CN114091266A - 极端降水与陆面温度增温响应关系的稳健性评估方法 - Google Patents
极端降水与陆面温度增温响应关系的稳健性评估方法 Download PDFInfo
- Publication number
- CN114091266A CN114091266A CN202111406354.2A CN202111406354A CN114091266A CN 114091266 A CN114091266 A CN 114091266A CN 202111406354 A CN202111406354 A CN 202111406354A CN 114091266 A CN114091266 A CN 114091266A
- Authority
- CN
- China
- Prior art keywords
- temperature
- robustness
- sample
- extreme
- precipitation
- 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
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种极端降水与陆面温度增温响应关系的稳健性评估方法,属于极端降水评估技术领域。所述稳健性评估方法包括:获取待测时间段逐日的陆面温度和日降水量,所述陆面温度包括近地气温、地表气温及露点温度,根据所述日降水量和所述陆面温度得到极端降水对近地气温的响应强度qNSAT、极端降水对地表气温的响应强度qSAT及极端降水对露点温度的响应强度qTd,对所述qNSAT、所述qSAT及所述qTd两两进行稳健性检验,得到稳健性评估结果。本发明的方法有助于为工程界提供指导,以便用户更可靠地预测与极端降水有关的未来设计值。
Description
技术领域
本发明涉及一种极端降水与陆面温度增温响应关系的稳健性评估方法,属于极端降水评估技术领域。
背景技术
在未来气候变暖的情况下,极端降水事件的频率和强度预计会增加。日益强烈的极端降水会造成更多的自然灾害,如滑坡和洪水。因此评估极端降水与不同陆面温度增温的响应关系的稳健性,对预测与极端降水有关的未来设计值及其灾害风险研究具有重要意义。
极端降水与气温的关系通常通过Clausius-Clapeyron(C-C)方程所描述的空气温度升高与大气持水能力升高之间的依赖关系来解释。其中,Clausius-Clapeyron关系描述的是大气饱和水汽压作为环境温度、环境气压函数的变化特征,指出了大气的水汽储存能力随气温的升高呈现出7%/℃的增长趋势,由此为联系极端降水与气温之间的关系提供了物理基础。
目前,虽然有很多学者研究极端降水与气温的响应关系,但分析的都是极端降水与1.5m的近地气温的关系,很少有人研究极端降水对不同陆面温度的响应特性及评估其之间的稳健性。
发明内容
本发明提供了一种极端降水与陆面温度增温响应关系的稳健性评估方法,以便用户更可靠地预测与极端降水有关的未来设计值。
本发明提供了一种极端降水与陆面温度增温响应关系的稳健性评估方法,所述方法包括:
获取待测时间段逐日的陆面温度和日降水量,所述陆面温度包括近地气温、地表气温及露点温度;
根据所述日降水量和所述陆面温度得到极端降水对近地气温的响应强度qNSAT、极端降水对地表气温的响应强度qSAT及极端降水对露点温度的响应强度qTd;
对所述qNSAT、所述qSAT及所述qTd两两进行稳健性检验,得到稳健性评估结果。
可选的,获取待测时间段逐日的露点温度具体包括:
获取待测时间段逐日的相对湿度;
根据第一公式计算得到待测时间段逐日的露点温度,所述第一公式为:
式中,td为露点温度,t为近地气温,RH为相对湿度。
可选的,所述根据所述日降水量和所述陆面温度得到极端降水对近地气温的响应强度qNSAT具体包括:
筛选所述日降水量中大于或等于0.1mm的日降水量数据和与所述日降水量数据对应的近地气温,得到样本数据集,所述样本数据集中的每一个样本数据均包括一个日降水量数据和与其对应的近地气温;
根据所述近地气温的大小对所述样本数据进行升序排序,并将所述样本数据等间隔均分为多个样本组;
根据所述日降水量对每一个所述样本组内的所述样本数据进行升序排序;
获取每一个所述样本组的第95百分位阈值及其之后的样本数据;
提取出所述样本数据中的日降水量数据组成极端降水序列;
对所述极端降水序列中的每个日降水量数据取对数,得到取对数后的极端降水序列;
根据所述取对数后的极端降水序列与其对应的近地气温得到待测样本;
识别所述待测样本的Hook结构,得到所述Hook结构的拐点,将所述拐点处对应的近地气温记为峰点温度;
选取出所述待测样本中所述近地气温小于或等于所述峰点温度的数据组,记为最佳样本;
通过最小二乘法对所述最佳样本中的数据组进行拟合,得到极端降水与所述近地气温的响应强度qNSAT。
可选的,所述Hook结构具体为:在所述峰点温度前,所述待测样本呈递增趋势;在所述峰点温度后,所述待测样本呈递减趋势。
可选的,所述qSAT与所述qTd的获取方法与所述qNSAT的获取方法一致。
可选的,对所述qNSAT和所述qSAT进行稳健性检验,得到稳健性评估结果具体包括:
将所述最佳样本中的数据组输入Eviews软件,通过抽样回归的方法,得到所述qNSAT的稳健性对比指标和所述qSAT的稳健性对比指标;
根据所述qNSAT的稳健性对比指标和所述qSAT的稳健性对比指标得到稳健性评估结果。
可选的,对所述qTd和所述qSAT之间、所述qTd和所述qNSAT之间进行稳健性检验,得到稳健性评估结果的方法与对所述qNSAT和所述qSAT进行稳健性检验,得到稳健性评估结果的方法一致。
可选的,所述稳健性对比指标为回归系数的方差、极差的绝对值和变异系数中的任一种。
本发明能产生的有益效果包括:
本发明的极端降水与陆面温度增温响应关系的稳健性评估方法有助于为工程界提供指导,以便用户更可靠地预测与极端降水有关的未来设计值,对灾害风险研究具有重要意义。
附图说明
图1为本发明实施例提供的极端降水与陆面温度增温响应关系的稳健性评估方法的方法流程图;
图2中的(a)-(c)依次为本发明实施例提供的陕北黄土高原日极端降水与近地气温、地表气温和露点温度的响应关系图。
具体实施方式
下面结合实施例详述本发明,但本发明并不局限于这些实施例。
本发明实施例提供了一种极端降水与陆面温度增温响应关系的稳健性评估方法。本实施例中以陕北黄土高原为研究区域,选取1970-2017年的逐日气象资料,分别对陕北黄土高原的吴旗、衡山、榆林、延安、洛川及绥德6个国家气象站进行研究。
如图1所示,评估方法包括:
S1、获取待测时间段逐日的陆面温度和日降水量,陆面温度包括近地气温、地表气温及露点温度。
获取待测时间段逐日的露点温度具体包括:
获取待测时间段逐日的相对湿度;
根据第一公式计算得到待测时间段逐日的露点温度,第一公式为:
式中,td为露点温度,t为近地气温,RH为相对湿度。
具体的,待测时间段为1970-2017年,在中国气象数据网下载得到1970-2017年的逐日近地气温、地表气温、相对湿度和日降水量。
S2、根据日降水量和陆面温度得到极端降水对近地气温的响应强度qNSAT、极端降水对地表气温的响应强度qSAT及极端降水对露点温度的响应强度qTd。
本实施例中,基于Clausius-Clapeyron方程根据日降水量和陆面温度得到待测国家气象站的极端降水对近地气温的响应强度qNSAT、极端降水对地表气温的响应强度qSAT及极端降水对露点温度的响应强度qTd。
其中,根据日降水量和陆面温度得到极端降水对近地气温的响应强度qNSAT具体包括:
S21、筛选日降水量中大于或等于0.1mm的日降水量数据和与日降水量数据对应的近地气温,得到样本数据集,样本数据集中的每一个样本数据均包括一个日降水量数据和与其对应的近地气温。
S22、根据近地气温的大小对样本数据进行升序排序,并将样本数据等间隔均分为多个样本组。
S23、根据日降水量对每一个样本组内的样本数据进行升序排序。
S24、获取每一个样本组的第95百分位阈值及其之后的样本数据。
例如:样本组中有100个样本数据,按照近地气温的大小从小到大对样本数据进行排序。其中,第95百分位阈值指的是排序后的样本数据中的第95个样本数据,第95百分位阈值及其之后的样本数据指的是排序后的样本数据中的第95-100位的样本数据。
S25、提取出样本数据中的日降水量数据组成极端降水序列。
S26、对极端降水序列中的每个日降水量数据取对数,得到取对数后的极端降水序列。
S27、根据取对数后的极端降水序列与其对应的近地气温得到待测样本。
S28、通过LOWESS方法识别待测样本的Hook结构,得到Hook结构的拐点,将拐点处对应的近地气温记为峰点温度。
Hook结构具体为:在峰点温度前,待测样本呈递增趋势;在峰点温度后,待测样本呈递减趋势。
S29、选取出待测样本中近地气温小于或等于峰点温度的数据组,记为最佳样本。
S210、通过最小二乘法对最佳样本中的数据组进行拟合,得到极端降水与近地气温的响应强度qNSAT。
qSAT与qTd的获取方法与qNSAT的获取方法一致,在此不再赘述。
如图2所示,本实施例中(6%~8%)/℃作为满足C-C关系的取值范围,即称为C-C标度,q>8%/℃为超C-C标度,q<6%/℃为亚C-C标度且,图中以“◆”表示超C-C标度,以“×”表示C-C标度。
图2(a)中吴旗气象站为超C-C标度,其余5个气象站都为C-C标度,图2(b)中吴旗和衡山气象站为超C-C标度,其余都为C-C标度。由此我们可以得出,极端降水随近地气温和地表气温变化都有先升后降的峰值特征,即qNSAT和qSAT均在其对应的峰点温度前,待测样本呈递增趋势,在峰点温度后,待测样本呈递减趋势。而图2(c)中,所有气象站均为C-C标度,qTd呈单调递增,即极端降水随露点温度升高而不断增加。
因此,我们可以得出,陕西黄土高原的qTd满足C-C关系;绥德、榆林、延安和洛川这4个气象站的qNSAT和qSAT均满足C-C关系;仅吴旗气象站的qNSAT和qSAT均高于C-C标度;横山气象站的qNSAT满足C-C关系,qSAT高于C-C标度。因此,所有气象站极端降水对陆面温度的响应强度均以C-C标度为主。
综上可知,陕北黄土高原的qNSAT和qSAT关系均呈Hook结构,qTd呈单调递增结构。极端降水对陆面温度的响应强度均以C-C标度为主,但qNSAT小于qSAT,qTd小于qSAT,qNSAT和qTd更接近C-C标度。
S3、对qNSAT、qSAT及qTd两两进行稳健性检验,得到稳健性评估结果。
其中,对qNSAT和qSAT进行稳健性检验,得到稳健性评估结果具体包括:
S31、将最佳样本中的数据组输入Eviews软件,通过抽样回归的方法,得到qNSAT的稳健性对比指标和qSAT的稳健性对比指标;
S32、根据qNSAT的稳健性对比指标和qSAT的稳健性对比指标得到稳健性评估结果,稳健性评估结果如表2所示。
稳健性对比指标为回归系数的方差、极差的绝对值和变异系数中的任一种。
对qTd和qSAT之间、qTd和qNSAT之间进行稳健性检验,得到稳健性评估结果的方法与对qNSAT和qSAT进行稳健性检验,得到稳健性评估结果的方法一致,在此不再赘述。
本实施例中,使用回归系数的极差的绝对值作为稳健性对比指标,且多次回归系数的极差的绝对值越小则其稳健性越好。
本实施例中抽样回归采用随机抽样法,对每个国家气象站进行20次抽样试验,得到每个国家气象站qNSAT的稳健性大于qSAT的稳健性的概率、qTd的稳健性大于qSAT的稳健性的概率和qTd的稳健性大于qNSAT的稳健性的概率。
表2 陕北黄土高原稳健性检验结果
稳健性占比 | 榆林 | 吴旗 | 衡山 | 绥德 | 延安 | 洛川 |
NSAT>SAT | 70% | 85% | 80% | 75% | 80% | 70% |
Td>SAT | 75% | 80% | 85% | 80% | 80% | 80% |
T<sub>d</sub>>NSAT | 70% | 50% | 80% | 55% | 50% | 70% |
如表2所示,6个国家气象站的qNSAT的稳健性大于qSAT的稳健性的概率均在70%以上,因此qNSAT的稳健性强于qSAT的稳健性。
6个国家气象站的qTd的稳健性大于qSAT的稳健性的概率均在75%以上,因此qTd的稳健性强于qSAT的稳健性。
由此可见,相比地表气温,使用近地气温和露点温度分析极端降水和温度的关系更为稳健。
由于qTd呈单调递增,且qTd更接近C-C标度,本实施例中,进一步证实了未来极端降水变化不仅可以通过近地气温的变化来估计,还可以通过露点温度的变化来估计。
各气象站之间进行对比可知,榆林、横山、绥德和洛川气象站的qTd的稳健性更好,吴旗和延安气象站的qNSAT的稳健性更好。由此可知,极端降水与陆面温度增温响应关系的稳健性会受研究区域的地形地貌和气候变化等条件的影响,有助于为工程界提供指导,以便更可靠地预测与极端降水有关的未来设计值。
以上,仅是本申请的几个实施例,并非对本申请做任何形式的限制,虽然本申请以较佳实施例揭示如上,然而并非用以限制本申请,任何熟悉本专业的技术人员,在不脱离本申请技术方案的范围内,利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例,均属于技术方案范围内。
Claims (8)
1.一种极端降水与陆面温度增温响应关系的稳健性评估方法,其特征在于,所述方法包括:
获取待测时间段逐日的陆面温度和日降水量,所述陆面温度包括近地气温、地表气温及露点温度;
根据所述日降水量和所述陆面温度得到极端降水对近地气温的响应强度qNSAT、极端降水对地表气温的响应强度qSAT及极端降水对露点温度的响应强度qTd;
对所述qNSAT、所述qSAT及所述qTd两两进行稳健性检验,得到稳健性评估结果。
3.根据权利要求1所述的稳健性评估方法,其特征在于,所述根据所述日降水量和所述陆面温度得到极端降水对近地气温的响应强度qNSAT具体包括:
筛选所述日降水量中大于或等于0.1mm的日降水量数据和与所述日降水量数据对应的近地气温,得到样本数据集,所述样本数据集中的每一个样本数据均包括一个日降水量数据和与其对应的近地气温;
根据所述近地气温的大小对所述样本数据进行升序排序,并将所述样本数据等间隔均分为多个样本组;
根据所述日降水量对每一个所述样本组内的所述样本数据进行升序排序;
获取每一个所述样本组的第95百分位阈值及其之后的样本数据;
提取出所述样本数据中的日降水量数据组成极端降水序列;
对所述极端降水序列中的每个日降水量数据取对数,得到取对数后的极端降水序列;
根据所述取对数后的极端降水序列与其对应的近地气温得到待测样本;
识别所述待测样本的Hook结构,得到所述Hook结构的拐点,将所述拐点处对应的近地气温记为峰点温度;
选取出所述待测样本中所述近地气温小于或等于所述峰点温度的数据组,记为最佳样本;
通过最小二乘法对所述最佳样本中的数据组进行拟合,得到极端降水与所述近地气温的响应强度qNSAT。
4.根据权利要求3所述的稳健性评估方法,其特征在于,所述Hook结构具体为:在所述峰点温度前,所述待测样本呈递增趋势;在所述峰点温度后,所述待测样本呈递减趋势。
5.根据权利要求3所述的稳健性评估方法,其特征在于,所述qSAT与所述qTd的获取方法与所述qNSAT的获取方法一致。
6.根据权利要求5所述的稳健性评估方法,其特征在于,对所述qNSAT和所述qSAT进行稳健性检验,得到稳健性评估结果具体包括:
将所述最佳样本中的数据组输入Eviews软件,通过抽样回归的方法,得到所述qNSAT的稳健性对比指标和所述qSAT的稳健性对比指标;
根据所述qNSAT的稳健性对比指标和所述qSAT的稳健性对比指标得到稳健性评估结果。
7.根据权利要求6所述的稳健性评估方法,其特征在于,对所述qTd和所述qSAT之间、所述qTd和所述qNSAT之间进行稳健性检验,得到稳健性评估结果的方法与对所述qNSAT和所述qSAT进行稳健性检验,得到稳健性评估结果的方法一致。
8.根据权利要求6所述的稳健性评估方法,其特征在于,所述稳健性对比指标为回归系数的方差、极差的绝对值和变异系数中的任一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111406354.2A CN114091266B (zh) | 2021-11-24 | 2021-11-24 | 极端降水与陆面温度增温响应关系的稳健性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111406354.2A CN114091266B (zh) | 2021-11-24 | 2021-11-24 | 极端降水与陆面温度增温响应关系的稳健性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114091266A true CN114091266A (zh) | 2022-02-25 |
CN114091266B CN114091266B (zh) | 2022-07-26 |
Family
ID=80304149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111406354.2A Active CN114091266B (zh) | 2021-11-24 | 2021-11-24 | 极端降水与陆面温度增温响应关系的稳健性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091266B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2459471A (en) * | 2008-04-23 | 2009-10-28 | Schlumberger Holdings | Forecasting asphaltic precipitation |
CN203365429U (zh) * | 2013-07-04 | 2013-12-25 | 江西省水土保持科学研究院 | 坡地水量平衡试验装置 |
CN109447378A (zh) * | 2018-12-26 | 2019-03-08 | 广东海洋大学 | 一种青藏高原降水预测方法 |
CN110991702A (zh) * | 2019-11-13 | 2020-04-10 | 清华大学 | 山区降水量的计算方法、装置、计算机设备和存储介质 |
US20200302554A1 (en) * | 2019-03-21 | 2020-09-24 | International Business Machines Corporation | Temperature and rainfall modeling for crop management |
CN111815037A (zh) * | 2020-06-24 | 2020-10-23 | 河海大学 | 一种基于注意力机制的可解释性短临极端降雨预测方法 |
CN111915098A (zh) * | 2020-08-16 | 2020-11-10 | 兰州交通大学 | 基于bp神经网络对降水形态转变的预测方法 |
CN113221464A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种地面站点与遥感观测降水数据融合方法和装置 |
-
2021
- 2021-11-24 CN CN202111406354.2A patent/CN114091266B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2459471A (en) * | 2008-04-23 | 2009-10-28 | Schlumberger Holdings | Forecasting asphaltic precipitation |
CN203365429U (zh) * | 2013-07-04 | 2013-12-25 | 江西省水土保持科学研究院 | 坡地水量平衡试验装置 |
CN109447378A (zh) * | 2018-12-26 | 2019-03-08 | 广东海洋大学 | 一种青藏高原降水预测方法 |
US20200302554A1 (en) * | 2019-03-21 | 2020-09-24 | International Business Machines Corporation | Temperature and rainfall modeling for crop management |
CN110991702A (zh) * | 2019-11-13 | 2020-04-10 | 清华大学 | 山区降水量的计算方法、装置、计算机设备和存储介质 |
CN111815037A (zh) * | 2020-06-24 | 2020-10-23 | 河海大学 | 一种基于注意力机制的可解释性短临极端降雨预测方法 |
CN111915098A (zh) * | 2020-08-16 | 2020-11-10 | 兰州交通大学 | 基于bp神经网络对降水形态转变的预测方法 |
CN113221464A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种地面站点与遥感观测降水数据融合方法和装置 |
Non-Patent Citations (2)
Title |
---|
ZHIWEI YONG EDT.: "Relationship of extreme precipitation, surface air temperature, and dew point temperature across the Tibetan Plateau", 《CLIMATIC CHANGE》 * |
尹家波 等: "中国极端降水对气候变化的热力学响应机理及洪水效应", 《科学通报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114091266B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Allen et al. | An empirical model relating US monthly hail occurrence to large‐scale meteorological environment | |
Li et al. | Predicting ground-level PM2. 5 concentrations in the Beijing-Tianjin-Hebei region: A hybrid remote sensing and machine learning approach | |
Bilir et al. | Seasonal and yearly wind speed distribution and wind power density analysis based on Weibull distribution function | |
Cucurull | Improvement in the use of an operational constellation of GPS radio occultation receivers in weather forecasting | |
Hrisko et al. | Urban air temperature model using GOES-16 LST and a diurnal regressive neural network algorithm | |
Boyer et al. | NOAA atlas NESDIS 60 | |
Bárdossy et al. | The use of personal weather station observation for improving precipitation estimation and interpolation | |
Liu et al. | Mapping the FTS SWIR L2 product of XCO2 and XCH4 data from the GOSAT by the Kriging method–a case study in East Asia | |
CN113108918B (zh) | 一种极轨气象卫星热红外遥感数据反演气温方法 | |
CN116795897B (zh) | 一种百年尺度复合高温-水文干旱演变的检测与归因方法 | |
Lanfredi et al. | A geostatistics-assisted approach to the deterministic approximation of climate data | |
CN109191408B (zh) | 快速循环地面气象融合方法、装置及服务器 | |
Zhou et al. | A multi-perspective study of atmospheric urban heat island effect in China based on national meteorological observations: Facts and uncertainties | |
Bandyopadhyay et al. | Comparison of various re-analyses gridded data with observed data from meteorological stations over India | |
CN111912754B (zh) | 一种近地面颗粒物浓度的遥感反演方法 | |
CN104602297B (zh) | 基于压缩感知的无线传感器网络监测方法及系统 | |
Jones | The instrumental data record: Its accuracy and use in attempts to identify the “CO2 signal” | |
FR | Spatial and temporal changes of vegetation cover in China based on modis NDVI. | |
Wei et al. | Is Poaceae pollen size a useful proxy in palaeoecological studies? New insights from a Poaceae pollen morphological study in the Amazon | |
Wei et al. | Ozone profile retrieval from an advanced infrared sounder: Experiments with tropopause-based climatology and optimal estimation approach | |
Bouwer et al. | Evaluating downscaling methods for preparing global circulation model (GCM) data for hydrological impact modelling. | |
CN114091266B (zh) | 极端降水与陆面温度增温响应关系的稳健性评估方法 | |
Singh et al. | Assimilation of Kalpana very high resolution radiometer water vapor channel radiances into a mesoscale model | |
Boylan et al. | Identification and intercomparison of surface‐based inversions over Antarctica from IASI, ERA‐Interim, and Concordiasi dropsonde data | |
US10387458B2 (en) | System and method for searching for, collecting and generating mold spore data for mold reports using climate codes |
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 |