论文笔记11：Understanding the seasonal variations of land surface temperature in Nanjing urban area based

最新推荐文章于 2024-10-06 18:52:33 发布
原创 最新推荐文章于 2024-10-06 18:52:33 发布 · 250 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本研究通过结合卫星影像与LiDAR数据，区分了南京城区不同本地气候区域（LCZ）的地表温度季节性变化，深入理解城市热岛效应。

Understanding the seasonal variations of land surface temperature in Nanjing urban area based on local climate zone

LCZs were distinguished by combining satellite imagery and LiDAR data.

**

LCZ的两个研究方向：

**
在这里插入图片描述

论文解析：NDVI Forecasting Model Based on the Combination of Time Series Decomposition and CNN – LSTM
炒茄子的博客
12-30 1765
论文地址：https://link.springer.com/10.1007/s11269-022-03419-3这篇论文是想要基于时间序列分解和CNN-LSTM两种方法的混合进行NDVI的预测，需要注意的是此处的CNN和LSTM你可以拆分看，他们并不是一个完整的概念，只是二者的简单叠加即CNN的输出作为LSTM的输入。我就不讲这些算法到底好亦或者差，仅仅从实现原理上进行解析。仅个人解读。
时间序列：Unlocking the Power of Patch: Patch-Based MLP for Long-Term Time Series Forecasting
weixin_44340277的博客
05-19 948
这篇论文是非Transformer的，MLP实现。论文写的某些见解 要比代码实现要好，先看文章，摘要里就提到了patch 很关键。图 1：展示了在 ETTh1 数据集上训练的一个 2 层 Transformer，在不同 Patch 尺寸下的自注意力得分（self-attention scores）。我们采用了 PatchTST（Nie 等，2022）的方法设置，仅保留了编码器（Encoder）部分将解码器（Decoder）替换为一个简单的 MLP，并使用了。
Understanding the Distinct Roles of the Abstract, Introduction, and Conclusion in Research Articles
u013441358的专栏
10-06 1117
The Abstract, Introduction, and Conclusion are fundamental components of any academic research article, each serving a distinct role despite summarizing aspects of the study.
论文笔记：COST: CONTRASTIVE LEARNING OF DISENTANGLEDSEASONAL-TREND REPRESENTATIONS FORTIME SERIES FOREC
qq_40206371的博客
08-14 2253
ICLR 2022 是一个有m个观测信号，T长度的时间序列。给定可视窗口h，目标是预测接下来的k步时间片 这篇论文的思路是，不把特征学习和预测任务同时在g()函数中实现。论文主要关注如何学习特征表示。也即如何学习X的非线性特征表示V=f(X)，其中 之后可以将最后的Vh作为下游预测任务的输入目标是学习时间序列的解耦周期-趋势表征，其中 (α这里是一个平衡趋势表征和周期性表征的超参数） 这里使用了MOCO的对比学习思路 （K=N-1）FFT：把时域转换至空域 其中振幅和相位可以分别
时间序列分解论文STL: A Seasonal-Trend Decomposition Procedure Based on Loess
Chauncy的博客
10-23 1万+
摘要   STL是一种滤波方式可以把时间序列分解为趋势项、季节项和剩余项。STL包含一系列局部加权回归平滑器，计算速度比较快，可以应对非常大的的时间序列数据。 1 引言   STL是一个可以把一个季节性时间序列分解为三项：趋势项、季节性和剩余项。   下图是原始序列：   下图是趋势项：数据中非平稳的长期变化的低频变量   下图是季节项：   下图是剩余项：   分别用Yv,Tv,SvY_v,T_v,S_vYv​,Tv​,Sv​和SvS_vSv​表示时间序列数据、趋势项、季节项和剩余项，所以有：Yv
论文笔记5：Assessment of Local Climate Zone Classification Maps of Cities in China and Feasible
SurmountH的博客
05-31 782
Ren C, Cai M, Li X, et al. Assessment of Local Climate Zone Classification Maps of Cities in China and Feasible Refinements.[J]. Scientific Reports, 2019, 9(1). 对中国20个城市和3个经济区进行LCZ分类，使用WUDAPT分类方法，结果：built types的分类精度很低 OAu指built-up area的OA，OAn指natural type
论文笔记6：Multi-level Feature Fusion-based CNN for Local Climate Zone Classification
SurmountH的博客
06-05 1459
Multi-level Feature Fusion-based CNN for Local Climate Zone Classification from Sentinel-2 Images: Benchmark Results on the So2Sat LCZ42 DatasetSo2Sat LCZ42 benchmark datasetSen2LCZ-Net So2Sat LCZ42 benchmark dataset Sen2LCZ-Net
1984-2022年全球河流和湖泊表面积 (Surface Area of Rivers and Lakes，SARL)数据集
此星光明博客
06-18 2296
Nyberg 等人（2024 年）开发的 "河流和湖泊表面积（SARL）"数据集对 38 年间（1984-2022 年）河流和湖泊的水面面积变化进行了全面分析。这个分辨率为 30 米的全球数据集为了解地表水的动态提供了宝贵的信息，尤其突出了季节性所起的日益重要的作用。SARL 数据集将水体分为七个等级： - 0：背景值：代表无水区域。- 1: 永久河流：全年持续有水的地区。- 2: 永久湖泊：全年持续有水的地区。- 3: 季节性河流：一年中至少有一个月有水的地区。
【定位系列论文阅读】-Patch-NetVLAD: Multi-Scale Fusion of Locally-Global Descriptors for Place Recognition（一）
weixin_46050242的博客
01-05 2509
Global Feature Match—— for 粗定位
Effect of seasonal changing temperature on the growth of phytoplankton
02-17
在探究季节性气候变化对浮游植物生长影响的研究中，科学家们构建了非自治动力学模型以模拟浮游植物在周期性温度变化下的生长状况。浮游植物作为水生生态系统中的初级生产者，其生长状态直接影响到整个水体的生态平衡...
Justice for Seasonal Workers in the Netherlands Questions 5 to 7 are based on the news report you ha
最新发布
10-06
5. A. Serious exploitation. B. Serious abuses. C. Serious bigotry. D. Serious prejudice. 6. A. Substantial ...B....C....D. Confiscation of a passport. 7. A. 10%. B. 15%. C. 20%. D. 25%.
Seasonal variation of the low-level atmospheric eddy kinetic energy over the South China Sea and its influences on the tropical cyclone genesis
12-26
南海低层大气涡动动能（Eddy Kinetic Energy，简称EKE）的季节变化对热带气旋（Tropical Cyclone，简称TC）生成的影响是一个复杂的气候学问题，涉及到大气动力学与海洋气象学的多个方面。本文中，作者王磊通过对南海...
操作记录文档：WUDAPT 进行LCZ分类
热门推荐
SurmountH的博客
10-19 1万+
目录WUDAPTLCZ分类具体步骤准备工作数据下载定义研究区域数据准备勾画训练样本分类分类精度评价 WUDAPT 网站链接：http://www.wudapt.org/ 已有LCZ图下载链接：https://wudapt.cs.purdue.edu/ LCZ分类具体步骤 WUDAPT流程是一种监督分类的方法，需要勾画训练样本，WUDAPT提供了40个城市的样本数据，如果我们的研究区域不包括在其中，就需要自己进行训练区域勾画。 准备工作 首先，需要下载所需要的Landsat影像，USGS下载即可 之后，需
LCZ classification based on deep learning概况（持续更新）
SurmountH的博客
10-22 2949
目录Multilevel Feature Fusion-Based CNN for Local Climate Zone Classification From Sentinel-2 Images: Benchmark Results on the So2Sat LCZ42 DatasetMSPPF-NETS: A DEEP LEARNING ARCHITECTURE FOR REMOTE SENSING IMAGE CLASSIFICATIONComparison between convolutiona
论文笔记3：LOCAL CLIMATE ZONES FOR URBAN TEMPERATURE STUDIES
SurmountH的博客
05-29 1985
LOCAL CLIMATE ZONES FOR URBAN TEMPERATURE STUDIES Stewart I D, Oke T R. Local Climate Zones for Urban Temperature Studies[J]. Bulletin of the American Meteorological Society, 2012, 93(12): 1879-1900. We formally define local climate zones as regions of un
论文笔记： Local climate zone mapping as remote sensing scene classifcation using deep learning: A case s
SurmountH的博客
05-27 1628
论文笔记1： Local climate zone mapping as remote sensing scene classifcation using deep learning: A case study of metropolitan ChinaLCZ：Local climate zone零碎笔记 LCZ：Local climate zone 局部气候分区分类 零碎笔记 深度学习，LCZNet WUDAPT ：Pixel-based classification； LCZ mapping shoul
Sentinel-1 SLC 数据预处理 命令行操作
SurmountH的博客
07-02 1270
打开界面 预处理 命令行。 // An highlighted block //1.Apply orbit gpt Apply-Orbit-File -Ssource="E:\LCZ SAROPT\originaldata\sen1\wuhan\S1A_IW_SLC__1SDV_20190812T102743_20190812T102811_028535_0339FC_B82F.zip" -t "E:\LCZ SAROPT\preprocess\Wuhan\S1A_IW_SLC__1SDV_2019081
论文笔记4：GIS-based mapping of Local Climate Zone in the high-density city of Hong Kong
SurmountH的博客
05-30 999
GIS-based mapping of Local Climate Zone in the high-density city of Hong Kong urban morphology analysis maps 目录MethodDataAnalysis of spatial autocorrelationKolmogorov–Smirnov testGIS-based LCZ classification and urban geometric analysisDevelopment of land
【论文笔记25】The urban morphology on our planet – Global perspectives from space
SurmountH的博客
01-04 869
全球尺度的局部气候区产品 难点：不同城市由于文化、气候、环境等原因，形态特征不同，如何分类？数据量很大如何处理？ 目录研究区域与数据 研究区域与数据 LCZ全球产品 1692个城市 Sentinel-1与Sentinel-2 训练数据：So2sat数据集 ...
Holt-Winters模型训练失败: Cannot compute initial seasonals using heuristic method with less than two full seasonal cycles in the data.
07-01
<think>我们正在解决Holt-Winters模型训练时因季节周期不足导致的初始化失败问题。错误信息为：“Cannotcompute initialseasonalswith lessthan twofull seasonalcycles”。这意味着我们需要至少两个完整的季节周期数据来初始化季节性成分。###问题分析Holt-Winters模型（也称为三重指数平滑）包括三个部分：水平、趋势和季节性。在初始化季节性成分时，通常需要至少两个完整季节周期的数据。例如：-如果季节周期是12（月数据），则需要至少24个数据点。-如果季节周期是4（季度数据），则需要至少8个数据点。###解决方案1. **增加数据量**：收集更多数据，确保至少有两个完整的季节周期。 2. **调整季节周期**：如果数据量确实不足，可以考虑调整模型，比如使用不包含季节性成分的模型（如Holt线性趋势模型或简单指数平滑），或者使用其他能够处理短时间序列的模型。3.**修改季节周期参数**：检查你的季节周期设置是否正确。有时候，周期设置错误（比如设置了一个比实际数据长度还大的周期）会导致这个问题。###具体步骤假设我们使用Python的`statsmodels`库中的ExponentialSmoothing。####情况1：数据量不足如果数据点确实少于两个季节周期，那么我们需要： -获取更多数据。 -或者，放弃使用季节性模型。####情况2：数据量足够但模型设置错误确保在创建模型时正确设置了季节周期长度（`seasonal_periods`）。例如：```pythonfromstatsmodels.tsa.holtwintersimport ExponentialSmoothing#假设数据为monthly，周期为12model= ExponentialSmoothing(data, trend='add', seasonal='add', seasonal_periods=12)model_fit =model.fit() ```####情况3：数据量刚好在两个周期边缘如果数据点刚好等于两个周期（比如24个点），但可能由于缺失值等原因，实际有效数据不足，需要处理缺失值。###替代方案如果无法获取更多数据，可以考虑：-使用非季节性的指数平滑模型。-使用其他模型，如ARIMA（但ARIMA也可能需要较长的序列）。-使用简单模型如移动平均。###示例代码（非季节性模型）```python#使用Holt线性趋势模型（双重指数平滑，无季节性）model =ExponentialSmoothing(data,trend='add',seasonal=None) model_fit= model.fit()``` ###结论要解决此问题，最直接的方法是确保数据包含至少两个完整的季节周期。如果无法满足，则需调整模型设置或选择其他模型。§§相关问题§§1. Holt-Winters模型需要多少数据才能进行训练？ 2.除了Holt-Winters，还有哪些时间序列模型适合短序列？ 3.如何确定时间序列的季节周期？4.在Holt-Winters模型中，如何选择趋势和季节性的类型（加法/乘法）？</think>### 解决Holt-Winters模型初始化失败问题 当遇到错误提示 **"Cannot compute initial seasonals with less than two full seasonal cycles"** 时，这表明您的数据量不足以支持Holt-Winters模型的季节性初始化。以下是系统化的解决方案： #### 1. **理解核心问题** Holt-Winters模型要求**至少两个完整季节周期**的数据才能初始化季节性参数： - 若季节周期为12（月数据）：需≥24个数据点 - 若周期为4（季数据）：需≥8个数据点 - 若周期为7（周数据）：需≥14个数据点[^1] #### 2. **解决方案** **方案A：增加数据量（推荐）** ```python # 示例：检查数据量是否满足最小要求 seasonal_periods = 12 # 假设为月度数据 min_data_points = 2 * seasonal_periods if len(your_data) < min_data_points: print(f"需要至少 {min_data_points} 个数据点，当前只有 {len(your_data)} 个") else: # 正常训练模型 from statsmodels.tsa.holtwinters import ExponentialSmoothing model = ExponentialSmoothing(your_data, seasonal='add', seasonal_periods=seasonal_periods) model_fit = model.fit() ``` **方案B：调整模型配置** - **使用非季节性模型**（当数据不足时）： ```python # 双重指数平滑（无季节性） model = ExponentialSmoothing(your_data, trend='add', seasonal=None) ``` - **降低季节性要求**： ```python # 尝试乘法季节性（对短序列更宽容） model = ExponentialSmoothing(your_data, seasonal='mul', seasonal_periods=seasonal_periods) ``` **方案C：数据预处理** - **聚合高频数据**：将小时数据聚合为日数据 - **扩展时间窗口**：合并历史数据源 - **生成合成数据**（谨慎使用）：通过自回归插值补充少量数据 #### 3. **替代模型建议** 当数据不足时，可考虑： ```python from statsmodels.tsa.arima.model import ARIMA # 使用简单ARIMA模型 model = ARIMA(your_data, order=(1,1,1)) # 参数需根据数据调整 ``` #### 4. **验证解决方案** 解决后需检查： ```python print(model_fit.summary()) # 重点观察：初始状态参数是否生成 # 检查拟合曲线：plt.plot(your_data, label='Actual'); plt.plot(model_fit.fittedvalues, label='Fitted') ``` > **关键提示**：高频时间序列通常包含多重季节性（如日周期、周周期、年周期），需确保每个季节性分量都满足最小数据要求[^1]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值