1.【文献总结】| 基于机器学习方法的反演分析地面PM2.5定量反演研究
2.Hopfieldç¥ç»ç½ç»
3.帮我翻译成中文
【文献总结】| 基于机器学习方法的地面PM2.5定量反演研究
前言
当前地面定量反演研究拥有成熟的技术。研究者通过气溶胶光学厚度(AOD)与之间的成图高相关性,应用统计学方法(包括机器学习)或物理模型,源演图来实现的码反定量反演。本文是反演分析对利用机器学习方法进行这一研究的文献综述。
研究背景概述
为何进行定量反演研究?我国污染严重,成图javajdk底层源码成为首要污染物,源演图全面了解的码反空间分布对流行病研究和风险分析至关重要。地面监测站点离散分布,反演分析分布不均,成图限制了空间分布的源演图全面描述。
AOD与高度相关性
很多学者利用卫星遥感数据(尤其是码反DataParallel源码解析AOD产品)实现定量反演。原因在于,反演分析大多数卫星提供了反演的成图AOD数据,可以利用AOD进行反演。源演图部分研究因AOD数据不足或不满足需求,需自己设计算法反演AOD。本文重点探讨AOD至的反演过程。
AOD反演存在的问题
AOD反演面临多重挑战,包括气溶胶时空特性的复杂性、探测技术精度限制、关键信息缺乏、大气垂直信息获取难、棋类源码吧云层干扰、数据资源浪费等。PM2.5监测数据离散、不均匀、监测时限短,增加了反演难度。
常用反演方法
暗目标算法和深蓝算法是最常用的反演方法,依赖可见光与中红外波段反射率关系。下图展示了部分常用的气溶胶反演算法。
基于机器学习的反演
使用了GWR、Two-Stage Model、view查看源码Geoi-DBN、STRF、MI+Two-stage等反演算法。算法流程包括数据预处理、输入设计、模型训练和预测。
算法流程与参数
算法输入包含AOD数据、地面PM2.5数据、气象数据和辅助数据。数据预处理涉及重投影、时间连续性检查和分辨率统一。学习源码 包括模型训练采用交叉验证方法,包括时间、空间和时空交叉验证。模型预测分析结果的时空分布。
反演算法
GWR是一种局部回归模型,通过调整权重实现拟合。STRF结合了时空信息,提高了拟合效果。DBN作为深度学习模型,用于提取特征并进行预测。
其他问题与创新
文章讨论了直接从卫星数据反演PM2.5的方法和AOD缺失值填补技术,使用多重填补算法MI来提高反演准确性。
模型预测与结果分析
研究结果通常包括空间分布图、年均值、季节性均值分布等。额外分析涉及PM2.5热点区域和人均暴露水平。
思考与展望
反演过程中时空信息的提取是关键,借鉴交通领域的方法,如ST-3DNet,可以更精细地捕捉时空相关性,提高预测性能。
总结与后续
综述了机器学习方法在定量反演中的应用,分析了研究背景、方法、挑战和创新。未来研究可关注时间点的扩展(过去或未来),以提升预测能力。
个人成长与交流
总结学习经验,提出个人微信二维码,鼓励交流和指正。
Hopfieldç¥ç»ç½ç»
Hopfieldç¥ç»ç½ç»(Hopfield Neural Networkï¼ç®ç§° HNN)ï¼æ¯ç¾å½å å·çå·¥å¦é¢ç©çå¦å®¶Hopfieldææå¹´æåºçä¸ç§åé¦åç¥ç»ç½ç»ï¼ä¿¡å·ä¸ä½è½ååï¼è¿è½ååä¼ é(è¾åºä¿¡å·ååé¦åæ¥åæè¾å ¥ä¿¡å·ãèåé¢æä»ç»çBPç½ç»æ¯ä¸ç§åé¦ç½ç»ï¼ä¿¡å·åªè½ååä¼ é)ãä»å¨Hopfieldç¥ç»ç½ç»ä¸å¼å ¥äºâè½éå½æ°âæ¦å¿µï¼ä½¿ç½ç»çè¿è¡ç¨³å®æ§çå¤ææäºå¯é ä¾æ®ãHopfieldç¥ç»ç½ç»çæå¼ä¸æ¯ç»è¿åå¤å¦ä¹ è·å¾çï¼èæ¯æç §ä¸å®è§å计ç®åºæ¥çï¼ä¸ç»ç¡®å®å°±ä¸åæ¹åï¼èHopfieldç¥ç»ç½ç»çç¶æ(è¾å ¥ãè¾åºä¿¡å·)ä¼å¨è¿è¡è¿ç¨ä¸ä¸ææ´æ°ï¼ç½ç»æ¼åå°ç¨³ææ¶åç¥ç»å çç¶æ便æ¯é®é¢ç解ãå¹´ï¼HopfieldåTankç å¶äºçµå线路æ¥æ¨¡æHopfieldç½ç»ï¼è¾å¥½å°è§£å³äºä¼åç»åé®é¢ä¸èåçTSP(æ è¡å)é®é¢ï¼æ¾å°äºæ佳解çè¿ä¼¼è§£ï¼ä¸ºç¥ç»ç½ç»çå¤å ´å»ºç«äºä¸å¯ç£¨ççåå³ã
对äºå°çç©çåæ¼è¿ç§æä¼åé®é¢ï¼å¯ä»¥å¾æ¹ä¾¿å°ç¨Hopfieldç½ç»æ¥å®ç°ãåæ¼çç®æ å½æ°çäºHopfieldç½ç»çâè½éå½æ°âï¼ç½ç»çç¶æ(è¾å ¥ãè¾åºä¿¡å·)å°±æ¯æ¨¡åçåæ°ï¼ç½ç»æ¼åå°ç¨³ææ¶åç¥ç»å çè¾å ¥è¾åºå¼ä¾¿æ¯åæ¼é®é¢ç解ã
Hopfieldç¥ç»ç½ç»å为离æ£ååè¿ç»å两ç§ç½ç»æ¨¡åï¼åå«è®°ä¸ºDHNN(Discrete Hopfield Neural Network)åCHNN(Continues Hopfield Neural Network)ã
å¨åé¦åç½ç»ä¸æ 论æ¯ç¦»æ£çè¿æ¯è¿ç»çï¼ä¸è¬åä¸èèè¾å ¥ä¸è¾åºä¹é´å¨æ¶é´ä¸çæ»åæ§ï¼èåªè¡¨è¾¾ä¸¤è ä¹é´çæ å°å ³ç³»ãä½å¨è¿ç»Hopfieldç¥ç»ç½ç»ä¸ï¼èèäºè¾åºä¸è¾å ¥ä¹é´ç延è¿å ç´ ï¼å æ¤éè¦ç¨å¾®åæ¹ç¨æå·®åæ¹ç¨æ¥æè¿°ç½ç»çå¨ææ°å¦æ¨¡åã
8.5.4.1 离æ£Hopfieldç¥ç»ç½ç»
离æ£Hopfieldç¥ç»ç½ç»çææç»æå¦å¾8.æ示ãè¿æ¯ä¸ç§åå±å ¨åé¦ç½ç»ï¼å ±æn个ç¥ç»å ãå¾8.çç¹ç¹æ¯ä»»æä¸ä¸ªç¥ç»å çè¾åºxiåªè½æ¯0æ1ï¼åéè¿è¿æ¥æwijåé¦è³ææç¥ç»å jä½ä¸ºå®çè¾å ¥xjãä¹å°±æ¯è¯´ï¼æ¯ä¸ªç¥ç»å é½éè¿è¿æ¥ææ¥æ¶ææå ¶ä»ç¥ç»å è¾åºåé¦çä¿¡æ¯ï¼è¿æ ·æ¯ä¸ä¸ªç¥ç»å çè¾åºé½åå ¶ä»ææç¥ç»å è¾åºçæ§å¶ï¼ä»èæ¯ä¸ªç¥ç»å çè¾åºç¸äºå¶çº¦ãæ¯ä¸ªç¥ç»å å设ä¸ä¸ªéå¼Tiï¼ä»¥åæ 对è¾å ¥åªå£°çæ§å¶ã
å¾8. 离æ£Hopfieldç¥ç»ç½ç»çææç»æ[8]
8.5.4.1.1 ç½ç»çç¶æ
离æ£Hopfieldç¥ç»ç½ç»ä»»æä¸ä¸ªç¥ç»å çè¾åºxj称为ç½ç»çç¶æï¼å®åªè½æ¯0æ1ãååè§å¾ç±ä¸å¼è§å®:
xj=f(netj) j=1ï¼2ï¼â¦ï¼nãã(8.)
f( )为转移å½æ°ï¼ç¦»æ£ Hopfieldç¥ç»ç½ç»ç转移å½æ°å¸¸ç¨ç¬¦å·å½æ°è¡¨ç¤º:
å°çç©çåæ¼æç¨
å ¶ä¸netj为åè¾å ¥:
å°çç©çåæ¼æç¨
对离æ£Hopfieldç¥ç»ç½ç»ï¼ä¸è¬æ
wij=0ï¼wij=wji (8.)
è¿è¯´æç¥ç»å 没æèªåé¦ï¼ä¸¤ä¸ªç¥ç»å çç¸äºæ§å¶æå¼ç¸åã
离æ£Hopfieldç¥ç»ç½ç»ç¨³å®æ¶ï¼æ¯ä¸ªç¥ç»å çç¶æé½ä¸åæ¹åãæ¤æ¶ç稳å®ç¶æå°±æ¯ç½ç»çè¾åºï¼è®°ä¸º
å°çç©çåæ¼æç¨
8.5.4.1.2 ç½ç»çå¼æ¥å·¥ä½æ¹å¼
å®æ¯ä¸ç§ä¸²è¡æ¹å¼ï¼ç½ç»è¿è¡æ¶æ¯æ¬¡åªæ¹åä¸ä¸ªç¥ç»å çç¶æï¼å ¶ä»ç¥ç»å çç¶æä¿æä¸åã
8.5.4.1.3 ç½ç»çåæ¥å·¥ä½æ¹å¼
å®æ¯ä¸ç§å¹¶è¡åæ¥å·¥ä½æ¹å¼ï¼ææç¥ç»å åæ¶è°æ´ç¶æã
8.5.4.1.4 ç½ç»çå¸å¼å
ç½ç»è¾¾å°ç¨³å®ç¶ææ¶çè¾åºXï¼ç§°ä¸ºç½ç»çå¸å¼åã
8.5.4.1.5 ç½ç»çè½éå½æ°
ç½ç»çè½éå½æ°å®ä¹ä¸º
å°çç©çåæ¼æç¨
以ä¸æ¯ç©éµå½¢å¼ï¼èèæ èªåé¦çå ·ä½å±å¼å½¢å¼ä¸º
å°çç©çåæ¼æç¨
å½ç½ç»æ¶æå°ç¨³å®ç¶ææ¶ï¼æ
ÎE(t)=E(t+1)-E(t)=0 (8.)
æè 说:
å°çç©çåæ¼æç¨
ç论è¯æäºå¦ä¸ä¸¤ä¸ªå®ç[8]:
å®ç1.对äºDHNNï¼è¥æå¼æ¥æ¹å¼è°æ´ç½ç»ç¶æï¼ä¸è¿æ¥æç©éµW为对称éµï¼å对任æåå§ç¶æï¼ç½ç»é½è½æç»æ¶æå°ä¸ä¸ªå¸å¼åã
å®ç2.对äºDHNNï¼è¥æåæ¥æ¹å¼è°æ´ç½ç»ç¶æï¼ä¸è¿æ¥æç©éµW为éè´å®å¯¹ç§°éµï¼å对任æåå§ç¶æï¼ç½ç»é½è½æç»æ¶æå°ä¸ä¸ªå¸å¼åã
8.5.4.1.6 å©ç¨ç¦»æ£Hopfieldç¥ç»ç½ç»è¿è¡åæ¼
å¨å°çç©ç线æ§åæ¼ä¸ï¼è®¾æå¦ä¸ç®æ å½æ°:
å°çç©çåæ¼æç¨
对æ¯å¼(8.)åå¼(8.)åç°å®ä»¬å¨å½¢å¼ä¸æå¾å¤ç¸ä¼¼ä¹å¤ãç家æ çãå°çç©çåæ¼ç论ãä¸ä¹¦ä¸ï¼ç´æ¥ç¨å¼(8.)åå¼(8.)ç±»æ¯ï¼å ¬å¼æ¾å¾å¤æãæ¬ä¹¦è®¾ç«ä¸ä¸ªæ°çç®æ å½æ°ϕï¼å ¬å¼å°ä¼åå¾ç®æ´å¾å¤:
å°çç©çåæ¼æç¨
å对æ¯å¼(8.)åå¼(8.)ï¼åç°å®ä»¬å®å ¨ä¸æ ·ï¼åªè¦è®¾:
X(t)=mï¼W=GTGï¼T=GTd (8.)
注æ:å¼(8.)çç®æ å½æ°ϕçæ大å¼è§£å°±æ¯åæ¥ç®æ å½æ°Ïæå°å¼ç解ï¼å®ä»¬æ¯å解çã
å¦æå¾ åæ¼ç模ååæ°æ¯ç¦»æ£ç0æ1å¼ï¼é£ä¹å¯ä»¥ç´æ¥åºç¨ç¦»æ£Hopfieldç¥ç»ç½ç»è¿è¡åæ¼ãä½æ¯ä¸è¬å®ä»¬é½æ¯è¿ç»çæ°å¼ï¼æ以è¿è¦å°æ¨¡ååæ°è¡¨ç¤ºä¸ºäºè¿å¶[1]:
å°çç©çåæ¼æç¨
å ¶ä¸:Bij=0æ1为äºè¿å¶æ°;DåU为æ´æ°ï¼åå³äºæ¨¡ååæ°ç大å°å精度ãè¿æ ·ç¬¬i个模ååæ°å°±ç¨Bij表示为äºäºè¿å¶æ°ãå°å¼(8.)ä»£å ¥ç®æ å½æ°å¼(8.)ååä¸ç¦»æ£Hopfieldç¥ç»ç½ç»çè½éå½æ°è¿è¡å¯¹æ¯ï¼ç¡®ç«æ°ççä»·å ³ç³»åï¼å°±å¯ä»¥è¿è¡åæ¼äºã
è¿ä¸ªæ°ççä»·å ³ç³»å¼å¯ä»¥åè§ç家æ çãå°çç©çåæ¼ç论ã[1]ä¸ä¹¦ã
åæ¼çè¿ç¨å¤§è´å¦ä¸:
(1)æ ¹æ®æ¨¡ååæ°ç大å°èå´å精度确å®DåUï¼å°åå§è¾å ¥æ¨¡ååæ°å为äºè¿å¶æ°ã设ç«ä¸ä¸ªæå精度æ åï¼å¦ç¸å¯¹åæ¹å·®Îµï¼è®¾å®ä¸ä¸ªæ大è¿ä»£æ¬¡æ°N(ææç¥ç»å çè¾åºé½ä¿®æ¹ä¸æ¬¡ç§°ä¸ºä¸æ¬¡è¿ä»£)ã
(2)å©ç¨æ°æ®æ¹ç¨çGç©éµ(å¨ä¸è¬æ åµä¸éç¨å导æ°ç©éµè·å¾)计ç®ç½ç»çæå¼åéå¼ã
(3)å°äºè¿å¶åå§æ¨¡ååæ°è¾å ¥ç½ç»å¹¶è¿è¡ç½ç»ã
(4)ææ¯æ¬¡è¿ä»£ç½ç»è¾åºå¼å为åè¿å¶æ¨¡ååæ°ï¼è¿è¡æ£æ¼è®¡ç®ãå¦ææå满足精度εï¼ååæ¢ç½ç»è¿è¡å¹¶è¾åºåæ¼ç»æãå¦åéå¤(2)~(4)æ¥ç´å°æ»¡è¶³ç²¾åº¦æè¾¾å°æå¤è¿ä»£æ¬¡æ°N为æ¢ã
å¨ä¸è¬æ åµä¸ï¼å°çç©çæ°æ®æ¹ç¨çGç©éµæ¯æ æ³ç¨è§£æå¼ååºçï¼éè¦ç¨å导æ°ç©éµè·å¾ï¼å®æ¯ä¾èµäºè¾å ¥åæ°çï¼å æ¤ç½ç»çæ¯æ¬¡è¿ä»£é½è¦éæ°è®¡ç®å导æ°ç©éµãè¿ä¸ªè®¡ç®éæ¯å¾å¤§çãå æ¤ä»çåæ¼è¿ç¨åæå°äºä¹æ³ç¸ä¼¼ãæ¤å¤ï¼ç¨Hopfieldç¥ç»ç½ç»è¿è¡åæ¼åæ ·æå¯è½é·å ¥å±é¨æå¼ç¹(å¸å¼å)ãå æ¤åæ ·ååå§æ¨¡åçå½±åï¼éè¦å°½é让åå§æ¨¡åæ¥è¿çå®æ¨¡åã
8.5.4.2 è¿ç»Hopfieldç¥ç»ç½ç»(CHNN)[8]
å¹´ï¼Hopfieldæ离æ£Hopfieldç¥ç»ç½ç»åå±ä¸ºè¿ç»Hopfieldç¥ç»ç½ç»ãä½ææç¥ç»å é½åæ¥å·¥ä½ï¼åè¾å ¥è¾åºé为éæ¶é´ååçè¿ç»ç模æéï¼è¿å°±ä½¿å¾CHNNæ¯DHNNå¨ä¿¡æ¯å¤çç并è¡æ§ãå®æ¶æ§æ¹é¢æ´æ¥è¿å®é ççç©ç¥ç»ç½ç»å·¥ä½æºçãå æ¤å©ç¨CHNNè¿è¡å°çç©çåæ¼æ´å æ¹ä¾¿ã
CHNNå¯ä»¥ç¨å¸¸ç³»æ°å¾®åæ¹ç¨æ¥æè¿°ï¼ä½ç¨æ¨¡æçµå线路æ¥æè¿°ï¼åæ´å 形象ç´è§ï¼æäºç解ãå¾8.为è¿ç»Hopfieldç¥ç»ç½ç»çææç»æ[8]ã
å¾8. è¿ç»Hopfieldç¥ç»ç½ç»çææç»æ[8]
å¾8.ä¸æ¯ä¸ªç¥ç»å ç¨ä¸ä¸ªè¿ç®æ¾å¤§å¨æ¨¡æï¼ç¥ç»å çè¾å ¥è¾åºç¨æ¾å¤§å¨çè¾å ¥è¾åºçµå表示ï¼è¿æ¥æç¨çµå¯¼è¡¨ç¤ºãæ¯ä¸ªæ¾å¤§å¨æä¸ä¸ªæ£åè¾åºåä¸ä¸ªååè¾åºï¼åå«è¡¨ç¤ºå ´å¥åæå¶ãæ¯ä¸ªç¥ç»å è¿æä¸ä¸ªç¨äºè®¾ç½®æ¿æ´»çµå¹³çå¤çè¾å ¥åç½®çµæµä½ä¸ºéå¼ã
è¿éç±äºç¯å¹ å ³ç³»ä¸å累述ãæå ´è¶£ç读è å¯ä»¥åèå ¶ä»æç®ã
帮我翻译成中文
2.2检索户}关于月ectivity的om雷达
水的总额在大气的,
在云彩的特殊液体水含量,是一个
确定降雨雪过程的重要因素
并且在人工造雨改进的需要考虑。
除航空器测量之外,遥感
从地面看来更加经济和E-F
ficient为长期观察。 雷达回波
用于许多研究(即,等李, a;
赵等, 年; 犬齿年; 肖等, 年; Tian
等)云彩microp师sical结构分析的
并且式样评估。 Lii ()等回顾了
在大气遥感和卫星的进展
气象学在中国,特别是在Insti-之内
大气物理tute。 刘和Ge ()给了
在雷达气象学研究的概要在凯爱
气象科学的nese学院在过去期间
半世纪,集中于广告的应用
vanced双重线极化雷达他们开发了
在观看,警告和nowcasting大雨
秋天(等刘, 年, c; Cao和刘年; Cao
等)。 陈()提出了概念那
能确定从云彩的云彩液体水道路
沿卫星地球道路的微波衰减。
等李(b, c)开发了方法检索
覆盖水混合的比率(q}),雨水混合的比率
(qr)和水蒸气混合的比率(q ?) 从多谱勒仪
天气雷达的反射性。 他们显示了那ini-
mesoscale数字模型的tial领域,包括
这些被检索的云彩microphysical消息,会
为数字nowcasting是有用的precipita-
tion。 Wang和储()做了介绍
极化天气的成功的应用
雷达海外和谈论应用问题
极化在人工影响天气的天气雷达。
刘(e)等报告了他们的在开发的进展
depolar-测量的外形的极化激光雷达
卷云和亚洲尘土湿剂ization比率。
在Hefei的主要观察上的结果,在安徽
位于东部中心位置的中国,展示七帽子的省depo-
卷云的larization比率变化从0.4到0.5。
刘()等介绍了方法地基
微波幅射计inte-遥感检索
被磨碎的水蒸气和在的云彩液体水在
mosphere。 然而; 被检索的结果的偏心仍然是
大和更多在比较的工作在雷达之间
检索和航空器测量应该完成