-
公开(公告)号：CN113240169B
公开(公告)日：2025-01-28
申请号：CN202110502963.1
申请日：2021-05-10
Applicant: 东南大学
IPC: G06Q10/04 , G06F18/25 , G06N3/0464 , G06N3/08 , G06Q50/26
Abstract: 本发明公开了基于多模态数据和上下采样的多级GRU网络的短临降水预测方法，属于天气预报技术领域，其包括以下步骤：首先输入t时刻的历史雷达回波图与网格化大气数据，去除数据噪声，填充缺失数据；接着对网格化大气数据中与雷达回波图不匹配的时空尺度进行卷积与反卷积，实现尺度对应；然后，分别将雷达回波图数据和大气数据输入网络中进行编码，获得特征图；最后，将获得的两种特征图进行拼接，输入网络中进行解码，得到未来的雷达回波图像，进而得到未来的区域降水预测；本发明能够提升多尺度上降水预测的精度、融合多种气象数据的图像特征。
-
公开(公告)号：CN113255972B
公开(公告)日：2022-11-01
申请号：CN202110502961.2
申请日：2021-05-10
Applicant: 东南大学
Abstract: 本发明公开了基于Attention机制的短临降水预测方法，属于天气预报技术领域，其包括以下步骤：首先输入前t时刻的雷达回波图序列(V1,V2,…,Vt)和模式数据Key(K)，对输入数据进行数据清洗与去噪，得到处理后的输入数据；然后将雷达回波图的灰度图像输入包含4层卷积和最大池化的神经网络，然后经过线性全连接层得到n维数组；接着将雷达回波图序列、模式数据和S2中的Query输入包括4个Attention单元和Norm层的编码器，将结果输入包括4个Attention单元、Norm层和全连接层的解码器，得到预测雷达回波图序列；最后对预测的雷达回波图像，通过Z‑R变换得到未来的区域降水预测，输出短临降水预测结果。本发明能够融合多种气象数据的特征、降低噪声干扰、提升降水预测的精度。
-
公开(公告)号：CN113255972A
公开(公告)日：2021-08-13
申请号：CN202110502961.2
申请日：2021-05-10
Applicant: 东南大学
Abstract: 本发明公开了基于Attention机制的短临降水预测方法，属于天气预报技术领域，其包括以下步骤：首先输入前t时刻的雷达回波图序列(V1,V2,…,Vt)和模式数据Key(K)，对输入数据进行数据清洗与去噪，得到处理后的输入数据；然后将雷达回波图的灰度图像输入包含4层卷积和最大池化的神经网络，然后经过线性全连接层得到n维数组；接着将雷达回波图序列、模式数据和S2中的Query输入包括4个Attention单元和Norm层的编码器，将结果输入包括4个Attention单元、Norm层和全连接层的解码器，得到预测雷达回波图序列；最后对预测的雷达回波图像，通过Z‑R变换得到未来的区域降水预测，输出短临降水预测结果。本发明能够融合多种气象数据的特征、降低噪声干扰、提升降水预测的精度。
-
公开(公告)号：CN113240169A
公开(公告)日：2021-08-10
申请号：CN202110502963.1
申请日：2021-05-10
Applicant: 东南大学
Abstract: 本发明公开了基于多模态数据和上下采样的多级GRU网络的短临降水预测方法，属于天气预报技术领域，其包括以下步骤：首先输入t时刻的历史雷达回波图与网格化大气数据，去除数据噪声，填充缺失数据；接着对网格化大气数据中与雷达回波图不匹配的时空尺度进行卷积与反卷积，实现尺度对应；然后，分别将雷达回波图数据和大气数据输入网络中进行编码，获得特征图；最后，将获得的两种特征图进行拼接，输入网络中进行解码，得到未来的雷达回波图像，进而得到未来的区域降水预测；本发明能够提升多尺度上降水预测的精度、融合多种气象数据的图像特征。
-
-
-
Search Results
4
records
(took 0.011 seconds)
