基于卷积神经网和SVM雷电监测预警

来源 :自然灾害学报 | 被引量 : 0次 | 上传用户：longzy773

【摘要】

：

利用天气雷达三维网格拼图资料,并针对正负样本数据不平衡问题,使用SMOTE方法进行处理,通过设计多层卷积神经网络,在网络末端加入SVM判别器,实现对雷电监测;使用改进的变分光流方法反演风场,利用半拉格朗日方法对雷达回波进行外推,使用设计的卷积神经网络进行雷电预报;实验表明通过卷积神经网络识别雷电的准确率为76.4％,外推30 min的预报准确率为54.0％,比传统的机器学习方法预报准确率有一定提高,对业务应用有一定的帮助.

【作者】

：

王志斌肖艳姣王珏吴涛

【机构】

：

中国气象局武汉暴雨研究所,暴雨监测预警湖北省重点实验室,湖北武汉430205;武汉中心气象台,湖北武汉430074

【出处】

：

自然灾害学报

【发表日期】

：

2022年1期

【关键词】

：

卷积神经网变分光流 SVM 天气雷达 SMOTE

下载到本地 , 更方便阅读

下载此文赞助VIP

声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架

论文部分内容阅读

其他文献

街区尺度下城市高密度建成区火灾风险研究——以石家庄市中心城区为例

城市空间是火灾灾害系统的载体,街区是城市管理的基本单元,火灾风险评估则是火灾风险管控的关键.本文先利用遥感图像识别结合支持向量机算法及K-means聚类获取街区尺度的空间数据,进行“单位-街区-区域”层次的高密度建成区火灾危险性评估;然后通过POI (Point of Interesting)数据挖掘,识别城市空间用地类型衡量火灾损失,对高密度建成区进行火灾风险综合评估;最后利用聚类和异常值分析探究火灾风险空间分布,提出高密度建成区火灾风险防范措施.结果表明:研究区域的539个街区单元中,有37个为五级

期刊

高密度建成区街区单元POI数据遥感影像用地类型火灾风险

区域地震灾害房屋脆弱性曲线构建研究

地震是给人类社会造成重大人员伤亡和财产损失的主要自然灾害之一,房屋脆弱性是地震灾害风险评估中的关键指标.基于历史灾情数据的脆弱性曲线由于其参数较易获取,能够更快对地震灾害的影响进行预测,被广泛用于宏观尺度地震灾害风险评估中.然而,由于灾情数据的限制,此类曲线的精度与地区适用性仍然有待提高.本研究以1996-2017年我国116次地震灾害中不同烈度区土木、砖木、砖混和钢混四种结构房屋的毁坏比例数据为基础,采用logistic函数构建全国和部分省区的房屋脆弱性曲线,并对不同地震等级下的房屋毁坏比例进行预测.本

期刊

地震房屋毁坏比脆弱性曲线经验性模型logistic函数

基于卷积神经网和SVM雷电监测预警

其他学术论文