CN117669856A - 一种遥感干旱的评估与归因方法及装置 - Google Patents
一种遥感干旱的评估与归因方法及装置 Download PDFInfo
- Publication number
- CN117669856A CN117669856A CN202311058310.4A CN202311058310A CN117669856A CN 117669856 A CN117669856 A CN 117669856A CN 202311058310 A CN202311058310 A CN 202311058310A CN 117669856 A CN117669856 A CN 117669856A
- Authority
- CN
- China
- Prior art keywords
- cwsi
- data
- remote sensing
- weather
- test
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000004458 analytical method Methods 0.000 claims abstract description 40
- 230000008859 change Effects 0.000 claims description 87
- 238000012360 testing method Methods 0.000 claims description 59
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 39
- 238000003908 quality control method Methods 0.000 claims description 36
- 238000007689 inspection Methods 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000012353 t test Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 238000001556 precipitation Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000009825 accumulation Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000000692 Student's t-test Methods 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 101100305901 Mus musculus Rnase2b gene Proteins 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 239000011324 bead Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Classifications
-
- 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
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种遥感干旱的评估与归因方法及装置,一方面有效解决对遥感反演出的干旱产品的时间结合空间的定量技巧评分,确定待检测地区的遥感干旱指数适用性,更能反映当地的干旱特征,提高了遥感干旱监测的准确性,第二方面可有效筛选出对遥感干旱敏感的气象因素,分析各气象因素对遥感干旱变化趋势的影响,定量得出气象因素对干旱变化趋势的贡献度,另一方面由于不依赖目标地区的特定条件,因此可推广到全球区域,为气候变化评价、检测、预估提供一定的科学参考。本发明解决了各气象因素对干旱变化趋势影响的定量描述分析问题,弥补了对现有遥感干旱指数的归因不足问题。
Description
技术领域
本发明涉及遥感与环境评估技术领域,尤其涉及一种遥感干旱的评估与归因方法及装置。
背景技术
遥感作为一种高时空分辨率的技术手段,利用遥感数据监测干旱的指标众多,常用的包括归一化植被指数、温度植被干旱指数、植被状况指数和作物缺水指数等。其中作物缺水指数综合考虑了大气、土壤和植被之间的能量和水文交换,具备物理意义明确、适用范围广和估算精度较高等优点,作为遥感干旱指数在干旱监测中得到了较好的应用。然而遥感干旱指数在不同区域的适用性差异较大,如何对遥感干旱指数进行定量化的评价,选取最适用于某一地区的遥感干旱监测模型,对合理规划灌溉、平衡区域生态和经济用水规模具有重要的意义,
同时,考虑到影响干旱的气象因素包括气温、相对湿度、降水量、风向风速等,以往研究往往利用相关系数等分析气象因素与遥感干旱之间的影响,定性分析某一气象因素对干旱变化的影响,而未采取定量的评价分析。目前研究对于遥感干旱的定量归因方法较少,研究主要集中于分析蒸散发、径流等因素的气象因素归因,因此提出一种对遥感干旱的气象因素归因方法很有必要。
发明内容
本发明的目的是为了至少解决现有技术的不足之一,提供一种遥感干旱的评估与归因方法及装置。
为了实现上述目的,本发明采用以下的技术方案:
具体的,提出一种遥感干旱的评估与归因方法,包括以下:
步骤110、获取目标地区于选定时间段内的卫星遥感数据,所述卫星遥感数据包括实际蒸散发数据ET和潜在蒸散发数据PET数据集,基于所述卫星遥感数据计算得到表示干旱的作物缺水指数CWSI;
步骤120、获取目标地区于所述选定时间段内的观测站气象因素,对所述观测站气象因素进行质量控制,将未通过质控的数据置缺处理后,得到经质控的观测气象数据,所述观测站气象因素包括平均气温、平均气压、相对湿度、风速、降水、日照时数的气象因素;
步骤130、将ERA5资料的ET资料插值到与所述卫星遥感数据相同的分辨率,得到插值后的ET和PET,基于插值后的ET、PET求解作物缺水指数,得到再分析资料的作物缺水指数CWSIER;
步骤140、利用CWSIER作为参考值,与所述作物缺水指数CWSI进行对比评估,得到Pearson相关系数CC,和CWSI、CWSIER的线性变化趋势,从而完成目标地区选定时间段内遥感干旱的适用性评估;
步骤150、选取所述作物缺水指数CWSI,利用经验正交分解EOF方法,选取通过North检验的空间分布模态作为CWSI的典型空间分布型,对应的时间系数序列表示目标地区CWSI典型空间分布型的典型时间分布特征;
步骤160、选取所述CWSI的典型时间分布特征,利用Theil-Sen法求解各典型空间分布型对应的线性变化趋势T_CWSI,将其作为对应空间分布模态下CWSI的总体时间变化趋势;
步骤170、分别计算所述典型时间分布特征与质控后的观测站气象因素的Pearson相关系数,如求解的Pearson相关系数通过置信度为0.05的显著性t检验,则将其作为求解通过检验的气象因素,进行下一步归因分析;
步骤180、针对通过检验的气象因素,基于偏微分方法,分析CWSI的变化受到多种通过显著性检验的气象因素的共同影响,利用偏微分方法展开得到CWSI受到气象因素影响的变化趋势CT_CWSI;
步骤190、将所述变化趋势CT_CWSI与所述线性变化趋势T_CWSI进行归因方法的对比评价,计算对应空间分布模态T_CWSI与CT_CWSI的决定系数R2、均方根误差RMSE,判断计算得到的CT_CWSI在目标地区的适用性,从而完成该归因方法在目标地区的适用性评价;
步骤200、量化通过检验的气象因素的贡献度,通过累加求和计算各个CWSI空间分布模态下气象因素的总体贡献度及各个气象因素的贡献度,得到了遥感干旱CWSI典型空间分布型变化趋势的归因分析,完成对气象因素导致的干旱的归因分析。
进一步,具体的,在所述步骤110中,通过如下公式(1)基于所述卫星遥感数据计算得到表示干旱的作物缺水指数CWSI,
进一步,具体的,所述步骤120中,所述观测站气象因素包括气温、气压、相对湿度、风速、降水、日照时数基础观测要素,对所述观测站气象因素进行质量控制得到质控观测气象数据,质量控制步骤包括观测界限值检查、气候异常值检查、内部一致性检查,具体如下,
对观测界限值检验进行初步质量控制,降水范围在0≤降水≤200毫米,气温范围在-80℃≤气温≤60℃,气压范围在500hPa≤气压≤1100hPa、风速范围在0m/s≤风速≤80m/s,日照时数范围在0时≤日照时数≤24时,相对湿度范围在0≤相对湿度≤100%,超过阈值范围认为是错误数据;
对所述步骤中的各气象要素进行气候异常值检验,据海上观测要素自身变化的特性,利用各测站历史的观测资料,计算其多年平均值(此处选取1991-2020年数据)和对应的标准差,通过如下公式(2)计算气候异常值阈值范围,超出阈值认为是可疑数据,通过人工判断是否为错误数据;
其中,为对应气象要素的多年平均值,σ为标准差,
对各气象要素进行内部一致性检验,最低气温≤气温≤最高气温,最低气压≤平均气压≤最高气压,相对湿度≥最小相对湿度,超出阈值认为是可疑数据,通过人工判断是否为错误数据;
人工对以上过程认为是错误数据的数据使用数据插补方式进行插补,得到通过质量控制检查的观测气象要素。
进一步,具体的,所述步骤130中,获取目标地区于选定时间段内EAR5资料,将ERA5资料的ET和PET通过反距离插值的方法将其插值到与卫星遥感数据相同的时空分辨率,通过公式(3)计算出ERA5资料的作物缺水指数CWSIER,
进一步,具体的,所述步骤140中,通过公式(4)计算相关系数CC,对CWSI和CWSIER分别选取每个对应格点的待检测时间序列,基于Theil-Sen法通过如下公式(6)分别计算CWSI和CWSIER时间序列的线性趋势,如果相关系数CC可以通过置信度为0.05的显著性t检验,t检验通过公式(5)计算,同时CWSI和CWSIER的线性趋势一致,则认为此格点的CWSI表现较好,可以进行下一步分析,否则则将此格点作为异常值,不进行下一步计算,最后得到通过适用性评估的CWSI值,
其中N表示待检区域内的时间序列长度,Xi和XXi分别表示在i个时次CWSI和CWSIER;和/>分别表示CWSI和CWSIER的时间序列平均值,CC的值越大,表示相关性越高,
其中Tx表示CWSI(CWSIER)的线性变化趋势,Xi和Xj是对应第i和j时次的CWSI(CWSIER)值,Tx>0代表变量呈上升趋势,反之Tx<为0时,表示呈下降趋势,N表示时间序列的长度。
进一步,具体的,所述步骤150中,将经过步骤140得到的CWSI,利用经验正交分解EOF方法,计算CWSI的主要时空分布模态,计算公式见公式(7-10),具体如下,
首先将待检区域选定时间段内的CWSI,其空间格点数为m,时间长度为n,与其转置矩阵CWSIT,计算CWSI与CWSIT的交叉积,得到方阵C,对C进行EOF分解,得到特征根矩阵λ和分解矩阵W;
CWSI×CWSIT=λ×W
其次定义λi为第j模态的特征根,得到第j模态的EOF值Wj,计算见公式(7),
其中Wm,j为第m个格点的第j个模态的空间值,
将得到的Wj投影到CWSI上,即可得到所有空间特征向量对应的时间系数P,
其中,Pm×n为m×n的时间系数矩阵,Wm×m为m×m的空间函数矩阵,CWSIm×n为m×n的资料矩阵;
对得到的EOF结果,进行North检验,在95%显著性水平下的第i个特征根误差计算公式见公式(9),当相邻特征值满足公式(10)时,则认为对应的CWSI模态通过检验,选取通过检验的EOF值作为CWSI的典型时空分布模态,
其中ei代表第i个特征根误差,λi为第i个特征值,N为CWSI时间序列的长度。
进一步,具体的,所述步骤160中通过公式(4)计算通过North检验的EOF的模态对应的时间系数序列的线性趋势,将其作为对应空间分布模态下CWSI的线性变化趋势,记作T_EOF_CWSI。
进一步,具体的,所述步骤170中通过公式(4-5)计算通过North检验的EOF时间系数序列与各观测站各观测气象因素的Pearson相关系数,表示典型空间分布型对应的时间序列变化与通过质量控制检查的观测气象因素的相关性,如其通过置信度为0.05的显著性t检验,则将其作为气象因素指标,进行下一步归因分析,
进一步,具体的,所述步骤180中通过公式(11-13)计算步骤160中通过显著性检验的气象因素对不同空间分布型的遥感干旱的贡献度,得到选取空间分布模态下CWSI的线性趋势CT_CWSI,具体如下,
首先考虑某个典型空间分布模态CWSI的变化受多个气象因素的共同影响,可表示为公式(11),因此其一阶Taylor展开式为公式(12),
其中yj为通过North检验的第j个典型空间模态下的时间系数序列,为CWSI第j个典型模态的时间系数与第l个格点上对应的通过t检验的第i个气象因素的时间序列之间的回归系数,xj,l,i为CWSI第j个典型下、第l个格点上对应的通过t检验的第i个气象因素的时间序列,δ1,j,l为残差项,NN为所述步骤170中通过显著性检验的气象因素个数,
当考虑气象因素随时间发生变化时,其通过如下公式(12)通过累加求和可计算出各观测站的气象因素对CWSI变化的贡献度,由此得到各典型空间分布模态下、由各测站的气象因素估算所得的CWSI的变化趋势CT_EOF_CWSI。
其中表示通过North检验的第j个空间模态下,第l个观测站CWSI对应的时间系数序列随时间的变化趋势,/>表示通过North检验的第j个空间模态下,第l个观测站气象因素对CWSI的贡献。
本发明还提出一种遥感干旱的评估及归因装置,包括:
第一数据获取模块,用于获取目标地区于选定时间段内的卫星遥感数据,所述卫星遥感数据包括实际蒸散发数据ET和潜在蒸散发数据PET数据集,基于所述卫星遥感数据计算得到表示干旱的作物缺水指数CWSI;
第二数据获取模块,用于获取目标地区于所述选定时间段内的观测站气象因素,对所述观测站气象因素进行质量控制,将未通过质控的数据置缺处理后,得到经质控的观测气象数据,所述观测站气象因素包括平均气温、平均气压、相对湿度、风速、降水、日照时数的气象因素;
第三数据获取模块,用于将ERA5资料的ET资料插值到与所述卫星遥感数据相同的分辨率,得到插值后的ET和PET,基于插值后的ET、PET求解作物缺水指数,得到再分析资料的作物缺水指数CWSIER;
干旱指数评估指标计算模块,用于利用CWSIER作为参考值,与所述作物缺水指数CWSI进行对比评估,得到Pearson相关系数CC,和CWSI、CWSIER的线性变化趋势,从而完成目标地区选定时间段内遥感干旱的适用性评估;
CWSI主模态的时间序列提取模块,用于选取所述作物缺水指数CWSI,利用经验正交分解EOF方法,选取通过North检验的空间分布模态作为CWSI的典型空间分布型,对应的时间系数序列表示目标地区CWSI典型空间分布型的典型时间分布特征;
典型模态的时间变化趋势计算模块,用于选取所述CWSI的典型时间分布特征,利用Theil-Sen法求解各典型空间分布型对应的线性变化趋势T_CWSI,将其作为对应空间分布模态下CWSI的总体时间变化趋势;
气象因素筛选模块,用于分别计算所述典型时间分布特征与质控后的观测站气象因素的Pearson相关系数,如求解的Pearson相关系数通过置信度为0.05的显著性t检验,则将其作为求解通过检验的气象因素,进行下一步归因分析;
气象因素贡献度计算模块,用于针对通过检验的气象因素,基于偏微分方法,分析CWSI的变化受到多种通过显著性检验的气象因素的共同影响,利用偏微分方法展开得到CWSI受到气象因素影响的变化趋势CT_CWSI;
适用性判断模块,用于将所述变化趋势CT_CWSI与所述线性变化趋势T_CWSI进行归因方法的对比评价,计算对应空间分布模态T_CWSI与CT_CWSI的决定系数R2、均方根误差RMSE,判断计算得到的CT_CWSI在目标地区的适用性,从而完成该归因方法在目标地区的适用性评价;
归因分析模块,用于量化通过检验的气象因素的贡献度,通过累加求和计算各个CWSI空间分布模态下气象因素的总体贡献度及各个气象因素的贡献度,得到了遥感干旱CWSI典型空间分布型变化趋势的归因分析,完成对气象因素导致的干旱的归因分析。
本发明的有益效果为:
(1)本发明提出的遥感干旱评估方法可有效解决对遥感反演出的干旱产品的时间结合空间的定量技巧评分,确定待检测地区的遥感干旱指数适用性,更能反映当地的干旱特征,提高了遥感干旱监测的准确性;
(2)所提出的归因方法可有效筛选出对遥感干旱敏感的气象因素,分析各气象因素对遥感干旱变化趋势的影响,定量得出气象因素对干旱变化趋势的贡献度。
(3)本发明所述的构建方法,可推广到全球区域,为气候变化评价、检测、预估提供一定的科学参考。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本公开的上述以及其他特征将更加明显,本公开附图中相同的参考标号表示相同或相似的元素,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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,还可以根据这些附图获得其他的附图,在附图中:
图1所示为本发明一种遥感干旱的评估与归因方法的流程图;
图2所示为本发明一种遥感干旱的评估与归因方法的一个实施例中广东省2001-2022年CWSI的EOF第一模态对应的时间系数序列示意图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。
基于现有背景,本发明的目的在于克服现有技术中缺陷,提出了一种遥感干旱的评估及归因分析的方法,在该方法中能解决各气象因素对干旱变化趋势影响的定量描述分析问题,弥补了对现有遥感干旱指数的归因不足问题。
参照图1以及图2,实施例1,本发明提出一种遥感干旱的评估与归因方法,包括以下:
步骤110、获取目标地区于选定时间段内的卫星遥感数据,所述卫星遥感数据包括实际蒸散发数据ET和潜在蒸散发数据PET数据集,基于所述卫星遥感数据计算得到表示干旱的作物缺水指数CWSI;
步骤120、获取目标地区于所述选定时间段内的观测站气象因素,对所述观测站气象因素进行质量控制,将未通过质控的数据置缺处理后,得到经质控的观测气象数据,所述观测站气象因素包括平均气温、平均气压、相对湿度、风速、降水、日照时数的气象因素;
步骤130、将ERA5资料的ET资料插值到与所述卫星遥感数据相同的分辨率,得到插值后的ET和PET,基于插值后的ET、PET求解作物缺水指数,得到再分析资料的作物缺水指数CWSIER;
步骤140、利用CWSIER作为参考值,与所述作物缺水指数CWSI进行对比评估,得到Pearson相关系数CC,和CWSI、CWSIER的线性变化趋势,从而完成目标地区选定时间段内遥感干旱的适用性评估;
步骤150、选取所述作物缺水指数CWSI,利用经验正交分解EOF方法,选取通过North检验的空间分布模态作为CWSI的典型空间分布型,对应的时间系数序列表示目标地区CWSI典型空间分布型的典型时间分布特征;
步骤160、选取所述CWSI的典型时间分布特征,利用Theil-Sen法求解各典型空间分布型对应的线性变化趋势T_CWSI,将其作为对应空间分布模态下CWSI的总体时间变化趋势;
步骤170、分别计算所述典型时间分布特征与质控后的观测站气象因素的Pearson相关系数,如求解的Pearson相关系数通过置信度为0.05的显著性t检验,则将其作为求解通过检验的气象因素,进行下一步归因分析;
步骤180、针对通过检验的气象因素,基于偏微分方法,分析CWSI的变化受到多种通过显著性检验的气象因素的共同影响,利用偏微分方法展开得到CWSI受到气象因素影响的变化趋势CT_CWSI;
步骤190、将所述变化趋势CT_CWSI与所述线性变化趋势T_CWSI进行归因方法的对比评价,计算对应空间分布模态T_CWSI与CT_CWSI的决定系数R2、均方根误差RMSE,判断计算得到的CT_CWSI在目标地区的适用性,从而完成该归因方法在目标地区的适用性评价;步骤190中通过对比CWSI各典型空间分布模态下估算的线性趋势CT_EOF_CWSI与实际计算的线性趋势T_EOF_CWSI的决定系数R和均方根误差RMSE,从而实现此归因模型的适用性分析。
步骤200、量化通过检验的气象因素的贡献度,通过累加求和计算各个CWSI空间分布模态下气象因素的总体贡献度及各个气象因素的贡献度,得到了遥感干旱CWSI典型空间分布型变化趋势的归因分析,完成对气象因素导致的干旱的归因分析。其中,对决定系数大于0.85的CT_EOF_CWSI,分别量化通过显著性检验的单一气象因素和总体气象因素对遥感干旱指数的贡献度,得到CWSI某种典型空间分布模态的变化受气象因素影响的定量值,从而完成遥感干旱的归因分析。
在一个实施方式中,以2001-2022年广东省秋季(9-11月平均)CWSI为例,通过EOF计算,前3个模态的特征值通过了North显著性检验。其中第一模态的方差贡献为47.20%,其第一模态呈“珠三角地区高-其余地区低”的空间分布模态图1。
作为本发明的优选实施方式,具体的,在所述步骤110中,通过如下公式(1)基于所述卫星遥感数据计算得到表示干旱的作物缺水指数CWSI,
作为本发明的优选实施方式,具体的,所述步骤120中,所述观测站气象因素包括气温、气压、相对湿度、风速、降水、日照时数基础观测要素,对所述观测站气象因素进行质量控制得到质控观测气象数据,质量控制步骤包括观测界限值检查、气候异常值检查、内部一致性检查,具体如下,
对观测界限值检验进行初步质量控制,降水范围在0≤降水≤200毫米,气温范围在-80℃≤气温≤60℃,气压范围在500hPa≤气压≤1100hPa、风速范围在0m/s≤风速≤80m/s,日照时数范围在0时≤日照时数≤24时,相对湿度范围在0≤相对湿度≤100%,超过阈值范围认为是错误数据;
对所述步骤中的各气象要素进行气候异常值检验,据海上观测要素自身变化的特性,利用各测站历史的观测资料,计算其多年平均值(此处选取1991-2020年数据)和对应的标准差,通过如下公式(2)计算气候异常值阈值范围,超出阈值认为是可疑数据,通过人工判断是否为错误数据;
其中,为对应气象要素的多年平均值,σ为标准差,
对各气象要素进行内部一致性检验,最低气温≤气温≤最高气温,最低气压≤平均气压≤最高气压,相对湿度≥最小相对湿度,超出阈值认为是可疑数据,通过人工判断是否为错误数据;
人工对以上过程认为是错误数据的数据使用数据插补方式进行插补,得到通过质量控制检查的观测气象要素。
作为本发明的优选实施方式,具体的,所述步骤130中,获取目标地区于选定时间段内EAR5资料,将ERA5资料的ET和PET通过反距离插值的方法将其插值到与卫星遥感数据相同的时空分辨率,通过公式(3)计算出ERA5资料的作物缺水指数CWSIER,
进一步,具体的,所述步骤140中,通过公式(4)计算相关系数CC,对CWSI和CWSIER分别选取每个对应格点的待检测时间序列,基于Theil-Sen法通过如下公式(6)分别计算CWSI和CWSIER时间序列的线性趋势,如果相关系数CC可以通过置信度为0.05的显著性t检验,t检验通过公式(5)计算,同时CWSI和CWSIER的线性趋势一致,则认为此格点的CWSI表现较好,可以进行下一步分析,否则则将此格点作为异常值,不进行下一步计算,最后得到通过适用性评估的CWSI值,
其中N表示待检区域内的时间序列长度,Xi和XXi分别表示在i个时次CWSI和CWSIER;和/>分别表示CWSI和CWSIER的时间序列平均值,CC的值越大,表示相关性越高,
其中Tx表示CWSI(CWSIER)的线性变化趋势,Xi和Xj是对应第i和j时次的CWSI(CWSIER)值,Tx>0代表变量呈上升趋势,反之Tx<为0时,表示呈下降趋势,N表示时间序列的长度。
作为本发明的优选实施方式,具体的,所述步骤150中,将经过步骤140得到的CWSI,利用经验正交分解EOF方法,计算CWSI的主要时空分布模态,计算公式见公式(7-10),具体如下,
首先将待检区域选定时间段内的CWSI,其空间格点数为m,时间长度为n,与其转置矩阵CWSIT,计算CWSI与CWSIT的交叉积,得到方阵C,对C进行EOF分解,得到特征根矩阵λ和分解矩阵W;
CWSI×CWSIT=λ×W
其次定义λi为第j模态的特征根,得到第j模态的EOF值Wj,计算见公式(7),
其中Wm,j为第m个格点的第j个模态的空间值,
将得到的Wj投影到CWSI上,即可得到所有空间特征向量对应的时间系数P,
其中,Pm×n为m×n的时间系数矩阵,Wm×m为m×m的空间函数矩阵,CWSIm×n为m×n的资料矩阵;
对得到的EOF结果,进行North检验,在95%显著性水平下的第i个特征根误差计算公式见公式(9),当相邻特征值满足公式(10)时,则认为对应的CWSI模态通过检验,选取通过检验的EOF值作为CWSI的典型时空分布模态,
其中ei代表第i个特征根误差,λi为第i个特征值,N为CWSI时间序列的长度。
作为本发明的优选实施方式,具体的,所述步骤160中通过公式(4)计算通过North检验的EOF的模态对应的时间系数序列的线性趋势,将其作为对应空间分布模态下CWSI的线性变化趋势,记作T_EOF_CWSI。
作为本发明的优选实施方式,具体的,所述步骤170中通过公式(4-5)计算通过North检验的EOF时间系数序列与各观测站各观测气象因素的Pearson相关系数,表示典型空间分布型对应的时间序列变化与通过质量控制检查的观测气象因素的相关性,如其通过置信度为0.05的显著性t检验,则将其作为气象因素指标,进行下一步归因分析,
作为本发明的优选实施方式,具体的,所述步骤180中通过公式(11-13)计算步骤160中通过显著性检验的气象因素对不同空间分布型的遥感干旱的贡献度,得到选取空间分布模态下CWSI的线性趋势CT_CWSI,具体如下,
首先考虑某个典型空间分布模态CWSI的变化受多个气象因素的共同影响,可表示为公式(11),因此其一阶Taylor展开式为公式(12),
其中yj为通过North检验的第j个典型空间模态下的时间系数序列,为CWSI第j个典型模态的时间系数与第l个格点上对应的通过t检验的第i个气象因素的时间序列之间的回归系数,xj,l,i为CWSI第j个典型下、第l个格点上对应的通过t检验的第i个气象因素的时间序列,δ1,j,l为残差项,NN为所述步骤170中通过显著性检验的气象因素个数,
当考虑气象因素随时间发生变化时,其通过如下公式(12)通过累加求和可计算出各观测站的气象因素对CWSI变化的贡献度,由此得到各典型空间分布模态下、由各测站的气象因素估算所得的CWSI的变化趋势CT_EOF_CWSI。
其中表示通过North检验的第j个空间模态下,第l个观测站CWSI对应的时间系数序列随时间的变化趋势,/>表示通过North检验的第j个空间模态下,第l个观测站气象因素对CWSI的贡献。
具体的,对比偏微分方法估算CWSI变化趋势与实际CWSI变化趋势的效果:
基于线性拟合方式,求解比偏微分方法估算CWSI变化趋势与实际CWSI变化趋势的均方根误差和截距,判断其在待检测地区的适用性。
步骤七、对气象因素导致的干旱进行归因分析,基于偏微分估算方法分析待检测区域内不同时间尺度的气象因素对干旱变化趋势的影响:
使用公式得到的回归系数以及气象因素变化趋势来量化气象因素对CWSI的贡献,气象因素的总体贡献度计算公式如下:
Qc=αWSQWS+αRHQRH+αTAQTA+αSHQSH+ε (14)
其中,QC表示气象因素的贡献率,其中QWS等表示各气象要素的变化趋势,ε为残差余项。
本发明还提出一种遥感干旱的评估及归因装置,包括:
第一数据获取模块,用于获取目标地区于选定时间段内的卫星遥感数据,所述卫星遥感数据包括实际蒸散发数据ET和潜在蒸散发数据PET数据集,基于所述卫星遥感数据计算得到表示干旱的作物缺水指数CWSI;
第二数据获取模块,用于获取目标地区于所述选定时间段内的观测站气象因素,对所述观测站气象因素进行质量控制,将未通过质控的数据置缺处理后,得到经质控的观测气象数据,所述观测站气象因素包括平均气温、平均气压、相对湿度、风速、降水、日照时数的气象因素;
第三数据获取模块,用于将ERA5资料的ET资料插值到与所述卫星遥感数据相同的分辨率,得到插值后的ET和PET,基于插值后的ET、PET求解作物缺水指数,得到再分析资料的作物缺水指数CWSIER;
干旱指数评估指标计算模块,用于利用CWSIER作为参考值,与所述作物缺水指数CWSI进行对比评估,得到Pearson相关系数CC,和CWSI、CWSIER的线性变化趋势,从而完成目标地区选定时间段内遥感干旱的适用性评估;
CWSI主模态的时间序列提取模块,用于选取所述作物缺水指数CWSI,利用经验正交分解EOF方法,选取通过North检验的空间分布模态作为CWSI的典型空间分布型,对应的时间系数序列表示目标地区CWSI典型空间分布型的典型时间分布特征;
典型模态的时间变化趋势计算模块,用于选取所述CWSI的典型时间分布特征,利用Theil-Sen法求解各典型空间分布型对应的线性变化趋势T_CWSI,将其作为对应空间分布模态下CWSI的总体时间变化趋势;
气象因素筛选模块,用于分别计算所述典型时间分布特征与质控后的观测站气象因素的Pearson相关系数,如求解的Pearson相关系数通过置信度为0.05的显著性t检验,则将其作为求解通过检验的气象因素,进行下一步归因分析;
气象因素贡献度计算模块,用于针对通过检验的气象因素,基于偏微分方法,分析CWSI的变化受到多种通过显著性检验的气象因素的共同影响,利用偏微分方法展开得到CWSI受到气象因素影响的变化趋势CT_CWSI;
适用性判断模块,用于将所述变化趋势CT_CWSI与所述线性变化趋势T_CWSI进行归因方法的对比评价,计算对应空间分布模态T_CWSI与CT_CWSI的决定系数R2、均方根误差RMSE,判断计算得到的CT_CWSI在目标地区的适用性,从而完成该归因方法在目标地区的适用性评价;
归因分析模块,用于量化通过检验的气象因素的贡献度,通过累加求和计算各个CWSI空间分布模态下气象因素的总体贡献度及各个气象因素的贡献度,得到了遥感干旱CWSI典型空间分布型变化趋势的归因分析,完成对气象因素导致的干旱的归因分析。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例中的方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储的介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本发明的预定范围。此外,上文以发明人可预见的实施例对本发明进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (10)
1.一种遥感干旱的评估与归因方法,其特征在于,包括以下:
步骤110、获取目标地区于选定时间段内的卫星遥感数据,所述卫星遥感数据包括实际蒸散发数据ET和潜在蒸散发数据PET数据集,基于所述卫星遥感数据计算得到表示干旱的作物缺水指数CWSI;
步骤120、获取目标地区于所述选定时间段内的观测站气象因素,对所述观测站气象因素进行质量控制,将未通过质控的数据置缺处理后,得到经质控的观测气象数据,所述观测站气象因素包括平均气温、平均气压、相对湿度、风速、降水、日照时数的气象因素;
步骤130、将ERA5资料的ET资料插值到与所述卫星遥感数据相同的分辨率,得到插值后的ET和PET,基于插值后的ET、PET求解作物缺水指数,得到再分析资料的作物缺水指数CWSIER;
步骤140、利用CWSIER作为参考值,与所述作物缺水指数CWSI进行对比评估,得到Pearson相关系数CC,和CWSI、CWSIER的线性变化趋势,从而完成目标地区选定时间段内遥感干旱的适用性评估;
步骤150、选取所述作物缺水指数CWSI,利用经验正交分解EOF方法,选取通过North检验的空间分布模态作为CWSI的典型空间分布型,对应的时间系数序列表示目标地区CWSI典型空间分布型的典型时间分布特征;
步骤160、选取所述CWSI的典型时间分布特征,利用Theil-Sen法求解各典型空间分布型对应的线性变化趋势T_CWSI,将其作为对应空间分布模态下CWSI的总体时间变化趋势;
步骤170、分别计算所述典型时间分布特征与质控后的观测站气象因素的Pearson相关系数,如求解的Pearson相关系数通过置信度为0.05的显著性t检验,则将其作为求解通过检验的气象因素,进行下一步归因分析;
步骤180、针对通过检验的气象因素,基于偏微分方法,分析CWSI的变化受到多种通过显著性检验的气象因素的共同影响,利用偏微分方法展开得到CWSI受到气象因素影响的变化趋势CT_CWSI;
步骤190、将所述变化趋势CT_CWSI与所述线性变化趋势T_CWSI进行归因方法的对比评价,计算对应空间分布模态T_CWSI与CT_CWSI的决定系数R2、均方根误差RMSE,判断计算得到的CT_CWSI在目标地区的适用性,从而完成该归因方法在目标地区的适用性评价;
步骤200、量化通过检验的气象因素的贡献度,通过累加求和计算各个CWSI空间分布模态下气象因素的总体贡献度及各个气象因素的贡献度,得到了遥感干旱CWSI典型空间分布型变化趋势的归因分析,完成对气象因素导致的干旱的归因分析。
2.根据权利要求1所述的一种遥感干旱的评估与归因方法,其特征在于,具体的,在所述步骤110中,通过如下公式(1)基于所述卫星遥感数据计算得到表示干旱的作物缺水指数CWSI,
3.根据权利要求1所述的一种遥感干旱的评估与归因方法,其特征在于,具体的,所述步骤120中,所述观测站气象因素包括气温、气压、相对湿度、风速、降水、日照时数基础观测要素,对所述观测站气象因素进行质量控制得到质控观测气象数据,质量控制步骤包括观测界限值检查、气候异常值检查、内部一致性检查,具体如下,
对观测界限值检验进行初步质量控制,降水范围在0≤降水≤200毫米,气温范围在-80℃≤气温≤60℃,气压范围在500hPa≤气压≤1100hPa、风速范围在0m/s≤风速≤80m/s,日照时数范围在0时≤日照时数≤24时,相对湿度范围在0≤相对湿度≤100%,超过阈值范围认为是错误数据;
对所述步骤中的各气象要素进行气候异常值检验,据海上观测要素自身变化的特性,利用各测站历史的观测资料,计算其多年平均值(此处选取1991-2020年数据)和对应的标准差,通过如下公式(2)计算气候异常值阈值范围,超出阈值认为是可疑数据,通过人工判断是否为错误数据;
其中,为对应气象要素的多年平均值,σ为标准差,
对各气象要素进行内部一致性检验,最低气温≤气温≤最高气温,最低气压≤平均气压≤最高气压,相对湿度≥最小相对湿度,超出阈值认为是可疑数据,通过人工判断是否为错误数据;
人工对以上过程认为是错误数据的数据使用数据插补方式进行插补,得到通过质量控制检查的观测气象要素。
4.根据权利要求1所述的一种遥感干旱的评估与归因方法,其特征在于,具体的,所述步骤130中,获取目标地区于选定时间段内EAR5资料,将ERA5资料的ET和PET通过反距离插值的方法将其插值到与卫星遥感数据相同的时空分辨率,通过公式(3)计算出ERA5资料的作物缺水指数CWSIER,
5.根据权利要求1所述的一种遥感干旱的评估与归因方法,其特征在于,具体的,所述步骤140中,通过公式(4)计算相关系数CC,对CWSI和CWSIER分别选取每个对应格点的待检测时间序列,基于Theil-Sen法通过如下公式(6)分别计算CWSI和CWSIER时间序列的线性趋势,如果相关系数CC可以通过置信度为0.05的显著性t检验,t检验通过公式(5)计算,同时CWSI和CWSIER的线性趋势一致,则认为此格点的CWSI表现较好,可以进行下一步分析,否则则将此格点作为异常值,不进行下一步计算,最后得到通过适用性评估的CWSI值,
其中N表示待检区域内的时间序列长度,Xi和XXi分别表示在i个时次CWSI和CWSIER;和分别表示CWSI和CWSIER的时间序列平均值,CC的值越大,表示相关性越高,
其中Tx表示CWSI(CWSIER)的线性变化趋势,Xi和Xj是对应第i和j时次的CWSI(CWSIER)值,Tx>0代表变量呈上升趋势,反之Tx<为0时,表示呈下降趋势,N表示时间序列的长度。
6.根据权利要求1所述的一种遥感干旱的评估与归因方法,其特征在于,具体的,所述步骤150中,将经过步骤140得到的CWSI,利用经验正交分解EOF方法,计算CWSI的主要时空分布模态,计算公式见公式(7-10),具体如下,
首先将待检区域选定时间段内的CWSI,其空间格点数为m,时间长度为n,与其转置矩阵CWSIT,计算CWSI与CWSIT的交叉积,得到方阵C,对C进行EOF分解,得到特征根矩阵λ和分解矩阵W;
CWSI×CWSIT=λ×W
其次定义λi为第j模态的特征根,得到第j模态的EOF值Wj,计算见公式(7),
其中Wm,j为第m个格点的第j个模态的空间值,
将得到的Wj投影到CWSI上,即可得到所有空间特征向量对应的时间系数P,
其中,Pm×n为m×n的时间系数矩阵,Wm×m为m×m的空间函数矩阵,CWSIm×n为m×n的资料矩阵;
对得到的EOF结果,进行North检验,在95%显著性水平下的第i个特征根误差计算公式见公式(9),当相邻特征值满足公式(10)时,则认为对应的CWSI模态通过检验,选取通过检验的EOF值作为CWSI的典型时空分布模态,
其中ei代表第i个特征根误差,λi为第i个特征值,N为CWSI时间序列的长度。
7.根据权利要求1所述的一种遥感干旱的评估与归因方法,其特征在于,具体的,所述步骤160中通过公式(4)计算通过North检验的EOF的模态对应的时间系数序列的线性趋势,将其作为对应空间分布模态下CWSI的线性变化趋势,记作T_EOF_CWSI。
8.根据权利要求1所述的一种遥感干旱的评估与归因方法,其特征在于,具体的,所述步骤170中通过公式(4-5)计算通过North检验的EOF时间系数序列与各观测站各观测气象因素的Pearson相关系数,表示典型空间分布型对应的时间序列变化与通过质量控制检查的观测气象因素的相关性,如其通过置信度为0.05的显著性t检验,则将其作为气象因素指标,进行下一步归因分析。
9.根据权利要求4所述的一种遥感干旱的评估与归因方法,其特征在于,具体的,所述步骤180中通过公式(11-13)计算步骤160中通过显著性检验的气象因素对不同空间分布型的遥感干旱的贡献度,得到选取空间分布模态下CWSI的线性趋势CT_CWSI,具体如下,
首先考虑某个典型空间分布模态CWSI的变化受多个气象因素的共同影响,可表示为公式(11),因此其一阶Taylor展开式为公式(12),
其中yj为通过North检验的第j个典型空间模态下的时间系数序列,为CWSI第j个典型模态的时间系数与第l个格点上对应的通过t检验的第i个气象因素的时间序列之间的回归系数,xj,l,i为CWSI第j个典型下、第l个格点上对应的通过t检验的第i个气象因素的时间序列,δ1,j,l为残差项,NN为所述步骤170中通过显著性检验的气象因素个数,
当考虑气象因素随时间发生变化时,其通过如下公式(13)通过累加求和可计算出各观测站的气象因素对CWSI变化的贡献度,由此得到各典型空间分布模态下、由各测站的气象因素估算所得的CWSI的变化趋势CT_EOF_CWSI;
其中表示通过North检验的第j个空间模态下,第l个观测站CWSI对应的时间系数序列随时间的变化趋势,/>表示通过North检验的第j个空间模态下,第l个观测站气象因素对CWSI的贡献。
10.一种遥感干旱的评估及归因装置,其特征在于,包括:
第一数据获取模块,用于获取目标地区于选定时间段内的卫星遥感数据,所述卫星遥感数据包括实际蒸散发数据ET和潜在蒸散发数据PET数据集,基于所述卫星遥感数据计算得到表示干旱的作物缺水指数CWSI;
第二数据获取模块,用于获取目标地区于所述选定时间段内的观测站气象因素,对所述观测站气象因素进行质量控制,将未通过质控的数据置缺处理后,得到经质控的观测气象数据,所述观测站气象因素包括平均气温、平均气压、相对湿度、风速、降水、日照时数的气象因素;
第三数据获取模块,用于将ERA5资料的ET资料插值到与所述卫星遥感数据相同的分辨率,得到插值后的ET和PET,基于插值后的ET、PET求解作物缺水指数,得到再分析资料的作物缺水指数CWSIER;
干旱指数评估指标计算模块,用于利用CWSIER作为参考值,与所述作物缺水指数CWSI进行对比评估,得到Pearson相关系数CC,和CWSI、CWSIER的线性变化趋势,从而完成目标地区选定时间段内遥感干旱的适用性评估;
CWSI主模态的时间序列提取模块,用于选取所述作物缺水指数CWSI,利用经验正交分解EOF方法,选取通过North检验的空间分布模态作为CWSI的典型空间分布型,对应的时间系数序列表示目标地区CWSI典型空间分布型的典型时间分布特征;
典型模态的时间变化趋势计算模块,用于选取所述CWSI的典型时间分布特征,利用Theil-Sen法求解各典型空间分布型对应的线性变化趋势T_CWSI,将其作为对应空间分布模态下CWSI的总体时间变化趋势;
气象因素筛选模块,用于分别计算所述典型时间分布特征与质控后的观测站气象因素的Pearson相关系数,如求解的Pearson相关系数通过置信度为0.05的显著性t检验,则将其作为求解通过检验的气象因素,进行下一步归因分析;
气象因素贡献度计算模块,用于针对通过检验的气象因素,基于偏微分方法,分析CWSI的变化受到多种通过显著性检验的气象因素的共同影响,利用偏微分方法展开得到CWSI受到气象因素影响的变化趋势CT_CWSI;
适用性判断模块,用于将所述变化趋势CT_CWSI与所述线性变化趋势T_CWSI进行归因方法的对比评价,计算对应空间分布模态T_CWSI与CT_CWSI的决定系数R2、均方根误差RMSE,判断计算得到的CT_CWSI在目标地区的适用性,从而完成该归因方法在目标地区的适用性评价;
归因分析模块,用于量化通过检验的气象因素的贡献度,通过累加求和计算各个CWSI空间分布模态下气象因素的总体贡献度及各个气象因素的贡献度,得到了遥感干旱CWSI典型空间分布型变化趋势的归因分析,完成对气象因素导致的干旱的归因分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311058310.4A CN117669856A (zh) | 2023-08-21 | 2023-08-21 | 一种遥感干旱的评估与归因方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311058310.4A CN117669856A (zh) | 2023-08-21 | 2023-08-21 | 一种遥感干旱的评估与归因方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117669856A true CN117669856A (zh) | 2024-03-08 |
Family
ID=90062923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311058310.4A Pending CN117669856A (zh) | 2023-08-21 | 2023-08-21 | 一种遥感干旱的评估与归因方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117669856A (zh) |
-
2023
- 2023-08-21 CN CN202311058310.4A patent/CN117669856A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
De Silva et al. | A comparison of methods used in estimating missing rainfall data | |
Firat et al. | Missing data analysis and homogeneity test for Turkish precipitation series | |
CN112819312B (zh) | 气候变化情景下干旱社会经济暴露度评估方法和系统 | |
CN116879297B (zh) | 土壤水分协同反演的方法、装置、设备和介质 | |
CN117196353B (zh) | 基于大数据的环境污染评估与监测方法及系统 | |
CN113901384A (zh) | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 | |
Abdolalizadeh et al. | Rangeland canopy cover estimation using Landsat OLI data and vegetation indices in Sabalan rangelands, Iran | |
CN111967535B (zh) | 一种储粮管理场景温度传感器故障诊断方法及其诊断装置 | |
CN112461734A (zh) | 一种加速腐蚀试验的设计方法 | |
Satalino et al. | Wheat crop mapping by using ASAR AP data | |
CN114926743A (zh) | 一种基于动态时间窗口的作物分类方法及系统 | |
CN112699951A (zh) | 降水数据融合方法、装置、终端设备及可读存储介质 | |
CN117669394B (zh) | 一种山区峡谷桥梁长期性能综合评估方法及系统 | |
Colwell et al. | Wheat yield forecasts using Landsat data | |
CN113486295A (zh) | 基于傅里叶级数的臭氧总量变化预测方法 | |
Pasaribu et al. | Rainfall forecast of merauke using autoregressive integrated moving average model | |
CN117669856A (zh) | 一种遥感干旱的评估与归因方法及装置 | |
CN111579565B (zh) | 农业干旱监测方法、系统及存储介质 | |
CN116432032A (zh) | 基于多源数据和机器学习的气象数据异常事件识别方法 | |
CN113742929A (zh) | 一种针对格点气象实况的数据质量评价方法 | |
CN114723166A (zh) | 一种基于XGBoost模型的地表温度重建方法 | |
CN114563771A (zh) | 基于聚类分析的双阈值激光雷达云层检测算法 | |
CN110020409B (zh) | 基于自适应核密度估计算法的地面气温观测资料分析方法 | |
CN111752976A (zh) | 气象数据处理方法、装置、计算机设备及可读存储介质 | |
Dabrowski et al. | Quality Control in Weather Monitoring with Dynamic Linear Models |
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 |