公开(公告)号：CN118366046A

公开(公告)日：2024-07-19

申请号：CN202410799661.9

申请日：2024-06-20

Applicant: 南京信息工程大学

Inventor： 智协飞 ,  丁姝妍 ,  吕阳 ,  季焱 ,  向涛 ,  周立群 ,  翁羽

IPC: G06V20/10 ,  G06V10/44 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习并结合地形的风场降尺度方法，包括：（1）采集地面高程数据、低分辨率数值模式预报数据、高分辨率观测数据，并对数据进行预处理，最后构成降尺度数据集；（2）搭建基于矢量的神经网络深度学习降尺度模型；（3）基于降尺度数据集对基于矢量的神经网络深度学习降尺度模型进行训练；（4）基于实时低分辨率数值模式预报数据以及高分辨率地面高程数据，通过训练好的模型生成高分辨率降尺度数据。本发明能够实现经纬度分辨率从0.25°×0.25°到0.1°×0.1°的降尺度预测，提高了网络拟合效果，并可以综合把握矢量的方向和大小，产生更具有应用价值、准确率更高的结果。

公开(公告)号：CN118366046B

公开(公告)日：2024-08-30

申请号：CN202410799661.9

申请日：2024-06-20

Applicant: 南京信息工程大学

Inventor： 智协飞 ,  丁姝妍 ,  吕阳 ,  季焱 ,  向涛 ,  周立群 ,  翁羽

IPC: G06V20/10 ,  G06V10/44 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习并结合地形的风场降尺度方法，包括：（1）采集地面高程数据、低分辨率数值模式预报数据、高分辨率观测数据，并对数据进行预处理，最后构成降尺度数据集；（2）搭建基于矢量的神经网络深度学习降尺度模型；（3）基于降尺度数据集对基于矢量的神经网络深度学习降尺度模型进行训练；（4）基于实时低分辨率数值模式预报数据以及高分辨率地面高程数据，通过训练好的模型生成高分辨率降尺度数据。本发明能够实现经纬度分辨率从0.25°×0.25°到0.1°×0.1°的降尺度预测，提高了网络拟合效果，并可以综合把握矢量的方向和大小，产生更具有应用价值、准确率更高的结果。