CN117647855B - 一种基于序列长度的短临降水预报方法、装置及设备 - Google Patents
一种基于序列长度的短临降水预报方法、装置及设备 Download PDFInfo
- Publication number
- CN117647855B CN117647855B CN202410116453.4A CN202410116453A CN117647855B CN 117647855 B CN117647855 B CN 117647855B CN 202410116453 A CN202410116453 A CN 202410116453A CN 117647855 B CN117647855 B CN 117647855B
- Authority
- CN
- China
- Prior art keywords
- sequence
- short
- precipitation
- layer
- feature extraction
- 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
Links
- 238000001556 precipitation Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000009826 distribution Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims description 57
- 238000010586 diagram Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 3
- 238000013213 extrapolation Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- 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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于序列长度的短临降水预报方法、装置及设备,短临降水预报方法包括:加载指定地区的降水雷达回波序列;将所述降水雷达回波序列输入构建的基于序列长度的短临降水预报模型,获得指定地区未来设定时间段内的降水预测结果。本发明在预测降水的空间分布、强度和运动特征上具有良好性能,有效提高了短临降水的预报精度。
Description
技术领域
本发明属于短临降水预报技术领域,具体涉及一种基于序列长度的短临降水预报方法、装置及设备。
背景技术
强降水是指短时间内降水量很大的天气现象,它通常是由强烈的对流运动和不稳定的大气层结造成的。强降水可能引发山洪,泥石流和城市内涝等灾害。临近降水预报是利用雷达、卫星等数据预测某一地区0-6小时的降水情况,能够减轻极端和快速演变的强降水事件的社会经济影响。
传统的临近降水预报方法通过研究大气动力学,然后根据物理和数学原理构建流体动力学和平流方程来预测降水。然而,由于观测数据数量和质量以及对大气动力学机制认识的限制,使用复杂大气物理控制模拟方程的方法存在局限性。与上述相比,雷达回波外推方法使用更快、更便宜的统计方法和雷达数据集来推断当前的降水状态。然而,雷达回波外推方法在处理平流、对流等大气因素引起的降水时存在局限性。由于大气运动的复杂性和持续性,现有的降水临近预报方法对降水分布、强度和运动特征的预测能力相对有限。
发明内容
为解决现有技术中的不足,本发明提供一种基于序列长度的短临降水预报方法、装置及设备,在预测降水的空间分布、强度和运动特征上具有良好性能,有效提高了短临降水的预报精度。
为达到上述目的,本发明所采用的技术方案是:
第一方面,提供一种短临降水预报方法,包括:加载指定地区的降水雷达回波序列;将所述降水雷达回波序列输入构建的基于序列长度的短临降水预报模型,获得指定地区未来设定时间段内的降水预测结果。
进一步地,所述基于序列长度的短临降水预报模型,包括:若干个依次连接的组合层,其中,后一个组合层的输入为前一个组合层的输出,最后一个组合层的输出作为预测结果;每个所述组合层包括依次连接的短序列特征提取模块、长序列特征提取模块、编码模块和解码模块;所述短序列特征提取模块,用于从降水雷达回波序列中提取降水的空间分布和强度特征,并输出短序列结果图;所述长序列特征提取模块,用于根据所述短序列结果图构造长序列,并从长序列中提取降水的运动特征,然后输出长序列结果图;所述长序列结果图经过所述编码模块和解码模块的特征提取和上采样后,形成下一个组合层的输入。
进一步地,所述短序列结果图的提取方法,包括:对基于降水雷达回波序列的T时刻雷达回波图,进行卷积操作,形成T时刻起始层空间特征图/>,然后,将空间特征图/>与同网络的T-1、T-2、T-3时刻第一层的长序列结果图/>、/>、/>组合为T时刻第一层的短序列/>,其中,短序列/>的组合公式为:
,
其中,表示特征图的通道叠加操作,上角标数字表示层,下角标表示时刻;然后,所述短序列特征提取模块从短序列/>中提取降水的空间分布和强度特征,并输出T时刻第一层的短序列结果图/>。
进一步地,所述短序列特征提取模块,基于非局部注意力机制和VisionTransformer而设计;输出的T时刻第一层的短序列结果图为:
,
其中,表示注意力机制加权操作,/>表示Vision Transformer操作。
进一步地,所述长序列结果图的提取方法,包括:根据所述短序列结果图构造T时刻第一层的长序列/>:
,
其中,表示通道归一化卷积;然后,所述长序列特征提取模块从长序列中提取降水的运动特征,然后输出T时刻第一层的长序列结果图/>。
进一步地,所述长序列特征提取模块基于LSTM而设计;输出的T时刻第一层的长序列结果图为:
,
,
,
其中,和/>分别表示LSTM的时间状态和空间状态,/>表示特征提取卷积,/>分别表示LSTM中的时间状态的遗忘、输入和输出参数,/>分别表示空间状态的遗忘、输入和输出参数,/>表示哈达玛积。
进一步地,所述编码模块包括一个步长为2,填充为2的3×3×1特征提取卷积层;所述解码模块包括两个步长为2,填充为2的4×4×1上采样卷积层。
进一步地,所述预测结果受损失函数监督,所述损失函数为:
,
其中,表示损失函数,/>表示T+1时刻预测分布,/>表示T+1时刻标签,/>表示为像素点的索引,/>表现为总的像素点个数。
第二方面,提供一种短临降水预报装置,包括:数据加载模块,用于加载指定地区的降水雷达回波序列;降水预测模块,用于将所述降水雷达回波序列输入构建的基于序列长度的短临降水预报模型,获得指定地区未来设定时间段内的降水预测结果。
第三方面,提供一种计算机设备,包括:存储器,用于存储指令;处理器,用于执行所述指令,使得所述设备执行实现如第一方面所述的短临降水预报方法的操作。
与现有技术相比,本发明所达到的有益效果:本发明通过将降水雷达回波序列输入构建的基于序列长度的短临降水预报模型,获得指定地区未来设定时间段内的降水预测结果,在预测降水的空间分布、强度和运动特征上具有良好性能,有效提高了短临降水的预报精度。
附图说明
图1是本发明实施例提供的一种基于序列长度的短临降水预报方法中基于序列长度的短临降水预报模型的构建及训练过程示意图;
图2是本发明实施例中基于序列长度的短临降水预报模型的结构示意图;
图3是使用本发明实施例提供的一种基于序列长度的短临降水预报方法获得的预测结果与使用其它方法获得的预测结果的对比示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一:
一种基于序列长度的短临降水预报方法,包括:加载指定地区的降水雷达回波序列;将所述降水雷达回波序列输入构建的基于序列长度的短临降水预报模型,获得指定地区未来设定时间段内的降水预测结果。
如图2所示,本发明中基于序列长度的短临降水预报模型,包括:四个依次连接的组合层,其中,后一个组合层的输入为前一个组合层的输出,最后一个组合层的输出作为预测结果;每个组合层包括依次连接的短序列特征提取模块、长序列特征提取模块、编码模块和解码模块;短序列特征提取模块,用于从降水雷达回波序列中提取降水的空间分布和强度特征,并输出短序列结果图;长序列特征提取模块,用于根据短序列结果图构造长序列,并从长序列中提取降水的运动特征,然后输出长序列结果图;长序列结果图经过编码模块和解码模块的特征提取和上采样后,形成下一个组合层的输入。
如图1所示,是本发明中基于序列长度的短临降水预报模型的构建及训练流程。
本发明在接收到T时刻的雷达回波图后,通过四个短序列特征提取模块-长序列特征提取模块-编码模块-解码模块的组合层生成T+1时刻的雷达回波图/>。
首先,第一个组合层在获得降水雷达回波序列后,将接收的(基于降水雷达回波序列的)雷达回波图,通过3×3×1卷积运算形成空间特征图/>。
接下来,将空间特征图与同网络的T-1、T-2、T-3时刻第一层输出的结果图/>、/>、/>组合为T时刻第一层的短序列/>,其中,短序列/>的组合公式为:
,
其中,表示特征图的通道叠加操作,上角标数字表示层,下角标表示时刻。
然后,短序列经过短序列特征提取模块的学习和建模操作,实现了网络对降水分布和强度的特征提取,从而获得了新的特征图,即短序列结果图/>。本发明中短序列特征提取模块是基于非局部注意力机制和Vision Transformer而设计;输出的T时刻第一层的短序列结果图/>为:
,
其中,表示注意力机制加权操作,/>表示Vision Transformer操作。
随后,将短序列结果图和所有的/>构造T时刻第一层的长序列/>,计算公式如下所示:
,
其中,表示通道归一化卷积,/>表示特征图的通道叠加操作,上角标数字表示层,下角标表示时刻。
然后,再将长序列输进长序列特征提取模块。在该模块中,经过学习和建模操作来获取降水的运动特征,本发明中,长序列特征提取模块基于LSTM(长短期记忆网络)而设计;输出的长序列结果图/>为:
,
,
,
其中,和/>分别表示LSTM的时间状态和空间状态,/>表示特征提取卷积,/>分别表示LSTM中的时间状态的遗忘、输入和输出参数,/>分别表示空间状态的遗忘、输入和输出参数,/>表示哈达玛积,/>表示特征图的通道叠加操作,上角标数字表示层,下角标表示时刻。
然后,长序列特征提取模块输出的长序列结果图依次输入由一个3×3×1卷积层(步长为 2,填充为 2)构成的编码模块和由两个4×4×1上采样卷积层(步长为 2,填充为 2)构成的解码模块进行进一步的特征提取和上采样,最终得到/>的输出。
此外,长序列结果图还为同网络后续时刻提供给对应组合层中的短序列特征提取模块和长序列特征提取模块,以生成对应的短序列和长序列。值得注意的是同一组合层的不同时刻长序列结果图具有采样分辨率一致的特点,它们的融合可以避免引入的噪声干扰。
最后,再执行三次短序列特征提取模块-长序列特征提取模块-编码模块-解码模块后,得到预测结果,该结果受损失函数(标签/>)监督。然后损失函数不断对模型进行反向传播迭代,进行参数更新,直至模型收敛,实现模型的准确预测能力。损失函数为:
,
其中,表示损失函数,/>表示T+1时刻预测分布,/>表示T+1时刻标签,/>表示为像素点的索引,/>表现为总的像素点个数。
如图3所示,是使用本发明基于序列长度的短临降水预报方法获得的预测结果示意图。图3中的第一行表示标签,后续的五行分别表示:ConvLSTM方法、MotionRNN方法、PredRANN方法、PredRNN++方法和本发明所提出的方法。通过观察图3,可以发现本发明提出的方法在降水的空间分布、强度和运动的预测上更加准确。然而ConvLSTM方法在初期便出现了预测的降水空间分布模糊的情况。MotionRNN方法、PredRANN方法和PredRNN++虽然克服了这个问题,但是随着时间递进它们预测的降水空间分布及强度与实际情况产生明显的偏离。
总的来说,本发明通过分析雷达回波序列,根据不同的时间跨度,雷达回波序列可分为短序列和长序列,可用于捕捉降水的分布、强度和运动特征。具体地说,短序列中雷达的采样时间短,它们的降水区域分布和强度变化较小。长序列包含大量雷达回波图,这意味着采样时间长。这些图具有降水区域相似性递减和持续性运动的特征。这些现象可以归因于平流、对流等大气运动对降水的空间分布、强度和运动影响的持续时间。因此,本发明根据雷达回波序列长度不同具有各自的降水特征的现象采用深度学习网络模型架构,通过神经网络结构预测降水分布区域。该方法主要由短序列特征提取模块和长序列特征提取模块所构成。短序列特征提取模块旨在学习和建模短序列中降水区域的空间分布和强度特征。长序列特征提取模块旨在学习和建模长序列中降水区域的运动特征,进一步提高预报的精度。
实施例二:
基于实施例一所述的一种基于序列长度的短临降水预报方法,本实施例提供一种基于序列长度的短临降水预报装置,包括:数据加载模块,用于加载指定地区的降水雷达回波序列;降水预测模块,用于将所述降水雷达回波序列输入构建的基于序列长度的短临降水预报模型,获得指定地区未来设定时间段内的降水预测结果。
实施例三:
基于实施例一所述的一种基于序列长度的短临降水预报方法,本实施例提供一种计算机设备,包括:存储器,用于存储指令;处理器,用于执行所述指令,使得所述设备执行实现如实施例一所述的短临降水预报方法的操作。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (7)
1.一种短临降水预报方法,其特征在于,包括:
加载指定地区的降水雷达回波序列;
将所述降水雷达回波序列输入构建的基于序列长度的短临降水预报模型,获得指定地区未来设定时间段内的降水预测结果;
其中,所述基于序列长度的短临降水预报模型,包括:若干个依次连接的组合层,其中,后一个组合层的输入为前一个组合层的输出,最后一个组合层的输出作为预测结果;每个所述组合层包括依次连接的短序列特征提取模块、长序列特征提取模块、编码模块和解码模块;
所述短序列特征提取模块,用于从降水雷达回波序列中提取降水的空间分布和强度特征,并输出短序列结果图;
所述长序列特征提取模块,用于根据所述短序列结果图构造长序列,并从长序列中提取降水的运动特征,然后输出长序列结果图;
所述长序列结果图经过所述编码模块和解码模块的特征提取和上采样后,形成下一个组合层的输入;
所述短序列结果图的提取方法,包括:
对基于降水雷达回波序列的T时刻雷达回波图,进行卷积操作,形成T时刻起始层空间特征图/>,然后,将空间特征图/>与同网络的T-1、T-2、T-3时刻第一层的长序列结果图、/>、/>组合为T时刻第一层的短序列/>,其中,短序列/>的组合公式为:
,
其中,表示特征图的通道叠加操作,上角标数字表示层,下角标表示时刻;
然后,所述短序列特征提取模块从短序列中提取降水的空间分布和强度特征,并输出T时刻第一层的短序列结果图/>;
所述长序列结果图的提取方法,包括:
根据所述短序列结果图构造T时刻第一层的长序列/>:
,
其中,表示通道归一化卷积;
然后,所述长序列特征提取模块从长序列中提取降水的运动特征,然后输出T时刻第一层的长序列结果图/>。
2.根据权利要求1所述的短临降水预报方法,其特征在于,所述短序列特征提取模块,基于非局部注意力机制和Vision Transformer而设计;输出的T时刻第一层的短序列结果图为:
,
其中,表示注意力机制加权操作,/>表示Vision Transformer操作。
3.根据权利要求1所述的短临降水预报方法,其特征在于,所述长序列特征提取模块基于LSTM而设计;输出的T时刻第一层的长序列结果图为:
,
,
,
其中,和/>分别表示LSTM的时间状态和空间状态,/>表示特征提取卷积,分别表示LSTM中的时间状态的遗忘、输入和输出参数,/>分别表示空间状态的遗忘、输入和输出参数,/>表示哈达玛积。
4.根据权利要求1所述的短临降水预报方法,其特征在于,所述编码模块包括一个步长为2,填充为2的3×3×1特征提取卷积层;所述解码模块包括两个步长为2,填充为2的4×4×1上采样卷积层。
5.根据权利要求1所述的短临降水预报方法,其特征在于,所述预测结果受损失函数监督,所述损失函数为:
,
其中,表示损失函数,/>表示T+1时刻预测分布,/>表示T+1时刻标签,/>表示为像素点的索引,/>表现为总的像素点个数。
6.一种短临降水预报装置,其特征在于,包括:
数据加载模块,用于加载指定地区的降水雷达回波序列;
降水预测模块,用于将所述降水雷达回波序列输入构建的基于序列长度的短临降水预报模型,获得指定地区未来设定时间段内的降水预测结果;
其中,所述基于序列长度的短临降水预报模型,包括:若干个依次连接的组合层,其中,后一个组合层的输入为前一个组合层的输出,最后一个组合层的输出作为预测结果;每个所述组合层包括依次连接的短序列特征提取模块、长序列特征提取模块、编码模块和解码模块;
所述短序列特征提取模块,用于从降水雷达回波序列中提取降水的空间分布和强度特征,并输出短序列结果图;
所述长序列特征提取模块,用于根据所述短序列结果图构造长序列,并从长序列中提取降水的运动特征,然后输出长序列结果图;
所述长序列结果图经过所述编码模块和解码模块的特征提取和上采样后,形成下一个组合层的输入;
所述短序列结果图的提取方法,包括:
对基于降水雷达回波序列的T时刻雷达回波图,进行卷积操作,形成T时刻起始层空间特征图/>,然后,将空间特征图/>与同网络的T-1、T-2、T-3时刻第一层的长序列结果图、/>、/>组合为T时刻第一层的短序列/>,其中,短序列/>的组合公式为:
,
其中,表示特征图的通道叠加操作,上角标数字表示层,下角标表示时刻;
然后,所述短序列特征提取模块从短序列中提取降水的空间分布和强度特征,并输出T时刻第一层的短序列结果图/>;
所述长序列结果图的提取方法,包括:
根据所述短序列结果图构造T时刻第一层的长序列/>:
,
其中,表示通道归一化卷积;
然后,所述长序列特征提取模块从长序列中提取降水的运动特征,然后输出T时刻第一层的长序列结果图/>。
7.一种计算机设备,其特征在于,包括:
存储器,用于存储指令;
处理器,用于执行所述指令,使得所述设备执行实现如权利要求1~5任一项所述的短临降水预报方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410116453.4A CN117647855B (zh) | 2024-01-29 | 2024-01-29 | 一种基于序列长度的短临降水预报方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410116453.4A CN117647855B (zh) | 2024-01-29 | 2024-01-29 | 一种基于序列长度的短临降水预报方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117647855A CN117647855A (zh) | 2024-03-05 |
CN117647855B true CN117647855B (zh) | 2024-04-16 |
Family
ID=90045418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410116453.4A Active CN117647855B (zh) | 2024-01-29 | 2024-01-29 | 一种基于序列长度的短临降水预报方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117647855B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700577A (zh) * | 2015-03-16 | 2015-06-10 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种降水预警方法及其在地质灾害中的应用 |
CN114120072A (zh) * | 2021-09-29 | 2022-03-01 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像处理方法、计算机可读存储介质以及计算机终端 |
CN116861371A (zh) * | 2023-03-13 | 2023-10-10 | 贵州大学 | 一种降水产品精度提升方法、系统、设备、介质及终端 |
CN117368881A (zh) * | 2023-12-08 | 2024-01-09 | 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) | 一种融合多源数据的长序列雷达图像预测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11158048B2 (en) * | 2019-06-28 | 2021-10-26 | Shandong University Of Science And Technology | CT lymph node detection system based on spatial-temporal recurrent attention mechanism |
-
2024
- 2024-01-29 CN CN202410116453.4A patent/CN117647855B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700577A (zh) * | 2015-03-16 | 2015-06-10 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种降水预警方法及其在地质灾害中的应用 |
CN114120072A (zh) * | 2021-09-29 | 2022-03-01 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像处理方法、计算机可读存储介质以及计算机终端 |
CN116861371A (zh) * | 2023-03-13 | 2023-10-10 | 贵州大学 | 一种降水产品精度提升方法、系统、设备、介质及终端 |
CN117368881A (zh) * | 2023-12-08 | 2024-01-09 | 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) | 一种融合多源数据的长序列雷达图像预测方法及系统 |
Non-Patent Citations (4)
Title |
---|
人工智能在短临降水预报中应用研究综述;方巍 等;南京信息工程大学学报(自然科学版);20200728;全文 * |
基于时空数据序列回归的定量降水估计算法研究;董宇;中国优秀硕士学位论文全文数据库 (基础科学辑);20220305;全文 * |
时空序列预测方法综述;黎维;计算机应用研究;20201031;全文 * |
深度学习U-Net方法及其在高分辨卫星影像分类 中的应用;杨瑞;遥感技术与应用;20200831;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117647855A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325976B (zh) | 一种短时交通流预测方法及系统 | |
CN111461325B (zh) | 一种用于稀疏奖励环境问题的多目标分层强化学习算法 | |
CN114724012B (zh) | 基于时空跨尺度注意力融合热带不稳定波预警方法及装置 | |
CN114067019B (zh) | 一种耦合深度学习-数值模拟的城市内涝风险图快速预制方法 | |
CN112417752B (zh) | 基于卷积lstm神经网络的云层轨迹预测方法及系统 | |
CN113627093A (zh) | 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法 | |
CN114565187A (zh) | 一种基于图时空自编码网络的交通路网数据预测方法 | |
CN114283331A (zh) | 基于条带剪枝的轻量化sar图像船舶检测模型及方法 | |
CN115933010A (zh) | 一种雷达回波外推临近天气预测方法 | |
CN117474168A (zh) | 一种基于注意力机制的CNN-BiGRU的船舶轨迹预测方法及装置 | |
CN116166642A (zh) | 基于引导信息的时空数据填补方法、系统、设备及介质 | |
CN113449878B (zh) | 数据分布式的增量学习方法、系统、设备及存储介质 | |
CN115470957A (zh) | 基于深度学习的台风期间近海海浪波高预测系统、计算机设备、存储介质 | |
CN117647855B (zh) | 一种基于序列长度的短临降水预报方法、装置及设备 | |
CN117034780A (zh) | 一种基于深度学习的多尺度次季节降水量预测方法 | |
CN117197632A (zh) | 一种基于Transformer的电镜花粉图像目标检测方法 | |
CN116826734A (zh) | 一种基于多输入模型的光伏发电功率预测方法及装置 | |
CN115170807B (zh) | 一种图像分割、模型训练方法、装置、设备及介质 | |
CN114494284B (zh) | 一种基于显式监督区域关系的场景解析模型及方法 | |
CN116106909A (zh) | 一种雷达回波外推方法、系统及存储介质 | |
CN113221993A (zh) | 基于元学习和跨阶段沙漏的大视场小样本目标检测方法 | |
CN116524328B (zh) | 基于改进的轻量化网络的目标识别方法及系统 | |
CN114997490B (zh) | 温度廓线预测模型的构建方法、预测方法、装置及设备 | |
CN115630687B (zh) | 模型训练方法、交通流量预测方法和装置 | |
Shi et al. | Building extraction by gated graph convolutional neural network with deep structured feature embedding |
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 |