首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

一篇关于业务可用性探测的纯“干”货,榨出一滴水算我输!

黄小龙 腾讯云高级工程师/腾讯云监控方案架构师,多年监控开发和应用经验,对业务监控、智能监控有深刻的理解,主导腾讯云 DevOps 可观测方案落地。 案例背景 随着各行业业务高速发展,系统架构日渐庞大和复杂。导致应用系统可用性下降、发生故障时,无法及时发现并定位问题。生产系统运维管理难度和重要性日渐凸显,对业务连续性要求和运维服务质量要求也不断提高,为保障系统业务连续性,业务可用性能监控已成为刚需。 方案介绍 1. 监测方法 通过腾讯云云拨测在全球各个地区不同运营商和类型的监测点对目标地址进行定时访问,可

02
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    中文综述|机器学习在强对流监测预报中的应用进展

    近年来, 机器学习理论和方法应用蓬勃发展, 已在强对流天气监测和预报中广泛应用。各类机器学习算法, 包括传统机器学习算法(如随机森林、决策树、支持向量机、神经网络等)和深度学习方法, 已在强对流监测、短时临近预报、短期预报领域发挥了积极的重要作用, 其应用效果往往明显优于依靠统计特征或者主观经验积累的传统方法。机器学习方法能够更有效提取高时空分辨率的中小尺度观测数据的强对流特征, 为强对流监测提供更全面、更强大的自动识别和追踪能力; 能够有效综合应用多源观测数据、分析数据和数值预报模式数据, 为强对流临近预报预警提取更多有效信息; 能够有效对数值模式预报进行释用和后处理, 提升全球数值模式、高分辨率区域数值模式在强对流天气预报上的应用效果。最后, 给出了目前机器学习方法应用中存在的问题和未来工作展望。

    04

    中文综述|机器学习在强对流监测预报中的应用进展

    近年来, 机器学习理论和方法应用蓬勃发展, 已在强对流天气监测和预报中广泛应用。各类机器学习算法, 包括传统机器学习算法(如随机森林、决策树、支持向量机、神经网络等)和深度学习方法, 已在强对流监测、短时临近预报、短期预报领域发挥了积极的重要作用, 其应用效果往往明显优于依靠统计特征或者主观经验积累的传统方法。机器学习方法能够更有效提取高时空分辨率的中小尺度观测数据的强对流特征, 为强对流监测提供更全面、更强大的自动识别和追踪能力; 能够有效综合应用多源观测数据、分析数据和数值预报模式数据, 为强对流临近预报预警提取更多有效信息; 能够有效对数值模式预报进行释用和后处理, 提升全球数值模式、高分辨率区域数值模式在强对流天气预报上的应用效果。最后, 给出了目前机器学习方法应用中存在的问题和未来工作展望。

    06

    MuSyQ 叶片叶绿素含量产品(中国)V02 (时空分辨率30m/10天)

    此数据集为高分30米空间分辨率10天合成的叶片叶绿素含量产品(负责人:李静研究员),为多源协同定量遥感产品生产系统((Multi-source data Synergized Quantitative remote sensing production system,MuSyQ))中产品之一。 叶片叶绿素含量(Chlleaf)植被遥感监测中最重要的参数之一,目前国际上缺少高分辨率的叶绿素含量标准化产品,难以满足日益精细化的应用需求。双方合作的产品利用Sentinel-2 MSI 数据的时空分辨率优势,生产出30米/10天高时空分辨率的Chlleaf产品。在生产过程中使用了一种对叶片信息敏感对冠层信息不敏感的 CSI 指数来计算不同植被类型的Chlleaf ,相比已有Chlleaf产品,精度更高,产品时间序列物候特征更加显著。前言 – 人工智能教程

    01
    领券