公开(公告)号：CN113344290B

公开(公告)日：2023-02-14

申请号：CN202110719308.1

申请日：2021-06-28

Applicant: 福建师范大学

Inventor： 李昂 ,  翁彬 ,  陈家祯 ,  黄添强 ,  高建芸 ,  张维 ,  游立军

IPC: G06Q10/04 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开基于U‑Net网络的次季节降雨气象预报订正方法，法建立多个U‑Net网络以分别预测不同天数间隔后的降水气象分布图。对于每个U‑Net网络，首先将传统模式预报分布图输入模型，通过多个卷积块将原始分布图转换为降水分布特征图；然后通过多个U‑Net网络模型逐步融合降水分布特征图局部信息；最后产生该样本对应的特定天数间隔以后的降水气象分布图。本发明通过深度学习的方式，相较于传统订正方法而言更充分的提取降水气象的时变特征和非线性特征，进一步提高了预测的精度。

公开(公告)号：CN113344290A

公开(公告)日：2021-09-03

申请号：CN202110719308.1

申请日：2021-06-28

Applicant: 福建师范大学

Inventor： 李昂 ,  翁彬 ,  陈家祯 ,  黄添强 ,  高建芸 ,  张维 ,  游立军

IPC: G06Q10/04 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开基于U‑Net网络的次季节降雨气象预报订正方法，法建立多个U‑Net网络以分别预测不同天数间隔后的降水气象分布图。对于每个U‑Net网络，首先将传统模式预报分布图输入模型，通过多个卷积块将原始分布图转换为降水分布特征图；然后通过多个U‑Net网络模型逐步融合降水分布特征图局部信息；最后产生该样本对应的特定天数间隔以后的降水气象分布图。本发明通过深度学习的方式，相较于传统订正方法而言更充分的提取降水气象的时变特征和非线性特征，进一步提高了预测的精度。

公开(公告)号：CN113344289A

公开(公告)日：2021-09-03

申请号：CN202110718349.9

申请日：2021-06-28

Applicant: 福建师范大学

Inventor： 袁野 ,  翁彬 ,  陈家祯 ,  黄添强 ,  高建芸 ,  张维 ,  游立军

IPC: G06Q10/04 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开基于级联残差卷积神经网络的次季节高温气象预报订正方法，由多个独立的级联残差卷积神经网络组成。该方法建立多个级联残差卷积神经网络以分别预测不同天数间隔后的高温气象热力图。对于每个级联残差卷积神经网络，首先将传统模式预报热力图输入模型，通过卷积层将原始热力图转换为高温热力特征图；然后通过多个级联残差模块逐步融合高温热力特征图局部信息；最后产生该样本对应的特定天数间隔以后的高温气象热力图。本发明通过深度学习的方式，相较于传统订正方法而言更充分的提取高温气象的时变特征和非线性特征，进一步提高了预测的精度。