CN112989281A - 一种基于遥感藻总量的藻华预测方法 - Google Patents

一种基于遥感藻总量的藻华预测方法 Download PDF

Info

Publication number
CN112989281A
CN112989281A CN202110192446.9A CN202110192446A CN112989281A CN 112989281 A CN112989281 A CN 112989281A CN 202110192446 A CN202110192446 A CN 202110192446A CN 112989281 A CN112989281 A CN 112989281A
Authority
CN
China
Prior art keywords
algal bloom
occurrence
algae
algal
remote sensing
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
Application number
CN202110192446.9A
Other languages
English (en)
Other versions
CN112989281B (zh
Inventor
刘�东
段洪涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Institute of Geography and Limnology of CAS
Original Assignee
Nanjing Institute of Geography and Limnology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Institute of Geography and Limnology of CAS filed Critical Nanjing Institute of Geography and Limnology of CAS
Priority to CN202110192446.9A priority Critical patent/CN112989281B/zh
Publication of CN112989281A publication Critical patent/CN112989281A/zh
Application granted granted Critical
Publication of CN112989281B publication Critical patent/CN112989281B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/55—Specular reflectivity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Pure & Applied Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于遥感藻总量的藻华预测方法，通过对历史时期遥感监测的藻华发生情况、遥感藻总量和不同气象指标进行大数据分析，然后构建不同湖区藻华发生概率的Logistic预测模型，实现基于遥感藻总量的藻华发生概率预测。本发明采用流行病学研究中使用较多的Logistic回归分析，实现了藻华发生概率（连续）预测。

Description

一种基于遥感藻总量的藻华预测方法
技术领域
本发明涉及卫星遥感技术及其应用领域，具体涉及一种基于遥感藻总量的藻华预测方法。
背景技术
在剧烈人为活动影响下，湖泊富营养化情形日益加重，湖泊中藻类呈暴发式增多，从而在水表形成藻华。藻华发生后，水体透明度会极大的降低，不利于水生植被生长，藻类细胞的分解还会消耗水体溶解氧从而恶化水质，藻类细胞分解还会产生恶臭难闻的气体。为了治理或缓解藻华暴发带来的生态环境危害，国家与地方地方政府投入了大量的人力、物力和财力进行藻类打捞去除。为了高效合理的进行藻类打捞，需要科学合理的预测藻华发生的区域及概率，以便科学提前安排打捞计划。
关于藻华预测，由于模型难以处理藻华暴发的极值问题，目前基本使用的基本都是经验统计法，但对藻华的定义、所使用的方法各异。关于藻华的定义，一些研究使用的是水表叶绿素(Chl-a)浓度，另一些研究则使用卫星监测的藻华发生与否。关于所用方法方面，一些研究使用各种气象因子构建统计关系，另一些研究则使用缺乏机理解释的机器学习统计算法。事实上，已有的大量研究结果表明：藻华暴发就是水体中藻总量达到一定水平后，风速等气象因子满足一定条件下水柱中藻类上浮至表层而形成的一种短期现象。由于受限于水柱中藻总量获取难度大，之前的一些藻华预测方法仅仅使用了气象因子。然而，针对一个水体区域，仅仅依赖于气象因子构建的藻华预测方法，在应用于其他水体时常出现不适用。
发明内容
为实现富营养化湖泊藻华发生概率的预测，借助于历史时期卫星遥感数据监测到的藻华、水柱内藻总量和综合气象因子，本发明构建了一种基于遥感藻总量的富营养化湖泊藻华发生概率Logistic二值预测模型，模型输入综合考虑了水柱内藻总量和气象因子。具体技术方案如下：
(1)获取待预测湖泊历史时期的遥感影像数据，将影像像元分类为藻华发生像元和藻华不发生像元，构建确定区域藻华发生与否的样本库；
(2)基于遥感反演估算像元尺度水柱内藻总量，计算湖区内不同区域的藻总量平均值；
(3)基于历史气象数据遴选影响藻华发生的敏感气象因子；
(4)以藻总量平均值和遴选出的敏感气象因子为输入，以对应的藻华发生与否样本库值为输出，对Logistic模型进行训练，得到参数化的藻华发生概率Logistic预测模型。
具体预测模型如下：
Figure BDA0002945533890000021
式中，ρ为藻华发生概率；x1,x2,…,xn为用于藻华发生概率预测的不同因子，包括藻总量和不同气象因子；β0,βk,…,βn为各个预测因子的Logistic回归分析拟合系数，即贡献权重。
作为本发明的进一步改进，所述遥感影像数据选用MODIS数据。由于藻华暴发具有高时间动态特征，因此本发明使用高时间分辨率的MODIS遥感数据。
作为本发明的进一步改进，所述遥感影像数据为经几何校正和大气校正的遥感影像数据。
作为本发明的进一步改进，基于像元FAI值将像元划分为藻华发生像元和藻华不发生像元。
作为本发明的进一步改进，所述样本库构建时，基于不同区域包含的藻华发生像元/藻华不发生像元占比，划分出藻华发生区域和藻华不发生区域。
进一步的，将遥感有效像元>70％且＞5％为藻华发生像元的区域划分为藻华发生区域；将遥感有效像元>70％且＞5％为藻华不发生像元的区域划分藻华不发生区域。
作为本发明的进一步改进，将藻华发生区域按藻华发生像元数目从高至低排序，取前30％作为模型输入样本；将藻华不发生区域按藻华发生像元数目从低至高排序，取前30％作为模型输入样本。
作为本发明的进一步改进，所述水柱内藻总量基于水柱内叶绿素a含量估算。
作为本发明的进一步改进，所述影响藻华发生的敏感气象因子基于不同气象因子与藻华发生与否的统计关系遴选。
作为本发明的进一步改进，使用遥感反演的近五日藻总量平均值和预报的次日气象数据进行次日藻华发生概率的预测。由于遥感数据常常受云雨的影响，而藻总量在短期内不会发生很大的波动，本发明使用湖区前五日藻总量平均值输入已构建好的Logistic模型，进行藻华发生概率预测。
本发明通过对历史时期遥感监测的藻华发生情况、遥感藻总量和不同气象指标进行大数据分析，然后构建不同湖区藻华发生概率的Logistic预测模型，实现基于前五日遥感藻总量的次日藻华发生概率预测。本发明具有如下有益效果：
(1)由于历史时期的遥感监测结果只能得到藻华发生或不发生(二值)，为实现藻华发生概率(连续)预测，本发明采用流行病学研究中使用较多的Logistic回归分析，实现了藻华发生概率(连续)预测(概率百分比)；
(2)对历史时期遥感数据监测的湖区藻华面积、面积占比等进行大数据分析，构建了一种基于历史时期遥感监测结果的藻华发生与否的样本库确定方法，建立了科学合理的预测模型。
(3)基于遥感藻总量和气象数据的藻华发生概率模型，可拓展性强。
附图说明
图1是本发明方法流程图。
具体实施方式
实施例以中国典型富营养湖泊-巢湖为例，对本发明的技术方案作进一步阐述，具体如下：
(1)获取待预测湖泊历史时期的遥感影像数据。
由于藻华暴发具有高时间动态特征，因此本发明使用高时间分辨率的MODIS遥感数据。为去除大气的影响，先使用SeaDAS软件系统进行几何校正、大气辐射校正等处理，得到经瑞利散射校正后的大气顶层遥感反射率(Rrc)。
(2)历史时期藻华分布遥感反演，将影像像元分类为藻华发生像元和藻华不发生像元。
由瑞利散射校正后的大气顶层遥感反射率Rrc，根据已报道的公式(2)计算得到不同像元处的表层FAI：
Figure BDA0002945533890000031
其中，Rrc(645)、Rrc(859)和Rrc(1240)分别是MODIS遥感数据中心波长为645nm，859nm和1240nm的波段的大气顶层遥感反射率。然后，以0.02为阈值，像元FAI≥0.02判断为藻华发生，像元FAI<0.02判断为藻华不发生。
(3)藻华发生与否模型输入样本库构建。
为了去除遥感不确定性和噪声的影响，本发明通过两步确定藻华发生与否情况的样本库：①遥感有效像元>70％且其中>5％为藻华发生像元，则判断为藻华发生；对于判断为藻华发生的样本，仅取藻华发生面积多的前30％作为模型输入样本(赋值为1，即藻华发生概率为100％)。②同时，也通过下面两步确定藻华不发生的样本库：遥感有效像元>70％且其中<5％为藻华不发生像元，则判断为藻华不发生；对于判断为藻华不发生的样本，仅取藻华发生面积少的前30％作为模型输入样本(赋值为0，即藻华发生概率为0％)。
(4)基于遥感反演估算像元尺度水柱内藻总量。
由瑞利散射校正后的大气顶层遥感反射率Rrc，根据公式(3)计算得到不同像元水柱内藻总量。
Figure BDA0002945533890000041
其中，Chl-a(z)表示水柱内深度为z的Chl-a浓度。C0，n1和n2为对应函数系数。
(5)湖区藻华发生概率Logistic预测模型构建。首先，根据遥感反演的像元尺度水柱内藻总量，计算湖区内不同区域的藻总量平均值；其次，分析风速、水汽压、气温和湿度等不同气象因子与藻华发生与否的统计关系，遴选出影响藻华发生的敏感气象因子；最后，以平均藻总量和敏感气象因子为输入，以对应的藻华发生与否样本库值为输出，对Logistic模型进行训练，得到参数化的藻华发生概率Logistic预测模型。
对于巢湖，分析得到的敏感气象因子为气温和水汽压，因此得到巢湖藻华发生概率预测模型如公式(4)所示。
Figure BDA0002945533890000042
(6)湖区前五日藻总量平均值计算。
(7)次日藻华发生概率预测。将前五日的藻总量平均值和预报的次日气温和水汽压输入已构建好的Logistic模型，进行湖区藻华发生概率预测。输出结果为0～100％的值，值越高则判断为次日藻华发生的概率越大。按富营养化特征可以将巢湖分析西、中、东巢湖：上述构建的模型应用于西巢湖的藻华发生预测精度为90.0％，中巢湖的藻华发生预测精度为85.0％，东巢湖的藻华发生预测精度为89.5％。

Claims (10)

1.一种基于遥感藻总量的藻华预测方法，其特征在于，包括：
（1）获取待预测湖泊历史时期的遥感影像数据，将影像像元分类为藻华发生像元和藻华不发生像元，构建确定区域藻华发生与否的样本库；
（2）基于遥感反演估算像元尺度水柱内藻总量，计算湖区内不同区域的藻总量平均值；
（3）基于历史气象数据遴选影响藻华发生的敏感气象因子；
（4）以藻总量平均值和遴选出的敏感气象因子为输入，以对应的藻华发生与否样本库值为输出，对Logistic模型进行训练，得到参数化的藻华发生概率Logistic预测模型。
2.根据权利要求1所述的方法，其特征在于，所述遥感影像数据选用MODIS数据。
3.根据权利要求1所述的方法，其特征在于，所述遥感影像数据为经几何校正和大气校正的遥感影像数据。
4.根据权利要求1所述的方法，其特征在于，基于像元FAI值将像元划分为藻华发生像元和藻华不发生像元。
5.根据权利要求1所述的方法，其特征在于，所述样本库构建时，基于不同区域包含的藻华发生像元/藻华不发生像元占比，划分出藻华发生区域和藻华不发生区域。
6.根据权利要求1或5所述的方法，其特征在于，将遥感有效像元>70%且＞5%为藻华发生像元的区域划分为藻华发生区域；
将遥感有效像元>70%且＞5%为藻华不发生像元的区域划分藻华不发生区域。
7.根据权利要求5所述的方法，其特征在于，将藻华发生区域按藻华发生像元数目从高至低排序，取前30%作为模型输入样本；
将藻华不发生区域按藻华发生像元数目从低至高排序，取前30%作为模型输入样本。
8.根据权利要求1所述的方法，其特征在于，所述水柱内藻总量基于水柱内叶绿素a含量估算。
9.根据权利要求1所述的方法，其特征在于，所述影响藻华发生的敏感气象因子基于不同气象因子与藻华发生与否的统计关系遴选。
10.根据权利要求1所述的方法，其特征在于，使用遥感反演的近五日藻总量平均值和预报的次日气象数据进行次日藻华发生概率的预测。
CN202110192446.9A 2021-02-20 2021-02-20 一种基于遥感藻总量的藻华预测方法 Active CN112989281B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110192446.9A CN112989281B (zh) 2021-02-20 2021-02-20 一种基于遥感藻总量的藻华预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110192446.9A CN112989281B (zh) 2021-02-20 2021-02-20 一种基于遥感藻总量的藻华预测方法

Publications (2)

Publication Number Publication Date
CN112989281A true CN112989281A (zh) 2021-06-18
CN112989281B CN112989281B (zh) 2023-09-12

Family

ID=76393691

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110192446.9A Active CN112989281B (zh) 2021-02-20 2021-02-20 一种基于遥感藻总量的藻华预测方法

Country Status (1)

Country Link
CN (1) CN112989281B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116485045A (zh) * 2023-06-21 2023-07-25 中科三清科技有限公司 一种建立水华预测模型的方法、水华预测方法及装置

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008214942A (ja) * 2007-03-02 2008-09-18 Gunma Prefecture アオコ発生予測と発生防止法
CN102135531A (zh) * 2010-12-24 2011-07-27 中国科学院南京地理与湖泊研究所 大型浅水湖泊72小时蓝藻水华预测方法
CN103063202A (zh) * 2012-12-30 2013-04-24 同济大学 基于遥感影像的蓝藻生物量时空变化监测与可视化方法
CN103439472A (zh) * 2013-06-14 2013-12-11 北京工商大学 基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法
CN103743700A (zh) * 2014-01-17 2014-04-23 中国科学院南京地理与湖泊研究所 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法
CN103760112A (zh) * 2014-01-23 2014-04-30 中国科学院南京地理与湖泊研究所 基于遥感的湖泊水体蓝藻丰度的估算方法
CN103810330A (zh) * 2014-01-23 2014-05-21 深圳市城市规划设计研究院有限公司 一种规划人工水体富营养化预警分析方法
CN103886218A (zh) * 2014-04-08 2014-06-25 北京工商大学 基于多元非平稳时间序列分析与神经网络及支持向量机补偿的湖库藻类水华预测方法
CN104820224A (zh) * 2015-05-08 2015-08-05 中国科学院南京地理与湖泊研究所 富营养化湖泊水体叶绿素a的MODIS卫星高精度监测方法
CN105203466A (zh) * 2015-09-17 2015-12-30 中国科学院南京地理与湖泊研究所 一种富营养化湖泊非藻华条件下藻类总存量遥感估算方法
CN106290389A (zh) * 2016-09-05 2017-01-04 中国科学院南京地理与湖泊研究所 一种富营养化湖泊modis影像的藻华和非藻华条件分类方法
CN110414488A (zh) * 2019-08-20 2019-11-05 河海大学 基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法
KR102119276B1 (ko) * 2019-08-20 2020-06-05 대한민국 유해 조류 예측 장치 및 방법
CN112070234A (zh) * 2020-09-04 2020-12-11 中国科学院南京地理与湖泊研究所 复杂场景下水体叶绿素和藻蓝素陆基遥感机器学习算法
CN112179854A (zh) * 2020-09-30 2021-01-05 中国科学院南京地理与湖泊研究所 基于p-fui水色指数的富营养化湖泊蓝藻水华遥感监测方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008214942A (ja) * 2007-03-02 2008-09-18 Gunma Prefecture アオコ発生予測と発生防止法
CN102135531A (zh) * 2010-12-24 2011-07-27 中国科学院南京地理与湖泊研究所 大型浅水湖泊72小时蓝藻水华预测方法
CN103063202A (zh) * 2012-12-30 2013-04-24 同济大学 基于遥感影像的蓝藻生物量时空变化监测与可视化方法
CN103439472A (zh) * 2013-06-14 2013-12-11 北京工商大学 基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法
CN103743700A (zh) * 2014-01-17 2014-04-23 中国科学院南京地理与湖泊研究所 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法
CN103760112A (zh) * 2014-01-23 2014-04-30 中国科学院南京地理与湖泊研究所 基于遥感的湖泊水体蓝藻丰度的估算方法
CN103810330A (zh) * 2014-01-23 2014-05-21 深圳市城市规划设计研究院有限公司 一种规划人工水体富营养化预警分析方法
CN103886218A (zh) * 2014-04-08 2014-06-25 北京工商大学 基于多元非平稳时间序列分析与神经网络及支持向量机补偿的湖库藻类水华预测方法
CN104820224A (zh) * 2015-05-08 2015-08-05 中国科学院南京地理与湖泊研究所 富营养化湖泊水体叶绿素a的MODIS卫星高精度监测方法
CN105203466A (zh) * 2015-09-17 2015-12-30 中国科学院南京地理与湖泊研究所 一种富营养化湖泊非藻华条件下藻类总存量遥感估算方法
CN106290389A (zh) * 2016-09-05 2017-01-04 中国科学院南京地理与湖泊研究所 一种富营养化湖泊modis影像的藻华和非藻华条件分类方法
CN110414488A (zh) * 2019-08-20 2019-11-05 河海大学 基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法
KR102119276B1 (ko) * 2019-08-20 2020-06-05 대한민국 유해 조류 예측 장치 및 방법
CN112070234A (zh) * 2020-09-04 2020-12-11 中国科学院南京地理与湖泊研究所 复杂场景下水体叶绿素和藻蓝素陆基遥感机器学习算法
CN112179854A (zh) * 2020-09-30 2021-01-05 中国科学院南京地理与湖泊研究所 基于p-fui水色指数的富营养化湖泊蓝藻水华遥感监测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
DONG LIU 等: "Observations of water transparency in China\'s lakes from space", 《INTERNATIONAL JOURNAL OF APPLIED EARTH OBSERVATION AND GEOINFORMATION》, pages 1 - 11 *
MIN TAO 等: "A Hybrid EOF Algorithm to Improve MODIS Cyanobacteria Phycocyanin Data Quality in a Highly Turbid Lake: Bloom and Nonbloom Condition", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》, pages 4430 - 4444 *
NICOLAS TROMAS 等: "Characterising and predicting cyanobacterial blooms in an 8-year amplicon sequencing time course", 《THE ISME JOURNAY》, pages 1746 - 1763 *
刘东 等: "基于遥感藻总量和气象因子的巢湖不同湖区藻华预测", 《湖泊科学》, pages 1090 - 1101 *
杨燕 等: "不同藻类对温度与磷叠加作用的响应模式", 《湖泊科学》, pages 843 - 851 *
段洪涛 等: "富营养化湖库天空地一体化监控平台系统设计与实践", 《地理科学进展》, pages 1396 - 1405 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116485045A (zh) * 2023-06-21 2023-07-25 中科三清科技有限公司 一种建立水华预测模型的方法、水华预测方法及装置

Also Published As

Publication number Publication date
CN112989281B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
US11488069B2 (en) Method for predicting air quality with aid of machine learning models
CN112905560B (zh) 一种多源时空大数据深度融合的空气污染预测方法
Li et al. Predicting ground-level PM2. 5 concentrations in the Beijing-Tianjin-Hebei region: A hybrid remote sensing and machine learning approach
CN114118640B (zh) 长期降水预测模型构建方法、长期降水预测方法及装置
US20220067614A1 (en) Apparatus and method for crop yield prediction
CN112200362B (zh) 一种滑坡的预测方法、装置、设备和存储介质
CN113807562A (zh) 海洋表面温度的预测方法
CN112989281A (zh) 一种基于遥感藻总量的藻华预测方法
CN112200356A (zh) 一种滑坡的预测方法、装置、设备和存储介质
Jahanbakht et al. Sediment prediction in the great barrier reef using vision transformer with finite element analysis
McLaren et al. Reconstructing the effects of hurricanes over 155 years on the structure and diversity of trees in two tropical montane rainforests in Jamaica
Wang et al. Customized deep learning for precipitation bias correction and downscaling
Weitzel et al. Combining a pollen and macrofossil synthesis with climate simulations for spatial reconstructions of European climate using Bayesian filtering
Xu et al. Quantifying the uncertainty of precipitation forecasting using probabilistic deep learning
Jamei et al. Combined Terrestrial Evapotranspiration Index prediction using a hybrid artificial intelligence paradigm integrated with relief algorithm-based feature selection
CN112200355B (zh) 一种滑坡的预测方法、装置、设备和存储介质
Gupta et al. Sub-monthly time scale forecasting of harmful algal blooms intensity in Lake Erie using remote sensing and machine learning
Jackson et al. A 17 year climatology of the macrophysical properties of convection in Darwin
CN113221997A (zh) 一种基于深度学习算法的高分影像油菜提取方法
Shin et al. High-resolution wind speed forecast system coupling numerical weather prediction and machine learning for agricultural studies—a case study from South Korea
Kovács et al. Modeling NO2 air pollution variation during and after COVID-19-regulation using principal component analysis of satellite imagery
Breivik et al. Efficient bootstrap estimates for tail statistics
Trew et al. Novel climates are already widespread beneath the world’s tropical forest canopies.
Shalisko et al. Vulnerability to climate change for narrowly ranged species: the case of Ecuadorian endemic Magnolia mercedesiarum
Nguyen Deep learning for tropical cyclone formation detection

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