CN109856702B - 一种基于聚类的降水日变化类型划分与空间分布提取方法 - Google Patents
一种基于聚类的降水日变化类型划分与空间分布提取方法 Download PDFInfo
- Publication number
- CN109856702B CN109856702B CN201910085885.2A CN201910085885A CN109856702B CN 109856702 B CN109856702 B CN 109856702B CN 201910085885 A CN201910085885 A CN 201910085885A CN 109856702 B CN109856702 B CN 109856702B
- Authority
- CN
- China
- Prior art keywords
- clustering
- precipitation
- data
- daily change
- grid
- 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
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于聚类的降水日变化类型划分与空间分布提取方法，包括基于多年逐小时的栅格降水数据，统计得到每个栅格单元每个降水指标对应一个24维的向量；对得到的24维降水日变化数据做标准化处理；采用不同的聚类数据，基于KMeans算法对标准化后的降水日变化数据进行聚类；分析聚类结果，确定最优聚类数目；归并聚类结果中的相似类，得到降水日变化分类方案，并计算每类的平均日变化特征，归并后所得到的聚类结果中各个类型所包含栅格单元的位置构成降水日变化特征的空间分布图。本发明突破了现有研究降水日变化研究中区域确定主观性强、所提取降水日变化特征准确性差等问题，在降水预报、气象灾害预警等领域具有广阔应用前景。
Description
技术领域
本发明属于降水预报、气象灾害预警相关领域，涉及一种基于聚类的降水日变化类型划分与空间分布提取方法。
背景技术
受太阳辐射、下垫面和地形等因素影响，降水在一天24小时的分布不是均一的，而是呈现出一定规律性(例如有的区域夜雨偏多)，并具有显著的区域差异。降水日变化的分类与空间分布信息可以帮助探明区域的降水形成机制、验证和改进气象预报模型、辅助气象灾害预警，具有重要的理论和应用价值。
现有的降水日变化类型划分和空间分布提取方法通常采用“自上而下”的方式进行，即：依据自然地理区域或是规则的矩形区域预先定义区域边界，然后进行区域内的日变化特征提取与特征刻画。但是这种预先定义区域的方式依赖执行者的经验知识，存在一定程度的主观性，且难以准确刻画日变化特征的空间分布。
近年来，空间上连续分布的栅格降水数据(如GPM、CMORPH等)使得采用“自下而上”的数据挖掘方法来探索降水日变化的空间分布成为可能。通过“自下而上”的方式，可以根据基本栅格单元的降水日变化特征，将其分为不同的类型，每个类型中的基本单元具有相似的降水日变化，这些单元的位置构成了降水日变化的空间分布。这种方式可以用栅格降水数据客观地确定降水日变化的空间分布，在降水预报、气象灾害预警等领域具有广阔的应用前景。
发明内容
发明目的：为克服当前降水日变化研究中区域确定主观性强、所提取降水日变化特征准确性差等问题，提供一种基于聚类的降水日变化类型划分与空间分布提取方法，采用“自下而上”的数据挖掘方法，从连续分布的栅格降水数据中，获取一个相对客观的、易于理解的降水日变化空间分布模式。
技术方案：为实现上述发明目的，本发明采用以下技术方案：
一种基于聚类的降水日变化类型划分与空间分布提取方法，包括以下步骤：
(1)基于多年逐小时的栅格降水数据，统计各栅格单元上降水量、降水频率和降水强度在一天中各小时的多年平均值，统计结果为每个栅格单元每个降水指标对应一个 24维的向量；
(2)对步骤(1)中得到的24维降水日变化数据做标准化处理，去除因天气形势所导致的降水日变化差异；
(3)采用不同的聚类数据，基于KMeans算法对标准化后的降水日变化数据进行聚类，将具有相似降水日变化形态特征的栅格单元聚成一类；
(4)分析聚类结果，确定最优聚类数目；
(5)归并聚类结果中的相似类，得到降水日变化分类方案，并计算每类的平均日变化特征，归并后所得到的聚类结果中各个类型所包含栅格单元的位置即构成了降水日变化特征的空间分布图。
进一步的，所述步骤(2)标准化处理降水日变化数据的方法为：遍历每个栅格单元的24小时降水日变化数据，首先，计算每个栅格单元24小时降水数据的平均值；然后，判断平均值是否为0，按如下方式标准化日变化数据：①如果平均值为0，则标准化后的数值为0；②若平均值不为0，则根据公式
求得标准化的数据值，其中，Da(h)是该栅格单元第h小时的标准化数据值，Ra(h)代表第h小时的原始数据。
进一步的，所述步骤(3)对降水日数据的聚类方法为：读取步骤(2)求得的所有栅格单元标准化后的24维日变化时间序列数据，存入二维数组，每行日变化数据即中国区对应索引号的栅格单元的日变化数据，利用KMeans聚类算法进行聚类分析，聚类算法为‘kmeans++’，为了弥补初始质心的影响，算法重复运行10次，然后返回最好的结果，聚类结果为每个栅格单元所属的聚类簇的编号，将每个栅格单元的分析结果对应到其空间位置，非中国区域赋值-99；设置不同的聚类数进行聚类，对于每个聚类结果，求得属性空间中各栅格单元到各自所属聚类中心的总距离和，并将所有聚类数的距离和存储到一个文本文档中。
进一步的，所述步骤(4)聚类数目的确定方法为：根据步骤(3)中得到的不同聚类数下各单元到聚类中心的距离和，计算该距离和与总的栅格单元数的比值，得到每个栅格单元到聚类中心的平均距离，绘制平均距离随聚类簇数目变化的曲线图，计算相邻两个聚类数平均距离的差值，按照聚类数从小到大判断该差值是否小于给定阈值，将第一个差值小于给定阈值的聚类数作为最优聚类数。
进一步的，所述步骤(5)相似聚类的归并方法为：计算最优聚类数结果中，每个类的24小时平均降水日变化，并绘制日变化曲线，如果曲线的峰值时间属于凌晨： 2:00-6:00，早晨：6:00-10:00，正午：10:00-14:00，下午：14:00-18:00，晚间：18:00-22:00，或午夜：22:00-2:00这6个时间段的相同时间段，则合并为一类；对于多峰值的类，如果所有峰值时间都落入相同的时间段，则合并为一类，对合并的类再求平均日变化数据，得到各类最终的降水日变化特征曲线；然后进行重分类操作，合并峰值时段相同的类，得到最终的降水日变化空间分布图。
本发明的原理是：近年来出现的栅格降水数据能够更为详细地描述降水空间分布，而小时尺度的栅格降水产品为降水日变化的类型划分和空间分布提取提供了新的数据集。本发明将数据挖掘方法用于小时尺度的栅格降水产品，通过聚类算法挖掘栅格降水数据中的模式，将具有相似降水日变化形态特征的栅格单元聚成一类，然后归并聚类结果中的相似类，得到降水日变化分类方案，所得到结果中各个类型所包含栅格单元的位置即构成了降水日变化特征的空间分布图。通过该方法可获取精细、客观的降水日变化类型与空间分布信息。
有益效果：现有技术中预先定义研究区的过程往往依赖于研究者的经验知识，存在一定程度上的主观性，得到的结果不够客观、所得空间分布过于粗略。与现有技术相比，本发明采用“自下而上”的数据挖掘算法，根据降水数据采用数据驱动的方法获取降水日变化的类型与空间分布，较现有方法更加客观和精细。
附图说明
图1为本发明的实现流程图；
图2为聚类数较少(5类)、最佳(19类)和较多(30类)的结果空间对比分布图 (以降水频率为例)；
图3(a) 和图 3(b) 分别 为各样点到聚类中心的平均距离以及每两类间的平均距离差值随聚类数的变化曲线(以降水频率为例)；
图4为中国陆地区域上的夏季(6、7、8月)降水日变化最终提取结果及其各类的降水日变化特征曲线(以降水频率为例)。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案进行详细说明。
以下实施例仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视作本发明的保护范围。
本发明的一种基于聚类的降水日变化类型划分与空间分布提取方法，对栅格降水数据各个单元的降水(降水量、频率、强度)日变化时间序列数据进行聚类分析，并进行类型划分和空间映射，实现对降水日变化空间分布的提取。具体为：基于多年逐小时的网格降水数据，统计各栅格单元上降水量、降水频率和降水强度在一天中各小时的多年平均值，统计结果为每个栅格单元每个降水指标对应一个24维的向量(对应24小时)；对降水日变化数据做标准化处理，去除因天气形势所导致的降水日变化差异；基于 KMeans算法对标准化后的降水日变化数据进行聚类，将具有相似降水日变化的栅格单元聚成一类；归并聚类结果中的相似类，得到降水日变化分类方案，并计算每类的平均日变化特征；所得到结果中各个类型所包含栅格单元的位置构成了降水日变化特征的空间分布图。本发明突破了现有研究降水日变化研究中区域确定主观性强、所提取降水日变化特征准确性差等问题，在降水预报、气象灾害预警等领域具有广阔的应用前景。
如图1所示，一种基于聚类的降水日变化类型划分与空间分布提取方法，以中国陆地区域的夏季(6、7、8月)降水日变化为例，说明本发明的具体实施方法：
(1)基于多年逐小时的栅格数据，提取各栅格单元的夏季(6、7、8月)的降水数据。本实施例选择的数据集为2008--2016年中国自动站与CMORPH融合的逐小时降水量0.1°网格数据集(1.0版)，采取概率密度函数匹配法和最优插值法将经过质量控制的中国大陆3万多个地面自动观测站的逐时降水数据与NOAA的CMORPH卫星反演降水数据融合而成，资料范围覆盖整个中国区域。同以往降水数据相比，该资料充分发挥了地面观测与卫星反演降水各自的优点，有效解决了无人区或复杂地形条件下地面观测数据稀少的问题，精度较单纯的卫星反演降水产品提升明显。该数据集的时间分辨率为1 小时，空间分辨率为0.1°×0.1°，数据的地理范围为：最西经度70°E，最东经度140°E，最北纬度59°N，最南纬度15°N，数据时间范围为：2008年1月1日00时—2016年12 月31日23时。首先，利用gdal库读取中国大陆区域范围的栅格数据，该栅格数据与原始逐小时降水栅格数据具有相同空间范围和空间分辨率，以此来确定中国陆地区域在原始降水数据中各栅格单元的行列位置，中国陆地区域共计96309个栅格单元；然后读取 2008-2016年间夏季(6、7、8月)的原始逐小时降水量栅格数据，提取中国陆地区域所在的栅格单元的有效降水数据(降水时间，降水量值)，并将UTC时间转换为LST(地方太阳时)，转换公式为：LST＝UTC+Lon/15，Lon为该栅格单元的中央经线的度数， Lon＝69.95+n*0.1，n为该栅格单元在栅格影像中的列号；最后将获取到的每个栅格单元的逐小时数据(降水地方时，降水量值)按照其在原始数据文件中的行列号，及其在中国区域中的索引号命名，存储到.csv文件中。之所以选择中国陆地区域上的夏季(6、7、8月)为输入数据，是因为中国陆地区域上的夏季降水占了全年降水的50％～80％，将其筛选出来进行研究具有代表性，也减小了数据处理量。
(2)根据每个栅格单元的夏季降水数据，统计各栅格单元降水量、降水频率和降水强度在一天中各小时的多年平均值，统计结果为每个栅格单元每个降水指标对应一个 24维的向量(对应24小时)。具体操作步骤为：首先，遍历步骤(1)获取到的多年栅格单元夏季降水数据，用列表保存每个栅格单元(名称需要统一表述)24小时的多年逐小时降水数据(对应一天的降水日变化)；然后统计列表中的降水量、降水频率和降水强度在一天中各小时的多年平均值，每个栅格单元各小时的平均降水强度为其该小时的平均降水量和平均降水频率的比值；最后，将根据栅格单元的索引号，将求得的三个指标的多年平均值存储到列表中对应的位置，最终得到三个96309*24的二维列表，对应中国陆地区域所有栅格单元每个降水指标在一天中各小时的多年平均降水日变化值。
(3)对步骤(2)所得的各小时多年年均降水日变化数据做标准化处理，去除因天气形势所导致的降水变化上的差异。其具体计算方法为：对步骤(2)中得到的各小时多年年均降水日变化数据列表，执行如下操作：首先，遍历每行列表数据，计算每个栅格单元24小时降水日变化数据的平均值；然后，判断平均值是否为0，按如下方式标准化日变化数据：①如果平均值为0，则标准化后的数值为0；②若平均值不为0，则根据公式
求得标准化的数据值，其中，Da(h)是该栅格单元第h小时的标准化数据值，Ra(h)代表第h小时的原始数据；最后，将各降水指标的24小时标准化降水日变化值存储入以相应指标命名的.csv文件中保存。
(4)基于KMeans算法对标准化后的降水日变化数据进行聚类，将具有相似降水日变化形态特征的栅格单元聚成一类。其具体计算方法为：首先，读取步骤(3)得到的标准化后的24小时日变化时间序列数据，存储到numpy数组中；然后调用sklearn库中的KMeans算法对各指标标准化降水日变化数据进行聚类分析：文件中数据的行号对应其在中国区栅格中的索引号，设置不同的聚类数(2-30)对numpy数组中每个栅格单元的日变化数据进行聚类分析，聚类结果为每个栅格单元所属的聚类簇的编号；最后，将每个栅格单元的分析结果输入到.asc文件中国区对应索引号的位置，非中国区域赋值 -99。对于每个聚类结果，调用KMeans算法中的inertia_方法计算各栅格单元到各自所属聚类中心的距离和，将其存储到以聚类数和降水指标命名的.txt文本文件中。
(5)分析聚类结果，确定最优聚类数目。根据步骤(4)中得到的不同聚类数下各单元到各自所属聚类中心的距离和，计算该距离和与总的栅格单元数的比值，得到每个栅格单元到聚类中心的平均距离，绘制平均距离随聚类簇数目变化的曲线图，见附图3 (a)，随着聚类簇数目的增加，每个栅格单元到聚类中心的平均距离逐渐减小，且变化幅度越来越小，逐渐趋于平坦，说明聚类簇数目越多，分类效果越好，聚类簇数目越大，分类效果的差别越小。计算相邻两个聚类数平均距离的差值，差值越小，说明曲线越平稳，分类效果趋于稳定。分析附图3(b)可知，当差值小于0.01时，曲线趋于平稳，因此以0.01为阈值，按照聚类数从小到大判断该差值是否小于给定阈值，将第一个差值小于0.01的聚类数作为最优聚类数，因此，确定本实验中的最优聚类数为19。根据步骤4所得的不同聚类簇的聚类结果，以及确定的最优聚类数，分别绘制了较少聚类数(5 类)、最优聚类数(19类)和较多聚类数(30类)的结果空间分布图，见附图2，对比后可知，最优聚类数的结果不仅能很好的反映各类总体的空间分布趋势，也能很好的反映各类的内部细节而不致太过细碎。
(6)归并聚类结果中的相似类，得到降水日变化分类方案，并计算每类的平均日变化特征。根据步骤(5)中得到的最优聚类数，计算最优聚类数各指标结果中，每个类的降水日变化，具体计算方法如下：首先，读取步骤(3)获得的各指标标准化的降水日变化值的.csv文件，以及步骤(4)获得的各指标最优聚类数的.asc文件，创建一个存储各指标日变化信息的三维列表res_list{[list[n,24]],[],[],…,[]}，第一维对应19个类，每类对应一个二维数组list[n,24]，存储该类所有栅格单元(n个)的24小时标准化数据。读取方法为：遍历最优聚类数数据，根据每个栅格单元在中国大陆的索引位置，从标准化24小时降水数据中获取对应索引号的日变化数据，存储到该栅格单元值对应的列表中，例如：某栅格单元的类型编号为2，其在标准化降水数据中的索引号为10，则从标准化降水数据中提取第10行数据，作为一个长度为24的向量追加到列表res_list[1]中 (这里的索引从0开始编号，列表res_list[i](i＝0,1,…,18)用来存储第i+1类的所有栅格单元的24小时标准化降水数据)；然后，用sum(res_list[i])与len(res_list[i])(i＝0,1,…,18) 的比值求得每类平均的降水日变化数据，作为该类的整体的降水日变化数据；然后，根据每类整体的降水日变化数据绘制特征曲线，如果曲线的峰值时间属于以下6个时间段 (凌晨：2:00-6:00，早晨：6:00-10:00，正午：10:00-14:00，下午：14:00-18:00，晚间： 18:00-22:00，午夜：22:00-2:00)的相同时间段，则合并为一类，对于多峰值的类，如果所有峰值时间都落入相同的时间段，则合并为一类，得到各类最终的降水日变化特征曲线。合并方法为进行栅格的重分类操作，合并峰值时段相同的类，得到最终的降水日变化空间分布图，并计算合并后的类的24小时平均降水日变化，最终空间分布图见附图4，Ⅰ～Ⅳ为不同的单峰区，Ⅴ、Ⅵ为双峰区，Ⅶ为无峰区，每个类别的平均降水日变化曲线图按照其地方时绘制。
降水日变化类型划分与空间分布提取效果如图4所示，可以看出：与已有方法相比，使用本发明方法所获得的降水日变化空间分布模式因为不受人为主观经验知识的影响，采用“自下而上”的数据挖掘算法，可以比较客观和精细的反映现实的降水日变化空间分布，在降水预报、气象灾害预警等领域具有广阔的应用前景。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (3)
1.一种基于聚类的降水日变化类型划分与空间分布提取方法，其特征在于，包括以下步骤：
(1)基于多年逐小时的栅格降水数据，统计各栅格单元上降水量、降水频率和降水强度在一天中各小时的多年平均值，统计结果为每个栅格单元每个降水指标对应一个24维的向量；
(2)对步骤(1)中得到的24维降水日变化数据做标准化处理，去除因天气形势所导致的降水日变化差异；
标准化处理降水日变化数据的方法为：遍历每个栅格单元的24小时降水日变化数据，首先，计算每个栅格单元24小时降水数据的平均值；然后，判断平均值是否为0，按如下方式标准化日变化数据：①如果平均值为0，则标准化后的数值为0；②若平均值不为0，则根据公式
求得标准化的数据值，其中，Da(h)是该栅格单元第h小时的标准化数据值，Ra(h)代表第h小时的原始数据；
(3)采用不同的聚类数据，基于KMeans算法对标准化后的降水日变化数据进行聚类，将具有相似降水日变化形态特征的栅格单元聚成一类；
对降水日数据的聚类方法为：读取步骤(2)求得的所有栅格单元标准化后的24维日变化时间序列数据，存入二维数组，每行日变化数据即中国区对应索引号的栅格单元的日变化数据，利用KMeans聚类算法进行聚类分析，聚类算法为‘kmeans++’，为了弥补初始质心的影响，算法重复运行10次，然后返回最好的结果，聚类结果为每个栅格单元所属的聚类簇的编号，将每个栅格单元的分析结果对应到其空间位置，非中国区域赋值-99；设置不同的聚类数进行聚类，对于每个聚类结果，求得属性空间中各栅格单元到各自所属聚类中心的总距离和，并将所有聚类数的距离和存储到一个文本文档中；
(4)分析聚类结果，确定最优聚类数目；
(5)归并聚类结果中的相似类，得到降水日变化分类方案，并计算每类的平均日变化特征，归并后所得到的聚类结果中各个类型所包含栅格单元的位置即构成了降水日变化特征的空间分布图。
2.根据权利要求1所述的一种基于聚类的降水日变化类型划分与空间分布提取方法，其特征在于，所述步骤(4)聚类数目的确定方法为：根据步骤(3)中得到的不同聚类数下各单元到聚类中心的距离和，计算该距离和与总的栅格单元数的比值，得到每个栅格单元到聚类中心的平均距离，绘制平均距离随聚类簇数目变化的曲线图，计算相邻两个聚类数平均距离的差值，按照聚类数从小到大判断该差值是否小于给定阈值，将第一个差值小于给定阈值的聚类数作为最优聚类数。
3.根据权利要求1所述的一种基于聚类的降水日变化类型划分与空间分布提取方法，其特征在于，所述步骤(5)相似聚类的归并方法为：计算最优聚类数结果中，每个类的24小时平均降水日变化，并绘制日变化曲线，如果曲线的峰值时间属于凌晨：2:00-6:00，早晨：6:00-10:00，正午：10:00-14:00，下午：14:00-18:00，晚间：18:00-22:00，或午夜：22:00-2:00这6个时间段的相同时间段，则合并为一类；对于多峰值的类，如果所有峰值时间都落入相同的时间段，则合并为一类，对合并的类再求平均日变化数据，得到各类最终的降水日变化特征曲线；然后进行重分类操作，合并峰值时段相同的类，得到最终的降水日变化空间分布图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910085885.2A CN109856702B (zh) | 2019-01-29 | 2019-01-29 | 一种基于聚类的降水日变化类型划分与空间分布提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910085885.2A CN109856702B (zh) | 2019-01-29 | 2019-01-29 | 一种基于聚类的降水日变化类型划分与空间分布提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109856702A CN109856702A (zh) | 2019-06-07 |
| CN109856702B true CN109856702B (zh) | 2021-04-27 |
Family
ID=66896613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910085885.2A Active CN109856702B (zh) | 2019-01-29 | 2019-01-29 | 一种基于聚类的降水日变化类型划分与空间分布提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109856702B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110674375A (zh) * | 2019-09-25 | 2020-01-10 | 联想(北京)有限公司 | 一种数据处理方法及电子设备 |
| CN110928973A (zh) * | 2019-11-30 | 2020-03-27 | 内蒙古蒙草生命共同体大数据有限公司 | 一种降水量状况评估方法 |
| CN110895354A (zh) * | 2019-12-04 | 2020-03-20 | 中国水利水电科学研究院 | 一种基于泰森多边形动态调整的面雨量计算方法 |
| CN111079808B (zh) * | 2019-12-05 | 2023-06-09 | 国网湖南省电力有限公司 | 基于天气分型的阵风快速预测方法及系统 |
| CN111709170B (zh) * | 2020-06-05 | 2023-07-28 | 北京师范大学 | 一种热带与非热带气旋降水的分离方法、设备及存储介质 |
| CN112016588B (zh) * | 2020-07-16 | 2024-04-12 | 中山大学 | 一种面向遥相关模式的空间自相关聚类方法 |
| CN112394424B (zh) * | 2020-09-28 | 2022-04-26 | 南京信息工程大学 | 一种区域极端降水事件的监测方法 |
| CN112507052B (zh) * | 2020-12-03 | 2024-08-23 | 清华大学 | 一种大气水循环分析方法、装置、电子设备和存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732092A (zh) * | 2015-03-25 | 2015-06-24 | 河海大学 | 一种基于聚类的水文降雨一致区分析方法 |
| DE102017201837A1 (de) * | 2017-02-06 | 2018-08-09 | Continental Automotive Gmbh | Verfahren zum Erkennen und Filtern von Niederschlag auf einem Radarsensor in einem Fahrzeug. |
-
2019
- 2019-01-29 CN CN201910085885.2A patent/CN109856702B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732092A (zh) * | 2015-03-25 | 2015-06-24 | 河海大学 | 一种基于聚类的水文降雨一致区分析方法 |
| DE102017201837A1 (de) * | 2017-02-06 | 2018-08-09 | Continental Automotive Gmbh | Verfahren zum Erkennen und Filtern von Niederschlag auf einem Radarsensor in einem Fahrzeug. |
Non-Patent Citations (1)
| Title |
|---|
| 郑州市近28a降雨量变化分析;刘少华等;《气象与环境科学》;20100831;第33卷(第3期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109856702A (zh) | 2019-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109856702B (zh) | 一种基于聚类的降水日变化类型划分与空间分布提取方法 | |
| CN111666918B (zh) | 一种基于多因素的海岸线变化识别方法 | |
| Sun et al. | Estimating the spatial distribution of solar photovoltaic power generation potential on different types of rural rooftops using a deep learning network applied to satellite images | |
| Davis et al. | The method for object-based diagnostic evaluation (MODE) applied to numerical forecasts from the 2005 NSSL/SPC Spring Program | |
| CN109782373B (zh) | 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法 | |
| Liu et al. | A new model using multiple feature clustering and neural networks for forecasting hourly PM2. 5 concentrations, and its applications in China | |
| Yang et al. | A new method for generating a global forest aboveground biomass map from multiple high-level satellite products and ancillary information | |
| Dutta et al. | Exploring the dynamics of urban sprawl using geo-spatial indices: a study of English Bazar Urban Agglomeration, West Bengal | |
| CN111652198B (zh) | 一种城市边缘区识别方法及系统 | |
| Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
| CN113806419B (zh) | 基于时空大数据的城市区域功能识别模型及识别方法 | |
| Yagli et al. | Reconciling solar forecasts: Probabilistic forecasting with homoscedastic Gaussian errors on a geographical hierarchy | |
| CN110717619A (zh) | 一种自下而上配电网多尺度时空负荷预测方法及系统 | |
| CN115015486B (zh) | 一种基于回归树模型的碳排放量测算方法 | |
| Aerts et al. | Large-sample assessment of varying spatial resolution on the streamflow estimates of the wflow_sbm hydrological model | |
| Pinheiro et al. | Sensitivity of identifying cut-off lows in the Southern Hemisphere using multiple criteria: Implications for numbers, seasonality and intensity | |
| CN111415039A (zh) | 一种基于非负张量分解的航班延误模式分析方法 | |
| Omar et al. | Seasonal clustering forecasting technique for intelligent hourly solar irradiance systems | |
| CN111461197A (zh) | 一种基于特征提取的空间负荷分布规律研究方法 | |
| Gunawan et al. | Regional income disparities, distributional convergence, and spatial effects: evidence from Indonesia | |
| CN115424139A (zh) | 一种融合遥感数据与位置大数据的居民地提取方法 | |
| Chao | Machine learning-based intelligent weather modification forecast in smart city potential area | |
| Egger et al. | Natural City Growth in the People's Republic of China | |
| Marandu et al. | Fine-scale mapping of residential land price using machine-learning: An experimental study in the city dominated by informal land markets. | |
| AL-FUGARA et al. | Simulation and prediction of urban spatial expansion in highly vibrant cities using the sleuth model: a case study of amman metropolitan, Jordan |
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 |