WRF-Hydro模型配置的相关参数配置参考原论文分享一
本文分享的文章中包含WRF和WRF-Hydro模型中的一些参数配置的参考值及其介绍。以下文章部分参考WRF-Hydro官网-publications的文章（只选取2021年） 1.气象研究与降水预报驱动的分布式网格-新安江模型洪水预报能力评估标题：Evaluation of flood prediction capability of the distributed Grid‐Xinanjiang
WRF-Hydro学习拓展一
FNL和GFS数据的区别GFS（1）gfs是实时产品，包括初始分析场和预报场，其中，只有初始场为同化（三维变分）过后的分析场，随后时次都是预报结果。因此，每隔6小时，都有N多天的预报结果，3小时间隔，前192小时位高分辨率，后面分辨率降低。（2）gfs是预报场，可以实时的提供。GFS和Fnl文件的区别FNL（1）fnl（Final）Fnl全球资料数据是每隔6小时一次的（1度1度或者为2.5度2.5
WRF-Hydro中可能使用到的各种数据整理【附原文分享】
径流-入渗分区和已解决的地表流量对陆地-大气反馈的作用：西非 WRF-水力耦合建模系统的案例研究标题：Role of Runoff–Infiltration Partitioning and Resolved Overland Flow on Land–Atmosphere Feedbacks: A Case Study with the WRF-Hydro Coupled Modeling Sy
土耳其2023双震部分参考数据和处理工具整理【附原文分享】
土耳其2023双震同震形变分析的参考数据和处理工具整理【附原文分享】提供可用数据和代码的论文Traditional seismic hazard analyses underestimate hazard levels when compared to observations from the 2023 Kahramanmaras earthquakes原文链接：https://www.natu
文献推荐-无测站流域特大洪水的全球预测
【文献推荐1】无测站流域特大洪水的全球预测题目：Global prediction of extreme floods in ungauged watersheds期刊：Nature 文章原文：https://www.nature.com/articles/s41586-024-07145-1 研究者使用基于LSTM网络的AI模型预测河道流量。研究者基于LSTM网络开发了一种新的预测模型，分为编码
机器学习中的评价指标
混淆矩阵混淆矩阵特别用于监督学习。混淆矩阵的每一行的总数代表了预测该类别的个数，每一列的总数表示为该类别的实际数据的数目。 TP、FP、FN、TN可以理解为： TP：预测为1，实际为1，预测正确。 FP：预测为1，实际为0，预测错误。 FN：预测为0，实际为1，预测错误。 TN：预测为0，实际为0，预测正确。 准确率、精确率、召回率、F1值 准确率（Accuracy）：预测正确的结果占总样本的
机器学习中的监督学习与非监督学习
1. 监督学习与非监督学习1.1. 监督学习（Supervised Learning）在监督学习中，模型通过学习输入数据与其对应的标签之间的关系来进行训练。这意味着给定一组输入数据和其对应的正确输出（标签），模型尝试学习如何将输入映射到输出。监督学习的常见应用包括分类和回归问题。在分类任务中，模型试图将输入数据分为预定义的类别之一；在回归任务中，模型试图预测一个连续值。例如，给定一组电子邮件和它们