CN110991685A - 一种气象温度预测方法 - Google Patents

一种气象温度预测方法 Download PDF

Info

Publication number
CN110991685A
CN110991685A CN201910796220.2A CN201910796220A CN110991685A CN 110991685 A CN110991685 A CN 110991685A CN 201910796220 A CN201910796220 A CN 201910796220A CN 110991685 A CN110991685 A CN 110991685A
Authority
CN
China
Prior art keywords
data
neural network
value
meteorological
network model
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.)
Withdrawn
Application number
CN201910796220.2A
Other languages
English (en)
Inventor
马贞立
高艺恬
陈千千
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 CN201910796220.2A priority Critical patent/CN110991685A/zh
Publication of CN110991685A publication Critical patent/CN110991685A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种气象温度预测方法，包括以下步骤：S1：收集气象数据；S2：从步骤S1收集到的气象数据中选取出有效数据，然后将有效数据组成数据集；S3：将数据集划分为训练集、测试集和验证集；S4：设置神经网络模型的参数；S5：设置输入函数参数；S6：对神经网络模型进行训练；S7：检验神经网络模型是否过拟合：如果是，则返回步骤S5；否则，继续进行步骤S8；S8：利用测试集对已训练的神经网络模型进行评估；S9：输出预测结果：所述预测结果为测试集经过神经网络模型预测后的预测值与实际值间的拟合度。本发明能够处理大量的气象数据，方法简单。

Description

一种气象温度预测方法
技术领域
本发明涉及深度学习数据处理，特别是涉及一种气象温度预测方法。
背景技术
作为自然环境的重要组成部分，气候在各个方面影响着人类的生活，小到个 人生活，大到农业、经济、军事。在多年的发展历程中，气象数据的分析与计算 的方法有以下常见的三种，一是天气学方法，也就是以天气学为基础分析天气， 可以利用的资料主要是天气图，其次是气象卫星云图、雷达等；二是统计学方法， 即气象统计分析与计算方法——以概率论数理统计为手段作天气预报；三是动力 数值方法，即动力气象学分析与数值计算方法——以动力气象学，热力学和解流 体力学三门学科为基础，形成预报方程，并利用计算机作为工具，来形成天气预 报。
其中第一种方法专注于数据的分布特征，然后第二种方法注重于挖掘数据关 联性，第三种方法基于前两种方法的结果结合，注重于形成复杂数值模型，该模 型可准确预报大气运动状态。关于数值天气预报的分析方法，贝叶斯概率论证用 于推导理想化方程，以找到数值天气预测的最佳分析。三种预测天气的方法互相 促进、渗透和结合，不断地向前发展。
以上这些方法可以配合在一起、综合起来应用，并且普遍以计算机为工具。
近些年以来，人工智能领域掀起了深度学习的浪潮，从学术界到工业界都热 情高涨，并且受到了世界各国相关领域研究人员和高科技公司的重视，深度学习 在特征提取和模型拟合上都有着相较于浅层模型显然的优势。深度学习擅长于挖 掘抽象的分布式特征表示，并且这些抽象的表示有着不错的泛化能力。人工智能 中以往困难的问题随着深度学习的出现而得到了解决[13]。并且由于芯片处理能 力迅猛发展以及训练集数据量大幅度增长，深度学习从理论分析和应用方面都获 得了很大的成功；深度学习在信号处理中的可应用范围十分广泛：语音、图像、 视频、文本、语言以及语义信息。同样的，也为气象预测技术带来了挑战和机遇。
在国外，Singh S,Bhambri P等关于气温属性、数据序列依赖性进行了一系列 研究，从而提出了基于时间序列的GA和神经网络相结合的温度预测模型；S Singh, 和J Gill考虑不同的气象因素，提出了基于遗传算法与BP神经网络结合的实时温 度预测模型。Aznarte J L和Siebert N将四种机器学习算法与数值天气预报共同使 用，去建模、预测，提出了动态线性评估实验方法。
在国内，马廷淮，穆强等提出在气象中应用数据挖掘技术。段文广，周晓军 等提出运用BP神经网络实施精细化温度预报等等，深度学习越来越多地应用于 气象预测。
发明内容
发明目的：本发明的目的是提供一种气象温度预测方法，能够解决现有技术 中存在的气象数据量大且处理繁杂的技术问题。
技术方案：本发明所述的气象温度预测方法，包括以下步骤：
S1：收集气象数据；
S2：从步骤S1收集到的气象数据中选取出有效数据，然后将有效数据组成 数据集；
S3：将数据集划分为训练集、测试集和验证集；
S4：设置神经网络模型的参数；
S5：设置输入函数参数；
S6：对神经网络模型进行训练；
S7：检验神经网络模型是否过拟合：如果是，则返回步骤S5；否则，继续 进行步骤S8；
S8：利用测试集对已训练的神经网络模型进行评估；
S9：输出预测结果：所述预测结果为测试集经过神经网络模型预测后的预测 值与实际值间的拟合度。
进一步，所述步骤S2中，选取有效数据的过程为：对步骤S1收集到的气 象数据的质量进行评估，删除不感兴趣的相关属性，添加想要评估的派生特征， 统一数据类型，对极端异常值与数据缺失值进行处理。
进一步，所述对极端异常值进行处理是利用describe函数生成一个二维表数 据结构(DataFrame)，所述二维表包含计数、平均值、标准差、最小值、第25 百分位数、第50百分位数、第75百分位数和最大值，如果气象数据小于第25 百分位数或者大于第75百分位数，则判定该气象数据为极端异常值。
进一步，所述对数据缺失值进行处理是使用内插值填充缺失值，所述内插值 为缺失值前后两个数据的平均值或者所述平均值在一段时间内的平均值。
进一步，所述步骤S3中，训练集中的数据占数据集中数据的80％，测试集 中的数据占数据集中数据的10％，验证集中的数据占数据集中数据的10％。
进一步，所述步骤S4具体包括以下过程：将神经网络模型的深度设为两层， 宽度设为50个节点，指定神经网络模型中数据的存储位置，采用ReLU函数作 为激活函数。
进一步，所述步骤S5中的输入函数参数包括以下五个：输入接口类型、目 标值、整个数据集被执行完整的次数、是否在每次执行前随机选择子集的批处理、 每次参与执行的样本数。
进一步，所述步骤S6具体包括以下过程：通过训练集训练神经网络模型， 迭代50次，选择随机批次的训练记录并将其通过网络推送，对每次迭代都记录 损失函数，以评估损失是否下降和神经网络优化器的逻辑为基础对相连的两个神 经元之间的关联权重进行调整。
有益效果：本发明公开了一种气象温度预测方法，能够处理大量的气象数据， 方法简单。
附图说明
图1为本发明具体实施方式中方法的流程图；
图2位本发明具体实施方式中具体神经元模型；
图3为本发明具体实施方式中神经网络模型的示意图；
图4(a)为本发明具体实施方式中阶跃函数的示意图；
图4(b)为本发明具体实施方式中sigmoid函数的示意图；
图4(c)为本发明具体实施方式中Tanh函数的图像；
图4(d)为本发明具体实施方式中ReLU函数的图像；
图5(a)为本发明具体实施方式中最小压力特征分布；
图5(b)为本发明具体实施方式中降雨量特征分布；
图6为本发明具体实施方式中数据缺失值处理后的输出；
图7为本发明具体实施方式中每次循环的Loss记录。
具体实施方式
本具体实施方式公开了一种气象温度预测方法，如图1所示，包括以下步骤：
S1：收集气象数据；
S2：从步骤S1收集到的气象数据中选取出有效数据，然后将有效数据组成 数据集；
S3：将数据集划分为训练集、测试集和验证集；
S4：设置神经网络模型的参数；
S5：设置输入函数参数；
S6：对神经网络模型进行训练；神经网络模型如图2所示；
S7：检验神经网络模型是否过拟合：如果是，则返回步骤S5；否则，继续 进行步骤S8；
S8：利用测试集对已训练的神经网络模型进行评估；
S9：输出预测结果：所述预测结果为测试集经过神经网络模型预测后的预测 值与实际值间的拟合度。
步骤S2中，选取有效数据的过程为：对步骤S1收集到的气象数据的质量 进行评估，删除不感兴趣的相关属性，添加想要评估的派生特征，统一数据类型， 对极端异常值与数据缺失值进行处理。
对极端异常值进行处理是利用describe函数生成一个二维表数据结构(DataFrame)，所述二维表包含计数、平均值、标准差、最小值、第25百分位 数、第50百分位数、第75百分位数和最大值，如果气象数据小于第25百分位 数或者大于第75百分位数，则判定该气象数据为极端异常值。
对数据缺失值进行处理是使用内插值填充缺失值，所述内插值为缺失值前后 两个数据的平均值或者所述平均值在一段时间内的平均值。
步骤S3中，训练集中的数据占数据集中数据的80％，测试集中的数据占数 据集中数据的10％，验证集中的数据占数据集中数据的10％。
步骤S4具体包括以下过程：将神经网络模型的深度设为两层，宽度设为50 个节点，指定神经网络模型中数据的存储位置，采用ReLU函数作为激活函数。
步骤S5中的输入函数参数包括以下五个：输入接口类型、目标值、整个数 据集被执行完整的次数、是否在每次执行前随机选择子集的批处理、每次参与执 行的样本数。
步骤S6具体包括以下过程：通过训练集训练神经网络模型，迭代50次，选 择随机批次的训练记录并将其通过网络推送，对每次迭代都记录损失函数，以评 估损失是否下降和神经网络优化器的逻辑为基础对相连的两个神经元之间的关 联权重进行调整。
仿真实验结果分析
1、数据预处理
本实验中使用的数据为Weather Underground提供的美国波士顿的机场——General Edward Lawrence Logan International Airport从2008.1.1起到2016.3.18的3000组天气数据。
(1)相关属性的选择：因为本文的目标是根据过去三天的天气测量结果预 测未来的平均温度。只需保留每天的最大，最小和平均温度，以及添加的所有新 派生变量(即前三天的数据)。原特征为最大温度(maxtempm)、最小温度 (mintempm)、平均温度(meantempm)、平均露点(meandewptm)、平均压力 (meanpressurem)、最大湿度(maxhumidity)、最小湿度(minhumidity)、最大 露点(maxdewptm)、最小露点(mindewptm)、最大压力(maxpressurem)、最 小压力(minpressurem)、降雨量(precipm)及它们的新派生变量(一天的前平 均温度(meantempm_1)、两天前的平均温度(meantempm_2)、三天前的平均 温度(meantempm_3)，其它特征的派生变量以此类推)。其中各个特征的单位： 温度(F)、露点(F)、压力(in Hg)、湿度(％)、降雨量(in)。
(2)数据标准化：内置函数实现数据标准化。
(3)极端异常值的处理：通过DataFrame方法describe函数输出计数，平 均值，标准差，最小值，第25百分位数，50％百分位数(或中位数)，第75百 分位数和最大值等值，根据四分位法来判断并最终只输出具有极端异常值的特征 列。
(4)缺失值处理：根据输出数据中的要素列的非空值，若存在缺失，则按 照第三章的介绍进行补充，最后排除前三天的数据。
图4(a)为阶跃函数的示意图；图4(b)为sigmoid函数的示意图；图4 (c)为Tanh函数的图像；图4(d)为ReLU函数的图像。
2、构建神经网络模型
(1)确定神经网络参数：根据神经网络模型创建的流程图，删除数据中 mintempm和maxtempm列，因为预测未来温度所以显然无法获得有关未来温度 的数据。本文指定出一个深度为两层的神经网络，其中两个层的宽度为50个节 点；指出模型数据的存储位置；激活函数默认为ReLU。
(2)定义输入函数，确定其参数：本实验经过试验过一些数据后，决定batch size＝200；循环50次；不规定num epochs；
3、将训练数据输入神经网络进行模型的训练
为了避免过拟合现象，定义一个简单的训练循环，迭代50次，在训练数据 上训练模型，并利用验证集定期评估评估数据，绘制为Loss图像，观察评估损 失从未显示出朝向增加值的方向的显著变化前，停止进一步训练模型。
4、测试模型
在没有过拟合的前提下，用输入函数传递测试集数据，测试预测的准确性。
5、实验结果分析
(1)相关属性的处理结果输出
Index(['meantempm','maxtempm','mintempm','meantempm_1', 'meantempm_2','meantempm_3','meandewptm_1','meandewptm_2', 'meandewptm_3','meanpressurem_1', 'meanpressurem_2','meanpressurem_3','maxhumidity_1','maxhumidity_2','maxhum idity_3','minhumidity_1','minhumidity_2','minhumidity_3','maxtempm_1', 'maxtempm_2', 'maxtempm_3','mintempm_1','mintempm_2','mintempm_3','maxdewptm_1','maxd ewptm_2','maxdewptm_3','mindewptm_1','mindewptm_2','mindewptm_3', 'maxpressurem_1', 'maxpressurem_2','maxpressurem_3','minpressurem_1','minpressurem_2','minpress urem_3','precipm_1','precipm_2','precipm_3'],
dtype＝'object')
(2)数据标准化类型输出
本文将object数据类型转化为了所需要的float类型。
(3)极端异常值的处理结果
如表1所示，从表中可以看出，最小压力的四分位范围为0.33(第75百分 数和第25百分数差值)，最小值(28.72)小于第25个百分位数(29.72)的3 个四分位数范围(0.99)；降水量的四分位范围为0.03，最大值(3.40)大于第 75个百分位数(0.03)的3个四分位数范围(0.09)。所以最小压力以及降水量 等特征类别存在异常值，为了便于研究，本文将使用直方图的形式。如图5(a) 和图5(b)所示。
从图5(a)中可看出最小压力的分布特征数据是多模式的，因此可以推断这个 数据中有两组非常不同的环境条件，而在一年中的季节之间是可以满足的，所以 这些极端异常值的出现可以认为是合理的，本文暂时不删除此特征。
而图5(b)中降水量特征数据分布可以看出，大多数数据值接近于0；可以了 解到，此地区由于干燥天数(即没有降水)更加频繁，所以大多数的天数降水量 接近于0，因此在这里看到整体偏向于0的异常值是正常的，所以也不需要删除 此特征。
Figure BDA0002181032080000071
表1含有极端异常值的相关属性
(4)数据缺失值的处理
结果如图6所示。
从数据的类型输出中可看出，由于数据保存完整，并没有什么缺失值，因此 只需从数据集中排除前三天。从图6中可看出，每个特征数据均为2997个。到 此即为数据预处理的最终结果。
(5)过拟合模型
从图7中看出，在所有的循环迭代之后，本实验并没有过度配置模型，因为 评估损失虽然中间波动性有增加和下降的变化，但总体趋势是下降的。所以接下 来可以继续根据剩余的测试数据集进行预测、评估模型。
(6)预测模型的结果
解释方差：0.90；
平均绝对误差：2.32摄氏度(4.17华氏度)；
中位数绝对误差：1.85摄氏度(3.33华氏度)。
其中0.90的值被解释为使得本文的最终模型解释了大约90％观察到的结果 变量meantempm，模型拟合程度很好。
实验结果表明，神经网络的拟合度更好，误差值更小，表明神经网络模型的 预测准确性更高一些。

Claims (8)

1.一种气象温度预测方法，其特征在于：包括以下步骤：
S1：收集气象数据；
S2：从步骤S1收集到的气象数据中选取出有效数据，然后将有效数据组成数据集；
S3：将数据集划分为训练集、测试集和验证集；
S4：设置神经网络模型的参数；
S5：设置输入函数参数；
S6：对神经网络模型进行训练；
S7：检验神经网络模型是否过拟合：如果是，则返回步骤S5；否则，继续进行步骤S8；
S8：利用测试集对已训练的神经网络模型进行评估；
S9：输出预测结果：所述预测结果为测试集经过神经网络模型预测后的预测值与实际值间的拟合度。
2.根据权利要求1所述的气象温度预测方法，其特征在于：所述步骤S2中，选取有效数据的过程为：对步骤S1收集到的气象数据的质量进行评估，删除不感兴趣的相关属性，添加想要评估的派生特征，统一数据类型，对极端异常值与数据缺失值进行处理。
3.根据权利要求2所述的气象温度预测方法，其特征在于：所述对极端异常值进行处理是利用describe函数生成一个二维表数据结构(DataFrame)，所述二维表包含计数、平均值、标准差、最小值、第25百分位数、第50百分位数、第75百分位数和最大值，如果气象数据小于第25百分位数或者大于第75百分位数，则判定该气象数据为极端异常值。
4.根据权利要求2所述的气象温度预测方法，其特征在于：所述对数据缺失值进行处理是使用内插值填充缺失值，所述内插值为缺失值前后两个数据的平均值或者所述平均值在一段时间内的平均值。
5.根据权利要求1所述的气象温度预测方法，其特征在于：所述步骤S3中，训练集中的数据占数据集中数据的80％，测试集中的数据占数据集中数据的10％，验证集中的数据占数据集中数据的10％。
6.根据权利要求1所述的气象温度预测方法，其特征在于：所述步骤S4具体包括以下过程：将神经网络模型的深度设为两层，宽度设为50个节点，指定神经网络模型中数据的存储位置，采用ReLU函数作为激活函数。
7.根据权利要求1所述的气象温度预测方法，其特征在于：所述步骤S5中的输入函数参数包括以下五个：输入接口类型、目标值、整个数据集被执行完整的次数、是否在每次执行前随机选择子集的批处理、每次参与执行的样本数。
8.根据权利要求1所述的气象温度预测方法，其特征在于：所述步骤S6具体包括以下过程：通过训练集训练神经网络模型，迭代50次，选择随机批次的训练记录并将其通过网络推送，对每次迭代都记录损失函数，以评估损失是否下降和神经网络优化器的逻辑为基础对相连的两个神经元之间的关联权重进行调整。
CN201910796220.2A 2019-08-27 2019-08-27 一种气象温度预测方法 Withdrawn CN110991685A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910796220.2A CN110991685A (zh) 2019-08-27 2019-08-27 一种气象温度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910796220.2A CN110991685A (zh) 2019-08-27 2019-08-27 一种气象温度预测方法

Publications (1)

Publication Number Publication Date
CN110991685A true CN110991685A (zh) 2020-04-10

Family

ID=70081630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910796220.2A Withdrawn CN110991685A (zh) 2019-08-27 2019-08-27 一种气象温度预测方法

Country Status (1)

Country Link
CN (1) CN110991685A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011092A (zh) * 2021-03-15 2021-06-22 广东电网有限责任公司清远供电局 一种气象环境监测方法、***、电子设备和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011092A (zh) * 2021-03-15 2021-06-22 广东电网有限责任公司清远供电局 一种气象环境监测方法、***、电子设备和存储介质

Similar Documents

Publication Publication Date Title
Xiong et al. Identification of cash crop diseases using automatic image segmentation algorithm and deep learning with expanded dataset
CN110648014B (zh) 一种基于时空分位数回归的区域风电预测方法及***
CN111814956B (zh) 一种基于多维度二次特征提取的多任务学习的空气质量预测方法
CN111275168A (zh) 基于卷积全连接的双向门控循环单元的空气质量预测方法
CN112180471B (zh) 天气预报方法、装置、设备及存储介质
CN114065996A (zh) 基于变分自编码学习的交通流预测方法
CN115602337A (zh) 一种基于机器学习的刺激隐核虫疾病预警方法及***
CN115545300B (zh) 一种基于图神经网络进行用户行为预测的方法及装置
CN112215398A (zh) 电力用户负荷预测模型建立方法、装置、设备及存储介质
CN113536373B (zh) 一种脱敏气象数据的生成方法
CN111242028A (zh) 基于U-Net的遥感图像地物分割方法
CN117892915A (zh) 基于核算单位的商品碳标签生成方法及***
CN110991685A (zh) 一种气象温度预测方法
CN115330082A (zh) 一种基于注意力机制的lstm网络的pm2.5浓度预测方法
CN115374709A (zh) 一种基于深度森林模型和flus模型的土地分析方法及***
CN114511078A (zh) 基于多策略麻雀搜索算法的bp神经网络预测方法及装置
CN113935413A (zh) 一种基于卷积神经网的配网录波文件波形识别方法
Qing-Dao-Er-Ji et al. Research on data mining algorithm of meteorological observation based on data quality control algorithm
Sun et al. An adaptive HMM method to simulate and forecast ocean chemistry data in aquaculture
Yun et al. [Retracted] Quality Evaluation and Satisfaction Analysis of Online Learning of College Students Based on Artificial Intelligence
CN113610302B (zh) 一种基于逐步聚类与循环神经网络的地表温度降尺度方法
Bolt et al. A neural emulator for uncertainty estimation of fire propagation
Kumar et al. Utilizing Machine Learning Algorithms for Rainfall Analysis
CN113361596B (zh) 一种传感器数据增广方法、***及存储介质
Sudhir et al. Plant Disease Severity Detection and Fertilizer Recommendation using Deep Learning Techniques

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200410