CN117494066A - 长时间时序地上生物量反演量化评价方法 - Google Patents
长时间时序地上生物量反演量化评价方法 Download PDFInfo
- Publication number
- CN117494066A CN117494066A CN202311522370.7A CN202311522370A CN117494066A CN 117494066 A CN117494066 A CN 117494066A CN 202311522370 A CN202311522370 A CN 202311522370A CN 117494066 A CN117494066 A CN 117494066A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- biomass
- inversion
- quantitative evaluation
- 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
- 239000002028 Biomass Substances 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000011158 quantitative evaluation Methods 0.000 title claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 21
- 238000012795 verification Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 16
- 230000001419 dependent effect Effects 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 12
- 238000012417 linear regression Methods 0.000 claims description 11
- 230000036541 health Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000007619 statistical method Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010238 partial least squares regression Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 6
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 239000002689 soil Substances 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 239000004016 soil organic matter Substances 0.000 description 2
- RLNYDAFUTZRAIW-UHFFFAOYSA-N 2-ncdc Chemical compound [O-][N+](=O)C1=CC(C(=O)O)=CC=C1OC(=O)N(C=1C=CC=CC=1)C1=CC=CC=C1 RLNYDAFUTZRAIW-UHFFFAOYSA-N 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种长时间时序地上生物量反演量化评价方法，属于生态学和环境科学技术领域。方法包括如下步骤：S1：数据收集；S2：数据处理；S3：模型建立；S4：模型验证；S5：地上生物量反演；S6：量化评价。本发明考虑了时间序列数据的变化趋势，能够更准确地预测地上生物量的动态变化；能够量化反演结果，为决策者提供更准确的决策依据；能够全面评估地上生物量的动态变化，为生态系统保护、气候变化研究、土地利用和保护政策制定提供有力支持。
Description
技术领域
本发明涉及一种长时间时序地上生物量反演量化评价方法，属于生态学和环境科学技术领域。
背景技术
长时间时序地上生物量反演量化评价是对生态系统健康状况、气候变化影响以及土地利用和保护政策效果进行评估的重要手段。然而，现有的地上生物量反演方法存在一些问题，如无法考虑时间序列数据的变化趋势，无法准确量化反演结果，无法全面评估地上生物量的动态变化等。因此，开发一种新的长时间时序地上生物量反演量化评价方法是非常必要的。
发明内容
为解决背景技术中存在的问题，本发明提供一种长时间时序地上生物量反演量化评价方法。
实现上述目的，本发明采取下述技术方案：一种长时间时序地上生物量反演量化评价方法，所述方法包括如下步骤：
S1：数据收集；
S2：数据处理；
S3：模型建立；
S4：模型验证；
S5：地上生物量反演；
S6：量化评价。
与现有技术相比，本发明的有益效果是：
本发明考虑了时间序列数据的变化趋势，能够更准确地预测地上生物量的动态变化；能够量化反演结果，为决策者提供更准确的决策依据；能够全面评估地上生物量的动态变化，为生态系统保护、气候变化研究、土地利用和保护政策制定提供有力支持。
具体实施方式
下面将对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是发明的一部分实施例，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。
一种长时间时序地上生物量反演量化评价方法，所述方法包括如下步骤：
S1：数据收集；
所述数据收集为收集长时间序列的地面观测数据，包括生态系统中的植被指数数据、气象数据以及土壤参数数据等。
植被指数是一种用于评估植被生长状况和生物量的指标，通常通过遥感技术获取。长时间序列的所述植被指数数据的收集方式包括：
从卫星遥感数据中提取；许多卫星都提供了长时间序列的植被指数数据，如NDVI（归一化差值植被指数）。这些数据可以通过访问相关的卫星数据服务网站或使用遥感软件进行下载。
从地面观测站获取；一些地面观测站会定期采集植被指数数据，如森林、草原和农田等生态系统中的样方观测数据。这些数据可以通过访问相关网站或与当地科研机构联系获取。
从公开的数据共享平台获取。许多科研机构和数据共享平台都提供了长时间序列的植被指数数据，如全球变化数据中心（GCD）、国际生物计划（IBP）等。这些数据可以通过在线注册和下载获取。
气象数据是影响生态系统的重要因素之一，包括气温、降水、风速、湿度等。长时间序列的所述气象数据的收集方式包括：
从气象观测站获取；各地的气象观测站会定期采集气象数据，如国家气象局、地方气象局等。这些数据可以通过访问相关网站或与当地气象部门联系获取。
从公开的数据共享平台获取。许多科研机构和数据共享平台都提供了长时间序列的气象数据，如美国气候数据中心（NCDC）、欧洲中期天气预报中心（ECMWF）等。这些数据可以通过在线注册和下载获取。
土壤参数是影响地上生物量的重要因素之一，包括土壤有机质、氮、磷、水分等。长时间序列的所述土壤参数数据的收集方式包括：
从土壤观测站获取。各地的土壤观测站会定期采集土壤参数数据，如国家土壤普查局、地方农业部门等。这些数据可以通过访问相关网站或与当地农业部门联系获取。
从公开的数据共享平台获取。许多科研机构和数据共享平台都提供了长时间序列的土壤参数数据，如全球土壤数据库（GBD）、国际土壤信息中心（ISI）等。这些数据可以通过在线注册和下载获取。
在收集上述数据时，需要注意以下几点：
数据的质量和可靠性：确保所收集到的数据是准确的、可靠的，避免使用错误或低质量的数据。
数据的预处理和标准化：对于收集到的数据需要进行预处理和标准化，以消除噪声和异常值，确保数据的统一性和可比性。
数据的格式和存储：需要将收集到的数据按照规定的格式进行存储和管理，以便后续的处理和分析。
S2：数据处理；
S201：清洗数据：原始数据中往往存在一些错误、缺失、重复或异常值，这些问题会影响后续分析结果的准确性。数据清洗可以帮助我们清洗这些问题数据，提高数据的质量和可靠性；
S202：整合数据：在实际应用中，通常需要从不同来源获取数据，这些数据可能存在不同的格式和数据类型，因此需要进行数据整合。数据整合可以将多个数据源的数据整合到一起，方便后续的分析和处理。
S203：转换数据：原始数据中的数据类型和数据格式可能并不符合分析需要，因此需要进行数据转换。例如，可以将数据转换为适合分析的形式。
S204：规范化数据：在不同的数据来源和数据格式中，数据命名和单位可能存在差异，因此需要进行规范化处理。例如，可以对数据进行命名和单位的规范化处理，减少数据解读的误差。
S3：模型建立；
（1）、使用机器学习法建立地上生物量与相关参数之间的预测模型，包括
线性回归模型：线性回归模型是一种常用的回归分析方法，它试图找出一组自变量与因变量之间的线性关系。在这种方法中，我们可以将地上生物量作为因变量，将植被指数、气象数据和土壤参数等作为自变量，构建一个线性回归模型。
偏最小二乘回归模型：偏最小二乘回归模型是一种考虑了自变量之间的相关性的回归分析方法，它可以在自变量之间存在多重共线性的情况下进行有效的回归分析。
支持向量机：支持向量机是一种基于统计学理论的机器学习算法，它可以将数据分类并预测不同类别之间的边界。我们可以将地上生物量作为分类目标，将植被指数、气象数据和土壤参数等作为特征，使用支持向量机进行分类和预测。
神经网络：神经网络是一种模拟人脑神经元网络结构的计算模型，它可以通过学习历史数据来预测未来的趋势和结果。我们可以将地上生物量作为输出层，将植被指数、气象数据和土壤参数等作为输入层，构建一个神经网络模型进行预测。
（2）、使用统计方法建立地上生物量与相关参数之间的预测模型，包括
多元线性回归模型：多元线性回归模型是一种考虑了多个自变量与因变量之间的线性关系的统计方法。在这种方法中，我们可以将地上生物量作为因变量，将植被指数、气象数据和土壤参数等作为自变量，构建一个多元线性回归模型。
通径分析：通径分析是一种用于分析多个自变量对因变量的直接和间接影响的统计方法。在这种方法中，我们可以将地上生物量作为因变量，将植被指数、气象数据和土壤参数等作为自变量，进行通径分析以了解它们之间的因果关系。
协方差分析：协方差分析是一种用于分析多个自变量对因变量的共同影响的统计方法。在这种方法中，我们可以将地上生物量作为因变量，将植被指数、气象数据和土壤参数等作为自变量，进行协方差分析以了解它们之间的关联性。
在选择使用机器学习或统计方法时，需要根据具体的数据特征和研究目标进行选择。机器学习方法通常需要大量的数据来进行训练和学习，而统计方法则更注重对变量之间的关系进行深入分析和解释。在实际应用中，可以将机器学习和统计方法结合起来使用，以充分利用它们各自的优点来提高预测模型的准确性和可靠性。
S4：模型验证；
S401：划分数据集：
首先需要将原始数据集划分为训练集、验证集和测试集。训练集用于训练模型，验证集用于调整模型参数和选择最佳模型，测试集用于评估模型的泛化性能。通常情况下，训练集、验证集和测试集的比例为60%、20%、20%。
S402：训练模型：
使用训练集对模型进行训练，得到一个初步的模型。在训练过程中，需要不断调整模型参数，以得到一个最佳的模型。
S403：验证模型：
使用验证集对初步模型进行验证。在验证过程中，需要评估模型的准确性和可靠性。如果模型的性能不佳，需要重新调整模型参数，并重新进行验证。
S404：测试模型：
使用测试集对最终选择的模型进行测试。在测试过程中，需要评估模型的泛化性能。如果模型的泛化性能不佳，需要重新选择模型或调整模型参数。
S405：分析结果：
根据验证和测试结果，对模型进行分析和评估。如果模型的性能和泛化性能均良好，则可以认为该模型是可靠的；如果模型的性能或泛化性能不佳，则需要重新进行模型选择或调整模型参数。
S5：地上生物量反演；
S501：选择模型和参数：
根据前面所建立的模型和选择的参数，选择适合的模型来进行地上生物量反演。例如，如果建立了线性回归模型，则可以使用该模型来预测长时间序列的地上生物量。
S502：输入变量和因变量：
将长时间序列的相关参数作为自变量，将对应的地上生物量作为因变量，输入到所选择的模型中。这些参数可能包括植被指数、气象数据和土壤参数等。
S503：预测地上生物量：
使用所选择的模型对长时间序列的地上生物量进行预测。这可以通过将自变量输入到模型中并计算出预测的因变量值来完成。
S504：评估预测结果：
对预测的地上生物量结果进行评估。可以使用一些评估指标来衡量预测结果的准确性和可靠性，例如均方误差（MSE）、均方根误差（RMSE）和平均绝对误差（MAE）等。如果预测结果不准确或不可靠，需要重新选择模型或调整参数。
S505：应用预测结果：
将预测的地上生物量结果应用于实际应用中。例如，可以使用预测结果来评估森林的健康状况、规划和管理森林资源、预测生态系统服务等。
需要注意的是，地上生物量反演的结果可能受到多种因素的影响，例如气候变化、生态系统类型、季节性等。因此，在使用预测结果时需要考虑到这些因素，并进行适当的修正和调整。
S6：量化评价。
S601：计算生态系统的健康状况：
根据预测的地上生物量，可以计算出生态系统的健康状况。可以使用一些指标来衡量生态系统的健康状况，例如物种丰富度、生物量、生态系统功能等。通过比较预测的地上生物量与实际观测的生物量，可以评估生态系统的健康状况。
S602：评估气候变化的影响：
气候变化对生态系统的影响较大，可以根据预测的地上生物量来评估气候变化的影响。可以将预测的地上生物量与历史数据进行比较，分析气候变化对生态系统的影响。此外，还可以使用一些指标来衡量气候变化的影响，例如生态系统响应指数（ESI）等。
S603：评价土地利用和保护政策的效果：
土地利用和保护政策对生态系统的保护和管理具有重要意义。可以根据预测的地上生物量来评价土地利用和保护政策的效果。例如，可以比较实施保护政策前后的地上生物量变化，评估保护政策的效果。此外，还可以使用一些指标来衡量土地利用和保护政策的效果，例如生态服务功能指数等。
S604：分析不确定性：
在量化评价过程中，需要考虑到预测的不确定性。可以使用一些方法来分析预测的不确定性，例如敏感性分析、蒙特卡罗模拟等。这些方法可以帮助我们了解预测的不确定性程度，从而更好地评估生态系统的健康状况、气候变化的影响、土地利用和保护政策的效果等。
需要注意的是，量化评价的结果可能受到多种因素的影响，例如数据质量、模型选择、参数设置等。因此，在使用量化评价结果时需要考虑到这些因素，并进行适当的修正和调整。此外，还需要不断更新数据和模型，以提高量化评价的准确性和可靠性。
在本发明的一个具体实施例中，我们首先收集了长达十年的地面观测数据，包括NDVI（归一化差值植被指数）、气温、降水、土壤有机质等参数。然后，我们对数据进行清洗、预处理和标准化，以消除噪声和异常值，确保数据的质量和可靠性。接下来，我们使用线性回归模型（LM）和偏最小二乘回归模型（PLSR）分别建立了地上生物量与相关参数之间的预测模型。为了验证模型的准确性，我们使用交叉验证方法对模型进行了评估，发现PLSR模型的预测效果更好。最后，我们使用PLSR模型和给定的参数预测了未来五年的地上生物量，并计算了预测结果的变化趋势和波动范围。根据预测结果，我们可以评估生态系统的健康状况、气候变化的影响以及土地利用和保护政策的效果。
本发明的长时间时序地上生物量反演量化评价方法具有广泛的应用前景，可以应用于森林、草原、农田等多种生态系统。它不仅可以用于评估生态系统的健康状况和预测气候变化的影响，还可以用于指导土地利用和保护政策的制定和实施。此外，本发明还可以与其他技术结合使用，如遥感技术、GIS技术等，以提供更全面、更准确的地上生物量反演结果。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同条件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种长时间时序地上生物量反演量化评价方法，其特征在于：所述方法包括如下步骤：
S1：数据收集；
S2：数据处理；
S3：模型建立；
S4：模型验证；
S5：地上生物量反演；
S6：量化评价。
2.根据权利要求1所述的一种长时间时序地上生物量反演量化评价方法，其特征在于：所述S2包括如下步骤：
S201：清洗数据；
S202：整合数据；
S203：转换数据；
S204：规范化数据。
3.根据权利要求1或2所述的一种长时间时序地上生物量反演量化评价方法，其特征在于：S3所述模型建立使用机器学习法建立地上生物量与相关参数之间的预测模型，包括线性回归模型或偏最小二乘回归模型或支持向量机或神经网络。
4.根据权利要求3所述的一种长时间时序地上生物量反演量化评价方法，其特征在于：S3所述模型建立使用统计方法建立地上生物量与相关参数之间的预测模型，包括多元线性回归模型或通径分析或协方差分析。
5.根据权利要求4所述的一种长时间时序地上生物量反演量化评价方法，其特征在于：所述S4包括如下步骤：
S401：划分数据集；
S402：训练模型；
S403：验证模型；
S404：测试模型；
S405：分析结果。
6.根据权利要求5所述的一种长时间时序地上生物量反演量化评价方法，其特征在于：所述S5包括如下步骤：
S501：选择模型和参数；
S502：输入变量和因变量；
S503：预测地上生物量；
S504：评估预测结果；
S505：应用预测结果。
7.根据权利要求1或6所述的一种长时间时序地上生物量反演量化评价方法，其特征在于：所述S6包括如下步骤：
S601：计算生态系统的健康状况；
S602：评估气候变化的影响；
S603：评价土地利用和保护政策的效果；
S604：分析不确定性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311522370.7A CN117494066A (zh) | 2023-11-15 | 2023-11-15 | 长时间时序地上生物量反演量化评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311522370.7A CN117494066A (zh) | 2023-11-15 | 2023-11-15 | 长时间时序地上生物量反演量化评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117494066A true CN117494066A (zh) | 2024-02-02 |
Family
ID=89674219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311522370.7A Pending CN117494066A (zh) | 2023-11-15 | 2023-11-15 | 长时间时序地上生物量反演量化评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117494066A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104778451A (zh) * | 2015-03-31 | 2015-07-15 | 中国科学院上海技术物理研究所 | 一种考虑草地高度因子的草地生物量遥感反演方法 |
| CN109884664A (zh) * | 2019-01-14 | 2019-06-14 | 武汉大学 | 一种城市地上生物量光学微波协同反演方法及系统 |
| EP3816879A1 (en) * | 2019-11-04 | 2021-05-05 | Gaf AG | A method of yield estimation for arable crops and grasslands and a system for performing the method |
| CN114460013A (zh) * | 2022-01-28 | 2022-05-10 | 自然资源部第一海洋研究所 | 滨海湿地植被地上生物量gan模型自学习遥感反演方法 |
-
2023
- 2023-11-15 CN CN202311522370.7A patent/CN117494066A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104778451A (zh) * | 2015-03-31 | 2015-07-15 | 中国科学院上海技术物理研究所 | 一种考虑草地高度因子的草地生物量遥感反演方法 |
| CN109884664A (zh) * | 2019-01-14 | 2019-06-14 | 武汉大学 | 一种城市地上生物量光学微波协同反演方法及系统 |
| EP3816879A1 (en) * | 2019-11-04 | 2021-05-05 | Gaf AG | A method of yield estimation for arable crops and grasslands and a system for performing the method |
| CN114460013A (zh) * | 2022-01-28 | 2022-05-10 | 自然资源部第一海洋研究所 | 滨海湿地植被地上生物量gan模型自学习遥感反演方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴超凡: "区域森林生物量遥感估测与应用研究", 《中国知网》, 15 May 2017 (2017-05-15), pages 18 - 125 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aieb et al. | A new approach for processing climate missing databases applied to daily rainfall data in Soummam watershed, Algeria | |
| Boland et al. | Short term solar radiation forecasting: Island versus continental sites | |
| Ratledge et al. | Using machine learning to assess the livelihood impact of electricity access | |
| Alonso-Suárez et al. | Intra-day solar probabilistic forecasts including local short-term variability and satellite information | |
| CN116451879A (zh) | 一种干旱风险预测方法、系统及电子设备 | |
| Mokarram et al. | Net-load forecasting of renewable energy systems using multi-input LSTM fuzzy and discrete wavelet transform | |
| Bryant et al. | A Bayesian approach to population estimation with administrative data | |
| Bozorg et al. | Bayesian bootstrapping in real-time probabilistic photovoltaic power forecasting | |
| Kajbaf et al. | Temporal downscaling of precipitation from climate model projections using machine learning | |
| Rivera-Muñoz et al. | Missing data estimation in a low-cost sensor network for measuring air quality: A case study in Aburrá Valley | |
| CN117037432B (zh) | 基于多方法协同的风险评价地质灾害预警方法 | |
| CN108763673A (zh) | 基于lasso回归的土地利用变化驱动力筛选方法和装置 | |
| CN117495094A (zh) | 一种产业链安全风险综合评估预警方法与系统 | |
| Raynaud et al. | Application of a Bayesian weighting for short‐range lagged ensemble forecasting at the convective scale | |
| CN117494066A (zh) | 长时间时序地上生物量反演量化评价方法 | |
| CN107066786A (zh) | 基于神经网络的气溶胶光学厚度反演算法 | |
| Liu et al. | Uncertainty quantification of machine learning models to improve streamflow prediction under changing climate and environmental conditions | |
| Deuster | Climate change and educational attainment: The role of human mobility | |
| Hu et al. | Developing a novel hybrid model for seismic loss prediction of regional-scale buildings | |
| Villani et al. | Climate model selection via conformal clustering of spatial functional data | |
| Madhiarasan et al. | Combined Long Short‐Term Memory Network‐Based Short‐Term Prediction of Solar Irradiance | |
| Ceresa et al. | Verification and upgrades of an advanced technique to model forecast uncertainties in large power systems | |
| Wu et al. | Multi‐month time‐lag effects of regional vegetation responses to precipitation in arid and semi‐arid grassland: A case study of Hulunbuir, Inner Mongolia | |
| Koneswarakantha et al. | Statistical Modeling for Quality Risk Assessment of Clinical Trials: Follow-Up at the Era of Remote Auditing | |
| Faniriantsoa et al. | ADT: The automatic weather station data tool |
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 |