CN109190810B - 基于tdnn的中国北方草原地区ndvi的预测方法 - Google Patents
基于tdnn的中国北方草原地区ndvi的预测方法 Download PDFInfo
- Publication number
- CN109190810B CN109190810B CN201810935901.8A CN201810935901A CN109190810B CN 109190810 B CN109190810 B CN 109190810B CN 201810935901 A CN201810935901 A CN 201810935901A CN 109190810 B CN109190810 B CN 109190810B
- Authority
- CN
- China
- Prior art keywords
- rainfall
- ndvi
- tdnn
- model
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims description 47
- 238000012360 testing method Methods 0.000 claims description 33
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 6
- 238000009304 pastoral farming Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 244000144972 livestock Species 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 6
- 244000025254 Cannabis sativa Species 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000005284 excitation Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Neurology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Agronomy & Crop Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Animal Husbandry (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于TDNN的中国北方草原地区NDVI的预测方法：建立未来年度生长季月平均降雨量TDNN预测模型；建立未来年度生长季月平均降雨量‑NDVI映射模型；将降雨量TDNN预测模型产生的未来年度生长季降雨量月平均预测值，代入到降雨量‑NDVI映射模型中，获得未来年度生长季NDVI月平均预测值。本发明可以准确预测生长季(6‑8月)NDVI平均值，从而实现根据NDVI的预测值评估未来年份可放牧的牲畜数量(载畜量)，该方法有利于基于可预测的气候条件实现动态的放牧策略，以避免灾害年份出现过度放牧。
Description
技术领域
本发明涉及NDVI预测建模领域，更具体的说，是涉及一种基于TDNN的中国北方草原地区NDVI的预测方法。
背景技术
近30年来，中国北方草原地区植被退化严重，一方面归因于草原地区畜牧业的快速发展，即过度放牧现象的持续增加，导致草产量和牲畜数量出现明显的失衡，最终导致草原出现持续的退化、沙化现象。另一方面，由于该地区降雨量年度变化异常，极个别年份出现严重的旱涝灾害，严重威胁了该地区草原生态环境的保护与恢复，以及草原畜牧业的可持续发展。
目前，针对中国北方干旱半干旱草原地区的草产量估算与预测，主要还是基于人工经验方法，人工估算草产量容易产生误差。随着遥感技术的发展，基于normalizeddifference vegetation index(NDVI)评估草产量的技术已被广泛利用。然而，目前针对NDVI的预测研究主要应用传统的线性统计模型，该模型无法准确表征NDVI的非线性变化特性，尽管除传统统计方法多元线性回归外，还有autoregressive integrated movingaverage(ARIMA)及常见的机器学习方法如back propagation neural network(BPNN)、support vector machine(SVM)等被应用于预测NDVI。然而，由于当年植被的变化(草产量)不仅由当年的降雨量决定，而且与之前年份的降雨量相关，这些机器学习方法无法准确表达这种模型输入之间潜在的时间上的关系。
不同的是，Time-delay neural network(TDNN)已经被应用于多个时间输入分析建模领域，如语音信号的预测与识别，被公认为适合处理输入具有潜在时间上的非线性关系的数据序列。故本发明基于TDNN分别建立了降雨量自预测模型、降雨量-NDVI映射模型，最终实现NDVI的精确预测。
发明内容
本发明的目的是为了克服现有针对中国北方草原地区NDVI预测技术中的不足，利用以往降雨量、NDVI的观测数据，提供一种基于TDNN的中国北方草原地区NDVI的预测方法，有效解决了降雨量与NDVI建模时模型输入之间的时间关系问题，实现了NDVI的精确预测，从而间接实现未来年份理论载畜量的精准预测，这将有利于实现草原地区的科学放牧及植被恢复与保护。
本发明的目的是通过以下技术方案实现的。
本发明的基于TDNN的中国北方草原地区NDVI的预测方法，包括以下步骤：
第一步：建立未来年度生长季月平均降雨量TDNN预测模型
①基于SPSS统计软件进行相关性分析，确定北方草原地区年度生长季月平均降雨量TDNN预测模型的输入变量P(t-1)、P(t-2)、P(t-3)和输出变量P(t)，其中，P(t)、P(t-1)、P(t-2)、P(t-3)分别是t、t-1、t-2、t-3年度生长季降雨量月平均值；
②通过数据训练、仿真，获得降雨量TDNN预测模型的训练数据和测试数据；
③将训练数据导入降雨量TDNN预测模型中，对降雨量TDNN预测模型进行训练；
④将测试数据中输入变量导入已经训练好的降雨量TDNN预测模型中，比较降雨量TDNN预测模型输出结果和降雨量实际观测值(测试数据中输出变量)，并计算测试误差MAE1、RMSE1；
⑤比较每次降雨量TDNN预测模型的训练精度MAE1、RMSE1大小，如果MAE1、RMSE1小于精度期望值，则完成降雨量TDNN预测模型训练；如果MAE1、RMSE1大于精度期望值，则调整模型参数重新训练，直到MAE1、RMSE1小于精度期望值，结束训练，完成降雨量TDNN预测模型建模；
第二步：建立未来年度生长季月平均降雨量-NDVI映射模型
①基于SPSS统计软件进行相关性分析，确定北方草原地区年度生长季月平均降雨量-NDVI映射模型的输入变量P(t)、P(t-1)和输出变量N(t)，其中，P(t)、P(t-1)分别是t、t-1年度生长季降雨量月平均值，N(t)是t年度生长季NDVI月平均值；
②通过数据训练、仿真，获得降雨量-NDVI映射模型的训练数据和测试数据；
③将训练数据导入降雨量-NDVI映射模型中，对降雨量-NDVI映射模型进行训练；
④将测试数据中输入变量导入已经训练好的降雨量-NDVI映射模型中，比较降雨量-NDVI映射模型输出结果和NDVI实际观测值(测试数据中输出变量)，并计算测试误差MAE2、RMSE2；
⑤比较每次降雨量-NDVI映射模型的训练精度MAE2、RMSE2大小，如果MAE2、RMSE2小于精度期望值，则完成降雨量-NDVI映射模型训练；如果MAE2、RMSE2大于精度期望值，则调整模型参数重新训练，直到MAE2、RMSE2小于精度期望值，结束训练，完成降雨量-NDVI映射模型建模；
第三步：将降雨量TDNN预测模型产生的未来年度生长季降雨量月平均预测值，代入到降雨量-NDVI映射模型中，获得未来年度生长季NDVI月平均预测值。
第一步④中得测试误差MAE1、RMSE1按以下公式计算：
其中，(Yobs1)i表示降雨量实际观测值，即测试数据中输出变量，也就是TDNN预测模型的理想输出结果，(Ypred1)i表示TDNN预测模型的输出结果，n1表示样本数量。
第二步④中得测试误差MAE2、RMSE2按以下公式计算：
其中，(Yobs2)i表示NDVI实际观测值，即测试数据中输出变量，也就是降雨量-NDVI映射模型的理想输出结果，(Ypred2)i表示降雨量-NDVI映射模型的输出结果，n2表示样本数量。
与现有技术相比，本发明的技术方案所带来的有益效果是：
本发明针对中国北方草甸草原地区生长季NDVI进行预测研究，首次将TDNN模型应用到该地区的NDVI预测建模，该模型可提前预测未来年份生长季的月平均NDVI，从而至少提前一年实现对该地区载畜量的控制，避免旱涝灾害年份因过度放牧而产生植被、生态破坏以及畜牧业的经济损失，故具有重大的环境与经济战略价值及学术意义，填补了NDVI不能准确预测的技术空白。相比传统的针对该地区NDVI的预测方法，基于TDNN建立的预测模型具有快速、准确的优势。
附图说明
图1是基于TDNN的降雨量预测模型建模流程示意图；
图2是基于TDNN的降雨量预测模型结构图；
图3是基于TDNN的降雨量-NDVI映射预测NDVI模型结构图；
图4是基于TDNN的降雨量预测值与实际值的比较示意图；
图5是基于TDNN的NDVI预测结果与实际NDVI的比较示意图。
具体实施方式
下面结合附图对本发明作进一步的描述。
本发明的基于TDNN的中国北方草原地区NDVI的预测方法，包括以下步骤：
(一)基于1961-2015年的生长季(6-8月份)月平均降雨量数据进行建模，获得未来年度生长季月平均降雨量TDNN预测模型，该模型满足预测要求，达到了建模的精度，不仅能够预测出未来年份降雨量的变化趋势，也能对降雨量序列的突变点进行预测。具体实现过程如下：
①基于SPSS统计软件进行相关性分析，确定北方草原地区年度生长季月平均降雨量TDNN预测模型的输入变量P(t-1)、P(t-2)、P(t-3)和输出变量P(t)，其中，P(t)、P(t-1)、P(t-2)、P(t-3)分别是t、t-1、t-2、t-3年度生长季降雨量月平均值。
②通过数据训练、仿真，获得降雨量TDNN预测模型的训练数据和测试数据。
③将训练数据导入降雨量TDNN预测模型中，对降雨量TDNN预测模型进行训练。
④将测试数据中输入变量导入已经训练好的降雨量TDNN预测模型中，比较降雨量TDNN预测模型输出结果和降雨量实际观测值(测试数据中输出变量)，并计算测试误差MAE1、RMSE1，按以下公式计算：
其中，(Yobs1)i表示降雨量实际观测值，即测试数据中输出变量，也就是TDNN预测模型的理想输出结果，(Ypred1)i表示TDNN预测模型的输出结果，n1表示样本数量。
⑤比较每次降雨量TDNN预测模型的训练精度MAE1、RMSE1大小，如果MAE1、RMSE1小于精度期望值，则完成降雨量TDNN预测模型训练；如果MAE1、RMSE1大于精度期望值，则需要调整模型参数(激励函数G和隐藏神经元个数N)重新训练，直到MAE1、RMSE1小于精度期望值，结束训练，完成降雨量TDNN预测模型建模。
(二)基于2000-2015年生长季降雨量、NDVI数据建立未来年度生长季月平均降雨量-NDVI映射模型，实现基于降雨量数据关联预测NDVI。具体实现过程如下：
①基于SPSS统计软件进行相关性分析，确定北方草原地区年度生长季月平均降雨量-NDVI映射模型的输入变量P(t)、P(t-1)和输出变量N(t)，其中，P(t)、P(t-1)分别是t、t-1年度生长季降雨量月平均值，N(t)是t年度生长季NDVI月平均值。
②通过数据训练、仿真，获得降雨量-NDVI映射模型的训练数据和测试数据。
③将训练数据导入降雨量-NDVI映射模型中，对降雨量-NDVI映射模型进行训练。
④将测试数据中输入变量导入已经训练好的降雨量-NDVI映射模型中，比较降雨量-NDVI映射模型输出结果和NDVI实际观测值(测试数据中输出变量)，并计算测试误差MAE2、RMSE2，按以下公式计算：
其中，(Yobs2)i表示NDVI实际观测值，即测试数据中输出变量，也就是降雨量-NDVI映射模型的理想输出结果，(Ypred2)i表示降雨量-NDVI映射模型的输出结果，n2表示样本数量。
⑤比较每次降雨量-NDVI映射模型的训练精度MAE2、RMSE2大小，如果MAE2、RMSE2小于精度期望值，则完成降雨量-NDVI映射模型训练；如果MAE2、RMSE2大于精度期望值，则需要调整模型参数(激励函数G和隐藏神经元个数N)重新训练，直到MAE2、RMSE2小于精度期望值，结束训练，完成降雨量-NDVI映射模型建模。
第三步：将降雨量TDNN预测模型产生的未来年度生长季降雨量月平均预测值，代入到降雨量-NDVI映射模型中，获得未来年度生长季NDVI月平均预测值。
实施例：
现基于呼伦贝尔鄂温克地区1961-2014年生长季降雨量月平均值、2000-2014年生长季NDVI月平均值，结合该地区NDVI预测模型的建立方法对本发明提出的基于TDNN的中国北方草原地区NDVI的预测方法进行详细的说明。
1、选择预测模型的输入变量，基于SPSS统计软件进行相关性分析，最终确定与P(t)对应的输入序列P(t-1)、P(t-2)、P(t-3)；
2、获得降雨量TDNN预测模型的训练数据和测试数据，按照图1的流程，将训练数据导入降雨量TDNN预测模型，对降雨量TDNN预测模型进行训练；
3、确定最优模型的结构，图2所示，确定输入变量为P(t-1)、P(t-2)、P(t-3)，即利用前三年的降雨量作为输入变量预测当年的降雨量，在本实施例中，激励函数选取sigmoid，隐藏神经元个数为7。
4、比较降雨量TDNN预测模型(图2)的测试误差MAE1、RMSE1，最后获得最佳训练结果为MAE1＝3.3mm(占对应降雨量序列平均值的8.18％)、RMSE1＝3.73(占对应降雨量序列平均值的8.89％)；
5、预测效果分析，如图4所示为降雨量预测结果与实际降雨量的比较。可见，该模型能够预测出未来降雨量的变化趋势，对突变的降雨量极值年份也能进行预测。
6、同理步骤1-5，确定降雨量-NDVI映射模型的输入为P(t)、P(t-1)，输出为N(t)，隐藏神经元个数为3，如图3所示，激励函数选取sigmoid。
7、比较降雨量-NDVI映射模型的测试误差MAE2、RMSE2，最后获得最佳训练结果为MAE2＝0.00212(占对应NDVI序列平均值的0.272％)、RMSE2＝0.00215(占对应NDVI序列平均值的0.275％)，并通过将NDVI实际值与预测值进行相关性分析得(图5为NDVI预测结果图)，相关系数为0.999。可见，该模型预测的NDVI与其实际值基本一致，该模型能够预测出未来NDVI的变化趋势，并通过结合降雨量TDNN预测模型，可获得未来年份NDVI的预测值，这对于极端干旱或洪涝灾害年度的放牧系统管理，具有极其重要的研究意义。
综上所述，应用TDNN模型，建立中国北方草甸草原地区生长季NDVI的预测模型，这对草原地区的植被恢复、环境保护及畜牧业的发展都具有重要的意义。
尽管上面结合附图对本发明的功能及工作过程进行了描述，但本发明并不局限于上述的具体功能和工作过程，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以做出很多形式，这些均属于本发明的保护之内。
Claims (3)
1.一种基于TDNN的中国北方草原地区NDVI的预测方法，其特征在于，包括以下步骤：
第一步：建立未来年度生长季月平均降雨量TDNN预测模型
①基于SPSS统计软件进行相关性分析，确定北方草原地区年度生长季月平均降雨量TDNN预测模型的输入变量P(t-1)、P(t-2)、P(t-3)和输出变量P(t)，其中，P(t)、P(t-1)、P(t-2)、P(t-3)分别是t、t-1、t-2、t-3年度生长季降雨量月平均值；
②通过数据训练、仿真，获得降雨量TDNN预测模型的训练数据和测试数据；
③将训练数据导入降雨量TDNN预测模型中，对降雨量TDNN预测模型进行训练；
④将测试数据中输入变量导入已经训练好的降雨量TDNN预测模型中，比较降雨量TDNN预测模型输出结果和降雨量实际观测值，并计算测试误差MAE1、RMSE1；
⑤比较每次降雨量TDNN预测模型的训练精度MAE1、RMSE1大小，如果MAE1、RMSE1小于精度期望值，则完成降雨量TDNN预测模型训练；如果MAE1、RMSE1大于精度期望值，则调整模型参数重新训练，直到MAE1、RMSE1小于精度期望值，结束训练，完成降雨量TDNN预测模型建模；
第二步：建立未来年度生长季月平均降雨量-NDVI映射模型
①基于SPSS统计软件进行相关性分析，确定北方草原地区年度生长季月平均降雨量-NDVI映射模型的输入变量P(t)、P(t-1)和输出变量N(t)，其中，P(t)、P(t-1)分别是t、t-1年度生长季降雨量月平均值，N(t)是t年度生长季NDVI月平均值；
②通过数据训练、仿真，获得降雨量-NDVI映射模型的训练数据和测试数据；
③将训练数据导入降雨量-NDVI映射模型中，对降雨量-NDVI映射模型进行训练；
④将测试数据中输入变量导入已经训练好的降雨量-NDVI映射模型中，比较降雨量-NDVI映射模型输出结果和NDVI实际观测值，并计算测试误差MAE2、RMSE2；
⑤比较每次降雨量-NDVI映射模型的训练精度MAE2、RMSE2大小，如果MAE2、RMSE2小于精度期望值，则完成降雨量-NDVI映射模型训练；如果MAE2、RMSE2大于精度期望值，则调整模型参数重新训练，直到MAE2、RMSE2小于精度期望值，结束训练，完成降雨量-NDVI映射模型建模；
第三步：将降雨量TDNN预测模型产生的未来年度生长季降雨量月平均预测值，代入到降雨量-NDVI映射模型中，获得未来年度生长季NDVI月平均预测值。
2.根据权利要求1所述的基于TDNN的中国北方草原地区NDVI的预测方法，其特征在于，第一步④中得测试误差MAE1、RMSE1按以下公式计算：
其中，(Yobs1)i表示降雨量实际观测值，也就是TDNN预测模型的理想输出结果，(Ypred1)i表示TDNN预测模型的输出结果，n1表示样本数量。
3.根据权利要求1所述的基于TDNN的中国北方草原地区NDVI的预测方法，其特征在于，第二步④中得测试误差MAE2、RMSE2按以下公式计算：
其中，(Yobs2)i表示NDVI实际观测值，也就是降雨量-NDVI映射模型的理想输出结果，(Ypred2)i表示降雨量-NDVI映射模型的输出结果，n2表示样本数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810935901.8A CN109190810B (zh) | 2018-08-16 | 2018-08-16 | 基于tdnn的中国北方草原地区ndvi的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810935901.8A CN109190810B (zh) | 2018-08-16 | 2018-08-16 | 基于tdnn的中国北方草原地区ndvi的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109190810A CN109190810A (zh) | 2019-01-11 |
| CN109190810B true CN109190810B (zh) | 2021-05-04 |
Family
ID=64918444
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810935901.8A Active CN109190810B (zh) | 2018-08-16 | 2018-08-16 | 基于tdnn的中国北方草原地区ndvi的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109190810B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110458368B (zh) * | 2019-08-18 | 2023-01-17 | 中国科学院科技战略咨询研究院 | 一种基于网络流的草畜平衡游牧路径规划方法 |
| CN113705928B (zh) * | 2021-09-15 | 2023-09-12 | 中国农业科学院农业资源与农业区划研究所 | 基于大气再分析数据对植被生长季顶峰时间的预测方法 |
| CN113902215B (zh) * | 2021-11-01 | 2024-05-07 | 北京飞花科技有限公司 | 一种棉花延迟型冷害动态的预报方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104820754A (zh) * | 2015-05-13 | 2015-08-05 | 南京信息工程大学 | 一种基于地理差异分析法的空间统计降尺度降水估算方法 |
| US9131642B2 (en) * | 2011-05-13 | 2015-09-15 | Hydrobio, Inc. | Method and system to control irrigation across large geographic areas using remote sensing, weather and field level data |
| CN107480818A (zh) * | 2017-08-09 | 2017-12-15 | 中国热带农业科学院科技信息研究所 | 一种快速评估人类活动对植被覆盖变化影响的方法 |
| CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、系统及电子设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9349148B2 (en) * | 2013-07-17 | 2016-05-24 | Sigma Space Corp. | Methods and apparatus for adaptive multisensor analisis and aggregation |
-
2018
- 2018-08-16 CN CN201810935901.8A patent/CN109190810B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9131642B2 (en) * | 2011-05-13 | 2015-09-15 | Hydrobio, Inc. | Method and system to control irrigation across large geographic areas using remote sensing, weather and field level data |
| CN104820754A (zh) * | 2015-05-13 | 2015-08-05 | 南京信息工程大学 | 一种基于地理差异分析法的空间统计降尺度降水估算方法 |
| CN107480818A (zh) * | 2017-08-09 | 2017-12-15 | 中国热带农业科学院科技信息研究所 | 一种快速评估人类活动对植被覆盖变化影响的方法 |
| CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、系统及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| Spatio-temporal variability of sugarcane fields and recommendations for yield forecast using NDVI;A.BEGUE，etc.;《Spatio-temporal variability of sugarcane fields》;20101231;第1-21页 * |
| 中国北方草原对气候干旱的响应;王宏 等;《生态学报》;20080131;第28卷(第1期);第172-182页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109190810A (zh) | 2019-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Matsumura et al. | Maize yield forecasting by linear regression and artificial neural networks in Jilin, China | |
| Anctil et al. | Impact of the length of observed records on the performance of ANN and of conceptual parsimonious rainfall-runoff forecasting models | |
| CN111310968A (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
| CN108345958A (zh) | 一种订单出餐时间预测模型构建、预测方法、模型和装置 | |
| Wilson et al. | Towards a generic artificial neural network model for dynamic predictions of algal abundance in freshwater lakes | |
| CN101480143B (zh) | 一种预测灌区作物单产量的方法 | |
| CN109190810B (zh) | 基于tdnn的中国北方草原地区ndvi的预测方法 | |
| CN108876021B (zh) | 一种中长期径流预报方法及系统 | |
| CN111767517B (zh) | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 | |
| CN108920427B (zh) | 一种月尺度水文模型时变参数的动态估计方法 | |
| CN107145965B (zh) | 一种基于相似度匹配和极限学习机的河流洪水预测方法 | |
| CN110619432A (zh) | 一种基于深度学习的特征提取水文预报的方法 | |
| CN108021773B (zh) | 基于dss数据库的分布式水文模型多场次洪水参数率定方法 | |
| CN109272144B (zh) | 基于bpnn的中国北方草原地区ndvi的预测方法 | |
| CN109886461A (zh) | 一种径流预报方法及装置 | |
| Hwang et al. | A new measure for assessing the efficiency of hydrological data-driven forecasting models | |
| CN113159439A (zh) | 一种作物产量的预测方法、系统、存储介质和电子设备 | |
| CN113393057A (zh) | 一种基于深度融合机器学习模型的小麦产量集成预测方法 | |
| CN105184400A (zh) | 一种烟田土壤水分预测方法 | |
| CN106295232B (zh) | 一种基于灰色关联分析的测土配方施肥方法 | |
| Chiang et al. | Evaluating the contribution of multi-model combination to streamflow hindcasting by empirical and conceptual models | |
| CN110852415B (zh) | 基于神经网络算法的植被指数预测方法、系统及设备 | |
| CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
| CN109541729B (zh) | 一种基于narx的中国北方草原地区生长季降雨量的预测方法 | |
| CN105825347A (zh) | 经济预测模型建立的方法和预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |