...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Journal of Hydroinformatics >Recent advances in data-driven modeling of remote sensing applications in hydrology
【24h】

Recent advances in data-driven modeling of remote sensing applications in hydrology

机译：水文遥感应用数据驱动建模的最新进展

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Artificial neural networks (ANNs) are very effective statistical models for (1) extracting significantnfeatures or characteristics from complex data structures and/or for (2) learning nonlinearnrelationships involved in any input–output mapping. Another interesting aspect of ANN modelingnis the fact that overall performance of these models is not greatly hampered by the presence ofnerror-corrupted values in some input nodes. ANNs have gained interest in remote sensingnapplications as valuable inverse models that can retrieve physical characteristics of interest, suchnas precipitation, from remote sensing measurements collected from radars or satellites. Thenspatial coverage and high resolution of remote sensing measurements relative to ground-basednmeasurements can improve the hydrological modeling of the water cycle at both local and globalnscales. This review paper intends to present recent advances in artificial neural network modelingnof remote sensing applications in hydrology. This paper focuses on precipitation and snow waternequivalent (SWE) retrievals from remote sensing data.
机译：人工神经网络（ANN）是非常有效的统计模型，用于（1）从复杂的数据结构中提取重要的特征或特性，和/或（2）学习任何输入-输出映射中涉及的非线性关系。 ANN建模的另一个有趣方面是，这些模型的整体性能并未因某些输入节点中存在错误的值而受到很大的阻碍。人工神经网络作为一种有价值的逆模型已经对遥感应用产生了兴趣，这种模型可以从雷达或卫星收集的遥感测量结果中检索感兴趣的物理特征，例如降水。相对于基于地面的测量，遥感测量的空间覆盖范围和高分辨率可以改善局部和全球尺度水循环的水文模拟。本文旨在介绍遥感在水文学中的应用的人工神经网络建模的最新进展。本文着重于从遥感数据中获取降水和雪水当量（SWE）。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号