CN109272144B - 基于bpnn的中国北方草原地区ndvi的预测方法 - Google Patents

基于bpnn的中国北方草原地区ndvi的预测方法 Download PDF

Info

Publication number
CN109272144B
CN109272144B CN201810937300.0A CN201810937300A CN109272144B CN 109272144 B CN109272144 B CN 109272144B CN 201810937300 A CN201810937300 A CN 201810937300A CN 109272144 B CN109272144 B CN 109272144B
Authority
CN
China
Prior art keywords
rainfall
ndvi
bpnn
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
Application number
CN201810937300.0A
Other languages
English (en)
Other versions
CN109272144A (zh
Inventor
马建国
吴淘锁
傅海鹏
白红梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201810937300.0A priority Critical patent/CN109272144B/zh
Publication of CN109272144A publication Critical patent/CN109272144A/zh
Application granted granted Critical
Publication of CN109272144B publication Critical patent/CN109272144B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于BPNN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BPNN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BPNN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

基于BPNN的中国北方草原地区NDVI的预测方法
技术领域
本发明涉及降雨量、NDVI预测建模领域，更具体的说，是涉及一种基于BPNN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，即过度放牧现象持续增加，导致草产量和牲畜数量出现比较明显的失衡，最终导致草原地区出现不同程度的退化、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灾(如2016年)或涝灾(如2013年)，严重威胁了该地区草原生态环境的恢复与保护，以及草原畜牧业的可持续发展。所以，研究一种基于气象数据及遥感数据的新型草产量预测方法是科学发展草原畜牧业的必由之路。
目前，针对类似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。随着遥感图像技术的发展，基于normalized difference vegetationindex(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，该模型无法精确表征NDVI的非线性变化特性。
Backpropagation neural network(BPNN)作为最流行的一种人工神经网络模型已经被应用于诸多领域，被公认为适合处理具有非线性关系的数据。针对降雨量数据与NDVI数据及其之间关系的非线性特点，本发明基于BPNN分别建立了降雨量自预测模型、降雨量-NDVI映射模型，最终间接实现NDVI的准确预测。NDVI的准确预测，将有利于实现草畜的平衡发展及草原生态与环境的恢复与保护。
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，基于以往降雨量和NDVI的观测数据，提出一种基于BPNN的中国北方草原地区NDVI的预测方法，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。
本发明的目的是通过以下技术方案实现的。
本发明的基于BPNN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BPNN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BPNN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BPNN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BPNN预测模型中，对降雨量BPNN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BPNN预测模型中，比较降雨量BPNN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BPNN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BPNN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BPNN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BPNN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：
Figure BDA0001768145230000031
Figure BDA0001768145230000032
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BPNN预测模型的理想输出结果，(Ypred1)i表示BPNN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：
Figure BDA0001768145230000033
Figure BDA0001768145230000034
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：
本发明首次提出一种基于BPNN实现NDVI预测的方法，并以中国北方草甸草原地区生长季NDVI为例进行预测，首次将BPNN模型应用该地区的NDVI预测建模，可避免因旱灾或涝灾年份的出现而造成重大的生态破坏与经济损失，具有重大的环境与经济战略价值及学术意义，新型的NDVI预测方法将填补NDVI预测不精确的技术空白。相比传统的NDVI的预测方法，基于BPNN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BPNN的降雨量预测模型建模流程示意图；
图2是基于BPNN的降雨量预测模型结构示意图；
图3是基于BPNN的降雨量预测结果示意图；
图4是基于BPNN的降雨量-NDVI映射模型示意图；
图5是基于BPNN的降雨量-NDVI映射模型结构图；
图6是基于BPNN的降雨量-NDVI映射模型结果示意图。
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BPNN的中国北方草原地区NDVI的预测方法，包括以下步骤：
(一)基于1965-2015年的生长季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BPNN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BPNN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BPNN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BPNN预测模型中，对降雨量BPNN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BPNN预测模型中，比较降雨量BPNN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：
Figure BDA0001768145230000051
Figure BDA0001768145230000052
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BPNN预测模型的理想输出结果，(Ypred1)i表示BPNN预测模型的输出结果，n1表示样本数量。
⑤比较每次降雨量BPNN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BPNN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BPNN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：
Figure BDA0001768145230000061
Figure BDA0001768145230000062
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BPNN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1961-2015年生长季降雨量月平均值、2000-2015年生长季NDVI月平均值，结合NDVI预测模型的建立方法对本发明提出的基于BPNN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BPNN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BPNN预测模型，对降雨量BPNN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，隐藏层为2层，神经元个数依次为50/20。
4、比较降雨量BPNN预测模型的测试误差MAE1、RMSE1，最后获得最佳训练结果为MAE1＝6.294mm(占对应降雨量序列平均值的8.18％)、RMSE1＝6.846(占对应降雨量序列平均值的8.89％)；
5、预测效果分析，如图3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)，如图4、图5所示，隐藏神经元个数为4，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＝0.017(占对应NDVI序列平均值的2.18％)、RMSE2＝0.019(占对应NDVI序列平均值的2.43％)，并通过将NDVI实际值与预测值进行相关性分析得(图6为NDVI预测结果图)，相关系数为0.764。可见，该模型预测的NDVI与其实际值具有很高的相关性，该模型能够预测出未来NDVI的变化趋势，并通过结合降雨量BPNN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BPNN模型，建立中国北方草甸草原地区生长季NDVI的预测模型，这对该地区的植被恢复、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BPNN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BPNN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BPNN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BPNN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BPNN预测模型中，对降雨量BPNN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BPNN预测模型中，比较降雨量BPNN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BPNN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BPNN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BPNN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BPNN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BPNN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：
Figure FDA0002957049830000021
Figure FDA0002957049830000022
其中，(Yobs1)i表示降雨量实际观测值，也就是BPNN预测模型的理想输出结果，(Ypred1)i表示BPNN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BPNN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：
Figure FDA0002957049830000023
Figure FDA0002957049830000024
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。
CN201810937300.0A 2018-08-16 2018-08-16 基于bpnn的中国北方草原地区ndvi的预测方法 Active CN109272144B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810937300.0A CN109272144B (zh) 2018-08-16 2018-08-16 基于bpnn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
CN201810937300.0A CN109272144B (zh) 2018-08-16 2018-08-16 基于bpnn的中国北方草原地区ndvi的预测方法

Publications (2)

Publication Number Publication Date
CN109272144A CN109272144A (zh) 2019-01-25
CN109272144B true CN109272144B (zh) 2021-05-04

Family

ID=65153868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810937300.0A Active CN109272144B (zh) 2018-08-16 2018-08-16 基于bpnn的中国北方草原地区ndvi的预测方法

Country Status (1)

Country Link
CN (1) CN109272144B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852149B (zh) * 2019-09-24 2022-10-04 广州地理研究所 基于分类和回归树算法的植被指数预测方法、系统及设备
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
CN116580542B (zh) * 2023-07-14 2023-09-15 四川川核地质工程有限公司 一种洪水预警方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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
CN109272144A (zh) 2019-01-25

Similar Documents

Publication Publication Date Title
CN110619432B (zh) 一种基于深度学习的特征提取水文预报的方法
CN109272144B (zh) 基于bpnn的中国北方草原地区ndvi的预测方法
CN101480143B (zh) 一种预测灌区作物单产量的方法
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
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
CN108920427B (zh) 一种月尺度水文模型时变参数的动态估计方法
CN109190810B (zh) 基于tdnn的中国北方草原地区ndvi的预测方法
Byakatonda et al. Prediction of onset and cessation of austral summer rainfall and dry spell frequency analysis in semiarid Botswana
CN106600037B (zh) 一种基于主成分分析的多参量辅助负荷预测方法
CN112883558B (zh) 一种水文模型参数时变形式构造方法
Hwang et al. A new measure for assessing the efficiency of hydrological data-driven forecasting models
Van Dessel et al. Sensitivity analysis of logistic regression parameterization for land use and land cover probability estimation
CN109886461A (zh) 一种径流预报方法及装置
Oliver et al. Quantifying the spatial pattern of the yield gap within a farm in a low rainfall Mediterranean climate
CN115344815B (zh) 考虑植被空间变化的天然径流变化归因分析方法和系统
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
Pouladi et al. Design and implementation of a hybrid MLP-FFA model for soil salinity prediction
CN113159439A (zh) 一种作物产量的预测方法、系统、存储介质和电子设备
CN105184400A (zh) 一种烟田土壤水分预测方法
CN114357737B (zh) 针对大尺度水文模型时变参数的代理优化率定方法
Gui et al. Simulation-based inexact fuzzy semi-infinite programming method for agricultural cultivated area planning in the Shiyang River Basin
Verma et al. Comparative analysis of CMIP5 and CMIP6 in conjunction with the hydrological processes of reservoir catchment, Chhattisgarh, India
CN106295232B (zh) 一种基于灰色关联分析的测土配方施肥方法
Curceac et al. Adjusting for conditional bias in process model simulations of hydrological extremes: An experiment using the North Wyke Farm Platform
CN113887064A (zh) 大尺度地下水储量遥感动态监测及驱动因子定量拆分方法

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