-
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：CN118277767A
公开(公告)日：2024-07-02
申请号：CN202410614990.1
申请日：2024-05-17
Applicant: 南京信息工程大学 , 南京气象科技创新研究院 , 无锡学院
IPC: G06F18/213 , G06F18/25 , G06N3/0442 , G06N3/08 , G01W1/10
Abstract: 本发明公开了一种基于LA‑UNET‑LSTM的次季节降水预报方法，包括：采集数值模式输出的降水和多气象要素预报数据、实际降水观测数据，并将数据划分成训练集、验证集和测试集；基于训练集数据提取降水可预报模态的特征序列，诊断分析其在数值模式中的可预报性来源，并提取特征掩膜场；搭建LA‑UNET‑LSTM神经网络，构建基于结构相似性和加权均方差的损失函数；对数据进行标准化处理，配合特征掩膜场构建预报因子特征图，基于训练集数据对模型展开训练，并根据模型验证集中表现调整模型参数；将测试集中的预报因子特征图带入训练好的模型，同时得到未来1‑4周的降水预报数据。本发明有效提高了计算效率和极端降水的预报技巧。
-
公开(公告)号：CN118051878A
公开(公告)日：2024-05-17
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。
-
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：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。
-
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：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。
-
公开(公告)号：CN118822048B
公开(公告)日：2024-12-06
申请号：CN202411305389.0
申请日：2024-09-19
Applicant: 南京信息工程大学
IPC: G06Q10/04 , G06Q50/26 , G06F18/15 , G06F18/213 , G06F18/2431 , G06N3/0455 , G06N3/049 , G06N3/0499 , G06N3/0464 , G06N3/084 , G01W1/10 , G06F123/02
Abstract: 本发明公开了一种前兆因子深度融合的次季节极端降水预测方法，包括：基于优化的损失函数，构建融合数值模式降水预测、历史降水观测以及观测前兆因子的时空变换网络深度学习模型，基于数值模式降水预测数据集、历史降水观测数据集以及观测前兆因子数据集展开模型训练与优化；利用训练好的模型，输入目标时间的数值模式降水预测和前兆因子数据进行预测，输出次季节极端降水预测结果；本发明通过数值模式降水预测、历史降水观测和观测前兆因子数据的深度融合，利用一种新的时空变换网络深度学习方法，显著提高了次季节极端降水预测的准确性和全面性，具有极高的应用价值和广泛的应用前景。
-
公开(公告)号：CN119066524A
公开(公告)日：2024-12-03
申请号：CN202411565389.4
申请日：2024-11-05
Applicant: 南京信息工程大学
IPC: G06F18/2415 , G01W1/14 , G01W1/02 , G06F18/214
Abstract: 本发明公开了一种基于TimeUnet和物候学知识的短临降水预报方法，包括以下步骤：（1）采集气象要素观测资料和鸟声异常信息样本，并对数据进行预处理；（2）对预处理后的气象要素观测资料和鸟声异常信息样本进行特征提取，构建特征数据集；（3）搭建融合了TimesNet和Unet的深度学习模型TimeUnet并设计定制化损失函数；（4）对TimeUnet模型进行训练，调整模型中的超参数以得到最优的模型；（5）基于实时的气象要素观测资料和鸟声异常信息样本生成短临降水预报产品；本发明有效提高了暴雨的预报技巧。
-
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
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。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.042 seconds)
