CN109239807A - 降雨量评估方法及***和终端 - Google Patents
降雨量评估方法及***和终端 Download PDFInfo
- Publication number
- CN109239807A CN109239807A CN201810699290.1A CN201810699290A CN109239807A CN 109239807 A CN109239807 A CN 109239807A CN 201810699290 A CN201810699290 A CN 201810699290A CN 109239807 A CN109239807 A CN 109239807A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- history
- information
- prediction
- deep learning
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种降雨量评估方法及***和终端,其中,降雨量评估方法包括:获取目标区域的历史降雨量信息和对应的历史环境因素;对所述历史降雨量信息和所述对应的历史环境因素进行深度学习,得到降雨量预测模型;根据所述目标区域的实时环境因素,应用所述降雨量预测模型评估所述目标区域的未来降雨量信息。通过本发明的技术方案,以深度学习的方式进行降雨量评估,大大提升了降雨量评估的有效性,便于人们根据有效的降雨量信息安排出行和工作等事务,方便了人们的日常生活。
Description
【技术领域】
本发明涉及深度学习技术领域,尤其涉及一种降雨量评估方法及***和终端。
【背景技术】
目前,为满足人们实际生活需求,往往会进行天气预报,天气预报可预测未来几日的降雨量等信息,以便人们根据天气预报合理安排计划,如,农场可根据天气预报预测的降雨量信息安排是否延迟播种或提前收取农作物等。
然而,目前的降雨量预测信息准确度不高,对降雨量变化趋势定位不准,这就造成了人们根据不准确的降雨量信息安排的计划无效,极大地影响了人们的日常生活和工作。
因此,如何提升降雨量预测的准确性,成为目前亟待解决的技术问题。
【发明内容】
本发明实施例提供了一种降雨量评估方法及***和终端,旨在解决降雨量预测信息准确度不高的技术问题,能够提升降雨量评估的有效性。
第一方面,本发明实施例提供了一种降雨量评估方法,包括:获取目标区域的历史降雨量信息和对应的历史环境因素;对所述历史降雨量信息和所述对应的历史环境因素进行深度学习,得到降雨量预测模型;根据所述目标区域的实时环境因素,应用所述降雨量预测模型评估所述目标区域的未来降雨量信息。
在本发明上述实施例中,可选地,所述历史环境因素包括湿度信息;或者所述历史环境因素包括湿度信息,以及还包括:气候类型和/或温度信息。
在本发明上述实施例中,可选地,所述对所述历史降雨量信息和所述对应的历史环境因素进行深度学习,得到降雨量预测模型的步骤,具体包括:将所述历史环境因素作为输入,将对应的所述历史降雨量信息作为输出,利用长短期记忆网络进行深度学习,得到所述降雨量预测模型。
在本发明上述实施例中,可选地,所述对所述历史降雨量信息和所述对应的历史环境因素进行深度学习,得到降雨量预测模型的步骤,具体包括:将第一时长内的多次降雨对应的历史环境因素序列作为输入,将所述多次降雨对应的多项历史降雨量信息序列作为输出,利用长短期记忆网络进行深度学习,得到所述降雨量预测模型,其中,所述降雨量预测模型用于预测未来所述第一时长内的降雨量信息。
在本发明上述实施例中,可选地,所述对所述历史降雨量信息和所述对应的历史环境因素进行深度学习,得到降雨量预测模型的步骤,具体包括:根据第二时长内的多次降雨对应的历史降雨量信息,确定历史降雨量的变化趋势信息;将所述第二时长内的多次降雨对应的历史环境因素序列作为输入,将所述历史降雨量的变化趋势信息作为输出,利用长短期记忆网络进行深度学习,得到所述降雨量预测模型,其中,所述降雨量预测模型用于预测未来所述第二时长内降雨量的变化趋势信息。
第二方面,本发明实施例提供了一种降雨量评估***,包括:获取单元,获取目标区域的历史降雨量信息和对应的历史环境因素;深度学习单元,对所述历史降雨量信息和所述对应的历史环境因素进行深度学习,得到降雨量预测模型;降雨量评估单元,根据所述目标区域的实时环境因素,应用所述降雨量预测模型评估所述目标区域的未来降雨量信息。
在本发明上述实施例中,可选地,所述历史环境因素包括湿度信息;或者所述历史环境因素包括湿度信息,以及还包括:气候类型和/或温度信息。
在本发明上述实施例中,可选地,所述深度学习单元用于:将所述历史环境因素作为输入,将对应的所述历史降雨量信息作为输出,利用长短期记忆网络进行深度学习,得到所述降雨量预测模型。
在本发明上述实施例中,可选地,所述深度学习单元用于:将第一时长内的多次降雨对应的历史环境因素序列作为输入,将所述多次降雨对应的多项历史降雨量信息序列作为输出,利用长短期记忆网络进行深度学习,得到所述降雨量预测模型,其中,所述降雨量预测模型用于预测未来所述第一时长内的降雨量信息。
在本发明上述实施例中,可选地,所述深度学习单元用于:根据第二时长内的多次降雨对应的历史降雨量信息,确定历史降雨量的变化趋势信息,以及将所述第二时长内的多次降雨对应的历史环境因素序列作为输入,将所述历史降雨量的变化趋势信息作为输出,利用长短期记忆网络进行深度学习,得到所述降雨量预测模型,其中,所述降雨量预测模型用于预测未来所述第二时长内降雨量的变化趋势信息。
第三方面,本发明实施例提供了一种终端,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被设置为用于执行上述第一方面中任一项所述的方法。
以上技术方案,针对相关技术中的降雨量预测不准确的技术问题,提出通过深度学习的方式建立降雨量预测模型,并将实时环境因素应用于该降雨量预测模型,其中,该降雨量预测模型是由历史降雨量信息和对应的历史环境因素深度学习而成,根据深度学习的高效预测功能,将实时环境因素代入该降雨量预测模型即可评估出实时环境因素下所有可能带来的降雨量信息。
通过以上技术方案,以深度学习的方式进行降雨量评估,大大提升了降雨量评估的有效性,便于人们根据有效的降雨量信息安排出行和工作等事务,方便了人们的日常生活。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它的附图。
图1示出了本发明的一个实施例的降雨量评估方法的流程图;
图2示出了本发明的另一个实施例的降雨量评估方法的流程图;
图3示出了本发明的再一个实施例的降雨量评估方法的流程图;
图4示出了本发明的一个实施例的降雨量评估***的框图;
图5示出了本发明的一个实施例的终端的框图。
【具体实施方式】
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
图1示出了本发明的一个实施例的降雨量评估方法的流程图。
如图1所示,本发明实施例提供了一种降雨量评估方法,包括:
步骤102,获取目标区域的历史降雨量信息和对应的历史环境因素。
步骤104,对所述历史降雨量信息和所述对应的历史环境因素进行深度学习,得到降雨量预测模型。
其中,在深度学习过程中,将所述历史环境因素作为输入,将对应的所述历史降雨量信息作为输出,利用长短期记忆网络进行深度学习,得到所述降雨量预测模型。此方法中,历史环境因素为一项,对应的历史降雨量信息也为一项,多用于通过多种单次降雨,训练得到能预测单次降雨量的模型。
深度学习包括多种分支,而在此采用的则是长短期记忆网络(LSTM,Long Short-Term Memory)这一种,其为一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件,历史环境因素为条件,历史降雨量信息为结果,故将这两项分别作为输入和输出,能够通过训练得到以环境因素计算出降雨量信息的模型。
步骤106,根据所述目标区域的实时环境因素,应用所述降雨量预测模型评估所述目标区域的未来降雨量信息。
由此,可通过深度学习的方式建立降雨量预测模型,并将实时环境因素应用于该降雨量预测模型,其中,该降雨量预测模型是由历史降雨量信息和对应的历史环境因素深度学习而成,根据深度学习的高效预测功能,将实时环境因素代入该降雨量预测模型即可评估出实时环境因素下所有可能带来的降雨量信息。
通过以上技术方案,以深度学习的方式进行降雨量评估,大大提升了降雨量评估的有效性,便于人们根据有效的降雨量信息安排出行和工作等事务,方便了人们的日常生活。
在本发明的一种实现方式中,所述历史环境因素可仅包括湿度信息。湿度信息与降雨量息息相关,是影响降雨量的最重要的因素,因此,可通过湿度信息作为唯一的历史环境因素对降雨量进行评估。
在本发明的另一种实现方式中,所述历史环境因素包括湿度信息,以及还包括:气候类型和/或温度信息。在一定程度上,温度和气候等因素也会对地域的湿度有影响,或者说,环境因素是湿度、温度、气候等各种因素相互作用的结果。在湿度信息之外,还考虑气候类型和/或温度信息,有利于建立更加符合实际环境情况的降雨量预测模型,从而提升该降雨量预测模型的预测准确性。
图2示出了本发明的另一个实施例的降雨量评估方法的流程图。
如图2所示,本发明的另一个实施例的降雨量评估方法,包括:
步骤202,获取目标区域的历史降雨量信息和对应的历史环境因素。
步骤204,将第一时长内的多次降雨对应的历史环境因素序列作为输入,将所述多次降雨对应的多项历史降雨量信息序列作为输出,利用长短期记忆网络进行深度学习,得到所述降雨量预测模型,其中,所述降雨量预测模型用于预测未来所述第一时长内的降雨量信息。
步骤206,根据所述目标区域的实时环境因素,应用所述降雨量预测模型评估所述目标区域的未来降雨量信息。
具体来说,将第一时长内的多次降雨作为一个整体,即通过多组的多次降雨,训练得到能够预测第一时长内的多次降雨的模型。其中,历史环境因素为有序的多项,即一个序列,对应的历史降雨量信息也为有序的多项。比如,通过历史上多次的三天内历史环境因素及降雨量信息,预测未来三天内的降雨量信息。这样一来,扩大了降雨量预测的时间范围,便于人们尽可能提前安排计划,有助于提升人们生活和工作的有序性。
图3示出了本发明的再一个实施例的降雨量评估方法的流程图。
如图3所示,本发明的再一个实施例的降雨量评估方法,包括:
步骤302,获取目标区域的历史降雨量信息和对应的历史环境因素。
步骤304,根据第二时长内的多次降雨对应的历史降雨量信息,确定历史降雨量的变化趋势信息。
其中,降雨量的变化趋势信息包括但不限于在第二时长内的多次降雨的平均增长量、平均增长百分比等。
步骤306,将所述第二时长内的多次降雨对应的历史环境因素序列作为输入,将所述历史降雨量的变化趋势信息作为输出,利用长短期记忆网络进行深度学习,得到所述降雨量预测模型,其中,所述降雨量预测模型用于预测未来所述第二时长内降雨量的变化趋势信息。
具体来说,将第二时长内的多次降雨作为一个整体,通过多组的多次降雨,训练得到能够预测第二时长内的多次降雨变化趋势信息的模型。其中,历史环境因素为有序的多项,即一个序列,对应的历史降雨量的变化趋势信息也为有序的多项。比如,通过历史上多次的三天内历史环境因素及历史降雨量的变化趋势信息,预测未来三天内的降雨量的变化趋势信息。这样一来,比预测单次的降雨量扩大了降雨量预测的时间范围,便于人们尽可能提前安排计划,有助于提升人们生活和工作的有序性。
步骤308,根据所述目标区域的实时环境因素,应用所述降雨量预测模型评估所述目标区域的未来降雨量信息。
此实施例与图1和图2示出的实施例的区别在于,其预测的结果为降雨量的变化趋势信息,即将降雨量的变化情况呈现在人们面前,相比于单纯预测一定时间内的多次降雨,能够使人们更清晰全面地掌控未来的降雨情况,从而节省人为评估降雨量趋势的时间成本,便于更快速地对未来降雨做出准备和反应,这种变化趋势信息对于农业生产和地理研究等具有重大意义。
图4示出了本发明的一个实施例的降雨量评估***的框图。
如图4所示,本发明实施例提供了一种降雨量评估***400,包括:获取单元402,获取目标区域的历史降雨量信息和对应的历史环境因素;深度学习单元404,对所述历史降雨量信息和所述对应的历史环境因素进行深度学习,得到降雨量预测模型;降雨量评估单元406,根据所述目标区域的实时环境因素,应用所述降雨量预测模型评估所述目标区域的未来降雨量信息。
该降雨量评估***400使用图1至图3中任一实施例中任一项所述的方案,因此,具有上述所有技术效果,在此不再赘述。降雨量评估***400还具有以下技术特征:
在本发明上述实施例中,可选地,所述历史环境因素包括湿度信息;或者所述历史环境因素包括湿度信息,以及还包括:气候类型和/或温度信息。
在本发明上述实施例中,可选地,所述深度学习单元404用于:将所述历史环境因素作为输入,将对应的所述历史降雨量信息作为输出,利用长短期记忆网络进行深度学习,得到所述降雨量预测模型。
在本发明上述实施例中,可选地,所述深度学习单元404用于:将第一时长内的多次降雨对应的历史环境因素序列作为输入,将所述多次降雨对应的多项历史降雨量信息序列作为输出,利用长短期记忆网络进行深度学习,得到所述降雨量预测模型,其中,所述降雨量预测模型用于预测未来所述第一时长内的降雨量信息。
在本发明上述实施例中,可选地,所述深度学习单元404用于:根据第二时长内的多次降雨对应的历史降雨量信息,确定历史降雨量的变化趋势信息,以及将所述第二时长内的多次降雨对应的历史环境因素序列作为输入,将所述历史降雨量的变化趋势信息作为输出,利用长短期记忆网络进行深度学习,得到所述降雨量预测模型,其中,所述降雨量预测模型用于预测未来所述第二时长内降雨量的变化趋势信息。
图5示出了本发明的一个实施例的终端的框图。
如图5所示,本发明的一个实施例的终端500,包括至少一个存储器502;以及,与所述至少一个存储器502通信连接的处理器504;其中,所述存储器存储有可被所述至少一个处理器504执行的指令,所述指令被设置为用于执行上述图1至图3实施例中任一项所述的方案。因此,该终端500具有和图1至图3实施例中任一项相同的技术效果,在此不再赘述。
另外,本发明实施例还提供了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行图1至图3实施例中任一项所述的方法流程。
以上结合附图详细说明了本发明的技术方案,通过本发明的技术方案,以深度学习的方式进行降雨量评估,大大提升了降雨量评估的有效性,便于人们根据有效的降雨量信息安排出行和工作等事务,方便了人们的日常生活。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
应当理解,尽管在本发明实施例中可能采用术语第一、第二等来描述时长,但这些时长不应限于这些术语。这些术语仅用来将时长彼此区分开。例如,在不脱离本发明实施例范围的情况下,第一时长也可以被称为第二时长,类似地,第二时长也可以被称为第一时长。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
需要说明的是,本发明实施例中所涉及的终端可以包括但不限于个人计算机(Personal Computer,PC)、个人数字助理(Personal Digital Assistant,PDA)、无线手持设备、平板电脑(Tablet Computer)、手机、MP3播放器、MP4播放器等。
在本发明所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种降雨量评估方法,其特征在于,包括:
获取目标区域的历史降雨量信息和对应的历史环境因素;
对所述历史降雨量信息和所述对应的历史环境因素进行深度学习,得到降雨量预测模型;
根据所述目标区域的实时环境因素,应用所述降雨量预测模型评估所述目标区域的未来降雨量信息。
2.根据权利要求1所述的降雨量评估方法,其特征在于,
所述历史环境因素包括湿度信息;或者
所述历史环境因素包括湿度信息,以及还包括:气候类型和/或温度信息。
3.根据权利要求1所述的降雨量评估方法,其特征在于,所述对所述历史降雨量信息和所述对应的历史环境因素进行深度学习,得到降雨量预测模型的步骤,具体包括:
将所述历史环境因素作为输入,将对应的所述历史降雨量信息作为输出,利用长短期记忆网络进行深度学习,得到所述降雨量预测模型。
4.根据权利要求3所述的降雨量评估方法,其特征在于,所述对所述历史降雨量信息和所述对应的历史环境因素进行深度学习,得到降雨量预测模型的步骤,具体包括:
将第一时长内的多次降雨对应的历史环境因素序列作为输入,将所述多次降雨对应的多项历史降雨量信息序列作为输出,利用长短期记忆网络进行深度学习,得到所述降雨量预测模型,其中,所述降雨量预测模型用于预测未来所述第一时长内的降雨量信息。
5.根据权利要求3所述的降雨量评估方法,其特征在于,所述对所述历史降雨量信息和所述对应的历史环境因素进行深度学习,得到降雨量预测模型的步骤,具体包括:
根据第二时长内的多次降雨对应的历史降雨量信息,确定历史降雨量的变化趋势信息;
将所述第二时长内的多次降雨对应的历史环境因素序列作为输入,将所述历史降雨量的变化趋势信息作为输出,利用长短期记忆网络进行深度学习,得到所述降雨量预测模型,其中,所述降雨量预测模型用于预测未来所述第二时长内降雨量的变化趋势信息。
6.一种降雨量评估***,其特征在于,包括:
获取单元,获取目标区域的历史降雨量信息和对应的历史环境因素;
深度学习单元,对所述历史降雨量信息和所述对应的历史环境因素进行深度学习,得到降雨量预测模型;
降雨量评估单元,根据所述目标区域的实时环境因素,应用所述降雨量预测模型评估所述目标区域的未来降雨量信息。
7.根据权利要求6所述的降雨量评估***,其特征在于,
所述历史环境因素包括湿度信息;或者
所述历史环境因素包括湿度信息,以及还包括:气候类型和/或温度信息。
8.根据权利要求6所述的降雨量评估***,其特征在于,所述深度学习单元用于:
将所述历史环境因素作为输入,将对应的所述历史降雨量信息作为输出,利用长短期记忆网络进行深度学习,得到所述降雨量预测模型。
9.根据权利要求8所述的降雨量评估***,其特征在于,所述深度学习单元用于:
将第一时长内的多次降雨对应的历史环境因素序列作为输入,将所述多次降雨对应的多项历史降雨量信息序列作为输出,利用长短期记忆网络进行深度学习,得到所述降雨量预测模型,其中,所述降雨量预测模型用于预测未来所述第一时长内的降雨量信息。
10.一种终端,其特征在于,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被设置为用于执行上述权利要求1至5中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810699290.1A CN109239807A (zh) | 2018-06-29 | 2018-06-29 | 降雨量评估方法及***和终端 |
PCT/CN2018/114486 WO2020000860A1 (zh) | 2018-06-29 | 2018-11-08 | 降雨量评估方法及装置、电子设备和计算机非易失性可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810699290.1A CN109239807A (zh) | 2018-06-29 | 2018-06-29 | 降雨量评估方法及***和终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109239807A true CN109239807A (zh) | 2019-01-18 |
Family
ID=65072272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810699290.1A Pending CN109239807A (zh) | 2018-06-29 | 2018-06-29 | 降雨量评估方法及***和终端 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109239807A (zh) |
WO (1) | WO2020000860A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109799550A (zh) * | 2019-03-20 | 2019-05-24 | 北京百度网讯科技有限公司 | 用于预测降雨强度的方法和装置 |
CN110646867A (zh) * | 2019-08-28 | 2020-01-03 | 北京无线电计量测试研究所 | 一种城市排水监测预警方法和*** |
CN110826810A (zh) * | 2019-11-13 | 2020-02-21 | 吉林农业大学 | 一种空间推理与机器学习相结合的区域降雨预测方法 |
CN111324039A (zh) * | 2020-04-13 | 2020-06-23 | 湖南文理学院 | 一种用于屋顶花园浇灌的雨水循环***及其控制方法 |
CN112241813A (zh) * | 2020-10-20 | 2021-01-19 | 山东大学 | 基于小波分解的降雨预测方法及*** |
CN112470888A (zh) * | 2020-11-02 | 2021-03-12 | 广东职业技术学院 | 一种智慧社区的自动浇水方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106405682A (zh) * | 2016-08-29 | 2017-02-15 | 深圳先进技术研究院 | 一种降雨预测方法及装置 |
US20170351963A1 (en) * | 2016-06-02 | 2017-12-07 | The Climate Corporation | Estimating confidence bounds for rainfall adjustment values |
CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、***及电子设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7941274B1 (en) * | 2006-08-03 | 2011-05-10 | The Weather Channel, Llc | Advanced verification information for improved operational results |
CN107179566A (zh) * | 2017-05-12 | 2017-09-19 | 周调彪 | 一种区县天气预测的自学习修正方法及*** |
CN107966747A (zh) * | 2017-11-22 | 2018-04-27 | 成都欧远信电子科技有限公司 | 高精度的区域天气预测*** |
CN107991722A (zh) * | 2017-12-25 | 2018-05-04 | 北京墨迹风云科技股份有限公司 | 天气预测模型的建立方法、预测方法和预测装置 |
-
2018
- 2018-06-29 CN CN201810699290.1A patent/CN109239807A/zh active Pending
- 2018-11-08 WO PCT/CN2018/114486 patent/WO2020000860A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170351963A1 (en) * | 2016-06-02 | 2017-12-07 | The Climate Corporation | Estimating confidence bounds for rainfall adjustment values |
CN106405682A (zh) * | 2016-08-29 | 2017-02-15 | 深圳先进技术研究院 | 一种降雨预测方法及装置 |
CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、***及电子设备 |
Non-Patent Citations (1)
Title |
---|
许炳南: "《贵州气候与农业生产》", 31 March 1992, 贵州科技出版社 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109799550A (zh) * | 2019-03-20 | 2019-05-24 | 北京百度网讯科技有限公司 | 用于预测降雨强度的方法和装置 |
CN109799550B (zh) * | 2019-03-20 | 2022-02-18 | 北京百度网讯科技有限公司 | 用于预测降雨强度的方法和装置 |
CN110646867A (zh) * | 2019-08-28 | 2020-01-03 | 北京无线电计量测试研究所 | 一种城市排水监测预警方法和*** |
CN110826810A (zh) * | 2019-11-13 | 2020-02-21 | 吉林农业大学 | 一种空间推理与机器学习相结合的区域降雨预测方法 |
CN110826810B (zh) * | 2019-11-13 | 2022-07-15 | 吉林农业大学 | 一种空间推理与机器学习相结合的区域降雨预测方法 |
CN111324039A (zh) * | 2020-04-13 | 2020-06-23 | 湖南文理学院 | 一种用于屋顶花园浇灌的雨水循环***及其控制方法 |
CN112241813A (zh) * | 2020-10-20 | 2021-01-19 | 山东大学 | 基于小波分解的降雨预测方法及*** |
CN112241813B (zh) * | 2020-10-20 | 2024-01-23 | 山东大学 | 基于小波分解的降雨预测方法及*** |
CN112470888A (zh) * | 2020-11-02 | 2021-03-12 | 广东职业技术学院 | 一种智慧社区的自动浇水方法及*** |
Also Published As
Publication number | Publication date |
---|---|
WO2020000860A1 (zh) | 2020-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109239807A (zh) | 降雨量评估方法及***和终端 | |
Hennemuth et al. | Statistical methods for the analysis of simulated and observed climate data: applied in projects and institutions dealing with climate change impact and adaptation | |
De Carvalho et al. | Spectral density ratio models for multivariate extremes | |
CN110909102A (zh) | 室内热力图展示方法、装置和计算机可读存储介质 | |
Adams | Assessing and analyzing bat activity with acoustic monitoring: challenges and interpretations | |
R. Visscher | GPS measurement error and resource selection functions in a fragmented landscape | |
Teimouri | EM algorithm for mixture of skew-normal distributions fitted to grouped data | |
CN114202123A (zh) | 业务数据预测方法、装置、电子设备及存储介质 | |
Muraleedharan et al. | Modelling significant wave height distributions with quantile functions for estimation of extreme wave heights | |
Song et al. | Evaluating the performance of climate models in reproducing the hydrological characteristics of rainfall events | |
Khan et al. | An assessment of uncertainties in flood frequency estimation using bootstrapping and Monte Carlo simulation | |
CN108875901B (zh) | 神经网络训练方法以及通用物体检测方法、装置和*** | |
Averin et al. | Probabilistic methods of a complex assessment of quantitative information | |
CN113326877A (zh) | 模型训练、数据处理方法、装置、设备、存储介质及程序 | |
Cebrián et al. | Drought analysis based on a marked cluster Poisson model | |
CN111598114B (zh) | 隐藏状态序列的确定方法和街区的功能类型的确定方法 | |
CN111949840A (zh) | 一种基于物联网数据的拓扑图结构的构建方法、装置 | |
CN114648688A (zh) | 高铁沿线景观等级评估方法、***、设备及可读存储介质 | |
Eames et al. | Quantile regression ensemble for summer temperatures time series and its impact on built environment studies | |
CN113011657A (zh) | 进行台风水位预测的方法、装置、电子设备及存储介质 | |
Maggiore et al. | Smarter smartphones: understanding and predicting user habits from GPS sensor data | |
Ganguli | Probabilistic analysis of extreme droughts in Southern Maharashtra using bivariate copulas | |
Alikhanov et al. | The detection of past and future land use and land cover change in Ugam Chatkal National Park, Uzbekistan, using CA-Markov and Random Forest machine learning algorithms | |
Shchiptsova et al. | Assessing historical reliability of the agent-based model of the global energy system | |
Lesmono et al. | An early political election problem |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |