-
公开(公告)号：CN115857062B
公开(公告)日：2023-06-13
申请号：CN202310174997.1
申请日：2023-02-28
Applicant: 南京信息工程大学 , 南京气象科技创新研究院
IPC: G01W1/10 , G06N3/0464 , G06N3/096
Abstract: 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：CN117236201B
公开(公告)日：2024-02-23
申请号：CN202311525721.X
申请日：2023-11-16
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: G06F30/27 , G01W1/10 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于Diffusion和ViT的降尺度方法，包括以下步骤：S1建立低分辨率数值模式降水预报与高分辨率降水观测样本，并进行预处理；S2构建Diffusion‑Vision‑Transformer降水预报模型；S3训练模型，直至Diffusion‑Vision‑Transformer的误差收敛，保存模型并进行预测；本发明通过利用Vision Transformer模型代替原始Diffusion模型中的U‑Net结构，大幅提高模型的训练效率，减低模型用于预测的时间。
-
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
Applicant: 南京信息工程大学 , 南京气象科技创新研究院
IPC: G01W1/10 , G06N3/0464 , G06N3/096
Abstract: 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
Applicant: 南京气象科技创新研究院
Abstract: 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：CN119106949A
公开(公告)日：2024-12-10
申请号：CN202411589294.6
申请日：2024-11-08
Applicant: 南京气象科技创新研究院
IPC: G06Q10/0637 , G01W1/10 , G01W1/18 , G06Q50/26 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了融合精细地形特征的延伸期降水连续分布概率预报方法，包括：获取标准化的延伸期数值模式集合预报系统多成员多要素预报数据以及区域历史长时间序列降水观测数据，并提取历史降水连续分布特征；基于区域高分辨率精细地形数据，得到去尺度化的关键地形多维特征因子库；构建极限梯度提升U‑Net混合深度学习降水概率预报模型，并展开模型训练和优化；采用训练好的模型，产生改进的延伸期降水连续分布概率预报结果。本发明融合了精细地形数据，采用了加权交叉熵损失函数，有效处理了降水分布类别不平衡问题，提升了模型的泛化能力，改进了降水连续分布概率预报的预报性能，具有极高的应用价值。
-
Patent Agency Ranking
公开(公告)号：CN118501986B
公开(公告)日：2024-11-15
申请号：CN202410957391.X
申请日：2024-07-17
Applicant: 南京气象科技创新研究院
Abstract: 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：CN119106949B
公开(公告)日：2025-02-14
申请号：CN202411589294.6
申请日：2024-11-08
Applicant: 南京气象科技创新研究院
IPC: G06Q10/0637 , G01W1/10 , G01W1/18 , G06Q50/26 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了融合精细地形特征的延伸期降水连续分布概率预报方法，包括：获取标准化的延伸期数值模式集合预报系统多成员多要素预报数据以及区域历史长时间序列降水观测数据，并提取历史降水连续分布特征；基于区域高分辨率精细地形数据，得到去尺度化的关键地形多维特征因子库；构建极限梯度提升U‑Net混合深度学习降水概率预报模型，并展开模型训练和优化；采用训练好的模型，产生改进的延伸期降水连续分布概率预报结果。本发明融合了精细地形数据，采用了加权交叉熵损失函数，有效处理了降水分布类别不平衡问题，提升了模型的泛化能力，改进了降水连续分布概率预报的预报性能，具有极高的应用价值。
-
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
Applicant: 南京信息工程大学
IPC: G01S13/95 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/082 , G01S7/41 , G01S7/40
Abstract: 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：CN118445720B
公开(公告)日：2025-03-18
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：CN119207638A
公开(公告)日：2024-12-27
申请号：CN202411268436.9
申请日：2024-09-11
Applicant: 无锡学院 , 江苏省泰州环境监测中心 , 南京信息工程大学
IPC: G16C20/70 , G16C20/20 , G06N3/0455 , G06F18/213 , G06F123/02
Abstract: 本发明公开了基于人工智能的大气PM2.5源解析及月尺度预测方法、系统，该方法包括逐日收集大气PM2.5污染物组分浓度X和气象要素M的数据信息，对数据信息进行预处理；基于Auto‑encoder算法，构建基于Auto‑encoder的大气污染物源解析模型，将预处理后的大气PM2.5污染物组分浓度输入到该模型中，得到污染源的相对贡献；构建KAN‑Transformer模型，将预处理后的气象要素数据与得到的污染源相对贡献分别输入到该模型中，通过多步预测得到月尺度的大气PM2.5污染物组分浓度的绝对值。本发明能够捕捉大气污染源组分之间的复杂非线性关系，提高了PM2.5组分来源分析的准确性。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.031 seconds)
