CN109115807A - 一种土壤水分自动观测数据异常值检测方法及系统 - Google Patents
一种土壤水分自动观测数据异常值检测方法及系统 Download PDFInfo
- Publication number
- CN109115807A CN109115807A CN201811257321.4A CN201811257321A CN109115807A CN 109115807 A CN109115807 A CN 109115807A CN 201811257321 A CN201811257321 A CN 201811257321A CN 109115807 A CN109115807 A CN 109115807A
- Authority
- CN
- China
- Prior art keywords
- soil
- data
- soil moisture
- value
- water content
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
- G01N22/04—Investigating moisture content
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明涉及一种土壤水分自动观测数据异常值检测方法及系统，其中，土壤水分自动观测数据异常值检测方法，包括以下步骤：获取目标区域的土壤水分自动观测数据；根据预设阈值筛选土壤水分自动观测数据，并得到可信数据；根据预设条件识别并剔除可信数据中无降水条件下的异常突变数据，并得到稳定数据；检测稳定数据的异常峰值，识别并剔除异常峰值，得到平稳数据；对平稳数据进行僵值检测，识别并剔除平稳数据的最小变率数据，得到最终数据。在本发明的技术方案中，该方法能够提高农业气象信息数据的质量，并为现代农业生产、决策服务和未来卫星遥感准确性校验等研究提供良好的数据基础。
Description
技术领域
本发明涉及农业气象观测领域，尤其涉及一种土壤水分自动观测数据异常值检测方法和一种土壤水分自动观测数据异常值检测系统。
背景技术
土壤水分是研究土壤侵蚀、农作物旱情监测和产量预测等的重要指标，也是气候模型、水文模型、生态模型以及陆面过程模型的关键参数之一，监测土壤水分对农业、旱情、气候等具有重要意义。频域反射(FDR)技术以其高精度、高时空分辨率、实时、全天候等特点成为目前最具发展潜力的地基土壤水分监测技术之一。我国气象部门的自动土壤水分观测站网就是基于该方法建立旳。土壤水分在观测过程中，存在多种因素影响着FDR型传感器测量的准确性，其误差来源包括温度、土壤质地、标定方法、设备自身稳定性和维护等，影响了土壤水分资料的业务应用。为充分发挥站网数据在干旱监测预警、验证卫星产品精度和模式模拟效果中的作用，需开展针对数据质量影响因子及处理算法的研究。
不同于常规气象观测数据，土壤水分观测数据地域空间分布极不均匀，受土壤质地和结构、标定公式等的影响比较大，目前还没有形成规范的业务化实时数据质量控制系统。目前，FDR型土壤水分传感器提供三级数据输出，分别为频率、体积含水量以及根据土壤水文、物理特性测定值和相关公式计算所得的土壤重量含水率、相对湿度和土壤有效水分贮存量等要素。国内外广泛开展的土壤水分数据质量控制的研究对象基本都围绕面向服务需求的相对湿度进行。但是，在土壤水分计算过程中，土壤水文、物理特性测定值的准确性、标定方程的适用性、仪器安装的合理性等问题都会影响数据的准确性。利用相对湿度作为土壤水分质量控制对象，不能客观反映出仪器状态好坏或数据质量正确与否。为了提高土壤水分观测资料的应用效益，应从影响土壤水分数据质量的主要因素着手建立以频率和土壤体积含水量为主，相对湿度等计算值为辅的数据质量控制的研究就显得尤为重要。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此，本发明的一个目的在于提供一种土壤水分自动观测数据异常值检测方法，其能够提高农业气象信息数据的质量，并为现代农业生产、决策服务和未来卫星遥感准确性校验等研究提供良好的数据基础。
本发明的另一个目的在于提供一种土壤水分自动观测数据异常值检测系统，其能够提高农业气象信息数据的质量，并为现代农业生产、决策服务和未来卫星遥感准确性校验等研究提供良好的数据基础。
为实现上述目的，本发明第一方面的技术方案提供了一种土壤水分自动观测数据异常值检测方法，包括以下步骤：获取目标区域的土壤水分自动观测数据；根据预设阈值筛选土壤水分自动观测数据，并得到可信数据；根据预设条件识别并剔除可信数据中无降水条件下的异常突变数据，并得到稳定数据；检测稳定数据的异常峰值，识别并剔除异常峰值，得到平稳数据；对平稳数据进行僵值检测，识别并剔除平稳数据的最小变率数据，得到最终数据。
在该技术方案中，根据土壤体积含水量固有变化规律和异常体积含水量误差来源分析，土壤体积含水量奇异值主要由突变、异常峰值和僵值构成。常用的奇异值的检测方法是设定基于时间序列的临界值，临界值可以通过较长时间序列的可靠的气候数据集的平均值、标准差、四分位数等统计学特征值而计算得到；并通过研究某时间序列内观测值的谱型分布检测出潜在的异常值，包括突变、异常峰值、和异常平稳，取得了较好的应用效果。本方法借助上述谱分析方法思路，并根据我国土壤水分数据固有和异常值特征，提出了适用于我国土壤水分体积含水量的异常值检测新方法，其能够提高农业气象信息数据的质量，并为现代农业生产、决策服务和未来卫星遥感准确性校验等研究提供良好的数据基础。
在上述技术方案中，优选地，获取目标区域的土壤水分自动观测数据之后，还包括以下步骤：获取土壤水分传感器的频率值变化特征；根据频率值变化特征确定土壤水分传感器在土壤中的频率阈值；根据频率阈值和土壤水分自动观测数据确定土壤水分传感器是否故障；其中频率阈值为36-72。
在该技术方案中，依据频域反射法工作原理，土壤水分传感器在土壤中测得的频率介于在空气频率和水中频率之间。因此可通过研究土壤水分传感器分别在空气和水中频率值的变化特征来确定传感器在土壤中的频率值的阈值，从而检测因仪器故障引起检测土壤水分自动观测数据中的错误数据。
在上述任一技术方案中，优选地，土壤水分自动观测数据包括土壤体积含水量和/或相对湿度；其中，预设阈值为：0＜xt≤60；0＜yt≤100；xt为t时刻的土壤体积含水量，yt为t时刻的相对湿度。
在该技术方案中，可信数据的检测主要用于检测土壤体积含水量或相对湿度超过仪器或数据合理性范围。根据土壤水分传感器测量范围和土壤相对湿度数据特点，土壤体积含水量和相对湿度的预设阈值可设置为前述范围内，超过该范围为可疑数据。
在上述任一技术方案中，优选地，预设条件为：xt＞xt-1；xt-xt-24＞2σx[t-24,t]；|xt-xt-1|≥3；Pmin＞DAp；xt-1、xt-24分别为t-1时刻和t-24时刻的土壤体积含水量；σx[t-24,t]为t时刻前24小时内的土壤体积含水量的标准偏差；Pmin为24小时累计降水量临界值；D为观测深度，A是传感器精度，p是土壤孔隙度；
xi为t-24至t时期间n个时次的土壤体积含水量，为t-24至t时期间n个时次的土壤体积含水量的平均值。
在上述任一技术方案中，优选地，僵值检测的表达式为：检测深度10cm-20cm时，根据48小时内土壤体积含水量的最高值和最低值检测变率，即：xmax(48h)-xmin(48h)≤0.0005；检测深度30cm-50cm时，根据15天内土壤体积含水量的最高值和最低值检测变率，即：xmax(15d)-xmin(15d)≤0.0005。
在上述任一技术方案中，优选地，检测稳定数据的异常峰值，识别并剔除异常峰值，得到平稳数据，包括以下步骤：根据当前时序与前一时序的变化阈值识别稳定数据的潜在异常峰值；计算稳定数据的二阶导数，并根据预设二阶导数比检测潜在异常峰值，得到可疑峰值；计算当前时序前后12小时内的土壤水分自动观测数据的平均值μ与方差σ2的关系值：
其中，μ代表t-12时至t+12时期间n个时次的土壤体积含水量的平均值，n可设置为25；xt-12代表t-12时的土壤体积含水量，xt+12代表t+12时的土壤体积含水量，xt代表t时的土壤体积含水量；
σ2代表t-12时至t+12时期间n个时次的土壤体积含水量的方差；
将预设关系阈值与关系值进行比较，确定可疑峰值是否为异常峰值。
在该技术方案中，由于降雨事件会引起土壤体积含水量突然增加，随后以渐进的速度缓慢变干。传统的峰值检测方法适用于时序变化比较平滑数据类型，该方法易将降水引起的土壤含水量升高标记为错误。而本方法基于土壤体积含水量值时序变化以及二次导数的峰值检测算法识别异常值，其能够克服上述传统峰值检测法中识别错误的问题。
在上述任一技术方案中，优选地，当前时序与前一时序的变化阈值为增加或减少至少15％；
二阶导数的计算公式为：
预设二阶导数比的表达式为：
预设关系阈值与关系值的表达式为：
xt-12为当前时序前12小时的土壤水分自动观测数据；xt+12为当前时序后12小时的土壤水分自动观测数据。
本发明第二方面的技术方案提供了一种土壤水分自动观测数据异常值检测系统，包括：第一获取模块，被设置为用于获取目标区域的土壤水分自动观测数据；筛选模块，被设置为用于根据预设阈值筛选土壤水分自动观测数据，并得到可信数据；无降水突变识别模块，被设置为用于根据预设条件识别并剔除可信数据中无降水条件下的异常突变数据，并得到稳定数据；异常峰值识别模块，被设置为用于检测稳定数据的异常峰值，识别并剔除异常峰值，得到平稳数据；僵值检测模块，被设置为用于对平稳数据进行僵值检测，识别并剔除平稳数据的最小变率数据，得到最终数据。
在该技术方案中，根据土壤体积含水量固有变化规律和异常体积含水量误差来源分析，土壤体积含水量奇异值主要由突变、异常峰值和僵值构成。常用的奇异值的检测方法是设定基于时间序列的临界值，临界值可以通过较长时间序列的可靠的气候数据集的平均值、标准差、四分位数等统计学特征值而计算得到；并通过研究某时间序列内观测值的谱型分布检测出潜在的异常值，包括突变、异常峰值、和异常平稳，取得了较好的应用效果。本系统借助上述谱分析方法的思路，并根据我国土壤水分数据固有和异常值特征，提出了适用于我国土壤水分体积含水量的异常值检测新系统，其能够提高农业气象信息数据的质量，并为现代农业生产、决策服务和未来卫星遥感准确性校验等研究提供良好的数据基础。
在上述技术方案中，优选地，还包括：第二获取模块，被设置为用于获取土壤水分传感器的频率值变化特征；控制模块，被设置为用于根据频率值变化特征确定土壤水分传感器在土壤中的频率阈值；传感器检测模块，被设置为用于根据频率阈值和土壤水分自动观测数据确定土壤水分传感器是否故障；其中频率阈值为36-72。
在该技术方案中，依据频域反射法工作原理，土壤水分传感器在土壤中测得的频率介于在空气频率和水中频率之间。因此可通过研究土壤水分传感器分别在空气和水中频率值的变化特征来确定传感器在土壤中的频率值的阈值，从而检测因仪器故障引起检测土壤水分自动观测数据中的错误数据。
在上述任一技术方案中，优选地，土壤水分自动观测数据包括土壤体积含水量和/或相对湿度；其中，预设阈值为：0＜xt≤60；0＜yt≤100；xt为t时刻的土壤体积含水量，yt为t时刻的相对湿度。
在该技术方案中，可信数据的检测主要用于检测土壤体积含水量或相对湿度超过仪器或数据合理性范围。根据土壤水分传感器测量范围和土壤相对湿度数据特点，土壤体积含水量和相对湿度的预设阈值可设置为前述范围内，超过该范围为可疑数据。
在上述任一技术方案中，优选地，预设条件为：xt＞xt-1；xt-xt-24＞2σx[t-24,t]；|xt-xt-1|≥3；Pmin＞DAp；xt-1、xt-24分别为t-1时刻和t-24时刻的土壤体积含水量；σx[t-24,t]为t时刻前24小时内的土壤体积含水量的标准偏差；Pmin为24小时累计降水量临界值；D为观测深度，A是传感器精度，p是土壤孔隙度；
xi为t-24至t时期间n个时次的土壤体积含水量，为t-24至t时期间n个时次的土壤体积含水量的平均值。
在上述任一技术方案中，优选地，僵值检测的表达式为：检测深度10cm-20cm时，根据48小时内土壤体积含水量的最高值和最低值检测变率，即：xmax(48h)-xmin(48h)≤0.0005；检测深度30cm-50cm时，根据15天内土壤体积含水量的最高值和最低值检测变率，即：xmax(15d)-xmin(15d)≤0.0005。
在上述任一技术方案中，优选地，异常峰值识别模块包括：识别单元，被设置为用于根据当前时序与前一时序的变化阈值识别稳定数据的潜在异常峰值；峰值检测单元，被设置为用于计算稳定数据的二阶导数，并根据预设二阶导数比检测潜在异常峰值，得到可疑峰值；计算单元，被设置为用于计算当前时序前后12小时内的土壤水分自动观测数据的平均值μ与方差σ2的关系值：
其中，μ代表t-12时至t+12时期间n个时次的土壤体积含水量的平均值，n可设置为25；xt-12代表t-12时的土壤体积含水量，xt+12代表t+12时的土壤体积含水量，xt代表t时的土壤体积含水量；
σ2代表t-12时至t+12时期间n个时次的土壤体积含水量的方差；
比较单元，被设置为用于将预设关系阈值与关系值进行比较，确定可疑峰值是否为异常峰值。
在该技术方案中，由于降雨事件会引起土壤体积含水量突然增加，随后以渐进的速度缓慢变干。传统的峰值检测方法适用于时序变化比较平滑数据类型，该方法易将降水引起的土壤含水量升高标记为错误。而本方法基于土壤体积含水量值时序变化以及二次导数的峰值检测算法识别异常值，其能够克服上述传统峰值检测法中识别错误的问题。
在上述任一技术方案中，优选地，当前时序与前一时序的变化阈值为增加或减少至少15％；
二阶导数的计算公式为：
预设二阶导数比的表达式为：
预设关系阈值与关系值的表达式为：
xt-12为当前时序前12小时的土壤水分自动观测数据；xt+12为当前时序后12小时的土壤水分自动观测数据。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1示出了本发明一个实施例所涉及方法的流程框图；
图2示出了本发明另一个实施例所涉及方法的流程框图；
图3示出了本发明再一个实施例所涉及方法的流程框图；
图4示出了本发明一些实施例所涉及系统的结构框图；
图5示出了本发明另一些实施例所涉及系统的结构框图；
图6示出了本发明再一些实施例所涉及系统的结构框图；
图7示出了本发明具体实施例所涉及土壤水分传感器在空气和水中频率分布特征图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不限于下面公开的具体实施例的限制。
下面参照图1至图7描述本发明一些实施例的土壤水分自动观测数据异常值检测方法及系统。
如图1所示，按照本发明一个实施例的土壤水分自动观测数据异常值检测方法，包括以下步骤：
S100，获取目标区域的土壤水分自动观测数据；
S500，根据预设阈值筛选土壤水分自动观测数据，并得到可信数据；
S600，根据预设条件识别并剔除可信数据中无降水条件下的异常突变数据，并得到稳定数据；
S700，检测稳定数据的异常峰值，识别并剔除异常峰值，得到平稳数据；
S800，对平稳数据进行僵值检测，识别并剔除平稳数据的最小变率数据，得到最终数据。
在该实施例中，根据土壤体积含水量固有变化规律和异常体积含水量误差来源分析，土壤体积含水量奇异值主要由突变、异常峰值和僵值构成。常用的奇异值的检测方法是设定基于时间序列的临界值，临界值可以通过较长时间序列的可靠的气候数据集的平均值、标准差、四分位数等统计学特征值而计算得到；并通过研究某时间序列内观测值的谱型分布检测出潜在的异常值，包括突变、异常峰值、和异常平稳，取得了较好的应用效果。本方法借助上述谱分析方法思路，并根据我国土壤水分数据固有和异常值特征，提出了适用于我国土壤水分体积含水量的异常值检测新方法，其能够提高农业气象信息数据的质量，并为现代农业生产、决策服务和未来卫星遥感准确性校验等研究提供良好的数据基础。
如图2所示，按照本发明另一个实施例的土壤水分自动观测数据异常值检测方法，获取目标区域的土壤水分自动观测数据之后，还包括以下步骤：
S200，获取土壤水分传感器的频率值变化特征；
S300，根据频率值变化特征确定土壤水分传感器在土壤中的频率阈值；
S400，根据频率阈值和土壤水分自动观测数据确定土壤水分传感器是否故障；
其中频率阈值为36-72。
在该实施例中，依据频域反射法工作原理，土壤水分传感器在土壤中测得的频率介于在空气频率和水中频率之间。因此可通过研究土壤水分传感器分别在空气和水中频率值的变化特征来确定传感器在土壤中的频率值的阈值，从而检测因仪器故障引起检测土壤水分自动观测数据中的错误数据。
在上述任一实施例中，优选地，土壤水分自动观测数据包括土壤体积含水量和/或相对湿度；其中，预设阈值为：0＜xt≤60；0＜yt≤100；xt为t时刻的土壤体积含水量，yt为t时刻的相对湿度。
在该实施例中，可信数据的检测主要用于检测土壤体积含水量或相对湿度超过仪器或数据合理性范围。根据土壤水分传感器测量范围和土壤相对湿度数据特点，土壤体积含水量和相对湿度的预设阈值可设置为前述范围内，超过该范围为可疑数据。
在上述任一实施例中，优选地，预设条件为：xt＞xt-1；xt-xt-24＞2σx[t-24,t]；|xt-xt-1|≥3；Pmin＞DAp；xt-1、xt-24分别为t-1时刻和t-24时刻的土壤体积含水量；σx[t-24,t]为t时刻前24小时内的土壤体积含水量的标准偏差；Pmin为24小时累计降水量临界值；D为观测深度，A是传感器精度，p是土壤孔隙度；
xi为t-24至t时期间n个时次的土壤体积含水量，为t-24至t时期间n个时次的土壤体积含水量的平均值。
在上述任一实施例中，优选地，僵值检测的表达式为：检测深度10cm-20cm时，根据48小时内土壤体积含水量的最高值和最低值检测变率，即：xmax(48h)-xmin(48h)≤0.0005；检测深度30cm-50cm时，根据15天内土壤体积含水量的最高值和最低值检测变率，即：xmax(15d)-xmin(15d)≤0.0005。
如图3所示，按照本发明再一个实施例的土壤水分自动观测数据异常值检测方法，S700，检测稳定数据的异常峰值，识别并剔除异常峰值，得到平稳数据，包括以下步骤：
S701，根据当前时序与前一时序的变化阈值识别稳定数据的潜在异常峰值；
S702，计算稳定数据的二阶导数，并根据预设二阶导数比检测潜在异常峰值，得到可疑峰值；
S703，计算当前时序前后12小时内的土壤水分自动观测数据的平均值μ与方差σ2的关系值：
其中，μ代表t-12时至t+12时期间n个时次的土壤体积含水量的平均值，n可设置为25；xt-12代表t-12时的土壤体积含水量，xt+12代表t+12时的土壤体积含水量，xt代表t时的土壤体积含水量；
σ2代表t-12时至t+12时期间n个时次的土壤体积含水量的方差；
S704，将预设关系阈值与关系值进行比较，确定可疑峰值是否为异常峰值。
在该实施例中，由于降雨事件会引起土壤体积含水量突然增加，随后以渐进的速度缓慢变干。传统的峰值检测方法适用于时序变化比较平滑数据类型，该方法易将降水引起的土壤含水量升高标记为错误。而本方法基于土壤体积含水量值时序变化以及二次导数的峰值检测算法识别异常值，其能够克服上述传统峰值检测法中识别错误的问题。
在上述任一实施例中，优选地，当前时序与前一时序的变化阈值为增加或减少至少15％；
二阶导数的计算公式为：
预设二阶导数比的表达式为：
预设关系阈值与关系值的表达式为：
xt-12为当前时序前12小时的土壤水分自动观测数据；xt+12为当前时序后12小时的土壤水分自动观测数据。
如图4所示，按照本发明一些实施例的土壤水分自动观测数据异常值检测系统1000，包括：
第一获取模块100，被设置为用于获取目标区域的土壤水分自动观测数据；
筛选模块500，被设置为用于根据预设阈值筛选土壤水分自动观测数据，并得到可信数据；
无降水突变识别模块600，被设置为用于根据预设条件识别并剔除可信数据中无降水条件下的异常突变数据，并得到稳定数据；
异常峰值识别模块700，被设置为用于检测稳定数据的异常峰值，识别并剔除异常峰值，得到平稳数据；
僵值检测模块800，被设置为用于对平稳数据进行僵值检测，识别并剔除平稳数据的最小变率数据，得到最终数据。
在该实施例中，根据土壤体积含水量固有变化规律和异常体积含水量误差来源分析，土壤体积含水量奇异值主要由突变、异常峰值和僵值构成。常用的奇异值的检测方法是设定基于时间序列的临界值，临界值可以通过较长时间序列的可靠的气候数据集的平均值、标准差、四分位数等统计学特征值而计算得到；并通过研究某时间序列内观测值的谱型分布检测出潜在的异常值，包括突变、异常峰值、和异常平稳，取得了较好的应用效果。本系统借助上述谱分析方法的思路，并根据我国土壤水分数据固有和异常值特征，提出了适用于我国土壤水分体积含水量的异常值检测新系统，其能够提高农业气象信息数据的质量，并为现代农业生产、决策服务和未来卫星遥感准确性校验等研究提供良好的数据基础。
如图5所示，按照本发明另一些实施例的土壤水分自动观测数据异常值检测系统，还包括：
第二获取模块200，被设置为用于获取土壤水分传感器的频率值变化特征；
控制模块300，被设置为用于根据频率值变化特征确定土壤水分传感器在土壤中的频率阈值；
传感器检测模块400，被设置为用于根据频率阈值和土壤水分自动观测数据确定土壤水分传感器是否故障；
其中频率阈值为36-72。
在该实施例中，依据频域反射法工作原理，土壤水分传感器在土壤中测得的频率介于在空气频率和水中频率之间。因此可通过研究土壤水分传感器分别在空气和水中频率值的变化特征来确定传感器在土壤中的频率值的阈值，从而检测因仪器故障引起检测土壤水分自动观测数据中的错误数据。
在上述任一实施例中，优选地，土壤水分自动观测数据包括土壤体积含水量和/或相对湿度；其中，预设阈值为：0＜xt≤60；0＜yt≤100；xt为t时刻的土壤体积含水量，yt为t时刻的相对湿度。
在该实施例中，可信数据的检测主要用于检测土壤体积含水量或相对湿度超过仪器或数据合理性范围。根据土壤水分传感器测量范围和土壤相对湿度数据特点，土壤体积含水量和相对湿度的预设阈值可设置为前述范围内，超过该范围为可疑数据。
在上述任一实施例中，优选地，预设条件为：xt>xt-1；xt-xt-24>2sx[t-24,t]；|xt-xt-1|33；Pmin>DAp；其中，xt-1、xt-24分别为t-1时刻和t-24时刻的土壤体积含水量；Sx[t-24,t]为t时刻前24小时内的土壤体积含水量的标准偏差；Pmin为24小时累计降水量临界值；D为观测深度，A是传感器精度，p是土壤孔隙度；
xi为t-24至t时期间n个时次的土壤体积含水量，为t-24至t时期间n个时次的土壤体积含水量的平均值。
在上述任一实施例中，优选地，僵值检测的表达式为：检测深度10cm-20cm时，根据48小时内土壤体积含水量的最高值和最低值检测变率，即：xmax(48h)-xmin(48h)≤0.0005；检测深度30cm-50cm时，根据15天内土壤体积含水量的最高值和最低值检测变率，即：xmax(15d)-xmin(15d)≤0.0005。
如图6所示，按照本发明再一些实施例的土壤水分自动观测数据异常值检测系统，异常峰值识别模块700包括：
识别单元701，被设置为用于根据当前时序与前一时序的变化阈值识别稳定数据的潜在异常峰值；
峰值检测单元702，被设置为用于计算稳定数据的二阶导数，并根据预设二阶导数比检测潜在异常峰值，得到可疑峰值；
计算单元703，被设置为用于计算当前时序前后12小时内的土壤水分自动观测数据的平均值μ与方差σ2的关系值：
其中，μ代表t-12时至t+12时期间n个时次的土壤体积含水量的平均值，n可设置为25；xt-12代表t-12时的土壤体积含水量，xt+12代表t+12时的土壤体积含水量，xt代表t时的土壤体积含水量；
σ2代表t-12时至t+12时期间n个时次的土壤体积含水量的方差；
比较单元704，被设置为用于将预设关系阈值与关系值进行比较，确定可疑峰值是否为异常峰值。
在该实施例中，由于降雨事件会引起土壤体积含水量突然增加，随后以渐进的速度缓慢变干。传统的峰值检测方法适用于时序变化比较平滑数据类型，该方法易将降水引起的土壤含水量升高标记为错误。而本方法基于土壤体积含水量值时序变化以及二次导数的峰值检测算法识别异常值，其能够克服上述传统峰值检测法中识别错误的问题。
在上述任一实施例中，优选地，当前时序与前一时序的变化阈值为增加或减少至少15％；
二阶导数的计算公式为：
预设二阶导数比的表达式为：
预设关系阈值与关系值的表达式为：
xt-12为当前时序前12小时的土壤水分自动观测数据；xt+12为当前时序后12小时的土壤水分自动观测数据。
具体实施例
基于频率特征的传感器故障检测
目前气象部门用于土壤水分检测的方法是频域反射法(FDR)，其通过传感器中的LC振荡电路发射一定的电磁波，电磁波通过传感器探头传输至土壤中，根据电磁波在土壤中因介电常数的变化而引起频率的变化来测量土壤的水分含量。依据频域反射法工作原理，土壤水分传感器在土壤中测得的频率介于在空气频率和水中频率之间。因此可通过研究土壤水分传感器分别在空气和水中频率值的变化特征来确定传感器在土壤中的频率值的阈值，从而检测仪器故障引起的错误数据。
图7给出了全国725个土壤水分自动站5295支传感器在空气和水中测得频率值分布特征可以看出，传感器在水中频率值范围为36-49之间，而在空气中频率值介于58-76之间。传感器在水中频率值小于41的比例为25.99％，大于44的比例为0.53％，71.9％的传感器在水中的频率值集中在41-44之间。传感器在空气中频率值小于67的比例为26.52％，大于72的比例为1.17％，72.31％的传感器在空气中的频率值集中在67-72之间。传感器在水中和空气中频率值的差异主要是由不同地区土壤中有机质含量、酸碱度等不同引起的。根据土壤水分传感器在空气和水中频率值变化特征，土壤水分频率值阈值设定为36-72，若不在该范围则视为传感器故障。
土壤体积含水量奇异值检测
根据土壤体积含水量固有变化规律和异常体积含水量误差来源分析，土壤体积含水量奇异值主要由突变、异常峰值和僵值构成。常用的奇异值的检测方法是设定基于时间序列的临界值，临界值可以通过较长时间序列的可靠的气候数据集的平均值、标准差、四分位数等统计学特征值而计算得到[Hubbardet al.,2005；Gonzálezroucoet al.,2011；Journéeet al.,2011]。Dorigoet al.[2013]通过研究某时间序列内观测值的谱型分布检测出潜在的异常值，包括突变、异常峰值、和异常平稳，取得了较好的应用效果。本发明借鉴Dorigoet al.[2013]提出的谱分析方法思路，并根据我国土壤水分数据固有和异常值特征，提出了适用于我国土壤水分体积含水量的异常值检测新方法。
(1)阈值检测
阈值方法主要用于检测土壤体积含水量或相对湿度超过仪器或数据合理性范围。根据土壤水分传感器测量范围和土壤相对湿度数据特点，本章土壤体积含水量和相对湿度的阈值范围见公式(6-1)，超过该范围为可疑数据。
0＜xt≤60 (6-1)；
0＜yt≤100 (6-2)；
式中，xt为t时刻的土壤体积含水量值，yt为t时刻的土壤相对湿度值。
(2)无降水突变
降水是影响土壤水分变化的重要变量，无降水突变是基于二者间的一致性关系而检测出异常值的方法。在某t时刻，如果24小时累计降水量小于等于某一临界值，且满足公式(6-3)和(6-4)或(6-5)条件，即为异常值。
xt＞xt-1 (6-3)；
xt-xt-24＞2σx[t-24,t] (6-4)；
|xt-xt-1|≥3 (6-5)；
式中，xt-1、xt-24分别为t-1时刻和t-24时刻的土壤体积含水量，σx[t-24,t]为t时刻前24小时内的土壤体积含水量的标准偏差。Pmin为24小时累计降水量临界值，24小时累计降水量临界值与观测深度和传感器精度有关，可用公式(6-6)表示。
Pmin＞DAp (6-6)；
式中，D指传感器的观测深度，单位m，A是传感器精度，p是土壤孔隙度。这里传感器精度和土壤孔隙度分别用平均值0.05m3/m3和0.5表示。例如，当传感器的观测深度是0.1m时，24小时累计降雨量的临界值即为2.5mm。基于降水的土壤体积含水量异常值检测更适用于表层(0-10cm)土壤水分观测，该层与降水有直接响应关系。
(3)异常峰值检测
降雨事件会引起土壤体积含水量突然增加，随后以渐进的速度缓慢变干。传统的峰值检测方法适用于时序变化比较平滑数据类型，该方法易将降水引起的土壤含水量升高标记为错误[DATA-MEQ,2010]。本发明基于土壤体积含水量值时序变化以及二次导数的峰值检测算法识别异常值。
若t时刻的观测值较前一时刻增加或减少了至少15％(3倍传感器最大不确定度)，则该时刻的观测值是一个潜在的异常峰值。
同时，增加二阶导数对上述潜在异常峰值进行进一步检测。正常情况下，t-1和t+1时刻的土壤体积含水量二阶导数的比率介于0.8-1.2之间，即：
式中，x″t-1、x″t+1分别为t-1时刻和t+1时刻的二阶导数。二阶导数采用Savitzky-Golay三小时平滑求导和二项多项式拟合求得，即：
由于二阶导数不适用于随机噪声，在满足上述条件基础上增加检测t时刻前后12小时内土壤体积含水量的平均值(μ)与方差的关系，即：
如果某个观测值同时满足公式(6-7)-(6-10)，则该值为异常峰值。
(4)僵值检测
僵值检测也称最小变率检测。它是由于观测仪器发生故障、霜冻等原因，使观测值长时间不变或微变，引起观测记录不真实。为区别降水造成的土壤水分正常过饱和，僵值需持续时间在48h或15d以上，土壤体积含水量的变化小于传感器精度的1％，即0.0005m3/m3[Dorigoet al.,2013]。
检测深度为10cm-20cm可用48小时土壤体积含水量的内最高值和最低值检测僵值，即
xmax(48h)-xmin(48h)≤0.0005 (6-11)；
检测深度为30cm-50cm可用15天内土壤体积含水量的最高值和最低值检测僵值，即
xmax(15d)-xmin(15d)≤0.0005 (6-12)。
在本发明中，术语“第一”、“第二”、“第三”仅用于描述的目的，而不能理解为指示或暗示相对重要性；术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；“相连”可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明的限制。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种土壤水分自动观测数据异常值检测方法，其特征在于，包括以下步骤：
获取目标区域的所述土壤水分自动观测数据；
根据预设阈值筛选所述土壤水分自动观测数据，并得到可信数据；
根据预设条件识别并剔除所述可信数据中无降水条件下的异常突变数据，并得到稳定数据；
检测所述稳定数据的异常峰值，识别并剔除所述异常峰值，得到平稳数据；
对所述平稳数据进行僵值检测，识别并剔除所述平稳数据的最小变率数据，得到最终数据。
2.根据权利要求1所述的土壤水分自动观测数据异常值检测方法，其特征在于，获取目标区域的所述土壤水分自动观测数据之后，还包括以下步骤：
获取土壤水分传感器的频率值变化特征；
根据所述频率值变化特征确定所述土壤水分传感器在土壤中的频率阈值；
根据所述频率阈值和所述土壤水分自动观测数据确定所述土壤水分传感器是否故障；
其中所述频率阈值为36-72。
3.根据权利要求1或2所述的土壤水分自动观测数据异常值检测方法，其特征在于：所述土壤水分自动观测数据包括土壤体积含水量和/或相对湿度；
其中，所述预设阈值为：0＜xt≤60；0＜yt≤100；xt为t时刻的所述土壤体积含水量，yt为t时刻的所述相对湿度；或
所述预设条件为：xt＞xt-1；xt-xt-24＞2σx[t-24,t]；|xt-xt-1|≥3；Pmin＞DAp；
xt-1、xt-24分别为t-1时刻和t-24时刻的所述土壤体积含水量；σx[t-24,t]为t时刻前24小时内的所述土壤体积含水量的标准偏差；Pmin为24小时累计降水量临界值；D为观测深度，A是传感器精度，p是土壤孔隙度；
xi为t-24至t时期间n个时次的土壤体积含水量，为t-24至t时期间n个时次的土壤体积含水量的平均值；
和/或所述僵值检测的表达式为：
检测深度10cm-20cm时，根据48小时内所述土壤体积含水量的最高值和最低值检测所述变率，即：xmax(48h)-xmin(48h)≤0.0005；
检测深度30cm-50cm时，根据15天内所述土壤体积含水量的最高值和最低值检测所述变率，即：xmax(15d)-xmin(15d)≤0.0005。
4.根据权利要求3所述的土壤水分自动观测数据异常值检测方法，其特征在于，检测所述稳定数据的异常峰值，识别并剔除所述异常峰值，得到平稳数据，包括以下步骤：
根据当前时序与前一时序的变化阈值识别所述稳定数据的潜在异常峰值；
计算所述稳定数据的二阶导数，并根据预设二阶导数比检测所述潜在异常峰值，得到可疑峰值；
计算所述当前时序前后12小时内的所述土壤水分自动观测数据的平均值μ与方差σ2的关系值：
其中，μ代表t-12时至t+12时期间n个时次的土壤体积含水量的平均值，n可设置为25；xt-12代表t-12时的土壤体积含水量，xt+12代表t+12时的土壤体积含水量，xt代表t时的土壤体积含水量；
σ2代表t-12时至t+12时期间n个时次的土壤体积含水量的方差；
将预设关系阈值与所述关系值进行比较，确定所述可疑峰值是否为所述异常峰值。
5.根据权利要求4所述的土壤水分自动观测数据异常值检测方法，其特征在于：
所述当前时序与前一时序的变化阈值为增加或减少至少15％：
二阶导数的计算公式为：
预设二阶导数比的表达式为：
所述预设关系阈值与所述关系值的表达式为：
xt-12为所述当前时序前12小时的所述土壤水分自动观测数据；xt+12为所述当前时序后12小时的所述土壤水分自动观测数据。
6.一种土壤水分自动观测数据异常值检测系统，其特征在于，包括：
第一获取模块，被设置为用于获取目标区域的所述土壤水分自动观测数据；
筛选模块，被设置为用于根据预设阈值筛选所述土壤水分自动观测数据，并得到可信数据；
无降水突变识别模块，被设置为用于根据预设条件识别并剔除所述可信数据中无降水条件下的异常突变数据，并得到稳定数据；
异常峰值识别模块，被设置为用于检测所述稳定数据的异常峰值，识别并剔除所述异常峰值，得到平稳数据；
僵值检测模块，被设置为用于对所述平稳数据进行僵值检测，识别并剔除所述平稳数据的最小变率数据，得到最终数据。
7.根据权利要求6所述的土壤水分自动观测数据异常值检测系统，其特征在于，还包括：
第二获取模块，被设置为用于获取土壤水分传感器的频率值变化特征；
控制模块，被设置为用于根据所述频率值变化特征确定所述土壤水分传感器在土壤中的频率阈值；
传感器检测模块，被设置为用于根据所述频率阈值和所述土壤水分自动观测数据确定所述土壤水分传感器是否故障；
其中所述频率阈值为36-72。
8.根据权利要求6或7所述的土壤水分自动观测数据异常值检测系统，其特征在于：所述土壤水分自动观测数据包括土壤体积含水量和/或相对湿度；
其中，所述预设阈值为：0＜xt≤60；0＜yt≤100；xt为t时刻的所述土壤体积含水量，yt为t时刻的所述相对湿度；或
所述预设条件为：xt＞xt-1；xt-xt-24＞2σx[t-24,t]；|xt-xt-1|≥3；Pmin＞DAp；
xt-1、xt-24分别为t-1时刻和t-24时刻的所述土壤体积含水量；σx[t-24,t]为t时刻前24小时内的所述土壤体积含水量的标准偏差；Pmin为24小时累计降水量临界值；D为观测深度，A是传感器精度，p是土壤孔隙度；
xi为t-24至t时期间n个时次的土壤体积含水量，为t-24至t时期间n个时次的土壤体积含水量的平均值；
和/或所述僵值检测的表达式为：
检测深度10cm-20cm时，根据48小时内所述土壤体积含水量的最高值和最低值检测所述变率，即：xmax(48h)-xmin(48h)≤0.0005；
检测深度30cm-50cm时，根据15天内所述土壤体积含水量的最高值和最低值检测所述变率，即：xmax(15d)-xmin(15d)≤0.0005。
9.根据权利要求8所述的土壤水分自动观测数据异常值检测系统，其特征在于，异常峰值识别模块包括：
识别单元，被设置为用于根据当前时序与前一时序的变化阈值识别所述稳定数据的潜在异常峰值；
峰值检测单元，被设置为用于计算所述稳定数据的二阶导数，并根据预设二阶导数比检测所述潜在异常峰值，得到可疑峰值；
计算单元，被设置为用于计算所述当前时序前后12小时内的所述土壤水分自动观测数据的平均值μ与方差σ2的关系值；
其中，μ代表t-12时至t+12时期间n个时次的土壤体积含水量的平均值，n可设置为25；xt-12代表t-12时的土壤体积含水量，xt+12代表t+12时的土壤体积含水量，xt代表t时的土壤体积含水量；
σ2代表t-12时至t+12时期间n个时次的土壤体积含水量的方差；
比较单元，被设置为用于将预设关系阈值与所述关系值进行比较，确定所述可疑峰值是否为所述异常峰值。
10.根据权利要求9所述的土壤水分自动观测数据异常值检测系统，其特征在于：
所述当前时序与前一时序的变化阈值为增加或减少至少15％；
二阶导数的计算公式为：
预设二阶导数比的表达式为：
所述预设关系阈值与所述关系值的表达式为：
xt-12为所述当前时序前12小时的所述土壤水分自动观测数据；xt+12为所述当前时序后12小时的所述土壤水分自动观测数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811257321.4A CN109115807A (zh) | 2018-10-26 | 2018-10-26 | 一种土壤水分自动观测数据异常值检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811257321.4A CN109115807A (zh) | 2018-10-26 | 2018-10-26 | 一种土壤水分自动观测数据异常值检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109115807A true CN109115807A (zh) | 2019-01-01 |
Family
ID=64855464
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811257321.4A Pending CN109115807A (zh) | 2018-10-26 | 2018-10-26 | 一种土壤水分自动观测数据异常值检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109115807A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110297258A (zh) * | 2019-06-18 | 2019-10-01 | 中国科学院国家空间科学中心 | 一种单调递增计数类遥测参数异常自动判别方法及系统 |
| CN110456026A (zh) * | 2019-08-13 | 2019-11-15 | 北京农业信息技术研究中心 | 一种土壤墒情监测方法及装置 |
| CN110826173A (zh) * | 2019-09-24 | 2020-02-21 | 广州地理研究所 | 一种土壤水分数据获取方法、系统、存储介质及设备 |
| US11176016B1 (en) | 2020-09-22 | 2021-11-16 | International Business Machines Corporation | Detecting and managing anomalies in underground sensors for agricultural applications |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102034027A (zh) * | 2010-12-16 | 2011-04-27 | 南京大学 | 流域尺度土壤湿度遥感数据同化方法 |
| CN103645295A (zh) * | 2013-12-03 | 2014-03-19 | 中国科学院遥感与数字地球研究所 | 一种多层土壤水分模拟方法和系统 |
| WO2017125934A1 (en) * | 2016-01-20 | 2017-07-27 | CROPX Technologies LTD. | An underground soil sensors system |
| CN108375669A (zh) * | 2018-04-23 | 2018-08-07 | 四川巴斯德环境检测技术有限责任公司 | 一种基于太阳能供电的土壤墒情监测系统 |
| CN108562716A (zh) * | 2018-04-23 | 2018-09-21 | 四川巴斯德环境检测技术有限责任公司 | 一种土壤的温度和湿度实时监测系统 |
-
2018
- 2018-10-26 CN CN201811257321.4A patent/CN109115807A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102034027A (zh) * | 2010-12-16 | 2011-04-27 | 南京大学 | 流域尺度土壤湿度遥感数据同化方法 |
| CN103645295A (zh) * | 2013-12-03 | 2014-03-19 | 中国科学院遥感与数字地球研究所 | 一种多层土壤水分模拟方法和系统 |
| WO2017125934A1 (en) * | 2016-01-20 | 2017-07-27 | CROPX Technologies LTD. | An underground soil sensors system |
| CN108375669A (zh) * | 2018-04-23 | 2018-08-07 | 四川巴斯德环境检测技术有限责任公司 | 一种基于太阳能供电的土壤墒情监测系统 |
| CN108562716A (zh) * | 2018-04-23 | 2018-09-21 | 四川巴斯德环境检测技术有限责任公司 | 一种土壤的温度和湿度实时监测系统 |
Non-Patent Citations (3)
| Title |
|---|
| W.A. DORIGO 等: ""Global Automated Quality Control of In Situ Soil Moisture Data from the Internaonal Soil Moisture Network"", 《VADOSE ZONE JOURNAL》 * |
| 曹婷婷 等: ""自动土壤水分观测值订正方法及湿度产品分析"", 《现代农业科技》 * |
| 李翠娜 等: ""自动土壤墒情监测管理系统设计与应用"", 《气象科技》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110297258A (zh) * | 2019-06-18 | 2019-10-01 | 中国科学院国家空间科学中心 | 一种单调递增计数类遥测参数异常自动判别方法及系统 |
| CN110456026A (zh) * | 2019-08-13 | 2019-11-15 | 北京农业信息技术研究中心 | 一种土壤墒情监测方法及装置 |
| CN110456026B (zh) * | 2019-08-13 | 2022-05-03 | 北京农业信息技术研究中心 | 一种土壤墒情监测方法及装置 |
| CN110826173A (zh) * | 2019-09-24 | 2020-02-21 | 广州地理研究所 | 一种土壤水分数据获取方法、系统、存储介质及设备 |
| US11176016B1 (en) | 2020-09-22 | 2021-11-16 | International Business Machines Corporation | Detecting and managing anomalies in underground sensors for agricultural applications |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109115807A (zh) | 一种土壤水分自动观测数据异常值检测方法及系统 | |
| Alfieri et al. | Ensemble hydro-meteorological simulation for flash flood early detection in southern Switzerland | |
| CN107066831B (zh) | 一种区域综合环境评价方法、装置及系统 | |
| Fenicia et al. | Microwave links for rainfall estimation in an urban environment: Insights from an experimental setup in Luxembourg-City | |
| CN112834193B (zh) | 一种基于三维图的运营桥梁振动和健康状态异常预警方法 | |
| CN107063955B (zh) | 空气颗粒物检测仪校准方法及管理系统 | |
| CN104237861A (zh) | 一种未知杂波背景下的cfar检测门限获取方法 | |
| CN108154271A (zh) | 一种基于空间相关性和曲面拟合的地面气温质量控制方法 | |
| Ardiansyah et al. | Rain detection system for estimate weather level using Mamdani fuzzy inference system | |
| CN117390378A (zh) | 一种双碳平台数据智能管理方法及系统 | |
| Zhang et al. | Assimilation of passive microwave streamflow signals for improving flood forecasting: A first study in Cubango River Basin, Africa | |
| Ghiaei et al. | Regional intensity–duration–frequency analysis in the Eastern Black Sea Basin, Turkey, by using L-moments and regression analysis | |
| CN116222670B (zh) | 一种城市绿地规划用生态景观边坡监测方法 | |
| CN112541161A (zh) | 一种区域多源降水数据质量控制方法及系统 | |
| CN115457756A (zh) | 传感器校准的方法及装置 | |
| CN112780953A (zh) | 一种基于模式检测的独立计量区域管网漏损检测方法 | |
| Kiran et al. | Assessing the impacts of climate change on flooding under Coupled Model Intercomparison Project Phase 6 scenarios in the river Chenab, Pakistan | |
| CN117037449A (zh) | 一种基于边缘计算的团雾监测方法及监测系统 | |
| CN113114388B (zh) | 一种基于电平时序动态记忆的天线沾湿损耗确定方法 | |
| CN116702588A (zh) | 一种基于多源数据的风电场关键气象因子预报方法及系统 | |
| Clemens et al. | Signal processing and calibration of a low-cost inductive rain sensor for raindrop detection and precipitation calculation | |
| Merker et al. | A novel approach for absolute radar calibration: formulation and theoretical validation | |
| CN114486820A (zh) | 一种机载微波辐射计云中过冷水的反演方法 | |
| Emmanuel et al. | Influence of the spatial variability of rainfall on hydrograph modelling at catchment outlet: a case study in the Cevennes region, France | |
| CN116400320B (zh) | 一种基于激光和w波段雷达的海雾有效粒子半径估算方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190101 |
|
| RJ01 | Rejection of invention patent application after publication |