CN114861840A - 一种多源降水数据融合方法 - Google Patents
一种多源降水数据融合方法 Download PDFInfo
- Publication number
- CN114861840A CN114861840A CN202210791258.2A CN202210791258A CN114861840A CN 114861840 A CN114861840 A CN 114861840A CN 202210791258 A CN202210791258 A CN 202210791258A CN 114861840 A CN114861840 A CN 114861840A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- data
- hidden
- satellite
- weight matrix
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多源降水数据融合方法,属于水文和气象技术领域,能够解决现有降水数据融合方法对降水估计的准确度较低的问题。所述方法包括:S1、获取地面站点处实测降水数据、卫星反演降水数据及降水影响因子数据;S2、根据实测降水数据、卫星反演降水数据及降水影响因子数据训练长短期记忆神经网络模型,获得训练后模型,并根据训练后模型获得站点处的多隐藏层权重矩阵库;S3、对站点处的多隐藏层权重矩阵库进行地理加权,并将地理加权后的多隐藏层权重矩阵库和降水影响因子数据输入训练后模型中,获得卫星反演中各网格点的误差估计值;S4、将误差估计值和卫星反演降水数据叠加,得到各网格点的降水融合值。本发明用于降水数据融合。
Description
技术领域
本发明涉及一种多源降水数据融合方法,属于水文和气象技术领域。
背景技术
中国是一个洪涝灾害频发的国家,水文模型是模拟洪涝灾害发生过程的重要手段。降水是水文模型的重要输入源,准确实时的降水估计可以为水文气象、洪涝灾害预测提供可靠的数据支撑。降水过程的空间分布非常复杂,目前获取降水数据的主要方式有地面站点监测、卫星反演和雷达定量估计。常规的站点监测降水具有单点精度高、时间序列长的优点,但是有限的观测结果仅能代表单点或局部小范围降水,真实的降水具有明显的时空变异性,以点代面的站点降水精度较差,尤其是在站点稀少的区域,站点降水难以反应真实降水的空间变异性。雷达定量降水估计得到的数据空间分辨率高、实时性强,但容易受覆盖物或天气影响,其观测范围有限,且观测误差较大。随着国内外卫星遥感技术的发展,通过卫星获取全球范围的降水时空变化具有很大的优势,其具有覆盖面广、观测时间连续的优势,但获得的降水数据局部精度尚不足,因此通过对站点观测降水数据和卫星反演降水数据的优化组合实现两种数据的融合,进行更加精确的降水估计已成为目前的研究热点。
目前已有多种方法用于站点-卫星降水数据融合,比如地理加权回归、最优插值法、概率密度函数法等,其中地理加权回归可以在降水估计中同时考虑地理位置、高程以及其他的辅助信息,该方法在实测有效点处通过多元线性回归方程来反应降水和影响因素之间的关系,通过空间权函数实现变量间的关系随着地理空间的变化而变化。然而这些现有的站点-卫星降水数据融合方法对降水估计的准确度较低。
发明内容
本发明提供了一种多源降水数据融合方法,能够解决现有降水数据融合方法对降水估计的准确度较低的问题。
本发明提供了一种多源降水数据融合方法,所述方法包括:
S1、获取地面站点处实测降水数据、卫星反演降水数据及降水影响因子数据;
S2、根据所述实测降水数据、所述卫星反演降水数据及所述降水影响因子数据训练长短期记忆神经网络模型,获得训练后模型,并根据所述训练后模型获得站点处的多隐藏层权重矩阵库;
S3、对所述站点处的多隐藏层权重矩阵库进行地理加权,并将地理加权后的多隐藏层权重矩阵库和所述降水影响因子数据输入所述训练后模型中,获得卫星反演中各网格点的误差估计值;
S4、将所述误差估计值和所述卫星反演降水数据叠加,得到各网格点的降水融合值。
可选的,所述S1包括:
S11、获取地面站点处实测降水数据和卫星反演降水数据,并对所述实测降水数据和所述卫星反演降水数据进行质量控制;
S12、获取降水影响因子数据,并将所述降水影响因子数据重采样到与所述卫星反演降水数据相同的空间分辨率上;
S13、对处理后的实测降水数据、卫星反演降水数据及降水影响因子数据进行归一化处理。
可选的,所述S2包括:
S21、获取所述卫星反演降水数据与所述实测降水数据的差值,并将所述差值作为卫星降水与实测降水的实际误差;
S22、将所述降水影响因子数据输入长短期记忆神经网络模型中,获得卫星降水与实测降水的模拟误差;
S23、根据所述实际误差和所述模拟误差训练所述长短期记忆神经网络模型,获得训练后模型;
S24、将所述训练后模型结构输出,获得站点处的多隐藏层权重矩阵库。
可选的,所述S3包括:
S31、对所述站点处的多隐藏层权重矩阵库进行地理加权,获得卫星反演中各网格点的多隐藏层权重矩阵;
S32、对所述训练后模型中的偏置项进行插值处理,获得各网格点对应的偏置项向量;
S33、将各网格点对应的所述多隐藏层权重矩阵、所述偏置项向量和所述降水影响因子数据输入所述训练后模型中,获得各网格点的误差估计值。
可选的,所述S31包括:
S311、获取基于训练后模型的地理加权回归方程;
S312、利用所述基于训练后模型的地理加权回归方程,对所述站点处的多隐藏层权重矩阵库进行地理加权,获得卫星反演中各网格点的多隐藏层权重矩阵。
可选的,所述基于训练后模型的地理加权回归方程为:
其中,表示站点网格处实测降水值,表示站点网格处卫星反演降水值,表示网格处降水实际误差,表示网格处由长短期记忆神经网络模型输出的降水模拟误差,表示长短期记忆神经网络模型中反映输入变量与多隐藏层权重矩阵库的多重非线性关系,表示网格处模型得到的多隐藏层权重矩阵库,表示网格处模型输入的降水影响因子数据的矩阵。
可选的,所述地理加权回归的空间权函数选用截尾函数。
可选的,在所述S22之前,所述方法还包括:
S25、设置长短期记忆神经网络模型的参数。
可选的,所述降水影响因子数据包括地形高程数据、植被覆盖指数、坡度、坡向、风速、温度、散射指数以及卫星反演降水数据均值中的任意几种。
可选的,所述质量控制包括缺失值插补、异常值剔除和消除噪声。
本发明能产生的有益效果包括:
本发明提供的多源降水数据融合方法,通过获取地面雨量站点处实测降水数据和遥感卫星反演降水数据,以及降水影响因子数据;然后在降水实测站点处构建深层长短期记忆神经网络模型,模型输入为降水影响因子数据,模型的输出为卫星降水背景场与实测降水值的模拟误差,进而可得到实测站点处的多隐藏层权重矩阵库;接着对实测站点处的多隐藏层权重矩阵库进行地理加权,再通过训练后模型回归分析可得到各网格点的背景场的误差估计值;最后在“加法模式”框架下将背景场的误差估计值和卫星降水背景值叠加,得到各网格点的降水融合值,实现站点数据与卫星遥感的融合。本发明基于深度学习方法,利用了大数据技术,有效模拟了降水误差及其影响因素之间的非线性关系;地理加权回归算法反映了降水空间变量关系的非平稳性,充分发挥两种数据源的优势,提高了水文模型输入的精度。
附图说明
图1为本发明实施例提供的多源降水数据融合方法流程图;
图2为本发明实施例提供的多源降水数据融合方法框图;
图3为本发明实施例提供的深层长短期记忆神经网络模型重复模块示意图;
图4为本发明实施例提供的深层长短期记忆神经网络模型cell结构示意图。
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多源降水数据融合方法,该方法结合了深层长短期记忆神经网络与地理加权回归算法,借助深度学习有效模拟降水及其影响变量的非线性复杂关系,融合实测降水和卫星降水产品,充分发挥两种数据的优势,为水文模型的输入提供数据支撑。在一具体实施例中,以黄河源区为应用流域,融合IMERG-F卫星降水产品,其最小空间分辨率为0.1°,时间分辨率最高达0.5小时,基于两种数据源的融合可以得到研究流域的高精度降水估计。
如图1至图4所示,所述方法包括:
S1、获取地面站点处实测降水数据、卫星反演降水数据及降水影响因子数据。
其中,降水影响因子数据包括地形高程数据(Digital Elevation Model,简称DEM)、植被覆盖指数(Normalized Vegetation Index,简称NDVI)、坡度、坡向、风速、温度、散射指数以及卫星反演降水数据多年均值等,本发明实施例对此不做限定。
在获取降水及其影响因子数据后,可以对这些数据进行预处理。
具体的预处理方式包括:
S11、获取地面站点处实测降水数据和卫星反演降水数据,并对实测降水数据和卫星反演降水数据进行质量控制。
其中,质量控制主要包括缺失值插补、异常值剔除和消除噪声。
S12、获取降水影响因子数据,并将降水影响因子数据重采样到与卫星反演降水数据相同的空间分辨率上。示例的,空间分辨率可以为0.1°×0.1°。
S13、对处理后的实测降水数据、卫星反演降水数据及降水影响因子数据进行归一化处理。在实际应用中,归一化的范围控制在[0,1]之间。
S2、根据实测降水数据、卫星反演降水数据及降水影响因子数据训练长短期记忆神经网络模型,获得训练后模型,并根据训练后模型获得站点处的多隐藏层权重矩阵库。
具体包括:
S21、获取卫星反演降水数据与实测降水数据的差值,并将差值作为卫星降水与实测降水的实际误差。
S22、将降水影响因子数据输入长短期记忆神经网络模型中,获得卫星降水与实测降水的模拟误差。
在S22之前,所述方法还包括:
S25、设置长短期记忆神经网络模型的参数。
具体可以包括:设置模型cell个数、隐藏层层数、滑窗大小、学习率、最大迭代次数、丢弃概率、选择合适的激活函数。其中,模型cell个数与滑窗大小、样本个数有关。
示例的,可以设置隐藏层层数为4层、滑窗大小为8、学习率0.0005、最大迭代次数200代、丢弃概率0.2、激活函数选择relu函数。
在S22中将输入变量带入模型,经过多个cell循环、多隐藏层迭代得到卫星降水背景场与实测降水值的模拟误差。
参考图3和图4所示,在模型中,每个cell中包含四个门,样本数据导入每个重复模块进行降水误差模拟预测,主要包括:
式中,为激活函数,为遗忘门权重矩阵,表示上一时刻即时刻模型的输出,表示遗忘门偏置顶。图3中,为时刻输入数据,表示时刻(即当前时刻)模型的输出;为时刻输入数据,表示时刻模型的输出;为时刻输入数据,表示时刻模型的输出。
模型“输入门”通过以下公式计算要在cell状态中加入的新信息:
将更新门得到的新cell状态通过tanh网络层,与通过“输出门”决定要输出的部分相乘,得到需要输出的部分,计算公式如下:
S23、根据实际误差和模拟误差训练长短期记忆神经网络模型,获得训练后模型。
在实际应用中,通过误差反向传播算法更新模型参数,使得降水模拟误差与实际误差的损失最小,进而得到训练后模型。
S24、将训练后模型结构输出,获得站点处的多隐藏层权重矩阵库。
S3、对站点处的多隐藏层权重矩阵库进行地理加权,并将地理加权后的多隐藏层权重矩阵库和降水影响因子数据输入训练后模型中,获得卫星反演中各网格点的误差估计值。
具体包括:
S31、对站点处的多隐藏层权重矩阵库进行地理加权,获得卫星反演中各网格点的多隐藏层权重矩阵。
包括:S311、获取基于训练后模型的地理加权回归方程。
其中,站点处地理加权回归方程由训练后的深层长短期记忆神经网络模型提供。基于训练后模型的地理加权回归方程为:
式中,表示站点网格处实测降水值,表示站点网格处卫星反演降水值,表示网格处降水实际误差,表示网格处由深层长短期记忆神经网络模型输出的降水模拟误差,表示深层长短期记忆神经网络模型中反映输入变量与多隐藏层权重矩阵库的多重非线性关系,表示网格处模型得到的多隐藏层权重矩阵库,主要由各个隐藏层各个cell中的多个权重矩阵组成,单个隐藏层的权重矩阵具体表示如下:
S312、利用基于训练后模型的地理加权回归方程,对站点处的多隐藏层权重矩阵库进行地理加权,获得卫星反演中各网格点的多隐藏层权重矩阵。
其中,地理加权回归的空间权函数可以选用截尾函数。截尾函数计算公式为:
S32、对训练后模型中的偏置项进行插值处理,获得各网格点对应的偏置项向量。
S33、将各网格点对应的多隐藏层权重矩阵、偏置项向量和降水影响因子数据输入训练后模型中,获得各网格点的误差估计值。
S4、将误差估计值和卫星反演降水数据叠加,得到各网格点的降水融合值。
在本发明实施例中,各网格点的降水融合值由以下公式得到:
本发明通过获取地面雨量站点处实测降水数据和遥感卫星反演降水数据,以及降水影响因子数据;然后在降水实测站点处构建深层长短期记忆神经网络模型,模型输入为降水影响因子数据,模型的输出为卫星降水背景场与实测降水值的模拟误差,进而可得到实测站点处的多隐藏层权重矩阵库;接着对实测站点处的多隐藏层权重矩阵库进行地理加权,再通过训练后模型回归分析可得到各网格点的背景场的误差估计值;最后在“加法模式”框架下将背景场的误差估计值和卫星降水背景值叠加,得到各网格点的降水融合值,实现站点数据与卫星遥感的融合。本发明基于深度学习方法,利用了大数据技术,有效模拟了降水误差及其影响因素之间的非线性关系;地理加权回归算法反映了降水空间变量关系的非平稳性,充分发挥两种数据源的优势,提高了水文模型输入的精度。
以上所述,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 (10)
1.一种多源降水数据融合方法,其特征在于,所述方法包括:
S1、获取地面站点处实测降水数据、卫星反演降水数据及降水影响因子数据;
S2、根据所述实测降水数据、所述卫星反演降水数据及所述降水影响因子数据训练长短期记忆神经网络模型,获得训练后模型,并根据所述训练后模型获得站点处的多隐藏层权重矩阵库;
S3、对所述站点处的多隐藏层权重矩阵库进行地理加权,并将地理加权后的多隐藏层权重矩阵库和所述降水影响因子数据输入所述训练后模型中,获得卫星反演中各网格点的误差估计值;
S4、将所述误差估计值和所述卫星反演降水数据叠加,得到各网格点的降水融合值。
2.根据权利要求1所述的方法,其特征在于,所述S1包括:
S11、获取地面站点处实测降水数据和卫星反演降水数据,并对所述实测降水数据和所述卫星反演降水数据进行质量控制;
S12、获取降水影响因子数据,并将所述降水影响因子数据重采样到与所述卫星反演降水数据相同的空间分辨率上;
S13、对处理后的实测降水数据、卫星反演降水数据及降水影响因子数据进行归一化处理。
3.根据权利要求1所述的方法,其特征在于,所述S2包括:
S21、获取所述卫星反演降水数据与所述实测降水数据的差值,并将所述差值作为卫星降水与实测降水的实际误差;
S22、将所述降水影响因子数据输入长短期记忆神经网络模型中,获得卫星降水与实测降水的模拟误差;
S23、根据所述实际误差和所述模拟误差训练所述长短期记忆神经网络模型,获得训练后模型;
S24、将所述训练后模型结构输出,获得站点处的多隐藏层权重矩阵库。
4.根据权利要求1所述的方法,其特征在于,所述S3包括:
S31、对所述站点处的多隐藏层权重矩阵库进行地理加权,获得卫星反演中各网格点的多隐藏层权重矩阵;
S32、对所述训练后模型中的偏置项进行插值处理,获得各网格点对应的偏置项向量;
S33、将各网格点对应的所述多隐藏层权重矩阵、所述偏置项向量和所述降水影响因子数据输入所述训练后模型中,获得各网格点的误差估计值。
5.根据权利要求4所述的方法,其特征在于,所述S31包括:
S311、获取基于训练后模型的地理加权回归方程;
S312、利用所述基于训练后模型的地理加权回归方程,对所述站点处的多隐藏层权重矩阵库进行地理加权,获得卫星反演中各网格点的多隐藏层权重矩阵。
7.根据权利要求5所述的方法,其特征在于,所述地理加权回归的空间权函数选用截尾函数。
8.根据权利要求3所述的方法,其特征在于,在所述S22之前,所述方法还包括:
S25、设置长短期记忆神经网络模型的参数。
9.根据权利要求1所述的方法,其特征在于,所述降水影响因子数据包括地形高程数据、植被覆盖指数、坡度、坡向、风速、温度、散射指数以及卫星反演降水数据均值中的任意几种。
10.根据权利要求2所述的方法,其特征在于,所述质量控制包括缺失值插补、异常值剔除和消除噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210791258.2A CN114861840B (zh) | 2022-07-07 | 2022-07-07 | 一种多源降水数据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210791258.2A CN114861840B (zh) | 2022-07-07 | 2022-07-07 | 一种多源降水数据融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114861840A true CN114861840A (zh) | 2022-08-05 |
CN114861840B CN114861840B (zh) | 2022-10-04 |
Family
ID=82626354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210791258.2A Active CN114861840B (zh) | 2022-07-07 | 2022-07-07 | 一种多源降水数据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114861840B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115144835A (zh) * | 2022-09-02 | 2022-10-04 | 南京信大气象科学技术研究院有限公司 | 一种基于神经网络的卫星反演天气雷达反射率的方法 |
CN115357847A (zh) * | 2022-08-28 | 2022-11-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于误差分解的日尺度星地降水融合方法 |
CN117349795A (zh) * | 2023-12-04 | 2024-01-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于ann和gwr耦合的降水融合方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647740A (zh) * | 2018-05-16 | 2018-10-12 | 河海大学 | 利用高分辨率地形和气象因子进行多源降水融合的方法 |
CN113627465A (zh) * | 2021-06-30 | 2021-11-09 | 东南大学 | 基于卷积长短期记忆神经网络的降水数据时空动态融合方法 |
-
2022
- 2022-07-07 CN CN202210791258.2A patent/CN114861840B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647740A (zh) * | 2018-05-16 | 2018-10-12 | 河海大学 | 利用高分辨率地形和气象因子进行多源降水融合的方法 |
CN113627465A (zh) * | 2021-06-30 | 2021-11-09 | 东南大学 | 基于卷积长短期记忆神经网络的降水数据时空动态融合方法 |
Non-Patent Citations (1)
Title |
---|
晁丽君等: "基于多源降水融合驱动的WRF-Hydro模型在中小河流洪水预报中的适用性", 《河海大学学报(自然科学版)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115357847A (zh) * | 2022-08-28 | 2022-11-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于误差分解的日尺度星地降水融合方法 |
CN115357847B (zh) * | 2022-08-28 | 2023-09-19 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于误差分解的日尺度星地降水融合方法 |
CN115144835A (zh) * | 2022-09-02 | 2022-10-04 | 南京信大气象科学技术研究院有限公司 | 一种基于神经网络的卫星反演天气雷达反射率的方法 |
CN117349795A (zh) * | 2023-12-04 | 2024-01-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于ann和gwr耦合的降水融合方法和系统 |
CN117349795B (zh) * | 2023-12-04 | 2024-02-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于ann和gwr耦合的降水融合方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114861840B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114861840B (zh) | 一种多源降水数据融合方法 | |
CN105243435B (zh) | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 | |
CN112905560B (zh) | 一种多源时空大数据深度融合的空气污染预测方法 | |
Thibaud et al. | Threshold modeling of extreme spatial rainfall | |
Zeng et al. | Daily global solar radiation in China estimated from high‐density meteorological observations: a random forest model framework | |
Lamb et al. | Confidence intervals for a spatially generalized, continuous simulation flood frequency model for Great Britain | |
Toth et al. | Multistep ahead streamflow forecasting: Role of calibration data in conceptual and neural network modeling | |
CN114265836A (zh) | 一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化方法及装置 | |
CN111401602B (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
Chao et al. | Improving flood simulation capability of the WRF-Hydro-RAPID model using a multi-source precipitation merging method | |
CN103455702A (zh) | 一种确定区域电离层延迟的方法 | |
CN107798425A (zh) | 一种基于大数据的时空混淆暴露度评估系统及方法 | |
CN110427594A (zh) | 适合小型实验室的气象要素数据获取系统 | |
CN113344149B (zh) | 一种基于神经网络的pm2.5逐小时预测方法 | |
Zhu et al. | Internal and external coupling of Gaussian mixture model and deep recurrent network for probabilistic drought forecasting | |
Fan et al. | A comparative study of four merging approaches for regional precipitation estimation | |
Diba et al. | Wireless telecommunication links for rainfall monitoring: Deep learning approach and experimental results | |
CN115270608A (zh) | 基于arima与lstm的海岸带地面沉降预测方法 | |
CN115049013A (zh) | 一种联合线性和svm的短时降雨预警模型融合方法 | |
CN115795399A (zh) | 一种多源遥感降水数据自适应融合方法和系统 | |
CN114676621A (zh) | 基于深度学习权重负载提高陆地水储量异常准确性方法 | |
Jang | An Application of ANN Ensemble for Estimating of Precipitation Using Regional Climate Models | |
Li et al. | Deepphysinet: Bridging deep learning and atmospheric physics for accurate and continuous weather modeling | |
Jagannathan et al. | Time Series Analyzation and Prediction of Climate using Enhanced Multivariate Prophet | |
Xu et al. | Estimating surface soil moisture from satellite observations using machine learning trained on in situ measurements in the continental US |
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 |