CN111428746A - 一种利用条件生成对抗网络实现电离层总电子含量空间特征提取的方法 - Google Patents

一种利用条件生成对抗网络实现电离层总电子含量空间特征提取的方法 Download PDF

Info

Publication number
CN111428746A
CN111428746A CN202010039943.0A CN202010039943A CN111428746A CN 111428746 A CN111428746 A CN 111428746A CN 202010039943 A CN202010039943 A CN 202010039943A CN 111428746 A CN111428746 A CN 111428746A
Authority
CN
China
Prior art keywords
total electron
electron content
training
spatial
layer
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
CN202010039943.0A
Other languages
English (en)
Other versions
CN111428746B (zh
Inventor
刘杨
李铮
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202010039943.0A priority Critical patent/CN111428746B/zh
Publication of CN111428746A publication Critical patent/CN111428746A/zh
Application granted granted Critical
Publication of CN111428746B publication Critical patent/CN111428746B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种利用条件生成对抗网络实现电离层总电子含量空间特征提取的方法，该方法中首先设计了一个具有空间考虑的条件编译码生成对抗神经网络的深度学习模型，所设计的模型结合了一种具有对抗性学习思想的编码器‑解码器结构，可以学习输入的电离层总电子含量采样空间数据的深层特征及其与局部结构模式的复杂交互。通过对实例分析，证明了该方法的有效性。相比传统的方法，本方法在面对复杂电离层空间分布特征时，成功完成了电离层总电子含量空间特征的提取与还原，在实现电离层总电子含量的空间估计方面具有更高的精度和更小的均方误差。

Description

一种利用条件生成对抗网络实现电离层总电子含量空间特征 提取的方法
技术领域
本发明属于电离层领域，具体涉及一种利用条件生成对抗网络实现电离层总电子含量空间特征提取的方法。
背景技术
电离层是地球上空热层中被太阳辐射电离的部分，其中充斥着大量的带电粒子。电离层是空间电波信号的起伏散射介质，会引起信号的幅度衰减、相位延迟等，是卫星导航信号的重要空间测距误差来源。电离层带电粒子的数量由电离层总电子含量来描述，当电离层受到太阳活动、地磁活动等影响时，会引起电离层总电子含量的起伏波动。目前电离层扰动是相关领域研究的热点和难点。电离层总电子含量可由卫星导航信号测量，国际卫星导航服务利用全球分布的观测站点构建了电离层总电子含量的二维格网模型，并作为产品向全球用户发布。该格网模型将全球区域按照经度每5度、纬度每2.5度进行划分，在格网外的其它点则需要通过空间特征提取来计算电离层总电子含量。传统的空间特征提取基于线性空间模型，例如线性特征提取、样条特征提取等，并未考虑电离层总电子含量的空间多样性。实际上，电离层总电子含量的空间分布较为复杂，受太阳辐射区域、地磁强度分布等因素的影响，其空间分布具有较强的非线性，尤其是在电离层扰动时，会产生较强的电离层空间梯度，使得电离层的空间线性相关性进一步减弱，此时如果仍采用传统的特征提取方法，必将引起较大的误差。电离层总电子含量的误差在应用上可能会进一步放大成为导航测距误差，降低相关应用的使用精度。因此，考虑电离层本身的空间物理特征，找到更高效的电离层总电子含量空间特征提取方法，可有助于消除电离层扰动导致空间相关性减弱时引起的电离层总电子含量误差，为相关领域的应用提供有效的技术支撑。
发明内容
本发明要解决的技术问题是：克服现有技术的不足，提供一种利用条件生成对抗网络实现电离层总电子含量空间特征提取的方法，该方法中首先设计了一个具有空间考虑的条件编译码生成对抗神经网络的深度学习模型，所设计的模型结合了一种具有对抗性学习思想的编码器-解码器结构，可以学习输入采样空间数据的深层特征及其与局部结构模式的复杂交互。通过对电离层空间特征提取结果的实例分析，证明了该模型的有效性。相比传统的样条提取方法的比较，本方法所设计的模型在面对复杂空间分布特征时，成功完成了特征的提取与还原，在实现电离层总电子含量空间特征提取方面具有更高的精度和更小的均方误差。
本发明的技术方案如下：一种利用条件生成对抗网络实现电离层总电子含量空间特征提取的方法，具体实现步骤为：
步骤(1)选取全球总电子含量的格网数据库，剔除错误数据，按照一定比例对数据进行抽取，获得训练集和测试集；其中，全球电离层总电子含量的格网数据库一般采用国际卫星导航服务提供的标准电离层输出产品，其输出格式一般但不限于IONEX格式。
步骤(2)选取训练模型，设定训练样本的输入长度，训练样本来源真实数据的均匀采样；其中，采用条件编码解码模型搭建神经网络作为训练模型，样本的训练长度由空间特征提取的样本采样率所决定。
步骤(3)采用随机梯度下降的优化模式实现训练过程的更新，选择判别器输出的交叉熵作为目标函数；其中优化器的模型一般采用Adam模型，判别器输出的交叉熵可描述为：
Figure BDA0002367377040000021
其中p(x)为样本的真实分布，q(x)为样本的预测分布。将交叉熵其作为判决标准，以判断样本的预测分布与真实分布的接近程度。
步骤(4)增加迭代次数，观测交叉熵的时间变化趋势，当交叉熵趋于平稳收敛，则判定整体训练过程达到预期要求；
步骤(5)采用均方根作为训练误差的评价标准，随机选取测试集上的数据结果对空间特征提取的精度进行检验，并验证精度与训练次数之间的关联性；其中，均方根误差的计算方法为：
Figure BDA0002367377040000022
其中
Figure BDA0002367377040000023
和
Figure BDA0002367377040000024
分别是第i个观测点的预测值和观测值。
步骤(6)随机选取测试集的数据结果，利用步骤(5)设定的评价标准，验证训练模型稳定性与训练长度之间的关联性；
步骤(7)在训练过程中，分别观察训练生成器中接近输入层和输出层的两个隐藏层的空间特征，以进一步验证训练模型的空间特征学习能力。
步骤(8)分别计算步骤(7)中两个隐藏层中每个空间单元上电离层总电子含量相对输入层和输出层的变化，以判断电离层总电子含量的空间迁移特性。其中电离层总电子含量相对输入层和输出层变化的计算方法为：
第一隐藏层相对输入层的变化：(ΔTEC)ij,in＝(TEC)ij,layer1-(TEC)ij,in
最后隐藏层相对输出层的变化：(ΔTEC)ij,out＝(TEC)ij,layerlast-(TEC)ij,out
其中i,j∈G为电离层格网中对应的第i行和第j列，G为电离层格网的行列集合。
本发明与现有技术相比的优点在于：
(1)相比传统的计算方法，本发明(图1所示)的优越性在于可以获得较高精度的电离层空间分布特征。如图2所示。
(2)相比传统的计算方法，本发明在计算过程中，可利用生成器输入到输出之间隐含层的信息来有效研究电离层空间特征的分布情况，进一步了解电离层的空间特性，其效果如图3所示。
附图说明
图1为本发明一种利用条件生成对抗网络实现电离层总电子含量空间特征提取的方法实现流程图；
图2为本发明一种利用条件生成对抗网络实现电离层总电子含量空间特征提取的方法与传统方法的比较；
图3为利用本发明一种利用条件生成对抗网络实现电离层总电子含量空间特征提取的方法获得的电离层空间特征分布情况。
具体实施方式
下面将结合附图及具体实施方式对本发明加以详细说明，需要指出的是，所描述的实施例仅旨在便于对本发明的理解，而不起任何限定作用。
本发明提出了一种利用条件生成对抗网络实现电离层总电子含量空间特征提取的方法，该方法中首先设计了一个具有空间考虑的条件编译码生成对抗神经网络的深度学习模型，所设计的模型结合了一种具有对抗性学习思想的编码器-解码器结构，可以学习输入采样空间数据的深层特征及其与局部结构模式的复杂交互。通过对电离层空间分布特征的实例分析，证明了该方法的有效性。相比传统的方法，本方法所设计的模型在面对复杂空间分布特征时，成功完成了特征的提取与还原，在实现电离层总电子含量空间特征提取方面具有更高的精度和更小的均方误差。
如图1所示，本发明具体实现步骤如下：
1、选取全球总电子含量的格网数据库，剔除错误数据，按照一定比例对数据进行抽取，获得训练集和测试集；其中，全球电离层总电子含量的格网数据库一般采用国际卫星导航服务提供的标准电离层输出产品，其输出格式一般为但不限于IONEX格式。此处采用IGS提供的全球电离层格网产品数据，以经纬度间隔将全球抽象为71×73的格网，为了便于匹配对抗生成网络的输出大小，首先将电离层总电子含量数据转化为72×72的格网点数据。在实验中采取平移的方式补齐72个点位。均匀抽样在对格网点预处理之后进行，取原格网点中序号属于序列2、6、10……70的点位，通过均匀采样将经纬度间隔扩大为原有的4倍。
2、选取训练模型，设定训练样本的输入长度(此处为64)，训练样本来源真实数据的均匀采样；其中，采用条件编码解码模型搭建神经网络作为训练模型，样本的训练长度由空间特征提取的样本采样率所决定。条件编码解码模型由发生器和判别器组成。发生器尝试学习采样的空间数据和相应的真实空间数据之间的关系，并利用学习到的空间知识尽可能准确地生成假的空间数据。判别器捕获空间数据与其采样数据之间的对应关系，目的是判断由生成的假数据是否与真实数据具有相同的特征分布。
3、采用随机梯度下降的优化模式实现训练过程的更新，选择判别器输出的交叉熵作为目标函数；其中优化器的模型一般采用Adam模型，判别器输出的交叉熵可描述为：
Figure BDA0002367377040000041
其中p(x)为样本的真实分布，q(x)为样本的预测分布。将交叉熵其作为判决标准，以判断样本的预测分布与真实分布的接近程度。
4、增加迭代次数，观测交叉熵的时间变化趋势，当交叉熵趋于平稳收敛，则判定整体训练过程达到预期要求；在具体操作过程中，随着训练的迭代次数增加，生成器模拟数据快速向真实值靠拢，交叉熵变化趋于平稳模型收敛，达到预期效果。
5、采用均方根作为训练误差的评价标准，随机选取测试集上的数据结果对空间特征提取的精度进行检验，并验证精度与训练次数之间的关联性；其中，均方根误差的计算方法为：
Figure BDA0002367377040000042
其中
Figure BDA0002367377040000043
和
Figure BDA0002367377040000044
分别是第i个观测点的预测值和观测值。
此处，为了探索训练过程中生成器模型特征提取效果的变化历程，对每一轮训练模型进行验证，随机抽取测试集中未经过训练的电离层数据，使用同样的采样方法获取输入数据，利用每一轮结束后保存的预训练模型，计算当前生成器模型的预测结果与真实值的均方根误差，结果显示，空间特征提取效果伴随着模型训练轮次的增加有着显著的提升。
6、随机选取测试集的数据结果，利用步骤5设定的评价标准，验证训练模型稳定性与训练长度之间的关联性；在实验中，选取2019年1月1日的电离层数据作为样本，分别使用经过1、5、10、50、100轮次的预训练模型进行预测。从预测结果的演变过程可以清晰看出，伴随着训练轮次的增加，生成器实现的空间特征提取模型效果得到了有效优化。
7、在训练过程中，分别观察训练生成器中接近输入层和输出层的两个隐藏层的空间特征，以进一步验证训练模型的空间特征学习能力。此处选取两个不同时刻的电离层总电子含量图进行分析，结果表明训练过后的生成器，已经通过学习多种可能的局部地形模式实现了良好的空间特征提取，并以某种方式成功地将这些局部模式与确定的采样位置合并在一起。
8、分别计算两个隐藏层中每个空间单元上电离层总电子含量相对输入层和输出层的变化，以判断电离层总电子含量的空间迁移特性，结果表明本方法能够较好的表征电离层总电子含量的空间迁移特性。
图2显示了本方法与传统样条特征提取方法的精度比较结果，本方法所述的条件编码解码生成对抗网络实现的具有更高的空间特征提取精度，误差可降低到样条特征提取方法的40％～60％。图3显示了生成器的第一个隐藏层和最后一个隐藏层中捕获的一些有代表性的特征图，其中输入层之后的第一个隐藏层学习了电离层分布的连续性特点，将数值大小不同的TEC有效的区分开来，捕获了采样点之间连续性关系。而经过编码器和解码器的变换，在输出层前的最后一层，已经能够还原电离层的结构性信息，并具有较好的区域性特征。
综述，本发明提出了一种利用条件生成对抗网络实现电离层总电子含量空间特征提取的方法，该方法中首先设计了一个具有空间考虑的条件编译码生成对抗神经网络的深度学习模型，所设计的模型结合了一种具有对抗性学习思想的编码器-解码器结构，可以学习输入采样空间数据的深层特征及其与局部结构模式的复杂交互。通过对电离层空间特征提取结果的实例分析，证明了该方法的有效性。
以上所述仅为本发明的具体实施例，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种利用条件生成对抗网络实现电离层总电子含量空间特征提取的方法，其特征在于，包括以下步骤：
步骤A、选取全球总电子含量的格网数据库，剔除错误数据，按照一定比例对数据进行抽取，获得训练集和测试集；
步骤B、设定训练模型，设定训练样本的输入长度，训练样本来源真实数据的均匀采样；
步骤C、采用随机梯度下降的优化模式实现训练过程的更新，选择判别器输出的交叉熵作为目标函数；
步骤D、增加迭代次数，观测交叉熵的时间变化趋势，当交叉熵趋于平稳收敛，则判定整体训练过程达到预期要求；
步骤E、采用均方根作为训练误差的评价标准，随机选取测试集上的数据结果对空间估计的精度进行检验，并验证空间估计精度与训练次数之间的关联性；
步骤F、随机选取测试集的数据结果，利用步骤E设定的评价标准，验证训练模型稳定性与训练长度之间的关联性；
步骤G、在训练过程中，分别观察训练生成器中接近输入层和输出层的两个隐藏层的空间特征，以验证训练模型的空间特征学习能力，并分析电离层总电子含量的空间分布特征；
步骤H、分别计算步骤G中两个隐藏层中每个空间单元上电离层总电子含量相对输入层和输出层的变化，以判断电离层总电子含量的空间迁移特性；
步骤I、设定目标函数为步骤H中隐藏层的相对电离层变化值最小，返回步骤E随机选取测试集，重复步骤E和步骤F以获得最优的测试集，完成对电离层总电子含量空间分布特征的逐层提取。
2.根据权利要求1所述的利用条件生成对抗网络实现电离层总电子含量空间特征提取的方法，其特征在于：所述步骤A中，全球电离层总电子含量的格网数据库一般采用国际卫星导航服务提供的标准电离层输出产品，其输出格式一般但不限于IONEX格式。
3.根据权利要求1所述的利用条件生成对抗网络实现电离层总电子含量空间特征提取的方法，其特征在于：所述步骤B中，采用条件编码解码模型搭建神经网络作为训练模型，样本的训练长度由空间特征提取的样本采样率所决定。
4.根据权利要求1所述的利用条件生成对抗网络实现电离层总电子含量空间特征提取的方法，其特征在于：所述步骤C中，优化器的模型一般采用Adam模型，输出的交叉熵可描述为：
Figure FDA0002367377030000021
其中p(x)为样本的真实分布，q(x)为样本的预测分布，将交叉熵其作为判决标准，以判断样本的预测分布与真实分布的接近程度。
5.根据权利要求1所述的利用条件生成对抗网络实现电离层总电子含量空间特征提取的方法，其特征在于：所述步骤E中，训练误差的计算方法为：
Figure FDA0002367377030000022
其中
Figure FDA0002367377030000023
和
Figure FDA0002367377030000024
分别是第i个观测点的预测值和观测值。
6.根据权利要求1所述的利用条件生成对抗网络实现电离层总电子含量空间特征提取的方法，其特征在于：所述步骤H中，电离层总电子含量相对输入层和输出层变化的计算方法为：
第一隐藏层相对输入层的变化：(ΔTEC)ij,in＝(TEC)ij,layer1-(TEC)ij,in
最后隐藏层相对输出层的变化：(ΔTEC)ij,out＝(TEC)ij,layerlast-(TEC)ij,out
其中i,j∈G为电离层格网中对应的第i行和第j列，G为电离层格网的行列集合。
CN202010039943.0A 2020-01-15 2020-01-15 一种利用条件生成对抗网络实现电离层总电子含量空间特征提取的方法 Active CN111428746B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010039943.0A CN111428746B (zh) 2020-01-15 2020-01-15 一种利用条件生成对抗网络实现电离层总电子含量空间特征提取的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010039943.0A CN111428746B (zh) 2020-01-15 2020-01-15 一种利用条件生成对抗网络实现电离层总电子含量空间特征提取的方法

Publications (2)

Publication Number Publication Date
CN111428746A true CN111428746A (zh) 2020-07-17
CN111428746B CN111428746B (zh) 2021-02-12

Family

ID=71551494

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010039943.0A Active CN111428746B (zh) 2020-01-15 2020-01-15 一种利用条件生成对抗网络实现电离层总电子含量空间特征提取的方法

Country Status (1)

Country Link
CN (1) CN111428746B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2737014A1 (fr) * 1995-07-17 1997-01-24 Centre Nat Etd Spatiales Systeme et procede de mesure du contenu electronique total de la ionosphere
CN101900834A (zh) * 2010-03-23 2010-12-01 中国地震局地震研究所 一种检测电离层tec异常的方法
CN106134464B (zh) * 2009-12-17 2011-08-24 中国电子科技集团公司第二十二研究所 一种电离层参数短期预报的方法及装置
CN103455702A (zh) * 2012-11-28 2013-12-18 东南大学 一种确定区域电离层延迟的方法
CN104992054A (zh) * 2015-06-19 2015-10-21 东南大学 基于时间序列二维化的电离层垂直总电子含量预报方法
CN107085626A (zh) * 2017-03-17 2017-08-22 东南大学 一种基于bp‑多项式模型融合的区域电离层垂直总电子含量建模方法
CN107942346A (zh) * 2017-11-21 2018-04-20 武汉大学 一种高精度gnss电离层tec观测值提取方法
CN110569881A (zh) * 2019-08-12 2019-12-13 北京智芯原动科技有限公司 基于卷积神经网络的数据增广方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2737014A1 (fr) * 1995-07-17 1997-01-24 Centre Nat Etd Spatiales Systeme et procede de mesure du contenu electronique total de la ionosphere
CN106134464B (zh) * 2009-12-17 2011-08-24 中国电子科技集团公司第二十二研究所 一种电离层参数短期预报的方法及装置
CN101900834A (zh) * 2010-03-23 2010-12-01 中国地震局地震研究所 一种检测电离层tec异常的方法
CN103455702A (zh) * 2012-11-28 2013-12-18 东南大学 一种确定区域电离层延迟的方法
CN104992054A (zh) * 2015-06-19 2015-10-21 东南大学 基于时间序列二维化的电离层垂直总电子含量预报方法
CN107085626A (zh) * 2017-03-17 2017-08-22 东南大学 一种基于bp‑多项式模型融合的区域电离层垂直总电子含量建模方法
CN107942346A (zh) * 2017-11-21 2018-04-20 武汉大学 一种高精度gnss电离层tec观测值提取方法
CN110569881A (zh) * 2019-08-12 2019-12-13 北京智芯原动科技有限公司 基于卷积神经网络的数据增广方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ALEXANDRE BOULCH ET AL: "Ionospheric activity prediction using convolutional recurrent neural networks", 《ARXIV》 *
YANG-YI SUN ET AL: "Global Distribution of Persistence of Total Electron Content Anomaly", 《ATMOSPHERE》 *
ZHOU CHEN ET AL: "Improvement of a Deep Learning Algorithm for Total Electron Content Maps: Image Completion", 《JOURNAL OF GEOPHYSICAL RESEARCH: SPACE PHYSICS》 *
吉长东 等: "自回归神经网络的电离层总电子含量预报", 《导航定位学报》 *
李淑慧 等: "利用神经网络预报短期电离层TEC变化", 《测绘科学》 *

Also Published As

Publication number Publication date
CN111428746B (zh) 2021-02-12

Similar Documents

Publication Publication Date Title
Barnes et al. Indicator patterns of forced change learned by an artificial neural network
Thibaud et al. Threshold modeling of extreme spatial rainfall
Zhang et al. Correction model for rainfall forecasts using the LSTM with multiple meteorological factors
Lazzús et al. Forecasting the Dst index using a swarm‐optimized neural network
CN113379107A (zh) 基于lstm和gcn的区域电离层tec预报方法
Gu et al. System identification and data‐driven forecasting of AE index and prediction uncertainty analysis using a new cloud‐NARX model
CN111581803B (zh) 一种全球电离层电子含量的克里金代理模型构建方法
CN105974495A (zh) 利用分类拟合法预判目标区域未来平均云量的方法
CN113378473A (zh) 一种基于机器学习模型的地下水砷风险预测方法
CN116108984A (zh) 基于流量-poi因果关系推理的城市流量预测方法
CN113139327A (zh) 一种基于gru网络模型的电离层tec单点预测方法及系统
Yang et al. Probabilistic post-processing of gridded atmospheric variables and its application to site adaptation of shortwave solar radiation
Ji et al. Assessing parameter importance of the weather research and forecasting model based on global sensitivity analysis methods
CN114139819A (zh) 基于地统计加权随机森林的地球化学变量空间预测方法
Gao et al. A storm-time ionospheric TEC model with multichannel features by the spatiotemporal ConvLSTM network
Dulac et al. Assessing the representation of tropical cyclones in ERA5 with the CNRM tracker
Tian et al. Estimation model of global ionospheric irregularities: an artificial intelligence approach
CN117710508A (zh) 基于改进条件生成对抗网络的近地表温度反演方法和装置
CN111428746B (zh) 一种利用条件生成对抗网络实现电离层总电子含量空间特征提取的方法
CN117217075A (zh) 一种基于通量观测的格网尺度生态系统碳水通量评估方法
CN116842472A (zh) 一种基于深度时空编解码网络的陆地蒸散发遥感估算的方法
Li et al. Improving the extraction ability of thermospheric mass density variations from observational data by deep learning
Yang et al. Understanding the impact of assimilating FORMOSAT‐7/COSMIC‐2 radio occultation refractivity on tropical cyclone genesis: Observing system simulation experiments using Hurricane Gordon (2006) as a case study
Soner Yorgun et al. A decision tree algorithm for investigation of model biases related to dynamical cores and physical parameterizations
Hu et al. Summer extreme rainfall over the middle and lower reaches of Yangtze River: Role of synoptic patterns in historical changes and future projections

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