刘家峡水库转入防洪运用持续“泄洪”减压

中新网兰州7月17日电 (何洁)截至7月17日12时,刘家峡水库库区水位达到海拔高程1726.29米,日均入库流量2387立方米每秒,出库流量达1993立方米每秒,刘家峡水电厂7台机组全部满发,并于16日下午16时54分开启溢洪道闸门,进行今年第三轮泄洪。

作为黄河上游的大型水电站,刘家峡水库大坝的安全关系到黄河中下游地区数百万人民的生命财产安全。连续两年来,黄河上游来水偏丰,今年以来,全国累积降水量比常年同期明显偏多且降雨集中,防汛形势严峻。

以上绝对不是模型可解释和可视化工具包的完整列表。这篇博文罗列了包含其他有用的工具包的列表,值得一试。

据了解,鹿城银行本次拟定向发行不超过2130万股(含)普通股,发行价格为每股1.66元,预计募集资金总额不超过3535.80万元(含)。本次发行对象为60名自然人,均为公司员工。

雷锋字幕组是一个由 AI 爱好者组成的翻译团队,汇聚五百多位志愿者的力量,分享最新的海外AI资讯,交流关于人工智能技术领域的行业变革与技术创新的见解。

这个可视化工具覆盖了模型选择,特征重要性和模型性能分析等方面。

傍晚,几十辆车把武警官兵送来王家坝,围观的民众直呼:“这下我们更放心了。”深夜,由当地政府工作人员、群众、武警、民兵、志愿者等组成的数万人抢险队伍,携手护堤保民众。

王家坝闸地处豫皖交界处,其以下的淮河中游有许多重要的城市、工矿企业和京九、京沪铁路等交通大动脉。“开闸蓄洪旨在确保淮河中游的安全,这是淮河防汛抗洪的重中之重,也是王家坝闸的主要任务。”王家坝镇镇长余海阔介绍。

为保障民众生命财产安全,19日15时,阜南县便开始帮助蓄洪区里的民众有序撤离。

如果,你也是位热爱分享的AI爱好者。欢迎与雷锋字幕组一起,学习新知,分享成长。

20日下午,记者驱车赶到距离阜南县城30公里的王家坝闸,沿途许多商家、农家大门被贴上白色封条,昔日热闹的集市已空。路两边的农田淹没在水中,深水处,只能看到树梢和屋顶。一路上设了数道关卡,防止撤出的民众再返回蓄洪区。

下面的可视化工具一次只能接受两个特征作为输入,所以我们创建了数组[‘proline’, ‘color_intensity’]。因为这两个特征在上述利用ELI5分析时,具有最高的特征重要性。

王家坝闸泄洪的同时,濛洼蓄洪区启用。记者赶到时,濛洼蓄洪区已一片汪洋,且水位不断上涨。

利用scikit-learn进一步将数据分为测试集合和训练集。

该工具包可以通过pip安装,

图为航拍开闸泄洪中的王家坝闸。 张娅子 摄

接下来,我们创建一些分类器,并在训练数据上进行拟合,通过MLxtend可视化他们的决策边界。输出来自下面的代码。

记者看到,村民们围坐在村口,你一句我一句议论着水情和各家受损情况,表情平静。“我们都习惯了”,这是记者在濛洼蓄洪区采访听到民众说得最多的一句话。

由于对人工智能偏见的担心日益凸显,从业者解释模型产出的预测结果的能力以及解释模型自身运作机制的能力变的越来越重要。幸运的是,已经有许多python工具集被开发出来,用以解决上述问题。下文我将对现有4个建立的比较完善的翻译和解释机器学习模型的工具包做简要的指导性描述。

这个工具包本质上,是scikit-learn的一个扩展,提供了一些非常实用且好看的机器学习模型可视化工具。`visualiser`对象是核心接口,是一个scikit-learn估计器,所以如果你之前熟悉scikit-learn的工作流程,那么将对此非常熟悉。

LIME可以用pip进行安装

谈及淮河为何时常发“脾气”?余海阔解释道,淮河的主要特点是整体两头翘、上游落差大、中游河道窄、主汛期暴雨频繁,加上历史上的“黄河夺淮”淤塞了淮河排水体系,这也是淮河难治的原因。

从小生活在淮河岸边的郎湾村村民王德志今年62岁,农闲时出去打工,这次回来是因逢农忙时节准备收庄稼,没想到家里发了洪水,于是他又加入到抗洪中。“这次洪水没有1991年的大,但水涨得特别快,种在田里的大葱都被水淹了。”

也可以通过`show_prediction`来观察某一个样本的预测结果的原因。

为了展示工具包中的一些特性,我们将利用scikit-learn中的红酒识别数据集。这个数据集包含13个特征以及3个目标类别。可以通过scikit-learn直接加载。在下面的代码里我引入数据集,并把转换成pandas dataframe。数据集可以直接被用来训练模型,并不需要其他的数据处理。

据气象部门预报,未来3天淮河流域王家坝以上降雨量50至100毫米,淮河防汛形势依然严峻。(完)

ELI5是另一个可视化工具包,在模型机器学习模型调试和解释其产出的预测结果方面非常有用。它能够同大多数通用的python机器学习工具包一起使用,包括scikit-learn和XGBoost,以及Keras。

据此,证监会同意鹿城银行向特定对象发行股票的申请。

下面让我们利用MLxtend来比较Ensemble后的分类器的分类边界与组成他的子分类器的分类边界有什么不同。

从行业分类上看,43%的游戏相关企业为信息传输、软件和信息技术服务业,20%为文化、体育和娱乐业。值得注意的是,我国近六成的相关企业注册资本在200万以下。

默认的,`show_weights`方法采用GAIN来计算权重,但你也可以传入其他`importance_type`来控制特征重要性的计算。

这些工具包都可以通过pip来进行安装,拥有完善的文档,并且强调通过可视化来提升可解释性。

现在,我们拟合一个随机森林分类器,并通过另一个visualiser评价其性能。

郎湾村是一个典型的堤旁庄台,一边是淮河干流,一边是蓄洪区。由于淮河水位上涨和王家坝泄洪,郎湾村已被水包围,只留下狭长的岸堤上的村庄。

据刘家峡水电厂介绍,该厂严格落实防汛大发电的各项措施,做好泄水建筑物的检修维护管理工作,加强大坝安全检测,加强水工设备运行维护,严格执行汛期大坝安全监测制度,确保水库大坝安全。

雷锋网雷锋网(公众号:雷锋网)

接下来,我们创建一个lambda函数,它表示用模型预测一个样本。详见这个优秀的,更有深度的LIME教程。

天眼查专业版数据显示,我国目前约有26万家企业名称、经营范围或品牌名称含“游戏”,且企业状态为在业、存续、迁入、迁出的企业(以下简称“游戏相关企业”)。从地域分布来看,我国游戏相关企业数量排在前三的省份是广东、江苏和湖北。其中,广东省的游戏相关企业总数近9万家,占比高达34.6%。

同时,做好水情分析及预警工作,密切关注和监视天气、水情、沙情和汛情变化,第一时间进行全面预警预报,发生险情及时处置,并开展防汛应急演练,提升队伍应急响应和处置能力。(完)

团队成员有大数据专家、算法工程师、图像处理工程师、产品经理、产品运营、IT咨询人、在校师生;志愿者们来自IBM、AVL、Adobe、阿里、百度等知名企业,北大、清华、港大、中科院、南卡罗莱纳大学、早稻田大学等海内外高校研究所。

雷锋网版权文章,。详情见转载须知。

首先我们构建explainer,它通过训练数据集数组,模型中用到的特征名称和目标变量的类别名称作为初始化参数。

以工商登记为准,天眼查专业版数据显示,我国今年上半年新增游戏企业超过2.2万家,平均每天新增122家。其中,4月是新增游戏相关企业最多的月份,共成立5,613家企业,环比增长59.78%。

图为刘家峡水库泄洪。何洁 摄

同样MLxtend也可以通过pip安装。

LIME(模型无关局部可解释)是一个用来解释模型做出的预测的工具包。LIME支持对多种分类器的单个样本预测进行解释,并且原生支持scikit-learn。

这个工具包包含一系列机器学习可用的工具函数。包括通过stacking和voting构建的分类器,模型的评估,特征的提取、特征工程和可视化。除了该工具包的文档,这篇论文也是理解工具包更多细节的好资源。

此外,近十年以来,我国游戏相关企业(全部企业状态)的年度注册增速呈波动上涨态势,2017年增速到达高峰,为21.95%,2019年全年新增游戏相关企业超6.5万家,为历史新增数量最多的年份。

郎克山介绍,以前民众大多住在蓄洪区里面,一发大水可以说是倾家荡产。2007年濛洼蓄洪后,王家坝镇进一步加强行蓄洪区安全建设,特别是2018年以来,实施了濛洼蓄洪区庄台升级改造和环境整治,把低于海拔28.5米以下的庄台、房子全部拆除,并把民众安置到安全地带。“所以这次蓄洪,我们的人员、物资转移工作就很轻松,整个濛洼蓄洪区的四个乡镇只转移了2000多人。”

自6月19日开始,黄河水利委员会启动黄河上游水旱灾害防御Ⅳ级应急响应,刘家峡水库转入防洪运用,该厂7台机组满发,并开启“泄洪”模式,减轻下游防洪压力。

下面让我们用LIME对上述我们训练的模型的一些预测进行解释。

王德志说,记得1991年那年发大水,洪水把一个个垒好的麦垛整体冲走,有的老人就坐在上面压着,被洪水冲了好几里也不愿放弃,因为那个年代这就是一年的口粮。“现在生活好了,我们都安全生活在岸堤上,虽然蓄洪冲毁了农作物,但等洪水退了,俺们再补种一些经济作物,弥补一下今年的损失,没多大事。”“明年还要继续种呀,看着地空在那长草,心疼。”

让我们看几个简短的例子。

20日8时30分许,时隔13年,被誉为“千里淮河第一闸”的王家坝闸开闸泄洪,滚滚河水龙吟虎啸般奔腾而出,这也是其建成后第16次开闸蓄洪。

“转移工作一直到20日凌晨3点,转移了11户22人,包括所有生产资料和生活用品。”王家坝镇郎湾村党支部书记郎克山说。

郎克山告诉记者,郎湾村人均土地少,而且大多在行洪区,但村民在有限的土地上发展特色种植业。“我们的‘王家坝葱’品牌现在已经小有名气,销往省内外。”

随后,我们利用explainer解释指定样本的预测结果。其结果如下。LIME通过可视化的结果,展示特征如果对得到的预测结果产生影响。

让我们用ELI5来观察一下上面我们训练的模型的特征重要性。

You may also like :