CN113253275A - 一种基于改进rbf神经网络的降雨量估计方法 - Google Patents
一种基于改进rbf神经网络的降雨量估计方法 Download PDFInfo
- Publication number
- CN113253275A CN113253275A CN202110436086.2A CN202110436086A CN113253275A CN 113253275 A CN113253275 A CN 113253275A CN 202110436086 A CN202110436086 A CN 202110436086A CN 113253275 A CN113253275 A CN 113253275A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- neural network
- rbf neural
- radar
- reflectivity
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000002310 reflectometry Methods 0.000 claims abstract description 59
- 230000002068 genetic effect Effects 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000011056 performance test Methods 0.000 claims abstract description 7
- 238000012163 sequencing technique Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims description 16
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 6
- 239000002245 particle Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- G01S7/417—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 involving the use of neural networks
-
- 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Hydrology & Water Resources (AREA)
- Electromagnetism (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于改进RBF神经网络的降雨量估计方法,包括如下步骤:(1)建立气象雷达反射率和雨量计降雨量之间的空间‑时间对应关系,使用2*2的mask确定每个雨量计对应的雷达反射率位置;(2)对处理过后的雷达反射率和降雨量分别从小到大排序,删除重复数据,构建网络的气象数据集;(3)构建包括输入层、隐层、输出层三层的前馈式RBF神经网络,用于反射率和降雨量的关系逼近;(4)采用遗传算法选择RBF神经网络的最优参数;(5)使用气象测试集对搭建的改进RBF神经网络进行性能测试。本发明无需目标地区的气象先验信息,对不同型号气象雷达均可适用;操作简单,运行时间快,网络性能稳定。
Description
技术领域
本发明涉及气象雷达信号处理、雨量估计技术领域,尤其是一种基于改进RBF神经网络的降雨量估计方法。
背景技术
随着电子器件的发展,雷达技术在许多领域衍生出专用的雷达,如激光雷达、防空雷达、气象雷达等。气象雷达是一种主动式微波大气遥感设备,在农业种植、防涝减灾、灾害预警等领域发挥着重要的作用。降雨量估计技术便是实现这些目的的关键,它是指由气象雷达发射电磁波探测到降雨粒子的回波数据,反演得到包含降雨等丰富的气象信息的过程。
传统的气象雷达降雨量估计技术大多是基于降雨粒子的物理结构或雨量站的统计信息实现,通过建立降雨量R和雷达反射率因子Z之间的等式,完成降雨量估计。但是这些等式的参数需要根据当地的气象历史信息进行修正,且在不同波段和不同地区的气象雷达,降雨量等式中的气象参数大多不同,这对气象雷达降雨量估计的工作带来诸多不便。
近年来,神经网络在解决函数逼近,全局最优问题上得到了成功的运用。降雨量估计可认为是一种函数逼近问题,因此使用神经网络拟合雷达反射率和降雨量的关系成为新兴的研究方向。Xiao等人于1997年率先提出使用BP网络对气象雷达降雨量进行估计,并证实神经网络是一种可替代传统降雨估计算法的方式。2000年,Orlandnin等人使用三种不同的神经网络对气象雷达进行降雨量估计,在训练集较小的情况下,使用ANN模型获得降雨估计较大的性能提升。2007年,Teschl等人证实在降雨数据存在干扰的条件下,使用神经网络估计降雨量仍具有可行性。Chen等人于2019年同时使用仿真和实测气象数据,利用深度学习技术对降雨量进行估计,获得了优于传统Z-R关系算法的性能表现。
发明内容
本发明所要解决的技术问题在于,提供一种基于改进RBF神经网络的降雨量估计方法,操作简单,运行时间快,网络性能稳定,对不同型号的气象雷达均可适用。
为解决上述技术问题,本发明提供一种基于改进RBF神经网络的降雨量估计方法,包括如下步骤:
(1)建立气象雷达反射率和雨量计降雨量之间的空间-时间对应关系,使用2*2的mask确定每个雨量计对应的雷达反射率位置;
(2)对处理过后的雷达反射率和降雨量分别从小到大排序,删除重复数据,构建网络的气象数据集;
(3)构建包括输入层、隐层、输出层三层的前馈式RBF神经网络,用于反射率和降雨量的关系逼近;
(4)采用遗传算法选择RBF神经网络的最优参数;
(5)使用气象测试集对搭建的改进RBF神经网络进行性能测试。
优选的,步骤(1)中,建立的空间-时间对应关系如下:
Z′=Sum(Z,Z1,Z2,Z3)/4
其中Z′是雨量计位置对应的等效雷达反射率;Z1,Z2和Z3是距离雨量计所在雷达反射率Z分辨单元最近的三个雷达反射率;Zc是更新采样间隔的等效雷达反射率;Zt′是包含时间关系的Z′;Rc是更新采样间隔的等效降雨量;Rt是包含时间关系的降雨量,N是雷达采样间隔和雨量计采样间隔的最小公倍数。
优选的,步骤(2)中,排序方法为从小到大,删除重复数据的方式为:对反射率因子仅保留相同值的一个,对降雨量取相同反射率对应不同的降雨量的平均值;
Zs=sort(Zc),Rs=sort(Rc)
Zu=unique(Zs),Ru=mean(C(Zu,Rs))
其中Zs是排序后的雷达反射率时间序列;Rs排序后的降雨量时间序列;Zu是删除Zs重复数据后的雷达发射率;Ru是雷达反射率Zu对应的降雨量,C(·)代表取对应操作。
优选的,步骤(3)中,RBF神经网络包含输入层、隐层和输出层,其中网络隐层的核函数选择高斯函数;
其中cmax是基于K近邻算法选择基函数中心的最大值,K是初始划分数据组的个数。优选的,步骤(4)中,遗传算法的适应度函数为
Fm=|N(Y)-Rm|,(m=1,2,...P)
其中Fm是适应度函数;N(Y)是RBF神经网络的输出;Rm是雨量计测得的降雨量;P是遗传算法的种群数量。
优选的,步骤(5)中,采用测试集测试网络性能,并基于现有的气象雷达反射率图像IZ,反演降雨量图像IR。
本发明的有益效果为:本发明无需目标地区的气象先验信息,对不同型号气象雷达均可适用;操作简单,运行时间快,网络性能稳定。
附图说明
图1为本发明的方法流程示意图。
图2为本发明的实施例中降雨量与雷达反射率的空间-时间关系示意图。
图3为本发明的实施例中2*2的mask示意图。
图4为本发明建立的使用改进RBF网络逼近Z-R关系与其他方法的对比图。
图5(a)为本发明气象雷达反射率因子图像IZ示意图。
具体实施方式
如图1所示,一种基于改进RBF神经网络的降雨量估计方法,包括如下步骤:
(1)建立气象雷达反射率和雨量计降雨量之间的空间-时间对应关系,使用2*2的mask确定每个雨量计对应的雷达反射率位置;
(2)对处理过后的雷达反射率和降雨量分别从小到大排序,删除重复数据,构建网络的气象数据集;
(3)构建包括输入层、隐层、输出层三层的前馈式RBF神经网络,用于反射率和降雨量的关系逼近;
(4)采用遗传算法选择RBF神经网络的最优参数;
(5)使用气象测试集对搭建的改进RBF神经网络进行性能测试。
具体实现步骤如下:
步骤1,如图2所示,建立气象雷达反射率和雨量计降雨量之间的空间-时间对应关系,使用2*2的mask确定每个雨量计对应的雷达反射率位置,mask示意图如图3所示。
步骤11,建立气象雷达反射率和雨量计降雨量之间的空间对应关系。
Z′=Sum(Z,Z1,Z2,Z3)/4
其中Z′是雨量计位置对应的等效雷达反射率;Z1,Z2和Z3是距离雨量计所在雷达反射率Z分辨单元最近的三个雷达反射率;
步骤12,建立气象雷达反射率和雨量计降雨量之间的时间对应关系。
其中Zc是更新采样间隔的等效雷达反射率;Zt′是包含时间关系的Z′;Rc是更新采样间隔的等效降雨量;Rt是包含时间关系的降雨量。N是雷达采样间隔和雨量计采样间隔的最小公倍数。
步骤2,构建数据集:对处理过后的雷达反射率和降雨量分别从小到大排序,删除重复数据,构建网络的气象数据集;
步骤21,将反射率因子和降雨量数据按从小到大排序。
Zs=sort(Zc),Rs=sort(Rc)
其中Zs是排序后的雷达反射率时间序列;Rs排序后的降雨量时间序列。
步骤22,删除反射率因子和降雨量的重复数据,方法为对反射率因子仅保留相同值的一个,对降雨量取相同反射率对应不同的降雨量的平均值。
Zu=unique(Zs),Ru=mean(C(Zu,Rs))
其中Zu是删除Zs重复数据后的雷达发射率;Ru是雷达反射率Zu对应的降雨量,C(·)代表取对应操作。
步骤3,构建包括输入层、隐层、输出层三层的前馈式RBF神经网络,用于反射率和降雨量的关系逼近。其中网络隐层的核函数选择高斯函数。
其中cmax是基于K近邻算法选择基函数中心的最大值,K是初始划分数据组的个数。
步骤4,采用遗传算法选择RBF神经网络的最优参数;具体为,使用遗传算法确定RBF神经网络的参数,遗传算法的适应度函数为
Fm=|N(Y)-Rm|,(m=1,2,...P)
其中Fm是适应度函数;N(Y)是RBF神经网络的输出;Rm是雨量计测得的降雨量;P是遗传算法的种群数量。为更符合自然进化的规律,本专利的交叉概率和变异概率选择0.8和0.2。使用改进RBF网络逼近Z-R关系与其他方法的对比图如图4所示。
步骤5,使用气象测试集对搭建的改进RBF神经网络进行性能测试。具体为,使用气象测试集对搭建的改进RBF神经网络进行性能测试,基于现有的气象雷达反射率图像IZ如图5(a)所示,反演降雨量图像IR如图5(b)、图5(c)、图5(d)所示。
Claims (6)
1.一种基于改进RBF神经网络的降雨量估计方法,其特征在于,包括如下步骤:
(1)建立气象雷达反射率和雨量计降雨量之间的空间-时间对应关系,使用2*2的mask确定每个雨量计对应的雷达反射率位置;
(2)对处理过后的雷达反射率和降雨量分别从小到大排序,删除重复数据,构建网络的气象数据集;
(3)构建包括输入层、隐层、输出层三层的前馈式RBF神经网络,用于反射率和降雨量的关系逼近;
(4)采用遗传算法选择RBF神经网络的最优参数;
(5)使用气象测试集对搭建的改进RBF神经网络进行性能测试。
3.如权利要求1所述的基于改进RBF神经网络的降雨量估计方法,其特征在于,步骤(2)中,排序方法为从小到大,删除重复数据的方式为:对反射率因子仅保留相同值的一个,对降雨量取相同反射率对应不同的降雨量的平均值;
Zs=sort(Zc),Rs=sort(Rc)
Zu=unique(Zs),Ru=mean(C(Zu,Rs))
其中Zs是排序后的雷达反射率时间序列;Rs排序后的降雨量时间序列;Zu是删除Zs重复数据后的雷达发射率;Ru是雷达反射率Zu对应的降雨量,C(·)代表取对应操作。
4.如权利要求1所述的基于改进RBF神经网络的降雨量估计方法,其特征在于,步骤(3)中,RBF神经网络包含输入层、隐层和输出层,其中网络隐层的核函数选择高斯函数;
其中Z′是雨量计位置对应的等效雷达反射率;Z1,Z2和Z3是距离雨量计所在雷达反射率Z分辨单元最近的三个雷达反射率;Zc是更新采样间隔的等效雷达反射率;Zt′是包含时间关系的Z′;Rc是更新采样间隔的等效降雨量;Rt是包含时间关系的降雨量,N是雷达采样间隔和雨量计采样间隔的最小公倍数;其中cmax是基于K近邻算法选择基函数中心的最大值,K是初始划分数据组的个数。
5.如权利要求1所述的基于改进RBF神经网络的降雨量估计方法,其特征在于,步骤(4)中,遗传算法的适应度函数为
Fm=|N(Y)-Rm|,(m=1,2,...P)
其中Fm是适应度函数;N(Y)是RBF神经网络的输出;Rm是雨量计测得的降雨量;P是遗传算法的种群数量。
6.如权利要求1所述的基于改进RBF神经网络的降雨量估计方法,其特征在于,步骤(5)中,采用测试集测试网络性能,基于雷达反射率图像IZ,反演降雨量图像IR。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110436086.2A CN113253275B (zh) | 2021-04-22 | 一种基于改进rbf神经网络的降雨量估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110436086.2A CN113253275B (zh) | 2021-04-22 | 一种基于改进rbf神经网络的降雨量估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113253275A true CN113253275A (zh) | 2021-08-13 |
CN113253275B CN113253275B (zh) | 2024-07-02 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114966902A (zh) * | 2022-05-16 | 2022-08-30 | 哈尔滨工业大学 | 一种基于神经网络的降雨量自动估测方法及系统 |
Citations (8)
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 |
CN108154273A (zh) * | 2017-12-29 | 2018-06-12 | 青海大学 | 一种基于神经网络的降水数据的估算方法和装置 |
CN109255485A (zh) * | 2018-09-13 | 2019-01-22 | 中国地质调查局南京地质调查中心 | 基于rbfn机器学习的降雨型地质灾害预警预报模型及学习方法 |
US20190064346A1 (en) * | 2017-08-30 | 2019-02-28 | Weather Analytics Llc | Radar Artifact Reduction System for the Detection of Hydrometeors |
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 |
CN111308581A (zh) * | 2020-04-10 | 2020-06-19 | 海南省气象科学研究所 | 一种基于时空局部模型的雷达-雨量计联合降水估测方法 |
CN111401602A (zh) * | 2019-12-31 | 2020-07-10 | 河海大学 | 基于神经网络的卫星以及地面降水测量值同化方法 |
CN111521990A (zh) * | 2020-05-11 | 2020-08-11 | 沈阳工业大学 | 一种基于多层雷达回波数据的降雨量分析方法 |
Patent Citations (8)
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 |
US20190064346A1 (en) * | 2017-08-30 | 2019-02-28 | Weather Analytics Llc | Radar Artifact Reduction System for the Detection of Hydrometeors |
CN108154273A (zh) * | 2017-12-29 | 2018-06-12 | 青海大学 | 一种基于神经网络的降水数据的估算方法和装置 |
CN109255485A (zh) * | 2018-09-13 | 2019-01-22 | 中国地质调查局南京地质调查中心 | 基于rbfn机器学习的降雨型地质灾害预警预报模型及学习方法 |
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 |
CN111401602A (zh) * | 2019-12-31 | 2020-07-10 | 河海大学 | 基于神经网络的卫星以及地面降水测量值同化方法 |
CN111308581A (zh) * | 2020-04-10 | 2020-06-19 | 海南省气象科学研究所 | 一种基于时空局部模型的雷达-雨量计联合降水估测方法 |
CN111521990A (zh) * | 2020-05-11 | 2020-08-11 | 沈阳工业大学 | 一种基于多层雷达回波数据的降雨量分析方法 |
Non-Patent Citations (2)
Title |
---|
TSUN-HUA YANG 等: "Improving radar estimates of rainfall using an input subset of artificial neural networks", 《J. APPL. REMOTE SENS》 * |
李爱武 等: "基于数据挖掘降雨量建模和预测", 《计算机应用与软件》, vol. 31, no. 6, pages 55 - 58 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114966902A (zh) * | 2022-05-16 | 2022-08-30 | 哈尔滨工业大学 | 一种基于神经网络的降雨量自动估测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110136154B (zh) | 基于全卷积网络与形态学处理的遥感图像语义分割方法 | |
US5796611A (en) | Weather forecast apparatus and method based on recognition of echo patterns of radar images | |
CN113496104B (zh) | 基于深度学习的降水预报订正方法及系统 | |
CN109523013B (zh) | 基于浅层卷积神经网络的空气颗粒物污染程度估计方法 | |
CN111785014B (zh) | 一种基于dtw-rgcn的路网交通数据修复的方法 | |
CN111967679B (zh) | 基于tcn模型的电离层总电子含量预报方法 | |
CN112446419A (zh) | 基于注意力机制的时空神经网络雷达回波外推预报方法 | |
CN112200362B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
CN113239722B (zh) | 基于深度学习在多尺度下的强对流外推方法及系统 | |
CN112070103B (zh) | 通过微波链路网格化自适应可变尺度反演大气能见度的方法 | |
CN106530329A (zh) | 一种基于分数阶微分和多特征联合的稀疏表示跟踪方法 | |
CN112364974B (zh) | 一种基于激活函数改进的YOLOv3算法 | |
CN114966233A (zh) | 基于深度神经网络的雷电预报系统及方法 | |
CN114723188A (zh) | 水质预测方法、装置、计算机设备和存储介质 | |
CN111368653A (zh) | 一种基于r-d图与深度神经网络的低空小目标检测方法 | |
CN112200355B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
CN117636183A (zh) | 一种基于自监督预训练的小样本遥感图像分类方法 | |
CN111814961A (zh) | 基于生成式对抗网络的降水预报的方法 | |
CN112802011A (zh) | 一种基于vgg-bls的风机叶片缺陷检测方法 | |
CN117131991A (zh) | 基于混合神经网络的城市降雨量预测方法及平台 | |
CN113253275A (zh) | 一种基于改进rbf神经网络的降雨量估计方法 | |
CN113253275B (zh) | 一种基于改进rbf神经网络的降雨量估计方法 | |
CN116679355A (zh) | 一种基于级联Attention-U-Net的降水预报订正方法 | |
CN116012618A (zh) | 一种基于雷达回波图的天气辨识方法、系统、设备及介质 |
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 |