-
公开(公告)号：CN117347556A
公开(公告)日：2024-01-05
申请号：CN202311062901.9
申请日：2023-08-23
Applicant: 南开大学
Abstract: 本发明公开一种基于混合深度神经网络的涡度观测CO2通量的拆分方法，该方法采用4个子深度神经网络模块，利用不同环境驱动因素组合来独立估算GPP和ER。网络模型训练好之后，仅通过一些气象、土壤、植被数据就能高精度估测GPP和ER。该方法区别于经验公式法优势是计算过程不需要满足特定的先决条件，也不需要执行人员具备精密仪器操作技能。应用该方法有助于科研人员更高效、便捷的获得大气中的碳循环变化数据，进而为制定气候变化政策提供科学依据。
-
公开(公告)号：CN118053519B
公开(公告)日：2024-06-18
申请号：CN202410452747.4
申请日：2024-04-16
Applicant: 南开大学
IPC: G16C20/70 , G16C20/10 , G06N3/0464 , G06N3/084 , G06N3/0985
Abstract: 本发明公开了一种耦合ResNets和改进CASA模型的区域植被GPP估算方法。该方法将ResNets网络与新构建的GPP估算模型耦合，提高了模型的泛化能力和估算精度，在极端气候事件下具有较高的稳健性。本发明基于传统CASA模型，构建了新的GPP估算模型，新构建的GPP估算模型可直接估算GPP，克服了传统CASA模型只能输出NPP的缺陷。本发明可在不同的环境条件和植被类型下准确估算#imgabs0#，且可表示多重环境因子与#imgabs1#之间的复杂非线性关系，考虑多重环境因子间的交互作用对#imgabs2#的影响，将估算的#imgabs3#代入新构建的GPP估算模型后，可在环境异质性高的地区提高GPP估算精度。
-
公开(公告)号：CN114692378B
公开(公告)日：2024-12-17
申请号：CN202011634521.4
申请日：2020-12-31
Applicant: 南开大学
IPC: G06F30/20 , G06F119/08
Abstract: 本发明提供了一种Tm‑fc梯形框架内极端温度选择的计算方法，该计算方法采用逐个像元误差分析方法PPEA，评估四个极端温度对最终LE和LEv/LE模拟产生的影响。逐个像元误差分析方法PPEA具体包括：(1)将Tm‑fc的二维散点图划分为100*100的网格；(2)对于2D坐标系中Tm‑fc散点的四个角，为每个角选择n个散点，所述n≤10；(3)极端温度组合的总数为n4组；使用(实际观测数据)观测的LE数据(LEo,W/m2)对每个极端温度组合的模拟LE值进行验证，通过查找最小RMSE值作为目标函数进行逐个极端温度组合的误差分析；n4个RMSE中的最小RMSE值对应的极端温度组合即为理论极端温度。
-
公开(公告)号：CN115310370A
公开(公告)日：2022-11-08
申请号：CN202211223868.9
申请日：2022-10-09
Applicant: 南开大学
Abstract: 本发明公开了一种耦合深度学习和物理机制的区域性植被蒸腾预测方法，基于原始P‑T模型构建了P‑T蒸腾模型，将该模型原始的净辐射通量Rn和P‑T修正系数α替换为植被净辐射通量Rnv和植被修正系数αv；为了准确估计植被修正系数αv，创新性的将植被、土壤和气象参数输入深度神经网络来预测αv，然后将估算的αv导入蒸腾模型计算植被蒸腾量，通过将实测植被蒸腾量与预测的植被蒸腾量进行验证来优化DNN模型中αv的估计。相较于单纯深度学习模型，本发明耦合物理机制的深度学习模型可显著提高在极端气候条件下的植被蒸腾量的模拟精度。这对于准确估算区域植被需水量、指导农田精准灌溉等领域具有重要意义。
-
公开(公告)号：CN114693049B
公开(公告)日：2024-12-10
申请号：CN202011637898.5
申请日：2020-12-31
Applicant: 南开大学
Abstract: 本发明属于环境检测领域，具体公开了一种基于遥感的三源城市蒸散发模型(TRU)的构建方法，其特征在于，该三源城市蒸散发模型(TRU)主要包括三部分，TRU模型假设：假设城市不透水区域和非不透水区域具有相互独立的水汽扩散过程；非不透水区域蒸散发参数化设计：基于迭代过程的地表温度分解模型(TSEB)基础上优化；不透水区域蒸散发参数化设计：将城市人为热通量(A)与地表能量平衡集成实现。相比较于以往的估算城市蒸散发的模型算法，TRU是目前为止第一个能够区分城市区域土壤蒸发，植被蒸腾与不透水面蒸发的遥感蒸散发模型算法，且模拟精度更高。
-
Patent Agency Ranking
公开(公告)号：CN117217074A
公开(公告)日：2023-12-12
申请号：CN202311051690.9
申请日：2023-08-21
Applicant: 南开大学
Abstract: 本发明为一种耦合深度学习与物理机制的叶片水分利用效率估计方法，首先获取目标区域历史监测周期的环境数据和叶片水分利用效率；然后，构建叶片内部二氧化碳浓度预测模型，将训练后的叶片内部二氧化碳浓度预测模型用于预测叶片内部二氧化碳浓度，将叶片内部二氧化碳浓度的预测值代入公式计算叶片水分利用效率，同时计算叶片水分利用效率估计值与实测值之间的误差，通过反向传播对模型进行优化；最后，获取目标区域监测周期的环境数据，并输入到训练后的叶片内部二氧化碳浓度预测模型中，得到叶片内部二氧化碳浓度；将叶片内部二氧化碳浓度公式计算叶片水分利用效率，完成叶片水分利用效率的估计。该方法提高了叶片水分利用效率的估计精度，并实现了连续估计。
-
公开(公告)号：CN118053519A
公开(公告)日：2024-05-17
申请号：CN202410452747.4
申请日：2024-04-16
Applicant: 南开大学
IPC: G16C20/70 , G16C20/10 , G06N3/0464 , G06N3/084 , G06N3/0985
Abstract: 本发明公开了一种耦合ResNets和改进CASA模型的区域植被GPP估算方法。该方法将ResNets网络与新构建的GPP估算模型耦合，提高了模型的泛化能力和估算精度，在极端气候事件下具有较高的稳健性。本发明基于传统CASA模型，构建了新的GPP估算模型，新构建的GPP估算模型可直接估算GPP，克服了传统CASA模型只能输出NPP的缺陷。本发明可在不同的环境条件和植被类型下准确估算#imgabs0#，且可表示多重环境因子与#imgabs1#之间的复杂非线性关系，考虑多重环境因子间的交互作用对#imgabs2#的影响，将估算的#imgabs3#代入新构建的GPP估算模型后，可在环境异质性高的地区提高GPP估算精度。
-
公开(公告)号：CN115310370B
公开(公告)日：2023-08-29
申请号：CN202211223868.9
申请日：2022-10-09
Applicant: 南开大学
Abstract: 本发明公开了一种耦合深度学习和物理机制的区域性植被蒸腾预测方法，基于原始P‑T模型构建了P‑T蒸腾模型，将该模型原始的净辐射通量Rn和P‑T修正系数α替换为植被净辐射通量Rnv和植被修正系数αv；为了准确估计植被修正系数αv，创新性的将植被、土壤和气象参数输入深度神经网络来预测αv，然后将估算的αv导入蒸腾模型计算植被蒸腾量，通过将实测植被蒸腾量与预测的植被蒸腾量进行验证来优化DNN模型中αv的估计。相较于单纯深度学习模型，本发明耦合物理机制的深度学习模型可显著提高在极端气候条件下的植被蒸腾量的模拟精度。这对于准确估算区域植被需水量、指导农田精准灌溉等领域具有重要意义。
-
公开(公告)号：CN114693049A
公开(公告)日：2022-07-01
申请号：CN202011637898.5
申请日：2020-12-31
Applicant: 南开大学
IPC: G06Q10/06 , G06Q50/26 , G06F30/20 , G06F113/08 , G06F119/08
Abstract: 本发明属于环境检测领域，具体公开了一种基于遥感的三源城市蒸散发模型(TRU)的构建方法，其特征在于，该三源城市蒸散发模型(TRU)主要包括三部分，TRU模型假设：假设城市不透水区域和非不透水区域具有相互独立的水汽扩散过程；非不透水区域蒸散发参数化设计：基于迭代过程的地表温度分解模型(TSEB)基础上优化；不透水区域蒸散发参数化设计：将城市人为热通量(A)与地表能量平衡集成实现。相比较于以往的估算城市蒸散发的模型算法，TRU是目前为止第一个能够区分城市区域土壤蒸发，植被蒸腾与不透水面蒸发的遥感蒸散发模型算法，且模拟精度更高。
-
公开(公告)号：CN114692378A
公开(公告)日：2022-07-01
申请号：CN202011634521.4
申请日：2020-12-31
Applicant: 南开大学
IPC: G06F30/20 , G06F119/08
Abstract: 本发明提供了一种Tm‑fc梯形框架内极端温度选择的计算方法，该计算方法采用逐个像元误差分析方法PPEA，评估四个极端温度对最终LE和LEv/LE模拟产生的影响。逐个像元误差分析方法PPEA具体包括：(1)将Tm‑fc的二维散点图划分为100*100的网格；(2)对于2D坐标系中Tm‑fc散点的四个角，为每个角选择n个散点，所述n≤10；(3)极端温度组合的总数为n4组；使用(实际观测数据)观测的LE数据(LEo,W/m2)对每个极端温度组合的模拟LE值进行验证，通过查找最小RMSE值作为目标函数进行逐个极端温度组合的误差分析；n4个RMSE中的最小RMSE值对应的极端温度组合即为理论极端温度。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.02 seconds)
