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。