CN112016615A - 一种基于卷积神经网络学习的强对流天气识别算法 - Google Patents

一种基于卷积神经网络学习的强对流天气识别算法 Download PDF

Info

Publication number
CN112016615A
CN112016615A CN202010879405.2A CN202010879405A CN112016615A CN 112016615 A CN112016615 A CN 112016615A CN 202010879405 A CN202010879405 A CN 202010879405A CN 112016615 A CN112016615 A CN 112016615A
Authority
CN
China
Prior art keywords
weather
flow pattern
neural network
convolutional neural
real
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.)
Pending
Application number
CN202010879405.2A
Other languages
English (en)
Inventor
吴战昊
张攀
刘巍巍
刘虹
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.)
Xi'an Yiji Digital Technology Co ltd
Original Assignee
Xi'an Yiji Digital Technology Co ltd
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 Xi'an Yiji Digital Technology Co ltd filed Critical Xi'an Yiji Digital Technology Co ltd
Priority to CN202010879405.2A priority Critical patent/CN112016615A/zh
Publication of CN112016615A publication Critical patent/CN112016615A/zh
Pending legal-status Critical Current

Links

Images

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
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及自然灾害预测技术领域，尤其涉及一种基于卷积神经网络学习的强对流天气识别算法，本发明首先采集历史天气流型模型，然后通过卷积神经网络训练学习，对历史天气流型通过训练学习得到识别模型；然后通过雷达实时气象图采取实时的暴雨天气流型模型，再通过步骤一中训练得到的识别模型对实时的天气流型模型进行识别；再判断步骤二中识别出的天气流型模型的实时天气系统是否位于被监测的关键区内；如果是，则输出符合发生地质灾害天气流型；如果否，则继续进行实时的识别。该方法对强对流天气的雷达图像进行实时的识别，通过卷积神经网络学习训练得到的模型进行识别，能有效的得到不同的天气模型和判断在被监测区域的灾害模型。

Description

一种基于卷积神经网络学习的强对流天气识别算法
技术领域
本发明涉及自然灾害预测技术领域，尤其涉及一种基于卷积神经网络学习的强对流天气识别算法。
背景技术
强对流天气预报仍是世界难题，无法定时定点定量，目前多采用雷达进行天气云层的识别，以此计算强对流天气的形成和扩展过程，基于雷达图像的强对流天气的识别的研究成果对城市防洪相关部门的工作开展和人们的生活生产意义重大。
近年来，模式识别与人工智能以及图像处理技术的迅速发展使得基于图像处理进行水位识别的方式受到越来越多的关注，但仍存在一些由于水尺部分污渍损坏或者雨雾天气光照强度不足而影响图像读数的问题有待解决。基于图像稀疏表示的过完备信号稀疏表示理论最早是由MallatSG等提出的，其使用Gabor字典并引入匹配追踪算法，通过逐步逼近的方法对信号进行稀疏表示；2009年，Wright J.等提出基于稀疏表示的SRBC(SparseRepresentation-Based Classification)分类器，通过对测试人脸图像使用少量同一类的低维图像进行线性编码或者表示，在人脸识别分类上得以成功应用，该方法简单高效，针对光照、遮挡等问题具有一定的鲁棒性，其表现出来的优良特性已经引起越来越多学者的重视。
2006年，随着深度学习理论的完善，尤其是逐层学习和参数微调技术的出现，卷积神经网络快速发展，推动了篡改图像识别技术进入更高层次的研究。Belhassen Bayar等开发了一种新的卷积层形式，用以抑制医学图像的内容并自适应地学习操作检测特性，实验证明具有良好的识别效果；Chang Liang等对卷积神经网络在图像识别方面的研究进展与应用进行了深入分析，直观的给出了卷积神经网络的应用对图像理解效果的提升.；LiuWan jun等提出的基于双重优化的卷积神经网络图像识别算法，对卷积神经网络的识别性能进行了优化，为后续多种结构的卷积神经网络发展提供了一种新的思路。在利用CNN卷积神经网络研究图像识别方面，很多成熟的的研究方法启发了一些值得继续研究的方向。Zhang Wenda等提出的一种多通路结构的神经网络虽然有效降低了下采样对特征提取的影响，但是缺少权值共享，参数设计稍显复杂；Yi Chaoren等提出多通道卷积神经网络识别方法，随机融合4个不同梯度方向的特征，有效降低了识别错误率，但是此模型网络结构比较复杂，与单通道卷积神经网络相比，训练时间增加了接近一倍，且误差反向传播的时间有待于进一步缩短。
发明内容
有鉴于此，本发明的目的是提供一种基于卷积神经网络学习的强对流天气识别算法，以解决背景技术中的问题。
本发明提供了一种基于卷积神经网络学习的强对流天气识别算法，具体按以下步骤执行：
S1：首先采集历史天气流型模型，然后通过卷积神经网络训练学习，对历史天气流型通过训练学习得到识别模型；
S2：然后通过雷达实时气象图采取实时的暴雨天气流型模型，再通过步骤一中训练得到的识别模型对实时的天气流型模型进行识别；
S3：再判断步骤二中识别出的天气流型模型的实时天气系统是否位于被监测的关键区内；
S4：如果是，则输出符合发生地质灾害天气流型；如果否，则继续回到步骤S2继续进行实时的识别。
进一步，在步骤S1中，通过卷积神经网络学习找到表示天气流型的特征量，特征量为各个天气流型的中心点、轴线和范围分区。对天气流型图的分区，首先将天气流型图进行网格划分，把平面网格中的多个天气系统比作是多个“凹坑”，一个“凹坑”就代表一个天气系统，然后通过极值进行计算；
S3.1：识别天气流型图网格上所有极小值点，对每个点进行判断，如果周边的8个点都大于等于该点的值，那这是个极小值点；
S3.2：确定低值区，以极小值为中心的3*3格点组成一个低值区；
S3.3：合并低值区，对识别出来的极小值点，如果周边低值区内的极小值更小，则进行合并。
根据天气系统某种特征量进行判断。天气系统的识别的核心问题就是找到表示该系统的特征量。在计算出了特征量之后，可通过算法计算出特征量所描述的各个天气系统的中心点、轴线和范围分区。
进一步，对于天气流型模型带状分布的特征量高值区域，其轴线就是高值区的脊线，通过一个准垂直于该带状的风对特征量场进行平流。
进一步，在步骤S1中，通过卷积神经网络学习的历史天气流型模型包括锋面气旋天气流型、西南涡切变流型、西南涡-东北气旋流型、盛夏暖倒槽流型、登陆台风流型、纬向环流型、经向环流型、两高之间型和偏东气流型。
进一步，锋面气旋天气流型包括江淮气旋、切变线、低空急流、高空槽等多个天气系统，暴雨落区位于切变线附近。客观识别的天气系统有6个，如表一。
表一 主要影响天气系统及关键区参数表
Figure BDA0002653660270000031
进一步，西南涡切变天气流型包括西南涡、江汉平原涡、切变线、低空急流、高空槽等多个天气系统，暴雨落区位于西南涡前侧、江汉平原涡、切变线附近。客观识别的天气系统有7个，如表二。
表二 主要影响天气系统及关键区参数表
Figure BDA0002653660270000032
进一步，西南涡-东北气旋天气流型包括西南涡、东北气旋、切变线、高空槽等多个天气系统，暴雨落区位于西南涡与切变线结合区。客观识别的天气系统有3个。
表三 主要影响天气系统及关键区参数表
Figure BDA0002653660270000041
进一步，盛夏暖倒槽天气流型包括副高、暖倒槽、切变线、高空槽等多个天气系统，暴雨落区位于倒槽顶部与切变线结合区域附近。客观识别的天气系统有4个，如表四。
表四 主要影响天气系统及关键区参数表
Figure BDA0002653660270000042
进一步，登陆台风天气流型包括副高、台风等多个天气系统，暴雨落区位于副高、台风结合区附近。客观识别的天气系统有2个，如表五。
表五 主要影响天气系统及关键区参数表
Figure BDA0002653660270000043
纬向环流型
进一步，500hPa识别范围内，两槽两脊；副高处于东退(建议：两个时次西伸脊点变化)过程中；且有低涡或者切变(东西向)存在；地面有冷锋系统东移，如表六。
表六 主要影响天气系统及关键区参数表
Figure BDA0002653660270000051
进一步，经向环流型500hPa识别范围内，一槽两脊；南亚高压东扩；副高处于西进过程中；且有低涡或者切变(近乎南北向)存在；地面可能有冷锋系统，如表7。
表7主要影响天气系统及关键区参数表
Figure BDA0002653660270000052
进一步，两高之间型，500hPa识别范围内，两槽一脊；南亚高压稳定；副高和青藏高压同时存在；且有低涡或者切变(近乎南北向)存在；地面可能有冷锋系统，如表八。
表八 主要影响天气系统及关键区参数表
Figure BDA0002653660270000053
进一步，偏东气流型500hPa识别范围内，一槽两脊；南亚高压稳定；副高位于海上；南海有低值(台风)系统发展。如表九。
表九 主要影响天气系统及关键区参数表
Figure BDA0002653660270000054
Figure BDA0002653660270000061
进一步，本方法的卷积神经网络采用基于ResNet的卷积神经网络对历史天气流型模型进行识别学习和训练。
本发明的一种基于卷积神经网络学习的强对流天气识别算法的有益效果：该方法对强对流天气的雷达图像进行实时的识别，通过卷积神经网络学习训练得到的模型进行识别，能有效的得到不同的天气模型和判断在被监测区域的灾害模型。
附图说明
图1是本发明的方法流程图；
图2是本发明的锋面气旋天气流型图；
图3是本发明的西南涡切变流型图；
图4是本发明的西南涡-东北气旋流型图；
图5是本发明的盛夏暖倒槽流型图；
图6是本发明的登陆台风流型图；
图7是本发明的纬向环流型图；
图8是本发明的经向环流型图；
图9是本发明的两高之间型图；
图10是本发明的偏东气流型图。
具体实施方式
以下将结合附图和具体实施例对本发明进行详细说明，显然，所描述的实施例仅仅只是本申请一部分实施例，而不是全部的实施例，基于本申请中的实施例，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，都属于本申请保护的范围。
如图1所示，本发明的一种基于卷积神经网络学习的强对流天气识别算法，一种基于卷积神经网络学习的强对流天气识别算法，具体按以下步骤执行：
S1：首先采集历史天气流型模型，然后通过卷积神经网络训练学习，对历史天气流型通过训练学习得到识别模型；
S2：然后通过雷达实时气象图采取实时的暴雨天气流型模型，再通过步骤一中训练得到的识别模型对实时的天气流型模型进行识别；
S3：再判断步骤二中识别出的天气流型模型的实时天气系统是否位于被监测的关键区内；
S4：如果是，则输出符合发生地质灾害天气流型；如果否，则继续回到步骤S2继续进行实时的识别。
本实施例中，在步骤S1中，通过卷积神经网络学习找到表示天气流型的特征量，特征量为各个天气流型的中心点、轴线和范围分区。对天气流型图的分区，首先将天气流型图进行网格划分，把平面网格中的多个天气系统比作是多个“凹坑”，一个“凹坑”就代表一个天气系统，然后通过极值进行计算；
S3.1：识别天气流型图网格上所有极小值点，对每个点进行判断，如果周边的8个点都大于等于该点的值，那这是个极小值点；
S3.2：确定低值区，以极小值为中心的3*3格点组成一个低值区；
S3.3：合并低值区，对识别出来的极小值点，如果周边低值区内的极小值更小，则进行合并。
根据天气系统某种特征量进行判断。天气系统的识别的核心问题就是找到表示该系统的特征量。在计算出了特征量之后，可通过算法计算出特征量所描述的各个天气系统的中心点、轴线和范围分区。
本实施例中，对于天气流型模型带状分布的特征量高值区域，其轴线就是高值区的脊线，通过一个准垂直于该带状的风对特征量场进行平流。
本实施例中，在步骤S1中，通过卷积神经网络学习的历史天气流型模型包括锋面气旋天气流型、西南涡切变流型、西南涡-东北气旋流型、盛夏暖倒槽流型、登陆台风流型、纬向环流型、经向环流型、两高之间型和偏东气流型。
本实施例中，锋面气旋天气流型包括江淮气旋、切变线、低空急流、高空槽等多个天气系统，暴雨落区位于切变线附近。客观识别的天气系统有6个，如表一。
表一 主要影响天气系统及关键区参数表
Figure BDA0002653660270000071
Figure BDA0002653660270000081
本实施例中，西南涡切变天气流型包括西南涡、江汉平原涡、切变线、低空急流、高空槽等多个天气系统，暴雨落区位于西南涡前侧、江汉平原涡、切变线附近。客观识别的天气系统有7个，如表二。
表二 主要影响天气系统及关键区参数表
Figure BDA0002653660270000082
本实施例中，西南涡-东北气旋天气流型包括西南涡、东北气旋、切变线、高空槽等多个天气系统，暴雨落区位于西南涡与切变线结合区。客观识别的天气系统有3个。
表三 主要影响天气系统及关键区参数表
Figure BDA0002653660270000083
本实施例中，盛夏暖倒槽天气流型包括副高、暖倒槽、切变线、高空槽等多个天气系统，暴雨落区位于倒槽顶部与切变线结合区域附近。客观识别的天气系统有4个，如表四。
表四 主要影响天气系统及关键区参数表
Figure BDA0002653660270000084
Figure BDA0002653660270000091
本实施例中，登陆台风天气流型包括副高、台风等多个天气系统，暴雨落区位于副高、台风结合区附近。客观识别的天气系统有2个，如表五。
表五 主要影响天气系统及关键区参数表
Figure BDA0002653660270000092
纬向环流型
本实施例中，500hPa识别范围内，两槽两脊；副高处于东退(建议：两个时次西伸脊点变化)过程中；且有低涡或者切变(东西向)存在；地面有冷锋系统东移，如表六。
表六 主要影响天气系统及关键区参数表
Figure BDA0002653660270000093
本实施例中，经向环流型500hPa识别范围内，一槽两脊；南亚高压东扩；副高处于西进过程中；且有低涡或者切变(近乎南北向)存在；地面可能有冷锋系统，如表7。
表7主要影响天气系统及关键区参数表
Figure BDA0002653660270000094
Figure BDA0002653660270000101
本实施例中，两高之间型，500hPa识别范围内，两槽一脊；南亚高压稳定；副高和青藏高压同时存在；且有低涡或者切变(近乎南北向)存在；地面可能有冷锋系统，如表八。
表八 主要影响天气系统及关键区参数表
Figure BDA0002653660270000102
本实施例中，偏东气流型500hPa识别范围内，一槽两脊；南亚高压稳定；副高位于海上；南海有低值(台风)系统发展。如表九。
表九 主要影响天气系统及关键区参数表
Figure BDA0002653660270000103
本实施例中，本方法的卷积神经网络采用基于ResNet的卷积神经网络对历史天气流型模型进行识别学习和训练。
以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。本发明未详细描述的技术、形状、构造部分均为公知技术。

Claims (6)

1.一种基于卷积神经网络学习的强对流天气识别算法，具体按以下步骤执行：
S1：首先采集历史天气流型模型，然后通过卷积神经网络训练学习，对历史天气流型通过训练学习得到识别模型；
S2：然后通过雷达实时气象图采取实时的暴雨天气流型模型，再通过步骤一中训练得到的识别模型对实时的天气流型模型进行识别；
S3：再判断步骤二中识别出的天气流型模型的实时天气系统是否位于被监测的关键区内；
S4：如果是，则输出符合发生地质灾害天气流型；如果否，则继续回到步骤S2继续进行实时的识别。
2.根据权利要求1所述的一种基于卷积神经网络学习的强对流天气识别算法，其特征在于：在步骤S1中，通过卷积神经网络学习找到表示天气流型的特征量，特征量为各个天气流型的中心点、轴线和范围分区。
3.根据权利要求2所述的一种基于卷积神经网络学习的强对流天气识别算法，其特征在于：对天气流型图的分区，首先将天气流型图进行网格划分，把平面网格中的多个天气系统比作是多个“凹坑”，一个“凹坑”就代表一个天气系统，然后通过极值进行计算；
S3.1：识别天气流型图网格上所有极小值点，对每个点进行判断，如果周边的8个点都大于等于该点的值，那这是个极小值点；
S3.2：确定低值区，以极小值为中心的3*3格点组成一个低值区；
S3.3：合并低值区，对识别出来的极小值点，如果周边低值区内的极小值更小，则进行合并。
4.根据权利要求2所述的一种基于卷积神经网络学习的强对流天气识别算法，其特征在于：对于天气流型模型带状分布的特征量高值区域，其轴线就是高值区的脊线，通过一个准垂直于该带状的风对特征量场进行平流。
5.根据权利要求1所述的一种基于卷积神经网络学习的强对流天气识别算法，其特征在于：在步骤S1中，通过卷积神经网络学习的历史天气流型模型包括锋面气旋天气流型、西南涡切变流型、西南涡-东北气旋流型、盛夏暖倒槽流型、登陆台风流型、纬向环流型、经向环流型、两高之间型和偏东气流型。
6.根据权利要求1所述的一种基于卷积神经网络学习的强对流天气识别算法，其特征在于：本方法的卷积神经网络采用基于ResNet的卷积神经网络对历史天气流型模型进行识别学习和训练。
CN202010879405.2A 2020-08-27 2020-08-27 一种基于卷积神经网络学习的强对流天气识别算法 Pending CN112016615A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010879405.2A CN112016615A (zh) 2020-08-27 2020-08-27 一种基于卷积神经网络学习的强对流天气识别算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010879405.2A CN112016615A (zh) 2020-08-27 2020-08-27 一种基于卷积神经网络学习的强对流天气识别算法

Publications (1)

Publication Number Publication Date
CN112016615A true CN112016615A (zh) 2020-12-01

Family

ID=73502269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010879405.2A Pending CN112016615A (zh) 2020-08-27 2020-08-27 一种基于卷积神经网络学习的强对流天气识别算法

Country Status (1)

Country Link
CN (1) CN112016615A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668811A (zh) * 2021-02-08 2021-04-16 河南省气象台(黄河流域气象中心、河南省环境气象预报预警中心) 基于深度学习的低涡、切变线自动识别与追踪方法及系统
CN113344902A (zh) * 2021-06-25 2021-09-03 成都信息工程大学 一种基于深度学习的强对流天气雷达图识别模型及方法
CN114355482A (zh) * 2022-01-04 2022-04-15 成都信息工程大学 基于光流和气象数值预报的强对流天气识别方法及系统
CN115169236A (zh) * 2022-07-22 2022-10-11 黄河水利委员会水文局 一种基于数据挖掘与天气分析结合的切变线自动识别方法
CN115731560A (zh) * 2022-12-06 2023-03-03 中科三清科技有限公司 一种基于深度学习的槽线识别方法、装置、存储介质及终端

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
KR20190057013A (ko) * 2017-11-17 2019-05-27 한국외국어대학교 연구산학협력단 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법
CN110197218A (zh) * 2019-05-24 2019-09-03 绍兴达道生涯教育信息咨询有限公司 基于多源卷积神经网络的雷雨大风等级预测分类方法
CN111178438A (zh) * 2019-12-31 2020-05-19 象辑知源（武汉）科技有限公司 一种基于ResNet101的天气类型识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
KR20190057013A (ko) * 2017-11-17 2019-05-27 한국외국어대학교 연구산학협력단 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법
CN110197218A (zh) * 2019-05-24 2019-09-03 绍兴达道生涯教育信息咨询有限公司 基于多源卷积神经网络的雷雨大风等级预测分类方法
CN111178438A (zh) * 2019-12-31 2020-05-19 象辑知源（武汉）科技有限公司 一种基于ResNet101的天气类型识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
闵晶晶: "京津冀地区强对流天气特征和预报技术研究", 中国博士学位论文全文数据库, 30 September 2012 (2012-09-30), pages 009 - 22 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668811A (zh) * 2021-02-08 2021-04-16 河南省气象台(黄河流域气象中心、河南省环境气象预报预警中心) 基于深度学习的低涡、切变线自动识别与追踪方法及系统
CN112668811B (zh) * 2021-02-08 2022-06-21 河南省气象台(黄河流域气象中心、河南省环境气象预报预警中心) 基于深度学习的低涡、切变线自动识别与追踪方法及系统
CN113344902A (zh) * 2021-06-25 2021-09-03 成都信息工程大学 一种基于深度学习的强对流天气雷达图识别模型及方法
CN114355482A (zh) * 2022-01-04 2022-04-15 成都信息工程大学 基于光流和气象数值预报的强对流天气识别方法及系统
CN114355482B (zh) * 2022-01-04 2022-08-16 成都信息工程大学 基于光流和气象数值预报的强对流天气识别方法及系统
CN115169236A (zh) * 2022-07-22 2022-10-11 黄河水利委员会水文局 一种基于数据挖掘与天气分析结合的切变线自动识别方法
CN115731560A (zh) * 2022-12-06 2023-03-03 中科三清科技有限公司 一种基于深度学习的槽线识别方法、装置、存储介质及终端

Similar Documents

Publication Publication Date Title
CN112016615A (zh) 一种基于卷积神经网络学习的强对流天气识别算法
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
CN109815886A (zh) 一种基于改进YOLOv3的行人和车辆检测方法及系统
CN110223302A (zh) 一种基于旋转区域提取的舰船多目标检测方法
CN113487730B (zh) 一种基于激光雷达点云数据的城市三维自动建模方法
CN110208880B (zh) 一种基于深度学习和卫星遥感技术的海雾检测方法
CN103839065A (zh) 人群动态聚集特征提取方法
CN104732215A (zh) 一种基于信息向量机的遥感影像海岸线提取方法
CN108254750B (zh) 一种基于雷达资料的下击暴流智能识别预警方法
CN112132371A (zh) 一种耦合熵权-模糊聚类算法的城市洪涝风险评估方法
CN117556197B (zh) 一种基于人工智能的台风涡旋初始化方法
CN112380944B (zh) 一种基于卫星遥感的输电杆塔结构状态的评估方法和系统
CN112200225A (zh) 基于深度卷积神经网络的钢轨伤损b显图像识别方法
CN109977569B (zh) 一种融合多因素的mos风暴潮过程灾害模拟方法
Zheng et al. A review of remote sensing image object detection algorithms based on deep learning
CN115115138A (zh) 一种近海风暴潮增水预测方法
CN114882410B (zh) 基于改进定位损失函数的隧道顶灯故障检测方法及系统
CN115859577A (zh) 基于气象预报的水华预警方法、装置、介质及设备
CN114882373A (zh) 基于深度神经网络的多特征融合沙尘暴预测方法
CN116188442A (zh) 一种适用于任意场景下的高精度森林烟火检测方法
CN113837283B (zh) 一种基于均值聚类与线性判别的热带气旋等级划分方法
CN115423810A (zh) 一种风力发电机组叶片覆冰形态分析方法
CN111639623B (zh) 结合空间距离约束的多尺度船企场景识别与提取方法
CN113689053A (zh) 一种基于随机森林的强对流天气架空线停电预测方法
CN117171856B (zh) 一种基于手持Lidar的公路铁路数字信息建模方法

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