CN113657477A - 一种短临降水的预报方法、装置及系统 - Google Patents

一种短临降水的预报方法、装置及系统 Download PDF

Info

Publication number
CN113657477A
CN113657477A CN202110911900.1A CN202110911900A CN113657477A CN 113657477 A CN113657477 A CN 113657477A CN 202110911900 A CN202110911900 A CN 202110911900A CN 113657477 A CN113657477 A CN 113657477A
Authority
CN
China
Prior art keywords
echo
forecasting
feature
forecast
characteristic
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
CN202110911900.1A
Other languages
English (en)
Other versions
CN113657477B (zh
Inventor
陈生
黄启桥
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.)
Nanning Wujiawu Technology Co ltd
Original Assignee
Nanning Wujiawu 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 Nanning Wujiawu Technology Co ltd filed Critical Nanning Wujiawu Technology Co ltd
Priority to CN202110911900.1A priority Critical patent/CN113657477B/zh
Publication of CN113657477A publication Critical patent/CN113657477A/zh
Application granted granted Critical
Publication of CN113657477B publication Critical patent/CN113657477B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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

Abstract

本发明公开了一种短临降水的预报方法、装置及系统。该预报装置包括数据获取单元、提取融合单元以及预报输出单元。该预报方法包括交互模块和预报模块。通过训练多尺度的特征提取神经网络，提取历史雷达回波图组的多尺度特征，对特征进行拼接以获取预报特征图，并将预报特征图卷积以获取回波预报图，该预报方法、装置及系统不仅提高了短临预报的准确率，还延长了短临降雨的预报时效。

Description

一种短临降水的预报方法、装置及系统
技术领域
本发明涉及短临降水预报领域，涉及一种短临降水的预报方法、装置及系统。
背景技术
短临降水预报在气象灾害防御中具有极为重要的地位，以深度学习为代表的智能算法具有较强的自主学习、推断和记忆等能力，被广泛应用于图像分割、目标检测和气象预报等领域。相比传统雷达回波外推方法，深度学习技术能有效提高预报预测准确率且能有效延长雷达外推时效。
在现有技术中，通常采用单体质心法、交叉相关法或光流法进行短临降水预报。其中，单体质心法是指通过质心跟踪算法进行预报；交叉相关法是指选取连续两个时次的GMS-5卫星云图，将云图区域划分为32×32像素的图像子集，采用交叉相关法计算获取两幅云图的最佳匹配区域，根据前后云图匹配区域的位置和时间间隔，确定出每个图像子集的移动矢量(速度和方向)，并对图像子集的移动矢量进行客观分析，其后，基于检验后的云图移动矢量集，利用后向轨迹方法对云图作短时外推预测；光流法(Optical flow or opticflow)是关于视域中的物体运动检测中的概念，用来描述相对于观察者的运动所造成的观测目标、表面或边缘的运动，光流法在样型识别、计算机视觉以及其他影像处理领域中非常有用，可用于运动检测、物件切割、碰撞时间与物体膨胀的计算、运动补偿编码，或者通过物体表面与边缘进行立体的测量等等。
但是，现有技术仍存在以下缺陷：仅适用于变化缓慢的降水系统，对快速增长或消散的降雨的预报效果并不理想。
因此，当前需要一种短临降水的预报方法、装置及系统，从而解决现有技术中存在的上述问题。
发明内容
针对现存的上述技术问题，本发明的目的在于提供一种短临降水的预报方法、装置及系统，从而提高短临预报的准确率，并延长短临降雨的预报时效。
本发明提供了一种短临降水的预报方法，所述预报方法包括：获取待预报区域的历史雷达回波图组；通过预设的多尺度特征提取融合方法，对所述历史雷达回波图组进行多尺度特征提取和拼接，从而获取多个预报特征图；分别对所述多个预报特征图进行卷积，从而获取多个回波预报图。
在一个实施例中，所述通过预设的多尺度特征提取融合方法，对所述历史雷达回波图组进行多尺度特征提取和拼接，从而获取多个预报特征图，具体为：通过第一卷积核对所述历史雷达回波图组进行卷积，从而获得多个第一回波特征图；采用多个不同大小的第二卷积核，分别对所述多个第一回波特征图进行特征提取融合，从而对应获取多个第一特征信息；对所述多个第一特征信息进行并行下采样，从而获得多个第二回波特征图；采用多个不同大小的第二卷积核，分别对所述多个第二回波特征图组进行特征提取融合，从而对应获取多个第二特征信息；对所述多个第二特征信息进行上采样，从而获得多个第三回波特征图；将所述多个第三回波特征图与所述多个第二回波特征图对应拼接，从而相应获取多个预报特征图。
在一个实施例中，所述采用多个不同大小的第二卷积核，分别对所述多个第一回波特征图进行特征提取融合，从而对应获取多个第一特征信息，具体为：按顺序选定一个第一回波特征图；分别采用多个不同大小的第二卷积核，依次对第一回波特征图进行特征提取，从而对应获取多个回波特征信息；沿着第一回波特征图的通道，将所述多个回波特征信息按特征提取的顺序进行拼接以获得拼接特征图，并在拼接后随机打乱拼接特征图中的通道顺序；采用预设的第四卷积核对所述拼接特征图进行卷积，从而获取第一特征信息。
在一个实施例中，所述并行下采样和所述上采样采用参数共享机制。
本发明还提供了一种短临降水的预报装置，所述预报装置包括数据获取单元、提取融合单元以及预报输出单元，其中，所述数据获取单元用于获取待预报区域的历史雷达回波图组；所述提取融合单元用于通过预设的多尺度特征提取融合方法，对所述历史雷达回波图组进行多尺度特征提取和拼接，从而获取多个预报特征图；所述预报输出单元用于分别对所述多个预报特征图进行卷积，从而获取多个回波预报图。
在一个实施例中，所述提取融合单元还用于：通过第一卷积核对所述历史雷达回波图组进行卷积，从而获得多个第一回波特征图；采用多个不同大小的第二卷积核，分别对所述多个第一回波特征图进行特征提取融合，从而对应获取多个第一特征信息；对所述多个第一特征信息进行并行下采样，从而获得多个第二回波特征图；采用多个不同大小的第二卷积核，分别对所述多个第二回波特征图组进行特征提取融合，从而对应获取多个第二特征信息；对所述多个第二特征信息进行上采样，从而获得多个第三回波特征图；将所述多个第三回波特征图与所述多个第二回波特征图对应拼接，从而相应获取多个预报特征图。
在一个实施例中，所述提取融合单元还用于：按顺序选定一个第一回波特征图；分别采用多个不同大小的第二卷积核，依次对第一回波特征图进行特征提取，从而对应获取多个回波特征信息；沿着第一回波特征图的通道，将所述多个回波特征信息按特征提取的顺序进行拼接以获得拼接特征图，并在拼接后随机打乱拼接特征图中的通道顺序；采用预设的第四卷积核对所述拼接特征图进行卷积，从而获取第一特征信息。
本发明还提供了一种短临降水的预报系统，所述预报系统包括交互模块和预报模块，所述交互模块和所述预报模块通信连接，所述交互模块用于接收用户的输入指令和配置指令，并将回波预报图发送给所述用户，所述预报模块用于根据接收到的输入指令和配置指令，执行如前所述的短临降水的预报方法。
相比于现有技术，本发明实施例具有如下有益效果：
本发明提供了一种短临降水的预报方法、装置及系统，通过预先训练的多尺度的特征提取神经网络，提取历史雷达回波图组的多尺度特征，对特征进行拼接以获取预报特征图，并将预报特征图卷积以获取回波预报图，该预报方法、装置及系统不仅提高了短临预报的准确率，还延长了短临降雨的预报时效。
进一步地，本发明提供的一种短临降水的预报方法、装置及系统还通过通道混洗和上、下采样共享参数机制，从而减少了网络的参数量、降低计算成本。
附图说明
下文将结合说明书附图对本发明进行进一步的描述说明，其中：
图1示出了根据本发明的一种短临降水的预报方法的一个实施例的流程图；
图2示出了根据本发明的一种短临降水的预报装置的一个实施例的结构图；
图3示出了根据本发明的一种短临降水的预报系统的一个实施例的结构图。
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作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。
具体实施例一
本发明实施例首先描述了一种短临降水的预报方法。图1示出了根据本发明的一种短临降水的预报方法的一个实施例的流程图。如图1所示，该方法包括如下步骤：
S1:获取待预报区域的历史雷达回波图组。
S2:通过预设的多尺度特征提取融合方法，对所述历史雷达回波图组进行多尺度特征提取和拼接，从而获取多个预报特征图。
在一个实施例中，步骤S2具体为：通过第一卷积核对所述历史雷达回波图组进行卷积，从而获得多个第一回波特征图；采用多个不同大小的第二卷积核，分别对所述多个第一回波特征图进行多尺度特征提取融合，从而对应获取多个第一特征信息；对所述多个第一特征信息进行并行下采样以进行压缩，从而获得多个第二回波特征图；采用多个不同大小的第二卷积核，分别对所述多个第二回波特征图组进行多尺度特征提取融合，从而对应获取多个第二特征信息；对所述多个第二特征信息进行上采样，从而获得多个第三回波特征图；将所述多个第三回波特征图与所述多个第二回波特征图对应拼接，从而相应获取多个预报特征图。
在上述过程中，进行多尺度特征提取融合以获取特征信息，对特征信息进行下采样以及对特征信息进行上采样的步骤可以根据实际需要设置重复次数。其中，分别对所述多个第一回波特征图进行多尺度特征提取融合，从而对应获取多个第一特征信息，具体为：按顺序选定一个第一回波特征图；分别采用多个不同大小的第二卷积核，依次对第一回波特征图进行特征提取，从而对应获取多个回波特征信息；沿着第一回波特征图的通道，将所述多个回波特征信息按特征提取的顺序进行拼接以获得拼接特征图，并在拼接后随机打乱拼接特征图中的通道顺序；采用预设的第四卷积核对所述拼接特征图进行卷积，从而获取第一特征信息。
在一个实施例中，第一卷积核的大小包括3×3，第二卷积核的大小包括1×1、3×3、5×5以及7×7，第四卷积核的大小包括3×1×1。
在一个实施例中，所述并行下采样和所述上采样采用参数共享机制。
在一个实施例中，上述过程的损失函数的计算公式如下：
Figure BDA0003203988130000051
其中，
Figure BDA0003203988130000052
为预报值，yi为对应的实际观测值。
S3:分别对所述多个预报特征图进行卷积，从而获取多个回波预报图。
在获得多个预报特征图后，应当分别利用第三卷积核对所述多个预报特征图进行卷积，从而获取多个回波预报图。在一个实施例中，第三卷积核的大小包括1×1。
本发明提供了一种短临降水的预报方法，通过预先训练的多尺度的特征提取神经网络，提取历史雷达回波图组的多尺度特征，对特征进行拼接以获取预报特征图，并将预报特征图卷积以获取回波预报图，该预报方法不仅提高了短临预报的准确率，还延长了短临降雨的预报时效；进一步地，本发明提供的一种短临降水的预报方法还通过通道混洗和上、下采样共享参数机制，从而减少了网络的参数量、降低计算成本。
具体实施例二
除上述方法外，本发明实施例还提供了一种短临降水的预报装置。图2根据本发明的一种短临降水的预报装置的一个实施例的结构图。如图2所示，该预报装置包括数据获取单元11、提取融合单元12以及预报输出单元13。
数据获取单元11用于获取待预报区域的历史雷达回波图组。
提取融合单元12用于通过预设的多尺度特征提取融合方法，对所述历史雷达回波图组进行多尺度特征提取和拼接，从而获取多个预报特征图。
在一个实施例中，进一步地，所述提取融合单元12还用于：通过第一卷积核对所述历史雷达回波图组进行卷积，从而获得多个第一回波特征图；采用多个不同大小的第二卷积核，分别对所述多个第一回波特征图进行多尺度特征提取融合，从而对应获取多个第一特征信息；对所述多个第一特征信息进行并行下采样以进行压缩，从而获得多个第二回波特征图；采用多个不同大小的第二卷积核，分别对所述多个第二回波特征图组进行多尺度特征提取融合，从而对应获取多个第二特征信息；对所述多个第二特征信息进行上采样，从而获得多个第三回波特征图；将所述多个第三回波特征图与所述多个第二回波特征图对应拼接，从而相应获取多个预报特征图。
在一个实施例中，进一步地，所述提取融合单元12还用于：按顺序选定一个第一回波特征图；分别采用多个不同大小的第二卷积核，依次对第一回波特征图进行特征提取，从而对应获取多个回波特征信息；沿着第一回波特征图的通道，将所述多个回波特征信息按特征提取的顺序进行拼接以获得拼接特征图，并在拼接后随机打乱拼接特征图中的通道顺序；采用预设的第四卷积核对所述拼接特征图进行卷积，从而获取第一特征信息。
预报输出单元13用于分别利用第三卷积核对所述多个预报特征图进行卷积，从而获取多个回波预报图。在一个实施例中，第三卷积核的大小包括1×1。
当需要进行短临降水的预报时，该预报装置首先通过数据获取单元11获取待预报区域的历史雷达回波图组；随后，提取融合单元12通过预设的多尺度特征提取融合方法，对所述历史雷达回波图组进行多尺度特征提取和拼接，从而获取多个预报特征图；最后，通过预报输出单元13分别利用第三卷积核对所述多个预报特征图进行卷积，从而获取多个回波预报图。
本发明提供了一种短临降水的预报装置，通过预先训练的多尺度的特征提取神经网络，提取历史雷达回波图组的多尺度特征，对特征进行拼接以获取预报特征图，并将预报特征图卷积以获取回波预报图，该装置不仅提高了短临预报的准确率，还延长了短临降雨的预报时效；进一步地，本发明提供的一种短临降水的预报装置还通过通道混洗和上、下采样共享参数机制，从而减少了网络的参数量、降低计算成本。
具体实施例三
除上述方法和装置外，本发明实施例还提供了一种短临降水的预报系统。图3示出了根据本发明的一种短临降水的预报系统的一个实施例的结构图。
如图3所示，该预报系统包括交互模块2和预报模块1，所述交互模块2和所述预报模块1通信连接。
交互模块2用于接收用户的输入指令和配置指令，并将回波预报图发送给所述用户，从而使得用户知道预报结果。
预报模块1用于根据接收到的输入指令和配置指令，执行如前所述的短临降水的预报方法，从而生成多个回波预报图。
在一个实施例中，交互模块2包括可触摸/不可触摸显示屏、按键输入键盘、虚拟输入键盘以及上述一种或多种的组合。
本发明提供了一种短临降水的预报系统，通过预先训练的多尺度的特征提取神经网络，提取历史雷达回波图组的多尺度特征，对特征进行拼接以获取预报特征图，并将预报特征图卷积以获取回波预报图，该预报系统不仅提高了短临预报的准确率，还延长了短临降雨的预报时效；进一步地，本发明提供的一种短临降水的预报系统还通过通道混洗和上、下采样共享参数机制，从而减少了网络的参数量、降低计算成本。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种短临降水的预报方法，其特征在于，所述预报方法包括：
获取待预报区域的历史雷达回波图组；
通过预设的多尺度特征提取融合方法，对所述历史雷达回波图组进行多尺度特征提取和拼接，从而获取多个预报特征图；
分别对所述多个预报特征图进行卷积，从而获取多个回波预报图。
2.根据权利要求1所述的短临降水的预报方法，其特征在于，所述通过预设的多尺度特征提取融合方法，对所述历史雷达回波图组进行多尺度特征提取和拼接，从而获取多个预报特征图，具体为：
通过第一卷积核对所述历史雷达回波图组进行卷积，从而获得多个第一回波特征图；
采用多个不同大小的第二卷积核，分别对所述多个第一回波特征图进行特征提取融合，从而对应获取多个第一特征信息；
对所述多个第一特征信息进行并行下采样，从而获得多个第二回波特征图；
采用多个不同大小的第二卷积核，分别对所述多个第二回波特征图组进行特征提取融合，从而对应获取多个第二特征信息；
对所述多个第二特征信息进行上采样，从而获得多个第三回波特征图；
将所述多个第三回波特征图与所述多个第二回波特征图对应拼接，从而相应获取多个预报特征图。
3.根据权利要求2所述的短临降水的预报方法，其特征在于，所述采用多个不同大小的第二卷积核，分别对所述多个第一回波特征图进行特征提取融合，从而对应获取多个第一特征信息，具体为：
按顺序选定一个第一回波特征图；
分别采用多个不同大小的第二卷积核，依次对第一回波特征图进行特征提取，从而对应获取多个回波特征信息；
沿着第一回波特征图的通道，将所述多个回波特征信息按特征提取的顺序进行拼接以获得拼接特征图，并在拼接后随机打乱拼接特征图中的通道顺序；
采用预设的第四卷积核对所述拼接特征图进行卷积，从而获取第一特征信息。
4.根据权利要求2或3所述的短临降水的预报方法，其特征在于，所述并行下采样和所述上采样采用参数共享机制。
5.一种短临降水的预报装置，其特征在于，所述预报装置包括数据获取单元、提取融合单元以及预报输出单元，其中，
所述数据获取单元用于获取待预报区域的历史雷达回波图组；
所述提取融合单元用于通过预设的多尺度特征提取融合方法，对所述历史雷达回波图组进行多尺度特征提取和拼接，从而获取多个预报特征图；
所述预报输出单元用于分别对所述多个预报特征图进行卷积，从而获取多个回波预报图。
6.根据权利要求5所述的短临降水的预报装置，其特征在于，所述提取融合单元还用于：
通过第一卷积核对所述历史雷达回波图组进行卷积，从而获得多个第一回波特征图；
采用多个不同大小的第二卷积核，分别对所述多个第一回波特征图进行特征提取融合，从而对应获取多个第一特征信息；
对所述多个第一特征信息进行并行下采样，从而获得多个第二回波特征图；
采用多个不同大小的第二卷积核，分别对所述多个第二回波特征图进行特征提取融合，从而对应获取多个第二特征信息；
对所述多个第二特征信息进行上采样，从而获得多个第三回波特征图；
将所述多个第三回波特征图与所述多个第二回波特征图对应拼接，从而相应获取多个预报特征图。
7.根据权利要求5或6所述的短临降水的预报装置，其特征在于，所述提取融合单元还用于：
按顺序选定一个第一回波特征图；
分别采用多个不同大小的第二卷积核，依次对第一回波特征图进行特征提取，从而对应获取多个回波特征信息；
沿着第一回波特征图的通道，将所述多个回波特征信息按特征提取的顺序进行拼接以获得拼接特征图，并在拼接后随机打乱拼接特征图中的通道顺序；
采用预设的第四卷积核对所述拼接特征图进行卷积，从而获取第一特征信息。
8.一种短临降水的预报系统，其特征在于，所述预报系统包括交互模块和预报模块，所述交互模块和所述预报模块通信连接，所述交互模块用于接收用户的输入指令和配置指令，并将回波预报图发送给所述用户，所述预报模块用于根据接收到的输入指令和配置指令，执行如权利要求1-4任一项所述的短临降水的预报方法。
CN202110911900.1A 2021-08-10 2021-08-10 一种短临降水的预报方法、装置及系统 Active CN113657477B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110911900.1A CN113657477B (zh) 2021-08-10 2021-08-10 一种短临降水的预报方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110911900.1A CN113657477B (zh) 2021-08-10 2021-08-10 一种短临降水的预报方法、装置及系统

Publications (2)

Publication Number Publication Date
CN113657477A true CN113657477A (zh) 2021-11-16
CN113657477B CN113657477B (zh) 2022-04-08

Family

ID=78491050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110911900.1A Active CN113657477B (zh) 2021-08-10 2021-08-10 一种短临降水的预报方法、装置及系统

Country Status (1)

Country Link
CN (1) CN113657477B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114460555A (zh) * 2022-04-08 2022-05-10 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种雷达回波外推方法、装置及存储介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09257951A (ja) * 1996-03-22 1997-10-03 Nippon Telegr & Teleph Corp <Ntt> 気象予測装置
CN106886023A (zh) * 2017-02-27 2017-06-23 中国人民解放军理工大学 一种基于动态卷积神经网络的雷达回波外推方法
CN107632295A (zh) * 2017-09-15 2018-01-26 广东工业大学 一种基于时序卷积神经网络的雷达回波外推方法
CN108508505A (zh) * 2018-02-05 2018-09-07 南京云思创智信息科技有限公司 基于多尺度卷积神经网络的强降雨及雷暴预报方法和系统
CN108732550A (zh) * 2018-08-01 2018-11-02 北京百度网讯科技有限公司 用于预测雷达回波的方法和装置
CN109829868A (zh) * 2019-02-28 2019-05-31 华南理工大学 一种轻量级深度学习模型图像去雾方法、电子设备及介质
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
CN111158068A (zh) * 2019-12-31 2020-05-15 哈尔滨工业大学（深圳） 一种基于简单卷积循环神经网络的短临预报方法及系统
CN111242372A (zh) * 2020-01-10 2020-06-05 上海眼控科技股份有限公司 气象雷达回波图预测方法、装置、计算机设备和存储介质
CN112183886A (zh) * 2020-10-22 2021-01-05 南京信息工程大学 基于卷积网络和注意力机制的短时临近降雨预测方法
CN112285666A (zh) * 2020-10-21 2021-01-29 电子科技大学 基于深度U-Inception网络的雷达干扰抑制方法
CN112446419A (zh) * 2020-10-29 2021-03-05 中山大学 基于注意力机制的时空神经网络雷达回波外推预报方法
US20210103051A1 (en) * 2019-10-04 2021-04-08 International Business Machines Corporation Predicting weather radar images
CN112764129A (zh) * 2021-01-22 2021-05-07 易天气(北京)科技有限公司 一种雷暴短临预报方法、系统及终端
CN113159434A (zh) * 2021-04-29 2021-07-23 上海眼控科技股份有限公司 一种雷达回波预测方法、装置、设备及存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09257951A (ja) * 1996-03-22 1997-10-03 Nippon Telegr & Teleph Corp <Ntt> 気象予測装置
CN106886023A (zh) * 2017-02-27 2017-06-23 中国人民解放军理工大学 一种基于动态卷积神经网络的雷达回波外推方法
CN107632295A (zh) * 2017-09-15 2018-01-26 广东工业大学 一种基于时序卷积神经网络的雷达回波外推方法
CN108508505A (zh) * 2018-02-05 2018-09-07 南京云思创智信息科技有限公司 基于多尺度卷积神经网络的强降雨及雷暴预报方法和系统
CN108732550A (zh) * 2018-08-01 2018-11-02 北京百度网讯科技有限公司 用于预测雷达回波的方法和装置
CN109829868A (zh) * 2019-02-28 2019-05-31 华南理工大学 一种轻量级深度学习模型图像去雾方法、电子设备及介质
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
US20210103051A1 (en) * 2019-10-04 2021-04-08 International Business Machines Corporation Predicting weather radar images
CN111158068A (zh) * 2019-12-31 2020-05-15 哈尔滨工业大学（深圳） 一种基于简单卷积循环神经网络的短临预报方法及系统
CN111242372A (zh) * 2020-01-10 2020-06-05 上海眼控科技股份有限公司 气象雷达回波图预测方法、装置、计算机设备和存储介质
CN112285666A (zh) * 2020-10-21 2021-01-29 电子科技大学 基于深度U-Inception网络的雷达干扰抑制方法
CN112183886A (zh) * 2020-10-22 2021-01-05 南京信息工程大学 基于卷积网络和注意力机制的短时临近降雨预测方法
CN112446419A (zh) * 2020-10-29 2021-03-05 中山大学 基于注意力机制的时空神经网络雷达回波外推预报方法
CN112764129A (zh) * 2021-01-22 2021-05-07 易天气(北京)科技有限公司 一种雷暴短临预报方法、系统及终端
CN113159434A (zh) * 2021-04-29 2021-07-23 上海眼控科技股份有限公司 一种雷达回波预测方法、装置、设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LEI HAN 等: "Convolutional Neural Network for Convective Storm Nowcasting Using 3-D Doppler Weather Radar Data", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
XINYU XIAO 等: "Precipitation Forecasting via Multi-Scale Deconstructed ConvLSTM", 《ARXIV》 *
翟辰飞 等: "自注意力机制改进U-Net网络的强积冰云层预测", 《计算机工程与应用》 *
谢鹏飞: "基于深度序列预测的雷达回波外推算法研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114460555A (zh) * 2022-04-08 2022-05-10 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种雷达回波外推方法、装置及存储介质

Also Published As

Publication number Publication date
CN113657477B (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
CN114359851A (zh) 无人驾驶目标检测方法、装置、设备及介质
CN114445430B (zh) 轻量级多尺度特征融合的实时图像语义分割方法及系统
CN112767418B (zh) 基于深度感知的镜子图像分割方法
CN113971751A (zh) 训练特征提取模型、检测相似图像的方法和装置
CN112954399B (zh) 一种图像处理方法、装置以及计算机设备
CN111985374A (zh) 人脸定位方法、装置、电子设备及存储介质
CN115631344B (zh) 一种基于特征自适应聚合的目标检测方法
CN113822314A (zh) 图像数据处理方法、装置、设备以及介质
CN113657477B (zh) 一种短临降水的预报方法、装置及系统
CN115690715A (zh) 一种车道线检测方法、电子设备及存储介质
CN111062347A (zh) 一种自动驾驶中交通要素分割方法、电子设备及存储介质
CN114169425A (zh) 训练目标跟踪模型和目标跟踪的方法和装置
CN114742996A (zh) 图像语义分割方法、装置、电子设备及存储介质
CN116453020A (zh) 一种双目识别方法及系统、设备及介质
CN115546640A (zh) 遥感影像的云检测方法、装置、电子设备及存储介质
CN112651351B (zh) 一种数据处理的方法和装置
CN114091519A (zh) 一种基于多粒度遮挡感知的遮挡行人重识别方法
CN115019201A (zh) 一种基于特征精细化深度网络的弱小目标检测方法
CN114417946A (zh) 目标检测方法及装置
CN113569600A (zh) 物体重识别的方法、装置、电子设备及存储介质
CN117437523B (zh) 联合sar ccd和全局信息捕获的微弱痕迹检测方法
CN116311077B (zh) 一种基于显著性图的多光谱融合的行人检测方法及装置
CN115049895B (zh) 一种图像属性识别方法、属性识别模型训练方法及装置
CN115797976B (zh) 一种低分辨率的实时手势识别方法
CN113076811B (zh) 一种航空图像道路提取方法及设备

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