-
公开(公告)号：CN115857062A
公开(公告)日：2023-03-28
申请号：CN202310174997.1
申请日：2023-02-28
申请人： 南京信息工程大学 , 南京气象科技创新研究院
IPC分类号： G01W1/10 , G06N3/0464 , G06N3/096
摘要： 本发明公开了一种基于多通道卷积神经网络的次季节台风生成预报方法，包括以下步骤：（1）统计台风逐周生成频次，对台风频次进行数据重组，提取不同时间尺度的周期性信号，并过滤多余的噪声；（2）基于信息流方法诊断各时间尺度周期性信号的可预测性来源构建掩膜场；（3）搭建多通道卷积神经网络模型，基于再分析资料构建的训练集对模型展开训练；（4）基于采集到的数值模型预报数据展开迁移学习，得到最终的预报模型；（5）将预设时间内的预报数据代入模型，生成次季节台风生成预报；本发明提升次季节台风生成预报技巧；有效滤除大尺度因子场中的多余噪音，进而有效提高模型预报效果。
-
公开(公告)号：CN118501986A
公开(公告)日：2024-08-16
申请号：CN202410957391.X
申请日：2024-07-17
申请人： 南京气象科技创新研究院
摘要： 本发明涉及大气科学研究领域，具体公开了一种基于多模式集成的灾害性大风空间结构预报改进方法。其包括如下步骤：对预报区域内的观测以及模式预报灾害性大风对象进行识别；分别计算识别出的观测场和模式预报场中灾害性大风对象的属性；将观测场中的灾害性大风对象与模式预报场中的灾害性大风对象进行匹配；并评估观测场与模式预报场中所有灾害性大风对象的整体空间相似度；以观测场与模式预报场中所有灾害性大风对象的空间相似度为权重，构建多模式集成预报模型。本发明通过分析灾害性大风的空间结构特征并改进多模式集成模型权重的计算方法，从而提高灾害性大风空间结构的数值预报技巧。
-
公开(公告)号：CN118050729A
公开(公告)日：2024-05-17
申请号：CN202410447311.6
申请日：2024-04-15
申请人： 南京信息工程大学
IPC分类号： G01S13/95 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/082 , G01S7/41 , G01S7/40
摘要： 本发明公开了一种基于改进U‑Net的雷达回波时间降尺度订正方法，包括以下步骤：（1）收集发布的CMA‑SH数值模式预报数据，并进行初步的预报因子筛选和预处理；（2）搭建基于改进U‑Net的深度学习模型即传统U‑Net基础上增加基于对抗生成网络的TSR‑GAN时间降尺度模块，并定义新的阈值法评估指标，以此为基础更改适用于雷达回波预报订正问题的损失函数；（3）基于步骤（2）雷达回波数据集与改进U‑Net模型进行训练，获得订正后高分辨率的雷达回波预报产品；本发明通过降尺度得到分钟级预报，提高了对短临系统的预报能力。
-
公开(公告)号：CN118227979B
公开(公告)日：2024-09-06
申请号：CN202410652939.X
申请日：2024-05-24
申请人： 南京信息工程大学
IPC分类号： G06F18/15 , G06F18/214 , G06N3/0464 , G06F30/27 , G06F119/02
摘要： 本发明公开一种基于改进卷积神经网络利用热带太平洋次表层海温异常的预测ENSO方法，包括以下步骤:（1）采集热带太平洋次表层海温数据、Nino3.4观测数据，并对数据进行预处理，构建训练数据集；（2）搭建加入了注意力机制SENet的CNN模型；（3）基于所述训练集和模型进行训练；（4）生成预测产品利用皮尔森积矩相关系数计算得到ENSO预测；本发明所用数据资源和计算资源少，计算速度更快，预测时效长；突出次表层海温的经向扰动，更能体现热带太平洋次表层海温异常东传的特征。
-
公开(公告)号：CN118445720A
公开(公告)日：2024-08-06
申请号：CN202410652944.0
申请日：2024-05-24
申请人： 南京信息工程大学
IPC分类号： G06F18/2431 , G06F18/23213 , G06F18/213 , G06F18/214 , G06F18/22 , G06N3/0464 , G06N3/084 , G01W1/02 , G01W1/10
摘要： 本发明公开了一种基于神经网络对比学习的极端低温雨雪复合事件的识别方法，包括以下步骤：（1）获取极端低温雨雪复合事件数据集，采集再分析资料；（2）对提取出的复合事件的500hPa环流场和850hPa风场进行降维并聚类分析，得到三类不同环流形势组合的极端低温雨雪复合事件，并对每个事件进行分类标记；（3）利用得到的标签，构建Contrastive Learning需要的正负样本训练集；（4）搭建卷积神经网络的神经网络模型；（5）基于训练集和模型进行训练；（6）基于未标签的再分析数据，对极端低温雨雪复合事件进行识别；本发明通过比较数据点之间的相似性，学习到更具有泛化能力的表示。
-
公开(公告)号：CN118366046A
公开(公告)日：2024-07-19
申请号：CN202410799661.9
申请日：2024-06-20
申请人： 南京信息工程大学
IPC分类号： G06V20/10 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
摘要： 本发明公开了一种基于深度学习并结合地形的风场降尺度方法，包括：（1）采集地面高程数据、低分辨率数值模式预报数据、高分辨率观测数据，并对数据进行预处理，最后构成降尺度数据集；（2）搭建基于矢量的神经网络深度学习降尺度模型；（3）基于降尺度数据集对基于矢量的神经网络深度学习降尺度模型进行训练；（4）基于实时低分辨率数值模式预报数据以及高分辨率地面高程数据，通过训练好的模型生成高分辨率降尺度数据。本发明能够实现经纬度分辨率从0.25°×0.25°到0.1°×0.1°的降尺度预测，提高了网络拟合效果，并可以综合把握矢量的方向和大小，产生更具有应用价值、准确率更高的结果。
-
公开(公告)号：CN118050729B
公开(公告)日：2024-07-09
申请号：CN202410447311.6
申请日：2024-04-15
申请人： 南京信息工程大学
IPC分类号： G01S13/95 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/082 , G01S7/41 , G01S7/40
摘要： 本发明公开了一种基于改进U‑Net的雷达回波时间降尺度订正方法，包括以下步骤：（1）收集发布的CMA‑SH数值模式预报数据，并进行初步的预报因子筛选和预处理；（2）搭建基于改进U‑Net的深度学习模型即传统U‑Net基础上增加基于对抗生成网络的TSR‑GAN时间降尺度模块，并定义新的阈值法评估指标，以此为基础更改适用于雷达回波预报订正问题的损失函数；（3）基于步骤（2）雷达回波数据集与改进U‑Net模型进行训练，获得订正后高分辨率的雷达回波预报产品；本发明通过降尺度得到分钟级预报，提高了对短临系统的预报能力。
-
公开(公告)号：CN118033590B
公开(公告)日：2024-06-28
申请号：CN202410437687.9
申请日：2024-04-12
申请人： 南京信息工程大学
摘要： 本发明公开了一种基于改进VIT神经网络的短临降水预报方法，包括以下步骤：（1）采集气象雷达回波资料、风廓线雷达资料，并进行质量控制和特征提取；（2）搭建融合了深层链接和自适应最优权重分配的VIT神经网络模型；（3）构建训练集后对模型进行训练，并引入基于均方根误差和对流面积变化率的损失函数；（4）基于训练好的模型预报未来的雷达回波，并转换得到降水预报场；（5）基于频率匹配法和消空法对降水预报场进行后处理，得到最终的短临降水预报产品；本发明能有效改善小量级降水的空报和大量级降水的漏报，进而进一步提高降水预报技巧。
-
公开(公告)号：CN116467946B
公开(公告)日：2023-10-27
申请号：CN202310437043.5
申请日：2023-04-21
申请人： 南京信息工程大学
IPC分类号： G06F30/27 , G06F18/15 , G06F18/214 , G06F18/213 , G06N3/0464 , G06N3/08 , G01W1/10 , G06F111/10
摘要： 本发明公开了一种基于深度学习的模式预报产品降尺度方法，包括：采集地面高程数据、低分辨率数值模式预报数据、高分辨率观测数据，并对数据进行预处理，构成降尺度数据集；搭建基于改进卷积神经网络的深度学习模型；基于所述训练集和模型进行训练；基于实时低分辨率数值模式预报数据、地面高程数据生成高分辨率降尺度产品。本发明使用卷积处理地面高程数据，保留其高分辨率信息的同时控制了其在网络特征提取和降尺度部分的比例，提高了结果的准确率；结合了非局地注意力机制与Res2net模块，提高了数据利用效率和网络拟合能力；采用最近邻插值与卷积运算配合进行上采样，规避了转置卷积带来的棋盘效应，提高了模型的准确率和实用价值。
-
公开(公告)号：CN116467946A
公开(公告)日：2023-07-21
申请号：CN202310437043.5
申请日：2023-04-21
申请人： 南京信息工程大学
IPC分类号： G06F30/27 , G06F18/15 , G06F18/214 , G06F18/213 , G06N3/0464 , G06N3/08 , G01W1/10 , G06F111/10
摘要： 本发明公开了一种基于深度学习的模式预报产品降尺度方法，包括：采集地面高程数据、低分辨率数值模式预报数据、高分辨率观测数据，并对数据进行预处理，构成降尺度数据集；搭建基于改进卷积神经网络的深度学习模型；基于所述训练集和模型进行训练；基于实时低分辨率数值模式预报数据、地面高程数据生成高分辨率降尺度产品。本发明使用卷积处理地面高程数据，保留其高分辨率信息的同时控制了其在网络特征提取和降尺度部分的比例，提高了结果的准确率；结合了非局地注意力机制与Res2net模块，提高了数据利用效率和网络拟合能力；采用最近邻插值与卷积运算配合进行上采样，规避了转置卷积带来的棋盘效应，提高了模型的准确率和实用价值。
-
-
-
-
-
-
-
-
-
搜索结果
27 条记录 (耗时 0.043 秒)
