申请/专利权人：苏州市气象局

申请日：2024-01-26

公开（公告）日：2024-04-26

公开（公告）号：CN117930243A

主分类号：G01S13/95

分类号：G01S13/95;G01S13/89;G01S7/41;G01S7/292;G01S7/295

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明公开了基于深度学习和时空要素的雷达非降水回波质控方法，包括：S1：收集用于训练样本的雷达基数据；S2：将收集的雷达基数据进行极坐标系列到笛卡尔坐标系的转换，制成RGB雷达图像；S3：对RGB雷达图像中的每一个像素进行手工标记，将非降水回波分成不同种类；S4：将标记后的RGB雷达图像裁剪成特定像素的图片后作为训练样本数据集；S5：采用DeeplabV3+模型训练样本数据集；S6：使用混淆矩阵平均交并比评分对模型精度进行评价；S7：使用训练完成的DeeplabV3+模型对其他雷达回波做非降水回波的识别。本发明通过手工标注和深度学习DeeplabV3+模型结合建立训练数据集，再使用混淆矩阵平均交并比对模型精度进行评价，可以提高对雷达非降水回波质控的准确性和可靠性。

主权项：1.基于深度学习和时空要素的雷达非降水回波质控方法，其特征在于：包括以下步骤：S1：收集用于训练样本的雷达基数据；S2：将收集的雷达基数据进行极坐标系列到笛卡尔坐标系的转换，制成RGB雷达图像；S3：对RGB雷达图像中的每一个像素进行手工标记，将非降水回波分成不同种类；S4：将标记后的RGB雷达图像裁剪成512像素×512像素的图片后作为训练样本数据集；S5：采用DeeplabV3+模型训练样本数据集；S6：使用混淆矩阵平均交并比评分对模型精度进行评价；S7：使用训练完成的DeeplabV3+模型对其他雷达回波做非降水回波的识别。

全文数据：

权利要求：

百度查询： 苏州市气象局 基于深度学习和时空要素的雷达非降水回波质控方法

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