申请/专利权人：南京气象科技创新研究院;南京信息工程大学

申请日：2024-04-16

公开（公告）日：2024-06-11

公开（公告）号：CN118051878B

主分类号：G06F18/25

分类号：G06F18/25;G01W1/10;G06F18/15;G06F16/29;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.06.11#授权;2024.06.04#实质审查的生效;2024.05.17#公开

摘要：本发明公开了基于多模态融合改进深度学习的极端降水次季节预报方法，包括：对多种气象要素预报数据及预报目标区域的降水观测数据进行预处理；对影响极端降水发生的多模态特征进行自适应标识编码，并生成对应特征向量，形成无量纲化的多模态预报因子库；构建深度残差卷积神经网络优化模型，并分别利用训练集和验证集对模型进行训练和验证优化；采用训练好的模型进行目标区域的极端降水次季节预报。本发明采用了多气象要素因子、多模态融合与改进损失函数的深度学习神经网络模型，对极端降水预报进行了针对性优化，有效把握极端降水的时空分布特征，提高了极端降水的次季节预报能力，具有极强的应用价值。

主权项：1.基于多模态融合改进深度学习的极端降水次季节预报方法，其特征在于，包括以下步骤：S1、对获取的次季节尺度数值天气预报模式输出的多种气象要素预报数据以及预报目标区域的降水观测数据，进行数据清洗与标准化预处理，并分别将标准化后的多种气象要素预报数据以及降水观测数据划分为训练集与验证集；S2、对影响极端降水发生的多模态特征进行自适应标识编码，生成对应特征向量，形成无量纲化的多模态预报因子库；S3、采用融合均方误差、TS评分、命中率和空报率多种指标的改进多维复合损失函数，构建融合数值天气预报模式输出的多种气象要素预报数据、预报目标区域的降水观测数据以及多模态特征的深度残差卷积神经网络优化模型，并分别利用训练集和验证集对模型进行训练和验证优化；其中，深度残差卷积神经网络优化模型包括输入层、残差卷积层、池化层、全连接层和输出层；输入层为步骤S1得到的标准化后的多种气象要素预报数据、降水观测数据以及步骤S2得到的多模态预报因子库；残差卷积层包含两个卷积层，并引入跳跃连接，使网络更易于训练和学习残差，用于学习和提取特征；池化层对残差卷积层输出进行全局平均池化，减少维度，并提取全局信息；全连接层将全局平均池化后的特征传递到全连接层，以进行进一步的特征整合；最终输出层生成极端降水的特征向量；S4、根据步骤S3训练好的深度残差卷积神经网络优化模型，基于目标时间内数值天气预报模式输出的多种气象要素预报数据以及多模态特征，产生目标区域的极端降水次季节预报结果。

全文数据：

权利要求：

百度查询： 南京气象科技创新研究院;南京信息工程大学 基于多模态融合改进深度学习的极端降水次季节预报方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD