CN111582688A - 一种植被历史变化自动分析系统 - Google Patents
一种植被历史变化自动分析系统 Download PDFInfo
- Publication number
- CN111582688A CN111582688A CN202010346838.1A CN202010346838A CN111582688A CN 111582688 A CN111582688 A CN 111582688A CN 202010346838 A CN202010346838 A CN 202010346838A CN 111582688 A CN111582688 A CN 111582688A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- vegetation
- trend
- analysis
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 49
- 230000008859 change Effects 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000007689 inspection Methods 0.000 claims abstract description 16
- 230000010354 integration Effects 0.000 claims abstract description 16
- 238000010606 normalization Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 5
- 238000012795 verification Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 18
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000001151 non-parametric statistical test Methods 0.000 description 1
- 239000004069 plant analysis Substances 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种植被历史变化自动分析系统,包括采用PYQT技术开发的UI界面,UI界面包括批量数据裁剪模块、数据整合模块、归一化处理模块、趋势检验模块、结果统计模块以及植被类型分析模块;批量数据裁剪模块:批量完成对该区域卫星数据的裁剪,输出仅含有分析区域的历史数据;数据整合模块:形成月度数据结果;归一化处理模块:最终形成按照年度序列排序的一系列栅格数据;趋势检验模块:对栅格数据读取形成W*H*N维矩阵,得出W*H的趋势栅格图;结果统计模块:统计分析所选区域植被覆盖变动情况;植被类型分析模块:进一步分析植被变化的原因;本发明能够更加高效的分析给定区域的植被变化情况,提升科研人员的工作效率。
Description
技术领域
本发明涉及一种自动分析系统,具体是指一种植被历史变化自动分析系统。
背景技术
植被覆盖及其变化是区域生态系统环境变化的重要指标,对水文、生态、全球变化等具有重要意义,而植被覆盖度是衡量地表植被状况的一个重要指标,同时,它又是影响土壤侵蚀与水土流失的主要因子。植被覆盖度在植被覆盖变化研究、生态环境调查、水土保持研究、蒸散量研究以及其他研究领域都有广泛应用。
植被具有明显的年际变化和季节变化的特点,对植被的动态监控可以从一定程度上反映气候变化的趋势,因此检测植被动态变化以及分析这种变化与气候的关系已经成为全球变化研究的一个重要领域。
目前,对植被分析的研究重点聚焦在算法领域,然而受限于软件开发能力,对软件系统平台开发的研究几乎没有。研究过程中,大部分人员依赖于ArcGIS或其它商业软件的部分功能,通过各种批处理脚本,实现少量的自动处理功能,甚至部分研究人员仍然手动逐年逐帧处理,效率低,浪费科研人员的宝贵时间。对植被变化趋势的研究没有专业细分领域软件系统的工具支撑。
所以,一种能有效提升科研效率植被历史变化自动分析系统成为人们亟待解决的问题。
发明内容
本发明要解决的技术问题是现有技术对植被变化趋势的研究没有专业细分领域软件系统的工具支撑、科研人员的工作效率低等问题。
为解决上述技术问题,本发明提供的技术方案为:一种植被历史变化自动分析系统,包括采用PYQT技术开发的UI界面,所述UI界面包括批量数据裁剪模块、数据整合模块、归一化处理模块、趋势检验模块、结果统计模块以及植被类型分析模块;
所述批量数据裁剪模块:通过设置统一裁剪参数、历年卫星数据以及需要分析地区的地图矢量文件,批量完成对该区域卫星数据的裁剪,输出仅含有分析区域的历史数据;
所述数据整合模块:卫星数据分析时按照自然月,取较大栅格数据值合并,形成月度数据结果;
所述归一化处理模块:进一步按照最终数据合并原则,将所有数据按照年度汇总合并,最终形成按照年度序列排序的一系列栅格数据;
所述趋势检验模块:对栅格数据读取形成W*H*N维矩阵,针对该数据的每个单元格进行Mann-Kenal算法检验,得出W*H的趋势栅格图;
所述结果统计模块:针对分析结果,统计分析所选区域植被覆盖变动情况;
所述植被类型分析模块:结合区域植被类型数据,分析每种植被类型对应的变动情况,进一步分析植被变化的原因。
进一步地,所述历年卫星数据格式为hdf格式,通过配置后支持其它格式。
进一步地,所述地图矢量文件的格式为shp格式。
进一步地,所述趋势检验模块中,在进行Mann-Kenal算法检验时,由于栅格之间的独立性,借助多线程同步处理和网络环境下云计算的MapReduce功能分别分布式处理。
进一步地,所述批量数据裁剪模块、数据整合模块、归一化处理模块、趋势检验模块、结果统计模块以及植被类型分析模均采用Python语言实现对数据的裁剪、融合以及算法分析。
进一步地,所述W*H*N为宽度*高度*年代。
与现有技术相比,本发明的优点:本发明采用批量数据裁剪模块、数据整合模块、归一化处理模块、趋势检验模块、结果统计模块以及植被类型分析模块的配合,覆盖了主要的研究过程,方便研究者使用,能够更加高效的分析给定区域的植被变化情况,并且结合植被类型分析其可能的变化因素,提升科研人员的工作效率;本发明设计合理,值得大力推广。
附图说明
图1是一种植被历史变化自动分析系统的设计流程图;
图2是一种植被历史变化自动分析系统的UI设计图;
图3是数据裁剪模块运行图;
图4是数据整合模块运行图;
图5是归一化处理模块运行图;
图6是趋势检验模块运行图;
图7是结果统计模块运行图;
图8是植被类型分析模块运行图。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
结合附图1-8,对本发明进行详细介绍。
本发明在具体实施时提供了一种植被历史变化自动分析系统,包括采用PYQT技术开发的UI界面,所述UI界面包括批量数据裁剪模块、数据整合模块、归一化处理模块、趋势检验模块、结果统计模块以及植被类型分析模块;
所述批量数据裁剪模块:通过设置统一裁剪参数、历年卫星数据以及需要分析地区的地图矢量文件,批量完成对该区域卫星数据的裁剪,输出仅含有分析区域的历史数据;
所述数据整合模块:卫星数据分析时按照自然月,取较大栅格数据值合并,形成月度数据结果;
所述归一化处理模块:进一步按照最终数据合并原则,将所有数据按照年度汇总合并,最终形成按照年度序列排序的一系列栅格数据;
所述趋势检验模块:对栅格数据读取形成W*H*N维矩阵,针对该数据的每个单元格进行Mann-Kenal算法检验,得出W*H的趋势栅格图;
所述结果统计模块:针对分析结果,统计分析所选区域植被覆盖变动情况;
所述植被类型分析模块:结合区域植被类型数据,分析每种植被类型对应的变动情况,进一步分析植被变化的原因。
所述历年卫星数据格式为hdf格式,通过配置后支持其它格式。
所述地图矢量文件的格式为shp格式。
所述趋势检验模块中,在进行Mann-Kenal算法检验时,由于栅格之间的独立性,借助多线程同步处理和网络环境下云计算的MapReduce功能分别分布式处理。
所述批量数据裁剪模块、数据整合模块、归一化处理模块、趋势检验模块、结果统计模块以及植被类型分析模均采用Python语言实现对数据的裁剪、融合以及算法分析。
所述W*H*N为宽度*高度*年代。
本发明一种植被历史变化自动分析系统的具体实施过程如下:首先在原始数据对话框中输入下载历年卫星数据的路径,数据的格式为hdf格式,在裁剪区域对话框中输入需要分析地区的地图矢量文件的路径,格式为shp格式,设定输出目录的路径,点击开始处理按键,系统根据所设定的裁剪参数、历年卫星数据、需要分析地区的地图矢量文件,批量完成对所设定区域卫星数据的裁剪,输出仅含有分析区域的历史数据;数据整合模块的原始数据是批量数据裁剪模块的输出数据,点击开始处理按钮后,系统对卫星数据按照自然月,取较大栅格数据值进行合并,形成月度数据结果;归一化处理模块的原始数据是数据整合模块的输出数据,点击开始处理按钮后,进一步按照最终数据合并原则,将所有数据按照年度汇总合并,最终形成按照年度序列排序的一系列栅格数据;趋势检验模块的原始数据是归一化处理模块的输出数据,点击开始处理按钮后,对栅格数据读取形成W*H*N维矩阵,针对该数据的每个单元格进行Mann-Kenal算法检验,得出W*H的趋势栅格图;结果统计模块的原始数据是趋势检验模块的输出数据,点击开始处理按钮后,针对分析结果,统计分析所选区域植被覆盖变动情况;植被类型分析模块的原始数据是结果统计模块的输出数据,点击开始处理按钮后,结合区域植被类型数据,分析每种植被类型对应的变动情况,进一步分析植被变化的原因。
植被变化动态分析方法如下所示:
1.植被NDVI变化动态分析:
利用Theil-Sen Median趋势分析和Mann-Kendall趋势检验法相结合分析植被覆盖动态变化。Theil-Sen Median趋势分析是一种稳健的非参数统计的趋势计算方法,可以减少数据缺失、数据分布形态及异常值对分析结果的影响,用于分析计算n(n-1)/2个数据组合的斜率的中位数。其计算公式为:
式中:i和j代表时间序列上两个不同的年份,2000≤i<j≤2018。NDVIi,NDVIj分别为第i、j年的NDVI值。斜率βNDVI>0表示NDVI呈现增加趋势,反之则表示NDVI呈现减少趋势。
Mann-Kendall趋势检验法是一种非参数统计检验方法,可适用于不具有正态分布特征变量的趋势分析,且不受少数异常值的干扰。利用该方法进行NDVI趋势检验时,将某时序的NDVI值看作一组独立分布的样本数据,以参数Z作为像元NDVI的衰减指标,标准化的检验统计量Z为
其中统计量S为
当n≥10时,统计量S近似服从正态分布,在不考虑序列中等值数据点的情况下,统计量S的方差可以表示为
式中,NDVIi,NDVIj分别为像元第i、j年对应的NDVI值,且2000≤i<j≤2018;n表示时间序列的长度,sgn是符号函数,统计量Z的取值范围为(-∞,+∞)。在给定显著性水平α下,当|Z|>u1-α/2时,表示研究序列在α水平上存在显著变化。本文取α=0.05,即判断在0.05置信水平上NDVI时间序列变化趋势的显著性。
当前βNDVI变化趋势的划分没有统一标准,本系统根据研究区植被Theil-Senmedian趋势分析的实际情况,将βNDVI划分为稳定(-0.0005<βNDVI<0.0005)、增加(βNDVI≥0.0005)、减少(βNDVI≤-0.0005)三个等级;将Mann-Kendall检验在0.05置信水平上的显著性检验结果划分为变化显著(Z>1.96或Z<-1.96)和变化不显著(-1.96≤Z≤1.96)。最后把Theil-Sen median趋势分析和Mann-Kendall检验的分级结果进行叠加,得到像元尺度上NDVI变化趋势,将结果划分为5种变化类型:显著减少、轻度减少、保持稳定、轻度增加、显著增加。
2.人类活动对植被NDVI影响分析:
植被NDVI变化除受气候因素作用外,同时还受到人类活动因素的影响。本系统采用NDVI残差趋势分析法分析人类活动对植被影响的贡献,假设研究区的某时间点前植被系统、人类活动、气候因子之间处于一种相对平衡状态,建立植被NDVI与气候因子的回归方程,利用该回归方程模拟出研究区在次时间点后的若干年的NDVI值,计算NDVI时间序列真实值与基于回归模型拟合得到的NDVI预测值之间的差值,即残差值。计算公式如下:
(6)NDVI预测值(i,t)=a0+a1T(i,t)+a2P(i,t)
式中:NDVI预测值(i,t)、T(i,t)、P(i,t)分别指第i个像元第t年的NDVI、气温和降水;a1和a2分别为气温和降水的回归系数;a0为常数项。
(7)ε(i,t)=NDVI真实值(i,t)-NDVI预测值(i,t)
若ε(i,t)>0,则认为人类活动引起植被恢复;反之则认为人类活动引起植被退化。
那么,人类活动对植被影响的贡献率可表示为:
本发明采用批量数据裁剪模块、数据整合模块、归一化处理模块、趋势检验模块、结果统计模块以及植被类型分析模块的配合,覆盖了主要的研究过程,方便研究者使用,能够更加高效的分析给定区域的植被变化情况,并且结合植被类型分析其可能的变化因素,提升科研人员的工作效率;本发明设计合理,值得大力推广。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (6)
1.一种植被历史变化自动分析系统,包括采用PYQT技术开发的UI界面,其特征在于:所述UI界面包括批量数据裁剪模块、数据整合模块、归一化处理模块、趋势检验模块、结果统计模块以及植被类型分析模块;
所述批量数据裁剪模块:通过设置统一裁剪参数、历年卫星数据以及需要分析地区的地图矢量文件,批量完成对该区域卫星数据的裁剪,输出仅含有分析区域的历史数据;
所述数据整合模块:卫星数据分析时按照自然月,取较大栅格数据值合并,形成月度数据结果;
所述归一化处理模块:进一步按照最终数据合并原则,将所有数据按照年度汇总合并,最终形成按照年度序列排序的一系列栅格数据;
所述趋势检验模块:对栅格数据读取形成W*H*N维矩阵,针对该数据的每个单元格进行Mann-Kenal算法检验,得出W*H的趋势栅格图;
所述结果统计模块:针对分析结果,统计分析所选区域植被覆盖变动情况;
所述植被类型分析模块:结合区域植被类型数据,分析每种植被类型对应的变动情况,进一步分析植被变化的原因。
2.根据权利要求1所述的一种植被历史变化自动分析系统,其特征在于:所述历年卫星数据格式为hdf格式,通过配置后支持其它格式。
3.根据权利要求1所述的一种植被历史变化自动分析系统,其特征在于:所述地图矢量文件的格式为shp格式。
4.根据权利要求1所述的一种植被历史变化自动分析系统,其特征在于:所述趋势检验模块中,在进行Mann-Kenal算法检验时,由于栅格之间的独立性,借助多线程同步处理和网络环境下云计算的MapReduce功能分别分布式处理。
5.根据权利要求1所述的一种植被历史变化自动分析系统,其特征在于:所述批量数据裁剪模块、数据整合模块、归一化处理模块、趋势检验模块、结果统计模块以及植被类型分析模均采用Python语言实现对数据的裁剪、融合以及算法分析。
6.根据权利要求1所述的一种植被历史变化自动分析系统,其特征在于:所述W*H*N为宽度*高度*年代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010346838.1A CN111582688A (zh) | 2020-04-28 | 2020-04-28 | 一种植被历史变化自动分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010346838.1A CN111582688A (zh) | 2020-04-28 | 2020-04-28 | 一种植被历史变化自动分析系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111582688A true CN111582688A (zh) | 2020-08-25 |
Family
ID=72121522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010346838.1A Pending CN111582688A (zh) | 2020-04-28 | 2020-04-28 | 一种植被历史变化自动分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582688A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116513A (zh) * | 2020-09-09 | 2020-12-22 | 杭州今奥信息科技股份有限公司 | 一种国土空间规划监测与预警的管理方法及其系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787114A (zh) * | 2016-03-24 | 2016-07-20 | 四川理工学院 | 釜溪河流域生态环境管理及分析应用系统 |
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 |
US10096073B2 (en) * | 2011-05-13 | 2018-10-09 | The Climate Corporation | Systems to prescribe and deliver fertilizer over agricultural fields and related methods |
CN106548017B (zh) * | 2016-10-25 | 2019-01-22 | 中国科学院地理科学与资源研究所 | 一种基于lu数据和ndvi数据的生态建设数据处理方法 |
CN109615215A (zh) * | 2018-12-06 | 2019-04-12 | 西安理工大学 | 一种区域植被恢复的特征分析方法 |
CA3084902A1 (en) * | 2017-12-12 | 2019-06-20 | Oy Arbonaut Ltd. | A method to quantify fire risk to structures |
-
2020
- 2020-04-28 CN CN202010346838.1A patent/CN111582688A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10096073B2 (en) * | 2011-05-13 | 2018-10-09 | The Climate Corporation | Systems to prescribe and deliver fertilizer over agricultural fields and related methods |
CN105787114A (zh) * | 2016-03-24 | 2016-07-20 | 四川理工学院 | 釜溪河流域生态环境管理及分析应用系统 |
CN106548017B (zh) * | 2016-10-25 | 2019-01-22 | 中国科学院地理科学与资源研究所 | 一种基于lu数据和ndvi数据的生态建设数据处理方法 |
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 |
CA3084902A1 (en) * | 2017-12-12 | 2019-06-20 | Oy Arbonaut Ltd. | A method to quantify fire risk to structures |
CN109615215A (zh) * | 2018-12-06 | 2019-04-12 | 西安理工大学 | 一种区域植被恢复的特征分析方法 |
Non-Patent Citations (2)
Title |
---|
冯钟葵 等: "《OpenGIS设计开发基础教程 基于QGIS+PostGIS设计开发》" * |
吴世勇 等: "《数字流域理论方法与实践 雅砻江流域数字化平台建设及示范应用》", 31 August 2016 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116513A (zh) * | 2020-09-09 | 2020-12-22 | 杭州今奥信息科技股份有限公司 | 一种国土空间规划监测与预警的管理方法及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021213192A1 (zh) | 一种基于通用分布的负荷预测方法及负荷预测系统 | |
CN106951979A (zh) | 遥感、作物模型与气象预报融合的作物成熟期预测方法 | |
Melzi et al. | Hourly solar irradiance forecasting based on machine learning models | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN111126662A (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
CN116432859B (zh) | 一种作物产量统计数据降尺度方法 | |
Adnan et al. | Estimating evapotranspiration using machine learning techniques | |
CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
Gupta et al. | A review and evaluation of solar forecasting technologies | |
CN115310536A (zh) | 基于神经网络和gcn深度学习模型的水库水位预测预警方法 | |
CN112651108A (zh) | 一种解耦气象要素和植被动态对水文要素影响的方法 | |
CN115575601A (zh) | 基于水汽通量散度的植被旱灾指数评估方法和系统 | |
Wang et al. | A composite index coupling five key elements of water cycle for drought analysis in Pearl River basin, China | |
CN111582688A (zh) | 一种植被历史变化自动分析系统 | |
Suksamosorn et al. | Post-processing of NWP forecasts using Kalman filtering with operational constraints for day-ahead solar power forecasting in Thailand | |
CN110414776B (zh) | 分行业用电特性快速响应分析系统 | |
CN111950752A (zh) | 光伏电站发电量预测方法、装置、系统及其存储介质 | |
CN116203352A (zh) | 一种配电网的故障预警方法、装置、设备及介质 | |
CN116050636A (zh) | 光伏电站的出力预测方法、装置、设备及介质 | |
CN114283344A (zh) | 一种森林生态水文过程自动实时监测方法及系统 | |
CN112016744B (zh) | 一种基于土壤水分的森林火灾预测方法、装置及存储介质 | |
Mohapatra et al. | Price forecasting of groundnut in Odisha | |
CN113449920A (zh) | 一种风电功率预测方法、系统及计算机可读介质 | |
CN114511127A (zh) | 基于神经网络的区域光伏出力特征长期预测方法及系统 | |
CN116050654B (zh) | 耦合植被结构与质量的生态工程区植被生长成效评估方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |
|
RJ01 | Rejection of invention patent application after publication |