CN117132023B - 基于可解释深度学习的区域陆地水储量变化归因分析方法 - Google Patents

基于可解释深度学习的区域陆地水储量变化归因分析方法 Download PDF

Info

Publication number
CN117132023B
CN117132023B CN202311372396.8A CN202311372396A CN117132023B CN 117132023 B CN117132023 B CN 117132023B CN 202311372396 A CN202311372396 A CN 202311372396A CN 117132023 B CN117132023 B CN 117132023B
Authority
CN
China
Prior art keywords
water reserve
land water
reserve change
data
neural network
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
CN202311372396.8A
Other languages
English (en)
Other versions
CN117132023A (zh
Inventor
莫绍星
胡子鸣
施小清
吴吉春
尹鑫
孙媛媛
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.)
Nanjing University
Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
Original Assignee
Nanjing 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 Nanjing University filed Critical Nanjing University
Priority to CN202311372396.8A priority Critical patent/CN117132023B/zh
Publication of CN117132023A publication Critical patent/CN117132023A/zh
Application granted granted Critical
Publication of CN117132023B publication Critical patent/CN117132023B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • 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
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Water Supply & Treatment (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)

Abstract

本发明公开了基于可解释深度学习的区域陆地水储量变化归因分析方法，首先确定研究区以及研究期范围，确定研究区内潜在的水文气象驱动因子，获取研究区内驱动因子的月时间序列数据和陆地水储量变化的月时间序列数据，并将陆地水储量变化数据和水文气象驱动因子数据按平均法统一重采样至空间网格进行重组构建数据样本，划分训练集和测试集，进而训练构建深度神经网络模型；最后，利用SHAP解释算法获得每个空间格点中各驱动因子对陆地水储量变化的贡献度，利用贡献度分析方法进行陆地水储量变化归因分析。本发明刻画了陆地水储量变化和驱动因子之间复杂的非线性映射关系，更准确解释驱动因子对区域陆地水储量变化的贡献和影响机制。

Description

基于可解释深度学习的区域陆地水储量变化归因分析方法
技术领域
本发明涉及水文、遥感和深度学习交叉技术领域，具体为基于可解释深度学习的区域陆地水储量变化归因分析方法。
背景技术
陆地水是地表水、土壤水、冰雪水和地下水等的统称，是保障人类生产生活用水和维持生态安全的重要水资源，也是水文循环的重要组成部分，研究陆地水储量变化并进行归因分析，可以提高对水循环过程的认识，深入揭示降水、蒸发、径流等水文气象驱动因子与水储量变化之间的相互关系和影响机制，为区域水资源优化管理和生态环境保护提供决策参考。
GRACE重力卫星为陆地水储量动态变化观测提供了一种全新的方式，它能连续观测全球范围内水储量的月时间尺度变化，目前已经有许多研究使用GRACE观测的水储量变化数据开展区域水储量变化评估，也有部分学者在此基础上，进一步探索了水储量变化的主要驱动因子。然而，已有的研究多采用线性分析方法，此类方法往往无法准确表征水储量变化与驱动因子之间的复杂非线性关系。
因此，为了刻画表征陆地水储量变化与潜在水文气象驱动因子之间的映射关系，并且解释各因子对水储量变化的相对贡献，本发明发展了一种基于可解释深度神经网络的陆地水储量变化归因分析方法，提高对水储量变化机制和水循环过程的认识，对水资源可持续利用和生态环境保护具有重要意义。
发明内容
本发明的目的在于提供基于可解释深度学习的区域陆地水储量变化归因分析方法，通过构建和应用一种可解释的深度神经网络，有效地识别导致水储量变化的主要因素，解释驱动因子对陆地水储量变化的影响机制，增进对水循环的理解，进而为水资源可持续利用和生态环境保护提供理论基础和技术支撑。
为了解决上述技术问题，本发明提供如下技术方案，基于可解释深度学习的区域陆地水储量变化归因分析方法，步骤包括：
S1、确定研究区以及研究期范围，基于研究区的边界和地理坐标数据，提取研究区内重力卫星GRACE观测的陆地水储量变化月时间序列数据，并确定研究区内潜在的水文气象驱动因子，获取研究区内驱动因子月时间序列数据；
S2、将陆地水储量变化数据和水文气象驱动因子数据按平均法统一重采样至空间网格；
S3、将水文气象驱动数据和目标陆地水储量变化数据进行重组构建数据样本，并划分训练集和测试集；
S4、基于训练数据，以水文气象驱动数据作为输入，陆地水储量变化数据作为输出，训练深度神经网络模型；
基于测试数据，计算训练得到的深度神经网络模型在研究区内每个空间格点的相关系数R和决定系数R 2精度，并以相关系数和决定系数为判别标准对训练的深度神经网络模型进行优化调整，直至深度神经网络模型的预测精度满足R的设定精度和R 2的设定精度β的要求，得到最终的深度神经网络模型；使得到的深度神经网络模型更加精准；
S5、基于最终得到的深度神经网络模型，利用SHAP解释算法获得每个空间格点中各驱动因子对陆地水储量变化的贡献度，进而利用贡献度分析方法进行陆地水储量变归因分析。
其中，陆地水储量变化表示为TWSC，深度神经网络模型可表示为DNN。
根据上述技术方案，所述陆地水储量变化数据为由重力卫星GRACE观测得到的陆地上水资源量总和的变化，所述陆地上水资源包括地表水、地下水、土壤水，冰雪水和植物水。
根据上述技术方案，所述水文气象驱动因子至少包含降水、蒸散发和径流三个变量，降水、蒸散发和径流是区域水储量的主要流入或流出通量，也是影响区域水均衡的重要因素。
根据上述技术方案，将每个月份的陆地水储量变化数据和该月份以及之前11个月的水文气象驱动数据作为一个所述数据样本；
基于所述数据样本，随机生成多个交叉验证样本子集，每个子集样本轮流作为评估深度神经网络预测精度的测试集，剩余子集样本作为深度神经网络的训练集。
根据上述技术方案，所述深度神经网络模型用于学习陆地水储量变化和水文气象驱动因子之间的潜在函数关系，包含一个输入层，若干全连接隐含层和一个输出层，每个隐含层包括线性全连接层，批量归一化，ReLU非线性激活函数和丢弃操作；
所述深度神经网络模型训练时采用的损失函数为：
；
其中，表示重力卫星GRACE观测的陆地水储量变化数据，N表示训练样本数，/>表示为深度神经网络模型预测的陆地水储量变化数据，/>表示为水文气象驱动因子，/>表示为待训练的深度神经网络模型参数。
根据上述技术方案，所述SHAP算法是以最终得到的深度神经网络模型预测值和水文气象驱动因子为输入变量，得到各个水文气象驱动因子对水储量变化的贡献度。
贡献度具体是指SHAP算法中，每个特征都会被分配一个重要性值（也称“SHAP值”），对于每个预测样本，特定特征的SHAP值表示该特征对输出的贡献；SHAP算法将模型的预测结果解释为每个输入驱动因子的贡献度之和：
；
其中，是解释模型，/>是数据集中的一个样本，/>是表示所有训练样本的平均预测值常数，/>是输入特征的数量，/>是每个特征的归因值（即每个特征的重要性），该归因值可以通过以下公式计算：
其中，是所有输入特征的集合，/>是输入特征的数量，/>表示排除特征/>后的所有可能的输入特征集合，/>是仅使用特征子集/>进行预测的结果。
根据上述技术方案，所述贡献度分析方法为基于每个空间格点中各驱动因子对陆地水储量变化的贡献度，通过归一化计算得到各驱动因子的相对贡献度，进而生成水文气象驱动因子相对贡献度空间分布图以及各水文气象驱动因子在不同滞后月份的相对贡献度热图，分析研究区内各个格点水文气象驱动因子相对贡献大小的变化规律以及滞后响应时间实现陆地水储量变化归因分析。
与现有技术相比，本发明所达到的有益效果是：本发明利用一种可解释深度神经网络刻画陆地水储量变化和驱动因子之间复杂的映射关系，并且解释各水文气象驱动因子对水储量变化的相对贡献进而进行陆地水储量变归因分析，从而能够更好地刻画上述非线性映射关系，更准确解释驱动因子对区域陆地水储量变化的贡献和影响机制，提高对水储量变化机制和水循环过程的认识，对水资源可持续利用和生态环境保护具有重要意义
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明基于可解释深度学习的区域陆地水储量变化归因分析方法的步骤流程图；
图2是深度神经网络模型的结构示意图；
图3是深度神经网络模型预测精度评估图；
图4是水文气象驱动因子相对贡献度空间分布图；
图5是各水文气象驱动因子在不同滞后月份对陆地水储量变化的相对贡献度热图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供技术方案，基于可解释深度学习的区域陆地水储量变化归因分析方法的步骤包括：
S1、确定研究区为淮河流域部分区域，研究期为18年（2003.01-2020.12），基于研究区的边界和地理坐标数据，提取研究区内重力卫星GRACE观测的陆地水储量变化月时间序列数据，并确定研究区内潜在的水文气象驱动因子，获取研究区内驱动因子月时间序列数据；
其中，所述陆地水储量变化数据为由重力卫星GRACE观测得到的陆地上水资源量总和的变化，所述陆地上水资源包括地表水、地下水、土壤水，冰雪水和植物水，所述水文气象驱动因子为降水、蒸散发和径流。
S2、将陆地水储量变化数据和水文气象驱动因子数据按平均法统一重采样至空间网格；
S3、将水文气象驱动数据和目标陆地水储量变化数据进行重组构建数据样本，并划分训练集和测试集，具体为将每个月份的陆地水储量变化数据和该月份以及之前11个月的水文气象驱动数据作为一个所述数据样本；
基于数据样本，随机生成多个交叉验证样本子集，每个子集样本轮流作为评估深度神经网络预测精度的测试集，剩余子集样本作为深度神经网络的训练集。
S4、基于训练数据，将降水、蒸散发和径流数据作为输入数据，陆地水储量变化数据作为目标数据，训练深度神经网络模型；深度神经网络模型的结构如图2 所示，输入层的特征数量nk为36，隐含层的神经元数量nh为64。网络训练采用损失函数进行，训练使用的学习率(learning rate)设置为0.0025，丢弃率(dropout rate)设为0.2，样本批大小(batchsize)设置为32，训练轮回(epoch)数设置为80，将随机选取总样本的12.5%作为测试集，其余的作为训练集，采用8折交叉验证方法对模型进行训练。
深度神经网络模型训练时采用的损失函数为：
；
其中，表示重力卫星GRACE观测的陆地水储量变化数据，N表示训练样本数，/>表示为深度神经网络模型预测的陆地水储量变化数据，/>表示为水文气象驱动因子，/>表示为待训练的深度神经网络模型参数。
基于测试数据，计算训练得到的深度神经网络模型在研究区内每个空间格点的相关系数R和决定系数R 2精度，并以相关系数和决定系数为判别标准对训练的深度神经网络模型进行优化调整直至深度神经网络模型的相关系数R大于等于设定精度，决定系数R 2大于等于设定精度/>，得到最终的深度神经网络模型，其最终的深度神经网络模型预测精度如图3所示，相关系数R和决定系数R2分别为0.90和0.79，表明DNN模型能够可靠刻画该区域陆地水储量变化和驱动因子间的函数关系。
S5、基于最终得到的深度神经网络模型，以最终得到的深度神经网络模型预测值和水文气象驱动因子为SHAP解释算法输入变量，获得每个空间格点中各驱动因子对陆地水储量变化的贡献度，通过归一化计算得到各驱动因子的相对贡献度，进而生成水文气象驱动因子相对贡献度空间分布图（图4）并绘制各水文气象驱动因子在不同滞后月份的相对贡献度热图（图5），分析研究区内各个格点水文气象驱动因子相对贡献大小的变化规律以及滞后响应时间实现陆地水储量变化归因分析。
从图4中可以看出，降水和蒸散发是导致研究区陆地水储量变化的主要因素，相对贡献度分别约为45%和35%，这说明降水是研究区水储量主要的补给源，而蒸散发是主要的损失因素。降水在研究区南部的贡献度（超过50%）大于北部，蒸散发则呈相反的规律，相关资料显示研究区南部降水量更高且降水分布更为集中。综合以上可以得出南部地区的水资源供给更容易受到降水变化的影响，在水资源管理和规划中，此类地域差异性需要被考虑，以确保研究区各部分的水资源可持续利用和合理分配。
在图5中研究区按图5中的a所示的编号规则，一共分成25个空间格点，图5中的b的横坐标为各个格点编号，纵坐标中3个驱动因子（降水P、径流RO和蒸散发ET）的数字下标表示陆地水储量变化对驱动因子的滞后响应月份，比如P-k下标的“-k”表示陆地水储量变化对驱动因子P滞后响应k个月，P-k值越大则表示前第k个月的降水对陆地水储量变化的影响越大。
从图5中可以发现P0、P-1和ET-1的贡献度要显著大于其他变量，说明陆地水储量变化对降水的响应滞后时间小于等于一个月，对蒸散发的响应滞后时间在一个月左右，陆地水储量对降水和蒸散发较快的响应速度意味着流域内的陆地水系统对两者的变化较为敏感，对于水资源管理政策，这一发现可以帮助决策者更准确地预测和响应水储量变化，以便更好地管理和保护水资源，特别是在干旱或洪水等极端事件发生时。
值得一提的是，在这本次实施案例中，主要量化和解释了三个水文气候驱动因子（即降水、蒸散发和径流）对陆地水储量变化的相对贡献。当有其他相应的数据集时，比如考虑人类活动对陆地水储量造成的影响的数据集（灌溉用水、工业活动耗水等），只需将此数据集作为本专利使用的可解释深度学习模型的额外输入，即可量化这些驱动因子对水储量变化的影响。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.基于可解释深度学习的区域陆地水储量变化归因分析方法，其特征在于，步骤包括：
S1、确定研究区以及研究期范围，基于研究区的边界和地理坐标数据，提取研究区内重力卫星GRACE观测的陆地水储量变化月时间序列数据，并确定研究区内潜在的水文气象驱动因子，获取研究区内水文气象驱动因子月时间序列数据；
S2、将陆地水储量变化数据和水文气象驱动因子数据按平均法统一重采样至空间网格；
S3、将水文气象驱动数据和目标陆地水储量变化数据进行重组构建数据样本，并划分训练集和测试集；
S4、基于训练数据，以水文气象驱动数据作为输入，陆地水储量变化数据作为输出，训练深度神经网络模型；
基于测试数据，计算训练得到的深度神经网络模型在研究区内每个空间格点的相关系数R和决定系数R 2精度，并以相关系数和决定系数为判别标准对训练的深度神经网络模型进行优化调整，直至深度神经网络模型的预测精度满足R的设定精度和R 2的设定精度β的要求，得到最终的深度神经网络模型；
S5、基于最终得到的深度神经网络模型，利用SHAP解释算法获得每个空间格点中各驱动因子对陆地水储量变化的贡献度，进而利用贡献度分析方法进行陆地水储量变化归因分析。
2.根据权利要求1所述的基于可解释深度学习的区域陆地水储量变化归因分析方法，其特征在于，所述陆地水储量变化数据为由重力卫星GRACE观测得到的陆地上水资源量总和的变化，所述陆地上水资源包括地表水、地下水、土壤水、冰雪水和植物水。
3.根据权利要求1所述的基于可解释深度学习的区域陆地水储量变化归因分析方法，其特征在于，所述水文气象驱动因子至少包含降水、蒸散发和径流三个变量。
4.根据权利要求1所述的基于可解释深度学习的区域陆地水储量变化归因分析方法，其特征在于，将每个月份的陆地水储量变化数据和该月份以及之前11个月的水文气象驱动数据作为一个所述数据样本；
基于所述数据样本，随机生成多个交叉验证样本子集，每个子集样本轮流作为评估深度神经网络预测精度的测试集，剩余子集样本作为深度神经网络的训练集。
5.根据权利要求1所述的基于可解释深度学习的区域陆地水储量变化归因分析方法，其特征在于，所述深度神经网络模型，包含一个输入层，若干全连接隐含层和一个输出层，每个隐含层包括线性全连接层，批量归一化，ReLU非线性激活函数和丢弃操作；
所述深度神经网络模型训练时采用的损失函数为：
；
其中，表示重力卫星GRACE观测的陆地水储量变化数据，N表示训练样本数，表示为深度神经网络模型预测的陆地水储量变化数据，/>表示为水文气象驱动因子，/>表示为待训练的深度神经网络模型参数。
6.根据权利要求1所述的基于可解释深度学习的区域陆地水储量变化归因分析方法，其特征在于，所述SHAP算法是以最终得到的深度神经网络模型预测值和水文气象驱动因子为输入变量，得到各个水文气象驱动因子对水储量变化的贡献度。
7.根据权利要求1所述的基于可解释深度学习的区域陆地水储量变化归因分析方法，其特征在于，所述贡献度分析方法为基于每个空间格点中各驱动因子对陆地水储量变化的贡献度，通过归一化计算得到各驱动因子的相对贡献度，进而生成水文气象驱动因子相对贡献度空间分布图以及各水文气象驱动因子在不同滞后月份的相对贡献度热图，分析研究区内各个格点水文气象驱动因子相对贡献大小的变化规律以及滞后响应时间实现陆地水储量变化归因分析。
CN202311372396.8A 2023-10-23 2023-10-23 基于可解释深度学习的区域陆地水储量变化归因分析方法 Active CN117132023B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311372396.8A CN117132023B (zh) 2023-10-23 2023-10-23 基于可解释深度学习的区域陆地水储量变化归因分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311372396.8A CN117132023B (zh) 2023-10-23 2023-10-23 基于可解释深度学习的区域陆地水储量变化归因分析方法

Publications (2)

Publication Number Publication Date
CN117132023A CN117132023A (zh) 2023-11-28
CN117132023B true CN117132023B (zh) 2024-02-02

Family

ID=88856715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311372396.8A Active CN117132023B (zh) 2023-10-23 2023-10-23 基于可解释深度学习的区域陆地水储量变化归因分析方法

Country Status (1)

Country Link
CN (1) CN117132023B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113887064A (zh) * 2021-10-18 2022-01-04 生态环境部卫星环境应用中心 大尺度地下水储量遥感动态监测及驱动因子定量拆分方法
CN114676621A (zh) * 2022-01-25 2022-06-28 中国空间技术研究院 基于深度学习权重负载提高陆地水储量异常准确性方法
CN116562414A (zh) * 2023-01-04 2023-08-08 国能陕西水电有限公司 一种基于多源水文气象数据的陆地水储量变化预测方法
CN116579224A (zh) * 2023-01-03 2023-08-11 辽宁工程技术大学 基于变量筛选重构模型提高陆地水储量重构准确性方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113887064A (zh) * 2021-10-18 2022-01-04 生态环境部卫星环境应用中心 大尺度地下水储量遥感动态监测及驱动因子定量拆分方法
CN114676621A (zh) * 2022-01-25 2022-06-28 中国空间技术研究院 基于深度学习权重负载提高陆地水储量异常准确性方法
CN116579224A (zh) * 2023-01-03 2023-08-11 辽宁工程技术大学 基于变量筛选重构模型提高陆地水储量重构准确性方法
CN116562414A (zh) * 2023-01-04 2023-08-08 国能陕西水电有限公司 一种基于多源水文气象数据的陆地水储量变化预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于GRACE和GLDAS的塔里木河流域地下水储量演变规律研究;陈丹红 等;《高校地质学报》;第28卷(第6期);第894-901页 *

Also Published As

Publication number Publication date
CN117132023A (zh) 2023-11-28

Similar Documents

Publication Publication Date Title
Stammer et al. Ocean data assimilation in support of climate applications: Status and perspectives
Beven Rainfall-runoff modelling: the primer
Li et al. Vegetation control on water and energy balance within the Budyko framework
Shi et al. Parameter estimation of a physically based land surface hydrologic model using the ensemble Kalman filter: A synthetic experiment
Nayak et al. Rainfall‐runoff modeling through hybrid intelligent system
Lin et al. Time series-based groundwater level forecasting using gated recurrent unit deep neural networks
Buytaert et al. Regionalization as a learning process
Bert et al. Sensitivity of CERES-Maize simulated yields to uncertainty in soil properties and daily solar radiation
CN112668606B (zh) 基于梯度提升机与二次规划的阶跃型滑坡位移预测方法
Chen et al. Assimilating multi-source data into a three-dimensional hydro-ecological dynamics model using Ensemble Kalman Filter
Wooldridge et al. Regional-scale hydrological modelling using multiple-parameter landscape zones and a quasi-distributed water balance model
Lamane et al. Soil water erosion assessment in Morocco through modeling and fingerprinting applications: A review
Amiri et al. Prediction of groundwater level variations using deep learning methods and GMS numerical model
Ojo et al. Artificial neural network models for prediction of net radiation over a tropical region
CN103308956A (zh) 利用云气候学数据预判目标区域未来月平均云量的方法
Triantafyllou et al. Assimilation of ocean colour data into a Biogeochemical Flux Model of the Eastern Mediterranean Sea
Dayal et al. Deep learning for Multi-horizon Water levelForecasting in KRS reservoir, India
Xu et al. A two-step calibration framework for hydrological parameter regionalization based on streamflow and remote sensing evapotranspiration
Oliveira et al. Predicting Groundwater Levels in Ogallala Aquifer Wells Using Hierarchical Cluster Analysis and Artificial Neural Networks
Alizamir et al. Development of a robust daily soil temperature estimation in semi-arid continental climate using meteorological predictors based on computational intelligent paradigms
Kefelegn Mathematical formulations for three components of hydroperiod in tidal wetlands
CN117132023B (zh) 基于可解释深度学习的区域陆地水储量变化归因分析方法
Peeters et al. Conceptual evaluation of continental land-surface model behaviour
Lu et al. Uncertainty quantification of machine learning models to improve streamflow prediction under changing climate and environmental conditions
Hossain et al. A non-linear and stochastic response surface method for Bayesian estimation of uncertainty in soil moisture simulation from a land surface model

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240826

Address after: 210046 Xianlin Avenue 163, Qixia District, Nanjing City, Jiangsu Province

Patentee after: NANJING University

Country or region after: China

Patentee after: NANJING HYDRAULIC Research Institute

Address before: 163 Xianlin Avenue, Qixia District, Nanjing City, Jiangsu Province

Patentee before: NANJING University

Country or region before: China