一、卫星云图和数值预报产品及雷达资料相结合作短时预报（论文文献综述）
陶润喆[1]（2021）在《基于风云4号卫星图像的西藏地区云检测和降水外推预报研究》文中研究指明云和降水是表征天气和气候变化的重要指标,是全球能量循环的重要组成部分,使用卫星多仪器、多波段数据对云和降水进行观测已经成为当前大气遥感和气候变化领域的研究热点。西藏作为青藏高原的主体区域,其强大的热、动力作用对区域的气候变化有着非常重要的影响,研究高原云和降水具有重要的意义。同时,由于西藏地区的复杂地形条件、降水季节分配的不均匀性,导致在春夏季节极易受降水,大风等强对流天气的影响,产生各种地质灾害,严重威胁当地居民的生命财产安全和公路交通的正常运营。因此,本文对西藏地区开展大范围的云检测与降水预报工作。针对该地区气象观测站与雷达基站分布稀少,无法有效地开展大范围的天气监测,本文以高时间分辨、多观测波段的风云四号A星（FY-4A）为数据源。在遥感大数据的背景下,利用深度学习方法充分探究卫星多波段数据与云团、降水之间的对应关系,从而自动化地对西藏地区开展大范围的云检测、降水监测与预报工作。首先,针对在低空间分辨率的静止卫星图像上,由于一些小型云团只占有少量的像素点,现有的分割网络对小尺度云团目标以及云图轮廓无法实现精确的云检测这一问题。本文在大数据量的样本集下建立一种能够产生高分辨率表征的分割模型U-HRNet（U-High Resolution Network）,通过并行连接高分辨率到低分辨率的卷积结构,并进行多次多尺度特征融合,从而减少细节信息的丢失,实现精确地细节分割,检测结果的MIo U（Mean Intersection over Union）、PA（Pixel Accuracy）和F1-score分别为94.03%、94.21%和94.11%。对不同网络的检测结果与人工标注的真值进行比较,并利用客观评价指标进行分析。结果表明,所提出的U-HRNet在FY-4A静止卫星图像上的表现良好,能够有效地检测出NSMC云掩模产品中的错误区域,其性能优于现有方法。其次,以U-HRNet高精度分割模型为基础,针对降水云团的特点以及降水云与非降水云区分的问题,对网络结构进行改进,引入注意力机制模块,应用在降水云团检测与降水强度等级估计的小样本数据集中。以GPM（Global Precipitation Measurement）降水反演产品作为真值,在网络输入中融入高程数据,建立FY-4A多观测波段与降水之间的对应关系,从而实现对西藏全境的降水监测。降水强度估计结果的POD（Probability of Detection）、CSI（Critical Success Index）值为0.918、0.916,是几种对比方法中最高的,FAR（False Alarm Ratio）值为最低的0.045。然后,以FY-4A时序数据作为输入,利用时空预测网络挖掘卫星云图较长时段的时序依赖关系。针对现有方法外推结果精度不理想、图像模糊、数据质量不佳的问题,本文利用可变形卷积结构捕捉形变目标信息的能力来提高网络对云团特征的提取,并融合光流思想、云检测结果以及生成对抗网络结构,构造联合损失函数,提出一种对抗型Dconv GRU（Deformable Convolution GRU2Pixel,DCG2Pix）的云图预测模型,实现对30min后卫星云图以及多通道数据的高精度外推。通过与实际观测值对比,验证了预测数据的精确度。最终,将外推的高质量数据输入至建立好的降水强度等级估计模型中,实现对西藏全境的降水预报,通过与GPM降水数据的对比,证明了预报的准确性。
蔡朋艳[2]（2021）在《基于FY-4A卫星的云检测与云图预测方法研究》文中研究表明地球表面超过66%的区域常被云覆盖,而云的变化指示着各种天气现象的发生,当云的急剧变化发生在暴雨、雷电等灾害性天气中时,将会对人类的生活产生极大影响,甚至威胁人类的生命安全。尤其是西藏地区,夏季的强对流天气极易导致自然灾害的发生,因此需要监测该地区的云团变化情况以预防灾害的发生。风云四号A星实现了对云的实时观测,可提供高时间分辨率且多通道的观测数据,借助该数据分析云的动态变化可实现更为准确的天气预报。因此本文将风云四号A星作为数据源,并结合深度学习技术对西藏地区进行云检测与云图预测研究。针对现有深度学习模型体积较大且捕获云特征的能力较弱的问题,提出了基于改进U-Net网络的轻量级云检测模型。该模型以U-Net网络为基础框架,将全天候云图作为输入数据。将残差模块和卷积注意力模块融入U-Net网络中,提升模型对云特征的提取能力,并且几乎不会增加模型的计算复杂度。此外,在模型中使用深度可分离卷积可以在不降低模型性能的同时生成一个轻量级的云检测模型,为模型嵌入移动设备提供了可能。实验结果表明本文提出的云检测模型可以检测出大量的碎云和薄云,平均交并比指标达到了92.21%,与U-Net相比,提升了1.79%。针对现有的时间序列预测模型生成的云图模糊且预测精度不高的问题,提出了基于三维生成对抗网络的云图预测模型。该模型使用风云四号A星的历史观测数据来预测未来时刻的卫星图像以及红外通道亮温数据。在模型中应用三维卷积,并采用生成对抗的训练方式,提升模型对时空特征的提取能力。此外,通过改进损失函数,进一步提高预测图像的清晰度以及红外亮温数据的真实性。通过实验验证本文提出的云图预测方法可以生成更为清晰的图像以及精确的红外亮温数据,并且图像结构相似度指标达到了0.85,红外亮温的均方根误差指标小于10K。为了分析预测数据的可用性,使用改进U-Net网络对预测云图进行云检测,结果显示预测云图的动态变化情况与实际云图相似,表明本文提出的云图预测方法可为天气预报提供可靠的数据支持。
周康辉[3]（2021）在《基于深度卷积神经网络的强对流天气预报方法研究》文中研究说明强对流天气,包括冰雹、雷暴大风、短时强降水、龙卷等,常常伴有闪电,由于其时空尺度小,其精准预报具有极大难度。目前,强对流预报主要依靠基于观测数据的外推方法、基于数值模式的“配料法”等方法,预报效果有待进一步提升。近年来,随着中小尺度观测网络和高分辨率数值天气预报（High-resolution numerical weather prediction,HNWP）模式的不断发展,强对流天气监测和预报能力有了相应地提升。然而,高时空分辨率的观测数据和数值天气预报数据,完全由预报员进行主观分析具有较大难度,亟需发展能够将上述数据有效综合应用的客观预报方法。本文立足于强对流天气预报业务应用的实际需求,基于深度学习方法,开发了涵盖临近、短时、短期等不同预报时效的强对流天气预报方法。基于多源观测数据,实现了临近时段的闪电预报;基于多源观测数据和HNWP数据,实现了短时时段内的闪电预报;基于全球数值模式,实现了短期时段内的分类强对流天气预报。于此同时,本文还对以上针对强对流天气特征构建的深度学习模型,进行了可视化,尝试对深度学习的特征提取、预测过程进行解释。据我们所知,本文实现了深度学习在强对流预报领域的多个创新性尝试。如利用深度学习融合多源观测数据,进行闪电临近预报;利用深度学习融合多源观测和HNWP数据,进行闪电的短时预报;利用深度学习对数值模式进行后释用,实现分类强对流天气短期预报。临近时段（0～2 h）,基于静止气象卫星、多普勒天气雷达、云-地闪电（简称“闪电”）定位等多源观测数据,利用深度卷积神经网络,构建了图像语义分割模型（Lightning Net）,有效实现了闪电临近概率预报。经过训练的Lightning Net模型,能够提取时间和空间上的闪电发生发展特征,具备了较好的预报能力。2018年8月的预报检验表明,0～1 h闪电预报检验TS（Threat Score）评分达到0.453,命中率为0.633,虚警率为0.386;闪电预报结果为概率预报产品,预报概率值越大的区域往往对应闪电活动更为活跃的地区,也具备较好的指示性意义。由于卫星具有一定的初生对流观测能力,因此本方法具备较好的对流初生预报能力,能够在对流生成之前,对其进行有效预报。该方法利用深度学习算法有效地实现了卫星、雷达、闪电观测数据的融合应用,其预报性能显着优于仅仅基于单一数据源的预报性能。短时时段（2～6 h）,基于多源观测数据和HNWP数据的特性,构建了双输入单输出的深度学习语义分割模型（Lightning Net-NWP）。预报因子包括闪电密度、雷达反射率、卫星的6个红外通道云图,以及GRAPES3km输出的雷达组合反射率预报变量等共9个预报因子。深度学习模型使用了编码—解码的经典全卷卷积结构,并且参照了经典的池化索引共享的方式,尽可能保留不同空间尺度特征图上的细节特征信息。利用三维卷积层以提取多源观测数据时间和空间上的变化特征。结果表明,深度学习能够有效实现多源观测数据和HNWP数据的融合,Lightning Net-NWP能够较好地实现0～6 h的闪电预报,具备比单纯使用多源观测数据、HNWP数据更好的预报性能,且预报时效越长,融合的优势体现的越明显,为强对流短时预报提出了新的方法和思路。短期时段（6～72 h）,利用深度卷积神经网络,构建了雷暴和分类强对流天气（短时强降水、冰雹、雷暴大风）的概率预报模型。利用强对流天气历史观测数据标记全球数值模式的再分析数据,创建了大样本强对流天气分类样本集。样本特征包括温、压、湿、风等基本气象要素,同时也包含了反映水汽、动力、能量等强对流天气发生发展所需条件的常用强对流参数。基于强对流天气的这些样本特征,构建了6层的深度卷积神经网络预报模型。将经过训练的深度学习模型,应用于数值模式的预报数据,实现了分类强对流天气的概率预报。2015—2017年4—9月的预报检验表明,深度学习算法的预报表现,相对于预报员主观预报具有明显的提高,雷暴、短时强降水、冰雹和雷暴大风的TS评分分别提高了16.1%、33.2%、178%和55.7%。针对上述深度学习模型,本文使用决策树预报因子重要性排序、预报因子变换重要性以及深度学习模型卷积输出结果可视化等方法,对各种深度学习方法和模型进行了初步的解释。基于决策树预报因子重要性排序结果表明,对于分类强对流天气的预报因子,机器学习方法排列的预报因子重要性程度,很大程度上与预报员的主观认识是一致的,同时也能得到一些有益的启发。通过变换重要性方法（Permutation importance）对Lightning Net-NWP模型的各个预报因子的重要性进行了分析。结果表明,随着预报时效的延长,NWP预报因子起到的作用越来越大,而观测数据预报因子的重要性逐渐下降。利用卷积层输出可视化的方法,对Lightning Net预报过程进行了可视化,分析了其卷积核特征提取过程。
赵方原[4]（2021）在《基于深度学习的对流初生短临预报方法研究》文中进行了进一步梳理当前,人们对于对流初生短临预报的需求日益增长,随着深度学习技术的不断深入发展也使得利用深度学习方法进行对流初生短临预报成为了可能。虽然我国近几年在灾害性天气中的预报取得了长足的进展,但传统的数值天气预报方法在对流初生短临预报上仍面临较大的挑战。在本论文中,针对对流初生短临预报问题,我们尝试使用深度学习的方法提升预报模型的时效性和准确性。本论文依托中国电子科技集团公司第十四研究所所控横向项目开展工作如下:第一,研究对流初生短临预报的发展和现状。调研相关的应用产品和技术现状,同时总结现阶段存在的一些问题,阐述在对流活动的初生阶段运用深度学习进行短临预报的重要意义。第二,多源数据预处理。通过对向日葵8号气象卫星数据、华东地区雷达数据、再分析资料、对流初生标签等数据进行分析和处理,完成训练数据的生成,建立实验需要的标准数据库结构。第三,针对卫星云图中的积云识别建模困难、计算复杂、泛化性能较弱的问题,提出基于语义分割和分水岭算法融合的积云识别方法。通过神经网络学习卫星云图的深层次特征,并辅以分水岭算法进行修正,在用于目标积云识别任务中可获得更高的精确度和稳定性。第四,针对对流初生短临预报模型,使用基于修正Cost的目标积云关联方法对积云进行关联,并提出基于U-Net的对流初生短临预报模型,通过建立的标准数据库中数据集对预报模型进行训练和引入注意力机制提高了预报模型的精确度和泛化性,在一定程度上降低了预报的虚警率。通过目标云分类实验验证,发现通过语义分割方法和分水岭算法融合,主体积云目标分割正确,受下垫面影响较小,在一定程度上提升云分类效果。其次,通过关联实验可知,基于修正Cost的目标积云关联方法可以对积云目标进行有效关联。最后,通过对流初生短临预报实验对比,U-Net相较于长短期记忆人工神经网络有更好的泛化性能,在引入注意力机制,随机噪声和对损失函数修正后提升了预报模型的准确性。因此,本文提出的预报模型在针对华东地区的对流初生短临预报上有着不错的效果。
周康辉,郑永光,韩雷,董万胜[5]（2021）在《机器学习在强对流监测预报中的应用进展》文中研究说明近年来,机器学习理论和方法应用蓬勃发展,已在强对流天气监测和预报中广泛应用。各类机器学习算法,包括传统机器学习算法（如随机森林、决策树、支持向量机、神经网络等）和深度学习方法,已在强对流监测、短时临近预报、短期预报领域发挥了积极的重要作用,其应用效果往往明显优于依靠统计特征或者主观经验积累的传统方法。机器学习方法能够更有效提取高时空分辨率的中小尺度观测数据的强对流特征,为强对流监测提供更全面、更强大的自动识别和追踪能力;能够有效综合应用多源观测数据、分析数据和数值预报模式数据,为强对流临近预报预警提取更多有效信息;能够有效对数值模式预报进行释用和后处理,提升全球数值模式、高分辨率区域数值模式在强对流天气预报上的应用效果。最后,给出了目前机器学习方法应用中存在的问题和未来工作展望。
林开平,陈伟斌,刘国忠,覃月凤,董雪晗,熊思章[6]（2020）在《广西暴雨业务预报技术回顾与展望》文中研究表明回顾了广西暴雨业务预报技术60年发展历程,总结了近30年气象工作者对广西暴雨研究与暴雨预报技术取得的主要成果。广西暴雨研究进展主要是从广西暴雨天气机理研究、广西几种主要暴雨类型统计分析等方面进行综述。暴雨预报技术着重对多源资料的应用、数值预报产品的释用、集合预报技术的应用、人工智能的应用等客观预报技术在广西暴雨预报的应用方面进行归纳。
俞小鼎,郑永光[7]（2020）在《中国当代强对流天气研究与业务进展》文中提出对当代中国几十年来强对流天气研究和业务进展做了阐述,主要包括强对流系统产生的环境背景和主要组织形态,以及具体强对流天气的有利环境条件、触发机制、卫星云图特征、多普勒天气雷达回波特征以及预报、预警技术等诸方面。总体来看,中国学者对强对流以及不同类型强对流天气（强冰雹、龙卷、雷暴大风）发生、发展的环流背景以及通过雷达和卫星观测到的组织结构及其演变特征都已有了明确认识,研究了对流系统的多种触发机制,深入认识了超级单体、飑线等对流系统的环境条件、组织结构特征和维持机制,了解了中国中尺度对流系统的组织形态和气候分布特征,获得了强冰雹、龙卷、下击暴流和雷暴大风等的雷达、卫星和闪电等的多尺度观测特征、形成机制和现场灾害调查特征,发展了各类强对流天气识别、监测和分析方法以及基于"配料法"和深度学习方法等的预报、预警技术等。因此,强对流天气业务预报水平已得到显着提升。
李玲[8]（2020）在《基于雷达数据的短临降雨预报方法和应用研究》文中研究说明降雨是许多气象灾害触发的一个关键性因子,对人类的生活和财产有重要的影响。短临降雨预报的对象是降雨,特别是短期强降雨等强对流天气,可以为区域提供高时空分辨率0-2小时内精细化的降雨预报产品,提高人们对灾害的监测和预警能力,对区域安全和经济发展有重要现实意义。多普勒天气雷达属于微波遥感,是新一代空间探测的主要手段之一。雷达回波能穿透云雾雨雪,具有全天时、全天候的工作能力,在灾害性天气监测、预警等方面发挥不可替代的作用。目前,新一代多普勒天气雷达广泛布设在全国各地,提供高精度和高覆盖度的天气观测信息。气象雷达数据已成为人们研究气象规律、探测和预报气象灾害不可或缺的有力工具。对雷达数据进行外推是短临降雨预报的主要方法之一,但传统的外推方法在数据利用方面,没有充分挖掘历史观测数据的规律,仅依靠现有的几个有限的雷达数据进行预报;在预报效果上,由于没有考虑降雨系统的发生、发展、消亡等演化过程,使得预报的准确率不高。在预报产品的精细度上,无法满足区域对降雨产品的需求,特别是气候多变的沿海地区。针对以上的不足,本文在已有的相关研究基础上,基于雷达降雨数据,利用计算机视觉相关技术和机器学习等多种新方法和新技术,开展短临降雨预报相关理论研究、短临降雨预报模型构建以及北部湾地区短临降雨预报实践等三个问题的研究,以构建普适性较强,准确率和精细度较高的短临预报降雨方法和技术体系,提高区域应对突发性强降雨的能力,为当地的气象灾害的防治提供强有力的支持。总结起来,本论文做了以下内容的研究:（1）基于空间信息处理理论,构建短临降雨预报理论方法框架。在归纳和梳理短临降雨预报的定义和建模方法的基础上,从空间信息处理的角度,构建包括短临降雨数据的来源与处理方法、短临降雨预报外推技术和基于机器学习的技术以及短临降雨精细化和网格化的输出表达的理论框架。本研究从理论上进一步丰富了短临降雨预报的研究。（2）从不同的建模角度,提出了三种短临降雨预报方法,包括亚像素金字塔光流技术的外推方法（SPLK）,基于随机森林融合外推模型的方法（SPLK-RF）以及基于卷积神经网络和XGBoost的短临降雨预报方法（TSCNN-XGBoost）。这三种预报方法各具特色。基于亚像素金字塔光流技术的外推方法侧重于对降雨像元的精确跟踪,因此在预报快速移动的小范围降雨上更具优势,其CORR指数比PPLK和TREC提高了约4-10%,特别是在预报1小时后;基于随机森林融合外推模型的方法主要解决外推方法中预报图像不连续的问题,从而在大范围的降雨上效果较好,其CORR指数和POD指数较SPLK有10-20%的提高,而误报率以及偏差也下降5%左右;基于卷积神经网络和XGBoost的短临降雨预报方法借鉴时空序列预测的方法,通过对大量的历史观测数据的学习,获得相关的规律,进而进行预报。由于使用了相似性建模的方法,该方法对大多数的降雨预报效果都较好,其CORR指数明显高于其他四种算法,特别是在预报小范围风暴降雨如storm3中,比SPLK-RF分别提高近50%,而对大范围的快速移动的对流降雨如storm2,准确率也比SPLK-RF提高了10%左右。这三种预报方法均可以较好的预报不同类型的降雨事件,在一定程度上提高降雨预报的准确率。因此,本研究从技术上丰富了短临降雨预报的方法体系。（3）开展针对北部湾地区短临降雨预报的应用研究。通过利用本文提出的三种预报方法对北部湾地区进行应用实践,并比较这三种预报方法在北部湾地区的预报能力和普适性。经验证,这些预报方法在北部湾地区取得很好的效果,普适性较强。其中,TSCNN-XGBoost在北部湾的应用效果最佳,CORR的值比其他预报方法的值提高了将近20%,而CSI提高了近10%;其次是SPLK,表现较差的是SPLK-RF,其平均CSI指数也达到0.4,这说明本文提出的预报方法具有一定的普适性和泛化能力,研究结果为后续建立北部湾地区短临降雨预报系统研究奠定基础,为类似的区域短临降雨预报提供良好范例。通过以上的研究还发现,短临降雨预报的时效性较短,单纯的依靠雷达数据进行预测,无法完全获得降雨系统生消演变的内在驱动力,因此时效性和准确率均不是太高。要获得较好的预报效果,不但需要各种气象要素的加入,而且要与数值模式进行结合,才能从根本上解决单纯依靠雷达数据预报存在的问题,这也是目前短临预报领域一个难点和热点,尚待我们进一步研究。
刘珂珂[9]（2019）在《基于卫星云图强对流雷暴识别方法的研究》文中认为强对流天气主要是指雷雨大风、冰雹和短时强降水等天气状况,是主要灾害性天气之一,强对流天气的发生对经济发展和人民的生产、生活都有很大的影响。本文基于风云四号气象卫星数据,对强对流雷暴进行识别研究。本文的主要研究内容如下:1、对2018年7月-9月的卫星数据进行预处理,获得各通道的卫星图像。卫星原始数据是以矩阵的形式存放,经过辐射定标、投影转换步骤,转换成卫星云图。另外还对雷达数据进行预处理,获得雷达组合反射率图,雷达数据作为验证集。2、采用阈值法对卫星图像中的对流云团进行识别,并提取云团的特征;研究云团发展演变的过程,用面积重叠法对不同时刻下的目标云团进行匹配,获得时间信息下的同一个目标云团序列,在匹配过程中,首先设置粗筛选区域,提出了利用目标云团外接矩形坐标之间的关系的方法,大大缩短了寻找匹配目标的时间。3、云团移动过程中质心的连线就是云团移动的序列,基于词袋模型算法对云团序列进行分类和预测。根据云团发展强度把云团序列分为严重雷暴序列和非严重雷暴序列两类。并根据云团序列的发展时间长短对云团序列进行类别标签划分。在特征提取过程中,加入时间信息对特征进行重构,获得新的9维特征,分别是三个均值、三个方差、三个斜率。构建词袋模型后,每一个云团序列都可以用一个直方图表示,用直方图相似性度量的方法进行分类和预测。对新云团序列进行预测,预测信息包括类别标签、当前时刻、结束时刻。综上所述,本文基于卫星数据对强对流雷暴云团进行了研究。首先用阈值法对强对流雷暴云团进行了识别,并研究了云团的发展演变过程。之后提出了基于词袋模型算法云团序列的分类和预测。为强对流天气的相关研究提供了新的思路,为天气预警提供了理论支持。
高维英,谢在发,李明[10]（2019）在《区县级短时临近预报预警中三圈预警的探索》文中提出针对区县级短时临近预报预警培训实习中,预报预警服务人员普遍反映的预警产品质量低,预报服务滞后的情况,提出了提高短时临近预报预警培训质量的三圈预警,并介绍了建立三圈预警的方法、三圈预警区预报服务产品的制作及三圈预警方法的培训,是对提高区县级短时临近预报预警培训质量的探索。
二、卫星云图和数值预报产品及雷达资料相结合作短时预报（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、卫星云图和数值预报产品及雷达资料相结合作短时预报（论文提纲范文）
（1）基于风云4号卫星图像的西藏地区云检测和降水外推预报研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 云检测以及降水云团识别的研究现状 |
| 1.2.2 卫星降水反演的研究现状 |
| 1.2.3 云图预测的研究现状 |
| 1.3 本文主要研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 本文章节安排 |
| 第二章 研究区概况与数据处理 |
| 2.1 西藏概况 |
| 2.2 数据资料与预处理 |
| 2.2.1 数据资料 |
| 2.2.2 数据预处理 |
| 2.3 本章小结 |
| 第三章 基于U-HRNet的高精度云检测方法 |
| 3.1 云在遥感图像上的特性 |
| 3.1.1 云的辐射特性 |
| 3.1.2 云的几何特征 |
| 3.2 云检测标签制作 |
| 3.3 基于现有分割网络的云检测研究 |
| 3.3.1 基于U-Net的云检测 |
| 3.3.2 基于Deeplab V3 的云检测 |
| 3.4 基于U-HRNet的云检测 |
| 3.4.1 建立U-HRNet模型框架 |
| 3.4.2 重复多尺度融合与联合金字塔上采样模块 |
| 3.4.3 试验细节与消融试验 |
| 3.4.4 结果分析与客观评价 |
| 3.5 本章小结 |
| 第四章 基于U-HRNet+的降水云团识别与降水强度等级估计 |
| 4.1 基于U-HRNet+的降水云团识别 |
| 4.1.1 标签制作 |
| 4.1.2 建立降水云团识别模型 |
| 4.1.3 结果分析 |
| 4.2 基于U-HRNet+的降水强度等级估计 |
| 4.2.1 标签制作 |
| 4.2.2 建立降水强度等级估计模型 |
| 4.2.3 通道消融试验 |
| 4.2.4 结果分析 |
| 4.3 本章小结 |
| 第五章 云图外推与降水预报 |
| 5.1 标签与数据集制作 |
| 5.2 基于现有时空预测模型的云图外推 |
| 5.2.1 基于Conv GRU的云图外推 |
| 5.2.2 基于生成对抗网络的云图外推 |
| 5.3 基于对抗型Dconv GRU的云图外推 |
| 5.3.1 构建对抗型Dconv GRU模型 |
| 5.3.2 外推结果分析与客观评价 |
| 5.4 基于外推数据的云检测与降水预报 |
| 5.4.1 基于外推数据的云检测 |
| 5.4.2 基于外推数据的降水预报 |
| 5.5 本章小结 |
| 第六章 总结和展望 |
| 6.1 总结 |
| 6.2 创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 个人简介 |
（2）基于FY-4A卫星的云检测与云图预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 云检测方法研究现状 |
| 1.2.2 云图预测研究现状 |
| 1.2.3 深度学习研究现状 |
| 1.3 问题的总结与分析 |
| 1.3.1 云检测方法 |
| 1.3.2 云图预测方法 |
| 1.4 本文主要研究内容与技术线路 |
| 1.4.1 主要研究内容 |
| 1.4.2 技术线路 |
| 1.5 本文章节安排 |
| 第二章 研究区域与数据处理 |
| 2.1 研究区域 |
| 2.2 研究数据介绍 |
| 2.2.1 风云四号A星 |
| 2.2.2 AGRI数据介绍 |
| 2.2.3 FY-4A卫星云检测产品 |
| 2.3 数据预处理 |
| 2.3.1 数据提取 |
| 2.3.2 几何校正 |
| 2.3.3 辐射定标 |
| 2.3.4 数据规范化 |
| 2.4 本章小结 |
| 第三章 基于改进U-Net网络的云检测方法 |
| 3.1 U-Net网络 |
| 3.2 基于改进U-Net网络的云检测模型 |
| 3.2.1 深度可分离卷积 |
| 3.2.2 残差模块 |
| 3.2.3 卷积注意力模块 |
| 3.2.4 改进的U-Net网络 |
| 3.3 实验与结果分析 |
| 3.3.1 数据集 |
| 3.3.2 实验设置 |
| 3.3.3 评价指标 |
| 3.3.4 消融实验 |
| 3.3.5 结果对比与分析 |
| 3.4 本章小结 |
| 第四章 基于3DGAN网络的云图预测方法 |
| 4.1 生成对抗网络 |
| 4.1.1 生成对抗网络的基本原理 |
| 4.1.2 Pixel2Pixel网络 |
| 4.2 基于3DGAN网络的云图预测模型 |
| 4.2.1 3D卷积 |
| 4.2.2 生成器模型结构 |
| 4.2.3 判别器模型结构 |
| 4.2.4 损失函数 |
| 4.3 实验与结果分析 |
| 4.3.1 数据集 |
| 4.3.2 实验设置 |
| 4.3.3 评价指标 |
| 4.3.4 预测图像对比与分析 |
| 4.3.5 预测通道亮温对比与分析 |
| 4.3.6 预测云图的云检测对比与分析 |
| 4.4 本章小结 |
| 第五章 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 个人简介 |
（3）基于深度卷积神经网络的强对流天气预报方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 国内外研究进展 |
| 1.2.1 机器学习在强对流和降水监测中的应用 |
| 1.2.2 机器学习在强对流临近预报中的应用 |
| 1.2.3 机器学习在强对流短时和短期预报中的应用 |
| 1.2.4 小结与展望 |
| 1.3 问题的提出 |
| 1.4 论文章节安排 |
| 第2章 基于多源观测数据的闪电临近预报 |
| 2.1 研究背景 |
| 2.2 数据和方法 |
| 2.2.1 卫星数据 |
| 2.2.2 全国雷达拼图数据 |
| 2.2.3 闪电定位数据 |
| 2.2.4 地理范围选取 |
| 2.3 深度学习方法 |
| 2.3.1 闪电预报流程 |
| 2.3.2 训练集和测试集构建 |
| 2.3.3 深度学习模型 |
| 2.4 试验结果 |
| 2.4.1 检验结果 |
| 2.4.2 2018年8月23日预报个例分析 |
| 2.4.3 2018年8月4日预报个例分析 |
| 2.4.4 闪电初生预报和检验 |
| 2.5 结论和讨论 |
| 第3章 基于高分辨率数值预报和观测数据的闪电短时预报 |
| 3.1 研究背景 |
| 3.2 数据 |
| 3.2.1 观测数据 |
| 3.2.2 高分辨率数值天气预报数据 |
| 3.3 深度学习模型 |
| 3.3.1 深度学习模型结构 |
| 3.3.2 训练集和测试集 |
| 3.3.3 训练过程 |
| 3.4 试验结果 |
| 3.4.1 批量检验结果 |
| 3.4.2 个例检验结果-2018年8月21日 |
| 3.4.3 个例检验结果-2018年8月23日 |
| 3.5 小结 |
| 第4章 基于数值预报的强对流天气短期分类预报 |
| 4.1 引言 |
| 4.2 数据与方法 |
| 4.2.1 NCEP FNL分析资料 |
| 4.2.2 强对流天气实况数据 |
| 4.3 深度学习预报算法 |
| 4.3.1 训练样本和测试样本 |
| 4.3.2 深度学习模型构建 |
| 4.3.3 预报过程 |
| 4.4 结果评估 |
| 4.4.1 不同模型评估 |
| 4.4.2 个例预报评估 |
| 4.4.3 算法整体评估 |
| 4.5 小结 |
| 第5章 基于机器学习可视化的强对流机理规律研究 |
| 5.1 研究背景 |
| 5.2 数据和方法 |
| 5.2.1 预报因子重要性排序 |
| 5.2.2 变换重要性 |
| 5.2.3 特征图(feature map可视化) |
| 5.3 机器学习模型可解释性 |
| 5.3.1 基于NWP的分类强对流天气预报因子重要性排序 |
| 5.3.2 基于多源观测数据和HNWP数据进行短时预报的预报因子变换重要性 |
| 5.3.3 基于多源观测数据特征图可视化 |
| 5.4 小结与讨论 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 本文创新点 |
| 6.3 未来展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（4）基于深度学习的对流初生短临预报方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于雷达数据气象预报技术 |
| 1.2.2 基于卫星数据气象预报技术 |
| 1.2.3 深度学习发展状况 |
| 1.3 本文主要研究内容和技术路线图 |
| 1.4 论文结构安排 |
| 1.5 本章小结 |
| 第二章 对流初生短临预报和深度学习相关理论基础概述 |
| 2.1 对流初生短临预报概述 |
| 2.2 深度学习网络概述 |
| 2.2.1 卷积神经网络 |
| 2.2.2 循环神经网络 |
| 2.2.3 长短期记忆网络 |
| 2.3 本章小结 |
| 第三章 多源数据预处理 |
| 3.1 数据采集区域介绍 |
| 3.2 原始数据采集 |
| 3.2.1 雷达数据 |
| 3.2.2 卫星数据 |
| 3.2.3 再分析资料 |
| 3.3 数据筛选 |
| 3.4 数据标注 |
| 3.5 数据增强 |
| 3.6 数据归一化 |
| 3.7 数据集生成 |
| 3.8 本章小结 |
| 第四章 基于深度分水岭变换的卫星图像积云分割方法 |
| 4.1 基本理论 |
| 4.1.1 Deeplab V3+模型 |
| 4.1.2 分水岭算法 |
| 4.2 卫星图像积云分割网络模型 |
| 4.2.1 问题分析 |
| 4.2.1.1 传统积云检测方法难点 |
| 4.2.1.2 积云分割方法改进 |
| 4.2.2 积云分割网络结构 |
| 4.3 卫星图像积云分割模型算法流程 |
| 4.3.1 积云分割流程图 |
| 4.3.2 积云分割模型训练流程概述 |
| 4.4 模型整体设置 |
| 4.4.1 模型架构设计类图 |
| 4.4.2 模型训练方案 |
| 4.5 积云分割结果及分析 |
| 4.5.1 评价指标 |
| 4.5.2 结果分析 |
| 4.6 本章小结 |
| 第五章 面向广域范围的对流初生短临预报模型 |
| 5.1 基于修正Cost的目标积云关联算法 |
| 5.1.1 问题分析 |
| 5.1.1.1 中尺度大气运动矢量方法关联难点 |
| 5.1.1.2 目标积云关联方法改进 |
| 5.1.2 修正Cost的目标关联系数 |
| 5.1.3 目标积云关联实验及分析 |
| 5.2 基于U-Net的对流出生短临预报模型 |
| 5.2.1 问题分析 |
| 5.2.1.1 传统预报方法预测难点 |
| 5.2.1.2 对流初生短临预报方法改进 |
| 5.2.2 对流初生短临预报网络结构 |
| 5.3 对流初生短临预报模型算法流程 |
| 5.3.1 模型训练流程图 |
| 5.3.2 对流初生短临预报模型训练流程概述 |
| 5.4 模型整体设置 |
| 5.4.1 模型方法设计图 |
| 5.4.2 模型训练方案 |
| 5.5 对流初生短临预报实验及分析 |
| 5.5.1 评价指标 |
| 5.5.2 结果分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 不足与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（5）机器学习在强对流监测预报中的应用进展（论文提纲范文）
| 引言 |
| 1 机器学习在强对流监测中的应用 |
| 1.1 云和降水分类 |
| 1.2 定量降水估计与监测 |
| 1.3 冰雹和雷暴大风监测 |
| 1.4 风暴识别和追踪 |
| 1.5 深度学习在强对流监测中的应用 |
| 2 机器学习在强对流临近预报中的应用 |
| 2.1 基于雷达回波的外推预报 |
| 2.2 基于静止气象卫星资料的临近预报 |
| 2.3 综合多源资料的临近预报 |
| 2.4 深度学习在临近预报中的应用 |
| 3 机器学习在强对流短时和短期预报中的应用 |
| 3.1 基于探空观测的潜势预报 |
| 3.2 基于全球数值预报模式的潜势预报 |
| 3.3 基于高分辨率数值预报模式的强对流天气预报 |
| 3.4 深度学习在强对流短时和短期预报中的应用 |
| 4 存在的问题和未来发展 |
| 4.1 存在的问题 |
| 4.2 未来发展 |
| 5 结论 |
（6）广西暴雨业务预报技术回顾与展望（论文提纲范文）
| 引言 |
| 1 广西暴雨业务预报技术发展回顾 |
| 2 广西暴雨研究进展 |
| 2.1 广西暴雨天气机理研究 |
| 2.2 广西几种主要暴雨类型的统计分析 |
| 2.2.1 锋面暴雨 |
| 2.2.2 暖区暴雨 |
| 2.2.3 西南涡暴雨 |
| 2.2.4 热带系统暴雨 |
| 3 暴雨客观预报技术在广西的应用 |
| 3.1 多源资料在广西暴雨预报上的运用 |
| 3.2 数值预报产品在广西暴雨预报的释用 |
| 3.3 集合预报技术在广西暴雨预报上的应用 |
| 3.4 人工智能在广西暴雨预报上的应用 |
| 4 广西暴雨业务预报技术存在的主要问题及改进建议 |
（7）中国当代强对流天气研究与业务进展（论文提纲范文）
| 1 引言 |
| 2 雷暴和强对流天气产生的有利条件 |
| 2.1 雷暴和强对流的环境背景 |
| 2.2 雷暴和强对流的抬升触发机制 |
| 3 强对流系统的组织形态 |
| 3.1 超级单体风暴 |
| 3.2 飑线与弓形回波 |
| 3.3 中尺度对流系统 |
| 4 强对流天气和预报 |
| 4.1 强冰雹 |
| 4.2 下击暴流和雷暴大风 |
| 4.3 龙卷 |
| 4.4 强对流天气预报 |
| 5 中央气象台强对流天气业务进展 |
| 5.1 业务发展历史和成效 |
| 5.2 客观支撑技术 |
| 6 总结和展望 |
（8）基于雷达数据的短临降雨预报方法和应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统短临降雨预报方法 |
| 1.2.2 基于机器学习的短临降雨预报方法 |
| 1.2.3 区域短临降雨预报研究 |
| 1.2.4 存在问题 |
| 1.3 研究内容及结构安排 |
| 1.3.1 论文思路 |
| 1.3.2 技术路线 |
| 1.3.3 结构安排 |
| 第2章 短临降雨预报相关理论基础 |
| 2.1 短临降雨预报理论框架 |
| 2.2 问题定义与建模 |
| 2.2.1 短临降雨预报定义 |
| 2.2.2 短临降雨预报建模 |
| 2.3 基于雷达图像的短临降雨预报方法 |
| 2.3.1 传统的雷达图像外推方法 |
| 2.3.2 基于机器学习方法的降雨预报模型 |
| 2.4 短临降雨预报产品的表达 |
| 2.5 短临降雨产品检验技术检验方法 |
| 2.5.1 基于像元的统计方法 |
| 2.5.2 基于对象的空间检验方法 |
| 第3章 雷达数据来源与处理 |
| 3.1 新一代天气雷达数据及处理 |
| 3.1.1 天气雷达原理 |
| 3.1.2 新一代天气雷达数据及处理 |
| 3.1.3 雷达反射率因子 |
| 3.2 雷达定量降雨估计 |
| 3.2.1 Z-R公式法 |
| 3.2.2 雷达定量降雨估计产品 |
| 第4章 基于亚像素金字塔光流技术的短临降雨预报研究 |
| 4.1 模型方法 |
| 4.1.1 模型的技术流程 |
| 4.1.2 基于外推的短临降雨预报原理 |
| 4.1.3 基于亚像素的短临降雨预报算法 |
| 4.1.4 降雨外推预报 |
| 4.1.5 重采样 |
| 4.1.6 空间插值 |
| 4.1.7 预报结果评价 |
| 4.2 实验数据 |
| 4.2.1 数据来源 |
| 4.2.2 降雨事件的描述 |
| 4.3 结果与分析 |
| 4.3.1 SPLK在降雨事件中性能比较 |
| 4.3.2 SPLK与其他外推算法比较 |
| 4.4 本章小结 |
| 第5章 基于随机森林融合外推模型的短临降雨预报研究 |
| 5.1 算法原理 |
| 5.1.1 算法过程 |
| 5.1.2 基于亚像素的金字塔光流短临降雨预报 |
| 5.1.3 基于随机森林的晴雨预报模型 |
| 5.1.4 模型融合过程 |
| 5.2 数据及实验环境 |
| 5.2.1 数据来源 |
| 5.2.2 试验环境的搭建 |
| 5.2.3 模型精度评价 |
| 5.3 结果与分析 |
| 5.3.1 参数对模型结果的影响 |
| 5.3.2 模型对不同降雨事件的表现 |
| 5.3.3 模型与其他模型的比较 |
| 5.4 本章小结 |
| 第6章 基于卷积神经网络与XGBoost的短临降雨预报研究 |
| 6.1 模型原理 |
| 6.1.1 算法的提出 |
| 6.1.2 时空特征提取模块 |
| 6.1.3 XGBoost预测模块 |
| 6.2 数据与实验环境 |
| 6.2.1 数据来源和处理 |
| 6.2.2 实验环境配置 |
| 6.2.3 模型精度评价 |
| 6.2.4 TSCNN-XGBoost参数的设置 |
| 6.3 实验结果与分析 |
| 6.3.1 不同降雨过程的比较 |
| 6.3.2 不同模型的比较 |
| 6.4 本章小结 |
| 第7章 北部湾地区短临降雨预报实践研究 |
| 7.1 研究区域概况 |
| 7.2 数据来源与处理 |
| 7.2.1 数据来源 |
| 7.2.2 降雨事件及描述 |
| 7.3 模型参数设置 |
| 7.3.1 基于亚像素光流的短临预报模型参数 |
| 7.3.2 基于随机森林与外推融合的短临预报模型参数 |
| 7.3.3 基于深度学习的短临预报模型参数 |
| 7.4 实验结果与分析 |
| 7.4.1 预报效果的定性分析 |
| 7.4.2 预报效果的定量评价 |
| 7.5 本章小结 |
| 结论 |
| (1)主要结论 |
| (2)创新点 |
| (3)展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得学术成果 |
（9）基于卫星云图强对流雷暴识别方法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于卫星数据强对流云识别的研究现状 |
| 1.2.2 基于卫星数据强对流云追踪的研究现状 |
| 1.3 论文的主要工作 |
| 第2章 资料介绍及预处理 |
| 2.1 风云四号气象卫星介绍 |
| 2.1.1 多通道扫描成像仪介绍 |
| 2.1.2 数据集介绍 |
| 2.2 风云四号数据预处理 |
| 2.2.1 辐射定标 |
| 2.2.2 投影变换 |
| 2.3 雷达数据介绍及预处理 |
| 2.4 本章小结 |
| 第3章 强对流雷暴云团的识别与追踪 |
| 3.1 卫星云图光谱特征描述 |
| 3.1.1 可见光通道 |
| 3.1.2 水汽通道 |
| 3.1.3 红外通道 |
| 3.2 强对流云团的识别 |
| 3.2.1 阈值分割 |
| 3.2.2 最大稳定极值区域识别 |
| 3.2.3 极值区域合并与选取 |
| 3.2.4 亮温阈值和面积阈值设置 |
| 3.2.5 实验结果与分析 |
| 3.3 强对流云团的追踪 |
| 3.3.1 云团演变情况 |
| 3.3.2 追踪方法 |
| 3.3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第4章 基于词袋模型算法云团序列的分类与预测 |
| 4.1 词袋模型的理论基础 |
| 4.2 云团序列的分类与预测 |
| 4.2.1 样本集的获取 |
| 4.2.2 构建词袋模型 |
| 4.2.3 基于词袋模型云团序列的分类 |
| 4.2.4 基于词袋模型云团序列的预测 |
| 4.3 实验结果与分析 |
| 4.3.1 词袋模型构建的词典 |
| 4.3.2 分类结果分析 |
| 4.3.3 预测结果分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 下一工作展望 |
| 参考文献 |
| 发表论文与参与科研情况说明 |
| 致谢 |
（10）区县级短时临近预报预警中三圈预警的探索（论文提纲范文）
| 1 三圈预警区的建立 |
| 2 三圈预警区预报服务产品的制作 |
| 3 三圈预警方法的培训 |
| 4 结语 |
四、卫星云图和数值预报产品及雷达资料相结合作短时预报（论文参考文献）
- [1]基于风云4号卫星图像的西藏地区云检测和降水外推预报研究[D]. 陶润喆. 南京信息工程大学, 2021(01)
- [2]基于FY-4A卫星的云检测与云图预测方法研究[D]. 蔡朋艳. 南京信息工程大学, 2021(01)
- [3]基于深度卷积神经网络的强对流天气预报方法研究[D]. 周康辉. 中国气象科学研究院, 2021
- [4]基于深度学习的对流初生短临预报方法研究[D]. 赵方原. 电子科技大学, 2021(01)
- [5]机器学习在强对流监测预报中的应用进展[J]. 周康辉,郑永光,韩雷,董万胜. 气象, 2021(03)
- [6]广西暴雨业务预报技术回顾与展望[J]. 林开平,陈伟斌,刘国忠,覃月凤,董雪晗,熊思章. 气象研究与应用, 2020(04)
- [7]中国当代强对流天气研究与业务进展[J]. 俞小鼎,郑永光. 气象学报, 2020(03)
- [8]基于雷达数据的短临降雨预报方法和应用研究[D]. 李玲. 成都理工大学, 2020
- [9]基于卫星云图强对流雷暴识别方法的研究[D]. 刘珂珂. 天津大学, 2019(01)
- [10]区县级短时临近预报预警中三圈预警的探索[J]. 高维英,谢在发,李明. 陕西气象, 2019(04)