CN115600483A - 一种基于深度森林的降水反演方法 - Google Patents
一种基于深度森林的降水反演方法 Download PDFInfo
- Publication number
- CN115600483A CN115600483A CN202210781412.8A CN202210781412A CN115600483A CN 115600483 A CN115600483 A CN 115600483A CN 202210781412 A CN202210781412 A CN 202210781412A CN 115600483 A CN115600483 A CN 115600483A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- rain
- data
- precipitation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000001556 precipitation Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 17
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000010801 machine learning Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- WWVKQTNONPWVEL-UHFFFAOYSA-N caffeic acid phenethyl ester Natural products C1=C(O)C(O)=CC=C1C=CC(=O)OCC1=CC=CC=C1 WWVKQTNONPWVEL-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- SWUARLUWKZWEBQ-UHFFFAOYSA-N phenylethyl ester of caffeic acid Natural products C1=C(O)C(O)=CC=C1C=CC(=O)OCCC1=CC=CC=C1 SWUARLUWKZWEBQ-UHFFFAOYSA-N 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种基于深度森林的降水反演方法。本发明内容包括:步骤S1:数据预处理;步骤S2:对步骤S1中经过预处理的数据集进行训练集、验证集和测试集的划分;步骤S3:基于深度森林算法构建一种降水反演模型;步骤S4:将步骤S3中的模型分别应用于步骤S2的验证集和测试集中,使用气象评分定量评估模型结果,并将模型反演结果和地面雨量站数据进行对比验证。本发明公开了一种基于深度森林的降水反演方法,设计了随机下采样和SMOTE上采样结合的方式来平衡无雨和有雨的样本,针对模型训练的表现调整样本的比例,有效减少新产生样本集特征信息的丢失,能在训练减少误差的同时考虑每个类别的准确度,改善样本不平衡的问题。
Description
技术领域
本发明涉及基于机器学习的多源资料反演降水技术领域,具体涉及一种基于深度森林的降水反演方法。
背景技术
降水是反映全球和区域范围气候系统变化的重要指标,随着气候变暖,极端降水事件频发,已逐渐成为造成我国自然灾害最严重的气候事件之一,人们日常的生产活动对降水预报的准确率需求也越来越高。对于降水的实时反演不仅对研究地区气候变化具有战略意义,而且也为农林牧业、交通运输和海洋监测等社会公共服务领域提供指示预警作用。然而,传统的地面观测存在明显缺陷,由于复杂的地形以及海岸线的限制,雨量计的探测范围有限,并且在偏远地区的覆盖存在不足,地基天气雷达在资料反演过程中由于反射因子与降水强度(Z-R)关系不稳定,地形因素和大气折射影响等存在精度问题,加上运行和维护成本较高,也存在一定的局限性,而卫星可以自上而下地进行全面观测,提供连续且直观的遥感图像信息,是目前获取全球降水资料的唯一可行方式,卫星云图实际业务应用也成为获取高质量、高分辨率卫星降水资料的手段之一。
目前卫星降水反演产品主要通过微波遥感、可见光/红外遥感和多传感器联合来获得,微波遥感的降水估测精度较高,但时间采样率低,可见光/红外遥感能提供更高分辨率的降水估计,但由于红外信号与降水的间接关系,精度还有待提高,与前两者相比,多传感器联合具有明显的优势,许多研究利用实时的静止卫星数据和高分辨率的多卫星联合降水产品建立了反演算法来进一步提升降水预测的准确性。
使用静止卫星的红外数据建立降水预测算法,依赖于卫星观测到的云属性信息与降水之间的关系,早期为单通道法,例如GOES降水指数(GPI)降水估测算法,然而计算GPI指数需要足够大的时空尺度,随着精度的提升估测小尺度降水的能力受限,还有对流层状降水技术CST算法,但此算法在反演中纬度热带气旋降水的效果存在严重不足,局限于热带深对流系统,随着地球同步卫星光谱数据分辨率的提高,算法发展为多通道阈值法,但这些算法发展需要加入更多的输入特征,逐渐无法满足概念模型的假设,并且遥感信息与降水之间存在非线性关系,提高算法准确度也存在困难。而机器学习算法近年来取得了快速的发展,逐渐成为连结多通道亮温数据与降水信息的工具之一,但是在使用机器学习算法反演降水的过程中,在估测降水强度时由于降水样本的不平衡往往导致对较高强度降水的估测能力不足,这是降水反演算法中仍待解决的问题之一。
因此,需要提供一种针对上述现有技术不足的改进技术方案。
针对上述问题,本发明公开了一种基于深度森林的降水反演方法,利用机器学习方法进行降水反演,采用样本平衡技术改善不平衡的现状,估测降水等级而不直接估测降水强度,来提高对中雨区和大雨区反演的准确度,并将模型应用于不同时段独立的测试集,测试模型的普适性。
发明内容
本发明实施例的目的在于提供一种基于深度森林的降水反演方法。本发明依次包括如下内容:
对多源数据资料进行预处理;
基于预处理后的数据集制作训练数据集、验证数据集和测试数据集;
构建并训练基于深度森林的降水反演模型;
将建立的算法用于验证集和测试集中,使用气象评分定量评估模型结果,并将模型反演结果和地面雨量站数据进行对比验证。
进一步的,所述对多源数据资料进行预处理包括:
基于静止卫星的高分辨率数据制作卫星云图数据集;
基于数值预报产品资料的预报场资料制作与卫星云图相同时空分辨率的数据集;
基于多卫星联合降水估计值资料制作与卫星云图相同时空分辨率的数据集,并处理为降水等级数据集。
进一步的,所述基于预处理后的数据集制作训练数据集、验证数据集和测试数据集包括:
对经预处理后的像素样本集每天随机取样1%,先在同一时段中划分为训练集和独立的验证集,再取另一时段的数据集作为独立的测试集;
对训练集采用样本重采样技术即随机下采样和SMOTE上采样结合重新平衡降水样本中无雨和有雨两种类别的比例,以用于之后的模型训练;
将训练集,验证集和测试集分别去掉无雨样本,之后采用样本重采样技术即SMOTE上采样重新平衡样本集中小雨、中雨和大雨三种类别的比例,以用于深度森林模型训练。
进一步的,所述构建并训练基于深度森林的降水反演模型包括:
将得到的训练样本输入到多粒度扫描模块,使用不同的滑动窗口对原始的输入样本集进行采样,得到更多的特征样本;
将得到的特征样本输入到级联森林层进行训练,输入的特征信息经过每层的学习器会生成一个类向量,新向量由该层生成的所有多维类向量和多粒度扫描后的特征向量组成,将新向量作为下一层的输入,层层传递后直到最后一层得到模型最终输出结果;
在当前层的验证集准确率与前一层相比没有提升时,停止构造下一层,通过调节模型参数得到最优模型,由此首先得到深度森林算法识别降水的模型;
对得到的训练样本集继续实施上述步骤,得到去掉无雨区域后深度森林算法反演小雨、中雨和大雨区域的模型;
基于反演降水区域的模型和在有雨区域反演降水等级的模型,最终得到在整个区域反演降水等级的模型。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式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示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例提供的工作原理流程图。
图2为本发明实施例提供的基于深度森林构建一种两步的降水反演模型的构建流程图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例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做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。
实施例1
为使本发明的上述目的、特征和优点能够更加简明易懂,下面结合附图和具体实施方式对本发明进行进一步的说明。
如图1所示,本发明提供一种基于随机森林的降水实时反演算法,能够通过使用实时的静止卫星多光谱数据、数值预报产品资料和多卫星联合降水产品来进行降水的实时反演,所述降水反演算法包括以下步骤:
步骤S1:数据预处理,具体包括以下步骤:
步骤S101:选用Himawari-8气象卫星高分辨率数据中的波段8-16的亮温数据及波段8与波段14、波段10与波段15、波段14与波段15、波段11 与波段14的亮温差制作卫星云图数据集,选用东亚地区;
步骤S102:选择GFS数值模式中预报时效为48小时预报产品中的地表温度(LST)、对流有效位能(CAPE)、抬升指数(LI)、对流抑制能量(CIN)、可降水含量(PW)、相对湿度(RH)、边界层纬向风速(U)和经向风速(V)数据制作数值产品变量数据集,并将其插值为与卫星云图相同时空的分辨率;
步骤S103:将GPM产品中的多卫星降水估计值插值为与卫星云图相同时空分辨率的数据集,并处理为降水等级数据集。
步骤S2:对步骤S1中经过预处理的数据集进行训练集、验证集和测试集的划分,具体包括以下步骤:
步骤S201:对步骤S1中预处理好的像素样本集每天随机取样1%,先在同一时段中按照4:1的比例划分为训练集和独立的验证集,再取另一时段的数据集作为独立的测试集;
步骤S202:对步骤S201得到的训练集采用随机下采样和SMOTE上采样结合平衡降水样本中无雨和有雨两种类别的比例,产生只用于输入机器学习模型的训练数据集,通过设置不同的比例结果对比来确定最优的下采样比例;
步骤S203:将步骤S202中的训练集、验证集和测试集都去掉无雨样本,采用SMOTE上采样技术平衡样本小雨、中雨和大雨的比例,产生只用于输入机器学习模型的训练样本集。
步骤S3:如图2所示,基于深度森林构建一种两步的降水反演模型,具体包括以下步骤:
步骤S301:将步骤S202得到的降水样本集输入第一个深度森林模型,使用不同的滑动窗口对输入样本进行多粒度扫描,得到不同维度的子数据集,分别使用这些样本集训练两个随机森林训练器,将得到的结果拼接成特征向量;
步骤S302:将步骤S301得到的特征样本输入到级联森林层进行训练,级联森林每一层都由若干个随机森林和极端随机树学习器组成,输入的特征信息经过每层的学习器会生成一个类向量,向量的每一维分别代表相应类别的概率值,输入下一层的新向量由该层生成的所有多维类向量和多粒度扫描后的特征向量组成。这样层层传递,对最后一层中所有学习器产生的各个类别的概率求平均,模型最终的输出结果即为类别中概率最大者;
步骤S303:通过自适应调节级联森林的层数确定最终级联结构,如果在当前层的验证集准确率与前一层相比没有提升,那么就停止构造下一层,通过调节每层学习器的数量及在最后一层级联层后添加其他类型的训练器,例如轻量级梯度提升器(LightGBM)等得到最优模型,由此得到深度森林算法识别降水的模型;
步骤S304:对步骤S203得到的训练样本集继续实施步骤S301-S303,得到去掉无雨区域后第二个深度森林算法反演小雨、中雨和大雨区域的模型;
步骤S305:基于步骤S303反演降水区域的模型和步骤S304在有雨区域反演降水等级的模型,最终得到在整个区域反演降水等级的模型。
步骤S4:将步骤S3中的模型分别应用于步骤S2的验证集和测试集中,并将模型反演结果与地面雨量站的实测数据进行对比,使用常见的气象评分如命中率POD、虚警率FAR、临界成功指数CSI来定量评估模型确定降水区域的效果,使用准确度ACC来定量评估模型估测降水等级的效果。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (4)
1.一种基于深度森林的降水反演方法,其特征在于,包括:
对多源数据资料进行预处理;
基于预处理后的数据集制作训练数据集、验证数据集和测试数据集;
构建并训练基于深度森林的降水反演模型;
将建立的算法用于验证集和测试集中,使用气象评分定量评估模型结果,并将模型反演结果和地面雨量站数据进行对比验证。
2.如权利要求1所述的方法,其特征在于,所述对多源数据资料进行预处理包括:
基于静止卫星的高分辨率数据制作卫星云图数据集;
基于数值预报产品资料的预报场资料制作与卫星云图相同时空分辨率的数据集;
基于多卫星联合降水估计值资料制作与卫星云图相同时空分辨率的数据集,并处理为降水等级数据集。
3.如权利要求1所述的方法,其特征在于,所述基于预处理后的数据集制作训练数据集、验证数据集和测试数据集包括:
对经预处理后的像素样本集每天随机取样1%,在同一时段中划分为训练集和独立的验证集,取另一时段的数据集作为独立的测试集;
对训练集采用样本重采样技术即随机下采样和SMOTE上采样结合重新平衡降水样本中无雨和有雨两种类别的比例,用于之后的模型训练;
将训练集,验证集和测试集分别去掉无雨样本,采用样本重采样技术即SMOTE上采样重新平衡样本集中小雨、中雨和大雨三种类别的比例,用于深度森林模型训练。
4.如权利要求1所述的方法,其特征在于,所述构建并训练基于深度森林的降水反演模型包括:
将得到的训练样本输入到多粒度扫描模块,使用不同的滑动窗口对原始的输入样本集进行采样,得到特征样本;
将得到的特征样本输入到级联森林层进行训练,输入的特征信息经过每层的学习器生成一个类向量,生成的类向量由该层生成的所有多维类向量和多粒度扫描后的特征向量组成,将类向量作为下一层的输入,层层传递后直到最后一层得到模型最终输出结果;
在当前层的验证集准确率与前一层相比没有提升时,停止构造下一层,通过调节模型参数得到最优模型,由此得到深度森林算法识别降水的模型;
对得到的训练样本集继续实施上述采样、训练,得到去掉无雨区域后深度森林算法反演小雨、中雨和大雨区域的模型;
基于反演降水区域的模型和在有雨区域反演降水等级的模型,最终得到在整个区域反演降水等级的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210781412.8A CN115600483A (zh) | 2022-07-04 | 2022-07-04 | 一种基于深度森林的降水反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210781412.8A CN115600483A (zh) | 2022-07-04 | 2022-07-04 | 一种基于深度森林的降水反演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115600483A true CN115600483A (zh) | 2023-01-13 |
Family
ID=84841910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210781412.8A Pending CN115600483A (zh) | 2022-07-04 | 2022-07-04 | 一种基于深度森林的降水反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115600483A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237677A (zh) * | 2023-11-15 | 2023-12-15 | 南京信息工程大学 | 一种基于深度学习的强降水空间整体相似度的降水预报订正方法 |
CN117576402A (zh) * | 2024-01-15 | 2024-02-20 | 临沂大学 | 一种基于深度学习的多尺度聚合Transformer遥感图像语义分割方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110400293A (zh) * | 2019-07-11 | 2019-11-01 | 兰州理工大学 | 一种基于深度森林分类的无参考图像质量评价方法 |
-
2022
- 2022-07-04 CN CN202210781412.8A patent/CN115600483A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110400293A (zh) * | 2019-07-11 | 2019-11-01 | 兰州理工大学 | 一种基于深度森林分类的无参考图像质量评价方法 |
Non-Patent Citations (2)
Title |
---|
YUSHAN ZHANG 等: "Estimating Rainfall with Multi-Resource Data over East Asia Based on Machine Learning", REMOTE SENSING, 23 August 2021 (2021-08-23), pages 1 - 29 * |
李靖宇: "基于深度森林的PM2.5浓度等级预测方法研究", 中国优秀硕士学位论文全文数据库, 15 June 2021 (2021-06-15), pages 9 - 14 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237677A (zh) * | 2023-11-15 | 2023-12-15 | 南京信息工程大学 | 一种基于深度学习的强降水空间整体相似度的降水预报订正方法 |
CN117237677B (zh) * | 2023-11-15 | 2024-03-26 | 南京信息工程大学 | 一种基于深度学习的强降水空间整体相似度的降水预报订正方法 |
CN117576402A (zh) * | 2024-01-15 | 2024-02-20 | 临沂大学 | 一种基于深度学习的多尺度聚合Transformer遥感图像语义分割方法 |
CN117576402B (zh) * | 2024-01-15 | 2024-03-26 | 临沂大学 | 一种基于深度学习的多尺度聚合Transformer遥感图像语义分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115600483A (zh) | 一种基于深度森林的降水反演方法 | |
Kay et al. | Exposing global cloud biases in the Community Atmosphere Model (CAM) using satellite observations and their corresponding instrument simulators | |
Simonin et al. | Doppler radar radial wind assimilation using an hourly cycling 3D‐Var with a 1.5 km resolution version of the Met Office Unified Model for nowcasting | |
JP7438655B2 (ja) | 気象解析装置、気象解析方法、およびプログラム | |
CN113885025A (zh) | 一种滑坡形变监测方法与可视化服务平台 | |
CN112764129A (zh) | 一种雷暴短临预报方法、系统及终端 | |
FR2947938A1 (fr) | Procede de prediction d'une evolution d'un phenomene meteorologique a partir de donnees provenant d'un radar meteorologique | |
WO2018168165A1 (ja) | 気象予測装置、気象予測方法、およびプログラム | |
CN104820250A (zh) | 一种极轨气象卫星virr海洋上云检测的处理方法 | |
CN108874734B (zh) | 一种全球陆地降水反演方法 | |
CN109375290A (zh) | 一种基于机器学习的跨海大桥雾监测系统及其应用方法 | |
Trombe et al. | Weather radars–the new eyes for offshore wind farms? | |
CN111474529A (zh) | 卫星反演雷达回波的方法、反演雷达回波系统及导航雷达 | |
CN111079835B (zh) | 一种基于深度全连接网络的Himawari-8大气气溶胶反演方法 | |
CN115081557A (zh) | 基于地面监测数据的夜间气溶胶光学厚度估算方法和系统 | |
CN111951204B (zh) | 一种基于深度学习的天宫二号探测数据海面风速反演方法 | |
CN114511061A (zh) | 基于深度神经网络的岸滨地区海雾能见度预报方法 | |
Li et al. | Polarimetric radar quantitative precipitation estimation using deep convolutional neural networks | |
Matyas et al. | Measuring radial and tangential changes in tropical cyclone rain fields using metrics of dispersion and closure | |
Williams et al. | Combining observations and model data for short-term storm forecasting | |
Sen Roy et al. | Optimization of Nowcast Software WDSS-II for operational application over the Indian region | |
Tsay et al. | Deep learning for satellite rainfall retrieval using Himawari-8 multiple spectral channels | |
Mohia et al. | Combination of spectral and textural features in the MSG satellite remote sensing images for classifying rainy area into Different classes | |
Pejcic et al. | Polarimetric radar-based methods for evaluation of hydrometeor mixtures in numerical weather prediction models | |
Huang et al. | Inter-zone differences of convective development in a convection outbreak event over southeastern coast of China: An observational analysis |
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 |