利用三次卷积方法实现新一代天气雷达产品电视播出

针对地市级电视天气预报节目中雷达网制作环节存在的问题,使用VB编程丁具,读取单站新一代天气雷达产品的第19类数据(反射率因子),利用三次卷积插值算法进行放缩,生成可适用绝大多数非编软件播出的带有Alpha通道的TGA文件序列,并且可以通过Alpha通道叠加背景图片或动态视频,实现雷达产品在电视天气预报节目中播出.实践证明,三次卷积插值方法不仅内插精度较高、图像的颜色连续,所得图像质量较其它插值方法明显提高,符合播出标准,而且还能较好地保留图像的高频成分.     

卷积神经网络和传统算法的雷达面雨量计算效果对比研究

利用人工智能方法对雷达反射率进行面雨量计算,使用2D卷积神经网络(Conv2D)和U-Net卷积神经网络的面雨量计算效果与传统的Z-I关系法反演面雨量效果进行对比分析.结果 表明,卷积神经网络能够实现面雨量估计,但仍存在平均和聚拢现象,与传统算法各有优缺点.     

融合信息化边界和多模态特征的室内空间布局估计

为感知室内空间布局,提出一种基于信息化边界和多模态特征的场景布局估计方法.首先,采用VGG-16全卷积神经网络预测蕴含空间布局先验的信息化边界图.其次,采用Canny边缘检测和投票策略估计水平和竖直方向消失点,从消失点等角度间隔引出射线细采样信息化边界能量高的区域.接着,采用VGG空间多尺度卷积神经网络估计几何深度和法向特征.然后,积分几何求和候选布局多边形中多模特征描述一元共生,候选布局的表面法向平滑和位置关系确定二元标记约束.最后,采用结构化支持向量机学习模型,最大布局候选得分以推理布局.实验结果表明,与经典方法相比,本估计方法可以有效改善布局的完整度.     

一种地面气温的空间插值方法及其误差分析

根据最近邻域法和反向距离法的基本原理,利用空间卷积算法,采用结合中国大陆气象站点位置的截断高斯滤波算子作为距离权重方程,给出一种适合中国陆地区域的地面气温插值方法,并以300多个地面站记录的气温为例,使用交叉验证法分析了给定插值方法的误差分布,结果表明该插值方法比其他插值方法所得误差较小,能够很好地用于气象站点气象观测记录缺失的插补及其空间尺度的扩大化.     

基于纸质气象档案数字化的图像识别算法研究浅析

随着深度学习技术的不断发展，扫描图像识别技术在提高准确率方面取得了显著进展。本文着重介绍了卷积神经网络和循环神经网络，并比较了它们在图像识别和文字识别任务中的表现。基于卷积神经网络的方法通过构建多层神经网络模型，可以自动学习图像的特征和规律，从而提高识别的准确率，显示出卓越的性能。而循环神经网络在文字识别领域展现了其独特的优势，实验结果表明，循环神经网络能够处理序列数据，并自动学习序列之间的关系。本文的研究结果表明，深度学习算法在扫描图像识别技术中具有广阔的应用前景，卷积神经网络在图像识别任务中表现出色，而循环神经网络在文字识别任务中具有良好的性能。     

台站温度质量控制中IDW算法改进及应用

在反距离加权插值算法的基础上,结合气象上温度随高程的变化,以及各测站垂直方向上温度场与气压场的关系,对国内地面气象观测站的温度数据进行插值算法改进。然后,从搜索半径与距离权重系数的关系,以及参与插值站点数量与距离权重系数的关系两个方面进行试验数据分析,试图找出相对最佳的算法参数和最小的插值误差。最后,将改进的算法应用到温度观测数据的质量控制中。结果表明:改进后的算法可明显改善因近地面逆温造成的插值误差,在台站分布较密集的我国中东部地区,温度质量检验的灵敏度可达到1至5摄氏度。     

基于机器学习的降雨量雷达回波数据建模与预测

以浙江省2016年1-10月的雷达回波强度数据为基础,分别应用随机森林模型、BP神经网络模型、卷积神经网络模型来预测降雨量并进行对比.建模分析结果表明,随机森林模型预测效果精确度较低,容易低估较大的降雨强度,而BP神经网络和卷积神经网络预测的效果都比随机森林好,特别是卷积神经网络,其预测值与真实值更加接近,且对较大的降雨强度拟合较好.     

霍夫变换在卫星云图异常数据检测中的应用

由于噪声与干扰的存在,导致卫星云图接收过程中产生丢线、马赛克等异常数据。依靠人工进行检测与统计,不仅工作效率低,准确性也得不到保证。研究基于霍夫变换的卫星云图异常数据的检测方法,并且结合其分布特点,针对卫星云图实时性要求高、传统霍夫变换运算量大的问题对边缘检测算子检测方向进行了优化,试验结果表明可以有效提高30%的运算速度。实现对卫星云图异常数据的准确定位与快速检测,对于日后排查干扰源,进一步提高卫星云图接收质量具有重要意义。     

基于深度学习的FY3D/MERSI和EOS/MODIS云检测模型研究

针对FY3D/MERSI和EOS/MODIS的云检测问题,提出了一种基于深度学习技术的全自动云检测算法,首次将深度学习引入到卫星影像云检测领域。本算法使用深度全卷积神经网络(Deep Convolutional Neural Networks)作为核心结构,基于EOS/MODIS基本云检测原理选择合适的通道作为特性向量参数,针对不同的场景进行分类和网络模型的训练,最终得到基于深度学习的云检测模型。经过EOS/MODIS数据和FY3D/MERSI数据的测试,云检测的精度达到98%以上,可以看出基于深度学习的云检测算法能够用于云检测,该算法具有效率高、精度高等特点,云检测效果理想。     

任意基线雷达反射率因子垂直剖面生成算法

该文提出了一种基于雷达体扫资料的任意基线雷达反射率因子垂直剖面的生成算法。在计算雷达反射率因子垂直剖面上的格点在雷达极坐标中的仰角、方位和斜距位置后, 采用径向、方位上的最近邻居和垂直方向的线性内插相结合的客观分析方法得到格点上的反射率因子分析值。在垂直线性内插时分别用dBZ值和Z值 (单位: mm6/m3) 进行插值。结果表明:用该方法得到的雷达反射率因子垂直剖面从回波强度和空间位置来看都是合理的; 当采用垂直线性内插时, 用dBZ值插值比用Z值插值得到的雷达反射率因子垂直剖面在空间分布上更连续, 反射率因子分析值总体上更接近观测值; 低仰角的插值效果比高仰角的好。     

基于卷积神经网络的雷电临近预警模型

从研究人工智能雷电临近预警模型的目的出发,以卷积神经网络模型为基础,结合多个时间序列的雷达产品(组合反射率、液态水含量、回波顶高)与闪电数据,对雷电临近预报方法进行基于卷积神经网络结构的应用,以福建省2017—2018年雷达、闪电数据为样本完成了模型的训练与预测研究。训练结果显示,15~30 min模型训练样本测试集准确率为0.7985;选取福建省2019年20个雷电过程验证分析表明,15~30 min模型对动力抬升型雷电过程预警TS评分为0.716,夏季局地热雷暴预警TS评分为0.694,与常规采用雷达、闪电阈值控制的雷电预警算法相比,准确率有一定的提高,具有一定的实践意义。     

基于图卷积网络的多标签食品原材料识别

当前,食品图像的营养成分识别主要还是集中在食品类别的识别以及作为多标签任务的识别.但是这两种方法并不具备很好的判别性,因为它们忽略了原材料之间的潜在关系.因此,本文在前期工作的基础上引入了原材料之间的关系.具体地说,我们的工作主要分为图像特征提取和原材料关系学习两部分.图像特征提取通过卷积神经网络提取到图像的低维特征向量.图卷积网络通过使用图数据（图的每个节点表示原材料的词嵌入,边表示节点之间的相关性）,将图数据直接映射到一组相互依赖的分类器中,并与图像的低维特征向量融合,最后进行分类.通过在Food-101和VireoFood-172两个食品数据集上进行实验,并与当前最好的实验模型进行对比,发现基于图卷积的食品多标签分类方法可以有效地提高食品图像的分类性能.     

GPS水汽监测中卫星轨道处理分析

轨道误差是GPS水汽监测的重要误差来源,对轨道误差对水汽监测的影响进行分析,并研究Neville算法在预报精密星历轨道插值上的可行性,实现近实时水汽监测的轨道插值处理,为水汽监测奠定基础.     

机器学习的原理及其在气候预测中的潜在应用

经历了两次“人工智能寒冬”之后,机器学习于近十年再次进入大众视野,且有腾飞发展之势,已在图像识别和语音识别系统等实际应用方面取得了巨大成功。从已知数据集中总结关键信息和主要特征,从而对新数据做出准确的识别和预测,分别是机器学习的主要任务和主要目标之一。从这个角度看,将机器学习整合到气候预测的思路切实可行。本文,首先以线性拟合参数(即斜率和截距)调整为例,介绍了机器学习通过梯度下降算法优化参数并最终得到线性拟合函数的过程。其次,本文介绍了神经网络的构建思路以及如何应用神经网络拟合非线性函数的过程。最后,阐述了深度学习之卷积神经网络的框架原理,并将卷积神经网络应用到东亚冬季逐月气温的回报试验,并与气候动力模式的回报结果相比较。本文将有助于理解机器学习的基本原理,为机器学习应用于气候预测提供一定的参考思路。     

Delaunay三角剖分法在降水量插值中的应用

Delaunay三角剖分方法在空间分析中具有重要地位,文中简要介绍了Delaunay三角网特性和常用的3类算法,并对随机增长法实现过程进行了详细阐述.根据三角分片线性插值原理,求得插值系数,实现对任意点的三角分片线性插值.利用2008年中国2200个观测站的08时24 h降水量资料,对全中国范围及划分的8个区域内相应的0.28125°×0.28125°降水量格点场,使用交叉检验方法,对比分析了三角分片线性插值和反距离权重法的估值准确率.结果表明:在各区域,三角分片线性插值法的均方根误差偏小;在站点较密集的区域,均方根误差、平均绝对误差比较中,三角分片线性插值都有一定的优势;在平均误差对比中,三角分片线性插值优势明显,在全中国范围交叉检验中,三角分片线性插值法对应的年平均误差是0.005 mm,而反距离权重法为-0.107 mm,对其可能的原因进行了分析,证明了Delaunay三角剖分法的合理性.同时,从图形上展示了降水量的Delaunay三角网的三维结构图和三角分片线性插值后的格点场,在直观上,Delaunay三角剖分后得到降水分布和实况保持一致,并有较好的视觉效果;通过三角分片线性插值得到的格点场降水量分布图,克服了反距离权重法的固有缺陷,使获得的降水量格点场趋于合理,提高了插值精度.最后,探讨了Delaunay三角网在气象领域的应用前景.     

ConvLSTM Based Temperature Forecast Modification Model for North China

The correction of model forecast is an important step in evaluating weather forecast results. In recent years, post-processing models based on deep learning have become prominent. In this paper, a deep learning model named ED-ConvLSTM based on encoder-decoder structure and ConvLSTM is developed, which appears to be able to effectively correct numerical weather forecasts. Compared with traditional post-processing methods and convolutional neural networks, ED-ConvLSTM has strong collaborative extraction ability to effectively extract the temporal and spatial features of numerical weather forecasts and fit the complex nonlinear relationship between forecast field and observation field. In this paper, the post-processing method of ED-ConvLSTM for 2 m temperature prediction is tested using The International Grand Global Ensemble dataset and ERA5-Land data from the European Centre for Medium-Range Weather Forecasts (ECMWF). Root mean square error and temperature prediction accuracy are used as evaluation indexes to compare ED-ConvLSTM with the method of model output statistics, convolutional neural network postprocessing methods, and the original prediction by the ECMWF. The results show that the correction effect of ED-ConvLSTM is better than that of the other two postprocessing methods in terms of the two indexes, especially in the long forecast time.     

基于1DCNN和LSTM的单站逐时气温预报方法

针对海量气象观测数据间存在大量的物理噪声、与气温无关的冗余特征以及时间相关性,提出了一种将一维卷积神经网络(1DCNN)和长短期记忆神经网络(LSTM)相结合的多信息融合气温预报方法。首先,运用差分法对气象观测数据进行预处理,得到平稳时间序列数据;其次,运用1DCNN提取与气温变化相关的特征变量作为神经网络模型的输入变量;最后,运用1DCNN和LSTM构建多信息融合气温预报模型1DCNN-LSTM,并以云南省昆明市历史气象观测数据为例,与传统的LSTM、1DCNN和反向传播神经网络(BP)对未来24小时的逐时气温预报进行了比较研究。研究结果表明,1DCNN-LSTM的均方根误差(RMSE)相较于LSTM、1DCNN和BP最大降低了5.221%、19.350% 和9.253%,平均绝对误差(MAE)最大降低了4.419%、17.520% 和8.089%。为气温的精准预报提供了参考依据。      

利用空间相关性进行天气雷达波束阻挡数据的识别和订正

波束阻挡影响了天气雷达数据的质量,使雷达的导出产品存在误差。根据雷达观测数据的空间相关性,提出了不依赖于高精度数字高程模型的波束阻挡识别和订正算法,可以方便地用于天气雷达反射率因子的阻挡订正。对于部分阻挡或小范围完全阻挡造成的回波数据不准确情况,先进行阻挡识别,再进行线性插值处理,实现对阻挡数据的订正。论文建立了阻挡识别算法和阻挡订正算法,并利用雷达数据进行了对比验证。结果表明:利用本文的算法,可以有效地对阻挡数据进行订正,提高了雷达数据质量。