CN114169646B - 水华预测方法、装置、电子设备及计算机可读存储介质 - Google Patents
水华预测方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114169646B CN114169646B CN202111677893.XA CN202111677893A CN114169646B CN 114169646 B CN114169646 B CN 114169646B CN 202111677893 A CN202111677893 A CN 202111677893A CN 114169646 B CN114169646 B CN 114169646B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- data
- quality parameter
- water quality
- model
- 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
- 241000192710 Microcystis aeruginosa Species 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 127
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000004088 simulation Methods 0.000 claims abstract description 6
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 54
- 238000002310 reflectometry Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 31
- 229930002868 chlorophyll a Natural products 0.000 claims description 29
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 29
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 28
- 229910052698 phosphorus Inorganic materials 0.000 claims description 28
- 239000011574 phosphorus Substances 0.000 claims description 28
- 229910052757 nitrogen Inorganic materials 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000010200 validation analysis Methods 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 description 22
- 230000006870 function Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 241000195493 Cryptophyta Species 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012625 in-situ measurement Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000192700 Cyanobacteria Species 0.000 description 1
- 229920000715 Mucilage Polymers 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- 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
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请公开了一种水华预测方法、装置、电子设备及计算机可读存储介质。该方法包括：构建BP神经网络模型；利用某观测时段的水质参数浓度历史数据及遥感影像历史数据构建水质参数遥感反演模型；利用水质参数遥感反演模型处理当前时刻的遥感影像数据得到当前时刻的水质参数浓度数据；从天气预报模式模拟的资料中获取当前时刻的气象预报数据；将水质参数浓度数据及气象预报数据输入BP神经网络模型，得到水华预测结果。本申请的水华预测方法，构建水质参数遥感反演模型，利用遥感反演的水质参数浓度能够获取大范围、高频次的水质参数浓度，有利于水华预测工作的开展。
Description
技术领域
本申请涉及水域环境监测技术领域，具体涉及一种水华预测方法、装置、电子设备及计算机可读存储介质。
背景技术
水华现象指由于浮游生物的大量增殖而导致水质恶化、水面发生变色的现象。造成水华现象的浮游生物种类很多，在淡水中主要是蓝藻。
目前水华预测方法主要是通过以数据驱动利用机器学习方法构建非线性函数映射关系的预测模型来实现的，该预测模型给出一个隐式的浮游生物密度或叶绿素a浓度在气象水文条件作用后的变化关系。该预测模型所采用的参数种类较少，导致预测准确率不高，难以满足实际应用的需要。
发明内容
本申请的目的是提供一种水华预测方法、装置、电子设备及计算机可读存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
根据本申请实施例的一个方面，提供一种水华预测方法，包括：
构建BP神经网络模型；
利用某一观测时段的水质参数浓度历史数据以及遥感影像历史数据，构建水质参数遥感反演模型；
利用所述水质参数遥感反演模型处理当前时刻的遥感影像数据，得到当前时刻的水质参数浓度数据；
获取所述当前时刻的气象预报数据；
将所述水质参数浓度数据以及所述气象预报数据输入所述BP神经网络模型进行处理，得到水华预测结果。
在本申请的一些实施例中，所述构建BP神经网络模型，包括：
设置输入层、隐藏层和输出层，构成初始BP神经网络；
将训练数据输入所述初始BP神经网络处理，获得预测结果；
计算所述预测结果与期望结果之间的误差；
根据所述误差调整所述初始BP神经网络的参数，直至所述误差达到预设精度阈值，得到所述BP神经网络模型。
在本申请的一些实施例中，所述利用某一观测时段的水质参数浓度历史数据以及遥感影像历史数据，构建水质参数遥感反演模型，包括：
下载所述观测时段的MODIS L1级遥感影像，对所述MODIS L1级遥感影像进行预处理，计算预处理后的遥感影像的遥感反射率；
根据所述水质参数浓度历史数据的观测位置，获取所述预处理后的遥感影像上所述观测位置的反射率数据，结合所述水质参数浓度历史数据组成反射率-水质参数浓度数据对；
将所述数据对划分为训练数据集和验证数据集；
利用所述预处理后的遥感影像的遥感反射率构建多个水质参数遥感反演初始模型；
利用所述训练数据集训练各所述水质参数遥感反演初始模型，利用所述验证数据集验证训练后的各水质参数遥感反演初始模型的准确度，选取其中准确度达到预设准确度阈值的作为水质参数遥感反演模型。
在本申请的一些实施例中，所述水质参数遥感反演模型包括叶绿素a浓度遥感反演模型、总磷浓度遥感反演模型和总氮浓度遥感反演模型；
所述预处理后的遥感影像的遥感反射率包括所述预处理后的遥感影像的第1波段和第2波段的遥感反射率；
所述水质参数遥感反演初始模型包括叶绿素a浓度遥感反演初始模型、总磷浓度遥感反演初始模型和总氮浓度遥感反演初始模型；
所述利用所述预处理后的遥感影像的遥感反射率构建水质参数遥感反演初始模型，包括：
利用所述预处理后的遥感影像的第1波段和第2波段的遥感反射率分别构建多个所述叶绿素a浓度遥感反演初始模型、多个所述总磷浓度遥感反演初始模型以及多个所述总氮浓度遥感反演初始模型。
在本申请的一些实施例中，所述对所述MODIS L1级遥感影像进行预处理，包括：
对所述MODIS L1级遥感影像进行辐射定标处理、大气校正处理和几何校正处理。
在本申请的一些实施例中，所述获取所述当前时刻的气象预报数据，包括：
从天气预报模式模拟的资料中提取出当前时刻的气象预报原始数据；
按照预设空间分辨率使用双线性插值法对所述气象预报原始数据进行重采样，得到所述气象预报数据。
在本申请的一些实施例中，所述气象预报数据包括风速、风向和温度的数据。
根据本申请实施例的另一个方面，提供一种水华预测装置，包括：
第一构建模块，用于构建BP神经网络模型；
第二构建模块，用于利用某一观测时段的水质参数浓度历史数据以及遥感影像历史数据，构建水质参数遥感反演模型；
第一获取模块，用于利用所述水质参数遥感反演模型处理当前时刻的遥感影像数据，得到当前时刻的水质参数浓度数据；
第二获取模块，用于获取所述当前时刻的气象预报数据；
预测处理模块，用于将所述水质参数浓度数据以及所述气象预报数据输入所述BP神经网络模型进行处理，得到水华预测结果。
根据本申请实施例的另一个方面，提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现上述任一项的水华预测方法。
根据本申请实施例的另一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以实现上述任一项的水华预测方法。
本申请实施例的其中一个方面提供的技术方案可以包括以下有益效果：
本申请实施例提供的水华预测方法，利用水质参数遥感反演模型处理当前时刻的遥感影像数据得到当前时刻的水质参数浓度数据，从天气预报模式模拟的资料中获取当前时刻的气象预报数据，将当前时刻的水质参数浓度数据以及气象预报数据输入构建好的BP神经网络模型进行处理，得到水华预测结果，利用遥感反演的水质参数浓度能够获取大范围、高频次的水质参数浓度，得到的当前时刻的水质参数浓度数据准确度较高，并且输入BP神经网络模型的数据种类较多较全面，充分考虑到了多种因素的影响，从而大大提高了预测结果准确率，适用于大面积水域水华现象的精确预测，能够很好地满足实际应用的需要，有利于水华预测工作的开展。
本申请的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者，部分特征和优点可以从说明书中推知或毫无疑义地确定，或者通过实施本申请实施例了解。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本申请的一个实施例的水华预测方法流程图；
图2示出了图1中步骤S10的流程图；
图3示出了图1中步骤S20的流程图；
图4示出了图1中步骤S40的流程图；
图5示出了本申请一个示例的水华预测方法流程图；
图6示出了本申请的另一个实施例的水华预测装置结构框图；
图7示出了本申请的另一个实施例的电子设备结构框图；
图8示出了本申请的另一个实施例的计算机可读存储介质示意图；
本申请的目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本申请做进一步说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
本申请实施例提供了一种水华预测方法，构建BP神经网络模型，利用某一观测时段的水质参数浓度历史数据以及遥感影像历史数据，构建水质参数遥感反演模型，利用水质参数遥感反演模型处理当前时刻的遥感影像数据，得到当前时刻的水质参数浓度数据，从天气预报模式模拟的资料中获取所述当前时刻的气象预报数据，将当前时刻的水质参数浓度数据以及气象预报数据输入构建好的BP神经网络模型进行处理，得到水华预测结果，利用遥感反演的水质参数浓度替代传统的观测站点位测量或野外原位测量数据，能够获取大范围、高频次的水质参数浓度，得到的当前时刻的水质参数浓度数据准确度较高，并且输入BP神经网络模型的数据种类较多较全面，充分考虑到了多种因素的影响，从而大大提高了预测结果准确率，适用于大面积水域水华现象的精确预测，能够很好地满足实际应用的需要，有利于水华预测工作的开展。
如图1所示，本申请的一个实施例提供了一种水华预测方法01，包括步骤S10至步骤S50：
S10、构建BP神经网络模型。
如图2所示，在某些实施方式中，步骤S10包括步骤S101至步骤S104：
S101、设置输入层、隐藏层和输出层，构成初始BP神经网络。
具体地，设置输入层、隐藏层和输出层的结构，以及输入层、隐藏层和输出层的参数。
例如，输入层、隐藏层和输出层的各层涉及的参数如下：
Xk：输入层第k个神经元的输入；Yi：输出层第i个神经元的输出；M：输入层神经元个数；n：隐藏层神经元个数；N：输出层神经元个数。
在BP神经网络模型中，隐藏层第j个隐藏神经元的输入为：
式中，Wjk为输入层第k个神经元与隐藏层第j个神经元相连的权值,γj为隐藏层第j个神经元的阈值。
网络中激活函数均采用Sigmoid函数：
因此，隐藏层第j个隐藏神经元的输出为：
bj＝f(netj)
输出层第i个神经元的输入为：
式中，Wij为隐藏层第j个神经元与输出层第i个神经元相连的权值,ti为输出层第i个神经元的阈值。
经过激活函数，输出层第i个神经元的输出为：
yi＝f(Ii)
S102、将训练数据输入该初始BP神经网络处理，获得预测结果。
将训练数据输入初始BP神经网络，经过输入层、隐藏层和输出层的处理，获得预测结果，这是一个前向传输的过程。
S103、计算该预测结果与期望结果之间的误差。
对于给定的P个训练样本(即训练数据)，预测结果与期望结果之间的误差E的计算公式为：
式中：
表示第i个样本的第j个神经元的期望输出，N代表输出层神经元的个数。
S104、根据该误差调整初始BP神经网络的参数，直至该误差达到预设精度阈值，得到BP神经网络模型。
初始BP神经网络的参数主要包括权重和偏置；初始BP神经网络中权重和偏置的更新算法公式如下
Wjk＝Wjk+ΔWjk
Wij＝Wij+ΔWij
γj＝γj+Δγj
ti＝ti+Δti
权重改变量和偏置改变量通过计算偏导数获取：
ΔWjk＝ηδjXk
Δγj＝ηδj
式中，η为学习效率，δi为输出层第i个神经元的误差项，δj为隐藏层第j个神经元的误差项，
δi＝-(Ti-yi)×yi×(1-yi)
计算预测结果与期望结果之间的误差，使用误差后向传播算法和梯度下降法反向调整BP神经网络中的权值和偏置，以使最终获取的预测结果能够满足精度要求，得到满足精度要求的BP神经网络模型，这是一个逆向反馈的过程。
在某一示例中，将观测站获取的叶绿素a浓度、总氮浓度、总磷浓度、风速、风向和温度数据作为输入层神经元；“水华点位”和“非水华点位”作为输出层神经元；设置隐藏层神经元个数为12。传递函数使用线性函数，激活函数使用Sigmoid函数。初始化权值在(-1,1)之间，初始化偏置在[0,1]之间，学习速率设为0.5，迭代次数为100，训练精度为80％。从数据集中随机选取70％的数据作为训练集用于训练模型，30％的数据用于验证，最终构成能够预测大型浅水内陆湖泊水华现象的BP神经网络模型。
BP神经网络模型构建过程较为简单，构建过程耗时短，提高了工作效率，且BP神经网络模型的输出结果准确率高，适用于水华预测。
S20、利用某一观测时段的水质参数浓度历史数据以及遥感影像历史数据，构建水质参数遥感反演模型。
其中，水质参数浓度历史数据是由观测站所获取的某一观测时段(该观测时段例如可以是某一天或多天或其他时长)的数据，遥感影像历史数据为与该水质参数浓度历史数据属于相同的观测时段的遥感影像数据，例如，假设水质参数浓度历史数据是由观测站所获取的A月B日至A月(B+C)日共C天的数据，则该遥感影像历史数据也是A月B日至A月(B+C)日这C天的遥感影像数据。如图3所示，在某些实施方式中，步骤S20包括步骤S201-步骤S205：
S201、下载该观测时段的MODIS L1级遥感影像，对该MODIS L1级遥感影像进行预处理，计算预处理后的遥感影像的遥感反射率。该观测时段的MODIS L1级遥感影像即前述的遥感影像历史数据。
在某些实施方式中，对该MODIS L1级遥感影像进行预处理，包括：
对该MODIS L1级遥感影像进行辐射定标处理、大气校正处理和几何校正处理等处理。
S202、根据该水质参数浓度历史数据的观测位置，获取该预处理后的遥感影像上所述观测位置的反射率数据，结合水质参数浓度历史数据组成对应于所述观测位置的反射率-水质参数浓度数据对。该水质参数浓度历史数据的观测位置例如可以为该水质参数浓度历史数据的观测站的观测点位的经纬度。一个观测点位对应具有相同经纬度的一个或多个不同时次的反射率-水质参数浓度数据对。
S203、将该数据对划分为训练数据集和验证数据集。
例如，可以将获取的数据对按水质参数浓度的大小进行排序，按照每隔2对数据取出1对数据的预设规则，将获取的数据分为训练数据集和验证数据集，其中训练数据集和验证数据集的数据数量比例为2:1。
S204、利用该预处理后的遥感影像的遥感反射率构建多个水质参数遥感反演初始模型。
在某些实施方式中，每个水质参数遥感反演模型包括叶绿素a浓度遥感反演模型、总磷浓度遥感反演模型和总氮浓度遥感反演模型。
该预处理后的遥感影像的遥感反射率包括该预处理后的遥感影像的第1波段和第2波段的遥感反射率。
每个水质参数遥感反演初始模型包括叶绿素a浓度遥感反演初始模型、总磷浓度遥感反演初始模型和总氮浓度遥感反演初始模型。
步骤S204包括：利用该预处理后的遥感影像的第1波段的遥感反射率和第2波段的遥感反射率分别构建多个叶绿素a浓度遥感反演初始模型、多个总磷浓度遥感反演初始模型以及多个总氮浓度遥感反演初始模型。
例如，该叶绿素a浓度遥感反演初始模型以及该总磷浓度遥感反演初始模型均为利用第1波段的遥感反射率与第2波段的遥感反射率所构建的二元方程，可以为二元一次方程，也可以为二元多次方程。
在一些实施方式中，构建的三个叶绿素a浓度遥感反演初始模型分别为
CChl-a＝k×(B2-B1)+r
式中，CChl-a代表叶绿素a浓度，k、r为常数系数，B2、B1分别是预处理后的遥感影像的第2波段、第1波段的遥感反射率。
在一些实施方式中，构建的两个总磷浓度遥感反演初始模型分别为
式中，CTP代表总磷浓度，a、b、c、d为常数系数，B2、B1分别是预处理后的遥感影像的第2波段、第1波段的遥感反射率。
在一些实施方式中，构建的三个总氮浓度遥感反演初始模型分别为
CTN＝p×B1+q
CTN＝p×(B1+B2)+q
式中，CTN代表总氮浓度，p、q为常数系数，B1和B2分别是预处理后的遥感影像的第1波段、第2波段的遥感反射率。
S205、利用训练数据集训练各水质参数遥感反演初始模型，利用验证数据集验证训练后的各水质参数遥感反演初始模型的准确度，选取其中准确度达到预设准确度阈值的作为水质参数遥感反演模型。
具体地，针对所有的叶绿素a浓度遥感反演初始模型、总磷浓度遥感反演初始模型以及总氮浓度遥感反演初始模型，利用训练数据集和验证数据集不断进行训练验证，直至得到准确度达到预设准确度阈值的叶绿素a浓度遥感反演初始模型、总磷浓度遥感反演初始模型以及总氮浓度遥感反演初始模型为止，将准确度达到预设准确度阈值的叶绿素a浓度遥感反演初始模型、总磷浓度遥感反演初始模型以及总氮浓度遥感反演初始模型分别作为叶绿素a浓度遥感反演模型、总磷浓度遥感反演模型以及总氮浓度遥感反演模型。若准确度达到预设准确度阈值的叶绿素a浓度遥感反演初始模型的数量大于一个，则选取准确度最高的叶绿素a浓度遥感反演初始模型作为叶绿素a浓度遥感反演模型；若准确度达到预设准确度阈值的总磷浓度遥感反演初始模型的数量大于一个，则选取准确度最高的总磷浓度遥感反演初始模型作为总磷浓度遥感反演模型；若准确度达到预设准确度阈值的总氮浓度遥感反演初始模型的数量大于一个，则选取准确度最高的总氮浓度遥感反演初始模型作为总氮浓度遥感反演模型。
例如，经过验证得到准确率达到预设准确度阈值的叶绿素a浓度遥感反演初始模型、总磷浓度遥感反演初始模型以及总氮浓度遥感反演初始模型分别为
CTN＝p×(B1+B2)+q
利用该三个准确率达到预设准确度阈值的初始模型构成准确度达到预设准确度阈值的水质参数遥感反演模型。
在某些实施方式中，水质参数遥感反演模型还可以采用指数模型、比值模型或对数模型等模型，即叶绿素a浓度遥感反演模型、总磷浓度遥感反演模型以及总氮浓度遥感反演模型均可以采用指数模型、比值模型或对数模型等模型。
S30、利用水质参数遥感反演模型处理当前时刻的遥感影像数据，得到当前时刻的水质参数浓度数据。
具体地，将当前时刻的遥感影像数据输入该水质参数遥感反演模型进行处理，得到当前时刻的水质参数浓度数据。水质参数遥感反演模型包括叶绿素a浓度遥感反演模型、总磷浓度遥感反演模型以及总氮浓度遥感反演模型。当前时刻的水质参数浓度数据包括当前时刻的叶绿素a浓度、总磷浓度以及总氮浓度。
S40、获取所述当前时刻的气象预报数据。
具体地，气象预报数据可以包括风速、风向和温度的数据。
如图4所示，在某些实施方式中，步骤S40包括步骤S401-步骤S402：
S401、从天气预报模式模拟的资料中提取出当前时刻的气象预报原始数据。
例如，从天气预报模式模拟的资料中提取出风速、风向和温度的原始数据。
S402、按照预设空间分辨率使用双线性插值法对该气象预报原始数据进行重采样，得到气象预报数据。
预设空间分辨率例如可以为250m。气象预报数据包括对风速、风向和温度的原始数据进行重采样后得到的对应数据。
S50、将当前时刻的水质参数浓度数据以及该气象预报数据输入BP神经网络模型进行处理，得到水华预测结果。
具体地，当前时刻的水质参数浓度数据包括当前时刻的叶绿素a浓度、总磷浓度以及总氮浓度。该气象预报数据包括重采样后得到的风速、风向和温度的对应数据。
蓝藻是最常见的导致水华现象的浮游生物之一。蓝藻常于夏季浮出水面大量繁殖，在湖区中随风漂移扩散形成聚集效应形成水华。蓝藻水华堆积岸边，在高温暴晒下分解，消耗水中大量的溶解氧，并会形成一层绿色的黏质物，使水体严重恶臭。蓝藻水华对水生态环境造成极大危害，因此科学准确的对蓝藻水华进行预测十分必要。在具体应用中，本实施例的预测方法可以用于预测蓝藻所导致的水华现象，输出的预测结果包括“水华点位”(红色)和“非水华点位”(白色)。具体示例的流程图如图5所示。
本申请实施例的方法基于观测站水质、水文、气象数据构建水华BP神经网络预测模型，结合卫星影像反演的实时水质参数浓度数据和气象预报数据来完成大范围、高时效的水华预测。本申请实施例的方法充分利用了水华爆发前后关键的气象水文因子作为特征参数，构建了三层BP神经网络模型，同时利用遥感手段反演水质参数获取空间分布特征，利用遥感反演的水质参数浓度替代传统的观测站点位测量或野外原位测量数据，能够获取大范围、高频次的水质参数浓度，从而能够进行大范围、高时效的水华预测，且预测准确率高。本申请实施例的方法利用了遥感监测手段，可以实现大范围、高频次的动态监测，更利于预警工作开展。
如图6所示，本申请的另一个实施例提供了一种水华预测装置，包括：
第一构建模块，用于构建BP神经网络模型；
第二构建模块，用于利用某一观测时段的水质参数浓度历史数据以及遥感影像历史数据，构建水质参数遥感反演模型；
第一获取模块，用于利用所述水质参数遥感反演模型处理当前时刻的遥感影像数据，得到当前时刻的水质参数浓度数据；
第二获取模块，用于获取所述当前时刻的气象预报数据；
预测处理模块，用于将所述水质参数浓度数据以及所述气象预报数据输入所述BP神经网络模型进行处理，得到水华预测结果。
在某些实施方式中，第一构建模块包括：
设置单元，用于设置输入层、隐藏层和输出层，构成初始BP神经网络；
输入单元，用于将训练数据输入所述初始BP神经网络处理，获得预测结果；
计算单元，用于计算所述预测结果与期望结果之间的误差；
调整单元，用于根据所述误差调整所述初始BP神经网络的参数，直至所述误差达到预设精度阈值，得到所述BP神经网络模型。
在某些实施方式中，第二构建模块包括：
遥感反射率获取单元，用于下载与所述观测时段同步的MODIS L1级遥感影像，对所述MODIS L1级遥感影像进行预处理，计算预处理后的遥感影像的遥感反射率；
数据对获取单元，用于根据所述观测站的观测点位的经纬度，获取所述预处理后的遥感影像上同一经纬度的反射率数据，结合所述观测站所获取的水质参数浓度数据组成反射率-水质参数浓度数据对；
划分单元，用于将所述数据对划分为训练数据集和验证数据集；
构建单元，用于利用所述预处理后的遥感影像的遥感反射率构建多个水质参数遥感反演初始模型；
训练验证单元，用于利用所述训练数据集训练各水质参数遥感反演初始模型，利用所述验证数据集验证训练后的各水质参数遥感反演初始模型的准确度，选取其中准确度达到预设准确度阈值的作为水质参数遥感反演模型。
在某些实施方式中，所述水质参数遥感反演模型包括叶绿素a浓度遥感反演模型、总磷浓度遥感反演模型和总氮浓度遥感反演模型；
所述预处理后的遥感影像的遥感反射率包括所述预处理后的遥感影像的第1波段和第2波段的遥感反射率；
所述水质参数遥感反演初始模型包括叶绿素a浓度遥感反演初始模型、总磷浓度遥感反演初始模型和总氮浓度遥感反演初始模型；
所述构建单元，进一步用于：
利用所述预处理后的遥感影像的第1波段的遥感反射率和第2波段的遥感反射率分别构建多个叶绿素a浓度遥感反演初始模型、多个总磷浓度遥感反演初始模型以及多个总氮浓度遥感反演初始模型。
在某些实施方式中，对所述MODIS L1级遥感影像进行预处理，包括：对所述MODISL1级遥感影像进行辐射定标处理、大气校正处理和几何校正处理。
在某些实施方式中，第二获取模块包括：
提取单元，用于从天气预报模式模拟的资料中提取出当前时刻的气象预报原始数据；
重采样单元，用于按照预设空间分辨率使用双线性插值法对所述气象预报原始数据进行重采样，得到所述气象预报数据。
在某些实施方式中，所述气象预报数据包括风速、风向和温度的数据。
本申请的上述实施例提供的水华预测装置与本申请实施例提供的方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请的另一个实施例提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现上述任一实施方式的水华预测方法。
如图7所示，所述电子设备10可以包括：处理器100，存储器101，总线102和通信接口103，所述处理器100、通信接口103和存储器101通过总线102连接；所述存储器101中存储有可在所述处理器100上运行的计算机程序，所述处理器100运行所述计算机程序时执行本申请前述任一实施方式所提供的方法。
其中，存储器101可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还可以包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线102可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器101用于存储程序，所述处理器100在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述方法可以应用于处理器100中，或者由处理器100实现。
处理器100可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器100中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器100可以是通用处理器，可以包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器101，处理器100读取存储器101中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请的另一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以实现上述任一实施方式的水华预测方法。
本申请实施方式还提供一种与前述实施方式所提供的方法对应的计算机可读存储介质，请参考图8，其示出的计算机可读存储介质为光盘20，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的方法。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是：
术语“模块”并非意图受限于特定物理形式。取决于具体应用，模块可以实现为硬件、固件、软件和/或其组合。此外，不同的模块可以共享公共组件或甚至由相同组件实现。不同模块之间可以存在或不存在清楚的界限。
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示例一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述实施例仅表达了本申请的实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (9)
1.一种水华预测方法，其特征在于，包括：
构建BP神经网络模型；
利用某一观测时段的水质参数浓度历史数据以及遥感影像历史数据，构建水质参数遥感反演模型；所述水质参数遥感反演模型包括二元方程、指数模型、比值模型或对数模型；
利用所述水质参数遥感反演模型处理当前时刻的遥感影像数据，得到当前时刻的水质参数浓度数据；
获取所述当前时刻的气象预报数据；
将所述水质参数浓度数据以及所述气象预报数据输入所述BP神经网络模型进行处理，得到水华预测结果；
所述利用某一观测时段的水质参数浓度历史数据以及遥感影像历史数据，构建水质参数遥感反演模型，包括：
下载所述观测时段的MODIS L1级遥感影像，对所述MODIS L1级遥感影像进行预处理，计算预处理后的遥感影像的遥感反射率；
根据所述水质参数浓度历史数据的观测位置，获取所述预处理后的遥感影像上所述观测位置的反射率数据，结合所述水质参数浓度历史数据组成反射率-水质参数浓度数据对；
将所述数据对划分为训练数据集和验证数据集；
利用所述预处理后的遥感影像的遥感反射率构建多个水质参数遥感反演初始模型；
利用所述训练数据集训练各所述水质参数遥感反演初始模型，利用所述验证数据集验证训练后的各水质参数遥感反演初始模型的准确度，选取其中准确度达到预设准确度阈值的作为水质参数遥感反演模型。
2.根据权利要求1所述的水华预测方法，其特征在于，所述构建BP神经网络模型，包括：
设置输入层、隐藏层和输出层，构成初始BP神经网络；
将训练数据输入所述初始BP神经网络处理，获得预测结果；
计算所述预测结果与期望结果之间的误差；
根据所述误差调整所述初始BP神经网络的参数，直至所述误差达到预设精度阈值，得到所述BP神经网络模型。
3.根据权利要求1所述的水华预测方法，其特征在于，所述水质参数遥感反演模型包括叶绿素a浓度遥感反演模型、总磷浓度遥感反演模型和总氮浓度遥感反演模型；
所述预处理后的遥感影像的遥感反射率包括所述预处理后的遥感影像的第1波段和第2波段的遥感反射率；
所述水质参数遥感反演初始模型包括叶绿素a浓度遥感反演初始模型、总磷浓度遥感反演初始模型和总氮浓度遥感反演初始模型；
所述利用所述预处理后的遥感影像的遥感反射率构建水质参数遥感反演初始模型，包括：
利用所述预处理后的遥感影像的第1波段和第2波段的遥感反射率分别构建多个所述叶绿素a浓度遥感反演初始模型、多个所述总磷浓度遥感反演初始模型以及多个所述总氮浓度遥感反演初始模型。
4.根据权利要求1所述的水华预测方法，其特征在于，所述对所述MODIS L1级遥感影像进行预处理，包括：
对所述MODIS L1级遥感影像进行辐射定标处理、大气校正处理和几何校正处理。
5.根据权利要求1所述的水华预测方法，其特征在于，所述获取所述当前时刻的气象预报数据，包括：
从天气预报模式模拟的资料中提取出当前时刻的气象预报原始数据；
按照预设空间分辨率使用双线性插值法对所述气象预报原始数据进行重采样，得到所述气象预报数据。
6.根据权利要求1所述的水华预测方法，其特征在于，所述气象预报数据包括风速、风向和温度的数据。
7.一种水华预测装置，其特征在于，包括：
第一构建模块，用于构建BP神经网络模型；
第二构建模块，用于利用某一观测时段的水质参数浓度历史数据以及遥感影像历史数据，构建水质参数遥感反演模型；所述水质参数遥感反演模型包括二元方程、指数模型、比值模型或对数模型；
第一获取模块，用于利用所述水质参数遥感反演模型处理当前时刻的遥感影像数据，得到当前时刻的水质参数浓度数据；
第二获取模块，用于获取所述当前时刻的气象预报数据；
预测处理模块，用于将所述水质参数浓度数据以及所述气象预报数据输入所述BP神经网络模型进行处理，得到水华预测结果；
所述第二构建模块包括：
遥感反射率获取单元，用于下载与所述观测时段同步的MODIS L1级遥感影像，对所述MODIS L1级遥感影像进行预处理，计算预处理后的遥感影像的遥感反射率；
数据对获取单元，用于根据观测站的观测点位的经纬度，获取所述预处理后的遥感影像上同一经纬度的反射率数据，结合所述观测站所获取的水质参数浓度数据组成反射率-水质参数浓度数据对；
划分单元，用于将所述数据对划分为训练数据集和验证数据集；
构建单元，用于利用所述预处理后的遥感影像的遥感反射率构建多个水质参数遥感反演初始模型；
训练验证单元，用于利用所述训练数据集训练各水质参数遥感反演初始模型，利用所述验证数据集验证训练后的各水质参数遥感反演初始模型的准确度，选取其中准确度达到预设准确度阈值的作为水质参数遥感反演模型。
8.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-6中任一所述的方法。
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，以实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111677893.XA CN114169646B (zh) | 2021-12-31 | 2021-12-31 | 水华预测方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111677893.XA CN114169646B (zh) | 2021-12-31 | 2021-12-31 | 水华预测方法、装置、电子设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114169646A CN114169646A (zh) | 2022-03-11 |
| CN114169646B true CN114169646B (zh) | 2023-02-03 |
Family
ID=80488949
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111677893.XA Active CN114169646B (zh) | 2021-12-31 | 2021-12-31 | 水华预测方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114169646B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118133479A (zh) * | 2022-12-01 | 2024-06-04 | 中国科学院上海高等研究院 | 水质参数反演模型训练方法、水质参数反演方法、终端及介质 |
| CN115906505B (zh) * | 2022-12-12 | 2024-05-24 | 武汉大学 | 基于gnss信号的水面水华密度遥感探测方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886454A (zh) * | 2019-01-10 | 2019-06-14 | 北京工业大学 | 一种基于自组织深度信念网络和相关向量机的淡水环境水华预测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102135531A (zh) * | 2010-12-24 | 2011-07-27 | 中国科学院南京地理与湖泊研究所 | 大型浅水湖泊72小时蓝藻水华预测方法 |
| CN111024618A (zh) * | 2019-11-25 | 2020-04-17 | 广州丰泽源水利科技有限公司 | 基于遥感影像的水质健康监测方法、装置及存储介质 |
| CN111007021A (zh) * | 2019-12-31 | 2020-04-14 | 北京理工大学重庆创新中心 | 基于一维卷积神经网络的高光谱水质参数反演系统及方法 |
-
2021
- 2021-12-31 CN CN202111677893.XA patent/CN114169646B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886454A (zh) * | 2019-01-10 | 2019-06-14 | 北京工业大学 | 一种基于自组织深度信念网络和相关向量机的淡水环境水华预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114169646A (zh) | 2022-03-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114091359B (zh) | 一种水库水沙预测模型训练、水库水沙预测方法及装置 | |
| CN114626512B (zh) | 一种基于有向图神经网络的高温灾害预报方法 | |
| Sharaf El Din et al. | Mapping concentrations of surface water quality parameters using a novel remote sensing and artificial intelligence framework | |
| CN114169646B (zh) | 水华预测方法、装置、电子设备及计算机可读存储介质 | |
| CN112651665B (zh) | 一种基于图神经网络的地表水水质指标预测方法和装置 | |
| CN111767517B (zh) | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 | |
| CN112180369B (zh) | 基于深度学习的一维综合孔径辐射计海面风速反演方法 | |
| CN112215525B (zh) | 一种湖库水质反演及可视化评价方法 | |
| CN114067019A (zh) | 一种耦合深度学习-数值模拟的城市内涝风险图快速预制方法 | |
| CN116341841B (zh) | 径流预报误差校正方法、装置、设备、介质和程序产品 | |
| Wang et al. | Customized deep learning for precipitation bias correction and downscaling | |
| Sharma et al. | ResDeepD: A residual super-resolution network for deep downscaling of daily precipitation over India | |
| CN104156943A (zh) | 基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法 | |
| CN110852415B (zh) | 基于神经网络算法的植被指数预测方法、系统及设备 | |
| CN117371303A (zh) | 一种海浪下有效波高的预测方法 | |
| CN115545334A (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
| CN117233869B (zh) | 一种基于GRU-BiTCN的站点短期风速预测方法 | |
| CN116879192B (zh) | 基于卫星遥感数据的水华预测方法、装置、设备及介质 | |
| Wang et al. | Two-dimension monthly river flow simulation using hierarchical network-copula conditional models | |
| CN113591608A (zh) | 一种基于深度学习的高分辨率遥感影像不透水面提取方法 | |
| CN113222209A (zh) | 基于域适应的区域尾气迁移预测方法、系统及存储介质 | |
| CN112560633A (zh) | 基于深度学习的植物关键物候期时间点预测方法及系统 | |
| CN111476824A (zh) | 海表面温度预测方法、装置及计算机可读存储介质 | |
| CN116522648A (zh) | 湖泊藻类状态预测方法及应用 | |
| CN115829163A (zh) | 基于多模式集成的长江中下游流域径流预测方法和系统 |
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 |