CN113610302B - 一种基于逐步聚类与循环神经网络的地表温度降尺度方法 - Google Patents
一种基于逐步聚类与循环神经网络的地表温度降尺度方法 Download PDFInfo
- Publication number
- CN113610302B CN113610302B CN202110908454.9A CN202110908454A CN113610302B CN 113610302 B CN113610302 B CN 113610302B CN 202110908454 A CN202110908454 A CN 202110908454A CN 113610302 B CN113610302 B CN 113610302B
- Authority
- CN
- China
- Prior art keywords
- neural network
- weather forecast
- temperature
- surface temperature
- clustering
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 125000004122 cyclic group Chemical group 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000000528 statistical test Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241000039077 Copula Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Algebra (AREA)
Abstract
本发明公开了属于地表温度降尺度技术领域的一种基于逐步聚类与循环神经网络的地表温度降尺度方法。包括以下步骤,步骤1:获取站点温度实测数据以及大尺度、低分辨率气候预报因子,得到预报因子代表性强的因子;步骤2:对步骤1的数据进行逐步聚类,并对温度实测数据序列中的缺失值进行插值处理;步骤3:设定超参数,构建循环神经网络模型;步骤4:训练与验证循环神经网络模型;步骤5:对未来气候变化情景下的每日温度数据进行降尺度;步骤6:通过全连接层,得到未来气候变化情景下高分辨率的每日模拟温度数据。本发明方法的效果优于大部分传统统计降尺度方法,运算较快,使用方便,善于处理少量有效样本的站点实测数据,实用性较强。
Description
技术领域
本发明涉及地表温度降尺度技术领域,尤其涉及一种基于逐步聚类与循环神经网络的地表温度降尺度方法。
背景技术
全球气候模型为气候变化分析和研究提供了全球大尺度的模拟信息,但其输出的分辨率较低。降尺度方法可通过对大尺度的气候预报因子经过一系列处理,得到小尺度、高分辨率的区域气候变量,可为区域的气候变化影响评估提供科学支持。降尺度方法主要分为动力降尺度和统计降尺度两种。相较于动力降尺度方法,统计降尺度方法的计算量较小,可实现的分辨率精度更高,并且模型的构建相比于动力降尺度的物理模型构建相对简单,众多统计方法可被应用在统计降尺度领域中。
然而,现有的统计降尺度方法存在以下不足:(1)降尺度精度不高;(2)难以有效识别时间序列的强相关性;(3)在站点数据呈现大量缺失(少量有效样本)的情况下,无法取得理想的降尺度效果。因此,需要一种统计降尺度方法能够有效识别大尺度气候预报因子与高精度站点实测数据之间的统计关系,在此基础上实现即使少量样本情况下也能取得较高精度的理想降尺度效果。
发明内容
本发明的目的是提出一种基于逐步聚类与循环神经网络的地表温度降尺度方法,其特征在于,包括以下步骤:
步骤1:获取站点温度实测数据以及大尺度、低分辨率气候预报因子,通过计算皮尔逊相关系数,得到预报因子代表性强的因子;
步骤2:利用逐步聚类分析法对步骤1中的温度实测数据以及大尺度、低分辨率气候预报因子进行逐步聚类,并通过聚类后的统计关系对温度实测数据序列中的缺失值进行插值处理,得出无缺失的温度实测数据;
步骤3:设定超参数,构建循环神经网络模型;
步骤4:将时间上对应并经过处理的温度实测数据和大尺度、低分辨率气候预报因子按比例进行划分,再利用划分后的数据训练与验证步骤3构建的循环神经网络模型;
步骤5:利用步骤3和步骤4中构建并训练好的循环神经网络模型,对未来气候变化情景下的每日温度数据进行降尺度;
步骤6:通过全连接层,得到未来气候变化情景下高分辨率的每日模拟温度数据。
所述步骤1中的皮尔逊相关系数为
式中,n为大尺度气候预报因子或与其相对应的站点地表温度实测数据的总样本量,Xi为第i个大尺度气候预报因子,为所选气候预报因子的平均值,Yi为第i个站点地表温度实测数据,/>为站点地表温度实测数据的平均值。
所述步骤2具体包括以下子步骤:
步骤21:构建站点温度实测数据和大尺度、低分辨率气候预报因子变量的集合,形成样本矩阵;
步骤22:基于Wilks准则的F统计检验,将所有样本分入相应的子类中,其中F统计检验量表示为
式中,d为变量的维度,ne和nf为两个子类e和f的样本个数,Λ为Wilks值,表示为:
式中,E为组内和组间平方和,H为交叉乘积矩阵,分别表示如下:
式中,ei为e子类的第i个样本,fj为f子类的第j个样本,为e子类的样本均值,/>为f子类的样本均值;
步骤23:生成逐步聚类树,得出聚类后的站点温度实测数据和大尺度、低分辨率气候预报因子变量间的复杂统计关系;
步骤24:将缺失值相应时间所对应的大尺度、低分辨率气候预报因子输入到步骤23生成的逐步聚类树中,对温度实测数据序列中的缺失值进行插值处理,得出无缺失的地表温度实测数据。
所述步骤3中的超参数包括学习率、激活函数、循环单元和全连接层中神经元的数量以及神经元丢弃概率;所述循环神经网络模型基于门控循环单元构建,在门控循环单元的神经网络层和全连接层之间加入dropout正则化隐藏层;
所述门控循环单元的内部状态C<t>的更新公式为:
Γu=σ(Wu[C<t-1>,x<t>]+bu) (6)
式中,C<t>表示t时刻的状态,C<t-1>表示t-1时刻的状态,表示t时刻更新后的状态,x<t>为需输入的低分辨率气候预报因子,Γu为决定更新门是否打开的参数值,Wu和Wc分别为更新门和t-1时刻状态的权重矩阵,bu和bc分别为更新门和t-1时刻状态的偏置矩阵,σ和tanh为不同的神经网络激活函数。
所述步骤4中的比例为70%用于循环神经网络模型的训练,另外30%用于循环神经网络模型的验证。
本发明的有益效果在于:
1、本发明方法的效果优于大部分传统统计降尺度方法,尤其在站点实测数据存在大量缺失的情况下,优势明显;
2、本发明应用循环神经网络,较好地识别大尺度预报因子在时间上的强相关性,并较好地捕捉了预报因子与站点实测数据时间复杂的非线性关系;
3、本发明方法运算较快,使用方便,善于处理少量有效样本的站点实测数据,实用性较强。
附图说明
图1为基于逐步聚类与循环神经网络的地表温度降尺度方法的流程图;
图2为本发明实施例地表温度降尺度方法分解说明图;
图3(a)为传统统计降尺度方法的验证效果图;
图3(b)为本发明提出的统计降尺度方法的验证效果图;
图4(a)、(b)、(c)为未来80年气候变化情景下加拿大大温哥华地区12个站点的最大温度变化趋势图;
图中:2030s、2050s和2080s分别对应2020-2040年、2041-2070年和2071-2099年;
图5(a)、(b)、(c)为未来80年气候变化情景下加拿大大温哥华地区12个站点的最小温度变化趋势图。
具体实施方式
本发明提出一种基于逐步聚类与循环神经网络的地表温度降尺度方法,下面结合附图和具体实施例对本发明做进一步说明。
图1为基于逐步聚类与循环神经网络的地表温度降尺度方法的流程图。传统的统计降尺度方法,在站点实测数据呈现大量缺失的情况下,会严重影响大尺度预报因子与站点实测数据之间复杂统计关系的识别捕捉,从而影响降尺度的效果。因此,本发明提出一种基于逐步聚类与循环神经网络的地表温度降尺度方法,用以处理少量有效样本情况下,也能捕捉大尺度预报因子与站点实测数据时间复杂的非线性关系,显著提升降尺度结果的精度。
如图2所示,本发明提出的基于逐步聚类分析与循环神经网络的地表温度降尺度方法具体包括以下步骤:
步骤一:获取站点温度实测数据以及大尺度、低分辨率气候预报因子,通过计算皮尔逊相关系数,处理得出预报因子代表性强的因子;
在本实施例中,通过皮尔逊相关系数的计算:
式中,n为大尺度气候预报因子或与其相对应的站点地表温度实测数据的总样本量,Xi为第i个大尺度气候预报因子,为所选气候预报因子的平均值,Yi为为第i站点地表温度实测数据,/>为站点地表温度实测数据的平均值;本实施例以加拿大Environment andClimate Change官网提供的大温哥华站点地表温度实测数据和日本气象研究院研发的MRI-CGCM3全球气候模型为例,基于皮尔逊相关系数的计算结果,选取了500hPa地势高度、850hPa地势高度、2m位势压力、10m位势压力、2m位势相对湿度、30m位势绝对湿度、天最大温度、天最小温度、500m位势东风分量,10m位势北风分量以及30m位势北风分量作为本实施例的大尺度预报因子。
步骤二:基于站点温度实测数据,处理得出无缺失的温度实测数据;
在本实施例中,利用逐步聚类分析的方法,对已有的加拿大大温哥华站点地表温度实测数据中的有效样本和选取的大尺度、低分辨率气候预报因子进行逐步聚类,把一组样本分割成两类,或者把两组样本合并成一类,不断的分割或合并,直到将所有的样本进入相应的类之中;详细的逐步聚类可进一步包括以下子步骤:
步骤二一:构建输入输出变量集合,即站点温度实测数据和大尺度、低分辨率气候预报因子变量的集合,形成样本矩阵;
步骤二二:根据逐步聚类分析方法的分类和和合并标准,即基于Wilks准则的F统计检验,将所有样本分入相应的子类中,其中F统计检验量可表示为:
式中,d为变量的维度,ne和nf为两个子类e和f的样本个数,Λ为Wilks值,表示为:
式中,E为组内和组间平方和,H为交叉乘积矩阵,计算方法为:
式中,为子类e的样本均值,/>为子类f的样本均值;
步骤二三:生成逐步聚类树,得出聚类后的站点温度实测数据和大尺度、低分辨率气候预报因子变量间的复杂统计关系;
步骤二四:基于获得的逐步聚类树,将缺失值相应时间所对应的大尺度、低分辨率气候预报因子输入到形成的逐步聚类树中,对温度实测数据序列中的缺失值进行插值处理,得出无缺失的地表温度实测数据。
步骤三:设定超参数,构建循环神经网络模型,所述超参数包含学习率、激活函数的选择、循环单元和全连接层中神经元的数量、以及神经元丢弃概率;
在本实施例中,首先,步骤三中所述的构建循环神经网络模型,是基于门控循环单元所构建的,该单元内部状态C<t>的更新公式为:
Γu=σ(Wu[C<t-1>,x<t>]+bu) (6)
式中,C<t>表示t时刻的状态,C<t-1>表示t-1时刻的状态,表示t时刻更新后的状态,Γu为决定更新门是否打开的参数值,Wu和Wc分别为更新门和t-1时刻状态的权重矩阵,bu和bc分别为更新门和t-1时刻状态的偏置矩阵,σ和tanh为不同的神经网络激活函数;其次,在门控循环单元神经网络层和全连接层之间加入了dropout正则化隐藏层,用以避免循环神经网络模型中容易出现的过拟合现象,提高了验证训练集的准确度;
步骤四:将时间上对应并经过处理的温度实测数据和大尺度、低分辨率气候预报因子按70%和30%进行划分,其中70%的数据用于循环神经网络模型的训练,另外的30%用于该模型的验证;
在本实施例中,如图3(a)和图3(b)所示,与选取的传统的统计降尺度方法(Copula)相比,提出的一种基于逐步聚类与循环神经网络的地表温度降尺度方法的验证效果有明显提升,图中决定系数R2是常见的表征模型模拟的准确度的统计量,其计算公式为:
式中,y表示观测值,表示模型模拟值,/>表示观测值的平均值;均方根误差RMSE也是常见的表征模型模拟准确度的统计量,其计算公式为:
式中,y表示观测值,表示模型模拟值,m表示样本总量。
步骤五:利用构建并训练好的循环神经网络,对未来气候变化情景下的每日温度数据进行降尺度;
步骤六:通过全连接层,得到未来气候变化情景下高分辨率的每日模拟温度数据。
在本实施例中,图4和图5分别展示了未来80年气候变化情景下加拿大大温哥华地区12个站点的最大温度和最小温度的变化趋势,图中2030s、2050s、2080s分别对应2020-2040、2041-2070、2071-2099年。该变化趋势能为加拿大大温哥华地区未来气候适应政策的制定提供科学有效支持。
此实施例仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (3)
1.一种基于逐步聚类与循环神经网络的地表温度降尺度方法,其特征在于,包括以下步骤:
步骤1:获取站点温度实测数据以及大尺度、低分辨率气候预报因子,通过计算皮尔逊相关系数,得到预报因子代表性强的因子;
步骤2:利用逐步聚类分析法对步骤1中的温度实测数据以及大尺度、低分辨率气候预报因子进行逐步聚类,并通过聚类后的统计关系对温度实测数据序列中的缺失值进行插值处理,得出无缺失的温度实测数据;
所述步骤2具体包括以下子步骤:
步骤21:构建站点温度实测数据和大尺度、低分辨率气候预报因子变量的集合,形成样本矩阵;
步骤22:基于Wilks准则的F统计检验,将所有样本分入相应的子类中,其中F统计检验量表示为
式中,d为变量的维度,ne和nf为两个子类e和f的样本个数,Λ为Wilks值,表示为:
式中,E为组内和组间平方和,H为交叉乘积矩阵,分别表示如下:
式中,ei为e子类的第i个样本,fj为f子类的第j个样本,为e子类的样本均值,/>为f子类的样本均值;
步骤23:生成逐步聚类树,得出聚类后的站点温度实测数据和大尺度、低分辨率气候预报因子变量间的复杂统计关系;
步骤24:将缺失值相应时间所对应的大尺度、低分辨率气候预报因子输入到步骤23生成的逐步聚类树中,对温度实测数据序列中的缺失值进行插值处理,得出无缺失的地表温度实测数据;
步骤3:设定超参数,构建循环神经网络模型;
所述步骤3中的超参数包括学习率、激活函数、循环单元和全连接层中神经元的数量以及神经元丢弃概率;所述循环神经网络模型基于门控循环单元构建,在门控循环单元的神经网络层和全连接层之间加入dropout正则化隐藏层;
所述门控循环单元的内部状态C<t>的更新公式为:
Γu=σ(Wu[C<t-1>,x<t>]+bu) (6)
式中,C<t>表示t时刻的状态,C<t-1>表示t-1时刻的状态,表示t时刻更新后的状态,x<t>为需输入的低分辨率气候预报因子,Γu为决定更新门是否打开的参数值,Wu和Wc分别为更新门和t-1时刻状态的权重矩阵,bu和bc分别为更新门和t-1时刻状态的偏置矩阵,σ和tanh为不同的神经网络激活函数;
步骤4:将时间上对应并经过处理的温度实测数据和大尺度、低分辨率气候预报因子按比例进行划分,再利用划分后的数据训练与验证步骤3构建的循环神经网络模型;
步骤5:利用步骤3和步骤4中构建并训练好的循环神经网络模型,对未来气候变化情景下的每日温度数据进行降尺度;
步骤6:通过全连接层,得到未来气候变化情景下高分辨率的每日模拟温度数据。
2.根据权利要求1所述的基于逐步聚类与循环神经网络的地表温度降尺度方法,其特征在于,所述步骤1中的皮尔逊相关系数为
式中,n为大尺度气候预报因子或与其相对应的站点地表温度实测数据的总样本量,Xi为第i个大尺度气候预报因子,为所选气候预报因子的平均值,Yi为第i个站点地表温度实测数据,Y为站点地表温度实测数据的平均值。
3.根据权利要求1所述的基于逐步聚类与循环神经网络的地表温度降尺度方法,其特征在于,所述步骤4中的比例为70%用于循环神经网络模型的训练,另外30%用于循环神经网络模型的验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110908454.9A CN113610302B (zh) | 2021-08-09 | 2021-08-09 | 一种基于逐步聚类与循环神经网络的地表温度降尺度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110908454.9A CN113610302B (zh) | 2021-08-09 | 2021-08-09 | 一种基于逐步聚类与循环神经网络的地表温度降尺度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113610302A CN113610302A (zh) | 2021-11-05 |
CN113610302B true CN113610302B (zh) | 2024-02-23 |
Family
ID=78340014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110908454.9A Active CN113610302B (zh) | 2021-08-09 | 2021-08-09 | 一种基于逐步聚类与循环神经网络的地表温度降尺度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610302B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563554A (zh) * | 2017-08-30 | 2018-01-09 | 三峡大学 | 一种统计降尺度模型预报因子的筛选方法 |
-
2021
- 2021-08-09 CN CN202110908454.9A patent/CN113610302B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563554A (zh) * | 2017-08-30 | 2018-01-09 | 三峡大学 | 一种统计降尺度模型预报因子的筛选方法 |
Non-Patent Citations (3)
Title |
---|
匹配域投影降尺度方法在黄河流域夏季降水预测中的应用;史恒斌;常军;梁俊平;;气象(11);78-85 * |
基于分段重抽样的高效降水降尺度方法;王永弟;孙心宇;;中国科技论文(21);115-123 * |
自组织映射神经网络(SOM)降尺度方法对江淮流域逐日降水量的模拟评估;周璞;江志红;;气候与环境研究(05);12-24 * |
Also Published As
Publication number | Publication date |
---|---|
CN113610302A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639748B (zh) | 一种基于lstm-bp时空组合模型的流域污染物通量预测方法 | |
CN114626512B (zh) | 一种基于有向图神经网络的高温灾害预报方法 | |
CN111126704B (zh) | 基于多图卷积和记忆网络的多区域降水量预测模型构建方法 | |
CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
CN110648014B (zh) | 一种基于时空分位数回归的区域风电预测方法及系统 | |
Kumar et al. | Regional flood frequency analysis using soft computing techniques | |
CN113255972B (zh) | 基于Attention机制的短临降水预测方法 | |
CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
CN116128141B (zh) | 风暴潮预测方法、装置、存储介质及电子设备 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN115099497A (zh) | 一种基于cnn-lstm的实时洪水预报智能方法 | |
CN112560966A (zh) | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 | |
CN112215393A (zh) | 基于自适应时空尺度选择的降水数值预报后处理订正方法 | |
CN116415730A (zh) | 一种预测水位的融合自注意力机制时空深度学习模型 | |
CN116484189A (zh) | 一种基于深度学习的era5降水产品降尺度方法 | |
CN117993305B (zh) | 一种流域土地利用与土壤侵蚀关系动态评估方法 | |
CN116826737A (zh) | 一种光伏功率的预测方法、装置、存储介质及设备 | |
Wang et al. | Mid-long term forecasting of reservoir inflow using the coupling of time-varying filter-based empirical mode decomposition and gated recurrent unit | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN117290684B (zh) | 基于Transformer的高温干旱天气预警方法、电子设备 | |
CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
Chen et al. | Short-term Wind Speed Forecasting Based on Singular Spectrum Analysis, Fuzzy C-Means Clustering, and Improved POABP | |
CN117194926A (zh) | 陆上风电基地吊装窗口期预测方法及系统 | |
CN117233869A (zh) | 一种基于GRU-BiTCN的站点短期风速预测方法 | |
CN116050460B (zh) | 基于注意力神经网络的气温数据空间插值方法 |
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 |