CN117390580A - 一种综合多特征的海洋热浪遥感识别方法 - Google Patents

一种综合多特征的海洋热浪遥感识别方法 Download PDF

Info

Publication number
CN117390580A
CN117390580A CN202311402303.1A CN202311402303A CN117390580A CN 117390580 A CN117390580 A CN 117390580A CN 202311402303 A CN202311402303 A CN 202311402303A CN 117390580 A CN117390580 A CN 117390580A
Authority
CN
China
Prior art keywords
remote sensing
ocean thermal
ocean
thermal wave
comprehensive
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
Application number
CN202311402303.1A
Other languages
English (en)
Inventor
苏华
陈应靓
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.)
Fuzhou University
Original Assignee
Fuzhou 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 Fuzhou University filed Critical Fuzhou University
Priority to CN202311402303.1A priority Critical patent/CN117390580A/zh
Publication of CN117390580A publication Critical patent/CN117390580A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提供一种综合多特征的海洋热浪遥感识别方法，该方案包括以下步骤：步骤S1：获取海洋表面多源遥感观测数据并进行预处理，得到格点化海表温度数据以及时空参量；步骤S2：选用最新的气候基准期计算气候态，同时剔除格网点海洋表面温度数据的异常值；步骤S3：根据热浪定义预设识别条件，筛选出符合定义的海洋热浪事件；步骤S4：基于单一性指标特征，通过多特征融合方法构建海洋热浪综合识别模型；步骤S5：结合不同来源的海表温度数据进行调参优化，进一步建立海洋热浪综合变化长时序遥感数据集。本发明提出了海洋热浪监测的可综合性，在海洋遥感及气候变化领域有较高的应用价值。

Description

一种综合多特征的海洋热浪遥感识别方法
技术领域
本发明属于遥感信息处理与应用技术领域，具体涉及一种综合多特征的海洋热浪遥感识别方法。
背景技术
全球变暖背景下，海洋和大气的暖化进一步放大了极端天气和气候事件的发生频率，导致发生极端暖事件增多，极端冷事件减少，尤其是海洋热浪事件愈发频繁。过去对海洋热浪事件的评估仅限于简单的独立指标，仅仅描述海洋热浪某方面的特征，无法满足多尺度综合观测的需求。如何更好的研发具有直观关键信息的全球海洋热浪数据，对于准确监测海洋热浪事件、了解和评估其影响与发展等研究至关重要。
发明内容
有鉴于此，针对现有技术存在的空白和不足，本发明的目的在于提供一种综合多特征的海洋热浪遥感识别方法，结合遥感观测数据实现海洋热浪多属性特征的综合识别，克服单一监测短板。
其立足海洋遥感面向全球海洋热浪，利用多源遥感的高分辨率观测数据，结合海洋热浪的多重单一特征，搭建海洋热浪综合识别框架。结合不同模型的数据集通过量化对比与调参优化，构建海洋热浪综合指数，建立新的全球海洋热浪综合变化长时序遥感数据集。该方法能实现直接有效的全球海洋热浪时空演变综合监测。创新构建综合多特征的海洋热浪遥感识别方法，克服单一性指标的监测短板，有效说明全球海洋热浪的多尺度变化过程，为海洋暖化与气候变异研究提供一种新的综合视角的海洋热浪遥感数据集，相关成果可为气候变化和可持续发展的提供数据支持。
该方案包括以下步骤：步骤S1：获取海洋表面多源遥感观测数据并进行预处理，得到格点化海表温度数据以及时空参量；步骤S2：选用最新的气候基准期计算气候态，同时剔除格网点海洋表面温度数据的异常值；步骤S3：根据热浪定义预设识别条件，筛选出符合定义的海洋热浪事件；步骤S4：基于单一性指标特征，通过多特征融合方法构建海洋热浪综合识别模型；步骤S5：结合不同来源的海表温度数据进行调参优化，进一步建立海洋热浪综合变化长时序遥感数据集。本发明提出了海洋热浪监测的可综合性，在海洋遥感及气候变化领域有较高的应用价值。
本发明解决其技术问题具体采用的技术方案是：
一种综合多特征的海洋热浪遥感识别方法，其特征在于，包括以下步骤：
步骤S1：获取海洋表面多源遥感观测数据并进行预处理，得到格点化海表温度数据以及时空参量；
步骤S2：选用最新的气候基准期以计算气候态，并剔除格网点海洋表面温度数据的异常值；
步骤S3：根据热浪定义预设识别条件，筛选出符合定义的海洋热浪事件；
步骤S4：计算单一指标，通过多特征融合方法构建海洋热浪综合识别模型；
步骤S5：结合不同来源的海表温度数据进行调参优化，以进一步建立海洋热浪综合变化长时序遥感数据集。
进一步地，步骤S1具体为：
步骤S11：获取海洋海表多源遥感观测日尺度数据，包括OISST V2、MGDSST、GLORYS2V4，参量包括海表温度数据SST；经度LON；纬度LAT；时间DOY；
步骤S12：将所有海表遥感观测数据的空间分辨率利用最近邻插值方法统一为0.25°×0.25°，时间分辨率统一为每日，并进行空间范围统一化处理；
步骤S13：将得到的所有参量均进行归一化处理。
进一步地，步骤S2具体为：
步骤S21：选用近三十年为气候基准期计算得到气候态平均值；
步骤S22：统计所有数据的不同点位不同时相的极值，并剔除异常值。
进一步地，步骤S3具体为：
步骤S31：根据百分位预设海洋热浪阈值，筛选大于海洋热浪阈值的温度格点；
步骤S32：设定最短的持续时间，且事件期间海表温度固定不低于海洋热浪阈值的日数，筛选出符合定义的海洋热浪事件。
进一步地，步骤S4具体为：
步骤S41：获取具有代表性的海洋热浪事件的单一性指标，包括持续时间D、类别N和最大强度I；
步骤S42：使用多特征融合的方法对单一指标进行综合，得到海洋热浪综合指数HWCI识别模型：
其中，i＝1，...，n，表示不同类别的海洋热浪过程，以系数N为权重；j＝1，...，m，表示第i类海洋热浪事件持续的第j日；d表示事件过程的持续时间权重；Ii，j表示第i类海洋热浪事件中第j日的最大海表温度异常，即当日的最大强度；D为事件的持续影响天数，t为事件所属年份的总日数；横跨年的事件以首日出现的年为准；
如果以区域为研究单位进行长时序监测，则采用如下形式：
其中，k＝1，2，...，K，则
其中，S表示全球格点数，d1表示第一个格点发生的第1次事件的持续时间权重，以此获得HWCI在各海域的分配情况；HWCIk表示格点的贡献值，HWCIk与S的比值表示对应格点的相对贡献值。
进一步地，步骤S5具体为：
步骤S51：获取MGDSST和GLORYS2V4的长时序海表温度遥感观测数据；
步骤S52：将长时序温度数据输入至海洋热浪综合识别模型，量化增长趋势并调整模型参数，对不同级别的事件分等定级；
步骤S53：识别海洋热浪事件并生产综合变化长时序遥感数据集。
相比于现有技术，本发明及其优选方案充分利用现有的丰富的海表温度遥感观测资料。考虑全球变暖的背景特性，选用1991-2020年新气候态基准期，融合单一指标数据特征创新构建海洋热浪综合识别模型，并建立长时序全球海洋热浪综合数据集。与现有海洋热浪指标相比，创新采用多特征融合的方式综合识别海洋热浪事件的多尺度特征，研究表明，HWCI能够较好地综合海洋热浪的单一特征，并有效识别不同等级的海洋热浪事件。本发明可为海洋热浪的影响研究提供数据支撑，有效揭示全球海洋热浪的综合变化。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
图1为本发明实施例的方法流程示意图；
图2为本发明实施例的海洋热浪事件识别结果展示图；
图3为本发明实施例的1982-2021年全球海洋热浪事件的增长趋势图。
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本说明书使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
如图1所示，本发明实施例提供一种综合多特征的海洋热浪遥感识别方法，以下展示其一个具体的应用实例，包括以下步骤：
步骤S1：获取高分辨率全球海洋表面多源遥感观测数据并进行预处理，得到格点化海表温度数据(SST)以及时空参量(经纬度(LON、LAT)、时间(DOY))；
在本实施例中，步骤S1具体为：
步骤S11：获取全球海洋海表多源遥感观测日尺度数据，包括OISST V2、MGDSST、GLORYS2V4，主要参量包括海表温度数据SST(Sea Surface Temperature)，分辨率为0.25°×0.25°；经度LON(Longitude)；纬度LAT(Latitude)；时间DOY(Day ofyear)(当前时相处于一年之中的天数)；
步骤S12：将所有海表遥感观测数据的空间分辨率利用最近邻插值方法统一为0.25°×0.25°，时间分辨率统一为每日，并进行空间范围统一化处理(全球海洋：179.875°W～179.875°E，89.875°S～89.875°N)；
步骤S13：将得到的所有参量(SST、LON、LAT、DOY)均进行归一化处理，归一化至[-1，1]，方便模型拟合。
步骤S2：选用最新的气候基准期计算气候态，同时通过极值检查剔除格网点海洋表面温度数据的异常值；
在本实施例中，步骤S2具体为：
步骤S21：选用WMO公布的最新的气候基准期(1991-2020年)采用11天窗口滑动平均计算得到气候态平均值Tc；
步骤S22：统计全球所有海表温度数据的不同点位(720×1440)不同时相(14610)的极值，通过极值检查剔除异常值。
步骤S3：根据热浪定义预设识别条件，筛选出符合定义的海洋热浪事件；
在本实施例中，步骤S3具体为：
步骤S31：根据传统的热浪识别定义，使用Python抽取1982-2021年各年份的日海表温度数据进行频数分析，预设海洋热浪阈值为1991-2020年气候基准期内的第90个百分位数的海温，筛选大于海洋热浪阈值的所有温度格点；
步骤S32：设定海水异常增暖的最短持续时间为5天，允许事件期间海温短暂地低于阈值但不连续超过2天(即最大间隔)，并将连续标记的对应点记为同一次事件，筛选出符合识别条件的海洋热浪事件。通过使用季节性变化的阈值，而不是固定的年平均阈值，可以有效避免季节变化的影响。
具体公式如下：
MHW＝f(SST，Dmin，Gapmax)
SST＞Tt
Dmin≥5
Gapmax≤2
其中，MHW为方法识别的海洋热浪事件；识别条件中SST为海水异常增暖期间的海表温度；Tt为海洋热浪事件阈值；Dmin为异常增暖的最短持续时间；Gapmax为异常增暖期间SST低于Tt的最大时间间隔。
步骤S4：基于海洋热浪事件的单一性指标特征，通过多特征融合方法构建海洋热浪综合识别模型；
在本实施例中，步骤S4具体为：
步骤S41：定义海洋热浪事件的不同单一性指标，包括持续时间D、类别N和最大强度I。海洋热浪事件的多个指标空间特征对比的具体公式如下：
具体公式如下：
Di＝Die-Dis
其中，第i次海洋热浪事件的持续时间为Di，由结束时间Die与起始时间Dis的时间差计算得到；I表示事件的最大强度；Ti，j表示海洋热浪事件期间第j天的最高海表温度；Tt(i，j)则表示热浪期间第j天的海表温度阈值；N表示海表温度SST与海洋热浪事件阈值Tt的倍数差；ΔT表示Tt与气候态平均值Tc之间的差值。当0＜N≤1，定义为弱海洋热浪事件；当1＜N≤2，定义为中等强度事件；当2＜N≤3，定义为强海洋热浪事件；当3＜N≤4，定义为严重事件；当N＞4，定义为极端事件。
步骤S42：使用多特征融合的方法对单一指标特征进行综合，构建海洋热浪综合指数HWCI得到识别模型。
具体公式如下：
其中，i＝1，...，n，表示不同类别的海洋热浪过程，以系数N为权重；j＝1，...，m，表示第i类海洋热浪事件持续的第j日；d表示该事件过程的持续时间权重；Ii，j表示第i类海洋热浪事件中第j日的最大海表温度异常，即该日的最大强度。D为事件的持续影响天数，t为该事件所属年份的总日数。横跨年的事件以首日出现的年为准；
如果以区域为研究单位进行长时序监测，可以变换为另一种形式：
其中，k＝1，2，...，K，则
其中，S表示全球格点数，而d1表示第一个格点发生的第1次事件的持续时间权重，从而可以看出HWCI在全球各海域的分配情况。HWCIk表示格点的贡献值，则HWCIk与S的比值表示该点的相对贡献值。
步骤S5：结合不同来源的海表温度数据进行调参优化，进一步建立全球海洋热浪综合变化长时序遥感数据集。
在本实施例中，步骤S5具体为：
步骤S51：获取MGDSST和GLORYS2V4的长时序海表温度遥感观测数据，空间分辨率为0.25°×0.25°，时间分辨率为每日；
步骤S52：将长时序温度数据输入至海洋热浪综合识别模型(图2)，量化增长趋势(图3)并调整模型参数。为了更细致地描述不同程度的海洋热浪事件，分析HWCI的概率密度分布趋势，采用自然断点法根据HWCI的数据集聚特征对不同级别的海洋热浪事件进行分类。当0<HWCI≤2，定义为I类弱海洋热浪事件；当2<HWCI≤4，定义为II类中等海洋热浪事件；当4<HWCI≤8，定义为III类强海洋热浪事件；当8<HWCI≤10，定义为IV类严重海洋热浪事件；当HWCI>10，定义为V类极端海洋热浪事件。
步骤S53：识别不同级别的全球海洋热浪事件，并生产1982-2021年共480个月的全球海洋热浪综合变化长时序遥感数据集，生成空间模态图。
本发明提供了一种综合多特征的海洋热浪遥感识别方法，该方法将不同属性的单一指标进行特征融合，有效识别了全球海洋热浪的综合特征，克服单一监测短板，基于遥感观测实现直接有效的全球海洋热浪时空演变综合监测，可为海洋热浪与气候变化的影响研究提供数据支撑。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的一种综合多特征的海洋热浪遥感识别方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。

Claims (6)

1.一种综合多特征的海洋热浪遥感识别方法，其特征在于，包括以下步骤：
步骤S1：获取海洋表面多源遥感观测数据并进行预处理，得到格点化海表温度数据以及时空参量；
步骤S2：选用最新的气候基准期以计算气候态，并剔除格网点海洋表面温度数据的异常值；
步骤S3：根据热浪定义预设识别条件，筛选出符合定义的海洋热浪事件；
步骤S4：计算单一指标，通过多特征融合方法构建海洋热浪综合识别模型；
步骤S5：结合不同来源的海表温度数据进行调参优化，以进一步建立海洋热浪综合变化长时序遥感数据集。
2.根据权利要求1所述的一种综合多特征的海洋热浪遥感识别方法，其特征在于，步骤S1具体为：
步骤S11：获取海洋海表多源遥感观测日尺度数据，包括OISST V2、MGDSST、GLORYS2V4，参量包括海表温度数据SST；经度LON；纬度LAT；时间DOY；
步骤S12：将所有海表遥感观测数据的空间分辨率利用最近邻插值方法统一为0.25°×0.25°，时间分辨率统一为每日，并进行空间范围统一化处理；
步骤S13：将得到的所有参量均进行归一化处理。
3.根据权利要求2所述的一种综合多特征的海洋热浪遥感识别方法，其特征在于，步骤S2具体为：
步骤S21：选用近三十年为气候基准期计算得到气候态平均值；
步骤S22：统计所有数据的不同点位不同时相的极值，并剔除异常值。
4.根据权利要求1所述的一种综合多特征的海洋热浪遥感识别方法，其特征在于，步骤S3具体为：
步骤S31：根据百分位法预设海洋热浪阈值，筛选大于海洋热浪阈值的温度格点；
步骤S32：设定最短的持续时间，且事件期间海表温度固定不低于海洋热浪阈值的日数，筛选出符合定义的海洋热浪事件。
5.根据权利要求1所述的一种综合多特征的海洋热浪遥感识别方法，其特征在于，步骤S4具体为：
步骤S41：获取具有代表性的海洋热浪事件的单一性指标，包括持续时间D、类别N和最大强度I；
步骤S42：使用多特征融合的方法对单一指标进行综合，得到海洋热浪综合指数HWCI识别模型：
其中，i＝1,…,n，表示不同类别的海洋热浪过程，以系数N为权重；j＝1,…,m，表示第i类海洋热浪事件持续的第j日；d表示事件过程的持续时间权重；Ii,j表示第i类海洋热浪事件中第j日的最大海表温度异常，即当日的最大强度；D为事件的持续影响天数，t为事件所属年份的总日数；横跨年的事件以首日出现的年为准；
如果以区域为研究单位进行长时序监测，则采用如下形式：
其中，k＝1,2,…,K，则
其中，S表示全球格点数，d1表示第一个格点发生的第1次事件的持续时间权重，以此获得HWCI在各海域的分配情况；HWCIk表示格点的贡献值，HWCIk与S的比值表示对应格点的相对贡献值。
6.根据权利要求1所述的一种综合多特征的海洋热浪遥感识别方法，其特征在于，步骤S5具体为：
步骤S51：获取MGDSST和GLORYS2V4的长时序海表温度遥感观测数据；
步骤S52：将长时序温度数据输入至海洋热浪综合识别模型，量化增长趋势并调整模型参数，对不同级别的事件分等定级；
步骤S53：识别海洋热浪事件并生产综合变化长时序遥感数据集。
CN202311402303.1A 2023-10-26 2023-10-26 一种综合多特征的海洋热浪遥感识别方法 Pending CN117390580A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311402303.1A CN117390580A (zh) 2023-10-26 2023-10-26 一种综合多特征的海洋热浪遥感识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311402303.1A CN117390580A (zh) 2023-10-26 2023-10-26 一种综合多特征的海洋热浪遥感识别方法

Publications (1)

Publication Number Publication Date
CN117390580A true CN117390580A (zh) 2024-01-12

Family

ID=89438768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311402303.1A Pending CN117390580A (zh) 2023-10-26 2023-10-26 一种综合多特征的海洋热浪遥感识别方法

Country Status (1)

Country Link
CN (1) CN117390580A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117688505A (zh) * 2024-02-04 2024-03-12 河海大学 一种植被大范围区域化负异常的预测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117688505A (zh) * 2024-02-04 2024-03-12 河海大学 一种植被大范围区域化负异常的预测方法及系统
CN117688505B (zh) * 2024-02-04 2024-04-19 河海大学 一种植被大范围区域化负异常的预测方法及系统

Similar Documents

Publication Publication Date Title
Mwangi et al. Forecasting droughts in East Africa
US8849728B2 (en) Visual analytics law enforcement tools
CN107341577A (zh) 一种农作物产量预测方法及系统
CN117390580A (zh) 一种综合多特征的海洋热浪遥感识别方法
CN107480775A (zh) 一种基于数据修复的池塘溶解氧预测方法
US20220308568A1 (en) System and method for monitoring soil gas and performing responsive processing on basis of result of monitoring
Saidi et al. Assessment of trends in extreme precipitation events: a case study in Piedmont (North-West Italy)
JP2016101117A (ja) 情報処理装置及び情報処理方法及びプログラム
CN113221765A (zh) 一种基于数字相机影像有效像元的植被物候期提取方法
Li et al. Outlier detection methods to improve the quality of citizen science data
CN114217025B (zh) 评估空气质量浓度预测中气象数据对其影响的分析方法
Everingham et al. Using southern oscillation index phases to forecast sugarcane yields: a case study for northeastern Australia
CN117191147A (zh) 一种泄洪大坝水位监测预警方法及系统
CN115345488A (zh) 一种湿地生态系统服务评估方法、装置、服务器及介质
Seya et al. Application of model averaging techniques to spatial hedonic land price models
Wheeler et al. Predicting spring phenology in deciduous broadleaf forests: An open community forecast challenge
CN111325384A (zh) 一种结合统计特征和卷积神经网络模型的ndvi预测方法
Harvey Estimation of apprentice and trainee statistics
CN116402376B (zh) 一种基于网络信息安全的数据确权分类系统
CN117708551B (zh) 基于双精度gdp数据展布的洪涝灾害影响评估方法和系统
Daigle et al. Installation and use of a sonar (ARIS explorer 1800) in the Kedgwick River during the 2019 summer
Li et al. Historical Marine Cold Spells in the South China Sea: Characteristics and Trends
Hembach-Stunden et al. False and missed alarms in seasonal forecasts affect individual adaptation choices
Kim Development of examination model of weather factors on garlic yield using big data analysis
CN118098434A (zh) 基于最优gam模型的臭氧浓度定量贡献评估方法

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