CN114091741A - 一种台风预报预测方法和装置 - Google Patents
一种台风预报预测方法和装置 Download PDFInfo
- Publication number
- CN114091741A CN114091741A CN202111324666.9A CN202111324666A CN114091741A CN 114091741 A CN114091741 A CN 114091741A CN 202111324666 A CN202111324666 A CN 202111324666A CN 114091741 A CN114091741 A CN 114091741A
- Authority
- CN
- China
- Prior art keywords
- typhoon
- satellite
- cloud picture
- moment
- taking
- 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
Links
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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Atmospheric Sciences (AREA)
- Environmental Sciences (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种台风预报预测方法和装置,包括:确定待反演时刻台风中心的地理坐标信息,获取待反演时刻卫星的云图;读取卫星云图中的地理坐标信息以及预设的若干个波段的亮温数据;确定台风中心位置在卫星云图中的坐标点,并以该坐标点为中心,构建基于波段亮温数据的三维矩阵;载入训练好的基于focal_loss损失函数的8个二分类CNN模型;步骤5、将三维矩阵数据输入8个二分类CNN模型中,得到并输出相应的数值,其中最大数值对应的台风等级即为该时刻台风的强度类别;根据所得数值计算得该时刻台风的最大风速。采用本发明的技术方案,更有效的进行台风的预测。
Description
技术领域
本发明属于天气预报技术领域,尤其涉及一种台风预报预测方法和装置。
背景技术
台风作为每年频发的一种严重的自然灾害,对我国国民生产、生活造成严重影响。而对于台风的预测与模拟作为台风灾害评估的重要环节,是防灾减灾工作的决策基础。
现有台风云系预测方法大多是基于数值模式。这些方法仅使用了有限数量的数据信息进行台风云系预测模式的同化,没有充分利用台风的全空间信息。因此,这些方法无法对台风的时变态势全面刻画,只能倾向性的预测台风的等级和台风的影响。
卫星云图是监测台风的有效工具。基于卫星云图的台风分析研究早在90年代就已展开。卫星云图分析包括复杂背景下的云团检测、云团分类、分割、气旋运动跟踪等。但是,这些方法只利用了局部视觉信息而没有利用全局视觉信息以及时空信息。因此,目前亟需一种能够有效利用卫星云图中的时空信息的预测方法,演判台风动向,进而更有效地进行台风监测。
发明内容
本发明要解决的技术问题是,提供一种台风预报预测方法和装置,利用卫星云图的时空信息预测台风云系的形成,演判台风的动向,进而更有效的进行台风的预测。
为实现上述目的,本发明采用如下的技术方案:
一种台风预报预测方法,包括以下步骤:
步骤1、确定待反演时刻台风中心的地理坐标信息,获取待反演时刻卫星的云图;
步骤2、读取卫星云图中的地理坐标信息以及预设的若干个波段的亮温数据;
步骤3、确定台风中心位置在卫星云图中的坐标点,并以该坐标点为中心,构建基于波段亮温数据的三维矩阵;
步骤4、载入训练好的基于focal_loss损失函数的8个二分类CNN模型,其中,每个二分类CNN模型分别对应不同的台风等级;
步骤5、将三维矩阵数据输入8个二分类CNN模型中,得到并输出相应的数值,其中最大数值对应的台风等级即为该时刻台风的强度类别;根据上述所得数值计算得该时刻台风的最大风速。
作为优选,步骤3)中以坐标点为中心,向上下左右各延伸n个网格点,从若干个波段中截取波段数量个2n+1×2n+1的二维矩阵,并按照波段序号由高到低顺序重新组合为三维矩阵。
作为优选,步骤4)的具体步骤为:
41)、将台风按照风速分为8类;
42)、收集待反演时刻卫星的台风卫星云图,将卫星云图构建数据集,分为训练组、验证组和测试组,并构建CNN模型;
43)、使用focal_loss损失函数计算CNN模型内部梯度函数;
44)、采用训练组数据训练并针对每一个分类训练一个二分类模型;验证组数据用来在模型训练过程中防止模型过拟合;测试组用来进行模型性能的最终评判。
作为优选,步骤5中最大风速的计算公式为
W=U1×P1+U2×P2
其中,W是该时刻台风的最大风速,P1和P2是所得数值中最大的两个,U1和U2是两个最大数值对应分类速度区间的中间值。
作为优选,步骤42构建数据集:取2n张台风卫星云图,从每张台风卫星云图随机提取多个图像块,组成图像块序列,以第1至第n张台风卫星云图图像块序列作为历史数据,以n+1张至第2n张台风卫星云图图像块序列作为未来数据,构造训练数据集。
作为优选,风卫星云图随机提取图像块序列的方法为:以各张卫星云图上同一坐标位置为中心,以固定像素大小为单位长度,取正方形图像块。
作为优选,从每张台风卫星云图随机提取图像块序列的方法进一步为:以各张卫星云图上同一坐标位置为中心,以固定像素大小为单位长度,取正方形图像块组。
本发明还提供一种台风预报预测装置,包括:
获取模块,用于确定待反演时刻台风中心的地理坐标信息,获取待反演时刻卫星的云图;
读取模块,用于读取卫星云图中的地理坐标信息以及预设的若干个波段的亮温数据;
构建模块,用于确定台风中心位置在卫星云图中的坐标点,并以该坐标点为中心,构建基于波段亮温数据的三维矩阵;
载入模块,用于载入训练好的基于focal_loss损失函数的8个二分类CNN模型,其中,每个二分类CNN模型分别对应不同的台风等级;
预报模块,用于将三维矩阵数据输入8个二分类CNN模型中,得到并输出相应的数值,其中最大数值对应的台风等级即为该时刻台风的强度类别;根据上述所得数值计算得该时刻台风的最大风速。
本发明的有益效果为:
本发明通过对比待反演时刻卫星多个红外通道图像的组合,确定了最适合台风强度反演的通道组合;通过引入focal_loss损失函数,把一个多分类模型转换成8个二分类模型,解决了数据不均衡给模型训练带来的副作用。进一步,本发明充分利用了台风云图序列的“全时空”信息。在“时间”维度,以历史云图序列为训练数据,学习台风的时间演化过程;在“空间”维度,将云图的全部像素作为模型的输入和输出基本单元,充分考虑全部空间信息。本模型的“全时空”分析突破了目前台风云图分析中仅分析单张云图中台风局部特性的局限,为台风云系预测提供更完备的可视化信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的台风预报预测方法的流程图;
图2为本发明台风预报预测装置结构图。
具体实施方式
以下实施例会结合附图对本发明进行详述,在附图或说明中,相似或相同的部分使用相同的标号,并且在实际应用中,各部件的形状、厚度或高度可扩大或缩小。本发明所列举的各实施例仅用以说明本发明,并非用以限制本发明的范围。对本发明所作的任何显而易知的修饰或变更都不脱离本发明的精神与范围。
如图1所示,本发明提供一种台风预报预测方法,包括以下步骤:
步骤1、确定待反演时刻台风中心的地理坐标信息,获取待反演时刻卫星的云图;
步骤2、读取卫星云图中的地理坐标信息以及预设的若干个波段的亮温数据;
步骤3、确定台风中心位置在卫星云图中的坐标点,并以该坐标点为中心,构建基于波段亮温数据的三维矩阵;
步骤4、载入训练好的基于focal_loss损失函数的8个二分类CNN模型,其中,每个二分类CNN模型分别对应不同的台风等级;
步骤5、将三维矩阵数据输入8个二分类CNN模型中,得到并输出相应的数值,其中最大数值对应的台风等级即为该时刻台风的强度类别;根据上述所得数值计算得该时刻台风的最大风速。
进一步,步骤3中以坐标点为中心,向上下左右各延伸n个网格点,从若干个波段中截取波段数量个2n+1×2n+1的二维矩阵,并按照波段序号由高到低顺序重新组合为三维矩阵。
进一步,步骤4的具体步骤为:
41)、将台风按照风速分为8类;
42)、收集待反演时刻卫星的台风卫星云图,将卫星云图构建数据集,分为训练组、验证组和测试组,并构建CNN模型;
43)、使用focal_loss损失函数计算CNN模型内部梯度函数;
44)、采用训练组数据训练并针对每一个分类训练一个二分类模型;验证组数据用来在模型训练过程中防止模型过拟合;测试组用来进行模型性能的最终评判。
进一步,步骤5中最大风速的计算公式为
W=U1×P1+U2×P2
其中,W是该时刻台风的最大风速,P1和P2是所得数值中最大的两个,U1和U2是两个最大数值对应分类速度区间的中间值。
数据集的构建依赖于现有的台风卫星云图数据。收集持续的台风卫星云图数据,取2n张台风卫星云图,从台风卫星云图随机提取图像块序列,即,每张卫星云图上,均取多个图像块,构成图像块序列,图像块序列中图像块的尺度是不同的,可以理解为图像块的像素是不同的。以第1至第n张台风卫星云图图像块序列作为历史数据,以n+1张至第2n张台风卫星云图图像块序列作为未来数据,构造训练数据集。例如,本实施例中,取20张台风卫星云图,按这10张台风卫星云图的时间顺序,取前10张为历史时刻的台风卫星云图数据,作为预测输入;以后10张为未来预测时刻的台风卫星云图数据,作为预测输出。
其中,从台风卫星云图随机提取图像块序列的方法为:以各张卫星云图上同一坐标位置为中心,以固定像素大小为单位长度,取正方形图像块。1张到第2n张的图像块的位置是相同的,具体的说,本实施例中,有20张台风卫星云图图像,在每一张张台风卫星云图图像的同一个坐标位置为图像块的中心,每张图上,均大小相等的正方形图像块。例如,每张台风卫星云图上,均取4×4像素大小的图像块。以同一坐标位置为中心是为了可以观测该点在各张台风卫星云图上台风的演变过程,这个坐标位置是随机选取的。取第1张至第10张卫星云图上相同位置的图像块序列作为历史数据,取第11张至第20张卫星云图上相同位置的图像块序列作为未来数据,构成数据集。
更进一步的,为了获得足够多的数据量,可以进一步改进从台风卫星云图随机提取图像块序列的方法。以各张卫星云图上同一坐标位置为中心,以固定像素大小为单位长度,取正方形图像块组。例如,在每张台风卫星云图上,以同一坐标位置为中心,分别取4×4像素大小的图像块、8×8像素大小的图像块、16×16像素大小的图像块、32×32像素大小的图像块,构成一个图像块组。如此,可以获得足够的训练数据
发明将利用空天地(卫星、常规观测、地面GIS和水文信息)数据,结合天气预报研究模式和水文模型,融合多源数据,结合全球及区域预报场和再分析场数据,运行高分辨率同化系统。针对区域性特点,调整模式参数,开发出具有区域适用性的洪涝灾害预报预警和决策功能的智能人机交互系统,该系统对暴雨、涝灾有效的模拟和预报能力,涵盖区域范围内所有湖库塘水位预报、预警和预泄决策指导功能,能为预报员提供直观、精确定量的暴雨、涝灾预报产品,也可为其他有关单位用户提供精确细致的决策依据。全球再分析数据,是指欧洲中期天气预报中心(ECMWF)的大气再分析工具——ERA-Interim以及ERA5,公布其最新的部分数据,涵盖从1979年到现在,不同高度的大气温度、气压和风力,降雨、土壤含水量和海浪高度等参数,取代了之前的大气再分析工具。卫星数据是指我国自主研制的风云三号C/D星产品,包括大气温湿度、云覆盖、雨量等参数。同化模式框架,通过修改变分同化系统的控制变量,改进多尺度资料的同化方法以及添加新的动力约束等方法来改进降水显式预报的水平,建立以水平风场为动量控制变量的变分同化系统,对所选区域进行资料同化和预报试验,考察不同动量控制变量对于短时对流性降水预报的影响,得到台风路径、降水等预报结果。数据同化根据集合卡曼滤波同化系统中给出的任意子区域范围内、处于任意时次的卫星观测和模式变量,计算出卫星观测和模式变量在垂直方向上的相关系数;接着利用相关系数估计该种卫星观测和模式变量在当前时刻和当前区域内处于垂直方向的原始局地化函数;根据相关系数廓线估计出卫星观测在垂直方向的位置po,并以位于po位置处的GC函数最大值拟合上述的原始局地化函数,以得到卫星观测在垂直方向的影响范围co;卫星观测在垂直方向的估计位置po、卫星观测在垂直方向的影响范围co即为适应性的局地化参数。
本发明通过对比待反演时刻卫星多个红外通道图像的组合,确定了最适合台风强度反演的通道组合;通过引入focal_loss损失函数,把一个多分类模型转换成8个二分类模型,解决了数据不均衡给模型训练带来的副作用。进一步,本发明充分利用了台风云图序列的“全时空”信息。在“时间”维度,以历史云图序列为训练数据,学习台风的时间演化过程;在“空间”维度,将云图的全部像素作为模型的输入和输出基本单元,充分考虑全部空间信息。本模型的“全时空”分析突破了目前台风云图分析中仅分析单张云图中台风局部特性的局限,为台风云系预测提供更完备的可视化信息。
如图2所示,本发明还提供一种台风预报预测装置,包括:
获取模块,用于确定待反演时刻台风中心的地理坐标信息,获取待反演时刻卫星的云图;
读取模块,用于读取卫星云图中的地理坐标信息以及预设的若干个波段的亮温数据;
构建模块,用于确定台风中心位置在卫星云图中的坐标点,并以该坐标点为中心,构建基于波段亮温数据的三维矩阵;
载入模块,用于载入训练好的基于focal_loss损失函数的8个二分类CNN模型,其中,每个二分类CNN模型分别对应不同的台风等级;
预报模块,用于将三维矩阵数据输入8个二分类CNN模型中,得到并输出相应的数值,其中最大数值对应的台风等级即为该时刻台风的强度类别;根据上述所得数值计算得该时刻台风的最大风速。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.一种台风预报预测方法,其特征在于,包括以下步骤:
步骤1、确定待反演时刻台风中心的地理坐标信息,获取待反演时刻卫星的云图;
步骤2、读取卫星云图中的地理坐标信息以及预设的若干个波段的亮温数据;
步骤3、确定台风中心位置在卫星云图中的坐标点,并以该坐标点为中心,构建基于波段亮温数据的三维矩阵;
步骤4、载入训练好的基于focal_loss损失函数的8个二分类CNN模型,其中,每个二分类CNN模型分别对应不同的台风等级;
步骤5、将三维矩阵数据输入8个二分类CNN模型中,得到并输出相应的数值,其中最大数值对应的台风等级即为该时刻台风的强度类别;根据上述所得数值计算得该时刻台风的最大风速。
2.如权利要求1所述的台风预报预测方法,其特征在于,步骤3中以坐标点为中心,向上下左右各延伸n个网格点,从若干个波段中截取波段数量个2n+1×2n+1的二维矩阵,并按照波段序号由高到低顺序重新组合为三维矩阵。
3.如权利要求1所述的台风预报预测方法,其特征在于,步骤4的具体步骤为:
41)、将台风按照风速分为8类;
42)、收集待反演时刻卫星的台风卫星云图,将卫星云图构建数据集,分为训练组、验证组和测试组,并构建CNN模型;
43)、使用focal_loss损失函数计算CNN模型内部梯度函数;
44)、采用训练组数据训练并针对每一个分类训练一个二分类模型;验证组数据用来在模型训练过程中防止模型过拟合;测试组用来进行模型性能的最终评判。
4.如权利要求1所述的台风预报预测方法,其特征在于,步骤5中最大风速的计算公式为
W=U1×P1+U2×P2
其中,W是该时刻台风的最大风速,P1和P2是所得数值中最大的两个,U1和U2是两个最大数值对应分类速度区间的中间值。
5.如权利要求3所述的台风预报预测方法,其特征在于,步骤42)的构建数据集:取2n张台风卫星云图,从每张台风卫星云图随机提取多个图像块,组成图像块序列,以第1至第n张台风卫星云图图像块序列作为历史数据,以n+1张至第2n张台风卫星云图图像块序列作为未来数据,构造训练数据集。
6.如权利要求5所述的台风预报预测方法,其特征在于,风卫星云图随机提取图像块序列的方法为:以各张卫星云图上同一坐标位置为中心,以固定像素大小为单位长度,取正方形图像块。
7.如权利要求5所述的台风预报预测方法,其特征在于,从每张台风卫星云图随机提取图像块序列的方法进一步为:以各张卫星云图上同一坐标位置为中心,以固定像素大小为单位长度,取正方形图像块组。
8.一种台风预报预测装置,其特征在于,包括:
获取模块,用于确定待反演时刻台风中心的地理坐标信息,获取待反演时刻卫星的云图;
读取模块,用于读取卫星云图中的地理坐标信息以及预设的若干个波段的亮温数据;
构建模块,用于确定台风中心位置在卫星云图中的坐标点,并以该坐标点为中心,构建基于波段亮温数据的三维矩阵;
载入模块,用于载入训练好的基于focal_loss损失函数的8个二分类CNN模型,其中,每个二分类CNN模型分别对应不同的台风等级;
预报模块,用于将三维矩阵数据输入8个二分类CNN模型中,得到并输出相应的数值,其中最大数值对应的台风等级即为该时刻台风的强度类别;根据上述所得数值计算得该时刻台风的最大风速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111324666.9A CN114091741A (zh) | 2021-11-10 | 2021-11-10 | 一种台风预报预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111324666.9A CN114091741A (zh) | 2021-11-10 | 2021-11-10 | 一种台风预报预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114091741A true CN114091741A (zh) | 2022-02-25 |
Family
ID=80299844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111324666.9A Pending CN114091741A (zh) | 2021-11-10 | 2021-11-10 | 一种台风预报预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091741A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115471016A (zh) * | 2022-11-01 | 2022-12-13 | 南京信息工程大学 | 一种基于cisso与daed的台风预测方法 |
-
2021
- 2021-11-10 CN CN202111324666.9A patent/CN114091741A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115471016A (zh) * | 2022-11-01 | 2022-12-13 | 南京信息工程大学 | 一种基于cisso与daed的台风预测方法 |
CN115471016B (zh) * | 2022-11-01 | 2023-02-21 | 南京信息工程大学 | 一种基于cisso与daed的台风预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047099B (zh) | 一种区域性山洪风险预测方法及系统 | |
KR102076426B1 (ko) | 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법 | |
CN110363327B (zh) | 基于ConvLSTM和3D-CNN的短临降水预测方法 | |
Weng | Land use change analysis in the Zhujiang Delta of China using satellite remote sensing, GIS and stochastic modelling | |
CN107728234B (zh) | 一种基于大气电场数据的雷电强度值预测方法 | |
CN101615183B (zh) | 基于空间图像信息和gis的河川时间序列分析系统及其方法 | |
CN107515842B (zh) | 一种城市人口密度动态预测方法及系统 | |
CN111879915B (zh) | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统 | |
CN110287455A (zh) | 一种结合遥感数据与社会感知数据的pm2.5深度学习反演方法 | |
CN111079999A (zh) | 一种基于cnn和svm的洪水灾害易发性预测方法 | |
Lee et al. | Predicting potential occurrence of pine wilt disease based on environmental factors in South Korea using machine learning algorithms | |
CN106971396A (zh) | 基于超像素的冰盖冻融探测方法 | |
CN117272247B (zh) | 一种应用于数字孪生智慧乡村的数据集成方法及系统 | |
CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
CN114997534A (zh) | 基于视觉特征的相似降雨预报方法和设备 | |
CN115035256A (zh) | 一种尾矿库事故隐患及风险演化方法及系统 | |
CN113593191A (zh) | 一种基于大数据的可视化城市内涝监测预警系统 | |
CN114091741A (zh) | 一种台风预报预测方法和装置 | |
KR102489376B1 (ko) | 실시간 강우패턴 반응형 집중호우 예측시스템 | |
CN117290810B (zh) | 基于循环卷积神经网络的短时强降水概率预报融合方法 | |
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 | |
CN107608938B (zh) | 基于增强回归树算法的面向二值分类的因子筛选方法 | |
CN112233381A (zh) | 一种基于机理和机器学习耦合的泥石流预警方法与系统 | |
CN115511192B (zh) | 一种基于闪电资料同化的降水预报方法及系统 | |
CN113821895A (zh) | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 |
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 |