一、气象数据在网络结构中的应用模型探讨（论文文献综述）
陶润喆[1]（2021）在《基于风云4号卫星图像的西藏地区云检测和降水外推预报研究》文中认为云和降水是表征天气和气候变化的重要指标,是全球能量循环的重要组成部分,使用卫星多仪器、多波段数据对云和降水进行观测已经成为当前大气遥感和气候变化领域的研究热点。西藏作为青藏高原的主体区域,其强大的热、动力作用对区域的气候变化有着非常重要的影响,研究高原云和降水具有重要的意义。同时,由于西藏地区的复杂地形条件、降水季节分配的不均匀性,导致在春夏季节极易受降水,大风等强对流天气的影响,产生各种地质灾害,严重威胁当地居民的生命财产安全和公路交通的正常运营。因此,本文对西藏地区开展大范围的云检测与降水预报工作。针对该地区气象观测站与雷达基站分布稀少,无法有效地开展大范围的天气监测,本文以高时间分辨、多观测波段的风云四号A星（FY-4A）为数据源。在遥感大数据的背景下,利用深度学习方法充分探究卫星多波段数据与云团、降水之间的对应关系,从而自动化地对西藏地区开展大范围的云检测、降水监测与预报工作。首先,针对在低空间分辨率的静止卫星图像上,由于一些小型云团只占有少量的像素点,现有的分割网络对小尺度云团目标以及云图轮廓无法实现精确的云检测这一问题。本文在大数据量的样本集下建立一种能够产生高分辨率表征的分割模型U-HRNet（U-High Resolution Network）,通过并行连接高分辨率到低分辨率的卷积结构,并进行多次多尺度特征融合,从而减少细节信息的丢失,实现精确地细节分割,检测结果的MIo U（Mean Intersection over Union）、PA（Pixel Accuracy）和F1-score分别为94.03%、94.21%和94.11%。对不同网络的检测结果与人工标注的真值进行比较,并利用客观评价指标进行分析。结果表明,所提出的U-HRNet在FY-4A静止卫星图像上的表现良好,能够有效地检测出NSMC云掩模产品中的错误区域,其性能优于现有方法。其次,以U-HRNet高精度分割模型为基础,针对降水云团的特点以及降水云与非降水云区分的问题,对网络结构进行改进,引入注意力机制模块,应用在降水云团检测与降水强度等级估计的小样本数据集中。以GPM（Global Precipitation Measurement）降水反演产品作为真值,在网络输入中融入高程数据,建立FY-4A多观测波段与降水之间的对应关系,从而实现对西藏全境的降水监测。降水强度估计结果的POD（Probability of Detection）、CSI（Critical Success Index）值为0.918、0.916,是几种对比方法中最高的,FAR（False Alarm Ratio）值为最低的0.045。然后,以FY-4A时序数据作为输入,利用时空预测网络挖掘卫星云图较长时段的时序依赖关系。针对现有方法外推结果精度不理想、图像模糊、数据质量不佳的问题,本文利用可变形卷积结构捕捉形变目标信息的能力来提高网络对云团特征的提取,并融合光流思想、云检测结果以及生成对抗网络结构,构造联合损失函数,提出一种对抗型Dconv GRU（Deformable Convolution GRU2Pixel,DCG2Pix）的云图预测模型,实现对30min后卫星云图以及多通道数据的高精度外推。通过与实际观测值对比,验证了预测数据的精确度。最终,将外推的高质量数据输入至建立好的降水强度等级估计模型中,实现对西藏全境的降水预报,通过与GPM降水数据的对比,证明了预报的准确性。
蔡朋艳[2]（2021）在《基于FY-4A卫星的云检测与云图预测方法研究》文中研究指明地球表面超过66%的区域常被云覆盖,而云的变化指示着各种天气现象的发生,当云的急剧变化发生在暴雨、雷电等灾害性天气中时,将会对人类的生活产生极大影响,甚至威胁人类的生命安全。尤其是西藏地区,夏季的强对流天气极易导致自然灾害的发生,因此需要监测该地区的云团变化情况以预防灾害的发生。风云四号A星实现了对云的实时观测,可提供高时间分辨率且多通道的观测数据,借助该数据分析云的动态变化可实现更为准确的天气预报。因此本文将风云四号A星作为数据源,并结合深度学习技术对西藏地区进行云检测与云图预测研究。针对现有深度学习模型体积较大且捕获云特征的能力较弱的问题,提出了基于改进U-Net网络的轻量级云检测模型。该模型以U-Net网络为基础框架,将全天候云图作为输入数据。将残差模块和卷积注意力模块融入U-Net网络中,提升模型对云特征的提取能力,并且几乎不会增加模型的计算复杂度。此外,在模型中使用深度可分离卷积可以在不降低模型性能的同时生成一个轻量级的云检测模型,为模型嵌入移动设备提供了可能。实验结果表明本文提出的云检测模型可以检测出大量的碎云和薄云,平均交并比指标达到了92.21%,与U-Net相比,提升了1.79%。针对现有的时间序列预测模型生成的云图模糊且预测精度不高的问题,提出了基于三维生成对抗网络的云图预测模型。该模型使用风云四号A星的历史观测数据来预测未来时刻的卫星图像以及红外通道亮温数据。在模型中应用三维卷积,并采用生成对抗的训练方式,提升模型对时空特征的提取能力。此外,通过改进损失函数,进一步提高预测图像的清晰度以及红外亮温数据的真实性。通过实验验证本文提出的云图预测方法可以生成更为清晰的图像以及精确的红外亮温数据,并且图像结构相似度指标达到了0.85,红外亮温的均方根误差指标小于10K。为了分析预测数据的可用性,使用改进U-Net网络对预测云图进行云检测,结果显示预测云图的动态变化情况与实际云图相似,表明本文提出的云图预测方法可为天气预报提供可靠的数据支持。
朱润苏[3]（2021）在《基于机器学习的空气质量预测算法研究》文中研究表明空气质量预测是时间序列预测研究领域的重要方向之一,近年来机器学习方法被广泛用于空气质量预测模型之中。而空气质量指数由于其数据短期规律性差,易受多方面因素综合影响,因此难以进行精准预测。因此空气质量预测存在两个问题,第一,长短时记忆网络（Long Short-Term Memory,LSTM）逐渐被用于空气质量预测模型之中,Vanilla LSTM（VLSTM）是应用最为广泛的结构,但是由于空气质量数据的短期无规律性,原始的VLSTM并不能对空气质量数据集具有较好的适应性,此外VLSTM还存在参数量较多导致自身收敛能力降低的问题。第二,许多预测模型考虑将与空气质量相关的各种因素都包括在预测模型中予以训练,但虽然空气质量易受多方面因素影响,但各个因素间的影响程度不同,而当前现存的模型并未对数据有效性进行定量衡量并进行筛选,导致有害数据加入网络训练过程从而造成网络退化。针对以上问题,本文在VLSTM内部结构优化和数据有效性筛选方面分别开展了如下工作:（1）针对VLSTM存在参数量较多且该与空气质量数据存在适应性较差的问题,本文设计了通过优化VLSTM内部结构来改进的方法。首先针对VLSTM参数量较多问题,本文根据已有的无窥孔连接LSTM的改进方式,将VLSTM的输入门与遗忘门合并,以减少其结构整体权重参数数量。而针对空气质量数据的无规律性,本文对VLSTM的窥孔连接方式进行设计,将其更新后的单元状态到输出门所产生的窥孔连接删除。之后再次优化窥孔连接的状态,将更新前的单元状态引入输出门。当VLSTM的输入门与遗忘门合并后,输入门与遗忘门共用一组参数,使得两门之间的参数量减半,而由于参数量减少,网络训练时的收敛能力得到提升,网络的预测性能得到了一定改善。而对窥孔连接的两种优化方式使得改进结构的深度学习网络在训练过程中提高了自身的抗干扰能力,且针对真实的空气质量数据集能够有较好的表现。最终形成的三种结构,结构A、结构B和结构C,通过消融实验验证了其有效性。在相同迭代次数下,本文提出的改进VLSTM（Improved VLSTM,IVLSTM）模型相比VLSTM和GRU的预测效果在各项指标上均有提升。（2）对实际问题而言,空气质量训练数据的有效性通常也是影响最终模型预测效果的重要因素。为增加空气质量训练数据的有效性,本文提出一种针对空气质量数据有效性的数据输入输出方法,对空气质量数据的有效性进行了量化。该方法由多通道数据输入（Multiple Channels Data Input,MCDI）和多路径结果输出（Multiple Routes Result Output,MRRO）两个子模型组成。MCDI模型从不同层次对全部监测站点空气质量相关数据进行有效性选取,通过本文提出基于线性相似注意力的动态时间折叠（Linear-Similar-Attention-based Dynamic Time Warping,LSA-DTW）算法对时空相关性层面的空气质量数据进行量化。同时针对MCDI模型的多组输入产生的多组输出,本文提出MRRO模型,根据目标站点的自身特征和预测时间间隔特点,选择合适的通道组合作为结果集成的路径分别输出。对MCDI模型中各个层面的数据进行单独训练或复合训练的实验结果表明,LSA-DTW算法可以实现对时空站点进行有效选取,同时也验证了MCDI模型提出的必要性。对比实验结果显示了MRRO模型对整体空气质量预测模型精度提升的有效性。
魏祥[4]（2021）在《雷暴云团识别与线路规划系统的研究与实现》文中研究表明随着社会上科学技术的不断进步,人们的生产生活方式逐渐向着智能化和自动化的方向发展。在气象和航空领域中,随着深度学习技术的不断引入,云团识别、云团分类、云团分割、飞行器自动化航行以及航行线路规划等是领域内专业性较强的问题,如何利用深度学习自动化完成一直是相关研究人员研究的热点。卫星云图中包含着丰富的信息资料,其中所包含的各类云团信息更是在气象和航空领域中天气预测和航线规划的不可或缺的基本资料。针对庞大的卫星云图数据资料以及利用人工提取分析方式的局限性,利用人工智能的方式进行数据处理显得尤为重要。现阶段关于雷暴天气等气象信息都由气象工作人员进行确认识别,这种人工识别的方式无法满足对天气预警的实时性要求,给人们的人身财产安全保护带来了极大的挑战。为了解决上述的问题,本文提出一种将可分离卷积和残差块相结合,采用多池化结构对全局信息进行特征提取的网络结构,将网络结构中的参数降低,并在分割好的卫星云图资料中对飞机的飞行轨迹进行规划,完成辅助决策任务。本文的主要研究内容包括:1)在阅读大量文献的基础上,分析了对卫星云图进行智能化辨识的必要性,对国内外在图像分割以及卫星云图中雷暴云团辨识的研究现状进行了总结,分析了现阶段常用的分割方法以及它们在卫星云图中使用的局限性。2)详细介绍了卷积神经网络的基本原理与层次化结构,针对普通卷积的参数量过大,计算效率较低,无法直接使用在嵌入式设备使用的问题,对卷积神经网络进行了轻量化的改进。提出一种将可分离卷积与残差块相结合,通过降低网络中的参数量,提升网络的计算效率,并且在网络后端采用大小不同的池化窗口提取特征图中的细节信息,提升雷暴云团的识别准确率。最后将雷暴云团的分割结果与常用的图像分割方法进行比较实验,文中的网络结构比常用的网络分割网络有优势,将雷暴云团的识别准确率提升0.5%,并且将卫星云图的响应时间缩短10%。证明了文中所述的网络结构能够对卫星云图中的雷暴云团进行识别,并且响应时间有所降低。3)基于已经对雷暴云团识别出来的卫星云图数据,利用添加了标志位和梯度向量的深度优先算法对飞机的航行路径进行规划,降低了深度优先算法的计算损失,提升了算法的计算效率,同时根据相关的信息对雷暴云团的移动方向进行推断,并将其考虑在路径规划的过程中。最后通过实验证明,改进后的方法能够快速有效的进行线路规划,绕过雷暴云团,达到了在航空领域中对飞行路线辅助决策的作用。在全文的最后,为了便于一些非相关的人员使用,对数据解析和网络结构进行了实用性和系统性的封装。
潘越[5]（2021）在《区域旅游吸引力与游客流动倾向响应研究》文中提出旅游目的地建设的“各自为政”和游客出行的“两极化”已成为制约区域旅游业高质量、可持续发展的核心问题。结合理论研究的网络化转化和区域旅游一体化发展的实践需求,提出区域旅游吸引力空间网络结构及其与游客流动倾向响应关系研究的构建思路和方法,以期为区域性旅游空间规划的编制提供理论依据。本文在界定相关概念的基础上,应用流动空间理论、空间相互作用理论、旅游空间结构理论、旅游供求均衡理论以及机器学习理论等理论,对区域旅游吸引力与游客流动倾向响应关系进行探究。遵循“研究框架-实证研究-优化提升”的逻辑思路,其中研究框架部分以“网络结构构建→结构特征提取→响应效果检验→响应系统模拟”的递进式思路成文,主要的研究内容概括为以下几个方面:第一,构建区域旅游吸引力网络结构。基于空间相互作用理论,以特定区域为研究范围,以区域内城市为节点,融合网络、交通、气象以及统计年鉴等多源异构数据,对区域O-D旅游吸引力作用强度进行测算,进而构建区域旅游吸引力网络结构,为下文网络结构特征分析奠定基础。第二,剖析区域旅游吸引力网络结构特征。围绕“空间差异-空间关联-空间集聚”构建区域旅游吸引力网络结构的特征提取框架,分别构造原值、二值、Top三种网络形式,综合运用GIS数据分析方法、社会网络分析方法、复杂网络分析方法等,互补揭示区域旅游吸引力网络演化特征及结构特征。第三,检验区域旅游吸引力与游客流动倾向响应关系。基于游客流动倾向视角,探讨旅游吸引力网络的空间效率。以“百度指数-网络关注度”为O-D游客流动倾向对流数据来源,构建区域游客流动倾向网络,在明晰旅游吸引力与游客流动倾向体系的交互响应机理的基础上,多维尺度探讨二者响应效果。第四,建立区域旅游吸引力与游客流动倾向响应系统预测模型。基于地理探测器模型,筛选区域旅游吸引力影响核心指标;借助BP神经网络模型,模拟旅游吸引力与游客流动倾向响应系统运行机理。进而未来可通过设定不同情境,预测区域旅游吸引力与游客流动倾向响应关系,为对策建议的制定奠定理论基础。第五,开展实证研究。以京津冀地区为典型案例区,以“五一”小长假为研究时段,构建京津冀区域旅游吸引力网络结构,多角度、全方位剖析区域网络结构特征,探究京津冀区域旅游吸引力与游客流动倾向响应效果,并根据测算结果,训练BP神经网络,为京津冀地区旅游一体化的理论构建与战略设计提供理论支撑。第六,提出区域旅游吸引力与游客流动倾向响应水平提升对策。根据理论研究与实证结果,结合现实政策确立,从统筹制定区域旅游业发展整体规划、合理优化区域旅游吸引力网络结构、科学引导区域旅游者行为、加快推进区域旅游高质量发展等方面开展对策解析,力求区域旅游吸引力与游客流动倾向的最佳匹配。
程建新[6]（2021）在《基于深度学习超分辨率的气象预报系统研究》文中研究指明气象预报是指在某一段时间内对气候气象变化做出的估计和记录,而气象数据是以矩阵数值形式输出的信息。矩阵内某一块区域的坐标点分布越密集,表明该区域气象预报的精细化程度越高,气象精细化预报数据则可以提供某一区域内更丰富的气象预测信息。本论文设计的精细化预报主要是研究在空间维度上的超分辨率预报,是将低分辨率（低精度）的气象观测数据在空间维度上降尺度生成高分辨率（高精度）的气象预测信息,期望将气象预报精度从省市（低精度）级别提升到乡镇（高精度）级别。同时,本论文还尝试性地提出了在时间维度上的气象精细化预报方法。在气象领域内实现精细化预报采用的方法是降尺度技术。传统的降尺度技术是采用插值算法或者统计模型来实现的,生成图像上每个像素点的值是构建其周围几个像素点的距离关系,或者是从特定分布的低分辨率和高分辨率降水数据中学习计算得到。但是,基于此类方法映射成的高分辨率图像不能很好地保留原始图像的细节。同时,发现气象观测数据是一种空间结构性信息,容易受到不同气象要素的影响。针对气象空间精细化预报领域存在的一些问题,本文展开深入研究。1)在使用降尺度技术构建气象精细化预报模型时,首先得将原始气象数据处理成可供降尺度预报模型训练的气象图片。气象观测数据是一种空间结构性信息,精细化的气象预报容易受到多种相关气象要素的影响。本论文中只研究降水精细化预报,经过多组对比实验发现,考虑温度、湿度、地形这三种气象要素的影响,能显着提升最终降水精细化预报的效果。本文还使用卷积神经网络对原始气象数据进行预处理,生成可供降尺度预报模型训练的气象图片,最终得到了适用于降水领域的标准数据集。2)采用不同的上采样层可能会给生成图片引入棋盘状条纹噪音,为了保证生成图片的质量,本文也对几种常见的上采样层做了对比分析,结果发现像素重组方法具有更好的效果。3)为了尽可能地恢复原始图像的细节,本文提出两种基于深度学习超分辨率的空间降尺度预报方法。第一种RDBLap模型引入了拉普拉斯结构和残差学习机制,虽然还是采用均方根损失误差来优化模型,但相较于传统的算法已经取得了较大的进步。第二种Pre GAN模型的核心思想是分别训练一个生成器和鉴别器网络,目的是使鉴别网络难以把生成器生成的高分辨率预测图片和标签图片区分开来。优势在于可以修复更多高纹理处的局部图像,从而进一步提高降水精细化预报的质量。本文在两类气象标准数据集中对比分析了多种气象降尺度模型,实验结果发现RDBLap和Pre GAN模型在各项评价指标上均取得了较好的效果。其中,Pre GAN模型相较于RDBLap网络,能实现更精准的气象高精度预报。
王艳华[7]（2021）在《智慧林业中立体感知体系关键技术研究》文中研究说明森林是规模最广泛的陆地生态系统,约占土地总面积的三分之一,同时也是地球生态系统的必要组成部分,森林生态系统是否正常,与地区生态安全和社会经济的可持续发展密切相关。传统基于人工的森林资源调查方法存在花费高,野外工作强度大,消耗时间长等缺点,且时效性和准确性往往无法达到实际应用的标准。传统的单一的数据源难以获取高精度的森林参数信息,多源数据综合应用将成为未来森林资源监测的有效方法。国家林业发展“十三五”规划提出,加强生态检测评价体系建设,深化遥感、定位、通信技术全面应用,构建天空地一体化监测预警评估体系。随着智慧林业的不断普及,信息技术以及对地观测技术的不断进步,利用不同类型、不同分辨率的遥感影像、无人机以及无线通信网络对森林资源的信息进行监测可以有效的指导林业生产,通过构建森林资源综合监测体系,实时准确了解森林资源的基本情况及变化,及时采取应对措施,可以大大提高资源保护与利用效果,对于环境治理和生态建设等有关工作的开展均有重大意义。本文从空天地一体的森林资源监测角度出发,针对森林资源监测信息类型复杂多样、数据维度高、信息冗余度高、数据信息处理量大等问题,研究综合性、立体性的森林资源监测网络体系,研究适合于森林环境监测无线传感器网络的网络方案和模型,并着重解决在符合森林环境监测无线传感器网的模型的网络结构中传感器以自组织和多跳的和传输的效率,研究海量遥感影像数据处理、数据存储、数据挖掘一体化的解决方案,开展森林资源综合监测体系研究,为森林资源连续清查体系的优化改革提供理论支撑和数据参考。本文的主要工作如下:（1）针对森林环境监测的无线传感器网络的数据传输问题,提出一种改进的基于ADHOC网络的组播路由模型,该模型特别适用于大规模、低密度无线传感器网络中传感器节点相对位置的确定,节点间连通性差,远距离节点间测距误差大的网络监测环境。在研究无线传感器网络邻居节点拓扑结构的基础上,将主流形学习和非线性维数算法相结合,提出了一种局部组合定位（LCL）算法,根据每个节点与相邻节点在一定通信范围内的成对距离,首先通过为每个节点构造一个局部子空间来获取全局结构的局部几何信息,然后对这些子空间进行比对,得到所有节点的内部全局坐标。结合全局结构和锚节点信息,最后利用最小二乘算法计算出所有未知节点的绝对坐标,构建可靠、高效的路由传输协议。通过在哈尔滨实验林场区域构建监测系统,实现气象、光照、土壤和空气质量全方位森林环境信息的获取。（2）针对遥感数据的预处理及数据挖掘,基于Hadoop内部提供的二进制文件存储形式SequenceFile,将图像数据序列化成字节流存到二进制文件中,在执行MapReduce任务时,直接用Hadoop的SequenceFileInputFormat输入文件格式进行读取,实现了图像并行处理。通过自定义分区策略的方式对遥感影像特征并行提取算法进行改进,增加提取遥感影像特征的MapReduce程序中Reduce任务数量,实现了 Hadoop的遥感影像特征提取并行化。从而提高并行处理效率。针对KMeans聚类算法需要人为确定初始聚类中心和聚类数目,从而使聚类结果陷入局部最优的问题,本文结合Canopy算法对KMeans算法进行改进,首先通过Canopy算法对遥感影像的特征信息进行“粗聚类”,然后将结果作为KMeans聚类算法的初始聚类点,从而完成遥感影像的分类处理,为监测数据提供了高质量的遥感影像。（3）针对现有遥感影像变化检测模型存在的检测精度不高的问题。提出了一种基于两阶段的遥感影像变化检测模型,该模型充分利用遥感影像的多维特征,利用U-net网络对遥感影像进行语义分割,并将分类结果与不同时相的遥感数据的分类结果进行融合,从而准确的获得监测区域地物变化的特征,该方法能够有效的提取遥感影像的纹理和光谱特征,提高变化检测的精度。此外,本文通过无人机获取高空间分辨率影像数据来实现单木尺度森林资源监测,通过H-maxima变换结合标记控制分水岭算法实现单木树冠的自动勾绘,从而实现单木信息的提取。最后利用改进的变化检测模型,实现了基于卷积神经网络的对西双版纳自然保护区的变化检测,根据对自然保护区内的植被变化监测的应用需要,进行系统的需求分析与设计,模型分析,实现了西双版纳自然保护区森林监测系统,对区域内森林变化情况进行精准监控。
李楠[8]（2020）在《基于深度学习的卫星图像中海雾识别的研究》文中进行了进一步梳理海雾是一种严重的自然灾害,会给海上的正常生产活动带来巨大危害。20世纪初,学界开始对海雾进行研究;20世纪60年代气象卫星的成功发射,让海雾相关研究的发展逐渐步入正轨。20世纪70年代,国外学者开始采用遥感的方法研究和预测海雾,但方法依旧依赖大量人力和算力,效果和效率都不尽如人意。对海雾的研究是一项非常具有挑战性的工作,在研究过程中涉及的特征提取、预处理、算法研究等方面都需要高度专业的知识。深度学习在计算机视觉相关领域内已经取得了世人瞩目的成果。本文的研究目标就是运用深度学习相关技术,实现卫星图像中我国黄渤海区域的海雾分割任务。本文的研究重点将围绕数据集制作、网络结构设计和弱监督训练三方面展开,工作的主要内容和创新如下:（1）数据集制作:为了实现海雾分割的任务,我们选择了日本葵花8号卫星获取的从2016年到2018年的卫星图像,从我国气象学报的记录中获取了这三年中有海雾的时间,制作了第一个针对卫星图像中海雾区域分割的数据集。（2）网络结构设计:基于U-Net语义分割网络,设计了针对海雾分割数据集的模型,最终实现了基于时序信息的海雾分割任务。首先针对单张图像,基于本任务的需求和数据集的特点对基础网络结构做出改进,设计了多尺度特征融合的BiU-Net模型;之后基于海雾的生成和演变有时序性特点,在BiU-Net的基础上设计了针对海雾图像序列的基于时序信息的语义分割网络结构。（3）弱监督训练:针对分割数据集制作成本大的问题,本文尝试了将弱监督学习应用到海雾分割任务中,并研究了由空洞卷积生成的CAM对弱监督学习的有效性。本文提出的海雾分割算法,在数据集上达到了良好的准确性和实时性,一定程度上满足卫星图像中海雾检测的需求,同时也为相关领域的研究工作贡献了一定的方法和思路。
陆利军[9]（2020）在《国家森林公园旅游网络信息流的时空效应与作用机理研究》文中研究表明自改革开放至今,以国家森林公园为典型代表的森林公园大致实现了从以木材生产为主营目的的林木生产空间到包括旅游消费在内的消费空间的转变。2019年新修订的《森林法》规定,在符合公益林生态区位保护要求和不影响公益林生态功能的前提下,经科学论证,可以合理利用公益林林地资源和森林景观资源,适度开展林下经济、森林旅游等。森林旅游将迎来更好的发展契机。在林业产业规划发展政策的支持下,作为重要的旅游吸引物,森林公园在旅游消费中扮演着越来越重要的角色。森林旅游产业也逐渐成为林业产业的重要组成部分之一。森林旅游的飞速发展促进了森林旅游研究工作。近年来,随着互联网、人工智能及通信技术的不断更迭,网络信息流的集散对森林公园旅游目的地、运营企业,及旅游者的影响越发显着;而森林公园旅游网络信息流集散理论与实践分析略显滞后,以点、线形态存在的森林公园旅游网络信息流的静态研究已很难满足当下的森林公园旅游发展基本需求,多源信息融合正在推动,或者说倒逼森林公园旅游网络信息流理论和方法的创新。新的数据类型和研究方法上的更新发展,促使学者们对森林旅游的关注从对森林旅游资源这一旅游活动中客体要素的单一关注转向对旅游活动中人（地）互动双方要素的系统考察。在当前森林公园旅游网络信息流以静态研究为主、动态研究不足的背景下,论文将森林公园旅游网络信息流纳入“旅游流”研究范畴,以国家森林公园为研究对象,通过对网络信息流集散进行动态分析的方式,在“面”的层次上探讨森林公园旅游网络信息流集散的时空特征、区域效应、影响因素和作用机理,提出旅游网络信息流集散的优化策略,拓展网络信息流集散研究的深度和广度。论文严格按照“问题提出-理论探讨-实证分析-理论归纳-总结展望”的基本路径展开森林公园旅游网络信息流研究,主要研究过程和研究结论如下:（1）借助pearson相关指数、年际变化强度指数、季节集中指数和周内分布偏度指数等分析方法,研究发现,森林公园旅游网络信息流具有较明显的时间分布特征。其一,近年来,森林公园旅游网络信息流呈现出持续迅速增长态势,且随着智能通信技术的更迭,旅游者获取森林公园网络信息的路径正在从“PC端”向“移动端”转变;其二,旅游者对森林公园的网络关注呈现出明显的“单峰”特征和不明显的“双峰”特征;其三,周内PC指数表现出明显的“工作日高,双休日低”的基本特征,而移动指数则呈现出“工作日低,双休日高”的特征。（2）借助季节性集中指数、变异系数（CV）、赫芬达尔系数（H）、首位度（P）和地理集中指数（G）等分析方法,研究发现,森林公园旅游网络信息流具有比较显着的空间差异特征。其一,除广西、海南、云南、福建等四个省区之外,中国大陆地区大部分省区森林公园旅游网络信息流均呈现出较明显的季节性差异,而且省际差异比较稳定,波动甚微;其二,从季节性指数变化情况看,各区域的森林公园旅游网络信息流均具有较强的季节性差异,但是,这种季节性差异随着时间的推移表现出较明显的波动下降趋势。（3）借助社会网络分析方法,研究发现,森林公园旅游网络信息流的整体网络结构较为松散,但省区间的溢出效应比较突出。首先,从整体层面看,网络信息流呈现出随机分布状态,没有形成明显的空间集聚或分散的分布特征;其次,从分省层面看,随着时间的推移,东南部省区在森林公园旅游网络信息流网络中占据了越来越重要的位置,核心省区出现了较明显的向南移动的发展趋势。其中,以湖北、江西和福建等省区为中心的东南部省区在网络中的重要程度要远高于西北部省区;诸如湖南、江西、河南和山东等省区异军突起,影响力逐年攀升。（4）借助OLS回归模型、空间引力模型和地理探测器工具,研究发现,森林网络信息流集散的时间影响因素主要包括气候舒适度、节假日安排和时空距离;空间影响因素主要包括社会人口发展、区域经济发展,交通可达性水平、信息化建设水平、目的地接待能力、目的地吸引力、森林公园接待能力和森林公园资源禀赋等。其中,信息化建设水平、森林公园接待能力和交通可达性对森林公园旅游网络信息流的集散起到主要作用;目的地接待能力、社会人口发展、森林公园资源禀赋、区域经济发展和目的地吸引力等因素起到次要作用。（5）借助耦合度、耦合协调度和耦合协调效率等计量模型,研究发现,其一,上一章节明确的各影响因素对森林公园旅游网络信息流集散的影响程度和作用机理有所不同;其二,由社会人口发展等因素构成的环境影响体系与森林公园旅游网络信息流的耦合协调度较好,系统间的发展较为同步;其三,省区间的森林公园旅游网络信息流与环境影响体系的耦合协调度水平差异较大,且呈现出东南部高,西北部低的空间布局特征;其四,各省区森林公园的环境影响体系建设均滞后于网络信息流的发展。提高森林公园旅游网络信息流作用效率势在必行。（6）借助fs QCA分析方法,研究发现,各省区以国家森林公园为代表的森林公园旅游产业发展能够借助的基础条件千差万别,其中,社会人口发展、区域经济发展、交通可达性水平和信息化建设水平是森林旅游资源禀赋以及森林旅游接待能力相对较弱省区网络信息流集散的关键影响因素;而森林旅游基础设施和森林旅游接待能力则是社会人口发展、区域经济发展、信息化建设水平相对较弱省区网络信息流集散的关键影响因素。论文还据此提出,各省需要认真审视自身已经具备的基础条件,并根据对这些基础条件的系统认知,采用差异化的因果组合策略,促成各省区以国家森林公园为代表的森林公园旅游发展能力的提高。总之,论文在通过文献检索与分析方式对“信息流”和“旅游流”相关理论建构与实践分析进行系统回顾的基础上,将森林公园旅游网络信息流研究纳入“流空间”理论分析框架,从“旅游流空间”分析视角出发进行森林公园旅游网络信息流集散研究。论文描述了森林公园旅游网络信息流集散动态格局与空间网络;探索了森林公园旅游网络信息流集散影响因素与作用机理;通过耦合协调度与耦合协调效率分析探析了各关键影响因素与网络信息流之间的相互作用;并分别提出了促进森林公园旅游网络信息流的聚散和提高国家森林公园森林旅游产业发展能力地最佳因果组合策略。论文无论是在森林公园旅游网络信息流集散研究深度的延伸;森林公园旅游网络信息流集散研究广度的拓展;森林公园旅游网络信息流集散研究框架的完善;还是在森林公园旅游网络信息流集散研究方法的丰富等方面,均作出了有益且有效的尝试。
宋琛[10]（2020）在《空气质量传播影响关系及行为特性智能分析方法研究》文中认为空气质量受多重因素影响,采取合理方式整合影响空气质量的因素,综合分析影响关系和行为特性对空气质量的改善有基础性和关键性意义。本文基于空气质量传播和变化特点,从网络动力学的角度表征空气质量传播过程,开展整体、区域和节点层次的特性研究,预测网络结构发展趋势,智能化挖掘海量监测数据背后隐藏的规律。空气质量建模方式、特性分析及其结构预测研究有助于分析污染物的成因来源和发展趋势,划分环境功能区域,制定污染防治措施。本文主要内容如下:首先,从网络组成结构出发,分析应用传播网络作为研究手段开展空气质量研究的可行性。从空气质量现有模型和研究现状出发,针对突出问题和短板确定研究方向。将节点和边的构建作为模型建立中的基本问题,总结影响空气质量的各类因素,分析空气质量网络中节点属性和交互关系的表征方法。其次,提出一种基于传播网络的空气质量模型,依据网络整体特性验证模型合理性,为空气质量研究提供一个新的方向。以局地为研究对象,将其抽象为节点实体构建传播网络模型。从根本上挖掘体系特性和行为模式,在充分分析污染物传播机理的基础上,总结主要因素和空气质量数据间的相关性,提出传播代价的概念,建立一种统计分析的方法生成空气质量网络结构,有效提高表征方法的科学性和模型的鲁棒性。基于传播网络的基本概念从网络整体表现的小世界和无标度特性验证网络结构的合理性。对比网络中高权重路径分布和现实地理气象情况,分析证明模型的有效性。再次,开展传播网络模型上空气质量体系的区域特性和关键节点挖掘方法研究。基于社团发现算法智能化划分区域,分析区域特性。从节点间关联关系的疏密出发,在节点局部信息的异质结构下改进传统标签传播算法,解决标签随意传播引起结果不准确的问题。针对不同空气质量网络类型应用不同策略划分社团,剖析污染物演化机理和同步规律,分析社团结构下隐藏的规律。提出两种关键节点挖掘算法,基于节点中心性和双向传导的节点排序算法挖掘网络中关键节点。其中CC算法综合权重中心性、介数中心性和接近中心性三类指标,全面衡量节点重要度。双向传导的BiTs算法统一考虑出链接和入链接,在衰减因子的作用下对节点重要度排序。为评价关键节点挖掘结果的优劣,基于IC和LT模型提出适用于有向加权网络的ITP模型,以模型中被激活节点总数作为衡量指标,证明CC和BiTs算法挖掘出的关键节点在网络中的影响范围更大。最后,在分析节点间相似度的基础上,进行网络结构变化趋势的预测研究。相似性是节点间关联特性的充分表现,相似度高的节点倾向于发生关联关系,可以预测网络结构的未来趋势。为此本文基于马尔科夫过程提出一种新的节点相似度表征算法,在不同类型网络中普遍适用。以walker在网络中的行走模拟污染物的传播过程,求解高相似度节点对,基于相似度预测网络中边的未来生成趋势,分析网络结构变化方向。通过缺失边预测的方法证明算法的准确性,合理预测空气质量网络中污染物的未来传播路径。本文将传播网络与空气质量体系相结合,基于广阔的监测数据开展空气质量智能化分析方法研究。利用网络特性挖掘体系整体、社团区域及局地地区的不同性质和相互间传播规律,合理预测未来变化趋势。传播网络上的空气质量建模分析和特性研究对空气质量提高,功能区划,污染物来源解析,监测及预报等有很好的指导作用。
二、气象数据在网络结构中的应用模型探讨（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、气象数据在网络结构中的应用模型探讨（论文提纲范文）
（1）基于风云4号卫星图像的西藏地区云检测和降水外推预报研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 云检测以及降水云团识别的研究现状 |
| 1.2.2 卫星降水反演的研究现状 |
| 1.2.3 云图预测的研究现状 |
| 1.3 本文主要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 本文章节安排 |
| 第二章 研究区概况与数据处理 |
| 2.1 西藏概况 |
| 2.2 数据资料与预处理 |
| 2.2.1 数据资料 |
| 2.2.2 数据预处理 |
| 2.3 本章小结 |
| 第三章 基于U-HRNet的高精度云检测方法 |
| 3.1 云在遥感图像上的特性 |
| 3.1.1 云的辐射特性 |
| 3.1.2 云的几何特征 |
| 3.2 云检测标签制作 |
| 3.3 基于现有分割网络的云检测研究 |
| 3.3.1 基于U-Net的云检测 |
| 3.3.2 基于Deeplab V3 的云检测 |
| 3.4 基于U-HRNet的云检测 |
| 3.4.1 建立U-HRNet模型框架 |
| 3.4.2 重复多尺度融合与联合金字塔上采样模块 |
| 3.4.3 试验细节与消融试验 |
| 3.4.4 结果分析与客观评价 |
| 3.5 本章小结 |
| 第四章 基于U-HRNet+的降水云团识别与降水强度等级估计 |
| 4.1 基于U-HRNet+的降水云团识别 |
| 4.1.1 标签制作 |
| 4.1.2 建立降水云团识别模型 |
| 4.1.3 结果分析 |
| 4.2 基于U-HRNet+的降水强度等级估计 |
| 4.2.1 标签制作 |
| 4.2.2 建立降水强度等级估计模型 |
| 4.2.3 通道消融试验 |
| 4.2.4 结果分析 |
| 4.3 本章小结 |
| 第五章 云图外推与降水预报 |
| 5.1 标签与数据集制作 |
| 5.2 基于现有时空预测模型的云图外推 |
| 5.2.1 基于Conv GRU的云图外推 |
| 5.2.2 基于生成对抗网络的云图外推 |
| 5.3 基于对抗型Dconv GRU的云图外推 |
| 5.3.1 构建对抗型Dconv GRU模型 |
| 5.3.2 外推结果分析与客观评价 |
| 5.4 基于外推数据的云检测与降水预报 |
| 5.4.1 基于外推数据的云检测 |
| 5.4.2 基于外推数据的降水预报 |
| 5.5 本章小结 |
| 第六章 总结和展望 |
| 6.1 总结 |
| 6.2 创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 个人简介 |
（2）基于FY-4A卫星的云检测与云图预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 云检测方法研究现状 |
| 1.2.2 云图预测研究现状 |
| 1.2.3 深度学习研究现状 |
| 1.3 问题的总结与分析 |
| 1.3.1 云检测方法 |
| 1.3.2 云图预测方法 |
| 1.4 本文主要研究内容与技术线路 |
| 1.4.1 主要研究内容 |
| 1.4.2 技术线路 |
| 1.5 本文章节安排 |
| 第二章 研究区域与数据处理 |
| 2.1 研究区域 |
| 2.2 研究数据介绍 |
| 2.2.1 风云四号A星 |
| 2.2.2 AGRI数据介绍 |
| 2.2.3 FY-4A卫星云检测产品 |
| 2.3 数据预处理 |
| 2.3.1 数据提取 |
| 2.3.2 几何校正 |
| 2.3.3 辐射定标 |
| 2.3.4 数据规范化 |
| 2.4 本章小结 |
| 第三章 基于改进U-Net网络的云检测方法 |
| 3.1 U-Net网络 |
| 3.2 基于改进U-Net网络的云检测模型 |
| 3.2.1 深度可分离卷积 |
| 3.2.2 残差模块 |
| 3.2.3 卷积注意力模块 |
| 3.2.4 改进的U-Net网络 |
| 3.3 实验与结果分析 |
| 3.3.1 数据集 |
| 3.3.2 实验设置 |
| 3.3.3 评价指标 |
| 3.3.4 消融实验 |
| 3.3.5 结果对比与分析 |
| 3.4 本章小结 |
| 第四章 基于3DGAN网络的云图预测方法 |
| 4.1 生成对抗网络 |
| 4.1.1 生成对抗网络的基本原理 |
| 4.1.2 Pixel2Pixel网络 |
| 4.2 基于3DGAN网络的云图预测模型 |
| 4.2.1 3D卷积 |
| 4.2.2 生成器模型结构 |
| 4.2.3 判别器模型结构 |
| 4.2.4 损失函数 |
| 4.3 实验与结果分析 |
| 4.3.1 数据集 |
| 4.3.2 实验设置 |
| 4.3.3 评价指标 |
| 4.3.4 预测图像对比与分析 |
| 4.3.5 预测通道亮温对比与分析 |
| 4.3.6 预测云图的云检测对比与分析 |
| 4.4 本章小结 |
| 第五章 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 个人简介 |
（3）基于机器学习的空气质量预测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状及发展动态 |
| 1.2.1 空气质量预测算法现状 |
| 1.2.2 LSTM递归神经网络现状 |
| 1.2.3 基于机器学习的空气质量预测算法发展动态 |
| 1.3 本文研究内容及组织结构 |
| 1.3.1 本文研究内容 |
| 1.3.2 本文组织结构 |
| 第二章 相关知识简介 |
| 2.1 LSTM递归神经网络相关知识简介 |
| 2.1.1 LSTM的标准结构 |
| 2.1.2 含遗忘门的LSTM结构 |
| 2.2 LSTM变体 |
| 2.2.1 Vanilla LSTM |
| 2.2.2 GRU |
| 2.3 时间序列相关性检测算法 |
| 2.3.1 格兰杰因果关系检验 |
| 2.3.2 DTW |
| 2.4 空气质量预测模型 |
| 2.4.1 基于大数据的细粒度空气质量预测 |
| 2.4.2 时空集成深度预测模型 |
| 第三章 基于改进VLSTM的空气质量预测算法 |
| 3.1 引言 |
| 3.2 VLSTM现存问题 |
| 3.3 改进的VLSTM方法 |
| 3.3.1 遗忘门输入门合一的VLSTM-A |
| 3.3.2 隐去输出门窥孔连接的IVLSTM-B |
| 3.3.3 引入输出门旧单元状态窥孔连接的IVLSTM-C |
| 3.3.4 IVLSTM结构改进的讨论 |
| 3.4 实验与结果分析 |
| 3.4.1 实验模型简介 |
| 3.4.2 实验环境及参数设置 |
| 3.4.3 实验数据集与评估指标 |
| 3.4.4 IVLSTM改进效果消融实验结果分析 |
| 3.4.5 IVLSTM最终预测效果实验结果分析 |
| 3.5 本章小结 |
| 第四章 针对空气质量数据有效性的输入输出方法 |
| 4.1 引言 |
| 4.2 MCDI模型 |
| 4.2.1 数据有效性评判标准 |
| 4.2.2 MCDI模型介绍 |
| 4.2.3 线性相似度指数求取方法 |
| 4.2.4 LSA-DTW算法 |
| 4.2.5 MCDI模型小结 |
| 4.3 MRRO模型 |
| 4.4 实验与结果分析 |
| 4.4.1 实验模型简介 |
| 4.4.2 实验环境及参数设置 |
| 4.4.3 线性相似度指数求取实验结果展示 |
| 4.4.4 LSA-DTW有效站点选择结果展示 |
| 4.4.5 MCDI模型有效性实验结果分析 |
| 4.4.6 MRRO模型有效性验证 |
| 4.4.7 整体模型实验结果与分析 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间发表的论文 |
（4）雷暴云团识别与线路规划系统的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容及论文结构 |
| 第二章 雷暴云团辨识相关研究 |
| 2.1 卫星云图成像原理及种类研究 |
| 2.1.1 卫星云图成像原理 |
| 2.1.2 可将光云图成像特点 |
| 2.1.3 红外云图成像特点 |
| 2.1.4 水汽云图成像特点 |
| 2.2 图像分割相关方法 |
| 2.2.1 阈值 |
| 2.2.2 边缘 |
| 2.2.3 区域 |
| 2.2.4 数学形态学方法 |
| 2.2.5 模糊聚类算法 |
| 2.2.6 神经网络 |
| 2.3 评价指标 |
| 2.3.1 像素精度 |
| 2.3.2 平均像素精度 |
| 2.3.3 均交并比 |
| 2.4 本章小结 |
| 第三章 基于深度学习轻量级网络的卫星云图分割 |
| 3.1 卷积神经网络简介 |
| 3.1.1 卷积运算 |
| 3.1.2 卷积层 |
| 3.1.3 池化层 |
| 3.1.4 规范化层 |
| 3.1.5 全连接层 |
| 3.1.6 激活函数 |
| 3.1.7 损失函数 |
| 3.2 基于轻量级多池化卷积神经网络的卫星云图分割模型 |
| 3.2.1 数据准备 |
| 3.2.2 可分离卷积结构 |
| 3.2.3 残差块 |
| 3.2.4 多池化结构 |
| 3.2.5 轻量级多池化卷积神经网络 |
| 3.3 实验结果与分析 |
| 3.3.1 实验数据展示 |
| 3.3.2 实验结果分析 |
| 3.4 本章小结 |
| 第四章 基于方向梯度的飞行轨迹规划 |
| 4.1 图论理论 |
| 4.1.1 树 |
| 4.1.2 图 |
| 4.1.3 二维矩阵与图的关系 |
| 4.1.4 回溯算法 |
| 4.2 基于梯度向量DFS的有向路径规划 |
| 4.2.1 数据准备 |
| 4.2.2 顶点标志位 |
| 4.2.3 方向梯度 |
| 4.3 基于梯度向量A*的有向路径规划 |
| 4.3.1 卫星云团的方向观测 |
| 4.3.2 卫星云团的方向推断 |
| 4.3.3 路径规划路程优先级设置 |
| 4.3.4 路径规划方式 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 云图分割及轨迹规划系统实现 |
| 5.1 用户登录及密码修改 |
| 5.2 数据解析 |
| 5.3 网络训练使用 |
| 5.4 路径的规划 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（5）区域旅游吸引力与游客流动倾向响应研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景、目的和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的 |
| 1.1.3 研究意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 国内外研究评述 |
| 1.3 研究内容与研究方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 第2章 相关理论基础 |
| 2.1 相关概念 |
| 2.1.1 旅游吸引力 |
| 2.1.2 区域旅游吸引力网络结构 |
| 2.1.3 游客流动倾向 |
| 2.2 相关理论 |
| 2.2.1 流动空间理论 |
| 2.2.2 空间相互作用理论 |
| 2.2.3 旅游空间结构理论 |
| 2.2.4 旅游供求均衡理论 |
| 2.2.5 机器学习理论 |
| 2.3 本章小结 |
| 第3章 区域旅游吸引力网络结构构建 |
| 3.1 总体思路 |
| 3.2 网络范围界定 |
| 3.3 网络节点提取 |
| 3.4 网络连线赋权 |
| 3.4.1 测度模型选取 |
| 3.4.2 目的地影响力测评 |
| 3.4.3 客源地出游力测评 |
| 3.4.4 目的地-客源地时间距离测评 |
| 3.5 网络拓扑结构绘制 |
| 3.6 本章小结 |
| 第4章 区域旅游吸引力网络结构特征分析 |
| 4.1 区域旅游吸引力网络结构特征评价体系综合识别 |
| 4.2 基于原值网络的区域旅游吸引力空间差异特征认知 |
| 4.2.1 空间总体差异特征 |
| 4.2.2 空间相对差异特征 |
| 4.3 基于二值网络的区域旅游吸引力空间关联特征识别 |
| 4.3.1 数据处理 |
| 4.3.2 网络节点位置评价 |
| 4.3.3 整体网络结构评价 |
| 4.4 基于Top网络的区域旅游吸引力空间集聚特征判定 |
| 4.4.1 数据处理 |
| 4.4.2 网络集聚特征测度指标 |
| 4.5 本章小结 |
| 第5章 区域旅游吸引力与游客流动倾向响应关系检验 |
| 5.1 旅游吸引力与游客流动倾向交互响应机理 |
| 5.1.1 旅游吸引力驱动下游客流动倾向响应机理 |
| 5.1.2 游客流动倾向驱动下旅游吸引力响应机理 |
| 5.2 区域游客流动倾向测评 |
| 5.2.1 游客流动倾向数据来源 |
| 5.2.2 游客流动倾向衡量方式 |
| 5.2.3 游客流动倾向特征分析 |
| 5.3 区域旅游吸引力与游客流动倾向响应效果检验 |
| 5.3.1 区域总体响应效果 |
| 5.3.2 城市局部响应效果 |
| 5.3.3 城市间路径响应效果 |
| 5.4 本章小结 |
| 第6章 区域旅游吸引力与游客流动倾向响应系统预测模型建立 |
| 6.1 指标来源与处理 |
| 6.1.1 旅游吸引力相关指标 |
| 6.1.2 游客流动倾向相关指标 |
| 6.1.3 旅游吸引力与游客流动倾向响应关系衡量指标 |
| 6.2 基于地理探测器的影响因素遴选 |
| 6.2.1 地理探测器作用原理 |
| 6.2.2 地理探测器适用条件 |
| 6.2.3 地理探测器模块划分 |
| 6.2.4 基于地理探测器的影响因素遴选的基本步骤 |
| 6.3 基于BP神经网络的预测模型构建 |
| 6.3.1 BP神经网络模型概述 |
| 6.3.2 BP神经网络学习算法 |
| 6.3.3 基于BP神经网络的响应系统建模的基本步骤 |
| 6.3.4 对比模型构建 |
| 6.4 本章小结 |
| 第7章 实证研究——以京津冀地区为例 |
| 7.1 研究区域与数据来源 |
| 7.1.1 研究区域概况 |
| 7.1.2 研究时段截取 |
| 7.1.3 研究数据来源与处理 |
| 7.2 京津冀区域旅游吸引力网络结构构建 |
| 7.2.1 京津冀区域旅游吸引力各要素分析 |
| 7.2.2 京津冀区域旅游吸引力关系矩阵构建 |
| 7.3 京津冀区域旅游吸引力网络结构的空间维度特征分析 |
| 7.3.1 基于原值网络的京津冀区域旅游吸引力空间差异特征分析 |
| 7.3.2 基于二值网络的京津冀区域旅游吸引力空间关联特征分析 |
| 7.3.3 基于Top网络的京津冀区域旅游吸引力空间集聚特征分析 |
| 7.4 京津冀区域旅游吸引力与游客流动倾向响应关系检验 |
| 7.4.1 京津冀区域游客流动倾向测评 |
| 7.4.2 京津冀区域旅游吸引力与游客流动倾向响应效果 |
| 7.5 京津冀区域旅游吸引力与游客流动倾向响应系统模拟预测 |
| 7.5.1 基于地理探测器的指标遴选 |
| 7.5.2 基于BP神经网络的响应系统模拟 |
| 7.6 本章小结 |
| 第8章 区域旅游吸引力与游客流动倾向响应水平提升对策 |
| 8.1 统筹制定区域旅游业发展整体规划 |
| 8.1.1 强化多中心一盘棋思想 |
| 8.1.2 培育层次合理等级体系 |
| 8.1.3 推进跨区域旅游合作网络 |
| 8.2 合理优化区域旅游吸引力网络结构 |
| 8.2.1 打造高效交通网络体系 |
| 8.2.2 注重跨城市旅游线路整合 |
| 8.2.3 健全全方位旅游服务 |
| 8.3 科学引导区域旅游者行为 |
| 8.3.1 创新区域旅游营销模式 |
| 8.3.2 调节区域旅游流流向 |
| 8.3.3 管控区域旅游流流量 |
| 8.4 加快推进区域旅游高质量发展 |
| 8.4.1 积极推进智慧旅游建设 |
| 8.4.2 加大生态环境保护和治理力度 |
| 8.4.3 创新推动文旅融合发展 |
| 8.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间承担的科研任务与主要成果 |
| 致谢 |
（6）基于深度学习超分辨率的气象预报系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 存在的问题 |
| 1.3.1 降水精细化预报不是单一的预测任务 |
| 1.3.2 现有降尺度模型难以完全恢复图片细节 |
| 1.4 研究内容和创新点 |
| 1.5 本文的组织结构 |
| 2 相关概念及理论基础 |
| 2.1 气象空间降尺度预报定义 |
| 2.2 图像的超分辨率技术定义 |
| 2.3 空间降尺度方法 |
| 2.3.1 插值法 |
| 2.3.2 深度学习超分辨率算法 |
| 2.4 图像上采样操作方法 |
| 2.4.1 上采样层的插值方式 |
| 2.4.2 上采样层出现的次序 |
| 2.5 本章小结 |
| 3 基于深度学习的气象精细化预报方法 |
| 3.1 算法综述 |
| 3.2 模型输入数据生成 |
| 3.3 RDBLap空间降尺度模型 |
| 3.3.1 模型结构 |
| 3.3.2 损失函数 |
| 3.4 Pre GAN空间降尺度模型构建 |
| 3.4.1 Generator生成器结构 |
| 3.4.2 Discriminator鉴别器结构 |
| 3.4.3 感知损失函数 |
| 3.5 气象时间降尺度预测介绍 |
| 3.5.1 时间降尺度定义 |
| 3.5.2 时间降尺度步骤 |
| 3.6 本章小结 |
| 4 实验设置 |
| 4.1 数据集处理 |
| 4.1.1 数据集描述 |
| 4.1.2 数据预处理 |
| 4.2 实验配置 |
| 4.3 评价指标 |
| 4.4 实验研究问题 |
| 4.5 实验结果分析 |
| 4.5.1 计算不同气象要素对气象精细化预报的影响 |
| 4.5.2 计算不同图像上采样操作对气象预报模型的影响 |
| 4.5.3 基于气象评价指标的实验结果 |
| 4.5.4 消融实验结果 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 本文总结 |
| 5.2 展望 |
| 参考文献 |
| 附录 攻读学位期间参加的科研工作及成果 |
| 致谢 |
（7）智慧林业中立体感知体系关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景 |
| 1.1.1 选题目的 |
| 1.1.2 选题意义 |
| 1.2 研究现状 |
| 1.2.1 基于无线传感器网络的森林资源信息监测研究 |
| 1.2.2 基于遥感影像的森林变化监测研究 |
| 1.3 研究内容以及创新点 |
| 1.3.1 本文的研究内容 |
| 1.3.2 本文主要创新点 |
| 1.4 本文的组织结构 |
| 2 相关理论及方法 |
| 2.1 无线传感器网络 |
| 2.1.1 无线传感器网络结构 |
| 2.1.2 无线传感器网络的协议栈 |
| 2.2 遥感影像处理技术 |
| 2.2.1 遥感影像的预处理 |
| 2.2.2 基于深度学习的遥感影像分类与变化检测 |
| 2.3 本章小结 |
| 3 基于无线传感器网络的森林资源监测方法及系统 |
| 3.1 基于信任的无线传感器网络数据传输模型 |
| 3.1.1 无线传感器网络与可信信息传播概述 |
| 3.1.2 基于信任的信息传播模型 |
| 3.1.3 实验结果与分析 |
| 3.2 改进的基于ADHOC网络的组播路由算法 |
| 3.2.1 组播路由协议基本过程 |
| 3.2.2 局部组合定位的路由算法 |
| 3.2.3 实验结果与分析 |
| 3.3 基于博弈理论的无线传感器网络自私节点惩罚机制 |
| 3.3.1 激励惩罚机制概述 |
| 3.3.2 基于博弈理论的惩罚机制 |
| 3.3.3 模拟实验与结果分析 |
| 3.4 基于无线传感器网络的森林环境信息监测系统 |
| 3.4.1 系统设计思路 |
| 3.4.2 系统硬件设计 |
| 3.4.3 系统模拟软件 |
| 3.5 本章小结 |
| 4 基于无人机激光雷达的单木尺度森林资源监测技术 |
| 4.1 激光雷达数据解算及误差分析 |
| 4.2 地面点滤波 |
| 4.3 冠层高度模型的生成 |
| 4.4 单木树冠提取 |
| 4.5 单木参数提取 |
| 4.6 实验结果与分析 |
| 4.6.1 无人机激光雷达系统 |
| 4.6.2 地面调查数据介绍 |
| 4.6.3 精度评价与分析 |
| 4.7 本章小结 |
| 5 基于遥感影像的森林资源监测方法 |
| 5.1 基于分布式的遥感影像特征提取方法 |
| 5.1.1 遥感影像并行预处理 |
| 5.1.2 基于Hadoop的遥感影像特征提取方法 |
| 5.1.3 基于Hadoop的遥感影像特征提取算法实现 |
| 5.1.4 实验结果与分析 |
| 5.2 基于卷积神经网络的遥感影像语义分割 |
| 5.2.1 编码器模块组成 |
| 5.2.2 SELU激活函数 |
| 5.2.3 实验结果与分析 |
| 5.3 基于特征融合的森林资源变化监测方法 |
| 5.3.1 聚焦损失函数 |
| 5.3.2 随机森林 |
| 5.3.3 特征融合 |
| 5.3.4 实验结果及分析 |
| 5.4 基于深度学习的森林变化监测系统 |
| 5.4.1 需求分析 |
| 5.4.2 系统的总体功能 |
| 5.4.3 数据库概念结构设计 |
| 5.4.4 用户管理和遥感影像管理模块 |
| 5.4.5 监测区域变化监测功能 |
| 5.4.6 变化检测结果显示模块 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 东北林业大学博士学位论文修改情况确认表 |
（8）基于深度学习的卫星图像中海雾识别的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 大雾检测的研究现状 |
| 1.2.2 深度学习的研究现状 |
| 1.2.3 图像分割技术国内外研究现状 |
| 1.3 论文主要工作和创新 |
| 1.3.1 制作数据集 |
| 1.3.2 用深度学习解决卫星图像中海雾的识别问题 |
| 1.3.3 用弱监督训练解决数据少的问题 |
| 1.4 论文结构安排 |
| 第二章 海雾检测难点与技术路线 |
| 2.1 网络结构设计和技术路线 |
| 2.1.1 模型结构的选择 |
| 2.1.2 增大感受野 |
| 2.1.3 多尺度问题 |
| 2.1.4 基于时序变化的深度学习技术 |
| 2.2 弱监督训练进行海雾分割 |
| 2.3 本章小结 |
| 第三章 海雾数据集制作 |
| 3.1 引言 |
| 3.2 数据集选择和模型输入 |
| 3.2.1 数据集的选择 |
| 3.2.2 海雾和低云的区分 |
| 3.3 葵花8号卫星图像的特点 |
| 3.4 数据集的制作 |
| 3.5 数据集特点 |
| 3.6 本章小结 |
| 第四章 深度神经网络实现卫星图像中海雾的检测 |
| 4.1 引言 |
| 4.2 基于U-Net的网络结构优化 |
| 4.3 加强局部信息 |
| 4.4 对特征提取的改进 |
| 4.4.1 多尺度特征 |
| 4.4.2 Attention Gates模块 |
| 4.5 基于时序变化的语义分割网络结构设计 |
| 4.5.1 CLSTM结构 |
| 4.5.2 基于时序信息的网络结构 |
| 4.6 强监督实验及结果分析 |
| 4.6.1 评价指标 |
| 4.6.2 实验参数设置 |
| 4.6.3 实验过程与结果分析 |
| 4.7 本章小结 |
| 第五章 弱监督学习与多尺度CAM设计 |
| 5.1 引言 |
| 5.2 多尺度CAM融合的弱监督学习 |
| 5.2.1 类激活映射CAM |
| 5.2.2 空洞卷积对CAM的影响 |
| 5.3 不同空洞率CAM融合 |
| 5.4 实验结果与分析 |
| 5.4.1 实验设置 |
| 5.4.2 实验过程与结果分析 |
| 5.5 本章小结 |
| 第六章 工作总结与展望 |
| 6.1 工作总结 |
| 6.2 进一步研究与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表论文 |
（9）国家森林公园旅游网络信息流的时空效应与作用机理研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与问题提出 |
| 1.2 研究目的与研究意义 |
| 1.3 研究内容与研究方法 |
| 1.4 研究思路与路线导图 |
| 2 概念界定与文献综述 |
| 2.1 概念界定 |
| 2.2 文献综述 |
| 2.3 研究述评 |
| 3 森林公园旅游网络信息流的时空特征 |
| 3.1 数据来源 |
| 3.2 研究方法 |
| 3.3 森林公园旅游网络信息流的时间特征 |
| 3.4 森林公园旅游网络信息流的空间特征 |
| 3.5 森林公园旅游网络信息流的空间自相关特征 |
| 3.6 本章小结 |
| 4 森林公园旅游网络信息流的空间结构与区域效应 |
| 4.1 森林公园旅游网络信息流的整体网络结构 |
| 4.2 省区间森林公园旅游网络信息流的交互结构 |
| 4.3 省区间森林公园旅游网络信息流的有效关联 |
| 4.4 森林公园旅游网络信息流的核心-边缘结构 |
| 4.5 森林公园旅游网络信息流的区域溢出效应 |
| 4.6 本章小结 |
| 5 森林公园旅游网络信息流的关键影响因素 |
| 5.1 地理探测器分析法 |
| 5.2 时间与气候因素对森林公园旅游网络信息流的影响 |
| 5.3 时间与空间距离对森林公园旅游网络信息流的影响 |
| 5.4 社会人口因素对森林公园旅游网络信息流的影响 |
| 5.5 经济发展水平对森林公园旅游网络信息流的影响 |
| 5.6 交通可达性对森林公园旅游网络信息流的影响 |
| 5.7 信息化建设水平对森林公园旅游网络信息流的影响 |
| 5.8 目的地接待能力对森林公园旅游网络信息流的影响 |
| 5.9 目的地吸引力对森林公园旅游网络信息流的影响 |
| 5.10 森林旅游接待能力对森林公园旅游网络信息流的影响 |
| 5.11 森林旅游资源禀赋对森林公园旅游网络信息流的影响 |
| 5.12 本章小结 |
| 6 森林公园旅游网络信息流的作用机理 |
| 6.1 研究方法 |
| 6.2 网络信息流与各影响因素间耦合协调度与协调效率分析 |
| 6.3 网络信息流与环境影响体系的耦合协调度协调效率分析 |
| 6.4 网络信息流与环境影响体系耦合协调效率识别及划分 |
| 6.5 本章小结 |
| 7 森林公园旅游网络信息流组合配置分析与优化策略 |
| 7.1 森林公园旅游网络信息流组合配置分析 |
| 7.2 森林公园旅游网络信息流优化策略 |
| 8 结论与讨论 |
| 8.1 研究结论 |
| 8.2 研究创新 |
| 8.3 局限与展望 |
| 参考文献 |
| 附录 (A) 森林公园旅游网络信息流基础数据统计表 |
| 附录 (B) 森林公园旅游网络信息流校准后的模糊值 |
| 附录 (C) 森林旅游产业发展能力校准后的模糊值 |
| 附录 (D) 攻读学位期间主要学术成果 |
| 致谢 |
（10）空气质量传播影响关系及行为特性智能分析方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状及存在的问题 |
| 1.2.1 空气质量研究现状 |
| 1.2.2 传播网络研究现状 |
| 1.2.3 传播网络在空气质量研究中应用分析 |
| 1.2.4 存在的主要问题 |
| 1.3 课题研究的主要内容 |
| 1.4 本文组织结构 |
| 第2章 空气质量影响因素及表征方法 |
| 2.1 影响空气质量主要因素 |
| 2.1.1 经济因素 |
| 2.1.2 气象因素 |
| 2.1.3 地理因素 |
| 2.2 传播网络结构特性分析 |
| 2.2.1 结构参数 |
| 2.2.2 传播网络基本特性 |
| 2.3 空气质量传播网络表征方法 |
| 2.3.1 节点属性表征 |
| 2.3.2 交互关系和强度属性表征 |
| 2.3.3 拓扑结构复杂性表征 |
| 2.4 本章小结 |
| 第3章 基于传播网络的空气质量模型研究 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 空气质量传播网络模型构建 |
| 3.3.1 影响因素特征分析 |
| 3.3.2 传播路径映射统计 |
| 3.4 实验结果及分析 |
| 3.4.1 实验数据 |
| 3.4.2 空气质量传播网络构造 |
| 3.4.3 结构分析 |
| 3.5 本章小结 |
| 第4章 基于社团发现的空气质量区域特性分析 |
| 4.1 引言 |
| 4.2 无向无权网络中的社团发现算法 |
| 4.2.1 标签传播算法 |
| 4.2.2 基于局部信息的改进算法 |
| 4.3 有向加权网络中社团发现算法 |
| 4.4 实验及空气质量特性分析 |
| 4.4.1 算法验证 |
| 4.4.2 实验结果 |
| 4.4.3 特性分析 |
| 4.5 本章小结 |
| 第5章 空气质量网络关键节点挖掘算法研究 |
| 5.1 引言 |
| 5.2 独立阈值传播评价模型 |
| 5.3 基于中心性挖掘关键节点 |
| 5.3.1 基于中心性的挖掘指标 |
| 5.3.2 综合中心性算法 |
| 5.3.3 实验结果及分析 |
| 5.4 基于传播特点挖掘关键节点 |
| 5.4.1 双向传导算法 |
| 5.4.2 实验结果及分析 |
| 5.5 本章小结 |
| 第6章 基于节点间相似度的空气质量网络结构预测 |
| 6.1 引言 |
| 6.2 马尔科夫过程 |
| 6.2.1 随机游走模型 |
| 6.2.2 概率转移游走模型 |
| 6.3 基于节点间相似度的边预测算法 |
| 6.3.1 无向无权网络相似度边预测算法 |
| 6.3.2 节点间通用相似度边预测算法 |
| 6.4 实验结果及分析 |
| 6.4.1 算法验证 |
| 6.4.2 Top-10相似节点组的确定 |
| 6.4.3 边生成预测 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间承担的科研任务与主要成果 |
| 致谢 |
四、气象数据在网络结构中的应用模型探讨（论文参考文献）
- [1]基于风云4号卫星图像的西藏地区云检测和降水外推预报研究[D]. 陶润喆. 南京信息工程大学, 2021(01)
- [2]基于FY-4A卫星的云检测与云图预测方法研究[D]. 蔡朋艳. 南京信息工程大学, 2021(01)
- [3]基于机器学习的空气质量预测算法研究[D]. 朱润苏. 江南大学, 2021(01)
- [4]雷暴云团识别与线路规划系统的研究与实现[D]. 魏祥. 太原理工大学, 2021(01)
- [5]区域旅游吸引力与游客流动倾向响应研究[D]. 潘越. 燕山大学, 2021(01)
- [6]基于深度学习超分辨率的气象预报系统研究[D]. 程建新. 武汉大学, 2021(12)
- [7]智慧林业中立体感知体系关键技术研究[D]. 王艳华. 东北林业大学, 2021
- [8]基于深度学习的卫星图像中海雾识别的研究[D]. 李楠. 北京邮电大学, 2020(05)
- [9]国家森林公园旅游网络信息流的时空效应与作用机理研究[D]. 陆利军. 中南林业科技大学, 2020(05)
- [10]空气质量传播影响关系及行为特性智能分析方法研究[D]. 宋琛. 燕山大学, 2020