CN113821987B - 复杂地形气象数据预测方法、系统和装置 - Google Patents
复杂地形气象数据预测方法、系统和装置 Download PDFInfo
- Publication number
- CN113821987B CN113821987B CN202111383981.9A CN202111383981A CN113821987B CN 113821987 B CN113821987 B CN 113821987B CN 202111383981 A CN202111383981 A CN 202111383981A CN 113821987 B CN113821987 B CN 113821987B
- Authority
- CN
- China
- Prior art keywords
- data
- data set
- temperature data
- temperature
- geographic
- 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
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种复杂地形气象数据预测方法、系统和装置,包括以下步骤:获取第一地理单元内的NDVI数据和第一地理单元内对应的第一温度数据集,以高斯权重滤波器作为核,对NDVI数据进行卷积,用第一温度数据集和处理后的NDVI数据训练多项式回归模型,栅格化第一地理单元获得第二地理单元,用多项式回归模型计算第二温度数据集;叠加以海拔经验模型计算的第三温度数据集和第二温度数据集,得到第四温度数据集;获取第二地理单元的实测温度数据,对第四温度数据集进行空间卷积操作,基于实测温度数据调节高斯核半径的参数R和高斯公式中的σ参数计算第二最优模型。本技术方案解决了复杂地形的温度预测缺陷,预测尺度更小,且预测更准确。
Description
技术领域
本发明涉及气象预测技术领域,尤其涉及一种复杂地形的气象数据预测方法。
背景技术
气温是描述气象数据的重要因素,但是考虑到气象站点的分布不均匀、地球表面各个区域的环境差异巨大,地理环境非常复杂,造成目前的预测系统误差较大。
有公开文献CN112016052 A,公开了一种基于多源数据的近地表日最高气温估算方法,对粗分辨率的格点人口位置大数据进行网格化插值处理,得到空间分辨率为1km的人口位置统计网格数据;对POI数据进行网格化分类统计处理,得到空间分辨率为1km的不同类别的POI统计数据;对空间分辨率为1km的热红外地表温度数据与25km的被动微波遥感地表温度数据进行空间降尺度融合处理,得到空间分辨率为1km白天地表温度;对地表参量数据进行预处理,得到空间分辨率为1km的城市不透水面盖度、植被盖度、与海岸线距离、EVI、DEM;建立非线性回归拟合模型;基于非线性回归模型,得到空间分辨率为1km的城市近地表日最高气温数据。
该公开文献考虑了人口流动、不同类型的POI对气温的影响,其是对城市区域最高气温的估算,并没有提到对于整体复杂地形的气温实时分析。
发明内容
本发明针对现有技术中的缺点,提供了一种复杂地形气象数据预测方法和系统,解决了基于气象站点的分布缺陷而造成的复杂地形下的实时温度获取。
为了解决上述技术问题,本发明通过下述技术方案得以解决:
一种复杂地形气象数据预测方法,包括以下步骤:
获取第一地理单元内的NDVI数据和第一地理单元内对应的实测温度数据,对每次实测温度数据减去其平均值作为第一温度数据集;
以高斯权重滤波器作为卷积核,对所述NDVI数据进行卷积操作,得到处理后的NDVI数据;
将所述第一温度数据集和处理后的NDVI数据作为训练数据,使用多项式回归模型进行训练,得到NDVI数据和温度增减值的第一最优模型;
通过对第一地理单元栅格化获得第二地理单元,以第一地理单元的实测温度数据为基准,通过所述第一最优模型计算每一第二地理单元的第二温度数据集;
以第一地理单元的气象站海拔数据为基准,以海拔经验模型计算每一第二地理单元的第三温度数据集,叠加所述第二温度数据集和所述第三温度数据集,得到第四温度数据集;
获取第一地理单元内的每一第二地理单元的实测温度数据,以高斯权重滤波器作为卷积核对所述第四温度数据集进行空间卷积操作,基于实测温度数据调节高斯核半径的参数R和高斯公式中的σ参数,计算第二最优模型;以所述第二最优模型预测复杂地形气象数据。
可选的,将第一地理单元划分为若干第二地理单元,所述第二地理单元映射模拟的气象站分布位置,以第一地理单元的实测温度数据为基准,根据所述第一最优模型计算每一第二地理单元的预测温度数据,即为所述第二温度数据集。
可选的,所述实测温度数据为第一地理单元区域内同一海拔,同一时间下获取的温度数据。
可选的,以海拔经验模型计算每一第二地理单元的第三温度数据集的方法包括:
以第一地理单元的气象站海拔数据为基准,计算基于海拔的对应温度增减数据,建立第二地理单元上的海拔数据与温度数据之间的关系,获取每一第二地理单元的每个海拔点上的温度增减数据,得到第三温度数据集。
可选的,将所述第一温度数据集和处理后的NDVI数据作为训练数据,使用多项式回归模型进行训练,得到NDVI数据和温度增减值的第一最优模型的方法包括:
所述第一温度数据集为多次实测同一海拔、同一时间中的多个温度数据,实测后得到的温度数据减去每次实测温度的平均值的温度数据集合;
将第一温度数据集和处理后的NDVI数据作为总数据集,分为训练数据集,验证数据集和测试数据集,使用多项式回归模型拟合所述空间卷积操作之后的NDVI数据和温度增减数据的回归方程;
用训练数据集和验证数据集,以高斯权重滤波公式中的σ值和高斯核半径R和作为超参数,使用交叉验证的方式和网格搜索的方法训练超参数;
以多项式回归模型的degree参数,训练出N个模型,使用测试数据集进行模型泛化验证,得到误差最小的所述第一最优模型。
可选的,使用测试数据集进行模型泛化验证,得到误差最小的所述第一最优模型的方法包括:
其中,Yi是温度实测值,Yi′是线性回归计算的温度值,N是样点数,通过分析RMSE的值调整模型精度,得到多项式回归的第一最优模型。
可选的,所述计算第二最优模型的方法还包括:
实地测量每个所述第二地理单元中心点的数据,得到实测温度数据,以高斯滤波权重滤波器作为卷积核,对所述第四温度数据集进行空间卷积操作;
使用高斯权重滤波空间卷积的方法,将σ值和高斯核半径R作为超参数调参,使用测试数据集评估误差,误差最小的作为最优模型。
本发明还提供一种复杂地形气象数据预测系统,包括:
数据采集单元,用于获取第一地理单元的NDVI数据和第一地理单元对应的温度增减数据,为第一温度数据集;
第一最优模型计算单元,以高斯权重滤波器作为卷积核,对NDVI数据进行空间卷积操作,得到处理后的NDVI数据;
将所述第一温度数据集和处理后的NDVI数据作为训练数据,使用多项式回归分析方法训练模型,得到NDVI和温度的拟合方程作为第一最优模型;
第二温度数据集计算单元,通过对第一地理单元栅格化获得第二地理单元,以第一地理单元的气象站温度数据为基准,通过所述第一最优模型计算每一第二地理单元的第二温度数据集;
第四温度数据集计算单元,以第一地理单元的气象站海拔数据为基准,以海拔经验模型计算每一第二地理单元的第三温度数据集,叠加所述第二温度数据集和所述第三温度数据集,得到第四温度数据集;
第二最优模型计算单元,获取第一地理单元下的每一第二地理单元的实测温度数据,以高斯权重滤波器作为卷积核对所述第四温度数据集进行空间卷积操作,计算第二最优模型;
温度数据输出单元,以所述第二最优模型预测复杂地形气象数据。
本发明还提供一种复杂地形气象数据预测装置,其包括至少一个处理器,至少一个计算机可读存储介质和至少一个显示屏,所述显示屏显示处理器根据所述复杂地形气象数据预测方法处理并输出的复杂地形气象数据。
本发明的有益效果:
本发明通过高斯权重滤波卷积技术实现了复杂地理环境对预测温度的影响,同时通过提高分辨率实现更加精准的预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是复杂地形气象数据预测方法的流程图;
图2是第一地理单元栅格化的示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例1:
一种复杂地形气象数据预测方法,其特征在于,如图1包括以下步骤:
获取第一地理单元内的NDVI数据和第一地理单元内对应的实测温度数据,对每次实测温度数据减去其平均值作为第一温度数据集;
以高斯权重滤波器作为卷积核,对所述NDVI数据进行卷积操作,得到处理后的NDVI数据;
将所述第一温度数据集和处理后的NDVI数据作为训练数据,使用多项式回归模型进行训练,得到NDVI数据和温度增减值的拟合方程作为第一最优模型;
通过对第一地理单元栅格化获得第二地理单元,以第一地理单元的实测温度数据为基准,通过所述第一最优模型计算每一第二地理单元的第二温度数据集;
以第一地理单元的气象站海拔数据为基准,以海拔经验模型计算每一第二地理单元的第三温度数据集,叠加所述第二温度数据集和所述第三温度数据集,得到第四温度数据集;
获取第一地理单元内的每一第二地理单元的实测温度数据,以高斯权重滤波器作为卷积核对所述第四温度数据集进行空间卷积操作,基于实测温度数据调节高斯核半径的参数R和高斯公式中的σ参数,计算第二最优模型;以所述第二最优模型预测复杂地形气象数据。
其中,实测温度数据为第一地理单元区域内同一海拔,同一时间下获取的温度数据。
1)高斯权重滤波器为:
其中,μ为尖峰中心的坐标;σ为高斯分布的标准差。标准差代表着数据的离散程度,如果σ较小,那么生成的模板的中心系数较大,而周围的系数较小,这样对图像的平滑效果就不是很明显;反之,σ较大,则生成的模板的各个系数相差就不是很大,比较类似均值模板,对图像的平滑效果比较明显。
应用所述高斯权重滤波器作为卷积核,对NDVI数据进行空间卷积,获得受周边地理环境影响的NDVI数据。
2)空间卷积模型具体如下:
在本实施例中,函数f是NDVI数据,函数g是高斯核函数,f(τ)代表某一地理中心附近地理单元的NDVI值,g(x-τ)代表对地理中心的影响比例,x为地理单元中心的值,当x=τ时,g(x-τ)=1。f(τ)g(x-τ)即为某地理单元对中心的影响,则对f(τ)g(x-τ)求定积分,范围为整张影像,即为对NDVI数据进行卷积操作。
基于1)和2)得到处理后的NDVI数据。
3)得到NDVI数据和温度增减值的第一最优模型的方法,具体如下:
所述第一温度数据集为多次实测同一海拔,同一时间中的多个温度数据,实测后得到的温度数据减去每次实测温度的平均值的温度数据集合;
将第一温度数据集和处理后的NDVI数据作为总数据集,分为训练数据集,验证数据集和测试数据集,使用多项式回归模型拟合所述空间卷积操作之后的NDVI数据和温度增减数据的回归方程;
用训练数据集和验证数据集,以高斯权重滤波公式中的σ值和高斯核半径R和作为超参数,使用交叉验证的方式和网格搜索的方法训练超参数;
以多项式回归模型的degree参数,训练出N个模型,使用测试数据集进行模型泛化验证,得到误差最小的所述第一最优模型。
具体的,训练数据集和验证数据集用来调节模型的超参数,在这里使用交叉验证的方式训练模型。在交叉验证中,需要把上述总数据集分成k份,k-1份为训练数据集,1份为验证数据集。将高斯核的半径R、高斯滤波公式中的σ值作为超参数,使用网格搜索的方法来训练多项式回归模型。形成k个模型,k个模型的每个模型在测试数据集上都会产生一个性能的指标RMSE, k个RMSE指标作为当前模型好坏的评价标准,用以评判和调整出第一最优模型。
其中指标RMSE的计算方式为:
其中,Yi是温度实测值,Yi′是线性回归计算的温度值,N是样点数,通过分析RMSE的值调整模型精度,得到多项式回归的第一最优模型。
其中, 将第一地理单元划分为若干第二地理单元,所述第二地理单元映射模拟的第二气象站分布位置; 以第一地理单元的实测温度数据为基准,根据所述第一最优模型计算每一第二地理单元的预测温度数据,即为所述第二温度数据集。
例如:需要研究某一复杂地貌区域,范围是300km*300km的区域,该区域内分布有多个气象站,根据常规的气象站分布规律,将此区域划分为12.5km*12.5km的气象站点数据,其中12.5km*12.5km地理区域即可以理解为上述第一地理单元;
将此区域划分为若干个小单元,形成若干第二地理单元,并根据实际气象站的空间分布进行对应。即一个实际气象站对应n*n个第二地理单元,本实施例n取5,举例如图2,划分的第二地理单元即为下一步研究的气象尺度。
以海拔经验模型计算每一第二地理单元的第三温度数据集的方法包括:
以第一地理单元的气象站海拔数据为基准,计算基于海拔的对应温度增减数据,以每升高1km,气温下降6℃的原理建立第二地理单元上的海拔数据与温度数据之间的关系,获取每一第二地理单元的每个海拔点上的温度增减数据,得到第三温度数据集。
其中,第二数据集和第三数据集包括每个第二地理单元对应的海拔温度增减数据,即两组增减数据矩阵,将两个数据集叠加,得到第二地理单元的预测数据集,即所述第四数据集。
其中第一温度数据集是对每次实测温度数据减去其平均值得到的增减数据集。可以理解的是,第二温度数据集和第三温度数据集是以第一地理单元的温度数据和海拔数据为基准做增减分析而得到的。
其中,所述计算第二最优模型的方法还包括:
实地测量每个所述第二地理单元中心点的数据,得到实测温度数据,以高斯滤波权重滤波器作为卷积核,对所述第四温度数据集进行空间卷积操作;
使用高斯权重滤波空间卷积的方法,将σ值和高斯核半径R作为超参数调参,使用测试数据集评估误差,误差最小的作为最优模型。
具体的,分别调节高斯核的半径和高斯公式参数σ的值,采用RMSE来衡量性能进行调整。
通过实测温度数据的积累,不断优化和调节σ值和高斯核半径R参数。数据训练的次数越多,与实测值越来越接近,模型就越完善。
采用第二最优模型,输入参数包括第四温度数据集,以及最新的σ值和高斯核半径R,输出所需的每个小地理单元的温度数据集。
实施例2:
一种复杂地形气象数据预测系统,包括:
数据采集单元,用于获取第一地理单元的NDVI数据和第一地理单元对应的温度增减数据,第一温度数据集。
第一最优模型计算单元,以高斯权重滤波器作为卷积核,对NDVI数据进行空间卷积操作,得到处理后的NDVI数据。
将所述第一温度数据集和处理后的NDVI数据作为训练数据,使用多项式回归分析方法训练模型,得到NDVI和温度的拟合方程作为第一最优模型。
第二温度数据集计算单元,通过对第一地理单元栅格化获得第二地理单元,以第一地理单元的气象站温度数据为基准,通过所述第一最优模型计算每一第二地理单元的第二温度数据集。
第四温度数据集计算单元,以第一地理单元的气象站海拔数据为基准,以海拔经验模型计算每一第二地理单元的第三温度数据集,叠加所述第二温度数据集和所述第三温度数据集,得到第四温度数据集。
第二最优模型计算单元,获取第一地理单元下的每一第二地理单元的实测温度数据,以高斯权重滤波器作为卷积核对所述第四温度数据集进行空间卷积操作,计算第二最优模型。
温度数据输出单元,以所述第二最优模型预测复杂地形气象数据。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。
所述单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何在本发明揭露的技术范围内的变化或替换,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以所述权利要求的保护范围为准。
Claims (10)
1.一种复杂地形气象数据预测方法,其特征在于,包括以下步骤:
获取第一地理单元内的NDVI数据和第一地理单元内对应的实测温度数据,对每次实测温度数据减去其平均值作为第一温度数据集;
以高斯权重滤波器作为卷积核,对所述NDVI数据进行卷积操作,得到处理后的NDVI数据;
将所述第一温度数据集和处理后的NDVI数据作为训练数据,使用多项式回归模型进行训练,得到NDVI数据和温度增减值的第一最优模型;
通过对第一地理单元栅格化获得第二地理单元,以第一地理单元的温度数据为基准,通过所述第一最优模型计算每一第二地理单元的第二温度数据集;
以第一地理单元的气象站海拔数据为基准,以海拔经验模型计算每一第二地理单元的第三温度数据集,叠加所述第二温度数据集和所述第三温度数据集,得到第四温度数据集;
获取第一地理单元内的每一第二地理单元的实测温度数据,以高斯权重滤波器作为卷积核对所述第四温度数据集进行空间卷积操作,基于实测温度数据调节高斯核半径的参数R和高斯公式中的σ参数,计算第二最优模型;以所述第二最优模型预测复杂地形气象数据。
2.根据权利要求1所述的复杂地形气象数据预测方法,其特征在于,所述通过所述第一最优模型计算每一第二地理单元的第二温度数据集的方法包括:
将第一地理单元划分为若干第二地理单元,所述第二地理单元映射模拟的气象站分布位置,以第一地理单元的实测温度数据为基准,根据所述第一最优模型计算每一第二地理单元的预测温度数据,即为所述第二温度数据集。
3.根据权利要求1或2所述的复杂地形气象数据预测方法,其特征在于,所述实测温度数据为第一地理单元区域内同一海拔,同一时间下获取的温度数据。
4.根据权利要求2所述的复杂地形气象数据预测方法,其特征在于,以海拔经验模型计算每一第二地理单元的第三温度数据集的方法包括:
以第一地理单元的气象站海拔数据为基准,计算基于海拔的对应温度增减数据,建立第二地理单元上的海拔数据与温度数据之间的关系,获取每一第二地理单元的每个海拔点上的温度增减数据,得到第三温度数据集。
5.根据权利要求1所述的复杂地形气象数据预测方法,其特征在于,将所述第一温度数据集和处理后的NDVI数据作为训练数据,使用多项式回归模型进行训练,得到NDVI数据和温度增减值的第一最优模型的方法包括:
所述第一温度数据集为多次实测同一海拔、同一时间中的多个温度数据,实测后得到的温度数据减去每次实测温度的平均值的温度数据集合;
将第一温度数据集和处理后的NDVI数据作为总数据集,分为训练数据集,验证数据集和测试数据集,使用多项式回归模型拟合所述空间卷积操作之后的NDVI数据和温度增减数据的回归方程;
用训练数据集和验证数据集,以高斯权重滤波公式中的σ值和高斯核半径R和作为超参数,使用交叉验证的方式和网格搜索的方法训练超参数;
以多项式回归模型的degree参数,训练出N个模型,使用测试数据集进行模型泛化验证,得到误差最小的所述第一最优模型。
7.根据权利要求2所述的复杂地形气象数据预测方法,其特征在于,所述计算第二最优模型的方法还包括:
实地测量每个所述第二地理单元中心点的数据,得到实测温度数据,以高斯滤波权重滤波器作为卷积核,对所述第四温度数据集进行空间卷积操作;
使用高斯权重滤波空间卷积的方法,将σ值和高斯核半径R作为超参数调参,使用测试数据集评估误差,误差最小的作为最优模型。
8.一种复杂地形气象数据预测系统,其特征在于,包括:
数据采集单元,用于获取第一地理单元的NDVI数据和第一地理单元对应的温度增减数据,为第一温度数据集;
第一最优模型计算单元,以高斯权重滤波器作为卷积核,对NDVI数据进行空间卷积操作,得到处理后的NDVI数据;
将所述第一温度数据集和处理后的NDVI数据作为训练数据,使用多项式回归分析方法训练模型,得到NDVI和温度的拟合方程作为第一最优模型;
第二温度数据集计算单元,通过对第一地理单元栅格化获得第二地理单元,以第一地理单元的气象站温度数据为基准,通过所述第一最优模型计算每一第二地理单元的第二温度数据集;
第四温度数据集计算单元,以第一地理单元的气象站海拔数据为基准,以海拔经验模型计算每一第二地理单元的第三温度数据集,叠加所述第二温度数据集和所述第三温度数据集,得到第四温度数据集;
第二最优模型计算单元,获取第一地理单元下的每一第二地理单元的实测温度数据,以高斯权重滤波器作为卷积核对所述第四温度数据集进行空间卷积操作,计算第二最优模型;
温度数据输出单元,以所述第二最优模型预测复杂地形气象数据。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7任意一项所述的复杂地形气象数据预测方法。
10.一种复杂地形气象数据预测装置,其特征在于,其包括至少一个处理器,至少一个计算机可读存储介质和至少一个显示屏,所述显示屏显示处理器根据权利要求1-7任一所述复杂地形气象数据预测方法处理并输出的复杂地形气象数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111383981.9A CN113821987B (zh) | 2021-11-19 | 2021-11-19 | 复杂地形气象数据预测方法、系统和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111383981.9A CN113821987B (zh) | 2021-11-19 | 2021-11-19 | 复杂地形气象数据预测方法、系统和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113821987A CN113821987A (zh) | 2021-12-21 |
CN113821987B true CN113821987B (zh) | 2022-03-25 |
Family
ID=78918036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111383981.9A Active CN113821987B (zh) | 2021-11-19 | 2021-11-19 | 复杂地形气象数据预测方法、系统和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113821987B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652404A (zh) * | 2020-02-06 | 2020-09-11 | 北京师范大学 | 一种全天气地表温度反演方法和系统 |
CN113269464A (zh) * | 2021-06-10 | 2021-08-17 | 中国科学院地理科学与资源研究所 | 一种生态恢复评估方法和生态恢复评估装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10881045B2 (en) * | 2016-03-04 | 2021-01-05 | Nutrien Ag Solutions (Canada) Inc. | System and method for prescribing fertilizer application rates for spatial distribution of a product |
CN108038566A (zh) * | 2017-11-30 | 2018-05-15 | 河南云保遥感科技有限公司 | 一种基于气象与遥感数据融合的灾害监测定损方法 |
CN111307643A (zh) * | 2019-04-04 | 2020-06-19 | 西北大学 | 一种基于机器学习算法的土壤水分预测方法 |
CN111860205B (zh) * | 2020-06-29 | 2024-03-19 | 成都数之联科技股份有限公司 | 基于多源遥感影像和网格的森林火情评价方法及存储介质 |
CN111815073A (zh) * | 2020-08-06 | 2020-10-23 | 内蒙古工业大学 | 草地生物量的预测方法及装置、电子设备和存储介质 |
CN112216052A (zh) * | 2020-11-18 | 2021-01-12 | 北京航天泰坦科技股份有限公司 | 森林防火监测预警方法和装置及设备、存储介质 |
CN113065280A (zh) * | 2021-03-17 | 2021-07-02 | 南京工业职业技术大学 | 一种流域径流整体变化趋势的预测方法 |
CN113189014B (zh) * | 2021-04-14 | 2023-05-02 | 西安交通大学 | 一种融合卫星遥感和地面监测数据的臭氧浓度估算方法 |
CN113554232A (zh) * | 2021-07-26 | 2021-10-26 | 吉林大学 | 一种农作物产量预测方法及系统 |
-
2021
- 2021-11-19 CN CN202111383981.9A patent/CN113821987B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652404A (zh) * | 2020-02-06 | 2020-09-11 | 北京师范大学 | 一种全天气地表温度反演方法和系统 |
CN113269464A (zh) * | 2021-06-10 | 2021-08-17 | 中国科学院地理科学与资源研究所 | 一种生态恢复评估方法和生态恢复评估装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113821987A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112905560B (zh) | 一种多源时空大数据深度融合的空气污染预测方法 | |
US10871593B2 (en) | Method for increasing the spatial resolution of a weather forecast | |
CN111723524B (zh) | 一种基于日变化约束的pm2.5卫星遥感反演方法 | |
CN113348471A (zh) | 一种大气污染预测中对区域边界优化的方法 | |
CN113408111B (zh) | 大气可降水量反演方法及系统、电子设备和存储介质 | |
CN114120101A (zh) | 一种土壤水分多尺度综合感知方法 | |
CN112699951A (zh) | 降水数据融合方法、装置、终端设备及可读存储介质 | |
CN115544889A (zh) | 基于深度学习的数值模式降水偏差校正方法 | |
CN110927065B (zh) | 遥感辅助的湖库chl-a浓度空间插值方法优选方法和装置 | |
CN113821987B (zh) | 复杂地形气象数据预测方法、系统和装置 | |
CN116485174B (zh) | 一种臭氧污染对作物减产风险评估方法和装置 | |
CN106546958B (zh) | 一种优化的雷达数据同化方法 | |
CN116796649A (zh) | 一种基于机器学习的spei粗分辨率数据空间降尺度方法及装置 | |
Fan et al. | Quantitative estimation of missing value interpolation methods for suomi-NPP VIIRS/DNB nighttime light monthly composite images | |
CN116609859A (zh) | 一种气象灾害高分辨率区域模式预报系统及方法 | |
CN116299466A (zh) | 一种输电通道地质形变监测方法和装置 | |
Fan et al. | Simulation of average monthly ozone exposure concentrations in China: A temporal and spatial estimation method | |
CN110928973A (zh) | 一种降水量状况评估方法 | |
CN113887058B (zh) | 一种考虑距海岸线距离和风速影响的氯离子沉积率预测方法 | |
CN115166874A (zh) | 基于机器学习的气象干旱指数spi构建方法 | |
CN115436570A (zh) | 一种基于多元数据的二氧化碳浓度遥感监测方法及装置 | |
CN113191536A (zh) | 基于机器学习的近地面环境要素预测模型训练和预测方法 | |
CN105095660A (zh) | 一种局部山地区域的相对湿度日变化基线的构建方法 | |
CN117746239B (zh) | 一种环境要素提取与预评估方法、系统、设备和存储介质 | |
CN118068453B (zh) | 基于多源预报产品的大释用短期降水预报方法和系统 |
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 |