CN113671599A - 一种基于全球气候模式的登陆气旋识别方法 - Google Patents
一种基于全球气候模式的登陆气旋识别方法 Download PDFInfo
- Publication number
- CN113671599A CN113671599A CN202110981255.0A CN202110981255A CN113671599A CN 113671599 A CN113671599 A CN 113671599A CN 202110981255 A CN202110981255 A CN 202110981255A CN 113671599 A CN113671599 A CN 113671599A
- Authority
- CN
- China
- Prior art keywords
- cyclone
- day
- sample
- login
- positive
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出一种基于全球气候模式的登陆气旋识别方法,对台风最频繁发生区域的数据统计降尺度,筛选出历史气旋记录,提取训练期与验证期内气旋自登陆日起至消亡的逐日气象信息,并保存为NetCDF格式文件,将NetCDF格式文件循环组合绘图。对作为正样本的逐日气象信息NetCDF文件和负样本的非气旋登入日气象信息NetCDF文件分别提取特征;利用SVM对提取出的特征进行训练,生成正负训练样本集;将验证集的正样本NetCDF文件特征与SVM训练样本中的正样本比较,验证模型效果;将未来气候情景下气压和风速的降尺度结果特征提取,并与正样本训练集的特征进行比较分析,判断气旋是否存在。本发明方法可从任意一套全球气候模式数据中识别出台风。
Description
技术领域
本发明属于气象数据领域,具体涉及一种基于全球气候模式的登陆气旋识别方法。
背景技术
气旋是发生在西北太平洋和南海海域的一种破坏力极强的灾害性天气***。目前,国内外对热带气旋的研究主要集中在路径和强度的预测上。短期预报台风和飓风等热带低气压的发生,一般是通过卫星观测和监视云的演变过程,对观测数据进行气象模型模拟。而对于这种极端灾害性天气***的长期预测,则须基于一种全球气候模式(GlobalClimate Model)的未来气候信息进行预测。“GCM”这个缩写经常被用来代指“全球气候模式”或“大气环流模式”,两种模式被广泛地应用于天气预报、理解气候、预测气候变化等方面。虽然两种模式不完全相同,但其中的“大气环流模式”通常是用来模拟气候、极端天气的工具。然而,目前人们在预报过程中常受到气候模式分辨率精度的限制,附加对台风强度变化的物理过程仍存有较多的未知信息,预测模型的整体性能将由此受到影响。除此之外,由于大气现象非线性极强,在数值预报过程中常受到多种不确定性因素干扰,在基于不同的气象模型预测的结果中通常会出现较大的偏差。基于此,气象研究人员开始逐步利用机器学习***来分析由传感器(包括气象人造卫星)收集到的庞大数据库,从中寻找新型气候模式以改善气候预测,目前已更新至CMIP6。
乔治华盛顿大学的计算机科学家Claire Monteleoni是最早将机器学***均数。通过学习模型的优缺点,这种算法能够得出比传统方法更好的结果。
随着机器学习和深度学习在图像处理领域的广泛应用,观测技术与探测手段的不断发展,特别是卫星遥感技术通过大面积、同步及非接触方式可直接获取台风数据,研究者开始普遍将此类算法运用在遥感图像上。然而,利用遥感云图的分析方法则更为适用于热带气旋的短期预测。其中,Dvorak分析法是目前较成熟的卫星云图分析法,通过人工直接分析可见光及红外线云图,获得云系中心和气旋形态相关参数,进行全天候热带气旋强度评估。但是其计算过程复杂且需要大量专业知识,主观性较强,增加了分析误差。其次,对于台风在气候变化下的长期预测与趋势分析,目前较多是通过建立SST等多种气象参数与台风潜在势能(PDI)的统计学关系,以评估未来演变规律。这种利用传统统计学方法建立大尺度多变量因子与台风活动之间的统计学模型并没有获得良好的解释效果,验证结果偏差较大。
因此,本发明人由该研究缺陷入手,借鉴Dvorak分析法中利用人工识别判断的思想,通过机器学习构架一种新型自动化识别热带气旋的工具,从全球气候模式数据中对不同气压云层中的风场,低压带进行特征提取,以实现着陆热带气旋强度的自动识别与等级分类。
发明内容
本发明的目的在于提供一种基于全球气候模式的登陆气旋识别方法,为在全球气候模式下识别此类极端天气所带来的各项参数变异频率与趋势分析奠定基础,如通过在气候模式的未来情景下识别台风以探究其导致的降雨发生频率与强度。
一种基于全球气候模式的登陆气旋识别方法,包括如下步骤:
步骤1:选取GCM,截取台风最频繁发生的7个海域与毗邻的内陆地区,划分7块矩形网格区域;
步骤2:基于Reanalysis再分析数据,分别对所述7块矩形网格区域进行统计降尺度,以获得区域气候高精度网格数据;
步骤3:利用卫星云图资料与气旋追踪数据所提供的气旋登陆时间信息,在Reanalysis再分析数据中筛选出7块分区的历史气旋记录,以7:3的比例将其分为训练集和验证集;分别提取训练阶段与验证阶段内气旋自登陆日起至消亡的逐日气象信息,并保存为逐日气象信息的NetCDF格式文件;
步骤4:将自登陆日起至消亡的逐日气象信息的NetCDF格式文件循环组合绘图,组合并统一为一个NetCDF格式的文件,绘制的每一张图中须包含台风的两种典型气象信息,即气压和风速;
步骤5:将步骤3获得的逐日气象信息的NetCDF文件定义为正样本,非气旋登入日气象信息NetCDF文件定义为负样本。
步骤6:将步骤5中的正负样本分别提取梯度的统计信息,作为正负样本的特征;
步骤7:利用SVM对步骤6中正负样本提取出的特征进行训练,生成正负训练样本集以评估分类结果的好坏;
步骤8:输入验证集的正样本NetCDF待验证图像文件,并对其进行特征提取,待验证样本特征与SVM训练样本中的正样本特征一致时,待验证样本则被认为是识别出的登陆气旋,模型验证效果显著;对于负样本验证,反之亦然。
步骤9:对于未来气候情景下的登陆气旋识别,将基于未来气候情景下气压和风速的降尺度结果绘制逐日气象信息图,并将其作为未来气候情景下的待测样本进行尺度缩放与特征提取;
步骤10:将未来气候情景下的待测试样本特征与所述步骤7中的正样本训练集的特征进行比较分析,判断识别气旋是否存在。
优选地,所述7个海域分别为北大西洋、南大西洋、东北太平洋、西北太平洋、南太平洋、北印度洋、南印度洋。
优选地,所述Reanalysis再分析数据为ERA5再分析资料,空间分辨率为10km,时间分辨率为天尺度。
优选地,逐日气象信息包括气压和风速两个变量信息。
优选地,所述步骤6中,特征提取包括三个步骤:
步骤6.1:梯度方向直方图(Hog)提取;对正负样本分别提取梯度的统计信息,将获取的梯度方向直方图作为正负样本的特征;
步骤6.2:灰度共生矩阵(GLCM)提取;通过循环计算各个方向的灰度共生矩阵并进行归一化处理,然后取平均值和方差作为最终提取的特征;
步骤6.3:特征合并;编写一个特征提取函数,将所述步骤6.1中的梯度方向直方图特征和步骤6.2中的灰度共生矩阵特征合并成一个向量作为特征矩阵的一行,即一张气旋特征图像的特征向量;函数的输入为整理过的训练集和验证集,输出为训练集的特征、标签和验证集的特征、标签。
更优选地,将每张图片所处的文件夹的名字作为该图像的标签,并与特征向量顺序相对应,从而完成样本的标签构建。
优选地,所述步骤7中,SVM支持向量机在训练阶段使用fitcecoc函数,验证阶段使用predict函数预测结果。
优选地,函数classifier为训练得到的SVM分类器,利用该分类器以及验证集特征向量预测验证集的标签predictLabels,可以将predictLabels与实际的验证标签进行对比即可评估预测结果的好坏。
具体地,通过计算混淆矩阵对角线上的值占每行总数的比值得出分类正确率来评价分类的好坏。
具体地,所述步骤10中,当判断气旋是否存在后,通过当日风速获取气旋强度等级。
本发明的有益效果在于:本发明方法可从任意一套全球气候模式数据中分类识别出台风,为在全球气候模式下识别此类极端天气所带来的各项参数变异频率与趋势分析奠定基础。有利于在长期气候模式的未来情景下识别台风,以探究其导致的极端降雨、各项变量指标所发生的频率与强度。
附图说明
图1是本发明提出的一种基于全球气候模式的登陆气旋识别方法的具体实施流程图;
图2是本发明提出的气旋频发7个海域与毗邻内陆地区的研究区域图;
图3(a)和3(b)分别是本发明实施例中近地表风速(m/s)超过17m/s的热带低压气旋特征提取图和近地表850hPa热带低压涡旋/气旋特征提取图。
具体实施方式
下面结合附图,对实施例作详细说明。
如图1所示,为本发明提出的一种基于全球气候模式的登陆气旋识别方法,具体包括以下步骤:
步骤1:选取GCM,截取台风最频繁发生的7个海域与毗邻的内陆地区,划分7块矩形网格区域。
图2示出了本发明实施例中划分的7个海域与毗邻内陆地区的研究区域。7个海域分别为北大西洋(NA),南大西洋(SA),东北太平洋(EP),西北太平洋(WP),南太平洋(SP),北印度洋(NI),南印度洋(SI)。
步骤2:基于Reanalysis再分析数据,分别对7块GCM矩形网格区域分区进行统计降尺度,以获得区域气候高精度网格数据。
优选的,Reanalysis再分析数据为ERA5再分析资料,空间分辨率选择10km,时间分辨率选择天尺度。
步骤3:利用卫星云图资料与气旋追踪数据所提供的气旋登陆时间信息,在Reanalysis再分析数据中筛选出7块分区的历史气旋记录,以7:3的比例将其分为训练集和验证集。分别提取训练阶段与验证阶段内气旋自登陆日起至消亡的逐日气象信息,并保存为逐日气象信息的NetCDF格式文件。
逐日气象信息包括气压和风速2个变量信息,其信息也是分别保存。
步骤4:将自登陆日起至消亡的逐日气象信息的NetCDF格式文件循环组合绘图,具体的是通过叠加台风的逐日气压图与风速图,组合并统一为一个NetCDF格式的文件。
绘制的每一张图中须包含台风的两种典型气象信息,即气压和风速。气压和风速两变量在数值上分别呈现明显负相关关系,即由气旋外圈至内核,风速逐渐升高时,气压逐渐降低。
步骤5:将步骤3获得的逐日气象信息的NetCDF文件定义为正样本,非气旋登入日气象信息NetCDF文件定义为负样本。负样本同样分训练阶段和验证阶段。
步骤6:将步骤5中的正负样本分别提取梯度的统计信息,作为正负样本的特征。
本发明中特征提取包括三个步骤:
步骤6.1:Hog(梯度方向直方图)提取:对正负样本分别提取梯度的统计信息,将获取的梯度方向直方图(Histogram of Oriented Gradients)作为正负样本的特征。梯度方向直方图的特征提取主要是检索纹理特征,由于颜色信息在提取过程中不具有可利用性,可将彩色图转为灰度图;计算气旋特征图像在每个像素的水平方向和竖直方向的梯度与每个像素位置的梯度大小和方向,捕获轮廓信息值,图像在某个像素点(x,y)处的水平方向和竖直方向的梯度值可表达为:
Gx(x,y)和Gy(x,y)分别表示像素点(x,y)处的水平方向和竖直方向的梯度值。
获取的像素点(x,y)处梯度幅值和梯度方向为:
▽G(x,y)表示像素点(x,y)处梯度幅值,θ(x,y)表示像素点(x,y)处梯度方向。
统计每个细胞单元的梯度直方图(不同梯度的个数),形成每个细胞单元的描述子,将每几个细胞单元组成一个统计块,统计块内所有细胞单元的特征串联起来得到该统计块的梯度方向直方图特征描述子。由于局部光照的变化,以及前景背景对比度的变化,促使梯度强度的变化范围较大。这就需要对梯度做局部对比度归一化。因此,可针对梯度进行局部对比度的归一化过程,一般使用L2-norm。一幅图像可以无重叠的划分为多个统计窗口,统计窗口由多个统计块串联。将所得的所有统计窗口的特征向量串联起来即形成了整幅图像的梯度直方图特征。如果统计窗口的大小和图像的大小相同,那么统计窗口的梯度直方图特征就是整幅图像的Hog特征,这也是最终分类使用的特征向量。
步骤6.2:GLCM(灰度共生矩阵)提取:通过循环计算各个方向(如0、45、90、135度)的灰度共生矩阵并进行归一化处理(计算对比度、逆差距、熵、自相关),然后取平均值和方差作为最终提取的特征。
归一化处理的目的为了消除光照等干扰因素对检测***稳定性的影响。归一化过程需要对图像进行Gamma校正,以完成对整个图像的归一化,目的是调节图像的对比度,降低局部光照和阴影所造成的影响,同时也可以降低噪音的干扰;Gamma校正映射公式如下(受r值得影响,一般取1/2):
G(x,y)=F(x,y)1/r (3)
新建GLCM特征提取函数,设置输入为彩色图像转换后的灰度图像矩阵,输出为提取后的灰度共生矩阵特征;
步骤6.3:特征合并。编写一个特征提取函数,将函数设置成输入为整理过的训练集和验证集,输出为训练集的特征、标签和验证集的特征、标签。这个函数的功能是将步骤6.1中的梯度方向直方图特征(Hog)和步骤6.2中的灰度共生矩阵特征(GLCM)合并成一个向量作为特征矩阵的一行,即一张气旋特征图像的特征向量。样本的标签构建则将每张图片所处的文件夹的名字作为该图像的标签,并与特征向量顺序相对应。
步骤7:利用SVM对正负样本提取出的特征进行训练,生成正负训练样本集以评估分类结果的好坏。
调用前面的特征提取函数,得到训练和验证用的特征向量与对应的标签,便可以进行SVM的训练和验证。SVM支持向量机在训练阶段可以使用fitcecoc函数,验证阶段可以用predict函数预测结果。函数classifier为训练得到的SVM分类器,利用该分类器以及验证集特征向量预测验证集的标签predictLabels,可以将predictLabels与实际的验证标签进行对比即可评估预测结果的好坏。
评价分类的好坏可以通过混淆矩阵,通过计算混淆矩阵对角线上的值占每行总数的比值得出分类正确率。
步骤8:输入验证集的正样本NetCDF待验证图像文件,并对其进行特征提取,待验证样本特征与SVM训练样本中的正样本特征一致时,待验证样本则被认为是识别出的登陆气旋,模型验证效果显著。对于负样本检测,反之亦然。
若在验证阶段出现识别不一致现象,则为模型误差。
步骤9:对于未来气候情景下的登陆气旋识别,区别于步骤8的已知样本验证集,在此将基于气候情景下气压和风速的降尺度结果绘制逐日气象信息图,并将其作为未来气候情景下的待测试样本进行尺度缩放与特征提取。
其中,未来不同气候情景可为,RCP4.5、RCP8.5、SSP245或SSP585等,依据不同类型的数据集以确定相应情景。附图3(a)为近地表风速(m/s)超过17m/s的热带低压气旋特征提取图,3(b)为近地表850hPa热带低压涡旋/气旋特征提取图。台风中心为区域尺度范围内的最低气压,小于1000hPa;中心风圈与***风场风速明显存在差异,中心为大风区;区域尺度范围内最大风速超过17m/s;850hPa气压层的最大风速高于300hPa气压层的最大风速。
步骤10:将未来气候情景下的待测试样本特征与步骤7中的正样本训练特征进行比较分析,判断识别气旋是否存在,并可通过当日风速获取气旋强度等级。
此实施例仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于全球气候模式的登陆气旋识别方法,包括以下步骤:
步骤1:选取GCM,截取台风最频繁发生的7个海域与毗邻的内陆地区,划分7块矩形网格区域;
步骤2:基于Reanalysis再分析数据,分别对所述7块矩形网格区域进行统计降尺度,以获得区域气候高精度网格数据;
步骤3:利用卫星云图资料与气旋追踪数据所提供的气旋登陆时间信息,在Reanalysis再分析数据中筛选出7块分区的历史气旋记录,以7:3的比例将其分为训练集和验证集;分别提取训练阶段与验证阶段内气旋自登陆日起至消亡的逐日气象信息,并保存为逐日气象信息的NetCDF格式文件;
步骤4:将自登陆日起至消亡的逐日气象信息的NetCDF格式文件循环组合绘图,组合并统一为一个NetCDF格式的文件,绘制的每一张图中须包含台风的两种典型气象信息,即气压和风速;
步骤5:将步骤3获得的逐日气象信息的NetCDF文件定义为正样本,非气旋登入日气象信息NetCDF文件定义为负样本。
步骤6:将步骤5中的正负样本分别提取梯度的统计信息,作为正负样本的特征;
步骤7:利用SVM对步骤6中正负样本提取出的特征进行训练,生成正负训练样本集以评估分类结果的好坏;
步骤8:输入验证集的正样本NetCDF待验证图像文件,并对其进行特征提取,待验证样本特征与SVM训练样本中的正样本特征一致时,待验证样本则被认为是识别出的登陆气旋,模型验证效果显著;对于负样本验证,反之亦然;
步骤9:对于未来气候情景下的登陆气旋识别,将基于未来气候情景下气压和风速的降尺度结果绘制逐日气象信息图,并将其作为未来气候情景下的待测样本进行尺度缩放与特征提取;
步骤10:将未来气候情景下的待测试样本特征与所述步骤7中的正样本训练集的特征进行比较分析,判断识别气旋是否存在。
2.根据权利要求1所述的一种基于全球气候模式的登陆气旋识别方法,其特征在于:所述7个海域分别为北大西洋、南大西洋、东北太平洋、西北太平洋、南太平洋、北印度洋、南印度洋。
3.根据权利要求1所述的一种基于全球气候模式的登陆气旋识别方法,其特征在于:所述Reanalysis再分析数据为ERA5再分析资料,空间分辨率为10km,时间分辨率为天尺度。
4.根据权利要求1所述的一种基于全球气候模式的登陆气旋识别方法,其特征在于:逐日气象信息包括气压和风速两个变量信息。
5.根据权利要求1所述的一种基于全球气候模式的登陆气旋识别方法,其特征在于,所述步骤6中,特征提取包括三个步骤:
步骤6.1:梯度方向直方图(Hog)提取;对正负样本分别提取梯度的统计信息,将获取的梯度方向直方图作为正负样本的特征;
步骤6.2:灰度共生矩阵(GLCM)提取;通过循环计算各个方向的灰度共生矩阵并进行归一化处理,然后取平均值和方差作为最终提取的特征;
步骤6.3:特征合并;编写一个特征提取函数,将所述步骤6.1中的梯度方向直方图特征和步骤6.2中的灰度共生矩阵特征合并成一个向量作为特征矩阵的一行,即一张气旋特征图像的特征向量;函数的输入为整理过的训练集和验证集,输出为训练集的特征、标签和验证集的特征、标签。
6.根据权利要求5所述的一种基于全球气候模式的登陆气旋识别方法,其特征在于,将每张图片所处的文件夹的名字作为该图像的标签,并与特征向量顺序相对应,从而完成样本的标签构建。
7.根据权利要求1或5所述的一种基于全球气候模式的登陆气旋识别方法,其特征在于,所述步骤7中,SVM支持向量机在训练阶段使用fitcecoc函数,验证阶段使用predict函数预测结果。
8.根据权利要求7所述的一种基于全球气候模式的登陆气旋识别方法,其特征在于,函数classifier为训练得到的SVM分类器,利用该分类器以及验证集特征向量预测验证集的标签predictLabels,可以将predictLabels与实际的验证标签进行对比即可评估预测结果的好坏。
9.根据权利要求8所述的一种基于全球气候模式的登陆气旋识别方法,其特征在于,通过计算混淆矩阵对角线上的值占每行总数的比值得出分类正确率来评价分类的好坏。
10.根据权利要求1所述的一种基于全球气候模式的登陆气旋识别方法,其特征在于,所述步骤10中,当判断气旋是否存后,通过当日风速获取气旋强度等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110981255.0A CN113671599A (zh) | 2021-08-25 | 2021-08-25 | 一种基于全球气候模式的登陆气旋识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110981255.0A CN113671599A (zh) | 2021-08-25 | 2021-08-25 | 一种基于全球气候模式的登陆气旋识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113671599A true CN113671599A (zh) | 2021-11-19 |
Family
ID=78546107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110981255.0A Pending CN113671599A (zh) | 2021-08-25 | 2021-08-25 | 一种基于全球气候模式的登陆气旋识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113671599A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115793099A (zh) * | 2022-07-26 | 2023-03-14 | 中国地质大学(武汉) | 登陆热带气旋强度衰减识别及其对降雨影响的评估方法 |
CN117408511A (zh) * | 2023-10-16 | 2024-01-16 | 中国地质大学(武汉) | 台风诱发特大暴雨事件发生概率的归因方法,介质及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104570161A (zh) * | 2015-01-21 | 2015-04-29 | 中国南方电网有限责任公司 | 基于ec/jma全球格点预报资料的台风自动化预报方法 |
CN109902885A (zh) * | 2019-04-09 | 2019-06-18 | 中国人民解放军国防科技大学 | 基于深度学习混合cnn-lstm模型的台风预测方法 |
CN110033132A (zh) * | 2019-03-29 | 2019-07-19 | 中国人民解放军空军研究院战场环境研究所 | 基于深度目标检测和数值天气预报的热带气旋预报方法 |
US20200356839A1 (en) * | 2019-05-09 | 2020-11-12 | ClimateAI, Inc. | Systems and methods for selecting global climate simulation models for training neural network climate forecasting models |
CN112509285A (zh) * | 2020-11-14 | 2021-03-16 | 韩瑞 | 基于cnn的全球台风报文收集方法及收集*** |
-
2021
- 2021-08-25 CN CN202110981255.0A patent/CN113671599A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104570161A (zh) * | 2015-01-21 | 2015-04-29 | 中国南方电网有限责任公司 | 基于ec/jma全球格点预报资料的台风自动化预报方法 |
CN110033132A (zh) * | 2019-03-29 | 2019-07-19 | 中国人民解放军空军研究院战场环境研究所 | 基于深度目标检测和数值天气预报的热带气旋预报方法 |
CN109902885A (zh) * | 2019-04-09 | 2019-06-18 | 中国人民解放军国防科技大学 | 基于深度学习混合cnn-lstm模型的台风预测方法 |
US20200356839A1 (en) * | 2019-05-09 | 2020-11-12 | ClimateAI, Inc. | Systems and methods for selecting global climate simulation models for training neural network climate forecasting models |
CN112509285A (zh) * | 2020-11-14 | 2021-03-16 | 韩瑞 | 基于cnn的全球台风报文收集方法及收集*** |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115793099A (zh) * | 2022-07-26 | 2023-03-14 | 中国地质大学(武汉) | 登陆热带气旋强度衰减识别及其对降雨影响的评估方法 |
CN115793099B (zh) * | 2022-07-26 | 2024-05-14 | 中国地质大学(武汉) | 登陆热带气旋强度衰减识别及其对降雨影响的评估方法 |
CN117408511A (zh) * | 2023-10-16 | 2024-01-16 | 中国地质大学(武汉) | 台风诱发特大暴雨事件发生概率的归因方法,介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106127725B (zh) | 一种基于多分辨率cnn的毫米波雷达云图分割方法 | |
CN104751478B (zh) | 一种基于多特征融合的面向对象的建筑物变化检测方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN113240688A (zh) | 一种一体化洪涝灾害精准监测预警方法 | |
Ghorbanzadeh et al. | Dwelling extraction in refugee camps using cnn–first experiences and lessons learnt | |
CN109657610A (zh) | 一种高分辨率多源遥感影像的土地利用变化检测方法 | |
CN103632363A (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
CN109766936A (zh) | 基于信息传递和注意力机制的图像变化检测方法 | |
CN102054274A (zh) | 一种海岸带水体遥感信息全自动提取方法 | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN113671599A (zh) | 一种基于全球气候模式的登陆气旋识别方法 | |
CN111507296A (zh) | 基于无人机遥感与深度学习的违章建筑智能化提取方法 | |
CN111339827A (zh) | 基于多区域卷积神经网络的sar图像变化检测方法 | |
CN112232328A (zh) | 基于卷积神经网络的遥感影像建筑区提取方法、装置 | |
CN111937016B (zh) | 一种基于街景图片及机器学习的城市内部贫困空间测度方法及*** | |
CN105205816A (zh) | 多特征加权融合的高分辨率sar影像建筑区提取方法 | |
CN114359702A (zh) | 一种基于Transformer的宅基地遥感图像违建识别方法及*** | |
CN106709515A (zh) | 一种适用于下视景象匹配选区准则干预方法 | |
CN112347926B (zh) | 基于建筑形态分布的高分辨率影像城中村检测方法 | |
CN114022782A (zh) | 一种基于modis卫星数据的海雾探测方法 | |
CN112084941A (zh) | 一种基于遥感图像的目标检测与识别方法 | |
CN115497006B (zh) | 基于动态混合策略的城区遥感图像变化深度监测方法及*** | |
CN114941890B (zh) | 一种基于图像和深度模糊的中央空调故障诊断方法及*** | |
CN113673534B (zh) | 一种基于Faster RCNN的RGB-D图像果实检测方法 | |
CN113008226B (zh) | 基于门控循环神经网络和粒子滤波的地磁室内定位方法 |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20230616 |
|
AD01 | Patent right deemed abandoned |