CN110232471A - 一种降水传感网节点布局优化方法及装置 - Google Patents
一种降水传感网节点布局优化方法及装置 Download PDFInfo
- Publication number
- CN110232471A CN110232471A CN201910381785.4A CN201910381785A CN110232471A CN 110232471 A CN110232471 A CN 110232471A CN 201910381785 A CN201910381785 A CN 201910381785A CN 110232471 A CN110232471 A CN 110232471A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- particle
- sampling point
- optimization
- ground
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Business, Economics & Management (AREA)
- Computer Graphics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Radio Relay Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请提供了一种降水传感网节点布局优化方法及装置,本申请以卫星遥感降水数据为背景场,结合地面监测数据,可以模拟得到高精度的降水空间分布,从而将离散化的地面监测数据转化为高精度且连续的地面数据,进一步地,利用泰森多边形离散化地面区域,能够降低遍历的单元数目,提高计算效率。根据降水空间分布,建立节点布局优化的多目标函数和约束条件,得到降水站点布局优化模型,然后采用多目标微观邻域粒子群算法求解模型得到最优降水传感网节点布局,为地面监测站点的合理布设提供理论依据。在求解过程中,将多目标微观邻域粒子群算法改造为适用于并行计算架构,加速求解效率。
Description
技术领域
本发明涉及水文水资源监测领域,特别是涉及一种降水传感网节点布局优化方法及装置。
背景技术
降雨是水文循环的重要过程,降雨的观测对于了解水文过程十分重要。目前对降水的观测主要依赖于雨量观测站的布设,雨量观测站能使我们直接量测该地区的降雨量,也是目前认为获得某一地区降水量最准确的方法。
然而,在缺资料地区,尤其在西南源区,水文、气象资料严重不足,例如黄河源范围内只有11个雨量站点,覆盖度极低。而且降雨具有很大的空间变异性,较少的雨量站点往往不足以体现该地区的实际降水分布情形,碍于交通和成本等因素,在该类型地区建立较多的雨量站点,提升雨量站点分布密度十分困难。因此,在这些类型地区建立一种站网布设的优化方法,从而在相同或较少站点数量的条件下提高降雨观测精度,对于缺资料地区雨量的观测非常重要。
近年来,一系列高时空分辨率的卫星遥感降水产品,如TRMM(Tropical RainfallMeasuring Mission satellite)、CMORPH(CPC MORPHing technique)、PERSIANN(Precipitation Estimation from Remotely Sensed Information using ArtificialNeural Networks)、GSMap(Global Satellite Mapping of Precipitation)等为全球及区域降水观测提供了新的数据来源。
如何利用地面监测数据作为质量控制,以遥感数据源作为重要补充,实现星地联合监测。首要前提是布设地面站点。考虑到先验知识的缺乏,可以考虑利用卫星数据源作为重要的先验知识,分析降水的变化规律。在此基础上,完善现有的地面监测站网。目前对于将遥感降水数据用在降水站点布设上尚有降水曲面拟合精度低、站点布局约束条件复杂、求解效率低等许多难题值得探索。
发明内容
针对上述问题,本发明提供了一种降水传感网节点布局优化方法及装置。
为了解决上述问题,本发明公开了一种降水传感网节点布局优化方法,所述方法包括:
获取降水卫星遥感数据、地面监测数据以及节点优化辅助数据;
根据所述降水卫星遥感数据和所述地面监测数据,获得研究区域的降水空间分布;
根据所述节点优化辅助数据,对所述研究区域的地面空间进行离散化,获得地面节点候选集,所述地面节点候选集中包含多个样点;
根据所述降水空间分布,建立节点布局优化的多目标函数和约束条件;
采用多目标微观邻域粒子群算法,根据所述多目标函数和所述约束条件,从所述地面节点候选集中确定出最优降水传感网节点布局。
可选地,所述根据所述降水卫星遥感数据和所述地面监测数据,获得研究区域的降水空间分布的步骤,包括:
将所述降水卫星遥感数据作为背景场,所述地面监测数据减去相应监测点的背景场,得到所述监测点的降水残差数据;
基于高精度曲面建模方法,以所述降水残差数据为输入,得到所述研究区域的降水残差场;
将所述背景场与所述降水残差场相叠加,得到所述研究区域的降水空间分布。
可选地,所述根据所述节点优化辅助数据,对所述研究区域的地面空间进行离散化,获得地面节点候选集的步骤,包括:
对所述节点优化辅助数据进行处理,得到不规则三角网;
根据所述不规则三角网,得到泰森多边形;
将所述泰森多边形中的多边形作为离散化单元,获得所述地面节点候选集。
可选地,所述建立节点布局优化的多目标函数和约束条件的步骤,包括:
根据最小克里金方差准则和极大熵准则,建立所述多目标函数;
根据测站样点可达性、测站样点关联性、测站样点最小空间相关性、测站样点是否通信覆盖、测站样点是否存在测站等,建立所述约束条件。
可选地,所述采用多目标微观邻域粒子群算法,根据所述多目标函数和所述约束条件,从所述地面节点候选集中确定出最优降水传感网节点布局的步骤,包括:
随机初始化粒子群,确定粒子包含的初始样点数量不大于预设阈值,所述初始样点位置随机确定;
计算所述多目标函数的权重,以及各粒子的优化目标函数值;比较各粒子的所述优化目标函数值,确定各粒子的历史最佳位置和全局最优位置;
更新各粒子的位置;当粒子微观领域规则的样点数量少于所述初始样点数量时,则随机补全样点,其中,随机补全样点的过程受粒子微观邻域规则约束;
当不满足终止条件时,则依次重复执行所述计算所述多目标函数的权重,以及各粒子的优化目标函数值;所述比较各粒子的所述优化目标函数值,确定各粒子的历史最佳位置和全局最优位置;所述更新粒子的位置;以及所述当粒子微观领域规则的样点数量少于所述初始样点数量时,则随机补全样点的步骤;
当满足所述终止条件时,输出所述全局最优位置为最优降水传感网节点布局;
其中,所述终止条件包括:在一定迭代次内所述优化目标函数值的变化阈值小于某一设定值,或者迭代次数达到预设迭代次数。
在求解过程中,将多目标微观邻域粒子群算法改造为适用于并行计算架构,加速求解效率。
为了解决上述问题,本发明还公开了一种降水传感网节点布局优化装置,所述装置包括:
数据获取模块,被配置为获取降水卫星遥感数据、地面监测数据以及降水传感网节点优化辅助数据;
分布获得模块,被配置为根据所述降水卫星遥感数据和所述地面监测数据,获得研究区域的降水空间分布;
节点抽样模块,被配置为根据所述降水传感网节点优化辅助数据,对所述研究区域的地面空间进行离散化,获得地面降水传感网节点候选集,所述地面降水传感网节点候选集中包含多个样点;
函数建立模块,被配置为根据所述降水空间分布,建立降水传感网节点布局优化的多目标函数和约束条件;
布局优化模块,被配置为采用多目标微观邻域粒子群算法,根据所述多目标函数和所述约束条件,从所述地面传感网节点候选集中确定出最优降水传感网节点布局。
可选地,所述分布获得模块还被配置为:
将所述降水卫星遥感数据作为背景场,所述地面监测数据减去相应监测点的背景场,得到所述监测点的降水残差数据;
基于高精度曲面建模方法,以所述降水残差数据为输入,得到所述研究区域的降水残差场;
将所述背景场与所述降水残差场相叠加,得到所述研究区域的降水空间分布。
可选地,所述节点抽样模块还被配置为:
对所述节点优化辅助数据进行处理,得到不规则三角网;
根据所述不规则三角网,得到泰森多边形;
将所述泰森多边形中的多边形作为离散化单元,获得所述地面节点候选集。
可选地,所述函数建立模块还被配置为:
根据最小克里金方差准则和极大熵准则,建立所述多目标函数;
根据样点可达性、样点关联性以及最小空间相关性,建立所述约束条件。
可选地,所述布局优化模块还被配置为:
随机初始化粒子群,确定粒子包含的初始样点数量不大于预设阈值,所述初始样点位置随机确定;
计算所述多目标函数的权重,以及各粒子的优化目标函数值;比较各粒子的所述优化目标函数值,确定各粒子的历史最佳位置和全局最优位置;
更新各粒子的位置;当粒子微观领域规则的样点数量少于所述初始样点数量时,则随机补全样点,其中,随机补全样点的过程受粒子微观邻域规则约束;
当不满足终止条件时,则依次重复执行所述计算所述多目标函数的权重,以及各粒子的优化目标函数值;所述比较各粒子的所述优化目标函数值,确定各粒子的历史最佳位置和全局最优位置;所述更新粒子的位置;以及所述当粒子微观领域规则的样点数量少于所述初始样点数量时,则随机补全样点的步骤;
当满足所述终止条件时,输出所述全局最优位置为最优降水传感网节点布局;
其中,所述终止条件包括:在一定迭代次内所述优化目标函数值的变化阈值小于某一设定值,或者迭代次数达到预设迭代次数。
在求解过程中,将多目标微观邻域粒子群算法改造为适用于并行计算架构,加速求解效率。
与现有技术相比,本发明包括以下优点:
采用本申请技术方案可以在缺资料地区,通过降水卫星遥感数据的应用,弥补了地面降水监测站点不足而导致的降水空间分布的不确定性问题。本申请以卫星遥感降水数据为背景场,结合地面监测数据,可以模拟得到高精度的降水空间分布,从而将离散化的地面监测数据转化为高精度且连续的地面数据,进一步地,利用泰森多边形离散化地面区域,能够降低遍历的单元数目,提高计算效率。根据降水空间分布,建立降水传感网节点布局优化的多目标函数和约束条件,得到降水站点布局优化模型,然后采用多目标微观邻域粒子群算法求解模型得到最优降水传感网节点布局,为地面监测站点的合理布设提供理论依据,在求解过程中,采用并行计算架构,加速计算效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请实施例提供的一种降水传感网节点布局优化方法的步骤流程图;
图2示出了本申请实施例提供的抽样区域、粒子与抽样方案之间的映射关系示意图;
图3示出了本申请实施例提供的一种降水传感网节点布局优化装置的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本申请一实施例提供了一种降水传感网节点布局优化方法,参照图1,所述方法包括:
步骤101:获取降水卫星遥感数据、地面监测数据以及节点优化辅助数据。
具体地,降水卫星遥感数据可以包括CMORPH数据和TRMM数据。
CMORPH数据是由美国国家海洋与大气管理局(NOAA)发布,数据起始于2002年11月22日。该数据集的产品最快能够在降水事件发生后3h内获得(近实时快速产品QMORPH),精度更高的CMORPH产品则在18h获得。CMORPH数据产品覆盖了全球60°N~60°S之间的区域,空间分辨率为8km,时间分辨率为30min,是目前为止能够开源获取的卫星降水栅格数据中的最高分辨率,此外,还有3h,0.25°分辨率的数据。
TRMM 3B43降水数据可以下载自美国国家航空航天局(NASA)数据共享网站(http://trmm.gsfc.nasa.gov/),其空间分辨率为0.25°×0.25°。原始TRMM 3B43数据是以HDF文件格式按月存储的降水率数据(mm/h),使用IDL编程语言读取并换算成每月降水量,最终得到2010年年降水量数据。
地面监测数据可以包括国家标准气象站点观测数据,可以来源于中国气象科学数据共享服务网(http://cdc.cma.gov.cn/),获得的原始数据为逐小时记录,整理后得到年降水量数据。
节点优化辅助数据可以包括DEM数据,可以下载自地理空间数据云平台(http://www.gscloud.cn/),原始数据分辨率为30m。
步骤102:根据降水卫星遥感数据和地面监测数据,获得研究区域的降水空间分布。
可以基于高精度曲面建模方法,对降水卫星遥感数据和地面监测数据进行高精度模拟,获得研究区域的降水空间分布。
一种实现方式中,该步骤具体可以包括如下步骤:
将降水卫星遥感数据作为背景场,地面监测数据减去相应监测点的背景场,得到监测点的降水残差数据;
基于高精度曲面建模方法,以降水残差数据为输入,得到研究区域的降水残差场;
将背景场与降水残差场相叠加,得到研究区域的降水空间分布。
将降水遥感产品数据作为背景场,地面监测数据减去相应监测点位置的背景场,可以得到地面监测点位置的降水残差数据。基于高精度曲面建模方法,以降水残差数据为输入,可以得到研究区域的降水残差场。将降水背景场与残差场相叠加,即可得到整个研究区域的降水空间分布。
其中,降水残差场利用高精度曲面建模方法模拟。
设曲面的方程为z=f(x,y),则高精度曲面建模HASM模型可归结为求解微分方程组:
式中,F=fxfy,
运用有限差分法并结合采样点的约束控制,将微分方程离散为约束最小二乘问题:
式中,A、B、d(n)、q(n)分别为微分方程组离散后对应的系数矩阵及右端项;S、k分别为采样点构成的矩阵及对应的采样值构成的列向量;并规定若为第t个采样点的坐标及采样值,则S(t,(i-1)×N+j)=1,N为矩阵S的列数。
对最小二乘问题,通过引入拉格朗日乘子,可将其转化为代数方程组的问题:
式中,
方程(3)中的系数矩阵W为对称正定系数矩阵。
给出了基于对称逐步松弛法的预处理共轭梯度法。该方法一方面提高了求解方程组时的收敛速度,另一方面在程序实现过程中,减少了存储量,并且该方法由于只涉及矩阵与向量的乘积而具有一定的并行性。
设系数矩阵W=L+D+LT,D为W的对角线元素构成的对角矩阵,L为W的下三角部分构成的下三角矩阵,定义对称逐步超松弛预处理算子如下:
M=KKT (4)
式中,则,
令
由于则
计算时采用预处理共轭梯度法,进行HASM模型方程组的迭代求解。PCG方法的初值为残差场对应的列向量,迭代收敛阈值(容差)为10-12。
步骤103:根据节点优化辅助数据,对研究区域的地面空间进行离散化,获得地面节点候选集,地面节点候选集中包含多个样点。
一种实现方式中,该步骤具体可以包括如下步骤:
对节点优化辅助数据进行处理,得到不规则三角网。
具体地,可以以节点优化辅助数据如DEM数据为基础,在ArcGIS软件中将规则格网的DEM数据转化为不规则三角网,并将不规则三角网的节点、边和单元及其之间的拓扑关系导出来,用作生成泰森多边形图的基础。
根据不规则三角网,得到泰森多边形。
具体地,计算生成的不规则三角网中每个三角形外接圆的圆心。根据每个不规则三角网的节点的相邻三角形,连接这些相邻三角形的外接圆圆心,即得到泰森多边形。对于三角网边缘的泰森多边形,可做垂直平分线与研究区域边界相交,与研究区域边界一起构成泰森多边形。
以泰森多边形中的多边形作为离散化单元,建立优化算法与降水站点布局优化问题的映射关系。
将研究区域离散化为A=(s1,s2,…,sN),sn∈A为泰森多边形网格单元,N为单元总数。本发明主要通过建立二进制粒子及其维度与研究区域及网格单元的映射关系实现粒子的空间化表征。设S表示种群规模为P的二进制粒子群,Sp(t)为粒子Sp在t时刻的位置,记为N维向量 则Sp(t)代表t时刻抽样区域的离散状态,表示格网单元i被选为样点,表示非样点,表示采样不可达区域。相应的,t时刻粒子Sp代表的抽样方案可以用集合表示为 可见,粒子在抽样目标和约束限制下,通过不断改变其维度值的组合方式,即可逐渐寻找到最优抽样方案或最优降水传感网节点布局。
图2描述了一个具有10个抽样单元的地理空间与粒子的映射关系,该粒子编码为(10010101101),其对应抽样方案中包含5个样点。
步骤104:根据降水空间分布,建立节点布局优化的多目标函数和约束条件。
具体地,可以根据最小克里金方差准则和极大熵准则,建立多目标函数;可以根据样点可达性、样点关联性以及最小空间相关性,建立约束条件。
多目标函数用于计算粒子适应度值并评价粒子的优化程度,也即用于评判粒子对应的抽样方案是否满足预定抽样目标。多目标函数由最小克里金方差准则和极大熵准则构成。
误差大小是评价降水站点布设方案精度的主要指标,最小克里金方差准则能够使布设点分布处于合适的位置以使克里金插值后生成的表面精度最高或由已知抽样点对所有未抽样点的估计精度最高。在已知降水变量的协方差函数的情况下,克里金方差主要取决于布设点位置信息,而与布设点具体取值无关,因此成为目前应用最为广泛的抽样设计准则之一。设粒子Sp(t)中任意一个未采样维度(抽样单元)为则该点克里金方差取决于抽样变量的先验方差与单元到其邻域范围内预采样样点协方差系数的差值,具体公式如下:
式中,为样点和其他领域内样点的协方差,则由下式计算得到:
式中,Covz(0)为抽样变量的先验方差;λj为克里格差值权重系数;μ为拉格朗日系数。
根据信息熵理论,在已知部分知识的前提下,关于未知分布最合理的推断就是符合已知知识不确定或最随机的推断,亦即熵值最大的情况下作出的选择不包含任何主观假设与约束。降水空间抽样总体具有随机性,因此抽样方案对应的总体空间变异程度。该准则对于多目标抽样尤为实用,它能够使抽样方案尽可能包含每个抽样目标的相关信息。极大熵准则用于衡量粒子Sp(t)熵值的数学表达式为:
式中,为粒子Sp(t)维度i对应样点的观测值;p为该观测值在抽样变量总体中出现的概率。
模型采用动态加权求和法将上述准则整合,具体如下式所示:
f=min(ω1fMKV+ω2fME) (8)
式中,权重系数ω1和ω2在一定循环周期R内动态变化,从而避免了传统静态权重过于主观的不足。
设为粒子Sp在t时刻的飞行速度,sbp(t)为粒子Sp在t时刻所经历过的个体最好位置,Sg(t)为种群S在t时刻的全局最好位置,则粒子t+1时刻位置受限于粒子t时刻位置、个体最优位置、种群全局最优位置以及微观邻域规则,具体公式如下所示:
式中,r1,r2,r∈[0,1]为随机生成数;c1,c2分别为个体信息参数和社会信息参数;Sig(﹒)为Sigmoid函数,对t+1时刻的速度进行0-1转换;I[﹒]为取值函数,当括号内条件满足时值为1,否则为0;ci(Sp(t))为粒子微观邻域操作规则取值。
其中约束条件包括以下几个方面:
(1)测站样点可达性是影响样本代表性的重要因素。当降水抽样单元位于建筑物或者水域范围内,或者测站样点位于坡度较大的山地上时,无法建设降水站点,则该备选单元无法成为样点,具体可表示为:
(2)在顾及测站样点间关联情况时,所需测站样点数量要小于测站样点独立情况时的样本量Nmax,则测站样本量约束取值范围如下式所示:
Nmax用下式计算:
式中,a/2表示置信度;σ表示样点观测值的标准差;μ代表样点观测值的均值;p代表空间抽样的相对误差。
(3)测站样点间距过大容易导致测站样点布局无法准确描述降水要素空间变化趋势,而间距过小又将造成测站建设经费过高。最小空间相关性约束旨在限制测站样点间距离,使得测站样点能够相对均衡地分布于抽样区域内。设α为降水变量变异函数描述的变程,则合理的测站样点间距d应满足:
(4)测站样点是否在通信覆盖的区域。降水监测站的通信方式常采用无线传输方式,考虑到有的区域无线信号没有覆盖,制约了其是否成为降水测站的样点,具体可表示为:
(5)测站样点是否已存在降水测站。如果存在测站,就不作为候选测站样点;如果不存在,就可以作为候选测站样点。具体可表示为:
步骤105:采用多目标微观邻域粒子群算法,根据多目标函数和约束条件,从地面节点候选集中确定出最优降水传感网节点布局。
一种实现方式中,该步骤的求解流程如下:
S1:随机初始化粒子群,确定粒子包含的初始样点数量不大于预设阈值Nmax,初始样点位置随机确定。
其中,预设阈值可以根据实际情况确定。
S2:计算多目标函数的权重,以及各粒子的优化目标函数值;比较各粒子的优化目标函数值,确定各粒子的历史最佳位置和全局最优位置。
具体地,可以根据循环周期R和公式(9)计算多目标函数的权重,得到优化目标函数;根据公式(8)计算每个粒子Sp(t)的优化目标函数值(粒子适应度),并通过比较粒子适应度确定单个粒子的历史最佳位置sbp(t)和整个种群的全局最优位置Sg(t)。
S3:更新各粒子的位置;当粒子微观领域规则的样点数量少于初始样点数量时,则随机补全样点,其中,随机补全样点的过程受粒子微观邻域规则约束。
具体地,采用公式(10)更新粒子的位置,粒子维度值变化受4类粒子微观邻域规则约束。更新后,当满足粒子微观领域规则的样点数量少于初始样点数量时,则随机补全样点,从而维持样点数量不变并保证粒子群种群多样性,此随机补全样点过程同样受粒子微观邻域规则约束。
S4:当不满足终止条件时,则依次重复执行步骤S2、S3、S4和S5。
S5:当满足终止条件时,输出全局最优位置为最优降水传感网节点布局。即输出全局最优方案Sg(t)为最优抽样方案。
其中,终止条件包括:在一定迭代次T0内优化目标函数值或适应值的变化阈值小于某一设定值ρ时算法终止;或者达到预设迭代次数或最大迭代次数Tmax。
在求解过程中,将多目标微观邻域粒子群算法改造为适用于并行计算架构,加速求解效率。采用CPU、GPU或者两者混合的计算架构。
本实施例提供的降水传感网节点布局优化方法包括:获取降水卫星遥感数据、地面监测数据以及节点优化辅助数据;基于降水卫星遥感数据的降水空间分布高精度模拟;基于DEM数据的利用泰森多边形将区域离散化;建立降水站点布局优化模型;利用二进制粒子群算法求解模型得到布局最优方案。采用本实施例技术方案可以在缺资料地区,通过降水卫星遥感数据的应用,弥补了地面降水监测站点不足而导致的降水空间分布的不确定性问题。本申请以卫星遥感降水数据为背景场,结合地面观测数据,可以模拟得到高精度的降水空间分布,从而将离散化的地面监测数据转化为高精度且连续的地面数据。进一步地,利用泰森多边形离散化区域,能够降低遍历的单元数目,提高计算效率。根据降水空间分布,建立节点布局优化的多目标函数和约束条件,即得到降水站点布局优化模型,然后采用多目标微观邻域粒子群算法求解模型得到最优降水传感网节点布局。
本申请另一实施例还提供了一种降水传感网节点布局优化装置,参照图3,该装置可以包括:
数据获取模块301,被配置为获取降水卫星遥感数据、地面监测数据以及节点优化辅助数据;
分布获得模块302,被配置为根据降水卫星遥感数据和地面监测数据,获得研究区域的降水空间分布;
节点抽样模块303,被配置为根据节点优化辅助数据,对研究区域的地面空间进行离散化,获得地面节点候选集,地面节点候选集中包含多个样点;
函数建立模块304,被配置为根据降水空间分布,建立节点布局优化的多目标函数和约束条件;
布局优化模块305,被配置为采用多目标微观邻域粒子群算法,根据多目标函数和约束条件,从地面节点候选集中确定出最优降水传感网节点布局。
一种实现方式中,分布获得模块302还被配置为:
将降水卫星遥感数据作为背景场,地面监测数据减去相应监测点的背景场,得到监测点的降水残差数据;
基于高精度曲面建模方法,以降水残差数据为输入,得到研究区域的降水残差场;
将背景场与降水残差场相叠加,得到研究区域的降水空间分布。
一种实现方式中,节点抽样模块303还被配置为:
对节点优化辅助数据进行处理,得到不规则三角网;
根据不规则三角网,得到泰森多边形;
将泰森多边形中的多边形作为离散化单元,获得地面节点候选集。
一种实现方式中,函数建立模块304还被配置为:
根据最小克里金方差准则和极大熵准则,建立多目标函数;
根据样点可达性、样点关联性以及最小空间相关性,建立约束条件。
一种实现方式中,布局优化模块305还被配置为:
随机初始化粒子群,确定粒子包含的初始样点数量不大于预设阈值,初始样点位置随机确定;
计算多目标函数的权重,以及各粒子的优化目标函数值;比较各粒子的优化目标函数值,确定各粒子的历史最佳位置和全局最优位置;
更新各粒子的位置;当粒子微观领域规则的样点数量少于初始样点数量时,则随机补全样点,其中,随机补全样点的过程受粒子微观邻域规则约束;
当不满足终止条件时,则依次重复执行计算多目标函数的权重,以及各粒子的优化目标函数值;比较各粒子的优化目标函数值,确定各粒子的历史最佳位置和全局最优位置;更新粒子的位置;以及当粒子微观领域规则的样点数量少于初始样点数量时,则随机补全样点的步骤;
当满足终止条件时,输出全局最优位置为最优降水传感网节点布局;
其中,终止条件包括:在一定迭代次内优化目标函数值的变化阈值小于某一设定值,或者迭代次数达到预设迭代次数。
在求解过程中,将多目标微观邻域粒子群算法改造为适用于并行计算架构,加速求解效率。采用CPU、GPU或者两者混合的计算架构。
本发明实施例提供的降水传感网节点布局优化装置能够实现上述降水传感网节点布局优化方法实施例中的各个过程,为避免重复,这里不再赘述。
本实施例提供了一种降水传感网节点布局优化方法及装置,降水传感网节点布局优化方法包括:获取降水卫星遥感数据、地面监测数据以及节点优化辅助数据;根据降水卫星遥感数据和地面监测数据,获得研究区域的降水空间分布;根据节点优化辅助数据,对研究区域的地面空间进行离散化,获得地面节点候选集,地面节点候选集中包含多个样点;根据降水空间分布,建立节点布局优化的多目标函数和约束条件;采用多目标微观邻域粒子群算法,根据多目标函数和约束条件,从地面节点候选集中确定出最优降水传感网节点布局。
采用本申请技术方案实现在缺资料地区,通过降水卫星遥感数据的应用,弥补了地面降水监测站点不足而导致的降水空间分布的不确定性问题。本申请以卫星遥感降水数据为背景场,结合地面观测数据,可以模拟得到高精度的降水空间分布,从而将离散化的地面监测数据转化为高精度且连续的地面数据。进一步地,利用泰森多边形离散化区域,能够降低遍历的单元数目,提高计算效率。根据降水空间分布,建立节点布局优化的多目标函数和约束条件,即得到降水站点布局优化模型,然后采用多目标微观邻域粒子群算法求解模型得到最优降水传感网节点布局。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明实施例进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种降水传感网节点布局优化方法,其特征在于,所述方法包括:
获取降水卫星遥感数据、地面监测数据以及降水传感网节点优化辅助数据;
根据所述降水卫星遥感数据和所述地面监测数据,获得研究区域的降水空间分布;
根据所述降水传感网节点优化辅助数据,对所述研究区域的地面空间进行离散化,获得地面节点候选集,所述地面节点候选集中包含多个样点;
根据所述降水空间分布,建立降水传感网节点布局优化的多目标函数和约束条件;
采用多目标微观邻域粒子群算法,根据所述多目标函数和所述约束条件,从所述地面节点候选集中确定出最优降水传感网节点布局。
2.根据权利要求1所述的降水传感网节点布局优化方法,其特征在于,所述根据所述降水卫星遥感数据和所述地面监测数据,获得研究区域的降水空间分布的步骤,包括:
将所述降水卫星遥感数据作为背景场,所述地面监测数据减去相应监测点的背景场,得到所述监测点的降水残差数据;
基于高精度曲面建模方法,以所述降水残差数据为输入,得到所述研究区域的降水残差场;
将所述背景场与所述降水残差场相叠加,得到所述研究区域的降水空间分布。
3.根据权利要求1所述的降水传感网节点布局优化方法,其特征在于,所述根据所述节点优化辅助数据,对所述研究区域的地面空间进行离散化,获得地面节点候选集的步骤,包括:
对所述节点优化辅助数据进行处理,得到不规则三角网;
根据所述不规则三角网,得到泰森多边形;
将所述泰森多边形中的多边形作为离散化单元,获得所述地面降水传感网节点候选集。
4.根据权利要求1所述的降水传感网节点布局优化方法,其特征在于,所述建立节点布局优化的多目标函数和约束条件的步骤,包括:
根据最小克里金方差准则和极大熵准则,建立所述多目标函数;
根据测站样点可达性、测站样点关联性、测站样点最小空间相关性、测站样点是否通信覆盖、测站样点位置是否存在降水测站,建立所述约束条件。
5.根据权利要求1至4任一项所述的降水传感网节点布局优化方法,其特征在于,所述采用多目标微观邻域粒子群算法,根据所述多目标函数和所述约束条件,从所述地面降水传感网节点候选集中确定出最优降水传感网节点布局的步骤,包括:
随机初始化粒子群,确定粒子包含的初始测站样点数量不大于预设阈值,所述初始测站样点位置随机确定;
计算所述多目标函数的权重,以及各粒子的优化目标函数值;比较各粒子的所述优化目标函数值,确定各粒子的历史最佳位置和全局最优位置;
更新各粒子的位置;当粒子微观领域规则的样点数量少于所述初始测站样点数量时,则随机补全测站样点,其中,随机补全测站样点的过程受粒子微观邻域规则约束;
当不满足终止条件时,则依次重复执行所述计算所述多目标函数的权重,以及各粒子的优化目标函数值;所述比较各粒子的所述优化目标函数值,确定各粒子的历史最佳位置和全局最优位置;所述更新粒子的位置;以及所述当粒子微观领域规则的测站样点数量少于所述初始测站样点数量时,则随机补全测站样点的步骤;
当满足所述终止条件时,输出所述全局最优位置为最优降水传感网节点布局;
其中,所述终止条件包括:在一定迭代次内所述优化目标函数值的变化阈值小于某一设定值,或者迭代次数达到预设迭代次数。
在求解过程中,将多目标微观邻域粒子群算法改造为适用于并行计算架构,加速求解效率。
6.一种降水传感网节点布局优化装置,其特征在于,所述装置包括:
数据获取模块,被配置为获取降水卫星遥感数据、地面监测数据以及节点优化辅助数据;
分布获得模块,被配置为根据所述降水卫星遥感数据和所述地面监测数据,获得研究区域的降水空间分布;
节点抽样模块,被配置为根据所述节点优化辅助数据,对所述研究区域的地面空间进行离散化,获得地面节点候选集,所述地面节点候选集中包含多个样点;
函数建立模块,被配置为根据所述降水空间分布,建立节点布局优化的多目标函数和约束条件;
布局优化模块,被配置为采用多目标微观邻域粒子群算法,根据所述多目标函数和所述约束条件,从所述地面节点候选集中确定出最优降水传感网节点布局。
7.根据权利要求6所述的降水传感网节点布局优化装置,其特征在于,所述分布获得模块还被配置为:
将所述降水卫星遥感数据作为背景场,所述地面监测数据减去相应监测点的背景场,得到所述监测点的降水残差数据;
基于高精度曲面建模方法,以所述降水残差数据为输入,得到所述研究区域的降水残差场;
将所述背景场与所述降水残差场相叠加,得到所述研究区域的降水空间分布。
8.根据权利要求6所述的降水传感网节点布局优化装置,其特征在于,所述节点抽样模块还被配置为:
对所述节点优化辅助数据进行处理,得到不规则三角网;
根据所述不规则三角网,得到泰森多边形;
将所述泰森多边形中的多边形作为离散化单元,获得所述地面节点候选集。
9.根据权利要求6所述的降水传感网节点布局优化装置,其特征在于,所述函数建立模块还被配置为:
根据最小克里金方差准则和极大熵准则,建立所述多目标函数;
根据测站样点可达性、测站样点关联性、测站样点最小空间相关性、测站样点是否通信覆盖、测站样点位置是否存在测站,建立所述约束条件。
10.根据权利要求6至9任一项所述的降水传感网节点布局优化装置,其特征在于,所述布局优化模块还被配置为:
随机初始化粒子群,确定粒子包含的初始样点数量不大于预设阈值,所述初始样点位置随机确定;
计算所述多目标函数的权重,以及各粒子的优化目标函数值;比较各粒子的所述优化目标函数值,确定各粒子的历史最佳位置和全局最优位置;
更新各粒子的位置;当粒子微观领域规则的样点数量少于所述初始样点数量时,则随机补全样点,其中,随机补全样点的过程受粒子微观邻域规则约束;
当不满足终止条件时,则依次重复执行所述计算所述多目标函数的权重,以及各粒子的优化目标函数值;所述比较各粒子的所述优化目标函数值,确定各粒子的历史最佳位置和全局最优位置;所述更新粒子的位置;以及所述当粒子微观领域规则的样点数量少于所述初始样点数量时,则随机补全样点的步骤;
当满足所述终止条件时,输出所述全局最优位置为最优降水传感网节点布局;
其中,所述终止条件包括:在一定迭代次内所述优化目标函数值的变化阈值小于某一设定值,或者迭代次数达到预设迭代次数。
在求解过程中,将多目标微观邻域粒子群算法改造为适用于并行计算架构,加速求解效率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910381785.4A CN110232471B (zh) | 2019-05-08 | 2019-05-08 | 一种降水传感网节点布局优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910381785.4A CN110232471B (zh) | 2019-05-08 | 2019-05-08 | 一种降水传感网节点布局优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110232471A true CN110232471A (zh) | 2019-09-13 |
CN110232471B CN110232471B (zh) | 2021-07-02 |
Family
ID=67860466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910381785.4A Active CN110232471B (zh) | 2019-05-08 | 2019-05-08 | 一种降水传感网节点布局优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110232471B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689182A (zh) * | 2019-09-20 | 2020-01-14 | 南京大学 | 一种考虑径流预测的多目标雨量站网设计方法 |
CN111274650A (zh) * | 2020-02-18 | 2020-06-12 | 中国船舶工业集团公司第七0八研究所 | 一种机舱布置优化方法 |
CN111951350A (zh) * | 2020-07-20 | 2020-11-17 | 南京师范大学 | 一种夷平面级数与高度的自动判别方法 |
CN111985144A (zh) * | 2020-09-27 | 2020-11-24 | 江西师范大学 | 一种地学数据多参数协同优化的idw插值方法 |
CN113177351A (zh) * | 2021-04-06 | 2021-07-27 | 国家海洋技术中心 | 一种基于量子离散粒子群算法的涡轮机阵列优化方法 |
CN114461741A (zh) * | 2022-01-24 | 2022-05-10 | 北京师范大学 | 一种监测样点布设方法及装置 |
CN115077888A (zh) * | 2022-08-22 | 2022-09-20 | 中铁电气化局集团有限公司 | 支柱结构性能自动化测试方法及系统 |
CN117113608A (zh) * | 2023-10-23 | 2023-11-24 | 四川港投新通道物流产业投资集团有限公司 | 一种冷链物流网络节点布局方法和设备 |
CN117973231A (zh) * | 2024-03-29 | 2024-05-03 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种山地植被覆盖度野外采样点自动优化布设方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7200491B1 (en) * | 2005-01-25 | 2007-04-03 | The Weather Channel, Inc. | System for producing high-resolution, real-time synthetic meteorological conditions for a specified location |
CN106257948A (zh) * | 2016-07-05 | 2016-12-28 | 中国水利水电科学研究院 | 一种流域降水监测无线传感器网络节点优化布局方法 |
CN106651052A (zh) * | 2016-12-30 | 2017-05-10 | 中国地质大学(武汉) | 一种地面雨量站优化布局的方法及装置 |
AR109623A1 (es) * | 2018-02-16 | 2019-01-09 | Pescarmona Enrique Menotti | Proceso y sistema de análisis y gestión hidrológica para cuencas |
-
2019
- 2019-05-08 CN CN201910381785.4A patent/CN110232471B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7200491B1 (en) * | 2005-01-25 | 2007-04-03 | The Weather Channel, Inc. | System for producing high-resolution, real-time synthetic meteorological conditions for a specified location |
CN106257948A (zh) * | 2016-07-05 | 2016-12-28 | 中国水利水电科学研究院 | 一种流域降水监测无线传感器网络节点优化布局方法 |
CN106651052A (zh) * | 2016-12-30 | 2017-05-10 | 中国地质大学(武汉) | 一种地面雨量站优化布局的方法及装置 |
AR109623A1 (es) * | 2018-02-16 | 2019-01-09 | Pescarmona Enrique Menotti | Proceso y sistema de análisis y gestión hidrológica para cuencas |
Non-Patent Citations (2)
Title |
---|
曹引 等: "高山流域降水无线传感器网络节点布局优化方法", 《系统工程理论与实践》 * |
赵娜 等: "基于TRMM降水数据的空间降尺度模拟", 《地球信息科学》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689182B (zh) * | 2019-09-20 | 2022-12-27 | 南京大学 | 一种考虑径流预测的多目标雨量站网设计方法 |
CN110689182A (zh) * | 2019-09-20 | 2020-01-14 | 南京大学 | 一种考虑径流预测的多目标雨量站网设计方法 |
CN111274650A (zh) * | 2020-02-18 | 2020-06-12 | 中国船舶工业集团公司第七0八研究所 | 一种机舱布置优化方法 |
CN111274650B (zh) * | 2020-02-18 | 2023-10-03 | 中国船舶工业集团公司第七0八研究所 | 一种机舱布置优化方法 |
CN111951350A (zh) * | 2020-07-20 | 2020-11-17 | 南京师范大学 | 一种夷平面级数与高度的自动判别方法 |
CN111951350B (zh) * | 2020-07-20 | 2024-02-23 | 南京师范大学 | 一种夷平面级数与高度的自动判别方法 |
CN111985144B (zh) * | 2020-09-27 | 2023-07-18 | 江西师范大学 | 一种地学数据多参数协同优化的idw插值方法 |
CN111985144A (zh) * | 2020-09-27 | 2020-11-24 | 江西师范大学 | 一种地学数据多参数协同优化的idw插值方法 |
CN113177351A (zh) * | 2021-04-06 | 2021-07-27 | 国家海洋技术中心 | 一种基于量子离散粒子群算法的涡轮机阵列优化方法 |
CN114461741A (zh) * | 2022-01-24 | 2022-05-10 | 北京师范大学 | 一种监测样点布设方法及装置 |
CN115077888B (zh) * | 2022-08-22 | 2022-10-28 | 中铁电气化局集团有限公司 | 支柱结构性能自动化测试方法及系统 |
CN115077888A (zh) * | 2022-08-22 | 2022-09-20 | 中铁电气化局集团有限公司 | 支柱结构性能自动化测试方法及系统 |
CN117113608A (zh) * | 2023-10-23 | 2023-11-24 | 四川港投新通道物流产业投资集团有限公司 | 一种冷链物流网络节点布局方法和设备 |
CN117113608B (zh) * | 2023-10-23 | 2024-02-13 | 四川港投新通道物流产业投资集团有限公司 | 一种冷链物流网络节点布局方法和设备 |
CN117973231A (zh) * | 2024-03-29 | 2024-05-03 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种山地植被覆盖度野外采样点自动优化布设方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110232471B (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232471A (zh) | 一种降水传感网节点布局优化方法及装置 | |
Weyn et al. | Improving data‐driven global weather prediction using deep convolutional neural networks on a cubed sphere | |
Schmidt et al. | Comparison of polynomial models for land surface curvature calculation | |
US10545247B2 (en) | Computerized traffic speed measurement using sparse data | |
Krasnopolsky et al. | Some neural network applications in environmental sciences. Part II: Advancing computational efficiency of environmental numerical models | |
CN108763713B (zh) | 一种数学模型计算方法及系统 | |
CN112699959B (zh) | 基于能量泛函模型的多源多尺度降水数据融合方法和装置 | |
CN109448124B (zh) | 用于河道的水质模拟方法和装置 | |
CN105842676A (zh) | 一种雷达盲区分析方法及装置 | |
CN104007479A (zh) | 一种基于多尺度剖分的电离层层析技术和电离层延迟改正方法 | |
CN112069449B (zh) | 基于初值集合的天气预报方法及装置 | |
CN111505740A (zh) | 气象预测方法、装置、计算机设备和存储介质 | |
Gumus et al. | Comparison of spatial interpolation methods and multi-layer neural networks for different point distributions on a digital elevation model | |
CN113204061A (zh) | 一种构建格点风速订正模型的方法及装置 | |
Chen et al. | The smoothness of HASM | |
CN112180471A (zh) | 天气预报方法、装置、设备及存储介质 | |
Fan et al. | A comparative study of four merging approaches for regional precipitation estimation | |
CN111611731A (zh) | 卫星数据融合方法、装置及电子设备 | |
CN106407932B (zh) | 基于分数阶微积分与广义逆神经网络的手写数字识别方法 | |
Zhang et al. | Sensitivity of western boundary transport at the mean North Equatorial Current bifurcation latitude to wind forcing | |
CN111428191A (zh) | 基于知识蒸馏的天线下倾角计算方法、装置和存储介质 | |
Parmuzin et al. | Numerical solution of the variational assimilation problem for sea surface temperature in the model of the Black Sea dynamics | |
Brasseur | Ocean data assimilation using sequential methods based on the Kalman filter: From theory to practical implementations | |
CN110442836A (zh) | 风电场短期风速预测方法及系统 | |
Baggaley et al. | Bayesian inference for a wave-front model of the neolithization of Europe |
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 |