CN114491967B - 陆地水储量预测方法、装置、设备及存储介质 - Google Patents
陆地水储量预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114491967B CN114491967B CN202111664894.0A CN202111664894A CN114491967B CN 114491967 B CN114491967 B CN 114491967B CN 202111664894 A CN202111664894 A CN 202111664894A CN 114491967 B CN114491967 B CN 114491967B
- Authority
- CN
- China
- Prior art keywords
- water reserve
- data
- land water
- land
- surface parameters
- 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及地理信息技术领域,特别涉及一种陆地水储量预测方法,所述方法包括:获取目标区域的目标时间段内的地表参数以及陆地水储量数据,其中,所述地表参数包括流域地表参数、经纬度数据、高程数据以及气候分区数据;根据所述地表参数、陆地水储量数据以及预设的机器学习算法,构建陆地水储量数据与地表参数的非线性回归映射模型;响应于陆地水储量预测指令,所述陆地水储量预测指令包括待测区域的目标时间段内的地表参数,根据所述待测区域的目标时间段内的地表参数以及陆地水储量数据与地表参数的非线性回归映射模型,获取所述待测区域的目标时间段内的陆地水储量数据。
Description
技术领域
本发明涉及地理信息技术领域,特别涉及是一种陆地水储量预测方法、装置、设备以及存储介质。
背景技术
地球是一个随时间空间变化的动力学系统,地球系统的物质质量重新分布会导致不同时间尺度的地球重力场变化。从而利用重力观测量就可以了解物质迁移和交换。在物质迁移研究中,陆地水储量对全球气候变化、经济发展和人类生活有着非常重大的意义。
但是,由于早年科学发展水平的限制,无法发射重力卫星,利用重力卫星检测地球重力场的变化,因而,无法获取历史时期内的陆地水储量信息,为研究长时间序列的陆地水储量动态变化带来了难题,并且现有回溯重建方法难以处理高维的海量数据,无法在数据特征缺失的情况下,维持预测的准确性。
发明内容
基于此,本发明的目的在于,提供一种陆地水储量预测方法、装置、设备以及存储介质,能够综合考虑多种地表参数对陆地水储量数据的影响,基于已有的地表参数和陆地水储量数据,建立陆地水储量数据与地表参数的非线性回归映射模型,将历史时期地表参数应用于该模型,能够实现历史时期的陆地水储量数据的精准预测,进而得到长时间序列的陆地水储量数据。并且,采用支持向量机算法建立陆地水储量信息与地表参数信息的非线性映射关系模型能够有效修正预测结果的误差,防止过拟合现象的发生。
第一方面,本申请实施例提供了一种陆地水储量预测方法,包括以下步骤:
获取目标区域的目标时间段内的地表参数以及陆地水储量数据,其中,所述地表参数包括流域地表参数、经纬度数据、高程数据以及气候分区数据;
根据所述地表参数、陆地水储量数据以及预设的机器学习算法,构建陆地水储量数据与地表参数的非线性回归映射模型;
响应于陆地水储量预测指令,所述陆地水储量预测指令包括待测区域的目标时间段内的地表参数,根据所述待测区域的目标时间段内的地表参数以及陆地水储量数据与地表参数的非线性回归映射模型,获取所述待测区域的目标时间段内的陆地水储量数据。
第二方面,本申请实施例提供了一种陆地水储量预测装置,包括:
获取模块,用于获取目标区域的目标时间段内的地表参数以及陆地水储量数据,其中,所述地表参数包括流域地表参数、经纬度数据、高程数据以及气候分区数据;
构建模块,用于根据所述地表参数、陆地水储量数据以及预设的机器学习算法,构建陆地水储量数据与地表参数的非线性回归映射模型;
预测模块,用于响应于陆地水储量预测指令,所述陆地水储量预测指令包括待测区域的目标时间段内的地表参数,根据所述待测区域的目标时间段内的地表参数以及陆地水储量数据与地表参数的非线性回归映射模型,获取所述待测区域的目标时间段内的陆地水储量数据。
第三方面,本申请实施例提供了一种计算机设备,包括:处理器、存储器以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;所述计算机程序被所述处理器执行时实现如第一方面所述陆地水储量预测方法的步骤。
第四方面,本申请实施例提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的陆地水储量预测方法的步骤。
在本申请实施例中,提供一种陆地水储量预测方法、装置、设备以及存储介质,能够综合考虑多种地表参数对陆地水储量数据的影响,基于已有的地表参数和陆地水储量数据,建立陆地水储量数据与地表参数的非线性回归映射模型,将历史时期地表参数应用于该模型,能够实现历史时期的陆地水储量数据的精准预测,进而得到长时间序列的陆地水储量数据。并且,采用支持向量机算法建立陆地水储量信息与地表参数信息的非线性映射关系模型能够有效修正预测结果的误差,防止过拟合现象的发生。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本申请一个实施例提供的陆地水储量预测方法的流程示意图;
图2为本申请另一个实施例提供的陆地水储量预测方法的流程示意图;
图3为本申请一个实施例提供的陆地水储量预测方法的长短期记忆网络的主体结构示意图;
图4为本申请一个实施例提供的陆地水储量预测方法中S2的流程示意图;
图5为本申请一个实施例提供的陆地水储量预测装置的结构示意图;
图6为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1,图1为本申请一个实施例提供的陆地水储量预测方法的流程示意图,所述方法包括如下步骤:
S1:获取目标区域的目标时间段内的地表参数以及陆地水储量数据,其中,所述地表参数包括流域地表参数、经纬度数据、高程数据以及气候分区数据。
所述陆地水储量预测方法的执行主体为陆地水储量预测方法的预测设备(以下简称预测设备),在一个可选的实施例中,所述预测设备可以是一台计算机设备可以是服务器,或是多台计算机设备联合而成的服务器机群。
所述地表参数包括流域地表参数、经纬度数据、高程数据以及气候分区数据。
其中,所述流域地表参数包括净短波辐射通量、净长波辐射通量、净潜热通量、净感热通量、热通量、降雪比率、降水比率、蒸散发、暴雨表面径流速、基流地下水径流速、融雪速度、雪表温度、表面平均温度、雪深水当量、积雪深度、地表土壤湿度、植被根系土壤湿度、剖面土壤湿度、冠层水分蒸发速率、蒸腾速率、裸土直接蒸发速率、植被冠层表面储水量、积雪蒸发速率、气动电导率、流域水储量、地下水储量、风速、总降水率、温度、比湿、气压、下行短波辐射以及下行长波辐射等变量参数。
经纬度是指经度与纬度的合称,所述经纬度数据包括目标区域所在的经度以及纬度,标示目标区域的在地球上的位置。
所述高程数据为数字高程模型(Digital Elevation Model,DEM),其表示地面地形的数字化高程信息。
所述气候分区数据为基于气候分类的原则和生产建设的需要,将目标区域分成若干气候特征相似的小区域而得到的数据。
所述陆地水储量数据包括地下水储量、河流水储量、湖泊水储量、冰川水储量和土壤水储量等。2002年,重力卫星Grace被研制发射,该重力卫星能够通过监测地球的重力变化,精准估计2002年后的陆地水储量信息,但由于早年对陆地水储量的监测能力有限,故2002年前的陆地水储量信息难以被准确评估,因而,上述陆地水储量信息为2002年后已知的陆地水储量信息。
地表参数对陆地水储量数据均存在直接或间接的影响,所述地表参数也为2002年后的地表参数信息。
预设设备可以与预设网络数据库建立数据连接,从所述网络数据库中获取目标区域的目标时间段内的地表参数以及陆地水储量数据。
请参阅图2,图2为本申请另一个实施例提供的陆地水储量预测方法的流程示意图,包括步骤S4,所述步骤S4在步骤S2之前,具体如下:
S4:获取所述陆地水储量数据的空间分辨率,根据所述陆地水储量数据的空间分辨率,对所述地表参数进行重采样处理,获取空间分辨率与所述陆地水储量数据的空间分辨率一致的地表参数。
所述陆地水储量数据的空间分辨率是指卫星遥感影像上能够识别的两个物体的最小距离,简单来说就是陆地水储量数据能够被分辨的最小单元。
在本实施例中,利用a°×b°表示陆地水水储量数据的空间分辨率,其中,a°表示经度,b°表示纬度。例如:0.01°×0.01°则表示陆地水储量数据能够被分辨的最小单元为0.01经度×0.01纬度所形成的单元,1°×1°则表示陆地水储量数据能够被分辨的最小单元为1经度×1纬度所形成的单元。本实施例选取陆地水储量数据的空间分辨率为0.5°×0.5°,0.5°×0.5°的空间分辨率能够在保证监测精度的同时,合理减低运算量,提高算法效率。
S2:根据所述地表参数、陆地水储量数据以及预设的机器学习算法,构建陆地水储量数据与地表参数的非线性回归映射模型。
所述机器学习算法为支持向量机算法,支持向量机(Support Vector Machine,SVM)算法基本原理是将一维线性可分的样本概括建模分类;对于线性不可分的样本,考虑升维,将低维点集逐渐非线性升维映射,直至可分割为止。
在本实施例中,预测设备以所述训练集中的样本地表参数作为自变量,所述训练集中的样本陆地水储量数据作为因变量,通过所述机器学习算法,构建陆地水储量数据与地表参数的非线性回归映射模型,其中,所述非线性回归映射模型为:
TWSA=SVM(33Catchment Parameters,Location,DEM,Climate Zone,Time)
式中,TWSA为所述陆地水储量数据,Catchment Parameters为所述流域地表参数,Location为所述经纬度数据,DEM为所述高程数据,Climate Zone为所述气候分区数据,Time为时间数据,包括所述地表参数以及陆地水储量数据对应的时间参数。
请参阅图3,图3为本申请一个实施例提供的陆地水储量预测方法中S2的流程示意图,包括步骤S201~S202,具体如下:
S201:分别从所述目标时间段内的地表参数以及陆地水储量数据中提取第一样本地表参数以及第一样本陆地水储量数据,构建第一测试集以及第一训练集。
预测设备分别从所述目标时间段内的地表参数以及陆地水储量数据中提取第一样本地表参数以及第一样本陆地水储量数据,具体地,预测设备基于有放回的无序随机方法,从所述目标时间段内的地表参数以及陆地水储量数据中随机抽取10%的地表参数以及10%的陆地水储量数据,作为第一测试集的第一样本地表参数以及第一样本陆地水储量数据,构建第一测试集;
从所述目标时间段内的地表参数以及陆地水储量数据中随机抽取90%的地表参数以及90%的陆地水储量数据,作为第一训练集的第一样本地表参数以及第一样本陆地水储量数据,构建第一训练集。
S202:根据所述第一测试集,对所述可调节参数进行迭代训练,获取若干个迭代训练后的非线性回归映射模型。
所述非线性回归映射模型设置有可调节参数,其中,所述可调节参数包括惩罚系数、核函数、核函数系数、核函数常数值、缓冲大小以及最大迭代次数,所述核函数包括线性核函数、多项式核函数、高斯核函数以及径向核函数。
在本实施例中,预测设备将所述第一测试集输入至待训练的非线性回归映射模型,基于Gridsearch,即网格搜索方法,对所述可调节参数进行迭代训练,获取若干个迭代训练后的非线性回归映射模型。
S203:根据所述第一训练集,采用十折交叉验证算法,从所述若干个迭代训练后的非线性回归映射模型中选取目标非线性回归映射模型,作为所述陆地水储量数据与地表参数的非线性回归映射模型。
在本实施例中,预测设备基于所述第一训练集以及十折交叉验证算法,从所述若干个迭代训练后的非线性回归映射模型中选取目标非线性回归映射模型,作为所述陆地水储量数据与地表参数的非线性回归映射模型。其中,所述十折交叉验证算法为crossvalidation,即模型交叉验证方法的一种,用于测试模型的准确性。
请参阅图4,图4为本申请一个实施例提供的陆地水储量预测方法中S203的流程示意图,包括步骤S2031~S2032,具体如下:
S2031:从所述第一训练集中提取第二样本地表参数以及第二样本陆地水储量数据,构建第二训练集以及第二测试集。
预测设备从所述第一训练集中提取第二样本地表参数以及第二样本陆地水储量数据,具体地,预测设备基于有放回的无序随机方法,从所述第一训练集中随机抽取10%的地表参数以及10%的陆地水储量数据,作为第二测试集的第二样本地表参数以及第二样本陆地水储量数据,构建第二测试集;
从所述第一训练集中随机抽取90%的地表参数以及90%的陆地水储量数据,作为第二训练集的第二样本地表参数以及第二样本陆地水储量数据,构建第二训练集。
S2032:根据所述第二测试集以及第二训练集,对所述若干个迭代训练后的非线性回归映射模型进行精度评价,获取精度评价指标,根据所述精度评价指标,从所述若干个迭代训练后的非线性回归映射模型中选取目标非线性回归映射模型,作为所述陆地水储量数据与地表参数的非线性回归映射模型。
在本实施例中,预测设备将所述第二训练集输入至所述迭代训练后的非线性回归映射模型中,获取所述迭代训练后的非线性回归映射模型输出的预测值;将所述第二测试集输入至所述迭代训练后的非线性回归映射模型中,获取所述迭代训练后的非线性回归映射模型输出的真实值;
根据所述预测值、真实值以及预设的精度评价指标算法,获取各个迭代训练后的非线性回归映射模型对应的精度评价指标,其中,所述精度评价指标包括趋势拟合度指标以及精度偏差指标,所述精度评价指标算法为:
预测设备首先根据所述趋势拟合度指标的值,获取所述趋势拟合度指标最大的迭代训练后的非线性回归映射模型,从所述趋势拟合度指标最大的迭代训练后的非线性回归映射模型中,获取所述精度偏差指标绝对值最小的迭代训练后的非线性回归映射模型,作为所述陆地水储量数据与地表参数的非线性回归映射模型。
S3:响应于陆地水储量预测指令,所述陆地水储量预测指令包括待测区域的目标时间段内的地表参数,根据所述待测区域的目标时间段内的地表参数以及陆地水储量数据与地表参数的非线性回归映射模型,获取所述待测区域的目标时间段内的陆地水储量数据。
所述陆地水储量预测指令是用户发出的,由预测设备接收。
在本实施例中,预测设备获取用户发送的陆地水储量预测指令,并进行响应,根据所述陆地水储量预测指令中的待测区域的目标时间段内的地表参数,输入至所述陆地水储量数据与地表参数的非线性回归映射模型中,获取所述陆地水储量数据与地表参数的非线性回归映射模型输出的所述待测区域的目标时间段内的陆地水储量数据。
请参考图5,图5为本申请一个实施例提供的陆地水储量预测装置的结构示意图,该装置可以通过软件、硬件或两者的结合实现陆地水储量预测装置的全部或一部分,该装置5包括:
获取模块51,用于获取目标区域的目标时间段内的地表参数以及陆地水储量数据,其中,所述地表参数包括流域地表参数、经纬度数据、高程数据以及气候分区数据;
构建模块52,用于根据所述地表参数、陆地水储量数据以及预设的机器学习算法,构建陆地水储量数据与地表参数的非线性回归映射模型;
预测模块53,用于响应于陆地水储量预测指令,所述陆地水储量预测指令包括待测区域的目标时间段内的地表参数,根据所述待测区域的目标时间段内的地表参数以及陆地水储量数据与地表参数的非线性回归映射模型,获取所述待测区域的目标时间段内的陆地水储量数据。
在本申请实施例中,通过获取模块,获取目标区域的目标时间段内的地表参数以及陆地水储量数据,其中,所述地表参数包括流域地表参数、经纬度数据、高程数据以及气候分区数据;通过构建模块,根据所述地表参数、陆地水储量数据以及预设的机器学习算法,构建陆地水储量数据与地表参数的非线性回归映射模型;通过预测模块,响应于陆地水储量预测指令,所述陆地水储量预测指令包括待测区域的目标时间段内的地表参数,根据所述待测区域的目标时间段内的地表参数以及陆地水储量数据与地表参数的非线性回归映射模型,获取所述待测区域的目标时间段内的陆地水储量数据。能够综合考虑多种地表参数对陆地水储量数据的影响,基于已有的地表参数和陆地水储量数据,建立陆地水储量数据与地表参数的非线性回归映射模型,将历史时期地表参数应用于该模型,能够实现历史时期的陆地水储量数据的精准预测,进而得到长时间序列的陆地水储量数据。并且,采用支持向量机算法建立陆地水储量信息与地表参数信息的非线性映射关系模型能够有效修正预测结果的误差,防止过拟合现象的发生。
请参考图6,图6为本申请一个实施例提供的计算机设备的结构示意图,计算机设备6包括:处理器61、存储器62以及存储在存储器62上并可在处理器61上运行的计算机程序63;计算机设备可以存储有多条指令,指令适用于由处理器61加载并执行上述图1至图4所示实施例的方法步骤,具体执行过程可以参见图1至图4所示实施例的具体说明,在此不进行赘述。
其中,处理器61可以包括一个或多个处理核心。处理器61利用各种接口和线路连接服务器内的各个部分,通过运行或执行存储在存储器62内的指令、程序、代码集或指令集,以及调用存储器62内的数据,执行陆地水储量预测装置5的各种功能和处理数据,可选的,处理器61可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programble Logic Array,PLA)中的至少一个硬件形式来实现。处理器61可集成中央处理器61(Central ProcessingUnit,CPU)、图像处理器61(Graphics Processing Unit,GPU)和调制解调器等中的一个或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器61中,单独通过一块芯片进行实现。
其中,存储器62可以包括随机存储器62(Random Access Memory,RAM),也可以包括只读存储器62(Read-Only Memory)。可选的,该存储器62包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器62可用于存储指令、程序、代码、代码集或指令集。存储器62可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器62可选的还可以是至少一个位于远离前述处理器61的存储装置。
本申请实施例还提供了一种存储介质,所述存储介质可以存储有多条指令,所述指令适用于由处理器加载并执行上述图1至图4所示实施例的方法步骤,具体执行过程可以参见图1至图4所示实施例的具体说明,在此不进行赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅是示意性的,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系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的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或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。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。
所述集成的模块/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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变形。
Claims (6)
1.一种陆地水储量预测方法,其特征在于,包括以下步骤:
获取目标区域的目标时间段内的地表参数以及陆地水储量数据,其中,所述地表参数包括流域地表参数、经纬度数据、高程数据以及气候分区数据,所述流域地表参数包括净短波辐射通量、净长波辐射通量、净潜热通量、净感热通量、热通量、降雪比率、降水比率、蒸散发、暴雨表面径流速、基流地下水径流速、融雪速度、雪表温度、表面平均温度、雪深水当量、积雪深度、地表土壤湿度、植被根系土壤湿度、剖面土壤湿度、冠层水分蒸发速率、蒸腾速率、裸土直接蒸发速率、植被冠层表面储水量、积雪蒸发速率、气动电导率、流域水储量、地下水储量、风速、总降水率、温度、比湿、气压、下行短波辐射以及下行长波辐射;
分别从所述目标时间段内的地表参数以及陆地水储量数据中提取第一样本地表参数以及第一样本陆地水储量数据,构建第一测试集以及第一训练集;
根据所述第一测试集,对可调节参数进行迭代训练,获取若干个迭代训练后的非线性回归映射模型;
从所述第一训练集中提取第二样本地表参数以及第二样本陆地水储量数据,构建第二训练集以及第二测试集;
根据所述第二测试集以及第二训练集,对所述若干个迭代训练后的非线性回归映射模型进行精度评价,获取精度评价指标,其中,所述精度评价指标包括趋势拟合度指标以及精度偏差指标,所述精度评价指标算法为:
根据所述精度评价指标,从所述若干个迭代训练后的非线性回归映射模型中选取目标非线性回归映射模型,作为陆地水储量数据与地表参数的非线性回归映射模型,其中,所述非线性回归映射模型为:
TWSA=SVM(33Catchment Parameters,Location,DEM,Climate Zone,Time)
式中,TWSA为所述陆地水储量数据,Catchment Parameters为所述流域地表参数,Location为所述经纬度数据,DEM为所述高程数据,Climate Zone为所述气候分区数据,Time为时间数据,包括所述地表参数以及陆地水储量数据对应的时间参数;
响应于陆地水储量预测指令,所述陆地水储量预测指令包括待测区域的目标时间段内的地表参数,根据所述待测区域的目标时间段内的地表参数以及陆地水储量数据与地表参数的非线性回归映射模型,获取所述待测区域的目标时间段内的陆地水储量数据。
2.根据权利要求1所述的陆地水储量预测方法,其特征在于,所述根据所述地表参数、陆地水储量数据以及预设的机器学习算法,构建陆地水储量数据与地表参数的非线性回归映射模型之前,包括步骤:
获取所述陆地水储量数据的空间分辨率,根据所述陆地水储量数据的空间分辨率,对所述地表参数进行重采样处理,获取空间分辨率与所述陆地水储量数据的空间分辨率一致的地表参数。
3.根据权利要求1所述的陆地水储量预测方法,其特征在于:所述非线性回归映射模型设置有可调节参数,其中,所述可调节参数包括惩罚系数、核函数、核函数系数、核函数常数值、缓冲大小以及最大迭代次数。
4.一种陆地水储量预测装置,其特征在于,包括:
获取模块,用于获取目标区域的目标时间段内的地表参数以及陆地水储量数据,其中,所述地表参数包括流域地表参数、经纬度数据、高程数据以及气候分区数据,所述流域地表参数包括净短波辐射通量、净长波辐射通量、净潜热通量、净感热通量、热通量、降雪比率、降水比率、蒸散发、暴雨表面径流速、基流地下水径流速、融雪速度、雪表温度、表面平均温度、雪深水当量、积雪深度、地表土壤湿度、植被根系土壤湿度、剖面土壤湿度、冠层水分蒸发速率、蒸腾速率、裸土直接蒸发速率、植被冠层表面储水量、积雪蒸发速率、气动电导率、流域水储量、地下水储量、风速、总降水率、温度、比湿、气压、下行短波辐射以及下行长波辐射;
构建模块,用于分别从所述目标时间段内的地表参数以及陆地水储量数据中提取第一样本地表参数以及第一样本陆地水储量数据,构建第一测试集以及第一训练集;
根据所述第一测试集,对可调节参数进行迭代训练,获取若干个迭代训练后的非线性回归映射模型;
从所述第一训练集中提取第二样本地表参数以及第二样本陆地水储量数据,构建第二训练集以及第二测试集;
根据所述第二测试集以及第二训练集,对所述若干个迭代训练后的非线性回归映射模型进行精度评价,获取精度评价指标,其中,所述精度评价指标包括趋势拟合度指标以及精度偏差指标,所述精度评价指标算法为:
根据所述精度评价指标,从所述若干个迭代训练后的非线性回归映射模型中选取目标非线性回归映射模型,作为陆地水储量数据与地表参数的非线性回归映射模型,其中,所述非线性回归映射模型为:
TWSA=SVM(33Catchment Parameters,Location,DEM,Climate Zone,Time)
式中,TWSA为所述陆地水储量数据,Catchment Parameters为所述流域地表参数,Location为所述经纬度数据,DEM为所述高程数据,Climate Zone为所述气候分区数据,Time为时间数据,包括所述地表参数以及陆地水储量数据对应的时间参数;
预测模块,用于响应于陆地水储量预测指令,所述陆地水储量预测指令包括待测区域的目标时间段内的地表参数,根据所述待测区域的目标时间段内的地表参数以及陆地水储量数据与地表参数的非线性回归映射模型,获取所述待测区域的目标时间段内的陆地水储量数据。
5.一种计算机设备,其特征在于,包括:处理器、存储器以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;所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的陆地水储量预测方法的步骤。
6.一种存储介质,其特征在于:所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的陆地水储量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111664894.0A CN114491967B (zh) | 2021-12-30 | 2021-12-30 | 陆地水储量预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111664894.0A CN114491967B (zh) | 2021-12-30 | 2021-12-30 | 陆地水储量预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114491967A CN114491967A (zh) | 2022-05-13 |
CN114491967B true CN114491967B (zh) | 2023-03-24 |
Family
ID=81508019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111664894.0A Active CN114491967B (zh) | 2021-12-30 | 2021-12-30 | 陆地水储量预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114491967B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115630686B (zh) * | 2022-10-11 | 2023-06-23 | 首都师范大学 | 利用机器学习从卫星重力数据恢复陆地水储量异常的方法 |
CN115630745B (zh) * | 2022-11-03 | 2023-04-18 | 重庆理工大学 | 一种面向城市分级协同供水的多区域需水量预测方法 |
CN116628442B (zh) * | 2023-05-12 | 2023-12-22 | 中国科学院地理科学与资源研究所 | 一种基于人工神经网络的地下水储量变化空间降尺度方法 |
CN117113290B (zh) * | 2023-10-23 | 2024-02-06 | 中国科学院地理科学与资源研究所 | 一种基于卫星遥感和气候数据重建陆地水储量变化的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852149A (zh) * | 2019-09-24 | 2020-02-28 | 广州地理研究所 | 基于分类和回归树算法的植被指数预测方法、系统及设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105513041B (zh) * | 2015-10-28 | 2018-12-21 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及系统 |
CN110852474B (zh) * | 2019-09-24 | 2020-11-06 | 广州地理研究所 | 一种基于决策树算法的陆地水储量预测方法、装置及设备 |
CN110852473B (zh) * | 2019-09-24 | 2022-06-03 | 广东省科学院广州地理研究所 | 一种基于神经网络算法的陆地水储量预测方法及设备 |
CN112214923A (zh) * | 2020-09-09 | 2021-01-12 | 广州地理研究所 | 卫星土壤水分重建方法、装置及设备 |
CN112989557A (zh) * | 2021-01-14 | 2021-06-18 | 中国空间技术研究院 | 基于神经网络可选择模型提高水储量变化预测可靠性方法 |
-
2021
- 2021-12-30 CN CN202111664894.0A patent/CN114491967B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852149A (zh) * | 2019-09-24 | 2020-02-28 | 广州地理研究所 | 基于分类和回归树算法的植被指数预测方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114491967A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114491967B (zh) | 陆地水储量预测方法、装置、设备及存储介质 | |
Azizian et al. | Determining the best remotely sensed DEM for flood inundation mapping in data sparse regions | |
Shiri et al. | Comparison of heuristic and empirical approaches for estimating reference evapotranspiration from limited inputs in Iran | |
Sanikhani et al. | Survey of different data-intelligent modeling strategies for forecasting air temperature using geographic information as model predictors | |
Khatun et al. | Simulation of surface runoff using semi distributed hydrological model for a part of Satluj Basin: parameterization and global sensitivity analysis using SWAT CUP | |
Marsh et al. | The Canadian Hydrological Model (CHM) v1. 0: a multi-scale, multi-extent, variable-complexity hydrological model–design and overview | |
US20210208307A1 (en) | Training a machine learning algorithm and predicting a value for a weather data variable, especially at a field or sub-field level | |
CN110852473B (zh) | 一种基于神经网络算法的陆地水储量预测方法及设备 | |
Karimi et al. | Generalizability of gene expression programming and random forest methodologies in estimating cropland and grassland leaf area index | |
CN112585505A (zh) | 确定用于农学决策支持的位置特定的天气信息 | |
Khare et al. | Impact of landuse/land cover change on run-off in a catchment of Narmada river in India | |
Zhou et al. | Assessing impact of urban impervious surface on watershed hydrology using distributed object-oriented simulation and spatial regression | |
Roberts | The effects of current landscape configuration on streamflow within selected small watersheds of the Atlanta metropolitan region | |
Khellouk et al. | An integrated methodology for surface soil moisture estimating using remote sensing data approach | |
Garrigues et al. | Impacts of the soil water transfer parameterization on the simulation of evapotranspiration over a 14-year Mediterranean crop succession | |
CN110852474B (zh) | 一种基于决策树算法的陆地水储量预测方法、装置及设备 | |
Shamji et al. | Extreme value analysis of wave climate around Farasan Islands, southern Red Sea | |
Wimalathunge et al. | A space-time observation system for soil moisture in agricultural landscapes | |
Käfer et al. | Artificial neural networks model based on remote sensing to retrieve evapotranspiration over the Brazilian Pampa | |
CN110852472B (zh) | 一种基于随机森林算法的陆地水储量预测方法及设备 | |
Dungan et al. | Alternative approaches for mapping vegetation quantities using ground and image data | |
Karamouz et al. | Soil moisture data using citizen science technology cross-validated by satellite data | |
Sreelash et al. | Improved modeling of groundwater recharge in agricultural watersheds using a combination of crop model and remote sensing | |
Shirin Manesh et al. | ANN-based mapping of monthly reference crop evapotranspiration by using altitude, latitude and longitude data in Fars province, Iran | |
Hyväluoma | Reducing the grid orientation dependence of flow routing on square-grid digital elevation models |
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 |