CN113657477B - 一种短临降水的预报方法、装置及*** - Google Patents
一种短临降水的预报方法、装置及*** Download PDFInfo
- Publication number
- CN113657477B CN113657477B CN202110911900.1A CN202110911900A CN113657477B CN 113657477 B CN113657477 B CN 113657477B CN 202110911900 A CN202110911900 A CN 202110911900A CN 113657477 B CN113657477 B CN 113657477B
- Authority
- CN
- China
- Prior art keywords
- echo
- forecasting
- feature
- characteristic
- short
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000000605 extraction Methods 0.000 claims abstract description 35
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000013277 forecasting method Methods 0.000 claims abstract description 10
- 238000010586 diagram Methods 0.000 claims description 35
- 238000005070 sampling Methods 0.000 claims description 20
- 108091006146 Channels Proteins 0.000 claims description 16
- 239000000284 extract Substances 0.000 claims description 12
- 230000002452 interceptive effect Effects 0.000 claims description 10
- 238000001556 precipitation Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 6
- 238000007500 overflow downdraw method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000013213 extrapolation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- LQEOTHINZCAFAC-UHFFFAOYSA-N (4-methylpiperazin-1-yl)-(3,4,5-trimethoxyphenyl)methanone Chemical compound COC1=C(OC)C(OC)=CC(C(=O)N2CCN(C)CC2)=C1 LQEOTHINZCAFAC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种短临降水的预报方法、装置及***。该预报装置包括数据获取单元、提取融合单元以及预报输出单元。该预报方法包括交互模块和预报模块。通过训练多尺度的特征提取神经网络,提取历史雷达回波图组的多尺度特征,对特征进行拼接以获取预报特征图,并将预报特征图卷积以获取回波预报图,该预报方法、装置及***不仅提高了短临预报的准确率,还延长了短临降雨的预报时效。
Description
技术领域
本发明涉及短临降水预报领域,涉及一种短临降水的预报方法、装置及***。
背景技术
短临降水预报在气象灾害防御中具有极为重要的地位,以深度学习为代表的智能算法具有较强的自主学习、推断和记忆等能力,被广泛应用于图像分割、目标检测和气象预报等领域。相比传统雷达回波外推方法,深度学习技术能有效提高预报预测准确率且能有效延长雷达外推时效。
在现有技术中,通常采用单体质心法、交叉相关法或光流法进行短临降水预报。其中,单体质心法是指通过质心跟踪算法进行预报;交叉相关法是指选取连续两个时次的GMS-5卫星云图,将云图区域划分为32×32像素的图像子集,采用交叉相关法计算获取两幅云图的最佳匹配区域,根据前后云图匹配区域的位置和时间间隔,确定出每个图像子集的移动矢量(速度和方向),并对图像子集的移动矢量进行客观分析,其后,基于检验后的云图移动矢量集,利用后向轨迹方法对云图作短时外推预测;光流法(Optical flow or opticflow)是关于视域中的物体运动检测中的概念,用来描述相对于观察者的运动所造成的观测目标、表面或边缘的运动,光流法在样型识别、计算机视觉以及其他影像处理领域中非常有用,可用于运动检测、物件切割、碰撞时间与物体膨胀的计算、运动补偿编码,或者通过物体表面与边缘进行立体的测量等等。
但是,现有技术仍存在以下缺陷:仅适用于变化缓慢的降水***,对快速增长或消散的降雨的预报效果并不理想。
因此,当前需要一种短临降水的预报方法、装置及***,从而解决现有技术中存在的上述问题。
发明内容
针对现存的上述技术问题,本发明的目的在于提供一种短临降水的预报方法、装置及***,从而提高短临预报的准确率,并延长短临降雨的预报时效。
本发明提供了一种短临降水的预报方法,所述预报方法包括:获取待预报区域的历史雷达回波图组;通过预设的多尺度特征提取融合方法,对所述历史雷达回波图组进行多尺度特征提取和拼接,从而获取多个预报特征图;分别对所述多个预报特征图进行卷积,从而获取多个回波预报图。
在一个实施例中,所述通过预设的多尺度特征提取融合方法,对所述历史雷达回波图组进行多尺度特征提取和拼接,从而获取多个预报特征图,具体为:通过第一卷积核对所述历史雷达回波图组进行卷积,从而获得多个第一回波特征图;采用多个不同大小的第二卷积核,分别对所述多个第一回波特征图进行特征提取融合,从而对应获取多个第一特征信息;对所述多个第一特征信息进行并行下采样,从而获得多个第二回波特征图;采用多个不同大小的第二卷积核,分别对所述多个第二回波特征图组进行特征提取融合,从而对应获取多个第二特征信息;对所述多个第二特征信息进行上采样,从而获得多个第三回波特征图;将所述多个第三回波特征图与所述多个第二回波特征图对应拼接,从而相应获取多个预报特征图。
在一个实施例中,所述采用多个不同大小的第二卷积核,分别对所述多个第一回波特征图进行特征提取融合,从而对应获取多个第一特征信息,具体为:按顺序选定一个第一回波特征图;分别采用多个不同大小的第二卷积核,依次对第一回波特征图进行特征提取,从而对应获取多个回波特征信息;沿着第一回波特征图的通道,将所述多个回波特征信息按特征提取的顺序进行拼接以获得拼接特征图,并在拼接后随机打乱拼接特征图中的通道顺序;采用预设的第四卷积核对所述拼接特征图进行卷积,从而获取第一特征信息。
在一个实施例中,所述并行下采样和所述上采样采用参数共享机制。
本发明还提供了一种短临降水的预报装置,所述预报装置包括数据获取单元、提取融合单元以及预报输出单元,其中,所述数据获取单元用于获取待预报区域的历史雷达回波图组;所述提取融合单元用于通过预设的多尺度特征提取融合方法,对所述历史雷达回波图组进行多尺度特征提取和拼接,从而获取多个预报特征图;所述预报输出单元用于分别对所述多个预报特征图进行卷积,从而获取多个回波预报图。
在一个实施例中,所述提取融合单元还用于:通过第一卷积核对所述历史雷达回波图组进行卷积,从而获得多个第一回波特征图;采用多个不同大小的第二卷积核,分别对所述多个第一回波特征图进行特征提取融合,从而对应获取多个第一特征信息;对所述多个第一特征信息进行并行下采样,从而获得多个第二回波特征图;采用多个不同大小的第二卷积核,分别对所述多个第二回波特征图组进行特征提取融合,从而对应获取多个第二特征信息;对所述多个第二特征信息进行上采样,从而获得多个第三回波特征图;将所述多个第三回波特征图与所述多个第二回波特征图对应拼接,从而相应获取多个预报特征图。
在一个实施例中,所述提取融合单元还用于:按顺序选定一个第一回波特征图;分别采用多个不同大小的第二卷积核,依次对第一回波特征图进行特征提取,从而对应获取多个回波特征信息;沿着第一回波特征图的通道,将所述多个回波特征信息按特征提取的顺序进行拼接以获得拼接特征图,并在拼接后随机打乱拼接特征图中的通道顺序;采用预设的第四卷积核对所述拼接特征图进行卷积,从而获取第一特征信息。
本发明还提供了一种短临降水的预报***,所述预报***包括交互模块和预报模块,所述交互模块和所述预报模块通信连接,所述交互模块用于接收用户的输入指令和配置指令,并将回波预报图发送给所述用户,所述预报模块用于根据接收到的输入指令和配置指令,执行如前所述的短临降水的预报方法。
相比于现有技术,本发明实施例具有如下有益效果:
本发明提供了一种短临降水的预报方法、装置及***,通过预先训练的多尺度的特征提取神经网络,提取历史雷达回波图组的多尺度特征,对特征进行拼接以获取预报特征图,并将预报特征图卷积以获取回波预报图,该预报方法、装置及***不仅提高了短临预报的准确率,还延长了短临降雨的预报时效。
进一步地,本发明提供的一种短临降水的预报方法、装置及***还通过通道混洗和上、下采样共享参数机制,从而减少了网络的参数量、降低计算成本。
附图说明
下文将结合说明书附图对本发明进行进一步的描述说明,其中:
图1示出了根据本发明的一种短临降水的预报方法的一个实施例的流程图;
图2示出了根据本发明的一种短临降水的预报装置的一个实施例的结构图;
图3示出了根据本发明的一种短临降水的预报***的一个实施例的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
具体实施例一
本发明实施例首先描述了一种短临降水的预报方法。图1示出了根据本发明的一种短临降水的预报方法的一个实施例的流程图。如图1所示,该方法包括如下步骤:
S1:获取待预报区域的历史雷达回波图组。
S2:通过预设的多尺度特征提取融合方法,对所述历史雷达回波图组进行多尺度特征提取和拼接,从而获取多个预报特征图。
在一个实施例中,步骤S2具体为:通过第一卷积核对所述历史雷达回波图组进行卷积,从而获得多个第一回波特征图;采用多个不同大小的第二卷积核,分别对所述多个第一回波特征图进行多尺度特征提取融合,从而对应获取多个第一特征信息;对所述多个第一特征信息进行并行下采样以进行压缩,从而获得多个第二回波特征图;采用多个不同大小的第二卷积核,分别对所述多个第二回波特征图组进行多尺度特征提取融合,从而对应获取多个第二特征信息;对所述多个第二特征信息进行上采样,从而获得多个第三回波特征图;将所述多个第三回波特征图与所述多个第二回波特征图对应拼接,从而相应获取多个预报特征图。
在上述过程中,进行多尺度特征提取融合以获取特征信息,对特征信息进行下采样以及对特征信息进行上采样的步骤可以根据实际需要设置重复次数。其中,分别对所述多个第一回波特征图进行多尺度特征提取融合,从而对应获取多个第一特征信息,具体为:按顺序选定一个第一回波特征图;分别采用多个不同大小的第二卷积核,依次对第一回波特征图进行特征提取,从而对应获取多个回波特征信息;沿着第一回波特征图的通道,将所述多个回波特征信息按特征提取的顺序进行拼接以获得拼接特征图,并在拼接后随机打乱拼接特征图中的通道顺序;采用预设的第四卷积核对所述拼接特征图进行卷积,从而获取第一特征信息。
在一个实施例中,第一卷积核的大小包括3×3,第二卷积核的大小包括1×1、3×3、5×5以及7×7,第四卷积核的大小包括3×1×1。
在一个实施例中,所述并行下采样和所述上采样采用参数共享机制。
在一个实施例中,上述过程的损失函数的计算公式如下:
S3:分别对所述多个预报特征图进行卷积,从而获取多个回波预报图。
在获得多个预报特征图后,应当分别利用第三卷积核对所述多个预报特征图进行卷积,从而获取多个回波预报图。在一个实施例中,第三卷积核的大小包括1×1。
本发明提供了一种短临降水的预报方法,通过预先训练的多尺度的特征提取神经网络,提取历史雷达回波图组的多尺度特征,对特征进行拼接以获取预报特征图,并将预报特征图卷积以获取回波预报图,该预报方法不仅提高了短临预报的准确率,还延长了短临降雨的预报时效;进一步地,本发明提供的一种短临降水的预报方法还通过通道混洗和上、下采样共享参数机制,从而减少了网络的参数量、降低计算成本。
具体实施例二
除上述方法外,本发明实施例还提供了一种短临降水的预报装置。图2根据本发明的一种短临降水的预报装置的一个实施例的结构图。如图2所示,该预报装置包括数据获取单元11、提取融合单元12以及预报输出单元13。
数据获取单元11用于获取待预报区域的历史雷达回波图组。
提取融合单元12用于通过预设的多尺度特征提取融合方法,对所述历史雷达回波图组进行多尺度特征提取和拼接,从而获取多个预报特征图。
在一个实施例中,进一步地,所述提取融合单元12还用于:通过第一卷积核对所述历史雷达回波图组进行卷积,从而获得多个第一回波特征图;采用多个不同大小的第二卷积核,分别对所述多个第一回波特征图进行多尺度特征提取融合,从而对应获取多个第一特征信息;对所述多个第一特征信息进行并行下采样以进行压缩,从而获得多个第二回波特征图;采用多个不同大小的第二卷积核,分别对所述多个第二回波特征图组进行多尺度特征提取融合,从而对应获取多个第二特征信息;对所述多个第二特征信息进行上采样,从而获得多个第三回波特征图;将所述多个第三回波特征图与所述多个第二回波特征图对应拼接,从而相应获取多个预报特征图。
在一个实施例中,进一步地,所述提取融合单元12还用于:按顺序选定一个第一回波特征图;分别采用多个不同大小的第二卷积核,依次对第一回波特征图进行特征提取,从而对应获取多个回波特征信息;沿着第一回波特征图的通道,将所述多个回波特征信息按特征提取的顺序进行拼接以获得拼接特征图,并在拼接后随机打乱拼接特征图中的通道顺序;采用预设的第四卷积核对所述拼接特征图进行卷积,从而获取第一特征信息。
预报输出单元13用于分别利用第三卷积核对所述多个预报特征图进行卷积,从而获取多个回波预报图。在一个实施例中,第三卷积核的大小包括1×1。
当需要进行短临降水的预报时,该预报装置首先通过数据获取单元11获取待预报区域的历史雷达回波图组;随后,提取融合单元12通过预设的多尺度特征提取融合方法,对所述历史雷达回波图组进行多尺度特征提取和拼接,从而获取多个预报特征图;最后,通过预报输出单元13分别利用第三卷积核对所述多个预报特征图进行卷积,从而获取多个回波预报图。
本发明提供了一种短临降水的预报装置,通过预先训练的多尺度的特征提取神经网络,提取历史雷达回波图组的多尺度特征,对特征进行拼接以获取预报特征图,并将预报特征图卷积以获取回波预报图,该装置不仅提高了短临预报的准确率,还延长了短临降雨的预报时效;进一步地,本发明提供的一种短临降水的预报装置还通过通道混洗和上、下采样共享参数机制,从而减少了网络的参数量、降低计算成本。
具体实施例三
除上述方法和装置外,本发明实施例还提供了一种短临降水的预报***。图3示出了根据本发明的一种短临降水的预报***的一个实施例的结构图。
如图3所示,该预报***包括交互模块2和预报模块1,所述交互模块2和所述预报模块1通信连接。
交互模块2用于接收用户的输入指令和配置指令,并将回波预报图发送给所述用户,从而使得用户知道预报结果。
预报模块1用于根据接收到的输入指令和配置指令,执行如前所述的短临降水的预报方法,从而生成多个回波预报图。
在一个实施例中,交互模块2包括可触摸/不可触摸显示屏、按键输入键盘、虚拟输入键盘以及上述一种或多种的组合。
本发明提供了一种短临降水的预报***,通过预先训练的多尺度的特征提取神经网络,提取历史雷达回波图组的多尺度特征,对特征进行拼接以获取预报特征图,并将预报特征图卷积以获取回波预报图,该预报***不仅提高了短临预报的准确率,还延长了短临降雨的预报时效;进一步地,本发明提供的一种短临降水的预报***还通过通道混洗和上、下采样共享参数机制,从而减少了网络的参数量、降低计算成本。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种短临降水的预报方法,其特征在于,所述预报方法包括:
获取待预报区域的历史雷达回波图组;
通过第一卷积核对所述历史雷达回波图组进行卷积,从而获得多个第一回波特征图;
采用多个不同大小的第二卷积核,分别对所述多个第一回波特征图进行特征提取融合,从而对应获取多个第一特征信息;
对所述多个第一特征信息进行并行下采样,从而获得多个第二回波特征图;
采用多个不同大小的第二卷积核,分别对所述多个第二回波特征图组进行特征提取融合,从而对应获取多个第二特征信息;
对所述多个第二特征信息进行上采样,从而获得多个第三回波特征图;
将所述多个第三回波特征图与所述多个第二回波特征图对应拼接,从而相应获取多个预报特征图;
分别对所述多个预报特征图进行卷积,从而获取多个回波预报图。
2.根据权利要求1所述的短临降水的预报方法,其特征在于,所述采用多个不同大小的第二卷积核,分别对所述多个第一回波特征图进行特征提取融合,从而对应获取多个第一特征信息,具体为:
按顺序选定一个第一回波特征图;
分别采用多个不同大小的第二卷积核,依次对第一回波特征图进行特征提取,从而对应获取多个回波特征信息;
沿着第一回波特征图的通道,将所述多个回波特征信息按特征提取的顺序进行拼接以获得拼接特征图,并在拼接后随机打乱拼接特征图中的通道顺序;
采用预设的第四卷积核对所述拼接特征图进行卷积,从而获取第一特征信息。
3.根据权利要求1或2所述的短临降水的预报方法,其特征在于,所述并行下采样和所述上采样采用参数共享机制。
4.一种短临降水的预报装置,其特征在于,所述预报装置包括数据获取单元、提取融合单元以及预报输出单元,其中,
所述数据获取单元用于获取待预报区域的历史雷达回波图组;
所述提取融合单元用于通过第一卷积核对所述历史雷达回波图组进行卷积,从而获得多个第一回波特征图;采用多个不同大小的第二卷积核,分别对所述多个第一回波特征图进行特征提取融合,从而对应获取多个第一特征信息;对所述多个第一特征信息进行并行下采样,从而获得多个第二回波特征图;采用多个不同大小的第二卷积核,分别对所述多个第二回波特征图进行特征提取融合,从而对应获取多个第二特征信息;对所述多个第二特征信息进行上采样,从而获得多个第三回波特征图;将所述多个第三回波特征图与所述多个第二回波特征图对应拼接,从而相应获取多个预报特征图;
所述预报输出单元用于分别对所述多个预报特征图进行卷积,从而获取多个回波预报图。
5.根据权利要求 4所述的短临降水的预报装置,其特征在于,所述提取融合单元还用于:
按顺序选定一个第一回波特征图;
分别采用多个不同大小的第二卷积核,依次对第一回波特征图进行特征提取,从而对应获取多个回波特征信息;
沿着第一回波特征图的通道,将所述多个回波特征信息按特征提取的顺序进行拼接以获得拼接特征图,并在拼接后随机打乱拼接特征图中的通道顺序;
采用预设的第四卷积核对所述拼接特征图进行卷积,从而获取第一特征信息。
6.一种短临降水的预报***,其特征在于,所述预报***包括交互模块和预报模块,所述交互模块和所述预报模块通信连接,所述交互模块用于接收用户的输入指令和配置指令,并将回波预报图发送给所述用户,所述预报模块用于根据接收到的输入指令和配置指令,执行如权利要求1-3任一项所述的短临降水的预报方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110911900.1A CN113657477B (zh) | 2021-08-10 | 2021-08-10 | 一种短临降水的预报方法、装置及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110911900.1A CN113657477B (zh) | 2021-08-10 | 2021-08-10 | 一种短临降水的预报方法、装置及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113657477A CN113657477A (zh) | 2021-11-16 |
CN113657477B true CN113657477B (zh) | 2022-04-08 |
Family
ID=78491050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110911900.1A Active CN113657477B (zh) | 2021-08-10 | 2021-08-10 | 一种短临降水的预报方法、装置及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657477B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114460555B (zh) * | 2022-04-08 | 2022-08-23 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种雷达回波外推方法、装置及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09257951A (ja) * | 1996-03-22 | 1997-10-03 | Nippon Telegr & Teleph Corp <Ntt> | 気象予測装置 |
CN106886023A (zh) * | 2017-02-27 | 2017-06-23 | 中国人民解放军理工大学 | 一种基于动态卷积神经网络的雷达回波外推方法 |
CN107632295A (zh) * | 2017-09-15 | 2018-01-26 | 广东工业大学 | 一种基于时序卷积神经网络的雷达回波外推方法 |
CN108508505A (zh) * | 2018-02-05 | 2018-09-07 | 南京云思创智信息科技有限公司 | 基于多尺度卷积神经网络的强降雨及雷暴预报方法和*** |
CN108732550A (zh) * | 2018-08-01 | 2018-11-02 | 北京百度网讯科技有限公司 | 用于预测雷达回波的方法和装置 |
CN109829868A (zh) * | 2019-02-28 | 2019-05-31 | 华南理工大学 | 一种轻量级深度学习模型图像去雾方法、电子设备及介质 |
CN111158068A (zh) * | 2019-12-31 | 2020-05-15 | 哈尔滨工业大学(深圳) | 一种基于简单卷积循环神经网络的短临预报方法及*** |
CN112183886A (zh) * | 2020-10-22 | 2021-01-05 | 南京信息工程大学 | 基于卷积网络和注意力机制的短时临近降雨预测方法 |
CN112285666A (zh) * | 2020-10-21 | 2021-01-29 | 电子科技大学 | 基于深度U-Inception网络的雷达干扰抑制方法 |
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 |
CN113159434A (zh) * | 2021-04-29 | 2021-07-23 | 上海眼控科技股份有限公司 | 一种雷达回波预测方法、装置、设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363327B (zh) * | 2019-06-04 | 2021-09-03 | 东南大学 | 基于ConvLSTM和3D-CNN的短临降水预测方法 |
US11169263B2 (en) * | 2019-10-04 | 2021-11-09 | International Business Machines Corporation | Predicting weather radar images |
CN111242372A (zh) * | 2020-01-10 | 2020-06-05 | 上海眼控科技股份有限公司 | 气象雷达回波图预测方法、装置、计算机设备和存储介质 |
CN112446419B (zh) * | 2020-10-29 | 2023-07-11 | 中山大学 | 基于注意力机制的时空神经网络雷达回波外推预报方法 |
-
2021
- 2021-08-10 CN CN202110911900.1A patent/CN113657477B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09257951A (ja) * | 1996-03-22 | 1997-10-03 | Nippon Telegr & Teleph Corp <Ntt> | 気象予測装置 |
CN106886023A (zh) * | 2017-02-27 | 2017-06-23 | 中国人民解放军理工大学 | 一种基于动态卷积神经网络的雷达回波外推方法 |
CN107632295A (zh) * | 2017-09-15 | 2018-01-26 | 广东工业大学 | 一种基于时序卷积神经网络的雷达回波外推方法 |
CN108508505A (zh) * | 2018-02-05 | 2018-09-07 | 南京云思创智信息科技有限公司 | 基于多尺度卷积神经网络的强降雨及雷暴预报方法和*** |
CN108732550A (zh) * | 2018-08-01 | 2018-11-02 | 北京百度网讯科技有限公司 | 用于预测雷达回波的方法和装置 |
CN109829868A (zh) * | 2019-02-28 | 2019-05-31 | 华南理工大学 | 一种轻量级深度学习模型图像去雾方法、电子设备及介质 |
CN111158068A (zh) * | 2019-12-31 | 2020-05-15 | 哈尔滨工业大学(深圳) | 一种基于简单卷积循环神经网络的短临预报方法及*** |
CN112285666A (zh) * | 2020-10-21 | 2021-01-29 | 电子科技大学 | 基于深度U-Inception网络的雷达干扰抑制方法 |
CN112183886A (zh) * | 2020-10-22 | 2021-01-05 | 南京信息工程大学 | 基于卷积网络和注意力机制的短时临近降雨预测方法 |
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 |
CN113159434A (zh) * | 2021-04-29 | 2021-07-23 | 上海眼控科技股份有限公司 | 一种雷达回波预测方法、装置、设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
Convolutional Neural Network for Convective Storm Nowcasting Using 3-D Doppler Weather Radar Data;Lei Han 等;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20200229;第58卷(第2期);1487-1495 * |
Precipitation Forecasting via Multi-Scale Deconstructed ConvLSTM;Xinyu Xiao 等;《arXiv》;20200109;1-8 * |
基于深度序列预测的雷达回波外推算法研究;谢鹏飞;《中国优秀硕士学位论文全文数据库基础科学辑》;20210115;第2021年卷(第1期);第3.2节,图3-5 * |
自注意力机制改进U-Net网络的强积冰云层预测;翟辰飞 等;《计算机工程与应用》;20210723;第2.3节,第3节,图4-5 * |
Also Published As
Publication number | Publication date |
---|---|
CN113657477A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114445430B (zh) | 轻量级多尺度特征融合的实时图像语义分割方法及*** | |
CN114565655B (zh) | 一种基于金字塔分割注意力的深度估计方法及装置 | |
CN113971751A (zh) | 训练特征提取模型、检测相似图像的方法和装置 | |
CN114359851A (zh) | 无人驾驶目标检测方法、装置、设备及介质 | |
CN113159232A (zh) | 一种三维目标分类、分割方法 | |
CN112954399B (zh) | 一种图像处理方法、装置以及计算机设备 | |
CN115631344B (zh) | 一种基于特征自适应聚合的目标检测方法 | |
CN112257668A (zh) | 主辅路判断方法、装置、电子设备及存储介质 | |
CN113657477B (zh) | 一种短临降水的预报方法、装置及*** | |
CN115546640A (zh) | 遥感影像的云检测方法、装置、电子设备及存储介质 | |
CN115690715A (zh) | 一种车道线检测方法、电子设备及存储介质 | |
CN117409412A (zh) | 一种基于细节增强的双分辨率实时语义分割方法 | |
CN111062347A (zh) | 一种自动驾驶中交通要素分割方法、电子设备及存储介质 | |
CN114169425A (zh) | 训练目标跟踪模型和目标跟踪的方法和装置 | |
CN116863437A (zh) | 车道线检测模型训练方法、装置、设备、介质及车辆 | |
CN113569600A (zh) | 物体重识别的方法、装置、电子设备及存储介质 | |
CN116453020A (zh) | 一种双目识别方法及***、设备及介质 | |
CN113096104B (zh) | 目标分割模型的训练方法及装置和目标分割方法及装置 | |
CN112651351B (zh) | 一种数据处理的方法和装置 | |
CN114091519A (zh) | 一种基于多粒度遮挡感知的遮挡行人重识别方法 | |
CN114417946A (zh) | 目标检测方法及装置 | |
CN115049895B (zh) | 一种图像属性识别方法、属性识别模型训练方法及装置 | |
CN117437523B (zh) | 联合sar ccd和全局信息捕获的微弱痕迹检测方法 | |
CN116311077B (zh) | 一种基于显著性图的多光谱融合的行人检测方法及装置 | |
CN115775325B (zh) | 一种位姿确定方法及装置、电子设备和存储介质 |
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 |