CN111796343B - 一种基于人工智能算法的强对流天气短时临近识别方法 - Google Patents
一种基于人工智能算法的强对流天气短时临近识别方法 Download PDFInfo
- Publication number
- CN111796343B CN111796343B CN202010543364.XA CN202010543364A CN111796343B CN 111796343 B CN111796343 B CN 111796343B CN 202010543364 A CN202010543364 A CN 202010543364A CN 111796343 B CN111796343 B CN 111796343B
- Authority
- CN
- China
- Prior art keywords
- data
- strong convection
- model
- convection weather
- algorithm
- 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
Images
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
- G01S13/958—Theoretical aspects
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Environmental Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ecology (AREA)
- Electromagnetism (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于人工智能算法的强对流天气短时临近识别方法,包括以下步骤:S1、获取检测数据;S2、对获取的各类检测数据进行数据清洗、质量控制;S3、对数据按比例划分成训练集和测试集;S4、将数据输入到LightGBM算法中,建立算法模型;S5、反复进行模型训练、评估及算法调参优化;S6、待模型最优后,进行业务应用。本发明能够用于冰雹、短时强降水、雷暴大风等强对流天气短时临近识别预报,对强对流天气的分类判识较为准确,适用于气象业务工作,能够较为迅速、自动化地识别雷达图像,提前预警强对流天气,为业务工作者提供较为可靠的参考,提高了业务预报服务的准确率及预警精度,实现了我国西北部地区强对流天气的准确预测。
Description
技术领域
本发明涉及气象预报及预警技术领域,更具体涉及一种基于人工智能算法的强对流天气短时临近识别方法。
背景技术
强对流天气通常指的是由深厚湿对流(DMC)产生的,包括冰雹、大风、龙卷风、强降水等各种灾害性天气,具有生命史短、空间尺度小、致灾性强等特点。虽然目前国际上对强对流天气的定义尚未有统一标准,但中国气象局中央气象台定义的强对流天气指的是出现直径5mm及以上的冰雹、任何级别的龙卷、17m/s及以上的雷暴大风或20mm/h及以上的短时强降水等任意一种或几种天气。由于强对流天气发生时间短、破坏性强,常给工农业和人民的生产生活造成极大危害,因此强对流天气的临近预报、预警在气象防灾减灾工作中具有极为重要的地位。但是,目前强对流天气的临近预报和预警技术主要集中在外推预报、经验预报、统计预报、概率预报等传统方法上,对分类强对流天气的临近预报技术还存在较多的不足,业务预报服务的准确率及预警精度比较低。
多普勒天气雷达在强对流天气的监测分析和短临预警方面起着关键作用,国内外学者也对多普勒天气雷达在强对流天气的预警及预报方面做了大量研究。例如,王萍和潘跃等利用雷达数据选用基于径向基核函数的非线性支持向量机得到强冰雹识别模型,建立了新冰雹指数,得到比业务上普遍使用的冰雹指数更高的命中率。虽然多普勒雷达广泛应用于中小尺度天气系统的发生发展和演变机制的研究中,但是目前的大部分研究都是基于数据质量较高的S波段雷达,但我国西北部地区主要使用的是C波段雷达,无法成熟地在气象业务工作中应用S波段雷达的一系列研究成果。同时,由于我国西北部地区地形复杂,高原、山地、荒漠交织,极端天气情况下易发生山洪泥石流等地质灾害。因此,研究C波段雷达对强对流天气的判识和预报对我国西北部地区的气象业务工作十分重要。
发明内容
本发明需要解决的技术问题是提供一种基于人工智能算法的强对流天气短时临近识别方法,以解决目前强对流天气的临近预报和预警技术主要集中在传统方法上,而导致业务预报服务的准确率及预警精度比较低的问题,以及由于我国西北部地区地形复杂无法成熟地在气象业务工作中应用S波段雷达研究成果的问题,以提高业务预报服务的准确率及预警精度,以实现我国西北部地区强对流天气的准确预测。
为解决上述技术问题,本发明所采取的技术方案如下。
一种基于人工智能算法的强对流天气短时临近识别方法,包括以下步骤:
S1、获取检测数据;
S2、对获取的各类检测数据进行数据清洗、质量控制;
S3、对数据按比例划分成训练集和测试集;
S4、将数据输入到LightGBM算法中,建立算法模型;
S5、反复进行模型训练、评估及算法调参优化;
S6、待模型最优后,进行业务应用。
进一步优化技术方案,所述检测数据包括实况站点观测数据和雷达数据。
进一步优化技术方案,所述步骤S2的步骤为:
S21、获取不同地段C波段雷达一定范围内的回波产品数据及强对流实况观测数据;
S22、根据强对流发生时段,剔除特征变量不全或存在奇异值的样本,建立样本数据集。
进一步优化技术方案,所述步骤S3中,根据因变量特征,提取自变量及对数据集按8:2的比例进行划分成训练集和测试集,并对因变量进行标签值设定。
进一步优化技术方案,所述步骤S3包括以下步骤:
S31、根据实况站点观测特征,将实况站点数据划分为是否存在强对流的各种情况,并分别添加数据标签;
S32、根据因变量特征,提取出自变量。
进一步优化技术方案,所述自变量包括雷达产品、基于雷达产品的计算量和地面观测数据;
所述雷达产品和基于雷达产品的计算量分别为组合反射率、反射率因子、平均径向速度、对回波顶高、风暴顶高、最强回波对应的高度及垂直累积液态水含量、核心区厚度、45dBZ以上质心高度以及强回波持续时间。
进一步优化技术方案,在产品特征数据提取中,以强对流天气实况观测点最近的像素为中心,提取周围像素范围内的最大值,作为强对流天气的风暴体特征值;
对于地面观测数据分别是测站气压、气温、相对湿度、瞬时风速。
进一步优化技术方案,所述以强对流天气实况观测点最近的像素为中心,提取周围像素范围内的最大值,作为强对流天气的风暴体特征值的具体计算公式为:
Valuen=max(Valuen(i,j))
其中,n为风暴单体编号,i和j的取值从-2到2。
进一步优化技术方案,所述步骤S4中,将因变量、自变量数据处理完成后,输入到LightGBM算法中,建立算法模型,包括以下步骤:
S41、将自变量数据输入到LightGBM算法中,分别计算每个自变量的特征值得分;
S42、根据特征值得分,调整部分自变量的权重系数。
进一步优化技术方案,所述步骤S5中,是以损失函数和误判率为评价标准进行;所述步骤S5包括以下步骤:
S51、经过反复训练调优,得到最终人工智能算法模型的部分参数;
S52、模型建好后,选取评价方案再次对模型进行评价;
S53、根据以上评价体系,对模型在训练集和测试集的效果进行评估。
由于采用了以上技术方案,本发明所取得技术进步如下。
本发明基于人工智能的LightGBM算法,利用C波段雷达回波产品以及地面观测数据,构建了人工智能算法模型,能够用于冰雹、短时强降水、雷暴大风等强对流天气短时临近识别预报,对强对流天气的分类判识较为准确,且人工智能算法具有速度快、计算资源占用较少等优点,因此本发明适用于气象业务工作,能够较为迅速、自动化地识别雷达图像,提前预警强对流天气,为业务工作者提供较为可靠的参考,提高了业务预报服务的准确率及预警精度,实现了我国西北部地区强对流天气的准确预测。
附图说明
图1为本发明的流程图;
图2为本发明中各类自变量重要性的排序图。
具体实施方式
下面将结合附图和具体实施例对本发明进行进一步详细说明。
一种基于人工智能算法的强对流天气短时临近识别方法,结合图1和图2所示,包括以下步骤:
S1、获取检测数据。检测数据包括实况站点观测数据和雷达数据。
S2、对获取的各类检测数据进行数据清洗、质量控制。
步骤S2的步骤为:
S21、获取三个不同地段的三部C波段雷达一定范围内的回波产品数据及强对流实况观测数据。一定范围内的回波产品数据及强对流实况观测数据为30~120km范围内的回波产品数据及强对流实况观测数据。本发明中获取三个不同地段的回波产品数据及强对流实况观测数据为甘肃省兰州市、天水市及庆阳市的观测数据。
其中,本发明中的C波段雷达为中国新一代CINRAD型C波段雷达。
S22、根据强对流发生时段,剔除特征变量不全或存在奇异值的样本,建立样本数据集。
S3、根据因变量特征,提取自变量及对数据集按8:2的比例进行划分成训练集和测试集,并对因变量进行标签值设定。因变量特征为分类强对流特征。
步骤S3包括以下步骤:
S31、根据实况站点观测特征,将实况站点数据划分为无强对流、冰雹、雷暴大风、短时强降水等,并分别添加数据标签为0、1、2、3。
S32、根据因变量特征,提取出18个自变量。因变量特征为实况站点观测特征。
对于自变量的提取,选取了所有雷达相关产品、其衍生计算量以及地面观测数据,然后对这些产品进行特征选择,重要性排序,利用训练数据采用不同自变量构建模型,最终选取了组合反射率(CR)、反射率因子(0.5°R、1.5°R、2.4°R三个仰角)、平均径向速度(0.5°V、1.5°V、2.4°V三个仰角)、对回波顶高(ET)、风暴顶高(TOP)、最强回波对应的高度(HT)及垂直累积液态水含量(VIL)、核心区厚度(H)、45dBZ以上质心高度(H-45)及强回波持续时间(Time)、测站气压(PRS)、气温(TEM)、相对湿度(RHU)、瞬时风速(WIN)等18个对因变量贡献最大的要素作为输入模型的自变量。
自变量包括雷达产品、基于雷达产品的计算量和地面观测数据。提取出的自变量中,雷达产品11个,基于雷达产品的计算量3个,地面观测数据4个。
雷达产品和基于雷达产品的计算量分别为组合反射率(CR)、反射率因子(0.5°R、1.5°R、2.4°R三个仰角)、平均径向速度(0.5°V、1.5°V、2.4°V三个仰角)、对回波顶高(ET)、风暴顶高(TOP)、最强回波对应的高度(HT)及垂直累积液态水含量(VIL)、核心区厚度(H)、45dBZ以上质心高度(H-45)以及强回波持续时间(Time)。
在产品特征数据提取中,以强对流天气实况观测点最近的像素为中心,提取周围5×5个像素范围内的最大值,作为强对流天气的风暴体特征值,具体计算公式为:
Valuen=max(Valuen(i,j))
其中,n为风暴单体编号,i和j的取值从-2到2。
对于地面观测数据分别是测站气压(PRS)、气温(TEM)、相对湿度(RHU)、瞬时风速(WIN)。
S4、将因变量、自变量数据处理完成后,输入到LightGBM算法中,建立算法模型,包括以下步骤:
S41、将自变量数据输入到LightGBM算法中,分别计算每个自变量的特征值得分,结果参见图2。
其中,排名前6位的因子分别为1.5°R、CR、0.5°R、1.5°V、VIL和ET,这些特征值在不同的强对流天气有较明显的差异,易于模型通过这些差异来进行分类。
该步骤采用基于梯度的单边采样方法(Gradient-based One-Side Sampling,简称:GOSS)计算信息增益,判断各特征值的重要性,信息增益越大,则这个特征的选择性越好。样本的梯度越小,则样本的训练误差越小,表示样本训练得越好,其对于模型表现的提高的重要性就越小,因此保留所有的大梯度样本,对小梯度样本进行随机采样,同时为了保证分布的一致性,在计算信息增益的时候,将采样的小梯度样本乘以一个常量:(1-a)/b,这里a表示大梯度样本采样比例,b表示小梯度样本的采样比例。
S42、根据特征值得分,调整部分自变量的权重系数。用于有效区分强对流天气类型。
在调整部分自变量的权重系数时,模型会自动根据特征重要性获取这种重要性加权,然后再不断地去围绕权重较大的特征构造新的特征。
S5、以损失函数和误判率为评价标准,反复进行模型训练、评估及算法调参优化。
步骤S5包括以下步骤:
S51、经过反复训练调优,得到最终人工智能算法模型的部分参数。
本发明调优的具体方法为:通过给模型设置不同的训练参数,得到各个类别在不同参数下的F1分数,对比分析可得出:模型训练参数objective设为softprob(输出每个类别的分类概率),max_depth设为6,num_leaves设为64,learning_rate设为0.05,metric设为multi_logloss,lambda_l1设为0.1,lambda_l2设为0.2,num_boost_round设为1000,feval设为自定义损失函数,模型的识别效果较好。
F1-score分数,是利用精确率(PRE)和召回率(REC)的组合的一种性能评价指标,评估模型对数据的预测能力:
F1=2×(PRE×REC)/(PRE+REC)。
部分参数如下表:
采用LightGBM算法中的GOSS方法进行特征选择,根据特征重要性进行排序,然后根据随机森林算法理论,采用Bagging方法生成训练集,构建随机森林模型,再将模型应用在测试集中检验其分类精度。
S52、模型建好后,选取评价方案再次对模型进行评价。
基于混淆矩阵,在训练集和测试集上分别计算不同类型强天气的预报命中率(POD)、临界成功指数(CSI)及空报率(FAR),评估模型预报效果。POD和CSI越大,FAR越小,表明预报效果越好。
选取的评价方案见下列两个表,其中第一个表为混淆矩阵表,第二个表为评价指标表。
混淆矩阵表见下表:
评价指标表见下表:
S53、根据以上评价体系,对模型在训练集和测试集的效果进行评估。
训练集评分结果见下表:
在训练集上,对于冰雹、雷暴大风、短强等三类强对流天气,命中率和临界成功指数最高的为短强,分别为93.8%和84.4%,冰雹与雷暴大风的POD以及CSI相差不大。空报比率最小的也为短强,为10.6%。而人工智能算法模型对非强对流天气的预测结果的POD和CSI都在95%以上,且空报率仅为1.1%,说明模型对于强对流和非强对流天气的识别比较理想,这可能与非强对流训练样本集较大,模型训练的更为充分有关。综合来看,人工智能算法模型对强对流天气的平均命中率为90.7%,平均临界成功指数为79.2%,平均空报比率为14.4%,这表明人工智能算法模型在充分训练后能够达到较高的准确性,是比较理想的。
测试集评分结果见下表:
在测试集上,平均命中率仍能够达到88%,平均临界成功指数为71.2%,平均空报比率为22.2%。其中仍然是短强的POD和CSI最高,PAR也最低,而雷暴大风和冰雹的评分比较相似。
S6、待模型最优后,进行业务应用。
通过以上评估和验证,本发明基于C波段雷达产品和地面观测构建的人工智能算法模型对强对流天气短时临近识别预报较为准确,且人工智能算法具有速度快、计算资源占用较少等优点,因此该方法适用于气象业务工作,能够较为迅速、自动化地识别雷达图像,提前预警强对流天气,为业务工作者提供较为可靠的参考。
Claims (7)
1.一种基于人工智能算法的强对流天气短时临近识别方法,其特征在于,包括以下步骤:
S1、获取检测数据;
S2、对获取的各类检测数据进行数据清洗、质量控制;
S21、获取不同地段C波段雷达一定范围内的回波产品数据及强对流实况观测数据;
S22、根据强对流发生时段,剔除特征变量不全或存在奇异值的样本,建立样本数据集;
S3、对数据按比例划分成训练集和测试集;所述步骤S3中,根据因变量特征,提取自变量及对数据集按8:2的比例进行划分成训练集和测试集,并对因变量进行标签值设定;
S4、将数据输入到LightGBM算法中,建立算法模型;所述步骤S4中,将因变量、自变量数据处理完成后,输入到LightGBM算法中,建立算法模型,包括以下步骤:
S41、将自变量数据输入到LightGBM算法中,分别计算每个自变量的特征值得分;该步骤采用基于梯度的单边采样方法计算信息增益,判断各特征值的重要性;
S42、根据特征值得分,调整部分自变量的权重系数;在调整部分自变量的权重系数时,模型会自动根据特征重要性获取这种重要性加权,然后再不断地去围绕权重较大的特征构造新的特征;
S5、反复进行模型训练、评估及算法调参优化;
S6、待模型最优后,进行业务应用。
2.根据权利要求1所述的一种基于人工智能算法的强对流天气短时临近识别方法,其特征在于,所述检测数据包括实况站点观测数据和雷达数据。
3.根据权利要求1所述的一种基于人工智能算法的强对流天气短时临近识别方法,其特征在于,所述步骤S3包括以下步骤:
S31、根据实况站点观测特征,将实况站点数据划分为是否存在强对流的各种情况,并分别添加数据标签;
S32、根据因变量特征,提取出自变量。
4.根据权利要求3所述的一种基于人工智能算法的强对流天气短时临近识别方法,其特征在于,所述自变量包括雷达产品、基于雷达产品的计算量和地面观测数据;
所述雷达产品和基于雷达产品的计算量分别为组合反射率、反射率因子、平均径向速度、对回波顶高、风暴顶高、最强回波对应的高度及垂直累积液态水含量、核心区厚度、45dBZ以上质心高度以及强回波持续时间。
5.根据权利要求4所述的一种基于人工智能算法的强对流天气短时临近识别方法,其特征在于,在产品特征数据提取中,以强对流天气实况观测点最近的像素为中心,提取周围像素范围内的最大值,作为强对流天气的风暴体特征值;
对于地面观测数据分别是测站气压、气温、相对湿度、瞬时风速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010543364.XA CN111796343B (zh) | 2020-06-15 | 2020-06-15 | 一种基于人工智能算法的强对流天气短时临近识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010543364.XA CN111796343B (zh) | 2020-06-15 | 2020-06-15 | 一种基于人工智能算法的强对流天气短时临近识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111796343A CN111796343A (zh) | 2020-10-20 |
CN111796343B true CN111796343B (zh) | 2022-07-01 |
Family
ID=72804307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010543364.XA Active CN111796343B (zh) | 2020-06-15 | 2020-06-15 | 一种基于人工智能算法的强对流天气短时临近识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111796343B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112255611B (zh) * | 2020-10-28 | 2023-04-11 | 南京信大气象科学技术研究院有限公司 | 一种基于雷达探测数据的下击暴流智能识别方法 |
CN112926664B (zh) * | 2021-03-01 | 2023-11-24 | 南京信息工程大学 | 基于进化算法的特征选择与cart森林的短时强降水预报方法 |
CN113238231A (zh) * | 2021-05-07 | 2021-08-10 | 上海眼控科技股份有限公司 | 回波顶高预报方法、装置、设备及存储介质 |
CN114325874B (zh) * | 2021-08-02 | 2023-11-07 | 苏州市气象局 | 一种强对流天气个例库系统的建立方法 |
CN113608223B (zh) * | 2021-08-13 | 2024-01-05 | 国家气象信息中心(中国气象局气象数据中心) | 基于双分支双阶段深度模型的单站多普勒天气雷达强降水估算方法 |
CN114252706B (zh) * | 2021-12-15 | 2023-03-14 | 华中科技大学 | 一种雷电预警方法和系统 |
CN114463947B (zh) * | 2022-01-17 | 2022-11-18 | 南京气象科技创新研究院 | 一种基于时空网络卷积模型的对流性致灾强风预警预报方法 |
CN114565056B (zh) * | 2022-03-15 | 2022-09-20 | 中科三清科技有限公司 | 一种基于机器学习的冷锋前识别方法、装置、存储介质及终端 |
CN114755745B (zh) * | 2022-05-13 | 2022-12-20 | 河海大学 | 基于多通道深度残差收缩网络的冰雹天气识别与分类方法 |
CN115113303B (zh) * | 2022-06-21 | 2023-10-31 | 天津大学 | 基于元学习的厄尔尼诺极端天气预警方法及装置 |
CN115236770B (zh) * | 2022-06-29 | 2024-05-28 | 广西壮族自治区气象科学研究所 | 基于时空堆叠和样本重构的非线性短时临近降水预报方法 |
CN117434624B (zh) * | 2023-09-28 | 2024-04-16 | 兰州中心气象台(兰州干旱生态环境监测预测中心) | 一种基于语义分割的强对流天气识别和发展预判方法 |
CN117518299B (zh) * | 2024-01-05 | 2024-03-22 | 南京大学 | 一种分类强对流临近概率预报方法、系统、设备及终端 |
CN117908166B (zh) * | 2024-03-18 | 2024-05-24 | 南京气象科技创新研究院 | 基于机器学习的强降水超级单体识别预警方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105448138A (zh) * | 2014-09-02 | 2016-03-30 | 霍尼韦尔国际公司 | 用于显示间隔信息的航空器系统和方法 |
CN106526708A (zh) * | 2016-09-21 | 2017-03-22 | 广东奥博信息产业有限公司 | 一种基于机器学习的气象强对流天气的智能预警分析方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0851240B1 (en) * | 1996-12-26 | 2006-01-25 | Nippon Telegraph And Telephone Corporation | Meteorological radar precipitation pattern prediction method and apparatus |
US10241203B2 (en) * | 2015-03-13 | 2019-03-26 | Honeywell International Inc. | Weather radar integrating system combining ground-based and aircraft-based weather radar data |
CN108375808A (zh) * | 2018-03-12 | 2018-08-07 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的大雾预报方法 |
CN109765559B (zh) * | 2019-02-02 | 2019-11-05 | 中国水利水电科学研究院 | 一种基于多普勒雷达和深度学习的山区致灾暴雨识别方法 |
CN110888186A (zh) * | 2019-11-29 | 2020-03-17 | 天津大学 | 基于gbdt+lr模型的冰雹和短时强降水预报方法 |
CN111242358A (zh) * | 2020-01-07 | 2020-06-05 | 杭州策知通科技有限公司 | 一种双层结构的企业情报流失预测方法 |
-
2020
- 2020-06-15 CN CN202010543364.XA patent/CN111796343B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105448138A (zh) * | 2014-09-02 | 2016-03-30 | 霍尼韦尔国际公司 | 用于显示间隔信息的航空器系统和方法 |
CN106526708A (zh) * | 2016-09-21 | 2017-03-22 | 广东奥博信息产业有限公司 | 一种基于机器学习的气象强对流天气的智能预警分析方法 |
Non-Patent Citations (3)
Title |
---|
Weather Visibility Prediction Based on;CHUANG ZHANG;《IEEE》;20190620;全文 * |
一种机器学习方法在湖北定时气温预报中的;谭江红;《气象科技进展》;20180805;全文 * |
青海省短时强对流天气雷达自动预警技术应用初步研究;朱平等;《暴雨灾害》;20120615(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111796343A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111796343B (zh) | 一种基于人工智能算法的强对流天气短时临近识别方法 | |
Zhou et al. | Forecasting different types of convective weather: A deep learning approach | |
CN113409314B (zh) | 高空钢结构腐蚀的无人机视觉检测与评价方法及系统 | |
CN105740642B (zh) | 基于多源遥感数据的modis卫星火点准确性判别方法 | |
CN103839078B (zh) | 一种基于主动学习的高光谱图像分类方法 | |
CN108254750B (zh) | 一种基于雷达资料的下击暴流智能识别预警方法 | |
CN104237890B (zh) | 一种由“列车效应”引起的暴雨识别及预报方法 | |
CN113469278B (zh) | 一种基于深度卷积神经网络的强天气目标识别方法 | |
CN110888186A (zh) | 基于gbdt+lr模型的冰雹和短时强降水预报方法 | |
CN113592132B (zh) | 一种基于数值天气预报和人工智能的降水客观预报方法 | |
CN113933845A (zh) | 一种基于双线偏振雷达的地面降雹识别和预警方法 | |
Zou et al. | A method of radar echo extrapolation based on TREC and Barnes filter | |
Song et al. | Deformable YOLOX: detection and rust warning method of transmission line connection fittings based on image processing technology | |
Peter et al. | Application of a Bayesian classifier of anomalous propagation to single-polarization radar reflectivity data | |
Novitasari et al. | Weather parameters forecasting as variables for rainfall prediction using adaptive neuro fuzzy inference system (ANFIS) and support vector regression (SVR) | |
CN107403004A (zh) | 一种基于地形数据的遥测雨量站点可疑数值检验方法 | |
CN114386654A (zh) | 一种多尺度数值天气预报模式融合的天气预报方法及装置 | |
CN111427101B (zh) | 一种雷雨大风分级预警方法、系统、存储介质 | |
Wang et al. | Tornado detection using a neuro–fuzzy system to integrate shear and spectral signatures | |
CN113238230A (zh) | 一种针对电网生产的夏季强对流引起的大风预警方法 | |
CN116680604A (zh) | 强对流特征分类识别方法、电子设备及介质 | |
Wang et al. | Forewarning method of downburst based on feature recognition and extrapolation | |
CN116879900A (zh) | 一种基于灰度处理的雷暴质心定位以及追踪预测方法 | |
CN114022782B (zh) | 一种基于modis卫星数据的海雾探测方法 | |
CN113689053B (zh) | 一种基于随机森林的强对流天气架空线停电预测方法 |
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 |