CN108364097B - 基于生成对抗网络的台风云系预测方法 - Google Patents
基于生成对抗网络的台风云系预测方法 Download PDFInfo
- Publication number
- CN108364097B CN108364097B CN201810121942.3A CN201810121942A CN108364097B CN 108364097 B CN108364097 B CN 108364097B CN 201810121942 A CN201810121942 A CN 201810121942A CN 108364097 B CN108364097 B CN 108364097B
- Authority
- CN
- China
- Prior art keywords
- typhoon
- generator
- satellite
- image block
- cloud
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
基于生成对抗网络的台风云系预测方法,通过已有的台风卫星云图数据构建数据集,将数据集中的部分数据作为历史数据,部分数据作为未来数据,来训练生成对抗网络,并采用训练好的生成对抗网络来进行台风的预测。本发明充分利用了台风云图序列的“全时空”信息。在“时间”维度,以历史云图序列为训练数据,学习台风的时间演化过程;在“空间”维度,将云图的全部像素作为模型的输入和输出基本单元,充分考虑全部空间信息。本模型的“全时空”分析突破了目前台风云图分析中仅分析单张云图中台风局部特性的局限,为台风预测提供更完备的可视化信息。
Description
技术领域
本发明涉及气象预测技术领域,具体涉及一种台风云系预测方法。
背景技术
台风作为每年频发的一种严重的自然灾害,对我国国民生产、生活造成严重影响。而对于台风的预测与模拟作为台风灾害评估的重要环节,是防灾减灾工作的决策基础。
现有台风云系预测方法大多是基于数值模式。这些方法仅使用了有限数量的数据信息进行台风云系预测模式的同化,没有充分利用台风的全空间信息。因此,这些方法无法对台风的时变态势全面刻画,只能倾向性的预测台风的等级和台风的影响。
卫星云图是监测台风的有效工具。基于卫星云图的台风分析研究早在90年代就已展开。卫星云图分析包括复杂背景下的云团检测、云团分类、分割、气旋运动跟踪等。但是,这些方法只利用了局部视觉信息而没有利用全局视觉信息以及时空信息。因此,目前亟需一种能够有效利用卫星云图中的时空信息的预测方法,演判台风动向,进而更有效地进行台风监测。
发明内容
本发明的目的在于提供一种台风云系预测方法,该方法利用卫星云图的时空信息预测台风云系的形成,演判台风的动向,进而更有效的进行台风的预测。
为了实现以上目的,本发明提供如下技术方案:
基于生成对抗网络的台风云系预测方法,包括以下步骤:
S1:构建数据集:取2n张台风卫星云图,从每张台风卫星云图随机提取多个图像块,组成图像块序列,以第1至第n张台风卫星云图图像块序列作为历史数据,以n+1张至第2n张台风卫星云图图像块序列作为未来数据,构造训练数据集;
S2:构建多尺度生成对抗网络:
采用卫星云图图像块序列构建多尺度生成器G,相邻的两个尺度的生成器满足:
其中k为当前生成器的尺度,k'为与当前生成器相邻的生成器的尺度,Xk为尺度k下的输入云图序列,Yk为尺度k下的输出云图序列,G'k为尺度k下的生成器,uk表示上采样操作;
采用卫星云图图像块序列构建多尺度判别器D,多尺度判别器为由卷积、池化和全连接构成的卷积神经网络;
定义生成器初步损失函数为:
定义判别器损失函数为:
其中X表示输入云图序列,Y表示输出云图序列;
S3:采用步骤S1中构建的数据集,训练多尺度生成对抗网络,训练过程中更新多尺度判别器D的参数:
采用生成器最终损失函数,进行多尺度生成器G的训练,更新多尺度生成器G的参数;
S4:采用训练好的多尺度生成器模型参数θG进行台风演化结果的预测
作为优选:从每张台风卫星云图随机提取图像块序列的方法为:以各张卫星云图上同一坐标位置为中心,以固定像素大小为单位长度,取正方形图像块。
作为优选:从每张台风卫星云图随机提取图像块序列的方法进一步为:以各张卫星云图上同一坐标位置为中心,以固定像素大小为单位长度,取正方形图像块组。
作为优选:定义基于阶梯度差的损失函数:
其中,α≥1为一个整数,i和j表示像素标号;
定义生成器最终损失函数为
采用生成器最终损失函数进行生成器G的训练。
本发明的有益效果为:
本发明充分利用了台风云图序列的“全时空”信息。在“时间”维度,以历史云图序列为训练数据,学习台风的时间演化过程;在“空间”维度,将云图的全部像素作为模型的输入和输出基本单元,充分考虑全部空间信息。本模型的“全时空”分析突破了目前台风云图分析中仅分析单张云图中台风局部特性的局限,为台风云系预测提供更完备的可视化信息。
本发明提出一种台风云系预测模型,采用生成对抗网络模型,对生成对抗网络模型进行训练,生成对抗网络模型训练完毕之后,利用训练好的生成对抗网络模型自动、智能地对台风卫星云图数据进行预测;训练之后的生成对抗网络模型,有效地云系运动的全时空演化过程,形成了对熟知模式预测的可视化补充,为台风监测提供了一种全新的参考,对于开展防灾减灾工作、保障人民生命和财产安全具有重大的意义。
附图说明
图1为基于生成对抗网络台风云系预测流程图;
图2为多尺度生成器结构示意图;
图3为本实施例相邻两个不同尺度的生成器结构示意图;
图4a为基于本发明的台风云系方法预测的台风卫星云图;
图4b为真实的台风卫星云图。
具体实施方式
以下将结合附图对本发明的具体实施方式进行清楚完整地描述。显然,具体实施方式所描述的实施例仅为本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
本发明提供了一种台风云系预测的方法,该方法基于生成对抗网络,采用历史台风卫星云图数据,来预测当前时刻之后时刻的台风云图,从而可演判台风的走向,进行台风的预测和监测。
本发明的台风云系预测方法,具体包括以下步骤。
(1)构建数据集:
数据集的构建依赖于现有的台风卫星云图数据。收集持续的台风卫星云图数据,取2n张台风卫星云图,从台风卫星云图随机提取图像块序列,即,每张卫星云图上,均取多个图像块,构成图像块序列,图像块序列中图像块的尺度是不同的,可以理解为图像块的像素是不同的。以第1至第n张台风卫星云图图像块序列作为历史数据,以n+1张至第2n张台风卫星云图图像块序列作为未来数据,构造训练数据集。例如,本实施例中,取20张台风卫星云图,按这10张台风卫星云图的时间顺序,取前10张为历史时刻的台风卫星云图数据,作为预测输入;以后10张为未来预测时刻的台风卫星云图数据,作为预测输出,基于以上的输入输出关系来训练多尺度生成对抗网络。
其中,从台风卫星云图随机提取图像块序列的方法为:以各张卫星云图上同一坐标位置为中心,以固定像素大小为单位长度,取正方形图像块。1张到第2n张的图像块的位置是相同的,具体的说,本实施例中,有20张台风卫星云图图像,在每一张张台风卫星云图图像的同一个坐标位置为图像块的中心,每张图上,均大小相等的正方形图像块。例如,每张台风卫星云图上,均取4×4像素大小的图像块。以同一坐标位置为中心是为了可以观测该点在各张台风卫星云图上台风的演变过程,这个坐标位置是随机选取的。取第1张至第10张卫星云图上相同位置的图像块序列作为历史数据,取第11张至第20张卫星云图上相同位置的图像块序列作为未来数据,构成数据集。
更进一步的,为了获得足够多的数据量,可以进一步改进从台风卫星云图随机提取图像块序列的方法。以各张卫星云图上同一坐标位置为中心,以固定像素大小为单位长度,取正方形图像块组。例如,在每张台风卫星云图上,以同一坐标位置为中心,分别取4×4像素大小的图像块、8×8像素大小的图像块、16×16像素大小的图像块、32×32像素大小的图像块,构成一个图像块组。如此,可以获得足够的训练数据。
(2)构建台风云系预测模型。
为构建基于多尺度生成对抗网络的台风云系预测模型,本发明的模型包含生成器G和判别器D,二者均为卷积神经网络,其中G的输入和输出的尺寸一致,D为一个多层卷积神经网络分类器。
令X为历史卫星云图序列(对应本实施例中前10张卫星云图的像素块组数据),Y为真实的未来卫星云图序列(对应本实施例中后10张卫星云图的像素块组数据),为生成器G生成的未来卫星云图序列。G和D在对抗过程中完成训练,训练好的G将被用于台风卫星云图预测。
图2展示的是基于多尺度生成对抗网络的台风云系预测模型的工作原理。生成器G由为全卷积神经网络,图中生成器G和判别器D矩形框内的正方形组表示卷积层,判别器D矩形框内的粗虚线表示全连接层。历史云图序列作为生成器G的输入,生成器G输出生成的未来云图序列;判别器D分别判定输入的未来的云图序列和生成的云图序列的真假,其结果通过反向传播驱动整个多尺度生成对抗网络的优化。
为提高生成卫星云图的清晰度,本发明使用多尺度的生成器G和判别器D,每一个尺度的生成器和判别器都遵循图1中的工作原理。另外,训练生成对抗网络模型要求定义损失函数。
(2.1)构建多尺度生成器
采用卫星云图图像块序列构建多尺度生成器G,多尺度结构的生成器具备由模糊到清晰的图像生成能力,其结构如图2所示。图3表示的是相邻的两个不同的尺度的生成器的结构示意图。假设当前生成器的尺度为k,则与它相邻的前一个生成器的尺度为k',其中k≠k',令Xk、Yk和G'k分别表示尺度k下的输入云图序列、输出云图序列和生成器。uk表示上采样操作,用于将上一尺度的输出Yk'放大输出到和Xk相同的尺寸。相邻的两个尺度的生成器满足如下关系,即尺度k下的生成器输出为公式(1)中的
具体到本实施例,由于图像块序列的选取是遵循如下规律的:4×4、8×8、16×16、32×32,假设当前生成器的尺度为k,则与它相邻的前一个生成器的尺度为k/2,即k'=k/2。
本实施例的模型共使用了四种不同尺度生成器,分别为G4,G8,G16,G32。多尺度生成器由卷积构成为全卷积神经网络,表1记录了不同尺度生成器的网络结构:
表1多尺度生成器结构
多尺度生成器构造过程中,卫星云图大小是根据开始设定的规则设定的,卷积核的大小、卷积核数,均为根据经验选取的值。
(2.2)构建多尺度判别器
为了匹配每一尺度的生成器完成多尺度生成对抗网络训练,本发明同时使用了多尺度判别器,分别为D4,D8,D16,D32。多尺度判别器为简单的卷积神经网络,模型由卷积、池化和全连接构成。表2记录了不同尺度判别器的结构:
表2多尺度判别器结构
多尺度判别器的构造过程中,卫星云图大小是根据开始设定的规则设定的,卷积核的大小、卷积核数、池化数据和全连接数据,均为根据经验选取的值。
(2.3)定义损失函数。
定义生成器初步损失函数为:
定义判别器损失函数为:
公式(2)和公式(3)中X表示输入云图序列,Y表示输出云图序列。
为了进一步提高生成图像的细节清晰度,本文使用了一种基于梯度差的损失函数(Gradient Difference Loss,GDL),如公式(6)所示:
其中,α≥1为一个整数,i和j表示像素标号,X表示输入云图序列,Y表示输出云图序列。
定义生成器最终损失函数为
采用生成器最终损失函数进行生成器G的训练。
(3)采用步骤S1中构建的数据集,训练多尺度生成对抗网络。训练的数据集为:
{[X1,Y1],[X2,Y2],...[XM,YM]};训练样本集的大小为M,训练次数为E(E为可以使模型收敛的训练次数);随机初始化生成器参数θG和判别器参数θD。其中,X表示输入云图序列,可以理解为前十张台风卫星云图上的图像块数据;Y表示输出云图序列,可以理解为后十张台风卫星云图上的图像块数据。需要说明的是,一次训练样本子集大小M的大小取决于处理器的执行能力,与GPU显存的大小有关。每次模型训练的过程中,训练子集的大小不能超过GPU显存的大小。具体的说,如果所取的数据块的总量为N,则每次,只选用其中的M进行训练,至少训练E次,保证所有的数据块至少被使用一次,至模型收敛。
训练过程中更新多尺度判别器D的模型参数θD:
其中箭头左侧的θD表示一次训练过程后更新之后的判别器模型参数,箭头右侧的θD表示一次训练过程中采用的在先判别器模型参数。的训练过程中,先训练判别器,训练生成器的时候需要将判别器损失函数的梯度回传至生成器,帮助生成器更新参数。
采用生成器最终损失函数,进行多尺度生成器G的训练,更新多尺度生成器G的参数;
其中,M为训练样本集的大小。箭头左侧的θG表示一次训练过程后更新之后的生成器模型参数,箭头右侧的θG表示一次训练过程中采用的在先判别器模型参数。
S4:采用训练好的多尺度生成器模型参数θG进行台风演化结果的预测。采用训练好的生成器模型,根据前十张连续的台风卫星云图可以预测出后十张连续的台风卫星云图。
以下,将以预测“莫拉克”台风为例对本发明提供的一种基于生成对抗网络的台风云系预测方法进行说明。
(1)构建数据集
本实施例的数据来源为风云二号(FY2D)卫星采集的卫星云图,所有数据均可从国家卫星气象中心下载。这些卫星云图的采样间隔为半小时,时间段为每天的08时到23时,每张卫星云图的分辨率为1560×889。本实施例所用的卫星云图包含2009年6月的“莲花”台风、2009年8月的“莫拉克”台风的完整运动过程的卫星云图序列。其中,“莲花”台风卫星云图为训练样本,用于构建训练数据集;“莫拉克”台风卫星云图为测试样本,用于试验本方法的预测效果。
本实施例收集持续台风卫星云图数据,从“莲花”台风卫星云图序列中随机位置提取多尺度图像块序列构成训练数据集。数据集中包含四种尺度的卫星云图图像块序列,这些尺度分别为:[4×4,8×8,16×16,32×32]。数据集中包含大量的卫星云图图像块序列,每个图像块序列共包含四种尺度,每种尺度20张连续的台风卫星云图,前十张作为历史时刻云图,后十张作为未来时刻云图。
(2)采用上文所述的方法进行模型参数的训练,生成对抗网络。
生成对抗网络的训练过程
利用训练生成对抗网络后得到的生成器模型参数θG对台风卫星云图进行预测,得到台风运动的全时空演化预测,其预测的具体步骤为:
提取连续十张“莫拉克”台风卫星云图数据;
使用训练好的生成器模型(带有训练好的模型参数θG),根据输入的的连续十张卫星云图,预测出接下来的十张连续台风卫星云图。
参见图4a和图4b,图4a中给出了对“莫拉克”台风卫星云图预测的结果(仅显示了第1张和第10张),图4b给出了“莫拉克”台风真实的连续多张未来时刻的台风卫星云图进行了对比。从图4a和图4b的比对结果可以看出,本发明一种基于生成对抗网络的台风云系预测模型能够根据历史卫星云图序列预测生成出未来时刻的多张卫星云图。
对比预测卫星云图和真实卫星云图,我们发现,采用本发明所述的台风云系预测方法,预测生成的卫星云图和对应的真实卫星云图十分接近。本方法有效地预测台风云系运动的时空演化过程,形成对数值模式预测可视化补充,为台风监测提供了一种重要参考。
以上所述的具体实施方案对本发明的目的和技术方案进行了进一步的详细说明,熟知本领域的技术人员将理解,以上所述仅为本发明的具体实施方案而已,并非用以限定本发明的范围,在不脱离由所附权利要求书限定的情况下,可以在细节上进行各种修改,都应当视为属于本发明的保护范围。
Claims (3)
1.基于生成对抗网络的台风云系预测方法,其特征在于,包括以下步骤:
S1:构建数据集:取2n张台风卫星云图,从每张台风卫星云图随机提取多个图像块,组成图像块序列,以第1至第n张台风卫星云图图像块序列作为历史数据,以n+1张至第2n张台风卫星云图图像块序列作为未来数据,构造训练数据集;
S2:构建多尺度生成对抗网络:
采用卫星云图图像块序列构建多尺度生成器G,相邻的两个尺度的生成器满足:
其中k为当前生成器的尺度,k'为与当前生成器相邻的生成器的尺度,Xk为尺度k下的输入云图图像块序列,G'k为尺度k下的生成器,uk表示上采样操作,表示尺度k下的生成器输出;
采用卫星云图图像块序列构建多尺度判别器D,多尺度判别器为由卷积、池化和全连接构成的卷积神经网络;
定义生成器初步损失函数为:
定义判别器损失函数为:
其中X表示输入云图图像块序列,Y表示输出云图图像块序列;
定义基于阶梯度差的损失函数:
其中,α≥1为一个整数,i和j表示像素标号;
定义生成器最终损失函数为
采用生成器最终损失函数进行生成器G的训练;
S3:采用步骤S1中构建的数据集,训练多尺度生成对抗网络,训练过程中更新多尺度判别器D的参数θD:
采用生成器初步损失函数,进行多尺度生成器G的训练,更新多尺度生成器G的参数θG;
其中,M为训练样本集的大小;Xm,Ym为训练样本集内的第m个输入云图图像块序列和第m个输出云图图像块序列;
S4:采用训练好的多尺度生成器G的参数θG进行台风演化结果的预测。
2.如权利要求1所述的基于生成对抗网络的台风云系预测方法,其特征在于,从每张台风卫星云图随机提取图像块序列的方法为:以各张卫星云图上同一坐标位置为中心,以固定像素大小为单位长度,取正方形图像块。
3.如权利要求1所述的基于生成对抗网络的台风云系预测方法,其特征在于,从每张台风卫星云图随机提取图像块序列的方法进一步为:以各张卫星云图上同一坐标位置为中心,以固定像素大小为单位长度,取正方形图像块组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810121942.3A CN108364097B (zh) | 2018-02-07 | 2018-02-07 | 基于生成对抗网络的台风云系预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810121942.3A CN108364097B (zh) | 2018-02-07 | 2018-02-07 | 基于生成对抗网络的台风云系预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108364097A CN108364097A (zh) | 2018-08-03 |
CN108364097B true CN108364097B (zh) | 2019-01-08 |
Family
ID=63004993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810121942.3A Active CN108364097B (zh) | 2018-02-07 | 2018-02-07 | 基于生成对抗网络的台风云系预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108364097B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414027A (zh) * | 2019-01-02 | 2019-11-05 | 徐宇迪 | 一种适用于洪涝预测系统的数据处理方法 |
CN111047088A (zh) * | 2019-12-09 | 2020-04-21 | 上海眼控科技股份有限公司 | 预测图像获取方法、装置、计算机设备和存储介质 |
CN111008604A (zh) * | 2019-12-09 | 2020-04-14 | 上海眼控科技股份有限公司 | 预测图像获取方法、装置、计算机设备和存储介质 |
CN111028260A (zh) * | 2019-12-17 | 2020-04-17 | 上海眼控科技股份有限公司 | 图像预测方法、装置、计算机设备和存储介质 |
CN111210483B (zh) * | 2019-12-23 | 2023-04-18 | 中国人民解放军空军研究院战场环境研究所 | 基于生成对抗网络和数值模式产品的仿真卫星云图生成方法 |
CN111337929A (zh) * | 2020-03-26 | 2020-06-26 | 上海眼控科技股份有限公司 | 气象云图预测方法、装置、计算机设备和存储介质 |
CN111445460A (zh) * | 2020-03-30 | 2020-07-24 | 上海眼控科技股份有限公司 | 雷达云图的预测方法、装置、计算机设备和存储介质 |
CN111507929A (zh) * | 2020-04-15 | 2020-08-07 | 上海眼控科技股份有限公司 | 气象云图预测方法、装置、计算机设备和存储介质 |
CN111563917A (zh) * | 2020-05-18 | 2020-08-21 | 南京大学 | 一种基于隐式特征编码的云层运动预测方法及系统 |
CN111947624B (zh) * | 2020-08-12 | 2022-03-18 | 上海卫星工程研究所 | 时变态势矩阵驱动的天基广域分布式态势感知方法及系统 |
CN111932527A (zh) * | 2020-08-26 | 2020-11-13 | 江苏铨铨信息科技有限公司 | 基于长短期记忆与生成对抗网络的卫星云图预测的方法 |
CN112527860B (zh) * | 2020-12-05 | 2022-11-18 | 东南大学 | 一种提高台风轨迹预测的方法 |
CN112668615B (zh) * | 2020-12-15 | 2022-11-18 | 中国人民解放军93213部队 | 一种基于深度跨尺度外推融合的卫星云图预测方法 |
CN113222210B (zh) * | 2021-03-30 | 2022-09-23 | 浙江工业大学 | 一种基于多模态生成对抗的台风短期预测方法及装置 |
CN113780631A (zh) * | 2021-08-18 | 2021-12-10 | 清华大学 | 一种水汽图预测方法、装置、电子设备和存储介质 |
CN114139760B (zh) * | 2021-09-29 | 2023-11-07 | 苏州浪潮智能科技有限公司 | 一种预测台风路径的方法、系统、存储介质及设备 |
CN115857060B (zh) * | 2023-02-20 | 2023-05-09 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 基于分层生成对抗网络的短临降水预报方法和系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938075A (zh) * | 2012-11-29 | 2013-02-20 | 浙江师范大学 | 最大风半径和台风眼尺寸建模的相关向量机方法 |
CN104966102A (zh) * | 2015-06-23 | 2015-10-07 | 国家卫星气象中心 | 基于卫星图像的台风检测方法 |
CN107563355B (zh) * | 2017-09-28 | 2021-04-02 | 哈尔滨工程大学 | 基于生成对抗网络的高光谱异常检测方法 |
-
2018
- 2018-02-07 CN CN201810121942.3A patent/CN108364097B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108364097A (zh) | 2018-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108364097B (zh) | 基于生成对抗网络的台风云系预测方法 | |
Lassalle et al. | Global warming impacts and conservation responses for the critically endangered European Atlantic sturgeon | |
CN109902880A (zh) | 一种基于Seq2Seq生成对抗网络的城市人流预测方法 | |
CN107392901A (zh) | 一种用于输电线路部件智能自动识别的方法 | |
CN108921039A (zh) | 基于多尺寸卷积核的深度卷积模型的森林火灾检测方法 | |
CN110490177A (zh) | 一种人脸检测器训练方法及装置 | |
Xiao et al. | Classification of ice crystal habits observed from airborne Cloud Particle Imager by deep transfer learning | |
CN110533631A (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
Yang et al. | Aa-transunet: Attention augmented transunet for nowcasting tasks | |
CN109508360A (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
Montalbo et al. | Classification of fish species with augmented data using deep convolutional neural network | |
CN110322509A (zh) | 基于层级类激活图的目标定位方法、系统及计算机设备 | |
Ma et al. | A supervised progressive growing generative adversarial network for remote sensing image scene classification | |
CN109522961A (zh) | 一种基于字典深度学习的半监督图像分类方法 | |
CN105989336A (zh) | 基于带权重的解卷积深度网络学习的场景识别方法 | |
CN114842208A (zh) | 一种基于深度学习的电网危害鸟种目标检测方法 | |
Ling et al. | Learning-based superresolution land cover mapping | |
CN112818777B (zh) | 一种基于密集连接与特征增强的遥感图像目标检测方法 | |
Choi et al. | Deep-learning model for sea surface temperature prediction near the Korean Peninsula | |
CN109903339A (zh) | 一种基于多维融合特征的视频群体人物定位检测方法 | |
Xu et al. | A deep learning approach to predict sea surface temperature based on multiple modes | |
CN107665376A (zh) | 一种湿地空间分布变化格局模拟与预测方法 | |
CN112818849A (zh) | 基于对抗学习的上下文注意力卷积神经网络的人群密度检测算法 | |
CN110956655A (zh) | 一种基于单目图像的稠密深度估计方法 | |
CN108985161A (zh) | 一种基于拉普拉斯正则化的低秩稀疏表征图像特征学习方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |