發(fā)布時間：2022-01-14 15:41

　　針對強對流天氣短臨預(yù)報的大范圍降水預(yù)報在國家氣象災(zāi)害防御中有十分重要的地位,對于國家農(nóng)業(yè)、重大社會活動以及災(zāi)情防護上都有迫切需求。雖然我國近幾年在強對流天氣短臨預(yù)報方面有很大進展,但面對大范圍地區(qū)的降水預(yù)報仍面臨很大的挑戰(zhàn)。對于大范圍多維長序列降水預(yù)報問題,嘗試用深度學(xué)習(xí)的方法,提高大范圍降水預(yù)報的準(zhǔn)確性。強對流云識別和強對流云運動預(yù)測是大范圍強對流天氣短臨預(yù)報技術(shù)的關(guān)鍵點。本論文依托中國電子集團公司第十四研究所所控橫向科研項目,針對大范圍降水預(yù)報中強對流云識別和運動預(yù)測方法研究與實現(xiàn)開展如下工作:1)分析大范圍降水預(yù)報的相關(guān)特性,研究強對流天氣短臨降水預(yù)報的原理,給出了通過多維長序列強對流云識別和強對流云運動預(yù)測來進行大范圍降水預(yù)報的方法。2)針對模型需要的數(shù)據(jù)進行分析,通過對全國多站點雷達數(shù)據(jù)、衛(wèi)星數(shù)據(jù)、可降水量等數(shù)據(jù)分析處理制作模型所需要的數(shù)據(jù)集。3)針對大范圍衛(wèi)星云圖中強對流云識別精度低、效果差的情況,提出基于圖像語義分割的強對流云識別模型,通過深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)抽象圖像深層次特征,比傳統(tǒng)的圖像識別方式更為精確,也更適用于強對流云識別模型。4)針對多維長序列的強對流云運動預(yù)測模型... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【部分圖文】：

技術(shù)路線圖

電子科技大學(xué)碩士學(xué)位論文區(qū)域分裂合并算法主要的應(yīng)用場景是針對復(fù)雜的圖像，但在實際應(yīng)用中，由于算法復(fù)雜，計算量大，從而分割速度較慢，同時產(chǎn)生的結(jié)果也會有邊界模糊甚至是割裂的情況。因此面對不同的情況，往往是結(jié)合區(qū)域生長算法和區(qū)域分割算法。尤其是針對復(fù)雜場景或者先驗知識缺乏的情況，兩種算法的結(jié)合產(chǎn)生的分割效果較為理想。3.基于邊緣檢測的分割方法基于邊緣檢測的分割方法是指圖像分割結(jié)果是一組覆蓋整個圖像的子區(qū)域集合，通常同一區(qū)域中的像素顏色、強度或者紋理相似，而相鄰的區(qū)域之間像素點具有不連續(xù)性。邊緣檢測就是檢測圖像的結(jié)構(gòu)或者灰度級突然發(fā)生變化的位置,在圖像處理過程中，圖像中的邊緣部位的灰度值，一般只有屋頂型和階躍型兩種變化形式，因此邊緣檢測分割方法就是捕捉圖像中出現(xiàn)這兩種變化的灰度值區(qū)域，進行邊緣檢測。邊緣檢測技術(shù)一般可以分為兩種：串行邊緣檢測和并行邊緣檢測。串行邊緣檢測是通過對前像素的驗證結(jié)果來判斷當(dāng)前像素是否屬于邊緣上；并行邊緣檢測是基于判斷當(dāng)前被檢測的像素和像素相鄰的像素。由于邊界像素點具有不連續(xù)性，所以該位置的導(dǎo)數(shù)的一階為極值點二階經(jīng)過零點。大部分的邊緣檢測算法主要是根據(jù)這兩個微分算子的特性針對圖像進行分割，常見的根據(jù)梯度設(shè)計的多種微分算子有：Roberts算法、Sobel算法、Prewitt算法、Kirsch算法、Laplacian算法等。圖2-1幾種邊緣檢測算法效果示意圖10

第二章深度學(xué)習(xí)相關(guān)理論基礎(chǔ)概述（convolutionallayer），激勵層（ReLUlayer）、池化層（poolinglayer）、全連接層（Fullyconnectedlayer）。卷積神經(jīng)網(wǎng)絡(luò)的基本流程圖如圖2-3所示。圖2-3卷積神經(jīng)網(wǎng)絡(luò)基本流程圖1.卷積層卷積層是卷積神經(jīng)網(wǎng)絡(luò)的核心，主要是針對輸入層輸入的數(shù)據(jù)，通過若干的卷積核對數(shù)據(jù)的不同特征進行提齲一般而言，卷積神經(jīng)網(wǎng)絡(luò)中有多個不同的類型的卷積核，可針對不同的數(shù)據(jù)特征進行提取生成特征圖(featuremap)，例如：顏色、角度、邊緣等特征。同時卷積核也是可學(xué)習(xí)的，深層卷積神經(jīng)網(wǎng)絡(luò)中，通過卷積層可以提取圖像中由簡單到復(fù)雜的特征。特征圖中每個神經(jīng)元都與前一層中位置接近區(qū)域的多個神經(jīng)元相連，區(qū)域的大小取決于卷積核的大小，也就是所謂的感受野（receptivefield）。卷積層中主要包括的超參數(shù)據(jù)有三種：卷積核的大小，移動的步長和圖像填充的范圍。其中卷積核的大小決定了每次提取信息的復(fù)雜度，往往是小于輸入數(shù)據(jù)尺寸的矩形數(shù)據(jù)提取框；移動的步長則是指卷積核兩次卷積操作之間的距隔，圖像填充則是保證卷積核滑動窗口正好能滑動到圖像邊界，這三個參數(shù)共同決定了輸出特征圖的尺寸。卷積操作如圖2-4所示。圖2-4卷積操作示意圖13

【參考文獻】：
期刊論文
[1]基于深度學(xué)習(xí)的強對流高分辨率臨近預(yù)報試驗[J]. 郭瀚陽,陳明軒,韓雷,張巍,秦睿,宋林燁.  氣象學(xué)報. 2019(04)
[2]基于深度學(xué)習(xí)的視頻預(yù)測研究綜述[J]. 莫凌飛,蔣紅亮,李煊鵬.  智能系統(tǒng)學(xué)報. 2018(01)
[3]強對流天氣短時臨近預(yù)報業(yè)務(wù)技術(shù)進展與挑戰(zhàn)[J]. 鄭永光,張小玲,周慶亮,端義宏,諶蕓,何立富.  氣象. 2010(07)
[4]臨近預(yù)報系統(tǒng)（SWIFT）中風(fēng)暴產(chǎn)品的設(shè)計及應(yīng)用[J]. 胡勝,羅兵,黃曉梅,梁巧倩,沃偉峰.  氣象. 2010(01)
[5]交叉相關(guān)算法在強對流天氣臨近預(yù)報中的應(yīng)用[J]. 曾小團,梁巧倩,農(nóng)孟松,馮業(yè)榮,許向春,陳業(yè)國.  氣象. 2010(01)
[6]基于雷達數(shù)據(jù)的風(fēng)暴體識別、追蹤及預(yù)警的研究進展[J]. 韓雷,王洪慶,譚曉光,林隱靜.  氣象. 2007(01)
[7]對流天氣臨近預(yù)報技術(shù)的發(fā)展與研究進展[J]. 陳明軒,俞小鼎,譚曉光,王迎春.  應(yīng)用氣象學(xué)報. 2004(06)



本文編號：3588770