-
公开(公告)号：CN117371316A
公开(公告)日：2024-01-09
申请号：CN202311299858.8
申请日：2023-10-09
Applicant: 北京大学重庆大数据研究院
Abstract: 本发明提供了一种基于深度学习的静止卫星太阳短波辐射反演方法，包括以下步骤：S1.获取静止卫星和极轨卫星的历史监测信息，其中，历史监测信息包括大气背景信息和地理信息；S2.基于静止卫星的标称网格形式的数据确定出对应的经纬度信息，并基于确定的经纬度信息确定出太阳和卫星角度信息；S3.将极轨卫星的检测信息进行行列号转换，将极轨卫星的信息转换成标称网格形式；S4.将极轨卫星和静止卫星的标称网格形式的监测信息进行时空匹配得到有效信息；S5.构建深度学习神经网络，并将有效信息进行预处理后输入至深度学习神经网络中对神经网络进行训练；S6.实时获取静止卫星的监测信息，将实时监测信息进行预处理输入至训练完成的神经网络中得到监测信息采集时刻对应的太阳短波辐射值。
-
公开(公告)号：CN118981648A
公开(公告)日：2024-11-19
申请号：CN202411063230.2
申请日：2024-08-05
Applicant: 北京大学
Abstract: 本发明提供了一种样本优选方法、装置、终端设备及介质，其样本优选方法包括：确定目标模型，获取训练数据；按照大语言模型针对训练数据依次进行标准化处理和向量化处理，然后基于训练数据向量信息针对训练样本进行聚类分析，并按照聚类分析结果选取类别代表，得到初始示例样本，确定初始示例样本集合；针对初始示例样本集合进行Shapley近似计算，并按照Shapley近似值进一步筛选，得到优选样本。本发明采用了Shapley近似计算进行样本优选，考量了示例之间相互作用对模型效果的潜在影响，使得优选样本能够更好的引导模型正确响应的提示，提高大语言模型性能，同时还能够减少Shapley计算，提高Shapley计算效率。
-
公开(公告)号：CN117371316B
公开(公告)日：2024-08-09
申请号：CN202311299858.8
申请日：2023-10-09
Applicant: 北京大学重庆大数据研究院
Abstract: 本发明提供了一种基于深度学习的静止卫星太阳短波辐射反演方法，包括以下步骤：S1.获取静止卫星和极轨卫星的历史监测信息，其中，历史监测信息包括大气背景信息和地理信息；S2.基于静止卫星的标称网格形式的数据确定出对应的经纬度信息，并基于确定的经纬度信息确定出太阳和卫星角度信息；S3.将极轨卫星的检测信息进行行列号转换，将极轨卫星的信息转换成标称网格形式；S4.将极轨卫星和静止卫星的标称网格形式的监测信息进行时空匹配得到有效信息；S5.构建深度学习神经网络，并将有效信息进行预处理后输入至深度学习神经网络中对神经网络进行训练；S6.实时获取静止卫星的监测信息，将实时监测信息进行预处理输入至训练完成的神经网络中得到监测信息采集时刻对应的太阳短波辐射值。
-
公开(公告)号：CN117711502A
公开(公告)日：2024-03-15
申请号：CN202311303189.7
申请日：2023-10-09
Applicant: 北京大学重庆大数据研究院
IPC: G16C10/00 , G16C20/20 , G16C20/70 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06F16/29
Abstract: 本发明提供的一种融合深度学习算法的二氧化碳通量反演订正方法，包括：获取地表先验碳通量数据，将先验碳通量数据输入至大气化学传输模式模型中进行处理，得到气象要素、CO2浓度廓线以及CO2通量样本；基于气象要素和CO2浓度廓线确定出CO2柱浓度；构建全连接神经网络作为柱浓度订正模型，将气象要素和CO2柱浓度作为特征，并将来自卫星监测的CO2柱浓度作为标签，并将特征和标签输入至订正模型中进行训练；构建U‑net神经网络作为反演模型，将气象要素、CO2柱浓度作为特征，将CO2通量样本作为标签，并将特征和标签输入至反演模型中进行训练；确定目标气象要素，将目标气象要素输入至训练好的订正模型中进行处理得到订正后的CO2柱浓度，将订正后的CO2柱浓度和目标气象要素输入至训练好的反演模型中进行处理得到订正后的CO2通量。
-
公开(公告)号：CN117129963A
公开(公告)日：2023-11-28
申请号：CN202311299982.4
申请日：2023-10-09
Applicant: 北京大学重庆大数据研究院
IPC: G01S7/41 , G01S13/95 , G06F30/27 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本发明提供的一种基于迁移预测的雷达回波外推方法，获取雷达反射率数据，并对雷达反射率数据进行预处理得到雷达反射率有效数据；根据雷达反射率有效数据确定目标域数据集和源域数据集；构建域迁移预测模型，将源域数据集输入至迁移预测模型中并对迁移预测模型进行训练；构建域迁移预测模型的评价模型，将目标域数据集中的测试集数据输入至经过步骤S3训练后的域迁移预测模型中得到测试结果，并由评价模型计算域迁移预测模型的评价指标，选择评价指标最大时所对应的域迁移预测模型作为最优预测模型；将目标域数据集中的训练集输入至最优预测模型并对最优预测模型进行训练，将目标域数据集中的测试集再输入至训练完成的最优预测模型中得到测试结果，由评价模型计算训练后的最优预测模型的评价指标，并选择评价指标值最大时所对应的最优预测模型作为雷达回波外推模型。
-
Patent Agency Ranking
公开(公告)号：CN110298211B
公开(公告)日：2021-03-23
申请号：CN201810234115.5
申请日：2018-03-21
Applicant: 北京大学
Abstract: 本发明公布了一种基于深度学习和高分辨率遥感影像的河网提取方法，包括：获取多景高分二号多光谱遥感影像，将遥感影像分为训练样本和检测样本；遥感影像预处理，后续处理只采用第4波段和第2波段的影像；选取河流样本点和非河流样本点作为训练样本点；建立深度学习模型，将训练样本输入深度学习模型进行训练，得到训练好的深度学习模型；由待提取河网区域的遥感影像通过网格分割法分割得到检测样本；通过训练好的模型进行分类识别；生成河网。本发明技术方案可使得提取的河网更加真实、准确、精细、连续，且不受山脉阴影、建筑物等因素的干扰。
-
公开(公告)号：CN114626578B
公开(公告)日：2022-11-11
申请号：CN202210158808.7
申请日：2022-02-21
Applicant: 北京大学
Abstract: 本发明公开了一种利用人工智能预报冻雨的方法，包括对降水类型观测数据预处理，将降水相态进行转换；将预处理后的降水类型观测数据按照90%:10%的比例分为训练数据集和验证数据集；根据观测数据时间进行地理位置匹配，分析数据中的500hPa‑1000hPa每个气压层特征数据以及每个预报站点的经度、维度和高度构建特征数据集；将观测数据作为标签，结合特征数据集，通过LightGBM算法进行冻雨降水相态预报模型训练，得到预报模型并存储；利用预报模型的特征数据集，直接输出预报得到的冻雨预报结果。本发明通过构建预报模型，对大气压层特征数据以及每个预报站点的经度、维度和高度进行特征工程处理，实现了对冬季冻雨快捷而准确的预报。
-
公开(公告)号：CN117111180B
公开(公告)日：2024-07-19
申请号：CN202311028024.3
申请日：2023-08-15
Applicant: 北京大学重庆大数据研究院
Abstract: 本发明提供的一种模式后气象要素发生概率预测方法，包括以下步骤：获取气象原始数据，并采用模式输出机器学习算法确定高精度预测结果；将目标区域的划分为N个格点，将高精度预测结果和原始气象采用模式残差机器学习算法确定出格点预报结果；基于格点预报结果确定每个格点的概率；以目标格点作为圆心，以不同的半径画圆将目标区域划分为3个区域，计算目标格点的权重以及计算从目标格点以外的格点随机选择的n个格点处于不同区的权重；以格点预报结果确定每个格点的概率和各个格点的权重确定目标格点的气象要素发生的概率。
-
公开(公告)号：CN117077530A
公开(公告)日：2023-11-17
申请号：CN202311070382.0
申请日：2023-08-23
Applicant: 北京大学重庆大数据研究院
IPC: G06F30/27 , G01W1/10 , G06F30/28 , G06N3/08 , G06F111/10 , G06F113/08 , G06F119/08 , G06F119/14
Abstract: 本发明提供的一种融合深度学习算法的大气辐射传输模拟方法，包括以下步骤：获取目标位置典型的大气背景数据，并对典型的大气背景数据进行预处理，根据预处理后的典型的大气背景数据确定出卫星通道平均透过率；构建深度学习网络，将预处理后的典型的大气背景数据以及将卫星通道平均透过率作为标签并输入至深度学习网络中对深度学习网络进行训练；实时获取目标位置的大气背景数据，并将实时的大气背景数据以及卫星观测天顶角输入至训练完成的深度学习网络中进行处理，得到大气透过率预测值；构建大气辐射传输模拟模型，将大气透过率预测值输入至大气辐射传输模拟模型中得到辐射强度，基于辐射强度确定出目标位置的辐射亮温。
-
公开(公告)号：CN117056807A
公开(公告)日：2023-11-14
申请号：CN202311027672.7
申请日：2023-08-15
Applicant: 北京大学重庆大数据研究院
IPC: G06F18/241 , G06N3/0442 , G06N3/08 , G06F18/214 , G06V10/26 , G06V10/764
Abstract: 本发明提供的一种基于语义分割网络和长短期记忆网络的集成云检测方法，包括：获取多通道卫星的历史图像数据以及根据历史图像数据得到的云检测图像，并提取历史图像数据的特征信息；构建单像素点云检测模型，所述单像素云检测模型包括三个长短期记忆网络LSTM和一个全连接层，三个长短期记忆网络LSTM的输入和输出顺次连接形成串联结构，然后串联结构中的最后一个长短期记忆网络LSTM的输出与全连接层的输入连接；将特征信息输入至单像素点云检测模型中并对单像素点云检测模型进行训练；构建DeepLabv3plus语义分割网络，将特征信息输入至DeepLabv3plus语义分割网络中并对DeepLabv3plus语义分割网络进行训练；获取多通道卫星的实时图像数据，并提取实时图像数据的特征信息；将实时图像数据的特征信息分别输入至训练完成的单像素点云检测模型和DeepLabv3plus语义分割网络中进行处理，将DeepLabv3plus语义分割网络的输出结果与单像素点云检测模型的输出结果进行加权求和得到最终的云检测结果。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.017 seconds)
