CN113408112A - 基于本征正交分解的雨量站缺失处降雨获取方法及系统 - Google Patents
基于本征正交分解的雨量站缺失处降雨获取方法及系统 Download PDFInfo
- Publication number
- CN113408112A CN113408112A CN202110618399.XA CN202110618399A CN113408112A CN 113408112 A CN113408112 A CN 113408112A CN 202110618399 A CN202110618399 A CN 202110618399A CN 113408112 A CN113408112 A CN 113408112A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- station
- data
- missing
- field
- 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
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Hydrology & Water Resources (AREA)
- Radio Relay Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供基于本征正交分解的雨量站缺失处降雨获取方法及系统，获取方法包括：步骤1：根据缺失站点处的位置，选择多个邻近的雨量站，对这些站的降雨数据进行整理；步骤2：将原始降雨场数据和人工时空归一化后的降雨场数据分别作为输入，对降雨场进行两次本征正交分解，得到降雨场的主要模态和相对应的时间系数；步骤3：根据步骤2的分解结果，筛选出表征时空属性的模态及对应的时间系数；步骤4：从主要模态中剔除步骤3筛选出的能够反映降雨时空特征的模态，以距离缺失站点位置处较近的站点为模板，利用剩余模态重构缺失站点所在位置的降雨过程即可得到缺失站点处的降雨数据。
Description
技术领域
本发明属于水文测量计算领域，具体涉及基于本征正交分解的雨量站缺失处降雨获取方法及系统。
背景技术
降雨数据是产汇流计算的基础，降雨数据是否准确、充足对水文计算有着举足轻重的影响。降雨过程作为一个高度异构的过程，受时间、空间、地形、风速、风向等多重因素影响，降雨的非一致性是水文模型不确定性的重要来源之一。
尽管准确模拟降雨的位置和强度对于水资源管理和水文研究至关重要，但目前水文学家把更多的精力放在开发更加复杂的降雨—径流模拟方法上，而不是研究测量和预测降雨时空变化的改进技术。雨量计是最常见的测量降雨的仪器，但它只能提供点测量结果，缺乏空间变异方面的信息。然而，建设和维护高密度雨量站网络需要投入大量的人力物力财力，且我国现有的雨量站数目有限，常常不能满足水文计算的需要。因此，在缺失站点处模拟降雨过程的通常做法是以相邻站点的数据代替缺失站点处的降雨过程，但由于降雨本身的时空非一致性，这种做法往往会带来很大误差。
发明内容
本发明是为了解决上述问题而进行的，目的在于提供基于本征正交分解的雨量站缺失处降雨获取方法及系统。
本发明为了实现上述目的，采用了以下方案：
<方法>
本发明提供一种基于本征正交分解的雨量站缺失处降雨获取方法，其特征在于，包括以下步骤：
步骤1：根据缺失站点处的位置，选择尽可能多的邻近的雨量站，对这些站的降雨数据进行整理，获取包含有原始降雨场数据的降雨资料；
步骤2：将原始降雨场数据和人工时空归一化后的降雨场数据分别作为输入(第一次本征正交分解以原始降雨场数据作为输入，第二次本征正交分解以人工时空归一化后的降雨场数据作为输入)，对降雨场进行两次本征正交分解，得到降雨场的主要模态和相对应的时间系数；模态对应降雨场分解后的雨强状态，主要模态为对降雨场能量贡献率较大的那些模态；
步骤3：根据步骤2的分解结果，筛选出表征时空属性的模态及对应的时间系数；
步骤4：从主要模态中剔除步骤3筛选出的能够反映降雨时空特征的模态，以距离缺失站点位置处较近的站点为模板，利用剩余模态重构缺失站点所在位置的降雨过程即可得到缺失站点处的降雨数据。
优选地，本发明提供的基于本征正交分解的雨量站缺失处降雨获取方法，还可以具有以下特征：在步骤1中，获取的降雨资料有如下具体要求：长历时(15天、7天)雨量站缺失处降雨过程重构所需降雨资料为日尺度；中长历时(3天、1天)雨量站缺失处降雨过程重构所需降雨资料为小时尺度；短历时(2小时、1小时)雨量站缺失处降雨过程重构所需降雨资料为分钟尺度。
优选地，本发明提供的基于本征正交分解的雨量站缺失处降雨获取方法，还可以具有以下特征：在步骤2中，对不同站点的降雨样本数据进行本征正交分解，得到降雨场的主要模态和模态对应的时间系数，本征正交分解具体操作如下：
(1)降雨场记为X＝[v(x，t1)v(x，t2)...v(x，tn)]∈Rm×n，式中，X表示降雨场；t表示时间，n为时间序数最大值，R为实数域，m为站点个数；
表示减去时均值后的tn时刻的降雨强度；u(x，tn)表示n时刻x站点的雨强，
表示x站点所有时刻的平均雨强；
(2)对降雨场X进行奇异值分解X＝Φ∑ΨT，式中，Φ为模态矩阵，∑为模态含能对角阵，ΨT为时间系数矩阵；
选择主要模态，即模态累积能量贡献率可近似为1的模态
对降雨场进行重构：
式中，j为模态序号，λj为模态特征值，其数值可反应模态能量贡献率大小，aj(t)为第j个模态的时间系数向量，φj(x)为第j个模态的模态值向量。
优选地，本发明提供的基于本征正交分解的雨量站缺失处降雨获取方法，还可以具有以下特征：在步骤2中，将对降雨场累积能量贡献率超过60％的作为主要模态。
优选地，本发明提供的基于本征正交分解的雨量站缺失处降雨获取方法，还可以具有以下特征：在步骤2中，提取对降雨场累积能量贡献率超过80％的主要模态进行降雨雨型重构。
优选地，本发明提供的基于本征正交分解的雨量站缺失处降雨获取方法，还可以具有以下特征：在步骤4中，选择最靠近的站点降雨过程为重构模板。
<系统>
进一步，本发明还提供一种基于本征正交分解的雨量站缺失处降雨获取系统，其特征在于，包括：
获取部，根据缺失站点处的位置，选择多个邻近的雨量站，收集和整理这些站的降雨数据，获取原始降雨场数据和人工时空归一化后的降雨场数据；
降雨数据正交分解部，将原始降雨场数据和人工时空归一化后的降雨场数据分别作为输入，对降雨场进行两次本征正交分解，得到降雨场的主要模态和相对应的时间系数；模态对应降雨场分解后的雨强状态，主要模态为对降雨场能量贡献率较大的那些模态；
筛选部，根据降雨数据正交分解部的分解结果，筛选出表征时空属性的模态及对应的时间系数；
缺失降雨获取部，从主要模态中剔除筛选部筛选出的能够反映降雨时空特征的模态，以距离缺失站点位置处较近的站点为模板，利用剩余模态重构缺失站点所在位置的降雨过程，得到缺失站点处的降雨数据；以及
控制部，与获取部、降雨数据正交分解部、筛选部、缺失降雨获取部均通信相连，控制它们的运行。
优选地，本发明提供的裂隙岩心渗透注浆实时充填效果检测系统，还可以包括：输入显示部，与获取部、降雨数据正交分解部、筛选部、缺失降雨获取部、控制部均通信相连，用于让用户输入操作指令，并进行相应显示。
发明的作用与效果
本发明所提供的基于本征正交分解的雨量站缺失处降雨获取方法及系统，通过将原始数据和人工时空归一化后的数据分别作为输入，进行本征正交分解，筛除表征时空属性的模态及对应的时间系数；以距离缺失站点位置处最近的站点为模板，利用剩余主要模态重构缺失站点所在位置的降雨过程。本发明将本征正交分解引入到缺失站点处的降雨过程重构，基于不同的相邻站点的大量实测资料，有效解决了站点直接移植过程中由于时空差异可能导致的误差问题，推求出的降雨过程与实际情况更为接近，能够获得精度高且更加准确、合理的推求结果，为缺失雨量站处的降雨数据的获取提供了新思路。亦可为产汇流计算提供基础数据，进一步得到研究区域的径流过程。
附图说明
图1为本发明涉及的基于本征正交分解的雨量站缺失处降雨获取方法的流程图；
图2为本发明实施例中涉及的时空归一化前的模态及时间系数图；
图3为本发明实施例中涉及的时空归一化后的模态及时间系数图；
图4为本发明实施例中涉及的模态能量贡献率占比图，前7个主要模态的累积贡献率超过75％；
图5为本发明实施例中涉及的不同方法的模拟结果和实测结果降雨过程对比图。
具体实施方式
以下结合附图对本发明涉及的基于本征正交分解的雨量站缺失处降雨获取方法及系统的具体实施方案进行详细地说明。
<实施例>
如图1所示，本实施例提供的基于本征正交分解的雨量站缺失处降雨获取方法包括如下步骤：
步骤1：假设武汉市洪山区(114.375°E,30.5°N)缺乏降雨数据，根据其地理位置，选择湖北省内的55个雨量站(站点经纬度分别为109.375°E,30.5°N 110°E,30°N 110°E,30.5°N 109.375°E,29.5°N 108.75°E,30.5°N 108.75°E,30°N 109.375°E,30°N 110.625°E,31.5°N 110°E,31.5°N 113.125°E,30.5°N 115°E,30.5°N 115.625°E,31°N 115.625°E,30.5°N 115.625°E,30°N 115°E,30°N 113.125°E,31°N 112.5°E,30.5°N 112.5°E,31.5°N112.5°E,31°N 113.125°E,30°N 112.5°E,30°N 111.875°E,30°N 111.25°E,32.5°N110.625°E,32°N 110.625°E,32.5°N 110.625°E,33°N 110°E,33°N 111.25°E,33°N 110°E,32.5°N 110°E,32°N 113.75°E,32°N 113.75°E,31.5°N 113.125°E,32°N 113.125°E,31.5°N 114.375°E,31°N 115°E,31°N 113.75°E,29.5°N 114.375°E,29.5°N 114.375°E,30°N 111.25°E,32°N 111.25°E,31.5°N 111.875°E,32.5°N 111.875°E,31.5°N 111.875°E,32°N 112.5°E,32°N 114.375°E,31.5°N 111.875°E,31°N 111.25°E,31°N 111.25°E,30.5°N 110.625°E,30.5°N 111.875°E,30.5°N 110.625,31°N 113.75°E,30°N 113.75°E,30.5°N 113.75°E,31°N)，对这些站的降雨数据进行整理；
步骤2：将原始降雨场数据和人工时空归一化后的降雨场数据分别作为输入，对降雨场进行两次本征正交分解，得到降雨场的主要模态和模态对应的时间系数(图2、图3)；模态对应降雨场分解后的雨强状态，主要模态为对降雨场能量贡献率较大的那些模态，本次选取累积能量贡献率超过75％的模态为主要模态(图4)；
步骤3：根据步骤2的分解结果，对比筛选出表征时空属性的模态及对应的时间系数，对比图2图3可知，表征时空特征的主要模态为第二、第三、第六模态。
步骤4：从主要模态中剔除第二、第三、第六模态，以武汉市新洲区(115.0°E,31.0°N)的站点为模板，利用剩余模态重构缺失站点所在位置的降雨过程即可得到缺失站点的降雨数据。
纳什效率系数(NSE)一般用以验证水文模型模拟结果的好坏，计算方法如下式：
式中，Qo为观测值，Qm为模拟值，Qt为t时刻数值，
为观测值的平均值。NSE取值为负无穷至1，NSE接近1，表示模拟质量好，模型可信度高；NSE接近0，表示模拟结果接近观测值的平均水平，即总体结果可信；NSE远远小于0，则模型是不可信的。
通过计算，传统方法直接移植新洲区的降雨过程当作洪山区的降雨过程的方法纳什效率系数为-1.73，而使用本发明的方法的纳什效率系数为0.3(图5)。
进一步，本实施例还提供能够自动化实现上述过程的系统，该系统包括：获取部、降雨数据正交分解部、筛选部、缺失降雨获取部、输入显示部以及控制部。
获取部能够根据缺失站点处的位置，选择多个邻近的雨量站，收集和整理这些站的降雨数据，从而获取原始降雨场数据和人工时空归一化后的降雨场数据。
降雨数据正交分解部将原始降雨场数据和人工时空归一化后的降雨场数据分别作为输入，对降雨场进行两次本征正交分解，得到降雨场的主要模态和相对应的时间系数；模态对应降雨场分解后的雨强状态，主要模态为对降雨场能量贡献率较大的那些模态。
筛选部根据降雨数据正交分解部的分解结果，筛选出表征时空属性的模态及对应的时间系数。
缺失降雨获取部从主要模态中剔除筛选部筛选出的能够反映降雨时空特征的模态，以距离缺失站点位置处较近的站点为模板，利用剩余模态重构缺失站点所在位置的降雨过程，得到缺失站点处的降雨数据。
输入显示部与获取部、降雨数据正交分解部、筛选部、缺失降雨获取部均通信相连，用于让用户输入操作指令，并进行相应显示。例如，输入显示部能够对缺失降雨获取部重构出的缺失站点处的降雨数据进行显示。
控制部，与获取部、降雨数据正交分解部、筛选部、缺失降雨获取部、输入显示部均通信相连，控制它们的运行。
以上实施例仅仅是对本发明技术方案所做的举例说明。本发明所涉及的基于本征正交分解的雨量站缺失处降雨获取方法及系统并不仅仅限定于在以上实施例中所描述的内容，而是以权利要求所限定的范围为准。本发明所属领域技术人员在该实施例的基础上所做的任何修改或补充或等效替换，都在本发明的权利要求所要求保护的范围内。
Claims (8)
1.基于本征正交分解的雨量站缺失处降雨获取方法，其特征在于，包括以下步骤：
步骤1：根据缺失站点处的位置，选择多个邻近的雨量站，对这些站的降雨数据进行整理，获取包含有原始降雨场数据的降雨资料；
步骤2：将原始降雨场数据和人工时空归一化后的降雨场数据分别作为输入，对降雨场进行两次本征正交分解，得到降雨场的主要模态和相对应的时间系数；模态对应降雨场分解后的雨强状态，主要模态为对降雨场能量贡献率较大的那些模态；
步骤3：根据步骤2的分解结果，筛选出表征时空属性的模态及对应的时间系数；
步骤4：从主要模态中剔除步骤3筛选出的能够反映降雨时空特征的模态，以距离缺失站点位置处最近的站点为模板，利用剩余模态重构缺失站点所在位置的降雨过程即可得到缺失站点处的降雨数据。
2.根据权利要求1所述的基于本征正交分解的雨量站缺失处降雨获取方法，其特征在于：
其中，在步骤1中，获取的降雨资料有如下具体要求：长历时雨量站缺失处降雨过程重构所需降雨资料为日尺度；中长历时雨量站缺失处降雨过程重构所需降雨资料为小时尺度；短历时雨量站缺失处降雨过程重构所需降雨资料为分钟尺度。
3.根据权利要求1所述的基于本征正交分解的雨量站缺失处降雨获取方法，其特征在于：
其中，在步骤2中，对不同站点的降雨样本数据进行本征正交分解，得到降雨场的主要模态和模态对应的时间系数，本征正交分解具体操作如下：
(1)降雨场记为X＝[v(x，t1)v(x，t2)...v(x，tn)]∈Rm×n，式中，X表示降雨场；t表示时间，n为时间序数最大值，R为实数域，m为站点个数；
表示减去时均值后的tn时刻的降雨强度；u(x，tn)表示n时刻x站点的雨强，
表示x站点所有时刻的平均雨强；
(2)对降雨场X进行奇异值分解X＝Φ∑ΨT，式中，Φ为模态矩阵，∑为模态含能对角阵，ΨT为时间系数矩阵；
选择主要模态，对降雨场进行重构：
式中，j为模态序号，λj为模态特征值，其数值可反应模态能量贡献率大小，aj(t)为第j个模态的时间系数向量，φj(x)为第j个模态的模态值向量。
4.根据权利要求1所述的基于本征正交分解的雨量站缺失处降雨获取方法，其特征在于：
其中，在步骤2中，将对降雨场累积能量贡献率超过60％的作为主要模态。
5.根据权利要求1所述的基于本征正交分解的雨量站缺失处降雨获取方法，其特征在于：
其中，在步骤2中，提取对降雨场累积能量贡献率超过80％的主要模态进行降雨雨型重构。
6.根据权利要求1所述的基于本征正交分解的雨量站缺失处降雨获取方法，其特征在于：
其中，在步骤4中，选择最靠近的站点降雨过程为重构模板。
7.一种基于本征正交分解的雨量站缺失处降雨获取系统，其特征在于，包括：
获取部，根据缺失站点处的位置，选择多个邻近的雨量站，收集和整理这些站的降雨数据，获取原始降雨场数据和人工时空归一化后的降雨场数据；
降雨数据正交分解部，将原始降雨场数据和人工时空归一化后的降雨场数据分别作为输入，对降雨场进行两次本征正交分解，得到降雨场的主要模态和相对应的时间系数；模态对应降雨场分解后的雨强状态，主要模态为对降雨场能量贡献率较大的那些模态；
筛选部，根据所述降雨数据正交分解部的分解结果，筛选出表征时空属性的模态及对应的时间系数；
缺失降雨获取部，从主要模态中剔除所述筛选部筛选出的能够反映降雨时空特征的模态，以距离缺失站点位置处较近的站点为模板，利用剩余模态重构缺失站点所在位置的降雨过程，得到缺失站点处的降雨数据；以及
控制部，与所述获取部、所述降雨数据正交分解部、所述筛选部、所述缺失降雨获取部均通信相连，控制它们的运行。
8.根据权利要求7所述的基于本征正交分解的雨量站缺失处降雨获取系统，其特征在于，还包括：
输入显示部，与所述获取部、所述降雨数据正交分解部、所述筛选部、所述缺失降雨获取部、所述控制部均通信相连，用于让用户输入操作指令，并进行相应显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110618399.XA CN113408112B (zh) | 2021-06-03 | 2021-06-03 | 基于本征正交分解的雨量站缺失处降雨获取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110618399.XA CN113408112B (zh) | 2021-06-03 | 2021-06-03 | 基于本征正交分解的雨量站缺失处降雨获取方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113408112A true CN113408112A (zh) | 2021-09-17 |
| CN113408112B CN113408112B (zh) | 2022-04-29 |
Family
ID=77676167
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110618399.XA Active CN113408112B (zh) | 2021-06-03 | 2021-06-03 | 基于本征正交分解的雨量站缺失处降雨获取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113408112B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114994274A (zh) * | 2022-05-30 | 2022-09-02 | 佛山市美的清湖净水设备有限公司 | 软水设备的原水硬度确定方法及装置 |
| CN115730769A (zh) * | 2022-11-25 | 2023-03-03 | 武汉大学 | 用于评估丰水城市管网排水能力的复合雨型构造方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015135574A (ja) * | 2014-01-16 | 2015-07-27 | 日本電信電話株式会社 | 時空間データ特徴量分類方法および装置 |
| CN111027175A (zh) * | 2019-11-06 | 2020-04-17 | 中国地质大学（武汉） | 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 |
| CN111062128A (zh) * | 2019-12-16 | 2020-04-24 | 南京大学 | 一种流域汇流模拟估测方法 |
-
2021
- 2021-06-03 CN CN202110618399.XA patent/CN113408112B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015135574A (ja) * | 2014-01-16 | 2015-07-27 | 日本電信電話株式会社 | 時空間データ特徴量分類方法および装置 |
| CN111027175A (zh) * | 2019-11-06 | 2020-04-17 | 中国地质大学（武汉） | 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 |
| CN111062128A (zh) * | 2019-12-16 | 2020-04-24 | 南京大学 | 一种流域汇流模拟估测方法 |
Non-Patent Citations (1)
| Title |
|---|
| ABAS, N. 等: "Acomparative studyof mixed exponential and Weibull distributions in a stochastic model replicating a tropical rainfall process", 《THEORETICAL AND APPLIED CLIMATOLOGY》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114994274A (zh) * | 2022-05-30 | 2022-09-02 | 佛山市美的清湖净水设备有限公司 | 软水设备的原水硬度确定方法及装置 |
| WO2023231587A1 (zh) * | 2022-05-30 | 2023-12-07 | 佛山市美的清湖净水设备有限公司 | 软水设备的原水硬度确定方法及装置 |
| CN115730769A (zh) * | 2022-11-25 | 2023-03-03 | 武汉大学 | 用于评估丰水城市管网排水能力的复合雨型构造方法及装置 |
| CN115730769B (zh) * | 2022-11-25 | 2023-08-22 | 武汉大学 | 用于评估丰水城市管网排水能力的复合雨型构造方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113408112B (zh) | 2022-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109214592B (zh) | 一种多模型融合的深度学习的空气质量预测方法 | |
| CN113408112B (zh) | 基于本征正交分解的雨量站缺失处降雨获取方法及系统 | |
| von Storch | Inconsistencies at the interface of climate impact studies and global climate research | |
| Genta et al. | A recent increasing trend in the streamflow of rivers in southeastern South America | |
| CN110442937B (zh) | 一种融合卫星遥感和机器学习技术的流域水文模拟方法 | |
| Nguyen-Xuan et al. | The Vietnam gridded precipitation (VnGP) dataset: construction and validation | |
| CN113204865B (zh) | 基于本征正交分解的城市设计暴雨雨型推求方法及系统 | |
| CN112308292A (zh) | 一种火灾风险等级分布图的绘制方法 | |
| CN110427594A (zh) | 适合小型实验室的气象要素数据获取系统 | |
| CN110390343B (zh) | 一种空间气象数据的订正方法及系统 | |
| CN107563554A (zh) | 一种统计降尺度模型预报因子的筛选方法 | |
| CN112330065A (zh) | 一种基于基流分割和人工神经网络模型的径流预报方法 | |
| CN110334404A (zh) | 一种流域尺度骤发干旱精准识别方法 | |
| Otache et al. | ARMA modelling of Benue River flow dynamics: comparative study of PAR model | |
| CN114970377A (zh) | 基于新安江与深度学习耦合模型的场次洪水预报方法和系统 | |
| CN114692981B (zh) | 基于Seq2Seq模型的中长期径流预报方法和系统 | |
| CN115983511A (zh) | 基于改进统计降尺度方法的降水预估方法和系统 | |
| CN110163419B (zh) | 一种中小河流流域洪水预报的方法 | |
| CN107944466B (zh) | 一种基于分段思想的降雨偏差纠正方法 | |
| CN117236720A (zh) | 利用多气象因子特征的光伏电站发电功率预测方法 | |
| CN109063684A (zh) | 一种近地表气温遥感监测方法 | |
| CN110059972B (zh) | 基于泛函深度信念网络的日太阳辐射资源评估方法 | |
| Heyvaert et al. | Impact of design factors for ESA CCI satellite soil moisture data assimilation over Europe | |
| Sánchez-Gómez et al. | Hydrovars: an R tool to collect hydrological variables | |
| CN116108767A (zh) | 一种提高大气稳定边界层数值模拟准确率的方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |