-
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。
-
Patent Agency Ranking
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：CN119202622B
公开(公告)日：2025-02-25
申请号：CN202411698203.2
申请日：2024-11-26
Applicant: 南京气象科技创新研究院
IPC: G06F18/20 , G06F18/213 , G06F18/25 , G06F18/15 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F30/27 , G01W1/10 , G06F111/10
Abstract: 本发明公开了基于数值模式融合深度学习的路面温度预报方法，包括基于多要素预报数据及观测数据制作训练集与验证集；基于区域高分辨率多元下垫面数据，整合形成统一尺度的区域高分辨率多元下垫面特征库；构建基于注意力机制图卷积神经网络的深度学习路面温度预报模型，采用高斯加权损失函数，展开模型训练；采用训练好的模型，针对目标时间，基于数值天气预报模式多要素预报数据和区域高分辨率多元下垫面数据，生成基于数值模式融合深度学习的路面温度预报结果。本发明有效解决了不同尺度路面温度的样本非均衡问题，增强了模型对于路面温度极值的预报能力，提高了基于数值模式融合深度学习的高速公路路面温度预报准确率，具有极强的应用价值。
-
公开(公告)号：CN119106949B
公开(公告)日：2025-02-14
申请号：CN202411589294.6
申请日：2024-11-08
Applicant: 南京气象科技创新研究院
IPC: G06Q10/0637 , G01W1/10 , G01W1/18 , G06Q50/26 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了融合精细地形特征的延伸期降水连续分布概率预报方法，包括：获取标准化的延伸期数值模式集合预报系统多成员多要素预报数据以及区域历史长时间序列降水观测数据，并提取历史降水连续分布特征；基于区域高分辨率精细地形数据，得到去尺度化的关键地形多维特征因子库；构建极限梯度提升U‑Net混合深度学习降水概率预报模型，并展开模型训练和优化；采用训练好的模型，产生改进的延伸期降水连续分布概率预报结果。本发明融合了精细地形数据，采用了加权交叉熵损失函数，有效处理了降水分布类别不平衡问题，提升了模型的泛化能力，改进了降水连续分布概率预报的预报性能，具有极高的应用价值。
-
公开(公告)号：CN119202622A
公开(公告)日：2024-12-27
申请号：CN202411698203.2
申请日：2024-11-26
Applicant: 南京气象科技创新研究院
IPC: G06F18/20 , G06F18/213 , G06F18/25 , G06F18/15 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F30/27 , G01W1/10 , G06F111/10
Abstract: 本发明公开了基于数值模式融合深度学习的路面温度预报方法，包括基于多要素预报数据及观测数据制作训练集与验证集；基于区域高分辨率多元下垫面数据，整合形成统一尺度的区域高分辨率多元下垫面特征库；构建基于注意力机制图卷积神经网络的深度学习路面温度预报模型，采用高斯加权损失函数，展开模型训练；采用训练好的模型，针对目标时间，基于数值天气预报模式多要素预报数据和区域高分辨率多元下垫面数据，生成基于数值模式融合深度学习的路面温度预报结果。本发明有效解决了不同尺度路面温度的样本非均衡问题，增强了模型对于路面温度极值的预报能力，提高了基于数值模式融合深度学习的高速公路路面温度预报准确率，具有极强的应用价值。
-
公开(公告)号：CN119106949A
公开(公告)日：2024-12-10
申请号：CN202411589294.6
申请日：2024-11-08
Applicant: 南京气象科技创新研究院
IPC: G06Q10/0637 , G01W1/10 , G01W1/18 , G06Q50/26 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了融合精细地形特征的延伸期降水连续分布概率预报方法，包括：获取标准化的延伸期数值模式集合预报系统多成员多要素预报数据以及区域历史长时间序列降水观测数据，并提取历史降水连续分布特征；基于区域高分辨率精细地形数据，得到去尺度化的关键地形多维特征因子库；构建极限梯度提升U‑Net混合深度学习降水概率预报模型，并展开模型训练和优化；采用训练好的模型，产生改进的延伸期降水连续分布概率预报结果。本发明融合了精细地形数据，采用了加权交叉熵损失函数，有效处理了降水分布类别不平衡问题，提升了模型的泛化能力，改进了降水连续分布概率预报的预报性能，具有极高的应用价值。
-
-
-
-
-
Search Results
6
records
(took 0.036 seconds)
