CN116500578A - 基于神经网络模型的天气雷达数据处理方法 - Google Patents
基于神经网络模型的天气雷达数据处理方法 Download PDFInfo
- Publication number
- CN116500578A CN116500578A CN202310776785.0A CN202310776785A CN116500578A CN 116500578 A CN116500578 A CN 116500578A CN 202310776785 A CN202310776785 A CN 202310776785A CN 116500578 A CN116500578 A CN 116500578A
- Authority
- CN
- China
- Prior art keywords
- weather radar
- index
- information
- scoring
- coverage
- 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
Links
- 238000003062 neural network model Methods 0.000 title claims abstract description 35
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000001556 precipitation Methods 0.000 claims abstract description 69
- 238000012549 training Methods 0.000 claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 30
- 230000007613 environmental effect Effects 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000000694 effects Effects 0.000 claims description 53
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000000428 dust Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005571 horizontal transmission Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000005570 vertical transmission Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于神经网络模型的天气雷达数据处理方法,涉及人工智能领域,包括:获取预设区域内的天气雷达基础信息包括天气雷达分布信息和天气雷达回波信息;根据天气雷达分布信息采集N个天气雷达净空环境状态进行净空度评分,获取净空度评分结果,N≥1,N为整数;获取净空度评分结果大于或等于净空度阈值的天气雷达回波信息;以及获得预设区域内的水平风向量信息;根据天气雷达回波信息和水平风向量信息训练预设区域降水预测模型,输出预设区域降水预测结果,预设区域降水预测模型为神经网络模型;将预设区域降水预测结果发送至天气预报管理平台。解决现有技术中由于采用统计误差对降水预测进行分析,存在泛化能力较弱的技术问题。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于神经网络模型的天气雷达数据处理方法。
背景技术
通过天气雷达进行降水预测,是当下主要的气象探测手段,然而雷达的降水预测信息容易受到磁场、遮挡物、温湿度等多维度的因素造成非线性的影响,拟合影响因素造成的判断误差成为气象探测过程的重要工作。
目前主要采取的方式仍然是以统计误差为主,即根据不同场景的探测误差对实际探测数据进行拟合,此种方式的缺点在于稳定性较差,且泛化能力较弱。
发明内容
本申请提供了一种基于神经网络模型的天气雷达数据处理方法及系统,用于针对解决现有技术中由于采用统计误差对降水预测进行分析,存在泛化能力较弱的技术问题。
鉴于上述问题,本申请提供了一种基于神经网络模型的天气雷达数据处理方法及系统。
本申请的第一个方面,提供了一种基于神经网络模型的天气雷达数据处理方法,包括:获取预设区域内的天气雷达基础信息,所述天气雷达基础信息包括天气雷达分布信息和天气雷达回波信息;根据所述天气雷达分布信息采集N个天气雷达净空环境状态,对所述N个天气雷达净空环境状态进行净空度评分,获取净空度评分结果,N≥1,N为整数;获取所述净空度评分结果大于或等于净空度阈值的天气雷达回波信息;以及获得所述预设区域内的水平风向量信息;根据所述天气雷达回波信息和所述水平风向量信息训练预设区域降水预测模型,输出预设区域降水预测结果,所述预设区域降水预测模型为神经网络模型;将所述预设区域降水预测结果发送至天气预报管理平台。
本申请的另一个方面,提供了一种基于神经网络模型的天气雷达数据处理系统,其中,包括:基础信息采集模块,用于获取预设区域内的天气雷达基础信息,所述天气雷达基础信息包括天气雷达分布信息和天气雷达回波信息;环境状态采集模块,用于根据所述天气雷达分布信息采集N个天气雷达净空环境状态,对所述N个天气雷达净空环境状态进行净空度评分,获取净空度评分结果,N≥1,N为整数;雷达回波筛选模块,用于获取所述净空度评分结果大于或等于净空度阈值的天气雷达回波信息;以及风向量获取模块,用于获得所述预设区域内的水平风向量信息;降水预测模块,用于根据所述天气雷达回波信息和所述水平风向量信息训练预设区域降水预测模型,输出预设区域降水预测结果,所述预设区域降水预测模型为神经网络模型;预测信息推送模块,用于将所述预设区域降水预测结果发送至天气预报管理平台。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供的技术方案通过根据天气雷达基础信息中的天气雷达分布信息对天气雷达回波信息进行筛选,再采集水平风向量,使用基于神经网络训练的预设区域降水预测模型实现预设区域降水预测结果的分析,对天气回波数据进行筛选,最大化排除遮挡物对天气雷达回波的干扰,再使用预设区域降水预测模型拟合水平风向量带来的降水预测误差,达到了得到泛化能力更强的降水预测方案的技术效果。
附图说明
图1为本申请提供的一种基于神经网络模型的天气雷达数据处理方法流程示意图;
图2为本申请提供的一种基于神经网络模型的天气雷达数据处理方法中的降水预测流程示意图;
图3为本申请提供的一种基于神经网络模型的天气雷达数据处理方法中的降水预测模型训练流程示意图;
图4为本申请提供了一种基于神经网络模型的天气雷达数据处理系统结构示意图。
附图标记说明:基础信息采集模块11,环境状态采集模块12,雷达回波筛选模块13,风向量获取模块14,降水预测模块15,预测信息推送模块16。
具体实施方式
本申请通过提供了一种基于神经网络模型的天气雷达数据处理方法及系统,用于针对解决现有技术中由于采用统计误差对降水预测进行分析,存在泛化能力较弱的技术问题。
实施例一
如图1所示,本申请提供了一种基于神经网络模型的天气雷达数据处理方法,其中,包括:
S100:获取预设区域内的天气雷达基础信息,所述天气雷达基础信息包括天气雷达分布信息和天气雷达回波信息;
在一个优选实施例中,采集预设区域内的用于预测降水气象数据的多个天气雷达的雷达基础信息,预设区域为布设天气雷达的区域,雷达基础信息至少包括天气雷达分布信息和天气雷达回波信息,天气雷达分布信息指的是天气雷达在预设区域内的具体布设坐标,天气雷达回波信息指的是多个天气雷达向需要探测降水气象的方向发射的电磁波信号的回波数据,用于指导后步天气气象分析。
S200:根据所述天气雷达分布信息采集N个天气雷达净空环境状态,对所述N个天气雷达净空环境状态进行净空度评分,获取净空度评分结果,N≥1,N为整数;
在一个优选实施例中,N个天气雷达净空环境状态指的是天气雷达发射信号路径上的空域环境状态,状态指标至少包括以下一项:山峦遮挡物、植被遮挡物、飞行器遮挡物、周边活动影响遮挡物等。可对山峦遮挡物、植被遮挡物、飞行器遮挡物、周边活动影响遮挡物等的覆盖度进行分析,确定对电磁波信号造成的噪音,从而初步判断不同天气雷达的回波数据准确度。N个天气雷达指的是天气雷达分布信息的全部雷达数量。
通过对N个天气雷达净空环境状态进行净空度评分,获取净空度评分结果,净空度表征山峦遮挡物、植被遮挡物、飞行器遮挡物、周边活动影响遮挡物等对天气雷达发射信号路径的覆盖度,覆盖度越高,则表征净空环境状态优劣的净空度评分结果越大,则净空环境状态越优。存储净空环境状态于数据中心,用于指导后步天气雷达回波信息的筛选。
S300:获取所述净空度评分结果大于或等于净空度阈值的天气雷达回波信息;以及
S400:获得所述预设区域内的水平风向量信息;
在一个优选实施例中,净空度阈值指的是筛选天气雷达回波信息的设定的净空度评分阈值,当净空度评分结果大于或等于净空度阈值时,则对应区域的天气雷达的数据合格,采集其所获取的天气雷达回波信息,当净空度评分结果小于净空度阈值时,则对应区域的天气雷达的数据不合格,则不采集其所获取的天气雷达回波信息,将所采集天气雷达回波信息与对应的天气雷达分布信息关联存储至数据中心,所谓数据中心优选为虚拟的云端存储器,避免占用数据处理的本地内存。
采集预设区域内降水时区的水平风向上的风力大小和风力方向信息,构建多个水平风向量设为水平风向量信息,进一步风力大小需要大于或等于预设风力值,小于预设风力值水平风向量不做采集。降水预测完成后,可能由于风力会对不同位置的降水造成干扰,导致出现降水区域的偏差,因为需要拟合降水时区的风力数据,风力优选的由风力气象预测得到,可采用任意常规预测手段确定,本公开不多加赘述。
S500:根据所述天气雷达回波信息和所述水平风向量信息训练预设区域降水预测模型,输出预设区域降水预测结果,所述预设区域降水预测模型为神经网络模型;
在一个优选实施例中,通过神经网络模型架构,训练用于拟合天气雷达回波信息和所述水平风向量信息,确定预设区域降水预测结果的预设区域降水预测模型,预设区域降水预测结果至少包括不同时区的降雨量数据,优选的预设区域降水预测模型的训练过程如下:
进一步的,如图2所示,根据所述天气雷达回波信息和所述水平风向量信息训练预设区域降水预测模型,输出预设区域降水预测结果,所述预设区域降水预测模型为神经网络模型,之前步骤S500包括:
S510:获取天气雷达探测路径大气环境信息进行大气数值仿真,获取大气数字孪生模型;
S520:获取天气雷达电磁波发射信息输入所述大气数字孪生模型,获取电磁波衰减参数;
S530:所述预设区域降水预测模型包括误差分析层和降水预测层;
S540:将所述电磁波衰减参数输入所述误差分析层进行训练,获取回波误差系数;
S550:将所述回波误差系数、所述天气雷达回波信息和所述水平风向量信息输入所述降水预测层进行训练,获取所述预设区域降水预测结果。
在一个优选实施例中,大气数字孪生模型指的是对天气雷达探测路径大气环境信息上的各类环境参数,例如温度、湿度、粉尘浓度、粉尘粒度和乌云密度等环境参数进行数字仿真确定的数字孪生模型,天气雷达探测路径大气环境信息即为前述的天气雷达探测路径,前者对雷达回波信息的筛选,降低了遮挡物对天气雷达数据的干扰,此步骤用于降低环境参数对天气雷达数据的干扰。电磁波衰减参数指的是在大气数字孪生模型中进行天气雷达电磁波发射信息的衰减分析,天气雷达电磁波发射信息指的是天气雷达发射电磁波的控制参数,至少包括发射频率和发射功率两项控制参数,在大气数字孪生模型完成天气雷达电磁波发射信息的衰减分析,从而可以将之作为导致雷达回波信息误差的环境参数,在确定了电磁波衰减参数之后,对衰减的电磁波信息进行增强,即可确定环境参数对雷达回波信息造成的误差,存储于数据中心。
预设区域降水预测模型包括误差分析层和降水预测层,误差分析层用于分析温度、湿度、粉尘浓度、粉尘粒度和乌云密度等环境参数对天气雷达回波信息的影响误差,将电磁波衰减参数输入误差分析层即可输出表征环境参数对雷达回波信息造成的误差的回波误差系数。
降水预测层用于根据拟合误差后的雷达回波信息以及水平风向量预测降水数据。将回波误差系数、天气雷达回波信息和水平风向量信息输入所述降水预测层即可输出预设区域降水预测结果,用于指导气象预报。
模型训练过程优选的如下:
进一步的,如图3所示,步骤S500还包括步骤S560:
S561:根据预设区域场景参数和天气雷达型号信息,采集第一训练数据,所述第一训练数据包括电磁波衰减量记录数据和回波误差记录数据;以及
S562:根据预设区域场景参数和天气雷达型号信息,采集第二训练数据,所述第二训练数据包括回波误差记录数据、雷达回波记录数据、水平风向量记录数据和雨滴谱标识数据;
S563:根据所述第一训练数据,基于BP神经网络训练所述误差分析层;以及
S564:根据所述第二训练数据,基于LSTM神经网络训练所述降水预测层,将所述误差分析层的输出层与所述降水预测层的回波误差记录数据输入节点合并,获取所述预设区域降水预测模型。
预设区域场景参数和天气雷达型号信息是用于作为采集训练数据的约束场景,预设区域场景参数优选的包括地形地貌特征、季节特征、地域气候特征等。以历史天气雷达探测记录的电磁波衰减量记录数据和回波误差记录数据作为目标量基于大数据进行采集至少预设组别存储为第一训练数据,用于基于BP神经网络训练误差分析层,具体训练方式常规技术已公开较为充分,此处不多家赘述。以历史天气雷达探测记录的回波误差记录数据、雷达回波记录数据、水平风向量记录数据和雨滴谱标识数据作为目标量基于大数据进行采集至少预设组别存储为第二训练数据,预设组别指的是模型构建人员设定训练模型最小数据量,根据第二训练数据,基于LSTM神经网络训练降水预测层,由于降水具有时序关系,因此采用LSTM神经网络训练降水预测层场景适应性更强。将误差分析层的输出层与降水预测层的回波误差记录数据输入节点合并,得到预设区域降水预测模型,即当输入天气雷达回波信息和水平风向量信息时,当天气雷达回波信息输入误差分析层处理完成后,降水预测层接收到回波误差系数,再将水平风向量信息、回波误差系数和天气雷达回波信息输入降水预测层得到降水预测数据。
S600:将所述预设区域降水预测结果发送至天气预报管理平台。
在一个优选实施例中,天气预报管理平台优选为存储气象预测数据的平台,在预设区域降水预测结果确定时,即实现实时的数据同步,保证气象预测的及时性。
进一步的,所述根据所述天气雷达分布信息采集N个天气雷达净空环境状态,对所述N个天气雷达净空环境状态进行净空度评分,获取净空度评分结果,步骤S200包括:
S210:获取净空环境评估指标,所述净空环境评估指标包括山峦覆盖度指标、建筑覆盖度指标、植物覆盖度指标和活动约束指标;
S220:对所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标进行权重分布,获取权重分布结果;
S230:根据所述权重分布结果对所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标进行评分并融合,获取所述净空度评分结果。
在一个优选实施例中,用于评价净空环境优劣程度的净空环境评估指标至少包括以下一种:山峦覆盖度指标、建筑覆盖度指标、植物覆盖度指标和活动约束指标,其中,山峦覆盖度指标指的是电磁波发射路径上的山峦遮挡状态,建筑覆盖度指标指的是电磁波发射路径上的建筑物遮挡状态,植物覆盖度指标指的是电磁波发射路径上的植物遮挡状态,活动约束指标指的是电磁波发射时间的无人机、飞行物、以及周边的磁场干扰活动等。
对所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标基于历史统计数据确定不同指标的影响程度,影响程度越大,则权重越大,权重和为1,基于以上原理对所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标进行权重分布,得到权重分布结果。
不同的所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标对应着不同的评分,即不同的遮挡状态对应不同的评分,不同指标遮挡状态与评分的关系,对所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标匹配评分,并根据权重分布结果对评分进行加权加和,得到所述净空度评分结果。
进一步的,所述根据所述权重分布结果对所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标进行评分并融合,获取所述净空度评分结果,步骤S230包括:
S231:遍历所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标,获取水平覆盖面积记录数据和垂直覆盖面积记录数据;
S232:为水平覆盖面积设定第一权重,为垂直覆盖面积设定第二权重,所述第一权重大于所述第二权重;
S233:根据所述第一权重和所述第二权重,根据所述水平覆盖面积记录数据和所述垂直覆盖面积记录数据对所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标进行净空度分值拟定,获取净空度评分划分结果;
S234:根据所述净空度评分划分结果对所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标进行评分,获取四个净空度初始评分结果;
S235:根据所述权重分布结果对所述四个净空度初始评分结果进行融合,获取所述净空度评分结果。
在一个优选实施例中,水平覆盖面积记录数据指的是山峦覆盖度指标、建筑覆盖度指标、所述植物覆盖度指标在电磁波的水平传输方向的遮挡面积、厚度等参数在历史监测中的记录数据,遮挡面积、厚度愈大,则水平覆盖面积越大,垂直覆盖面积指的是山峦覆盖度指标、建筑覆盖度指标、所述植物覆盖度指标在电磁波的垂直传输方向的遮挡面积、厚度等参数在历史监测中的记录数据,遮挡面积、厚度愈大,则垂直覆盖面积越大。活动约束指标的水平覆盖面积指的是地面上对电磁波的影响程度,影响程度越大,则水平覆盖面积越大,活动约束指标的垂直覆盖面积指的是空域活动中对电磁波的影响程度,影响程度越大,则垂直覆盖面积越大。为水平覆盖面积设定第一权重,为垂直覆盖面积设定第二权重,第一权重大于第二权重,默认的,第一权重为第二权重的2倍。
通过专家组基于第一权重和第二权重对任意一个指标的水平覆盖面积记录数据和垂直覆盖面积记录数据进行融合,得到指标覆盖度记录数据,并对指标覆盖度记录数据进行单维的净空度评分,并与对应的指标覆盖度记录数据进行存储,从而得到与指标覆盖度记录数据一一关联的净空度评分数据,记为净空度评分划分结果,用于指导后步的指标覆盖度的净空度评分。如下:
根据净空度评分划分结果所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标进行评分,获取四个净空度初始评分结果,再根据权重分布结果对所述四个净空度初始评分结果进行加权加和得到净空度评分结果,用于指导天气雷达回波数据的筛选。
进一步的,根据所述净空度评分划分结果对所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标进行评分,获取四个净空度初始评分结果,步骤S234包括:
S234-1:以山峦覆盖度构建第一坐标轴,以建筑覆盖度构建第二坐标轴,以植物覆盖度构建第三坐标轴,以活动约束指标为第四坐标轴;
S234-2:根据所述净空度评分划分结果,基于所述第一坐标轴、所述第二坐标轴、所述第三坐标轴以及所述第四坐标轴构建多维评分坐标系;
S234-3:将所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标的状态值输入所述多维评分坐标系,获取多维评分坐标,所述多维评分坐标包括所述四个净空度初始评分结果。
在一个优选实施例中,由于山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标,由于净空度评分划分结果为离散的点,可能涉及到净空度评分划分结果不存在的指标状态分值,因而山峦覆盖度构建第一坐标轴,以建筑覆盖度构建第二坐标轴,以植物覆盖度构建第三坐标轴,以活动约束指标为第四坐标轴,根据所述净空度评分划分结果,基于所述第一坐标轴、所述第二坐标轴、所述第三坐标轴以及所述第四坐标轴构建多维评分坐标系,即根据净空度评分划分结果对不同指标的评分分布状态,构建连续的坐标,从而在将所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标的状态值输入所述多维评分坐标系,即可得到表征对应状态值评分的多维评分坐标,再提取四个净空度初始评分结果用于净空度评分。
进一步的,获取所述净空度评分结果大于或等于净空度阈值的天气雷达回波信息,步骤S300包括:
S310:当所述净空度评分结果大于或等于净空度阈值的天气雷达回波信息的数量小于或等于预设数值,获取小于所述净空度阈值的天气雷达回波信息的净空度偏差信息;
S320:按照所述净空度偏差信息自小到大的筛选M个小于所述净空度阈值的天气雷达回波信息,降低M个小于所述净空度阈值的天气雷达回波信息的融合权重,设为预测辅助信息,M≥1,N为整数;
S330:根据所述预测辅助信息进行预设区域降水预测。
在一个优选实施例中,当净空度评分结果大于或等于净空度阈值的天气雷达回波信息的数量小于或等于管理人员预设的预设数值时,采集小于净空度阈值的天气雷达回波信息的净空度偏差信息,净空度偏差信息表征小于净空度阈值的天气雷达回波信息的净空度评分与与净空度阈值的偏差绝对值。按照所述净空度偏差信息自小到大的筛选M个小于所述净空度阈值的天气雷达回波信息,降低M个小于所述净空度阈值的天气雷达回波信息的融合权重,设为预测辅助信息,M≥1,N为整数,即进行数据融合时,使得M个小于所述净空度阈值的天气雷达回波信息的权重小于净空度评分结果大于或等于净空度阈值的天气雷达回波信息,以保证数据客观性的同时保证数据的准确性,将降低M个小于所述净空度阈值的天气雷达回波信息的融合权重的数据设为预测辅助信息,与净空度评分结果大于或等于净空度阈值的天气雷达回波信息融合,用于步骤S100到步骤S600的任一项的预设区域降水预测。
综上所述,本申请实施例至少具有如下技术效果:
本申请提供的技术方案通过根据天气雷达基础信息中的天气雷达分布信息对天气雷达回波信息进行筛选,再采集水平风向量,使用基于神经网络训练的预设区域降水预测模型实现预设区域降水预测结果的分析,对天气回波数据进行筛选,最大化排除遮挡物对天气雷达回波的干扰,再使用预设区域降水预测模型拟合水平风向量带来的降水预测误差,达到了得到泛化能力更强的降水预测方案的技术效果。
实施例二
基于与前述实施例中一种基于神经网络模型的天气雷达数据处理方法相同的发明构思,如图4所示,本申请提供了一种基于神经网络模型的天气雷达数据处理系统,包括:
基础信息采集模块11,用于获取预设区域内的天气雷达基础信息,所述天气雷达基础信息包括天气雷达分布信息和天气雷达回波信息;
环境状态采集模块12,用于根据所述天气雷达分布信息采集N个天气雷达净空环境状态,对所述N个天气雷达净空环境状态进行净空度评分,获取净空度评分结果,N≥1,N为整数;
雷达回波筛选模块13,用于获取所述净空度评分结果大于或等于净空度阈值的天气雷达回波信息;以及
风向量获取模块14,用于获得所述预设区域内的水平风向量信息;
降水预测模块15,用于根据所述天气雷达回波信息和所述水平风向量信息训练预设区域降水预测模型,输出预设区域降水预测结果,所述预设区域降水预测模型为神经网络模型;
预测信息推送模块16,用于将所述预设区域降水预测结果发送至天气预报管理平台。
进一步的,所述环境状态采集模块12执行步骤包括:
获取净空环境评估指标,所述净空环境评估指标包括山峦覆盖度指标、建筑覆盖度指标、植物覆盖度指标和活动约束指标;
对所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标进行权重分布,获取权重分布结果;
根据所述权重分布结果对所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标进行评分并融合,获取所述净空度评分结果。
进一步的,所述环境状态采集模块12执行步骤包括:
遍历所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标,获取水平覆盖面积记录数据和垂直覆盖面积记录数据;
为水平覆盖面积设定第一权重,为垂直覆盖面积设定第二权重,所述第一权重大于所述第二权重;
根据所述第一权重和所述第二权重,根据所述水平覆盖面积记录数据和所述垂直覆盖面积记录数据对所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标进行净空度分值拟定,获取净空度评分划分结果;
根据所述净空度评分划分结果对所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标进行评分,获取四个净空度初始评分结果;
根据所述权重分布结果对所述四个净空度初始评分结果进行融合,获取所述净空度评分结果。
进一步的,所述环境状态采集模块12执行步骤包括:
以山峦覆盖度构建第一坐标轴,以建筑覆盖度构建第二坐标轴,以植物覆盖度构建第三坐标轴,以活动约束指标为第四坐标轴;
根据所述净空度评分划分结果,基于所述第一坐标轴、所述第二坐标轴、所述第三坐标轴以及所述第四坐标轴构建多维评分坐标系;
将所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标的状态值输入所述多维评分坐标系,获取多维评分坐标,所述多维评分坐标包括所述四个净空度初始评分结果。
进一步的,所述降水预测模块15执行步骤包括:
获取天气雷达探测路径大气环境信息进行大气数值仿真,获取大气数字孪生模型;
获取天气雷达电磁波发射信息输入所述大气数字孪生模型,获取电磁波衰减参数;
所述预设区域降水预测模型包括误差分析层和降水预测层;
将所述电磁波衰减参数输入所述误差分析层进行训练,获取回波误差系数;
将所述回波误差系数、所述天气雷达回波信息和所述水平风向量信息输入所述降水预测层进行训练,获取所述预设区域降水预测结果。
进一步的,所述降水预测模块15执行步骤包括:
根据预设区域场景参数和天气雷达型号信息,采集第一训练数据,所述第一训练数据包括电磁波衰减量记录数据和回波误差记录数据;以及
根据预设区域场景参数和天气雷达型号信息,采集第二训练数据,所述第二训练数据包括回波误差记录数据、雷达回波记录数据、水平风向量记录数据和雨滴谱标识数据;
根据所述第一训练数据,基于BP神经网络训练所述误差分析层;以及
根据所述第二训练数据,基于LSTM神经网络训练所述降水预测层,将所述误差分析层的输出层与所述降水预测层的回波误差记录数据输入节点合并,获取所述预设区域降水预测模型。
进一步的,所述雷达回波筛选模块13执行步骤包括:
当所述净空度评分结果大于或等于净空度阈值的天气雷达回波信息的数量小于或等于预设数值,获取小于所述净空度阈值的天气雷达回波信息的净空度偏差信息;
按照所述净空度偏差信息自小到大的筛选M个小于所述净空度阈值的天气雷达回波信息,降低M个小于所述净空度阈值的天气雷达回波信息的融合权重,设为预测辅助信息,M≥1,N为整数;
根据所述预测辅助信息进行预设区域降水预测。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (10)
1.一种基于神经网络模型的天气雷达数据处理方法,其特征在于,包括:
获取预设区域内的天气雷达基础信息,所述天气雷达基础信息包括天气雷达分布信息和天气雷达回波信息;
根据所述天气雷达分布信息采集N个天气雷达净空环境状态,对所述N个天气雷达净空环境状态进行净空度评分,获取净空度评分结果,N≥1,N为整数;
获取所述净空度评分结果大于或等于净空度阈值的天气雷达回波信息;以及
获得所述预设区域内的水平风向量信息;
根据所述天气雷达回波信息和所述水平风向量信息训练预设区域降水预测模型,输出预设区域降水预测结果,所述预设区域降水预测模型为神经网络模型;
将所述预设区域降水预测结果发送至天气预报管理平台。
2.如权利要求1所述的一种基于神经网络模型的天气雷达数据处理方法,其特征在于,根据所述天气雷达分布信息采集N个天气雷达净空环境状态,对所述N个天气雷达净空环境状态进行净空度评分,获取净空度评分结果,包括:
获取净空环境评估指标,所述净空环境评估指标包括山峦覆盖度指标、建筑覆盖度指标、植物覆盖度指标和活动约束指标;
对所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标进行权重分布,获取权重分布结果;
根据所述权重分布结果对所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标进行评分并融合,获取所述净空度评分结果。
3.如权利要求2所述的一种基于神经网络模型的天气雷达数据处理方法,其特征在于,根据所述权重分布结果对所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标进行评分并融合,获取所述净空度评分结果,包括:
遍历所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标,获取水平覆盖面积记录数据和垂直覆盖面积记录数据;
为水平覆盖面积设定第一权重,为垂直覆盖面积设定第二权重,所述第一权重大于所述第二权重;
根据所述第一权重和所述第二权重,根据所述水平覆盖面积记录数据和所述垂直覆盖面积记录数据对所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标进行净空度分值拟定,获取净空度评分划分结果;
根据所述净空度评分划分结果对所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标进行评分,获取四个净空度初始评分结果;
根据所述权重分布结果对所述四个净空度初始评分结果进行融合,获取所述净空度评分结果。
4.如权利要求3所述的一种基于神经网络模型的天气雷达数据处理方法,其特征在于,根据所述净空度评分划分结果对所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标进行评分,获取四个净空度初始评分结果,包括:
以山峦覆盖度构建第一坐标轴,以建筑覆盖度构建第二坐标轴,以植物覆盖度构建第三坐标轴,以活动约束指标为第四坐标轴;
根据所述净空度评分划分结果,基于所述第一坐标轴、所述第二坐标轴、所述第三坐标轴以及所述第四坐标轴构建多维评分坐标系;
将所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标的状态值输入所述多维评分坐标系,获取多维评分坐标,所述多维评分坐标包括所述四个净空度初始评分结果。
5.如权利要求1所述的一种基于神经网络模型的天气雷达数据处理方法,其特征在于,根据所述天气雷达回波信息和所述水平风向量信息训练预设区域降水预测模型,输出预设区域降水预测结果,所述预设区域降水预测模型为神经网络模型,之前包括:
获取天气雷达探测路径大气环境信息进行大气数值仿真,获取大气数字孪生模型;
获取天气雷达电磁波发射信息输入所述大气数字孪生模型,获取电磁波衰减参数;
所述预设区域降水预测模型包括误差分析层和降水预测层;
将所述电磁波衰减参数输入所述误差分析层进行训练,获取回波误差系数;
将所述回波误差系数、所述天气雷达回波信息和所述水平风向量信息输入所述降水预测层进行训练,获取所述预设区域降水预测结果。
6. 如权利要求5所述的一种基于神经网络模型的天气雷达数据处理方法,其特征在于,还包括:
根据预设区域场景参数和天气雷达型号信息,采集第一训练数据,所述第一训练数据包括电磁波衰减量记录数据和回波误差记录数据;以及
根据预设区域场景参数和天气雷达型号信息,采集第二训练数据,所述第二训练数据包括回波误差记录数据、雷达回波记录数据、水平风向量记录数据和雨滴谱标识数据;
根据所述第一训练数据,基于BP神经网络训练所述误差分析层;以及
根据所述第二训练数据,基于LSTM神经网络训练所述降水预测层,将所述误差分析层的输出层与所述降水预测层的回波误差记录数据输入节点合并,获取所述预设区域降水预测模型。
7.如权利要求1所述的一种基于神经网络模型的天气雷达数据处理方法,其特征在于,获取所述净空度评分结果大于或等于净空度阈值的天气雷达回波信息,包括:
当所述净空度评分结果大于或等于净空度阈值的天气雷达回波信息的数量小于或等于预设数值,获取小于所述净空度阈值的天气雷达回波信息的净空度偏差信息;
按照所述净空度偏差信息自小到大的筛选M个小于所述净空度阈值的天气雷达回波信息,降低M个小于所述净空度阈值的天气雷达回波信息的融合权重,设为预测辅助信息,M≥1,N为整数;
根据所述预测辅助信息进行预设区域降水预测。
8.一种基于神经网络模型的天气雷达数据处理系统,其特征在于,包括:
基础信息采集模块,用于获取预设区域内的天气雷达基础信息,所述天气雷达基础信息包括天气雷达分布信息和天气雷达回波信息;
环境状态采集模块,用于根据所述天气雷达分布信息采集N个天气雷达净空环境状态,对所述N个天气雷达净空环境状态进行净空度评分,获取净空度评分结果,N≥1,N为整数;
雷达回波筛选模块,用于获取所述净空度评分结果大于或等于净空度阈值的天气雷达回波信息;以及
风向量获取模块,用于获得所述预设区域内的水平风向量信息;
降水预测模块,用于根据所述天气雷达回波信息和所述水平风向量信息训练预设区域降水预测模型,输出预设区域降水预测结果,所述预设区域降水预测模型为神经网络模型;
预测信息推送模块,用于将所述预设区域降水预测结果发送至天气预报管理平台。
9.如权利要求8所述的一种基于神经网络模型的天气雷达数据处理系统,其特征在于,所述环境状态采集模块执行步骤包括:
获取净空环境评估指标,所述净空环境评估指标包括山峦覆盖度指标、建筑覆盖度指标、植物覆盖度指标和活动约束指标;
对所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标进行权重分布,获取权重分布结果;
根据所述权重分布结果对所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标进行评分并融合,获取所述净空度评分结果。
10.如权利要求9所述的一种基于神经网络模型的天气雷达数据处理系统,其特征在于,所述环境状态采集模块执行步骤包括:
遍历所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标,获取水平覆盖面积记录数据和垂直覆盖面积记录数据;
为水平覆盖面积设定第一权重,为垂直覆盖面积设定第二权重,所述第一权重大于所述第二权重;
根据所述第一权重和所述第二权重,根据所述水平覆盖面积记录数据和所述垂直覆盖面积记录数据对所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标进行净空度分值拟定,获取净空度评分划分结果;
根据所述净空度评分划分结果对所述山峦覆盖度指标、所述建筑覆盖度指标、所述植物覆盖度指标和所述活动约束指标进行评分,获取四个净空度初始评分结果;
根据所述权重分布结果对所述四个净空度初始评分结果进行融合,获取所述净空度评分结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310776785.0A CN116500578B (zh) | 2023-06-29 | 2023-06-29 | 基于神经网络模型的天气雷达数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310776785.0A CN116500578B (zh) | 2023-06-29 | 2023-06-29 | 基于神经网络模型的天气雷达数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116500578A true CN116500578A (zh) | 2023-07-28 |
CN116500578B CN116500578B (zh) | 2023-09-05 |
Family
ID=87330586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310776785.0A Active CN116500578B (zh) | 2023-06-29 | 2023-06-29 | 基于神经网络模型的天气雷达数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116500578B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003021687A (ja) * | 2001-07-06 | 2003-01-24 | Digital Weather Platform Kk | 狭域天気予報方法、狭域天気予報配信方法、商品販売促進方法、天気予報装置及び天気予報情報提供システム |
CN108983323A (zh) * | 2018-08-08 | 2018-12-11 | 湖北河海科技发展有限公司 | 基于光流法的降水预报方法及预警平台 |
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 |
CN113009490A (zh) * | 2021-02-20 | 2021-06-22 | 江苏省气象台 | 一种基于高分辨率模式动力约束的雷达三维风场反演方法 |
CN114325874A (zh) * | 2021-08-02 | 2022-04-12 | 苏州市气象局 | 一种强对流天气个例库系统的建立方法 |
WO2022175337A1 (en) * | 2021-02-17 | 2022-08-25 | Deepmind Technologies Limited | Nowcasting using generative neural networks |
CN115016042A (zh) * | 2022-06-06 | 2022-09-06 | 湖南师范大学 | 基于多编码器融合雷达和降水信息的降水预测方法及系统 |
CN115390161A (zh) * | 2022-07-26 | 2022-11-25 | 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 |
CN115542427A (zh) * | 2022-08-29 | 2022-12-30 | 江西省水利科学院 | 一种基于改进的神经网络模型的降雨预测方法及系统 |
CN115728841A (zh) * | 2022-11-09 | 2023-03-03 | 河南省气象台 | 基于检验评估的强对流天气预警方法 |
CN115933008A (zh) * | 2022-11-22 | 2023-04-07 | 广东电网有限责任公司广州供电局 | 一种强对流天气预报预警方法 |
CN116224339A (zh) * | 2022-12-13 | 2023-06-06 | 中国科学院地理科学与资源研究所 | 一种s、c和x波段雷达降水组网融合方法 |
-
2023
- 2023-06-29 CN CN202310776785.0A patent/CN116500578B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003021687A (ja) * | 2001-07-06 | 2003-01-24 | Digital Weather Platform Kk | 狭域天気予報方法、狭域天気予報配信方法、商品販売促進方法、天気予報装置及び天気予報情報提供システム |
CN108983323A (zh) * | 2018-08-08 | 2018-12-11 | 湖北河海科技发展有限公司 | 基于光流法的降水预报方法及预警平台 |
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 |
WO2022175337A1 (en) * | 2021-02-17 | 2022-08-25 | Deepmind Technologies Limited | Nowcasting using generative neural networks |
CN113009490A (zh) * | 2021-02-20 | 2021-06-22 | 江苏省气象台 | 一种基于高分辨率模式动力约束的雷达三维风场反演方法 |
CN114325874A (zh) * | 2021-08-02 | 2022-04-12 | 苏州市气象局 | 一种强对流天气个例库系统的建立方法 |
CN115016042A (zh) * | 2022-06-06 | 2022-09-06 | 湖南师范大学 | 基于多编码器融合雷达和降水信息的降水预测方法及系统 |
CN115390161A (zh) * | 2022-07-26 | 2022-11-25 | 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 |
CN115542427A (zh) * | 2022-08-29 | 2022-12-30 | 江西省水利科学院 | 一种基于改进的神经网络模型的降雨预测方法及系统 |
CN115728841A (zh) * | 2022-11-09 | 2023-03-03 | 河南省气象台 | 基于检验评估的强对流天气预警方法 |
CN115933008A (zh) * | 2022-11-22 | 2023-04-07 | 广东电网有限责任公司广州供电局 | 一种强对流天气预报预警方法 |
CN116224339A (zh) * | 2022-12-13 | 2023-06-06 | 中国科学院地理科学与资源研究所 | 一种s、c和x波段雷达降水组网融合方法 |
Non-Patent Citations (2)
Title |
---|
KAZUO YONEKURA等: "Short-term local weather forecast using dense weather station by deep neural network", 《2018 IEEE INTERNATIONAL CONFERENCE ON BIG DATA (BIG DATA)》, pages 1683 - 1690 * |
田野: "基于天气雷达的降水临近预报及其在水文预报中的应用", 《中国优秀硕士学位论文全文数据库(月刊)》, no. 6, pages 009 - 21 * |
Also Published As
Publication number | Publication date |
---|---|
CN116500578B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363327B (zh) | 基于ConvLSTM和3D-CNN的短临降水预测方法 | |
CN110333554B (zh) | Nriet暴雨智能相似分析方法 | |
CN113919231B (zh) | 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统 | |
EP0562017A1 (en) | Apparatus and method for predicting lightning | |
CN110967695A (zh) | 一种基于深度学习的雷达回波外推短临预报方法 | |
CN113901384A (zh) | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 | |
CN113222316A (zh) | 一种基于flus模型和生物多样性模型的变化情景模拟方法 | |
KR101291980B1 (ko) | 기상레이더 반사도 자료의 통합품질지수 생성 방법 | |
CN115220133A (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
KR102591379B1 (ko) | 랜덤포레스트 기계학습과 기상 관측 및 모델 예측 자료를 이용한 실시간 시정 산출 방법 | |
CN112924967B (zh) | 一种基于雷达和光学数据组合特征的农作物倒伏遥感监测方法与应用 | |
CN117851927A (zh) | 一种基于随机森林与气象数据的云预测方法 | |
CN116500578B (zh) | 基于神经网络模型的天气雷达数据处理方法 | |
CN117572534A (zh) | 一种基于多源数据和人工智能的能见度短临预报方法 | |
CN115291198B (zh) | 一种雷达信号发射及信号处理方法 | |
CN115391746B (zh) | 针对气象要素数据的插值方法、装置、电子设备及介质 | |
CN111579565A (zh) | 农业干旱监测方法、系统及存储介质 | |
Ackermann et al. | Radar and environment-based hail damage estimates using machine learning | |
CN110988872B (zh) | 无人机载穿墙雷达探测墙体健康状态的快速识别方法 | |
CN113191536A (zh) | 基于机器学习的近地面环境要素预测模型训练和预测方法 | |
CN112380778A (zh) | 一种基于海温的气象干旱预报方法 | |
CN111967653A (zh) | 一种构建机场跑道风预报模型的方法及预报方法、系统 | |
CN116381719B (zh) | 一种基于激光雷达的污染区域增强识别方法 | |
CN115861821B (zh) | 一种基于多目标优化的生态环境监测保护方法 | |
CN116106856B (zh) | 雷暴大风的识别模型建立方法、识别方法及计算设备 |
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 |