CN115166874A - 基于机器学习的气象干旱指数spi构建方法 - Google Patents
基于机器学习的气象干旱指数spi构建方法 Download PDFInfo
- Publication number
- CN115166874A CN115166874A CN202210819848.1A CN202210819848A CN115166874A CN 115166874 A CN115166874 A CN 115166874A CN 202210819848 A CN202210819848 A CN 202210819848A CN 115166874 A CN115166874 A CN 115166874A
- Authority
- CN
- China
- Prior art keywords
- data
- drought
- drought index
- spi
- rainfall
- 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.)
- Pending
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 18
- 238000010276 construction Methods 0.000 title claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000001556 precipitation Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Ecology (AREA)
- Computing Systems (AREA)
- Environmental Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Biodiversity & Conservation Biology (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Atmospheric Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及干旱监测技术领域，尤其涉及基于机器学习的气象干旱指数SPI构建方法，包括以下步骤：获取降水产品数据以及气象观测站降雨数据；利用降水产品数据和站点观测降水分别计算不同尺度的干旱指数SPI；提取地形指标高程、坡度以及地理指标经、纬度；对所述数据进行数据融合，并基于融合后的数据构建模型输入数据集，将数据分为测试集和训练集；基于训练集利用机器学习模型GPR构建模型，利用贝叶斯优化对模型的参数进行优化；基于测试集测验证模型的精度；利用构建的每月的模型生成长时间序列的高分辨率高精度的多尺度干旱指数SPI空间数据集以及空间不确定性。本发明具有如下有益效果：能够更加准确地识别干旱事件，提高旱情监测准确性。
Description
技术领域
本发明涉及干旱监测技术领域，尤其涉及基于机器学习的气象干旱指数SPI构建方法。
背景技术
全球气候变暖之下，气象干旱发生的频次以及持续时间都在逐步增加。干旱对于生态，农业，社会经济，人类健康都有巨大的影响。标准化降水指数SPI是评估气象干旱的有效指标，获取高精度准确的SPI空间分布对于干旱监测具有重要的意义。
目前获取SPI空间数据集的方法主要包括两种。
一种是基于站点数据计算SPI然后利用空间插值方法得到SPI 空间数据集，主要包括反距离权重方法以及克里金插值。然而插值方法会导致较大的误差，影响SPI的空间精度，尤其是对于站点系数的地方。
例如，专利CN202110283892.0公开了一种基于深度学习的干旱指数监测方法及系统，获取监测站点的观测数据，并基于观测数据获取对应的各参数信息；对各参数信息分别进行数据处理，获取与各参数信息分别对应的预处理数据；对预处理数据以及与观测数据对应的辅助数据进行数据融合，并基于融合后的数据构建数据集；其中，数据集包括训练集和测试集；基于训练集和测试集训练并测试深度神经网络模型，直至深度神经网络模型收敛在预设范围内，形成干旱指数监测模型；基于干旱指数监测模型对待检测区域的干旱指数进行监测。但是上述技术方案仍旧存在着不少的缺陷：首先，存在较大的误差，SPI的空间精度不高；其次，未结合位置等信息，无法依据位置信息得到更为准确的旱情监测信息；最后，仅仅依据监测站点的观测数据，评估旱情存在局限性。
第二种方法是利用栅格降雨产品数据直接进行计算得到空间 SPI数据集。
这种方法主要存在两个局限性：首先是栅格降雨数据一般是基于遥感数据，再分析数据以及站点实测数据生成的，本身存在着较大的不确定性；第二是大多数的降雨产品空间分辨率较为粗糙，不能满足精细需求。
因此需要提出一种改善SPI空间数据集的方法。
发明内容
本发明的主要目的在于克服现有技术中的不足，提供基于机器学习的气象干旱指数SPI构建方法。该方法具有获得高精度高分辨率的干旱指数SPI数据集等优点。
本发明为实现其技术目的所采用的技术方案是：基于机器学习的气象干旱指数SPI构建方法，其特征在于：包括如下步骤：
步骤一：获取降雨产品数据以及气象站点实测降雨数据；
步骤二：利用降雨产品数据和气象站点实测降雨数据，计算得到降雨产品的干旱指数标准化降水指数以及实测降雨数据的干旱指数标准化降水指数，干旱指数标准化降水指数即干旱指数SPI，干旱指数SPI数据计算所用的概率密度函数利用Γ分布：
步骤三：基于DEM数据提取地形数据包括坡度、高程以及地理数据包括经度、纬度，将地形数据以及地理数据整合形成栅格数据；
步骤四：对地形数据和地理数据进行重采样，统一分辨率，融合降雨产品数据、降雨产品计算的干旱指数SPI、实测降雨数据、实测降水数据的干旱指数SPI以及地形数据和地理数据，得到融合后的数据集，将融合后的数据集分为测试集和训练集；
步骤五：基于训练集利用机器学习模型分别对每个月的干旱指数 SPI构建模型，并且利用贝叶斯算法对模型超参数进行优化；
步骤六：基于测试集，利用RMSE，MAE和R2以及历史干旱事件验证模型的精度；
步骤七：利用构建好的模型生成每月的高分辨率高精度的多尺度干旱指数SPI栅格数据集以及每月的干旱指数SPI栅格数据对应的空间不确定性。
进一步地，所述步骤一中的所述降雨产品数据包括CHIRPS， ERA-5，FLDAS，PERSIANN-CDR和TerraClimate降雨产品数据，其空间分辨率分别为：5566米,11132米,11132米,27830米和4638.3 米，在所述步骤一中对所述降雨产品数据进行统一空间分辨率。
进一步地，所述步骤一中所述气象站点实测降雨数据获取自国家气象数据中心。
进一步地，所述步骤二中干旱指数SPI的计算采用典型的Γ分布，Γ分布具有很好的稳定性和适用性。具体地计算过程如下：
其中，随机变量x表示降水量，α和β分别表示概率密度函数的形状和尺度参数(α>0,β>0)；α和β利用最大似然法进行估计；
其中，n表示气象站点个数；
通过整合概率密度函数以及α和β的估计值，得到累计概率 G(x)；
c0＝2.5155,c1＝0.8028,c2＝0.0103
d1＝1.4327,d2＝0.1892,d3＝0.0013
其中：G(x)>0.5，S＝1；G(x)≤0.5,S＝-1，c和d是实验获取的经验参数。
进一步地，所述步骤三中的DEM数据为SRTM DEM Version 4。
进一步地，所述步骤五中的所述机器学习模型采用的为GPR算法，GPR算法具体如下：
Y＝f(X)+ε
式中：Y为观测值；f(x)为底层随机函数；x是输入向量；ε为噪声，
观测值Y的先验分布为：
观测值Y和预测值y的联合先验分布为：
式中：K(x,x)＝(κij)是对称正定协方差矩阵，矩阵元素κij通过核函数衡量了xi和xj之间的相关性。K(x*,x)＝K(x,x*)T是测试集x*和训练集x 的协方差矩阵。K(x*,x*)是测试集x*本身的协方差。In是n维的单位矩阵。然后可以得到预测值y的后验分布，
和
分别为预测值y的均值和方差：
利用GPR可以获得置信水平为95％的预测区间
来评估预测值的不确定性。以此获得SPI数据对应的空间不确定性。
GPR所用的核函数为平方指数核。
进一步地，步骤六中RMSE，MAE和R2具体地计算过程如下：
式中：Oi为第i个站点的站点计算值；Ei为第i个站点的模型模拟值；n为参与验证的站点数；
为站点值的平均值
本发明的有益效果是：本发明的方法生成高精度高空间分辨率的干旱指数SPI空间分布，用于气象干旱的评估，提升干旱监测的精度。
附图说明
图1是基于机器学习的气象干旱指数SPI构建方法的工作流程示意图。
图2为基于测试点对比本发明提出的算法计算的SPI和利用单独降雨产品计算的SPI的RMSE值。
图3为利用历史干旱时间验证本发明计算SPI识别干旱事件的准确性。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图及实施例，对本发明进行进一步详细说明。但是应该理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
在本发明的描述中，需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。
在本发明的描述中，需要说明的是，术语“中心”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。“若干”的含义是一个或一个以上，除非另有明确具体的限定。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
基于机器学习的气象干旱指数SPI构建方法，参阅图1，具体包括如下具体步骤：
步骤一：获取降雨产品数据，包括；CHIRPS，ERA-5，FLDAS， PERSIANN-CDR和TerraClimate降雨产品数据，降雨产品数据分辨率统一为5566m×5566m，裁剪得到中国区域的数据；从国家气象数据中心获取气象站点实测月降雨数据；本实施例中，数据时间跨度为1983年1月-2020年12月。
步骤二：基于降雨产品数据和气象站点实测降雨数据，计算得到各自的干旱指数SPI，干旱指数SPI数据计算所用的概率密度函数利用Γ分布。
步骤三：基于DEM数据提取坡度、高程，以及地理位置经度、纬度、栅格数据。
步骤四：在本实施例中，将所有指标数据分辨率统一为5566m× 5566m，将栅格数据提取至点，在ArcGIS地统计中将数据分为70％训练集用于模型的训练，30％的测试集用于模型精度的验证。
步骤五：基于GPR算法，构建每个月的模型，构建模型过程中，模型超参数进行贝叶斯优化。
步骤六：利用测试集验证模型精度。本实施例中所用的干旱指数 SPI尺度为12月。
如图2所示，GPR模型生成的干旱指数SPI误差明显减小，精度得到提升。如图3所示，模型能够较为准确的识别历史干旱时间。
验证了模型结果的合理性。
步骤七：利用每月的模型生成每月的多尺度干旱指数SPI空间数据集，本实施例中分辨率为5566m，同时用GPR算法生成干旱指数 SPI数据对应的预测区间，来表示数据的空间不确定性。
步骤二中具体地计算过程如下：
其中，随机变量x表示降水量，α和β分别表示概率密度函数的形状和尺度参数(α>0,β>0)；α和β利用最大似然法进行估计；
其中，n表示气象站点个数；
通过整合概率密度函数以及α和β的估计值，得到累计概率 G(x)；
c0＝2.5155,c1＝0.8028,c2＝0.0103
d1＝1.4327,d2＝0.1892,d3＝0.0013
其中：G(x)>0.5，S＝1；G(x)≤0.5,S＝-1，c和d是实验获取的经验参数。
步骤五中：GPR算法具体如下：
Y＝f(X)+ε
式中：Y为观测值，即Y为模型输出的干旱指数SPI值；f(x)为底层随机函数；x是输入向量；ε为噪声，
观测值Y的先验分布为：
观测值Y和预测值y的联合先验分布为：
式中：K(x,x)＝(κij)是对称正定协方差矩阵，矩阵元素κij通过核函数衡量了xi和xj之间的相关性。K(x*,x)＝K(x,x*)T是测试集x*和训练集x 的协方差矩阵。K(x*,x*)是测试集x*本身的协方差。In是n维的单位矩阵。然后可以得到预测值y的后验分布，
和
分别为预测值y的均值和方差：
利用GPR可以获得置信水平为95％的预测区间
来评估预测值的不确定性。以此获得SPI数据对应的空间不确定性。
GPR所用的核函数为平方指数核。
步骤六中RMSE，MAE和R2具体地计算过程如下：
式中：Oi为第i个站点的站点计算值；Ei为第i个站点的模型模拟值；n为参与验证的站点数；
为站点值的平均值
需要说明的是，尽管在本文中已经对上述各实施例进行了描述，但并非因此限制本发明的专利保护范围。因此，基于本发明的创新理念，对本文所述实施例进行的变更和修改，或利用本发明说明书及附图内容所作的等效结构、等效流程或等效功能变换，直接或间接地将以上技术方案运用在其他相关的技术领域，均包括在本发明专利的保护范围之内。
Claims (5)
1.基于机器学习的气象干旱指数SPI构建方法，其特征在于：包括如下步骤：
步骤一：获取降雨产品数据以及气象站点实测降雨数据；
步骤二：利用降雨产品数据和气象站点实测降雨数据，计算得到降雨产品的干旱指数标准化降水指数以及实测降雨数据的干旱指数标准化降水指数，干旱指数标准化降水指数即干旱指数SPI，干旱指数SPI数据计算所用的概率密度函数利用Γ分布：
步骤三：基于DEM数据提取地形数据包括坡度、高程以及地理数据包括经度、纬度，将地形数据以及地理数据整合形成栅格数据；
步骤四：对地形数据和地理数据进行重采样，统一分辨率，融合降雨产品数据、降雨产品的干旱指数SPI、实测降雨数据、实测降水计算的干旱指数SPI以及地形数据和地理数据，得到融合后的数据集，将融合后的数据集分为测试集和训练集；
步骤五：基于训练集利用机器学习模型分别对每个月的干旱指数SPI构建模型，并且利用贝叶斯算法对模型超参数进行优化；
步骤六：基于测试集，利用RMSE，MAE和R2以及历史干旱事件验证模型的精度；
步骤七：利用构建好的模型生成每月的高分辨率高精度的多尺度干旱指数SPI栅格数据集以及每月的干旱指数SPI栅格数据对应的空间不确定性。
2.根据权利要求1所述的基于机器学习的气象干旱指数SPI构建方法，其特征在于：所述步骤一中的所述降雨产品数据包括CHIRPS，ERA-5，FLDAS，PERSIANN-CDR和TerraClimate降雨产品数据，在所述步骤一中对所述降雨产品数据进行统一空间分辨率。
3.根据权利要求1所述的基于机器学习的气象干旱指数SPI构建方法，其特征在于：所述步骤一中所述气象站点实测降雨数据获取自国家气象数据中心。
4.根据权利要求1所述的基于机器学习的气象干旱指数SPI构建方法，其特征在于：所述步骤二中干旱指数SPI的计算采用典型的Γ分布，具体地计算过程如下：
其中，随机变量x表示降水量，α和β分别表示概率密度函数的形状和尺度参数(α>0,β>0)；α和β利用最大似然法进行估计；
其中，n表示气象站点个数；
通过整合概率密度函数以及α和β的估计值，得到累计概率G(x)；
c0＝2.5155,c1＝0.8028,c2＝0.0103
d1＝1.4327,d2＝0.1892,d3＝0.0013
其中：G(x)>0.5，S＝1；G(x)≤0.5,S＝-1，c和d是实验获取的经验参数。
5.根据权利要求1所述的基于机器学习的气象干旱指数SPI构建方法，其特征在于：所述步骤五中的所述机器学习模型采用的为GPR算法，具体地计算过程如下：
Y＝f(X)+ε
式中：Y为观测值；f(x)为底层随机函数；x是输入向量；ε为噪声，
观测值Y的先验分布为：
观测值Y和预测值y的联合先验分布为：
式中：K(x,x)＝(κij)是对称正定协方差矩阵，矩阵元素κij通过核函数衡量了xi和xj之间的相关性，K(x*,x)＝K(x,x*)T是测试集x*和训练集x的协方差矩阵，K(x*,x*)是测试集x*本身的协方差，In是n维的单位矩阵，然后得到预测值y的后验分布，
和
分别为预测值y的均值和方差：
利用GPR获得置信水平为95％的预测区间
来评估预测值的不确定性，以此获得SPI数据对应的空间不确定性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210819848.1A CN115166874A (zh) | 2022-07-13 | 2022-07-13 | 基于机器学习的气象干旱指数spi构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210819848.1A CN115166874A (zh) | 2022-07-13 | 2022-07-13 | 基于机器学习的气象干旱指数spi构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115166874A true CN115166874A (zh) | 2022-10-11 |
Family
ID=83492938
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210819848.1A Pending CN115166874A (zh) | 2022-07-13 | 2022-07-13 | 基于机器学习的气象干旱指数spi构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115166874A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116451879A (zh) * | 2023-06-16 | 2023-07-18 | 武汉大学 | 一种干旱风险预测方法、系统及电子设备 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140343855A1 (en) * | 2013-05-15 | 2014-11-20 | The Regents Of The University Of California | Drought Monitoring and Prediction Tools |
| CN104851048A (zh) * | 2015-05-28 | 2015-08-19 | 四川农业大学 | 一种复杂山区烤烟适宜移栽期空间分布的确定方法 |
| CN105278004A (zh) * | 2014-07-14 | 2016-01-27 | 国家电网公司 | 一种电网输电线路区段的气象情况分析方法 |
| CN107316095A (zh) * | 2016-09-23 | 2017-11-03 | 武汉大学 | 一种耦合多源数据的区域气象干旱等级预测方法 |
| CN107329938A (zh) * | 2017-06-29 | 2017-11-07 | 北京师范大学 | 一种河流干旱灾害情况预测方法 |
| CN107765347A (zh) * | 2017-06-29 | 2018-03-06 | 河海大学 | 一种高斯过程回归和粒子滤波的短期风速预测方法 |
| CN107977729A (zh) * | 2017-08-28 | 2018-05-01 | 北京师范大学 | 多变量标准化干旱指数设计方法 |
| CN109376913A (zh) * | 2018-09-30 | 2019-02-22 | 北京市天元网络技术股份有限公司 | 降水量的预测方法及装置 |
| CN109375294A (zh) * | 2018-09-18 | 2019-02-22 | 中国水利水电科学研究院 | 一种山区卫星降水数据的降尺度校正方法 |
| 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 |
| CN112668705A (zh) * | 2021-03-17 | 2021-04-16 | 清华大学 | 基于深度学习的干旱指数监测方法及系统 |
-
2022
- 2022-07-13 CN CN202210819848.1A patent/CN115166874A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140343855A1 (en) * | 2013-05-15 | 2014-11-20 | The Regents Of The University Of California | Drought Monitoring and Prediction Tools |
| CN105278004A (zh) * | 2014-07-14 | 2016-01-27 | 国家电网公司 | 一种电网输电线路区段的气象情况分析方法 |
| CN104851048A (zh) * | 2015-05-28 | 2015-08-19 | 四川农业大学 | 一种复杂山区烤烟适宜移栽期空间分布的确定方法 |
| CN107316095A (zh) * | 2016-09-23 | 2017-11-03 | 武汉大学 | 一种耦合多源数据的区域气象干旱等级预测方法 |
| CN107329938A (zh) * | 2017-06-29 | 2017-11-07 | 北京师范大学 | 一种河流干旱灾害情况预测方法 |
| CN107765347A (zh) * | 2017-06-29 | 2018-03-06 | 河海大学 | 一种高斯过程回归和粒子滤波的短期风速预测方法 |
| CN107977729A (zh) * | 2017-08-28 | 2018-05-01 | 北京师范大学 | 多变量标准化干旱指数设计方法 |
| CN109375294A (zh) * | 2018-09-18 | 2019-02-22 | 中国水利水电科学研究院 | 一种山区卫星降水数据的降尺度校正方法 |
| CN109376913A (zh) * | 2018-09-30 | 2019-02-22 | 北京市天元网络技术股份有限公司 | 降水量的预测方法及装置 |
| 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 |
| CN112668705A (zh) * | 2021-03-17 | 2021-04-16 | 清华大学 | 基于深度学习的干旱指数监测方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116451879A (zh) * | 2023-06-16 | 2023-07-18 | 武汉大学 | 一种干旱风险预测方法、系统及电子设备 |
| CN116451879B (zh) * | 2023-06-16 | 2023-08-25 | 武汉大学 | 一种干旱风险预测方法、系统及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220043182A1 (en) | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data | |
| CN111401602B (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
| CN112800634B (zh) | 耦合干湿状态辨识与多源信息融合的降水估计方法及系统 | |
| CN113032733B (zh) | 基于非线性分类回归分析的遥感降雨误差校正方法及系统 | |
| Bargaoui et al. | Seasonal precipitation variability in regional climate simulations over Northern basins of Tunisia. | |
| Gyalistras | Development and validation of a high-resolution monthly gridded temperature and precipitation data set for Switzerland (1951-2000) | |
| Turco et al. | Assessing gridded observations for daily precipitation extremes in the Alps with a focus on northwest Italy | |
| CN107688906A (zh) | 多方法融合的输电线路气象要素降尺度分析系统及方法 | |
| CN113901384A (zh) | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 | |
| Propastin et al. | Reducing uncertainty in modeling the NDVI-precipitation relationship: a comparative study using global and local regression techniques | |
| CN112699951A (zh) | 降水数据融合方法、装置、终端设备及可读存储介质 | |
| CN115357847A (zh) | 一种基于误差分解的日尺度星地降水融合方法 | |
| CN114936201A (zh) | 基于自适应分块神经网络模型的卫星降水数据校正方法 | |
| CN115166874A (zh) | 基于机器学习的气象干旱指数spi构建方法 | |
| CN113901348A (zh) | 一种基于数学模型的钉螺分布影响因素识别与预测方法 | |
| Roux et al. | Use of parameter optimization to estimate a flood wave: Potential applications to remote sensing of rivers | |
| Wardah et al. | Radar rainfall estimates comparison with kriging interpolation of gauged rain | |
| CN109828270B (zh) | 一种表征地面沉降时序演变的方法 | |
| Abd Aziz et al. | Assessing the effects of DEM uncertainty on erosion rate estimation in an agricultural field | |
| CN109948175B (zh) | 基于气象数据的卫星遥感反照率缺失值反演方法 | |
| Persson et al. | Spatial influence of topographical factors on yield of potato (Solanum tuberosum L.) in central Sweden | |
| Xu et al. | Estimating surface soil moisture from satellite observations using machine learning trained on in situ measurements in the continental US | |
| Wang et al. | Spatial uncertainty analysis when mapping natural resources using remotely sensed data | |
| CN113177702B (zh) | 一种气象输入数据匹配方法及系统 | |
| Immerzeel | Bias correction for satellite precipitation estimation used by the MRC Mekong flood forecasting system |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221011 |