基于深度学习的云移动预测方法研究

发布时间：2023-04-16 07:40

　　时空序列数据即在每个时刻记录的数据都为图像,具有空间信息。对此类数据的预测也称为视频预测,即根据视频的已知帧序列对未来帧进行预测。时空序列预测在机器人、自动驾驶、天气预报等领域都有着重要应用,因此对时空序列预测的研究有着重要意义。本文主要关注云移动预测问题,使用的数据为风云四号观测得到的卫星云图。通过对云的未来运动变化预测,可以对天气预报提供更多参考信息,研究具有实际意义。由于卫星云图中包含较多非云的无关信息,所以本文的研究过程为先对卫星云图的云检测问题进行研究,然后在得到的检测结果上再对云移动预测问题进行研究。针对卫星云图的云检测问题,本文提出了基于空洞卷积和数据蒸馏的云检测方法。首先由于云的形状尺寸多样,通过在模型中加入空洞卷积,可以在不增加计算量的同时扩大感受野,并能减少最大池化层的使用,使特征图保存更多信息。结合云的流体特性,模型利用由不同采样率的空洞卷积组成的模块,可以学习云区的多尺度特征,提升模型对小面积云区的检测精度。然后,本文提出了基于集成学习的未标注数据筛选方法,利用筛选后的未标注数据,使用数据蒸馏的方法对训练样本进行扩充。实验结果表明,通过基于空洞卷积的深度模型可以...

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景和意义
    1.2 国内外相关研究概况
        1.2.1 传统时间序列预测方法研究现状
        1.2.2 时空序列预测方法研究现状
    1.3 问题的总结与分析
    1.4 本文主要工作
    1.5 本文组织架构
第2章 云检测与云移动预测相关基础知识
    2.1 云检测方法
        2.1.1 阈值法
        2.1.2 深度学习方法
    2.2 云移动预测方法
        2.2.1 ConvLSTM模型
        2.2.2 ConvGRU模型
    2.3 相关评测指标
        2.3.1 云检测相关指标
        2.3.2 云移动预测相关指标
    2.4 本章小结
第3章 基于空洞卷积和数据蒸馏的云检测方法
    3.1 引言
    3.2 基于空洞卷积的云检测算法
    3.3 基于集成学习的数据蒸馏方法
        3.3.1 数据蒸馏方法
        3.3.2 基于集成学习的未标注数据筛选算法
    3.4 实验结果与分析
        3.4.1 实验环境
        3.4.2 实验设计
        3.4.3 实验数据
        3.4.4 实验结果与分析
    3.5 本章小结
第4章 基于RAST-LSTM的云移动预测方法
    4.1 引言
    4.2 RAST-LSTM中的注意力机制
    4.3 RAST-LSTM中的残差单元
    4.4 基于RAST-LSTM的云移动预测模型
    4.5 实验结果与分析
        4.5.1 实验环境
        4.5.2 实验数据
        4.5.3 实验结果与分析
    4.6 本章小结
结论
参考文献
致谢



本文编号：3791143