-
公开(公告)号：CN116341353A
公开(公告)日：2023-06-27
申请号：CN202211103887.8
申请日：2022-09-09
Applicant: 福建师范大学 , 福建省气象科学研究所
IPC: G06F30/27 , G06N3/0455 , G06N3/0464 , G06N3/047 , G06N3/084 , G06F18/214 , G01W1/10
Abstract: 本发明公开一种使用时空降水订正模型的降水预报订正方法，订正次季节降水预报结果，提升降水预报精度。首先将传统数值预报模式每日降水预报结果转化日降水分布，然后取前三十天降水分布逐天输入模型，每天的降水预报和前一天的状态信息通过多个卷积块转换为订正后的降水分布情况和当天状态信息，第一天的状态信息需要手动设置；循环执行前一步操作，依次得到三十天的订正后的降水分布情况。本发明通过深度学习的方式，相较于传统订正方法学习了数值预报结果的时间和空间特征，进一步提高了次季节尺度的降水预报的精度。
-
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
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。
-
Patent Agency Ranking
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
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：CN111611999A
公开(公告)日：2020-09-01
申请号：CN202010443235.3
申请日：2020-05-22
Applicant: 福建师范大学
Abstract: 本发明公开一种融合小型深度生成模型的显著性检测方法及终端，通过在得到的二层显著图上进行背景块再选取过程，使得选出的背景块具有更高的可靠性，将背景块构成背景种子向量，再由背景向量构造出扩散矩阵，通过扩散过程将背景向量所携带的显著性信息更好地进行扩散，从而得到基于背景先验的背景显著图。将背景显著图与二层显著图进行非线性融合得到显著图S_f。同时，将训练好的小型生成器模型生成的显著图S_d与显著图S_f通过设计的融合算法进行融合后得到最终显著图S。本发明在面对显著性区域触及图像边界的情况时有更佳的表现，得到的最终显著图前景更加的完整且更加的明亮，而背景也得到了更有效的抑制。
-
公开(公告)号：CN111611999B
公开(公告)日：2023-04-07
申请号：CN202010443235.3
申请日：2020-05-22
Applicant: 福建师范大学
IPC: G06V10/25 , G06V10/26 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明公开一种融合小型深度生成模型的显著性检测方法及终端，通过在得到的二层显著图上进行背景块再选取过程，使得选出的背景块具有更高的可靠性，将背景块构成背景种子向量，再由背景向量构造出扩散矩阵，通过扩散过程将背景向量所携带的显著性信息更好地进行扩散，从而得到基于背景先验的背景显著图。将背景显著图与二层显著图进行非线性融合得到显著图S_f。同时，将训练好的小型生成器模型生成的显著图S_d与显著图S_f通过设计的融合算法进行融合后得到最终显著图S。本发明在面对显著性区域触及图像边界的情况时有更佳的表现，得到的最终显著图前景更加的完整且更加的明亮，而背景也得到了更有效的抑制。
-
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
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：CN115641498A
公开(公告)日：2023-01-24
申请号：CN202211061846.7
申请日：2022-09-01
Applicant: 福建师范大学 , 福建省气象科学研究所
Abstract: 本发明公开基于空间多尺度卷积神经网络的中期降水预报后处理订正方法，通过特征提取模块MSConvBlock捕捉空间多尺度降水特征的依赖关系对降水特征进行建模为特征图，再由转置卷积以及特征提取模块对特征图进行解码的同时再次提取特征，并通过跳跃连接结合原始数据最后输出后处理后的降水数据。本发明通过对空间多尺度降水特征进行建模的方法，进一步提高了模型的性能，使得模型在Acc指标上相对于模式数据提升比例为，进一步提高了中期降水预报产品的精度。
-
-
-
-
-
-
Search Results
7
records
(took 0.018 seconds)
