排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
2.
基于RS和GIS的岩溶石漠化恶化趋势定量预测——以广西都安瑶族自治县典型岩溶石漠化地区为例 总被引:1,自引:0,他引:1
以广西壮族自治区都安瑶族自治县典型岩溶石漠化地区为例,以1999年和2009年获取的两个时相的TM数据为数据源,以遥感(RS)和地理信息系统(GIS)为技术手段和平台,以碳酸盐岩类型、土地利用类型、岩溶地貌类型、地形坡度和人口聚居密度为石漠化恶化的影响因子,运用层次分析—确定性系数(analytical hierarchy process-certainty factor,AHP-CF)法计算待预测区的石漠化恶化易发指数(rocky desertification deterioration index,RDDI),以RDDI为参数实现岩溶石漠化恶化趋势的定量预测。预测结果可为制定有前瞻性和针对性的岩溶石漠化地区生态环境保护和恢复规划提供科学依据,有利于推进石漠化防治工作的进程。 相似文献
3.
利用2018—2020年经偏振升级改造后的广州S波段双偏振雷达(CINRAD/SAD)82892个体扫的0.5°仰角数据,以及雷达100 km探测范围内1109个雨量站共计538560个分钟雨量数据,分别构建了单参量、三参量雷达定量降水估测(QPE)深度学习网络架构(Z-Rnet、KDP-Rnet、Pol-Rnet),并以KDP=0.5°/km为阈值分别训练得到大雨、小雨、总体等9个定量降水估测模型。在常用的均方误差作为损失函数的基础上,对不同降水强度采用不同权重提出了自定义损失函数,并利用比率偏差、相对偏差、均方差、平均绝对误差和平均相对误差作为评价指标对模型进行评估。通过对以积层混合云为主、以对流云为主和以层状云为主的3次降水过程的模型验证结果表明,利用深度学习训练的模型有较好的定量降水估测效果,区分雨强的小雨、大雨模型比不区分雨强的总体模型的效果要好。采用自定义损失函数模型效果更好,其均方差、平均绝对误差和平均相对误差分别较采用传统均方误差损失函数提升了8.62%、12.52%、16.34%。自定义损失函数中,采用ZH-ZDR-KDP三参量网络架构训练得到的定量降水估测模型效果最好,其均方差、平均绝对误差和平均相对误差分别较采用ZH的单参量Z-Rnet架构提升6.82%、8.43%、7.22%;较采用KDP的单参量KDP-Rnet架构提升12.33%、17.61%、17.26%。 相似文献
4.
广州S波段双偏振天气雷达低仰角多方位存在遮挡,高仰角也存在部分遮挡。基于卷积神经网络等深度学习方法,构建垂直填补(vertical echo-filling,VEF)和水平填补(horizontal echo-filling,HEF)网络架构,基于两种架构,利用无遮挡区的反射率因子ZH、差分反射率ZDR,差传播相移率KDP构建训练集,填补遮挡区的ZH和ZDR。针对仅0.5°仰角存在遮挡的区域,基于VEF架构,利用上层多个仰角、径向、距离库的三维数据,分距离段训练垂直填补模型。针对遮挡仰角较高的区域,则基于HEF架构,利用同一仰角左右相邻的多个径向、距离库的数据,分遮挡径向训练水平填补模型。根据解释方差、平均绝对偏差和相关系数3个指标和3个个例,对模型效果进行评估。结果表明:ZH填补模型的解释方差最大为0.92,平均绝对偏差最小为1.69 dB,相关系数最高为0.96;ZDR填补模型的解释方差最大为0.92,平均绝对偏差最小为0.12 dB,相关系数最高为0.96。利用该研究构建的深度学习填补架构,可有效填补偏振雷达遮挡区域回波,提高雷达数据质量。 相似文献
1