CN117892638B - 一种利用条件概率函数的干旱形成时间预测方法及系统 - Google Patents

一种利用条件概率函数的干旱形成时间预测方法及系统 Download PDF

Info

Publication number
CN117892638B
CN117892638B CN202410289442.6A CN202410289442A CN117892638B CN 117892638 B CN117892638 B CN 117892638B CN 202410289442 A CN202410289442 A CN 202410289442A CN 117892638 B CN117892638 B CN 117892638B
Authority
CN
China
Prior art keywords
drought
conditional probability
formation time
variable
data
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
CN202410289442.6A
Other languages
English (en)
Other versions
CN117892638A (zh
Inventor
刘懿
杨子锐
张欣雨
史锐光
杨邦
袁山水
朱榴骏
张林齐
任立良
陈睿奇
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202410289442.6A priority Critical patent/CN117892638B/zh
Publication of CN117892638A publication Critical patent/CN117892638A/zh
Application granted granted Critical
Publication of CN117892638B publication Critical patent/CN117892638B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种利用条件概率函数的干旱形成时间预测方法及系统，包括：构建数据集；计算变量边缘分布，构建联合概率函数；推求条件概率分布函数及条件概率模型；抽样并划分数据集，导入随机森林模型；修正条件概率模型，预测未来干旱形成时间。本发明结合随机森林模型推算出的干旱形成时间与影响因子间的对应值，对理论计算的条件概率模型进行修正，得到更为精确的条件概率函数以预测未来不同影响因子下的干旱形成时间。该方法使得在分析单一主要影响因子变化与多个次要影响因子变化下对干旱形成时间的影响时具有更高的精度，并对进一步研究干旱过程提供技术手段参考。

Description

一种利用条件概率函数的干旱形成时间预测方法及系统
技术领域
本发明涉及一种干旱形成时间的预测方法，尤其涉及一种利用条件概率函数的干旱形成时间预测方法及系统。
背景技术
干旱形成时间指一次干旱事件从事件开始阶段到进入事件持续阶段之间的时间。近年来，随着极端气候事件发生的频率逐渐增加，干旱事件的形成过程不断加速。地区干旱经历的从正常干旱进入严重干旱的过程所花费的时间从以往的几个月在极端情况下可能缩短至几周。对干旱形成时间的预测有利于对干旱事件的监测和预警，能够为地区主动应对干旱提供技术支持，同时对突发严重干旱的研究有重要意义。
目前主流研究中对干旱事件的形成时间这一因素没有足够的重视，主要研究方向围绕着干旱事件的空间信息、气象信息与地理信息展开，忽视了全球高温背景下时间信息的重要性。同时，许多研究利用水文、气象等方面的指数所建立的干旱预测模型，如回归模型、时间序列模型、混合模型等，尽管其具有一定的灵活性，通过建立干旱影响因素与干旱事件间的联系对干旱进行预测，但它们没有考虑到潜在物理机制下不同影响因素之间的相互作用关系。
发明内容
发明目的：针对以上问题，本方法提出一种利用条件概率函数的干旱形成时间预测方法及系统，能够快速预测干旱形成时间，提高了多影响因子下对干旱形成时间的预测精度。
技术方案：本发明提供一种利用条件概率函数的干旱形成时间预测方法，包括：
（1）获取研究地区土壤含水量分位数数据以及该地区的降雨及温湿度数据，根据土壤含水量分位数数据得到干旱形成时间数据，将预处理后的干旱形成时间数据作为因变量数据集；将预处理后的降雨及温湿度数据作为自变量数据集；所述干旱形成时间指由土壤含水量分位数划分的干旱事件时间跨度中由干旱开始至发展到某一阶段所对应的时间。所述降雨及温湿度数据为：平均降雨、最高气温和前期土壤湿度数据。
（2）计算各自变量数据和因变量数据的边缘分布函数，根据各自变量数据和因变量数据的边缘分布函数，采用C-vine-copula函数计算所有变量的联合分布函数；所述的计算各自变量数据和因变量数据的边缘分布函数，是通过选取分布函数对各变量进行边缘分布的拟合，采用极大似然函数进行边缘分布参数估计，运用K-S检验法进行拟合优度检验；所述分布函数包括皮尔逊分布、对数正态分布、广义极值分布。所述的采用C-vine-copula函数计算所有变量的联合分布函数，计算式为：，
其中，是联合分布函数，/>表示各变量，n为变量个数；/>代表各变量对应的边缘分布函数，其中，/>是双变量联合分布函数，/>表示变量/>在给定变量/>条件下的条件概率分布函数。
（3）根据联合分布函数计算条件概率分布函数，得到条件概率模型；条件概率模型的输出是在给定条件下的条件概率函数中斜率最大值对应的干旱形成时间。条件概率分布函数计算式为：，
式中，表示干旱形成时间/>在给定降雨/>、温度/>、湿度/>下的条件概率分布函数，/>定义为计算变量/>在给定变量/>条件下的条件概率分布函数的算符。
（4）对自变量集中的每个变量数据进行抽样，抽样数据符合各变量对应的边缘概率分布，使用抽样数据训练随机森林模型，得到训练后的随机森林模型；所述的使用抽样数据训练随机森林模型，包括：将抽样数据按照比例划分为训练集与验证集，使用训练集训练随机森林模型，使用验证集进行模型验证。
（5）将自变量数据集输入训练后的随机森林模型，使用随机森林模型输出的干旱形成时间修正条件概率模型，利用修正后的条件概率模型预测未来干旱形成时间。
使用随机森林模型输出的干旱形成时间修正条件概率模型，包括：将自变量数据集输入至步骤三得到的条件概率模型中，条件概率模型输出的干旱形成时间数据与随机森林模型输出的干旱形成时间数据经由最小二乘准则进行评估；对不同自变量条件下对应的条件概率分布曲线进行沿横轴方向上的整体偏移，选取评估值最优的条件概率分布曲线作为修正后的条件概率分布曲线，得到修正后的条件概率分布函数。本发明提供了一种干旱形成时间预测系统，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上述的利用条件概率函数的干旱形成时间预测方法。
本发明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利用条件概率函数的干旱形成时间预测方法。
有益效果：相比于现有技术，本发明具有以下优点：本发明通过在影响因子间构建联合概率分布，使得影响因子间的互相作用也被考虑进来。利用条件概率模型建立影响因子与干旱形成时间的概率分布曲线，从而实现干旱形成时间的快速预测。本发明结合随机森林模型推算出的干旱形成时间与影响因子间的对应值，对理论计算的条件概率模型进行修正，得到更为精确的条件概率函数以预测未来不同影响因子下的干旱形成时间。该方法使得在分析单一主要影响因子变化与多个次要影响因子变化下对干旱形成时间的影响时具有更高的精度，并对进一步研究干旱过程提供技术手段参考。
附图说明
图1是本发明所述的利用条件概率函数的干旱形成时间预测方法的流程图。
具体实施方式
本发明所述的利用条件概率函数的干旱形成时间预测方法，流程图如图1所示，包括以下步骤（按照步骤中所描述的过程执行，步骤之间没有特定的顺序）：
步骤一，根据某地区（研究区域）土壤含水量分位数数据以及该地区的降雨及温湿度数据，构建数据集。
其中，本实施例采用由干旱形成时间构建的因变量数据集Y(/>)和由平均降雨、最高气温、前期土壤湿度三项影响因子构建的自变量数据集X(/>)。本实施例中变量共计四种。其中，干旱形成时间指由土壤含水量分位数（SMP）划分的干旱事件时间跨度中由干旱开始至发展到某一阶段的时间。本方法取一场干旱事件中土壤含水量分位数由40%降低至20%的过程对应的时间段作为该干旱事件的形成时间数据。由土壤含水量分位数（SMP）划分的干旱事件时间跨度指：将一次干旱事件划分为开始、发展、持续、恢复、结束五个阶段。认为SMP低于40%时为干旱事件的开始，SMP再次大于或等于40%时为干旱事件的结束，其中一次干旱事件中SMP最低值应低于20%，其持续时间不应小于1周。
步骤二：计算各自变量数据和因变量数据的边缘分布函数，根据拟合的各自变量数据和因变量数据的边缘分布函数，采用C-vine-copula函数计算联合分布函数。
选取函数对变量进行边缘分布拟合，选取的函数可包括皮尔逊分布、对数正态分布、广义极值分布等。采用极大似然函数公式进行边缘分布参数估计，运用K-S检验法进行拟合优度检验，确定各变量最适合的边缘分布函数。极大似然函数公式如下：
，
式中，为似然函数；/>为变量/>对应的边缘分布函数，变量/>包括自变量和因变量/>；/>为预估参数，n为变量的个数，本例中n=4。
选取K-S检验法拟合最佳的函数作为每个变量的边缘分布函数，得到四个边缘分布函数，/>，/>，/>。
构建联合分布函数：引入C-vine-copula函数，将多个随机变量的边缘分布构建联合分布，其表达公式为：，
其中，是一个n维的联合分布函数；/>(i=1,...,n), 代表各变量对应的边缘分布函数，/>是一个双变量联合分布函数，/>表示变量/>在给定变量/>条件下的条件概率分布函数。
对于本发明中四维的情况，公式可写为：
，
其中，为/>的简写，其余可以此类推。/>表示/>，表示/>，/>表示/>，/>表示，/>表示/>。
步骤三：根据联合分布函数计算条件概率函数，得到条件概率模型；条件概率模型的输出是在给定条件下的条件概率函数中斜率最大值对应的干旱形成时间。
对于n维的条件概率分布函数，其基本公式为：
，
其中定义为/>，/>是向量v的任意分量；是不包含/>的向量。
对于本发明中四维的情况，基于步骤二中联合分布函数公式，得到条件概率函数：
，
式中，表示干旱形成时间/>在给定平均降雨/>、最高气温/>、前期土壤湿度/>下的条件概率分布函数，/>定义为计算变量/>在给定变量/>条件下的条件概率分布函数的算符。
由以上公式即得到干旱形成时间在给定平均降雨/>、最高气温/>、前期土壤湿度/>下的理论条件分布，绘制对应的理论概率分布函数。
步骤四：对自变量集中的每个变量数据进行抽样，抽样数据符合各变量对应的边缘概率分布，使用抽样数据训练随机森林模型，得到训练后的随机森林模型。
对自变量集中的每个元素进行符合其边缘概率分布的抽样，应根据研究区域历史数据和地理信息相应的调整抽样的范围。
抽样处理后的数据按照8:2的比例随机拆分为训练集与验证集，使得数据有良好的一致性和代表性，随后导入随机森林模型指将训练集中的数据导入随机森林模型进行训练，并使用验证集中的数据进行模型验证。
步骤五：将自变量数据集输入训练后的随机森林模型，使用输出的干旱形成时间修正条件概率函数，利用修正后的条件概率函数预测未来干旱形成时间。
在随机森林模型训练完毕后，输入与理论计算所使用的相同的自变量数据集，以输出由随机森林模型预测的干旱形成时间。将同样的自变量数据集输入至步骤三计算得到的条件概率模型，输出的干旱形成时间与随机森林模型导出的数据经由最小二乘准则进行评估，公式如下：
，
式中，代表残差；/>代表随机森林模型输出的干旱形成时间；/>代表变量/>，输入下，条件概率模型输出的干旱形成时间。
设定，对不同自变量条件下对应的条件概率分布曲线进行沿横轴方向上的整体偏移，选取拥有min(μ)的条件概率分布曲线作为修正后的条件概率分布曲线，得到修正后的条件概率分布函数。
对于未来某一场干旱事件，可利用修正后的条件概率函数，输入对应的平均降雨、最高气温与前期土壤湿度，以预测此场干旱由40%土壤水分分位数下降至20%土壤水分分位数所需要花费的时间。
在一个实施例中，提供了一种干旱形成时间预测系统，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上述的利用条件概率函数的干旱形成时间预测方法。
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利用条件概率函数的干旱形成时间预测方法。
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 (7)

1.一种利用条件概率函数的干旱形成时间预测方法，其特征在于，包括：
获取研究地区土壤含水量分位数数据以及该地区的降雨及温湿度数据，根据土壤含水量分位数数据得到干旱形成时间数据，将预处理后的干旱形成时间数据作为因变量数据集；将预处理后的降雨及温湿度数据作为自变量数据集；所述降雨及温湿度数据为：平均降雨、最高气温和前期土壤湿度数据；
计算各自变量数据和因变量数据的边缘分布函数，根据各自变量数据和因变量数据的边缘分布函数，采用C-vine-copula函数计算所有变量的联合分布函数；
根据联合分布函数计算条件概率分布函数，得到条件概率模型；条件概率模型的输出是在给定条件下的条件概率分布函数中斜率最大值对应的干旱形成时间；
对自变量集中的每个变量数据进行抽样，抽样数据符合各变量对应的边缘概率分布，使用抽样数据训练随机森林模型，得到训练后的随机森林模型；
将自变量数据集输入训练后的随机森林模型，使用随机森林模型输出的干旱形成时间修正条件概率模型，利用修正后的条件概率模型预测未来干旱形成时间；
所述的根据联合分布函数计算条件概率分布函数，计算式为：
，
式中，表示干旱形成时间/>在给定降雨/>、温度/>、湿度/>下的条件概率分布函数，/>定义为计算变量/>在给定变量/>条件下的条件概率分布函数的算符；
所述的使用随机森林模型输出的干旱形成时间修正条件概率模型，包括：将同样的自变量数据集输入至条件概率模型，条件概率模型所输出的干旱形成时间与随机森林模型输出的干旱形成时间数据经由最小二乘准则进行评估，公式如下：
，
式中，代表残差；/>代表随机森林模型输出的干旱形成时间；/>代表变量/>，输入下，条件概率模型输出的干旱形成时间；
设定，对不同自变量条件下对应的条件概率分布曲线进行沿横轴方向上的整体偏移，选取拥有min(μ)的条件概率分布曲线作为修正后的条件概率分布曲线，得到修正后的条件概率分布函数。
2.根据权利要求1所述的利用条件概率函数的干旱形成时间预测方法，其特征在于：所述干旱形成时间指由土壤含水量分位数划分的干旱事件时间跨度中由干旱开始至发展到某一阶段所对应的时间。
3.根据权利要求1所述的利用条件概率函数的干旱形成时间预测方法，其特征在于：所述的计算各自变量数据和因变量数据的边缘分布函数，是通过选取分布函数对各变量进行边缘分布的拟合，采用极大似然函数进行边缘分布参数估计，运用K-S检验法进行拟合优度检验；所述分布函数包括皮尔逊分布、对数正态分布、广义极值分布。
4.根据权利要求1所述的利用条件概率函数的干旱形成时间预测方法，其特征在于：所述的采用C-vine-copula函数计算所有变量的联合分布函数，计算式为：，
其中，是联合分布函数，/>表示各变量，n为变量个数；/>代表各变量对应的边缘分布函数，其中，/>是双变量联合分布函数，/>表示变量/>在给定变量/>条件下的条件概率分布函数，/>表示变量/>在给定变量/>条件下的条件概率分布函数。
5.根据权利要求1所述的利用条件概率函数的干旱形成时间预测方法，其特征在于：所述的使用抽样数据训练随机森林模型，包括：将抽样数据按照比例划分为训练集与验证集，使用训练集训练随机森林模型，使用验证集进行模型验证。
6.一种干旱形成时间预测系统，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5中任一项所述的利用条件概率函数的干旱形成时间预测方法。
7.一种计算机程序产品，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5中任一项所述的利用条件概率函数的干旱形成时间预测方法。
CN202410289442.6A 2024-03-14 2024-03-14 一种利用条件概率函数的干旱形成时间预测方法及系统 Active CN117892638B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410289442.6A CN117892638B (zh) 2024-03-14 2024-03-14 一种利用条件概率函数的干旱形成时间预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410289442.6A CN117892638B (zh) 2024-03-14 2024-03-14 一种利用条件概率函数的干旱形成时间预测方法及系统

Publications (2)

Publication Number Publication Date
CN117892638A CN117892638A (zh) 2024-04-16
CN117892638B true CN117892638B (zh) 2024-05-17

Family

ID=90646021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410289442.6A Active CN117892638B (zh) 2024-03-14 2024-03-14 一种利用条件概率函数的干旱形成时间预测方法及系统

Country Status (1)

Country Link
CN (1) CN117892638B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909933A (zh) * 2019-11-20 2020-03-24 北京师范大学 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法
CN111797129A (zh) * 2020-06-01 2020-10-20 武汉大学 一种气候变化情景下水文旱情评估方法
CN111831969A (zh) * 2020-07-01 2020-10-27 中山大学 一种基于改进联合干旱指数的干旱恢复潜力评估方法
CN113743013A (zh) * 2021-09-08 2021-12-03 成都卡普数据服务有限责任公司 一种基于XGBoost气温预测数据修正的方法
CN116297550A (zh) * 2023-03-17 2023-06-23 扬州大学 一种利用表层土壤水分监测农业干旱的方法
CN117390550A (zh) * 2023-08-25 2024-01-12 贵州电网有限责任公司 考虑排放训练集的低碳园区碳排放动态预测方法及系统
CN117578425A (zh) * 2023-11-22 2024-02-20 安徽立卓智能电网科技有限公司 一种极端天气情况下的区域功率预测修正方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909933A (zh) * 2019-11-20 2020-03-24 北京师范大学 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法
CN111797129A (zh) * 2020-06-01 2020-10-20 武汉大学 一种气候变化情景下水文旱情评估方法
CN111831969A (zh) * 2020-07-01 2020-10-27 中山大学 一种基于改进联合干旱指数的干旱恢复潜力评估方法
CN113743013A (zh) * 2021-09-08 2021-12-03 成都卡普数据服务有限责任公司 一种基于XGBoost气温预测数据修正的方法
CN116297550A (zh) * 2023-03-17 2023-06-23 扬州大学 一种利用表层土壤水分监测农业干旱的方法
CN117390550A (zh) * 2023-08-25 2024-01-12 贵州电网有限责任公司 考虑排放训练集的低碳园区碳排放动态预测方法及系统
CN117578425A (zh) * 2023-11-22 2024-02-20 安徽立卓智能电网科技有限公司 一种极端天气情况下的区域功率预测修正方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A global perspective on the probability of propagation of drought: From meteorological to soil moisture;Ye Zhu 等;Journal of Hydrology;20210906;全文 *
Sustainability Analysis and Environmental Decision-Making Using Simulation, Optimization, and Computational Analytics;Mariia Kozlova 等;Sustainability;20220131;全文 *
基于ASBCS算法的混合Copula邻近水文站年径流量预测;佘纬 等;中南民族大学学报(自然科学版);20191215(第04期);全文 *
基于Copula熵-随机森林的中长期径流预报研究;黄朝君 等;人民长江;20211130;第52卷(第11期);全文 *
基于时变参数和阈值的非平稳水文干旱评估方法构建;王孟浩;水利学报;20231231;第54卷(第12期);全文 *

Also Published As

Publication number Publication date
CN117892638A (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
CN114118640B (zh) 长期降水预测模型构建方法、长期降水预测方法及装置
CN108428017B (zh) 基于核极限学习机分位数回归的风电功率区间预测方法
CN111754024B (zh) 一种基于回归分析的电力行业时间序列的预测方法和系统
CN107862863B (zh) 一种交通数据质量提升的方法及装置
JP2022510667A (ja) エネルギー消費量を予測するための方法および装置
CN106485348A (zh) 一种交易数据的预测方法及装置
CN112362816A (zh) 一种基于观测数据的臭氧来源分析方法及装置
CN114169434A (zh) 一种负荷预测方法
CN110110339B (zh) 一种日前水文预报误差校正方法及系统
CN112070272A (zh) 一种输电线路的覆冰厚度预测方法及装置
CN115860214A (zh) 一种pm2.5排放浓度的预警方法和装置
CN117236529B (zh) 基于大数据的大型活动人流量预测方法
CN112766535A (zh) 一种考虑负荷曲线特征的建筑负荷预测方法及系统
CN116739147A (zh) 基于bim的智能能耗管理与动态碳排放计算联合方法及系统
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
CN117406309A (zh) 多数值计算成员生成方法、装置及存储介质
CN110377525B (zh) 一种基于运行时特征和机器学习的并行程序性能预测系统
CN110210657B (zh) 一种基于单机模型的风机功率预测方法、系统及计算机存储介质
CN116228175A (zh) 一种基于企业级工程施工成本的实时管理系统
CN109840308B (zh) 一种区域风电功率概率预报方法及系统
CN116151469A (zh) 一种预报空气质量的模型
CN111310121A (zh) 一种新能源出力概率预测方法和系统
CN113724508B (zh) 一种考虑交通排放不确定性的交通信号鲁棒控制方法
CN114417549B (zh) 一种基于超级计算机的数字孪生目标场数据处理系统
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