CN115113301B - 一种基于多源数据融合的应急短临预报方法及系统 - Google Patents

一种基于多源数据融合的应急短临预报方法及系统 Download PDF

Info

Publication number
CN115113301B
CN115113301B CN202211010895.8A CN202211010895A CN115113301B CN 115113301 B CN115113301 B CN 115113301B CN 202211010895 A CN202211010895 A CN 202211010895A CN 115113301 B CN115113301 B CN 115113301B
Authority
CN
China
Prior art keywords
layer
time
weather forecast
data
picture sequence
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
Application number
CN202211010895.8A
Other languages
English (en)
Other versions
CN115113301A (zh
Inventor
陈苏婷
王航将
闵锦忠
许鑫
孙俊
李玮
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.)
NANJING CHINA-SPACENET SATELLITE TELECOM CO LTD
Nanjing University of Information Science and Technology
Original Assignee
NANJING CHINA-SPACENET SATELLITE TELECOM CO LTD
Nanjing University of Information Science and Technology
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 NANJING CHINA-SPACENET SATELLITE TELECOM CO LTD, Nanjing University of Information Science and Technology filed Critical NANJING CHINA-SPACENET SATELLITE TELECOM CO LTD
Priority to CN202211010895.8A priority Critical patent/CN115113301B/zh
Publication of CN115113301A publication Critical patent/CN115113301A/zh
Application granted granted Critical
Publication of CN115113301B publication Critical patent/CN115113301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/08—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

Abstract

本发明提供一种基于多源数据融合的应急短临预报方法及系统，涉及短临天气预报技术领域。本发明的步骤为：将多时次多通道卫星云图序列、多时次雷达回波图序列和相同时序下的基本气象预报因子打包作为数据样本，进行预处理和数据增强，得到训练样本；构建用于融合多源数据的网络，将训练样本输入网络中进行训练，得到训练好的多源数据融合网络；将预测区域之前符合短临预报有效时间内的多时次多通道卫星云图序列、多时次雷达回波图序列和相同时序下的基本气象预报因子输入所述训练好的多源数据融合网络，对区域未来若干时间段进行天气预测。本发明的应急短临预报方法，极大提高了预测的准确率。

Description

一种基于多源数据融合的应急短临预报方法及系统
技术领域
本发明涉及天气预报技术领域，尤其涉及一种应急短临预报方法及系统。
背景技术
应急短临预报是气象领域的重要内容。人类生活深受天气影响，短临预报对社会个人和经济体系都有着重要指导和预警价值。近年来，在全球变暖的背景下，气候极端事件频增，包括高温极端、区域强降雨、大风冰雹等，对人类安全和经济造成严重损失。对一个区域的短临天气状况进行精确预测，提前对极端灾害天气发出预警，将有效止损。
随着气象业务不断建设完善以及短临预报技术不断进步，相关气候数据监测能力和极端天气的预警能力均有所提升。现有针对极端灾害天气的短临预报方法主要包括数值模式预报和雷达外推法预报，这两种方法预报某类短临天气存在观测数据源单一或不够全面的问题，并且在增添数据源的同时，因计算量的叠加而有损时效性，致使在短临预报中结果有较大误差。
发明内容
本发明所要解决的技术问题是针对背景技术中指出的目前预报短临天气存在观测数据源单一或不够全面，造成短临预报中结果有较大误差的问题，提供一种基于多源数据融合的应急短临预报方法及系统，极大提高应急短临天气的预报准确率。
为解决以上技术问题，本发明采用以下技术解决方案：
本发明提出一种基于多源数据融合的应急短临预报方法及系统。该系统可有效融合多方数据源，弥补因数据模式不同而缺损的交互信息，在很大程度上提高了预报应急突发天气事件的准确率，并提供了强有力的预警能力。
根据本发明第一个方面，提供了一种基于多源数据融合的应急短临预报方法，所述方法内容如下：
S1：将多时次多通道卫星云图序列、多时次雷达回波图序列和相同时序下的温度、湿度、气压、风向、风速等基本气象预报因子打包作为数据样本，对所述打包的数据样本进行预处理和数据增强。
其中，S1所述预处理包括对齐所述打包的数据样本的时间和空间，所述打包的卫星云图序列和雷达回波图序列在时间和空间上具有一定的离散性，在时空序列统计和图像处理上进行双线性穿插，统一训练区域的水平空间分辨率为0.05°×0.05°，时间分辨率为10min；
划分70%数据样本作为训练样本，30%数据样本作为测试样本；所述数据增强是在训练样本中，从同时段同时次同源的数据中随机抽取两张图片，经过随机翻转处理后，以取平均值的形式叠加合成一个新的训练样本，完成数据增强。
S2：构建用于融合多源数据的网络，将所述预处理好并增强的训练样本输入所述构建好的网络中进行训练，得到训练好的多源数据融合网络。
其中，S2所述多源数据融合网络包括编码—解码层、修正单元、自适应加权融合层。编码—解码层与修正单元采用并联关系连接，编码—解码层的输出与修正单元的输出作为进自适应加权融合层的输入，整体网络最后输出天气预测。
S201：通过所述编码—解码层，提取输出所述卫星云图序列和所述雷达回波图序列的特征；
其中，处理所述卫星云图序列和所述雷达回波图序列的所述编码—解码层结构一致，所述编码—解码层包括编码器和解码器，所述编码器用于编码提取所述卫星云图序列和所述雷达回波图序列的图像特征信息，并对特征图不断缩减，所述解码器与所述编码器对称，以所述编码器的输出作为输入，解码输出用于融合的特征图。
所述编码器由一系列的三维卷积层、批归一化层和池化层构成，所述解码器由一系列的三维卷积层、批归一化层和上采样层构成，每一层所述编码器的所述池化层对应每一层所述解码器的所述上采样层。
所述编码器和所述解码器的三维卷积层用于对上一层输出的特征图进行三维卷 积，第n层输出特征图
Figure 184493DEST_PATH_IMAGE001
的表征公式如下：
Figure 177857DEST_PATH_IMAGE002
；
其中，K表示第n层输入的表征矩阵数量，
Figure 633983DEST_PATH_IMAGE003
表示线性修正 单元，*表示三维卷积，
Figure 370995DEST_PATH_IMAGE004
表示第n层的滤波器权重，
Figure 97643DEST_PATH_IMAGE005
表示第
Figure 465170DEST_PATH_IMAGE006
层特征图的偏置；
所述编码器和所述解码器的批归一化层用于稳定网络中每层输入数据的分布，以加快网络的训练速度，所述批归一化层测试算法公式如下：
Figure 175637DEST_PATH_IMAGE007
；
其中，
Figure 185182DEST_PATH_IMAGE008
表示所述批归一化层接收的特征图矩阵向量，y表示经过所述批归一化层 计处理得到的输出，
Figure 31915DEST_PATH_IMAGE009
表示在训练过程中得到的可学习参数，
Figure 600037DEST_PATH_IMAGE010
是尺度因子，
Figure 797800DEST_PATH_IMAGE011
是平移 因子，
Figure 876615DEST_PATH_IMAGE012
是为了避免除数为0时所采用的的微小正数，
Figure 109013DEST_PATH_IMAGE013
表示批处理数据方差，
Figure 349501DEST_PATH_IMAGE014
表示批处理数据均值。
所述编码器的池化层用于将接收的特征图不断缩减，其中，所述池化层的索引被存储；
所述解码器的上采样层用于将接收的特征图进行逆操作完成尺度还原，其中，所述上采样层采用对称的所述池化层的索引进行上采样。所述池化层的索引记录了所述编码器进行池化时最大值的位置，在轻微精度损失的同时减少了极大的内存消耗，将所述池化层的索引用于所述解码器的上采样层中，得到所述卫星云图序列和所述雷达回波图序列的特征。
S202：通过所述修正单元，修正预测未来若干时间段温度、湿度、气压、风向、风速等基本气象预报因子的预报数据，修正公式如下：
Figure 34561DEST_PATH_IMAGE015
；
其中，
Figure 917066DEST_PATH_IMAGE016
表示某个气象预报因子
Figure 738392DEST_PATH_IMAGE017
在
Figure 415361DEST_PATH_IMAGE018
时刻的修正结果，
Figure 322137DEST_PATH_IMAGE019
表示横纵坐 标索引，
Figure 742754DEST_PATH_IMAGE020
表示气象预报因子
Figure 684165DEST_PATH_IMAGE017
在
Figure 532035DEST_PATH_IMAGE018
时刻的预报值，
Figure 191687DEST_PATH_IMAGE021
表示气象预报因子
Figure 150415DEST_PATH_IMAGE017
在n年中
Figure 710447DEST_PATH_IMAGE018
时刻的预报平均值和实际平均值的误差。
所述修正单元接收所述基本气象预报因子的格点图像，通过对所述图像进行4次 下采样和4次上采样，所述下采样由4组有效卷积、最大池化完成，每次下采样之后特征图个 数乘2，所述上采样在每层开始之前先通过反卷积将特征图尺寸乘2，并将特征图个数减半， 然后和对称的所述下采样的特征图合并，每一层都会进行两次有效卷积来提取特征；同步 地，每个所述基本气象预报因子的每层下采样和上采样的输出特征前都会融合其它基本气 象预报因子同阶段的特征，融合输出到下一层的特征
Figure 463640DEST_PATH_IMAGE022
公式如下：
Figure 345008DEST_PATH_IMAGE023
；
其中，
Figure 107428DEST_PATH_IMAGE024
，
Figure 23431DEST_PATH_IMAGE025
表示第
Figure 213104DEST_PATH_IMAGE026
层当前基本气象预报因子的滤波器权重，
Figure 581769DEST_PATH_IMAGE027
表示当前其它基本气象预报因子的滤波器权重；
Figure 882300DEST_PATH_IMAGE028
，
Figure 652810DEST_PATH_IMAGE029
表示 第
Figure 13384DEST_PATH_IMAGE026
层当前基本气象预报因子的特征，
Figure 869345DEST_PATH_IMAGE030
表示当前其它基本气象预报因子的特征；
Figure 707988DEST_PATH_IMAGE031
，
Figure 598583DEST_PATH_IMAGE032
表示第
Figure 628594DEST_PATH_IMAGE033
层当前基本气象预报因子特征图的偏置 ，
Figure 971850DEST_PATH_IMAGE034
表示当前其它 基本气象预报因子特征图的偏置；
Figure 348605DEST_PATH_IMAGE035
表示Sigmoid激活函数，
Figure 93707DEST_PATH_IMAGE035
公式如下：
Figure 796084DEST_PATH_IMAGE036
。
S203：通过所述自适应加权融合层，自适应学习所述卫星云图序列、所述雷达回波图序列和所述基本气象预报因子的重要性；
所述自适应加权融合层接收尺寸相同的所述多时次多通道卫星云图序列特征
Figure 361058DEST_PATH_IMAGE037
、多时次雷达回波图序列特征
Figure 807082DEST_PATH_IMAGE038
以及基本气象预报因子特征
Figure 141112DEST_PATH_IMAGE039
，对
Figure 14390DEST_PATH_IMAGE037
、
Figure 801080DEST_PATH_IMAGE040
、
Figure 18173DEST_PATH_IMAGE041
进行加权， 所述加权公式如下：
Figure 472288DEST_PATH_IMAGE042
；
其中，
Figure 250888DEST_PATH_IMAGE043
、
Figure 524875DEST_PATH_IMAGE044
、
Figure 47123DEST_PATH_IMAGE045
分别对应
Figure 621324DEST_PATH_IMAGE046
、
Figure 836404DEST_PATH_IMAGE047
、
Figure 128845DEST_PATH_IMAGE048
经历加权后的特征。
Figure 454784DEST_PATH_IMAGE049
、
Figure 149071DEST_PATH_IMAGE050
、
Figure 768009DEST_PATH_IMAGE051
是通过 激活函数得到的权重矩阵，代表各特征对网络的重要性，权重矩阵公式如下：
Figure 282167DEST_PATH_IMAGE052
其中，
Figure 411797DEST_PATH_IMAGE053
、
Figure 960590DEST_PATH_IMAGE054
、
Figure 517473DEST_PATH_IMAGE055
表示卷积核的权重，
Figure 518927DEST_PATH_IMAGE056
、
Figure 186669DEST_PATH_IMAGE057
、
Figure 589968DEST_PATH_IMAGE058
表示卷积核的偏差，
Figure 317753DEST_PATH_IMAGE059
表示 Sigmoid激活函数，
Figure 806503DEST_PATH_IMAGE059
公式如下：
Figure 543515DEST_PATH_IMAGE060
。
通过将所述
Figure 801321DEST_PATH_IMAGE061
、
Figure 700007DEST_PATH_IMAGE062
、
Figure 676053DEST_PATH_IMAGE063
级联，整合获得所述多时次多通道卫星云图序列、多时次 雷达回波图序列以及基本气象预报因子的最优特征
Figure 184133DEST_PATH_IMAGE064
；
通过使用1*1卷积核对所述最优特征
Figure 296445DEST_PATH_IMAGE064
降维得到一维数组
Figure 631611DEST_PATH_IMAGE065
，输入到线性的全连 接层，计算区域的短临天气概率
Figure 829375DEST_PATH_IMAGE066
，计算公式如下：
Figure 377031DEST_PATH_IMAGE067
；
其中，
Figure 812691DEST_PATH_IMAGE068
表示全连接层包含的神经单元个数，
Figure 787600DEST_PATH_IMAGE069
表示神经单元的权重，
Figure 207080DEST_PATH_IMAGE070
表示神 经单元的偏置。
所述多源数据融合网络的整体损失函数为
Figure 68681DEST_PATH_IMAGE071
，损失函数公式如下：
Figure 155586DEST_PATH_IMAGE072
；
其中，
Figure 832555DEST_PATH_IMAGE073
表示所在样本
Figure 739331DEST_PATH_IMAGE074
格点的标记值，
Figure 159948DEST_PATH_IMAGE075
表示
Figure 835780DEST_PATH_IMAGE074
格点的预测值。
S3：将预测区域之前符合短临预报有效时间内的多时次多通道卫星云图序列、多时次雷达回波图序列和相同时序下的温度、湿度、气压、风向、风速等基本气象预报因子输入所述训练好的多源数据融合网络，对区域未来若干时间段进行天气预测。
具体地，按时间和空间对齐之前符合短临预报有效时间内的数据，对未来若干时间段的预测包括短临天气的生成、发展和消散。
根据本发明另一个方面，本发明还提出一种基于多源数据融合的应急短临预报系统，包括：
样本处理模块，其被配置以执行以下动作：将多时次多通道卫星云图序列、多时次雷达回波图序列和相同时序下的基本气象预报因子打包作为数据样本，对所述打包的数据样本进行预处理和数据增强，得到训练样本；
多源数据融合网络模块，其被配置以执行以下动作：构建用于融合多源数据的网络，将训练样本输入构建好的网络中进行训练，得到训练好的多源数据融合网络；
天气预测模块，其被配置以执行以下动作：将预测区域之前符合短临预报有效时间内的多时次多通道卫星云图序列、多时次雷达回波图序列和相同时序下的基本气象预报因子输入所述训练好的多源数据融合网络，对区域未来若干时间段进行天气预测；
所述多源数据融合网络模块，包括：
编码解码单元，提取输出卫星云图序列和雷达回波图序列的特征；
修正单元，修正预测未来若干时间段基本气象预报因子的预报数据；
自适应加权融合单元、根据编码解码单元、修正单元输入的数据，自适应学习卫星云图序列、雷达回波图序列和基本气象预报因子的重要性。
本发明采用以上技术方案，与现有技术相比，其显著优点为：
（1）数据分析方面：利用深度神经网络对多源数据完成融合，生成短临天气预报，弥补因数据模式不同而缺损的交互信息。具体地，卫星云图对天气系统云场分布的范围以及各种云状的特点具有极高识别力，雷达回波图能有效提供大气层低层的高分辨率数据，多种基本气象预报因子在未来若干时间段的修正和预测能有效提高多源数据融合后结果的准确率，相较于现有技术中一般只对单源数据的分析预测，本发明的预测结果更加准确，并且有效降低了漏报率。
（2）数据增强方面：本发明的数据增强方法不同于单样本的数据增强，通过人工设计，利用已有的数据样本产生新的数据样本。具体地，在训练样本中，从同时段同时次同源的数据中随机抽取两张图片，经过随机翻转处理后，以取平均值的形式叠加合成一个新的训练样本，扩大了既有的数据样本规模。
（3）数据特征提取方面：针对不同源的数据设计不同的特征提取方式，使各源数据的特征更加快速高效被提取。具体地，所述卫星云图序列、雷达回波图序列的特征提取，采用对称的编码—解码结构，充分提取了空间信息，特殊地，所述上采样层采用对称的所述池化层的索引进行上采样，保留了不同阶段的特征图细节，并极大减少了内存的消耗；所述基本气象预报因子的特征提取，采用特殊的上采样层合并下采样层特征图的操作，并在特征提取阶段融合其它基本气象预报因子同阶段的特征，减少了数据的丢失以及保持了因子之间的密切性。不同的、特殊的提取方式，在一定程度上保留更多的可预报信息和加强了对气象数据的特征提取性能，进而能够有效延伸预报区域广度和提高预报准确率。
（4）数据融合方面：本发明所采用的数据融合策略属于特征级融合，最大限度地保留了不同气象数据融合前的原始信息。具体地，通过对所述编码—解码层和所述修正单元的特殊设计：所述编码器中设计13个三维卷积层，5个池化层，对称地，所述解码器设计13个三维卷积层，5个上采样层；所述修正单元设计4次下采样和4次上采样。通过对输入图像的深层次特征提取，在数据信息的理解上达到最佳效果。此外，本发明还解决了特征级融合策略中时空异步的问题。具体地，数据样本预处理阶段，对打包的卫星云图序列和雷达回波图序列在时空序列统计和图像处理上进行双线性穿插，统一训练区域的水平空间分辨率为0.05°×0.05°，时间分辨率为10min；进一步地，卫星云图序列和雷达回波图序列在特征提取阶段使用相同的编码—解码层，实现数据间初始的时间同步、空间同步以及特征提取阶段的特征同步。
（5）网络适用性方面：本发明在所述自适应加权融合层设计各类因子重要性学习功能，具体地，在训练不同类型的短临天气可以学习到不同的权值，而不是用固定权重矩阵融合多源数据，基本能为预报提供互补的气象数据信息，满足短临预报天气场景变化的需求，一定程度上提高了网络的适用性。
附图说明
图1是本发明实施例所述的一种基于多源数据融合的应急短临预报方法流程图。
图2是本发明实施例所述的多源数据融合网络的整体结构。
图3是本发明实施例所述的多源数据融合网络的编码—解码层结构。
图4为本发明实施例所述的多源数据融合网络的修正单元结构图。
图5为本发明实施例所述的多源数据融合网络的自适应加权融合层结构图。
具体实施方式
为使本发明的上述目的、内容和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语（包括技术术语和科学术语）具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
参照图1所示，本发明实施例提出了一种多源数据融合的应急短临预报方法，包括如下步骤：
S1：将多时次多通道卫星云图序列、多时次雷达回波图序列和相同时序下的温度、湿度、气压、风向、风速等基本气象预报因子打包作为数据样本，对所述打包的数据样本进行预处理和数据增强。
具体地，打包的多时次多通道卫星云图序列以10min为一个时次，以Himawari-8（葵花8号）静止气象卫星为例，使用8、9、10红外通道的云图数据，上述三个通道可对水汽进行探测，具备较强的云探测能力；打包的多时次雷达回波图序列为6min为一个时次，将1小时内共计10帧雷达回波图作为一个时序；打包的温度、湿度、气压、风向、风速等基本气象预报因子以6h为一个时次；所述打包的卫星云图序列和雷达回波图序列在时间和空间上具有一定的离散性，在本发明的一个可选实施例中，为方便整体网络的数据处理和多数据源的特征融合，在时空序列统计和图像处理上进行双线性穿插，统一实施例区域的水平空间分辨率为0.05°×0.05°，时间分辨率为10min。
对齐所述打包的数据样本的时间和空间，划分70%数据样本作为训练样本，30%数据样本作为测试样本；进一步地，构建卫星云图序列、雷达回波图序列以及温度、湿度、气压、风向、风速等基本气象预报因子的训练和测试样本为480×480的网格。
在训练样本中，从同时段同时次同源的数据中随机抽取两张图片，经过随机翻转处理后，以取平均值的形式叠加合成一个新的训练样本，例如：随机抽取的是2018年5月12日14:00Himawari-8（葵花8号）卫星的9通道卫星云图，根据设定，另一张随机数据可以是2019年5月12日14:00Himawari-8（葵花8号）卫星的9通道卫星云图。进而增加网络训练样本的数量，加强网络对样本特征的学习能力。
S2：构建用于融合多源数据的网络，将所述预处理好并增强的训练样本输入所述构建好的网络中进行训练，得到训练好的多源数据融合网络。
具体地，参照图2所示，所述多源数据融合网络包括编码—解码层、修正单元、自适 应加权融合层。编码—解码层与修正单元采用并联关系连接，编码—解码层的输出特
Figure 683650DEST_PATH_IMAGE076
与 修正单元的输出特征
Figure 343302DEST_PATH_IMAGE077
作为进自适应加权融合层的输入，整体网络最后输出天气预测。具 体如下：
S201：在本发明的一个可选实施例中，通过所述编码—解码层，提取输出所述卫星云图序列和所述雷达回波图序列的特征；
参照图3所示，所述编码—解码层包括编码器和解码器。所述编码器用于编码提取所述卫星云图序列和所述雷达回波图序列的图像特征信息，并对特征图不断缩减；所述解码器与所述编码器对称，以所述编码器的输出作为输入，解码输出用于融合的特征图。需注意的是：处理所述卫星云图序列和所述雷达回波图序列的所述编码—解码层结构一致。
所述编码器由一系列的三维卷积层、批归一化层和池化层构成，所述解码器由一系列的三维卷积层、批归一化层和上采样层构成，每一层所述编码器的所述池化层对应每一层所述解码器的所述上采样层。
本发明的一个可选实施例中，所述编码器中设计13个三维卷积层，5个池化层；对 称地，所述解码器设计13个三维卷积层，5个上采样层。将卫星云图序列和雷达回波图序列 输入编码器，所述编码器的每一个三维卷积层完成卷积操作后产生一个特征图，第n层三维 卷积层输出特征图
Figure 36451DEST_PATH_IMAGE078
的表征公式如下：
Figure 97948DEST_PATH_IMAGE079
；
其中，K表示第n层输入的表征矩阵数量，
Figure 851141DEST_PATH_IMAGE080
表示线性修 正单元，*表示三维卷积，
Figure 998088DEST_PATH_IMAGE081
表示第n层的滤波器权重，
Figure 760508DEST_PATH_IMAGE082
表示第
Figure 175046DEST_PATH_IMAGE083
层特征图的偏置。
所述批归一化层进行数据的稳定分布，批归一化层算法公式如下：
Figure 364719DEST_PATH_IMAGE084
；
其中，
Figure 733384DEST_PATH_IMAGE085
表示所述批归一化层接收的特征图矩阵向量，y表示经过所述批归一化层 计处理得到的输出
Figure 33915DEST_PATH_IMAGE086
表示在训练过程中得到的可学习参数，
Figure 804425DEST_PATH_IMAGE087
是尺度因子，
Figure 164999DEST_PATH_IMAGE088
是平移 因子，
Figure 20960DEST_PATH_IMAGE089
是为了避免除数为0时所采用的的微小正数，
Figure 125182DEST_PATH_IMAGE090
表示批处理数据方差，
Figure 15778DEST_PATH_IMAGE091
表 示批处理数据均值。
特征图经批归一化层处理后进入所述池化层，将接收的特征图不断缩减，其中，所述池化层的最大池化索引被存储，所述编码器最后一层以池化层结束；所述解码器的三维卷积层与所述编码器的三维卷积层功能相同，与编码器不同的是，解码器的三维卷积层产生的特征图接入上采样层，上采样层将接收的特征图进行逆操作完成尺度还原，其中，所述上采样层采用对称的池化层的索引进行上采样，将所述池化层的索引用于所述解码器的上采样层中，在轻微精度损失的同时减少了极大的内存消耗，所述解码器的最后一层输出所述卫星云图序列和所述雷达回波图序列的高阶特征。
S202：在本发明的一个可选实施例中，通过所述修正单元，修正预测未来若干时间段温度、湿度、气压、风向、风速等基本气象预报因子的预报数据，修正公式如下：
Figure 547253DEST_PATH_IMAGE092
；
其中，
Figure 890510DEST_PATH_IMAGE093
表示某个气象预报因子
Figure 532844DEST_PATH_IMAGE094
在
Figure 277946DEST_PATH_IMAGE095
时刻的修正结果，
Figure 714743DEST_PATH_IMAGE096
表示横纵坐标 索引，
Figure 810875DEST_PATH_IMAGE097
表示气象预报因子
Figure 489856DEST_PATH_IMAGE094
在
Figure 89465DEST_PATH_IMAGE095
时刻的预报值，
Figure 962743DEST_PATH_IMAGE098
表示气象预报因子
Figure 280592DEST_PATH_IMAGE094
在n年中
Figure 530307DEST_PATH_IMAGE099
时刻的预报平均值和实际平均值的误差。
参照图4所示，所述修正单元接收所述基本气象预报因子的格点图像，通过对所述 图像进行4次下采样和4次上采样，所述下采样由4组有效卷积、最大池化完成，每次下采样 之后特征图个数乘2，所述上采样在每层开始之前先通过反卷积将特征图尺寸乘2，并将特 征图个数减半，然后和对称的所述下采样的特征图合并，每一层都会进行两次有效卷积来 提取特征；同步地，不同每个所述基本气象预报因子的每层下采样和上采样输出特征前都 接收融合其它基本气象预报因子同阶段的特征，融合输出到下一层的特征
Figure 984422DEST_PATH_IMAGE100
公式如 下：
Figure 763023DEST_PATH_IMAGE101
；
其中，
Figure 568168DEST_PATH_IMAGE102
，
Figure 355995DEST_PATH_IMAGE103
表示第
Figure 930196DEST_PATH_IMAGE104
层当前基本气象预报因子的滤波器权 重，
Figure 145276DEST_PATH_IMAGE105
表示当前其它基本气象预报因子的滤波器权重；
Figure 437717DEST_PATH_IMAGE106
，
Figure 763657DEST_PATH_IMAGE107
表示第
Figure 425320DEST_PATH_IMAGE108
层当前基本气象预报因子的特征，
Figure 76881DEST_PATH_IMAGE109
表示当前其它基本气象预报因子的特征；
Figure 591039DEST_PATH_IMAGE110
，
Figure 720669DEST_PATH_IMAGE111
表示第
Figure 269462DEST_PATH_IMAGE108
层当前基本气 象预报因子特征图的偏置，
Figure 826345DEST_PATH_IMAGE112
表示当前其它基本气象预报因子特征图的偏置；
Figure 827799DEST_PATH_IMAGE113
表示 Sigmoid激活函数，
Figure 761120DEST_PATH_IMAGE113
公式如下：
Figure 164420DEST_PATH_IMAGE114
。
各个基本气象预报因子在本身微物理特性和数值方程组的约束下，完成因子间的交互修正，最后一层上采样输出修正后基本气象预报因子的预报特征。
S203：在本发明的一个可选实施例中，通过所述自适应加权融合层，自适应学习所述卫星云图序列、所述雷达回波图序列和所述基本气象预报因子的重要性，如图5所示。
所述自适应加权融合层接收尺寸相同的所述多时次多通道卫星云图序列特征
Figure 892204DEST_PATH_IMAGE115
、 多时次雷达回波图序列特征
Figure 380955DEST_PATH_IMAGE116
以及基本气象预报因子特征
Figure 586808DEST_PATH_IMAGE117
，对
Figure 844614DEST_PATH_IMAGE115
、
Figure 8879DEST_PATH_IMAGE116
、
Figure 984925DEST_PATH_IMAGE118
进行加权，所 述加权公式如下：
Figure 493005DEST_PATH_IMAGE119
；
其中，
Figure 605317DEST_PATH_IMAGE120
、
Figure 674904DEST_PATH_IMAGE121
、
Figure 138247DEST_PATH_IMAGE122
分别对应
Figure 951482DEST_PATH_IMAGE046
、
Figure 183880DEST_PATH_IMAGE047
、
Figure 424369DEST_PATH_IMAGE048
经历加权后的特征。
Figure 843849DEST_PATH_IMAGE123
、
Figure 460775DEST_PATH_IMAGE124
、
Figure 547680DEST_PATH_IMAGE051
是通过 激活函数得到的权重矩阵，代表各特征对网络的重要性，权重矩阵公式如下：
Figure 224649DEST_PATH_IMAGE125
其中，
Figure 397004DEST_PATH_IMAGE053
、
Figure 784998DEST_PATH_IMAGE126
、
Figure 991988DEST_PATH_IMAGE127
表示卷积核的权重，
Figure 839858DEST_PATH_IMAGE056
、
Figure 499510DEST_PATH_IMAGE057
、
Figure 458239DEST_PATH_IMAGE058
表示卷积核的偏差，
Figure 254156DEST_PATH_IMAGE059
表示 Sigmoid激活函数，
Figure 272928DEST_PATH_IMAGE059
公式如下：
Figure 419875DEST_PATH_IMAGE060
。
通过将所述
Figure 916716DEST_PATH_IMAGE120
、
Figure 832719DEST_PATH_IMAGE121
、
Figure 756813DEST_PATH_IMAGE122
级联，整合获得所述多时次多通道卫星云图序列、多时 次雷达回波图序列以及基本气象预报因子的最优特征
Figure 391057DEST_PATH_IMAGE128
。
通过使用1*1卷积核对所述最优特征
Figure 691588DEST_PATH_IMAGE128
降维得到一维数组
Figure 727677DEST_PATH_IMAGE129
，输入到线性的全连 接层，并连接一个softmax分类器计算区域格点图像的短临天气概率
Figure 822672DEST_PATH_IMAGE130
，计算公式如下：
Figure 442747DEST_PATH_IMAGE131
；
其中，
Figure 281390DEST_PATH_IMAGE132
表示全连接层包含的神经单元个数，
Figure 906406DEST_PATH_IMAGE133
表示神经单元的权重，
Figure 100002_DEST_PATH_IMAGE134
表示神 经单元的偏置。
S204：在本发明的一个可选实施例中，优化算法采用随机梯度下降算法，以加快网 络学习速度；所述多源数据融合网络的整体损失函数为
Figure 844406DEST_PATH_IMAGE135
，损失函数公式如下：
Figure 922084DEST_PATH_IMAGE136
；
其中，
Figure 564418DEST_PATH_IMAGE137
表示所在样本
Figure 309520DEST_PATH_IMAGE138
格点的标记值，
Figure 244853DEST_PATH_IMAGE139
表示
Figure 75405DEST_PATH_IMAGE138
格点的预测值。
S3：将预测区域之前符合短临预报有效时间内（如1小时）的多时次多通道卫星云图序列、多时次雷达回波图序列和相同时序下的温度、湿度、气压、风向、风速等基本气象预报因子输入所述训练好的多源数据融合网络，对区域未来若干时间段进行天气预测。
具体地，在本发明的一个可选实施例中，按时间和空间对齐实施例区域之前1小时的数据，将数据输入所述训练好的多源数据融合网络，所述编码—解码层输出所述卫星云图序列和所述雷达回波图序列的高阶特征，修正单元输出未来若干时间段温度、湿度、气压、风向、风速等基本气象预报因子的预报特征，所述编码—解码层的输出与修正单元的输出作为进自适应加权融合层的输入，整体网络最后输出天气预测，预测包括短临天气的生成、发展和消散。
本实施例还提出一种基于多源数据融合的应急短临预报装置，包括：
样本处理模块，其被配置以执行以下动作：将多时次多通道卫星云图序列、多时次雷达回波图序列和相同时序下的基本气象预报因子打包作为数据样本，对所述打包的数据样本进行预处理和数据增强，得到训练样本；
多源融合网络模块，其被配置以执行以下动作：构建用于融合多源数据的网络，将训练样本输入构建好的网络中进行训练，得到训练好的多源数据融合网络；
天气预测模块，其被配置以执行以下动作：将预测区域之前符合短临预报有效时间内的多时次多通道卫星云图序列、多时次雷达回波图序列和相同时序下的基本气象预报因子输入所述训练好的多源数据融合网络，对区域未来若干时间段进行天气预测。
多源融合网络模块包括一训练单元，通过所述自适应加权融合层的权重矩阵和各类因子的重要性，还包括各类应急短临天气的概率预报阈值的评估学习，以得到训练好的多源数据融合网络。
需要说明的是，本申请实施例装置的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果，因此不做赘述。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于多源数据融合的应急短临预报方法，其特征在于，包括如下步骤：
S1、将多时次多通道卫星云图序列、多时次雷达回波图序列和相同时序下的基本气象预报因子打包作为数据样本，对打包的数据样本进行预处理和数据增强，得到训练样本；
S2、构建用于融合多源数据的网络，将训练样本输入构建好的网络中进行训练，得到训练好的多源数据融合网络；所述多源数据融合网络包括编码—解码层、修正单元、自适应加权融合层，训练过程包括如下步骤：
S201、通过编码—解码层，提取输出卫星云图序列和雷达回波图序列的特征；
S202、通过修正单元，修正预测未来若干时间段基本气象预报因子的预报数据；
S203、将步骤S201、S202得到的数据输入自适应加权融合层，自适应学习卫星云图序列、雷达回波图序列和基本气象预报因子的重要性；
所述多源数据融合网络的整体损失函数如下：
Figure DEST_PATH_IMAGE002
；
其中，
Figure DEST_PATH_IMAGE004
表示所在样本
Figure DEST_PATH_IMAGE006
格点的标记值，
Figure DEST_PATH_IMAGE008
表示
Figure DEST_PATH_IMAGE010
格点的预测值；
S3、将预测区域之前符合短临预报有效时间内的多时次多通道卫星云图序列、多时次雷达回波图序列和相同时序下的基本气象预报因子输入所述训练好的多源数据融合网络，对区域未来若干时间段进行天气预测。
2.根据权利要求1所述的应急短临预报方法，其特征在于，步骤S1中，所述预处理包括对齐所述打包的数据样本的时间和空间，统一训练区域的水平空间分辨率为0.05°×0.05°，时间分辨率为10min，划分70%数据样本作为训练样本，30%数据样本作为测试样本；
所述数据增强是在训练样本中，从同时段同时次同源的数据中随机抽取两张图片，经过随机翻转处理后，以取平均值的形式叠加合成一个新的训练样本，完成数据增强。
3.根据权利要求1所述的应急短临预报方法，其特征在于，步骤S201中，编码器和解码器使用三维卷积层对上一层输出的特征图进行三维卷积，第n层输出特征图
Figure DEST_PATH_IMAGE012
的表征公式如下：
Figure DEST_PATH_IMAGE014
；
其中，K表示第n层输入的表征矩阵数量，
Figure DEST_PATH_IMAGE016
表示线性修正单元，*表示三维卷积，
Figure DEST_PATH_IMAGE018
表示第n层的滤波器权重，
Figure DEST_PATH_IMAGE020
表示第
Figure DEST_PATH_IMAGE022
层特征图的偏置。
4.根据权利要求1所述的应急短临预报方法，其特征在于，步骤S201中，编码器和解码器使用批归一化层来稳定网络中每层输入数据的分布，以加快网络的训练速度，所述批归一化层测试算法公式如下：
Figure DEST_PATH_IMAGE024
；
其中，
Figure DEST_PATH_IMAGE026
表示批归一化层接收的特征图矩阵向量，y表示经过批归一化层计处理得到的输出，
Figure DEST_PATH_IMAGE028
表示在训练过程中得到的可学习参数，
Figure DEST_PATH_IMAGE030
是尺度因子，
Figure DEST_PATH_IMAGE032
是平移因子，
Figure DEST_PATH_IMAGE034
是为了避免除数为0时所采用的微小正数，
Figure DEST_PATH_IMAGE036
表示批处理数据方差，
Figure DEST_PATH_IMAGE038
表示批处理数据均值。
5.根据权利要求1所述的应急短临预报方法，其特征在于，步骤S202中，所述修正单元的修正公式如下：
Figure DEST_PATH_IMAGE040
；
其中，
Figure DEST_PATH_IMAGE042
表示某个气象预报因子
Figure DEST_PATH_IMAGE044
在
Figure DEST_PATH_IMAGE046
时刻的修正结果，
Figure DEST_PATH_IMAGE048
表示横纵坐标索引，
Figure DEST_PATH_IMAGE050
表示气象预报因子
Figure DEST_PATH_IMAGE052
在
Figure DEST_PATH_IMAGE054
时刻的预报值，
Figure DEST_PATH_IMAGE056
表示气象预报因子
Figure DEST_PATH_IMAGE052A
在n年中
Figure DEST_PATH_IMAGE058
时刻的预报平均值和实际平均值的误差。
6.根据权利要求1所述的应急短临预报方法，其特征在于，步骤S202中，每个基本气象预报因子的修正过程中都会融合其它基本气象预报因子同阶段的特征，融合输出到下一阶段的特征
Figure DEST_PATH_IMAGE060
公式如下：
Figure DEST_PATH_IMAGE062
其中，
Figure DEST_PATH_IMAGE064
，
Figure DEST_PATH_IMAGE066
表示第
Figure DEST_PATH_IMAGE022A
层当前基本气象预报因子的滤波器权重，
Figure DEST_PATH_IMAGE068
表示当前其它基本气象预报因子的滤波器权重；
Figure DEST_PATH_IMAGE070
，
Figure DEST_PATH_IMAGE072
表示第
Figure DEST_PATH_IMAGE022AA
层当前基本气象预报因子的特征，
Figure DEST_PATH_IMAGE074
表示当前其它基本气象预报因子的特征；
Figure DEST_PATH_IMAGE076
，
Figure DEST_PATH_IMAGE078
表示第
Figure DEST_PATH_IMAGE022AAA
层当前基本气象预报因子特征图的偏置，
Figure DEST_PATH_IMAGE080
表示当前其它基本气象预报因子特征图的偏置；
Figure DEST_PATH_IMAGE082
表示Sigmoid激活函数，
Figure DEST_PATH_IMAGE084
公式如下：
Figure DEST_PATH_IMAGE086
。
7.根据权利要求1所述的应急短临预报方法，其特征在于，步骤S203中，所述自适应加权融合层接收尺寸相同的多时次多通道卫星云图序列特征
Figure DEST_PATH_IMAGE088
、多时次雷达回波图序列特征
Figure DEST_PATH_IMAGE090
以及基本气象预报因子特征
Figure DEST_PATH_IMAGE092
，对
Figure DEST_PATH_IMAGE088A
、
Figure DEST_PATH_IMAGE090A
、
Figure DEST_PATH_IMAGE094
进行加权，加权公式如下：
Figure DEST_PATH_IMAGE096
；
其中，
Figure DEST_PATH_IMAGE098
、
Figure DEST_PATH_IMAGE100
、
Figure DEST_PATH_IMAGE102
分别对应
Figure DEST_PATH_IMAGE088AA
、
Figure DEST_PATH_IMAGE090AA
、
Figure DEST_PATH_IMAGE094A
经历加权后的特征，
Figure DEST_PATH_IMAGE104
、
Figure DEST_PATH_IMAGE106
、
Figure DEST_PATH_IMAGE108
是通过激活函数得到的权重矩阵，代表各特征对网络的重要性，权重矩阵公式如下：
Figure DEST_PATH_IMAGE110
Figure DEST_PATH_IMAGE112
Figure DEST_PATH_IMAGE114
；
其中，
Figure DEST_PATH_IMAGE116
、
Figure DEST_PATH_IMAGE118
、
Figure DEST_PATH_IMAGE120
表示卷积核的权重，
Figure DEST_PATH_IMAGE122
、
Figure DEST_PATH_IMAGE124
、
Figure DEST_PATH_IMAGE126
表示卷积核的偏差，
Figure DEST_PATH_IMAGE128
表示Sigmoid激活函数，
Figure DEST_PATH_IMAGE128A
公式如下：
Figure DEST_PATH_IMAGE130
；
自适应加权融合层通过使用1*1卷积核对级联
Figure DEST_PATH_IMAGE098A
、
Figure DEST_PATH_IMAGE132
、
Figure DEST_PATH_IMAGE102A
得到的最优特征
Figure DEST_PATH_IMAGE134
降维得到一维数组
Figure DEST_PATH_IMAGE136
，输入到线性的全连接层，计算区域的短临天气概率
Figure DEST_PATH_IMAGE138
，计算公式如下：
Figure DEST_PATH_IMAGE140
；
其中，
Figure DEST_PATH_IMAGE142
表示全连接层包含的神经单元个数，
Figure DEST_PATH_IMAGE144
表示神经单元的权重，
Figure DEST_PATH_IMAGE146
表示神经单元的偏置。
8.一种基于多源数据融合的应急短临预报系统，其特征在于，包括：
样本处理模块，其被配置以执行以下动作：将多时次多通道卫星云图序列、多时次雷达回波图序列和相同时序下的基本气象预报因子打包作为数据样本，对所述打包的数据样本进行预处理和数据增强，得到训练样本；
多源数据融合网络模块，其被配置以执行以下动作：构建用于融合多源数据的网络，将训练样本输入构建好的网络中进行训练，得到训练好的多源数据融合网络；
天气预测模块，其被配置以执行以下动作：将预测区域之前符合短临预报有效时间内的多时次多通道卫星云图序列、多时次雷达回波图序列和相同时序下的基本气象预报因子输入所述训练好的多源数据融合网络，对区域未来若干时间段进行天气预测；
所述多源数据融合网络模块，包括：
编码解码单元，提取输出卫星云图序列和雷达回波图序列的特征；
修正单元，修正预测未来若干时间段基本气象预报因子的预报数据；
自适应加权融合单元、根据编码解码单元、修正单元输入的数据，自适应学习卫星云图序列、雷达回波图序列和基本气象预报因子的重要性；
所述多源数据融合网络的整体损失函数如下：
Figure DEST_PATH_IMAGE002A
；
其中，
Figure DEST_PATH_IMAGE004A
表示所在样本
Figure DEST_PATH_IMAGE006A
格点的标记值，
Figure DEST_PATH_IMAGE008A
表示
Figure DEST_PATH_IMAGE010A
格点的预测值。
CN202211010895.8A 2022-08-23 2022-08-23 一种基于多源数据融合的应急短临预报方法及系统 Active CN115113301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211010895.8A CN115113301B (zh) 2022-08-23 2022-08-23 一种基于多源数据融合的应急短临预报方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211010895.8A CN115113301B (zh) 2022-08-23 2022-08-23 一种基于多源数据融合的应急短临预报方法及系统

Publications (2)

Publication Number Publication Date
CN115113301A CN115113301A (zh) 2022-09-27
CN115113301B true CN115113301B (zh) 2022-11-18

Family

ID=83335868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211010895.8A Active CN115113301B (zh) 2022-08-23 2022-08-23 一种基于多源数据融合的应急短临预报方法及系统

Country Status (1)

Country Link
CN (1) CN115113301B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115857060B (zh) * 2023-02-20 2023-05-09 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) 基于分层生成对抗网络的短临降水预报方法和系统
CN117055051B (zh) * 2023-10-09 2023-12-19 国家气象中心(中央气象台) 基于多源数据的冰雹识别方法、系统、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101852871A (zh) * 2010-05-25 2010-10-06 南京信息工程大学 基于经验模态分解和数值集合预报的短期气候预测方法
CN106529746A (zh) * 2016-12-29 2017-03-22 南京恩瑞特实业有限公司 基于动力和热力因子的空气质量动态融合统计预报方法
CN106919645A (zh) * 2017-01-17 2017-07-04 广西师范学院 复杂地貌大景区的景点气象要素智能精细预测方法
CN111428862A (zh) * 2020-03-17 2020-07-17 中国电子科技集团公司第十四研究所 一种极类不平衡时空联合对流初生短临预报方法
US10943099B2 (en) * 2019-03-19 2021-03-09 Booz Allen Hamilton Inc. Method and system for classifying an input data set using multiple data representation source modes
CN113962465A (zh) * 2021-10-26 2022-01-21 国家气象中心(中央气象台) 降水预报方法、设备、装置及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2757591C1 (ru) * 2019-03-25 2021-10-19 Общество С Ограниченной Ответственностью «Яндекс» Способ и система для формирования прогноза погоды
FR3096145B1 (fr) * 2019-05-15 2022-03-11 Hd Rain Procédé et dispositif de mesure de précipitations
CN112560972B (zh) * 2020-12-21 2021-10-08 北京航空航天大学 基于毫米波雷达先验定位和视觉特征融合的目标检测方法
CN112764129B (zh) * 2021-01-22 2022-08-26 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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101852871A (zh) * 2010-05-25 2010-10-06 南京信息工程大学 基于经验模态分解和数值集合预报的短期气候预测方法
CN106529746A (zh) * 2016-12-29 2017-03-22 南京恩瑞特实业有限公司 基于动力和热力因子的空气质量动态融合统计预报方法
CN106919645A (zh) * 2017-01-17 2017-07-04 广西师范学院 复杂地貌大景区的景点气象要素智能精细预测方法
US10943099B2 (en) * 2019-03-19 2021-03-09 Booz Allen Hamilton Inc. Method and system for classifying an input data set using multiple data representation source modes
CN111428862A (zh) * 2020-03-17 2020-07-17 中国电子科技集团公司第十四研究所 一种极类不平衡时空联合对流初生短临预报方法
CN113962465A (zh) * 2021-10-26 2022-01-21 国家气象中心(中央气象台) 降水预报方法、设备、装置及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Multiscale and multisource data fusion for full-coverage PM2.5 concentration mapping: Can spatial pattern recognition come with modeling accuracy?;Kaixu Bai 等;《ISPRS Journal of Photogrammetry and Remote Sensing》;20220228;第184卷;第31-44页 *
基于边缘特征融合的高分影像建筑物目标检测;赫晓慧 等;《计算机科学》;20210607;第48卷(第9期);正文第141页右栏第3段-第142页右栏第3段 *

Also Published As

Publication number Publication date
CN115113301A (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN115113301B (zh) 一种基于多源数据融合的应急短临预报方法及系统
Sønderby et al. Metnet: A neural weather model for precipitation forecasting
CN109902885B (zh) 基于深度学习混合cnn-lstm模型的台风预测方法
CN111158068B (zh) 一种基于简单卷积循环神经网络的短临预报方法及系统
CN109472396B (zh) 基于深度网络学习的山火预测方法
CN111738111A (zh) 基于多分支级联空洞空间金字塔的高分辨遥感图像的道路提取方法
CN109508476B (zh) 基于深度网络学习的山火预测建模方法
CN111428862B (zh) 一种极类不平衡时空联合对流初生短临预报方法
CN112069955B (zh) 基于深度学习的台风强度遥感反演方法
CN114742179B (zh) 基于ecmwf的格点预报偏差修正方法
CN114049545B (zh) 一种基于点云体素的台风定强方法、系统、设备及介质
Cannon et al. Robust nonlinear canonical correlation analysis: application to seasonal climate forecasting
CN116760031A (zh) 基于气象数据的高时间分辨率光伏功率预测方法和装置
CN113344149A (zh) 一种基于神经网络的pm2.5逐小时预测方法
CN115457389A (zh) 基于稀疏时空特征描述子的超短期太阳辐射预测方法及系统
CN113984198A (zh) 一种基于卷积神经网络的短波辐射预测方法及系统
CN112990354A (zh) 一种构建用于风速预测的深度卷积回归网络的方法及装置
CN117008217A (zh) 一种融合自注意力模块与Unet模型的短时强降水预报方法
KR20220102329A (ko) 산불 위험 계절 예보 장치 및 방법
CN113158128A (zh) 一种全球无缝隙台风动力集合预测方法、系统
CN115641498A (zh) 基于空间多尺度卷积神经网络的中期降水预报后处理订正方法
CN116611725A (zh) 一种基于绿色生态指标的土地类型识别方法及装置
CN115187775A (zh) 一种遥感图像语义分割方法及装置
Kesavavarthini et al. Bias correction of CMIP6 simulations of precipitation over Indian monsoon core region using deep learning algorithms
CN115984714B (zh) 一种基于双分支网络模型的云检测方法

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