CN108508505A - 基于多尺度卷积神经网络的强降雨及雷暴预报方法和系统 - Google Patents
基于多尺度卷积神经网络的强降雨及雷暴预报方法和系统 Download PDFInfo
- Publication number
- CN108508505A CN108508505A CN201810112359.6A CN201810112359A CN108508505A CN 108508505 A CN108508505 A CN 108508505A CN 201810112359 A CN201810112359 A CN 201810112359A CN 108508505 A CN108508505 A CN 108508505A
- Authority
- CN
- China
- Prior art keywords
- radar return
- radar
- neural networks
- convolutional neural
- frame
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- 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)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Atmospheric Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于多尺度卷积神经网络的强降雨及雷暴预报方法和系统。本发明包括获取原始雷达回波数据;对所述原始雷达回波数据进行预处理,得到雷达回波时间序列图像;取任意三帧连续发生的雷达回波时间序列图像,通过构建的雷达回波卷积神经网络推演下一帧雷达回波图;通过光流场法和线性插值法来推断出一分钟内的雷达回波变化。本发明能够预报1小时内的雷暴天气,空间范围能缩小到1公里范围内。
Description
技术领域
本发明涉及天气预测技术领域,具体的说是一种基于多尺度卷积神经网络的强降雨及雷暴预报方法和系统。
背景技术
目前,利用机器学习模型进行强降雨或者雷暴预报的模型主要包括神经网络和支持向量机。这两种模型在进行预报的时候都需要用到一些气象指标,如地面温度、气压、高空温度、风场、散度、垂直速度等,以及由气象指标计算得到的一些大气不稳定因子,如K指数、CT指数、VT指数等。预测的结果在时间和空间上比较粗糙,在准确性上也精度不高。在时间上通常是预报24小时内是否有雷暴,在空间上通常预报某个城市范围内的雷暴情况。
随着人们对生活水平要求的提高,更希望能知道下一小时或者下一分钟的天气变化,不仅知道自己城市的天气变化,还想知道自己活动区域范围的天气变化。在受天气影响的某些特殊行业,如航空业,对时间和空间上的精度要求较高,通常希望能预报1小时内的雷暴天气,空间范围能缩小到1公里范围。这些靠传统的气象指标和模型已经很难做到。
发明内容
针对现有技术中存在的上述不足之处,本发明要解决的技术问题是提供一种基于多尺度卷积神经网络的强降雨及雷暴预报方法和系统,以解决传统强降雨及雷暴预报系统在时间和空间上粒度较粗以及准确性不高的问题。
本发明为实现上述目的所采用的技术方案是:一种基于多尺度卷积神经网络的强降雨及雷暴预报方法,包括以下步骤:
获取原始雷达回波数据;
对所述原始雷达回波数据进行预处理,得到雷达回波时间序列图像;
取任意三帧连续发生的雷达回波时间序列图像,通过构建的雷达回波卷积神经网络推演下一帧雷达回波图;
通过光流场法和线性插值法来推断出一分钟内的雷达回波变化。
所述二维雷达回波数据在每一点的取值为该点在第三维度上的最大值。
所述对原始雷达回波数据进行预处理,得到雷达回波时间序列图像,包括以下步骤:
将三维空间中的雷达回波映射到二维地理空间,得到二维雷达回波数据;
按时间序列对所述二维雷达回波数据进行排序,得到雷达回波时间序列图像。
所述雷达回波卷积神经网络的构建,包括以下步骤:
在雷达回波时间序列图像中取连续的四帧历史雷达回波序列;
取前面三帧作为输入,第四帧作为输出;
构造卷积网络,通过前面三帧图像的变化,来推演第三帧图像到第四帧图像的变化。
还包括:将推演得到的下一帧雷达回波图加入到所述雷达回波时间序列图像中,并删除所述雷达回波时间序列图像中最早时间点的雷达回拨图。
一种基于多尺度卷积神经网络的强降雨及雷暴预报系统,包括:
获取模块,用于获取原始雷达回波数据;
预处理模块,用于对所述原始雷达回波数据进行预处理,得到雷达回波时间序列图像;
推演模块,用于取任意三帧连续发生的雷达回波时间序列图像,通过构建的雷达回波卷积神经网络推演下一帧雷达回波图;
差值计算模块,用于通过光流场法和线性插值法来推断出一分钟内的雷达回波变化。
所述预处理模块包括:
维度转换模块,用于将三维空间中的雷达回波映射到二维地理空间,得到二维雷达回波数据;
排序模块,用于按时间序列对所述二维雷达回波数据进行排序,得到雷达回波时间序列图像。
还包括神经网络构建模块,用于雷达回波卷积神经网络的构建;所述神经网络构建模块包括:
提取模块,用于在雷达回波时间序列图像中取连续的四帧历史雷达回波序列;取前面三帧作为输入,第四帧作为输出;
构造模块,用于构造卷积网络,通过前面三帧图像的变化,来推演第三帧图像到第四帧图像的变化。
还包括更新模块,用于将推演得到的下一帧雷达回波图加入到所述雷达回波时间序列图像中,并删除所述雷达回波时间序列图像中最早时间点的雷达回拨图。
本发明具有以下优点及有益效果:
1、本发明能够预报1小时内的雷暴天气,空间范围能缩小到1公里范围内。
2、本发明突破以前的经验模型,利用了大数据和神经网络,可以针对特定区域建立预测模型,使得模型更有针对性,更加准确。
附图说明
图1为本发明一个实施例的二维雷达回波图;
图2为本发明一实施例的方法流程图;
图3为本发明的卷积神经网络中任意一层的结构图;
图4为本发明的系统框架图;
图5为本发明一个实施例中的预测值和真实值的对比图,其中(a)为真实回波图,(b)为预测回波图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
图1是2016年6月23日8点06分江苏地区的一副雷达回波图,其中反射率的大小用颜色进行了标注,颜色较深的地方,如红色和紫色部分,属于反射率较强,通常该区域具有强降雨或者雷暴,一个像素在图像所占大小表示地表一公里范围的大小,雷达回波图的产生周期通常是5分钟得到一幅回波图。用雷达回波图得到的数据和传统的气象指标数据相比,在短时天气预报中,具有实时性较好、准确性高和成本较低等特点。
虽然雷达回波图是反应当前天气状况,但是我们通过多个前后相关的雷达回波图就可以构成一个空间和时间尺度上相互关联的数据,通过该数据就能预测未来某个时刻天气的状况。传统方法是通过外推法,来跟踪回波图上所表示的可能雷暴产生区域。由于外推法模型简单,在线性变化情况下预测效果较好,但是在雷暴预报等复杂情况下,精度较低。
如图2所示,本发明一个实施例的基本流程是:
对原始雷达回波图进行处理,把三维空间中的雷达回波映射到二维地理空间。二维空间中的每一点值取为在第三维度上的最大值。把二维雷达回波图按时间排序,得到雷达回波时间序列图像。
由于雷达回波图反映了某一地区和某一时刻的天气情况,我们把天气的预测转换为雷达回波图的预测问题,也就是由已有的时间序列滑动窗口,预测未来下一个时间点的序列值。这也可以看成是雷达图的重构问题,即重新构造未来某个时间点的雷达回波图。雷达回波卷积神经网络构建具体为:构造在时间上连续的四帧历史雷达回波序列;取前面三帧作为输入,第四帧作为输出;构造卷积网络,通过前面三帧图像的变化,来推演第三帧图像到第四帧图像的变化。卷积网络如图3所示,前三帧图像作为卷积网络输入,卷积网络的输出就是推演得到的第四帧图像。
迭代预测未来任意时间的雷达回波变化:取任意三帧连续发生的历史雷达回波序列;由之前得到的雷达回波卷积神经网络,推演下一帧雷达回波图。再由推演得到的雷达回波图和最近两帧的雷达回波图构成三帧连续的雷达回波序列,再重复上面过程。
这样就能利用构造的雷达回波图加入已有的时间序列预测下一个时间点的雷达回波图,如此迭代使用,可以预测未来任意时间点的雷达回波图,从而得到未来时间点的天气。
雷达回波图在地理空间中的精度通常是1公里范围,所以能得到一公里精度范围内的天气情况。时间序列的精度最多大概是5分钟,所以通过深度学习而产生的回波图也是下一个5分钟的预测结果。但我们可以通过光流场法和线性插值法(可参考论文《改进的光流法在回波外推预报中的应用》)来推断出一分钟内的雷达回波变化。最终能够得到在任意地点1公里范围内,时间精度在1分钟的强降雨或者雷暴状况。最高能得到空间精度为0.5公里,时间精度为1分钟的未来天气状况。
本发明创新点是通过深度学习的卷积神经网络,将依次变化的4个时间点雷达回波数据结合起来作为一个滑动观察窗口,来生成下一时刻的雷达回波数据,再通过该雷达回波数据和前三个时间点数据组合成新的滑动观察窗口,得到下一时刻的天气状况,并判断在这一时刻下,该点是否有强降雨或者雷暴,以此类推。
本发明是通过多尺度的2D卷积神经网络对雷达回波图进行滤波处理,并得到未来时刻的雷达回波图,并作为强降雨或者雷暴的预报依据。由于未来的雷达回波图和现有的雷达回波图具有复杂的非线性关系,所以我们基于较为复杂的ResNeXt的卷积神经网络进行设计,其任意一层的网络模型如图3所示。该模型在输入端通过多个分离的通道对输入进行卷积处理,在输出端把处理结果进行合并,从而实现了多尺度的卷积效果。
如图4所示,本发明的系统包括:获取模块,用于获取原始雷达回波数据;预处理模块,用于对所述原始雷达回波数据进行预处理,得到雷达回波时间序列图像;推演模块,用于取任意三帧连续发生的雷达回波时间序列图像,通过构建的雷达回波卷积神经网络推演下一帧雷达回波图;差值计算模块,用于通过光流场法和线性插值法来推断出一分钟内的雷达回波变化。
所述预处理模块包括:维度转换模块,用于将三维空间中的雷达回波映射到二维地理空间,得到二维雷达回波数据;排序模块,用于按时间序列对所述二维雷达回波数据进行排序,得到雷达回波时间序列图像。
还包括神经网络构建模块,用于雷达回波卷积神经网络的构建;所述神经网络构建模块包括:提取模块,用于在雷达回波时间序列图像中取连续的四帧历史雷达回波序列;取前面三帧作为输入,第四帧作为输出;构造模块,用于构造卷积网络,通过前面三帧图像的变化,来推演第三帧图像到第四帧图像的变化。还包括更新模块,用于将推演得到的下一帧雷达回波图加入到所述雷达回波时间序列图像中,并删除所述雷达回波时间序列图像中最早时间点的雷达回拨图。
在本发明的一个具体实施例中,通过迭代重构雷达回波图获取某一地区1公里范围内,1分钟的天气变化。重构出来的雷达回波图如图5所示,对比实际测试的雷达回波图和模型重构的雷达回波图,其准确性能达到98%。传统的天气预测和雷暴预报方式通常是通过光流场外推得到。在论文《改进的光流法在回波外推预报中的应用》(张蕾,魏鸣,李南等.科学技术与工程,2014,14(32):133-137)中,其提出的改进的光流法和传统的光流法在预测的准确性上都没有超过70%。此外还有一些指标是对于某个地区是否出现雷暴来判断系统的准确性,其空间和阈值的精度要求上都要低于本发明提出的指标。
Claims (9)
1.一种基于多尺度卷积神经网络的强降雨及雷暴预报方法,其特征在于,包括以下步骤:
获取原始雷达回波数据;
对所述原始雷达回波数据进行预处理,得到雷达回波时间序列图像;
取任意三帧连续发生的雷达回波时间序列图像,通过构建的雷达回波卷积神经网络推演下一帧雷达回波图;
通过光流场法和线性插值法来推断出一分钟内的雷达回波变化。
2.根据权利要求1所述的基于多尺度卷积神经网络的强降雨及雷暴预报方法,其特征在于,所述二维雷达回波数据在每一点的取值为该点在第三维度上的最大值。
3.根据权利要求1所述的基于多尺度卷积神经网络的强降雨及雷暴预报方法,其特征在于,所述对原始雷达回波数据进行预处理,得到雷达回波时间序列图像,包括以下步骤:
将三维空间中的雷达回波映射到二维地理空间,得到二维雷达回波数据;
按时间序列对所述二维雷达回波数据进行排序,得到雷达回波时间序列图像。
4.根据权利要求1所述的基于多尺度卷积神经网络的强降雨及雷暴预报方法,其特征在于,所述雷达回波卷积神经网络的构建,包括以下步骤:
在雷达回波时间序列图像中取连续的四帧历史雷达回波序列;
取前面三帧作为输入,第四帧作为输出;
构造卷积网络,通过前面三帧图像的变化,来推演第三帧图像到第四帧图像的变化。
5.根据权利要求4所述的基于多尺度卷积神经网络的强降雨及雷暴预报方法,其特征在于,还包括:将推演得到的下一帧雷达回波图加入到所述雷达回波时间序列图像中,并删除所述雷达回波时间序列图像中最早时间点的雷达回拨图。
6.一种基于多尺度卷积神经网络的强降雨及雷暴预报系统,其特征在于,包括:
获取模块,用于获取原始雷达回波数据;
预处理模块,用于对所述原始雷达回波数据进行预处理,得到雷达回波时间序列图像;
推演模块,用于取任意三帧连续发生的雷达回波时间序列图像,通过构建的雷达回波卷积神经网络推演下一帧雷达回波图;
差值计算模块,用于通过光流场法和线性插值法来推断出一分钟内的雷达回波变化。
7.根据权利要求6所述的基于多尺度卷积神经网络的强降雨及雷暴预报系统,其特征在于,所述预处理模块包括:
维度转换模块,用于将三维空间中的雷达回波映射到二维地理空间,得到二维雷达回波数据;
排序模块,用于按时间序列对所述二维雷达回波数据进行排序,得到雷达回波时间序列图像。
8.根据权利要求6所述的基于多尺度卷积神经网络的强降雨及雷暴预报系统,其特征在于,还包括神经网络构建模块,用于雷达回波卷积神经网络的构建;所述神经网络构建模块包括:
提取模块,用于在雷达回波时间序列图像中取连续的四帧历史雷达回波序列;取前面三帧作为输入,第四帧作为输出;
构造模块,用于构造卷积网络,通过前面三帧图像的变化,来推演第三帧图像到第四帧图像的变化。
9.根据权利要求8所述的基于多尺度卷积神经网络的强降雨及雷暴预报系统,其特征在于,还包括更新模块,用于将推演得到的下一帧雷达回波图加入到所述雷达回波时间序列图像中,并删除所述雷达回波时间序列图像中最早时间点的雷达回拨图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810112359.6A CN108508505B (zh) | 2018-02-05 | 2018-02-05 | 基于多尺度卷积神经网络的强降雨及雷暴预报方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810112359.6A CN108508505B (zh) | 2018-02-05 | 2018-02-05 | 基于多尺度卷积神经网络的强降雨及雷暴预报方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108508505A true CN108508505A (zh) | 2018-09-07 |
CN108508505B CN108508505B (zh) | 2020-12-15 |
Family
ID=63375554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810112359.6A Active CN108508505B (zh) | 2018-02-05 | 2018-02-05 | 基于多尺度卷积神经网络的强降雨及雷暴预报方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108508505B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110221360A (zh) * | 2019-07-25 | 2019-09-10 | 广东电网有限责任公司 | 一种电力线路雷暴预警方法及系统 |
CN110222828A (zh) * | 2019-06-12 | 2019-09-10 | 西安交通大学 | 一种基于混合深度神经网络的非定常流场快速预测方法 |
CN110824481A (zh) * | 2019-10-28 | 2020-02-21 | 兰州大方电子有限责任公司 | 一种基于雷达反射率外推的定量降水预测方法 |
CN110824587A (zh) * | 2019-11-01 | 2020-02-21 | 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 |
CN110956677A (zh) * | 2019-12-13 | 2020-04-03 | 上海眼控科技股份有限公司 | 雷达图的预测方法、装置、计算机设备和存储介质 |
CN110967695A (zh) * | 2019-10-28 | 2020-04-07 | 兰州大方电子有限责任公司 | 一种基于深度学习的雷达回波外推短临预报方法 |
CN110989040A (zh) * | 2019-11-29 | 2020-04-10 | 张烨方 | 一种基于切片处理的人工智能雷电临近预警方法及系统 |
CN111062410A (zh) * | 2019-11-05 | 2020-04-24 | 复旦大学 | 基于深度学习的星型信息桥气象预测方法 |
CN111142109A (zh) * | 2019-12-30 | 2020-05-12 | 上海眼控科技股份有限公司 | 标记方法、装置、计算机设备和存储介质 |
CN111158068A (zh) * | 2019-12-31 | 2020-05-15 | 哈尔滨工业大学(深圳) | 一种基于简单卷积循环神经网络的短临预报方法及系统 |
CN111458769A (zh) * | 2020-05-26 | 2020-07-28 | 南京大学 | 用于输电线路环境气象数据预测的方法及系统 |
CN111487624A (zh) * | 2020-04-23 | 2020-08-04 | 上海眼控科技股份有限公司 | 一种预测降雨量的方法与设备 |
CN111708030A (zh) * | 2020-05-28 | 2020-09-25 | 深圳市气象局(深圳市气象台) | 基于能量生成对抗性预测器的灾害天气预报方法 |
CN111736157A (zh) * | 2020-08-26 | 2020-10-02 | 蔻斯科技(上海)有限公司 | 基于ppi数据的临近预报的预测方法及设备 |
CN111832828A (zh) * | 2020-07-17 | 2020-10-27 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于风云四号气象卫星的智能降水预测方法 |
CN112418481A (zh) * | 2020-10-21 | 2021-02-26 | 上海眼控科技股份有限公司 | 雷达回波图预测方法、装置、计算机设备和存储介质 |
CN113239722A (zh) * | 2021-03-31 | 2021-08-10 | 成都信息工程大学 | 基于深度学习在多尺度下的强对流外推方法及系统 |
US11131790B2 (en) | 2019-03-25 | 2021-09-28 | Yandex Europe Ag | Method of and system for generating weather forecast |
CN113657477A (zh) * | 2021-08-10 | 2021-11-16 | 南宁五加五科技有限公司 | 一种短临降水的预报方法、装置及系统 |
US11561326B1 (en) * | 2018-06-14 | 2023-01-24 | ACME Atronomatic, LLC | System and method for generating accurate hyperlocal nowcasts |
CN117233870A (zh) * | 2023-11-15 | 2023-12-15 | 南京信息工程大学 | 一种基于多气象要素的短临降水集合预报及降尺度方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886023A (zh) * | 2017-02-27 | 2017-06-23 | 中国人民解放军理工大学 | 一种基于动态卷积神经网络的雷达回波外推方法 |
US20170357029A1 (en) * | 2016-06-14 | 2017-12-14 | The Climate Corporation | Supervised neural network to predict unlabeled rain rates |
CN107632295A (zh) * | 2017-09-15 | 2018-01-26 | 广东工业大学 | 一种基于时序卷积神经网络的雷达回波外推方法 |
-
2018
- 2018-02-05 CN CN201810112359.6A patent/CN108508505B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170357029A1 (en) * | 2016-06-14 | 2017-12-14 | The Climate Corporation | Supervised neural network to predict unlabeled rain rates |
CN106886023A (zh) * | 2017-02-27 | 2017-06-23 | 中国人民解放军理工大学 | 一种基于动态卷积神经网络的雷达回波外推方法 |
CN107632295A (zh) * | 2017-09-15 | 2018-01-26 | 广东工业大学 | 一种基于时序卷积神经网络的雷达回波外推方法 |
Non-Patent Citations (1)
Title |
---|
王敏: "插值拟合方法在雷达图像外推预报中的应用", 《科技信息》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11561326B1 (en) * | 2018-06-14 | 2023-01-24 | ACME Atronomatic, LLC | System and method for generating accurate hyperlocal nowcasts |
RU2757591C1 (ru) * | 2019-03-25 | 2021-10-19 | Общество С Ограниченной Ответственностью «Яндекс» | Способ и система для формирования прогноза погоды |
US11131790B2 (en) | 2019-03-25 | 2021-09-28 | Yandex Europe Ag | Method of and system for generating weather forecast |
CN110222828A (zh) * | 2019-06-12 | 2019-09-10 | 西安交通大学 | 一种基于混合深度神经网络的非定常流场快速预测方法 |
CN110221360A (zh) * | 2019-07-25 | 2019-09-10 | 广东电网有限责任公司 | 一种电力线路雷暴预警方法及系统 |
CN110967695A (zh) * | 2019-10-28 | 2020-04-07 | 兰州大方电子有限责任公司 | 一种基于深度学习的雷达回波外推短临预报方法 |
CN110824481A (zh) * | 2019-10-28 | 2020-02-21 | 兰州大方电子有限责任公司 | 一种基于雷达反射率外推的定量降水预测方法 |
CN110824587B (zh) * | 2019-11-01 | 2021-02-09 | 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 |
CN110824587A (zh) * | 2019-11-01 | 2020-02-21 | 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 |
CN111062410A (zh) * | 2019-11-05 | 2020-04-24 | 复旦大学 | 基于深度学习的星型信息桥气象预测方法 |
CN110989040A (zh) * | 2019-11-29 | 2020-04-10 | 张烨方 | 一种基于切片处理的人工智能雷电临近预警方法及系统 |
CN110989040B (zh) * | 2019-11-29 | 2021-11-30 | 张烨方 | 一种基于切片处理的人工智能雷电临近预警方法及系统 |
CN110956677A (zh) * | 2019-12-13 | 2020-04-03 | 上海眼控科技股份有限公司 | 雷达图的预测方法、装置、计算机设备和存储介质 |
CN111142109A (zh) * | 2019-12-30 | 2020-05-12 | 上海眼控科技股份有限公司 | 标记方法、装置、计算机设备和存储介质 |
CN111158068A (zh) * | 2019-12-31 | 2020-05-15 | 哈尔滨工业大学(深圳) | 一种基于简单卷积循环神经网络的短临预报方法及系统 |
CN111158068B (zh) * | 2019-12-31 | 2022-09-23 | 哈尔滨工业大学(深圳) | 一种基于简单卷积循环神经网络的短临预报方法及系统 |
CN111487624A (zh) * | 2020-04-23 | 2020-08-04 | 上海眼控科技股份有限公司 | 一种预测降雨量的方法与设备 |
CN111458769A (zh) * | 2020-05-26 | 2020-07-28 | 南京大学 | 用于输电线路环境气象数据预测的方法及系统 |
CN111708030B (zh) * | 2020-05-28 | 2024-05-14 | 深圳市气象局(深圳市气象台) | 基于能量生成对抗性预测器的灾害天气预报方法 |
CN111708030A (zh) * | 2020-05-28 | 2020-09-25 | 深圳市气象局(深圳市气象台) | 基于能量生成对抗性预测器的灾害天气预报方法 |
CN111832828A (zh) * | 2020-07-17 | 2020-10-27 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于风云四号气象卫星的智能降水预测方法 |
CN111832828B (zh) * | 2020-07-17 | 2023-12-19 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于风云四号气象卫星的智能降水预测方法 |
CN111736157B (zh) * | 2020-08-26 | 2021-01-05 | 蔻斯科技(上海)有限公司 | 基于ppi数据的临近预报的预测方法及设备 |
CN111736157A (zh) * | 2020-08-26 | 2020-10-02 | 蔻斯科技(上海)有限公司 | 基于ppi数据的临近预报的预测方法及设备 |
CN112418481A (zh) * | 2020-10-21 | 2021-02-26 | 上海眼控科技股份有限公司 | 雷达回波图预测方法、装置、计算机设备和存储介质 |
CN113239722A (zh) * | 2021-03-31 | 2021-08-10 | 成都信息工程大学 | 基于深度学习在多尺度下的强对流外推方法及系统 |
CN113657477A (zh) * | 2021-08-10 | 2021-11-16 | 南宁五加五科技有限公司 | 一种短临降水的预报方法、装置及系统 |
CN113657477B (zh) * | 2021-08-10 | 2022-04-08 | 南宁五加五科技有限公司 | 一种短临降水的预报方法、装置及系统 |
CN117233870A (zh) * | 2023-11-15 | 2023-12-15 | 南京信息工程大学 | 一种基于多气象要素的短临降水集合预报及降尺度方法 |
CN117233870B (zh) * | 2023-11-15 | 2024-01-23 | 南京信息工程大学 | 一种基于多气象要素的短临降水集合预报及降尺度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108508505B (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108508505A (zh) | 基于多尺度卷积神经网络的强降雨及雷暴预报方法和系统 | |
US20220043182A1 (en) | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data | |
CN107403073B (zh) | 一种基于数据同化改进预报降雨的集合洪水预报方法 | |
CN110363327A (zh) | 基于ConvLSTM和3D-CNN的短临降水预测方法 | |
CN111158068B (zh) | 一种基于简单卷积循环神经网络的短临预报方法及系统 | |
CN110083977A (zh) | 一种基于深度学习的大气湍流监测方法 | |
Saxena et al. | A review study of weather forecasting using artificial neural network approach | |
CN114049545B (zh) | 一种基于点云体素的台风定强方法、系统、设备及介质 | |
CN111856621B (zh) | 一种基于模式与观测数据融合的集成演变svd转换方法 | |
CN109407177B (zh) | 基于机器学习与常规气象观测的大雾识别系统和应用方法 | |
CN113435630B (zh) | 一种产流模式自适应的流域水文预报方法及系统 | |
CN115951014A (zh) | 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法 | |
CN111611541A (zh) | 基于Copula函数的无资料地区降水数据推求方法及系统 | |
Liu et al. | Estimation of precipitation induced by tropical cyclones based on machine‐learning‐enhanced analogue identification of numerical prediction | |
Che et al. | ED-DRAP: Encoder–decoder deep residual attention prediction network for radar echoes | |
WO2024160175A1 (zh) | 一种气象卫星数据集生成方法、装置及其终端设备 | |
CN116467933A (zh) | 基于深度学习的风暴潮增水预测方法及系统 | |
CN110046756A (zh) | 基于小波去噪与Catboost的短时天气预报方法 | |
CN112363140A (zh) | 一种基于循环神经网络的热力约束外推客观订正方法 | |
CN107944466A (zh) | 一种基于分段思想的降雨偏差纠正方法 | |
CN105224801A (zh) | 一种多因子水库入库流量短期预报评价方法 | |
CN117849902A (zh) | 一种时空双订正高分辨次季节网格集合降水预报释用方法 | |
CN117277304A (zh) | 考虑日出日落时间的光伏发电超短期功率预测方法、系统 | |
CN111622274A (zh) | 山区巨粒土高填方地基基础沉降预测方法及系统 | |
CN114612751B (zh) | 一种基于语义学习的整机点云数据的下采样方法 |
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 |