CN113255972B - 基于Attention机制的短临降水预测方法 - Google Patents
基于Attention机制的短临降水预测方法 Download PDFInfo
- Publication number
- CN113255972B CN113255972B CN202110502961.2A CN202110502961A CN113255972B CN 113255972 B CN113255972 B CN 113255972B CN 202110502961 A CN202110502961 A CN 202110502961A CN 113255972 B CN113255972 B CN 113255972B
- Authority
- CN
- China
- Prior art keywords
- radar echo
- attention
- sublayer
- output
- layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000007246 mechanism Effects 0.000 title claims abstract description 18
- 238000001556 precipitation Methods 0.000 claims abstract description 41
- 238000010586 diagram Methods 0.000 claims abstract description 22
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims abstract description 4
- 238000002310 reflectometry Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 14
- 238000002474 experimental method Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- 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"
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Radar Systems Or Details Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于Attention机制的短临降水预测方法,属于天气预报技术领域,其包括以下步骤:首先输入前t时刻的雷达回波图序列(V1,V2,…,Vt)和模式数据Key(K),对输入数据进行数据清洗与去噪,得到处理后的输入数据;然后将雷达回波图的灰度图像输入包含4层卷积和最大池化的神经网络,然后经过线性全连接层得到n维数组;接着将雷达回波图序列、模式数据和S2中的Query输入包括4个Attention单元和Norm层的编码器,将结果输入包括4个Attention单元、Norm层和全连接层的解码器,得到预测雷达回波图序列;最后对预测的雷达回波图像,通过Z‑R变换得到未来的区域降水预测,输出短临降水预测结果。本发明能够融合多种气象数据的特征、降低噪声干扰、提升降水预测的精度。
Description
技术领域
本发明属于天气预报技术领域,具体涉及基于Attention机制的短临降水预测方法。
背景技术
气象因素的变化(如风速、温度、湿度、降水等)都深刻地影响着人类的生活。准确预报未来气象要素,可广泛服务于人们日常生活,交通运输,农林畜牧业,致灾天气避险等领域。随着地球观测卫星数量增长与气候模型日益增强,气象研究者们面临着更大规模的数据。
目前,数值预报与基于数值预报数据的人工智能预报是天气预报的主要方法。对于数值天气预报方法而言,短期预报需要复杂的物理大气模型仿真。近年来,深度学习方法已开始被应用于天气预报。
然而,目前传统方法以使用2D-CNN或3D-CNN为主,精度(主要采用CSI指数衡量)不高;本发明提出的短临降水预测方法,通过Attention机制实现Seq2Seq,使得模型输出更接近真实值,同时融合了13个特征通道(包含9种海拔下的湿度,12种海拔下的风速和2种降雨强度)的模式数据,能够较大程度地提升精度。
发明内容
本发明的目的是提供基于Attention机制的短临降水预测方法,不仅利于模型的训练与提高短临降水预测精度特别是暴雨的预测精度,而且能够解决现有技术中存在的降水数据不均衡、暴雨预测精度低、气象数据图像化及标准化的不适当策略、模型融合特征较少的技术问题。
为了实现上述发明目的,本发明采用如下技术方案:基于Attention机制的短临降水预测方法,包括以下步骤:
S1:首先输入前t时刻的雷达回波图序列(V1,V2,...,Vt)和模式数据Key(K),对输入数据进行数据清洗与去噪,得到处理后的输入数据;S2:然后将雷达回波图的灰度图像输入包含4层卷积和最大池化的卷积神经网络(CNN),然后经过线性全连接层得到n维数组,这n维数组作为Query(Q);S3:接着将雷达回波图序列、模式数据和S2中的Query输入包括4个Attention单元和Norm层的编码器,然后将结果输入包括4个Attention单元、Norm层和全连接层的解码器,得到预测雷达回波图序列Vt+1,Vt+2,...,Vt+p;S4:最后对预测的雷达回波图像,通过Z-R变换得到未来的区域降水预测,输出短临降水预测结果Yt+1,Yt+2,...,Yt+p,其中,Yt+q表示预测的t+q时刻的雷达回波图转换为降水图后的结果,1≤q≤p,p表示短临降水预测时刻的总数。
进一步地,对输入t时刻的历史雷达回波图序列的去噪过程包括以下步骤:S11.对未去噪的历史雷达回波图引入平滑因子以进行地物剔除;S12.对经过S11处理后的历史雷达回波图使用二维小波变换进行去噪。对输入的图像使用3×3的卷积核对图像进行卷积操作,卷积计算公式为
其中F为卷积核,G为原图像,H为卷积变换后的图像;
线性全连接层的输出可以表示为
Q=WTV
其中V表示线性全连接层的输入,Q表示线性全连接层的输出,W为待训练权重参数。
进一步地,所述的步骤S3中,需要将原始雷达回波图V,模式数据K和S2中线性层输出结果Qencoder输入到Attention单元中,Attention单元的输出表示为
假设序列中每个样本x第i维的均值为μi,方差为σi,则经过Norm层后的结果为
一个Attention和一个Norm构成一个子层Sublayer,则
Sublayer(V)=Norm(V+Attention(Qencoder,K,V))
编码器由4个这样的子层构成,每个子层的输出Sublayer(Vi′)被作为输入Vi+1输入到下一子层中(i=0,1,2,3),编码器的输出为每个子层的输出的连接(V1′,V2′,V3′,V4′);
解码器的输入为:编码器的输出(V1′,V2′,V3′,V4′),模式数据K和解码器前一时间步的输出Ot+q-1,在时间步t+q,对Ot+q-1进行S2中的卷积和全连接操作,即
Qdecoder,t+q=FFNN(CNN(Ot+q-1))
则第j个Attention单元的输出表示为
假设序列中每个样本x第i维的均值为μi,方差为σi,则经过Norm层后的结果为
一个Attention和一个Norm构成一个子层,则
Sublayer(V’)=Norm(V+Attention(Qdecoder,t+q,K,V’))
在时间步t+q,解码器的输出为各子层输出的均值,即
Ot+q=mean(Sublayer(V1′),Sublayer(V2′),...,Sublayer(V4′)),1≤q≤p。
根据预测图像序列计算出反射率因子Z,然后根据关系式
Z=70R1.38
推算出降水率R,至此已完成对短临降水的预测。
与现有技术相比,该发明的有益效果如下:本发明的基于Attention机制的短临降水预测方法是基于Seq2Seq思想的视频预测方法,在对未来的云层空间分布进行预测时,借助Attention机制的优势,充分考虑到了历史变化的趋势并融入了标准的模式数据,使得预测更加准确;同时网络参数相比3DCNN减少了60%,降低了训练所需的时间和硬件成本。
附图说明
图1为基于Attention机制的短临降水预测方法的网络架构图。
图2为基于Attention机制的短临降水预测方法的流程图。
具体实施方式
为了加深对本发明的认识和理解,下面结合附图和具体实施例对本发明进一步说明。
实施例1:参见图1,基于Attention机制的短临降水预测方法,包括以下步骤:
首先输入前t时刻的雷达回波图序列(V1,V2,...,Vt)和模式数据Key(K),对输入数据进行数据清洗与去噪,得到处理后的输入数据;然后将雷达回波图的灰度图像输入包含4层卷积和最大池化的CNN网络,然后经过线性全连接层得到n维数组,这n维数组作为Query(Q);接着将雷达回波图序列、模式数据和S2中的Query输入包括4个Attention单元和Norm层的编码器,然后将结果输入包括4个Attention单元、Norm层和全连接层的解码器,得到预测雷达回波图序列Vt+1,Vt+2,...,Vt+p;最后对预测的雷达回波图像,通过Z-R变换得到未来的区域降水预测,输出短临降水预测结果Yt+1,Yt+2,...,Yt+p,其中,Yt+q表示预测的t+q时刻的雷达回波图转换为降水图后的结果,1≤q≤p,p表示短临降水预测时刻的总数。
进一步地,对输入t时刻的历史雷达回波图序列的去噪过程包括以下步骤:1.对未去噪的历史雷达回波图引入平滑因子以进行地物剔除;2.对经过S11处理后的历史雷达回波图使用二维小波变换进行去噪。对输入的图像使用3×3的卷积核对图像进行卷积操作,卷积计算公式为
其中F为卷积核,G为原图像,H为卷积变换后的图像;
线性全连接层(FFNN)的输出可以表示为
Q=WTV
将原始雷达回波图V,模式数据K和S2中线性层输出结果Qencoder输入到Attention单元中,Attention单元的输出表示为
假设序列中每个样本x第i维的均值为μi,方差为σi,则经过Norm层后的结果为
一个Attention和一个Norm构成一个子层,则
Sublayer(V)=Norm(V+Attention(Qencoder,K,V))
编码器由4个这样的子层构成,每个子层的输出Sublayer(Vi′)被作为输入Vi+1输入到下一子层中(i=0,1,2,3),编码器的输出为每个子层的输出的连接(V1′,V2′,V3′,V4′);
解码器的输入为:编码器的输出(V1′,V2′,V3′,V4′),模式数据K和解码器前一时间步的输出Ot+q-1,在时间步t+q,对Ot+q-1进行S2中的卷积(CNN)和全连接(FFNN)操作,即
Qdecoder,t+q=FFNN(CNN(Ot+q-1))
则第j个Attention单元的输出表示为
假设序列中每个样本x第i维的均值为μi,方差为σi,则经过Norm层后的结果为
一个Attention和一个Norm构成一个子层,则
Sublayer(V’)=Norm(V+Attention(Qdecoder,t+q,K,V’))
在时间步t+q,解码器的输出为各子层输出的均值(mean),即
Ot+q=mean(Sublayer(V1′),Sublayer(V2′),...,Sublayer(V4′)),1≤q≤p
根据预测图像序列计算出反射率因子Z,然后根据关系式
Z=70R1.38
推算出降水率R,至此已完成对短临降水的预测。
下面以一个实施例为例,对本具体实施方式进行进一步的阐述。
具体实施例:
本方法验证数据集为广东省气象局提供的雷达回波图及网格化温度、总降水。其中,雷达回波图的地域范围为华南地区,数据单位dBZ表示雷达回波强度,一般情况下取值在0-80dBZ范围内。经度跨度为107°E-119°E。纬度跨度18°N-27°N。时间跨度为2017年3月至2018年12月。分辨率为1千米。数据间隔时间为12分钟。Z-R关系表示反射率Z和降水强度R(mm/h)之间的关系,其中,dB Z=10log10a+10b log10R,a,b为雷达自身参数,本实验中取值:a=58.53,b=1.56。常用dBZ描述降水情况,一般情况下该值越大,反应降水越大。本实验截取的空间范围:108.6°E-117.6°E,18.0°N-27.0°N,分辨率为3千米。此处0.01°≈1千米。此外,网格化温度、总降水为华南地区GRAPES(Global/Regional AssimilationPrediction System,我国自主研发的全球数值预报系统)提供,分辨率为3千米和1小时。时间跨度为2017年4月-2018年12月。经度跨度为96.6°E-122.76°E,纬度跨度为16.6°N-30.76°N。结合实验经验,本实验使用前5个时刻的雷达回波图与网格化温度总降水以预测后5个时刻的雷达回波图。
二维降水序列I={I1,I2,...,IM}的预测评价指标为:
其中M代表二维降水序列I的长度,H,W代表二维降水序列中图像的高度、宽度,代表观测图像序列Iobs的第m张图像中高度为j、宽度为k位置处的元素,代表预测图像序列Ipred的第m张图像中高度为j、宽度为k位置处的元素。本实验中也会使用MSE2=MSE/(H*W)和作为评价指标。
本方法首先输入t时刻的历史雷达回波图与网格化温度、总降水,对其进行数据清洗与去噪;接着对降水数据不均衡问题进行统计分析,建立不同降水率等级使用不同权重的新的损失函数;然后,对网格化温度、总降水使用基于幂次与对数变换的气象数据映射方法进行标准化;最后,将经过之前步骤的t时刻输入数据融合为数据块,并进行基于卷积长短期记忆神经网络和三维卷积神经网络的模型搭建与测试,输出短临降水预测结果。
损失函数中不同降水率等级对应的权重设置如表1。
表1不同降水率等级对应权重设置
0-0.5(mm/h) | 0.5-2(mm/h) | 2-5(mm/h) | 5-10(mm/h) | 10-30(mm/h) | 大于30(mm/h) |
1 | 2 | 5 | 10 | 30 | 50 |
注:数字代表降水率等级对应的权重。
表2显示了几种模型对华南地区或广东省各城市的降水预测结果转换后的反射率的均方根误差。Sift+CNN表示使用尺度不变特征变换方法和卷积神经网络的模型,CatBoost是一种近年来十分优秀的梯度提升树模型,3D-CNN表示三维卷积神经网络,Attention表示本发明的方法即基于Attention机制的短临降水预测方法。反射率的均方根误差越小,表明降水预测精度越高。
表2几种机器学习模型预测结果对比
Sift+CNN | CatBoost | 3D-CNN | Attention |
12.36 | 10.53 | 8.56 | 7.46 |
注:数字代表对应模型测试所得的反射率的均方根误差。
需要说明的是上述实施例仅仅是本发明的较佳实施例,并没有用来限定本发明的保护范围,在上述技术方案的基础上做出的等同替换或者替代,均属于本发明的保护范围。
Claims (5)
1.基于Attention机制的短临降水预测方法,其特征在于:包括以下步骤:
S1:输入前t时刻的雷达回波图序列(V1,V2,…,Vt)和预处理后的模式数据Key(K),对输入数据进行数据清洗与去噪,得到处理后的输入数据;
S2:将雷达回波图的灰度图像输入包含4层卷积和最大池化的CNN网络,然后经过线性全连接层得到n维数组,这n维数组作为Query(Q);
S3:将雷达回波图序列、模式数据和S2中的Query输入包括4个Attention单元和Norm层的编码器,然后将结果输入包括4个Attention单元、Norm层和全连接层的解码器,得到预测雷达回波图序列Vt+1,Vt+2,…,Vt+p;
S4:对预测的雷达回波图像,通过Z-R变换得到未来的区域降水预测,输出短临降水预测结果Yt+1,Yt+2,…,Yt+p,其中,Yt+q表示预测的t+q时刻的雷达回波图转换为降水图后的结果,1≤q≤p,p表示短临降水预测时刻的总数。
2.根据权利要求1所述的基于Attention机制的短临降水预测方法,其特征在于:所述步骤S1中,对输入t时刻的历史雷达回波图序列的去噪过程包括以下步骤:
S11:对未去噪的历史雷达回波图引入平滑因子以进行地物剔除;
S12:对经过S11处理后的历史雷达回波图使用二维小波变换进行去噪。
4.根据权利要求1所述的基于Attention机制的短临降水预测方法,其特征在于:所述的步骤S3中,需要将原始雷达回波图V,模式数据K和S2中线性层输出结果Qencoder输入到Attention单元中,Attention单元的输出表示为
其中dk表示Qencoder的维度,softmax为归一化指数函数;
假设序列中每个样本x第i维的均值为μi,方差为σi,则经过Norm层后的结果为
一个Attention和一个Norm构成一个子层Sublayer,则
Sublayer(V)=Norm(V+Attention(Qencoder,K,V))
编码器由4个这样的子层构成,每个子层的输出Sublayer(Vi′)被作为输入Vi+1输入到下一子层中(i=0,1,2,3),编码器的输出为每个子层的输出的连接(V1′,V2′,V3′,V4′);
解码器的输入为:编码器的输出(V1′,V2′,V3′,V4′),模式数据K和解码器前一时间步的输出Ot+q-1,在时间步t+q,对Ot+q-1进行S2中的卷积和全连接操作,即
Qdecoder,t+q=FFNN(CNN(Ot+q-1))
则第j个Attention单元的输出表示为
假设序列中每个样本x第i维的均值为μi,方差为σi,则经过Norm层后的结果为
一个Attention和一个Norm构成一个子层,则
Sublayer(V’)=Norm(V+Attention(Qdecoder,t+q,K,V’))
在时间步t+q,解码器的输出为各子层输出的均值,即
Ot+q=mean(Sublayer(V1′),Sublayer(V2′),…,Sublayer(V4′)),1≤q≤p。
5.根据权利要求1所述的基于Attention机制的短临降水预测方法,其特征在于:所述的步骤S4中,根据预测图像序列Ot+q(1≤q≤p)计算出反射率因子Z,然后根据关系式
Z=70R1.38
推算出降水率R,至此已完成对短临降水的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110502961.2A CN113255972B (zh) | 2021-05-10 | 2021-05-10 | 基于Attention机制的短临降水预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110502961.2A CN113255972B (zh) | 2021-05-10 | 2021-05-10 | 基于Attention机制的短临降水预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255972A CN113255972A (zh) | 2021-08-13 |
CN113255972B true CN113255972B (zh) | 2022-11-01 |
Family
ID=77222378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110502961.2A Active CN113255972B (zh) | 2021-05-10 | 2021-05-10 | 基于Attention机制的短临降水预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255972B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114063082A (zh) * | 2021-11-15 | 2022-02-18 | 最美天气(上海)科技有限公司 | 一种基于时序雷达回波强度的天气短临预测方法及天气预测系统 |
CN114332474A (zh) * | 2021-11-25 | 2022-04-12 | 中国计量大学 | 一种飞机发动机关键部位维护时间预测方法 |
CN114139690A (zh) * | 2021-12-09 | 2022-03-04 | 南京邮电大学 | 短临降水预测方法及装置 |
CN115390161B (zh) * | 2022-07-26 | 2023-11-24 | 北京百度网讯科技有限公司 | 基于人工智能的降水预测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363327A (zh) * | 2019-06-04 | 2019-10-22 | 东南大学 | 基于ConvLSTM和3D-CNN的短临降水预测方法 |
CN111105093A (zh) * | 2019-12-23 | 2020-05-05 | 浙江师范大学 | 基于CNN和BiLSTM的临近降水预测方法 |
CN111428676A (zh) * | 2020-04-01 | 2020-07-17 | 南京信息工程大学 | 一种基于稀疏对应和深度神经网络的短临降水预测方法 |
-
2021
- 2021-05-10 CN CN202110502961.2A patent/CN113255972B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363327A (zh) * | 2019-06-04 | 2019-10-22 | 东南大学 | 基于ConvLSTM和3D-CNN的短临降水预测方法 |
CN111105093A (zh) * | 2019-12-23 | 2020-05-05 | 浙江师范大学 | 基于CNN和BiLSTM的临近降水预测方法 |
CN111428676A (zh) * | 2020-04-01 | 2020-07-17 | 南京信息工程大学 | 一种基于稀疏对应和深度神经网络的短临降水预测方法 |
Non-Patent Citations (1)
Title |
---|
人工智能在短临降水预报中应用研究综述;方巍等;《南京信息工程大学学报(自然科学版)》;20200728(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113255972A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363327B (zh) | 基于ConvLSTM和3D-CNN的短临降水预测方法 | |
CN113255972B (zh) | 基于Attention机制的短临降水预测方法 | |
CN109214592B (zh) | 一种多模型融合的深度学习的空气质量预测方法 | |
CN110084367B (zh) | 一种基于lstm深度学习模型的土壤墒情预测方法 | |
CN114254561B (zh) | 一种内涝预测方法、系统及存储介质 | |
CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
CN111783987A (zh) | 基于改进bp神经网络的农田参考作物蒸散量预测方法 | |
CN112232554A (zh) | 一种基于bp神经网络的局域短临降水预报模型的构建方法 | |
CN117114374B (zh) | 一种基于天气预测的智慧农业灌溉管理系统 | |
CN112180369B (zh) | 基于深度学习的一维综合孔径辐射计海面风速反演方法 | |
CN113240169A (zh) | 基于多模态数据和上下采样的gru网络的短临降水预测方法 | |
CN116449462B (zh) | 海浪有效波高时空序列预测方法、系统、存储介质及设备 | |
CN116484189A (zh) | 一种基于深度学习的era5降水产品降尺度方法 | |
CN115859789A (zh) | 一种提高极地大气温度廓线反演精度的方法 | |
CN117423003B (zh) | 一种冬小麦越冬期苗情分级遥感监测方法 | |
CN117233869B (zh) | 一种基于GRU-BiTCN的站点短期风速预测方法 | |
CN115392128B (zh) | 一种利用时空卷积lstm网络模拟流域径流量的方法 | |
CN116663404A (zh) | 一种耦合人工智能和贝叶斯理论的洪水预报方法及系统 | |
CN111104640A (zh) | 一种基于层次分析法的降雨观测评价方法及系统 | |
CN115860165A (zh) | 一种考虑初损的神经网络流域降雨径流预报方法及系统 | |
CN113344290B (zh) | 基于U-Net网络的次季节降水气象预报订正方法 | |
CN113108949B (zh) | 一种基于模型融合的探空仪温度传感器误差预测方法 | |
CN114757096A (zh) | 基于narx神经网络的桥梁温度预测方法、装置、设备和介质 | |
CN115755227B (zh) | 一种基于深度神经网络模型的三维雷达外推方法 |
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 |