-
公开(公告)号：CN117236201A
公开(公告)日：2023-12-15
申请号：CN202311525721.X
申请日：2023-11-16
Applicant: 南京信息工程大学 , 无锡学院 , 南京气象科技创新研究院 , 中国人民解放军国防科技大学
IPC: G06F30/27 , G01W1/10 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于Diffusion和ViT的降尺度方法，包括以下步骤：S1建立低分辨率数值模式降水预报与高分辨率降水观测样本，并进行预处理；S2构建Diffusion‑Vision‑Transformer降水预报模型；S3训练模型，直至Diffusion‑Vision‑Transformer的误差收敛，保存模型并进行预测；本发明通过利用Vision Transformer模型代替原始Diffusion模型中的U‑Net结构，大幅提高模型的训练效率，减低模型用于预测的时间。
-
公开(公告)号：CN118051878A
公开(公告)日：2024-05-17
申请号：CN202410452556.8
申请日：2024-04-16
Applicant: 南京气象科技创新研究院 , 南京信息工程大学
Abstract: 本发明公开了基于多模态融合改进深度学习的极端降水次季节预报方法，包括：对多种气象要素预报数据及预报目标区域的降水观测数据进行预处理；对影响极端降水发生的多模态特征进行自适应标识编码，并生成对应特征向量，形成无量纲化的多模态预报因子库；构建深度残差卷积神经网络优化模型，并分别利用训练集和验证集对模型进行训练和验证优化；采用训练好的模型进行目标区域的极端降水次季节预报。本发明采用了多气象要素因子、多模态融合与改进损失函数的深度学习神经网络模型，对极端降水预报进行了针对性优化，有效把握极端降水的时空分布特征，提高了极端降水的次季节预报能力，具有极强的应用价值。
-
公开(公告)号：CN119128448B
公开(公告)日：2025-03-25
申请号：CN202411607038.5
申请日：2024-11-12
Applicant: 南京信息工程大学 , 南京气象科技创新研究院
IPC: G06F18/20 , G06F18/214 , G06F18/25 , G06N3/0455 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了基于多源模态融合深度学习的高分辨雨情分析生成方法，方法包括：基于与雨情相关的多源数据集，得到多物理量数据集，并建立无量纲化的多模态特征因子库；对损失函数进行多维度非等权处理，构建多尺度空间转换模型MF‑ST‑Unet；模型训练后最终生成逐小时区域高分辨率雨情分析数据集；基于训练好的MF‑ST‑Unet模型，通过迁移学习知识蒸馏，得到应用于覆盖整体区域的高分辨率雨情分析数据集。本发明能够快速有效生成高空间分辨率的均匀网格雨情分析，且较传统方法更加客观、准确；充分考虑雨情的多尺度特征及降水量级的差异，实现高分辨率客观雨情数据获取，提高雨情检测能力和灾害防范精准性，具有极强的应用价值。
-
公开(公告)号：CN117237677B
公开(公告)日：2024-03-26
申请号：CN202311518546.1
申请日：2023-11-15
Applicant: 南京信息工程大学 , 无锡学院 , 南京气象科技创新研究院 , 中国人民解放军国防科技大学
IPC: G06V10/74 , G01W1/10 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06N3/0455 , G06T7/62 , G06T7/60 , G06T7/73
Abstract: 本发明公开了一种基于深度学习的强降水空间整体相似度的降水预报订正方法，包括以下步骤：（1）利用YOLOv5对降水属性进行识别；（2）建立基于GAN的降水预报订正模型；（3）建立基于GAN且融合降水空间特征的强降水订正模型O‑GAN；（4）将测试期的数值模式预报数据代入模型O‑GAN，生成后处理之后的降水预报；本发明有效提高了传统仅优化逐点误差模型的订正技巧；实现了从降水图片到降水雨团空间属性的“端到端”输出，提高客观识别效率；避免了传统逐点订正模型可能出现的预报模糊化问题，同时能够有效捕捉强降水特征，提高降水预报准确率。
-
公开(公告)号：CN119128448A
公开(公告)日：2024-12-13
申请号：CN202411607038.5
申请日：2024-11-12
Applicant: 南京信息工程大学 , 南京气象科技创新研究院
IPC: G06F18/20 , G06F18/214 , G06F18/25 , G06N3/0455 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了基于多源模态融合深度学习的高分辨雨情分析生成方法，方法包括：基于与雨情相关的多源数据集，得到多物理量数据集，并建立无量纲化的多模态特征因子库；对损失函数进行多维度非等权处理，构建多尺度空间转换模型MF‑ST‑Unet；模型训练后最终生成逐小时区域高分辨率雨情分析数据集；基于训练好的MF‑ST‑Unet模型，通过迁移学习知识蒸馏，得到应用于覆盖整体区域的高分辨率雨情分析数据集。本发明能够快速有效生成高空间分辨率的均匀网格雨情分析，且较传统方法更加客观、准确；充分考虑雨情的多尺度特征及降水量级的差异，实现高分辨率客观雨情数据获取，提高雨情检测能力和灾害防范精准性，具有极强的应用价值。
-
Patent Agency Ranking
公开(公告)号：CN118051878B
公开(公告)日：2024-06-11
申请号：CN202410452556.8
申请日：2024-04-16
Applicant: 南京气象科技创新研究院 , 南京信息工程大学
Abstract: 本发明公开了基于多模态融合改进深度学习的极端降水次季节预报方法，包括：对多种气象要素预报数据及预报目标区域的降水观测数据进行预处理；对影响极端降水发生的多模态特征进行自适应标识编码，并生成对应特征向量，形成无量纲化的多模态预报因子库；构建深度残差卷积神经网络优化模型，并分别利用训练集和验证集对模型进行训练和验证优化；采用训练好的模型进行目标区域的极端降水次季节预报。本发明采用了多气象要素因子、多模态融合与改进损失函数的深度学习神经网络模型，对极端降水预报进行了针对性优化，有效把握极端降水的时空分布特征，提高了极端降水的次季节预报能力，具有极强的应用价值。
-
公开(公告)号：CN117233870B
公开(公告)日：2024-01-23
申请号：CN202311518550.8
申请日：2023-11-15
Applicant: 南京信息工程大学 , 无锡学院 , 南京气象科技创新研究院 , 中国人民解放军国防科技大学
IPC: G01W1/10 , G06F30/27 , G06F18/214 , G06F119/02
Abstract: 本发明公开了一种基于多气象要素的短临降水集合预报及降尺度方法，包括以下步骤：（1）收集自动气象站逐10分钟站点观测数据；生成格点场数据（2）基于格点场数据，建立用于深度学习模型训练的标准气象序列数据集，并进行归一化处理；（3）构建耦合卷积神经网络‑循环神经网络‑对抗生成神经网络的深度学习模型，利用标准气象序列数据集针对降水进行训练，并通过在网络中增加噪声，生成集合预报；（4）利用超分辨率对生成的降水预报进行降尺度，获得高时空分辨率的短临降水集合预报；本发明将卷积神经网络、循环神经网络与对抗生成神经网络结合，提高了模型的预报真实性；利用超分辨率技术，提高降水预报准确率。
-
公开(公告)号：CN117237677A
公开(公告)日：2023-12-15
申请号：CN202311518546.1
申请日：2023-11-15
Applicant: 南京信息工程大学 , 无锡学院 , 南京气象科技创新研究院 , 中国人民解放军国防科技大学
IPC: G06V10/74 , G01W1/10 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06N3/0455 , G06T7/62 , G06T7/60 , G06T7/73
Abstract: 本发明公开了一种基于深度学习的强降水空间整体相似度的降水预报订正方法，包括以下步骤：（1）利用YOLOv5对降水属性进行识别；（2）建立基于GAN的降水预报订正模型；（3）建立基于GAN且融合降水空间特征的强降水订正模型O‑GAN；（4）将测试期的数值模式预报数据代入模型O‑GAN，生成后处理之后的降水预报；本发明有效提高了传统仅优化逐点误差模型的订正技巧；实现了从降水图片到降水雨团空间属性的“端到端”输出，提高客观识别效率；避免了传统逐点订正模型可能出现的预报模糊化问题，同时能够有效捕捉强降水特征，提高降水预报准确率。
-
公开(公告)号：CN117233870A
公开(公告)日：2023-12-15
申请号：CN202311518550.8
申请日：2023-11-15
Applicant: 南京信息工程大学 , 无锡学院 , 南京气象科技创新研究院 , 中国人民解放军国防科技大学
IPC: G01W1/10 , G06F30/27 , G06F18/214 , G06F119/02
Abstract: 本发明公开了一种基于多气象要素的短临降水集合预报及降尺度方法，包括以下步骤：（1）收集自动气象站逐10分钟站点观测数据；生成格点场数据（2）基于格点场数据，建立用于深度学习模型训练的标准气象序列数据集，并进行归一化处理；（3）构建耦合卷积神经网络‑循环神经网络‑对抗生成神经网络的深度学习模型，利用标准气象序列数据集针对降水进行训练，并通过在网络中增加噪声，生成集合预报；（4）利用超分辨率对生成的降水预报进行降尺度，获得高时空分辨率的短临降水集合预报；本发明将卷积神经网络、循环神经网络与对抗生成神经网络结合，提高了模型的预报真实性；利用超分辨率技术，提高降水预报准确率。
-
公开(公告)号：CN117236201B
公开(公告)日：2024-02-23
申请号：CN202311525721.X
申请日：2023-11-16
Applicant: 南京信息工程大学 , 无锡学院 , 南京气象科技创新研究院 , 中国人民解放军国防科技大学
IPC: G06F30/27 , G01W1/10 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于Diffusion和ViT的降尺度方法，包括以下步骤：S1建立低分辨率数值模式降水预报与高分辨率降水观测样本，并进行预处理；S2构建Diffusion‑Vision‑Transformer降水预报模型；S3训练模型，直至Diffusion‑Vision‑Transformer的误差收敛，保存模型并进行预测；本发明通过利用Vision Transformer模型代替原始Diffusion模型中的U‑Net结构，大幅提高模型的训练效率，减低模型用于预测的时间。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.071 seconds)
