-
公开(公告)号:CN109214091A
公开(公告)日:2019-01-15
申请号:CN201811047092.3
申请日:2018-09-08
申请人: 天津大学
IPC分类号: G06F17/50
摘要: 本发明公开了一种基于ELM的电离层F2层临界频率的预测方法:获取foF2的影响因子和foF2小时值的实测数据,将数据分为3组,分别作为ELM模型的训练数据、测试数据和验证数据;确定ELM模型的输入变量和输出变量;将训练数据和测试数据导入ELM模型中,对ELM模型进行训练;比较ELM模型的预测误差RMSE和ELM模型精度期望值的大小,直到预测误差RMSE小于期望值,训练结束,确定最优ELM模型;将验证数据导入已经训练好的最优ELM模型中,得到精确的输出预测值。本发明能够实现对foF2的精准、快速预测。
-
公开(公告)号:CN109272144A
公开(公告)日:2019-01-25
申请号:CN201810937300.0
申请日:2018-08-16
申请人: 天津大学
摘要: 本发明公开了一种基于BPNN的中国北方草原地区NDVI的预测方法:建立未来年度生长季月平均降雨量BPNN预测模型;建立未来年度生长季月平均降雨量-NDVI映射模型;将降雨量BPNN预测模型产生的未来年度生长季降雨量月平均预测值,代入到降雨量-NDVI映射模型中,获得未来年度生长季NDVI月平均预测值。本发明可以准确预测生长季(6-8月)NDVI平均值,从而实现根据NDVI的预测值评估未来年份可放牧的牲畜数量(载畜量),该方法有利于基于可预测的气候条件实现动态的放牧策略,以避免灾害年份出现过度放牧。
-
公开(公告)号:CN109190810B
公开(公告)日:2021-05-04
申请号:CN201810935901.8
申请日:2018-08-16
申请人: 天津大学
摘要: 本发明公开了一种基于TDNN的中国北方草原地区NDVI的预测方法:建立未来年度生长季月平均降雨量TDNN预测模型;建立未来年度生长季月平均降雨量‑NDVI映射模型;将降雨量TDNN预测模型产生的未来年度生长季降雨量月平均预测值,代入到降雨量‑NDVI映射模型中,获得未来年度生长季NDVI月平均预测值。本发明可以准确预测生长季(6‑8月)NDVI平均值,从而实现根据NDVI的预测值评估未来年份可放牧的牲畜数量(载畜量),该方法有利于基于可预测的气候条件实现动态的放牧策略,以避免灾害年份出现过度放牧。
-
公开(公告)号:CN109190810A
公开(公告)日:2019-01-11
申请号:CN201810935901.8
申请日:2018-08-16
申请人: 天津大学
摘要: 本发明公开了一种基于TDNN的中国北方草原地区NDVI的预测方法:建立未来年度生长季月平均降雨量TDNN预测模型;建立未来年度生长季月平均降雨量-NDVI映射模型;将降雨量TDNN预测模型产生的未来年度生长季降雨量月平均预测值,代入到降雨量-NDVI映射模型中,获得未来年度生长季NDVI月平均预测值。本发明可以准确预测生长季(6-8月)NDVI平均值,从而实现根据NDVI的预测值评估未来年份可放牧的牲畜数量(载畜量),该方法有利于基于可预测的气候条件实现动态的放牧策略,以避免灾害年份出现过度放牧。
-
公开(公告)号:CN109272144B
公开(公告)日:2021-05-04
申请号:CN201810937300.0
申请日:2018-08-16
申请人: 天津大学
摘要: 本发明公开了一种基于BPNN的中国北方草原地区NDVI的预测方法:建立未来年度生长季月平均降雨量BPNN预测模型;建立未来年度生长季月平均降雨量‑NDVI映射模型;将降雨量BPNN预测模型产生的未来年度生长季降雨量月平均预测值,代入到降雨量‑NDVI映射模型中,获得未来年度生长季NDVI月平均预测值。本发明可以准确预测生长季(6‑8月)NDVI平均值,从而实现根据NDVI的预测值评估未来年份可放牧的牲畜数量(载畜量),该方法有利于基于可预测的气候条件实现动态的放牧策略,以避免灾害年份出现过度放牧。
-
公开(公告)号:CN109146169A
公开(公告)日:2019-01-04
申请号:CN201810935902.2
申请日:2018-08-16
申请人: 天津大学
IPC分类号: G06Q10/04
CPC分类号: G06Q10/04
摘要: 本发明公开了一种基于TDNN的中国北方草原地区降雨量的预测方法:确定TDNN预测模型的输入变量P(t‑1)、P(t‑2)、P(t‑3)和输出变量P(t);获得TDNN预测模型的训练数据和测试数据;将训练数据导入TDNN预测模型中,对TDNN预测模型训练;将测试数据中输入变量导入已训练好的TDNN预测模型中,比较TDNN预测模型输出结果和降雨量实际观测值,计算MAE、RMSE;比较每次TDNN预测模型的训练精度MAE、RMSE大小,如果MAE、RMSE小于精度期望值,则完成TDNN预测模型训练;否则调整模型参数重新训练。本发明解决了以往降雨量预测模型中,因无法精确描述模型的输入之间存在的时间关系而导致预测精度不高的技术问题。
-
-
-
-
-