CN110222899A - 一种越野滑雪赛道风速场预测方法 - Google Patents

一种越野滑雪赛道风速场预测方法 Download PDF

Info

Publication number
CN110222899A
CN110222899A CN201910506096.1A CN201910506096A CN110222899A CN 110222899 A CN110222899 A CN 110222899A CN 201910506096 A CN201910506096 A CN 201910506096A CN 110222899 A CN110222899 A CN 110222899A
Authority
CN
China
Prior art keywords
wind speed
wind
video
speed field
racing track
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
Application number
CN201910506096.1A
Other languages
English (en)
Other versions
CN110222899B (zh
Inventor
吴锐
刘松波
唐降龙
金野
程丹松
朱海龙
刘畅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201910506096.1A priority Critical patent/CN110222899B/zh
Publication of CN110222899A publication Critical patent/CN110222899A/zh
Application granted granted Critical
Publication of CN110222899B publication Critical patent/CN110222899B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种越野滑雪赛道风速场预测方法，本发明为实现实时自动预测越野滑雪赛道风速场，利用自动化的风速采集设备，对不同位置的风速进行采集，并汇总统一处理，用机器学习算法进行预测。每一位置每一时刻的风速场与历史风速和周围风速以及当天的全局信息是有关联的，全局信息包括赛道所处地理位置、季节、天气预报等等能搜集到的信息。将整个赛道采集的数据转化为二维风速场图像，表示传感器之间的位置关系，随时间变化构成连续的风速场视频，利用已有视频预测接下来一段时间后的风速场图像。

Description

一种越野滑雪赛道风速场预测方法
技术领域
本发明属于数据处理技术领域，特别是涉及一种越野滑雪赛道风速场预测方法。
背景技术
限制项目发展水平的因素众多，其中竞技能力无疑最为关键，而训练质量控制则是提高竞技能力最为重要的方面。训练质量不高是根本原因，尤其以冰雪项目更为突出，有效的训练质量控制需要科技手段的介入。在越野滑雪项目中，自然天气对运动员的表现有巨大的影响，其中风速是影响运动员速度和动作的重要因素。过去只能依靠运动员在多种天气环境下大量练习，依靠经验自主选择策略。如今，随着计算机技术和机器学习的发展，可以利用已有的数据让机器总结归纳客观规律，帮助运动员选择策略。
发明内容
本发明目的是为了解决现有技术中的问题，提出了一种越野滑雪赛道风速场预测方法。根据赛道历史风速场数据预测赛道接下来一段时间内任意时刻任意位置的风速，为运动员实时提供科学的参考信息，提高运动员训练效率和质量。
本发明是通过以下技术方案实现的，本发明提出一种越野滑雪赛道风速场预测方法，所述方法包括以下步骤：
步骤1、在滑雪赛道两侧均匀布置k对风速风向传感器，每个风速风向传感器位置为xi,i为风速风向传感器编号，k为大于等于1的正整数；
步骤2、利用每个风速风向传感器对每一位置每一时刻的风速和风向数据进行采集，对采集后的数据进行归一化处理；
步骤3、将归一化处理后的数据映射到一个二维图像中，从而得到低分辨率的二维图像，利用双线性插值方法对低分辨率的二维图像进行处理从而得到高分辨率的二维风速场图像，所述二维风速场图像包括风速图像和风向图像；
步骤4、将二维风速场图像进行视频处理形成历史视频；
步骤5、建立未来某一时刻某一位置的二维风速场图像与历史视频以及全局信息之间的关系，从而预测未来某一时刻某一位置的风速场。
进一步地，所述全局信息包括赛道所处地理位置、季节、天气预报和风速风向传感器位置信息。
进一步地，所述风速场由风速和风向组成。
进一步地，所述步骤4具体为：以固定的时间间隔采集风速和风向数据构成历史n个时间间隔的风速视频和风向视频v表示风速，θ表示风向。
进一步地，所述步骤5具体为：令全局信息为G，即与(Videov,Videoθ,G)之间的映射关系F，其中表示预测未来某一位置xp第n+mp个时间间隔时的风速图像，表示预测未来某一位置xp第n+mp个时间间隔时的风向图像，mp为经过n个历史时间间隔的时间点到预测时刻的时间间隔个数；利用卷积神经网络对空间信息的学习能力和循环神经网络对时间信息的学习能力，搭建风速场时空神经网络模型，利用历史风速和风向视频以及全局信息同时预测未来风速和风向图像序列，风速场时空神经网络模型包括循环神经网络编码器和解码器，编码器输入数据为输入风速和风向视频经过卷积模块得到的图像特征，解码器输出数据经过反卷积模块重构为输出的风速和风向图像序列。
进一步地，所述卷积模块由卷积层、激活函数层和池化层堆叠。
进一步地，所述反卷积模块由卷积层、激活函数层和上采样层的堆叠，反卷积模块输入与卷积模块输出同尺寸，反卷积模块输出与卷积模块输入同尺寸，其中上采样层与卷积模块中池化层呈对应关系。
本发明的有益效果为：本发明为实现实时自动预测越野滑雪赛道风速场，利用自动化的风速采集设备，对不同位置的风速进行采集，并汇总统一处理，用机器学习算法进行预测。每一位置每一时刻的风速场与历史风速和周围风速以及当天的全局信息是有关联的，全局信息包括赛道所处地理位置、季节、天气预报等等能搜集到的信息。将整个赛道采集的数据转化为二维风速场图像，表示传感器之间的位置关系，随时间变化构成连续的风速场视频，利用已有视频预测接下来一段时间后的风速场图像。
附图说明
图1为本发明所述越野滑雪赛道风速场预测方法流程图；
图2为滑雪赛道风速风向传感器安装示意图；
图3为传感器数据转化为二维风速场图像示意图；
图4为风速场时空神经网络模型图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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前提下所获得的所有其他实施例，都属于本发明保护的范围。
结合图1，本发明提出一种越野滑雪赛道风速场预测方法，所述方法包括以下步骤：
步骤1、所述风速场由风速和风向组成，首先在滑雪赛道两侧均匀布置k对风速风向传感器，如图2所示，每个风速风向传感器位置为xi,i为风速风向传感器编号，k为大于等于1的正整数；通常赛道风速不会超过8级，即风速在0至20m/s之间，通常风向包括8个方位。
步骤2、利用每个风速风向传感器对每一位置每一时刻的风速和风向数据进行采集，对采集后的数据进行归一化处理；
风速度分布呈长尾状，归一化时先取对数再归一化，公式为v＝log(v0+1)/log(21)，取值范围为[0,1]。v0表示风速传感器采集到的原始速度大小；风角度归一化使用三角函数，即θ＝(sinθ0,cosθ0)，θ0为风速传感器检测到的角度，其中sinθ0和cosθ0取值范围为[-1,1]且其变化随角度变化是连续的。因此对应的风速图像为单通道，风向图像为双通道。
步骤3、将归一化处理后的数据映射到一个二维图像中，从而得到低分辨率的二维图像，利用双线性插值方法对低分辨率的二维图像进行处理从而得到高分辨率的二维风速场图像，如图3所示，所述二维风速场图像包括风速图像和风向图像；对于赛道每一点，根据其到最近的四个传感器的距离，可以得到其在图像中的对应位置；对于任意时间可以根据时间间隔计算其最接近的两个时间间隔；风速和风向在短距离短时间内是连续变化的，利用插值方法得到精确的风速和风向。
步骤4、将二维风速场图像进行视频处理形成历史视频；
所述步骤4具体为：以固定的时间间隔采集风速和风向数据构成历史n个时间间隔的风速视频和风向视频v表示风速，θ表示风向。
步骤5、建立未来某一时刻某一位置的二维风速场图像与历史视频以及全局信息之间的关系，从而预测未来某一时刻某一位置的风速场。所述全局信息包括赛道所处地理位置、季节、天气预报和风速风向传感器位置信息。
所述步骤5具体为：令全局信息为G，即与(Videov,Videoθ,G)之间的映射关系F，其中表示预测未来某一位置xp第n+mp个时间间隔时的风速图像，表示预测未来某一位置xp第n+mp个时间间隔时的风向图像，mp为经过n个历史时间间隔的时间点到预测时刻的时间间隔个数；利用卷积神经网络对空间信息的学习能力和循环神经网络对时间信息的学习能力，搭建风速场时空神经网络模型，利用历史风速和风向视频以及全局信息同时预测未来风速和风向图像序列，如图4所示，风速场时空神经网络模型包括循环神经网络编码器和解码器，编码器输入数据为输入风速和风向视频经过卷积模块得到的图像特征，解码器输出数据经过反卷积模块重构为输出的风速和风向图像序列。
所述卷积模块主要是卷积层Conv，激活函数层ReLU和池化层MaxPool的堆叠。由于这里的图像块长宽比较大，所用MaxPool大部分为一维的MaxPool1D，少部分为二维的MaxPool2D。卷积层主要使用3×3的滤波器，池化层步长为2。
所述反卷积模块由卷积层Conv、激活函数层ReLU和上采样层UpSample的堆叠，反卷积模块输入与卷积模块输出同尺寸，反卷积模块输出与卷积模块输入同尺寸，其中上采样层与卷积模块中池化层呈对应关系。
风速场时空神经网络模型编码器和解码器。编码器和解码器各为一个LSTM(LongShort-Term Memory)层，用于感知特征随时间变化的规律。
在亚布力越野滑雪场进行测试，使用其中一条短距离线路，长度为1390米，宽度为9-12米。沿着赛道每隔100米安装一对风速传感器，总计安装15对风速传感器，每对传感器安装在赛道两侧，距离为10米。采集的数据图像为2×15，经过插值，得到5×57的高分辨率图像，定义水平方向为沿着赛道方向，竖直方向为赛道宽度方向。图像竖直方向相邻两个像素实际间隔为2.5米，水平方向相邻两个像素实际间隔为赛道距离25米。传感器每分钟采样一次，获取一分钟内平均风速和风向。风速场时空神经网络模型利用历史24小时的数据预测未来1小时的风速和风向变化情况。即网络中编码器采用长度为1440的LSTM，解码器采用长度为60的LSTM。对于所有采集的数据，任意采样一段长度为1500的视频，取前1440帧为输入数据，后60帧为标签，作为训练样本。得到大量训练样本后对网络进行端对端训练，使用均方误差作为损失函数。在测试时，比如预测该赛道540米中间位置处在2019年6月1日15:20时刻的风速和风向，则输入数据为2019年5月30日15:00到2019年6月1日15:00共24小时历史数据作为输入，网络能预测接下来1小时的风速和风向，15:20对应输出的第20帧，该位置对应了第6对和第7对传感器之间，对应高分辨率图像水平方向第22和第23个像素之间，且距离第22个像素水平距离为15米，距离第23个像素水平距离10米；对应高分辨率图像竖直方向第3个像素。再获取第(22,3)和第(23,3)处的风速和风向(v(22,3),θ(22,3))和(v(23,3),θ(23,3))后，预测位置的风速和风向则为(0.6v(22,3)+0.4v(23,3),0.6θ(22,3)+0.4θ(23,3))。
以上对本发明所提供的一种越野滑雪赛道风速场预测方法，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种越野滑雪赛道风速场预测方法，其特征在于：所述方法包括以下步骤：
步骤1、在滑雪赛道两侧均匀布置k对风速风向传感器，每个风速风向传感器位置为xi,i为风速风向传感器编号，k为大于等于1的正整数；
步骤2、利用每个风速风向传感器对每一位置每一时刻的风速和风向数据进行采集，对采集后的数据进行归一化处理；
步骤3、将归一化处理后的数据映射到一个二维图像中，从而得到低分辨率的二维图像，利用双线性插值方法对低分辨率的二维图像进行处理从而得到高分辨率的二维风速场图像，所述二维风速场图像包括风速图像和风向图像；
步骤4、将二维风速场图像进行视频处理形成历史视频；
步骤5、建立未来某一时刻某一位置的二维风速场图像与历史视频以及全局信息之间的关系，从而预测未来某一时刻某一位置的风速场。
2.根据权利要求1所述的方法，其特征在于：所述全局信息包括赛道所处地理位置、季节、天气预报和风速风向传感器位置信息。
3.根据权利要求1所述的方法，其特征在于：所述风速场由风速和风向组成。
4.根据权利要求2或3所述的方法，其特征在于：所述步骤4具体为：以固定的时间间隔采集风速和风向数据构成历史n个时间间隔的风速视频和风向视频v表示风速，θ表示风向。
5.根据权利要求4所述的方法，其特征在于：所述步骤5具体为：令全局信息为G，即与(Videov,Videoθ,G)之间的映射关系F，其中表示预测未来某一位置xp第n+mp个时间间隔时的风速图像，表示预测未来某一位置xp第n+mp个时间间隔时的风向图像，mp为经过n个历史时间间隔的时间点到预测时刻的时间间隔个数；利用卷积神经网络对空间信息的学习能力和循环神经网络对时间信息的学习能力，搭建风速场时空神经网络模型，利用历史风速和风向视频以及全局信息同时预测未来风速和风向图像序列，风速场时空神经网络模型包括循环神经网络编码器和解码器，编码器输入数据为输入风速和风向视频经过卷积模块得到的图像特征，解码器输出数据经过反卷积模块重构为输出的风速和风向图像序列。
6.根据权利要求5所述的方法，其特征在于：所述卷积模块由卷积层、激活函数层和池化层堆叠。
7.根据权利要求5所述的方法，其特征在于：所述反卷积模块由卷积层、激活函数层和上采样层的堆叠，反卷积模块输入与卷积模块输出同尺寸，反卷积模块输出与卷积模块输入同尺寸，其中上采样层与卷积模块中池化层呈对应关系。
CN201910506096.1A 2019-06-12 2019-06-12 一种越野滑雪赛道风速场预测方法 Active CN110222899B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910506096.1A CN110222899B (zh) 2019-06-12 2019-06-12 一种越野滑雪赛道风速场预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910506096.1A CN110222899B (zh) 2019-06-12 2019-06-12 一种越野滑雪赛道风速场预测方法

Publications (2)

Publication Number Publication Date
CN110222899A true CN110222899A (zh) 2019-09-10
CN110222899B CN110222899B (zh) 2022-04-22

Family

ID=67816612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910506096.1A Active CN110222899B (zh) 2019-06-12 2019-06-12 一种越野滑雪赛道风速场预测方法

Country Status (1)

Country Link
CN (1) CN110222899B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111901673A (zh) * 2020-06-24 2020-11-06 北京大学 一种视频预测方法、装置、存储介质及终端
CN111967653A (zh) * 2020-07-22 2020-11-20 易天气(北京)科技有限公司 一种构建机场跑道风预报模型的方法及预报方法、系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102236795A (zh) * 2011-06-30 2011-11-09 内蒙古电力勘测设计院 风电场风速预测方法
CN102980607A (zh) * 2011-09-07 2013-03-20 辽宁省电力有限公司营口供电公司 一种输电线路图像识别监控系统
US20130317748A1 (en) * 2012-05-22 2013-11-28 John M. Obrecht Method and system for wind velocity field measurements on a wind farm
CN108448610A (zh) * 2018-03-12 2018-08-24 华南理工大学 一种基于深度学习的短期风功率预测方法
CN108433318A (zh) * 2018-03-27 2018-08-24 南京地平线机器人技术有限公司 电吹风和控制电吹风的方法
CN108550238A (zh) * 2018-04-24 2018-09-18 国网安徽省电力有限公司 基于多模拟态的光谱融合图像识别的输电线路监测系统
CN108830430A (zh) * 2018-08-01 2018-11-16 苏州大学张家港工业技术研究院 用于交通流量预测的卷积神经网络多点回归预测模型
CN109102101A (zh) * 2017-06-21 2018-12-28 北京金风科创风电设备有限公司 风电场风速的预测方法和系统
CN109146162A (zh) * 2018-08-07 2019-01-04 河海大学 一种基于集成循环神经网络的概率风速预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102236795A (zh) * 2011-06-30 2011-11-09 内蒙古电力勘测设计院 风电场风速预测方法
CN102980607A (zh) * 2011-09-07 2013-03-20 辽宁省电力有限公司营口供电公司 一种输电线路图像识别监控系统
US20130317748A1 (en) * 2012-05-22 2013-11-28 John M. Obrecht Method and system for wind velocity field measurements on a wind farm
CN109102101A (zh) * 2017-06-21 2018-12-28 北京金风科创风电设备有限公司 风电场风速的预测方法和系统
CN108448610A (zh) * 2018-03-12 2018-08-24 华南理工大学 一种基于深度学习的短期风功率预测方法
CN108433318A (zh) * 2018-03-27 2018-08-24 南京地平线机器人技术有限公司 电吹风和控制电吹风的方法
CN108550238A (zh) * 2018-04-24 2018-09-18 国网安徽省电力有限公司 基于多模拟态的光谱融合图像识别的输电线路监测系统
CN108830430A (zh) * 2018-08-01 2018-11-16 苏州大学张家港工业技术研究院 用于交通流量预测的卷积神经网络多点回归预测模型
CN109146162A (zh) * 2018-08-07 2019-01-04 河海大学 一种基于集成循环神经网络的概率风速预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘畅: "基于发电权竞争的机组定制化风电场有功功率控制方法", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN111901673A (zh) * 2020-06-24 2020-11-06 北京大学 一种视频预测方法、装置、存储介质及终端
CN111901673B (zh) * 2020-06-24 2021-12-03 北京大学 一种视频预测方法、装置、存储介质及终端
CN111967653A (zh) * 2020-07-22 2020-11-20 易天气(北京)科技有限公司 一种构建机场跑道风预报模型的方法及预报方法、系统

Also Published As

Publication number Publication date
CN110222899B (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
CN110222899A (zh) 一种越野滑雪赛道风速场预测方法
CN106878951B (zh) 用户轨迹分析方法及系统
CN105975763B (zh) 一种多源海面风场的融合方法和装置
CN105738587A (zh) 一种水质监测系统
CN102004856A (zh) 高频观测资料实时数据的快速集合卡曼滤波同化方法
CN103809194A (zh) 一种gps轨迹曲线的显示方法及装置
CN111428862B (zh) 一种极类不平衡时空联合对流初生短临预报方法
CN113505521B (zh) 一种耦合神经网络-数值模拟的城市内涝快速预报方法
CN112926468B (zh) 一种潮滩高程自动提取方法
CN109145962A (zh) 一种基于数字图像的大气参数反演观测方法
Li et al. Evaluation and hydrological application of TRMM and GPM precipitation products in a tropical monsoon basin of Thailand
CN110689558A (zh) 多传感器图像增强方法及装置
Eichmanns et al. Investigating changes in Aeolian sediment transport at coastal dunes and sand trapping fences: A field study on the German coast
CN109635629A (zh) 一种基于深度学习的公交站台人群密度检测方法及装置
CN106097389A (zh) 一种基于图像模式识别的河流流速测量方法
CN111161545A (zh) 基于视频的交叉口区域交通参数统计方法
CN113589230A (zh) 一种基于联合优化网络的目标声源定位方法及系统
CN110020404B (zh) 一种角度约束的遥感反演流场的矢量数据处理方法
CN114385619B (zh) 一种多通道海洋观测时序标量数据缺失值预测方法及系统
CN115656444A (zh) 一种大型场馆内二氧化碳场浓度重建方法
CN113239815B (zh) 一种基于真实语义全网络学习的遥感影像分类方法、装置及设备
CN116385716A (zh) 一种基于遥感图的三维地图地物数据自动化生产方法
CN115964869A (zh) 一种高时空分辨率大气污染扩散迁移模拟方法
CN109595755A (zh) 一种基于物联网的室内装修空气净化器控制系统及方法
CN115421220A (zh) 一种基于深度学习的多因子局部降水指示方法及系统

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