地球科学进展

地球科学进展 ›› 2024, Vol. 39 ›› Issue (12): 1285 -1298. doi: 10.11867/j.issn.1001-8166.2024.097

研究论文 上一篇    下一篇

洞庭湖流域陆地水储量变化长时序重构及水文干旱特征
黄志勇1,2(), 古天豪1, 隆院男1,2, 陈绪慧3(), 杨享运1, 刘轩宇1, 黄铭昊1, 胡庆麟1, 周思婷1   
  1. 1.长沙理工大学 水利与海洋工程学院，湖南 长沙 410114
    2.洞庭湖水环境治理与生态修复湖南省 重点实验室，湖南 长沙 410114
    3.生态环境部卫星环境应用中心，北京 100094
  • 收稿日期:2024-10-14 修回日期:2024-11-30 出版日期:2024-12-10
  • 通讯作者: 陈绪慧 E-mail:huangzy9084@126.com;xhchen23@163.com
  • 基金资助:
    国家自然科学基金项目(42301404);湖南省自然科学基金项目(2022JJ40480);湖南省大学生创新训练项目(S202310536102)

Reconstruction of Long-term Terrestrial Water Storage Anomalies and Associated Hydrological Drought Characteristics in the Dongting Lake Basin

Zhiyong HUANG1,2(), Tianhao GU1, Yuannan LONG1,2, Xuhui CHEN3(), Xiangyun YANG1, Xuanyu LIU1, Minghao HUANG1, Qinglin HU1, Siting ZHOU1   

  1. 1.School of Hydraulic and Ocean Engineering, Changsha University of Science & Technology, Changsha 410114, China
    2.Key Laboratory of Dongting Lake Aquatic Eco-Environmental Control and Restoration of Hunan Province, Changsha 410114, China
    3.Satellite Application Center for Ecology and Environment, Beijing 100094, China
  • Received:2024-10-14 Revised:2024-11-30 Online:2024-12-10 Published:2025-02-28
  • Contact: Xuhui CHEN E-mail:huangzy9084@126.com;xhchen23@163.com
  • About author:HUANG Zhiyong, research areas include satellite gravimetry and hydrology. E-mail: huangzy9084@126.com
  • Supported by:
    the National Natural Science Foundation of China(42301404);The Natural Science Foundation of Hunan Province(2022JJ40480);University Student Innovation Training Project of Hunan Province(S202310536102)
全文 ( 30 ) 下载PDF ( 176 )

陆地水储量变化长时序可用于定量表征水文干旱特征。利用重力卫星、全球水文模型（WGHM）和再分析模型（MERRA-2）的陆地水储量变化，以及实测气温和降水量数据，对比广义回归神经网络和长短期记忆神经网络方法在重构洞庭湖流域陆地水储量变化长时序的适宜性，并基于此时序对水文干旱特征进行定量分析。结果表明：广义回归神经网络重构结果优于长短期记忆神经网络，以MERRA-2为输入数据的重构结果优于WGHM。1980年以来洞庭湖流域水储量呈上升趋势，水库蓄水量增加是重要因素。扣除水库蓄水量增加趋势后的水储量亏损指数能更好地揭示历史水文干旱特征。2022年7~12月，洞庭湖流域经历极端干旱，陆地水储量总亏损强度达-790 mm，其中因扣除水库蓄水量增加趋势导致的水储量亏损值达-140 mm。研究突出了水库蓄水量趋势对水文干旱精准评估的重要影响，可为洞庭湖流域乃至全球其他流域或地区水资源动态监测、旱涝灾害监测和评估提供理论和方法指导，为更科学、合理地管理流域水资源提供参考依据。

关键词: 重力卫星, 水文干旱, 长时间序列重构, 神经网络, 水库蓄水量

Long-term Terrestrial Water Storage Anomalies (TWSA) can be used to quantitatively characterize hydrological drought features. TWSA data in the Dongting Lake Basin (DTLB) were retrieved from multiple datasets, including satellite gravimetry (Gravity Recovery and Climate Experiment satellites and the succeeding Follow-On mission), global hydrology models (WaterGAP Global Hydrology Model, v2.2e), and a reanalysis model (Modern-Era Retrospective Analysis for Research and Applications, version 2). These TWSA datasets, along with observed temperature and precipitation data, were utilized to compare the suitability of two methods—the General Regression Neural Network and Long Short-Term Memory Neural Network—for reconstructing long-term TWSA in the DTLB. Quantitative analyses of hydrological drought characteristics were conducted using the long-term TWSA. The results indicate that in the DTLB, the reconstructed TWSA using General Regression Neural Network is superior to that obtained using Long Short-Term Memory Neural Network, and reconstructions using Modern-Era Retrospective Analysis for Research and Applications-2 as input data outperform those using WaterGAP Global Hydrology Model. Since 1980, terrestrial water storage in the DTLB has shown an increasing trend, partly influenced by the rising water storage capacity of reservoirs. The water storage deficit index, estimated by removing the increasing trend in reservoir storage, provided a more accurate representation of historical hydrological drought characteristics. From July to December 2022, the DTLB experienced an extreme drought, with a total terrestrial water storage deficit intensity reaching -790 mm, of which -140 mm was attributed to the water storage deficit after adjusting for the increasing trend in reservoir storage. This study ① emphasized the significant influence of reservoir water storage trend on accurate assessment of hydrological drought; ② provided a theoretical and methodological guidance on dynamic monitoring of water resources, drought and flood monitoring and assessment for the Dongting Lake Basin and other basins or regions globally;③ provided references for scientific and rational management of basin-scale water resources.

Key words: Satellite gravimetry, Hydrological drought, Long time series reconstruction, Neural network, Reservoir water storage

中图分类号: 

图1 洞庭湖流域概况图
Fig. 1 A schematic map of the Dongting Lake Basin
表1 基于干旱指数的干旱严重程度划分依据［44］
Table 1 Category of drought severity based on drought index［44］
干旱程度WSDI级别
无旱0<WD0
轻度干旱-1.0<W≤0D1
中度干旱-2.0<W≤-1.0D2
重度干旱-3.0<W≤-2.0D3
极端干旱W≤-3.0D4
表2 利用2002—2017年重力卫星数据评价模型陆地水储量变化统计指标结果
Table 2 Evaluation results of the modeled Total Water Storage Anomalies （TWSA） against GRACE and GRACE Follow-On data during 2002-2017
模型rNSERMSD（mm/mo.）
GLDAS_Noah2.00.760.4353.0
GLDAS_CLSM2.00.730.3755.6
GLDAS_VIC2.00.690.2759.6
GLDAS_Noah2.10.800.5248.4
GLDAS_VIC2.10.720.3456.9
GLDAS_CLSM2.10.700.2062.7
MERRA-20.790.5049.7
WGHM2.2e_20crv3-era50.750.5447.4
WGHM2.2e_20crv3-w5e50.890.6441.9
WGHM2.2e_gswp3-era50.740.5348.0
WGHM2.2e_gswp3-w5e50.890.6441.9
图2 两个最优模型（MERRA-2和WGHM2.2e_gswp-w5e5）与重力卫星陆地水储量变化时序对比
Fig. 2 Comparison of Total Water Storage Anomalies （TWSA） time series from two optimal models （MERRA-2 and WGHM2.2e_gswp-w5e5）， GRACE and GRACE Follow-On
图3 考虑不同方法、不同模型作为输入以及训练集和测试集比例为直接7∶3的情况下重构结果
Fig. 3 Comparison of reconstructed time series considering different methods， different models as input， and when the ratio of training set to test set is directly set to be 7∶3
表3 考虑不同方法、不同模型作为输入以及训练集和测试集比例为7∶3的情况下重构结果对比
Table 3 Comparison of statistical results of reconstructed TWSA considering different methods， different models as input， and the proportions of training set and test set being 7∶3
重构方法训练策略rNSERMSD （mm/mo.）
训练集测试集训练集测试集训练集测试集
GRNNGRNN_MERRA-2（直接7∶3）0.940.940.830.8028.224.2
GRNN_WGHM（直接7∶3）0.930.920.860.3825.843.2
LSTMLSTM_MERRA-2（直接7∶3）0.910.890.780.7432.627.7
LSTM_WGHM（直接7∶3）0.910.860.790.4331.841.2
GRNNGRNN_MERRA-2（随机7∶3）0.960.960.920.9120.318.8
GRNN_WGHM（随机7∶3）0.970.950.920.9020.220.6
LSTMLSTM_MERRA-2（随机7∶3）0.940.910.870.4126.439.7
LSTM_WGHM（随机7∶3）0.930.910.850.8427.526.0
图4 重构的洞庭湖流域陆地水储量变化及影响因素时序
（a）重构的水储量变化时序（1980—2022年）；（b） WGHM模型的水库蓄水量变化时序（1980—2019年）；（c）年降水量（1980—2022年）
Fig. 4 Time series of reconstructed total water storage changes and associated influencing factors in the Dongting Lake Basin
（a） Reconstructed time series of total water storage changes （1980-2022）； （b） Reservoir water storage variation time series from WGHM （1980-2019）； （c） Annual precipitation （1980-2022）
图5 1980—2022年洞庭湖流域（a）陆地水储量亏损指数、（b）降水异常和（c）气温异常
Fig. 5 Time series of （a） WSDI， （b） precipitation anomaly （P_anomaly）， and （c） temperature anomaly （T_anomaly） in the Dongting Lake Basin from 1980 to 2022
表4 基于水储量亏损时序和水储量亏损指数表征的1980年以来中度及以上水文干旱事件的干旱特征
Table 4 Characteristics of severe to moderate drought events since 1980 based on Water Storage Deficit （WSD） time series and Water Storage Deficit Index （WSDI）
WSDI起止时段干旱历时/月总亏损强度/mm平均亏损强度/（mm/mo.）WSDI峰值/（mm/mo.）干旱等级
GRNN_WSDI1984年6月—1987年9月40-1 621.9-40.5-1.54D2
GRNN_WSDI1988年1月—1988年9月9-263.1-29.2-1.64D2
GRNN_WSDI1995年3月—1997年9月31-1 030.6-33.2-1.54D2
GRNN_WSDI2003年8月—2004年8月13-818.2-62.9-2.49D3
GRNN_WSDI2022年8月—2022年12月5-612.9-122.6-3.17D4
小计98-4 346.7
WSDI起止时段干旱历时/月总亏损强度/mm平均亏损强度/（mm/mo.）WSDI峰值/（mm/mo.）干旱等级
WSDI-detrend-RES1995年7月—1997年7月25-832.5-33.3-1.55D2
WSDI-detrend-RES2003年7月—2004年8月14-862.3-61.6-2.80D3
WSDI-detrend-RES2011年3月—2012年2月15-576.7-38.4-1.90D2
WSDI-detrend-RES2022年7月—2022年12月6-753.0-125.5-4.11D4
小计60-3 024.4
WSDI起止时段干旱历时/月总亏损强度/mm平均亏损强度/（mm/mo.）WSDI峰值/（mm/mo.）干旱等级
WSDI-detrend-STL1995年7月—1997年7月25-796.0-31.8-1.53D2
WSDI-detrend-STL2003年7月—2004年8月14-872.8-62.3-2.83D3
WSDI-detrend-STL2004年10月—2007年8月35-1 095.4-31.3-1.51D2
WSDI-detrend-STL2011年3月—2012年2月12-612.5-51.0-1.98D2
WSDI-detrend-STL2022年7月—2022年12月6-790.0-131.7-4.28D4
小计92-4 166.8
图6 2022年洞庭湖流域（a）~（l）陆地水储量变化及（m）~（x）降水量异常逐月空间变化
Fig. 6 Spatial pattern of monthly total Terrestrial Water Storage Anomalies （TWSA） （a）~（l） and precipitation anomalies （P_anomaly） （m）~（x） in the Dongting Lake Basin in 2022
1 ZHANG Xiang， HUANG Shuzhe， GUAN Yuhang. Research progress， challenges， and prospects in drought propagation［J］. Advances in Earth Science， 2023， 38（6）： 563-579.
张翔， 黄舒哲， 管宇航. 干旱传播的研究进展、挑战与展望［J］. 地球科学进展， 2023， 38（6）： 563-579.
2 ZHANG Qiang， ZHANG Liang， CUI Xiancheng， et al. Progresses and challenges in drought assessment and monitoring［J］. Advances in Earth Science， 2011， 26（7）： 763-778.
张强， 张良， 崔显成， 等. 干旱监测与评价技术的发展及其科学挑战［J］. 地球科学进展， 2011， 26（7）： 763-778.
3 CHEN Yaning， LI Yupeng， LI Zhi， et al. Analysis of the impact of global climate change on dryland areas［J］. Advances in Earth Science， 2022， 37（2）： 111-119.
陈亚宁， 李玉朋， 李稚， 等. 全球气候变化对干旱区影响分析［J］. 地球科学进展， 2022， 37（2）： 111-119.
4 AGHAKOUCHAK A， FARAHMAND A， MELTON F S， et al. Remote sensing of drought： progress， challenges and opportunities［J］. Reviews of Geophysics， 2015， 53（2）： 452-480.
5 van LOON A F. Hydrological drought explained［J］. Wiley Interdisciplinary Reviews Water， 2015， 2（4）： 359-392.
6 SHUKLA S， WOOD A W. Use of a standardized runoff index for characterizing hydrologic drought［J］. Geophysical Research Letters， 2008， 35（2）. DOI：10.1029/2007GL032487 .
7 YIRDAW S Z， SNELGROVE K R， AGBOMA C O. GRACE satellite observations of terrestrial moisture changes for drought characterization in the Canadian Prairie［J］. Journal of Hydrology， 2008， 356（1/2）： 84-92.
8 NARASIMHAN B， SRINIVASAN R. Development and evaluation of Soil Moisture Deficit Index （SMDI） and Evapotranspiration Deficit Index （ETDI） for agricultural drought monitoring［J］. Agricultural and Forest Meteorology， 2005， 133（1/2/3/4）： 69-88.
9 THOMAS A C， REAGER J T， FAMIGLIETTI J S， et al. A GRACE-based water storage deficit approach for hydrological drought characterization［J］. Geophysical Research Letters， 2014， 41（5）： 1 537-1 545.
10 SINHA D， SYED T H， FAMIGLIETTI J S， et al. Characterizing drought in India using GRACE observations of terrestrial water storage deficit［J］. Journal of Hydrometeorology， 2017， 18（2）： 381-396.
11 WANG X W， de LINAGE C， FAMIGLIETTI J， et al. Gravity Recovery and Climate Experiment （GRACE） detection of water storage changes in the Three Gorges Reservoir of China and comparison with in situ measurements［J］. Water Resources Research， 2011， 47（12）. DOI：10.1029/2011WR010534 .
12 HUANG Z Y， JIAO J J， LUO X， et al. Drought and flood characterization and connection to climate variability in the Pearl River basin in southern China using long-term GRACE and reanalysis data［J］. Journal of Climate， 2021， 34（6）： 2 053-2 078.
13 WU J F， YUAN X， YAO H X， et al. Reservoirs regulate the relationship between hydrological drought recovery water and drought characteristics［J］. Journal of Hydrology， 2021， 603. DOI：10.1016/j.jhydrol.2021.127127 .
14 WU J F， CHEN X W， YAO H X， et al. Non-linear relationship of hydrological drought responding to meteorological drought and impact of a large reservoir［J］. Journal of Hydrology， 2017， 551： 495-507.
15 WU J F， LIU Z Y， YAO H X， et al. Impacts of reservoir operations on multi-scale correlations between hydrological drought and meteorological drought［J］. Journal of Hydrology， 2018， 563： 726-736.
16 LONG D， SHEN Y J， SUN A， et al. Drought and flood monitoring for a large karst plateau in Southwest China using extended GRACE data［J］. Remote Sensing of Environment， 2014， 155： 145-160.
17 CHEN X H， JIANG J B， LI H. Drought and flood monitoring of the Liao river basin in northeast China using extended GRACE data［J］. Remote Sensing， 2018， 10（8）. DOI：10.3390/rs10081168 .
18 XIE J K， XU Y P， GAO C， et al. Total basin discharge from GRACE and water balance method for the Yarlung Tsangpo River Basin， southwestern China［J］. Journal of Geophysical Research： Atmospheres， 2019， 124（14）： 7 617-7 632.
19 JING W L， ZHANG P Y， ZHAO X D， et al. Extending GRACE terrestrial water storage anomalies by combining the random forest regression and a spatially moving window structure［J］. Journal of Hydrology， 2020， 590. DOI：10.1016/j.jhydrol.2020.125239 .
20 LI F P， KUSCHE J， RIETBROEK R， et al. Comparison of data-driven techniques to reconstruct （1992-2002） and predict （2017-2018） GRACE‐like gridded total water storage changes using climate inputs［J］. Water Resources Research， 2020， 56（5）. DOI：10.1029/2019WR026551 .
21 LI F P， KUSCHE J， CHAO N F， et al. Long-term （1979-present） total water storage anomalies over the global land derived by reconstructing GRACE data［J］. Geophysical Research Letters， 2021， 48（8）. DOI：10.1029/2021GL093492 .
22 KUMAR D， BHATTACHARJYA R K. GRNN Model for prediction of groundwater fluctuation in the state of Uttarakhand of India using GRACE data under limited bore well data［J］. Journal of Hydroinformatics， 2021， 23（3）： 567-588.
23 WEI L Y， JIANG S H， REN L L， et al. Spatiotemporal changes of terrestrial water storage and possible causes in the closed Qaidam Basin， China using GRACE and GRACE Follow-On data［J］. Journal of Hydrology， 2021， 598. DOI：10.1016/j.jhydrol.2021.126274 .
24 WANG F， CHEN Y N， LI Z， et al. Developing a Long Short-Term Memory （LSTM）-based model for reconstructing terrestrial water storage variations from 1982 to 2016 in the Tarim River Basin， northwest China［J］. Remote Sensing， 2021， 13（5）. DOI：10.3390/rs13050889 .
25 YANG Ling， DENG Min， WANG Jinlong， et al. Spatial-temporal evolution of land use and ecological risk in Dongting Lake Basin during 1980-2018［J］. Acta Ecologica Sinica， 2021， 41（10）： 3 929-3 939.
杨伶， 邓敏， 王金龙， 等. 近40年来洞庭湖流域土地利用及生态风险时空演变分析［J］. 生态学报， 2021， 41（10）： 3 929-3 939.
26 XIAO Peng. Attribution of hydrological trend in Dongting Lake Basin［D］. Beijing： Tsinghua University， 2014.
肖鹏. 洞庭湖流域水资源演变归因分析［D］. 北京： 清华大学， 2014.
27 SAVE H， BETTADPUR S， TAPLEY B D. High-resolution CSR GRACE RL05 mascons［J］. Journal of Geophysical Research： Solid Earth， 2016， 121（10）： 7 547-7 569.
28 WATKINS M M， WIESE D N， YUAN D N， et al. Improved methods for observing Earth’s time variable mass distribution with GRACE using spherical cap mascons［J］. Journal of Geophysical Research： Solid Earth， 2015， 120（4）： 2 648-2 671.
29 LUTHCKE S B， SABAKA T J， LOOMIS B D， et al. Antarctica， Greenland and Gulf of Alaska land-ice evolution from an iterated GRACE global mascon solution［J］. Journal of Glaciology， 2013， 59（216）： 613-631.
30 CHEN C， HE M N， CHEN Q W， et al. Triple collocation-based error estimation and data fusion of global gridded precipitation products over the Yangtze River basin［J］. Journal of Hydrology， 2022， 605. DOI：10.1016/j.jhydrol.2021.127307 .
31 CHEN F， CROW W T， BINDLISH R， et al. Global-scale evaluation of SMAP， SMOS and ASCAT soil moisture products using triple collocation［J］. Remote Sensing of Environment， 2018， 214： 1-13.
32 RODELL M， HOUSER P R， JAMBOR U， et al. The global land data assimilation system［J］. Bulletin of the American Meteorological Society， 2004， 85（3）： 381-394.
33 LI B L， RODELL M， KUMAR S， et al. Global GRACE data assimilation for groundwater and drought monitoring： advances and challenges［J］. Water Resources Research， 2019， 55（9）： 7 564-7 586.
34 KOSTER R D， SUAREZ M J， DUCHARNE A， et al. A catchment-based approach to modeling land surface processes in a general circulation model： 1. model structure［J］. Journal of Geophysical Research： Atmospheres， 2000， 105（D20）： 24 809-24 822.
35 EK M B， MITCHELL K E， LIN Y， et al. Implementation of Noah land surface model advances in the National Centers for Environmental Prediction operational mesoscale Eta model［J］. Journal of Geophysical Research： Atmospheres， 2003， 108（D22）. DOI：10.1029/2002JD003296 .
36 KOSTER R D， SUAREZ M J. Energy and water balance calculations in the Mosaic LSM［M］. Greenbelt， Maryland： National Aeronautics and Space Administration， Goddard Space Flight Center， Laboratory for Atmospheres， Data Assimilation Office： Laboratory for Hydrospheric Processes， 1996.
37 MÜLLER S H， CÁCERES D， EISNER S， et al. The global water resources and use model WaterGAP v2.2d： model description and evaluation［J］. Geoscientific Model Development， 2021， 14（2）： 1 037-1 079.
38 GELARO R， MCCARTY W， SUÁREZ M J， et al. The modern-era retrospective analysis for research and applications， version 2 （MERRA-2）［J］. Journal of Climate， 2017， 30（14）： 5 419-5 454.
39 LIAO Mengsi. Change of water reserves in recent ten years from GRACE and GLDAS in Dongting Lake Basin［D］. Changsha： Hunan Normal University， 2015.
廖梦思. 基于GRACE和GLDAS数据反演近十年洞庭湖流域水储量变化［D］. 长沙： 湖南师范大学， 2015.
40 CLEVELAND R B， CLEVELAND W S， MCRAE J E， et al. STL： a seasonal-trend decomposition procedure based on loess［J］. Journal of Official Statistics， 1990， 6（1）： 3-73.
41 HUMPHREY V， GUDMUNDSSON L， SENEVIRATNE S I. Assessing global water storage variability from GRACE： trends， seasonal cycle， subseasonal anomalies and extremes［J］. Surveys in Geophysics， 2016， 37： 357-395.
42 LU S B， LI W Q， YAO G B， et al. The changes prediction on terrestrial water storage in typical regions of China based on neural networks and satellite gravity data［J］. Scientific Reports， 2024， 14（1）. DOI：10.1038/s41598-024-67611-8 .
43 KRATZERT F， KLOTZ D， BRENNER C， et al. Rainfall-runoff modelling using Long Short-Term Memory （LSTM） networks［J］. Hydrology and Earth System Sciences， 2018， 22： 6 005-6 022.
44 SUN Z L， ZHU X F， PAN Y Z， et al. Drought evaluation using the GRACE terrestrial water storage deficit over the Yangtze River Basin， China［J］. Science of the Total Environment， 2018， 634： 727-738.
45 MÜLLER S H， TRAUTMANN T， ACKERMANN S， et al. The global water resources and use model WaterGAP v2.2e： description and evaluation of modifications and new features［J］. Geoscientific Model Development Discussions， 2023， 2023： 1-46.
46 GUAN Xuewen， ZENG Ming. Characteristics and enlightenment of low water in Changjiang River Basin in 2022［J］. Yangtze River， 2022， 53（12）： 1-5， 36.
官学文， 曾明. 2022年长江流域枯水特征分析与启示［J］. 人民长江， 2022， 53（12）： 1-5， 36.
47 GE Guohua， XIONG Yuanji， LI Zhenxing. Analysis and enlightenment of drought characteristics in Dongting Lake area in 2022［J］. Hunan Hydro & Power， 2023（2）： 54-59.
葛国华， 熊元基， 黎振兴. 2022年洞庭湖区干旱特征分析与启示［J］. 湖南水利水电， 2023（2）： 54-59.
48 KUANG Yanwu， MA Zhonghong. Analysis and thinking on 2022 hydrological drought of Dongting Lake［J］. Hunan Hydro & Power， 2024（2）： 62-64.
匡燕鹉， 马忠红. 2022年洞庭湖水文大干旱分析与思考［J］. 湖南水利水电， 2024（2）： 62-64.
49 Juan LÜ， QU Yanping， SU Zhicheng， et al. Drought situation in the Yangtze River Basin in 2022 and reflections ［J］. Disaster Reduction in China， 2022， 32（21）： 50-52.
吕娟， 屈艳萍， 苏志诚， 等. 2022年长江流域干旱情势及思考［J］. 中国减灾， 2022， 32（21）： 50-52.
[1] 摆玉龙, 路亚妮, 刘名得. 基于变分模态分解的机器学习模型择优风速预测系统[J]. 地球科学进展, 2021, 36(9): 937-949.
[2] 刘文聪, 张春菊, 汪陈, 张雪英, 朱月琴, 焦守涛, 鲁艳旭. 基于BiLSTM-CRF的中文地质时间信息抽取[J]. 地球科学进展, 2021, 36(2): 211-220.
[3] 涂梦昭,刘志锋,何春阳,任强,卢文路. 基于GRACE卫星数据的中国地下水储量监测进展[J]. 地球科学进展, 2020, 35(6): 643-656.
[4] 陈科贵, 李进, 黄长兵, 陈愿愿, 王刚, 刘阳. BP神经网络在富钾卤水中的应用研究[J]. 地球科学进展, 2018, 33(6): 614-622.
[5] 陈科贵, 陈旭, 张家浩. 复合渗透率测井评价方法在砂砾岩稠油油藏的应用*——以克拉玛依油田某区八道湾组为例[J]. 地球科学进展, 2015, 30(7): 773-779.
[6] 朱子先, 臧淑英. 基于遗传神经网络的克钦湖叶绿素反演研究[J]. 地球科学进展, 2012, 27(2): 202-208.
[7] 李启权，王昌全，岳天祥，张文江，余勇. 基于神经网络模型的中国表层土壤有机质空间分布模拟方法[J]. 地球科学进展, 2012, 27(2): 175-184.
[8] 柴琳娜,屈永华,张立新,梁顺林,王锦地. 基于自回归神经网络的时间序列叶面积指数估算[J]. 地球科学进展, 2009, 24(7): 756-768.
[9] 王红丽，顾亚进，刘健，况雪源，提汝媛. BP神经网络在古气候序列重建中的应用[J]. 地球科学进展, 2009, 24(11): 1275-1279.
[10] 李天斌，肖学沛. 地下工程岩爆预测的综合集成方法[J]. 地球科学进展, 2008, 23(5): 533-540.
[11] 赵苏璇，罗坚，杨成荫. 基于BP神经网络的气象格点数据无损压缩方法[J]. 地球科学进展, 2008, 23(2): 206-213.
[12] 陈俊勇. 重力卫星五年运行对求定地球重力场模型的进展和展望[J]. 地球科学进展, 2006, 21(7): 661-666.
[13] 袁文平;周广胜. 干旱指标的理论分析与研究展望[J]. 地球科学进展, 2004, 19(6): 982-991.
[14] 吴财芳;曾勇;秦勇. 神经网络分析方法在瓦斯预测中的应用[J]. 地球科学进展, 2004, 19(5): 860-866.
[15] 哈斯巴干,马建文,李启青. ASTER数据的自组织神经网络分类研究[J]. 地球科学进展, 2003, 18(3): 345-350.
阅读次数
全文


摘要

地址：甘肃省兰州市天水中路8号
QQ：114723517
电话：0931-8762293　E-mail：adearth@lzb.ac.cn
陇ICP备2021001824号-5　 甘公网安备62010202000687