CN111811465A - 基于多正弦函数分解神经网络预测海浪有效波高的方法 - Google Patents
基于多正弦函数分解神经网络预测海浪有效波高的方法 Download PDFInfo
- Publication number
- CN111811465A CN111811465A CN202010621182.XA CN202010621182A CN111811465A CN 111811465 A CN111811465 A CN 111811465A CN 202010621182 A CN202010621182 A CN 202010621182A CN 111811465 A CN111811465 A CN 111811465A
- Authority
- CN
- China
- Prior art keywords
- data
- learning
- wave height
- sine function
- time
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
- G01C13/002—Measuring the movement of open water
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Hydrology & Water Resources (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于多正弦函数分解神经网络预测海浪有效波高的方法,包括S1.获得海浪波动的时间序列L(tj),并将时间序列L(tj)分为学习数据时间长度和验证数据时间长度;S2.将学习数据时间长度利用M个正弦函数对提取的单点时间序列进行分解学习;S3.最后将学习的正弦函数的结果进行累加,并与验证数据进行比较计算均方误差,判断预测结果满足MSE设置的阈值后进行未来时间有效波高的预测实现整个区域的有效波高预测;本方法通过多个正弦函数对有效波高时间序列进行分解学习,对海浪有效波高进行预测;经验证,利用本发明所述海浪有效波高的预测方法可以有效的预测海浪有效波高,对于研究海洋海浪波动和海洋气候变化规律具有显著作用。
Description
技术领域
本发明涉及海浪参数计算技术领域,具体涉及基于多正弦函数分解神经网络(Multiple sine functions decomposition neural network,简称MSFDNN)预测海浪有效波高的方法。
背景技术
海浪是海洋中的一种与人类生活关系最直接、最密切的波动现象,对人们的生产生活有着不可忽视的影响,比如海上航行、渔业生产、海上石油平台、波浪能利用等均与海浪有密切关联;海洋的有效波高指的是将波列中的波高由大到小依次排列,其中最大的1/3部分波高的平均值,是反应海浪特征的一个重要参数;
对于海洋的有效波高的预测,可以准确的反映海洋中海浪的波动规律,对于海洋海浪波动和海洋气候变化规律的研究具有明显的作用;在我国南海地区,海洋的有效波高时间序列具有明显的正弦函数变化特征,年内的变化较明显,其中冬季波高变化较剧烈,夏季较平稳,春季和秋季为过渡期;
而在现有技术中,并没有关于海洋海浪有效波高预测的计算方法,来有效的对海浪的有效波高进行预测。
发明内容
针对上述存在的问题,本发明旨在提供基于多正弦函数分解神经网络预测海浪有效波高的方法,通过多个正弦函数对有效波高时间序列进行分解学习,将学习得到的这些正弦函数进行合成预测,得到海浪的有效波高,对海浪的有效波高进行预测。
为了实现上述目的,本发明所采用的技术方案如下:
基于多正弦函数分解神经网络预测海浪有效波高的方法:包括:
S1.首先获得海浪波动的时间序列L(tj),并将时间序列L(tj)分为用于学习的数据时间长度和用于验证模型效果的数据时间长度;
S2.选择用于学习的数据时间长度作为输入最终预测波高数据的时间长度,根据学习的数据时间长度,利用数据的空间分辨率网格依次提取单点的时间序列,并选择使用M个正弦函数对提取的单点时间序列进行分解学习,得到M次学习后的正弦函数最后将学习的正弦函数的结果进行累加:
其中:i(i=1,2,3,...,M)为正弦函数的个数,Ai,Bi,Ci为正弦函数的系数,且所述Ai,Bi,Ci的初始值是随机选择的;
S3.将得到的正弦函数的结果与原始的验证数据进行比较计算均方误差,判断预测结果,满足MSE设置的阈值后进行未来时间有效波高的预测,将预测结果放回到提取初始时间序列的位置,直至所有的网格点预测完成,实现整个区域的有效波高预测。
优选的,步骤S1所述的得到海浪波动的时间序列L(tj)的过程包括以下步骤:
S101.对经纬度范围为105°E-112°E,17°N-22°N,时间分辨率为6小时,空间分辨率为0.125°×0.125°的ECMWFERA-Interim有效波高数据进行时间上的加权平均,分别整理成月平均数据和季平均数据,得到海浪波动的时间序列L(tj);
S102.对所述时间序列L(tj)按3:1的比例分成用于学习的数据时间长度和用于验证模型效果的数据时间长度;
其中:所述时间序列L(tj)包括月平均数据和季平均数据。
优选的,步骤S2所述的分解学习的具体过程为:
S201.记第一次的分解输入为L1(tj),通过最小二乘法进行拟合确定A1、B1、C1得到然后计算与输入时间序列的均方根误差(RMSE)控制拟合精度,然后进行多次A1、B1、C1参数选择,将拟合误差相对较小的作为第一次学习得到的正弦函数结果紧接着计算第一次学习后的残差序列L2(tj)作为第二次分解学习的输入:
……
其中:在步骤S202和S20M中,均包括步骤S201的判断过程;且所述M≥30;
优选的,步骤S3的具体步骤为:
S301.使用均方误差对预测结果进行评价和阈值选拔的具体过程为:
其中:MSE表示均方误差,X表示验证数据,Y表示预测得到的预测数据,m表示数据个数;
S303.当学习的正弦函数的预测数据与验证数据的均方误差MSE<0.09时,进行单点预测结果绘图和保存,完成对整个区域的有效波高预测。
本发明的有益效果是:本发明公开了基于多正弦函数分解神经网络预测海浪有效波高的方法,与现有技术相比,本发明的改进之处在于:
本发明设计了一种基于多正弦函数分解神经网络预测海浪有效波高的方法,通过多个正弦函数对有效波高时间序列进行分解学习,将学习得到的这些正弦函数进行合成预测,对海浪的有效波高进行预测,经试验验证,本方法预测到的海浪有效波高与海洋波高的真实值拟合度强;利用本发明所述海浪有效波高的预测方法可以有效的预测海浪有效波高,对于研究海洋海浪波动和海洋气候变化规律具有显著作用,可以有效避免海洋气候变化带来经济损失。
附图说明
图1为本发明MSFDNN方法示意图。
图2为本发明时间序列L(tj)获得过程的流程图。
图3为本发明MSFDNN方法流程图。
图4为本发明实施例1平均预测模式预测结果误差图。
图5为本发明实施例1月平均预测模式单点预测结果展示图。
图6为本发明实施例2季平均预测模式预测结果误差图。
图7为本发明实施例2月平均预测模式单点预测结果展示。
其中:在图4中,(a)为均方误差图,(b)为平均绝对误差图,(c)为均方根误差图;
在图5中,(a)为点M1学习结果图,(b)为点M1预测结果图,(c)为点M2学习结果图,(d)为点M2预测结果图;
在图6中,(a)为均方误差图,(b)为平均绝对误差图,(c)为均方根误差图;
在图7中,(a)为点M3学习结果图,(b)为点M3预测结果图,(c)为点M4学习结果图,(d)为点M4预测结果图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案,下面结合附图和实施例对本发明的技术方案做进一步的描述。
参照附图1-7所示的基于多正弦函数分解神经网络预测海浪有效波高的方法,包括:
S1.首先获得海浪波动的时间序列L(tj),并将时间序列L(tj)分为用于学习的数据时间长度和用于验证模型效果的数据时间长度,其具体过程包括以下步骤:
S101.对经纬度范围为105°E-112°E,17°N-22°N,时间分辨率为6小时,空间分辨率为0.125°×0.125°的ECMWFERA-Interim有效波高数据进行时间上的加权平均,分别整理成月平均数据和季平均数据,得到海浪波动的时间序列L(tj);
S102.对所述时间序列L(tj)按3:1的比例分成用于学习的数据时间长度和用于验证模型效果的数据时间长度;
其中:所述时间序列L(tj)包括月平均数据和季平均数据。
S2.选择用于学习的数据时间长度作为输入最终预测波高数据的时间长度,根据学习的数据时间长度,利用数据的空间分辨率网格依次提取单点的时间序列,并选择使用M个正弦函数对提取的单点时间序列进行分解学习,得到M次学习后的正弦函数最后将学习的正弦函数的结果进行累加,所述正弦函数如下:
其中:i(i=1,2,3,...,M)为正弦函数的个数,Ai,Bi,Ci为正弦函数的系数,且所述Ai,Bi,Ci的初始值是随机选择的;
步骤S2所述的利用正弦函数进行分解学习的具体过程为:
S201.记第一次的分解输入为L1(tj),通过最小二乘法进行拟合确定A1、B1、C1得到然后计算与输入时间序列的均方根误差(RMSE)控制拟合精度,然后进行多次A1、B1、C1参数选择,将拟合误差相对较小的作为第一次学习得到的正弦函数结果紧接着计算第一次学习后的残差序列L2(tj)作为第二次分解学习的输入:
……
其中:在步骤S202和S20M中,均包括步骤S201的判断过程,具体的判断过程包括:(通过最小二乘法进行拟合确定AM、BM、CM得到然后计算与输入时间序列的均方根误差(RMSE)控制拟合精度,然后进行多次AM、BM、CM参数选择,将拟合误差相对较小的作为第一次学习得到的正弦函数结果);且所述M≥30;
S3.将得到的正弦函数的结果与验证数据进行比较计算均方误差,判断预测结果,满足MSE设置的阈值后进行未来时间有效波高的预测,将预测结果放回到提取初始时间序列的位置,直至所有的网格点预测完成,实现整个区域的有效波高预测;
步骤S3的具体步骤为:
S301.使用均方误差对预测结果进行评价和阈值选拔的具体过程为:
其中:MSE表示均方误差,X表示验证数据,Y表示预测得到的预测数据,m表示数据个数;
S303.当学习的正弦函数的预测数据与验证数据的均方误差MSE<0.09时,进行单点预测结果绘图和保存,完成对整个区域的有效波高预测。
本发明所述基于MSFDNN预测海浪有效波高的方法的具体计算原理为:
以nc格式的ECMWFERA-Interim数据集的有效波高数据为例,该数据为三维数据格式,分别记录了数据的纬度、经度和时间,时间范围为1979年至2018年,经纬度范围为105°E-112°E,17°N-22°N,时间分辨率为6小时,空间分辨率为0.125°×0.125°,对该数据进行月平均模式和季平均模式的区域预测;
输入数据后,依次设置要进行预测的模式(月平均预测模式、季平均预测模式),程序会自动对时间维进行加权平均得到相应的时间尺度数据,接着设置用于学习的数据时间长度、用于验证模型效果的数据时间长度和想要预测的数据的时间长度;最终,程序根据数据的空间分辨率网格依次提取单点的时间序列进行预测;
对于输入的时间序列,MSFDNN会使用正弦函数进行分解学习,然后对学习得到的正弦函数进行累加预测,具体如下:
通过最小二乘法进行拟合确定A1、B1、C1得到然后计算与输入时间序列的均方根误差(RMSE)控制拟合精度,然后进行多次A1、B1、C1参数选择,将拟合误差相对较小的作为第一次学习得到的正弦函数,紧接着计算第一次学习后的残差,作为第二次分解学习的输入时间序列,重复上述步骤,直至分解完成,对所有学习得到的正弦函数进行叠加预测,然后与验证数据进行比较计算均方误差(MSE),判断预测结果,满足MSE设置的阈值后进行未来时间有效波高的预测,将预测结果放回到提取初始时间序列的位置,直至所有的网格点预测完成,实现整个区域的有效波高预测,最终,分别可视化和保存预测结果;
实施例1
利用本发明基于多正弦函数分解神经网络预测海浪有效波高的方法进行月平均有效波高预测:
(1)本实例以欧洲中期天气预报中心(European Centre for Medium-RangeWeather Forecasts简称ECMWF)的ERA-Interim数据集的中国南海北部湾地区的有效波高数据为例,该数据的时间分辨率为6小时,空间分辨率为0.125°×0.125°,以1979年-2016年间的月平均有效波高数据为学习数据;2017年及2018年两年的月平均有效波高数据为验证数据进行预测,用于进行分解的正弦函数个数选为10,最终的预测结果的均方误差、平均绝对误差和均方根误差如图4所示(在图4中:(a)均方误差、(b)平均绝对误差、(c)均方根误差),其中:图4(a)中的点M1和点M2分别为均方误差的最小值(0.0022)和最大值(0.0675),它们的经纬度坐标分别是21°N,107°E和17°N,112°E;
(2)为进一步分析预测结果的准确性,分别对点M1和点M2进行进一步的分析,分析结果如图5所示,其中:图5(a)和图5(b)分别为点M1的学习结果和预测结果(Forecast),图5(c)和图5(d)分别为点M2的学习和预测结果,从图中可以看出,本发明所述基于MSFDNN预测海浪有效波高的方法能够很好的学习和预测海浪有效波高的数值和走势。
实施例2
利用本发明基于多正弦函数分解神经网络预测海浪有效波高的方法进行季平均有效波高预测:
(1)本实例以欧洲中期天气预报中心(European Centre for Medium-RangeWeather Forecasts简称ECMWF)的ERA-Interim数据集的中国南海北部湾地区的有效波高数据为例,该数据的时间分辨率为6小时,空间分辨率为0.125°×0.125°以1979年-2018年的季平均数据为学习数据,2017年及2018年两年的季平均有效波高数据为验证数据进行预测,用于进行分解的正弦函数个数选为10,最终的预测结果的均方误差、平均绝对误差和均方根误差如图6所示(在图6中:(a)均方误差、(b)平均绝对误差、(c)均方根误差),其中:图6(a)中的点M3和点M4分别为均方误差的最小值(0.0013)和最大值(0.0500),它们的经纬度坐标分别是21°N,107.125°E和17.375°N,111.5°E。
(2)为进一步分析预测结果的准确性,分别对点M3和点M4进行进一步的分析,分析结果如图7所示,其中:图7(a)和图7(b)分别为M3点的学习结果和预测结果(Forecast),图7(c)和图7(d)分别为M4点的学习和预测结果,从图中可以看出,本发明所述基于MSFDNN预测海浪有效波高的方法能够很好的学习和预测有效波高的数值和走势。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.基于多正弦函数分解神经网络预测海浪有效波高的方法:其特征在于,包括:
S1.首先获得海浪波动的时间序列L(tj),并将时间序列L(tj)分为用于学习的数据时间长度和用于验证模型效果的数据时间长度;
S2.选择用于学习的数据时间长度作为输入最终预测波高数据的时间长度,根据学习的数据时间长度,利用数据的空间分辨率网格依次提取单点的时间序列,并选择使用M个正弦函数对提取的单点时间序列进行分解学习,得到M次学习后的正弦函数最后将学习的正弦函数的结果进行累加:
其中:i(i=1,2,3,…,M)为正弦函数的个数,Ai,Bi,Ci为正弦函数的系数,且所述Ai,Bi,Ci的初始值是随机选择的;
S3.将得到的正弦函数的结果与原始的验证数据进行比较计算均方误差,判断预测结果,满足MSE设置的阈值后进行未来时间有效波高的预测,将预测结果放回到提取初始时间序列的位置,直至所有的网格点预测完成,实现整个区域的有效波高预测。
2.根据权利要求1所述的基于多正弦函数分解神经网络预测海浪有效波高的方法,其特征在于,步骤S1所述的得到海浪波动的时间序列L(tj)的过程包括以下步骤:
S101.对经纬度范围为105°E-112°E,17°N-22°N,时间分辨率为6小时,空间分辨率为0.125°×0.125°的ECMWF ERA-Interim有效波高数据进行时间上的加权平均,分别整理成月平均数据和季平均数据,得到海浪波动的时间序列L(tj);
S102.对所述时间序列L(tj)按3:1的比例分成用于学习的数据时间长度和用于验证模型效果的数据时间长度;
其中:所述时间序列L(tj)包括月平均数据和季平均数据。
3.根据权利要求1所述的基于多正弦函数分解神经网络预测海浪有效波高的方法,其特征在于,步骤S2所述的分解学习的具体过程为:
S201.记第一次的分解输入为L1(tj),通过最小二乘法进行拟合确定A1、B1、C1得到然后计算与输入时间序列的均方根误差(RMSE)控制拟合精度,然后进行多次A1、B1、C1参数选择,将拟合误差相对较小的作为第一次学习得到的正弦函数结果紧接着计算第一次学习后的残差序列L2(tj)作为第二次分解学习的输入:
……
其中:在步骤S202和S20M中,均包括步骤S201的判断过程;且所述M≥30;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010621182.XA CN111811465B (zh) | 2020-07-01 | 2020-07-01 | 基于多正弦函数分解神经网络预测海浪有效波高的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010621182.XA CN111811465B (zh) | 2020-07-01 | 2020-07-01 | 基于多正弦函数分解神经网络预测海浪有效波高的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111811465A true CN111811465A (zh) | 2020-10-23 |
CN111811465B CN111811465B (zh) | 2022-03-18 |
Family
ID=72855921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010621182.XA Active CN111811465B (zh) | 2020-07-01 | 2020-07-01 | 基于多正弦函数分解神经网络预测海浪有效波高的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111811465B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711915A (zh) * | 2021-01-08 | 2021-04-27 | 自然资源部第一海洋研究所 | 一种海浪有效波高预测方法 |
CN112711878A (zh) * | 2020-12-25 | 2021-04-27 | 雾实(福建)科技有限公司 | 一种近岸精细化浪高数值预报方法、装置、设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103708A (zh) * | 2011-01-28 | 2011-06-22 | 哈尔滨工程大学 | 一种基于径向基神经网络的海浪有效波高反演模型建模方法 |
CN103839104A (zh) * | 2014-01-13 | 2014-06-04 | 哈尔滨工程大学 | 一种海浪有效波高反演模型建模方法 |
CN107101619A (zh) * | 2017-05-08 | 2017-08-29 | 中国海洋大学 | 基于空间相邻波高数据相关性的海浪波长测量方法 |
CN108334987A (zh) * | 2018-02-08 | 2018-07-27 | 山东汇贸电子口岸有限公司 | 一种基于小波分解-神经网络的海浪波高预测方法 |
CN111199270A (zh) * | 2019-12-30 | 2020-05-26 | 福建省海洋预报台 | 一种基于深度学习的区域波高预报方法及终端 |
-
2020
- 2020-07-01 CN CN202010621182.XA patent/CN111811465B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103708A (zh) * | 2011-01-28 | 2011-06-22 | 哈尔滨工程大学 | 一种基于径向基神经网络的海浪有效波高反演模型建模方法 |
CN103839104A (zh) * | 2014-01-13 | 2014-06-04 | 哈尔滨工程大学 | 一种海浪有效波高反演模型建模方法 |
CN107101619A (zh) * | 2017-05-08 | 2017-08-29 | 中国海洋大学 | 基于空间相邻波高数据相关性的海浪波长测量方法 |
CN108334987A (zh) * | 2018-02-08 | 2018-07-27 | 山东汇贸电子口岸有限公司 | 一种基于小波分解-神经网络的海浪波高预测方法 |
CN111199270A (zh) * | 2019-12-30 | 2020-05-26 | 福建省海洋预报台 | 一种基于深度学习的区域波高预报方法及终端 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711878A (zh) * | 2020-12-25 | 2021-04-27 | 雾实(福建)科技有限公司 | 一种近岸精细化浪高数值预报方法、装置、设备和介质 |
CN112711878B (zh) * | 2020-12-25 | 2022-08-30 | 雾实(福建)科技有限公司 | 一种近岸精细化浪高数值预报方法、装置、设备和介质 |
CN112711915A (zh) * | 2021-01-08 | 2021-04-27 | 自然资源部第一海洋研究所 | 一种海浪有效波高预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111811465B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107703564B (zh) | 一种降雨预测方法、系统及电子设备 | |
CN111199270B (zh) | 一种基于深度学习的区域波高预报方法及终端 | |
Davison et al. | Statistical modeling of spatial extremes | |
CN108491970A (zh) | 一种基于rbf神经网络的大气污染物浓度预测方法 | |
CN114445634A (zh) | 一种基于深度学习模型的海浪波高预测方法及系统 | |
CN109359166B (zh) | 一种空间增长动态模拟与驱动力因子贡献度同步计算方法 | |
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 | |
CN108171007B (zh) | 一种基于数值集合预报极值修正的中长期径流预报方法 | |
CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
CN102495937A (zh) | 一种基于时间序列的预测方法 | |
CN111811465B (zh) | 基于多正弦函数分解神经网络预测海浪有效波高的方法 | |
Cagigal et al. | A multivariate, stochastic, climate-based wave emulator for shoreline change modelling | |
CN107133686A (zh) | 基于时空数据模型的城市级pm2.5浓度预测方法 | |
CN114049545B (zh) | 一种基于点云体素的台风定强方法、系统、设备及介质 | |
Zhang et al. | Analysis of 50-year wind data of the southern Baltic Sea for modelling coastal morphological evolution–a case study from the Darss-Zingst Peninsula | |
Xie et al. | Developing a deep learning-based storm surge forecasting model | |
CN110991705B (zh) | 一种基于深度学习的城市扩展预测方法及系统 | |
Gao et al. | A multifactorial framework for short-term load forecasting system as well as the jinan’s case study | |
CN116699731B (zh) | 一种热带气旋路径短期预报方法、系统及存储介质 | |
CN116467933A (zh) | 基于深度学习的风暴潮增水预测方法及系统 | |
CN117371303A (zh) | 一种海浪下有效波高的预测方法 | |
CN117131991A (zh) | 基于混合神经网络的城市降雨量预测方法及平台 | |
CN110648030A (zh) | 海水温度的预测方法及装置 | |
CN116090596A (zh) | 一种台风强度预测方法、装置、设备及存储介质 | |
CN110866363B (zh) | 一种利用人工神经网络反演北极融池分布的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |