壤含水量与实测值之间仍存在一定差异,未来我们应进一步提高卫星观测数据的准确性。

关键词：土壤含水量土壤水分卫星遥感产品对比评价差异分析

PSO-LSTM-TMPH模型在水库调蓄流域径流模拟中的应用

在线全文

学校读者我要写书评

暂无评论

中国农村水利水电 2023年

作者：陈润庭林泳恩林泽群张智庄胜杰王大刚中山大学地理科学与规划学院

水库的建设和运行使得水库下游流量发生了显著改变，为了在月径流模拟中充分考虑水库的调蓄作用，选择东江流域作为典型流域，使用粒子群算法优化的长短期神经网络(Particle Swarm Optimization- Long Short Term Memory，PSO-LSTM)对... 详细信息

水库的建设和运行使得水库下游流量发生了显著改变，为了在月径流模拟中充分考虑水库的调蓄作用，选择东江流域作为典型流域，使用粒子群算法优化的长短期神经网络(Particle Swarm Optimization- Long Short Term Memory，PSO-LSTM)对东江流域的三个多功能水库枫树坝、新丰江、白盆珠水库的出流进行了模拟，并与传统的水库模型Level Pool Scheme(LPS)进行对比；使用三参数月度水文模型(Three-Parameter Monthly Hydrological Model Based on the Proportionality Hypothesis，TMPH)进行水库入流和区间来水模拟，与上述两种水库出流模型结合分别形成PSO-LSTM-TMPH和LPS-TMPH对东江流域重要站点龙川、河源、岭下、博罗进行预见期为一个月的径流模拟。结果表明：1) PSO-LSTM在三大水库的模拟中效果均好于LPS，尤其在新丰江水库出流模拟中，在验证期的纳什效率系数(Nash-Sutcliffe Efficiency，NSE)、均方根误差(Root Mean Square Error，RMSE)分别为0.59、55.59 m3/s，相比LPS提高了0.22，降低了17.01m3/s，说明该模型可以很好地捕捉多年调节水库复杂的水库出流规则；2)PSO-LSTM-TMPH模拟龙川站、河源站、岭下站、博罗站径流的NSE为0.87，0.86，0.91，0.93，相比LPS-TMPH，NSE提高了0.09、0.21、0.07、0.03；3)在测试期内，PSO-LSTM-TMPH水库出流模拟效果仍然较好，相比训练期、验证期模拟效果差异小，说明模型的模型泛化能力较强。本研究建立的PSO-LSTM-TMPH混合模型可以结合深度学习和物理模型各自的优势，适用于人类活动干扰下的径流模拟，可为优化水资源利用、实施干旱调度等提供技术支撑。

关键词： TMPH模型 LSTM PSO 水库调蓄径流模拟东江流域

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

高花青素茶呈色与花青素积累机制研究进展

食品安全质量检测学报 2022年第11期13卷 3585-3592页

作者：张凯凯苏鸿锋林泳恩张凌云华南农业大学园艺学院广州510642

茶叶(Camellia sinensis)是世界上最受欢迎的无酒精饮料,也是最古老的饮料。中国作为茶叶的发源地,拥有丰富的茶叶资源。高花青素紫芽茶作为一种特殊的茶叶变种,其中的花青素不仅有利于提高茶树自身抵抗逆境的能力,还有显著的抗氧化、... 详细信息

茶叶(Camellia sinensis)是世界上最受欢迎的无酒精饮料,也是最古老的饮料。中国作为茶叶的发源地,拥有丰富的茶叶资源。高花青素紫芽茶作为一种特殊的茶叶变种,其中的花青素不仅有利于提高茶树自身抵抗逆境的能力,还有显著的抗氧化、抗肿瘤、消炎及预防心脑血管疾病等保健功效,越来越受到人们的关注。近年来,对于高花青素紫芽茶树的研究主要集中在育种和茶叶适制性,以及花青素的生物合成机制。本文综述了近年来高花青素茶树的育种工作、紫芽茶中的花青素成分、高花青素茶的叶片呈色机制以及花青素合成与积累的生物学机制,并对今后的发展方向提出展望,以期更加全面的理解花青素的合成、转运和降解机制,构建健全的高花青素茶种质体系,为进一步开发利用高花青素茶资源提供理论依据,也为其他植物花青素的研究提供参考。

关键词：茶树花青素品种选育呈色机制积累机制

不同集成模型对小流域短时径流预报的影响研究

在线全文

学校读者我要写书评

暂无评论

中国农村水利水电 2021年第11期 97-102页

作者：林泳恩杜懿孟越解河海王大刚中山大学地理科学与规划学院广州510000 珠江水利委员会珠江水利科学研究院广州510000

为提高安墩水流域的短时径流预报效果,分别建立了bagging集成模型、stacking集成模型、GBDT集成模型以及AdaBoost集成模型,并以相关系数、平均绝对误差、平均相对误差、均方根误差、纳什效率系数、达标率等评价指标对各集成模型的预报... 详细信息

为提高安墩水流域的短时径流预报效果,分别建立了bagging集成模型、stacking集成模型、GBDT集成模型以及AdaBoost集成模型,并以相关系数、平均绝对误差、平均相对误差、均方根误差、纳什效率系数、达标率等评价指标对各集成模型的预报效果进行了对比。研究表明,这四种集成模型均能用于安墩水短期径流预报,其中bagging集成模型整体表现最好,且稳定性最高。此外,本文还针对各集成模型预报效果对洪水规模的敏感性进行了详细分析,结果表明,AdaBoost集成模型对大流量来水预测效果较好,而bagging集成模型和stacking集成模型对小流量来水预测效果较好。综合来看,bagging集成模型对安墩水流域的短时径流预报效果最好。该研究可为安墩水流域未来的洪水预报、水资源管理等工作提供科学指导。

关键词：径流预报集成学习机器学习径流规模

在线全文

学校读者我要写书评

暂无评论

黄河下游利津断面年径流量预测研究

水力发电 2021年第6期47卷 7-11,33页

作者：杜懿王大洋林泳恩王大刚中山大学地理科学与规划学院广东广州510275

以黄河利津断面1952年~2018年的径流数据为基础来开展年径流量预测研究,基于GA-SVM模型分别制订了4种预报方案。对比发现,随着输入信息的增多,模型预测能力不断提升。在输入信息不变的情况下,通过结合信号分解技术制定了方案四。方案四... 详细信息

以黄河利津断面1952年~2018年的径流数据为基础来开展年径流量预测研究,基于GA-SVM模型分别制订了4种预报方案。对比发现,随着输入信息的增多,模型预测能力不断提升。在输入信息不变的情况下,通过结合信号分解技术制定了方案四。方案四下的6种模型较方案一在预测精度上有了明显提高,其中以VMD-GA-SVM最佳。研究表明,在不额外增加输入信息的情况下,仅利用信号分解技术进行数据预处理便可有效提高模型预测精度,可为水文时间序列的预测研究提供一种新的思路。

关键词：年径流变分模态分解遗传算法支持向量机黄河流域

在线全文

学校读者我要写书评

暂无评论

初中历史教学中开展分层教学的实施措施

智力 2024年第2期 128-131页

作者：林泳华诸城市繁荣路学校

分层教学能够能够满足不同学生的学习需求，使每个学生都得到适当的关注指导，进而激发学生的学习兴趣，促进学生个性化发展，提升学生的学习效果。在初中历史教学中开展分层教学，教师可以根据学生的学习能力、知识储备、兴趣等进行灵... 详细信息

分层教学能够能够满足不同学生的学习需求，使每个学生都得到适当的关注指导，进而激发学生的学习兴趣，促进学生个性化发展，提升学生的学习效果。在初中历史教学中开展分层教学，教师可以根据学生的学习能力、知识储备、兴趣等进行灵活分层，提高学生的学习积极性和参与度，培养他们的思维能力和历史素养。基于此，文章分析了分层教学的原则、初中历史教学现状，在此基础上提出了实施框架和策略，以期为初中历史教学中开展分层教学的教育实践提供一定的参考。

关键词：初中历史教学分层教学

大数据驱动作业治理效能提升的思考与实践——基于福建师范大学附属福清德旺中学作业治理的探索

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

福建教育 2024年第28期 8-12页

作者：林泳许福建师范大学教师教育学院福建师范大学附属福清德旺中学

在大数据技术的助力下,教师可有效实施高效能、精细化的教学管理,尤其是“双减”政策下的作业治理。近些年来,福建师范大学附属福清德旺中学拟定作业治理行动框架,开发大数据教学治理平台,提出作业治理的相应策略和实践路向,探索大数据... 详细信息

在大数据技术的助力下,教师可有效实施高效能、精细化的教学管理,尤其是“双减”政策下的作业治理。近些年来,福建师范大学附属福清德旺中学拟定作业治理行动框架,开发大数据教学治理平台,提出作业治理的相应策略和实践路向,探索大数据驱动作业治理效能提升的深度融合方式,取得一定效果。

关键词：福建师范大学深度融合思考与实践大数据技术效能提升教学管理大数据驱动德旺