-
公开(公告)号：CN117237677B
公开(公告)日：2024-03-26
申请号：CN202311518546.1
申请日：2023-11-15
Applicant: 南京信息工程大学 , 无锡学院 , 南京气象科技创新研究院 , 中国人民解放军国防科技大学
IPC: G06V10/74 , G01W1/10 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06N3/0455 , G06T7/62 , G06T7/60 , G06T7/73
Abstract: 本发明公开了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，包括以下步骤：（1）利用YOLOv5对降水属性进行识别；（2）建立基于GAN的降水预报订正模型；（3）建立基于GAN且融合降水空间特征的强降水订正模型O‑GAN；（4）将测试期的数值模式预报数据代入模型O‑GAN，生成后处理之后的降水预报；本发明有效提高了传统仅优化逐点误差模型的订正技巧；实现了从降水图片到降水雨团空间属性的“端到端”输出，提高客观识别效率；避免了传统逐点订正模型可能出现的预报模糊化问题，同时能够有效捕捉强降水特征，提高降水预报准确率。
-
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
Applicant: 南京信息工程大学
IPC: G06F30/27 , G06F18/15 , G06F18/214 , G06F18/213 , G06N3/0464 , G06N3/08 , G01W1/10 , G06F111/10
Abstract: 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
Applicant: 南京信息工程大学
IPC: G06F30/27 , G06F18/15 , G06F18/214 , G06F18/213 , G06N3/0464 , G06N3/08 , G01W1/10 , G06F111/10
Abstract: 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：CN114881381B
公开(公告)日：2022-10-21
申请号：CN202210815291.4
申请日：2022-07-11
Applicant: 南京信息工程大学
Abstract: 本发明公开了基于改进卷积神经网络的城市积水水位预测方法及系统，属于城市内涝水位预测技术领域，所述方法包括：获取当前积水水位、城市地面高程数据、未来预设时间内的降水预报数据；基于未来预设时间内的降水预报数据识别出目标站点周围的雨带，提取雨带的对象属性；将降水预报数据、城市地面高程数据、雨带的对象属性进行预处理后组成输入变量；将输入变量输入到预训练好的基于改进卷积神经网络的深度学习模型中，得到所述未来预设时间内目标站点的积水变率，结合当前积水水位得到所述未来预设时间内的积水水位；所述模型经过训练后具有高度非线性和强鲁棒性，本发明技术方案相较现有技术具有更长的预测时效，有极强的应用价值。
-
公开(公告)号：CN114818984B
公开(公告)日：2022-09-23
申请号：CN202210605679.1
申请日：2022-05-31
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于人工智能的精细化城市积水水位拟合方法，包括：1、构建无量纲化的水文特征数据库；2、基于图神经网络方法展开聚类分析；3、划分城市积水水位子区域；4、基于神经网络逐区构建个性化城市水文概念模型；5、根据积水监测站积水水位监测信息，结合经度信息、纬度信息、时间信息、地面高程信息，反衍各子区域任意位置积水水位。本发明模型适用性较强，模型融合了积水站点的地理信息和时间信息，有效提取积水水位的时空分布特征，模型的拟合能力较强；能提供全区域任意位置的积水水位产品，实现了去网格化，且能基于历史同期数据库实现历史水位的回报，对预防城市积涝和城市合理规划具有重要作用。
-
Patent Agency Ranking
公开(公告)号：CN114818984A
公开(公告)日：2022-07-29
申请号：CN202210605679.1
申请日：2022-05-31
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于人工智能的精细化城市积水水位拟合方法，包括：1、构建无量纲化的水文特征数据库；2、基于图神经网络方法展开聚类分析；3、划分城市积水水位子区域；4、基于神经网络逐区构建个性化城市水文概念模型；5、根据积水监测站积水水位监测信息，结合经度信息、纬度信息、时间信息、地面高程信息，反衍各子区域任意位置积水水位。本发明模型适用性较强，模型融合了积水站点的地理信息和时间信息，有效提取积水水位的时空分布特征，模型的拟合能力较强；能提供全区域任意位置的积水水位产品，实现了去网格化，且能基于历史同期数据库实现历史水位的回报，对预防城市积涝和城市合理规划具有重要作用。
-
公开(公告)号：CN119128448A
公开(公告)日：2024-12-13
申请号：CN202411607038.5
申请日：2024-11-12
Applicant: 南京信息工程大学 , 南京气象科技创新研究院
IPC: G06F18/20 , G06F18/214 , G06F18/25 , G06N3/0455 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了基于多源模态融合深度学习的高分辨雨情分析生成方法，方法包括：基于与雨情相关的多源数据集，得到多物理量数据集，并建立无量纲化的多模态特征因子库；对损失函数进行多维度非等权处理，构建多尺度空间转换模型MF‑ST‑Unet；模型训练后最终生成逐小时区域高分辨率雨情分析数据集；基于训练好的MF‑ST‑Unet模型，通过迁移学习知识蒸馏，得到应用于覆盖整体区域的高分辨率雨情分析数据集。本发明能够快速有效生成高空间分辨率的均匀网格雨情分析，且较传统方法更加客观、准确；充分考虑雨情的多尺度特征及降水量级的差异，实现高分辨率客观雨情数据获取，提高雨情检测能力和灾害防范精准性，具有极强的应用价值。
-
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
Applicant: 南京信息工程大学
IPC: G06F18/15 , G06F18/214 , G06N3/0464 , G06F30/27 , G06F119/02
Abstract: 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
Applicant: 南京信息工程大学
IPC: G06F18/2431 , G06F18/23213 , G06F18/213 , G06F18/214 , G06F18/22 , G06N3/0464 , G06N3/084 , G01W1/02 , G01W1/10
Abstract: 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：CN118051878B
公开(公告)日：2024-06-11
申请号：CN202410452556.8
申请日：2024-04-16
Applicant: 南京气象科技创新研究院 , 南京信息工程大学
Abstract: 本发明公开了基于多模态融合改进深度学习的极端降水次季节预报方法，包括：对多种气象要素预报数据及预报目标区域的降水观测数据进行预处理；对影响极端降水发生的多模态特征进行自适应标识编码，并生成对应特征向量，形成无量纲化的多模态预报因子库；构建深度残差卷积神经网络优化模型，并分别利用训练集和验证集对模型进行训练和验证优化；采用训练好的模型进行目标区域的极端降水次季节预报。本发明采用了多气象要素因子、多模态融合与改进损失函数的深度学习神经网络模型，对极端降水预报进行了针对性优化，有效把握极端降水的时空分布特征，提高了极端降水的次季节预报能力，具有极强的应用价值。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.027 seconds)
