CN112580771A - 一种利用发射率数据获取黑土土壤全磷含量的反演方法 - Google Patents
一种利用发射率数据获取黑土土壤全磷含量的反演方法 Download PDFInfo
- Publication number
- CN112580771A CN112580771A CN202011557308.8A CN202011557308A CN112580771A CN 112580771 A CN112580771 A CN 112580771A CN 202011557308 A CN202011557308 A CN 202011557308A CN 112580771 A CN112580771 A CN 112580771A
- Authority
- CN
- China
- Prior art keywords
- inversion method
- network
- phosphorus content
- total phosphorus
- population
- 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 42
- 238000000034 method Methods 0.000 title claims abstract description 37
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 title claims abstract description 34
- 229910052698 phosphorus Inorganic materials 0.000 title claims abstract description 34
- 239000011574 phosphorus Substances 0.000 title claims abstract description 34
- 239000002245 particle Substances 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 230000004913 activation Effects 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 27
- 238000012417 linear regression Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000009326 social learning Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于信息提取技术领域，具体涉及一种利用发射率数据获取黑土土壤全磷含量的反演方法。粒子速度及种群初始化，DNN网络架构设置，选择网络训练算法、选择网络激活函数进行网格训练，确定测试集误差范数得到粒子适应度值和个体和群体极值，更新粒子位置与速度并重新计算适应度值、更新个体极值与群体极值，并记录。有效提高发射率对黑土土壤全磷含量的反演精度，解决传统土壤元素含量填图过于依赖控制点问题，减少野外工作量，为发射率数据的应用提出了新的思路。
Description
技术领域
本发明属于信息提取技术领域，具体涉及一种利用发射率数据获取黑土土壤全磷含量的反演方法。
背景技术
土壤磷素含量是评价土壤养分的重要指标之一。对土壤磷元素含量获取的传统流程是通过在控制点处取得土壤样品，进行室内化学分析得到元素含量，最后通过插值得到整个研究区的元素含量分布图。传统方法的不足体现在：首先，元素含量分布图的准确性过于受制于采样点的分布与采样密度，在研究区范围过大采样点分布不均匀时反演精度就会收到很大影响；其次，费时费力，需要在每一个控制点采集新鲜的土壤样品进行室内化学分析，某些地块客观上无法到达，限制了反演精度；最后，利用热红外发射率数据对土壤全磷含量的反演研究多使用常规线性回归方法建立模型，未探究机器学习模型在该领域中的应用效果。
因此需要提出一种基于机器学习模型，利用发射率数据获取黑土土壤全磷含量的反演方法，以获得较高反演精度和效率，同时解决现有技术的不足。
发明内容
本发明的目的是提供一种利用发射率数据获取黑土土壤全磷含量的反演方法，能进一步提高黑土土壤全磷含量的反演精度和效率。
本发明的技术方案如下：
一种利用发射率数据获取黑土土壤全磷含量的反演方法，包括如下步骤：
步骤1)粒子速度及种群初始化
设置个体与社会学习因子、惯性因子、进化代数、种群规模、粒子速度区间和个体区间；在深度神经网络所有的初始权重和阈值中随机产生若干个参数作为初始种群和对应速度；
步骤2)进行DNN网络架构设置
构建含有三隐藏层的深度神经网络；
步骤3)确定网络训练算法；
步骤4)选择网络激活函数；
步骤5)进行网络训练；
利用步骤1)中的随机参数作为神经网络的初始权重和偏置值进行深度神经网络训练；
步骤6)确定测试集误差范数；
步骤7)确定粒子适应度值；
步骤8)确定个体和群体极值；
分别计算种群中的粒子适应度值，取其中的最小值作为群体与个体极值，分别获取最优个体与群体的位置和适应度值；
步骤9)更新粒子位置与速度并重新计算适应度值；
步骤10)在根据步骤8)中的方法确定更新后的个体极值与群体极值；
步骤11)记录最优群体适应度值；
步骤12)最优个体参数代入DNN网络，重新赋予DNN的各个节点，作为最优初始权重和偏置值；
步骤13)用训练集数据再次进行网络训练。
所述的步骤1)中，个体与社会学习因子均设置为1.49，惯性因子为0.65，进化代数为25代，种群规模为100个，粒子速度区间[-1,1]，个体区间[-1,1]，深度神经网络所有的初始权重和阈值共152个参数，随机产生152个参数作为初始种群，随机产生152个参数作为对应速度。
所述的步骤2)中，构建含有三隐藏层的深度神经网络，隐藏层节点个数分别为10-8-6，输入层节点个数为特征优选后的5个波段，训练次数为1000轮，以均方根误差为评价网络性能的代价函数。
所述的步骤3)中，选择弹性传播(RP)算法为网络的训练算法，弹性传播算法利用误差反向传播来更新权重和偏置值，其每个参数值具体更新方式为：
dX＝deltaX.*sign(gX)公式 (1)
其中，X为所有权重和偏置值矩阵，dX为该矩阵的导数，gX为梯度，sign为计数符号。
所述的步骤4)中选择ReLU为网络前三层的激活函数，输入层与隐藏层、隐藏层与隐藏层的激活函数均采用ReLU函数，隐藏层与输出层的激活函数为线性函数Purelin；
ReLU：f(x)＝max(0，x)，Purelin：f(x)＝x。
所述的步骤6)中的误差范数v由网络测试集与验证集差值根据公式
计算所得，式中ya为测试集中土壤全磷含量预测值，yb为测试集中土壤全磷含量真实值。
所述的步骤7)中，测试集误差范数作为粒子适应度值。
还包括步骤14)预测与验证，用训练好的深度神经网络进行测试集的预测并利用线性回归模型进行精度评价。
利用线性回归模型对上述深度神经网络的预测值与真实值进行回归，采用决定系数(R2)和均方根误差(RMSE)两个指标对模型的有效性进行评价.
随机选取土壤样本总数的三分之二用于网络训练，三分之一用于网络测试。
本发明的显著效果如下：使用的包含3个隐藏层经过粒子群优化初始权重和阈值，选择Fletcher-Reeves算法为训练算法的深度神经网络(Deep Neural Networks，DNN)速度快精度高，有效提高发射率对黑土土壤全磷含量的反演精度，解决传统土壤元素含量填图过于依赖控制点问题，减少野外工作量，为发射率数据的应用提出了新的思路。
附图说明
图1为本方法的流程图。
具体实施方式
下面通过附图及具体实施方式对本发明作进一步说明。
步骤1)粒子速度及种群初始化
个体与社会学习因子均设置为1.49，惯性因子为0.65，进化代数为25代，种群规模为100个，粒子速度区间[-1,1]，个体区间[-1,1]。既定结构的深度神经网络所有的初始权重和阈值共152个参数，随机产生152个参数作为初始种群，随机产生152个参数作为对应速度。
步骤2)进行DNN网络架构设置
构建含有三隐藏层的深度神经网络，隐藏层节点个数分别为10-8-6，输入层节点个数为特征优选后的5个波段，训练次数为1000轮，以均方根误差为评价网络性能的代价函数。
步骤3)选择弹性传播(RP)算法为网络的训练算法
选择弹性传播(RP)算法为网络的训练算法，弹性传播算法利用误差反向传播来更新权重和偏置值，其每个参数值具体更新方式为：
dX＝deltaX.*sign(gX)公式 (1)
其中，X为所有权重和偏置值矩阵，dX为该矩阵的导数，gX为梯度，sign为计数符号。
步骤4)选择ReLU为网络前三层的激活函数
输入层与隐藏层、隐藏层与隐藏层的激活函数均采用ReLU函数，隐藏层与输出层的激活函数为线性函数Purelin。
ReLU：f(x)＝max(0，x)，Purelin：f(x)＝x。
步骤5)网络训练
将步骤1)随机产生的152个参数作为神经网络的初始权重和偏置值，利用matlab平台进行深度神经网络训练。
步骤6)测试集误差范数
误差范数v由网络测试集与验证集差值根据公式
计算所得。式中ya为测试集中土壤全磷含量预测值，yb为测试集中土壤全磷含量真实值。
步骤7)粒子适应度值
将步骤6)中的测试集误差范数作为粒子适应度值。
步骤8)根据粒子适应度值确定个体和群体极值
分别计算种群1-100中的粒子适应度值，取其中的最小值作为群体与个体极值，分别获取最优个体与群体的位置和适应度值。
步骤9)更新粒子位置与速度并重新计算适应度值
在1-25代进化中，根据步骤1)所设粒子速度更新粒子变化速度与种群，重新根据步骤6)中的公式获得进化后的粒子适应度值。
步骤10)更新个体极值与群体极值
在根据步骤8中的方法确定更新后的个体极值与群体极值。
步骤11)记录最优个体
记录最优群体适应度值。
步骤12)最优个体参数代入DNN网络
根据适应度函数优选出最优的个体(群体适应度值最小)，将其参数重新赋予DNN的各个节点，作为最优初始权重和偏置值。
步骤13)网络训练
用训练集数据再次进行网络的训练。
步骤14)预测与验证
用训练好的深度神经网络进行测试集的预测并利用线性回归模型进行精度评价。
利用皮尔森回归确定各个波段原始发射率值与土壤全磷含量的回归系数，选取回归系数最高的前若干个波段作为输入神经网络的特征波段。
依据特征波段建立深度神经网络模型中：
随机选取土壤样本总数的三分之二用于网络训练，三分之一用于网络测试。构建一个含有三隐藏层的深度神经网络，隐藏层节点个数分别为10-8-6，输入层节点个数为特征优选后的若干个波段，输入层与隐藏层、隐藏层与隐藏层的激活函数均为ReLU，隐藏层与输出层的激活函数为线性purelin，选择弹性传播(RP)算法为网络的训练算法，以土壤全磷含量预测值与真实值的均方根误差(Root Mean Squared Error，RMSE)为评价网络性能的代价函数。
利用粒子群优化算法(Particle Swarm Optimiazation，PSO)对深度神经网络进行最优初始权重和阈值的优化。将深度神经网络所有的初始权重和阈值作为个体，不同权重更新算法训练下的网络测试集误差范数作为PSO算法的适应度函数(下式)，个体与社会学习因子均设置为1.49，惯性因子为0.65，进化代数为25代，种群规模为100个，粒子速度区间[-1,1]，个体区间[-1,1]，同时借鉴遗传算法中的变异思想，加入了简单变异算子，用来拓展种群搜索空间，保持种群多样性，提高算法寻找到最优值得可能性：当速度更新值的随机系数[0,1]大于0.95时，在该种群个体内的随机位置(权值和阈值位置)产生变异，变异值取值范围[-1,1]。
将测试集误差范数作为粒子适应度值，分别计算种群1-100中的粒子适应度值，取其中的最小值作为群体与个体极值，分别获取最优个体与群体的位置和适应度值，在1-25代进化中，根据粒子群算法初始化参数所设粒子速度更新粒子变化速度与种群，重新计算进化后的粒子适应度值，从而再次更新个体极值与群体极值，最后记录最优群体适应度值，将根据适应度函数优选出的最优个体参数重新赋予神经网络的各个节点，作为最优初始权重和偏置值。用训练集数据再次进行网络的训练，用训练好的深度神经网络进行测试集土壤全磷含量的预测并利用线性回归模型与真实含量进行精度评价
利用线性回归模型对上述深度神经网络的预测值与真实值进行回归，采用决定系数(R2)和均方根误差(RMSE)两个指标对模型的有效性进行评价，R2越大RMSE越小则表示模型越可靠，预测能力越强。分别对比偏最小二乘回归(PLSR)算法与逐步回归算法(SR)的两个评价指标，本发明提出的方法有效提高反演精度，是一种精度较高的反演模型。
表1模型精度对比
综合来看，本发明提出的采用粒子群算法优化初始权重和偏置值，激活函数为ReLU，训练算法为弹性传播(RP)算法的含有三隐藏层深度神经网络，提高了土壤全磷含量的反演精度，是一种高效的利用发射率数据获取黑土土壤全磷含量的反演方法。
上面结合实施例对本发明作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。本发明中未作详细描述的内容均可以采用现有技术。
Claims (10)
1.一种利用发射率数据获取黑土土壤全磷含量的反演方法，其特征在于，包括如下步骤：
步骤1)粒子速度及种群初始化
设置个体与社会学习因子、惯性因子、进化代数、种群规模、粒子速度区间和个体区间；在深度神经网络所有的初始权重和阈值中随机产生若干个参数作为初始种群和对应速度；
步骤2)进行DNN网络架构设置
构建含有三隐藏层的深度神经网络；
步骤3)确定网络训练算法；
步骤4)选择网络激活函数；
步骤5)进行网络训练；
利用步骤1)中的随机参数作为神经网络的初始权重和偏置值进行深度神经网络训练；
步骤6)确定测试集误差范数；
步骤7)确定粒子适应度值；
步骤8)确定个体和群体极值；
分别计算种群中的粒子适应度值，取其中的最小值作为群体与个体极值，分别获取最优个体与群体的位置和适应度值；
步骤9)更新粒子位置与速度并重新计算适应度值；
步骤10)在根据步骤8)中的方法确定更新后的个体极值与群体极值；
步骤11)记录最优群体适应度值；
步骤12)最优个体参数代入DNN网络，重新赋予DNN的各个节点，作为最优初始权重和偏置值；
步骤13)用训练集数据再次进行网络训练。
2.如权利要求1所述的一种利用发射率数据获取黑土土壤全磷含量的反演方法，其特征在于：所述的步骤1)中，个体与社会学习因子均设置为1.49，惯性因子为0.65，进化代数为25代，种群规模为100个，粒子速度区间[-1,1]，个体区间[-1,1]，深度神经网络所有的初始权重和阈值共152个参数，随机产生152个参数作为初始种群，随机产生152个参数作为对应速度。
3.如权利要求2所述的一种利用发射率数据获取黑土土壤全磷含量的反演方法，其特征在于：所述的步骤2)中，构建含有三隐藏层的深度神经网络，隐藏层节点个数分别为10-8-6，输入层节点个数为特征优选后的5个波段，训练次数为1000轮，以均方根误差为评价网络性能的代价函数。
4.如权利要求3所述的一种利用发射率数据获取黑土土壤全磷含量的反演方法，其特征在于：所述的步骤3)中，选择弹性传播(RP)算法为网络的训练算法，弹性传播算法利用误差反向传播来更新权重和偏置值，其每个参数值具体更新方式为：
dX＝deltaX.*sign(gX) 公式(1)
其中，X为所有权重和偏置值矩阵，dX为该矩阵的导数，gX为梯度，sign为计数符号。
5.如权利要求2所述的一种利用发射率数据获取黑土土壤全磷含量的反演方法，其特征在于：所述的步骤4)中选择ReLU为网络前三层的激活函数，输入层与隐藏层、隐藏层与隐藏层的激活函数均采用ReLU函数，隐藏层与输出层的激活函数为线性函数Purelin；
ReLU：f(x)＝max(0，x)，Purelin：f(x)＝x。
6.如权利要求5所述的一种利用发射率数据获取黑土土壤全磷含量的反演方法，其特征在于：所述的步骤6)中的误差范数v由网络测试集与验证集差值根据公式
计算所得，式中ya为测试集中土壤全磷含量预测值，yb为测试集中土壤全磷含量真实值。
7.如权利要求6所述的一种利用发射率数据获取黑土土壤全磷含量的反演方法，其特征在于：所述的步骤7)中，测试集误差范数作为粒子适应度值。
8.如权利要求6所述的一种利用发射率数据获取黑土土壤全磷含量的反演方法，其特征在于：还包括步骤14)预测与验证，用训练好的深度神经网络进行测试集的预测并利用线性回归模型进行精度评价。
9.如权利要求8所述的一种利用发射率数据获取黑土土壤全磷含量的反演方法，其特征在于：利用线性回归模型对上述深度神经网络的预测值与真实值进行回归，采用决定系数(R2)和均方根误差(RMSE)两个指标对模型的有效性进行评价。
10.如权利要求2所述的一种利用发射率数据获取黑土土壤全磷含量的反演方法，其特征在于：随机选取土壤样本总数的三分之二用于网络训练，三分之一用于网络测试。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011557308.8A CN112580771A (zh) | 2020-12-25 | 2020-12-25 | 一种利用发射率数据获取黑土土壤全磷含量的反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011557308.8A CN112580771A (zh) | 2020-12-25 | 2020-12-25 | 一种利用发射率数据获取黑土土壤全磷含量的反演方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112580771A true CN112580771A (zh) | 2021-03-30 |
Family
ID=75139741
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011557308.8A Pending CN112580771A (zh) | 2020-12-25 | 2020-12-25 | 一种利用发射率数据获取黑土土壤全磷含量的反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112580771A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184416A (zh) * | 2015-09-23 | 2015-12-23 | 上海大学 | 基于粒子群优化反向传播神经网络的脉动风速预测方法 |
| CN108896492A (zh) * | 2018-08-07 | 2018-11-27 | 华南农业大学 | Pso-bp神经网络模型的训练方法、存储介质及终端 |
| CN110046710A (zh) * | 2019-04-11 | 2019-07-23 | 山东师范大学 | 一种神经网络的非线性函数极值优化方法及系统 |
| CN111157698A (zh) * | 2019-12-24 | 2020-05-15 | 核工业北京地质研究院 | 一种利用发射率数据获取黑土土壤全钾含量的反演方法 |
-
2020
- 2020-12-25 CN CN202011557308.8A patent/CN112580771A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184416A (zh) * | 2015-09-23 | 2015-12-23 | 上海大学 | 基于粒子群优化反向传播神经网络的脉动风速预测方法 |
| CN108896492A (zh) * | 2018-08-07 | 2018-11-27 | 华南农业大学 | Pso-bp神经网络模型的训练方法、存储介质及终端 |
| CN110046710A (zh) * | 2019-04-11 | 2019-07-23 | 山东师范大学 | 一种神经网络的非线性函数极值优化方法及系统 |
| CN111157698A (zh) * | 2019-12-24 | 2020-05-15 | 核工业北京地质研究院 | 一种利用发射率数据获取黑土土壤全钾含量的反演方法 |
Non-Patent Citations (2)
| Title |
|---|
| 严武元等: "PSO-BP混合预测模型及 在港口集装箱吞吐量预测中的应用", 《武汉理工大学学报》, 15 June 2007 (2007-06-15), pages 1 - 4 * |
| 李明;秦凯;赵宁博;田丰;赵英俊;: "基于TASI热红外数据的黑土土壤发射率光谱与土壤全钾含量关系研究", 光谱学与光谱分析, no. 09, 7 September 2020 (2020-09-07) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110363344B (zh) | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 | |
| CN110517482B (zh) | 一种基于3d卷积神经网络的短时交通流预测方法 | |
| CN113568055A (zh) | 一种基于lstm网络的航空瞬变电磁数据反演方法 | |
| CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
| CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
| CN114662414B (zh) | 一种基于图小波神经网络模型的油藏生产预测方法 | |
| CN102542051A (zh) | 一种随机分布型地理要素的多目标协同抽样方案设计方法 | |
| CN111027882A (zh) | 一种基于高阶神经网络利用常规测井资料评价脆性指数的方法 | |
| CN117150821B (zh) | 基于智能化仿真的装备效能评估数据集的构建方法 | |
| CN112712169A (zh) | 基于图卷积的全残差深度网络的模型建立方法及应用 | |
| CN111931983A (zh) | 一种降水量预测方法及系统 | |
| CN115270239A (zh) | 基于动力特性和智能算法响应面法的桥梁可靠性预测方法 | |
| CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
| CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
| CN114578087B (zh) | 基于非支配排序和随机模拟算法的风速不确定性度量方法 | |
| CN115877483A (zh) | 一种基于随机森林和gru的台风路径预报方法 | |
| CN115907178B (zh) | 一种净生态系统co2交换量的预测方法 | |
| CN112580771A (zh) | 一种利用发射率数据获取黑土土壤全磷含量的反演方法 | |
| CN111914465A (zh) | 基于聚类及粒子群优化的无资料地区水文参数率定方法 | |
| CN111914487A (zh) | 一种基于对抗神经网络的无资料地区水文参数率定方法 | |
| CN116822566A (zh) | 一种短期光伏发电功率预测方法 | |
| KR101460413B1 (ko) | 유전 알고리즘을 활용하여 다중 지표 물리 과정 조합이 가능한 지면모델에서의 지표 물수지 시뮬레이션을 개선하는 방법 | |
| CN103778327A (zh) | 一种曲线拟合方法 | |
| CN116451582B (zh) | 基于机器学习融合模型的火灾热释放速率测量系统和方法 | |
| CN113035363B (zh) | 一种概率密度加权的遗传代谢病筛查数据混合采样方法 |
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 |