CN117744868A - 基于贝叶斯层间结构的多年冻土区地下冰储藏量估算模型 - Google Patents
基于贝叶斯层间结构的多年冻土区地下冰储藏量估算模型 Download PDFInfo
- Publication number
- CN117744868A CN117744868A CN202311753613.8A CN202311753613A CN117744868A CN 117744868 A CN117744868 A CN 117744868A CN 202311753613 A CN202311753613 A CN 202311753613A CN 117744868 A CN117744868 A CN 117744868A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- estimation
- underground ice
- ice
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 39
- 239000011229 interlayer Substances 0.000 title claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims abstract description 5
- 239000010410 layer Substances 0.000 claims description 9
- 238000001556 precipitation Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 abstract description 5
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 239000013505 freshwater Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013076 uncertainty analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于贝叶斯层间结构的多年冻土区地下冰储藏量估算模型，包括以下步骤：S1数据获取和预处理：收集多年冻土区相关地理和气象数据，经数据预处理、归一化转换后，确定模型训练数据集和模型测试数据；S2基于贝叶斯层间结构模型建立：根据贝叶斯层间结构模型构建多年冻土区地下冰储藏量估算模型，并采用MCMC方法对其中的参数进行先验概率分布的确定，获得初始估算模型；S3模型参数概率推断和估算：采用MCMC方法进行后验概率分布的确定、估算，即得地下冰储量的估算模型；S4验证：采用模型测试数据集验证地下冰储量的估算模型，根据估算结果制定相应的多年冻土区地下冰资源保护措施。本发明提高了多年冻土区地下冰储量估算的准确性、可靠性。
Description
技术领域
本发明涉及水文预测技术领域，尤其涉及基于贝叶斯层间结构的多年冻土区地下冰储藏量估算模型。
背景技术
地球上约四分之一的陆地面积被多年冻土覆盖，其中蕴藏着大量的地下冰，这些地下冰不仅是重要的淡水资源，还是地球气候***的关键元素，对全球气候、生态平衡及人类生活产生深远影响，是维持全球气候稳定和生态***多样性的关键因素。
首先，地下冰是多年冻土区域生态***的基础。它通过调节土壤温度和水分条件，支撑着这些区域独特的植物和动物群落。其次，地下冰对全球水循环具有重要作用。冻土区的地下冰储量约占地球人类可利用淡水资源的一半，是全球淡水资源的重要组成部分。随着这些冰层的融化，大量的水将被释放到河流和地下水***中，可能会引起水资源分配的重大变化，影响农业、饮水安全及河流生态***。此外，地下冰的融化还与全球气候变化密切相关。多年冻土中储存了大量的有机碳，当冰层融化时，这些碳会以二氧化碳和甲烷的形式释放到大气中，加剧温室效应，推动气候变暖的恶性循环。同时地下冰的融化还对多年冻土区人类活动产生重要影响。在多年冻土区，许多基础设施如道路和建筑是建立在冻土之上的。随着地下冰的融化，地面会发生沉降，导致基础设施损坏，给当地社区和经济活动带来挑战。
然而，目前在多年冻土区，由于地形复杂、气候条件多变以及数据不完整性等问题，传统的统计模型和经验模型多依赖地质勘探资料获取多年冻土区地下冰储量，其存在调查成本高、数据量少、预测精度低、空间和时间不确定性大等问题，而且在精确计算预测方面存在很大局限性和偏差，特别是已有钻探地质资料表征地下冰的过程是是静态的，而自然中地下冰的发育发展过程随着时间、外界气候条件如温度、降水、河流湖泊径流量的变化而变化，使得地下冰储量和气候变化、降水、冻土退化和人类活动等多种因素之间存在复杂的相互关系，具有很大的时空异质性。因此，传统的预测多年冻土区地下冰储量的方法的适用性受到限制，给多年冻土区地下冰储量估算预测带来了很大的挑战。
发明内容
本发明所要解决的技术问题是提供一种更加高效和准确的基于贝叶斯层间结构的多年冻土区地下冰储藏量估算模型。
为解决上述问题，本发明所述的基于贝叶斯层间结构的多年冻土区地下冰储藏量估算模型，包括以下步骤：
S1数据获取和预处理：
收集多年冻土区相关地理和气象数据，并确定影响地下冰储量的特征属性变量；利用地理信息***(GIS)对所述特征属性变量进行集成和空间分析，形成一个全面的空间数据集；然后对所述空间数据集进行数据预处理，即得原始数据；所述原始数据经归一化转换后，分别确定模型训练数据集和模型测试数据；
S2基于贝叶斯层间结构模型建立：
以所述模型训练数据集作为输入数据，根据贝叶斯层间结构模型构建多年冻土区地下冰储藏量估算模型，确定各层级的关系和参数；并采用MCMC(马尔可夫链蒙特卡罗)方法对多年冻土区地下冰储藏量估算模型中的参数进行先验概率分布的确定，获得初始估算模型；
S3模型参数概率推断和估算：
采用MCMC(马尔可夫链蒙特卡罗)方法对所述模型训练数据集以及所述初始估算模型中的参数进行后验概率分布的确定、估算，即得地下冰储量的估算模型；
S4验证：
采用所述模型测试数据集验证所述地下冰储量的估算模型，并根据估算结果制定相应的多年冻土区地下冰资源保护措施。
所述步骤S2中多年冻土区地下冰储藏量估算模型的形式如下：
Y＝β0+β1Ts+β2Hs+β3Ta+β4ATL+β5P+ε
其中：β0，β1，β2，β3，β4，β5是贝叶斯层间结构模型系数；Ts，Hs，Ta，ATL，P分别是土壤温度、土壤含水量、空气温度、活动层厚度以及降水量；ε是误差项。
所述步骤S3中后验概率分布的表达式如下：
其中：P(θ)是先验概率分布；P(Data)是边缘似然；Data是指模型训练数据集；L(Data|Θ)是似然函数；yi是第i个地质勘查资料的观测值；Θ为模型参数。
本发明与现有技术相比具有以下优点：
1、本发明基于多年冻土区地下冰发育特征属性，通过考虑地理因素(如高程、坡度、坡向等)、气候条件(如降水量、温度等)以及冻土土壤特性等环境因子构建多年冻土区地下冰的空间特征，利用历史地质勘查资料，考虑不同时间尺度(年份，季节)，并考虑了多年冻土区地下冰影响因子之间的相互作用关系，对多年冻土区地下冰储量进行时空预测，提高了多年冻土区地下冰储量估算的准确性和可靠性。
2、本发明利用贝叶斯层间结构模型综合考虑多个影响因素，包括冻土含冰量类型、活动层厚度、背景气候条件等，考虑各变量相互之间关系，构建了一种灵活利用已知数据的贝叶斯层间结构模型。通过对多个层级的分析和推断，该模型能够准确预测多年冻土区地下冰储量和演化趋势。
3、本发明通过引入补偿系数，对先验概率进行了补偿，均衡了先验概率部分与条件概率部分的决策作用，降低了单一影响因子，特别是单一站点过密度地质勘查资料的权重影响，提高了模型的时空预测准确率，实现了多年冻土区地下冰储量动态模拟估算。
4、本发明能够有效地结合来自不同层次和不同来源的数据，例如将单个钻孔水平的地下冰储量数据和区域水平的数据结合起来，从而提供更全面和深入的分析，允许将先验知识或假设以先验分布的形式融入模型中，可以显式地对不确定性进行建模和估计，从参数估计的不确定性到模型结构的不确定性都可以被考虑在内，并且可以提供相应参数的完整后验分布，而不仅仅是单一的点估计或置信区间。
5、本发明通过引入拉普拉斯平滑方法，解决了偏远地区训练样本数据集数据(地质勘查资料)较少，条件概率失真的问题，调高了模型预测的准确率。
6、采用本发明模型，可为相关部门制定有效的水资源保护利用措施提供科学依据，从而保障多年冻土区的生态水资源安全和可靠性，并保障多年冻土地区人类生存和生态和谐发展提供有力支持。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1为本发明的流程图。
具体实施方式
如图1所示，基于贝叶斯层间结构的多年冻土区地下冰储藏量估算模型，包括以下步骤：
S1数据获取和预处理：
收集多年冻土区相关地理和气象数据，并确定影响地下冰储量的特征属性变量；利用地理信息***(GIS)对特征属性变量进行集成和空间分析，形成一个全面的空间数据集；然后对空间数据集进行数据预处理，即得原始数据；原始数据经归一化转换后，分别确定模型训练数据集和模型测试数据。
具体过程如下：
⑴本发明利用现有的地质勘查资料以及相关数据库中获取多年(1975-2020年)冻土区地下冰或者土壤含水量数据、土壤温度数据、冻土分布数据和多年冻土区气象站点气象数据(共562)，选择地表植被覆盖度、土壤温度、土壤湿度、冻土活动层厚度、空气温度、空气湿度、风向、风速、降水量、净辐射、土壤质地、高程、坡度、坡向、沙砾粒径、土壤含沙量和土壤胶结力作为确定影响地下冰储量的特征属性变量。利用地理信息***(GIS)对这些数据进行集成和空间分析，形成一个全面的空间数据集。
⑵对空间数据集进行数据预处理，即得原始数据：
①剔除无关数据：移除与研究目标无关的数据字段；
②处理缺失值：对于缺失的数据，使用LPJ-GUSS模型预测填充；
③纠正错误和异常值：通过检查数据范围、分布识别和纠正错误。
⑶原始数据归一化转换：
因为本模型行中涉及多个变量，多个量纲和范围，单位，因此需将原始数据转换为一个共同的尺度上，即归一化到[0,1]。
其中：Xnorm归一化后的值；X是原始数据中的单个观测值；Xmin这是在数据集中观测到的最小值。在归一化过程中，它用于调整原始数据值，以便数据的最小值变为0，Xmin这是在数据集中观测到的最大值。
归一化后确定1975-2010年为模型训练数据集，2011-2020年的模型测试数据集。
S2基于贝叶斯层间结构模型建立：
以模型训练数据集作为输入数据，根据贝叶斯层间结构模型构建多年冻土区地下冰储藏量估算模型，确定各层级的关系和参数；并采用MCMC(马尔可夫链蒙特卡罗)方法对多年冻土区地下冰储藏量估算模型中的参数进行先验概率分布的确定，获得初始估算模型。
本发明采用贝叶斯统计学方法建立层间结构模型，根据多年冻土分布资料将多年冻土区划分为多个空间层和时间层；在空间层面，考虑到地理因素(如高程、坡度、坡向、冻土分布等)、气候条件(如降水量、温度、风速、风向等)以及土壤特性等对多年冻土区地下冰发育的影响。在时间层面，考虑到年份和季节因素对多年冻土区地下冰储量的影响。
多年冻土区地下冰储藏量估算模型建立：本发明采用了贝叶斯层间结构模型来对多年冻土区的地下冰储量进行估算。该模型考虑了各种环境因素与地下冰储量之间的复杂关系。模型的基本形式为：
Y＝β0+β1Ts+β2Hs+β3Ta+β4ATL+β5P+ε....方程式(1)
其中：β0，β1，β2，β3，β4，β5是贝叶斯层间结构模型系数；Ts，Hs，Ta，ATL，P分别是土壤温度、土壤含水量、空气温度、活动层厚度以及降水量；ε是误差项，假定为正态分布。
模型系数βi的估计不仅基于数据，还考虑先验知识。例如，如果已知某地区的特定特征与地下冰储量之间的关系，则该信息可以作为先验知识包含在模型中。
MCMC(马尔可夫链蒙特卡罗)方法是一种从后验分布中抽样的技术，用于估计贝叶斯模型中的参数。在这种方法中，通过构建马尔可夫链并从中抽取样本来近似参数的后验分布。本模型中，MCMC用于估计每个系数βi的后验分布，从而可以对每个参数进行概率解释，包括估计值和不确定性(如置信区间)，从而获得初始估算模型。
S3模型参数概率推断和估算：
采用MCMC(马尔可夫链蒙特卡罗)方法对模型训练数据集以及初始估算模型中的参数进行后验概率分布的确定、估算，即得地下冰储量的估算模型。
本发明通过贝叶斯层间结构模型的建立，充分考虑了各影响因素(自变量)之间的关联性和时空变化，通过概率推断方法对针对不同多年冻土类型中地下冰储量进行静态估算和土壤分层和网格化，进行多年冻土区地下冰储量的估算。
概率推断是基于收集的数据和模型参数进行推断的过程。在贝叶斯统计框架中，这涉及到计算模型参数的后验概率分布。这个过程包括以下两个主要部分：似然函数的计算和后验概率分布的确定。似然函数L(Data|Θ)表示在给定模型参数Θ的条件下，模型训练数据集Data出现的概率。在本模型中，似然函数可表示为
其中：yi是第i个地质勘查资料的观测值，这个函数是数据在模型参数下的联合概率分布。例如，如果模型是线性回归，那么每个yi的概率分布可能是以模型预测为均值的正态分布。似然函数的具体形式取决于数据的性质和假设的统计模型。例如，对于计数土壤温度，降水数据，使用泊松分布，而对于冻土类型分类数据，则使用二项分布。
后验分布P(Data|Θ)是在观测数据Data给定的情况下，参数Θ的概率分布。根据贝叶斯定理，它可以表示为
其中：P(θ)是先验概率分布，P(Data)是边缘似然，作为归一化因子，本发明中采用马尔可夫链蒙特卡罗(MCMC)方法来近似这个值。
使用估计的参数Θ，通过模型方程式(1)对地下冰储量进行估算，并基于参数的后验分布，对地下冰储量的估计进行不确定性分析，提供估计的置信区间和概率分布，即得地下冰储量的估算模型。
对后验概率分布P(Data|Θ)进行详细分析，提供模型参数的统计描述(如均值、标准差等)，以及地下冰储量的估计值和其不确定性。基于地下冰储量的估计和其不确定性，为多年冻土区的资源管理和政策制定提供科学依据和决策支持，这对于理解全球气候变化的影响、制定有效的环境政策以及进行资源管理至关重要。
S4验证：
采用模型测试数据集验证地下冰储量的估算模型，并根据估算结果，通过阈值设定或概率比较进行不同地下冰(即淡水资源)储量等级划分，制定相应的多年冻土区地下冰资源保护措施。
本发明基于上述理论方法和模型并基于R语言包rstan构建出一个多年冻土区地下冰储量估算***。整个估算***可以接收实时或定期更新的数据，进行先验概率计算修正，自动进行新一轮地下冰储量估算，实现反复修正迭代验证计算结果，最终对结果进行可视化展示，以便管理者和决策者进行实时监控和决策。
如使用历史数据2000-2010年实测地下冰储量对模型进行验证，确保模型预测能力和准确性。同时，根据不同地区的特定地质地貌条件进行调整，以适应不同地区的地下冰储量预测，提高其普适性和应用范围。
Claims (3)
1.基于贝叶斯层间结构的多年冻土区地下冰储藏量估算模型，包括以下步骤：
S1数据获取和预处理：
收集多年冻土区相关地理和气象数据，并确定影响地下冰储量的特征属性变量；利用地理信息***对所述特征属性变量进行集成和空间分析，形成一个全面的空间数据集；然后对所述空间数据集进行数据预处理，即得原始数据；所述原始数据经归一化转换后，分别确定模型训练数据集和模型测试数据；
S2基于贝叶斯层间结构模型建立：
以所述模型训练数据集作为输入数据，根据贝叶斯层间结构模型构建多年冻土区地下冰储藏量估算模型，确定各层级的关系和参数；并采用MCMC方法对多年冻土区地下冰储藏量估算模型中的参数进行先验概率分布的确定，获得初始估算模型；
S3模型参数概率推断和估算：
采用MCMC方法对所述模型训练数据集以及所述初始估算模型中的参数进行后验概率分布的确定、估算，即得地下冰储量的估算模型；
S4验证：
采用所述模型测试数据集验证所述地下冰储量的估算模型，并根据估算结果制定相应的多年冻土区地下冰资源保护措施。
2.如权利要求1所述的基于贝叶斯层间结构的多年冻土区地下冰储藏量估算模型，其特征在于：所述步骤S2中多年冻土区地下冰储藏量估算模型的形式如下：
Y＝β0+β1Ts+β2Hs+β3Ta+β4ATL+β5P+ε
其中：β0，β1，β2，β3，β4，β5是贝叶斯层间结构模型系数；Ts，Hs，Ta，ATL，P分别是土壤温度、土壤含水量、空气温度、活动层厚度以及降水量；ε是误差项。
3.如权利要求1所述的基于贝叶斯层间结构的多年冻土区地下冰储藏量估算模型，其特征在于：所述步骤S3中后验概率分布的表达式如下：
其中：P(θ)是先验概率分布；P(Data)是边缘似然；Data是指模型训练数据集；L(Data|Θ)是似然函数；yi是第i个地质勘查资料的观测值；Θ为模型参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311753613.8A CN117744868A (zh) | 2023-12-19 | 2023-12-19 | 基于贝叶斯层间结构的多年冻土区地下冰储藏量估算模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311753613.8A CN117744868A (zh) | 2023-12-19 | 2023-12-19 | 基于贝叶斯层间结构的多年冻土区地下冰储藏量估算模型 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117744868A true CN117744868A (zh) | 2024-03-22 |
Family
ID=90280602
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311753613.8A Pending CN117744868A (zh) | 2023-12-19 | 2023-12-19 | 基于贝叶斯层间结构的多年冻土区地下冰储藏量估算模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117744868A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220299476A1 (en) * | 2020-07-13 | 2022-09-22 | University Of Manitoba | Systems and Methods for Ultrasonic Characterization of Permafrost, Frozen Soil and Saturated Soil Samples |
| CN116777079A (zh) * | 2023-07-21 | 2023-09-19 | 中国科学院西北生态环境资源研究院 | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 |
-
2023
- 2023-12-19 CN CN202311753613.8A patent/CN117744868A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220299476A1 (en) * | 2020-07-13 | 2022-09-22 | University Of Manitoba | Systems and Methods for Ultrasonic Characterization of Permafrost, Frozen Soil and Saturated Soil Samples |
| CN116777079A (zh) * | 2023-07-21 | 2023-09-19 | 中国科学院西北生态环境资源研究院 | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| 乔永平;赵林;庞强强;陈继;邹德富;高泽深;: "青藏高原改则地区多年冻土特征", 冰川冻土, no. 06, 15 December 2015 (2015-12-15), pages 1453 - 1460 * |
| 王怀军;潘莹萍;冯如;肖明贤;: "基于空间贝叶斯层次模型的淮河流域气候极值特征分析", 灌溉排水学报, no. 05, 15 May 2020 (2020-05-15), pages 102 - 110 * |
| 王生廷;盛煜;曹伟;李静;马帅;胡晓莹;: "基于地貌分类的黄河源区多年冻土层地下冰储量估算", 水科学进展, no. 06, 30 November 2017 (2017-11-30), pages 801 - 810 * |
| 褚君浩 等: "秘境寻优 人工智能中的搜索方法", vol. 2022, 28 February 2022, 上海科学技术文献出版社, pages: 168 * |
| 赵林;丁永建;刘广岳;王绍令;金会军;: "青藏高原多年冻土层中地下冰储量估算及评价", 冰川冻土, no. 01, 15 February 2010 (2010-02-15), pages 1 - 9 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yuan et al. | Estimating surface soil moisture from satellite observations using a generalized regression neural network trained on sparse ground-based measurements in the continental US | |
| Greve et al. | Quantifying the ability of environmental parameters to predict soil texture fractions using regression-tree model with GIS and LIDAR data: The case study of Denmark | |
| Yalcin | GIS-based landslide susceptibility mapping using analytical hierarchy process and bivariate statistics in Ardesen (Turkey): comparisons of results and confirmations | |
| Jin et al. | Downscaling AMSR-2 soil moisture data with geographically weighted area-to-area regression kriging | |
| Busico et al. | Simulating future groundwater recharge in coastal and inland catchments | |
| Sadri et al. | Developing a drought-monitoring index for the contiguous US using SMAP | |
| Naz et al. | Improving soil moisture and runoff simulations at 3 km over Europe using land surface data assimilation | |
| Zhang et al. | Assessing soil thickness in a black soil watershed in northeast China using random forest and field observations | |
| Odusanya et al. | Evaluating the performance of streamflow simulated by an eco-hydrological model calibrated and validated with global land surface actual evapotranspiration from remote sensing at a catchment scale in West Africa | |
| Liu et al. | ESA CCI soil moisture assimilation in SWAT for improved hydrological simulation in Upper Huai River Basin | |
| Wu et al. | Global analysis of the role of terrestrial water storage in the evapotranspiration estimated from the Budyko framework at annual to monthly time scales | |
| Nie et al. | Towards effective drought monitoring in the Middle East and North Africa (MENA) region: implications from assimilating leaf area index and soil moisture into the Noah-MP land surface model for Morocco | |
| Ndhlovu et al. | Use of gridded climate data for hydrological modelling in the Zambezi River Basin, Southern Africa | |
| Kannan et al. | Development of an automated procedure for estimation of the spatial variation of runoff in large river basins | |
| Koranteng et al. | Geospatial assessment of land use and land cover dynamics in the mid-zone of Ghana | |
| CN105528523A (zh) | 一种基于遥感数据的土壤厚度反演方法 | |
| Yáñez‐Morroni et al. | Hydrological modeling of the Silala River basin. 1. Model development and long‐term groundwater recharge assessment | |
| Chang et al. | Optimal site selection of watershed hydrological monitoring stations using remote sensing and grey integer programming | |
| Smith et al. | Spatial variability and uncertainty of soil nitrogen across the conterminous United States at different depths | |
| Zhao et al. | Developing and evaluating national soil moisture percentile maps | |
| Wright et al. | Identification of hydrologic models, optimized parameters, and rainfall inputs consistent with in situ streamflow and rainfall and remotely sensed soil moisture | |
| CN117744868A (zh) | 基于贝叶斯层间结构的多年冻土区地下冰储藏量估算模型 | |
| Gull et al. | Hydrological modeling for streamflow and sediment yield simulation using the SWAT model in a forest-dominated watershed of north-eastern Himalayas of Kashmir Valley, India | |
| Feng et al. | Predicting soil depth in a large and complex area using machine learning and environmental correlations | |
| Abraha | Assessment of drought early warning in Ethiopia: A comparison of wrsi by surface energy balance and soil water balance |
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 |