System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及无线电波预测气象,具体为一种实时高精度预测云团驻留时间方法。
技术介绍
1、无线电波预测气象是一种利用大气层中的无线电波传播特性对临近气象进行预测的方法。大气层内不同的温度、湿度组成会影响无线电波的传播速度和衰减。利用这一特点,可以通过探测来自不同方向的无线电波的参数,进行大气层成分推断,进而预测气象要素。
2、云层的形成和移动对气象预报具有决定性影响,现有技术主要通过经验算法或数值模拟预测云层驻留时间,但精度受限,监测区域也较为局限,预测预警水平难以得到提高。为此,需要设计相应的技术方案给予解决。
技术实现思路
1、针对现有技术的不足,本专利技术提供了一种实时高精度预测云团驻留时间方法,解决了现有技术预测云层驻留时间精度受限,监测区域较为局限,预测预警水平难以得到提高的技术问题。
2、为实现以上目的,本专利技术通过以下技术方案予以实现:一种实时高精度预测云团驻留时间方法,方法步骤包括如下:
3、s1、通过卫星云图遥感技术获取云团的位置和运动信息;
4、s2、利用人工智能算法对云团的运动轨迹进行预测;
5、s3、根据预测结果和实际观测数据计算云团的驻留时间;
6、s4、将计算结果实时发布。
7、优选的,步骤s1中,获取云团的位置和运动信息还包括多波段相机无人机、分布式激光雷达网络、多参数气象传感器、毫米波云谱仪、云雾图像智能解析算法和云团模拟系统;
8、利用多波段相机无人机
9、使用分布式激光雷达网络,通过解析空中颗粒的反射信号,实时重构三维云团结构,捕捉云团的运动和变形;
10、使用多参数气象传感器,使用气球或无人机进行三维布放,获取云团内部的温度、湿度、压强参数,通过变化推测云团运动;
11、利用毫米波云谱仪,通过测量不同位置云团的毫米波吸收特性,反推云团的运动状态和演变过程;
12、开发云雾图像智能解析算法,运用地面监测网络拍摄的云团视频,进行图像处理获得云团运动信息;
13、建立湍流模型与云微物理模型耦合的云团模拟系统,输入气象要素,模拟云团演变和运动过程。
14、优选的,步骤s1中,通过卫星云图遥感获取云团位置和运动信息具体包括以下方法步骤:
15、使用双重波段的卫星云图传感器,一个波段在可见光范围,另一个波段在中红外范围,同时获取云团的可见光图像和红外增强图像;
16、应用全新的云团边界分割算法,使用卷积神经网络分析云团纹理特征,精确提取云团边界;
17、利用空间关系图网络分析云团在连续时相图像中的变化,确定云团关键点的运动轨迹;
18、建立光流深度学习模型,输入两时相云图,输出云团内部各像素的运动向量场;
19、设计云团运动预测器,基于lstm网络,综合云团边界、关键点轨迹、运动向量场,预测未来时刻云团状态;
20、使用云计算和分布式计算框架,实现海量卫星云图数据的快速处理,给出实时云团定位和运动结果;
21、构建云-端协同的云图处理系统,云端压缩和预处理卫星数据,边端设备完成关键算法计算;
22、系统具有自主学习和模型增强功能,卫星运营期间持续优化算法,提高提取精度。
23、优选的,步骤s2中,人工智能算法预测云团运动轨迹的方法具体包括如下步骤:
24、使用卷积lstm网络作为预测模型,模拟云团运动过程中的时空关系;
25、网络输入包括历史多时相云图、气象场数据,气象场数据包括风场、压强场,学习云团运动规律;
26、网络结构采用编码-解码架构,编码器提取云团运动相关特征,解码器完成未来运动预测;
27、在解码器中引入注意力模块,关注输入数据的不同部分,实现自适应学习;
28、网络输出包括未来n个时间段的云团边界框序列,表示预测的云团位置;
29、利用蒙特卡洛随机抽样的方法增强数据,提高模型泛化能力;
30、设计基于遗传算法的超参数优化策略,搜索出最优网络结构;
31、应用增量学习算法,使用新获取的数据更新模型,不断提升预测准确度;
32、在云平台上利用多gpu实现模型并行训练,加速运算过程。
33、优选的,步骤s3中,根据预测结果和实际观测数据计算云团的驻留时间的方法步骤包括如下:
34、基于雷达数据和气象模型:结合雷达回波数据和气象模型,利用雷达回波的强度、速度和方向信息来预测云团的运动轨迹,通过与实际观测数据进行比对,计算出云团的驻留时间;
35、基于气象气候数据库和机器学习算法:利用大量的气象气候数据库,结合机器学习算法,建立云团运动与驻留时间之间的关联模型,通过输入预测结果和实际观测数据,模型输出云团的驻留时间;
36、基于卫星云图纹理特征和深度学习算法:通过提取卫星云图中云团的纹理特征,利用深度学习算法对云团的运动轨迹进行预测,结合实际观测数据,计算出云团的驻留时间。
37、优选的,步骤s4中,实时发布计算结果的具体步骤方法包括如下:
38、利用无人机搭载部署小型卫星网,在重要的观测点和预测点部署多个微型卫星,微型卫星搭载计算处理能力强的机器学习芯片,实时接收云图数据并进行预测计算;
39、计算完成后,各个微型卫星将结果直接通过卫星通信网络传回地面控制中心,同时,微型卫星能直接通过信标与附近的无人机通信;
40、控制中心将计算结果实时推送到各地的应急中心和用户终端,附近的无人机直接接收计算结果,利用其机动性将结果传播到更远地方。
41、优选的,机器学习芯片包括但不限于ai加速处理器、arm高性能中央处理器、fpga可编程逻辑器件、大容量flash或ssd存储器、通用pcie/m.2接口、低功耗、api、位操作与通信接口;
42、所述ai加速处理器包括有nvidia jetson系列单片机,用于云图数据的预处理、深度学习特征提取和模型预测计算;
43、所述arm高性能中央处理器配合较大容量sdram进行模型和数据的在线训练;
44、所述fpga可编程逻辑器件实现定制化的ai加速处理功能与模块,提升计算效率;
45、所述大容量flash或ssd存储器搭载预训练好的机器学习模型和例证数据库;
46、所述通用pcie/m.2接口支持随时更新替换ai处理模块与算法;
47、所述低功耗设计适用于卫星小型化运作环境;
48、所述api用于集成第三方ai算法框架和模型;
49、所述位操作与通信接口实现数据传输与结果输出。
50、优选的,所述气象预报和灾害预警提供准确的数据支持包括有气溶胶传感,具体包括如下步骤:
51、在云图目标区域内的本文档来自技高网...
【技术保护点】
1.一种实时高精度预测云团驻留时间方法,其特征在于,方法步骤包括如下:
2.根据权利要求1所述的一种实时高精度预测云团驻留时间方法,其特征在于:步骤S1中,获取云团的位置和运动信息还包括多波段相机无人机、分布式激光雷达网络、多参数气象传感器、毫米波云谱仪、云雾图像智能解析算法和云团模拟系统;
3.根据权利要求1所述的一种实时高精度预测云团驻留时间方法,其特征在于:步骤S1中,通过卫星云图遥感获取云团位置和运动信息具体包括以下方法步骤:
4.根据权利要求1所述的一种实时高精度预测云团驻留时间方法,其特征在于:步骤S2中,人工智能算法预测云团运动轨迹的方法具体包括如下步骤:
5.根据权利要求1所述的一种实时高精度预测云团驻留时间方法,其特征在于:步骤S3中,根据预测结果和实际观测数据计算云团的驻留时间的方法步骤包括如下:
6.根据权利要求1所述的一种实时高精度预测云团驻留时间方法,其特征在于:步骤S4中,实时发布计算结果的具体步骤方法包括如下:
7.根据权利要求6所述的一种实时高精度预测云团驻留时间方法,其特征在
8.根据权利要求1所述的一种实时高精度预测云团驻留时间方法,其特征在于:所述气象预报和灾害预警提供准确的数据支持包括有气溶胶传感,具体包括如下步骤:
9.根据权利要求8所述的一种实时高精度预测云团驻留时间方法,其特征在于:所述气象预报和灾害预警提供准确的数据支持利用基于区块链的分布式计算网络来计算和保存云团预测结果,具体包括如下步骤:
10.根据权利要求9所述的一种实时高精度预测云团驻留时间方法,其特征在于:所述气象预报和灾害预警提供准确的数据支持利用无人机与地面基站的有线网来实时传输计算结果,具体包括如下步骤:
...【技术特征摘要】
1.一种实时高精度预测云团驻留时间方法,其特征在于,方法步骤包括如下:
2.根据权利要求1所述的一种实时高精度预测云团驻留时间方法,其特征在于:步骤s1中,获取云团的位置和运动信息还包括多波段相机无人机、分布式激光雷达网络、多参数气象传感器、毫米波云谱仪、云雾图像智能解析算法和云团模拟系统;
3.根据权利要求1所述的一种实时高精度预测云团驻留时间方法,其特征在于:步骤s1中,通过卫星云图遥感获取云团位置和运动信息具体包括以下方法步骤:
4.根据权利要求1所述的一种实时高精度预测云团驻留时间方法,其特征在于:步骤s2中,人工智能算法预测云团运动轨迹的方法具体包括如下步骤:
5.根据权利要求1所述的一种实时高精度预测云团驻留时间方法,其特征在于:步骤s3中,根据预测结果和实际观测数据计算云团的驻留时间的方法步骤包括如下:
6.根据权利要求1所述的一种实时高精度预测云团驻留时间方法,其特征在于:步骤s4...
【专利技术属性】
技术研发人员:王啸华,慕瑞琪,艾文文,蒋启进,喜度,禹梁玉,李杨,李泽宇,
申请(专利权)人:江苏省气象台,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。