CN110852473A - 一种基于神经网络算法的陆地水储量预测方法及设备 - Google Patents

一种基于神经网络算法的陆地水储量预测方法及设备 Download PDF

Info

Publication number
CN110852473A
CN110852473A CN201910904368.3A CN201910904368A CN110852473A CN 110852473 A CN110852473 A CN 110852473A CN 201910904368 A CN201910904368 A CN 201910904368A CN 110852473 A CN110852473 A CN 110852473A
Authority
CN
China
Prior art keywords
information
surface parameter
parameter information
land water
land
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
Application number
CN201910904368.3A
Other languages
English (en)
Other versions
CN110852473B (zh
Inventor
荆文龙
李勇
刘杨晓月
杨骥
夏小琳
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.)
Institute of Geographic Sciences and Natural Resources of CAS
Guangzhou Institute of Geography of GDAS
Original Assignee
Guangzhou Institute of Geography of GDAS
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 Guangzhou Institute of Geography of GDAS filed Critical Guangzhou Institute of Geography of GDAS
Priority to CN201910904368.3A priority Critical patent/CN110852473B/zh
Publication of CN110852473A publication Critical patent/CN110852473A/zh
Application granted granted Critical
Publication of CN110852473B publication Critical patent/CN110852473B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06N3/045—Combinations of 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)

Abstract

本发明提供一种基于神经网络算法的陆地水储量预测方法及设备，包括：获取地表参数信息、陆地水储量信息及陆地水储量信息的空间分辨率；对所述地表参数信息进行降低空间分辨率的重采样，得到第一地表参数信息；基于所述第一地表参数信息和陆地水储量信息，构建神经网络回归模型；获取待预测时间内的目标地表参数信息，将所述目标地表参数信息进行降低空间分辨率的重采样，得到第二地表参数信息；将所述第二地表参数信息输入所述神经网络回归模型，确定待预测时间内所述目标地表参数信息对应的陆地水储量信息。相对于现有技术，本发明能够实现对历史时期的陆地水储量信息的精准预测，进而得到长时间序列的陆地水储量动态变化数据。

Description

一种基于神经网络算法的陆地水储量预测方法及设备
技术领域
本发明涉及地理信息技术领域，特别是涉及一种基于神经网络算法的陆地水储量预测方法及设备。
背景技术
地球是一个随时间空间变化的动力学系统，地球系统的物质质量重新分布会导致不同时间尺度的地球重力场变化。从而利用重力观测量就可以了解物质迁移和交换。在物质迁移研究中，陆地水储量对全球气候变化、经济发展和人类生活有着非常重大的意义。
但是，由于早年科学发展水平的限制，无法发射重力卫星，利用重力卫星检测地球重力场的变化，因而，无法获取历史时期内的陆地水储量信息，为研究长时间序列的陆地水储量动态变化带来了难题，并且现有的对陆地水储量信息进行回溯重建的方法，其学习能力较差，抗噪性较弱。
发明内容
为克服相关技术中存在的问题，本发明实施例提供了一种基于神经网络算法的陆地水储量预测方法及设备。
获取地表参数信息、陆地水储量信息及陆地水储量信息的空间分辨率；其中，所述地表参数信息包括流域地表信息、高程数据信息和气候分区信息；
对所述地表参数信息进行降低空间分辨率的重采样，得到第一地表参数信息，使所述第一地表参数信息的空间分辨率与所述陆地水储量信息的空间分辨率相同；
基于所述第一地表参数信息和陆地水储量信息，构建神经网络回归模型；其中，所述神经网络回归模型包括输入层、隐藏层和输出层；每一层包括多个神经元，相邻两层的神经元间相互连接；所述第一地表参数信息正向传递，依次经过所述输入层、隐藏层和输出层，输出预测的陆地水储量信息；计算所述陆地水储量信息和预测的陆地水储量信息间的误差，将所述误差反向传递回输入层以更新神经元间连接的权重和权重偏向，迭代正向传递和反向传递的过程直至满足预设终止条件；
获取待预测时间内的目标地表参数信息，将所述目标地表参数信息进行降低空间分辨率的重采样，得到第二地表参数信息，使所述第二地表参数信息的空间分辨率与所述陆地水储量信息的空间分辨率相同；
将所述第二地表参数信息输入所述神经网络回归模型，确定待预测时间内所述目标地表参数信息对应的陆地水储量信息。
根据本发明实施例的第二方面，提供一种基于神经网络算法的陆地水储量预测装置，包括：
采集单元，用于获取地表参数信息、陆地水储量信息及陆地水储量信息的空间分辨率；其中，所述地表参数信息包括流域地表信息、高程数据信息和气候分区信息；
第一重采样单元，用于对所述地表参数信息进行降低空间分辨率的重采样，得到第一地表参数信息，使所述第一地表参数信息的空间分辨率与所述陆地水储量信息的空间分辨率相同；
构建单元，用于基于所述第一地表参数信息和陆地水储量信息，构建神经网络回归模型；其中，所述神经网络回归模型包括输入层、隐藏层和输出层；每一层包括多个神经元，相邻两层的神经元间相互连接；所述第一地表参数信息正向传递，依次经过所述输入层、隐藏层和输出层，输出预测的陆地水储量信息；计算所述陆地水储量信息和预测的陆地水储量信息间的误差，将所述误差反向传递回输入层以更新神经元间连接的权重和权重偏向，迭代正向传递和反向传递的过程直至满足预设终止条件；
第二重采样单元，用于获取待预测时间内的目标地表参数信息，将所述目标地表参数信息进行降低空间分辨率的重采样，得到第二地表参数信息，使所述第二地表参数信息的空间分辨率与所述陆地水储量信息的空间分辨率相同；
确认单元，用于将所述第二地表参数信息输入所述神经网络回归模型，确定待预测时间内所述目标地表参数信息对应的陆地水储量信息。
根据本发明实施例的第三方面，提供一种基于神经网络算法的陆地水储量预测设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述第一方面所述的基于神经网络算法的陆地水储量预测方法的步骤。
根据本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的基于神经网络算法的陆地水储量预测方法的步骤。
本发明实施例中获取地表参数信息、陆地水储量信息及陆地水储量信息的空间分辨率；其中，所述地表参数信息包括流域地表信息、高程数据信息和气候分区信息；对所述地表参数信息进行降低空间分辨率的重采样，得到第一地表参数信息，使所述第一地表参数信息的空间分辨率与所述陆地水储量信息的空间分辨率相同；基于所述第一地表参数信息和陆地水储量信息，构建神经网络回归模型；其中，所述神经网络回归模型包括输入层、隐藏层和输出层；每一层包括多个神经元，相邻两层的神经元间相互连接；所述第一地表参数信息正向传递，依次经过所述输入层、隐藏层和输出层，输出预测的陆地水储量信息；计算所述陆地水储量信息和预测的陆地水储量信息间的误差，将所述误差反向传递回输入层以更新神经元间连接的权重和权重偏向，迭代正向传递和反向传递的过程直至满足预设终止条件；获取待预测时间内的目标地表参数信息，将所述目标地表参数信息进行降低空间分辨率的重采样，得到第二地表参数信息，使所述第二地表参数信息的空间分辨率与所述陆地水储量信息的空间分辨率相同；将所述第二地表参数信息输入所述神经网络回归模型，确定待预测时间内所述目标地表参数信息对应的陆地水储量信息。上述技术方案，综合考虑多种地表参数信息对陆地水储量信息的影响，基于已有的陆地水储量信息和地表参数信息，建立陆地水储量信息与地表参数信息的非线性映射关系模型，将历史时期地表参数信息应用于该模型，能够实现历史时期的陆地水储量信息的精准预测，进而得到长时间序列的陆地水储量动态变化数据。并且，采用神经网络算法构建陆地水储量信息与地表参数信息的非线性映射关系模型，能够减少误差数据对预测结果的影响，提高预测的准确度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本发明第一个示例性实施例示出的基于神经网络算法的陆地水储量预测方法的流程示意图；
图2为本发明第一个示例性实施例示出的基于神经网络算法的陆地水储量预测方法的S103的流程示意图；
图3为本发明第二个示例性实施例示出的基于神经网络算法的陆地水储量预测方法的流程示意图；
图4为本发明一个示例性实施例示出的基于神经网络算法的陆地水储量预测装置的结构示意图；
图5为本发明一个示例性实施例示出的陆地水储量预测设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1，图1为本发明第一个示例性实施例示出的基于神经网络算法的陆地水储量预测方法的流程示意图。本实施例移动应用配置方法的执行主体是陆地水储量预测设备，如图1所示的基于神经网络算法的陆地水储量预测方法可包括：
S101：获取地表参数信息、陆地水储量信息及陆地水储量信息的空间分辨率；其中，所述地表参数信息包括流域地表信息、高程数据信息和气候分区信息。
陆地水储量预测设备获取地表参数信息、陆地水储量信息及陆地水储量信息的空间分辨率。其中，陆地水储量信息包括地下水储量、河流水储量、湖泊水储量、冰川水储量和土壤水储量等。2002年，重力卫星Grace被研制发射，该重力卫星能够通过监测地球的重力变化，精准估计2002年后的陆地水储量信息，但由于早年对陆地水储量的监测能力有限，故2002年前的陆地水储量信息难以被准确评估，因而，上述陆地水储量信息为2002年后已知的陆地水储量信息。
陆地水储量信息的空间分辨率是指卫星遥感影像上能够识别的两个物体的最小距离，简单来说就是陆地水储量信息能够被分辨的最小单元。在本实施例中，利用a°×b°表示陆地水水储量信息的空间分辨率，其中，a°表示经度，b°表示纬度。例如：0.01°×0.01°则表示陆地水储量信息能够被分辨的最小单元为0.01经度×0.01纬度所形成的单元，1°×1°则表示陆地水储量信息能够被分辨的最小单元为1经度×1纬度所形成的单元。本实施例选取陆地水储量信息的空间分辨率为0.5°×0.5°，0.5°×0.5°的空间分辨率能够在保证监测精度的同时，合理减低运算量，提高算法效率。
地表参数信息包括流域地表信息、高程数据信息和气候分区信息。其中，流域地表信息又包括净短波辐射通量、净长波辐射通量、净潜热通量、净感热通量、热通量、降雪比率、降水比率、蒸散发、暴雨表面径流速、基流地下水径流速、融雪速度、雪表温度、表面平均温度、雪深水当量、积雪深度、地表土壤湿度、植被根系土壤湿度、剖面土壤湿度、冠层水分蒸发速率、蒸腾速率、裸土直接蒸发速率、植被冠层表面储水量、积雪蒸发速率、气动电导率、流域水储量、地下水储量、风速、总降水率、温度、比湿、气压、下行短波辐射和下行长波辐射等33个变量信息。高程数据信息为数字高程模型(Digital Elevation Model，DEM)，其表示地面地形的数字化高程信息。气候分区信息是基于气候分类的原则和生产建设的需要，将目标区域分成若干气候特征相似的小区域而得到的信息。地表参数信息对陆地水储量信息均存在直接或间接的影响，该地表参数信息也为2002年后的地表参数信息。
S102：对所述地表参数信息进行降低空间分辨率的重采样，得到第一地表参数信息，使所述第一地表参数信息的空间分辨率与所述陆地水储量信息的空间分辨率相同。
陆地水储量预测设备对所述地表参数信息进行降低空间分辨率的重采样，得到第一地表参数信息，使所述第一地表参数信息的空间分辨率与所述陆地水储量信息的空间分辨率相同。其中，在遥感领域，重采样是指从高分辨率的遥感影像中提取低分辨率影像的过程，常用的重采样方法有最邻近内插法、双线性内插法和三次卷积内插法，高分辨率的数据经过重采样能够形成低分辨率的数据，以匹配众多处理场景下的对数据分辨率的要求。由于本实施例中，各个地表参数信息的空间分辨率不等，且与陆地水储量信息的空间分辨率有所差异，因而采用重采样方法将各个地表参数信息的空间分辨率均转化为与陆地水储量信息的空间分辨率相同，使空间分辨率保持一致。
此外，陆地水储量设备还可以对第一地表参数信息和陆地水储量信息的时间分辨率进行调整，使两者的时间分辨率保持一致，例如第一地表参数信息为每天的第一地表参数信息，则陆地水储量信息也为每天的陆地水储量信息，具体的时间分辨率在本实施例中不做限制。
S103：基于所述第一地表参数信息和陆地水储量信息，构建神经网络回归模型；其中，所述神经网络回归模型包括输入层、隐藏层和输出层；每一层包括多个神经元，相邻两层的神经元间相互连接；所述第一地表参数信息正向传递，依次经过所述输入层、隐藏层和输出层，输出预测的陆地水储量信息；计算所述陆地水储量信息和预测的陆地水储量信息间的误差，将所述误差反向传递回输入层以更新神经元间连接的权重和权重偏向，迭代正向传递和反向传递的过程直至满足预设终止条件。
神经网络算法是一种集成学习算法，属于机器学习中监督学习的范畴。常见的神经网络包括BP神经网络、RBF(径向基)神经网络、感知器神经网络、线性神经网络、自组织神经网络和反馈神经网络等。在本实施例中，选用BP神经网络构建第一地表参数信息和陆地水储量信息的神经网络回归模型。BP神经网络算法通过迭代性来处理训练集中的实例，对比经过神经网络后，输出层预测值与真实值之间的误差，在通过反向法以最小化误差来更新每个连接的权重。
陆地水储量预测设备基于所述第一地表参数信息和陆地水储量信息，构建神经网络回归模型；其中，所述神经网络回归模型包括输入层、隐藏层和输出层；每一层包括多个神经元，相邻两层的神经元间相互连接，即相邻层之间的各神经元进行全连接，每层内的神经元之间无连接。具体地，构建神经网络回归模型的过程包括正向传递过程和反向传递过程。在正向传递过程中，所述第一地表参数信息正向传递，依次经过所述输入层、隐藏层和输出层，输出预测的陆地水储量信息；在反向传递过程中，先计算所述陆地水储量信息和预测的陆地水储量信息间的误差，之后将所述误差反向传递回输入层以更新神经元间连接的权重和权重偏向。最终，迭代正向传递和反向传递的过程直至满足预设终止条件。所述预设终止条件可基于实际情况和需求而设定。在本实施例中，预设终止条件可以为以下其中任意一种：(1)权重的更新低于某个预设阈值；(2)陆地水储量信息和预测的陆地水储量信息间的绝对误差低于某个预设阈值；(3)达到预设的迭代次数。
进一步地，为建立神经网络回归模型，S103可以包括S1031～S1032，如图2所示，S1031～S1032具体如下：
S1031：将第一地表参数信息正向传递依次经过所述输入层、隐藏层和输出层，输出预测的陆地水储量信息；其中，第一地表参数信息为所述输入层神经元的单元值，预测的陆地水储量信息为所述输出层神经元的单元值，由所述输入层向输出层正向传递的非线性回归模型如下：
Figure BDA0002212831890000061
Oi为当前神经元的单元值，wij为神经元间连接的权重，θj为权重偏向，Ij为下一神经元的输入值；对Ij进行非线性转化，得到所述下一神经元的单元值，非线性转化公式为：
Figure BDA0002212831890000062
S1032：计算所述预测的陆地水储量信息Oj和所述陆地水储量信息Tj间的误差，将所述误差反向传递回输入层以更新神经元间连接的权重和权重偏向，迭代正向传递和方向传递的过程直至满足预设终止条件；其中，传向输出层的误差计算公式如下：
Errj＝Oj(1-Oj)(Tj-Oj)
传向隐含层的误差计算公式如下：
Figure BDA0002212831890000071
Errk为上一神经元反向传递的误差，wjk为神经元间连接的权重；
基于所述误差，更新所述权重和所述权重偏向；其中，权重更新和权重偏向更新的计算公式如下：
Δwij＝(l)ErrjOi
Δθj＝(l)Errj
Δwij为权重更新值，Δθj为权重偏向更新值，l为学习率。
S104：获取待预测时间内的目标地表参数信息，将所述目标地表参数信息进行降低空间分辨率的重采样，得到第二地表参数信息，使所述第二地表参数信息的空间分辨率与所述陆地水储量信息的空间分辨率相同。
陆地水储量预测设备获取待预测时间内的目标地表参数信息，将所述目标地表参数信息进行降低空间分辨率的重采样，得到第二地表参数信息，使所述第二地表参数信息的空间分辨率与所述陆地水储量信息的空间分辨率相同。其中，待预测时间需满足在该时间内仅有地表参数信息，而无陆地水储量信息。由于本实施例中，各目标地表参数信息的空间分辨率不等，且与建立神经网络回归模型的样本的空间分辨率有所差异，因而采用重采样方法将各个目标地表参数信息的空间分辨率均转化为与建立神经网络回归模型的样本的空间分辨率相同，使空间分辨率保持一致。
S105：将所述第二地表参数信息输入所述神经网络回归模型，确定待预测时间内所述目标地表参数信息对应的陆地水储量信息。
陆地水储量预测设备将所述第二地表参数信息输入神经网络回归模型，确定待预测时间内所述目标地表参数信息对应的陆地水储量信息。具体地，陆地水储量预测设备将第二地表参数信息输入神经网络模型中，第二地表参数信息从输入层传递至隐藏层，再传递至输出层，最终得到待预测时间内所述目标地表参数信息对应的陆地水储量信息。
上述方案综合考虑多种地表参数信息对陆地水储量信息的影响，基于神经网络回归算法建立陆地水储量信息与地表参数信息的非线性映射关系模型，将待预测时间内的地表参数信息应用于该模型，实现了对待预测时间内的陆地水储量信息的精准预测，基于该预测数据，能够构建长时间序列的陆地水储量动态变化数据，进而推进对陆地水储量的相关研究工作。采用神经网络算法建立该回归模型能够使模型具有良好的学习效果，且对误差数据的抗噪能力强，提升预测的准确性。
请参阅图3，图3为本发明第二个示例性实施例示出的基于神经网络算法的陆地水储量预测方法的流程示意图。本实施例移动应用配置方法的执行主体是陆地水储量预测设备，如图3示的基于神经网络算法的陆地水储量预测方法可包括：
S201：获取地表参数信息、陆地水储量信息及陆地水储量信息的空间分辨率；其中，所述地表参数信息包括流域地表信息、高程数据信息和气候分区信息。
S202：对所述地表参数信息进行降低空间分辨率的重采样，得到第一地表参数信息，使所述第一地表参数信息的空间分辨率与所述陆地水储量信息的空间分辨率相同。
S203：计算所述第一地表参数信息的第一平均值信息；其中，所述第一平均值信息为预设时间段内所述第一地表参数信息的平均值。
S204：计算所述陆地水储量信息的第二平均值信息；其中，所述第二平均值信息为预设时间段内所述陆地水储量信息的平均值。
S205：基于所述第一平均值信息和第二平均值信息，构建神经网络回归模型；其中，所述神经网络回归模型包括输入层、隐藏层和输出层；每一层包括多个神经元，相邻两层的神经元间相互连接；所述第一平均值信息正向传递，依次经过所述输入层、隐藏层和输出层，输出预测的陆地水储量信息；计算所述第二平均值信息和预测的陆地水储量信息间的误差，将所述误差反向传递回输入层以更新神经元间连接的权重和权重偏向，迭代正向传递和方向传递的过程直至满足预设终止条件。
S206：获取待预测时间内的目标地表参数信息，将所述目标地表参数信息进行降低空间分辨率的重采样，得到第二地表参数信息，使所述第二地表参数信息的空间分辨率与所述陆地水储量信息的空间分辨率相同。
S207：计算所述第二地表参数信息的第三平均值信息；其中，所述第三平均值信息为预设时间段内所述第二地表参数信息的平均值。
S208：将所述第三平均值信息输入所述神经网络回归模型，确定待预测时间内所述目标地表参数信息对应的陆地水储量信息。
本实施例与第一个示例性实施例不同之处在于步骤S203～S205及S207～S208，步骤S201～S202请参阅步骤S101～S102的相关描述，步骤S206请参阅步骤S104的相关描述，此处不再赘述，S203～S205及S207～S208具体如下：
S203：计算所述第一地表参数信息的第一平均值信息；其中，所述第一平均值信息为预设时间段内所述第一地表参数信息的平均值。
陆地水储量预测设备计算第一地表参数信息的第一平均值信息。其中，第一平均值信息为预设时间段内第一地表参数信息的平均值。该预设时间段可以为每天、每周、每月或每年等任意合理的时间段，在本实施例中，设定预设时间段为每月，则第一平均值信息为每月内第一地表参数信息的平均值。例如:假设根据步骤S202得到的第一地表参数信息为2003年至2018年内每天的第一地表参数信息，则按照自然月对2003年至2018年内每天的第一地表参数信息进行划分，计算各自然月内所有第一地表参数信息的算术平均值，即为第一平均值信息。
S204：计算所述陆地水储量信息的第二平均值信息；其中，所述第二平均值信息为预设时间段内所述陆地水储量信息的平均值。
陆地水储量预测设备计算陆地水储量信息的第二平均值信息。其中，第二平均值信息为预设时间段内陆地水储量信息的平均值。该预设时间段可以为每天、每周、每月或每年等任意合理的时间段，在本实施例中，设定预设时间段为每月，则第二平均值信息为每月内陆地水储量信息的平均值。例如:假设根据步骤S201得到的陆地水储量信息为2003年至2018年内每天的陆地水储量信息，则按照自然月对2003年至2018年内每天的陆地水储量信息进行划分，计算各自然月内所有陆地水储量信息的算术平均值，即为第二平均值信息。
S205：基于所述第一平均值信息和第二平均值信息，构建神经网络回归模型；其中，所述神经网络回归模型包括输入层、隐藏层和输出层；每一层包括多个神经元，相邻两层的神经元间相互连接；所述第一平均值信息正向传递，依次经过所述输入层、隐藏层和输出层，输出预测的陆地水储量信息；计算所述第二平均值信息和预测的陆地水储量信息间的误差，将所述误差反向传递回输入层以更新神经元间连接的权重和权重偏向，迭代正向传递和方向传递的过程直至满足预设终止条件。
陆地水储量预测设备基于所述第一平均值信息和第二平均值信息，构建神经网络回归模型；其中，所述神经网络回归模型包括输入层、隐藏层和输出层；每一层包括多个神经元，相邻两层的神经元间相互连接；所述第一平均值信息正向传递，依次经过所述输入层、隐藏层和输出层，输出预测的陆地水储量信息；计算所述第二平均值信息和预测的陆地水储量信息间的误差，将所述误差反向传递回输入层以更新神经元间连接的权重和权重偏向，迭代正向传递和方向传递的过程直至满足预设终止条件。在本实施例中，构建神经网络回归模型的方式与步骤S103中所述方式相同。
通过计算上述第一平均值信息和第二平均值信息，能够调整陆地水储量信息和第一地表参数信息的时间分辨率，使两者时间分辨率保持一致，同时由于陆地水储量信息和第一地表参数信息可能为海量数据，上述操作能够降低数据总量，同时维持数据的有效性，有利于神经网络回归模型的构建。
S207：计算所述第二地表参数信息的第三平均值信息；其中，所述第三平均值信息为预设时间段内所述第二地表参数信息的平均值。
陆地水储量预测设备计算第二地表参数信息的第三平均值信息。其中，第三平均值信息为预设时间段内第二地表参数信息的平均值。该预设时间段可以为每天、每周、每月或每年等任意合理的时间段，在本实施例中，设定预设时间段为每月，则第一平均值信息为每月内第二地表参数信息的平均值。例如:假设根据步骤S206得到的第二地表参数信息为1990年至2001年内每天的第一地表参数信息，则按照自然月对1990年至2001年内每天的第二地表参数信息进行划分，计算各自然月内所有第二地表参数信息的算术平均值，即为第三平均值信息。
S208：将所述第三平均值信息输入所述神经网络回归模型，确定待预测时间内所述目标地表参数信息对应的陆地水储量信息。
陆地水储量预测设备将第三平均值信息输入所述神经网络回归模型，确定待预测时间内所述目标地表参数信息对应的陆地水储量信息。具体地，陆地水储量预测设备将第三平均值信息输入神经网络模型中，第三平均值信息从输入层传递至隐藏层，再传递至输出层，最终得到待预测时间内所述目标地表参数信息对应的陆地水储量信息。
通过计算所述第二地表参数信息的第三平均值信息，能够调整第二地表参数信息、第一地表参数信息和陆地水储量信息的时间分辨率，使三者时间分辨率保持一致，进而使待预测时间内的陆地水储量信息的预测结果更为精准。
请参见图4，图4为本发明一个示例性实施例示出的基于神经网络算法的陆地水储量预测装置的结构示意图。包括的各单元用于执行图1～图3对应的实施例中的各步骤，具体请参阅图1～图3各自对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图4，基于神经网络算法的陆地水储量预测装置3包括：
采集单元310，用于获取地表参数信息、陆地水储量信息及陆地水储量信息的空间分辨率；其中，所述地表参数信息包括流域地表信息、高程数据信息和气候分区信息；
第一重采样单元320，用于对所述地表参数信息进行降低空间分辨率的重采样，得到第一地表参数信息，使所述第一地表参数信息的空间分辨率与所述陆地水储量信息的空间分辨率相同；
构建单元330，用于基于所述第一地表参数信息和陆地水储量信息，构建神经网络回归模型；其中，所述神经网络回归模型包括输入层、隐藏层和输出层；每一层包括多个神经元，相邻两层的神经元间相互连接；所述第一地表参数信息正向传递，依次经过所述输入层、隐藏层和输出层，输出预测的陆地水储量信息；计算所述陆地水储量信息和预测的陆地水储量信息间的误差，将所述误差反向传递回输入层以更新神经元间连接的权重和权重偏向，迭代正向传递和反向传递的过程直至满足预设终止条件；
第二重采样单元340，用于获取待预测时间内的目标地表参数信息，将所述目标地表参数信息进行降低空间分辨率的重采样，得到第二地表参数信息，使所述第二地表参数信息的空间分辨率与所述陆地水储量信息的空间分辨率相同；
确认单元350，用于将所述第二地表参数信息输入所述神经网络回归模型，确定待预测时间内所述目标地表参数信息对应的陆地水储量信息。
请参见图5，图5是本发明实施例提供的陆地水储量预测设备的示意图。如图5所示，该实施例的陆地水储量预测设备4包括：处理器400、存储器410以及存储在所述存储器410中并可在所述处理器400上运行的计算机程序420，例如陆地水储量预测程序。所述处理器400执行所述计算机程序420时实现上述各个基于神经网络算法的陆地水储量预测方法实施例中的步骤，例如图1所示的步骤S101至S105。或者，所述处理器400执行所述计算机程序420时实现上述各装置实施例中各模块/单元的功能，例如图所示模块310至350的功能。
示例性的，所述计算机程序420可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器410中，并由所述处理器400执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序420在所述陆地水储量预测设备4中的执行过程。例如，所述计算机程序420可以被分割成采集单元、第一重采样单元、构建单元、第二重采样单元和确定单元，各单元具体功能如下：
采集单元，用于获取地表参数信息、陆地水储量信息及陆地水储量信息的空间分辨率；其中，所述地表参数信息包括流域地表信息、高程数据信息和气候分区信息；
第一重采样单元，用于对所述地表参数信息进行降低空间分辨率的重采样，得到第一地表参数信息，使所述第一地表参数信息的空间分辨率与所述陆地水储量信息的空间分辨率相同；
构建单元，用于基于所述第一地表参数信息和所述陆地水储量信息，构建神经网络回归模型，通过所述神经网络回归模型建立所述第一地表参数信息和所述陆地水储量信息的非线性映射关系；其中，所述第一地表参数信息作为所述神经网络回归模型的输入样本，所述陆地水储量信息为所述神经网络回归模型的输出样本；
第二重采样单元，用于获取待预测时间内的目标地表参数信息，将所述目标地表参数信息进行降低空间分辨率的重采样，得到第二地表参数信息，使所述第二地表参数信息的空间分辨率与所述陆地水储量信息的空间分辨率相同；
确认单元，用于将所述第二地表参数信息输入所述神经网络回归模型，得到待预测时间内所述目标地表参数信息对应的陆地水储量信息。
所述陆地水储量预测设备4可包括，但不仅限于，处理器400、存储器410。本领域技术人员可以理解，图5仅仅是陆地水储量预测设备4的示例，并不构成对陆地水储量预测设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述陆地水储量预测设备4还可以包括输入输出设备、网络接入设备、总线等。
所称处理器400可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器410可以是所述陆地水储量预测设备4的内部存储单元，例如陆地水储量预测设备4的硬盘或内存。所述存储器410也可以是所述陆地水储量预测设备4的外部存储设备，例如所述陆地水储量预测设备4上配备的插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器410还可以既包括所述陆地水储量预测设备4的内部存储单元也包括外部存储设备。所述存储器410用于存储所述计算机程序以及所述陆地水储量预测设备所需的其他程序和数据。所述存储器410还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。

Claims (10)

1.一种基于神经网络算法的陆地水储量预测方法，其特征在于，包括步骤：
获取地表参数信息、陆地水储量信息及陆地水储量信息的空间分辨率；其中，所述地表参数信息包括流域地表信息、高程数据信息和气候分区信息；
对所述地表参数信息进行降低空间分辨率的重采样，得到第一地表参数信息，使所述第一地表参数信息的空间分辨率与所述陆地水储量信息的空间分辨率相同；
基于所述第一地表参数信息和陆地水储量信息，构建神经网络回归模型；其中，所述神经网络回归模型包括输入层、隐藏层和输出层；每一层包括多个神经元，相邻两层的神经元间相互连接；所述第一地表参数信息正向传递，依次经过所述输入层、隐藏层和输出层，输出预测的陆地水储量信息；计算所述陆地水储量信息和预测的陆地水储量信息间的误差，将所述误差反向传递回输入层以更新神经元间连接的权重和权重偏向，迭代正向传递和反向传递的过程直至满足预设终止条件；
获取待预测时间内的目标地表参数信息，将所述目标地表参数信息进行降低空间分辨率的重采样，得到第二地表参数信息，使所述第二地表参数信息的空间分辨率与所述陆地水储量信息的空间分辨率相同；
将所述第二地表参数信息输入所述神经网络回归模型，确定待预测时间内所述目标地表参数信息对应的陆地水储量信息。
2.根据权利要求1所述的基于神经网络算法的陆地水储量预测方法，其特征在于，所述基于所述第一地表参数信息和陆地水储量信息，构建神经网络回归模型，包括步骤：
将第一地表参数信息正向传递依次经过所述输入层、隐藏层和输出层，输出预测的陆地水储量信息；其中，第一地表参数信息为所述输入层神经元的单元值，预测的陆地水储量信息为所述输出层神经元的单元值，由所述输入层向输出层正向传递的非线性回归模型如下：
Figure FDA0002212831880000011
Oi为当前神经元的单元值，wij为神经元间连接的权重，θj为权重偏向，Ij为下一神经元的输入值；对Ij进行非线性转化，得到所述下一神经元的单元值，非线性转化公式为：
Figure FDA0002212831880000012
计算所述预测的陆地水储量信息Oj和所述陆地水储量信息Tj间的误差，将所述误差反向传递回输入层以更新神经元间连接的权重和权重偏向，迭代正向传递和方向传递的过程直至满足预设终止条件；其中，传向输出层的误差计算公式如下：
Errj＝Oj(1-Oj)(Tj-Oj)
传向隐含层的误差计算公式如下：
Errk为上一神经元反向传递的误差，wjk为神经元间连接的权重；
基于所述误差，更新所述权重和所述权重偏向；其中，权重更新和权重偏向更新的计算公式如下：
Δwij＝(l)ErrjOi
Δθj＝(l)Errj
Δwij为权重更新值，Δθj为权重偏向更新值，l为学习率。
3.根据权利要求1或2所述的基于神经网络算法的陆地水储量预测方法，其特征在于，所述基于所述第一地表参数信息和陆地水储量信息，构建神经网络回归模型，包括步骤：
计算所述第一地表参数信息的第一平均值信息；其中，所述第一平均值信息为预设时间段内所述第一地表参数信息的平均值；
计算所述陆地水储量信息的第二平均值信息；其中，所述第二平均值信息为预设时间段内所述陆地水储量信息的平均值；
基于所述第一平均值信息和第二平均值信息，构建神经网络回归模型；其中，所述神经网络回归模型包括输入层、隐藏层和输出层；每一层包括多个神经元，相邻两层的神经元间相互连接；所述第一平均值信息正向传递，依次经过所述输入层、隐藏层和输出层，输出预测的陆地水储量信息；计算所述第二平均值信息和预测的陆地水储量信息间的误差，将所述误差反向传递回输入层以更新神经元间连接的权重和权重偏向，迭代正向传递和方向传递的过程直至满足预设终止条件。
4.根据权利要求1或2所述基于神经网络算法的陆地水储量预测方法，其特征在于，所述将所述第二地表参数信息输入所述神经网络回归模型，确定待预测时间内所述目标地表参数信息对应的陆地水储量信息，包括步骤：
计算所述第二地表参数信息的第三平均值信息；其中，所述第三平均值信息为预设时间段内所述第二地表参数信息的平均值；
将所述第三平均值信息输入所述神经网络回归模型，确定待预测时间内所述目标地表参数信息对应的陆地水储量信息。
5.根据权利要求1或2所述的基于神经网络算法的陆地水储量预测方法，其特征在于：
所述陆地水储量信息的空间分辨率的空间分辨率为0.5°×0.5°。
6.一种基于神经网络算法的陆地水储量预测装置，其特征在于，包括：
采集单元，用于获取地表参数信息、陆地水储量信息及陆地水储量信息的空间分辨率；其中，所述地表参数信息包括流域地表信息、高程数据信息和气候分区信息；
第一重采样单元，用于对所述地表参数信息进行降低空间分辨率的重采样，得到第一地表参数信息，使所述第一地表参数信息的空间分辨率与所述陆地水储量信息的空间分辨率相同；
构建单元，用于基于所述第一地表参数信息和陆地水储量信息，构建神经网络回归模型；其中，所述神经网络回归模型包括输入层、隐藏层和输出层；每一层包括多个神经元，相邻两层的神经元间相互连接；所述第一地表参数信息正向传递，依次经过所述输入层、隐藏层和输出层，输出预测的陆地水储量信息；计算所述陆地水储量信息和预测的陆地水储量信息间的误差，将所述误差反向传递回输入层以更新神经元间连接的权重和权重偏向，迭代正向传递和反向传递的过程直至满足预设终止条件；
第二重采样单元，用于获取待预测时间内的目标地表参数信息，将所述目标地表参数信息进行降低空间分辨率的重采样，得到第二地表参数信息，使所述第二地表参数信息的空间分辨率与所述陆地水储量信息的空间分辨率相同；
确认单元，用于将所述第二地表参数信息输入所述神经网络回归模型，确定待预测时间内所述目标地表参数信息对应的陆地水储量信息。
7.根据权利要求6所述的基于神经网络算法的陆地水储量预测装置，其特征在于，所述构建单元包括：
第一计算单元，用于计算所述第一地表参数信息的第一平均值信息；其中，所述第一平均值信息为预设时间段内所述第一地表参数信息的平均值；
第二计算单元，用于计算所述陆地水储量信息的第二平均值信息；其中，所述第二平均值信息为预设时间段内所述陆地水储量信息的平均值；
第一构建单元，用于基于所述第一平均值信息和第二平均值信息，构建神经网络回归模型；其中，所述神经网络回归模型包括输入层、隐藏层和输出层；每一层包括多个神经元，相邻两层的神经元间相互连接；所述第一平均值信息正向传递，依次经过所述输入层、隐藏层和输出层，输出预测的陆地水储量信息；计算所述第二平均值信息和预测的陆地水储量信息间的误差，将所述误差反向传递回输入层以更新神经元间连接的权重和权重偏向，迭代正向传递和方向传递的过程直至满足预设终止条件。
8.根据权利要求6或7所述的基于神经网络算法的陆地水储量预测装置，其特征在于，所述确认单元包括：
第三计算单元，用于计算所述第二地表参数信息的第三平均值信息；其中，所述第三平均值信息为预设时间段内所述第二地表参数信息的平均值；
第一确认单元，用于将所述第三平均值信息输入所述神经网络回归模型，确定待预测时间内所述目标地表参数信息对应的陆地水储量信息。
9.一种基于神经网络算法的陆地水储量预测设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
CN201910904368.3A 2019-09-24 2019-09-24 一种基于神经网络算法的陆地水储量预测方法及设备 Active CN110852473B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910904368.3A CN110852473B (zh) 2019-09-24 2019-09-24 一种基于神经网络算法的陆地水储量预测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910904368.3A CN110852473B (zh) 2019-09-24 2019-09-24 一种基于神经网络算法的陆地水储量预测方法及设备

Publications (2)

Publication Number Publication Date
CN110852473A true CN110852473A (zh) 2020-02-28
CN110852473B CN110852473B (zh) 2022-06-03

Family

ID=69597059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910904368.3A Active CN110852473B (zh) 2019-09-24 2019-09-24 一种基于神经网络算法的陆地水储量预测方法及设备

Country Status (1)

Country Link
CN (1) CN110852473B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112214923A (zh) * 2020-09-09 2021-01-12 广州地理研究所 卫星土壤水分重建方法、装置及设备
CN114491967A (zh) * 2021-12-30 2022-05-13 中国科学院地理科学与资源研究所 陆地水储量预测方法、装置、设备及存储介质
CN115630686A (zh) * 2022-10-11 2023-01-20 首都师范大学 利用机器学习从卫星重力数据恢复陆地水储量异常的方法
CN116628442A (zh) * 2023-05-12 2023-08-22 中国科学院地理科学与资源研究所 一种基于人工神经网络的地下水储量变化空间降尺度方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130110399A1 (en) * 2011-10-31 2013-05-02 Insurance Bureau Of Canada System and method for predicting and preventing flooding
CN106529164A (zh) * 2016-11-03 2017-03-22 清华大学 联合重力卫星获取地下水储量变化值的方法及系统
CN108268735A (zh) * 2018-01-29 2018-07-10 浙江大学 基于多源遥感卫星融合数据的地表土壤水分降尺度方法
CN108982548A (zh) * 2018-07-20 2018-12-11 浙江大学 一种基于被动微波遥感数据的地表土壤水分反演方法
CN109035105A (zh) * 2018-06-15 2018-12-18 河海大学 一种月尺度蒸散发量的定量估算方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130110399A1 (en) * 2011-10-31 2013-05-02 Insurance Bureau Of Canada System and method for predicting and preventing flooding
CN106529164A (zh) * 2016-11-03 2017-03-22 清华大学 联合重力卫星获取地下水储量变化值的方法及系统
CN108268735A (zh) * 2018-01-29 2018-07-10 浙江大学 基于多源遥感卫星融合数据的地表土壤水分降尺度方法
CN109035105A (zh) * 2018-06-15 2018-12-18 河海大学 一种月尺度蒸散发量的定量估算方法
CN108982548A (zh) * 2018-07-20 2018-12-11 浙江大学 一种基于被动微波遥感数据的地表土壤水分反演方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
FRÉDÉRIC FRAPPART ET AL.: ""Monitoring Groundwater Storage Changes Using the Gravity Recovery and Climate Experiment (GRACE) Satellite Mission: A Review"", 《REMOTE SENSING OF GROUNDWATER FROM RIVER BASIN TO GLOBAL SCALES》 *
VINCENT HUMPHREY ET AL.: ""GRACE-REC: a reconstruction of climate-driven water storage changes over the last century"", 《EARTH SYSTEM SCIENCE DATA》 *
余凡 等: ""基于遗传BP神经网络的主被动遥感协同反演土壤水分"", 《红外与毫米波学报》 *
李晓英 等: ""基于GRACE和GLDAS的长江下游陆地水储量变化预测"", 《天津大学学报(自然科学与工程技术版)》 *
郝建盛 等: ""基于GRACE监测数据的伊犁――巴尔喀什湖盆地水储量变化特征及影响因素"", 《遥感技术与应用》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112214923A (zh) * 2020-09-09 2021-01-12 广州地理研究所 卫星土壤水分重建方法、装置及设备
CN114491967A (zh) * 2021-12-30 2022-05-13 中国科学院地理科学与资源研究所 陆地水储量预测方法、装置、设备及存储介质
CN115630686A (zh) * 2022-10-11 2023-01-20 首都师范大学 利用机器学习从卫星重力数据恢复陆地水储量异常的方法
CN115630686B (zh) * 2022-10-11 2023-06-23 首都师范大学 利用机器学习从卫星重力数据恢复陆地水储量异常的方法
CN116628442A (zh) * 2023-05-12 2023-08-22 中国科学院地理科学与资源研究所 一种基于人工神经网络的地下水储量变化空间降尺度方法
CN116628442B (zh) * 2023-05-12 2023-12-22 中国科学院地理科学与资源研究所 一种基于人工神经网络的地下水储量变化空间降尺度方法

Also Published As

Publication number Publication date
CN110852473B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN110852473B (zh) 一种基于神经网络算法的陆地水储量预测方法及设备
Yang et al. A physical process and machine learning combined hydrological model for daily streamflow simulations of large watersheds with limited observation data
Song et al. Modeling spatio-temporal distribution of soil moisture by deep learning-based cellular automata model
Avand et al. DEM resolution effects on machine learning performance for flood probability mapping
Sanikhani et al. Survey of different data-intelligent modeling strategies for forecasting air temperature using geographic information as model predictors
Prasad et al. Ensemble committee-based data intelligent approach for generating soil moisture forecasts with multivariate hydro-meteorological predictors
Oñate-Valdivieso et al. Application of GIS and remote sensing techniques in generation of land use scenarios for hydrological modeling
Nayak et al. Rainfall-runoff modeling using conceptual, data driven, and wavelet based computing approach
Langella et al. High-resolution space–time rainfall analysis using integrated ANN inference systems
Seo et al. Estimating spatial precipitation using regression kriging and artificial neural network residual kriging (RKNNRK) hybrid approach
Sekertekin et al. Short-term air temperature prediction by adaptive neuro-fuzzy inference system (ANFIS) and long short-term memory (LSTM) network
Shukla et al. Evaluating hydrological responses to urbanization in a tropical river basin: A water resources management perspective
CN114491967B (zh) 陆地水储量预测方法、装置、设备及存储介质
CN110852474B (zh) 一种基于决策树算法的陆地水储量预测方法、装置及设备
Yadav et al. Prediction of suspended sediment yield by artificial neural network and traditional mathematical model in Mahanadi river basin, India
Ma et al. Regional-scale rice-yield estimation using stacked auto-encoder with climatic and MODIS data: A case study of South Korea
CN110852472B (zh) 一种基于随机森林算法的陆地水储量预测方法及设备
CN113253364B (zh) 一种对站点风速预报结果进行订正的方法及装置
Kochhar et al. Prediction and forecast of pre-monsoon and post-monsoon groundwater level: using deep learning and statistical modelling
CN112585505A (zh) 确定用于农学决策支持的位置特定的天气信息
CN115640956A (zh) 一种未来水资源供需平衡分析方法
Nourani et al. Spatiotemporal precipitation modeling by artificial intelligence-based ensemble approach
Huang et al. High-resolution satellite images combined with hydrological modeling derive river discharge for headwaters: A step toward discharge estimation in ungauged basins
Karamouz et al. Soil moisture data using citizen science technology cross-validated by satellite data
Khan et al. County-level corn yield prediction using supervised machine learning

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province

Applicant after: Guangzhou Institute of geography, Guangdong Academy of Sciences

Address before: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province

Applicant before: GUANGZHOU INSTITUTE OF GEOGRAPHY

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220402

Address after: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province

Applicant after: Guangzhou Institute of geography, Guangdong Academy of Sciences

Applicant after: Institute of Geographic Sciences and Natural Resources Research, CAS

Address before: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province

Applicant before: Guangzhou Institute of geography, Guangdong Academy of Sciences

GR01 Patent grant
GR01 Patent grant