冰川中冰层厚度的获取和冰下沉积物冻结程度的估计是冰川学研究中的基础内容，并且具有十分重要的科学意义.各种简便和“无损”的地球物理方法已经被用于实现这些目标，其中包括多道面波分析.针对传统藤壶交配算法优化过程受制于关键参数（生殖器长度pl）的选取，种群进化方式多样性以及当藤壶位置超出模型空间时处理方式的影响，本文提出一种结合变生殖器长度plvar 策略、新型藤壶子代更新策略和越界校正策略的改进藤壶交配算法，并将该算法应用于多阶面波频散联合全参数反演，即在联合基阶、高阶频散数据约束反演过程的同时，获取层厚（h）、横波速度（VS）、纵横波速度比（VP:VS）和密度（ρ）信息，以更好地确定冰川冰层厚度和冰川内沉积物的冻结程度.不同理论频散数据反演测试结果一致表明，改进藤壶交配算法相较于传统藤壶交配算法和粒子群优化算法具有更小的数据拟合误差和更准确的模型参数. 10个复杂基准函数测试结果说明改进藤壶交配算法出色的优化效果具有一般性.含噪且只有基阶信息的反演测试进一步验证了三种改进策略的有效性.针对实际数据反演...
冰川中冰层厚度的获取和冰下沉积物冻结程度的估计是冰川学研究中的基础内容，并且具有十分重要的科学意义.各种简便和“无损”的地球物理方法已经被用于实现这些目标，其中包括多道面波分析.针对传统藤壶交配算法优化过程受制于关键参数（生殖器长度pl）的选取，种群进化方式多样性以及当藤壶位置超出模型空间时处理方式的影响，本文提出一种结合变生殖器长度plvar 策略、新型藤壶子代更新策略和越界校正策略的改进藤壶交配算法，并将该算法应用于多阶面波频散联合全参数反演，即在联合基阶、高阶频散数据约束反演过程的同时，获取层厚（h）、横波速度（VS）、纵横波速度比（VP:VS）和密度（ρ）信息，以更好地确定冰川冰层厚度和冰川内沉积物的冻结程度.不同理论频散数据反演测试结果一致表明，改进藤壶交配算法相较于传统藤壶交配算法和粒子群优化算法具有更小的数据拟合误差和更准确的模型参数. 10个复杂基准函数测试结果说明改进藤壶交配算法出色的优化效果具有一般性.含噪且只有基阶信息的反演测试进一步验证了三种改进策略的有效性.针对实际数据反演...
冰川中冰层厚度的获取和冰下沉积物冻结程度的估计是冰川学研究中的基础内容，并且具有十分重要的科学意义.各种简便和“无损”的地球物理方法已经被用于实现这些目标，其中包括多道面波分析.针对传统藤壶交配算法优化过程受制于关键参数（生殖器长度pl）的选取，种群进化方式多样性以及当藤壶位置超出模型空间时处理方式的影响，本文提出一种结合变生殖器长度plvar 策略、新型藤壶子代更新策略和越界校正策略的改进藤壶交配算法，并将该算法应用于多阶面波频散联合全参数反演，即在联合基阶、高阶频散数据约束反演过程的同时，获取层厚（h）、横波速度（VS）、纵横波速度比（VP:VS）和密度（ρ）信息，以更好地确定冰川冰层厚度和冰川内沉积物的冻结程度.不同理论频散数据反演测试结果一致表明，改进藤壶交配算法相较于传统藤壶交配算法和粒子群优化算法具有更小的数据拟合误差和更准确的模型参数. 10个复杂基准函数测试结果说明改进藤壶交配算法出色的优化效果具有一般性.含噪且只有基阶信息的反演测试进一步验证了三种改进策略的有效性.针对实际数据反演...
积雪作为宝贵的淡水资源，其覆盖率的变动对农牧业经济的发展具有深远影响.当前对积雪覆盖率的预测研究较少，为提升积雪覆盖率预测的准确性，基于机器学习算法，构建支持向量回归（SVR）、粒子群（PSO）优化SVR、随机森林（RF）、XGBoost及优化后的XGBoost预测模型对新疆积雪覆盖率进行预测研究，并对模型预测精度进行对比分析.研究结果表明：RF和优化后的XGBoost模型的R2均大于0.9;传统SVR模型的R2均小于0.8,而PSO算法优化后的SVR模型的R2均大于0.8,部分大于0.9;XGBoost模型的R2均低于0.4.说明RF、优化后的XGBoost及PSO-SVR模型在积雪覆盖率预测研究中呈现出较高精度，XGBoost模型的预测结果最差，且利用不同算法对传统模型进行优化在研究中十分必要.
积雪作为宝贵的淡水资源，其覆盖率的变动对农牧业经济的发展具有深远影响.当前对积雪覆盖率的预测研究较少，为提升积雪覆盖率预测的准确性，基于机器学习算法，构建支持向量回归（SVR）、粒子群（PSO）优化SVR、随机森林（RF）、XGBoost及优化后的XGBoost预测模型对新疆积雪覆盖率进行预测研究，并对模型预测精度进行对比分析.研究结果表明：RF和优化后的XGBoost模型的R2均大于0.9;传统SVR模型的R2均小于0.8,而PSO算法优化后的SVR模型的R2均大于0.8,部分大于0.9;XGBoost模型的R2均低于0.4.说明RF、优化后的XGBoost及PSO-SVR模型在积雪覆盖率预测研究中呈现出较高精度，XGBoost模型的预测结果最差，且利用不同算法对传统模型进行优化在研究中十分必要.