CN116680604A - 强对流特征分类识别方法、电子设备及介质 - Google Patents
强对流特征分类识别方法、电子设备及介质 Download PDFInfo
- Publication number
- CN116680604A CN116680604A CN202310480831.2A CN202310480831A CN116680604A CN 116680604 A CN116680604 A CN 116680604A CN 202310480831 A CN202310480831 A CN 202310480831A CN 116680604 A CN116680604 A CN 116680604A
- Authority
- CN
- China
- Prior art keywords
- storm
- strong
- identification
- machine learning
- convection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000001556 precipitation Methods 0.000 claims abstract description 36
- 238000010801 machine learning Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 239000007788 liquid Substances 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003908 quality control method Methods 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 5
- 238000013213 extrapolation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process 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
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开了一种强对流特征分类识别方法、电子设备及介质。该方法包括:获取样本数据;采用基于数字识别的三维风暴体识别技术进行风暴识别;风暴识别完成后,提取风暴属性,对样本数据进行均衡化和归一化处理进行机器学***提供技术支持。
Description
技术领域
本发明涉及短时强降水和对流大风两类风暴识别领域,更具体地,涉及一种强对流特征分类识别方法、电子设备及介质。
背景技术
暴雨和对流灾害频发地的恶劣天气往往给人民群众生产生活带来巨大影响,风暴识别跟踪是监测、预测恶劣天气监视行动的重要组成部分。受不同地域、不同下垫面等的影响,通用的风暴识别算法从适用性角度并不能满足现今需求,因此,有必要开发一种基于机器学习和模糊逻辑算法的融合模型的华南强对流特征分类识别方法、电子设备及介质。
公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提出了一种强对流特征分类识别方法、电子设备及介质,基于机器学***提供技术支持。
第一方面,本公开实施例提供了一种强对流特征分类识别方法,包括:
获取样本数据;
采用基于数字识别的三维风暴体识别技术进行风暴识别;
风暴识别完成后,提取风暴属性,对所述样本数据进行均衡化和归一化处理,采用xgboost模型进行机器学习训练,获得机器学习模型;
根据所述风暴属性构建短时强降水与雷暴大风的模糊逻辑算法;
分别根据所述机器学习模型与所述模糊逻辑算法识别强天气概率;
按照权重将所述机器学习模型与所述模糊逻辑算法识别的强天气概率进行融合,获得最终强天气概率。
优选地,所述样本数据包括自动站逐小时雨量、瞬时风速数据和双极化天气雷达逐6分钟基数据。
优选地,对自动站雨量数据进行时空一致性检验,同时对雷达基数据进行质量控制,经预处理后的数据即为样本数据,用于后续的风暴标识识别、算法预处理和模型构建。
优选地,针对风暴基本反射率因子阈值≥40dBZ的风暴进行识别,过滤掉面积小于10平方公里的风暴。
优选地,所识别的风暴10km范围内存在至少1个小时降水>=20mm的站点同时至少存在另一个小时降水>=10mm的站点则标记当前为短时强降水风暴;
风暴40km范围存在瞬时风速>13.9m/s且10km范围内存在小时降水超过5mm的站点,则标记当前风暴为雷暴大风风暴。
优选地,所述风暴属性包括风暴累计液态水含量、风暴移动速度、风暴的cc、kdp、风暴面积、回波顶高、回波底高、8km以上最强回波、3km以下最强回波、平均回波强度、最强回波所在高度、三维风暴属性。
优选地,基于所述风暴累计液态水含量、所述风暴面积、所述风暴移动速度、风暴最强回波、所述最强回波所在高度构造短时强降水风暴和雷暴大风风暴的模糊逻辑算法。
优选地,通过logloss的度量方式及20轮的早停策略对所述机器学习模型进行训练。
作为本公开实施例的一种具体实现方式,
第二方面,本公开实施例还提供了一种电子设备,该电子设备包括:
存储器,存储有可执行指令;
处理器,所述处理器运行所述存储器中的所述可执行指令,以实现所述的强对流特征分类识别方法。
第三方面,本公开实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现所述的强对流特征分类识别方法。
本发明的方法和装置具有其它的特性和优点,这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的,或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述,这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中,在本发明示例性实施例中,相同的参考标号通常代表相同部件。
图1示出了根据本发明的一个实施例的强对流特征分类识别方法的步骤的流程图。
图2示出了根据本发明的一个实施例的机器学习结果和模糊逻辑算法结果按权重概率融合方法流程的示意图。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。
为便于理解本发明实施例的方案及其效果,以下给出三个具体应用示例。本领域技术人员应理解,该示例仅为了便于理解本发明,其任何具体细节并非意在以任何方式限制本发明。
实施例1
图1示出了根据本发明的一个实施例的强对流特征分类识别方法的步骤的流程图。
如图1所示,该强对流特征分类识别方法包括:步骤101,获取样本数据;步骤102,采用基于数字识别的三维风暴体识别技术进行风暴识别;步骤103,风暴识别完成后,提取风暴属性,对样本数据进行均衡化和归一化处理,采用xgboost模型进行机器学习训练,获得机器学习模型;步骤104,根据风暴属性构建短时强降水与雷暴大风的模糊逻辑算法;步骤105,分别根据机器学习模型与模糊逻辑算法识别强天气概率;步骤106,按照权重将机器学习模型与模糊逻辑算法识别的强天气概率进行融合,获得最终强天气概率。
在一个实例中,样本数据包括自动站逐小时雨量、瞬时风速数据和双极化天气雷达逐6分钟基数据。
在一个实例中,对自动站雨量数据进行时空一致性检验,同时对雷达基数据进行质量控制,经预处理后的数据即为样本数据,用于后续的风暴标识识别、算法预处理和模型构建。
在一个实例中,针对风暴基本反射率因子阈值≥40dBZ的风暴进行识别,过滤掉面积小于10平方公里的风暴。
在一个实例中,所识别的风暴10km范围内存在至少1个小时降水>=20mm的站点同时至少存在另一个小时降水>=10mm的站点则标记当前为短时强降水风暴;
风暴40km范围存在瞬时风速>13.9m/s且10km范围内存在小时降水超过5mm的站点,则标记当前风暴为雷暴大风风暴。
在一个实例中,风暴属性包括风暴累计液态水含量、风暴移动速度、风暴的cc、kdp、风暴面积、回波顶高、回波底高、8km以上最强回波、3km以下最强回波、平均回波强度、最强回波所在高度、三维风暴属性。
在一个实例中,基于风暴累计液态水含量、风暴面积、风暴移动速度、风暴最强回波、最强回波所在高度构造短时强降水风暴和雷暴大风风暴的模糊逻辑算法。
在一个实例中,通过logloss的度量方式及20轮的早停策略对机器学习模型进行训练。
具体地,随着科学技术的不断发展,机器学习和模糊逻辑算法逐渐被应用到气象行业,机器学习通过对大量数据进行训练,不断总结归纳,可以形成有特定规律的天气模型;而基于双极化雷达数据的模糊逻辑算法则通过输入水凝物粒子的双极化参量更有利于识别天气***的相态、种类等与风暴相关的重要微物理特征,但目前这些双极化优势还未应用到风暴识别跟踪业务中。
输入自动站逐小时雨量、瞬时风速数据和双极化天气雷达逐6分钟基数据,自动站雨量数据进行时空一致性检验,同时对雷达基数据进行质量控制,获得样本数据;当筛选后的自动站小时降水≥20mm时,将该站点标记为强降水站点;当筛选后得自动站瞬时风速≥10.8m/s时,将该站标记为大风站点。
采用基于数字识别的三维风暴体识别技术进行风暴识别,对雷达探测数据(笛卡尔坐标系中)使用计算机形态学技术中的二值化、开运算、闭运算、连通区域处理,识别风暴基本反射率因子阈值≥40dBZ的风暴进行识别同时在识别过程中过滤掉面积小于10平方公里的风暴;所识别的风暴10km范围内存在至少1个小时降水>=20mm的站点同时至少存在另一个小时降水>=10mm的站点则标记当前为短时强降水风暴;风暴40km范围存在瞬时风速>13.9m/s且10km范围内存在小时降水超过5mm的站点,则标记当前风暴为雷暴大风风暴。
风暴识别完成后,计算风暴的cc、kdp、风暴面积、回波顶高、回波底高、8km以上最强回波、3km以下最强回波、平均回波强度、三维风暴属性等160个风暴属性,来标识一个风暴;采用EasyEnsemble思想对样本数据进行均衡化和归一化处理:将多数类样本随机划分成n份,每份的数据等于少数类样本的数量,然后对这n份数据分别训练模型,最后集成模型结果。
使用标准化后的样本训练xgboost模型:采用logloss的度量方式及20轮的早停策略,对短时强降水风暴、雷暴大风风暴模型进行训练,获得机器学习模型。
通过风暴属性构建短时强降水与雷暴大风的模糊逻辑算法,模糊逻辑算法采用的物理量以及配置如表1所示。
表1
图2示出了根据本发明的一个实施例的机器学习结果和模糊逻辑算法结果按权重概率融合方法流程的示意图。
如图2所示,分别根据机器学习模型与模糊逻辑算法识别强天气概率;按照8:2的权重将机器学习模型与模糊逻辑算法识别的强天气概率进行融合,获得最终强天气概率。
为更好的说明本发明一种基于机器学习和模糊逻辑算法的融合模型的华南强对流特征分类识别方法,下面将对本发明进行评估:
评估所采用方法为用命中率(POD)、虚警率(FAR)和准确率(ACC)自动检测算法。具体公式如下:
其中,a为命中次数,c为空报次数,b为漏报次数,d为负样本命中次数;实例中使用本方法检测为短时强降水风暴,结合自动站数据,风暴10km内存在小时降水>=20mm有效站点,则为命中,否则为空报,检测为非短时强降水风暴,风暴10km内是存在小时降水>=20mm有效站点,则为漏报,否则为负样本命中;同理,实例中使用本方法检测为雷暴大风风暴,结合自动站数据,风暴40km内存在瞬时风速>=13.9m/s且10km内存在小时降水>=5mm有效站点,则为命中,否则为空报,检测为非雷暴大风风暴,风暴40km内存在瞬时风速>=13.9m/s且10km内存在小时降水>=5mm有效站点,则为漏报,否则为负样本命中。
在一次实例中,使用光流法进行雷达回波外推,同时检测外推1小时的评估结果;
在短时强降雨风暴识别中,本方法的命中率(POD)、虚警率(FAR)和准确率(ACC)分布为1.0,0.25,0.8,外推一小时后为0.8,0.0,0.8。
在雷暴大风风暴识别中,本方法的命中率(POD)、虚警率(FAR)和准确率(ACC)分布为1.0,0.1,0.92,外推一小时后为0.73,0.0,0.75。
本发明构建了适应于短时强降水和对流大风两类风暴的智能识别模型,性能表现可满足华南灾害性天气预警预报的技术要求。
实施例2
本公开提供一种电子设备包括,该电子设备包括:存储器,存储有可执行指令;处理器,处理器运行存储器中的可执行指令,以实现上述强对流特征分类识别方法。
根据本公开实施例的电子设备包括存储器和处理器。
该存储器用于存储非暂时性计算机可读指令。具体地,存储器可以包括一个或多个计算机程序产品,该计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。该非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
该处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制电子设备中的其它组件以执行期望的功能。在本公开的一个实施例中,该处理器用于运行该存储器中存储的该计算机可读指令。
本领域技术人员应能理解,为了解决如何获得良好用户体验效果的技术问题,本实施例中也可以包括诸如通信总线、接口等公知的结构,这些公知的结构也应包含在本公开的保护范围之内。
有关本实施例的详细说明可以参考前述各实施例中的相应说明,在此不再赘述。
实施例3
本公开实施例提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现所述的强对流特征分类识别方法。
根据本公开实施例的计算机可读存储介质,其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时,执行前述的本公开各实施例方法的全部或部分步骤。
上述计算机可读存储介质包括但不限于:光存储介质(例如:CD-ROM和DVD)、磁光存储介质(例如:MO)、磁存储介质(例如:磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如:存储卡)和具有内置ROM的媒体(例如:ROM盒)。
本领域技术人员应理解,上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果,并不意在将本发明的实施例限制于所给出的任何示例。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (10)
1.一种强对流特征分类识别方法,其特征在于,包括:
获取样本数据;
采用基于数字识别的三维风暴体识别技术进行风暴识别;
风暴识别完成后,提取风暴属性,对所述样本数据进行均衡化和归一化处理,采用xgboost模型进行机器学习训练,获得机器学习模型;
根据所述风暴属性构建短时强降水与雷暴大风的模糊逻辑算法;
分别根据所述机器学习模型与所述模糊逻辑算法识别强天气概率;
按照权重将所述机器学习模型与所述模糊逻辑算法识别的强天气概率进行融合,获得最终强天气概率。
2.根据权利要求1所述的强对流特征分类识别方法,其中,所述样本数据包括自动站逐小时雨量、瞬时风速数据和双极化天气雷达逐6分钟基数据。
3.根据权利要求2所述的强对流特征分类识别方法,其中,对自动站雨量数据进行时空一致性检验,同时对雷达基数据进行质量控制,经预处理后的数据即为样本数据,用于后续的风暴标识识别、算法预处理和模型构建。
4.根据权利要求1所述的强对流特征分类识别方法,其中,针对风暴基本反射率因子阈值≥40dBZ的风暴进行识别,过滤掉面积小于10平方公里的风暴。
5.根据权利要求4所述的强对流特征分类识别方法,其中,所识别的风暴10km范围内存在至少1个小时降水>=20mm的站点同时至少存在另一个小时降水>=10mm的站点则标记当前为短时强降水风暴;
风暴40km范围存在瞬时风速>13.9m/s且10km范围内存在小时降水超过5mm的站点,则标记当前风暴为雷暴大风风暴。
6.根据权利要求1所述的强对流特征分类识别方法,其中,所述风暴属性包括风暴累计液态水含量、风暴移动速度、风暴的cc、kdp、风暴面积、回波顶高、回波底高、8km以上最强回波、3km以下最强回波、平均回波强度、最强回波所在高度、三维风暴属性。
7.根据权利要求6所述的强对流特征分类识别方法,其中,基于所述风暴累计液态水含量、所述风暴面积、所述风暴移动速度、风暴最强回波、所述最强回波所在高度构造短时强降水风暴和雷暴大风风暴的模糊逻辑算法。
8.根据权利要求1所述的强对流特征分类识别方法,其中,通过logloss的度量方式及20轮的早停策略对所述机器学习模型进行训练。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有可执行指令;
处理器,所述处理器运行所述存储器中的所述可执行指令,以实现权利要求1-8中任一项所述的强对流特征分类识别方法。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现权利要求1-8中任一项所述的强对流特征分类识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310480831.2A CN116680604A (zh) | 2023-04-28 | 2023-04-28 | 强对流特征分类识别方法、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310480831.2A CN116680604A (zh) | 2023-04-28 | 2023-04-28 | 强对流特征分类识别方法、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116680604A true CN116680604A (zh) | 2023-09-01 |
Family
ID=87788058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310480831.2A Pending CN116680604A (zh) | 2023-04-28 | 2023-04-28 | 强对流特征分类识别方法、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116680604A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117908166A (zh) * | 2024-03-18 | 2024-04-19 | 南京气象科技创新研究院 | 基于机器学习的强降水超级单体识别预警方法 |
-
2023
- 2023-04-28 CN CN202310480831.2A patent/CN116680604A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117908166A (zh) * | 2024-03-18 | 2024-04-19 | 南京气象科技创新研究院 | 基于机器学习的强降水超级单体识别预警方法 |
CN117908166B (zh) * | 2024-03-18 | 2024-05-24 | 南京气象科技创新研究院 | 基于机器学习的强降水超级单体识别预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111796343B (zh) | 一种基于人工智能算法的强对流天气短时临近识别方法 | |
CN104036239B (zh) | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 | |
CN101975940B (zh) | 基于分割组合的sar图像自适应恒虚警率目标检测方法 | |
CN111352113B (zh) | 一种强对流天气短临预报方法及***、存储介质和终端 | |
CN104237890B (zh) | 一种由“列车效应”引起的暴雨识别及预报方法 | |
CN114782897A (zh) | 基于机器视觉及深度学习的危险行为检测方法及*** | |
CN109164450B (zh) | 一种基于多普勒雷达数据的下击暴流预测方法 | |
CN112819821B (zh) | 一种细胞核图像检测方法 | |
CN116680604A (zh) | 强对流特征分类识别方法、电子设备及介质 | |
CN113221804B (zh) | 一种基于监控视频的乱堆物料检测方法、装置及应用 | |
CN113255580A (zh) | 抛洒物识别、车辆抛洒滴漏识别方法和装置 | |
CN114743181A (zh) | 一种道路车辆目标检测方法、***、电子设备及存储介质 | |
CN113933845A (zh) | 一种基于双线偏振雷达的地面降雹识别和预警方法 | |
CN115619778A (zh) | 一种电力设备缺陷识别方法、***、可读存储介质及设备 | |
CN114895302A (zh) | 城市道路路基病害快速探测的方法及装置 | |
CN110687618B (zh) | 一种多单体对流***短时强降水事件的自动临近预报方法 | |
CN117523420B (zh) | 一种基于雷达产品数据的闪电落区识别方法及*** | |
CN111723664A (zh) | 一种用于开放式区域的行人计数方法及*** | |
CN114019503A (zh) | 基于fod检测***的机场跑道异物检测方法、设备、存储介质 | |
CN116911620B (zh) | 台风全生命周期风险评估预警方法、装置及电子设备 | |
CN112348750B (zh) | 基于阈值融合和邻域投票的sar图像变化检测方法 | |
CN114462469A (zh) | 目标检测模型的训练方法、目标检测方法及相关装置 | |
CN113870224A (zh) | 一种洪水监测方法、***、设备和介质 | |
CN116704366A (zh) | 基于transformer深度学习模型的暴雨落区识别预警方法和装置 | |
CN112734699A (zh) | 物品状态告警方法、装置、存储介质及电子装置 |
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 |