188宝金博页面版

  • 图案背景
  • 纯色背景
视图
标记
批注
批注本地保存成功，开通会员云端永久保存 去开通
百科全书

上传于：2025-10-20

粉丝量：85

111


  • 相关
  • 目录
  • 笔记
  • 书签

188宝金博页面版:更多相关文档

  • 基于深度学习和雷达观测的降水短临预报研究

    星级： 66 页

  • 基于深度学习和雷达观测的降水短临预报研究

    星级： 65 页

  • 基于深度学习和雷达观测的华南短临预报精度评估

    星级： 7 页

  • 基于数值预报与雷达外推预报融合方法的降水回波短临预报试验研究.docx

    星级： 2 页

  • 人工智能在短临降水预报中应用研究综述

    星级： 15 页

  • 人工智能在短临降水预报中应用研究综述

    星级： 5 页

  • 人工智能在短临降水预报中应用研究综述

    星级： 15 页

  • 人工智能在短临降水预报中应用研究综述

    星级： 15 页

  • 多特征融合的人工智能沉睡专利识别与测度

    星级： 31 页

  • 基于ConvLSTM的广西短临降水预报.docx

    星级： 4 页

  • 人工智能在短临降水预报中应用研究综述_方巍

    星级： 15 页

  • 基于微雨雷达观测北京地区夏冬季降水个例特征分析.docx

    星级： 2 页

  • 物理--数据融合的人工智能微尺度风速预报方法研究

    星级： 58 页

  • 基于多尺度特征融合的人群计数算法.docx

    星级： 4 页

  • 基于人工智能气象短临预报一体机

    星级： 20 页

暂无目录

点击鼠标右键菜单,创建目录

    暂无笔记

    选择文本，点击鼠标右键菜单，添加笔记

    暂无书签

    在左侧文档中，点击鼠标右键，添加书签

    188宝金博页面版: 基于多尺度特征融合和雷达观测的人工智能短临降水预报_陈生

    下载积分： 500

    内容提示： 基于多尺度特征融合和雷达观测的人工智能短临降水预报陈生1黄启桥1谭金凯21. 中国科学院西北生态环境资源研究院，兰州 730000；2. 深圳技术大学大数据与互联网学院，深圳 518118准确可靠的降水临近预报在防灾减灾中发挥着至关重要的作用。强降水预报对于大多数基于深度学习 (DL) 的模型而言都是一项挑战。为了应对这一挑战，我们开发了一种名为“多尺度特征融合”（MFF）的新型深度学习架构，该架构能够提供精准的降水预报，预报时间可长达 3 小时。MFF 模型使用不同大小的卷积核来创建多尺度感受野，从而捕捉降水系统的运动特征，例如其形状、移动方向和速度。此外，该架构...

    文档格式：PDF | 页数：1 | 浏览次数：18 | 上传日期：2025-10-20 19:47:37 | 文档星级：
    基于多尺度特征融合和雷达观测的人工智能短临降水预报陈生1黄启桥1谭金凯21. 中国科学院西北生态环境资源研究院，兰州 730000；2. 深圳技术大学大数据与互联网学院，深圳 518118准确可靠的降水临近预报在防灾减灾中发挥着至关重要的作用。强降水预报对于大多数基于深度学习 (DL) 的模型而言都是一项挑战。为了应对这一挑战，我们开发了一种名为“多尺度特征融合”（MFF）的新型深度学习架构，该架构能够提供精准的降水预报，预报时间可长达 3 小时。MFF 模型使用不同大小的卷积核来创建多尺度感受野，从而捕捉降水系统的运动特征，例如其形状、移动方向和速度。此外，该架构利用离散概率机制来减少不确定性和预报误差，使其即使在较长的预报时间下也能预测强降水。本研究利用 2018 年至 2021年的四年雷达观测数据进行模型训练，2022 年的数据用于模型测试。MFF 模型与三种现有的外推模型进行了比较：时间序列残差卷积 (TSRC)、光流 (OF) 和 UNet。结果表明，MFF预报技巧卓越，具有较高的检测概率 (POD)、较低的误报率 (FAR)、较小的平均绝对误差(MAE) 和较高的结构相似性指数 (SSIM)。尤其值得一提的是，MFF 能够预报提前 3 小时的高强度降水。渌瞿Ｐ驮蛭薹ㄗ龅。此外，从径向平均功率谱 (RAPS) 的结果来看，MFF 预报场的平滑效果有所改善。关键词：多尺度特征融合；雷达观测；短临降水预报参考文献：[1] Huang, Q., Chen, S., and Tan, J.: TSRC: A Deep Learning Model for Precipitation Short-Term Forecasting over China Using RadarEcho Data, Remote Sens., 15, 142,https://doi.org/10.3390/rs15010142, 2023.[2]Tan, J., Huang, Q. and Chen, S., 2024. Deep learning model based on multi-scale feature fusion for precipitationnowcasting. Geoscientific Model Development, 17(1), pp.53-69.[3]Ronneberger, O., Fischer, P., and Brox, T.: U-net: Convolutional networks for biomedical image segmentation, in: Medical ImageComputing and Computer-Assisted Intervention–MICCAI 2015: 18th International Conference, Part III, Munich, Germany, 18,234–241, Munich, Germany, https://doi.org/10.1007/978-3-319-24574-4_28, 18 November 2015.

    阅读了该文档的用户还阅读了这些文档

    188宝金博页面版:关于我们

    188宝金博页面版:帮助中心

    188宝金博页面版:关注我们

    • 新浪微博

    关注188宝金博页面版公众号

    188宝金博页面版
    阅读
    APP
    阅读
    返回
    顶部
    188宝金博页面版官网登录在线平台入口（2026已更新）—江苏协昌电子科技股份有限公司