CN113705657A - 一种基于差分法消除多重共线性的逐步聚类统计降尺度方法 - Google Patents
一种基于差分法消除多重共线性的逐步聚类统计降尺度方法 Download PDFInfo
- Publication number
- CN113705657A CN113705657A CN202110974266.6A CN202110974266A CN113705657A CN 113705657 A CN113705657 A CN 113705657A CN 202110974266 A CN202110974266 A CN 202110974266A CN 113705657 A CN113705657 A CN 113705657A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- matrix
- prediction
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012795 verification Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 8
- 235000012571 Ficus glomerata Nutrition 0.000 claims description 3
- 244000153665 Ficus glomerata Species 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims 1
- 238000007619 statistical method Methods 0.000 abstract description 5
- 238000013499 data model Methods 0.000 abstract 1
- 230000007774 longterm Effects 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Abstract
本发明公开了一种基于差分法消除多重共线性的逐步聚类统计降尺度方法,首先,通构建预报因子和预测量数据模型;接着利用差分法消除多重共线性;然后进行模型训练阶段,通过逐步聚类统计降尺度,合并或分割产生聚类树;再然后,在模型验证阶段,将预报因子输入到聚类树模型进行验证;最后在模型预测阶段,将预报因子的未来数据输入到聚类树模型中,对气候要素进行长期预测。本发明解决了气候统计降尺度模型中出现得多重共线性问题,所构建的聚类树模型更能反映真实的预测因子与预报量之间的关系,为计算未来气候要素提供了更可靠的统计方法。
Description
技术领域
本发明涉及气候预测领域,具体涉及一种基于差分法消除多重共线性的逐步聚类统计降尺度方法。
背景技术
现有的气候预测方法主要包括动力学方法和统计学方法。动力学方法是基于大气、陆地、海洋过程的物理过程编写的气候模型,通过提供初始条件及边界条件,可以算出未来的气候状态。统计学方法则是基于统计的数学方法,分析历史气候数据间的统计关系,以此求解未来的气候数据。目前,逐步聚类的统计方法已应用于气候、水文等领域进行未来数据的预测。逐步聚类方法通过切割或合并一系列历史的预报因子及预测量组成的矩阵,产生出预报因子与预测量之间的聚类树,假定未来预报因子与预测量之间的聚类树与历史的相同,通过全球气候模型中未来的预报因子的值,以此计算出未来的预报量。逐步聚类统计降尺度方法的优势在于不用假设预报因子与预测量之间的函数关系,通过聚类树解释多个预报因子和多个预测量之间的响应关系。
在应用中,逐步聚类统计降尺度方法要求预报因子之间不存在线性关系。然而,现实中,气候因子间往往存在多重共线性关系,例如降雨作为预测量,预报因子包括温度,气压,蒸散发,风速等,其中蒸散发与温度、风速相关,风速与气压相关,各因子间存在多重共线性关系。预报因子间的共线性问题会导致逐步聚类过程中产生不必要的切割或合并,导致聚类树无法反映真实的预报因子与预测量之间的关系,增加未来预测量的预测误差。
因此,亟需需要研发出一种能消除预报因子间共线性问题的逐步聚类统计降尺度方法。
发明目的
本发明的目的即在于解决现有技术中所存在的难题,消除逐步聚类统计降尺度过程中预报因子之间存在的多重共线性,更真实的反映预测因子与预报量之间的关系。
发明内容
本发明公开一种基于差分法消除多重共线性的逐步聚类统计降尺度方法,包括以下步骤:
(1)搜集并筛选数据,将地面观测站点或再分析气候数据作为预报量,将全球气候模型GCM或区域气候模型RCM模拟的气候数据作为备选的预测因子,通过计算备选的预测因子与预报量之间的相关性,筛选出与预报量相关性高的预测因子;
(2)将步骤(1)中的所述预报量按照时间序列分为两部分数据,第一部分为逐步聚类统计降尺度的模型训练阶段数据TY,第二部分为模型验证阶段数据CY;同时将所述备选的预测因子的历史数据分为训练阶段数据TX以及验证阶段数据CX;由预测因子的未来数据PX组成模型预报阶段数据;若搜集到的所述备选的预测因子的历史数据时间序列为(A-B),则训练阶段划分为(A-C),验证阶段划分为(C-B);
(3)差分阶段,针对步骤(2)中所述训练阶段数据TX所存在的多重共线性问题,首先对该训练阶段数据TX做多重共线性检验,若检验不通过,则对TX中存在共线性的预报因子进行差分,差分后的预报因子设为TXD,预测量设为TYD,将差分后的TXD与TYD分别表示为TXD=XDt-XDt-1,TYD=YDt-YDt-1,其中XDt、XDt-1分别表示t时刻和t-1时刻预报因子x的值,YDt、YDt-1分别表示t时刻和t-1时刻预测量y的值;
(4)模型训练阶段,构建逐步聚类统计降尺度训练阶段矩阵T,如式(1)所示:
式中,p、q分别为预报因子x的个数,以及预报因子x的时间序列长度,k为预测量y的个数;
采用Wilks准则进行聚类的切割或合并,直到无法切割或合并,从而生成预报因子与预测量间的聚类树模型;
(5)模型验证阶段,将CX作为模型的输入数据,通过步骤(4)中所生成的聚类树模型求解验证阶段的CY’,分析验证阶段的预报量CY与模型求解的CY’之间的关系,求解RMSE,R2,其中其中,nCY为CY的样本量,为CY的样本均值;
(6)模型预测阶段,将PX作为模型输入数据,通过步骤(4)中所生成的聚类树模型求解预测阶段的PY,以此得到预报量的未来数据。
优选地,步骤(1)中筛选出与预报量相关性高的预测因子的标准为相关性大小,所述标准分为绝对标准和相对标准,其中,绝对标准是根据备选预报因子的个数n,选取其中相关性最高的前m个预报因子,且m≤n;相对标准则是选取相关性最高的前α%,其中,0≤α≤100。
优选地,步骤(4)中在切割或合并阶段,对矩阵Tq×(p+k-2)进行切割,首先,按照矩阵T中的第j列按升序排序,其中1≤j≤p-1,然后,矩阵T中的第i列将矩阵分为上下两个矩阵Tu和Tl,其中1≤i≤q,矩阵Tq×(p+k-2)表示为如式(2)所示:
当T被分为Tu,Tl后,对Tu重复所述切割或合并的步骤,同时对Tl重复所述切割或合并的步骤,令分割后的任一矩阵为e,f,其中ne,nf为矩阵的样本量,对e,f进行Wilks准则检验,当F>F0.05,则拒绝原假设ue=uf,e,f两类被切割;当F<F0.05,接受原假设ue=uf,e,f两类合并,以此类推,直至针对任意矩阵无法被切割或合并时,停止所述切割或合并的步骤,此时产生的结果为聚类树模型。
附图说明
图1为本发明所述基于差分法消除多重共线性的逐步聚类统计降尺度方法的流程图。
图2为本发明所述方法中构建聚类树模型的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详述。
如图1所示,改进的逐步聚类降尺度方法包括以下步骤:
(1)搜集并筛选数据,将地面观测站点或再分析气候数据作为预报量,将全球气候模型(GCM)或区域气候模型(RCM)模拟的气候数据作为备选的预测因子,通过计算备选的预测因子与预报量之间的相关性,筛选出与预报量相关性高的预测因子。筛选预报因子的标准为相关性大小,标准可分为两种,绝对标准和相对标准,其中绝对标准是根据备选预报因子的个数(n),选取其中相关性最高的前m个预报因子,且m≤n,相对标准则是选取相关性最高的前α%,其中,0≤α≤100。
(2)将步骤(1)中的预报量按照时间序列分为两部分数据,第一部分为逐步聚类统计降尺度的模型训练阶段数据(TY),第二部分为模型验证阶段数据(CY),同时将预测因子的历史数据分为相同的两部分数据,训练阶段数据(TX)以及验证阶段数据(CX),模型预报阶段数据由预测因子的未来数据(PX)组成。若搜集到的历史数据时间序列为(A-B),则训练阶段划分为(A-C),验证阶段划分为(C-B)。
(3)差分阶段,针对预报因子中存在的多重共线性问题,首先对预报因子做多重共线性检验,若检验不通过,则对存在共线性的预报因子进行差分,差分后的预报因子为TXD,预测量为TYD。
由原始数据矩阵计算得到差分后的数据矩阵过程如下:
针对原模型,表示为如式(Ⅰ)所示:
yt=β0+β1x1t+β2x2t+…+βmxmt+μt (Ⅰ),
其中,yt代表预测量y在t时刻的值,x1t、x2t…xmt表示步骤(1)中筛选出m个预报因子,β0、β1…βm分别代表预报因子xit的系数,μt代表t时刻的误差量;
则对于t-1时刻,表示为如式(Ⅱ)所示:
yt-1=β0+β1x1t-1+β2x2t-1+…+βmxm,t-1+μt-1 (Ⅱ),
原模型t时刻与t-1时刻的差分形式则表示为如式(Ⅲ)所示:
式(Ⅰ)减去式(Ⅱ)可得差分模型,如式(Ⅳ)所示:
△yt=β1△x1t+β2△x2t+…+βm△xmt+△μt (Ⅳ),
因此,差分后的TXD与TYD分别表示为TXD=XDt-XDt-1,TYD=YDt-YDt-1,其中XDt、XDt-1分别表示t时刻和t-1时刻预报因子x的值,YDt、YDt-1分别表示t时刻和t-1时刻预测量y的值。
(4)模型训练阶段,构建逐步聚类统计降尺度训练阶段矩阵T如式(1)所示:
式中,p、q分别为预报因子x的个数,以及预报因子x的时间序列长度,k为预测量y的个数;
采用Wilks准则进行聚类的切割或合并,直到无法切割或合并,生成预报因子与预测量间的聚类树模型。
具体的,如图2所示,在切割或合并阶段,对矩阵Tq×(p+k-2)进行切割,首先按照矩阵T中的第j列按升序排序,其中1≤j≤p-1,然后矩阵T中的第i列将矩阵分为上下两个矩阵Tu和Tl,其中1≤i≤q,矩阵Tq×(p+k-2)如式(2)所示:
当T被分为Tu,Tl后,对Tu重复上述步骤,同时对Tl重复上述步骤,令分割后的任一两矩阵为e,f,ne,nf为矩阵的样本量,对e,f进行Wilks准则检验,当F>F0.05,拒绝原假设ue=uf,e,f两类应该被切割;当F<F0.05,接受原假设ue=uf,e,f两类应该合并,以此类推,直至针对任意矩阵无法被切割或合并时,停止此步骤,此时产生的结果为聚类树模型。
(5)模型验证阶段,将CX作为模型输入数据,通过聚类树模型求解验证阶段的CY’,分析验证阶段的预报量CY与模型求解的CY’之间的关系,求解RMSE,R2。其中其中nCY为CY的样本量,为CY的样本均值。
(6)模型预测阶段,将PX作为模型输入数据,通过聚类树模型求解预测阶段的PY,以此得到预报量的未来数据。
相对现有技术,本发明的有益效果主要包括:
1、解决了气候统计降尺度模型中出现得多重共线性问题,改进了逐步聚类统计降尺度方法。
2、改进后的逐步聚类法所产生的聚类树更能反映真实的预测因子与预报量之间的关系,为计算未来气候要素提供更可靠的统计方法。
Claims (3)
1.一种基于差分法消除多重共线性的逐步聚类统计降尺度方法,其特征在于,包括以下步骤:
(1)搜集并筛选数据,将地面观测站点或再分析气候数据作为预报量,将全球气候模型GCM或区域气候模型RCM模拟的气候数据作为备选的预测因子,通过计算备选的预测因子与预报量之间的相关性,筛选出与预报量相关性高的预测因子;
(2)将步骤(1)中的所述预报量按照时间序列分为两部分数据,第一部分为逐步聚类统计降尺度的模型训练阶段数据TY,第二部分为模型验证阶段数据CY;同时将所述备选的预测因子的历史数据分为训练阶段数据TX以及验证阶段数据CX;由预测因子的未来数据PX组成模型预报阶段数据;若搜集到的所述备选的预测因子的历史数据时间序列为(A-B),则训练阶段划分为(A-C),验证阶段划分为(C-B);
(3)差分阶段,针对步骤(2)中所述训练阶段数据TX所存在的多重共线性问题,首先对该训练阶段数据TX做多重共线性检验,若检验不通过,则对TX中存在共线性的预报因子进行差分,差分后的预报因子设为TXD,预测量设为TYD,将差分后的TXD与TYD分别表示为TXD=XDt-XDt-1,TYD=YDt-YDt-1,其中XDt、XDt-1分别表示t时刻和t-1时刻预报因子x的值,YDt、YDt-1分别表示t时刻和t-1时刻预测量y的值;
(4)模型训练阶段,构建逐步聚类统计降尺度训练阶段矩阵T,如式(1)所示:
式中,p、q分别为预报因子x的个数,以及预报因子x的时间序列长度,k为预测量y的个数;
采用Wilks准则进行聚类的切割或合并,直到无法切割或合并,从而生成预报因子与预测量间的聚类树模型;
(5)模型验证阶段,将CX作为模型的输入数据,通过步骤(4)中所生成的聚类树模型求解验证阶段的CY’,分析验证阶段的预报量CY与模型求解的CY’之间的关系,求解RMSE,R2,其中其中,nCY为CY的样本量,为CY的样本均值;
(6)模型预测阶段,将PX作为模型输入数据,通过步骤(4)中所生成的聚类树模型求解预测阶段的PY,以此得到预报量的未来数据。
2.根据权利要求1所述的逐步聚类统计降尺度方法,其特征在于,步骤(1)中筛选出与预报量相关性高的预测因子的标准为相关性大小,所述标准分为绝对标准和相对标准,其中,绝对标准是根据备选预报因子的个数n,选取其中相关性最高的前m个预报因子,且m≤n;相对标准则是选取相关性最高的前α%,其中,0≤α≤100。
3.根据权利要求1所述的逐步聚类统计降尺度方法,其特征在于,步骤(4)中在切割或合并阶段,对矩阵Tq×(p+k-2)进行切割,首先,按照矩阵T中的第j列按升序排序,其中1≤j≤p-1,然后,矩阵T中的第i列将矩阵分为上下两个矩阵Tu和Tl,其中1≤i≤q,矩阵Tq×(p+k-2)表示为如式(2)所示:
当T被分为Tu,Tl后,对Tu重复所述切割或合并的步骤,同时对Tl重复所述切割或合并的步骤,令分割后的任一矩阵为e,f,其中ne,nf为矩阵的样本量,对e,f进行Wilks准则检验,当F>F0.05,则拒绝原假设ue=uf,e,f两类被切割;当F<F0.05,接受原假设ue=uf,e,f两类合并,以此类推,直至针对任意矩阵无法被切割或合并时,停止所述切割或合并的步骤,此时产生的结果为聚类树模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110974266.6A CN113705657B (zh) | 2021-08-24 | 2021-08-24 | 一种基于差分法消除多重共线性的逐步聚类统计降尺度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110974266.6A CN113705657B (zh) | 2021-08-24 | 2021-08-24 | 一种基于差分法消除多重共线性的逐步聚类统计降尺度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705657A true CN113705657A (zh) | 2021-11-26 |
CN113705657B CN113705657B (zh) | 2024-01-19 |
Family
ID=78654365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110974266.6A Active CN113705657B (zh) | 2021-08-24 | 2021-08-24 | 一种基于差分法消除多重共线性的逐步聚类统计降尺度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705657B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128099A (zh) * | 2022-11-28 | 2023-05-16 | 南京信息工程大学 | 一种基于人工智能的中国短期气候预测方法及系统 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040083084A1 (en) * | 2002-10-24 | 2004-04-29 | Mike West | Binary prediction tree modeling with many predictors |
US20080163824A1 (en) * | 2006-09-01 | 2008-07-10 | Innovative Dairy Products Pty Ltd, An Australian Company, Acn 098 382 784 | Whole genome based genetic evaluation and selection process |
CN101443780A (zh) * | 2004-12-30 | 2009-05-27 | 普罗文蒂斯公司 | 用于开发和使用用于预测多种医学结果、评价介入策略以及同时验证生物标志物诱因的预测模型的方法、系统和计算机程序产品 |
EP2843415A1 (en) * | 2013-08-30 | 2015-03-04 | LURIC Datenbank GbR | Methods for cardiovascular risk assessment in diabetes patients |
CN108375808A (zh) * | 2018-03-12 | 2018-08-07 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的大雾预报方法 |
CN108830423A (zh) * | 2018-06-21 | 2018-11-16 | 中国水利水电科学研究院 | 一种基于预报域的年径流预测方法 |
CN109063905A (zh) * | 2018-07-20 | 2018-12-21 | 北京师范大学 | 一种适应气候变化的水资源随机规划方法 |
CN110852477A (zh) * | 2019-10-08 | 2020-02-28 | 华中科技大学 | 一种基于系统动力学的生产需水预测方法 |
CN110969290A (zh) * | 2019-11-18 | 2020-04-07 | 国电湖南巫水水电开发有限公司 | 一种基于深度学习的径流概率预测方法及系统 |
WO2020113271A1 (en) * | 2018-12-04 | 2020-06-11 | La Trobe University | Methods of diagnosing a disease state |
WO2020144378A1 (en) * | 2019-01-11 | 2020-07-16 | Universitätsspital Basel | Sglt-2 inhibitors or il-1r antagonists for reduction of hypoglycaemia after bariatric surgery |
CN111597494A (zh) * | 2020-05-07 | 2020-08-28 | 山东大学 | 一种基于非平稳时间序列分解的统计降尺度方法 |
CN111639803A (zh) * | 2020-05-29 | 2020-09-08 | 福州市规划设计研究院 | 一种应用于气候变化情景下区域未来植被指数的预估方法 |
CN111898820A (zh) * | 2020-07-27 | 2020-11-06 | 重庆市规划设计研究院 | 基于趋势聚类和集成树的pm2.5小时浓度组合预测方法及系统 |
CN111985728A (zh) * | 2020-09-07 | 2020-11-24 | 浪潮软件股份有限公司 | 一种建立有机高粱产量预测模型的方法 |
CN112241494A (zh) * | 2020-12-10 | 2021-01-19 | 平安科技(深圳)有限公司 | 基于用户行为数据的关键信息推送方法及装置 |
CN112433927A (zh) * | 2020-11-30 | 2021-03-02 | 西安理工大学 | 基于时间序列聚类和lstm的云服务器老化预测方法 |
CN113056232A (zh) * | 2018-09-18 | 2021-06-29 | 牛津大学科技创新有限公司 | 血管周区域的放射组学标签 |
-
2021
- 2021-08-24 CN CN202110974266.6A patent/CN113705657B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040083084A1 (en) * | 2002-10-24 | 2004-04-29 | Mike West | Binary prediction tree modeling with many predictors |
CN101443780A (zh) * | 2004-12-30 | 2009-05-27 | 普罗文蒂斯公司 | 用于开发和使用用于预测多种医学结果、评价介入策略以及同时验证生物标志物诱因的预测模型的方法、系统和计算机程序产品 |
US20080163824A1 (en) * | 2006-09-01 | 2008-07-10 | Innovative Dairy Products Pty Ltd, An Australian Company, Acn 098 382 784 | Whole genome based genetic evaluation and selection process |
EP2843415A1 (en) * | 2013-08-30 | 2015-03-04 | LURIC Datenbank GbR | Methods for cardiovascular risk assessment in diabetes patients |
CN108375808A (zh) * | 2018-03-12 | 2018-08-07 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的大雾预报方法 |
CN108830423A (zh) * | 2018-06-21 | 2018-11-16 | 中国水利水电科学研究院 | 一种基于预报域的年径流预测方法 |
CN109063905A (zh) * | 2018-07-20 | 2018-12-21 | 北京师范大学 | 一种适应气候变化的水资源随机规划方法 |
CN113056232A (zh) * | 2018-09-18 | 2021-06-29 | 牛津大学科技创新有限公司 | 血管周区域的放射组学标签 |
WO2020113271A1 (en) * | 2018-12-04 | 2020-06-11 | La Trobe University | Methods of diagnosing a disease state |
WO2020144378A1 (en) * | 2019-01-11 | 2020-07-16 | Universitätsspital Basel | Sglt-2 inhibitors or il-1r antagonists for reduction of hypoglycaemia after bariatric surgery |
CN110852477A (zh) * | 2019-10-08 | 2020-02-28 | 华中科技大学 | 一种基于系统动力学的生产需水预测方法 |
CN110969290A (zh) * | 2019-11-18 | 2020-04-07 | 国电湖南巫水水电开发有限公司 | 一种基于深度学习的径流概率预测方法及系统 |
CN111597494A (zh) * | 2020-05-07 | 2020-08-28 | 山东大学 | 一种基于非平稳时间序列分解的统计降尺度方法 |
CN111639803A (zh) * | 2020-05-29 | 2020-09-08 | 福州市规划设计研究院 | 一种应用于气候变化情景下区域未来植被指数的预估方法 |
CN111898820A (zh) * | 2020-07-27 | 2020-11-06 | 重庆市规划设计研究院 | 基于趋势聚类和集成树的pm2.5小时浓度组合预测方法及系统 |
CN111985728A (zh) * | 2020-09-07 | 2020-11-24 | 浪潮软件股份有限公司 | 一种建立有机高粱产量预测模型的方法 |
CN112433927A (zh) * | 2020-11-30 | 2021-03-02 | 西安理工大学 | 基于时间序列聚类和lstm的云服务器老化预测方法 |
CN112241494A (zh) * | 2020-12-10 | 2021-01-19 | 平安科技(深圳)有限公司 | 基于用户行为数据的关键信息推送方法及装置 |
Non-Patent Citations (4)
Title |
---|
BINGQING WANG等: ""Identifying Main Factors of Wind Power Generation Based on Principal Component Regression: A Case Study of Xiamen"", 《2022 6TH INTERNATIONAL CONFERENCE ON GREEN ENERGY AND APPLICATIONS (ICGEA)》 * |
YI-FENG PAN等: ""Improving Scene Text Detection by Scale-Adaptive Segmentation and Weighted CRF Verification"", 《2011 INTERNATIONAL CONFERENCE ON DOCUMENT ANALYSIS AND RECOGNITION》 * |
刘政平等: ""复杂条件下能源系统污染排放优化及因子影响效应研究"", 《电力建设》 * |
曹玉婷: ""基于分子光谱的物质定量与定性相关研究"", 《中国硕士学位论文全文数据库》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128099A (zh) * | 2022-11-28 | 2023-05-16 | 南京信息工程大学 | 一种基于人工智能的中国短期气候预测方法及系统 |
CN116128099B (zh) * | 2022-11-28 | 2023-09-12 | 南京信息工程大学 | 一种基于人工智能的中国短期气候预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113705657B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108761574B (zh) | 基于多源信息融合的降雨量估算方法 | |
Holmlund | The utilization of statistical properties of satellite-derived atmospheric motion vectors to derive quality indicators | |
Tan et al. | A review of alternative climate products for SWAT modelling: Sources, assessment and future directions | |
Ahmed et al. | Absolute homogeneity assessment of precipitation time series in an arid region of Pakistan | |
Nathan et al. | Estimating low flow characteristics in ungauged catchments | |
CN110728411B (zh) | 一种基于卷积神经网络的高低空区域联合降雨预测方法 | |
CN109033599B (zh) | 一种基于随机森林的土壤侵蚀影响因子重要性分析方法 | |
CN111815037A (zh) | 一种基于注意力机制的可解释性短临极端降雨预测方法 | |
Körner et al. | Introducing Gradient Boosting as a universal gap filling tool for meteorological time series | |
CN109840873A (zh) | 一种基于机器学习的无资料地区水文模型参数区域化方法 | |
CN112035448A (zh) | 一种综合地基gnss水汽和气象要素的神经网络短临降水预报方法 | |
CN109033605B (zh) | 一种基于多阶段划分和多单位线选择的流域汇流模拟方法 | |
Pokharel et al. | An ecological land classification approach to modeling the production of forest biomass | |
CN111797131A (zh) | 一种基于遥感降水产品的极端降水区域频率分析方法 | |
Cappelaere et al. | Hydrologic process simulation of a semiarid, endoreic catchment in Sahelian West Niger. 2. Model calibration and uncertainty characterization | |
Nacar et al. | Evaluation of the suitability of NCEP/NCAR, ERA-Interim and, ERA5 reanalysis data sets for statistical downscaling in the Eastern Black Sea Basin, Turkey | |
CN111275341A (zh) | 基于lasso及随机森林的高拱坝谷幅变形分析方法 | |
CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
Hoffmann et al. | Development of regionalized hydrological models in an area with short hydrological observation series | |
CN113705657A (zh) | 一种基于差分法消除多重共线性的逐步聚类统计降尺度方法 | |
Meyal et al. | Automated cloud based long short-term memory neural network based SWE prediction | |
Kanchanamala et al. | Impact of catchment scale on rainfall runoff modeling: Kalu Ganga river catchment upto Ratnapura | |
CN108763673A (zh) | 基于lasso回归的土地利用变化驱动力筛选方法和装置 | |
Rubio-Cuadrado et al. | Applying climwin to dendrochronology: A breakthrough in the analyses of tree responses to environmental variability | |
CN116484189A (zh) | 一种基于深度学习的era5降水产品降尺度方法 |
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 |