面向大范围降水预报的多维长序列预测方法研究与实现
发布时间：2022-01-14 15:41
针对强对流天气短临预报的大范围降水预报在国家气象灾害防御中有十分重要的地位,对于国家农业、重大社会活动以及灾情防护上都有迫切需求。虽然我国近几年在强对流天气短临预报方面有很大进展,但面对大范围地区的降水预报仍面临很大的挑战。对于大范围多维长序列降水预报问题,尝试用深度学习的方法,提高大范围降水预报的准确性。强对流云识别和强对流云运动预测是大范围强对流天气短临预报技术的关键点。本论文依托中国电子集团公司第十四研究所所控横向科研项目,针对大范围降水预报中强对流云识别和运动预测方法研究与实现开展如下工作:1)分析大范围降水预报的相关特性,研究强对流天气短临降水预报的原理,给出了通过多维长序列强对流云识别和强对流云运动预测来进行大范围降水预报的方法。2)针对模型需要的数据进行分析,通过对全国多站点雷达数据、卫星数据、可降水量等数据分析处理制作模型所需要的数据集。3)针对大范围卫星云图中强对流云识别精度低、效果差的情况,提出基于图像语义分割的强对流云识别模型,通过深度学习神经网络抽象图像深层次特征,比传统的图像识别方式更为精确,也更适用于强对流云识别模型。4)针对多维长序列的强对流云运动预测模型...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
技术路线图
电子科技大学硕士学位论文区域分裂合并算法主要的应用场景是针对复杂的图像，但在实际应用中，由于算法复杂，计算量大，从而分割速度较慢，同时产生的结果也会有边界模糊甚至是割裂的情况。因此面对不同的情况，往往是结合区域生长算法和区域分割算法。尤其是针对复杂场景或者先验知识缺乏的情况，两种算法的结合产生的分割效果较为理想。3.基于边缘检测的分割方法基于边缘检测的分割方法是指图像分割结果是一组覆盖整个图像的子区域集合，通常同一区域中的像素颜色、强度或者纹理相似，而相邻的区域之间像素点具有不连续性。边缘检测就是检测图像的结构或者灰度级突然发生变化的位置,在图像处理过程中，图像中的边缘部位的灰度值，一般只有屋顶型和阶跃型两种变化形式，因此边缘检测分割方法就是捕捉图像中出现这两种变化的灰度值区域，进行边缘检测。边缘检测技术一般可以分为两种：串行边缘检测和并行边缘检测。串行边缘检测是通过对前像素的验证结果来判断当前像素是否属于边缘上；并行边缘检测是基于判断当前被检测的像素和像素相邻的像素。由于边界像素点具有不连续性，所以该位置的导数的一阶为极值点二阶经过零点。大部分的边缘检测算法主要是根据这两个微分算子的特性针对图像进行分割，常见的根据梯度设计的多种微分算子有：Roberts算法、Sobel算法、Prewitt算法、Kirsch算法、Laplacian算法等。图2-1几种边缘检测算法效果示意图10
第二章深度学习相关理论基础概述（convolutionallayer），激励层（ReLUlayer）、池化层（poolinglayer）、全连接层（Fullyconnectedlayer）。卷积神经网络的基本流程图如图2-3所示。图2-3卷积神经网络基本流程图1.卷积层卷积层是卷积神经网络的核心，主要是针对输入层输入的数据，通过若干的卷积核对数据的不同特征进行提龋一般而言，卷积神经网络中有多个不同的类型的卷积核，可针对不同的数据特征进行提取生成特征图(featuremap)，例如：颜色、角度、边缘等特征。同时卷积核也是可学习的，深层卷积神经网络中，通过卷积层可以提取图像中由简单到复杂的特征。特征图中每个神经元都与前一层中位置接近区域的多个神经元相连，区域的大小取决于卷积核的大小，也就是所谓的感受野（receptivefield）。卷积层中主要包括的超参数据有三种：卷积核的大小，移动的步长和图像填充的范围。其中卷积核的大小决定了每次提取信息的复杂度，往往是小于输入数据尺寸的矩形数据提取框；移动的步长则是指卷积核两次卷积操作之间的距隔，图像填充则是保证卷积核滑动窗口正好能滑动到图像边界，这三个参数共同决定了输出特征图的尺寸。卷积操作如图2-4所示。图2-4卷积操作示意图13
【参考文献】：
期刊论文
[1]基于深度学习的强对流高分辨率临近预报试验[J]. 郭瀚阳,陈明轩,韩雷,张巍,秦睿,宋林烨. 气象学报. 2019(04)
[2]基于深度学习的视频预测研究综述[J]. 莫凌飞,蒋红亮,李煊鹏. 智能系统学报. 2018(01)
[3]强对流天气短时临近预报业务技术进展与挑战[J]. 郑永光,张小玲,周庆亮,端义宏,谌芸,何立富. 气象. 2010(07)
[4]临近预报系统（SWIFT）中风暴产品的设计及应用[J]. 胡胜,罗兵,黄晓梅,梁巧倩,沃伟峰. 气象. 2010(01)
[5]交叉相关算法在强对流天气临近预报中的应用[J]. 曾小团,梁巧倩,农孟松,冯业荣,许向春,陈业国. 气象. 2010(01)
[6]基于雷达数据的风暴体识别、追踪及预警的研究进展[J]. 韩雷,王洪庆,谭晓光,林隐静. 气象. 2007(01)
[7]对流天气临近预报技术的发展与研究进展[J]. 陈明轩,俞小鼎,谭晓光,王迎春. 应用气象学报. 2004(06)
本文编号：3588770
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
技术路线图
电子科技大学硕士学位论文区域分裂合并算法主要的应用场景是针对复杂的图像，但在实际应用中，由于算法复杂，计算量大，从而分割速度较慢，同时产生的结果也会有边界模糊甚至是割裂的情况。因此面对不同的情况，往往是结合区域生长算法和区域分割算法。尤其是针对复杂场景或者先验知识缺乏的情况，两种算法的结合产生的分割效果较为理想。3.基于边缘检测的分割方法基于边缘检测的分割方法是指图像分割结果是一组覆盖整个图像的子区域集合，通常同一区域中的像素颜色、强度或者纹理相似，而相邻的区域之间像素点具有不连续性。边缘检测就是检测图像的结构或者灰度级突然发生变化的位置,在图像处理过程中，图像中的边缘部位的灰度值，一般只有屋顶型和阶跃型两种变化形式，因此边缘检测分割方法就是捕捉图像中出现这两种变化的灰度值区域，进行边缘检测。边缘检测技术一般可以分为两种：串行边缘检测和并行边缘检测。串行边缘检测是通过对前像素的验证结果来判断当前像素是否属于边缘上；并行边缘检测是基于判断当前被检测的像素和像素相邻的像素。由于边界像素点具有不连续性，所以该位置的导数的一阶为极值点二阶经过零点。大部分的边缘检测算法主要是根据这两个微分算子的特性针对图像进行分割，常见的根据梯度设计的多种微分算子有：Roberts算法、Sobel算法、Prewitt算法、Kirsch算法、Laplacian算法等。图2-1几种边缘检测算法效果示意图10
第二章深度学习相关理论基础概述（convolutionallayer），激励层（ReLUlayer）、池化层（poolinglayer）、全连接层（Fullyconnectedlayer）。卷积神经网络的基本流程图如图2-3所示。图2-3卷积神经网络基本流程图1.卷积层卷积层是卷积神经网络的核心，主要是针对输入层输入的数据，通过若干的卷积核对数据的不同特征进行提龋一般而言，卷积神经网络中有多个不同的类型的卷积核，可针对不同的数据特征进行提取生成特征图(featuremap)，例如：颜色、角度、边缘等特征。同时卷积核也是可学习的，深层卷积神经网络中，通过卷积层可以提取图像中由简单到复杂的特征。特征图中每个神经元都与前一层中位置接近区域的多个神经元相连，区域的大小取决于卷积核的大小，也就是所谓的感受野（receptivefield）。卷积层中主要包括的超参数据有三种：卷积核的大小，移动的步长和图像填充的范围。其中卷积核的大小决定了每次提取信息的复杂度，往往是小于输入数据尺寸的矩形数据提取框；移动的步长则是指卷积核两次卷积操作之间的距隔，图像填充则是保证卷积核滑动窗口正好能滑动到图像边界，这三个参数共同决定了输出特征图的尺寸。卷积操作如图2-4所示。图2-4卷积操作示意图13
【参考文献】：
期刊论文
[1]基于深度学习的强对流高分辨率临近预报试验[J]. 郭瀚阳,陈明轩,韩雷,张巍,秦睿,宋林烨. 气象学报. 2019(04)
[2]基于深度学习的视频预测研究综述[J]. 莫凌飞,蒋红亮,李煊鹏. 智能系统学报. 2018(01)
[3]强对流天气短时临近预报业务技术进展与挑战[J]. 郑永光,张小玲,周庆亮,端义宏,谌芸,何立富. 气象. 2010(07)
[4]临近预报系统（SWIFT）中风暴产品的设计及应用[J]. 胡胜,罗兵,黄晓梅,梁巧倩,沃伟峰. 气象. 2010(01)
[5]交叉相关算法在强对流天气临近预报中的应用[J]. 曾小团,梁巧倩,农孟松,冯业荣,许向春,陈业国. 气象. 2010(01)
[6]基于雷达数据的风暴体识别、追踪及预警的研究进展[J]. 韩雷,王洪庆,谭晓光,林隐静. 气象. 2007(01)
[7]对流天气临近预报技术的发展与研究进展[J]. 陈明轩,俞小鼎,谭晓光,王迎春. 应用气象学报. 2004(06)
本文编号：3588770
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3588770.html
