CN117688505A - 一种植被大范围区域化负异常的预测方法及系统 - Google Patents
一种植被大范围区域化负异常的预测方法及系统 Download PDFInfo
- Publication number
- CN117688505A CN117688505A CN202410157179.5A CN202410157179A CN117688505A CN 117688505 A CN117688505 A CN 117688505A CN 202410157179 A CN202410157179 A CN 202410157179A CN 117688505 A CN117688505 A CN 117688505A
- Authority
- CN
- China
- Prior art keywords
- negative
- lattice point
- vegetation
- time
- anomaly
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000005856 abnormality Effects 0.000 title claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims abstract description 61
- 230000001360 synchronised effect Effects 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000011160 research Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 9
- 230000001932 seasonal effect Effects 0.000 claims description 8
- 238000011282 treatment Methods 0.000 claims description 8
- 238000011835 investigation Methods 0.000 claims description 4
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims 5
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004181 pedogenesis Methods 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种植被大范围区域化负异常的预测方法及系统,包括:将研究区域网格化,提取各格点反映植被状态的参数W的时间序列;对各格点序列进行预处理;计算各格点间的同步性负异常次数,得到各格点间负异常事件的同步性数据;根据同步性数据判断各格点间负异常事件的发生是否具有同步性;筛选区域内与待预测格点具有同步性的格点集,根据所述格点集中各格点参数W负异常事件的时间序列,对待预测格点未来的参数W负异常事件进行预测。本发明在植被负异常变化的预测中引入了同步性考量,通过建立区域间植被负异常的同步性,使得单个或多个区域出现植被负异常现象时对与该部分区域建立同步性的区域进行植物负异常预警。
Description
技术领域
本发明涉及一种植被生态系统异常监控方法,尤其涉及一种植被大范围区域化负异常的预测方法及系统。
背景技术
植被负异常指植被因某种因素的变化导致的植被某种状态低于正常值的异常。植被作为土壤形成、能量转化的重要参与者之一,对植被大范围区域化负异常的监测有助于对植被生长现有风险和潜在风险的研究,对自然植被生长与人工植被培育具有重要意义。现有的植被负异常研究包括以下方向,一种是研究如何精确地监控植被某种状态的负异常情况,对植被的实时状态进行数据监控;另一种是研究基于植物状态数据,对未来可能发生负异常的情况进行预测预警。
现有的植被大范围区域化负异常预测方法是从影响负异常的环境因素入手来进行预测,其主流方式是选择一种或多种已知的在对不同区域同时造成负异常影响的影响因子,通过控制变量研究负异常开始的事件,具有较大的局限性。例如,引入了大尺度环流对不同区域间发生负异常的作用,使用经验正交函数(EOF)或耦合模式分析,来预测大范围区域的植被负异常情况。但这种方法一方面受限于环境因素的数据精度或预测结果,另一方面也缺乏探究气候学数据中高阶相关的能力,导致植被负异常的预测结果并不理想。另外,许多研究还侧重于特定的对象、过程或时空尺度,而没有明确考虑可能的潜在相互关系,导致预测结果在小范围内精度足够,但扩大至大范围区域化植被研究时产生了精度下降的问题。
发明内容
发明目的:针对以上问题,本发明提出一种植被大范围区域化负异常的预测方法及系统,能够提高植被大范围区域化负异常事件预测的准确性。
技术方案:本发明所采用的技术方案是一种植被大范围区域化负异常的预测方法,包括以下步骤:
步骤一,将研究区域网格化,提取各格点反映植被状态的参数W的时间序列;其中所述的反映植被状态的参数W,包括NDVI指数和GPP指数;
步骤二,对各格点序列进行预处理,得到各格点参数W负异常事件的时间序列;所述预处理包括“去季节”处理和“去趋势”处理;所述的“去季节”处理,是将相邻两年的同一日期数据相减,所述的“去趋势”处理是用原始时间序列减去原始时间序列的最优拟合曲线,所述最优拟合曲线采用最小二乘法确定;所述的负异常事件指预处理后时间序列数据中出现的负值区域,包括负异常开始、峰值、结束三个阶段,将负异常开始对应的时间作为负异常事件的发生时间。
步骤三,根据各格点参数W负异常事件的时间序列,计算各格点间的同步性负异常次数,得到各格点间负异常事件的同步性数据;所述同步性负异常是指:当某一格点在某个时刻发生了负异常事件时,如果另一格点在相同时刻的时间区域δ内也发生了负异常事件,则计为这两个格点发生了一次同步性负异常。所述同步性数据的计算公式为:
式中,为格点i与格点j间的同步性数据,/>指格点i与格点j的参数W负异常事件的时间序列上发生同步性负异常的次数;/>与/>分别为格点i与格点j参数W负异常事件的时间序列上发生负异常事件的总数。
其中,格点i与格点j参数W负异常事件的时间序列上发生同步性负异常的次数采用赋值法计算,计算公式为:
其中,为赋值定义式,如下:
式中,为赋值定义式,/>指格点i参数W负异常事件的时间序列上发生的第l个负异常事件的时间;/>指格点j参数W负异常事件的时间序列上发生的第m个负异常事件的时间;/>、/>为常数,且/>;/>为格点i与格点j的参数W负异常事件的同步滞时,即时间区域δ。
所述同步滞时的计算公式为:
式中,指格点i与格点j参数W负异常事件的同步滞时,t为时间,l指格点i参数W负异常事件的时间序列上发生的第l个负异常事件,l=1, 2,..., />;m指格点j参数W负异常事件的时间序列上发生的第m个负异常事件,j=1, 2,..., />,min{}为取最小值。
步骤四,根据同步性数据判断各格点间负异常事件的发生是否具有同步性,判断函数为:
式中为判断函数,/>为同步性数据,/>为设定值;当/>时,认为格点i与格点j之间具有同步性,当/>时,认为格点i与格点j间不具有同步性。
步骤五,筛选区域内与待预测格点具有同步性的格点集,根据所述格点集中各格点参数W负异常事件的时间序列,对待预测格点未来的参数W负异常事件进行预测。
优选的,筛选区域内与待预测格点具有同步性的格点集,还包括:通过计算格点集中各格点的影响因子,设定参数/>,对判断有同步性的格点集进一步筛选,筛选条件为满足/>。影响因子/>的计算式为:
式中,N为所研究区域的格点总数,为判断函数。
所述的对待预测格点未来的参数W负异常事件进行预测,计算式为:
式中,Y为待预测格点时刻t的负异常事件预测值,设格点集,/>为格点集中格点/>参数W负异常事件的时间序列上时刻t对应的距平值,/>为格点集中各格点的权重系数,其中,系数/>的计算公式为:
式中,为待预测格点i与格点集中某格点j间的同步性数据,n为格点集中格点总数。由Y值的正负,可判断格点A是否发生负异常。若Y值为正,则格点A在/>时间内不会发生负异常;若Y值为负,则格点A在/>时间内会发生负异常。
本发明提出一种植被大范围区域化负异常的预测系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的植被大范围区域化负异常的预测方法的步骤。
本发明提出一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现所述的植被大范围区域化负异常的预测方法的步骤。
有益效果:相比于现有技术,本发明具有以下优点:本发明解决了植被大范围区域化负异常的预测问题,本发明中的植被大范围区域化负异常预测指的是万平方公里级或以上面积的区域内植被负异常情况预测。本发明通过计算同步滞时得到两格点间负异常事件的同步性数据,提出从同步性的角度进行植被负异常的研究;由同步性数据来量化区域间负异常事件并凸显出大范围内、不同区域间内在的相互关联结构,并对区域未来植被负异常进行预测。本发明量化了不同区域负异常事件发生的相互关系,利用建立区域间同步性的联系提高了对植被负异常事件发生的预警能力,大大提高了植被大范围区域化负异常的预测准确率。
附图说明
图1是本发明所述的植被大范围区域化负异常的预测方法的流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的植被大范围区域化负异常的预测方法,流程图如图1所示。本实施例以NDVI指数为例,详述NDVI指数大范围区域化负异常的预测方法。该方法同样适用于其他植被状态指数,例如NDVI、GPP等随时间具有特征变化的指数。
步骤一:提取研究区域各格点的NDVI指数时间序列。
步骤二:对各格点序列进行“去季节”、“去趋势”处理后,得到各格点发生NDVI指数负异常事件的时间序列。
“去季节”处理指消除时间序列中季节性的成分,防止由季节变化产生的重复的循环对同步性计算产生干扰,植被的生长状态明显受季节性影响,可知植被状态指数NDVI的时间序列中具有强加性季节性成分。本发明中的“去季节”处理采用差分法,即将两年的同一日期的数据相减,从而来对季节性进行修正。
“去趋势”处理指消除时间序列中随时间长期增加或减少的成分,使较长跨度的时间序列更加稳定,便于将分析集中在数据趋势本身的波动上,其原理是对数据减去一条最优的拟合曲线,使得去趋势后的数据均值为零,便于对植被负异常事件的统计。最优的拟合曲线采用最小二乘法进行确定。
经过“去季节”和“去趋势”处理后,得到的每日数据即是相较于长期平均值的距平值。当距平值低于0时,说明该格点在该时间上正在发生负异常事件。将距平值等于0时识别为负异常事件的开始,再次为0时识别为负异常事件的结束,期间内距平值的最低值为负异常事件的峰值。本实施例中以负异常事件的开始时刻作为负异常事件的标记时刻,格点中发生负异常事件的标记时刻组成的序列为NDVI指数负异常事件的时间序列。由此得到各格点NDVI指数负异常事件的时间序列。在计算时可以选择负异常开始时刻、峰值时刻、结束时刻任一种作为负异常事件的标记时刻。
步骤三:通过同步滞时得到两格点间负异常事件的同步性数据。
同步滞时指:在某一格点的某个时刻发生了负异常事件时,若另一格点在相同时刻的时间阈值范围内也发生了负异常事件,那么这两个格点算作发生了一次同步性负异常,该时间阈值范围即为同步滞时,其计算公式:
式中,/>指格点i和格点j发生NDVI指数负异常事件的时间序列的同步滞时;l指格点i对应的序列上发生的第l个负异常事件,l=1, 2,..., />;m指格点j对应的序列上发生的第m个负异常事件,j=1, 2,..., />;/>与/>分别为格点i和格点j对应的序列上发生的负异常事件数量的总数。
的大小不大于三个月,是为了将间隔过远的负异常事件排除,使同步性限定在至多三个月以内,提升其准确性。同步滞时参数大小也可根据具体的情况来调整设定。基于同步滞时,引入同步性数据/>用于描述两格点间负异常事件同步的程度,其计算公式为:
式中,指格点i与格点j时间序列发生同步性负异常的次数,采用赋值方法计算,其计算公式为:
式中,的定义如下式:
其中的赋值可以调整,两个时刻正好相同的赋值应小于标准的同步性负异常赋值。
步骤四:由同步性数据大小判断研究区域内各格点间负异常事件的发生是否具有同步性。
定义函数,用于描述格点间是否具有同步性负异常,其计算公式为:
式中,的值定为/>的第99分位数。
当时,认为格点间具有同步性负异常,当/>时,认为格点间不具有同步性负异常。此时,得到了各格点间同步性负异常的01序列。
步骤五:对区域未来植被负异常进行预测。
对于选定的待预测格点,通过以下步骤实现负异常事件的预测。
在某一时刻,选定格点A作为预测的对象,筛选与格点A满足的所有格点,构成格点集/>。n为满足与格点A计算的/>的格点总数。/>为/>的第99分位数。
对于,在该时刻存在对应的NDVI值集,通过步骤一、二的处理,可以得到该时刻各格点的NDVI距平值,形成集/>。
构建的回归方程。式中,Y为选定格点A的NDVI距平值;/>为不同格点的权重系数,其中,任一系数/>的计算公式为:
在预测时刻t以前,一段时间区域内,格点A为正,由Y值的正负,可判断格点A是否发生负异常。若Y值为正,则A在时间内不会发生负异常;若Y值为负,则A在/>时间内会发生负异常。其中,/>取格点间计算出的最小值。
此时,Y值的计算与实际误差较大,故引入筛选的步骤,设定参数,用于描述格点与研究区域其他所有格点的负异常同步性程度。其计算公式为:
式中,N为研究区域的格点总数。
可知,当拥有越高值的区域产生负异常时,会有越多区域同步性的产生负异常。
率定参数,使得格点集/>(/>)中/>格点不仅满足与格点A计算的/>,同时需满足/>。明显的,/>不应设定过大,也不应设定过小,设定/>,每隔0.01取一次值,利用历史数据,根据最终Y值计算的结果与符合的情况,确定格点A的/>的最佳值,再将计算出的/>用于未来负异常预测计算中。
在一个实施例中,提供了一种植被大范围区域化负异常的预测系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的植被大范围区域化负异常的预测方法的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现所述的植被大范围区域化负异常的预测方法的步骤。
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。
Claims (10)
1.一种植被大范围区域化负异常的预测方法,其特征在于,包括以下步骤:
步骤一,将研究区域网格化,提取各格点反映植被状态的参数W的时间序列;
步骤二,对各格点序列进行预处理,得到各格点参数W负异常事件的时间序列;
步骤三,根据各格点参数W负异常事件的时间序列,计算各格点间的同步性负异常次数,得到各格点间负异常事件的同步性数据;所述同步性负异常是指:当某一格点在某个时刻发生了负异常事件时,如果另一格点在相同时刻的时间区域δ内也发生了负异常事件,则计为这两个格点发生了一次同步性负异常;
步骤四,根据同步性数据判断各格点间负异常事件的发生是否具有同步性;
步骤五,筛选区域内与待预测格点具有同步性的格点集,根据所述格点集中各格点参数W负异常事件的时间序列,对待预测格点未来的参数W负异常事件进行预测。
2.根据权利要求1所述的植被大范围区域化负异常的预测方法,其特征在于:步骤一中的反映植被状态的参数W,包括NDVI指数和GPP指数;步骤二中所述预处理包括“去季节”处理和“去趋势”处理;所述的“去季节”处理,是将相邻两年的同一日期数据相减,所述的“去趋势”处理是用原始时间序列减去原始时间序列的最优拟合曲线,所述最优拟合曲线采用最小二乘法确定;负异常事件指预处理后时间序列数据中出现的负值区域,包括负异常开始、峰值、结束三个阶段,将负异常开始对应的时间作为负异常事件的发生时间。
3.根据权利要求1所述的植被大范围区域化负异常的预测方法,其特征在于:步骤三中所述同步性数据的计算公式为:
,
式中,为格点i与格点j间的同步性数据,/>指格点i与格点j的参数W负异常事件的时间序列上发生同步性负异常的次数;/>与/>分别为格点i与格点j参数W负异常事件的时间序列上发生负异常事件的总数。
4.根据权利要求3所述的植被大范围区域化负异常的预测方法,其特征在于:格点i与格点j参数W负异常事件的时间序列上发生同步性负异常的次数采用赋值法计算,计算公式为:
,
其中,为赋值定义式,如下:
,
式中,为赋值定义式,/>指格点i参数W负异常事件的时间序列上发生的第l个负异常事件的时间;/>指格点j参数W负异常事件的时间序列上发生的第m个负异常事件的时间;/>、/>为常数,且/>;/>为格点i与格点j的参数W负异常事件的同步滞时,即时间区域δ。
5.根据权利要求4所述的植被大范围区域化负异常的预测方法,其特征在于:所述同步滞时的计算公式为:
,
式中,指格点i与格点j参数W负异常事件的同步滞时,t为时间,l指格点i参数W负异常事件的时间序列上发生的第l个负异常事件,l=1, 2,..., />;m指格点j参数W负异常事件的时间序列上发生的第m个负异常事件,j=1, 2,..., />,min{}为取最小值。
6.根据权利要求1所述的植被大范围区域化负异常的预测方法,其特征在于:步骤五中所述的对待预测格点未来的参数W负异常事件进行预测,计算式为:
,
式中,Y为待预测格点时刻t的负异常事件预测值,设格点集,/>为格点集中格点/>参数W负异常事件的时间序列上时刻t对应的距平值,/>为格点集中各格点的权重系数,其中,系数/>的计算公式为:
,
式中为权重系数,/>为待预测格点i与格点集中某格点j间的同步性数据,n为格点集中格点总数;若Y值为正,则待测格点在/>时间内不会发生负异常;若Y值为负,则待测格点在/>时间内会发生负异常。
7.根据权利要求1所述的植被大范围区域化负异常的预测方法,其特征在于:步骤五中所述的筛选区域内与待预测格点具有同步性的格点集,还包括:通过计算格点集中各格点的影响因子,设定参数/>,对判断有同步性的格点集进一步筛选,筛选条件为满足/>;影响因子/>的计算式为:
,
式中,N为所研究区域的格点总数,为判断函数。
8.根据权利要求1所述的植被大范围区域化负异常的预测方法,其特征在于,根据同步性数据判断各格点间负异常事件的发生是否具有同步性,判断函数为:
,
式中为判断函数,/>为同步性数据,/>为设定值;当/>时,认为格点i与格点j之间具有同步性,当/>时,认为格点i与格点j间不具有同步性。
9.一种植被大范围区域化负异常的预测系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的植被大范围区域化负异常的预测方法的步骤。
10.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1至8中任一项所述的植被大范围区域化负异常的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410157179.5A CN117688505B (zh) | 2024-02-04 | 2024-02-04 | 一种植被大范围区域化负异常的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410157179.5A CN117688505B (zh) | 2024-02-04 | 2024-02-04 | 一种植被大范围区域化负异常的预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117688505A true CN117688505A (zh) | 2024-03-12 |
CN117688505B CN117688505B (zh) | 2024-04-19 |
Family
ID=90135777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410157179.5A Active CN117688505B (zh) | 2024-02-04 | 2024-02-04 | 一种植被大范围区域化负异常的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117688505B (zh) |
Citations (47)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010111748A1 (en) * | 2009-04-01 | 2010-10-07 | Curtin University Of Technology | Systems and methods for detecting anomalies from data |
EP2239676A1 (de) * | 2009-04-09 | 2010-10-13 | Biotronik CRM Patent AG | Verfahren und Anordnung zur Vorhersage mindestens eines Systemereignisses sowie ein entsprechendes Computerprogramm und ein entsprechendes computerlesbares Speichermedium |
US20100262978A1 (en) * | 2009-04-09 | 2010-10-14 | Biotronik Crm Patent Ag | Method and Arrangement for Predicting at Least One System Event, Corresponding Computer Program, and Corresponding Computer-Readable Storage Medium |
WO2012161606A1 (ru) * | 2011-05-20 | 2012-11-29 | Атокс Канада Инкорпорэйтид | Способ прогнозирования сейсмического события |
CN104537222A (zh) * | 2014-12-18 | 2015-04-22 | 中国科学院东北地理与农业生态研究所 | 基于遥感的区域植被覆盖对地表气温影响的估算方法 |
US20160196527A1 (en) * | 2015-01-06 | 2016-07-07 | Falkonry, Inc. | Condition monitoring and prediction for smart logistics |
CN106779505A (zh) * | 2017-02-28 | 2017-05-31 | 中国南方电网有限责任公司 | 一种基于大数据驱动的输电线路故障预警方法及系统 |
CN107145985A (zh) * | 2017-05-09 | 2017-09-08 | 北京城建设计发展集团股份有限公司 | 一种城市轨道交通客流区域联动预警方法 |
WO2018207350A1 (ja) * | 2017-05-12 | 2018-11-15 | 三菱電機株式会社 | 時系列データ処理装置、時系列データ処理システムおよび時系列データ処理方法 |
CN109002937A (zh) * | 2018-09-07 | 2018-12-14 | 深圳供电局有限公司 | 电网负荷预测方法、装置、计算机设备和存储介质 |
US10197706B1 (en) * | 2016-03-04 | 2019-02-05 | The Florida State University Research Foundation, Inc. | System and method for sub-seasonal forecasts of extreme weather events in winter |
CN109615215A (zh) * | 2018-12-06 | 2019-04-12 | 西安理工大学 | 一种区域植被恢复的特征分析方法 |
CN109636171A (zh) * | 2018-12-06 | 2019-04-16 | 西安理工大学 | 一种区域植被恢复的综合诊断与风险评价方法 |
CN109844832A (zh) * | 2016-12-30 | 2019-06-04 | 同济大学 | 一种基于行程时间分布的多模态交通异常检测方法 |
CN110212524A (zh) * | 2019-06-13 | 2019-09-06 | 云南电网有限责任公司电力科学研究院 | 一种区域电力负荷预测方法 |
US10490309B1 (en) * | 2014-08-27 | 2019-11-26 | Cerner Innovation, Inc. | Forecasting clinical events from short physiologic timeseries |
CN111045117A (zh) * | 2020-01-13 | 2020-04-21 | 黑龙江省气候中心 | 一种气候监测预测平台 |
CN111832506A (zh) * | 2020-07-20 | 2020-10-27 | 大同煤矿集团有限责任公司 | 一种基于长时序植被指数的重建植被遥感判别方法 |
US20200410321A1 (en) * | 2019-06-28 | 2020-12-31 | Conduent Business Services, Llc | Neural network systems and methods for event parameter determination |
CN112417791A (zh) * | 2020-11-19 | 2021-02-26 | 山东山大电力技术股份有限公司 | 基于线性回归与ahp算法的电力设备监视预警方法及系统 |
US20210088563A1 (en) * | 2019-09-24 | 2021-03-25 | General Electric Company | Signature identification for power system events |
CN112820105A (zh) * | 2020-12-31 | 2021-05-18 | 银江股份有限公司 | 路网异常区域处理的方法及系统 |
CN113421255A (zh) * | 2021-07-21 | 2021-09-21 | 中国科学院地理科学与资源研究所 | 一种基于栅格的耕地复种指数提取方法及系统 |
CN113723595A (zh) * | 2021-09-02 | 2021-11-30 | 重庆大学 | 基于微震事件定量预测的煤矿冲击地压智能预警方法 |
CN113935439A (zh) * | 2021-12-15 | 2022-01-14 | 阿里云计算有限公司 | 排水管网的故障检测方法、设备、服务器及存储介质 |
WO2022191520A1 (ko) * | 2021-03-08 | 2022-09-15 | 포항공과대학교 산학협력단 | 시계열 데이터의 이상 구간 탐지 방법 및 탐지 장치 |
WO2022204723A1 (en) * | 2021-03-26 | 2022-09-29 | Schlumberger Technology Corporation | Field equipment data system |
CN115200911A (zh) * | 2022-07-01 | 2022-10-18 | 山东术木医疗科技有限公司 | 一种机械通气分析预警方法及系统 |
WO2023275763A1 (en) * | 2021-06-29 | 2023-01-05 | Universite De Caen Normandie | Systems and methods for knowledge-based reasoning of an autonomous system |
WO2023275760A1 (en) * | 2021-06-29 | 2023-01-05 | Universite De Caen Normandie | Systems and methods for navigation of an autonomous system |
WO2023275764A1 (en) * | 2021-06-29 | 2023-01-05 | Universite De Caen Normandie | Systems and methods for generation of action strategies by an autonomous system |
CN115577807A (zh) * | 2022-09-22 | 2023-01-06 | 成都国佳电气工程有限公司 | 基于pmu数据驱动的轨道交通电力系统故障事件检测方法 |
CN115760484A (zh) * | 2022-12-07 | 2023-03-07 | 湖北华中电力科技开发有限责任公司 | 一种配电台区隐患辨识能力提升方法、装置、系统及存储介质 |
CN115796404A (zh) * | 2022-11-10 | 2023-03-14 | 国网江苏省电力有限公司营销服务中心 | 一种面向代理购电用户的用电预测方法及系统 |
CN115858763A (zh) * | 2022-12-19 | 2023-03-28 | 城云科技(中国)有限公司 | 多模态数据融合的城管事件分析方法及其应用 |
CN115953085A (zh) * | 2023-03-15 | 2023-04-11 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种评估复合干热事件对植被生长影响的方法 |
WO2023093386A1 (zh) * | 2021-11-29 | 2023-06-01 | 腾讯科技(深圳)有限公司 | 一种数据检测方法、装置、电子设备、计算机存储介质及计算机程序产品 |
US11695643B1 (en) * | 2021-10-28 | 2023-07-04 | Rapid7, Inc. | Statistical control rules for detecting anomalies in time series data |
CN116432831A (zh) * | 2023-03-20 | 2023-07-14 | 佳都科技集团股份有限公司 | 一种化学品风险类型异常事件的预测方法 |
CN116628621A (zh) * | 2023-04-14 | 2023-08-22 | 长沙理工大学 | 多元时序数据异常事件诊断方法、装置、设备及存储介质 |
CN116682003A (zh) * | 2023-05-11 | 2023-09-01 | 北京师范大学 | 一种植被异常的遥感即时探测方法和装置 |
CN116701551A (zh) * | 2022-05-05 | 2023-09-05 | 中移动信息技术有限公司 | 异常预测方法、装置、设备及存储介质 |
CN116842435A (zh) * | 2023-06-07 | 2023-10-03 | 广西大学 | 基于swap的场次干旱三维度量及时空演变可视化方法 |
CN117117968A (zh) * | 2023-08-28 | 2023-11-24 | 淮阴工学院 | 一种基于数据增强的风电场爬坡事件预测方法 |
CN117220920A (zh) * | 2023-08-21 | 2023-12-12 | 武汉卓尔信息科技有限公司 | 基于人工智能的防火墙策略管理方法 |
CN117272812A (zh) * | 2023-09-26 | 2023-12-22 | 昆明理工大学 | 一种低纬小区域电离层模型构建方法 |
CN117390580A (zh) * | 2023-10-26 | 2024-01-12 | 福州大学 | 一种综合多特征的海洋热浪遥感识别方法 |
-
2024
- 2024-02-04 CN CN202410157179.5A patent/CN117688505B/zh active Active
Patent Citations (47)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010111748A1 (en) * | 2009-04-01 | 2010-10-07 | Curtin University Of Technology | Systems and methods for detecting anomalies from data |
EP2239676A1 (de) * | 2009-04-09 | 2010-10-13 | Biotronik CRM Patent AG | Verfahren und Anordnung zur Vorhersage mindestens eines Systemereignisses sowie ein entsprechendes Computerprogramm und ein entsprechendes computerlesbares Speichermedium |
US20100262978A1 (en) * | 2009-04-09 | 2010-10-14 | Biotronik Crm Patent Ag | Method and Arrangement for Predicting at Least One System Event, Corresponding Computer Program, and Corresponding Computer-Readable Storage Medium |
WO2012161606A1 (ru) * | 2011-05-20 | 2012-11-29 | Атокс Канада Инкорпорэйтид | Способ прогнозирования сейсмического события |
US10490309B1 (en) * | 2014-08-27 | 2019-11-26 | Cerner Innovation, Inc. | Forecasting clinical events from short physiologic timeseries |
CN104537222A (zh) * | 2014-12-18 | 2015-04-22 | 中国科学院东北地理与农业生态研究所 | 基于遥感的区域植被覆盖对地表气温影响的估算方法 |
US20160196527A1 (en) * | 2015-01-06 | 2016-07-07 | Falkonry, Inc. | Condition monitoring and prediction for smart logistics |
US10197706B1 (en) * | 2016-03-04 | 2019-02-05 | The Florida State University Research Foundation, Inc. | System and method for sub-seasonal forecasts of extreme weather events in winter |
CN109844832A (zh) * | 2016-12-30 | 2019-06-04 | 同济大学 | 一种基于行程时间分布的多模态交通异常检测方法 |
CN106779505A (zh) * | 2017-02-28 | 2017-05-31 | 中国南方电网有限责任公司 | 一种基于大数据驱动的输电线路故障预警方法及系统 |
CN107145985A (zh) * | 2017-05-09 | 2017-09-08 | 北京城建设计发展集团股份有限公司 | 一种城市轨道交通客流区域联动预警方法 |
WO2018207350A1 (ja) * | 2017-05-12 | 2018-11-15 | 三菱電機株式会社 | 時系列データ処理装置、時系列データ処理システムおよび時系列データ処理方法 |
CN109002937A (zh) * | 2018-09-07 | 2018-12-14 | 深圳供电局有限公司 | 电网负荷预测方法、装置、计算机设备和存储介质 |
CN109636171A (zh) * | 2018-12-06 | 2019-04-16 | 西安理工大学 | 一种区域植被恢复的综合诊断与风险评价方法 |
CN109615215A (zh) * | 2018-12-06 | 2019-04-12 | 西安理工大学 | 一种区域植被恢复的特征分析方法 |
CN110212524A (zh) * | 2019-06-13 | 2019-09-06 | 云南电网有限责任公司电力科学研究院 | 一种区域电力负荷预测方法 |
US20200410321A1 (en) * | 2019-06-28 | 2020-12-31 | Conduent Business Services, Llc | Neural network systems and methods for event parameter determination |
US20210088563A1 (en) * | 2019-09-24 | 2021-03-25 | General Electric Company | Signature identification for power system events |
CN111045117A (zh) * | 2020-01-13 | 2020-04-21 | 黑龙江省气候中心 | 一种气候监测预测平台 |
CN111832506A (zh) * | 2020-07-20 | 2020-10-27 | 大同煤矿集团有限责任公司 | 一种基于长时序植被指数的重建植被遥感判别方法 |
CN112417791A (zh) * | 2020-11-19 | 2021-02-26 | 山东山大电力技术股份有限公司 | 基于线性回归与ahp算法的电力设备监视预警方法及系统 |
CN112820105A (zh) * | 2020-12-31 | 2021-05-18 | 银江股份有限公司 | 路网异常区域处理的方法及系统 |
WO2022191520A1 (ko) * | 2021-03-08 | 2022-09-15 | 포항공과대학교 산학협력단 | 시계열 데이터의 이상 구간 탐지 방법 및 탐지 장치 |
WO2022204723A1 (en) * | 2021-03-26 | 2022-09-29 | Schlumberger Technology Corporation | Field equipment data system |
WO2023275763A1 (en) * | 2021-06-29 | 2023-01-05 | Universite De Caen Normandie | Systems and methods for knowledge-based reasoning of an autonomous system |
WO2023275764A1 (en) * | 2021-06-29 | 2023-01-05 | Universite De Caen Normandie | Systems and methods for generation of action strategies by an autonomous system |
WO2023275760A1 (en) * | 2021-06-29 | 2023-01-05 | Universite De Caen Normandie | Systems and methods for navigation of an autonomous system |
CN113421255A (zh) * | 2021-07-21 | 2021-09-21 | 中国科学院地理科学与资源研究所 | 一种基于栅格的耕地复种指数提取方法及系统 |
CN113723595A (zh) * | 2021-09-02 | 2021-11-30 | 重庆大学 | 基于微震事件定量预测的煤矿冲击地压智能预警方法 |
US11695643B1 (en) * | 2021-10-28 | 2023-07-04 | Rapid7, Inc. | Statistical control rules for detecting anomalies in time series data |
WO2023093386A1 (zh) * | 2021-11-29 | 2023-06-01 | 腾讯科技(深圳)有限公司 | 一种数据检测方法、装置、电子设备、计算机存储介质及计算机程序产品 |
CN113935439A (zh) * | 2021-12-15 | 2022-01-14 | 阿里云计算有限公司 | 排水管网的故障检测方法、设备、服务器及存储介质 |
CN116701551A (zh) * | 2022-05-05 | 2023-09-05 | 中移动信息技术有限公司 | 异常预测方法、装置、设备及存储介质 |
CN115200911A (zh) * | 2022-07-01 | 2022-10-18 | 山东术木医疗科技有限公司 | 一种机械通气分析预警方法及系统 |
CN115577807A (zh) * | 2022-09-22 | 2023-01-06 | 成都国佳电气工程有限公司 | 基于pmu数据驱动的轨道交通电力系统故障事件检测方法 |
CN115796404A (zh) * | 2022-11-10 | 2023-03-14 | 国网江苏省电力有限公司营销服务中心 | 一种面向代理购电用户的用电预测方法及系统 |
CN115760484A (zh) * | 2022-12-07 | 2023-03-07 | 湖北华中电力科技开发有限责任公司 | 一种配电台区隐患辨识能力提升方法、装置、系统及存储介质 |
CN115858763A (zh) * | 2022-12-19 | 2023-03-28 | 城云科技(中国)有限公司 | 多模态数据融合的城管事件分析方法及其应用 |
CN115953085A (zh) * | 2023-03-15 | 2023-04-11 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种评估复合干热事件对植被生长影响的方法 |
CN116432831A (zh) * | 2023-03-20 | 2023-07-14 | 佳都科技集团股份有限公司 | 一种化学品风险类型异常事件的预测方法 |
CN116628621A (zh) * | 2023-04-14 | 2023-08-22 | 长沙理工大学 | 多元时序数据异常事件诊断方法、装置、设备及存储介质 |
CN116682003A (zh) * | 2023-05-11 | 2023-09-01 | 北京师范大学 | 一种植被异常的遥感即时探测方法和装置 |
CN116842435A (zh) * | 2023-06-07 | 2023-10-03 | 广西大学 | 基于swap的场次干旱三维度量及时空演变可视化方法 |
CN117220920A (zh) * | 2023-08-21 | 2023-12-12 | 武汉卓尔信息科技有限公司 | 基于人工智能的防火墙策略管理方法 |
CN117117968A (zh) * | 2023-08-28 | 2023-11-24 | 淮阴工学院 | 一种基于数据增强的风电场爬坡事件预测方法 |
CN117272812A (zh) * | 2023-09-26 | 2023-12-22 | 昆明理工大学 | 一种低纬小区域电离层模型构建方法 |
CN117390580A (zh) * | 2023-10-26 | 2024-01-12 | 福州大学 | 一种综合多特征的海洋热浪遥感识别方法 |
Non-Patent Citations (3)
Title |
---|
LI, GEN等: "Deep learning for anomaly detection in multivariate time series: Approaches, applications, and challenges", 《INFORMATION FUSION》, vol. 91, 31 March 2023 (2023-03-31), pages 93 - 102 * |
任子健等: "祁连山地区过去500 a年代际旱涝事件演化及驱动因素分析", 《干旱区地理》, 10 January 2024 (2024-01-10), pages 1 - 21 * |
叶梦茜: "中国东部区域极端降水事件监测及低频特征分析", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 1, 15 January 2022 (2022-01-15), pages 009 - 73 * |
Also Published As
Publication number | Publication date |
---|---|
CN117688505B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | An improved ARIMA model for precipitation simulations | |
CN107038292B (zh) | 一种基于自适应多变量非参数核密度估计的多风电场出力相关性建模方法 | |
CN104766175A (zh) | 一种基于时间序列分析的电力系统异常数据辨识与修正方法 | |
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 | |
CN112417764A (zh) | 一种面向锅炉特种设备蒸汽量预测的k近邻回归预测方法 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
CN117688505B (zh) | 一种植被大范围区域化负异常的预测方法及系统 | |
CN112700050B (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
CN113887119A (zh) | 一种基于sarima-lstm的河流水质预测方法 | |
CN113421255B (zh) | 一种基于栅格的耕地复种指数提取方法及系统 | |
CN113312587A (zh) | 基于arima预测和回归预测的传感器采集数据缺失值处理方法 | |
CN116662466B (zh) | 通过大数据进行土地全生命周期维护系统 | |
CN117892638B (zh) | 一种利用条件概率函数的干旱形成时间预测方法及系统 | |
CN116416424A (zh) | 一种用于训练yolo算法模型的方法、芯片及系统 | |
CN114065126B (zh) | 降低核数据相关计算不确定度方法、装置、设备及介质 | |
CN112906101B (zh) | 基于监测数据的桥梁残余变形异常评估预警方法 | |
CN117726079B (zh) | 基于机电一体化的自动化环形产线优化方法 | |
CN117171922B (zh) | 一种钢结构制作中平行矫正的方法及系统 | |
CN118090078B (zh) | 一种闭式循环水冷系统渗漏在线监测方法 | |
CN112085459A (zh) | 一种风电项目投资估算方法及装置 | |
CN113919224A (zh) | 一种主蒸汽流量预测方法及其系统 | |
CN118134011A (zh) | 一种基坑多测点变形的联合分析预测方法 | |
Ramadhan et al. | Forecasting Monthly Export Price of Sugarcane in India Using Sarima Modelling | |
CN114330538A (zh) | 一种基于隐患风险标识的巡检路径确定方法及装置 | |
CN116167489A (zh) | 建筑能源数据分析预测方法及系统 |
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 |