CN111915098A - 基于bp神经网络对降水形态转变的预测方法 - Google Patents
基于bp神经网络对降水形态转变的预测方法 Download PDFInfo
- Publication number
- CN111915098A CN111915098A CN202010822319.8A CN202010822319A CN111915098A CN 111915098 A CN111915098 A CN 111915098A CN 202010822319 A CN202010822319 A CN 202010822319A CN 111915098 A CN111915098 A CN 111915098A
- Authority
- CN
- China
- Prior art keywords
- rpr
- rainfall
- neural network
- precipitation
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 15
- 230000009466 transformation Effects 0.000 title claims abstract description 9
- 238000001556 precipitation Methods 0.000 claims abstract description 47
- 230000008859 change Effects 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 7
- 239000007788 liquid Substances 0.000 claims description 6
- 239000007787 solid Substances 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 230000008020 evaporation Effects 0.000 claims description 4
- 238000001704 evaporation Methods 0.000 claims description 4
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000012271 agricultural production Methods 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 2
- 238000010792 warming Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000010200 validation analysis 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Ecology (AREA)
- Computer Hardware Design (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Operations Research (AREA)
- Environmental Sciences (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开基于BP神经网络对降水形态转变的预测方法，按照以下步骤进行：Step1：定义降水形态；Step2：对CMIP5数据进行降尺度；Step3：CMIP5模型精度验证；Step4：BP神经网络模型预测精度验证；Step5：未来降水形态预估。有益效果：通过使用BP神经网络模型预测TMR中RPR的未来变化可以提高未来降水类型预测的准确性。一方面为水文模型中有关参数的选取提供科学的参考，另一方面为气候变化下农业生产以及水文水循环变化提供科学管理的依据。
Description
技术领域
本发明涉及气候变化技术领域，具体涉及基于BP神经网络对降水形态转变的预测方法。
背景技术
降水以各种形态落在地面上，例如雨、雪和雨夹雪。每种形态对地表径流和能量平衡都有重要影响。当降雪发生时，地表反照率急剧增加，这导致从地面吸收的太阳辐射减少。同时，降雪以积雪的形式存储在地表，随着春季温度的升高，降雪融化并补充河流径流。相反，当降雨发生时，它会迅速渗透并汇入河流或地下水，这与降雪有相反的作用。因此，降水类型的区分对于陆地水文过程研究很重要
历史气象数据表明，地球在全球和局部都经历了变暖趋势。全球变暖导致全球降水类型发生变化。1949年至2004年期间，美国西部温度升高呈现降雪减少和降雨增加的趋势。通常，不同的降水类型的频率随着冬季温度的升高而增加，但春季的降雪天数随温度的升高比1936年至1990年北部欧亚大陆的降水量显着减少。1979年至2015年期间，加拿大北极岛春季至夏季的降雨量与降雨量之比显着增加。在1961年至2010年的TMR寒冷季节，平均降水与雪的平均比率(S/P)呈下降趋势，且降水量和降雪量也随温度升高而升高。因此，考虑到降水类型对气候的重要影响以及全球变暖背景下降水类型的异常，未来降水类型可能发生的变化是一个非常值得关注的问题。
国际耦合模式比较计划(CMIP)已成为未来气候变化评估的主要工具。IPCC第五次报告(AR5)全球气候变化未来预测实验使用了IPCC专家组提出的一种新的温室气体排放情景，称为典型浓度路径。IPCC的AR5共享四个典型的集中路径，即RCP8.5、RCP6.0、RCP4.5和RCP2.6。在使用CMIP5模型预测未来气候时，大多数研究着重于估算降水总量，而没有区分降水类型。CMIP5模型对温度具有较好的模拟能力，但在模拟降水的效果较差，给未来降水形态的预估带来不确定性。
发明内容
为全面解决上述问题，尤其是针对现有技术所存在的不足，本发明提供了基于BP神经网络对降水形态转变的预测方法能够全面解决上述问题。
为实现上述目的，本发明采用以下技术手段：
基于BP神经网络对降水形态转变的预测方法，按照以下步骤进行：
Step1：定义降水形态
定义RPR(rainfall-to-precipitation ratio)即降雨日数占总降水日数的百分比，通过降雨天数占总降水天数比值的变化来研究研究区降水形态的变化特征；
Step2：对CMIP5数据进行降尺度
采用Delta方法，所述Delta方法是一种比较简单但在GCMs数据降尺度时常用的方法；
Step3：CMIP5模型精度验证
采用泰勒图来评估CMIP5模型模拟地区气温和降水量的能力；
Step4：BP神经网络模型预测精度验证
采用BP神经网络模型预测出未来测试区的RPR；
Step5：未来降水形态预估
利用气温与RPR的关系，将CMIP5模型模拟不同RCPs下的未来月平均气温输入模型，从而得到未来不同RCPs下月的RPR以及RPR变化的速率。
优选的，所述Step1中RPR的取值范围为0～1。
优选的，所述RPR趋于0表示降水有由液态向固态转化的趋势，所述RPR趋于1表示降水有由固态向液态转化的趋势。
优选的，所述Step3中泰勒图使用三角形转换关系，将相关系数、标准偏差和均方根误差这三个评估指标放置在相同的极坐标图上，可以完全反映各模型的模拟结果优劣。
优选的，所述Step4中各站点某月中与RPR相关的气象因子气温(CMIP5模式的气温平均)、气压、蒸发、相对湿度、风速、日照时数和地表温度，作为输入变量。
优选的，所述Step4中该月的RPR作为输出变量，采用历史数据中选取部分时段的数据作为率定期，部分时段数据作为验证期，率定和验证的评价指标采用NSC、RSR和PBIAS定量分析模型模拟的精度。
本发明的有益效果：本发明采用了BP神经网络模型，它是预测各种气候变量的有用工具。使用该模型来预测降雨与降水比(RPR)的变化。首先对BP神经网络对RPR模拟的能力景行评估，即用1961-1980年的气象站点所提供的气象数据(逐日降水、平均气温、相对湿度、平均气压、平均风速、日照时数、小型蒸发)作为输入层，将RPR作为输出层来建立神经网络模型。再用1981-2000年的7个气象数据输入神经网络，模拟出相应的RPR。再用实测的1981-2000年的RPR与模拟的1981-2000年的RPR进行对比。得到BP神经网络对RPR的模拟能力较好，可以进行下一步对未来RPR的预估。在未来RPR的预估中，由于气温与RPR的关系最为密切且CMIP5模式对气温有较好的模拟能力，因此假设其他6个气象因素不变，将CMIP5模式提供的不同RCP情境下的未来气温和6个气象数据输入到BP神经网络模型中，便可以得到未来不同RCP情境下的RPR。从而通过使用BP神经网络模型预测TMR中RPR的未来变化可以提高未来降水类型预测的准确性。一方面为水文模型中有关参数的选取提供科学的参考，另一方面为气候变化下农业生产以及水文水循环变化提供科学管理的依据。
附图说明
图1是本发明实施步骤的流程图；
图2是本发明1961～2018年天山山区21个CMIP5模式相对于实况观测场年平均降水量的泰勒图；
图3是本发明1961～2018年天山山区21个CMIP5模式相对于实况观测场年平均气温的泰勒图；
图4是本发明的BP神经网络模型；
图5是本发明不同情境下天山山区秋末与初春月份RPR的空间分布图；
图6是本发明不同情境下天山山区秋末与初春月份RPR倾向率的空间分布图。
具体实施方式
下面将对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，基于BP神经网络对降水形态转变的预测方法，按照以下步骤进行：
Step1定义降水形态
定义RPR(rainfall-to-precipitation ratio)即降雨日数占总降水日数的百分比公式为：
式中R和P分别表示研究时段内总降雨天数和总降水天数。本专利主要通过降雨天数占总降水天数比值的变化来研究研究区降水形态的变化特征。RPR的取值范围为0～1。其中RPR趋于0表示降水有由液态向固态转化的趋势，RPR趋于1表示降水有由固态向液态转化的趋势。
Step2对CMIP5数据进行降尺度
Delta方法是一种比较简单但在GCMs数据降尺度时常用的方法。降水选择的是相对变化量，即比较GCMs输出格网未来各情景模拟某月累积降水量与未来各情景模拟多年某月平均累积降水量，计算各网格降水量的变化率，各个气象站基准期实测多年某月平均累积降水量乘以降水量的变化率，得到未来各情景某年某月累积降水量数据。气温选择的是绝对变化量。计算GCMs输出格网未来不同情景某月平均气温与未来多年某月平均气温的变化量，将该变化量加到网格内各个气象站基准期实测多年某月平均气温上，得到未来各情景某年某月平均气温数据。方法公式如下：
Tf＝To+(TGf-TG) (3)
其中Po是测得的多年某月平均累积降水量；PG是模拟的未来多年某月平均累积降水量；PGf是某月的模拟未来累积降水量；Pf是通过Delta方法获得的未来月度累计降水量；To是测得的多年某月平均温度，TG是模拟未来多年某月的平均温度；TGf用于模拟未来某月的平均温度。Tf是要通过Delta方法获得的将来某月平均温度。
Step3 CMIP5模型精度验证
为了评估CMIP5模型模拟天山地区气温和降水量的能力，本研究采用了泰勒图(如图2和图3所示)对21个气候模式的模拟能力进行评估。在图表中，使用三角形转换关系，将相关系数、标准偏差和均方根误差这三个评估指标放置在相同的极坐标图上，可以完全反映各模型的模拟结果优劣。
Step4 BP神经网络模型预测精度验证
由于CMIP5模式对气温的模拟能力较好，对降水的模拟能力较差，因此将不采用CMIP5提供的未来的降水数据，而是用BP神经网络模型(如图4所示)预测出未来天山山区的RPR。即把各站点某月中与RPR相关的气象因子气温(CMIP5模式的气温平均)、气压、蒸发、相对湿度、风速、日照时数和地表温度，作为输入变量，该月的RPR作为输出变量，为了检验多个气象因子组成的BP神经网络模型对RPR的预测能力，本研究从历史数据中选取部分时段的数据作为率定期，部分时段数据作为验证期。率定和验证的评价指标采用NSC、RSR和PBIAS(表1)定量分析模型模拟的精度。从验证结果(表2)中可以看出28个气象站点的率定和验证都是Satisfactory及以上，故可以用该模型对未来的月RPR进一步进行预估。
表1精度评价指标
表2基于BP神经网络模型的天山地区RPR模拟的验证结果
Step5未来降水形态预估
降水形态的变化与气温的关系最为密切，故在对未来RPR预测模型中假设其他的气象因子都不变，只有气温发生了明显的变化。利用气温与RPR的关系，将CMIP5模型模拟不同RCPs下的未来月平均气温输入模型，从而得到未来不同RCPs下月的RPR(如图5所示)以及RPR变化的速率(如图6所示)。
本发明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举，而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围中。
Claims (6)
1.基于BP神经网络对降水形态转变的预测方法，其特征在于，按照以下步骤进行：
Step1：定义降水形态
定义RPR(rainfall-to-precipitationratio)即降雨日数占总降水日数的百分比，通过降雨天数占总降水天数比值的变化来研究研究区降水形态的变化特征；
Step2：对CMIP5数据进行降尺度
采用Delta方法，所述Delta方法是一种比较简单但在GCMs数据降尺度时常用的方法；
Step3：CMIP5模型精度验证
采用泰勒图来评估CMIP5模型模拟地区气温和降水量的能力；
Step4：BP神经网络模型预测精度验证
采用BP神经网络模型预测出未来测试区的RPR；
Step5：未来降水形态预估
利用气温与RPR的关系，将CMIP5模型模拟不同RCPs下的未来月平均气温输入模型，从而得到未来不同RCPs下月的RPR以及RPR变化的速率。
2.根据权利要求1所述的基于BP神经网络对降水形态转变的预测方法，其特征在于，所述Step1中RPR的取值范围为0～1。
3.根据权利要求2所述的基于BP神经网络对降水形态转变的预测方法，其特征在于，所述RPR趋于0表示降水有由液态向固态转化的趋势，所述RPR趋于1表示降水有由固态向液态转化的趋势。
4.根据权利要求1所述的基于BP神经网络对降水形态转变的预测方法，其特征在于，所述Step3中泰勒图使用三角形转换关系，将相关系数、标准偏差和均方根误差这三个评估指标放置在相同的极坐标图上，可以完全反映各模型的模拟结果优劣。
5.根据权利要求1所述的基于BP神经网络对降水形态转变的预测方法，其特征在于，所述Step4中各站点某月中与RPR相关的气象因子气温(CMIP5模式的气温平均)、气压、蒸发、相对湿度、风速、日照时数和地表温度，作为输入变量。
6.根据权利要求1或5所述的基于BP神经网络对降水形态转变的预测方法，其特征在于，所述Step4中该月的RPR作为输出变量，采用历史数据中选取部分时段的数据作为率定期，部分时段数据作为验证期，率定和验证的评价指标采用NSC、RSR和PBIAS定量分析模型模拟的精度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010822319.8A CN111915098B (zh) | 2020-08-16 | 2020-08-16 | 基于bp神经网络对降水形态转变的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010822319.8A CN111915098B (zh) | 2020-08-16 | 2020-08-16 | 基于bp神经网络对降水形态转变的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111915098A true CN111915098A (zh) | 2020-11-10 |
| CN111915098B CN111915098B (zh) | 2024-09-13 |
Family
ID=73278052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010822319.8A Active CN111915098B (zh) | 2020-08-16 | 2020-08-16 | 基于bp神经网络对降水形态转变的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111915098B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114091266A (zh) * | 2021-11-24 | 2022-02-25 | 西安理工大学 | 极端降水与陆面温度增温响应关系的稳健性评估方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN204740360U (zh) * | 2015-05-19 | 2015-11-04 | 中国科学院寒区旱区环境与工程研究所 | 一种适用于无人值守雨量筒的降水形态分辨装置 |
| CN106650239A (zh) * | 2016-11-17 | 2017-05-10 | 清华大学 | 基于气候区的台站降水观测误差修订方法及系统 |
| US20170176640A1 (en) * | 2014-03-28 | 2017-06-22 | Northeastern University | System for Multivariate Climate Change Forecasting With Uncertainty Quantification |
-
2020
- 2020-08-16 CN CN202010822319.8A patent/CN111915098B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170176640A1 (en) * | 2014-03-28 | 2017-06-22 | Northeastern University | System for Multivariate Climate Change Forecasting With Uncertainty Quantification |
| CN204740360U (zh) * | 2015-05-19 | 2015-11-04 | 中国科学院寒区旱区环境与工程研究所 | 一种适用于无人值守雨量筒的降水形态分辨装置 |
| CN106650239A (zh) * | 2016-11-17 | 2017-05-10 | 清华大学 | 基于气候区的台站降水观测误差修订方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 任瑞 等: "中国天山山区降水形态转变的驱动因子辨析", 《干旱区资源与环境》, vol. 34, no. 3, 31 March 2020 (2020-03-31) * |
| 秦艳 等: "近58年天山降雪/降水量比率变化特征及未来趋势", 《农业工程学报》, vol. 36, no. 4, 29 February 2020 (2020-02-29) * |
| 蓝永超 等: "气候变化对黄河河源区水资源系统的影响", 《干旱区资源与环境》, vol. 20, no. 6, 30 November 2006 (2006-11-30) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114091266A (zh) * | 2021-11-24 | 2022-02-25 | 西安理工大学 | 极端降水与陆面温度增温响应关系的稳健性评估方法 |
| CN114091266B (zh) * | 2021-11-24 | 2022-07-26 | 西安理工大学 | 极端降水与陆面温度增温响应关系的稳健性评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111915098B (zh) | 2024-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Stathopoulos et al. | Wind power prediction based on numerical and statistical models | |
| Li et al. | System dynamics model for predicting floods from snowmelt in North American prairie watersheds | |
| Shabalova et al. | Assessing future discharge of the river Rhine using regional climate model integrations and a hydrological model | |
| CN111027175B (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
| Kim et al. | Temporally weighted average curve number method for daily runoff simulation | |
| Steger et al. | Alpine snow cover in a changing climate: a regional climate model perspective | |
| Anderson et al. | Progress on incorporating climate change into management of California’s water resources | |
| Allen et al. | Issues, requirements and challenges in selecting and specifying a standardized ET equation | |
| CN110674467B (zh) | 基于swat模型的水文过程对气候变化的响应监测方法 | |
| JP4535379B2 (ja) | 雪氷水資源の分布型評価方法 | |
| Poyck et al. | Combined snow and streamflow modelling to estimate impacts of climate change on water resources in the Clutha River, New Zealand | |
| CN107103396A (zh) | 基于主要svd模态建模的中国季节气候预测方法 | |
| CN110598290A (zh) | 考虑气候变化的流域未来水电发电能力预测方法和系统 | |
| CN116305933B (zh) | 一种基于dem数据的坡面产汇流简易计算方法及装置 | |
| CN113435630A (zh) | 一种产流模式自适应的流域水文预报方法及系统 | |
| Ejieji | Performance of three empirical reference evapotranspiration models under three sky conditions using two solar radiation estimation methods at Ilorin, Nigeria | |
| CN111915098B (zh) | 基于bp神经网络对降水形态转变的预测方法 | |
| Acquaotta et al. | Estimation of rainfall erosivity in Piedmont (Northwestern Italy) by using 10-minute fixed-interval rainfall data | |
| Amognehegn et al. | Analysis of future meteorological, hydrological, and agricultural drought characterization under climate change in Kessie watershed, Ethiopia | |
| Kerim et al. | Study of water allocation for existing and future demands under changing climate condition: case of Upper Awash Sub River Basin | |
| Hu et al. | Relationship between net radiation and broadband solar radiation in the Tibetan Plateau | |
| Ouellet‐Proulx et al. | Implication of evaporative loss estimation methods in discharge and water temperature modelling in cool temperate climates | |
| Kaleris et al. | Case study on impact of atmospheric circulation changes on river basin hydrology: uncertainty aspects | |
| Ghafouri‐Azar et al. | Assessment of the potential changes in low flow projections estimated by Coupled Model Intercomparison Project Phase 5 climate models at monthly and seasonal scales | |
| CN115965243A (zh) | 一种用于土地利用变化下洪涝风险动态评价的模型链 |
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 |