-
公开(公告)号：CN110764742B
公开(公告)日：2023-05-23
申请号：CN201910993465.4
申请日：2019-10-18
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种气候观测数据线性相关度高速计算方法及系统，包括以下步骤：构建独立的相关度计算服务；构建相关度计算服务集群；相关度计算；返回数据并展示；还包括Web服务器、Nginx负载均衡代理和至少一个线性相关计算服务器，Web服务器包括Jboss容器、Nginx服务器和GPU服务器，线性相关计算服务器包括至少一个线性相关计算服务；Web服务器通过Nginx负载均衡代理连接线性相关计算服务器。从底层到架构层进行优化，基于分布式架构完成加速计算过程，加快气候分析的处理效率，同时使算法保持较好的扩展性；使得线性相关算法在使用SOA架构的开发平台上能加快开发效率，与其他气候分析算法之间保持低耦合、易集成的特性。
-
公开(公告)号：CN114548595A
公开(公告)日：2022-05-27
申请号：CN202210202985.0
申请日：2022-03-03
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于注意力机制的强对流天气物理特征量预测方法及系统，其中方法主要体现在搭建模型，所述模型包括注意力机制模块、编码模块以及解码模块，当输入数据进入到所述模型时，输入数据经过所述注意力机制模块，根据上一次的隐藏状态预测当前输入结果，将当前输入结果和当前输入数据叠加在一起并经过解码编码模块进行编码形成当前隐藏状态，将历史隐藏状态和当前隐藏状态相加后，通过所述解码模块解码后进行卷积生成预测结果。本发明有效解决了多维度、多输入的时空序列预测问题。
-
公开(公告)号：CN113344902B
公开(公告)日：2022-05-06
申请号：CN202110714050.6
申请日：2021-06-25
Applicant: 成都信息工程大学
IPC: G06T7/00 , G06T7/13 , G06T17/00 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于深度学习的强对流天气雷达图识别方法，首先根据雷达基数据中回波反射率因子生成反射率图像，对强对流天气的雷达图像样本进行分析，提取风暴单体的图像特征，结合常用气象因子建立样本图像特征数据库，然后，采用深度学习建立雷达图像自动标注系统框架，利用FasterR‑CNN模型自动识别并对其进行分类，最后采用改进的双向ConvST‑LSTM来存储时间和空间信息，同步进行轨迹识别强对流天气现象的移动；本发明充分考虑强对流天气分型特征以及气象要素的影响因子，采用改进的双记忆递归单元存储时间和空间信息，增加相邻状态之间的转换深度，提高处理短期变化的能力，从而提高模型对雷达图像的识别能力。
-
公开(公告)号：CN114355482A
公开(公告)日：2022-04-15
申请号：CN202210002182.0
申请日：2022-01-04
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于光流和气象数值预报的强对流天气识别方法及系统，其中方法主要体现在计算光流，搭建模型并训练模型，所述模型包括NWP stream模块和Optical flow模块，在训练器中输入的一次训练数据包含一个NWP数据以及所述NWP数据所对应的光流数据，其中光流数据的计算方法为：在数据集中根据样本数据的时间戳向前查找上一个时间戳所对应的数据集文件，基于这两个文件所对应的计算光流的函数，计算出对应的光流数据，NWP数据输入NWP stream模块的分支，光流数据输入Optical Flow模块的分支，所述NWP数据以及所述光流数据同时进行卷积运算，同时进行求导，在模型最后进行矩阵相加，输入SoftMax层得出最终结果。本发明可以实现强对流天气的细粒度分类。
-
公开(公告)号：CN113327301A
公开(公告)日：2021-08-31
申请号：CN202110570222.7
申请日：2021-05-25
Applicant: 成都信息工程大学
Abstract: 本发明提供一种基于深度类比网络在多维度雷达数据下的强对流外推方法及系统，方法包括以下步骤：(1)特征图像编码：对多个雷达图像进行编码获得多个特征图像；(2)利用深度视觉类比网络学习所述多个雷达图像与所述多个特征图像，得到外推雷达图像；(3)将所述特征图像喂入外推网络得到外推特征图像；(4)利用优化器对所述外推特征图像与所述外推雷达图像进行第一次优化，再对第一次优化后的输出进行二次优化。该方法利用两个网络同时外推出雷达图像和基于编码的特征图像，再用优化器对它们分别做优化，最后在对双网络的输出做二次优化，优化了强对流外推的过程，得到的强对流预测图像也更加精确且方法简单易行。
-
Patent Agency Ranking
公开(公告)号：CN113239722A
公开(公告)日：2021-08-10
申请号：CN202110345106.5
申请日：2021-03-31
Applicant: 成都信息工程大学
Abstract: 本发明提供一种基于深度学习在多尺度下的强对流外推方法与系统，方法包括以下步骤：接收雷达图像数据，提取所述雷达图像数据的隐含状态特征；对所述隐含状态特征进行卷积，并将卷积结果输入TrajGRU网络中，进行强对流外推得到雷达图；将所述雷达图进行第二次卷积并同时进行批正则化获得外推图像数据。该方法对雷达图像数据训练得到外推图像，用于强对流天气如暴雨、雷暴、冰雹等极端天气的预报。
-
公开(公告)号：CN111239852A
公开(公告)日：2020-06-05
申请号：CN202010032949.5
申请日：2020-01-13
Applicant: 成都信息工程大学
IPC: G01W1/00
Abstract: 本发明提供了一种利用风场数据自动识别高空横槽的方法，读取风场格点数据；选择分析点：取某一格点为分析点，其相邻的西南、正南以及东南的格点分别设为第一辅助分析点、第二辅助分析点以及第三辅助分析点；根据确定的分析点的三种情况进行分析，得到节点；设置阈值，遍历所有节点，根据所述阈值判定并标记为槽点；对比相邻槽点的位势高度；依次连接所述保留的槽点，从而完成横槽的自动识别。本发明解决了现有气象业务中的横槽分析依然通过人机交互的方式，由预报人员根据自身经验进行手工操作，存在一系列相关弊端的问题。本发明实现了在高空水平风场中自动分析横槽，为实现自动化分析预报打下坚实基础。
-
公开(公告)号：CN107765348B
公开(公告)日：2020-06-02
申请号：CN201710995289.9
申请日：2017-10-23
Abstract: 针对现有降水量预测方法存在对局部环境特殊性考虑不足而使预测的数值越容易出现误差的缺陷，本发明提供了一种降水量气象报文数据误差修正方法，用于在起报日修正气象台对公共发布的预测日降水量报文数据Ym，得到预测日降水量修正值Yj。本发明还提供利用降水量气象报文数据误差修正方法实现的雨凇景观预测方法，用于在起报日测算预测日发生雨凇景观的概率，以及对该预测方法中温度值加以修正的优化方法。本发明还提供雨凇景观预测方法在峨眉山景区的适用。本发明方法都是以气象台对公发布的气象预报产品为数据基础，利用气象台针对大区域做出的气象预报产品实现对既定小地区的气象景观发生概率的测算，能够有效利用公共服务数据，具有较高实用性。
-
公开(公告)号：CN111008355A
公开(公告)日：2020-04-14
申请号：CN201910873302.2
申请日：2019-09-16
Applicant: 华风气象传媒集团有限责任公司 , 成都信息工程大学
Abstract: 本发明公开了一种基于信任传播的气象地面要素插值方法，具体涉及气象数据插值领域，具体方法步骤如下：S1、设置概率密度核函数，计算站点密度；S2、增加虚拟站点；S3、使用k-NN Barnes二分因子图算法建立因子图；S4、kNN梯度检验；S5、引入数值高程数据，使用信任传播算法，在站点-站点因子图的基础上对站点V进行气象要素插值计算；S6、在站点-格点场因子图的基础上，利用站点V气象要素值，对格点场中各格点进行气象要素插值计算；S7、计算风速变化量。本发明通过建立站点-站点因子图、站点-格点场因子图，实现快速多要素的离散站点到格点场的插值；通过包含DEM数据的信任传播算法进行插值，提高各气象要素插值结果的准确率。
-
公开(公告)号：CN109975892B
公开(公告)日：2020-04-14
申请号：CN201910314305.2
申请日：2019-04-18
IPC: G01W1/10
Abstract: 本发明提供了一种寒潮天气500hPa环流形势的自动识别方法，通过读取的500hPa位势高度场和温度场文件，得到位势高度场等值线的槽线节点、脊线节点和高低压中心，以及温度场等值线的槽线节点、脊线节点和冷暖中心的信息；计算位势高度场与温度场区域内的槽线节点个数的数值、位势高度场的槽线节点连接长度、脊线节点个数以及槽线倾斜度的数值；根据上述各要素对寒潮环流形势进行识别。本发明能判断是否存在寒潮爆发的可能，确定为何种寒潮环流形势，为寒潮的强度、路径以及影响区域预报提供关键分析依据，排除了人工主观分析的差异性，为灾害性天气预报节省了时间，并为开发自动、人工智能预报系统打下了基础。
-
-
-
-
-
-
-
-
-
Search Results
65
records
(took 0.056 seconds)
