-
公开(公告)号：CN117055051B
公开(公告)日：2023-12-19
申请号：CN202311297102.X
申请日：2023-10-09
Applicant: 国家气象中心(中央气象台) , 南京信息工程大学
IPC: G01S13/95 , G01S7/41 , G01S13/86 , G01W1/00 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F18/24
Abstract: 本发明提出一种基于多源数据的冰雹识别方法、系统、设备及存储介质，涉及天气识别技术领域，方法包括：首先，获取冰雹识别深度学习模型输入的多源数据并进行数据预处理，多源数据包括三维雷达反射率因子数据、FY4B卫星数据、ERA5环境场数据和DEM数据；随后计算冰雹单体的多属性特征，设置阈值，确定冰雹标签；最后，建立冰雹识别深度学习模型，冰雹识别深度学习模型包括融合模块和FEMU‑Net识别模块，融合模块负责实现多源数据的特征融合，FEMU‑Net识别模块负责将融合后的特征进行学习，输出冰雹识别结果。本发明的方案能准确区分冰雹和非冰雹区域，在冰雹识别方面取得了显著结果，在准确(56)对比文件张玉洁等.基于多源数据融合的综合气象观测产品系统设计与应用.气象与环境科学.2022,第45卷(第3期),96-102.
-
Patent Agency Ranking
公开(公告)号：CN117055051A
公开(公告)日：2023-11-14
申请号：CN202311297102.X
申请日：2023-10-09
Applicant: 国家气象中心(中央气象台) , 南京信息工程大学
IPC: G01S13/95 , G01S7/41 , G01S13/86 , G01W1/00 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F18/24
Abstract: 本发明提出一种基于多源数据的冰雹识别方法、系统、设备及存储介质，涉及天气识别技术领域，方法包括：首先，获取冰雹识别深度学习模型输入的多源数据并进行数据预处理，多源数据包括三维雷达反射率因子数据、FY4B卫星数据、ERA5环境场数据和DEM数据；随后计算冰雹单体的多属性特征，设置阈值，确定冰雹标签；最后，建立冰雹识别深度学习模型，冰雹识别深度学习模型包括融合模块和FEMU‑Net识别模块，融合模块负责实现多源数据的特征融合，FEMU‑Net识别模块负责将融合后的特征进行学习，输出冰雹识别结果。本发明的方案能准确区分冰雹和非冰雹区域，在冰雹识别方面取得了显著结果，在准确性和鲁棒性方面均有明显提升。
-
公开(公告)号：CN115575920A
公开(公告)日：2023-01-06
申请号：CN202211478682.8
申请日：2022-11-24
Applicant: 国家气象中心(中央气象台)
Abstract: 本发明提出一种基于小波变换的雷达回波动态融合预报方法、系统及设备，涉及天气预报短临强对流技术领域。其中，方法包括：采集多种雷达预报产品的数据和雷达反射率实况的数据并进行预处理和质量控制，得到标准化质控数据集，并对其进行时间匹配，并进行区域内空间数据匹配和检查，得到输入数据，进行小波变换，生成各成员多尺度的高低频域数据集；分别计算不同时效、不同强度在频率域的评分数据集；归一化处理后，得到各个成员在各尺度域上的权重；按照强度对各成员进行权重融合，形成历史权重的融合频率值，进而获得预报产品。本发明的预报命中率更高，虚警率低，克服了传统融合算法的预报不连续和偏弱的问题，具有较好的预报服务效益。
-
公开(公告)号：CN115575920B
公开(公告)日：2023-02-28
申请号：CN202211478682.8
申请日：2022-11-24
Applicant: 国家气象中心(中央气象台)
Abstract: 本发明提出一种基于小波变换的雷达回波动态融合预报方法、系统及设备，涉及天气预报短临强对流技术领域。其中，方法包括：采集多种雷达预报产品的数据和雷达反射率实况的数据并进行预处理和质量控制，得到标准化质控数据集，并对其进行时间匹配，并进行区域内空间数据匹配和检查，得到输入数据，进行小波变换，生成各成员多尺度的高低频域数据集；分别计算不同时效、不同强度在频率域的评分数据集；归一化处理后，得到各个成员在各尺度域上的权重；按照强度对各成员进行权重融合，形成历史权重的融合频率值，进而获得预报产品。本发明的预报命中率更高，虚警率低，克服了传统融合算法的预报不连续和偏弱的问题，具有较好的预报服务效益。
-
公开(公告)号：CN118312925B
公开(公告)日：2024-08-06
申请号：CN202410734176.3
申请日：2024-06-07
Applicant: 国家气象中心(中央气象台)
IPC: G06F18/25 , G06F18/2431 , G06F18/2337 , G06N3/0455 , G06N3/0464 , G06N3/08 , G01W1/02 , G01W1/10
Abstract: 本发明提出一种雷暴大风识别方法、系统、设备及介质，属于气象智能识别领域。方法包括：构建雷暴大风识别模型；将风速时序输入站点时序特征编码器，得到风速时序编码特征；将格点资料数据输入多源格点资料编码器，得到格点资料编码特征；将风速时序编码特征和格点资料编码特征输入多模态特征融合模块进行特征融合后得到解码，得到有无雷暴大风的二分类结果；通过将5km邻域命中、5km邻域漏报和5km邻域空报带入TS评分，构建TS_LOSS损失函数；根据TS_LOSS损失函数和BCE_LOSS损失函数，得到TG_LOSS损失函数训练雷暴大风识别模型。本发明提出的方案能够精确地识别雷暴大风，其命中率更高，空报和漏报更少。
-
公开(公告)号：CN118312925A
公开(公告)日：2024-07-09
申请号：CN202410734176.3
申请日：2024-06-07
Applicant: 国家气象中心(中央气象台)
IPC: G06F18/25 , G06F18/2431 , G06F18/2337 , G06N3/0455 , G06N3/0464 , G06N3/08 , G01W1/02 , G01W1/10
Abstract: 本发明提出一种雷暴大风识别方法、系统、设备及介质，属于气象智能识别领域。方法包括：构建雷暴大风识别模型；将风速时序输入站点时序特征编码器，得到风速时序编码特征；将格点资料数据输入多源格点资料编码器，得到格点资料编码特征；将风速时序编码特征和格点资料编码特征输入多模态特征融合模块进行特征融合后得到解码，得到有无雷暴大风的二分类结果；通过将5km邻域命中、5km邻域漏报和5km邻域空报带入TS评分，构建TS_LOSS损失函数；根据TS_LOSS损失函数和BCE_LOSS损失函数，得到TG_LOSS损失函数训练雷暴大风识别模型。本发明提出的方案能够精确地识别雷暴大风，其命中率更高，空报和漏报更少。
-
-
-
-
-
Search Results
6
records
(took 0.033 seconds)
