CN116861298A - 一种无资料地区的流域水文模型参数估计方法 - Google Patents

一种无资料地区的流域水文模型参数估计方法 Download PDF

Info

Publication number
CN116861298A
CN116861298A CN202310927880.6A CN202310927880A CN116861298A CN 116861298 A CN116861298 A CN 116861298A CN 202310927880 A CN202310927880 A CN 202310927880A CN 116861298 A CN116861298 A CN 116861298A
Authority
CN
China
Prior art keywords
basin
research
parameters
data
river
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
Application number
CN202310927880.6A
Other languages
English (en)
Inventor
颜冰
尹鑫
黄昌硕
徐小婷
李恩
侯方玲
杨军飞
徐方圆
饶猛
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.)
Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
Original Assignee
Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
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 Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources filed Critical Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
Priority to CN202310927880.6A priority Critical patent/CN116861298A/zh
Publication of CN116861298A publication Critical patent/CN116861298A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

Landscapes

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

Abstract

本发明公开了一种无资料地区的流域水文模型参数估计方法，包括：确定研究流域及参考流域，并收集整理水文气象要素和下垫面特征数据；选取流域水文模型，基于参考流域的历史水文气象资料序列对水文模型的参数进行敏感性分析，并对所有参数进行分组；基于分组结果，通过采用不同指标选择相似参考流域，并基于相似参考流域的长序列实测数据分别对不同分组的水文模型参数进行率定，获取不同分组内参考流域水文模型的参数估计值；对满足相似条件的参考流域水文模型的参数估计值进行计算，获取研究流域水文模型所有参数值。本发明能够充分利用多个满足分组相似条件的参考流域进行水文模型参数估计，可为无资料地区流域水文模型参数估计提供新的思路。

Description

一种无资料地区的流域水文模型参数估计方法
技术领域
本发明涉及流域水文模型技术领域，尤其涉及一种无资料地区的流域水文模型参数估计方法。
背景技术
流域水文模型是对流域降雨径流转换过程中复杂时空变异性进行概化的一种工具，是研究流域水文自然规律和解决水文实际问题的重要手段。流域水文模型以流域水文***为研究对象，被广泛应用于水文模拟预报和水资源规划与管理等领域。流域水文模型参数的估计对流域径流的模拟预报精度起着十分重要的作用。
流域水文模型参数估计通常是基于研究区历史时期的水文观测资料，采用优化算法进行率定得到。模型参数的率定依赖于实测水文资料，且资料序列长度对流域径流的模拟预报精度具有一定的影响。然而当前在全球范围内仍存在大量无水文观测资料或者缺资料的流域，如我国的水文站点主要分布在大中河流上，对于小河流观测站点分布甚少。水文资料特别是径流数据对于水文模型的参数率定具有决定性的作用，而对于大部分小河流而言，径流数据的观测较为复杂且成本较大，其径流资料的获取存在困难。因此，开展无资料地区的流域水文模型的参数估计方法研究具有重要的科学意义和实践价值。
发明内容
本发明的目的在于提供一种无资料地区的流域水文模型参数估计方法，通过对有实测水文气象资料的参考流域进行模型参数估计并进行移用的手段，从而克服由于缺少资料无法对无资料地区水文模型参数率定的问题。
为实现上述目的，本发明提供了一种无资料地区的流域水文模型参数估计方法，包括：
确定研究流域及参考流域，并收集整理所述研究流域和所述参考流域的水文气象要素和下垫面特征数据；
选取流域水文模型，基于所述参考流域的历史水文气象资料序列对所述水文模型的参数进行敏感性分析，并对所述水文模型的所有参数进行分组；
基于分组结果，通过采用不同指标选择相似参考流域，并基于所述相似参考流域的长序列实测数据分别对不同分组的水文模型参数进行率定，获取不同分组内参考流域水文模型的参数估计值；
对满足相似条件的参考流域水文模型的参数估计值进行计算，获取研究流域水文模型所有参数值；
其中，所述研究流域为无资料地区的流域，所述参考流域为具有长时间序列水文气象观测数据的流域。
优选地，对所述水文模型的所有参数进行分组，包括：
采用全局敏感性分析方法对所述水文模型的所有参数进行敏感性分析，将参数分为敏感性参数和非敏感性参数，然后采用控制变量法将所述敏感性参数分为气象要素敏感型参数和下垫面特征敏感型参数；
其中，对于所述水文模型的非敏感性参数，直接将若干所述参考流域率定得到的参数值的算术平均值作为所述研究流域水文模型不敏感参数的取值。
优选地，所述相似参考流域包括相似参考流域一和相似参考流域二，选择所述相似参考流域一，包括：
基于所述研究流域、所述参考流域的水文气象要素遥感反演数据以及气象站点观测数据，分别计算所述研究流域、所述参考流域的气象要素指标，选取与所述研究流域的气象要素指标相近的参考流域作为所述相似流域一，并将所述相似参考流域一率定获取的气象要素敏感性参数移用至所述研究流域。
优选地，所述水文气象要素遥感反演数据包括降水和潜在蒸散发数据，所述气象要素指标包括平均年降水量、干旱指数和降水季节性指数；
计算所述气象要素指标的方法为：
其中，为平均年降水量；Pt为第t年的年降水量；n表示年数；AI为干旱指数；/>为平均年潜在蒸散发量；Pi、PETi分别为第i个月份的多年月平均降水量、多年月平均潜在蒸散发量；SIP为降水季节性指数；Φi表示季节性指数计算过程中每个月份的时间角度。
优选地，与所述研究流域气象要素指标相近的依据包括：所述研究流域与所述参考流域的气象要素指标值的相对差值在±10％以内。
优选地，选择所述相似参考流域二，包括：
基于所述研究流域、所述参考流域的物理特性、下垫面要素遥感产品，分别计算所述研究流域、所述参考流域的下垫面特征指标，选取与所述研究流域下垫面特征指标相近的参考流域作为所述相似参考流域二，并将所述相似参考流域二率定得到的下垫面特征敏感性参数值移用至所述研究流域。
优选地，所述物理特性、下垫面要素遥感产品包括：数字高程DEM数据、土地利用类型LULC数据以及归一化植被指数NDVI数据；
所述下垫面特征指标包括：主河道河流坡降指数、植被覆盖度、研究流域与参考流域LULC的Kappa系数。
优选地，计算所述下垫面特征指标的方法为：
其中，SL为主河道河流坡降指数；H1、H2分别为河流终点高度和起点高度；L为河流终点与起点之间的水平距离；FVC为流域植被覆盖度；NDVI为植被归一化指数；NDVIsoil、NDVIveg分别为纯植被和裸土的NDVI值；K表示Kappa系数；r为混淆矩阵的行数；Xkk表示第k行k列上的值，即矩阵主对角线上的值；Xk+、X+k分别表示第k行的和与第k列的和；N为像元总数。
优选地，与所述研究流域下垫面特征指标相近的依据包括：所述研究流域与所述参考流域的下垫面特征指标中的主河道河流坡降指数、植被覆盖度相对差值在±20％以内，且所述研究流域与所述参考流域LULC的Kappa系数值大于等于0.4。
与现有技术相比，本发明具有如下优点和技术效果：
本发明将水文模型参数根据敏感性分析手段区分为敏感、不敏感参数，并进一步将敏感性参数细分为气象要素主导型和下垫面特征主导型，能够充分利用多个满足分组相似条件的参考流域进行水文模型参数估计，可为无资料地区流域水文模型参数估计提供新的思路；
本发明方法能够充分利用满足不同类别相似条件的流域信息，通过流域综合特征的部分匹配获取多组流域水文模型参数值集合，实现无资料地区的水文模型参数估计。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例中一种无资料地区的流域水文模型参数估计方法流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
如图1，本发明提出了一种无资料地区的流域水文模型参数估计方法，根据研究流域、参考流域的水文气象遥感反演产品，以及参考流域的水文气象长序列观测资料，利用水文模型参数敏感性分析方法对模型参数进行分类，针对不同类型的模型参数根据不同的判别指标进行相似参考流域的选取，随后基于筛选出的相似参考流域水文气象资料对不同类型的模型参数进行率定，最后得到研究流域所有类型的水文模型参数，进而实现无资料地区的流域水文模型参数估计。
具体包括：
步骤1，以无资料地区的流域为目标流域，以具有长时间序列水文气象观测数据的多个流域为参考流域，收集整理研究流域和参考流域的水文气象要素、下垫面特征数据。
选取目标研究流域，同时以国内具有长时间序列水文气象实测资料的流域为参考流域；
收集目标流域和所有参考流域的水文气象遥感反演产品数据，包括降雨、潜在蒸散发数据，同时收集所有参考流域的水文气象实测数据，包括降雨、日最高气温、日最低气温、流域出口断面径流；
收集目标流域和所有参考流域的遥感数据，包括数字高程DEM数据、土地利用类型LULC数据以及归一化植被指数NDVI数据。
步骤2，选取流域水文模型，基于参考流域的历史水文气象资料序列对水文模型的参数开展敏感性分析，将水文模型中的所有参数进行分组。
以分布式水文模型SWAT模型为例，根据收集的参考流域实测水文气象以及遥感数据，构建SWAT模型的输入数据库，包括降雨、气温、土地利用类型、土壤属性数据库，基于参考流域的实测径流数据，通过设置模拟尺度为月尺度并按每组1000次进行迭代，采用SWAT-CUP软件中的SUFI-2算法对模型的参数进行敏感性分析，根据计算得到的t-stat和p-value值，按照t-stat绝对值越大、p-value值越小，参数越敏感的原则，将SWAT模型的参数首先分为敏感性参数集合Θs和非敏感性参数集合Θns；随后，针对敏感性参数集合Θs，首先采用蒙特卡洛抽样方法对降雨、气温输入数据进行扰动并生成多组样本，针对敏感性参数集合Θs进行参数率定；随后设置不同土地利用类型、土壤属性数据情景进行敏感性参数集合Θs的参数率定；根据两次的敏感性参数Θs的率定结果，结合参数值的概率分布图将敏感性参数集合Θs的进一步区分为气象要素敏感型参数Θcs和下垫面特征敏感型参数Θps。
步骤3，对于水文模型的不敏感性参数，直接基于多个参考流域率定得到的参数值的算术平均值作为研究流域水文模型不敏感参数的取值。
对于非敏感性参数集合Θns，基于多个参考流域的实测水文气象以及遥感数据，构建SWAT模型的输入数据库，基于参考流域的实测径流数据，采用SWAT-CUP工具进行模型的参数率定，得到多组SWAT模型的非敏感性参数集合Θns的估计值。
步骤4，基于研究流域、参考流域的水文气象要素遥感反演数据以及流域内或邻近的气象站点观测数据，分别计算研究流域、参考流域的气象要素指标，选取与研究区气象要素指标相近的参考流域作为相似流域，将相似流域率定得到的气象要素敏感性参数值直接移用至研究区流域。
根据研究区流域的降雨、潜在蒸散发遥感产品数据，采用ArcGIS工具箱中克里金插值方法计算研究流域的面平均降雨P、面平均潜在蒸散发PET序列；基于参考流域的降雨、潜在蒸散发站点实测数据，采用泰森多边形法计算研究流域的面平均降雨P、面平均潜在蒸散发PET序列。
计算研究流域、参考流域的多年平均年降水量、干旱指数和降水季节性指数，其计算公式分别为：
式中：为多年平均年降水量，mm；Pt为第t年的年降水量，mm；n表示年数；AI为干旱指数；/>为多年平均年潜在蒸散发量，mm；Pi、PETi分别为第i个月份的多年月平均降水量、多年月平均潜在蒸散发量，mm；SIP为降水季节性指数；Φi表示季节性指数计算过程中每个月份的时间角度，1～12月份的时间角度取值见表1。
表1
基于计算得到的研究流域和参考流域的气象要素指标，分别计算它们之间的相对变化率：
式中：△表示指标的相对变化率；下标obj和ref分别表示研究流域、参考流域。
若3个指标的相对变化率均满足-10％≤△≤10％，则认为该参考流域与研究流域满足气象要素相似。
随后，基于筛选的气象要素相似流域的水文气象实测资料，采用SWAT-CUP软件对SWAT模型的气象要素敏感型参数Θcs进行参数率定，得到多组SWAT模型的气象要素敏感型参数集合Θcs的估计值。
步骤5，基于研究流域、参考流域的物理特性、下垫面要素遥感产品，分别计算研究流域、参考流域的下垫面特征指标，选取与研究区下垫面特征指标相近的参考流域作为相似流域，将相似流域率定得到的下垫面特征敏感型参数值直接移用至研究区流域。
根据研究流域和参考流域的数字高程DEM数据、土地利用类型LULC数据以及归一化植被指数NDVI数据，计算它们的主河道河流坡降指数、植被覆盖度，以及研究流域与参考流域LULC的Kappa系数，其计算公式分别为：
式中：SL为主河道河流坡降指数；H1、H2分别为河流终点高度和起点高度，m；L为河流终点与起点之间的水平距离，m；FVC为流域植被覆盖度；NDVI为植被归一化指数；NDVIsoil、NDVIveg分别为纯植被和裸土的NDVI值，通常选取累积频率为2％和98％的NDVI值；K表示Kappa系数；r为混淆矩阵的行数；Xkk表示第k行k列上的值，即矩阵主对角线上的值；Xk+、X+k分别表示第k行的和与第k列的和；N为像元总数。
基于计算得到的研究流域和参考流域的主河道河流坡降指数、植被覆盖度，分别计算它们之间的相对变化率：
式中：△表示指标的相对变化率；下标obj和ref分别表示研究流域、参考流域。
若主河道河流坡降指数、植被覆盖度的相对变化率均满足-20％≤△≤20％，且土地利用类型LULC的Kappa系数K≥0.4，则认为该参考流域与研究流域满足下垫面特征相似。随后，基于筛选的下垫面特征相似流域的水文气象实测资料，采用SWAT-CUP软件对SWAT模型的下垫面特征敏感型参数Θps进行参数率定，得到多组SWAT模型的下垫面特征敏感型参数集合Θps的估计值。
步骤6，对于不同分组的参数，对所有满足相似条件的参考流域水文模型参数估计值计算算术平均值，得到研究流域的水文模型所有参数值。
对于Θns集合中的单个参数，其取值等于多组参数估计值的算术平均值。最后，将得到的非敏感性参数集合Θns的值作为研究流域SWAT模型的对应参数估计值。
对于Θcs集合中的单个参数，其取值等于多组参数估计值的算术平均值。最后，将得到的气象要素敏感型参数集合Θcs的值作为研究流域SWAT模型的对应参数估计值。
对于Θps集合中的单个参数，其取值等于多组参数估计值的算术平均值。最后，将得到的下垫面特征敏感型参数集合Θps的值作为研究流域SWAT模型的对应参数估计值。
综合上述得到的非敏感性参数Θns、气象要素敏感型参数Θcs以及下垫面特征敏感型参数Θps的估计值，即为研究流域(无资料流域)的SWAT模型的参数估计结果。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (9)

1.一种无资料地区的流域水文模型参数估计方法，其特征在于，包括：
确定研究流域及参考流域，并收集整理所述研究流域和所述参考流域的水文气象要素和下垫面特征数据；
选取流域水文模型，基于所述参考流域的历史水文气象资料序列对所述水文模型的参数进行敏感性分析，并对所述水文模型的所有参数进行分组；
基于分组结果，通过采用不同指标选择相似参考流域，并基于所述相似参考流域的长序列实测数据分别对不同分组的水文模型参数进行率定，获取不同分组内参考流域水文模型的参数估计值；
对满足相似条件的参考流域水文模型的参数估计值进行计算，获取研究流域水文模型所有参数值；
其中，所述研究流域为无资料地区的流域，所述参考流域为具有长时间序列水文气象观测数据的流域。
2.根据权利要求1所述的无资料地区的流域水文模型参数估计方法，其特征在于，对所述水文模型的所有参数进行分组，包括：
采用全局敏感性分析方法对所述水文模型的所有参数进行敏感性分析，将参数分为敏感性参数和非敏感性参数，然后采用控制变量法将所述敏感性参数分为气象要素敏感型参数和下垫面特征敏感型参数；
其中，对于所述水文模型的非敏感性参数，直接将若干所述参考流域率定得到的参数值的算术平均值作为所述研究流域水文模型不敏感参数的取值。
3.根据权利要求2所述的无资料地区的流域水文模型参数估计方法，其特征在于，所述相似参考流域包括相似参考流域一和相似参考流域二，选择所述相似参考流域一，包括：
基于所述研究流域、所述参考流域的水文气象要素遥感反演数据以及气象站点观测数据，分别计算所述研究流域、所述参考流域的气象要素指标，选取与所述研究流域的气象要素指标相近的参考流域作为所述相似流域一，并将所述相似参考流域一率定获取的气象要素敏感性参数移用至所述研究流域。
4.根据权利要求3所述的无资料地区的流域水文模型参数估计方法，其特征在于，所述水文气象要素遥感反演数据包括降水和潜在蒸散发数据，所述气象要素指标包括平均年降水量、干旱指数和降水季节性指数；
计算所述气象要素指标的方法为：
其中，为平均年降水量；Pt为第t年的年降水量；n表示年数；AI为干旱指数；/>为平均年潜在蒸散发量；Pi、PETi分别为第i个月份的多年月平均降水量、多年月平均潜在蒸散发量；SIP为降水季节性指数；Φi表示季节性指数计算过程中每个月份的时间角度。
5.根据权利要求4所述的无资料地区的流域水文模型参数估计方法，其特征在于，与所述研究流域气象要素指标相近的依据包括：所述研究流域与所述参考流域的气象要素指标值的相对差值在±10％以内。
6.根据权利要求3所述的无资料地区的流域水文模型参数估计方法，其特征在于，选择所述相似参考流域二，包括：
基于所述研究流域、所述参考流域的物理特性、下垫面要素遥感产品，分别计算所述研究流域、所述参考流域的下垫面特征指标，选取与所述研究流域下垫面特征指标相近的参考流域作为所述相似参考流域二，并将所述相似参考流域二率定得到的下垫面特征敏感性参数值移用至所述研究流域。
7.根据权利要求6所述的无资料地区的流域水文模型参数估计方法，其特征在于，所述物理特性、下垫面要素遥感产品包括：数字高程DEM数据、土地利用类型LULC数据以及归一化植被指数NDVI数据；
所述下垫面特征指标包括：主河道河流坡降指数、植被覆盖度、研究流域与参考流域LULC的Kappa系数。
8.根据权利要求7所述的无资料地区的流域水文模型参数估计方法，其特征在于，计算所述下垫面特征指标的方法为：
其中，SL为主河道河流坡降指数；H1、H2分别为河流终点高度和起点高度；L为河流终点与起点之间的水平距离；FVC为流域植被覆盖度；NDVI为植被归一化指数；NDVIsoil、NDVIveg分别为纯植被和裸土的NDVI值；K表示Kappa系数；r为混淆矩阵的行数；Xkk表示第k行k列上的值，即矩阵主对角线上的值；Xk+、X+k分别表示第k行的和与第k列的和；N为像元总数。
9.根据权利要求7所述的无资料地区的流域水文模型参数估计方法，其特征在于，与所述研究流域下垫面特征指标相近的依据包括：所述研究流域与所述参考流域的下垫面特征指标中的主河道河流坡降指数、植被覆盖度相对差值在±20％以内，且所述研究流域与所述参考流域LULC的Kappa系数值大于等于0.4。
CN202310927880.6A 2023-07-26 2023-07-26 一种无资料地区的流域水文模型参数估计方法 Pending CN116861298A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310927880.6A CN116861298A (zh) 2023-07-26 2023-07-26 一种无资料地区的流域水文模型参数估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310927880.6A CN116861298A (zh) 2023-07-26 2023-07-26 一种无资料地区的流域水文模型参数估计方法

Publications (1)

Publication Number Publication Date
CN116861298A true CN116861298A (zh) 2023-10-10

Family

ID=88232182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310927880.6A Pending CN116861298A (zh) 2023-07-26 2023-07-26 一种无资料地区的流域水文模型参数估计方法

Country Status (1)

Country Link
CN (1) CN116861298A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117057174A (zh) * 2023-10-13 2023-11-14 长江三峡集团实业发展(北京)有限公司 一种缺资料地区径流预测的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800636A (zh) * 2021-04-08 2021-05-14 水利部交通运输部国家能源局南京水利科学研究院 一种估算无资料地区流域地表水资源量的方法及***
CN115453664A (zh) * 2022-09-19 2022-12-09 水利部交通运输部国家能源局南京水利科学研究院 一种适用于无资料地区的降雨径流预报方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800636A (zh) * 2021-04-08 2021-05-14 水利部交通运输部国家能源局南京水利科学研究院 一种估算无资料地区流域地表水资源量的方法及***
CN115453664A (zh) * 2022-09-19 2022-12-09 水利部交通运输部国家能源局南京水利科学研究院 一种适用于无资料地区的降雨径流预报方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
徐长江 等: "无资料地区水文模型参数估算方法比较研究", 中国农村水利水电, no. 5, 31 December 2018 (2018-12-31), pages 109 - 113 *
徐长江 等: "资料短缺地区径流模拟研究", 人民长江, no. 22, 28 November 2018 (2018-11-28) *
梁丽乔 等: "松嫩平原西部生长季参考作物蒸散发的敏感性分析", 农业工程学报, no. 05, 15 May 2008 (2008-05-15) *
陈攀 等: "基于GIS的LLCHEN-A分布式水文模型参数及不确定性分析", 武汉大学学报(工学版), no. 02, 1 April 2015 (2015-04-01) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117057174A (zh) * 2023-10-13 2023-11-14 长江三峡集团实业发展(北京)有限公司 一种缺资料地区径流预测的方法
CN117057174B (zh) * 2023-10-13 2024-01-26 长江三峡集团实业发展(北京)有限公司 一种缺资料地区径流预测的方法

Similar Documents

Publication Publication Date Title
AU2016244067B2 (en) Forecasting national crop yield during the growing season
Zhang et al. Estimating soil salinity with different fractional vegetation cover using remote sensing
Lv et al. A model-based estimate of regional wheat yield gaps and water use efficiency in main winter wheat production regions of China
CN109800921B (zh) 基于遥感物候同化和粒子群优化的区域冬小麦估产方法
CN109711102A (zh) 一种作物灾害损失快速评估方法
Sridhar et al. Implications of climate-driven variability and trends for the hydrologic assessment of the Reynolds Creek Experimental Watershed, Idaho
CN114462518B (zh) 考虑多要素空间依赖性的区域蒸散发变化归因分析方法
CN113139901A (zh) 一种流域尺度植被净初级生产力遥感精细反演方法
EP3278281A1 (en) Forecasting national crop yield during the growing season
CN115344815B (zh) 考虑植被空间变化的天然径流变化归因分析方法和***
CN116861298A (zh) 一种无资料地区的流域水文模型参数估计方法
CN114297578A (zh) 一种基于遥感的草地植被覆盖度估算及预测方法
CN113011993A (zh) 基于标准数据的农业污染源入水体负荷量测算方法
Fitzgerald et al. Directed sampling using remote sensing with a response surface sampling design for site-specific agriculture
CN113011372A (zh) 一种盐碱化土地自动监测和识别方法
CN113570273B (zh) 一种灌溉耕地统计数据的空间化方法及***
Zaghiyan et al. Temporal correction of irregular observed intervals of groundwater level series using interpolation techniques
Sahu et al. Characterizing spatiotemporal properties of precipitation in the middle Mahanadi subdivision, India during 1901–2017
Chen et al. A spatiotemporal estimation method for hourly rainfall based on F-SVD in the recommender system
Mahal et al. Assessment of the impact of urbanization growth on the climate of Baghdad province using remote sensing techniques.
Rostami et al. Determination of rainfed wheat agriculture potential through assimilation of remote sensing data with SWAT model case study: ZarrinehRoud Basin, Iran
Saxena et al. Land use and land cover change impact on characteristics of surface evapotranspiration in semi-arid environment of Western Rajasthan, India
CN107437262B (zh) 作物种植面积预警方法和***
Chu et al. Mapping and forecasting of rice cropping systems in central China using multiple data sources and phenology-based time-series similarity measurement
CN115639979B (zh) 基于随机森林回归模型的高分辨率spei数据集开发方法

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