基于“深度学习”识别模型的玉米农田监测应用系统设计与实现

为了精准判断玉米所处生长阶段,远程实时监测玉米长势,分析生长阶段与田间环境要素间的关系,本文提出深度局部关联神经网络,克服了玉米生长阶段识别中存在的多模态和模糊性问题,在Oxford VGGNet(Visual Geometry Group Net)模型中添加一个新的监督层,即局部关联损失层,提高深层特征的判别能力。基于所提的玉米生长阶段图片识别新算法,拓展环境要素监测功能,设计一套基于深度学习的玉米农田监测系统。系统由玉米农田监测装置和云端服务器组成,监测装置采集玉米图像、气象要素和田间位置数据,通过4G无线发送给云端服务器,云端服务器利用深度局部关联神经网络识别生长阶段,显示结果并存入数据库中。仿真试验表明,深度局部关联神经网络平均识别准确率达到92.53%,较VGGNet的87.21%和LSTM的88.50%,准确率分别提高了5.32%和4.03%。实地测试结果表明,野外环境下系统准确率可达到91.43%,能够稳定地对农田玉米生长情况进行监测,具有重要的应用价值。     

基于卷积神经网络的飑线识别算法

为了探究深度学习用于飑线识别的可行性,基于2008—2020年河南省郑州和驻马店雷达数据,采用卷积神经网络（convolutional neural network,CNN）算法构建飑线识别模型,引用临界成功指数、公平风险评分、命中率和误判率定量评价模型的识别效果,对比不同样本组成比例和网络结构对飑线识别效果的影响。结果表明:建模所用的样本组成比例对飑线识别有一定影响,通过改变采样方式和优化网络结构均能够改善样本比例不平衡的问题,提高飑线识别效果,且后者提升的幅度更大,而两种方法的结合无明显提升。测试结果表明:该模型临界成功指数为0.66,公平风险评分为0.58,命中率为0.86,误判率为0.24。研究揭示了卷积神经网络能够提取并学习飑线和非飑线回波的图像特征,对飑线有一定识别能力。     

基于深度卷积神经网络的阵风锋识别算法

阵风锋作为强对流的冷性出流特征,是重要的边界层辐合系统,对其自动监测识别一直是日常气象业务中的难点,该文基于深度卷积神经网络设计了阵风锋的自动识别算法。通过对输入和输出端的重新设计,在Faster RCNN算法和Inception V2网络模型的基础上实现了通过雷达回波数据对阵风锋窄带回波实现端到端自动识别。利用雷达数据绕雷达中心旋转不变性特点,增加了数据样本,降低了需提取特征的复杂度。利用2007—2011年南京雷达数据,对该模型进行了20万步的训练,总损失函数值收敛到0.003。对识别效果的分析表明,在训练样本中识别率100%,漏识率0%,准确率87%。通过对合肥雷达2009年6月5日阵风锋天气过程的32个体扫进行模型泛化能力评估,得到识别率91.7%,漏识率8.3%,正确率73.3%。     

基于闪电数据的雷暴识别、追踪与外推方法

该文提出了一种新的雷暴识别、追踪与外推方法。该方法基于地闪数据,利用密度极大值快速搜索聚类算法实现雷暴的识别,采用Kalman滤波算法实现雷暴的追踪与外推。应用该方法处理了2013年的全国地闪定位数据,同时利用多普勒天气雷达等数据对选取的个例进行评估。结果表明:该方法能有效识别雷暴并对其进行实时追踪,且能有效处理雷暴分裂与合并的情况;算法具有较好的0~60 min的临近外推预报能力,各项性能指标整体与TITAN (Thunderstorm Identification, Tracking, Analysis and Nowcasting) 算法接近,在30 min时效有更好的表现。该方法能够实时监测、预报全国雷暴发生发展状况,对于0~60 min临近预报具有一定参考价值。     

粒子群-神经网络集成学习算法气象预报建模研究

针对BP神经网络在实际气象预报应用中,网络结构难以确定以及网络极易陷入局部解问题,提出一种基于神经网络的粒子群集成学习算法的气象预报模型,以BP算法为基本框架,在学习过程中引入粒子群算法,优化设计神经网络的网络结构和初始连接权,获得一组合适网络结构和初始连接权,再进行新一轮BP神经网络训练,获得一批独立的神经网络个体,以“误差绝对值和最小”为最优准则,采用线性规划方法计算各集成个体的权系数,生成神经网络的输出结论,以此建立短期气候预测模型。以广西的月降水量进行实例分析,计算结果表明该方法学习能力强、泛化性能高,能够有效提高系统预测的准确率。     

人工智能新技术在国家气象中心台风业务中的应用探索

基于2005—2020年的中国气象局台风最佳路径数据集以及葵花（Himawari-8）和风云（FY-4）卫星云图数据,结合人工智能新技术,将深度学习模型应用于台风涡旋识别、台风定位定强、台风强度突变预测等方面,具体内容主要包括基于深度图像目标检测的台风涡旋识别模型、基于图像分类和检索的台风智能定强模型以及融合时空序列特征的台风快速增强判别模型,构建了一套台风智能监测和预报系统。通过对2020年全年样本进行了测试,结果显示:该系统对强热带风暴级及以上强度的台风涡旋正确识别率达90%以上,台风强度估测的MAE和RMSE分别为3.8 m/s和5.05 m/s,对全年独立样本强度快速加强预测的综合准确率达到65.3%,该系统实现了业务上利用高时空分辨率卫星图像实时对热带气旋进行自动识别、定位定强和智能追踪的功能,为进一步提高我国台风监测和预报预警的能力提供了有利支撑。      

热带气旋路径人工神经元预报方法对比试验研究

分别对具有动量项BP、LM、RBF人工神经网络建立36、48、60、72小时的热带气旋路径预测模型,各用100个独立样本进行预测检验,分析了网络"学习好,预报差"的原因,解决这一问题的关键是选择合适的网络结构参数、相应的学习算法和合适的预报因子,并总结了合理应用人工神经网络建立预测模型的经验.针对人工神经网络模型不具有自动选取因子的功能,给实际应用造成困难,提出了基于RBF的逐步选取因子的算法,并进行了对比试验,表明该方法具有较高的实用价值.     

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。     

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。     

基于MODIS地表覆盖(LC)的森林火灾识别方法

通过分析MODIS多光谱地表覆盖产品,证明MODIS本身具有精确识别包括5种森林在内的IGBP 17种地表类型的能力,完全可以满足识别森林火灾的实际需要.在此基础上提出基于MODIS地表覆盖的森林火点识别方法,探讨使用MODIS地表覆盖数据识别森林火灾的数据处理操作过程.应用该森林火点识别方法,MODIS实时广播接收站可以建立一套由MODIS火点侦测模块和MODIS森林火点识别模块构成的完全基于自身数据的森林火灾监测系统.5种森林地表整体平均识别误差为3.5%,可以满足卫星遥感森林火灾监测系统要求.     

基于多尺度融合网络的高速公路能见度估计北大核心

为了实现近实时公里级的高速公路能见度监测,提出了一种基于多尺度融合网络的能见度估计方法。首先,从道路监控视频中提取道路场景图像,并对图像进行质量控制;分别采用引导滤波、光谱滤波、景深估计模型从路面场景图像中提取细节结构特征、光谱特征与场景深度特征;然后,构建多尺度融合网络自适应融合结构特征、光谱特征与场景深度特征,并从中提取能见度特征;最后在网络末端输出图像场景所对应的能见度等级。此外,为了训练与测试模型,构建了真实道路场景图像数据集,共包含18 000张标注图像。实验结果表明,多尺度融合网络可显著提升高速公路能见度估计的准确性,能见度等级分类准确率可达81.76%。     

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.     

数值天气预报多要素深度学习融合订正方法

数值天气预报作为现代天气预报的主流技术方法,近年来不断朝着精细化方向发展,但预报误差至今仍无法避免.文中在CU-Net模型中引入稠密卷积模块形成数值预报要素偏差订正模型Dense-CUnet,在此基础上进一步融合多种气象要素和地形特征构建了Fuse-CUnet模型,开展不同模型的偏差订正试验和对比分析.以均方根误差(R...     

深度学习模型TAGAN在强对流回波临近预报中的应用

近年来深度学习模型在解决对防灾减灾影响巨大且极具挑战性的临近预报问题的应用中日益增多。本文中,我们把临近预报作为一个时空序列预测的任务,将雷达反射率因子作为试验对象,使用基于对抗神经网络（GAN）优化构建的TAGAN深度学习模型预测未来1小时的雷达回波图像,并且与Rover光流法、基于卷积神经网络的3D U-Net模型进行对比试验。选取2018年全球气象AI挑战赛雷达回波数据集进行训练与测试,检验结果表明TAGAN模型在命中率（POD）,虚警率（FAR）,临界成功指数（CSI）以及相关系数等多种评分上要优于传统的光流法和对比的3D U-Net深度学习模型,TAGAN模型在以上的检验评分表现出色,并且随预测时间的增加较之传统光流模型效果更优,这为拓展和提升深度学习模型在临近天气预报中的应用提供了参考依据。     

基于深度学习的全球平均表面温度年际信号时间序列的预测北大核心CSCD

利用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)有效地分解了全球平均表面温度(Global Mean Surface Temperature,GMST)时间序列,得到其不同尺度的、不同特征的子序列(Intrinsic Mode Function,IMF)。在此基础上,利用在预测长期、复杂、非线性变化的时间序列上具有显著优势的滑动自回归机器学习(Autoregressive Integrated Moving Average,ARIMA)模型和长短期记忆网络(Long Short-Term Memory,LSTM)模型开展GMST年际信号预测研究。结果表明:深度学习模型LSTM能很好地拟合并预测了长程相关性强的子序列(第2~6个IMF),而代表GMST年际尺度变化的IMF1则在一定程度上受到太平洋大西洋多重气候信号的影响和调制,因此进一步将3个气候指数作为预报前兆因子加入预测模型来更准确地预测IMF1的时间演变。通过利用多套GMST数据的对比,最终选定了考虑实时ENSO信息的LSTM(ENSO)模型来提前预测年际GMST信号,并预测2020年将有较大概率会成为史上最热的年份之一。     

基于深度学习的数值模式降水产品降尺度方法

提出一种基于深度学习的数值模式降水产品降尺度方法。利用深度学习的非线性映射能力和对栅格数据的信息提取能力,建立深度超分辨率模型提取不同分辨率数值模式降水产品间相对应的有效信息,从而将低分辨率数值模式降水产品利用提取的信息重构为高分辨率产品,继而通过构建多时次组合降尺度深度模型提取时间关联性进一步提升了重构准确性。基于欧洲中期天气预报中心不同尺度数值模式降水产品的实验表明所提方法能够比常用的双三次插值方法更有效地将低分辨率降水产品转换为对应的高分辨率产品。      

基于多尺度特征融合网络的云和云阴影检测试验

基于深度学习的高分辨率光学影像云检测过程中,云和云阴影及其边缘细节丢失较为严重,主要原因在于不同尺度空间语义信息特征融合存在不足。针对该问题,本文构建一种基于深度学习的多尺度特征融合网络（Multi-scale Feature Fusion Network, MFFN）的云和云阴影检测方法,该算法结合防止网络退化的残差神经网络模块（Res.block）、扩大网络感受野的多尺度卷积模块（MCM）和提取并融合不同尺度信息的多尺度特征模块（MFM）。试验表明,本算法能提取丰富的空间信息与语义信息,可取得较为精细的云与云阴影掩模,具有较高检测精度,其中云检测准确率达0.9796,云阴影检测准确率达0.8307。同时,该工作可为深度学习技术应用于业务云检测提供理论支持及技术储备。