-
公开(公告)号：CN116380811B
公开(公告)日：2024-05-10
申请号：CN202310315739.0
申请日：2023-03-28
Applicant: 武汉大学
IPC: G01N21/25 , G01N21/17 , G01C1/00 , G06N3/0499 , G06N3/048 , G06N3/084 , G06F18/2431 , G06F18/214 , G06F18/27 , G06F16/901 , G06V20/13 , G06V10/54
Abstract: 本发明公开了一种基于氧气吸收带的云检测方法。该方法在对被动遥感卫星观测数据进行必要的校正之后，计算大气中氧气的光谱吸收特征，然后根据氧气吸收特征计算空间纹理信息，最后将被动遥感卫星数据的光谱和空间纹理信息输入人工神经网络，以实现被动遥感卫星影像的云检测。该方法创新性地引入被动遥感影像光谱吸收特征的空间纹理信息，显著提高了云像元的识别精度，尤其使光学薄云的识别精度提高了约20％。
-
Patent Agency Ranking
公开(公告)号：CN117744849A
公开(公告)日：2024-03-22
申请号：CN202311421622.7
申请日：2023-10-27
Applicant: 武汉大学
IPC: G06Q10/04 , G06Q10/0639 , G06F16/2458 , G06Q50/26 , G06N3/0442 , G06N3/047 , G06N3/0464 , G01N15/06 , G01W1/10
Abstract: 本发明公开了一种基于混合深度神经网络的PM2.5浓度预测方法、系统及设备，首先采集预设时间段全国所有地面监测站点的PM2.5浓度时序数据以及对应时间段内的其他5种污染物时序数据，气象再分析时序数据和AOD时序数据；构建三维数据结构；然后按时间先后顺序，对地面监测站点构建图结构数据，将数据集划分为训练集、验证集和测试集；接着将训练集输入混合深度神经网络进行网络训练，获得训练好的网络；采用验证集，验证训练好的混合深度神经网络预测性能；采用测试集，测试混合深度神经网络预测结果的精确性；最后采用验证通过的混合深度神经网络，对目标地面监测站点的PM2.5浓度进行预测，获得预测结果。本发明提升了预报结果的准确性，实现了可靠的长期预报。
-
公开(公告)号：CN114330120A
公开(公告)日：2022-04-12
申请号：CN202111623874.9
申请日：2021-12-28
Applicant: 武汉大学
Abstract: 本发明公开了一种基于深度神经网络预测24小时PM2.5浓度的方法。针对目前对PM2.5长期浓度预测误差较大的问题，本发明将CEEMD分解方法与AE‑BILSTM堆叠的深度神经网络模型进行组合，构建新型混合预测模型来实现PM2.5浓度的短期精确预测和长期浓度趋势的模拟。目前深度神经网络模型已经被广泛应用，并表现出良好的性能；基于经验模态分解方法提取时间序列数据变化特征的优势也逐渐突显，两者的结合可以带来更好的预测结果。
-
公开(公告)号：CN114330120B
公开(公告)日：2024-04-23
申请号：CN202111623874.9
申请日：2021-12-28
Applicant: 武汉大学
IPC: G06F18/20 , G06F18/213 , G06N3/0442 , G06N3/045 , G06F123/02
Abstract: 本发明公开了一种基于深度神经网络预测24小时PM2.5浓度的方法。针对目前对PM2.5长期浓度预测误差较大的问题，本发明将CEEMD分解方法与AE‑BILSTM堆叠的深度神经网络模型进行组合，构建新型混合预测模型来实现PM2.5浓度的短期精确预测和长期浓度趋势的模拟。目前深度神经网络模型已经被广泛应用，并表现出良好的性能；基于经验模态分解方法提取时间序列数据变化特征的优势也逐渐突显，两者的结合可以带来更好的预测结果。
-
公开(公告)号：CN116380811A
公开(公告)日：2023-07-04
申请号：CN202310315739.0
申请日：2023-03-28
Applicant: 武汉大学
IPC: G01N21/25 , G01N21/17 , G01C1/00 , G06N3/0499 , G06N3/048 , G06N3/084 , G06F18/2431 , G06F18/214 , G06F18/27 , G06F16/901 , G06V20/13 , G06V10/54
Abstract: 本发明公开了一种基于氧气吸收带的云检测方法。该方法在对被动遥感卫星观测数据进行必要的校正之后，计算大气中氧气的光谱吸收特征，然后根据氧气吸收特征计算空间纹理信息，最后将被动遥感卫星数据的光谱和空间纹理信息输入人工神经网络，以实现被动遥感卫星影像的云检测。该方法创新性地引入被动遥感影像光谱吸收特征的空间纹理信息，显著提高了云像元的识别精度，尤其使光学薄云的识别精度提高了约20％。
-
公开(公告)号：CN115438848A
公开(公告)日：2022-12-06
申请号：CN202211040459.5
申请日：2022-08-29
Applicant: 武汉大学
Abstract: 本发明公开了一种基于深度混合图神经网络的PM2.5浓度长期预测方法，包括：收集研究区域内地面污染物监测站点包括PM2.5的污染物的时序数据、气象站点数据以及AOD数据，对获得的污染物时序数据进行预处理，并将气象站点数据和AOD数据与地面污染物监测站点进行匹配；构建地面污染物站点之间的关系图，并将风向和风速特征融入图中；根据图建立GNN图神经网络并在GNN图神经网络中添加LSTM层和全连接层从而构建用于预测PM2.5未来长时刻浓度的GNN‑LSTM模型；根据步骤1得到的数据对GNN‑LSTM模型进行训练、验证和测试，采用模拟精度符合要求的GNN‑LSTM模型对PM2.5进行预测。本发明充分聚合了邻域的空间信息，为LSTM提供可靠的空间特征，减缓了长期预测精度的降低速率，实现了可靠的长期预测。
-
-
-
-
-
Search Results
6
records
(took 0.014 seconds)
