CN115639979B - 基于随机森林回归模型的高分辨率spei数据集开发方法 - Google Patents
基于随机森林回归模型的高分辨率spei数据集开发方法 Download PDFInfo
- Publication number
- CN115639979B CN115639979B CN202211123216.8A CN202211123216A CN115639979B CN 115639979 B CN115639979 B CN 115639979B CN 202211123216 A CN202211123216 A CN 202211123216A CN 115639979 B CN115639979 B CN 115639979B
- Authority
- CN
- China
- Prior art keywords
- spei
- precipitation
- data
- random forest
- resolution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 23
- 238000011161 development Methods 0.000 title claims abstract description 11
- 238000001556 precipitation Methods 0.000 claims description 46
- 230000005855 radiation Effects 0.000 claims description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical class O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000011160 research Methods 0.000 claims description 10
- 230000008020 evaporation Effects 0.000 claims description 9
- 238000001704 evaporation Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000004907 flux Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 4
- 238000009736 wetting Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 239000007787 solid Substances 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
Abstract
本发明属于高分辨率地球系统科学数据集开发领域,公开一种基于随机森林回归模型的高分辨率SPEI数据集开发方法,该方法结合气象站点数据、GPM遥感降水数据、MODIS地表温度数据、ERA5‑Land短波辐射数据以及SRTM数字高程模型数据,通过构建SPEI指数与降水、地表温度、短波辐射和高程之间的时空关系预测目标区域不同时间尺度SPEI指数的空间格局。本发明充分利用了随机森林在模型预测中精度高且避免过度拟合的优势,通过将站点数据与遥感和再分析数据同时输入模型训练的方法,解决了已有SPEI数据集与站点数据不匹配以及空间分辨率低的问题,有效提高了SPEI数据集空间分辨率。
Description
技术领域
本发明涉及高分辨率地球系统科学数据集开发技术领域,尤其涉及一种基于随机森林回归模型的高分辨率SPEI数据集开发方法。
背景技术
干旱灾害通常被定义为由降水不足和温度异常等极端气候条件导致的一系列水文不平衡现象。目前,干旱灾害被认为是世界上最复杂、最难以理解且无法通过科学手段准确预测的自然灾害。近几十年来,在全球气候变暖背景下,由极端气候条件导致的干旱灾害越来越频发,给全球自然环境和人类社会带来了极大影响,这引起了国际社会对干旱灾害的高度关注。因此,利用科学的方法准确识别干旱事件的发生、发展以及结束时间至关重要,这对深入探索干旱灾害发生的原因及其对生态环境的不利影响对预防和治理干旱灾害具有重要现实意义。
利用合理的干旱指数可以有效识别干旱事件的发生过程。目前,科学家们已经开发了大量的干旱指数,其中,最广泛使用的干旱指数包括帕尔默干旱指数(PDSI),标准化降水指数(SPI)以及标准化降水蒸散指数(SPEI)。虽然PDSI和SPI指数已受到国际社会的广泛认同,但它们仍然存在一些局限性。例如:SPI指数只考虑了降水信息,忽略了蒸散发对区域干湿变化的影响;尽管PDSI指数综合考虑了降水和蒸散发与干旱的相互关系,但由于其计算方法严重依赖于数据校准而缺乏空间上的可比性特征。与PDSI和SPI指数相比,SPEI指数不仅考虑了降水和蒸散发对干旱的综合影响,而且在时间和空间上具有更好的可比性特点。因此,利用SPEI指数能够更精确地分析气候变化背景下国家尺度上干旱的时空演变特征。
目前,国际上已有的SPEI数据集仍然存在空间分辨率低和时空不连续的问题,虽然这些数据集可以有效识别干旱事件的发生过程,但他们仍然更适用于干旱事件的定性分析。基于概率统计的方法对干旱事件进行量化分析时,这些低空间分辨率和时空不连续数据会导致过大的误差。
发明内容
本发明针对已有SPEI数据集与站点数据不匹配以及空间分辨率低的问题,提出一种基于随机森林回归模型的高分辨率SPEI数据集开发方法,结合气象站点数据、遥感数据、再分析数据以及随机森林回归模型,开发了2001-2020年中国1km空间分辨率标准化降水蒸散指数(SPEI)数据集,为干旱的深入研究奠定坚实的基础。
为了实现上述目的,本发明采用以下技术方案:
一种基于随机森林回归模型的高分辨率SPEI数据集开发方法,包括:
步骤1:通过国家气象科学数据中心获取研究期目标区域每日气象站点信息并利用Python编程语言技术去除错误观测值,最终把每日气象信息转化为每月气象信息;
步骤2:基于步骤1所得每月气象信息,根据FAO Penman-Monteith公式计算站点上每月潜在蒸散发(PET)信息;
步骤3:根据步骤1得到的降水信息和步骤2得到的潜在蒸散发信息计算降水和潜在蒸散发差值(降水-潜在蒸散发),并构建多种时间尺度(如1个月、3个月、6个月、9个月、12个月、24个月)的降水和潜在蒸散发累积差值时间序列;
步骤4:根据步骤3得到的降水和潜在蒸散发差值在不同时间尺度上的累积差值时间序列信息计算站点位置不同时间尺度的标准化降水蒸散指数SPEI(如SPEI-1、SPEI-3、SPEI-6、SPEI-9、SPEI-12、SPEI-24,分别对应1个月、3个月、6个月、9个月、12个月、24个月);
步骤5:基于Google Earth Engine(GEE)云平台获取GPM降水、MODIS地表温度、ERA5-Land短波辐射和SRTM数字高程模型(DEM)数据并对MODIS地表温度数据进行去云处理;
步骤6:去除步骤5得到的降水、地表温度、短波辐射数据的季节性并转化为月数据,进而利用双立方插值算法将降水、地表温度、短波辐射和高程数据的空间分辨率重采样为1km;
步骤7:由步骤4得到的不同时间尺度的SPEI指数信息分别跟步骤6中降水、地表温度、短波辐射、高程数据在站点位置的数据值组成样本点;
步骤8:根据步骤7中得到的样本点构建随机森林回归模型,其中,随机选取80%的样本点作为训练样本,20%的样本点作为测试样本;
步骤9:将步骤6中得到的降水、地表温度、短波辐射和高程数据输入步骤8中构建的随机森林回归模型进行预测,得到研究期目标区域1km空间分辨率标准化降水蒸散指数(SPEI)数据集。
进一步地,所述步骤2中,按照如下方式计算站点位置潜在蒸散发(PET)信息:
其中Δ为饱和水汽压与温度间关系曲线的斜率,Rn为净辐射,G为土壤热通量,γ为湿度计常数,T为温度,μ2为平均风速,ea为饱和水汽压,ed为实际水汽压。
进一步地,所述步骤4中,按照如下方式计算SPEI指数:
P=1-F(x),if F(x)≤0.5
P=F(x),if F(x)>0.5
其中f(x)为概率密度函数,F(x)为概率分布函数,α为尺度参数,β为形状参数,γ为位置参数,c0、c1、c2、d1、d2、d3为大于零的常数,P为中间参数。
进一步地,所述步骤5中,按照如下方式进行去云处理:
利用质量波段去云算法去除卫星影像中存在的云、云阴影、卷云和冰/雪覆盖观测值,获得高质量卫星影像数据集。
与现有技术相比,本发明具有的有益效果:
(1)本发明具有运算速度快、预测精度高和抗过度拟合的特点;
(2)本发明充分利用了气象站点观测数据、遥感数据和再分析数据,保证了SPEI指数计算的准确性,生成的SPEI数据集可以准确地识别区域干旱事件的发生时间、发展过程以及结束时间,对干旱的监测和识别研究的进一步深入具有指导意义;
(3)本发明开发的SPEI数据集具有更高的空间分辨率,可以对干旱在空间分布中的细节特征进行更精细化的描绘,为干旱事件的精确识别和量化研究奠定了基础。
附图说明
图1为本发明实施例一种基于随机森林回归模型的高分辨率SPEI数据集开发方法的流程图;
图2为本发明实施例生成的交叉验证结果图;
图3为本发明实施例生成的SPEI时间序列变化曲线图;
图4为本发明实施例生成的2015年每月SPEI空间分布图;
图5为本发明实施例生成的SPEI空间精度评价图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的解释说明:
如图1所示,一种基于随机森林回归模型的高分辨率SPEI数据集开发方法,包括:
步骤S1:通过国家气象科学数据中心获取研究期目标区域每日气象站点信息并利用Python编程语言技术去除错误观测值,最终把每日气象信息转化为每月气象信息。
步骤S2:基于步骤S1所得每月气象信息,根据FAO Penman-Monteith公式计算站点每月潜在蒸散发(PET)信息;
具体地,潜在蒸散发(PET)的计算公式为:
其中Δ为饱和水汽压与温度间关系曲线的斜率,Rm为净辐射,G为土壤热通量,γ为湿度计常数,T为温度,μ2为平均风速,ea为饱和水汽压,ed为实际水汽压。
步骤S3:根据步骤S1得到的降水信息和步骤S2得到的潜在蒸散发信息计算降水和潜在蒸散发差值(降水-潜在蒸散发),并构建多种时间尺度(如1个月、3个月、6个月、9个月、12个月、24个月)的降水和潜在蒸散发累积差值时间序列;
步骤S4:根据步骤S3得到的降水和潜在蒸散发差值在不同时间尺度上的累积时间序列信息计算站点位置不同时间尺度的标准化降水蒸散指数SPEI(如SPEI-1、SPEI-3、SPEI-6、SPEI-9、SPEI-12、SPEI-24,分别对应1个月、3个月、6个月、9个月、12个月、24个月);
具体地,标准化降水蒸散指数(SPEI)的计算公式为:
P=1-F(x),if F(x)≤0.5
P=F(x),if F(x)>0.5
其中f(x)为概率密度函数,F(x)为概率分布函数,α为尺度参数,β为形状参数,γ为位置参数,c0、c1、c2、d1、d2、d3为大于零的常数,P是为简化公式而设置的中间参数,作为一种可实施方式,c0=2.515517,c1=0.802853,c2=0.010328,d1=1.432788,d2=0.189269,d3=0.001308。
步骤S5:基于Google Earth Engine(GEE)云平台获取GPM降水、MODIS地表温度、ERA5-Land短波辐射和SRTM数字高程模型(DEM)数据并对MODIS地表温度数据进行去云处理;
具体地,按照如下方式对MODIS地表温度数据进行去云处理:
利用质量波段去云算法去除卫星影像中存在的云、云阴影、卷云和冰/雪覆盖观测值,获得高质量卫星影像数据集。
步骤S6:去除步骤S5得到的降水、地表温度、短波辐射数据的季节性并转化为月数据,进而利用双立方插值算法将降水、地表温度、短波辐射和高程数据的空间分辨率重采样为1km;
步骤S7:由步骤S4得到的SPEI指数信息和步骤6中降水、地表温度、短波辐射、高程数据在站点位置的数据值组成样本点;
步骤S8:根据步骤S7中得到的样本点构建随机森林回归模型,其中,随机选取80%的样本点作为训练样本,20%的样本点作为测试样本;
步骤S9:将步骤S6中得到的降水、地表温度、短波辐射和高程数据输入步骤S8中构建的随机森林回归模型进行预测,得到研究期目标区域(作为一种可实施方式,如2001-2020年中国)1km空间分辨率标准化降水蒸散指数(SPEI)数据集。
为验证本发明效果,通过本发明方法,我们生成了中国1km空间分辨率标准化降水蒸散指数(SPEI)数据集在训练样本和测试样本上的交叉验证结果图,如图2所示。在所有样本中,随机选取80%的样本作为训练样本,其交叉验证结果如图2(a)所示;其余20%的样本点作为测试样本,其交叉验证结果如图2(b)所示。由图2可知,本发明采用的随机森林回归模型稳定性好、预测精度高和抗过度拟合,在训练样本中:R2=0.906,ME=0.005,MAE=0.252,RMSE=0.359,在测试样本中:R2=0.59,ME=-0.005,MAE=0.498,RMSE=0.675。通过本发明方法,我们生成了2001-2018年SPEI时间序列变化曲线图,如图3所示。我们分别在中国西北、西南、中部、东北和东南地区选取站点与SPEIbase v.2.6数据集进行时间序列一致性分析;图3中(a)、(b)、(c)、(d)、(e)分别为51567(新疆)、55493(西藏)、53926(甘肃)、50750(黑龙江)、58921(福建)五个站点的SPEI指数时间序列变化曲线,其中,红色曲线代表本发明的计算结果,蓝色曲线代表SPEIbase v.2.6数据集的结果。图3(a)中,本发明得到的SPEI和SPEIbase v.2.6的时间序列变化曲线均表明:2001-2003以及2014-2018年期间,51567站点所在区域处于湿润期,而2004-2013年期间则处于干旱期。图3(b)中,本发明得到的SPEI和SPEIbase v.2.6在2001-2003年期间一致性偏低,2003-2013年期间两种数据时间序列一致性相对较好,而2013年以后,一致性再度降低,虽然两种数据在特定时期内存在不同程度的差异,但它们在整个研究期内的变化趋势却高度相似,对极端干旱事件的捕获能力基本一致,例如:在2006-2007、2009-2010以及2014-2016年期间,两种数据均监测到了该站点(55493,西藏)区域严重的干旱现象。与图3中(a)、(b)相比,图3中(c)、(d)、(e)中53929(甘肃)、50750(黑龙江)、58921(福建)三个站点处,本发明得到的SPEI和SPEIbase v.2.6数据的一致性有明显提高(R>0.7,RMSE<0.9),这主要是因为中国西北和青藏高原地区气象站点分布较少,导致随机森林模型构建时难以获取足够的训练样本,模型稳定性相较于中部、东北和东南地区不确定性更大。通过本发明方法,我们生成了2015年每月SPEI空间分布图,如图4所示。在每一个组图中,上方的图代表本发明的结果,下方的图代表SPEIbase v.2.6的结果。2015年,中国最严重的干旱发生在3月,最湿润的时期为6月。2015年1月,内蒙古中部、辽宁西部和河北地区干旱非常严重;2015年2月,干旱大面积蔓延到中国南部地区,青藏高原、云南、贵州以及东北地区则较湿润;2015年3月,干旱面积达到全年最高值,干旱强度也进一步提升,原本相对湿润的中国西部地区也遭遇到非常严重的干旱灾害;2015年4月,干旱开始逐渐减弱,华北平原地区开始进入湿润状态,干旱严重地区主要分布在内蒙古、新疆、贵州和广东地区;2015年5月,中国东部地区干旱进一步减弱,西部地区虽然仍然处于干旱状况,但干旱强度和面积都有下降;2015年6月,中国全境进入全年最湿润的时期,除青藏高原南部、四川南部、云南及广西地区仍然干旱外,其它地区都进入湿润状态;2015年7月,全年第二轮干旱开启,青藏高原和华北平原地区进入严重干旱状态,新疆地区进入中度干旱状态,东南地区由于降水量增加进入湿润期;2015年8月,青藏高原和华北平原的干旱向中部地区蔓延,形成一条由西南向东北方向延伸的干旱带,东南地区仍然处于湿润期;2015年9月,干旱带进一步向东北地区蔓延,青藏高原地区干旱进一步加剧;2015年10月,青藏高原地区的干旱明显减弱,新疆地区也进入湿润期,干旱主要集中于青藏高原、青海和甘肃地区;2015年11月,青藏高原地区干旱再次加剧,其它地区进入湿润期;2015年12月,青藏高原地区干旱面积进一步扩大,而干旱强度有所减弱,其它地区干湿状况无明显变化。本发明得到的SPEI数据集与SPEIbase v.2.6数据集在空间分布上的高度一致性充分说明了本发明方法的可靠性。通过本发明方法,我们生成了SPEI空间精度评价结果图,如图5所示。图5中(a)、(b)、(c)、(d)分别为本发明结果与SPEIbase v.2.6的Pearson相关系数(R)、平均误差(ME)、平均绝对误差(MAE)、均方根误差(RMSE)的空间分布图。由图5(a)可知,本发明生成的SPEI与SPEIbase v.2.6数据集高度相关,除青藏高原西部、新疆南部地区由于站点稀缺导致相关系数低于0.4外,其余地区R值均高于0.6。图5(b)显示的平均误差结果表明,本发明生成的SPEI与SPEIbase v.2.6数据集的平均误差处于-0.5-0.5之间,两种数据集表征的干旱时空格局完全一致。图5中(c)和(d)显示的平均绝对误差和均方根误差的结果与图5(b)中平均误差的结果类似,本发明生成的SPEI与SPEIbase v.2.6数据集的平均绝对误差和均方根误差均小于1,充分说明了本发明生成的SPEI数据集的准确性。
以上所示仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于随机森林回归模型的高分辨率SPEI数据集开发方法,其特征在于,包括:
步骤1:通过国家气象科学数据中心获取研究期目标区域每日气象站点信息并利用Python编程语言技术去除错误观测值,最终把每日气象信息转化为每月气象信息;
步骤2:基于步骤1所得每月气象信息,根据FAO Penman-Monteith公式计算站点上每月潜在蒸散发信息;
步骤3:根据步骤1得到的降水信息和步骤2得到的潜在蒸散发信息计算降水和潜在蒸散发差值,并构建多种时间尺度的降水和潜在蒸散发累积差值时间序列;
步骤4:根据步骤3得到的降水和潜在蒸散发差值在不同时间尺度上的累积差值时间序列信息计算站点位置不同时间尺度的标准化降水蒸散指数SPEI;
步骤5:基于Google Earth Engine云平台获取GPM降水、MODIS地表温度、ERA5-Land短波辐射和SRTM数字高程数据并对MODIS地表温度数据进行去云处理;
步骤6:去除步骤5得到的降水、地表温度、短波辐射数据的季节性并转化为月数据,进而利用双立方插值算法将降水、地表温度、短波辐射和高程数据的空间分辨率重采样为1km;
步骤7:由步骤4得到的不同时间尺度的SPEI指数信息和通过步骤6处理后的降水、地表温度、短波辐射、高程数据在站点位置的数据值组成样本点;
步骤8:根据步骤7中得到的样本点构建随机森林回归模型;
步骤9:将步骤6中得到的降水、地表温度、短波辐射和高程数据输入步骤8中构建的随机森林回归模型进行预测,得到研究期目标区域1km空间分辨率SPEI数据集。
5.根据权利要求1所述的基于随机森林回归模型的高分辨率SPEI数据集开发方法,其特征在于,所述步骤5中,按照如下方式进行去云处理:
利用质量波段去云算法去除卫星影像中存在的云、云阴影、卷云和冰雪覆盖观测值,获得高质量卫星影像数据集。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211123216.8A CN115639979B (zh) | 2022-09-15 | 2022-09-15 | 基于随机森林回归模型的高分辨率spei数据集开发方法 |
US18/467,764 US20240094436A1 (en) | 2022-09-15 | 2023-09-15 | High-resolution standardized precipitation evapotranspiration index dataset development method based on random forest regression model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211123216.8A CN115639979B (zh) | 2022-09-15 | 2022-09-15 | 基于随机森林回归模型的高分辨率spei数据集开发方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115639979A CN115639979A (zh) | 2023-01-24 |
CN115639979B true CN115639979B (zh) | 2023-05-30 |
Family
ID=84941528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211123216.8A Active CN115639979B (zh) | 2022-09-15 | 2022-09-15 | 基于随机森林回归模型的高分辨率spei数据集开发方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240094436A1 (zh) |
CN (1) | CN115639979B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116011349B (zh) * | 2023-03-07 | 2024-01-19 | 长安大学 | 一种近地表气温的估算方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357811A (zh) * | 2022-03-21 | 2022-04-15 | 中山大学 | 长历时旱涝事件的确定方法、装置和设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316095B (zh) * | 2016-09-23 | 2020-09-11 | 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 |
CN110738252B (zh) * | 2019-10-14 | 2020-08-14 | 广州地理研究所 | 空间自相关的机器学习卫星降水数据降尺度方法、系统 |
CN110909933B (zh) * | 2019-11-20 | 2020-07-17 | 北京师范大学 | 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法 |
CN112734244B (zh) * | 2021-01-14 | 2021-09-14 | 中国科学院地理科学与资源研究所 | 一种基于饱和水汽压差的干旱指数计算方法 |
CN113569488A (zh) * | 2021-08-04 | 2021-10-29 | 中国科学院地理科学与资源研究所 | 一种基于随机森林回归的体感温度预测方法及系统 |
-
2022
- 2022-09-15 CN CN202211123216.8A patent/CN115639979B/zh active Active
-
2023
- 2023-09-15 US US18/467,764 patent/US20240094436A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357811A (zh) * | 2022-03-21 | 2022-04-15 | 中山大学 | 长历时旱涝事件的确定方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115639979A (zh) | 2023-01-24 |
US20240094436A1 (en) | 2024-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751094B (zh) | 一种基于gee综合遥感影像和深度学习方法的作物估产方法 | |
Cao et al. | A 30-meter terrace mapping in China using Landsat 8 imagery and digital elevation model based on the Google Earth Engine | |
Bai et al. | Image processing of radar mosaics for the climatology of convection initiation in South China | |
CN109800921B (zh) | 基于遥感物候同化和粒子群优化的区域冬小麦估产方法 | |
Luo et al. | Gridded hourly precipitation analysis from high-density rain gauge network over the Yangtze–Huai Rivers basin during the 2007 mei-yu season and comparison with CMORPH | |
CN114387516B (zh) | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 | |
CN115639979B (zh) | 基于随机森林回归模型的高分辨率spei数据集开发方法 | |
Gou et al. | Analysis of the desertification dynamics of sandy lands in Northern China over the period 2000–2017 | |
Zhang et al. | Comprehensive evaluation of mainstream gridded precipitation datasets in the cold season across the Tibetan Plateau | |
CN112329265A (zh) | 卫星遥感降水精细化空间估算方法及系统 | |
Lin et al. | Performance evaluation, error decomposition and Tree-based Machine Learning error correction of GPM IMERG and TRMM 3B42 products in the Three Gorges Reservoir Area | |
CN114297578A (zh) | 一种基于遥感的草地植被覆盖度估算及预测方法 | |
CN116518935A (zh) | 一种水稻种植分布及种植强度识别方法、装置及设备 | |
Ma et al. | Reducing the statistical distribution error in gridded precipitation data for the Tibetan Plateau | |
CN115808727A (zh) | 百米级阵风客观预报方法及装置 | |
Niu et al. | A 30-m annual maize phenology dataset from 1985 to 2020 in China | |
Ma et al. | Prediction of vegetation phenology with atmospheric reanalysis over semiarid grasslands in Inner Mongolia | |
Lou et al. | An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data | |
CN113570273B (zh) | 一种灌溉耕地统计数据的空间化方法及系统 | |
Feng et al. | Merging and downscaling soil moisture data from CMIP6 projections using deep learning method | |
Liu et al. | Estimation of terrestrial net primary productivity in China from Fengyun-3D satellite data | |
Ait El Haj et al. | Monitoring land use and land cover changes using remote sensing techniques and the precipitation-vegetation indexes in Morocco | |
Zhao et al. | Cropland abandonment mapping at sub-pixel scales using crop phenological information and MODIS time-series images | |
CN116861298A (zh) | 一种无资料地区的流域水文模型参数估计方法 | |
Qin et al. | How do snow cover fraction change and respond to climate in Altai Mountains of China? |
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 |