CN116128099B - 一种基于人工智能的中国短期气候预测方法及*** - Google Patents
一种基于人工智能的中国短期气候预测方法及*** Download PDFInfo
- Publication number
- CN116128099B CN116128099B CN202211500284.1A CN202211500284A CN116128099B CN 116128099 B CN116128099 B CN 116128099B CN 202211500284 A CN202211500284 A CN 202211500284A CN 116128099 B CN116128099 B CN 116128099B
- Authority
- CN
- China
- Prior art keywords
- prediction
- predicted
- average
- time sequence
- month
- 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
Links
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
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Environmental & Geological Engineering (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (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
本发明公开了气候预测技术领域的一种基于人工智能的中国短期气候预测方法及***,方法包括:对历史气候数据预处理,得到主模态的观测空间场和时间序列,所述时间序列记为预测对象;计算预测对象的潜在预测因子数据集;进行预测因子清洗,获得预测因子组合;利用Prophet模型结合逐步回归优化预测因子组合;进行独立试报,预测得到未来一年内月/季节平均的时间序列;将预测得到的未来一年月/季节平均的时间序列,投影到观测空间场,得到最终预测的未来一年月/季节平均的温度距平/降水距平百分率。本发明能够提高中国短期气候预测的预测精度,同时降低资源消耗。
Description
技术领域
本发明属于气候预测技术领域,具体涉及一种基于人工智能的中国短期气候预测方法及***。
背景技术
当前短期气候预测的统计预测方法,主要基于统计分析后人为选定预测因子,然后利用多元线性回归建立预测模型。人为选用预测因子,很难做到全面筛选潜在预测因子,多元线性回归方法也只能解释部分预测对象的方差,此外以上统计预测步骤要得到较好的预测结果,往往会非常消耗人力和计算资源,即使调试出基于历史时段较好的预测模型,在实时预测中预测效果也往往会不尽人意。
发明内容
为解决现有技术中的不足,本发明提供一种基于人工智能的中国短期气候预测方法及***,能够提高中国短期气候预测的预测精度,同时降低人力和计算资源消耗。
为达到上述目的,本发明所采用的技术方案是:
第一方面,提供一种中国短期气候预测方法,包括以下步骤:a、对设定时间段内的历史气候数据进行预处理,得到满足设定条件的主模态的观测空间场和时间序列,其中,满足设定条件的主模态对应的时间序列记为预测对象;b、计算预测对象的潜在预测因子数据集;c、对潜在预测因子数据集进行预测因子清洗,获得每个预测对象的预测因子组合;d、利用Prophet模型结合逐步回归优化每个预测对象的预测因子组合;e、利用Prophet模型对指定的历史时段内的月/季节平均气候进行独立试报,针对独立试报时段的每一年,重复步骤a~d,预测该年的月/季节平均的时间序列,选取整个独立试报时段最低均方根误差的预测因子组合,预测未来一年内月/季节平均的时间序列;f、将预测得到的未来一年内月/季节平均的时间序列,投影到步骤a中得到的观测空间场,得到预测的未来一年内月/季节平均的温度距平/降水距平百分率年际增量,将预测得到的年际增量加上前一年观测的温度距平/降水距平百分率,得到最终预测的未来一年内月/季节平均的温度距平/降水距平百分率。
进一步地,所述步骤a,具体为:a1、选择指定气象站点的设定时间段内的历史气候数据,计算气象站点的月/季节平均、温度距平/降水距平百分率、温度距平/降水距平百分率的年际增量;a2、对温度距平/降水距平百分率的年际增量进行经验正交分解分析,得到前八个主模态的观测空间场和时间序列;前八个主模态的时间序列记为预测对象。
进一步地,所述步骤b,具体为:b1、获取预测因子,包括:北极海冰密集度、全球海表温度、位势高度、海平面气压、雪深、土壤温度、土壤湿度、50hPa温度和850hPa水平风场;b2、将每个主模态的时间序列,分别与超前6-12月的每个预测因子计算相关系数,运用t检验做信度检验,在每张相关图中,利用图像识别获得信度水平超过99%的区域,将每个显著的区域,叠加纬度权重,计算区域平均,得到潜在预测因子时间序列;对于八个预测对象,分别计算各个预测因子时间序列,组成八个预测对象的潜在预测因子数据集。
进一步地,所述步骤c,具体为:c1、对于每个预测对象的潜在预测因子数据集,与预测对象同期的850hPa水平风场计算相关系数,并利用t检验做信度检验,利用图像识别技术,计算在欧亚范围内通过99%信度检验的显著区域的格点数,只保留欧亚范围显著区格点总数大于400个格点的预测因子;c2、在筛选后的潜在预测因子中,按照不同的样本量,计算因子与因子之间的相关系数,每个潜在预测因子与预测对象的相关系数;剔除不满足阈值条件的因子。
进一步地,所述步骤d,具体为:对每一种预测因子组合,将组合里的预测因子按照与预测对象的相关系数倒序排列,选用Prophet模型,首先放入与预测对象相关系数最大的预测因子,用数据长度的前85%进行训练,数据长度的后15%进行年份预测,计算均方根误差,然后依次将预测因子放入Prophet模型,若数据长度的后15%预测年份的均方根误差减小,就将该因子保留,否则剔除,得到每个组合优化的预测因子组合。
第二方面,提供一种中国短期气候预测***,包括处理器和存储设备,所述存储设备中存储有多条指令,用于所述处理器加载并执行第一方面所述方法的步骤。
与现有技术相比,本发明所达到的有益效果:本发明通过对历史气候数据进行预处理,自动选择预测对象;基于图像识别和Prophet模型优选预测因子组合,利用Prophet模型对指定的历史时段内的月/季节平均气候进行独立试报,选取整个独立试报时段最低均方根误差的预测因子组合,预测得到未来一年内月/季节平均时间序列;将预测得到的未来一年内月/季节平均时间序列,投影到观测空间场,得到最终预测的未来一年内月/季节平均的温度距平/降水距平百分率,能够提高中国短期气候预测的预测精度,同时降低资源消耗。
附图说明
图1是本发明实施例提供的一种中国短期气候预测方法的主要流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,一种基于人工智能的中国短期气候预测方法,包括以下步骤:
a、对设定时间段内的历史气候数据进行预处理,得到满足设定条件的主模态的观测空间场和时间序列,其中,满足设定条件的主模态的所述时间序列记为预测对象;
b、计算预测对象的潜在预测因子数据集;
c、对潜在预测因子数据集进行预测因子清洗,获得每个预测对象的预测因子组合;
d、利用Prophet模型结合逐步回归优化每个预测对象的预测因子组合;
e、利用Prophet模型对指定的历史时段内的月/季节平均气候进行独立试报,针对独立试报时段的每一年,重复步骤a~d,选取整个独立试报时段最低均方根误差的预测因子组合,预测得到未来一年月/季节平均时间序列;
f、将预测得到的未来一年月/季节平均时间序列,投影到步骤a中得到的观测空间场,得到预测的未来一年月/季节平均的温度距平/降水距平百分率年际增量,将预测得到的年际增量加上前一年观测的温度距平/降水距平百分率,得到最终预测的未来一年内月/季节平均的温度距平/降水距平百分率。
步骤a、对设定时间段内的历史气候数据进行预处理,得到满足设定条件的主模态的观测空间场和时间序列,其中,满足设定条件的主模态的所述时间序列记为预测对象,以2022年10月起报,预测2023年冬季平均气候为例,具体过程如下:
1)选用1219/1427个我国气象观测站点1973年1月-2022年8月平均的温度和降水数据,计算站点的冬季平均(前一年12月-当年1月-2月);
2)计算站点的温度距平(当年的冬季平均减去气候态)/降水距平百分率(当年的冬季平均减去气候态后除以气候态再乘以100%),气候态选用1991-2020年冬季平均的平均值;
3)计算年际增量,温度距平/降水距平百分率当年的减去前一年的值;
4)对温度距平/降水距平百分率的年际增量进行经验正交分解分析,得到前八个模态的观测空间场和时间序列;前八个主要模态的时间序列记为预测对象,对于温度距平/降水距平百分率,共八个预测对象。
步骤b、计算预测对象的潜在预测因子数据集,具体过程如下:
1)预测因子数据来自ERA5再分析的1972年1月到2022年6月月平均数据,分辨率为1°x1°,变量包括:北极海冰密集度、全球海表温度、位势高度(500hPa、200hPa和50hPa)、海平面气压、雪深、土壤温度、土壤湿度、50hPa温度和850hPa水平风场;
2)将每个主模态的时间序列,分别与超前6-12个月的每个预测因子计算相关系数,运用t检验做信度检验,在每张相关图中,利用图像识别识别出信度水平超过99%的区域,将每个显著的区域,叠加纬度权重,计算区域平均,得到潜在预测因子时间序列;对于八个预测对象,分别计算以上提到的所有预测因子时间序列,组成八个潜在预测因子数据集。
步骤c、对潜在预测因子数据集进行预测因子清洗,获得每个预测对象的预测因子组合,具体过程如下:
1)对于每个预测对象的潜在预测因子数据集与冬季的850hPa水平风场计算相关系数,并利用t检验做信度检验,利用图像识别技术,计算在欧亚(10-70N,60-130E)范围内通过99%信度检验的显著区域的格点数,只保留欧亚范围显著区格点总数大于400个格点的预测因子,剔除其他的显著区达不到400格点数的预测因子;
2)在筛选后的潜在预测因子中,计算因子与因子之间的相关系数,此为因子之间独立性;计算每个潜在预测因子与预测对象的相关系数;设置计算的样本量分别为:最近15年,最近20年,最近30年,因子之间的独立性阈值要求分别为:0.2,0.15,0.05(低于阈值),因子与预测对象的相关系数阈值为:0.5,0.4,0.3(高于阈值),对以上三种阈值进行组合,剔除不满足阈值条件的因子。例如选取最近15年,因子之间独立性要低于0.2,因子与预测对象的相关系数要高于0.4,只保留满足此条件的因子,组成一种预测因子组合,对于每个预测对象,共有27种预测因子组合。
步骤d、利用Prophet模型结合逐步回归筛选获得每个预测对象的优选预测因子组合,具体过程如下:
对每一种预测因子组合,将组合里预测因子按照与预测对象的相关系数倒序排列,选用Prophet模型,首先放入与预测对象相关系数最大的预测因子,用数据长度的前85%进行训练,数据长度的后15%进行年份预测,计算均方根误差,然后依次将预测因子放入Prophet模型,若数据长度的后15%预测年份的均方根误差减小,就将该因子保留,否则剔除,得到每个组合优化的预测因子组合。
步骤e、利用Prophet模型对指定的历史时段内的冬季平均气候进行独立试报,针对独立试报时段的每一年,重复步骤a~d,预测得到未来一年冬季平均时间序列,具体过程如下:
针对独立试报时段的每一年,重复步骤a~d,利用每种组合里的优化后的预测因子,给出27种预测结果。例如预测2011年冬季温度距平,利用步骤a,计算1973-2010年冬季平均温度距平年际增量经验正交分解的前八个主要空间模态和时间序列,得到观测空间场和八个预测对象;采用步骤b计算1972-2009年1-6月的潜在预测因子数据集;采用步骤c对预测因子清洗,得到27种预测因子组合;采用步骤d得到27种优选的预测因子组合,利用2010年的27种优化后的预测因子,可以预测出2011年冬季平均的27种结果;对于2012-2022年每一年冬季平均预测,重复以上四个步骤;这样便得到了2011-2022年每一年的27种预测结果;将每一种预测出来的2011-2022年的冬季平均,与观测结果计算相关系数和均方根误差,选取相关系数最大/均方根误差最小的预测因子组合,预测2023年冬季平均时间序列。
步骤f、将预测得到的未来一年(2023年)冬季平均时间序列,投影到步骤a中得到的观测空间场,得到预测的未来一年(2023年)冬季温度距平/降水距平百分率年际增量,将预测得到的年际增量加上前一年观测的温度距平/降水距平百分率,得到最终预测的未来一年(2023年)冬季温度距平/降水距平百分率。
本发明所述方法可以提前1-12个月自动给出全国的温度和降水可信的预测结果,同时提高了中国短期气候预测的预测精度,降低资源消耗。
实施例二:
基于实施例一所述的一种中国短期气候预测方法,本实施例提供一种中国短期气候预测***,包括处理器和存储设备,所述存储设备中存储有多条指令,用于所述处理器加载并执行实施例一所述方法的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (2)
1.一种中国短期气候预测方法,其特征在于,包括以下步骤:
a、对设定时间段内的历史气候数据进行预处理,得到满足设定条件的主模态的观测空间场和时间序列,其中,满足设定条件的主模态对应的时间序列记为预测对象;
b、计算预测对象的潜在预测因子数据集;
c、对潜在预测因子数据集进行预测因子清洗,获得每个预测对象的预测因子组合;
d、利用Prophet模型结合逐步回归优化每个预测对象的预测因子组合;
e、利用Prophet模型对指定的历史时段内的月/季节平均气候进行独立试报,针对独立试报时段的每一年,重复步骤a~d,预测该年的月/季节平均的时间序列,选取整个独立试报时段最低均方根误差的预测因子组合,预测未来一年内月/季节平均的时间序列;
f、将预测得到的未来一年内月/季节平均的时间序列,投影到步骤a中得到的观测空间场,得到预测的未来一年内月/季节平均的温度距平/降水距平百分率年际增量,将预测得到的年际增量加上前一年观测的温度距平/降水距平百分率,得到最终预测的未来一年内月/季节平均的温度距平/降水距平百分率;
其中,所述步骤a,具体为:
a1、选择指定气象站点的设定时间段内的历史气候数据,计算气象站点的月/季节平均、温度距平/降水距平百分率、温度距平/降水距平百分率的年际增量;
a2、对温度距平/降水距平百分率的年际增量进行经验正交分解分析,得到前八个主模态的观测空间场和时间序列;前八个主模态的时间序列记为预测对象;
所述步骤b,具体为:
b1、获取预测因子,包括:北极海冰密集度、全球海表温度、位势高度、海平面气压、雪深、土壤温度、土壤湿度、50hPa温度和850hPa水平风场;
b2、将每个主模态的时间序列,分别与超前6-12月的每个预测因子计算相关系数,运用t检验做信度检验,在每张相关图中,利用图像识别获得信度水平超过99%的区域,将每个显著的区域,叠加纬度权重,计算区域平均,得到潜在预测因子时间序列;对于八个预测对象,分别计算各个预测因子时间序列,组成八个预测对象的潜在预测因子数据集;
所述步骤c,具体为:
c1、对于每个预测对象的潜在预测因子数据集,与预测对象同期的850hPa水平风场计算相关系数,并利用t检验做信度检验,利用图像识别技术,计算在欧亚范围内通过99%信度检验的显著区域的格点数,只保留欧亚范围显著区格点总数大于400个格点的预测因子;
c2、在筛选后的潜在预测因子中,按照不同的样本量,计算因子与因子之间的相关系数,每个潜在预测因子与预测对象的相关系数;剔除不满足阈值条件的因子;
所述步骤d,具体为:
对每一种预测因子组合,将组合里的预测因子按照与预测对象的相关系数倒序排列,选用Prophet模型,首先放入与预测对象相关系数最大的预测因子,用数据长度的前85%进行训练,数据长度的后15%进行年份预测,计算均方根误差,然后依次将预测因子放入Prophet模型,若数据长度的后15%预测年份的均方根误差减小,就将该因子保留,否则剔除,得到每个组合优化的预测因子组合。
2.一种中国短期气候预测***,其特征在于,包括处理器和存储设备,所述存储设备中存储有多条指令,用于所述处理器加载并执行权利要求1所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211500284.1A CN116128099B (zh) | 2022-11-28 | 2022-11-28 | 一种基于人工智能的中国短期气候预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211500284.1A CN116128099B (zh) | 2022-11-28 | 2022-11-28 | 一种基于人工智能的中国短期气候预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116128099A CN116128099A (zh) | 2023-05-16 |
CN116128099B true CN116128099B (zh) | 2023-09-12 |
Family
ID=86305402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211500284.1A Active CN116128099B (zh) | 2022-11-28 | 2022-11-28 | 一种基于人工智能的中国短期气候预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128099B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976149B (zh) * | 2023-09-22 | 2023-12-29 | 广东海洋大学 | 一种海表温度预测方法 |
CN117932560B (zh) * | 2024-03-20 | 2024-07-23 | 南京大学 | 基于南北半球年代际模态的人工智能年代际气候预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103396A (zh) * | 2017-06-13 | 2017-08-29 | 南京大学 | 基于主要svd模态建模的中国季节气候预测方法 |
CN113705657A (zh) * | 2021-08-24 | 2021-11-26 | 华北电力大学 | 一种基于差分法消除多重共线性的逐步聚类统计降尺度方法 |
CN113984969A (zh) * | 2021-10-26 | 2022-01-28 | 西安交通大学 | 一种基于多源时空数据融合的空气质量预测方法及*** |
CN114118640A (zh) * | 2022-01-29 | 2022-03-01 | 中国长江三峡集团有限公司 | 长期降水预测模型构建方法、长期降水预测方法及装置 |
CN114386654A (zh) * | 2021-11-29 | 2022-04-22 | 国家气象中心(中央气象台) | 一种多尺度数值天气预报模式融合的天气预报方法及装置 |
CN114398983A (zh) * | 2022-01-14 | 2022-04-26 | 腾讯科技(深圳)有限公司 | 分类预测方法、装置、设备、存储介质及计算机程序产品 |
CN114488155A (zh) * | 2021-12-27 | 2022-05-13 | 国网山东省电力公司应急管理中心 | 一种基于多普勒天气雷达的对流单体演变趋势判别方法 |
CN115061222A (zh) * | 2022-06-07 | 2022-09-16 | 安徽省气候中心 | 一种气候预测方法、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220012651A1 (en) * | 2020-07-10 | 2022-01-13 | United Parcel Service Of America, Inc. | Using randomness compensating factors to improve forecast accuracy |
-
2022
- 2022-11-28 CN CN202211500284.1A patent/CN116128099B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103396A (zh) * | 2017-06-13 | 2017-08-29 | 南京大学 | 基于主要svd模态建模的中国季节气候预测方法 |
CN113705657A (zh) * | 2021-08-24 | 2021-11-26 | 华北电力大学 | 一种基于差分法消除多重共线性的逐步聚类统计降尺度方法 |
CN113984969A (zh) * | 2021-10-26 | 2022-01-28 | 西安交通大学 | 一种基于多源时空数据融合的空气质量预测方法及*** |
CN114386654A (zh) * | 2021-11-29 | 2022-04-22 | 国家气象中心(中央气象台) | 一种多尺度数值天气预报模式融合的天气预报方法及装置 |
CN114488155A (zh) * | 2021-12-27 | 2022-05-13 | 国网山东省电力公司应急管理中心 | 一种基于多普勒天气雷达的对流单体演变趋势判别方法 |
CN114398983A (zh) * | 2022-01-14 | 2022-04-26 | 腾讯科技(深圳)有限公司 | 分类预测方法、装置、设备、存储介质及计算机程序产品 |
CN114118640A (zh) * | 2022-01-29 | 2022-03-01 | 中国长江三峡集团有限公司 | 长期降水预测模型构建方法、长期降水预测方法及装置 |
CN115061222A (zh) * | 2022-06-07 | 2022-09-16 | 安徽省气候中心 | 一种气候预测方法、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于Prophet 算法的 武陵山片区天气预报与异常检测;李森林;怀化学院学报;第41卷(第5期);第54-58页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116128099A (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116128099B (zh) | 一种基于人工智能的中国短期气候预测方法及*** | |
CN110363327B (zh) | 基于ConvLSTM和3D-CNN的短临降水预测方法 | |
Mehrotra et al. | A multivariate quantile-matching bias correction approach with auto-and cross-dependence across multiple time scales: Implications for downscaling | |
Raes | Partial versus full species distribution models | |
Körner et al. | Introducing Gradient Boosting as a universal gap filling tool for meteorological time series | |
CN110750516A (zh) | 基于雷达图的降雨分析模型构建方法、构建***及分析方法 | |
CN110110025B (zh) | 基于特征向量空间滤值的区域人口密度模拟方法 | |
CN113435630B (zh) | 一种产流模式自适应的流域水文预报方法及*** | |
CN111832607A (zh) | 一种基于模型剪枝的桥梁病害实时检测方法 | |
CN113919226A (zh) | 基于权重的采矿植被生态累积效应扰动范围识别方法 | |
CN115575601A (zh) | 基于水汽通量散度的植被旱灾指数评估方法和*** | |
CN114545528B (zh) | 一种基于机器学习的气象数值模式要素预报后订正方法和装置 | |
CN115496146A (zh) | 城市生态修复优先顺序识别方法、装置及电子设备 | |
CN116796799A (zh) | 无水文资料地区中小流域洪水降雨量阈值模型创建方法 | |
CN117392556A (zh) | 一种基于改进lstm算法的碳汇监测方法 | |
CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
CN115564100A (zh) | 光伏功率预测方法、***及设备 | |
CN115292667A (zh) | 一种基于降水预报与遥相关对应关系的空间概率分析方法及*** | |
CN108537417B (zh) | 一种基于协同克里金法的地面气温质量控制方法 | |
CN113533695A (zh) | 一种农田墒情数据估计方法及*** | |
CN116486943B (zh) | 一种考虑地域气温特征的冻融循环试验制度设计方法 | |
Kekula et al. | AN EMPIRICAL STUDY OF RELATIONSHIPS BETWEEN URBAN LIGHTING INDICATORS AND NIGHT-TIME LIGHT RADIANCE. | |
CN117911191B (zh) | 一种基于物联网的升降式网箱锚泊装置管理方法及*** | |
Rodrigues et al. | Seasonal prediction of the intraseasonal variability of the West African monsoon precipitation/Predicción estacional de la variabilidad intra-estacional de la precipitación del Monzón de África Occidental | |
CN118097445A (zh) | 一种基于开源卫星地图和深度学习的城市建筑屋面光伏应用潜力评估方法 |
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 |