CN111898809A - 一种基于tcn的汛期气候趋势预测系统 - Google Patents
一种基于tcn的汛期气候趋势预测系统 Download PDFInfo
- Publication number
- CN111898809A CN111898809A CN202010682845.9A CN202010682845A CN111898809A CN 111898809 A CN111898809 A CN 111898809A CN 202010682845 A CN202010682845 A CN 202010682845A CN 111898809 A CN111898809 A CN 111898809A
- Authority
- CN
- China
- Prior art keywords
- flood
- rainfall
- tcn
- local area
- flood season
- 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.)
- Withdrawn
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 17
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000001364 causal effect Effects 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 15
- 230000010339 dilation Effects 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003703 image analysis method Methods 0.000 claims description 3
- 238000002844 melting Methods 0.000 description 4
- 230000008018 melting Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/04—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
- 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于TCN的汛期气候趋势预测系统，包括上位机，上位机连接有检测装置；所述上位机用于执行如下步骤：获取地区在汛期内发生水灾的历史数据；所述历史数据包括水灾发生时地区的水位、降雨量、植被覆盖比例、地质因素和上游水灾危害指数；建立用于预测地区汛期发生水灾严重程度的TCN网络模型，采用所述历史数据对建立好的TCN网络模型进行训练，得到训练后的TCN网络模型；检测本地区汛期内的水位、植被覆盖比例、地质因素和上游水灾危害指数并预测其降雨量，结合训练后的TCN网络模型，对本地区汛期的水灾危害指数进行预测。本发明所提供的技术方案能够解决现有技术中汛期对水灾发生预测时不能预测其危害程度的问题。
Description
技术领域
本发明属于汛期气候趋势预测技术领域，具体涉及一种基于TCN的汛期气候预测系统。
背景技术
汛期是指在一年中因季节性将于、融冰、化雪而引起的江河水位有规律地显著上涨时期。流域内降雨或融冰化雪都可以引起河水显著上涨、春季时气候转暖，流域上的季节性积雪融化、河水解冻或春雨，引起河水上涨，称为春汛。中国北方，冬春季节河中水流收到冰凌阻碍而引起的明显涨水现象称为凌汛。夏季，流域上的暴雨或高山冰川和积雪融化，使河水急剧上涨，称为夏汛。人们习惯性地把发生在夏季三伏前后的迅即称为伏汛，秋季由于暴雨引发河水急剧上涨，称为秋汛。
汛期不一定会发生水灾，但是水灾一般都发生在汛期，因此在汛期做好水灾的应对工作非常重要。
水灾的应对措施有两种，第一种是当水灾发生后采取的救济措施，另一种是在水灾发生前采取预防措施。水灾发生后采取救济措施虽然可以通过补救的手段挽回一些损失，但是已经造成了损失。水灾发生前采取预防措施可以将水灾造成的损失降到最低，并且为了将水灾造成的损失降到最低，需要在水灾发生前对其发生的事件、规模和可能造成的损失进行预测，并根据预测结果进行防护。
现有技术中对汛期水灾的预测方式，是首先预测设定地区的降雨量，然后判断降雨量是否会引起水灾。这种预测方式只能够定性的预测出是否会发生水灾，但是不能预测出水灾的危害程度，不能为水灾的预防提供指导性的参考数据。
发明内容
本发明的目的是提供一种基于TCN的汛期气候趋势预测系统，以解决现有技术中汛期对水灾发生预测时不能预测其危害程度的问题。
为实现上述目的，本发明采用如下技术方案：
基于TCN的汛期气候趋势预测系统，包括上位机，上位机连接有检测装置，检测装置用于检测水位信息、降雨量预测信息、植被覆盖比例；所述上位机用于根据检测装置检测到的信息对本地区的水灾危害指数进行预测，预测方法包括如下步骤：
(1)获取地区在汛期内发生水灾的历史数据；所述历史数据包括水灾发生时地区的水位、降雨量、植被覆盖比例、地质因素和上游水灾危害指数；
(2)建立用于预测地区汛期发生水灾严重程度的TCN网络模型，采用所述历史数据对建立好的TCN网络模型进行训练，得到训练后的TCN网络模型；
(3)检测本地区汛期内的水位、植被覆盖比例、地质因素和上游水灾危害指数并预测其降雨量，结合训练后的TCN网络模型，对本地区汛期的水灾危害指数进行预测。
进一步的，预测降雨量的方法为：
获取本地区降雨量与降雨前大气压力、空气湿度、空气温度之间的关系；
检测本地区的大气压力、空气湿度和空气温度，并结合降雨前大气压力、空气湿度、空气温度与降雨量之间的关系，对本地区的降雨量进行预测。
进一步的，本地区降雨量与降雨前大气压力、空气湿度、空气温度之间关系的获取方法为：
获取设定次数本地区降雨前的大气压力、空气湿度、空气温度以及降雨时的降雨量；
采用线性回归法，得到本地区大气压力、空气湿度、空气温度与降雨量之间的关系。
进一步的，所述TCN网络模型中通过膨胀因果卷积对每组对应的目标序列进行计算，计算式所采用的公式为：
其中：d为扩张因子，取值为d＝{1,2,…,2n}，n为TCN网络模型中隐藏层层数；k为滤波器的数量，f(i)为第i个滤波器，x为膨胀因果卷积的输入，t为时间，F(x)为膨胀因果卷积后的结果。
根据权利要求1所述的基于TCN的汛期气候趋势预测系统，其特征在于，所述TCN网络模型的输出为o＝RELU(x+F(x))
所述x为膨胀因果卷积的输入，F(x)为膨胀因果卷积后的结果。
进一步的，所述植被覆盖面积的检测方法时：采用无人机拍摄本地区的俯视图，识别其中植被覆盖的部分；采用图像分析法，得到植被覆盖部分本地区整体图像中所占的比例。
本发明所提供的技术方案，采用TCN神经网络，根据汛期内的水位、植被覆盖比例、地质因素和上游水灾危害指数对本地区的水灾危害指数，解决现有技术中汛期对水灾发生预测时不能预测其危害程度的问题，为水灾的预防提供指导性的参考数据。
附图说明
图1是本发明实施例中基于TCN的汛期气候趋势预测方法的流程图；
图2是本发明实施例中TCN网络模型的结构示意图。
具体实施方式
本实施例提供一种基于TCN的汛期气候趋势预测系统，用于解决现有技术中对汛期气候预测不准确的问题。
本实施例所提供的基于TCN的汛期气候趋势预测系统，其结构如图1所示，包括上位机，上位机连接有信息采集装置，信息采集装置用于采集气候信息，上位机根据采集到的气候信息对气候进行预测，预测方法的流程如图1所示，包括如下步骤：
步骤一：获取本地区汛期发生水灾的历史数据，得到本地区汛期发生水灾的训练集。
获取的本地区汛期发生水灾的历史数据，包括本地区汛期发生水灾时的水位、降雨量、地质因素、植被覆盖比例和上游水灾危害指数，其中地质因素根据地质是否容易产生水灾而得到的评分。通过对本地区近几年汛期的数据进行收集，得到本地区近几年每次发生水灾时的数据，并根据水灾的严重程度对水灾进行评分，水灾越严重其评分越高，从而得到每次水灾的危害指数。
步骤二：建立用于预测本地区汛期气候的TCN网络模型，并采用训练集对其进行训练，得到本地区训练后的汛期气候TCN网络模型。
本实施例所建立的TCN网络模型，其结构如图2所示，采用的是因果卷积网络。建立好用于预测本地区汛期气候的TCN网络模型后，首先初始化TCN网络模型中的权重，设置迭代次数、残差模块数量以及网络层数量、扩张系数、卷积核大小、学习效率以及隐层神经元数量。
设所建立的TCN网络模型的输入量为x1，x2，x3，…，xt，形成的序列为X＝(x1、x2、x3，…，xt)，滤波器F＝(f1，f2，…，fk)，通过膨胀因果卷积对每组对应的目标序列进行计算，计算公式为：
其中：d为扩张因子，取值为d＝{1,2,…,2n}，n为TCN网络模型中隐藏层层数；k为滤波器的数量，f(i)为第i个滤波器，x为膨胀因果卷积的输入，t为时间，F(x)为膨胀因果卷积后的结果。
通过残差模块将输入x与膨胀因果卷积后的结果相加，再通过RELU函数后得到最终的预测结果
o＝RELU(x+F(x))
在对所建立的TCN网络模型进行训练的过程中，步骤一中的本地区汛期发生水灾的历史数据，即水灾发生时地区的水位、降雨量、植被覆盖比例、地质因素和上游水灾危害指数，经过扩张因果卷积和RELU激活函数处理后，在输入层使用额外的1×1卷积，即跳过连接去确保点加的张量形状相同；
将跳过连接和扩张因果卷积的输出相加作为第一层的输出；
每个中间层都有和输出层相同的结构，除了将跳过连接替换为残差连接，中间层的数量是可变的；
使用1×1的卷积得到本地区发生水灾的危害指数。
步骤三：对本地区汛期的数据进行采集，得到用于检测本地区汛期的预测数据；将预测数据输入到训练后的TCN网络模型中，得到本地区的水灾危害指数。
本实施例中，本地区降雨量的预测方法为：
首先获取本地区降雨的历史数据，包括本地区降雨前大气压力、空气温度、空气湿度和降雨量；
采用线性回归法得到本地区降雨前大气压力、空气温度、空气湿度与降雨量之间的关系；
采集本地区的大气压力、空气温度和空气湿度，结合其与降雨量之间的关系，预测本地区的降雨量。
设降雨量为Y，降雨前大气压力为P，空气温度为T，空气湿度为W，则降雨量与降雨前带压力、空气温度、空气湿度之间的关系为：
Y＝l1×P+l2×T+l3×P
采用线性回归法获取本地区降雨前大气压力、空气温度、空气湿度与降雨量之间的关系时，将至少三组数据带入上述关系式中，得到一个包含三个方程式的方程组，通过求解方程组得到l1、l2、l3的值，从而得到降雨量与降雨前带压力、空气温度、空气湿度之间的关系。
本实施例中，本地区植被覆盖比例的获取方法为：
采用无人机进行航拍，得到本地区的俯视图；
在俯视图上识别出本地区的植被覆盖部分，通过图像分析方法得到图像中植被覆盖部分在所占比例。
获取本地区的俯视图后，将其中的绿色部分作为植被覆盖的部分，获取图像中绿色部分所占的比例，即为本地区植被覆盖的比例。
以上公开的本发明的实施例只是用于帮助阐明本发明的技术方案，并没有尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.基于TCN的汛期气候趋势预测系统，其特征在于，包括上位机，上位机连接有检测装置，检测装置用于检测水位信息、降雨量预测信息、植被覆盖比例；所述上位机用于根据检测装置检测到的信息对本地区的水灾危害指数进行预测，预测方法包括如下步骤：
(1)获取地区在汛期内发生水灾的历史数据；所述历史数据包括水灾发生时地区的水位、降雨量、植被覆盖比例、地质因素和上游水灾危害指数；
(2)建立用于预测地区汛期发生水灾严重程度的TCN网络模型，采用所述历史数据对建立好的TCN网络模型进行训练，得到训练后的TCN网络模型；
(3)检测本地区汛期内的水位、植被覆盖比例、地质因素和上游水灾危害指数并预测其降雨量，结合训练后的TCN网络模型，对本地区汛期的水灾危害指数进行预测。
2.根据权利要求1所述的基于TCN的汛期气候趋势预测系统，其特征在于，预测降雨量的方法为：
获取本地区降雨量与降雨前大气压力、空气湿度、空气温度之间的关系；
检测本地区的大气压力、空气湿度和空气温度，并结合降雨前大气压力、空气湿度、空气温度与降雨量之间的关系，对本地区的降雨量进行预测。
3.根据权利要求2所述的基于TCN的汛期气候趋势预测系统，其特征在于，本地区降雨量与降雨前大气压力、空气湿度、空气温度之间关系的获取方法为：
获取设定次数本地区降雨前的大气压力、空气湿度、空气温度以及降雨时的降雨量；
采用线性回归法，得到本地区大气压力、空气湿度、空气温度与降雨量之间的关系。
4.根据权利要求1所述的基于TCN的汛期气候趋势预测系统，其特征在于，所述TCN网络模型中通过膨胀因果卷积对每组对应的目标序列进行计算，计算式所采用的公式为：
其中：d为扩张因子，取值为d＝{1,2,…,2n}，n为TCN网络模型中隐藏层层数；k为滤波器的数量，f(i)为第i个滤波器，x为膨胀因果卷积的输入，t为时间，F(x)为膨胀因果卷积后的结果。
5.根据权利要求1所述的基于TCN的汛期气候趋势预测系统，其特征在于，所述TCN网络模型的输出为
o＝RELU(x+F(x))
所述x为膨胀因果卷积的输入，F(x)为膨胀因果卷积后的结果。
6.根据权利要求1所述的基于TCN的汛期气候趋势预测系统，其特征在于，所述植被覆盖面积的检测方法时：采用无人机拍摄本地区的俯视图，识别其中植被覆盖的部分；采用图像分析法，得到植被覆盖部分本地区整体图像中所占的比例。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010682845.9A CN111898809A (zh) | 2020-07-15 | 2020-07-15 | 一种基于tcn的汛期气候趋势预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010682845.9A CN111898809A (zh) | 2020-07-15 | 2020-07-15 | 一种基于tcn的汛期气候趋势预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111898809A true CN111898809A (zh) | 2020-11-06 |
Family
ID=73192024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010682845.9A Withdrawn CN111898809A (zh) | 2020-07-15 | 2020-07-15 | 一种基于tcn的汛期气候趋势预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111898809A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112488392A (zh) * | 2020-12-01 | 2021-03-12 | 重庆邮电大学 | 一种基于机器学习的智慧水务日用水量预测方法 |
| CN113450349A (zh) * | 2021-07-26 | 2021-09-28 | 河南黄河河务局新乡黄河河务局 | 基于人工智能的水利工程水闸管理方法及系统 |
| CN114254802A (zh) * | 2021-11-09 | 2022-03-29 | 北京师范大学 | 气候变化驱动下植被覆盖时空变化的预测方法 |
-
2020
- 2020-07-15 CN CN202010682845.9A patent/CN111898809A/zh not_active Withdrawn
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112488392A (zh) * | 2020-12-01 | 2021-03-12 | 重庆邮电大学 | 一种基于机器学习的智慧水务日用水量预测方法 |
| CN113450349A (zh) * | 2021-07-26 | 2021-09-28 | 河南黄河河务局新乡黄河河务局 | 基于人工智能的水利工程水闸管理方法及系统 |
| CN113450349B (zh) * | 2021-07-26 | 2024-03-22 | 河南黄河河务局新乡黄河河务局 | 基于人工智能的水利工程水闸管理方法及系统 |
| CN114254802A (zh) * | 2021-11-09 | 2022-03-29 | 北京师范大学 | 气候变化驱动下植被覆盖时空变化的预测方法 |
| CN114254802B (zh) * | 2021-11-09 | 2023-09-08 | 北京师范大学 | 气候变化驱动下植被覆盖时空变化的预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111898809A (zh) | 一种基于tcn的汛期气候趋势预测系统 | |
| CN113553764B (zh) | 一种基于深度学习网络的山火预测方法 | |
| CN110047291B (zh) | 一种考虑扩散过程的短时交通流预测方法 | |
| CN110738355A (zh) | 一种基于神经网络的城市内涝预测方法 | |
| CN102831752B (zh) | 一种冰湖溃决预警方法 | |
| CN110929946A (zh) | 基于地表水文过程的农业洪涝灾害监测预报系统及方法 | |
| CN115951014A (zh) | 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法 | |
| CN114283137B (zh) | 基于多尺度特征图推理网络的光伏组件热斑缺陷检测方法 | |
| CN112149887A (zh) | 一种基于数据时空特征的pm2.5浓度预测方法 | |
| CN110363349A (zh) | 一种基于ascs的lstm神经网络水文预测方法及系统 | |
| CN117291432B (zh) | 一种基于人工智能的水资源调度监测系统 | |
| CN117494586B (zh) | 一种基于深度学习的山洪时空预测方法 | |
| CN116434479A (zh) | 一种区域性洪涝灾害等级预测预警方法及系统 | |
| CN114255250A (zh) | 基于深度学习的河防工程边坡坍塌检测方法 | |
| CN110020469A (zh) | 基于泊松回归和空间滤值的洪水预警分析方法及系统 | |
| CN115204688A (zh) | 排水系统健康性综合评价方法 | |
| CN115240069A (zh) | 一种全雾天场景下的实时性障碍物检测方法 | |
| CN113985496B (zh) | 一种基于lstm-gm神经网络模型的风暴潮智能预报方法 | |
| CN114330120B (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
| CN116579224A (zh) | 基于变量筛选重构模型提高陆地水储量重构准确性方法 | |
| Pech-May et al. | Segmentation and Visualization of Flooded Areas Through Sentinel-1 Images and U-Net | |
| CN117233869A (zh) | 一种基于GRU-BiTCN的站点短期风速预测方法 | |
| CN117273193A (zh) | 一种基于神经网络的配电设备内涝风险预测方法及系统 | |
| Rohaimi et al. | 3 Hours ahead of time flood water level prediction using NNARX structure: Case study pahang | |
| CN115511206A (zh) | 一种基于网格降雨信息的cnn-lstm卷积循环神经网络水文预报校正方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201106 |