CN111639803A - 一种应用于气候变化情景下区域未来植被指数的预估方法 - Google Patents

一种应用于气候变化情景下区域未来植被指数的预估方法 Download PDF

Info

Publication number
CN111639803A
CN111639803A CN202010472528.4A CN202010472528A CN111639803A CN 111639803 A CN111639803 A CN 111639803A CN 202010472528 A CN202010472528 A CN 202010472528A CN 111639803 A CN111639803 A CN 111639803A
Authority
CN
China
Prior art keywords
data
model
variables
characteristic variables
random forest
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
Application number
CN202010472528.4A
Other languages
English (en)
Inventor
夏继勇
高学珑
蒋艳君
王文奎
陈奕
蔡辉艺
牟宇峰
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.)
Fuzhou Planning Design and Research Institute
Original Assignee
Fuzhou Planning Design and Research Institute
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 Fuzhou Planning Design and Research Institute filed Critical Fuzhou Planning Design and Research Institute
Priority to CN202010472528.4A priority Critical patent/CN111639803A/zh
Publication of CN111639803A publication Critical patent/CN111639803A/zh
Pending legal-status Critical Current

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种应用于气候变化情景下区域未来植被指数的预估方法，首先进行特征变量初步选取，之后生成样本，进行模型关键参数设置；通过Python调用Sklearn机器学习库中随机森林模型，输入样本数据S进行模型训练；然后，进行随机森林模型预报性能评估；SDSM预报因子筛选；SDSM模型率定与验证；构造随机森林模型的预报因子集；最后将生成的预报因子集输入到训练好的随机森林模型中进行气候变化影响下的未来植被指数预估。本发明能够针对未来不同气候变化情景，对区域未来植被指数进行预估。

Description

一种应用于气候变化情景下区域未来植被指数的预估方法
技术领域
本发明涉及生态环境质量评估领域，特别是一种应用于气候变化情景下区域未来植被指数的预估方法。
背景技术
当前全球气候正经历以变暖为主要特征的显著变化，IPCC第五次评估报告指出，1880-2012年全球地表平均温度升高0.85℃。相关研究均指出温度、降水等气象变量是影响植被生长发育的重要环境因子，而植被指数反映植被生长状态，是表征区域生态环境质量的重要指标。
目前，关于气候变化与植被指数的研究更多的集中于两者间响应关系研究，研究侧重点在于历史数据，而关于未来植被指数预估方法的研究目前尚属空白。随着气候变化研究的不断深入，如今已有成熟的技术手段对未来不同气候情景的气象变量进行定量预估。同时随着机器学习方法日渐成熟，目前已能提供一种相对准确的变量预估手段。在此基础上，构建气候变化情景下区域未来植被指数的预估方法已成为可能。
发明内容
有鉴于此，本发明的目的是提供一种应用于气候变化情景下区域未来植被指数的预估方法，能够针对未来不同气候变化情景，对区域未来植被指数进行预估。本发明采用以下方案实现：一种应用于气候变化情景下区域未来植被指数的预估方法，
包括以下步骤：
步骤S1：特征变量初步选取：获取影响年度植被指数的特征变量，包括反应气候状况的年平均气温、年降水量、年蒸发量、反应地表下垫面的人口密度、GDP空间分布、土地利用、土壤数据、高程和坡度，数据形式均为栅格数据；其中，所述年平均气温、年降水量、年蒸发量统称为气象变量；
步骤S2：将特征变量与植被指数统一转换为栅格数据；然后，由ArcGIS的RastertoAscii工具将栅格数据转换为Ascii码；再由Python调用Numpy库读取Ascii码数据，由Pandas库将读取的数据构建成随机森林模型的样本集S,如式(1)：
Figure BDA0002514549890000021
式中:
Figure BDA0002514549890000022
为反应气候状况的特征变量，
Figure BDA0002514549890000023
为反应地表下垫面的特征变量，Yi为预测变量；n为样本容量；j为反应气候状况的特征变量个数；k为反应地表下垫面的特征变量个数；
步骤S3：随机森林模型关键参数设置：随机森林算法需要设置决策树数目ntree与节点分割时随机选取的特征变量数mtry两个关键参数；在计算机性能充足的情况下，ntree设置大值ntree∈[100，+∞)，mtry设置为
Figure BDA0002514549890000024
m表示特征变量总个数，即步骤S2中的j+k；
步骤S4：训练样本：通过Python调用Sklearn机器学习库中随机森林模型，输入样本集S进行模型训练，得到训练好的随机森林模型；
步骤S5：特征变量确定：由随机森林模型计算各特征变量的重要性评分，利用式(2)进行评分计算，选取评分结果排名前50％的变量作为预估植被指数的特征变量，特征变量中的气象变量通过SDSM降尺度模型进行预估；
Figure BDA0002514549890000031
式中:EerrOOB1为袋外数据误差；EerrOOB2为随机对袋外数据所有特征变量的样本加入噪声干扰再次计算的袋外误差；ntree为决策树数目。
步骤S6：进行随机森林模型预报性能评估；
步骤S7：构造随机森林模型的预报因子集S*；
步骤S8：未来植被指数预估：将步骤S10生成的预报因子集S*输入到步骤S4训练好的随机森林模型中进行气候变化影响下的未来植被指数预估。
进一步地，步骤S5中所述特征变量中的气象变量通过SDSM降尺度模型进行预估的具体包括以下步骤：
步骤Sa：根据预报因子与预报量有强相关性即相关系数大于0.8，预报因子间必须是弱相关或无关即相关系数小于0.3的原则，从气候模式数据中筛选出部分气候因子作为预报因子；
步骤Sb：SDSM模型率定与验证：选取同期的气象站点实测数据与气候模式数据，建立每个站点气象变量与气候模式数据中筛选出的预报因子之间的经验统计关系，即确定多元回归方程的参数，进行模型参数的率定，其中降水采用式(3)，气温、蒸发气象变量采用式(4)；以确定性系数R2与均方根误差RMSE作为评价指标，利用同期历史气象观测资料对SDSM模式输出结果进行误差检验；
Figure BDA0002514549890000041
Figure BDA0002514549890000042
式中:Wi为第i天发生降水的概率；α、β、γ为模式参数；Ri为降水量；Vi为气温、蒸发气象变量；ei为误差；Pij为预报因子；
步骤Sc：未来气象变量预报：根据率定完成的SDSM降尺度模型ru式(3)与式(4)，输入GCM气候模式数据，生成未来气象变量的逐日数据。
进一步地，所述步骤S6的具体内容为：
由平均百分误差MAPE、平均绝对误差MAE、均方根误差RMSE、确定性系数R2和解释方差得分explained_varance进行模型预报性能评估；其中，R2与explained_varance越大则表示模型的拟合效果越好；MAPE、MAE、RMSE越小则表示模型模拟精度越高；若模型模拟精度过低，则返回步骤S2增加样本数量，并对模型关键参数ntree与mtry进行调试；
Figure BDA0002514549890000043
Figure BDA0002514549890000044
Figure BDA0002514549890000045
Figure BDA0002514549890000051
Figure BDA0002514549890000052
式中，Oi为实测值；Si为模拟值；n为数据长度；
Figure BDA0002514549890000053
为实测系列数据的平均值；
Figure BDA0002514549890000054
为模拟系列数据的平均值。
进一步地，所述步骤S7的具体内容为：将步骤Sc预报的各气象站点2020-2100年的气象变量数值，通过Kriging插值生成预报区域的栅格数据；然后，由RastertoAscii工具将栅格数据转换为Ascii码，反应地表下垫面的土地利用、高程、坡度等因子保持不变；最后，通过Python调用Numpy库读取Ascii码文件，由Pandas库将读取数据构造成预报因子集S*；
Figure BDA0002514549890000055
式中:
Figure BDA0002514549890000056
为预估的未来气象变量，
Figure BDA0002514549890000057
为反应地表下垫面的特征变量；n为样本容量；j*为反应气候状况的特征变量个数；k为反应地表下垫面的特征变量个数。
与现有技术相比，本发明具有以下有益效果：
本发明能够针对未来不同气候变化情景，对区域未来植被指数进行预估。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的栅格数据生成样本示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1、2所示，本实施例提供一种应用于气候变化情景下区域未来植被指数的预估方法，包括以下步骤：
步骤S1：特征变量初步选取：根据植被学、生态学、气象学原理初步确定影响年度植被指数的特征变量，包括反应气候状况的年平均气温、年降水量、年蒸发量，反应地表下垫面的人口密度、GDP空间分布、土地利用、土壤数据、高程和坡度，数据形式均为栅格数据；其中，所述年平均气温、年降水量、年蒸发量统称为气象变量；
步骤S2：将特征变量与植被指数(预报变量)统一转换为栅格数据；然后，由ArcGIS的RastertoAscii工具将栅格数据转换为Ascii码；再由Python调用Numpy库读取Ascii码数据，由Pandas库将读取的数据构建成随机森林模型的样本集S,如式(1)：
Figure BDA0002514549890000071
式中:
Figure BDA0002514549890000072
为反应气候状况的特征变量，
Figure BDA0002514549890000073
为反应地表下垫面的特征变量，Yi为预测变量；n为样本容量；j为反应气候状况的特征变量个数；k为反应地表下垫面的特征变量个数；
步骤S3：随机森林模型关键参数设置：随机森林算法需要设置决策树数目ntree与节点分割时随机选取的特征变量数mtry两个关键参数；在计算机性能充足的情况下，ntree设置大值，ntree∈[100，+∞)，mtry设置为
Figure BDA0002514549890000074
m表示特征变量总个数，即步骤S2中的j+k；
步骤S4：训练样本：通过Python调用Sklearn机器学习库中随机森林模型，输入样本集S进行模型训练，得到训练好的随机森林模型；
步骤S5：特征变量确定：由随机森林模型计算各特征变量的重要性评分，利用式(2)进行评分计算，选取评分结果排名前50％的变量作为预估植被指数的特征变量，特征变量中的气象变量通过SDSM降尺度模型进行预估；
Figure BDA0002514549890000075
式中:EerrOOB1为袋外数据误差；EerrOOB2为随机对袋外数据所有特征变量的样本加入噪声干扰再次计算的袋外误差；ntree为决策树数目。
步骤S6：进行随机森林模型预报性能评估；
步骤S7：构造随机森林模型的预报因子集S*；
步骤S8：未来植被指数预估：将步骤S10生成的预报因子集S*输入到步骤S4训练好的随机森林模型中进行气候变化影响下的未来植被指数预估。
在本实施例中，步骤S5中所述特征变量中的气象变量通过SDSM降尺度模型进行预估的具体包括以下步骤：
步骤Sa：进行SDSM预报因子筛选：根据预报因子与预报量(年平均气温、年降水量、年蒸发量)有强相关性即相关系数大于0.8，预报因子间必须是弱相关或无关即相关系数小于0.3的原则，从气候模式数据(数据包括26项大尺度气候因子如表1)中筛选出部分气候因子作为预报因子；
表1 26项大尺度气候因子中英文名称
Figure BDA0002514549890000081
Figure BDA0002514549890000091
步骤Sb：SDSM模型率定与验证：选取同期的气象站点实测数据与气候模式数据，建立每个站点气象变量与气候模式数据中筛选出的预报因子之间的经验统计关系，即确定多元回归方程的参数，进行模型参数的率定，其中降水采用式(3)，气温、蒸发气象变量采用式(4)；以确定性系数R2(式8)与均方根误差RMSE(式7)作为评价指标，利用同期历史气象观测资料对SDSM模式输出结果进行误差检验；
Figure BDA0002514549890000092
Figure BDA0002514549890000093
式中:Wi为第i天发生降水的概率；α、β、γ为模式参数；Ri为降水量；Vi为气温、蒸发；ei为误差；Pij为预报因子；
步骤Sc：未来气象变量预报：根据确定好的SDSM降尺度模型如式(3)与式(4)，输入GCM气候模式(模式数据长度为2020-2100年，模式数据包括26项大尺度气候因子，数据可从劳伦斯利莫尔国家实验室官网下载https://esgf-node.llnl.gov/projects/cmip6/)，通过率定完成的多元回归方程式(3)与式(4)生成未来气象变量的逐日数据。
在本实施例中，所述步骤S6的具体内容为：
由平均百分误差MAPE、平均绝对误差MAE、均方根误差RMSE、确定性系数R2和解释方差得分explained_varance进行模型预报性能评估；其中，R2与explained_varance越大则表示模型的拟合效果越好；MAPE、MAE、RMSE越小则表示模型模拟精度越高；若模型模拟精度过低，则返回步骤S2增加样本数量，并对模型关键参数ntree与mtry进行调试；
Figure BDA0002514549890000101
Figure BDA0002514549890000102
Figure BDA0002514549890000103
Figure BDA0002514549890000104
Figure BDA0002514549890000105
式中，Oi为实测值；Si为模拟值；n为数据长度；
Figure BDA0002514549890000106
为实测系列数据的平均值；
Figure BDA0002514549890000107
为模拟系列数据的平均值。
在本实施例中，所述步骤S7的具体内容为：将步骤Sc预报的统计各气象站点2020-2100年的气象变量数值，通过Kriging插值生成预报区域的栅格数据；然后，由RastertoAscii工具将栅格数据转换为Ascii码，反应地表下垫面的土地利用、高程、坡度等因子保持不变；最后，通过Python调用Numpy库读取Ascii码文件，由Pandas库将读取数据构造成预报因子集S*；
Figure BDA0002514549890000108
式中:
Figure BDA0002514549890000111
为预估的未来气象变量，
Figure BDA0002514549890000112
为反应地表下垫面的特征变量；n为样本容量；j*为反应气候状况的特征变量个数；k为反应地表下垫面的特征变量个数。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (4)

1.一种应用于气候变化情景下区域未来植被指数的预估方法，其特征在于：
包括以下步骤：
步骤S1：特征变量初步选取：获取影响年度植被指数的特征变量，包括反应气候状况的年平均气温、年降水量、年蒸发量，反应地表下垫面的人口密度、GDP空间分布、土地利用、土壤数据、高程和坡度，数据形式均为栅格数据；其中，所述年平均气温、年降水量、年蒸发量统称为气象变量；
步骤S2：将特征变量与植被指数统一转换为栅格数据；然后，由ArcGIS的Raster toAscii工具将栅格数据转换为Ascii码；再由Python调用Numpy库读取Ascii码数据，由Pandas库将读取的数据构建成随机森林模型的样本集S,如式(1)：
Figure FDA0002514549880000011
式中:
Figure FDA0002514549880000012
为反应气候状况的特征变量，
Figure FDA0002514549880000013
为反应地表下垫面的特征变量，Yi为预测变量；n为样本容量；j为反应气候状况的特征变量个数；k为反应地表下垫面的特征变量个数；
步骤S3：随机森林模型关键参数设置：随机森林算法需要设置决策树数目ntree与节点分割时随机选取的特征变量数mtry两个关键参数；在计算机性能充足的情况下，ntree设置大值，ntree∈[100，+∞)，mtry设置为
Figure FDA0002514549880000014
m表示特征变量总个数，即步骤S2中所述的j+k；
步骤S4：训练样本：通过Python调用Sklearn机器学习库中随机森林模型，输入样本集S进行模型训练，得到训练好的随机森林模型；
步骤S5：特征变量确定：由随机森林模型计算各特征变量的重要性评分，利用式(2)进行评分计算，选取评分结果排名前50％的的变量作为预估植被指数的特征变量，特征变量中的气象变量通过SDSM降尺度模型进行预估；
Figure FDA0002514549880000021
式中:EerrOOB1为袋外数据误差；EerrOOB2为随机对袋外数据所有特征变量的样本加入噪声干扰再次计算的袋外误差；ntree为决策树数目。
步骤S6：进行随机森林模型预报性能评估；
步骤S7：构造随机森林模型的预报因子集S*；
步骤S8：未来植被指数预估：将步骤S10生成的预报因子集S*输入到步骤S4训练好的随机森林模型中进行气候变化影响下的未来植被指数预估。
2.根据权利要求1所述的一种应用于气候变化情景下区域未来植被指数的预估方法，其特征在于：步骤S5中所述特征变量中的气象变量通过SDSM降尺度模型进行预估的具体包括以下步骤：
步骤Sa：进行SDSM预报因子筛选：根据预报因子与预报量有强相关性即相关系数大于0.8，预报因子间必须是弱相关或无关即相关系数小于0.3的原则，从气候模式数据中筛选出部分气候因子作为预报因子；
步骤Sb：SDSM模型率定与验证：选取同期的气象站点实测数据与气候模式数据，建立每个站点气象变量与气候模式数据中筛选出的预报因子之间的经验统计关系，即确定多元回归方程的参数，进行模型参数的率定，其中降水采用式(3)，气温、蒸发气象变量采用式(4)；以确定性系数R2与均方根误差RMSE作为评价指标，利用同期历史气象观测资料对SDSM模式输出结果进行误差检验；
Figure FDA0002514549880000031
Figure FDA0002514549880000032
式中:Wi为第i天发生降水的概率；α、β、γ为模式参数；Ri为降水量；Vi为气温、蒸发气象变量；ei为误差；Pij为预报因子；
步骤Sc：未来气象变量预报：根据率定完成的SDSM降尺度模型如式(3)与式(4)，输入GCM气候模式数据，生成未来气象变量的逐日数据。
3.根据权利要求1所述的一种应用于气候变化情景下区域未来植被指数的预估方法，其特征在于：所述步骤S6的具体内容为：
由平均百分误差MAPE、平均绝对误差MAE、均方根误差RMSE、确定性系数R2和解释方差得分explained_varance进行模型预报性能评估；其中，R2与explained_varance越大则表示模型的拟合效果越好；MAPE、MAE、RMSE越小则表示模型模拟精度越高；若模型模拟精度过低，则返回步骤S2增加样本数量，并对模型关键参数ntree与mtry进行调试；
Figure FDA0002514549880000033
Figure FDA0002514549880000041
Figure FDA0002514549880000042
Figure FDA0002514549880000043
Figure FDA0002514549880000044
式中，Oi为实测值；Si为模拟值；n为数据长度；
Figure FDA0002514549880000045
为实测系列数据的平均值；
Figure FDA0002514549880000046
为模拟系列数据的平均值。
4.根据权利要求2所述的一种应用于气候变化情景下区域未来植被指数的预估方法，其特征在于：所述步骤S7的具体内容为：将步骤Sc预报的各气象站点2020-2100年的气象变量数值，通过Kriging插值生成预报区域的栅格数据；然后，由Raster toAscii工具将栅格数据转换为Ascii码，反应地表下垫面的土地利用、高程、坡度等因子保持不变；最后，通过Python调用Numpy库读取Ascii码文件，由Pandas库将读取数据构造成预报因子集S*；
Figure FDA0002514549880000047
式中:
Figure FDA0002514549880000048
为预估的未来气象变量，
Figure FDA0002514549880000049
为反应地表下垫面的特征变量；n为样本容量；j*为反应气候状况的特征变量个数；k为反应地表下垫面的特征变量个数。
CN202010472528.4A 2020-05-29 2020-05-29 一种应用于气候变化情景下区域未来植被指数的预估方法 Pending CN111639803A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010472528.4A CN111639803A (zh) 2020-05-29 2020-05-29 一种应用于气候变化情景下区域未来植被指数的预估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010472528.4A CN111639803A (zh) 2020-05-29 2020-05-29 一种应用于气候变化情景下区域未来植被指数的预估方法

Publications (1)

Publication Number Publication Date
CN111639803A true CN111639803A (zh) 2020-09-08

Family

ID=72332175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010472528.4A Pending CN111639803A (zh) 2020-05-29 2020-05-29 一种应用于气候变化情景下区域未来植被指数的预估方法

Country Status (1)

Country Link
CN (1) CN111639803A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113609434A (zh) * 2021-08-10 2021-11-05 中国科学院科技战略咨询研究院 气候变化对林业的影响监测方法及装置
CN113705657A (zh) * 2021-08-24 2021-11-26 华北电力大学 一种基于差分法消除多重共线性的逐步聚类统计降尺度方法
CN115796384A (zh) * 2022-12-22 2023-03-14 中国农业科学院农业环境与可持续发展研究所 用于小麦面包品质预测的系统
CN116167509A (zh) * 2022-07-20 2023-05-26 中科三清科技有限公司 气温预测方法、装置、存储介质及电子设备
CN117542443A (zh) * 2023-09-27 2024-02-09 中国农业大学 权衡产量缓解氮污染的方法、装置和电子设备
CN118114574A (zh) * 2024-04-26 2024-05-31 安徽大学 一种利用可解释机器学习的植被生长归因分析方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106940830A (zh) * 2016-01-04 2017-07-11 中国环境科学研究院 未来气候变化对生物多样性影响与风险综合评估技术
CN107563554A (zh) * 2017-08-30 2018-01-09 三峡大学 一种统计降尺度模型预报因子的筛选方法
CN108229403A (zh) * 2018-01-08 2018-06-29 中国科学院遥感与数字地球研究所 一种用于估算植被叶面积指数的混合模型构建方法
CN110274656A (zh) * 2019-06-20 2019-09-24 福州市规划设计研究院 一种城市内河水位预报预警方法
CN110309985A (zh) * 2019-07-10 2019-10-08 北京师范大学 一种农作物产量预测方法及系统
CN110826764A (zh) * 2019-09-24 2020-02-21 广州地理研究所 基于随机森林算法的植被指数预测方法、系统及设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106940830A (zh) * 2016-01-04 2017-07-11 中国环境科学研究院 未来气候变化对生物多样性影响与风险综合评估技术
CN107563554A (zh) * 2017-08-30 2018-01-09 三峡大学 一种统计降尺度模型预报因子的筛选方法
CN108229403A (zh) * 2018-01-08 2018-06-29 中国科学院遥感与数字地球研究所 一种用于估算植被叶面积指数的混合模型构建方法
CN110274656A (zh) * 2019-06-20 2019-09-24 福州市规划设计研究院 一种城市内河水位预报预警方法
CN110309985A (zh) * 2019-07-10 2019-10-08 北京师范大学 一种农作物产量预测方法及系统
CN110826764A (zh) * 2019-09-24 2020-02-21 广州地理研究所 基于随机森林算法的植被指数预测方法、系统及设备

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
刘少军;李伟光;陈小敏;佟金鹤;: "未来气候变化情景下中国橡胶主产区内植被净初级生产力预估", 热带作物学报, no. 03, pages 622 - 626 *
刘甲毅，等: "两种统计降尺度方法在秦岭山地的适用性", 应用气象学报, vol. 29, no. 6, pages 739 *
张雷;刘世荣;孙鹏森;王同立;: "气候变化对物种分布影响模拟中的不确定性组分分割与制图――以油松为例", 生态学报, no. 19, pages 5749 *
李建林;唐旭清;: "气候变化对陆地生态系统影响评估模型的研究进展", 草原与草坪, no. 06, pages 86 - 93 *
许燕;王世杰;白晓永;李雄耀;史晓明;田义超;吴路华;: "基于SDSM的珠江中上游气候模拟及未来情景预估", 中国岩溶, no. 02, pages 72 - 81 *
黄俊雄;徐宗学;刘兆飞;赵芳芳;: "统计降尺度法分析太湖流域未来气候变化情景", 资源科学, no. 12, pages 1813 - 1814 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113609434A (zh) * 2021-08-10 2021-11-05 中国科学院科技战略咨询研究院 气候变化对林业的影响监测方法及装置
CN113609434B (zh) * 2021-08-10 2023-08-18 中国科学院科技战略咨询研究院 气候变化对林业的影响监测方法及装置
CN113705657A (zh) * 2021-08-24 2021-11-26 华北电力大学 一种基于差分法消除多重共线性的逐步聚类统计降尺度方法
CN113705657B (zh) * 2021-08-24 2024-01-19 华北电力大学 一种基于差分法消除多重共线性的逐步聚类统计降尺度方法
CN116167509A (zh) * 2022-07-20 2023-05-26 中科三清科技有限公司 气温预测方法、装置、存储介质及电子设备
CN116167509B (zh) * 2022-07-20 2023-09-29 中科三清科技有限公司 气温预测方法、装置、存储介质及电子设备
CN115796384A (zh) * 2022-12-22 2023-03-14 中国农业科学院农业环境与可持续发展研究所 用于小麦面包品质预测的系统
CN115796384B (zh) * 2022-12-22 2023-11-14 中国农业科学院农业环境与可持续发展研究所 用于小麦面包品质预测的系统
CN117542443A (zh) * 2023-09-27 2024-02-09 中国农业大学 权衡产量缓解氮污染的方法、装置和电子设备
CN117542443B (zh) * 2023-09-27 2024-05-24 中国农业大学 权衡产量缓解氮污染的方法、装置和电子设备
CN118114574A (zh) * 2024-04-26 2024-05-31 安徽大学 一种利用可解释机器学习的植被生长归因分析方法及系统

Similar Documents

Publication Publication Date Title
CN111639803A (zh) 一种应用于气候变化情景下区域未来植被指数的预估方法
CN110363327B (zh) 基于ConvLSTM和3D-CNN的短临降水预测方法
CN111665575B (zh) 一种基于统计动力的中长期降雨分级耦合预报方法及系统
Zandi et al. Evaluation of spatial interpolation techniques for mapping soil pH
Kang et al. Bias adjustment techniques for improving ozone air quality forecasts
CN105974495A (zh) 利用分类拟合法预判目标区域未来平均云量的方法
Samadi et al. Comparison of general circulation models: methodology for selecting the best GCM in Kermanshah Synoptic Station, Iran
Romanowicz et al. On the choice of calibration periods and objective functions: a practical guide to model parameter identification
CN117787081A (zh) 一种基于Morris和Sobol法的水文模型参数不确定性分析方法
Yu et al. Impact of climate change on hydrological processes over a basin scale in northern Taiwan
CN116186493B (zh) 基于数值模式校正的气象预报方法、装置、设备和介质
CN117493475A (zh) 一种基于机器学习重构缺资料地区月径流的方法及系统
CN107066786A (zh) 基于神经网络的气溶胶光学厚度反演算法
Hossain et al. A non-linear and stochastic response surface method for Bayesian estimation of uncertainty in soil moisture simulation from a land surface model
Van der Meersch et al. Estimating process‐based model parameters from species distribution data using the evolutionary algorithm CMA‐ES
CN114325877B (zh) 气象预报数据的评估方法和装置
Neykov et al. Linking atmospheric circulation to daily precipitation patterns over the territory of Bulgaria
KR20140066351A (ko) 다중 물리 조합 모델과 최적화 알고리즘과의 결합을 통한 최적의 독립 모델 축출 방법
Callado et al. Ensemble forecasting
CN116449460B (zh) 基于卷积UNet和迁移学习的区域月降水预测方法及系统
CN116611588B (zh) 降水多驱动因子分段率定优化预报方法及系统
CN115186941B (zh) 基于多种时空指标及综合排序的变量优选气候模式的方法
CN117610434B (zh) 一种融合人工智能的干旱指数重构方法及计算机可读介质
CN117933316B (zh) 一种基于可解释贝叶斯卷积网络的地下水位概率预报方法
CN114465256B (zh) 多节点电动汽车充电负荷联合对抗生成区间预测方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 350108 No.1, Gaoxin Avenue, high tech Zone, Minhou County, Fuzhou City, Fujian Province

Applicant after: Fuzhou planning and Design Institute Group Co.,Ltd.

Address before: 350108 No.1, Gaoxin Avenue, high tech Zone, Minhou County, Fuzhou City, Fujian Province

Applicant before: FUZHOU PLANNING DESIGN & Research Institute

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200908