-
公开(公告)号：CN117371316A
公开(公告)日：2024-01-09
申请号：CN202311299858.8
申请日：2023-10-09
Applicant: 北京大学重庆大数据研究院
Abstract: 本发明提供了一种基于深度学习的静止卫星太阳短波辐射反演方法，包括以下步骤：S1.获取静止卫星和极轨卫星的历史监测信息，其中，历史监测信息包括大气背景信息和地理信息；S2.基于静止卫星的标称网格形式的数据确定出对应的经纬度信息，并基于确定的经纬度信息确定出太阳和卫星角度信息；S3.将极轨卫星的检测信息进行行列号转换，将极轨卫星的信息转换成标称网格形式；S4.将极轨卫星和静止卫星的标称网格形式的监测信息进行时空匹配得到有效信息；S5.构建深度学习神经网络，并将有效信息进行预处理后输入至深度学习神经网络中对神经网络进行训练；S6.实时获取静止卫星的监测信息，将实时监测信息进行预处理输入至训练完成的神经网络中得到监测信息采集时刻对应的太阳短波辐射值。
-
Patent Agency Ranking
公开(公告)号：CN114626577B
公开(公告)日：2023-05-12
申请号：CN202210158802.X
申请日：2022-02-21
Applicant: 北京大学
IPC: G06Q10/04 , G06F18/241 , G06Q50/26
Abstract: 本发明公开了一种利用人工智能预报冬季降水相态的方法，包括基于降水相态变化的物理机制选择大气温度、湿度、风速和垂直速度在500‑100hpa间的16个气压层的廓线数据及地表2m气温、露点温度和地表气压以及地形信息作为预报特征变量；对0‑99类天气现象观测数据打标签，形成三类降水相态标注；利用lightGBM框架和训练数据集训练预报模型，利用验证数据集和对应的特征数据对预报模型进行检验和优化参数，得到降水相态预报模型并存为MLPT；利用MLPT算法、输入预报特征变量数据，得到站点降水相态预报。本发明通过利用当前时刻的特征变量对6小时后的降水相态进行智能预报，与数值预报模式和同类型人工智能算法的降水相态客观预报方法相比提高了预报准确率和时效。
-
公开(公告)号：CN117371316B
公开(公告)日：2024-08-09
申请号：CN202311299858.8
申请日：2023-10-09
Applicant: 北京大学重庆大数据研究院
Abstract: 本发明提供了一种基于深度学习的静止卫星太阳短波辐射反演方法，包括以下步骤：S1.获取静止卫星和极轨卫星的历史监测信息，其中，历史监测信息包括大气背景信息和地理信息；S2.基于静止卫星的标称网格形式的数据确定出对应的经纬度信息，并基于确定的经纬度信息确定出太阳和卫星角度信息；S3.将极轨卫星的检测信息进行行列号转换，将极轨卫星的信息转换成标称网格形式；S4.将极轨卫星和静止卫星的标称网格形式的监测信息进行时空匹配得到有效信息；S5.构建深度学习神经网络，并将有效信息进行预处理后输入至深度学习神经网络中对神经网络进行训练；S6.实时获取静止卫星的监测信息，将实时监测信息进行预处理输入至训练完成的神经网络中得到监测信息采集时刻对应的太阳短波辐射值。
-
公开(公告)号：CN117711502A
公开(公告)日：2024-03-15
申请号：CN202311303189.7
申请日：2023-10-09
Applicant: 北京大学重庆大数据研究院
IPC: G16C10/00 , G16C20/20 , G16C20/70 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06F16/29
Abstract: 本发明提供的一种融合深度学习算法的二氧化碳通量反演订正方法，包括：获取地表先验碳通量数据，将先验碳通量数据输入至大气化学传输模式模型中进行处理，得到气象要素、CO2浓度廓线以及CO2通量样本；基于气象要素和CO2浓度廓线确定出CO2柱浓度；构建全连接神经网络作为柱浓度订正模型，将气象要素和CO2柱浓度作为特征，并将来自卫星监测的CO2柱浓度作为标签，并将特征和标签输入至订正模型中进行训练；构建U‑net神经网络作为反演模型，将气象要素、CO2柱浓度作为特征，将CO2通量样本作为标签，并将特征和标签输入至反演模型中进行训练；确定目标气象要素，将目标气象要素输入至训练好的订正模型中进行处理得到订正后的CO2柱浓度，将订正后的CO2柱浓度和目标气象要素输入至训练好的反演模型中进行处理得到订正后的CO2通量。
-
公开(公告)号：CN117077530A
公开(公告)日：2023-11-17
申请号：CN202311070382.0
申请日：2023-08-23
Applicant: 北京大学重庆大数据研究院
IPC: G06F30/27 , G01W1/10 , G06F30/28 , G06N3/08 , G06F111/10 , G06F113/08 , G06F119/08 , G06F119/14
Abstract: 本发明提供的一种融合深度学习算法的大气辐射传输模拟方法，包括以下步骤：获取目标位置典型的大气背景数据，并对典型的大气背景数据进行预处理，根据预处理后的典型的大气背景数据确定出卫星通道平均透过率；构建深度学习网络，将预处理后的典型的大气背景数据以及将卫星通道平均透过率作为标签并输入至深度学习网络中对深度学习网络进行训练；实时获取目标位置的大气背景数据，并将实时的大气背景数据以及卫星观测天顶角输入至训练完成的深度学习网络中进行处理，得到大气透过率预测值；构建大气辐射传输模拟模型，将大气透过率预测值输入至大气辐射传输模拟模型中得到辐射强度，基于辐射强度确定出目标位置的辐射亮温。
-
公开(公告)号：CN114626577A
公开(公告)日：2022-06-14
申请号：CN202210158802.X
申请日：2022-02-21
Applicant: 北京大学
Abstract: 本发明公开了一种利用人工智能预报冬季降水相态的方法，包括基于降水相态变化的物理机制选择大气温度、湿度、风速和垂直速度在500‑100hpa间的16个气压层的廓线数据及地表2m气温、露点温度和地表气压以及地形信息作为预报特征变量；对0‑99类天气现象观测数据打标签，形成三类降水相态标注；利用lightGBM框架和训练数据集训练预报模型，利用验证数据集和对应的特征数据对预报模型进行检验和优化参数，得到降水相态预报模型并存为MLPT；利用MLPT算法、输入预报特征变量数据，得到站点降水相态预报。本发明通过利用当前时刻的特征变量对6小时后的降水相态进行智能预报，与数值预报模式和同类型人工智能算法的降水相态客观预报方法相比提高了预报准确率和时效。
-
-
-
-
-
Search Results
6
records
(took 0.014 seconds)
