CN115310370B - 耦合深度学习和物理机制的区域性植被蒸腾预测方法 - Google Patents

耦合深度学习和物理机制的区域性植被蒸腾预测方法 Download PDF

Info

Publication number
CN115310370B
CN115310370B CN202211223868.9A CN202211223868A CN115310370B CN 115310370 B CN115310370 B CN 115310370B CN 202211223868 A CN202211223868 A CN 202211223868A CN 115310370 B CN115310370 B CN 115310370B
Authority
CN
China
Prior art keywords
vegetation
transpiration
model
alpha
deep learning
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
Application number
CN202211223868.9A
Other languages
English (en)
Other versions
CN115310370A (zh
Inventor
黄津辉
陈晗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nankai University
Original Assignee
Nankai University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nankai University filed Critical Nankai University
Priority to CN202211223868.9A priority Critical patent/CN115310370B/zh
Publication of CN115310370A publication Critical patent/CN115310370A/zh
Application granted granted Critical
Publication of CN115310370B publication Critical patent/CN115310370B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Cultivation Of Plants (AREA)

Abstract

本发明公开了一种耦合深度学习和物理机制的区域性植被蒸腾预测方法，基于原始P‑T模型构建了P‑T蒸腾模型，将该模型原始的净辐射通量Rn和P‑T修正系数α替换为植被净辐射通量Rnv和植被修正系数αv；为了准确估计植被修正系数αv，创新性的将植被、土壤和气象参数输入深度神经网络来预测αv，然后将估算的αv导入蒸腾模型计算植被蒸腾量，通过将实测植被蒸腾量与预测的植被蒸腾量进行验证来优化DNN模型中αv的估计。相较于单纯深度学习模型，本发明耦合物理机制的深度学习模型可显著提高在极端气候条件下的植被蒸腾量的模拟精度。这对于准确估算区域植被需水量、指导农田精准灌溉等领域具有重要意义。

Description

耦合深度学习和物理机制的区域性植被蒸腾预测方法
技术领域
本发明属于计算机技术领域，具体涉及一种耦合深度学习和物理机制的区域性植被蒸腾预测方法。
背景技术
陆地蒸散发（Evapotranspiration, ET）是从陆地表面转移到大气中的水，这种水交换通常涉及水的相变，从液体或冰转化为气体。植物蒸腾（Transpiration, T）和土壤蒸发（Evaporation,E）是同时存在的，且植物蒸腾往往比土壤蒸发和水面蒸发更为复杂，它与土壤环境、植物的生理结构以及大气状况有着密切的关系。目前针对不同下垫面的蒸散发估算模型包括水量平衡法、Penman-Monteith公式、Priestley-Taylor模型、能量平衡法等。其中Priestley-Taylor（P-T）模型是1972年Priestley和Taylor在假设无平流的条件下，计算饱和下垫面蒸散发的模型，该模型由于其输入参数少而得到广泛应用。
Priestley-Taylor（P-T）模型是以蒸发水量平衡为基础，在假设不存在平流的前提下，适用于计算饱和下垫面蒸散发的模型。然而P-T公式是无平流的假设条件下提出的，而这在现实情况中很难满足，流域下垫面总是呈现一定的不均匀性，从而导致平流的发生。为消除基本假设所带来的计算误差，原P-T公式中引入修正系数α，在一定程度上反映平流的影响。然而修正系数α具有很大的时空变异性，导致蒸散发的计算结果具有很大的不确定性。
发明内容
本发明的目的在于克服现有技术的不足，提供一种耦合深度学习和物理机制的区域性植被蒸腾预测方法。
本发明是通过以下技术方案实现的：
一种耦合深度学习和物理机制的区域性植被蒸腾预测方法，包括以下步骤：
步骤1，针对被植被覆盖的目标区域，获取该区域的气象、植被和土壤相关参数信息，并得到这些信息所对应的实测植被蒸腾量信息；
步骤2，基于传统P-T蒸散发模型进行改进构建植被蒸腾模型，构建的植被蒸腾模型表示为：，式中，T代表植被蒸腾量；Δ为温度-饱和水汽压曲线斜率；𝛾为干湿表测量常数；αv为植被修正系数；Rnv为植被净辐射通量，Rnv使用比尔定律估算；
步骤3，构建用于预测αv的深度神经网络；
所构建的深度神经网络的输入为步骤1中的目标区域的气象、植被和土壤相关参数，输出的估算结果为植被修正系数αv；将估算的αv带入步骤2构建的植被蒸腾模型，计算得到预测的植被蒸腾量，通过将预测的植被蒸腾量与步骤1中得到的实测植被蒸腾量进行验证来优化深度神经网络；
步骤4，利用步骤3构建好的深度神经网络和步骤2构建的植被蒸腾模型，对被植被覆盖的目标区域的植被蒸腾量进行预测。
在上述技术方案中，步骤1中，获取的气象、植被和土壤相关参数信息，包括：空气温度、地表净辐射通量、风速、相对湿度、饱和水汽压差、二氧化碳浓度、二氧化碳通量、植被高度、叶面积指数和土壤含水率。
在上述技术方案中，步骤1中，利用气象站系统，观测风速、二氧化碳浓度、二氧化碳通量、空气温度、地表净辐射通量、相对湿度、饱和水汽压差；利用植物冠层分析仪，测量植被高度和叶面积指数；利用土壤湿度仪，测量不同层位的土壤含水率。
在上述技术方案中，步骤1中，利用稳定氢氧同位素方法测定植被蒸腾量/总蒸散发量的比率，再根据观测到的总蒸散发量计算得到植被蒸腾量，该植被蒸腾量作为实测的植被蒸腾量。
在上述技术方案中，Rnv使用比尔定律估算，见下式：
，式中，Rn为地表净辐射通量；LAI代表叶面积指数；k代表消光系数；θs代表太阳天顶角。
在上述技术方案中，步骤3中，采用最小二乘法计算预测的植被蒸腾量和步骤1得到的实测植被蒸腾量之间的误差，若误差小于指定精度，则学习结束，并输出此处最佳的权值和阈值；否则将误差信号沿原来连接路径反向传播并逐步调整各层的连接权值和阈值，直到误差小于指定精度为止。
在上述技术方案中，步骤4中，首先，采集当前状态下的目标区域的气象、植被和土壤相关参数信息，包括：空气温度、地表净辐射通量、风速、相对湿度、饱和水汽压差、二氧化碳浓度、二氧化碳通量、植被高度、叶面积指数和土壤含水率；然后，将上述参数输入步骤3构建好的深度神经网络，由深度神经网络输出植被修正系数αv；最后，将该植被修正系数αv带入植被蒸腾模型，再计算出温度-饱和水汽压曲线斜率Δ和植被净辐射通量Rnv，即可计算出当前状态下被植被覆盖的目标区域的植被蒸腾量T。
本发明的优点和有益效果为：
本发明基于原始P-T模型构建了P-T蒸腾模型，将该模型原始的净辐射通量Rn和P-T修正系数α替换为植被净辐射通量Rnv和植被修正系数αv；为了准确估计植被修正系数αv，创新性的将植被、土壤和气象参数输入深度神经网络（DNN）来预测αv，然后将估算的αv导入蒸腾模型计算植被蒸腾量，通过将实测植被蒸腾量与预测的植被蒸腾量进行验证来优化DNN模型中αv的估计。相较于单纯深度学习模型，本发明耦合物理机制的深度学习模型可显著提高在极端气候条件（极端干旱、热浪、低叶面积指数、多云天气）下的植被蒸腾量的模拟精度。这对于准确估算区域植被需水量、指导农田精准灌溉等领域具有重要意义。
此外，需要说明的是，目前现有技术可以利用稳定氢氧同位素方法测定T/ET（植被蒸腾量/总蒸散发量）比率，再利用涡度相关监测设备观测总蒸散发量ET，进而计算得到实际的植被蒸腾量T，这种实测的方法虽然准确，但是要用到昂贵的测试设备，并且需要专业的实验人员在实验室进行实验测定（例如，采用稳定氢氧同位素方法，需要在实验室内进行，测试设备一般在数十万元，非常昂贵）。而本发明的方法，虽然需要采集目标区域的气象、植被和土壤相关参数信息，但是这些信息都是用常规检测装置能够快速检测的，操作简单方便。
附图说明
图1是本发明的耦合深度学习和物理机制的区域性植被蒸腾预测方法的流程图。
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，可以根据以上附图获得其他的相关附图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合具体实施例进一步说明本发明的技术方案。
一种耦合深度学习和物理机制的区域性植被蒸腾预测方法，参见附图1，包括以下步骤：
步骤1，针对被植被覆盖的目标区域，获取该区域的气象、植被和土壤相关参数信息，包括：空气温度、地表净辐射通量、风速、相对湿度、饱和水汽压差、二氧化碳浓度、二氧化碳通量、植被高度、叶面积指数和土壤含水率。以上参数均为强度或通量参数。
具体的讲，利用气象站系统，可以观测风速、二氧化碳浓度、二氧化碳通量、空气温度、地表净辐射通量、相对湿度、饱和水汽压差等信息；利用植物冠层分析仪，可以测量植被高度和叶面积指数；利用土壤湿度仪，可以测量不同层位的土壤含水率。
利用稳定氢氧同位素方法测定T/ET（植被蒸腾量/总蒸散发量）比率，再利用涡度相关监测设备观测总蒸散发量ET，进而计算得到植被蒸腾量T。由于该植被蒸腾量T是通过实测的T/ET比率和实测的ET计算得到的，因此该植被蒸腾量T可以理解为实测的真实值。
步骤2，基于传统P-T蒸散发模型进行改进构建植被蒸腾模型。
传统的P-T蒸散发模型的表达式如下：
（1）
式中，ET为蒸散发量 (mm)；Δ为温度-饱和水汽压曲线斜率(kPa/°C)；𝛾为干湿表测量常数 (kPa/°C)；Rn为地表净辐射通量(W/m2)；G为土壤热通量(W/m2)，远小于Rn，通常被忽略；α为Priestley-Taylor修正系数。
本发明将传统的P-T蒸散发模型中的地表净辐射通量Rn和修正系数α替换为植被净辐射通量Rnv和植被修正系数αv，从而得到新构建的植被蒸腾模型，其表达式为：
（2）
式中，T代表植被蒸腾量 (mm)；Δ为温度-饱和水汽压曲线斜率(kPa/°C)；𝛾为干湿表测量常数 (kPa/°C)；αv为植被修正系数；Rnv为植被净辐射通量(W/m2)；Rnv使用比尔定律估算，见下式（3）：
（3）
式中，Rn为地表净辐射通量(W/m2)；LAI代表叶面积指数(m2/m2)；k代表消光系数；θs代表太阳天顶角。
步骤3，构建用于预测αv的深度神经网络（DNN）
应用步骤2构建的植被蒸腾模型计算目标区域的植被蒸腾量的关键是准确确定植被修正系数αv，对于传统的P-T蒸散发模型而言，其修正系数α通常被设置为1.26或估计为绿色冠层分数、太阳辐射的函数，然而，这些对修正系数的确定方法具有很大的不确定性并且不能应用于各种植被种类和气象条件下的αv估计。为此，本发明创新性地将目标区域的植被、土壤和气象相关参数输入深度神经网络（DNN）来预测αv，并在气象参数数据集中引入了CO2浓度和通量数据，以提高植被蒸腾量的预测准确性。具体的讲，步骤3包括以下步骤。
步骤3.1：构建深度神经网络（Deep Neural Network，DNN），DNN算法是一种按照误差逆向传播训练的多层前馈神经网络，由输入层、隐含层和输出层构成，其中，输入层（S）包含n个节点，隐含层（h）包含H个节点，输出层（r）包含1个节点，从输入节点输入样本的N个特征值，向前传播，隐含层节点的输出为：
（4）
式中w(j,k)示输入层k节点对隐含层j节点的连接权值，x(t,k)表示输入的第t个样本的第k个特征值，b(t,j)为隐含层的阈值，f表示激活函数，选用ReLU函数作为激活函数，计算公式如下：
（5）
输出层节点的输出为：
（6）
式中w(t,j)表示隐含层j节点对输出节点连接权重值，b(t)为输出层的阈值。
步骤3.2：所构建的深度神经网络的输入节点输入样本的N个特征值包括：空气温度、地表净辐射通量、风速、相对湿度、饱和水汽压差、二氧化碳浓度、二氧化碳通量、植被高度、叶面积指数和土壤含水率，输出的估算结果为植被修正系数αv，将估算的αv进一步带入步骤2构建的植被蒸腾模型，计算得到预测的植被蒸腾量。
步骤3.3：通过将步骤3.2得到的预测植被蒸腾量与步骤1得到的实测植被蒸腾量进行验证来优化深度神经网络。具体的讲，本实施例采用最小二乘法计算步骤3.2估算得到的植被蒸腾量和步骤1得到的实测植被蒸腾量的误差E(θ)，若误差小于指定精度，则学习结束，并输出此处最佳的权值和阈值；否则将误差信号沿原来连接路径反向传播并逐步调整各层的连接权值和阈值，直到误差小于指定精度为止。
步骤4，利用步骤3构建好的并且满足预测精度要求的深度神经网络和步骤2构建的植被蒸腾模型，对被植被覆盖的目标区域的植被蒸腾量进行预测。
首先，采集当前状态下的目标区域的气象、植被和土壤相关参数信息，包括：空气温度、地表净辐射通量、风速、相对湿度、饱和水汽压差、二氧化碳浓度、二氧化碳通量、植被高度、叶面积指数和土壤含水率；然后，将上述参数输入步骤3构建好的并且满足预测精度要求的深度神经网络，深度神经网络输出植被修正系数αv；最后，将该植被修正系数αv带入植被蒸腾模型，再计算出温度-饱和水汽压曲线斜率Δ和植被净辐射通量Rnv，即可准确的计算出当前状态下被植被覆盖的目标区域的植被蒸腾量T。
以上对本发明做了示例性的描述，应该说明的是，在不脱离本发明的核心的情况下，任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。

Claims (6)

1.一种耦合深度学习和物理机制的区域性植被蒸腾预测方法，其特征在于，包括以下步骤：
步骤1，针对被植被覆盖的目标区域，获取该区域的气象、植被和土壤相关参数信息，并得到这些信息所对应的实测植被蒸腾量信息；所述获取的气象、植被和土壤相关参数信息，包括：空气温度、地表净辐射通量、风速、相对湿度、饱和水汽压差、二氧化碳浓度、二氧化碳通量、植被高度、叶面积指数和土壤含水率；
步骤2，基于传统P-T蒸散发模型进行改进构建植被蒸腾模型，构建的植被蒸腾模型表示为：式中，T代表植被蒸腾量；Δ为温度-饱和水汽压曲线斜率；γ为干湿表测量常数；αv为植被修正系数；Rnv为植被净辐射通量，Rnv使用比尔定律估算；
步骤3，构建用于预测αv的深度神经网络；
所构建的深度神经网络的输入为步骤1中的目标区域的气象、植被和土壤相关参数，输出的估算结果为植被修正系数αv；将估算的αv带入步骤2构建的植被蒸腾模型，计算得到预测的植被蒸腾量，通过将预测的植被蒸腾量与步骤1中得到的实测植被蒸腾量进行验证来优化深度神经网络；
步骤4，利用步骤3构建好的深度神经网络和步骤2构建的植被蒸腾模型，对被植被覆盖的目标区域的植被蒸腾量进行预测。
2.根据权利要求1所述的耦合深度学习和物理机制的区域性植被蒸腾预测方法，其特征在于：步骤1中，利用涡度相关监测系统，观测风速、二氧化碳浓度、二氧化碳通量；利用气象站系统，观测空气温度、地表净辐射通量、相对湿度、饱和水汽压差；利用植物冠层分析仪，测量植被高度和叶面积指数；利用土壤湿度仪，测量不同层位的土壤含水率。
3.根据权利要求1所述的耦合深度学习和物理机制的区域性植被蒸腾预测方法，其特征在于：步骤1中，利用稳定氢氧同位素方法测定植被蒸腾量/总蒸散发量的比率，再根据观测到的总蒸散发量计算得到植被蒸腾量，该植被蒸腾量作为实测的植被蒸腾量。
4.根据权利要求1所述的耦合深度学习和物理机制的区域性植被蒸腾预测方法，其特征在于：Rnv使用比尔定律估算，见下式：
式中，Rn为地表净辐射通量；LAI代表叶面积指数；k代表消光系数；θs代表太阳天顶角。
5.根据权利要求1所述的耦合深度学习和物理机制的区域性植被蒸腾预测方法，其特征在于：步骤3中，采用最小二乘法计算预测的植被蒸腾量和步骤1得到的实测植被蒸腾量之间的误差，若误差小于指定精度，则学习结束，并输出此处最佳的权值和阈值；否则将误差信号沿原来连接路径反向传播并逐步调整各层的连接权值和阈值，直到误差小于指定精度为止。
6.根据权利要求1所述的耦合深度学习和物理机制的区域性植被蒸腾预测方法，其特征在于：步骤4中，首先，采集当前状态下的目标区域的气象、植被和土壤相关参数信息，包括：空气温度、地表净辐射通量、风速、相对湿度、饱和水汽压差、二氧化碳浓度、二氧化碳通量、植被高度、叶面积指数和土壤含水率；然后，将上述参数输入步骤3构建好的深度神经网络，由深度神经网络输出植被修正系数αv；最后，将该植被修正系数αv带入植被蒸腾模型再计算出温度-饱和水汽压曲线斜率Δ和植被净辐射通量Rnv，即可计算出当前状态下被植被覆盖的目标区域的植被蒸腾量T。
CN202211223868.9A 2022-10-09 2022-10-09 耦合深度学习和物理机制的区域性植被蒸腾预测方法 Active CN115310370B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211223868.9A CN115310370B (zh) 2022-10-09 2022-10-09 耦合深度学习和物理机制的区域性植被蒸腾预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211223868.9A CN115310370B (zh) 2022-10-09 2022-10-09 耦合深度学习和物理机制的区域性植被蒸腾预测方法

Publications (2)

Publication Number Publication Date
CN115310370A CN115310370A (zh) 2022-11-08
CN115310370B true CN115310370B (zh) 2023-08-29

Family

ID=83866128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211223868.9A Active CN115310370B (zh) 2022-10-09 2022-10-09 耦合深度学习和物理机制的区域性植被蒸腾预测方法

Country Status (1)

Country Link
CN (1) CN115310370B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116298184B (zh) * 2022-12-07 2023-11-21 中国科学院南京土壤研究所 一种利用氢氧同位素的农田土壤蒸散水汽运移过程的示踪方法
CN116050163B (zh) * 2023-01-16 2023-08-11 中国科学院新疆生态与地理研究所 一种基于气象站的生态系统碳水通量计算方法及系统
CN118053519B (zh) * 2024-04-16 2024-06-18 南开大学 耦合ResNets和改进CASA模型的区域植被GPP估算方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006345768A (ja) * 2005-06-15 2006-12-28 Kyushu Electric Power Co Inc 蒸発散量算定方法および灌水制御方法
CN111783987A (zh) * 2020-07-14 2020-10-16 中国水利水电科学研究院 基于改进bp神经网络的农田参考作物蒸散量预测方法
CN112163703A (zh) * 2020-09-25 2021-01-01 中国水利水电科学研究院 考虑气象因子不确定性的农田参考作物蒸散量预测方法
CN112529233A (zh) * 2019-09-18 2021-03-19 中国农业大学 一种预测草坪参考作物蒸发蒸腾量的方法
CN114510824A (zh) * 2022-01-11 2022-05-17 兰州大学 同步考虑植被冠层和根系动态变化的区域尺度蒸散发模型的构建方法
CN114970355A (zh) * 2022-06-02 2022-08-30 石河子大学 一种基于交叉验证和神经网络模拟新疆杨蒸腾耗水的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006345768A (ja) * 2005-06-15 2006-12-28 Kyushu Electric Power Co Inc 蒸発散量算定方法および灌水制御方法
CN112529233A (zh) * 2019-09-18 2021-03-19 中国农业大学 一种预测草坪参考作物蒸发蒸腾量的方法
CN111783987A (zh) * 2020-07-14 2020-10-16 中国水利水电科学研究院 基于改进bp神经网络的农田参考作物蒸散量预测方法
CN112163703A (zh) * 2020-09-25 2021-01-01 中国水利水电科学研究院 考虑气象因子不确定性的农田参考作物蒸散量预测方法
CN114510824A (zh) * 2022-01-11 2022-05-17 兰州大学 同步考虑植被冠层和根系动态变化的区域尺度蒸散发模型的构建方法
CN114970355A (zh) * 2022-06-02 2022-08-30 石河子大学 一种基于交叉验证和神经网络模拟新疆杨蒸腾耗水的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于改进BP神经网络的干旱区芦苇腾发量预测模型;苏里坦等;《干旱区地理》;20110731;第34卷(第04期);第551-557页 *

Also Published As

Publication number Publication date
CN115310370A (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN115310370B (zh) 耦合深度学习和物理机制的区域性植被蒸腾预测方法
CN112800636B (zh) 一种估算无资料地区流域地表水资源量的方法及系统
CN108875254A (zh) 一种大气温湿廓线的一维变分反演方法
CN113049750B (zh) 一种基于高通量气孔导度诊断植物水分胁迫的方法及系统
CN112733385B (zh) 基于时变增益模型的水、能、碳耦合数值模拟方法及系统
Shuttleworth Towards one-step estimation of crop water requirements
CN112362693B (zh) 一种基于土壤热通量推求蒸散发量的测算方法和系统
CN104181507A (zh) 一种用于地基微波辐射计的数据处理与控制装置
CN114880933A (zh) 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及系统
CN112699621A (zh) 一种考虑下垫面条件变化的潜在蒸散发估算方法
CN109636677A (zh) 基于模型校准的建筑热工性能评估方法
CN111665218B (zh) 一种提高二氧化碳差分吸收激光雷达反演精度的方法
CN103955607B (zh) 一种提高短波红外卫星二氧化碳反演速度的方法
CN113111529B (zh) 融合数值模式和卫星微波云反演数据的红外亮温模拟方法
CN113361170B (zh) 一种基于蒸发过程的非饱和土水力特性参数数值反演方法
Lu et al. The characteristics and parameterization of aerodynamic roughness length over heterogeneous surfaces
CN109188465A (zh) 基于参考像元信息的区域地表蒸散发遥感估算方法
Zhang et al. Environmental controls on evapotranspiration from sparse grassland in Mongolia
CN111476370A (zh) 草地二氧化碳通量预测方法及装置
CN116681158A (zh) 基于集成极限学习机的参考作物蒸散量预测方法
CN115855272A (zh) 一种生成近实时逐小时全天候地表温度的方法
Li et al. A new approach for parameter optimization in land surface model
Obisesan et al. Evaluation of selected parameterizations of aerodynamic resistance to heat transfer for the estimation of sensible heat flux at a tropical site in Ile-Ife, Nigeria
Nasonova et al. Application of a land surface model for simulating rainfall streamflow hydrograph: 1. Model calibration
CN113742636B (zh) 一种基于气象观测数据和植被指数的流域实际蒸发量估算方法

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