基于多要素3D特征提取的短期定量降水预报技术研究
基于多要素3D特征提取的短期定量降水预报技术研究
Publication information
Publisher
南京信息工程大学 人工智能学院,南京,210044%国家气象中心,北京,100081
More information
Scope and Contents
Contents
P457.6%TP18; 由于空间分辨率有限、物理参数化方案不够完善、泛化性较弱等原因,使得传统业务数值天气模式(NWP)在定量降水预报中存在固有偏差,而深度学习神经网络具有强大的非线性拟合能力、能够自主性学习到任务相关的关键特征、泛化性较高等优势,有望改善现状.为此,本文提出一种基于多要素 3D特征提取的短期定量降水预报技术.基于欧洲中期天气预报中心(ECMWF)提供的高分辨率ECMWF-HRES(EC-Hres)模式预报数据,构建 3D-QPF(3D-Quantitative Precipitation Forecast)语义分割模型,通过先分类后回归的耦合框架,捕捉多种降水相关要素数据的3D空间特征,得到与降水实况数据间的非线性关系,并增加准确率和召回率损失函数,进一步提升模型对偏态数...
Alternative Titles
Full title
基于多要素3D特征提取的短期定量降水预报技术研究
Identifiers
Primary Identifiers
Record Identifier
TN_cdi_wanfang_journals_njxxgcdxxb202501013
Permalink
https://devfeature-collection.sl.nsw.gov.au/record/TN_cdi_wanfang_journals_njxxgcdxxb202501013
Other Identifiers
ISSN
1674-7070
DOI
10.13878/j.cnki.jnuist.20231222004
How to access this item
Log in as a Library member
