-
公开(公告)号：CN119106949A
公开(公告)日：2024-12-10
申请号：CN202411589294.6
申请日：2024-11-08
Applicant: 南京气象科技创新研究院
IPC: G06Q10/0637 , G01W1/10 , G01W1/18 , G06Q50/26 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了融合精细地形特征的延伸期降水连续分布概率预报方法，包括：获取标准化的延伸期数值模式集合预报系统多成员多要素预报数据以及区域历史长时间序列降水观测数据，并提取历史降水连续分布特征；基于区域高分辨率精细地形数据，得到去尺度化的关键地形多维特征因子库；构建极限梯度提升U‑Net混合深度学习降水概率预报模型，并展开模型训练和优化；采用训练好的模型，产生改进的延伸期降水连续分布概率预报结果。本发明融合了精细地形数据，采用了加权交叉熵损失函数，有效处理了降水分布类别不平衡问题，提升了模型的泛化能力，改进了降水连续分布概率预报的预报性能，具有极高的应用价值。
-
公开(公告)号：CN119106949B
公开(公告)日：2025-02-14
申请号：CN202411589294.6
申请日：2024-11-08
Applicant: 南京气象科技创新研究院
IPC: G06Q10/0637 , G01W1/10 , G01W1/18 , G06Q50/26 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了融合精细地形特征的延伸期降水连续分布概率预报方法，包括：获取标准化的延伸期数值模式集合预报系统多成员多要素预报数据以及区域历史长时间序列降水观测数据，并提取历史降水连续分布特征；基于区域高分辨率精细地形数据，得到去尺度化的关键地形多维特征因子库；构建极限梯度提升U‑Net混合深度学习降水概率预报模型，并展开模型训练和优化；采用训练好的模型，产生改进的延伸期降水连续分布概率预报结果。本发明融合了精细地形数据，采用了加权交叉熵损失函数，有效处理了降水分布类别不平衡问题，提升了模型的泛化能力，改进了降水连续分布概率预报的预报性能，具有极高的应用价值。
-
公开(公告)号：CN118445720B
公开(公告)日：2025-03-18
申请号：CN202410652944.0
申请日：2024-05-24
Applicant: 南京信息工程大学
IPC: G06F18/2431 , G06F18/23213 , G06F18/213 , G06F18/214 , G06F18/22 , G06N3/0464 , G06N3/084 , G01W1/02 , G01W1/10
Abstract: 本发明公开了一种基于神经网络对比学习的极端低温雨雪复合事件的识别方法，包括以下步骤：（1）获取极端低温雨雪复合事件数据集，采集再分析资料；（2）对提取出的复合事件的500hPa环流场和850hPa风场进行降维并聚类分析，得到三类不同环流形势组合的极端低温雨雪复合事件，并对每个事件进行分类标记；（3）利用得到的标签，构建Contrastive Learning需要的正负样本训练集；（4）搭建卷积神经网络的神经网络模型；（5）基于训练集和模型进行训练；（6）基于未标签的再分析数据，对极端低温雨雪复合事件进行识别；本发明通过比较数据点之间的相似性，学习到更具有泛化能力的表示。
-
公开(公告)号：CN118822048A
公开(公告)日：2024-10-22
申请号：CN202411305389.0
申请日：2024-09-19
Applicant: 南京信息工程大学
IPC: G06Q10/04 , G06Q50/26 , G06F18/15 , G06F18/213 , G06F18/2431 , G06N3/0455 , G06N3/049 , G06N3/0499 , G06N3/0464 , G06N3/084 , G01W1/10 , G06F123/02
Abstract: 本发明公开了一种前兆因子深度融合的次季节极端降水预测方法，包括：基于优化的损失函数，构建融合数值模式降水预测、历史降水观测以及观测前兆因子的时空变换网络深度学习模型，基于数值模式降水预测数据集、历史降水观测数据集以及观测前兆因子数据集展开模型训练与优化；利用训练好的模型，输入目标时间的数值模式降水预测和前兆因子数据进行预测，输出次季节极端降水预测结果；本发明通过数值模式降水预测、历史降水观测和观测前兆因子数据的深度融合，利用一种新的时空变换网络深度学习方法，显著提高了次季节极端降水预测的准确性和全面性，具有极高的应用价值和广泛的应用前景。
-
Patent Agency Ranking
公开(公告)号：CN118822048B
公开(公告)日：2024-12-06
申请号：CN202411305389.0
申请日：2024-09-19
Applicant: 南京信息工程大学
IPC: G06Q10/04 , G06Q50/26 , G06F18/15 , G06F18/213 , G06F18/2431 , G06N3/0455 , G06N3/049 , G06N3/0499 , G06N3/0464 , G06N3/084 , G01W1/10 , G06F123/02
Abstract: 本发明公开了一种前兆因子深度融合的次季节极端降水预测方法，包括：基于优化的损失函数，构建融合数值模式降水预测、历史降水观测以及观测前兆因子的时空变换网络深度学习模型，基于数值模式降水预测数据集、历史降水观测数据集以及观测前兆因子数据集展开模型训练与优化；利用训练好的模型，输入目标时间的数值模式降水预测和前兆因子数据进行预测，输出次季节极端降水预测结果；本发明通过数值模式降水预测、历史降水观测和观测前兆因子数据的深度融合，利用一种新的时空变换网络深度学习方法，显著提高了次季节极端降水预测的准确性和全面性，具有极高的应用价值和广泛的应用前景。
-
公开(公告)号：CN118227979B
公开(公告)日：2024-09-06
申请号：CN202410652939.X
申请日：2024-05-24
Applicant: 南京信息工程大学
IPC: G06F18/15 , G06F18/214 , G06N3/0464 , G06F30/27 , G06F119/02
Abstract: 本发明公开一种基于改进卷积神经网络利用热带太平洋次表层海温异常的预测ENSO方法，包括以下步骤:（1）采集热带太平洋次表层海温数据、Nino3.4观测数据，并对数据进行预处理，构建训练数据集；（2）搭建加入了注意力机制SENet的CNN模型；（3）基于所述训练集和模型进行训练；（4）生成预测产品利用皮尔森积矩相关系数计算得到ENSO预测；本发明所用数据资源和计算资源少，计算速度更快，预测时效长；突出次表层海温的经向扰动，更能体现热带太平洋次表层海温异常东传的特征。
-
公开(公告)号：CN118445720A
公开(公告)日：2024-08-06
申请号：CN202410652944.0
申请日：2024-05-24
Applicant: 南京信息工程大学
IPC: G06F18/2431 , G06F18/23213 , G06F18/213 , G06F18/214 , G06F18/22 , G06N3/0464 , G06N3/084 , G01W1/02 , G01W1/10
Abstract: 本发明公开了一种基于神经网络对比学习的极端低温雨雪复合事件的识别方法，包括以下步骤：（1）获取极端低温雨雪复合事件数据集，采集再分析资料；（2）对提取出的复合事件的500hPa环流场和850hPa风场进行降维并聚类分析，得到三类不同环流形势组合的极端低温雨雪复合事件，并对每个事件进行分类标记；（3）利用得到的标签，构建Contrastive Learning需要的正负样本训练集；（4）搭建卷积神经网络的神经网络模型；（5）基于训练集和模型进行训练；（6）基于未标签的再分析数据，对极端低温雨雪复合事件进行识别；本发明通过比较数据点之间的相似性，学习到更具有泛化能力的表示。
-
公开(公告)号：CN119207638A
公开(公告)日：2024-12-27
申请号：CN202411268436.9
申请日：2024-09-11
Applicant: 无锡学院 , 江苏省泰州环境监测中心 , 南京信息工程大学
IPC: G16C20/70 , G16C20/20 , G06N3/0455 , G06F18/213 , G06F123/02
Abstract: 本发明公开了基于人工智能的大气PM2.5源解析及月尺度预测方法、系统，该方法包括逐日收集大气PM2.5污染物组分浓度X和气象要素M的数据信息，对数据信息进行预处理；基于Auto‑encoder算法，构建基于Auto‑encoder的大气污染物源解析模型，将预处理后的大气PM2.5污染物组分浓度输入到该模型中，得到污染源的相对贡献；构建KAN‑Transformer模型，将预处理后的气象要素数据与得到的污染源相对贡献分别输入到该模型中，通过多步预测得到月尺度的大气PM2.5污染物组分浓度的绝对值。本发明能够捕捉大气污染源组分之间的复杂非线性关系，提高了PM2.5组分来源分析的准确性。
-
公开(公告)号：CN118227979A
公开(公告)日：2024-06-21
申请号：CN202410652939.X
申请日：2024-05-24
Applicant: 南京信息工程大学
IPC: G06F18/15 , G06F18/214 , G06N3/0464 , G06F30/27 , G06F119/02
Abstract: 本发明公开一种基于改进卷积神经网络利用热带太平洋次表层海温异常的预测ENSO方法，包括以下步骤:（1）采集热带太平洋次表层海温数据、Nino3.4观测数据，并对数据进行预处理，构建训练数据集；（2）搭建加入了注意力机制SENet的CNN模型；（3）基于所述训练集和模型进行训练；（4）生成预测产品利用皮尔森积矩相关系数计算得到ENSO预测；本发明所用数据资源和计算资源少，计算速度更快，预测时效长；突出次表层海温的经向扰动，更能体现热带太平洋次表层海温异常东传的特征。
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.076 seconds)
