专利交易市场

本发明涉及一种江淮地区强降水中心场的提取方法，属于计算机客观天气分型技术领域。该方法包括如下步骤：1)建立表示强降水量场集合的数据集；2)查找每个强降水量场的κ邻域强降水量场；3)求每个强降水量场的密度指标；4)求每个强降水量场的分布指标；5)计算每个强降水量场的密度指标和分布指标的几何平均值，即为中心场的判定初值，然后更新判定初值，得到每个强降水量场的中心场判定值；6)从中心场判定值中选取大于0的值对应的降水量场日期和降水量格点值，即为强降水类型的中心场的出现日期及降水量。本发明只需要单一的预定义参数，且运行结果没有随机性，并能准确提取出分布呈现非凸形状的强降水量场集合的中心场。

本发明公开了一种基于深度学习的强降水空间整体相似度的降水预报订正方法，包括以下步骤：（1）利用YOLOv5对降水属性进行识别；（2）建立基于GAN的降水预报订正模型；（3）建立基于GAN且融合降水空间特征的强降水订正模型O‑GAN；（4）将测试期的数值模式预报数据代入模型O‑GAN，生成后处理之后的降水预报；本发明有效提高了传统仅优化逐点误差模型的订正技巧；实现了从降水图片到降水雨团空间属性的“端到端”输出，提高客观识别效率；避免了传统逐点订正模型可能出现的预报模糊化问题，同时能够有效捕捉强降水特征，提高降水预报准确率。

本发明公开了一种基于进化算法的特征选择与CART森林的短时强降水预报方法，采用进化算法对特征选择方案进行优化，得到特征选择方案，确定最终种群，使用各特征选择方案分别构建CART树，每棵树由整体数据集中随机选取的3/4的训练集训练得到，将所有树组合从而产生CART森林模型，采集待测地区待预测时间点之前的气象数据，代入CART森林模型中，根据CART森林模型中各棵CART树的分类结果，以少数服从多数的原则来判断所述待预测时间点是否会出现短时强降水天气，以实现对短时强降水天气的准确预报，实用性较强，能够对各类短时强降水预报需求进行高效准确地响应。

本发明公开了一种基于CNN‑XGBOOST模型的短时强降水预测方法，属于城市内涝监测预警领域。现有短时强降水预测模型多依赖雷达数据，不适用于雷达数据缺失或失真的情况。此外还可以依赖大气环境物理量进行预测，但多使用机器学习方法和CNN等深度学习方法，机器学习方法无法很好的应对特征变量很多的情况及提取特征变量的时间变化特征；而CNN等深度学习方法可以很好的提取特征，但无法很好的运行特征进行预测。因此，提出一种基于CNN‑XGBOOST模型的短时强降水预测方法，本方法可以在不需求雷达回波数据的情况下进行短时强降水预测，同时可以提取特征变量的时间变化特征，并充分利用提取出的特征进行预测。