基于VAN-ConvLSTM的天气外推方法及系统

    公开(公告)号:CN113341419B

    公开(公告)日:2022-11-01

    申请号:CN202110570221.2

    申请日:2021-05-25

    Abstract: 本发明提供一种基于VAN‑ConvLSTM的天气外推方法及系统,方法包括以下步骤:按时序接收目标雷达图像,并对目标雷达图像进行编码;将编码后的目标雷达图像按时序分别输入ConvLSTM网络;将初始时刻的目标雷达图像以及编码后的初始时刻目标雷达图像、下一时刻目标雷达图像的共同输入第一VAN网络得到初始时刻的强对流天气外推图像;将上一时刻与当前时刻ConvLSTM网络的输出以及当前时刻的目标雷达图像共同输入至VAN网络进行预测求差异得到当前时刻的强对流天气外推图像。该方法能解决现阶段快速发生的灾害现象无法快速相应问题,实现实时、高效、海量的气象灾害预警。

    一种基于深度学习的强对流天气雷达图识别模型及方法

    公开(公告)号:CN113344902A

    公开(公告)日:2021-09-03

    申请号:CN202110714050.6

    申请日:2021-06-25

    Abstract: 本发明公开一种基于深度学习的强对流天气雷达图识别模型及方法,首先根据雷达基数据中回波反射率因子生成反射率图像,对强对流天气的雷达图像样本进行分析,提取风暴单体的图像特征,结合常用气象因子建立样本图像特征数据库,然后,采用深度学习建立雷达图像自动标注系统框架,利用FasterR‑CNN模型自动识别并对其进行分类,最后采用改进的双向ConvST‑LSTM来存储时间和空间信息,同步进行轨迹识别强对流天气现象的移动;本发明充分考虑强对流天气分型特征以及气象要素的影响因子,采用改进的双记忆递归单元存储时间和空间信息,增加相邻状态之间的转换深度,提高处理短期变化的能力,从而提高模型对雷达图像的识别能力。

    基于深度类比网络在多维度雷达数据下的强对流外推方法及系统

    公开(公告)号:CN113327301B

    公开(公告)日:2023-04-07

    申请号:CN202110570222.7

    申请日:2021-05-25

    Abstract: 本发明提供一种基于深度类比网络在多维度雷达数据下的强对流外推方法及系统,方法包括以下步骤:(1)特征图像编码:对多个雷达图像进行编码获得多个特征图像;(2)利用深度视觉类比网络学习所述多个雷达图像与所述多个特征图像,得到外推雷达图像;(3)将所述特征图像喂入外推网络得到外推特征图像;(4)利用优化器对所述外推特征图像与所述外推雷达图像进行第一次优化,再对第一次优化后的输出进行二次优化。该方法利用两个网络同时外推出雷达图像和基于编码的特征图像,再用优化器对它们分别做优化,最后在对双网络的输出做二次优化,优化了强对流外推的过程,得到的强对流预测图像也更加精确且方法简单易行。

    基于光流和气象数值预报的强对流天气识别方法及系统

    公开(公告)号:CN114355482B

    公开(公告)日:2022-08-16

    申请号:CN202210002182.0

    申请日:2022-01-04

    Abstract: 本发明公开了一种基于光流和气象数值预报的强对流天气识别方法及系统,其中方法主要体现在计算光流,搭建模型并训练模型,所述模型包括NWP stream模块和Optical flow模块,在训练器中输入的一次训练数据包含一个NWP数据以及所述NWP数据所对应的光流数据,其中光流数据的计算方法为:在数据集中根据样本数据的时间戳向前查找上一个时间戳所对应的数据集文件,基于这两个文件所对应的计算光流的函数,计算出对应的光流数据,NWP数据输入NWP stream模块的分支,光流数据输入Optical Flow模块的分支,所述NWP数据以及所述光流数据同时进行卷积运算,同时进行求导,在模型最后进行矩阵相加,输入SoftMax层得出最终结果。本发明可以实现强对流天气的细粒度分类。

    一种基于深度学习的强对流天气雷达图识别方法

    公开(公告)号:CN113344902B

    公开(公告)日:2022-05-06

    申请号:CN202110714050.6

    申请日:2021-06-25

    Abstract: 本发明公开一种基于深度学习的强对流天气雷达图识别方法,首先根据雷达基数据中回波反射率因子生成反射率图像,对强对流天气的雷达图像样本进行分析,提取风暴单体的图像特征,结合常用气象因子建立样本图像特征数据库,然后,采用深度学习建立雷达图像自动标注系统框架,利用FasterR‑CNN模型自动识别并对其进行分类,最后采用改进的双向ConvST‑LSTM来存储时间和空间信息,同步进行轨迹识别强对流天气现象的移动;本发明充分考虑强对流天气分型特征以及气象要素的影响因子,采用改进的双记忆递归单元存储时间和空间信息,增加相邻状态之间的转换深度,提高处理短期变化的能力,从而提高模型对雷达图像的识别能力。

    基于光流和气象数值预报的强对流天气识别方法及系统

    公开(公告)号:CN114355482A

    公开(公告)日:2022-04-15

    申请号:CN202210002182.0

    申请日:2022-01-04

    Abstract: 本发明公开了一种基于光流和气象数值预报的强对流天气识别方法及系统,其中方法主要体现在计算光流,搭建模型并训练模型,所述模型包括NWP stream模块和Optical flow模块,在训练器中输入的一次训练数据包含一个NWP数据以及所述NWP数据所对应的光流数据,其中光流数据的计算方法为:在数据集中根据样本数据的时间戳向前查找上一个时间戳所对应的数据集文件,基于这两个文件所对应的计算光流的函数,计算出对应的光流数据,NWP数据输入NWP stream模块的分支,光流数据输入Optical Flow模块的分支,所述NWP数据以及所述光流数据同时进行卷积运算,同时进行求导,在模型最后进行矩阵相加,输入SoftMax层得出最终结果。本发明可以实现强对流天气的细粒度分类。

    基于深度学习在多尺度下的强对流外推方法及系统

    公开(公告)号:CN113239722A

    公开(公告)日:2021-08-10

    申请号:CN202110345106.5

    申请日:2021-03-31

    Abstract: 本发明提供一种基于深度学习在多尺度下的强对流外推方法与系统,方法包括以下步骤:接收雷达图像数据,提取所述雷达图像数据的隐含状态特征;对所述隐含状态特征进行卷积,并将卷积结果输入TrajGRU网络中,进行强对流外推得到雷达图;将所述雷达图进行第二次卷积并同时进行批正则化获得外推图像数据。该方法对雷达图像数据训练得到外推图像,用于强对流天气如暴雨、雷暴、冰雹等极端天气的预报。

Patent Agency Ranking