CN113642475A - 基于卷积神经网络模型的大西洋飓风强度估算方法 - Google Patents
基于卷积神经网络模型的大西洋飓风强度估算方法 Download PDFInfo
- Publication number
- CN113642475A CN113642475A CN202110942251.1A CN202110942251A CN113642475A CN 113642475 A CN113642475 A CN 113642475A CN 202110942251 A CN202110942251 A CN 202110942251A CN 113642475 A CN113642475 A CN 113642475A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution
- layers
- cloud
- hurricane
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络模型的大西洋飓风强度估算方法,该方法是利用深度学***滑,以此得到最终估算的飓风强度。本发明直接从图像中提取与热带气旋强度相关的云系特征,比人为定义的特征因子更加全面,定强效果更佳,具有实时性和全自动性。
Description
技术领域
本发明涉及热带气旋强度估算(定强)领域,是利用深度学习技术对大量卫星红外云图数据进行分析学习,从热带气旋云系图像中自动提取与其强度相关的复杂特征,进而进行强度估算。对构建的模型进行训练后,能够直接使用训练好的模型,并能有效地提高对热带气旋强度估算的精度。
背景技术
热带气旋是全球范围内发生频率最高、波及范围最广并且危害最大的自然灾害之一。热带气旋带来的大风、降水和风暴潮是其致灾的重要因素,灾害的严重程度也与其位置、强度、结构等信息密切相关,因此,及时把握这些信息对灾害防御管理工作具有重要意义。
热带气旋的绝大部分时间都位于海洋上,常规气象观测站通常无法覆盖,而遥感卫星能够实现全天候大范围的对地观测,其观测数据是研究热带气旋生成发展以及消亡的主要资料。国内外已有许多采用卫星遥感观测资料对热带气旋强度进行估算的方法研究。其中发展历史最悠久并在全球得到广泛应用的方法是Dvorak技术。Dvorak技术最初是利用可见光红外云图结合实际预报经验总结出的热带气旋强度指数与其云系特征变化之间的关系,其主要缺陷在于主观性太强,业务应用中不同分析员对同一热带气旋相同时次的强度估计会出现分歧。经过四十多年的发展,该方法在不断向自动化和客观化方向改进。非静止卫星的微波通道可以穿透热带气旋中高层的非强降水云,探测到热带气旋内部信息,从而反映热带气旋强度,但受限于非静止卫星的时空分辨率,基于微波资料的热带气旋定强效果不如基于红外资料的热带气旋定强结果。随着人工智能的发展,深度学习的各类方法在解决非线性问题、图像识别等方面显示出了较强的能力,但目前这些方法在飓风强度估算上的应用研究仍然较少。此外,当前制约飓风强度估算精度的主要原因是缺乏真实的观测资料,而在大西洋有丰富的飞机观测资料可以用于检验。
现有技术中,利用深度学习技术对图像进行自动特征提取,基于这些特征进行热带气旋强度估算的效果优于采用人为定义的热带气旋云系特征因子的定强效果。在深度学习系列方法中,采用多种数据(如红外通道数据、微波数据等)进行定强的效果比采用单通道数据的效果更佳,但不同数据的获取存在时间和空间的差异,不利于进行实时定强。同时,建立的深度学习模型并未详细体现建模的参数选择。此外,目前制约热带气旋定强效果的主要原因是缺乏真实的观测资料,多数方法仅与最佳路径资料(非真实观测)进行对比,而本发明将同时运用飞机观测资料(真实观测)进行检验。
发明内容
本发明的目的是针对所需要解决的技术问题而提供的一种基于卷积神经网络模型的大西洋飓风(热带气旋)强度估算方法,该方法直接从图像中提取与热带气旋强度相关的云系特征,比人为定义的特征因子更加全面,定强效果更佳。
为了解决上述技术问题,本发明的具体技术方案是:
一种基于卷积神经网络模型的大西洋飓风强度估算方法,仅需输入云图数据即可自动提取与飓风强度相关的特征因子,从而进行强度估算,该方法包括以下具体步骤:
步骤1:获取近四十年与国家飓风中心最佳路径时次相匹配的红外亮温云图,剔除缺测过三分之一的图像,对缺测的图像采用附近值进行填充;最终选择35年的飓风云图进行训练,其中训练样本中按照7:3的比例划分训练集和验证集,此外,另将剩余年份的飓风云图作为测试集进行独立检验;
步骤2:对每幅红外亮温云图进行数据标准化,其中标准化的公式如下:
其中,Xstandardized为标准化后的所述云图数据,x为原始所述云图数据,xamean为所有所述云图数据的平均值,xastd为所有所述云图数据的标准差;
步骤3:搭建深度学习环境:在服务器上安装基于Python语言的TensorFlow库;
步骤4:在所述深度学习环境下,采用参数调整法优化卷积神经网络的模型结构,卷积神经网络的模型结构包括输入层、卷积层、池化层、激活层以及全连接层;输入层即输入的原始数据,需要有一定的长度、宽度和深度;卷积层是利用本层卷积核对输入图像进行卷积操作,再通过激活函数得到本层特征图,实现对输入图像的特征提取;卷积的具体计算结果为局部图像数据与卷积核即滤波器的点积之和,具体公式如下:
池化层即对当前特征图进行下采样;激活层即对特征信息进行非线性的转换;全连接层即将特征图转换成一维向量;
建立适用于飓风强度估算的卷积神经网络模型,需要确定输入云图的大小、卷积层和池化层的层数、卷积核的大小参数;设置初始的模型架构为4层卷积层和4层池化层交替,加3个全连接层,卷积核的大小设置为3×3,卷积步长为1,选取2×2的最大池化,激活函数选择Relu函数,具体公式为:f(x)=max(0,x);同时,选取均方误差(Mean Square Error,MSE)作为损失函数、平均绝对误差(Mean Absolute Error,MAE)作为评价精度;
4.1通过选定了以飓风中心为图像中心的28×28、84×84、114×114、142×142、172×172、301×301大小的图像作为输入,矩形图像的边长分别为2°、6°、8°、10°、12°、21°,共进行6次试验,以此确定最佳输入范围;根据试验结果,将114×114(8°×8°)大小作为模型输入进行操作;
4.2对于云图的特征提取,在网络的低层,进行池化操作,有效提取云型轮廓及边缘特征信息,在网络的高层,继续使用池化层会导致有效特征明显丢失。设置卷积层与池化层的组合结构,根据最佳结果,选择最佳网络结构。在此基础上,通过设置不同大小的卷积核,对其提取云图特征的能力进行对比,最终选择最佳卷积核的大小为7×7;
4.3确定卷积神经网络模型的具体结构后,为增加模型的鲁棒性,加入Dropout项,优化模型;
经过步骤4.2的参数优化,将网络结构设置为:输入层-卷积层1-池化层1-卷积层2-池化层2-卷积层3-卷积层4-全连接层1-全连接层2-全连接层3-输出层;其中,卷积层1和卷积层2的卷积核大小为7×7,卷积步长为1,卷积层3和卷积层4的卷积核大小分别为7×7和3×3,卷积步长均为2;池化层1和池化层2均选取2×2最大池化;全连接层1、全连接层2和全连接层3的神经元数目分别为512、128、64;每层卷积层与每层全连接层后均采用Relu函数进行激活;
步骤5:运用训练好的模型进行强度估算,对估算结果进行18小时的时间平滑,得到最终的估算强度,最终估算强度结果,具体平滑公式如下:
其中,Vc为最终的飓风强度估算结果,V、V6、V12、V18分别为当前时次、前6小时、前12小时及前18小时的估算强度。
本发明的基于深度学习的热带气旋强度估算方法,仅使用红外卫星云图就可以实现对热带气旋强度的估计,具有实时性和全自动性。同时,本发明直接从图像中提取与热带气旋强度相关的云系特征,比人为定义的特征因子更加全面,定强效果更佳。
附图说明
图1为本发明流程图;
图2为卫星红外云图;
图3为不同输入范围试验的训练结果示意图;
图4为不同卷积核大小的训练结果示意图;
图5为测试样本上飓风强度估算的偏差分布包含Dropout图;
图6为引入18小时滑动平均后在测试样本上的偏差分布图;
图7为卷积神经网络热带气旋强度估算的网络结构图;
图8为基于卷积神经网络方法的部分飓风估算强度与最佳路径近中心最大风速和ADT估算强度对比图。
具体实施方式
本发明的具体思路是,利用经过试验确定各参数设置的卷积神经网络模型,从静止卫星红外亮温云图数据中提取与飓风强度相关的特征因子,对热带气旋强度进行客观估算。本发明能够利用卫星云图数据的高时空分辨率特征,实现热带气旋实时的强度估算,可以为预报员提供更多的参考。
实施例
参阅图1,本发明包括:
步骤1:获取热带气旋最佳路径数据集,选取最佳路径记录,筛选与之匹配的卫星云图。对初始卫星云图进行判断,对于缺测超过三分之一的图像直接剔除,对于少量缺测进行附近值填补。图2(a)为缺测较少的飓风云图,图2(b)为填补完修正后的飓风云图。
步骤2:对处理完的数据进行标准化处理,如图2(c)。
步骤3:将301×301大小的图像裁剪为114×114大小,作为模型输入。输入图像大小由参数调整法得到,如图3。
步骤4:利用卷积神经网络模型对云图进行自动特征提取,然后对当前强度进行估计。
构建的卷积神经网络,即4个卷积层与3个全连接层组合,其中前2层卷积层与最大池化相连,后2层只进行卷积操作,并且在全连接层前后均加入Dropout项,使神经元随机失活,以此来增加模型的鲁棒性。图4为不同卷积核大小对模型结果的影响,其中平均绝对误差。图5为加入Dropout项后,测试样本上的误差占总样本的百分比,其中误差在[-10kt,10kt]之间的样本占67%。
步骤5:在前18小时强度可知时,对当前强度值进行平滑操作,以得到最后估算的强度值。图6为引入时间平滑后,测试样本上的误差占总样本的百分比,其中误差在[-10kt,10kt]之间的样本数比平滑前提高了5.5%。
综上所述,本发明建立的基于卷积神经网络模型的热带气旋强度估算方法,在能够获取静止卫星红外云图时就可实现实时的强度估算。同时,在建立模型时,在经典卷积神经网络架构的基础上,综合考虑卷积层与池化层的组合、卷积核的大小以及过拟合现象对热带气旋强度的估算精度的影响,得到适用于大西洋热带气旋强度估算的卷积神经网络最优模型。实施例效果说明:
利用1978-2012年大西洋的热带气旋卫星数据训练模型,以2013-2016年间热带气旋个例为样本,每6小时间隔的静止卫星红外资料与国家飓风中心最佳路径数据集和可获取的飞机侦察数据进行结果检验。表1为测试样本平滑前和的估算结果与最佳路径资料的平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Square Error,RMSE)。通过对比发现,经过18小时的平滑后每一年的误差均有所下降,对整体的热带气旋强度估算结果有较明显的改善。这一结果也说明在强度估算中引入时间滑动平均能够在一定程度上减少短期内对流活动突变的影响。最终独立样本与最佳路径资料的平均绝对误差为7.87kt、均方根误差为10.59kt,与时间间隔在1小时以内飞机侦察资料的平均绝对误差为9.08kt、均方根误差为11.35kt。
表1 测试样本与最佳路径在每一年以及所有年的平均绝对误差和均方根误差
为具体展示基于卷积神经网热带气旋强度估算的具体结果,图8以温贝托(HUMBERTO,2013)、贡萨洛(GONZALO,2014)、华金(JOAQUIN,2015)、加斯顿(GASTON,2016)四个热带气旋生命史为例,以飓风中心提供的最佳路径近中心最大风速为参考,对本发明估算强度与ADT方法进行展示与比较。分析结果可知,卷积神经网络模型在热带气旋整个生命史中能够实现连续估算,并且估算强度较为稳健。
尽管采取不同的卫星资料和不同的方法很难直接比较热带气旋强度估算模型的改进,但从模型独立检验的整体拟合效果上可以一定程度反映模型的先进之处。比较现有在大西洋的热带气旋强度估算方法(表2),采用深度学习方法(CNN)自动提取特征进行强度估算的误差最小,说明这一方法效果最佳。卷积神经网络在大西洋热带气旋强度估算中的应用较好说明了这一方法也可以拓展到其他海域。
表2 基于不同方法的大西洋飓风强度估算与最佳路径的精度比较
Claims (1)
1.一种基于卷积神经网络模型的大西洋飓风强度估算方法,其特征在于,该方法包括以下具体步骤:
步骤1:获取近四十年与国家飓风中心最佳路径时次相匹配的红外亮温云图,剔除缺测过三分之一的图像,对缺测的图像采用附近值进行填充;最终选择35年的飓风云图进行训练,其中训练样本中按照7:3的比例划分训练集和验证集,此外,另将剩余年份的飓风云图作为测试集进行独立检验;
步骤2:对每幅红外亮温云图进行数据标准化,其中标准化的公式如下:
其中,Xstandardized为标准化后的所述云图数据,x为原始所述云图数据,xamean为所有所述云图数据的平均值,xastd为所有所述云图数据的标准差;
步骤3:搭建深度学习环境:在服务器上安装基于Python语言的TensorFlow库;
步骤4:在所述深度学习环境下,采用参数调整法优化卷积神经网络的模型结构,卷积神经网络的模型结构包括输入层、卷积层、池化层、激活层以及全连接层;输入层即输入的原始数据,要有长度、宽度和深度;卷积层是利用本层卷积核对输入图像进行卷积操作,再通过激活函数得到本层特征图,实现对输入图像的特征提取;卷积的具体计算结果为局部图像数据与卷积核即滤波器的点积之和,具体公式如下:
池化层即对当前特征图进行下采样;激活层即对特征信息进行非线性的转换;全连接层即将特征图转换成一维向量;
建立适用于飓风强度估算的卷积神经网络模型,设置初始的模型架构为4层卷积层和4层池化层交替,加3个全连接层,卷积核的大小设置为3×3,卷积步长为1,选取2×2的最大池化,激活函数选择Relu函数,具体公式为:f(x)=max(0,x);同时,选取均方误差(MeanSquare Error,MSE)作为损失函数、平均绝对误差(Mean Absolute Error,MAE)作为评价精度;
4.1通过选定了以飓风中心为图像中心的28×28、84×84、114×114、142×142、172×172、301×301大小的图像作为输入,矩形图像的边长分别为2°、6°、8°、10°、12°、21°,共进行6次试验,以此确定最佳输入范围;根据试验结果,将114×114(8°×8°)大小作为模型输入进行操作;
4.2对于云图的特征提取,在网络的低层,进行池化操作,有效提取云型轮廓及边缘特征信息,在网络的高层,设置卷积层与池化层的组合结构,选择卷积核的大小为7×7;
4.3确定卷积神经网络模型的具体结构后,为增加模型的鲁棒性,加入Dropout项,优化模型;
经过步骤4.2的参数优化,将网络结构设置为:输入层-卷积层1-池化层1-卷积层2-池化层2-卷积层3-卷积层4-全连接层1-全连接层2-全连接层3-输出层;其中,卷积层1和卷积层2的卷积核大小为7×7,卷积步长为1,卷积层3和卷积层4的卷积核大小分别为7×7和3×3,卷积步长均为2;池化层1和池化层2均选取2×2最大池化;全连接层1、全连接层2和全连接层3的神经元数目分别为512、128、64;每层卷积层与每层全连接层后均采用Relu函数进行激活;
步骤5:运用训练好的模型进行强度估算,对估算结果进行18小时的时间平滑,得到最终的估算强度,最终估算强度结果,具体平滑公式如下:
其中,Vc为最终的飓风强度估算结果,V、V6、V12、V18分别为当前时次、前6小时、前12小时及前18小时的估算强度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110942251.1A CN113642475B (zh) | 2021-08-17 | 2021-08-17 | 基于卷积神经网络模型的大西洋飓风强度估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110942251.1A CN113642475B (zh) | 2021-08-17 | 2021-08-17 | 基于卷积神经网络模型的大西洋飓风强度估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113642475A true CN113642475A (zh) | 2021-11-12 |
CN113642475B CN113642475B (zh) | 2023-04-25 |
Family
ID=78422372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110942251.1A Active CN113642475B (zh) | 2021-08-17 | 2021-08-17 | 基于卷积神经网络模型的大西洋飓风强度估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642475B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723997A (zh) * | 2022-04-29 | 2022-07-08 | 厦门大学 | 基于Tropical代数的复合型卷积运算方法、存储介质及电子设备 |
CN115082439A (zh) * | 2022-07-22 | 2022-09-20 | 浙江大学 | 融合卫星云图时空信息的热带气旋定强方法、介质及设备 |
CN116977909A (zh) * | 2023-09-22 | 2023-10-31 | 中南民族大学 | 一种基于多模态数据的深度学习火灾强度识别方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036462A (zh) * | 2014-06-06 | 2014-09-10 | 南京大学 | 一种利用静止气象卫星图像估计西北太平洋热带气旋强度的方法 |
CN110378909A (zh) * | 2019-06-24 | 2019-10-25 | 南京林业大学 | 基于Faster R-CNN的面向激光点云的单木分割方法 |
CN111507884A (zh) * | 2020-04-19 | 2020-08-07 | 衡阳师范学院 | 一种基于深层卷积神经网络的自适应图像隐写分析方法及*** |
AU2020102100A4 (en) * | 2020-09-02 | 2020-10-22 | Khan, Mohd. Arsh MR | Disease detection using iot and machine learning in rice crops |
CN112364301A (zh) * | 2020-11-10 | 2021-02-12 | 中国气象局上海台风研究所(上海市气象科学研究所) | 基于坡长的近地面风速统计降尺度订正方法 |
CN112764129A (zh) * | 2021-01-22 | 2021-05-07 | 易天气(北京)科技有限公司 | 一种雷暴短临预报方法、***及终端 |
US20210182713A1 (en) * | 2019-12-16 | 2021-06-17 | Accenture Global Solutions Limited | Explainable artificial intelligence (ai) based image analytic, automatic damage detection and estimation system |
-
2021
- 2021-08-17 CN CN202110942251.1A patent/CN113642475B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036462A (zh) * | 2014-06-06 | 2014-09-10 | 南京大学 | 一种利用静止气象卫星图像估计西北太平洋热带气旋强度的方法 |
CN110378909A (zh) * | 2019-06-24 | 2019-10-25 | 南京林业大学 | 基于Faster R-CNN的面向激光点云的单木分割方法 |
US20210182713A1 (en) * | 2019-12-16 | 2021-06-17 | Accenture Global Solutions Limited | Explainable artificial intelligence (ai) based image analytic, automatic damage detection and estimation system |
CN111507884A (zh) * | 2020-04-19 | 2020-08-07 | 衡阳师范学院 | 一种基于深层卷积神经网络的自适应图像隐写分析方法及*** |
AU2020102100A4 (en) * | 2020-09-02 | 2020-10-22 | Khan, Mohd. Arsh MR | Disease detection using iot and machine learning in rice crops |
CN112364301A (zh) * | 2020-11-10 | 2021-02-12 | 中国气象局上海台风研究所(上海市气象科学研究所) | 基于坡长的近地面风速统计降尺度订正方法 |
CN112764129A (zh) * | 2021-01-22 | 2021-05-07 | 易天气(北京)科技有限公司 | 一种雷暴短临预报方法、***及终端 |
Non-Patent Citations (2)
Title |
---|
刘菁琪;: "浅析机器学习在气候研究中的应用" * |
海滢等: "利用人工神经网络模型预测西北太平洋热带气旋生成频数" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723997A (zh) * | 2022-04-29 | 2022-07-08 | 厦门大学 | 基于Tropical代数的复合型卷积运算方法、存储介质及电子设备 |
CN114723997B (zh) * | 2022-04-29 | 2024-05-31 | 厦门大学 | 基于Tropical代数的复合型卷积运算方法、存储介质及电子设备 |
CN115082439A (zh) * | 2022-07-22 | 2022-09-20 | 浙江大学 | 融合卫星云图时空信息的热带气旋定强方法、介质及设备 |
CN116977909A (zh) * | 2023-09-22 | 2023-10-31 | 中南民族大学 | 一种基于多模态数据的深度学习火灾强度识别方法及*** |
CN116977909B (zh) * | 2023-09-22 | 2023-12-19 | 中南民族大学 | 一种基于多模态数据的深度学习火灾强度识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113642475B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113642475B (zh) | 基于卷积神经网络模型的大西洋飓风强度估算方法 | |
CN106595551B (zh) | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 | |
CN112766199A (zh) | 基于自适应多尺度特征提取模型的高光谱图像分类方法 | |
CN101908138B (zh) | 基于噪声独立成分分析的合成孔径雷达图像目标识别方法 | |
CN106096655B (zh) | 一种基于卷积神经网络的光学遥感图像飞机检测方法 | |
CN111666903B (zh) | 一种卫星云图中雷暴云团的识别方法 | |
CN104331698A (zh) | 一种遥感图像城区提取方法 | |
CN113312993B (zh) | 一种基于PSPNet的遥感数据土地覆盖分类方法 | |
CN115062527A (zh) | 一种基于深度学习的静止卫星海温反演方法及*** | |
CN111624606B (zh) | 一种雷达图像降雨识别方法 | |
CN111539302B (zh) | 基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法 | |
CN111368653B (zh) | 一种基于r-d图与深度神经网络的低空小目标检测方法 | |
CN108734122A (zh) | 一种基于自适应样本选择的高光谱城区水体检测方法 | |
CN114863361A (zh) | 基于USRNet和YOLOv3的配电线路鸟巢检测方法 | |
US7058511B2 (en) | Sub-visible cloud cover assessment: VNIR-SWIR | |
CN117710508A (zh) | 基于改进条件生成对抗网络的近地表温度反演方法和装置 | |
CN111273376B (zh) | 降尺度的海表净辐射确定方法、***、设备及存储介质 | |
CN117392065A (zh) | 一种云边协同太阳能板覆灰状况自主评估方法 | |
CN115456957B (zh) | 一种全尺度特征聚合的遥感影像变化检测的方法 | |
CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
KR101475625B1 (ko) | 컴퓨터가 수행하는 해양 기상 표본 추출 및 이를 이용한 통계적 신호 해석 방법 | |
CN111929680B (zh) | 一种基于sar图像的洪水淹没程度快速评价方法 | |
CN114063063A (zh) | 基于合成孔径雷达和点状传感器的地质灾害监测方法 | |
CN109726641B (zh) | 一种基于训练样本自动优化的遥感影像循环分类方法 | |
CN112434590A (zh) | 一种基于小波变换的sar影像风条纹识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |