CN110033132A - 基于深度目标检测和数值天气预报的热带气旋预报方法 - Google Patents
基于深度目标检测和数值天气预报的热带气旋预报方法 Download PDFInfo
- Publication number
- CN110033132A CN110033132A CN201910251552.2A CN201910251552A CN110033132A CN 110033132 A CN110033132 A CN 110033132A CN 201910251552 A CN201910251552 A CN 201910251552A CN 110033132 A CN110033132 A CN 110033132A
- Authority
- CN
- China
- Prior art keywords
- tropical cyclone
- forecast
- tropical
- cyclone
- model
- 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
- 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
- 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"
-
- 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
Abstract
本发明公开了一种基于深度目标检测和数值天气预报的热带气旋预报方法,包括:根据热带气旋历史记录组合历史数值天气预报产品中的多个预报要素,构建训练数据集;根据所述训练数据集,对深度目标检测模型进行训练从而获取模型参数,将训练得到的模型作为热带气旋识别模型;根据热带气旋识别模型,从实时数值天气预报产品预报场中识别出热带气旋的中心位置和尺度,作为预报结果进行输出。通过本发明实现了对热带气旋的路径和尺度的准确预测,对热带气旋的路径和尺度的准确预测对于预防和减轻相关灾害具有重要作用。
Description
技术领域
本发明属于气象技术领域,尤其涉及一种基于深度目标检测和数值天气预报的热带气旋预报方法。
背景技术
在现代天气预报业务中,数值天气预报具有越来越重要的地位,数值天气预报是根据大气实际情况,在一定初值和边值条件下,通过数值计算,求解描写天气演变过程的流体力学和热力学方程组,并对未来做出定量和客观的预报。通过数值预报方法获得的各种分析和预报产品称为数值天气预报产品。随着数值天气预报的发展,包括温、压、湿、风等气象要素均可通过数值天气预报产品获取未来数小时至数十小时的预报结论。全世界已有30多个国家和地区具备数值天气预报制作能力。
在业务应用中,气象预报员对热带气旋的预报一般采用基于经验的主观预报法和基于数值模式的客观预报方法,随着数值天气预报的发展,基于数值模式的热带气旋预报逐渐体现出越来越大的优势,但对于热带气旋的预报不是中长期数值预报的基础输出要素,而是需要使用特定热带气旋模型根据基础数值模式要素中的涡度、气压或风场等基础要素根据相关物理意义进行二次计算,需要消耗较多的计算资源,资源受限的用户难以进行本地处理,且会筛选出较多的候选结果,需要进一步结合实况信息进行判断。
发明内容
本发明的技术解决问题:克服现有技术的不足,提供一种基于深度目标检测和数值天气预报的热带气旋预报方法,旨在实现对热带气旋的路径和尺度的预测。
为了解决上述技术问题,本发明公开了一种基于深度目标检测和数值天气预报的热带气旋预报方法,包括:
根据热带气旋历史记录组合历史数值天气预报产品中的多个预报要素,构建训练数据集;
根据所述训练数据集,对深度目标检测模型进行训练从而获取模型参数,将训练得到的模型作为热带气旋识别模型;
根据热带气旋识别模型,从实时数值天气预报产品预报场中识别出热带气旋的中心位置和尺度,作为预报结果进行输出。
在上述基于深度目标检测和数值天气预报的热带气旋预报方法中,所述根据热带气旋历史记录组合历史数值天气预报产品中的多个预报要素,构建训练数据集,包括:
从热带气旋历史记录中筛选得到历史热带气旋的路径和尺度;
选取各热带气旋历史记录对应的历史数值天气预报区域产品;
将所述历史热带气旋的路径和尺度转换为针对所述选取的各热带气旋历史记录对应的历史数值天气预报区域产品的标注,得到训练数据集。
在上述基于深度目标检测和数值天气预报的热带气旋预报方法中,所述从热带气旋历史记录中筛选得到历史热带气旋的路径和尺度,包括:
获取热带气旋历史记录;
从所述热带气旋历史记录筛选得到历史热带气旋的路径和尺度,构建得到记录集D={Pi,Si|i∈1..n};其中,Pi表示第i个热带气旋的最佳路径,Pi={aij|j∈1..m},aij表示第i个热带气旋路径中处于第j个时次时的气旋中心位置坐标;Si表示第i个热带气旋的尺度半径范围,Si={rij|j∈1..m},rij表示第i个热带气旋路径中第j个时次位置时的尺度范围。
在上述基于深度目标检测和数值天气预报的热带气旋预报方法中,所述选取各热带气旋历史记录对应的历史数值天气预报区域产品,包括:
从所述记录集D中提取得到汇集所有热带气旋记录时次的时次集T={tj|j∈1..m};
从历史数值天气预报区域产品中筛选得到时次为t∈T的数值天气预报分析场产品;
从所述筛选得到的时次为t∈T的数值天气预报分析场产品中截取特定要素、特定时间点、特定区域和特点层次的样本数据片段Ela_t,作为所述各热带气旋历史记录对应的历史数值天气预报区域产品。
在上述基于深度目标检测和数值天气预报的热带气旋预报方法中,所述将所述历史热带气旋的路径和尺度转换为针对所述选取的各热带气旋历史记录对应的历史数值天气预报区域产品的标注,得到训练数据集,包括:
令:记录集D中的aij和rij对应的热带气旋标注区域的四个顶点为:
(x-rij,y-rij)
(x+rij,y-rij)
(x+rij,y+rij)
(x-rij,y+rij)
其中,x表示热带气旋中心经度坐标,y表示热带气旋中心纬度坐标;
将记录集D中的aij和rij对应的热带气旋标注区域的四个顶点作为j时次样本数据片段Ela_t的一个标注区域;
重复上述过程直至将记录集D中的所有数据全部形成标注区域,得到训练数据集。
在上述基于深度目标检测和数值天气预报的热带气旋预报方法中,所述根据热带气旋识别模型,从实时数值天气预报产品预报场中识别出热带气旋的中心位置和尺度,作为预报结果进行输出,包括:
选择一深度目标检测模型;
将所述训练数据集中的数据转换为所述深度目标检测网络模型可识别的待训练数据;
将所述深度目标检测模型可识别的待训练数据作为所述深度目标检测模型的数据输入,经多轮迭代循环后得到热带气旋识别模型。
在上述基于深度目标检测和数值天气预报的热带气旋预报方法中,深度目标检测模型,包括:
R-CNN模型、Fast R-CNN模型、Faster R-CNN模型、SSD模型和YOLO模型。
在上述基于深度目标检测和数值天气预报的热带气旋预报方法中,所述根据热带气旋识别模型,从实时数值天气预报产品预报场中识别出热带气旋的中心位置和尺度,作为预报结果进行输出,包括:
从实时数值天气预报产品预报场中,提取得到与所述训练数据集具有相同要素、相同区域和相同层次的数据片段Ela;
将所述提取得到的数据片段Ela作为所述热带气旋识别模型的数据输入,通过所述热带气旋识别模型,输出热带气旋候选结果;
将所述热带气旋候选结果与历史热带气旋的路径和尺度进行匹配识别,得到匹配识别结果;
将根据所述匹配识别结果确定的热带气旋的中心位置和尺度作为预报结果进行输出。
本发明具有以下优点:
本发明利用深度学习网络的非线性映射能力和对栅格数据的信息提取能力,基于深度目标检测方法,依赖历史热带气旋路径和尺度记录以及数值天气预报产品,实现了对热带气旋的路径和尺度的预测。传统的基于数值天气预报产品的热带气旋解释预报需要根据热带气旋理论模型,选择基础数值模式要素中的涡度、气压或风场等基础要素根据相关物理意义进行二次计算,需要消耗较多的计算资源,资源受限的用户难以进行本地处理,且会产生较多的候选结果,需要依赖实况数据进行筛检。本发明因为采用了新兴深度学习领域的目标识别方法,直接采用端到端的方法从多种数值预报产品要素场中识别出热带气旋的局部特征,避免了人为筛选识别指标的主观性,开辟了一种新的从数值天气预报产品中识别和预测热带气旋的新思路,实验表明在特定场景下该方法比传统的热带气旋解释预报方法有更高的查准率、召回率和影响范围覆盖准确率,且训练后的模型直接进行端到端检测与预报,与传统解释预报方法逐点计算相比,执行预测的运行效率更高。
附图说明
图1是本发明实施例中一种基于深度目标检测和数值天气预报的热带气旋预报方法的步骤流程图;
图2是本发明实施例中一种热带气旋标注区域示意图;
图3是本发明实施例中一种预报结果输出示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明公开的实施方式作进一步详细描述。
如图1,在本实施例中,该基于深度目标检测和数值天气预报的热带气旋预报方法,包括:
步骤101,根据热带气旋历史记录组合历史数值天气预报产品中的多个预报要素,构建训练数据集。
在本实施例中,具体可以通过如下子步骤构建所述训练数据集:
子步骤1011,从热带气旋历史记录中筛选得到历史热带气旋的路径和尺度。
在本实施例中,可以先获取热带气旋历史记录;然后,从所述热带气旋历史记录筛选得到历史热带气旋的路径和尺度,构建得到记录集D。
记录集D={Pi,Si|i∈1..n}。其中,Pi表示第i个热带气旋的最佳路径,Pi={aij|j∈1..m},aij表示第i个热带气旋路径中处于第j个时次时的气旋中心位置坐标;Si表示第i个热带气旋的尺度半径范围,Si={rij|j∈1..m},rij表示第i个热带气旋路径中第j个时次位置时的尺度范围。
子步骤1012,选取各热带气旋历史记录对应的历史数值天气预报区域产品。
在本实施例中,可以从所述记录集D中提取得到汇集所有热带气旋记录时次的时次集T={tj|j∈1..m};然后,从历史数值天气预报区域产品中筛选得到时次为t∈T的数值天气预报分析场产品;最后,从所述筛选得到的时次为t∈T的数值天气预报分析场产品中截取特定要素、特定时间点、特定区域和特点层次的样本数据片段Ela_t,作为所述各热带气旋历史记录对应的历史数值天气预报区域产品。
优选的,特定要素(E)包括但不仅限于:东西风分量、南北风分量、高度场、气压场等与热带气旋相关的气象要素或要素组合。
子步骤1013,将所述历史热带气旋的路径和尺度转换为针对所述选取的各热带气旋历史记录对应的历史数值天气预报区域产品的标注,得到训练数据集。
在本实施例中,可以令:记录集D中的aij和rij对应的热带气旋标注区域的四个顶点为:
(x-rij,y-rij)
(x+rij,y-rij)
(x+rij,y+rij)
(x-rij,y+rij)
其中,x热带气旋中心经度坐标,y表示热带气旋中心纬度坐标。
将记录集D中的aij和rij对应的热带气旋标注区域的四个顶点作为j时次样本数据片段Ela_t的一个标注区域。
重复上述过程直至将记录集D中的所有数据全部形成标注区域,得到训练数据集。
步骤102,根据所述训练数据集,对深度目标检测模型进行训练从而获取模型参数,将训练得到的模型作为热带气旋识别模型。
在本实施例中,可以从R-CNN模型、Fast R-CNN模型、Faster R-CNN模型、SSD模型和YOLO等深度目标检测模型中选择一种作为深度目标检测模型;然后,将所述训练数据集中的数据转换为所述深度目标检测模型可识别的待训练数据;最后,将所述深度目标检测网络模型可识别的待训练数据作为所述深度目标检测模型的数据输入,经多轮迭代循环确定模型参数后得到热带气旋识别模型。
步骤103,根据热带气旋识别模型,从实时数值天气预报产品预报场中识别出热带气旋的中心位置和尺度,作为预报结果进行输出。
在本实施例中,可以从实时数值天气预报产品预报场中,提取得到与所述训练数据集具有相同要素、相同区域和相同层次的数据片段Ela;将所述提取得到的数据片段Ela作为所述热带气旋识别模型的数据输入,通过所述热带气旋识别模型,输出热带气旋候选结果;将所述热带气旋候选结果与历史热带气旋的路径和尺度进行匹配识别,得到匹配识别结果;将根据所述匹配识别结果确定的热带气旋的中心位置和尺度作为预报结果进行输出。
在上述实施例的基础上,下面结合一个具体实例进行说明。
在本实施例中,历史数值天气预报产品选用欧洲气象中心提供的细网格数值天气预报产品中的850百帕东西风场产品和南北风场产品,产品格距为0.25°×0.25°,选取产品覆盖范围为西北太平洋区域(北纬90°~北纬0°、东经100°~西经180°)。热带气旋历史记录采用美国联合台风警报中心(Joint Typhoon Warning Center)提供的2008~2016年台风最佳路径及尺度数据集。
热带气旋预报的具体实现流程如下:
(1)基于热带气旋历史记录和历史数值天气预报产品,构建训练数据集。
首先,选取美国联合台风警报中心(JTWC,Joint Typhoon Warning Center)提供的2008~2016年热带气旋最佳路径及尺度数据集。该数据集按年份和台风编号记录了当年所有西北太平洋的热带气旋的路径和尺度信息,例如:2008年二号热带气旋路径中在2008年4月16日世界时0时的路径位置为(13.3N,113E),外沿尺度160海里。即a2008-2,2008041600=(13.3N,113E),r2008-2,2008041600=160。
然后,选取热带气旋历史记录时次对应的历史数值天气预报产品。对于JTWC热带气旋的路径和尺度的历史记录集中每一个路径时间点,如2008年二号热带气旋路径中在2008年4月16日世界时0时的记录点,提取欧洲气象中心2008年4月16日世界时0时发布的数值天气预报分析场中850百帕东西风分量和南北风分量产品,该产品格距为0.25°×0.25°,截取产品中西北太平洋区域(北纬90°~北纬0°、东经100°~西经180°)的数据段UV2008041600存入指定应的文件目录“TrainProduct”中。
重复上述过程直至将所有热带气旋历史记录时次对应的数值天气预报数据片段均存入目录“Product”中。
最后,将历史热带气旋路径和尺度记录转换为针对特定时次数值预报产品的标注。对于热带气旋的路径记录上的点aij以及对应的尺度rij,对应的热带气旋标注区域的四个顶点为(x-rij,y-rij)、(x+rij,y-rij)、(x+rij,y+rij)、(x-rij,y+rij),将四个顶点作为j时次数据片段Ela_t的一个标注区域。例如,针对2008年二号热带气旋路径中在2008年4月16日世界时0时的路径位置为(13.3°,113°),外沿尺度160海里(经度方向约1.98°,纬度方向约2.0°)。路径位置为(13.3°,113°)对应的热带气旋标注区域的四个顶点为(122.72,7.20)、(126.68,7.20)、(126.68,11.20)、(122.72,11.20),记录为如下格式“2008041600.dat tc122.72 7.20 126.68 11.20”,标注边框如图2中的黑色框所示(为便于观察,图2中叠加了850百帕的风流线场)。重复上述过程直到将所有历史记录全部形成标注区域。
(2)构建深度目标检测模型并训练模型参数
首先,可选择Faster R-CNN作为深度目标检测模型。Faster R-CNN的工作流程如下:将待识别的数据(如,数值天气预报产品数据)输入一个深度卷积神经网络,将得到特征图输入一个区域建议网络,区域建议网络同样使用深度卷积网络计算得到的特征,寻找到预设好数量的可能包含目标的区域边框,最后,对边框内的内容进行分类(若不含任何待识别物体则舍弃),并通过回归算法调整边框的坐标使之更好的包含目标。
需要说明的是,其它类型的用于深度目标检测的模型及其各类变种亦可使用于本发明,在此不做限制。
其中,将前述得到的标注区域数据转换为模型可识别的训练数据。以目标检测模型通常使用Pascal VOC2007格式为例,为了将数据导入模型形成训练数据,需要将步骤1.3获取的标注区域信息,如“2008041600.dat tc 122.72 7.20 126.68 11.20”,转换为该格式。
优选的,Pascal VOC2007数据集中包含以下几个文件夹:
“JPEGImages”文件夹:包含所有步骤1.2中存放于“Product”目录下的数值天气预报数据片段,包括训练数据和测试数据。
“Annotations”文件夹:存放xml格式的标签文件,每个xml文件都对应于JPEGImages文件夹的一个数据文件。
“ImagesSets”文件夹:存放数据集中每一种类型图片的信息。其中“main”下存放的是热带气旋的类型)。
最后,将生成的训练数据作为深度目标检测模型的数据输入,经多轮迭代循环后得到较优的模型参数,进而构建得到热带气旋识别模型。
(3)进行热带气旋预报
首先,提取实时数值天气预报产品预报场中与历史训练集相同要素E、相同层次l、相同区域a的数据段Ela。例如,提取欧洲气象中心2016年8月22日世界时0时发布的数值天气预报在2016年8月22日世界时6时的预报场中850百帕东西风分量和南北风分量产品,格距为0.25°×0.25°,截取产品中西北太平洋区域(北纬90°~北纬0°、东经100°~西经180°)的数据段UV2016082206存入指定应的文件目录“ForcastProduct”中。
然后,将实时数值天气预报预报场数据作为输入数据,运行热带气旋识别模型,得到预报的热带气旋范围候选结果,结合热带气旋早期路径作为结果进行输出。将数值天气预报预报场片段数据UV2016082206作为模型的输入数据,运行步骤2训练后的深度学习网络模型,获取多个热带气旋识别候选结果,结合世界时2016年8月22日0点观测到的实际热带气旋(10号和12号热带风暴)位置,得到世界时2016年8月22日06点,西北太平洋区域的热带气旋的识别边框信息,作为预报结果进行输出,如图3中的黑色框所示。
本说明中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
以上所述,仅为本发明最佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。
Claims (8)
1.一种基于深度目标检测和数值天气预报的热带气旋预报方法,其特征在于,包括:
根据热带气旋历史记录组合历史数值天气预报产品中的多个预报要素,构建训练数据集;
根据所述训练数据集,对深度目标检测模型进行训练从而获取模型参数,将训练得到的模型作为热带气旋识别模型;
根据热带气旋识别模型,从实时数值天气预报产品预报场中识别出热带气旋的中心位置和尺度,作为预报结果进行输出。
2.根据权利要求1所述的基于深度目标检测和数值天气预报的热带气旋预报方法,其特征在于,所述根据热带气旋历史记录组合历史数值天气预报产品中的多个预报要素,构建训练数据集,包括:
从热带气旋历史记录中筛选得到历史热带气旋的路径和尺度;
选取各热带气旋历史记录对应的历史数值天气预报区域产品;
将所述历史热带气旋的路径和尺度转换为针对所述选取的各热带气旋历史记录对应的历史数值天气预报区域产品的标注,得到训练数据集。
3.根据权利要求2所述的基于深度目标检测和数值天气预报的热带气旋预报方法,其特征在于,所述从热带气旋历史记录中筛选得到历史热带气旋的路径和尺度,包括:
获取热带气旋历史记录;
从所述热带气旋历史记录筛选得到历史热带气旋的路径和尺度,构建得到记录集D={Pi,Si|i∈1..n};其中,Pi表示第i个热带气旋的最佳路径,Pi={aij|j∈1..m},aij表示第i个热带气旋路径中处于第j个时次时的气旋中心位置坐标;Si表示第i个热带气旋的尺度半径范围,Si={rij|j∈1..m},rij表示第i个热带气旋路径中第j个时次位置时的尺度范围。
4.根据权利要求3所述的基于深度目标检测和数值天气预报的热带气旋预报方法,其特征在于,所述选取各热带气旋历史记录对应的历史数值天气预报区域产品,包括:
从所述记录集D中提取得到汇集所有热带气旋记录时次的时次集T={tj|j∈1..m};
从历史数值天气预报区域产品中筛选得到时次为t∈T的数值天气预报分析场产品;
从所述筛选得到的时次为t∈T的数值天气预报分析场产品中截取特定要素、特定时间点、特定区域和特点层次的样本数据片段Ela_t,作为所述各热带气旋历史记录对应的历史数值天气预报区域产品。
5.根据权利要求4所述的基于深度目标检测和数值天气预报的热带气旋预报方法,其特征在于,所述将所述历史热带气旋的路径和尺度转换为针对所述选取的各热带气旋历史记录对应的历史数值天气预报区域产品的标注,得到训练数据集,包括:
令:记录集D中的aij和rij对应的热带气旋标注区域的四个顶点为:
(x-rij,y-rij)
(x+rij,y-rij)
(x+rij,y+rij)
(x-rij,y+rij)
其中,x表示热带气旋中心经度坐标,y表示热带气旋中心纬度坐标;
将记录集D中的aij和rij对应的热带气旋标注区域的四个顶点作为j时次样本数据片段Ela_t的一个标注区域;
重复上述过程直至将记录集D中的所有数据全部形成标注区域,得到训练数据集。
6.根据权利要求1所述的基于深度目标检测和数值天气预报的热带气旋预报方法,其特征在于,所述根据热带气旋识别模型,从实时数值天气预报产品预报场中识别出热带气旋的中心位置和尺度,作为预报结果进行输出,包括:
选择一深度目标检测模型;
将所述训练数据集中的数据转换为所述深度目标检测网络模型可识别的待训练数据;
将所述深度目标检测模型可识别的待训练数据作为所述深度目标检测模型的数据输入,经多轮迭代循环后得到热带气旋识别模型。
7.根据权利要求6所述的基于深度目标检测和数值天气预报的热带气旋预报方法,其特征在于,深度目标检测模型,包括:
R-CNN模型、Fast R-CNN模型、Faster R-CNN模型、SSD模型和YOLO模型。
8.根据权利要求1所述的基于深度目标检测和数值天气预报的热带气旋预报方法,其特征在于,所述根据热带气旋识别模型,从实时数值天气预报产品预报场中识别出热带气旋的中心位置和尺度,作为预报结果进行输出,包括:
从实时数值天气预报产品预报场中,提取得到与所述训练数据集具有相同要素、相同区域和相同层次的数据片段Ela;
将所述提取得到的数据片段Ela作为所述热带气旋识别模型的数据输入,通过所述热带气旋识别模型,输出热带气旋候选结果;
将所述热带气旋候选结果与历史热带气旋的路径和尺度进行匹配识别,得到匹配识别结果;
将根据所述匹配识别结果确定的热带气旋的中心位置和尺度作为预报结果进行输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910251552.2A CN110033132B (zh) | 2019-03-29 | 2019-03-29 | 基于深度目标检测和数值天气预报的热带气旋预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910251552.2A CN110033132B (zh) | 2019-03-29 | 2019-03-29 | 基于深度目标检测和数值天气预报的热带气旋预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110033132A true CN110033132A (zh) | 2019-07-19 |
CN110033132B CN110033132B (zh) | 2021-06-11 |
Family
ID=67237049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910251552.2A Active CN110033132B (zh) | 2019-03-29 | 2019-03-29 | 基于深度目标检测和数值天气预报的热带气旋预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110033132B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110874630A (zh) * | 2019-10-23 | 2020-03-10 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习的数值模式产品降尺度精细化方法 |
CN111208586A (zh) * | 2020-01-20 | 2020-05-29 | 山东超越数控电子股份有限公司 | 基于中尺度海气耦合模式的天气预报方法及系统 |
CN111462230A (zh) * | 2020-02-18 | 2020-07-28 | 天津大学 | 一种基于深度强化学习的台风中心定位方法 |
CN111723929A (zh) * | 2020-05-08 | 2020-09-29 | 广州华工中云信息技术有限公司 | 一种基于神经网络的数值预报产品订正方法、装置和系统 |
CN111814960A (zh) * | 2020-07-03 | 2020-10-23 | 国家气候中心 | 天气气候系统的识别方法、装置、存储介质及处理器 |
CN113296072A (zh) * | 2021-05-24 | 2021-08-24 | 伍志方 | 一种基于YOLOv3模型的雷暴大风自动识别方法及系统 |
CN113344136A (zh) * | 2021-07-06 | 2021-09-03 | 南京信息工程大学 | 一种基于Mask R-CNN的新反气旋客观识别方法 |
CN113469278A (zh) * | 2021-07-22 | 2021-10-01 | 湖北省气象信息与技术保障中心 | 一种基于深度卷积神经网络的强天气目标识别方法 |
CN113671599A (zh) * | 2021-08-25 | 2021-11-19 | 华北电力大学 | 一种基于全球气候模式的登陆气旋识别方法 |
CN116756522A (zh) * | 2023-08-14 | 2023-09-15 | 中科三清科技有限公司 | 概率预报方法、装置、存储介质及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090070282A1 (en) * | 2005-09-26 | 2009-03-12 | Lockheed Martin Corporation | Method and system of monitoring prognostics |
CN101770516A (zh) * | 2010-01-12 | 2010-07-07 | 深圳先进技术研究院 | 挖掘热带气旋移动轨迹通道方法 |
CN102122005A (zh) * | 2010-12-20 | 2011-07-13 | 福建四创软件有限公司 | 基于gis的台风相似路径空间分析应用方法 |
CN104932035A (zh) * | 2015-05-26 | 2015-09-23 | 中国科学院深圳先进技术研究院 | 一种台风强度预报方法及系统 |
CN105488594A (zh) * | 2015-12-08 | 2016-04-13 | 南京信息工程大学 | 一种台风路径预测方法 |
KR20160094246A (ko) * | 2015-01-30 | 2016-08-09 | 서울대학교산학협력단 | 진로 군집 분류 기반 북대서양 허리케인 진로 예측 방법 |
CN108399469A (zh) * | 2018-01-31 | 2018-08-14 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习和数值天气预报的天气现象预报方法 |
CN109031472A (zh) * | 2017-06-09 | 2018-12-18 | 阿里巴巴集团控股有限公司 | 一种用于气象预测的数据处理方法及装置 |
CN109444989A (zh) * | 2018-12-28 | 2019-03-08 | 中山大学 | 台风预报方法、系统、可读存储介质和设备 |
CN109447260A (zh) * | 2018-10-08 | 2019-03-08 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习的局地数值天气预报产品订正方法 |
-
2019
- 2019-03-29 CN CN201910251552.2A patent/CN110033132B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090070282A1 (en) * | 2005-09-26 | 2009-03-12 | Lockheed Martin Corporation | Method and system of monitoring prognostics |
CN101770516A (zh) * | 2010-01-12 | 2010-07-07 | 深圳先进技术研究院 | 挖掘热带气旋移动轨迹通道方法 |
CN102122005A (zh) * | 2010-12-20 | 2011-07-13 | 福建四创软件有限公司 | 基于gis的台风相似路径空间分析应用方法 |
KR20160094246A (ko) * | 2015-01-30 | 2016-08-09 | 서울대학교산학협력단 | 진로 군집 분류 기반 북대서양 허리케인 진로 예측 방법 |
CN104932035A (zh) * | 2015-05-26 | 2015-09-23 | 中国科学院深圳先进技术研究院 | 一种台风强度预报方法及系统 |
CN105488594A (zh) * | 2015-12-08 | 2016-04-13 | 南京信息工程大学 | 一种台风路径预测方法 |
CN109031472A (zh) * | 2017-06-09 | 2018-12-18 | 阿里巴巴集团控股有限公司 | 一种用于气象预测的数据处理方法及装置 |
CN108399469A (zh) * | 2018-01-31 | 2018-08-14 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习和数值天气预报的天气现象预报方法 |
CN109447260A (zh) * | 2018-10-08 | 2019-03-08 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习的局地数值天气预报产品订正方法 |
CN109444989A (zh) * | 2018-12-28 | 2019-03-08 | 中山大学 | 台风预报方法、系统、可读存储介质和设备 |
Non-Patent Citations (1)
Title |
---|
蒋众名: "基于遥感数据的台风识别与中心定位方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110874630B (zh) * | 2019-10-23 | 2022-12-13 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习的数值模式产品降尺度精细化方法 |
CN110874630A (zh) * | 2019-10-23 | 2020-03-10 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习的数值模式产品降尺度精细化方法 |
CN111208586A (zh) * | 2020-01-20 | 2020-05-29 | 山东超越数控电子股份有限公司 | 基于中尺度海气耦合模式的天气预报方法及系统 |
CN111462230A (zh) * | 2020-02-18 | 2020-07-28 | 天津大学 | 一种基于深度强化学习的台风中心定位方法 |
CN111462230B (zh) * | 2020-02-18 | 2023-08-15 | 天津大学 | 一种基于深度强化学习的台风中心定位方法 |
CN111723929A (zh) * | 2020-05-08 | 2020-09-29 | 广州华工中云信息技术有限公司 | 一种基于神经网络的数值预报产品订正方法、装置和系统 |
CN111814960A (zh) * | 2020-07-03 | 2020-10-23 | 国家气候中心 | 天气气候系统的识别方法、装置、存储介质及处理器 |
CN111814960B (zh) * | 2020-07-03 | 2023-10-24 | 国家气候中心 | 天气气候系统的识别方法、装置、存储介质及处理器 |
CN113296072A (zh) * | 2021-05-24 | 2021-08-24 | 伍志方 | 一种基于YOLOv3模型的雷暴大风自动识别方法及系统 |
CN113344136A (zh) * | 2021-07-06 | 2021-09-03 | 南京信息工程大学 | 一种基于Mask R-CNN的新反气旋客观识别方法 |
CN113344136B (zh) * | 2021-07-06 | 2022-03-15 | 南京信息工程大学 | 一种基于Mask R-CNN的新反气旋客观识别方法 |
CN113469278A (zh) * | 2021-07-22 | 2021-10-01 | 湖北省气象信息与技术保障中心 | 一种基于深度卷积神经网络的强天气目标识别方法 |
CN113671599A (zh) * | 2021-08-25 | 2021-11-19 | 华北电力大学 | 一种基于全球气候模式的登陆气旋识别方法 |
CN116756522A (zh) * | 2023-08-14 | 2023-09-15 | 中科三清科技有限公司 | 概率预报方法、装置、存储介质及电子设备 |
CN116756522B (zh) * | 2023-08-14 | 2023-11-03 | 中科三清科技有限公司 | 概率预报方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110033132B (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110033132A (zh) | 基于深度目标检测和数值天气预报的热带气旋预报方法 | |
CN110390267A (zh) | 一种基于高分遥感影像的山地景观建筑提取方法和设备 | |
CN104239706B (zh) | 一种地面观测气温时空数据集的制备方法 | |
CN110333554A (zh) | Nriet暴雨智能相似分析方法 | |
CN103995837A (zh) | 一种基于群体足迹的个性化旅游路线规划方法 | |
Fan | A prediction model for Atlantic named storm frequency using a year-by-year increment approach | |
CN113221765B (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
CN109165690A (zh) | 一种城市路网尾气污染分布预测的方法及系统 | |
Wang et al. | Consistency analysis and accuracy assessment of three global ten-meter land cover products in rocky desertification region—a case study of Southwest China | |
Yanga et al. | A 3,500-year tree-ring record of annual precipitation on the northeastern Tibetan Plateau | |
CN110008872A (zh) | 一种结合车辆轨迹和遥感图像的路网提取方法 | |
Shang et al. | Moso bamboo forest extraction and aboveground carbon storage estimation based on multi-source remotely sensed images | |
Xu et al. | Large-scale circulation anomalies associated with extreme heat in South Korea and southern–central Japan | |
Jiang et al. | Estimation of land production and its response to cultivated land conversion in North China Plain | |
Gleason et al. | Developing a representative snow-monitoring network in a forested mountain watershed | |
Jin et al. | Mapping the annual dynamics of cultivated land in typical area of the Middle-lower Yangtze plain using long time-series of Landsat images based on Google Earth Engine | |
CN114419431A (zh) | 一种蝗灾潜在高风险区识别方法、装置、设备及存储介质 | |
Guo et al. | Forest cover change in China from 2000 to 2016 | |
CN106250925B (zh) | 一种基于改进的典型相关分析的零样本视频分类方法 | |
CN109871812A (zh) | 一种基于神经网络的多时相遥感影像城市植被提取方法 | |
Patidar et al. | A rule-based spectral unmixing algorithm for extracting annual time series of sub-pixel impervious surface fraction | |
CN108932474A (zh) | 一种基于全卷积神经网络复合特征的遥感影像云判方法 | |
Berkovic | Winter wind regimes over Israel using self-organizing maps | |
CN102567648A (zh) | 一种绿地生态评价单元粒度自适应栅格取样方法 | |
Hu et al. | Short-term tropical cyclone intensity forecasting from satellite imagery based on the deviation angle variance technique |
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 |