-
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：CN113724280B
公开(公告)日：2023-12-01
申请号：CN202111077956.8
申请日：2021-09-15
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种地面天气图高压系统的自动识别方法，包括步骤S1：基于二阈值，查找地面天气图中的高压中心候选点；步骤S2:基于三角网格插值法对地面天气图绘制等值线；步骤S3：确定地面天气图中的高压系统及高压中心。本发明基于最外围闭合等值线客观识别地面高压，降低地面高压的自动识别不确定性，客观准确地刻画高压系统的二维结构特征，为业务预报提高准确性提供帮助，实现了地面高压业务分析
-
公开(公告)号：CN115878731A
公开(公告)日：2023-03-31
申请号：CN202211439329.9
申请日：2022-11-17
Applicant: 南京信息工程大学
Abstract: 本发明提供了一种暖锋自动识别方法，包括：获取细网格风场和温度场数据，计算热锋面参数和温度平流并确定细网格暖锋锋区；插值获得粗网格暖锋锋区，根据风向定位粗网格暖锋锋区暖边界；根据粗网格暖边界定位细网格暖边界格点，并进行多项式拟合，得到暖锋锋线。本发明利用热锋面参数和温度平流设计的适用于暖锋的识别方法，能够有效提高暖锋识别的准确度，减少主观分析的差异，实现对暖锋锋线的自动识别，减少人工分析锋面的主观性，实现业务预报中的锋面分析自动化。
-
公开(公告)号：CN112765832B
公开(公告)日：2022-05-06
申请号：CN202110141345.9
申请日：2021-02-02
Applicant: 南京信息工程大学
Abstract: 本发明提供了一种欧亚大陆冷锋自动识别订正方法，包括：S10获得气象参数；S20获得初始锋面复选点；S30自动识别的初始冷锋数据集；S40获得冷锋订正范围；S50计算同一纬度上西北风的风向转变度数；S60将所述风向转变度数大于0的格点定义为具有西北风逆转特征的格点，筛选其中最东侧、最南侧的点，记为订正锋面复选点；S70将所述订正锋面复选点进行拟合平滑，得到订正后的地面冷锋数据集。本发明的一种欧亚大陆冷锋自动识别订正方法，依次通过确定高空冷锋锋区、初始锋面复选点以及订正锋面复选点的设计思路，能够实现锋面的自动识别，在一定程度上消除了人工分析锋面的主观性，并对天气预报业务工作中的锋面分析自动化做出积极贡献。
-
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。
-
Patent Agency Ranking
公开(公告)号：CN118072126A
公开(公告)日：2024-05-24
申请号：CN202410444908.5
申请日：2024-04-15
Applicant: 南京信息工程大学 , 无锡天祺云辰科技有限责任公司
IPC: G06V10/774 , G06V10/25 , G06V10/22 , G06V10/26 , G06V10/82
Abstract: 本发明公开了一种基于ModelArts平台的暖锋识别方法，步骤S1、获取历史时间段内风场uv、温度、相对湿度、地面海平面气压场、10m风场数据，绘制成气象要素图像并人工处理，得到训练标签；步骤S2、利用设定历史时间段内风场uv和温度数据计算出温度平流数据，将温度平流、温度、相对湿度数据三个要素进行处理，与训练标签制作成暖锋训练数据集；步骤S3、将暖锋训练数据集、DETR模型脚本、训练镜像分别上传至ModelArts平台，并对DETR模型网络进行训练，识别暖锋权重；步骤S4：利用DETR模型识别暖锋权重进行预测，获得暖锋数据；本发明提高了锋面自动化分析的准确度，并在硬件与平台上实现了国产化。
-
公开(公告)号：CN116030401B
公开(公告)日：2023-07-04
申请号：CN202310309247.0
申请日：2023-03-28
Applicant: 南京信息工程大学
IPC: G06V20/50 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的欧亚地区冷锋自动识别方法，包括如下步骤：S1、获得850hPa温度、风场数据，随机挑选欧亚地区5年各部分时次的数据，利用数值锋面分析方法，制作冷锋标签数据；S2、计算850hPa的温度平流，将温度和温度平流绘制成RGB图像；S3、将冷锋标签数据和RGB图像作为训练数据集，对深度学习模型进行训练；S4、计算任意时次的温度和温度平流，并绘制成RGB图像，输入到训练完成的深度学习模型中，可以自动识别冷锋。本发明利用深度学习方法识别冷锋，可简化自动识别冷锋的过程，节约人力物力资源，为预报工作提供参考，对实现业务预报中的冷锋自动化有积极贡献。
-
公开(公告)号：CN116030401A
公开(公告)日：2023-04-28
申请号：CN202310309247.0
申请日：2023-03-28
Applicant: 南京信息工程大学
IPC: G06V20/50 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的欧亚地区冷锋自动识别方法，包括如下步骤：S1、获得850hPa温度、风场数据，随机挑选欧亚地区5年各部分时次的数据，利用数值锋面分析方法，制作冷锋标签数据；S2、计算850hPa的温度平流，将温度和温度平流绘制成RGB图像；S3、将冷锋标签数据和RGB图像作为训练数据集，对深度学习模型进行训练；S4、计算任意时次的温度和温度平流，并绘制成RGB图像，输入到训练完成的深度学习模型中，可以自动识别冷锋。本发明利用深度学习方法识别冷锋，可简化自动识别冷锋的过程，节约人力物力资源，为预报工作提供参考，对实现业务预报中的冷锋自动化有积极贡献。
-
公开(公告)号：CN109283505B
公开(公告)日：2022-06-07
申请号：CN201811019917.0
申请日：2018-09-03
Applicant: 南京信息工程大学
IPC: G01S7/41
Abstract: 本发明提出一种修正雷达回波外推图像发散现象的方法，以改善雷达回波外推图像因发散而影响降水量等预报准确性的问题，由于数值模式及其产品能够较好地反映大气运动的客观规律，特别是对风暴发生、发展的变化趋势具有较好地整体性和连续性，因此本发明对数值模式产品这些特性加以利用。为了克服雷达外推预报出的回波强度“过度增加”或“过度减小”的问题，本发明通过融合数值模式预报产品，对回波图像在起报时刻与预报时刻的变化幅度进行修订，进而提高了雷达降水预报的准确性。
-
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
33
records
(took 0.029 seconds)
