CN112147190A - 基于数据同化和气象数据的土壤墒情站自动校核方法 - Google Patents
基于数据同化和气象数据的土壤墒情站自动校核方法 Download PDFInfo
- Publication number
- CN112147190A CN112147190A CN202011054353.1A CN202011054353A CN112147190A CN 112147190 A CN112147190 A CN 112147190A CN 202011054353 A CN202011054353 A CN 202011054353A CN 112147190 A CN112147190 A CN 112147190A
- Authority
- CN
- China
- Prior art keywords
- data
- observation
- model
- soil
- deviation
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 54
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 3
- 238000001914 filtration Methods 0.000 claims abstract description 3
- 238000009499 grossing Methods 0.000 claims abstract description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- HMFHBZSHGGEWLO-SOOFDHNKSA-N D-ribofuranose Chemical compound OC[C@H]1OC(O)[C@H](O)[C@@H]1O HMFHBZSHGGEWLO-SOOFDHNKSA-N 0.000 abstract 1
- PYMYPHUHKUWMLA-LMVFSUKVSA-N Ribose Natural products OC[C@@H](O)[C@@H](O)[C@@H](O)C=O PYMYPHUHKUWMLA-LMVFSUKVSA-N 0.000 abstract 1
- HMFHBZSHGGEWLO-UHFFFAOYSA-N alpha-D-Furanose-Ribose Natural products OCC1OC(O)C(O)C1O HMFHBZSHGGEWLO-UHFFFAOYSA-N 0.000 abstract 1
- 238000004088 simulation Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 7
- 238000007796 conventional method Methods 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- QBYJBZPUGVGKQQ-SJJAEHHWSA-N aldrin Chemical compound C1[C@H]2C=C[C@@H]1[C@H]1[C@@](C3(Cl)Cl)(Cl)C(Cl)=C(Cl)[C@@]3(Cl)[C@H]12 QBYJBZPUGVGKQQ-SJJAEHHWSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033558 biomineral tissue development Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000004941 influx Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/22—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance
- G01N27/221—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance by investigating the dielectric properties
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/22—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance
- G01N27/223—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance for determining moisture content, e.g. humidity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/245—Earth materials for agricultural purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/246—Earth materials for water content
-
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Electrochemistry (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Environmental & Geological Engineering (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于数据同化和气象数据的土壤墒情站自动校核方法，选用两个模型，将来自FDR未校准的土壤水观测数据同化，结合气象数据，实现FDR观测的自动无偏差校准；当需要更好地消除极端异常的观测数据影响时，采用模型一，模型一在考虑到观测中存在的系统偏差以及兼顾实用性的前提下，将线性的偏差校准模型耦合到现有的基于集合卡尔曼滤波和气象数据的土壤水数据同化方法中；当需要用较少的观测数据消除观测噪声影响时，采用模型二，模型二在考虑到观测中存在的系统偏差以及兼顾实用性的前提下，将线性的偏差校准模型耦合到现有的基于迭代型集合平滑和气象数据的土壤水数据同化方法中。本方法实现了观测校准的自动化。
Description
技术领域
本发明属于环境和农业监测技术领域，具体涉及一种基于数据同化和气象数据的土壤墒情站自动校核方法。
背景技术
准确的土壤水分数据在水文、农业和环境科学等多个研究领域都很高的价值。对于土壤水分数据，虽然直接的重力测量法有很高的准确性，但在实时监测和数据记录方面并不实用，为此，人们发展了介电测量、电阻率测量、热耗散和热脉冲等间接监测方法。在上述间接监测方法中，基于介电测量的频域反射法土壤水分传感器(即，FDR)在近几十年得到了很长远的发展和广泛的应用，因为与其它土壤水分传感器相比，FDR可以封装在一个监测管中，可以方便地以近乎连续的实时方式获取不同深度的土壤水，并通过连接数据记录器，以可较小的成本提供密集(例如，间隔为30分钟)的土壤水时间序列数据。
然而，由于FDR的工作频率较低，因此它对土壤质地、土壤结构、有机质含量、盐度和土壤温度的敏感性要高于其它传感器，由于田间土壤条件的高变异性，工厂的标定值也经常不适用于实际场地的条件，此外，由于FDR的采样体积较小，土壤传感器接触不良可能导致传感器性能较差。
使用简单的线型回归校准就可以大大提高超过工厂校准的测量准确性，每个安装点的FDR传感器都应当根据独立的和相应的重量测量法进行校准，但是，FDR的现场校准工作量往往是巨大的，对于土壤水分监测网来说甚至不切实际的，此外，由于环境的变化，在很长一段时间后，初始的现场校准可能不合适。
发明内容
本发明的目的是提供一种基于数据同化和气象数据的土壤墒情站自动校核方法，本方法实现了观测校准的自动化。
本发明所采用的技术方案是：
一种基于数据同化和气象数据的土壤墒情站自动校核方法，选用两个模型，将来自FDR未校准的土壤水观测数据同化，实现FDR观测的自动无偏差校准；当需要更好地消除极端异常的观测数据影响时，采用模型一，模型一在考虑到观测中存在的系统偏差以及兼顾实用性的前提下，将线性的偏差校准模型耦合到现有的基于集合卡尔曼滤波和气象数据的土壤水数据同化方法中；当需要用较少的观测数据消除观测噪声影响时，采用模型二，模型二在考虑到观测中存在的系统偏差以及兼顾实用性的前提下，将线性的偏差校准模型耦合到现有的基于迭代型集合平滑和气象数据的土壤水数据同化方法中。
进一步地，模型一和模型二进行敏感性测试实用性验证时，包括步骤：
S1、获取不同观测噪声、不同数量的含偏观测数据，不同Monte-Carlo样本数、不同土壤异质性的含偏观测和气象数据；
S2、用模型一和模型二处理步骤S1中的含偏观测数据，分析不同情境下算法的表现；
S3、搜集实际中观测数据和气象数据；
S4、观测数据的质量分析；
S5、含偏观测数据的校准。
本发明的有益效果是：
本方法通过结合数据同化与物理模型、线性含偏观测校准模型，直接利用含偏误差的观测，并结合气象观测数据，实现了观测校准的自动化，节约传统重力法校准花费的时间和人力成本，避免了传统校准方法带来的破坏，提升了土壤水数据的准确度，进而可服务于土壤水监测网的建立，对于环境监测和现代农业的发展更具有实用价值。
附图说明
图1为模型一和模型二进行敏感性测试实用性验证时的流程图。
图2为模型一(EnKF_BA)的流程图。
图3为模型二(IES_BA)的流程图。
图4为传统方法和所提出方法的计算结果在土壤水时间演变对比图；
图5为不同观测噪声、不同数量的含偏观测数据，不同Monte-Carlo样本数、不同土壤异质性的含偏观测和气象数据下传统方法和所提出方法的性能表现。
图6为实际观测数据质量分析。
图7为传统方法和所提出的含偏误差观测自动校准方法的对比图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
由于介电方法获得的未校准土壤水观测与对应的实际土壤水之间存在高度相关性，它们之间的关系通常用线性回归模型来描述，线性回归模型有两个校准参数(即斜率k、截距t)，以反映包括温度、容重和矿化度等影响FDR观测的因子的影响。与以往单参数截距校准模型相比，该模型简化程度较低，但仍遵循简约原则，具有较强的实用性。
虽然未校准的FDR数据时间序列容易获得，包含有用的土壤水动力学信息，但明显的偏差(不是随机噪声)会污染观测信息，在数据同化时应谨慎使用这些未校准的FDR数据。
实施例一
通过一个假设的频率反射仪(FDR)土壤水传感器观测偏差模型引入偏差误差到观测中，利用假设的FDR观测偏差对比探究了传统不考虑FDR观测偏差和开发的可用于校准FDR观测的数据同化方法受不同影响因素的表现。并通过搜集实际算例的土壤水观测数据和气象资料验证了所提出的方法，具体过程如下：
一、试验设计
表一所示为不同影响因素(观测噪声(O),观测数量(N),Monte-Carlo样本数量(E)和未知参数数量(P))的设置。虚拟的偏差校准参数k和t分别设置为0.9和-0.02。土壤水观测的频率是每天一次。考虑到FDR的平均精度，观测中随机噪声的默认标准偏差为0.02m3m-3。需要说明的是，该方法除了适用于FDR土壤水传感器之外，还适用于其他类型的土壤水传感器，本发明实施例对此不作具体限定。
表1影响因子探究
注:除非另有说明，*符号表示模型输入的默认值。
二、数据获取
为了验证数值实验结果，我们搜集了澳大利亚的一个土壤水观测实验点的数据进行验证。实验点位于澳大利亚新南威尔士州，是阿德尔龙河流域的5个土壤水观测站点之一。实验点土壤水分传感器为CS615含水率反射计，根据平衡振荡频率测量土壤含水率，是一种典型的FDR。土壤水观测分别是0.00-0.30m、0.30-0.60m和0.60-0.90m深度的区域观测。实验期在2006年6月22日至2006年10月31日之间，前80天的数据用于同化，后90天数据用于与预测结果进行对比。
三、实际观测数据质量分析
为了检验观测数据是否存在偏差，在试验现场进行了初步的水量平衡分析。图6展示了分析结果，Cp是从上边界累积土壤水分流入量，Ce是上边界累积耗水量，Cd是从下边界累积土壤水流出量，Δ是水量平衡误差。结果显示，随时间增大，Δ基本呈现一种增长的趋势，最后一天的Δ达到-0.059m，对应0.9m的土柱剖面，计算得到的平均土壤含水量误差为-0.066。虽然实际蒸发的累积耗水量和流出下边界的累积耗水量存在不确定性(如图3的阴影所示)，但与水量平衡误差Δ的大小相比，这些不确定性可以忽略不计。这一初步分析结果表明，基于现有的土壤水观测，会存在一个不可接受的水量平衡误差，这表明在该站点的FDR观测存在明显的偏差。
四、方法的实现过程
(1)生成初始样本：根据收集的资料或者合理的猜测，判断模型中存在不确定性的物理量的统计特征，通过数学方法生成初始的样本，以这些样本为数据同化的起点。
(2)模型预报：在预测过程中，通过求解每个样本的控制方程，所有样本相互独立的向前推进，得到状态向量在第k个同化步(或迭代步)的预报值。
式中Fk-1→k为第k个同化步(或迭代步)的预报算子，在软件中即为一系列饱和-非饱和土壤水分运动模拟程序。
(3)含偏误差观测校正：通过寻找含偏误差观测之间的相关性来校正观测数据。
式中da是模型模拟的观测点真实状态，dobs’是利用模型模拟的da和估计的线性校准模型参数ka和ta计算得到的与真实观测相对应的值。数据同化程序通过计算dobs’和dobs的相关性来计算观测的协方差，进而实现含偏观测的自动校准。
(4)同化含偏误差观测信息，更新状态向量
在每一个同化步(或迭代步)k，通过公式(1)、(2)和(3)更新状态向量，即获取状态变量的分析值。
五、结果分析
(1)不同影响因素下的表现
图4展示了传统方法和提出的可校准FDR观测方法模拟土壤水的时间序列图。θt是真实值，θo是观测值。虚线左边是同化过程的结果，虚线右边是预测过程的结果。在同化过程中，传统数据同化方法似乎将模拟结果强制向未标定的FDR观测方向进行偏倚，导致对土壤水力参数的估计较差。由于同化阶段和预测阶段的气象条件不同，传统方法对水力参数错误的估计导致其在预测阶段的模拟结果既不符合实际值，也不符合偏观测值。而新开发的方法能够识别偏差并自动对其进行适当的修正，其预测阶段的结果与土壤水观测的真实值较为接近。新的能够识别FDR土壤水传感器观测偏差的方法(特别是IES)，在预测阶段与同化阶段表现一致，都有不错的结果。图5给出了不同影响下真实值和估计值在预测期的均方根误差。总的来说，新开发的能够校准FDR观测偏差的两种方法优于传统的方法。对于两种新的算法，具体来说，IES使用较少的观测数量就能很好地消除观测噪音(不是观测偏差)的影响，并且能够很好地校准具有较强异质性的土壤下的未标定FDR观测；EnKF可以较好地减弱离群值对模拟结果带来的负面影响，但对Monte-Carlo样本的数量更敏感；EnKF和IES在土壤水力参数的估计上表现相似，但IES对偏差校准参数的估计更好。
(2)实际算例的验证结果
图7给出了传统方法和所提出方法在实际情况下土壤水时间序列模拟结果的比较。θo是观测值，θa是估计值。正如所预期的那样，提出的校准IES方法的性能要明显优于传统的IES方法，这证实了所开发的能够校准FDR观测的数据同化方法的优越性。虽然两种方法在同化期间都有不错的模拟结果，但在预测期间，传统IES方法的性能急剧下降，并且传统IES的预测似乎在向新的IES方法的估计的真实含水率值靠近。新的IES方法的估计的真实含水率值低于观测值，说明未校准的FDR测量值具有高估土壤水的倾向。
六、结论
从上述实施例中可以得出以下结论：
所提出的两种方法都能够很好地校准含偏误差的观测，其中基于IES-Ross的方法(IES_BA)能够用较少数据量的观测数据消除观测噪声影响，基于EnKF-Ross的方法(EnKF_BA)能够更好地消除极端异常的观测数据影响。
所提出的两种算法能够很好校准FDR的观测数据，并且能够据此得到更加精确的土壤水模拟和预测，具有很强的应用前景。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (2)
1.一种基于数据同化和气象数据的土壤墒情站自动校核方法，其特征在于：选用两个模型，将来自FDR未校准的土壤水观测数据同化，结合气象数据，实现FDR观测的自动无偏差校准；当需要更好地消除极端异常的观测数据影响时，采用模型一，模型一在考虑到观测中存在的系统偏差以及兼顾实用性的前提下，将线性的偏差校准模型耦合到现有的基于集合卡尔曼滤波和气象数据的土壤水数据同化方法中；当需要用较少的观测数据消除观测噪声影响时，采用模型二，模型二在考虑到观测中存在的系统偏差以及兼顾实用性的前提下，将线性的偏差校准模型耦合到现有的基于迭代型集合平滑和气象数据的土壤水数据同化方法中。
2.如权利要求1所述的基于数据同化和气象数据的土壤墒情站自动校核方法，其特征在于：模型一和模型二进行敏感性测试实用性验证时，包括步骤，
S1、获取不同观测噪声、不同数量的含偏观测数据，不同Monte-Carlo样本数、不同土壤异质性的含偏观测和气象数据；
S2、用模型一和模型二处理步骤S1中的含偏观测数据，分析不同情境下算法的表现；
S3、搜集实际中观测数据和气象数据；
S4、观测数据的质量分析；
S5、含偏观测数据的校准。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011054353.1A CN112147190A (zh) | 2020-09-29 | 2020-09-29 | 基于数据同化和气象数据的土壤墒情站自动校核方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011054353.1A CN112147190A (zh) | 2020-09-29 | 2020-09-29 | 基于数据同化和气象数据的土壤墒情站自动校核方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112147190A true CN112147190A (zh) | 2020-12-29 |
Family
ID=73894492
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011054353.1A Pending CN112147190A (zh) | 2020-09-29 | 2020-09-29 | 基于数据同化和气象数据的土壤墒情站自动校核方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112147190A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116484287A (zh) * | 2023-06-21 | 2023-07-25 | 云南省地质矿产勘查开发局中心实验室(自然资源部昆明矿产资源检测中心) | 基于误差修正的土壤水分预测方法、系统、终端及介质 |
-
2020
- 2020-09-29 CN CN202011054353.1A patent/CN112147190A/zh active Pending
Non-Patent Citations (1)
| Title |
|---|
| PEIJUN LI ET AL.: "《Data assimilation of uncalibrated soil moisture measurements from frequency-domain reflectometry》", 《GEODERMA》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116484287A (zh) * | 2023-06-21 | 2023-07-25 | 云南省地质矿产勘查开发局中心实验室(自然资源部昆明矿产资源检测中心) | 基于误差修正的土壤水分预测方法、系统、终端及介质 |
| CN116484287B (zh) * | 2023-06-21 | 2023-09-01 | 云南省地质矿产勘查开发局中心实验室(自然资源部昆明矿产资源检测中心) | 基于误差修正的土壤水分预测方法、系统、终端及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lü et al. | The streamflow estimation using the Xinanjiang rainfall runoff model and dual state-parameter estimation method | |
| Gaillard et al. | Quality control of large Argo datasets | |
| CN112800636B (zh) | 一种估算无资料地区流域地表水资源量的方法及系统 | |
| CN106483147B (zh) | 基于多源数据的长时间序列被动微波土壤水分精度改进研究方法 | |
| KR101908865B1 (ko) | 기온 측정 자료의 품질 분석방법 | |
| Abera et al. | Estimating the water budget components and their variability in a pre-alpine basin with JGrass-NewAGE | |
| Mattern et al. | Improving variational data assimilation through background and observation error adjustments | |
| Raoult et al. | Evaluating and optimizing surface soil moisture drydowns in the ORCHIDEE land surface model at in situ locations | |
| CN113591288A (zh) | 一种基于克里格插值的土壤湿度数据预测方法及装置 | |
| CN116579128A (zh) | 基于机器学习模型的工业园区地下水污染在线预测方法 | |
| CN112147190A (zh) | 基于数据同化和气象数据的土壤墒情站自动校核方法 | |
| Bandara et al. | Towards soil property retrieval from space: Proof of concept using in situ observations | |
| Wang et al. | Spatial Variation of Extreme Rainfall Observed From Two Century‐Long Datasets | |
| CN106777757B (zh) | 植被叶面积指数的估计方法及装置 | |
| CN113486295A (zh) | 基于傅里叶级数的臭氧总量变化预测方法 | |
| Wittler et al. | Calibration of electromagnetic induction for regional assessment of soil water salinity in an irrigated valley | |
| Sun et al. | Data assimilation for streamflow forecasting: state–parameter assimilation versus output assimilation | |
| De Lannoy et al. | Adaptive soil moisture profile filtering for horizontal information propagation in the independent column-based CLM2. 0 | |
| CN110705811B (zh) | 基于水位埋深值预测产量的方法和装置 | |
| Vovna et al. | Study of metrological characteristics of low-cost digital temperature sensors for greenhouse conditions | |
| CN115935717A (zh) | 一种基于统计模型的流域径流预测方法及装置 | |
| 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 | |
| CN114723166A (zh) | 一种基于XGBoost模型的地表温度重建方法 | |
| Dai et al. | Impact of complexity of radar rainfall uncertainty model on flow simulation | |
| CN114117953B (zh) | 水文模型结构诊断方法、径流预报方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201229 |