[发明专利]基于卷积长短期记忆神经网络的降水数据时空动态融合方法有效
| 申请号： | 202110731575.0 | 申请日： | 2021-06-30 |
| 公开（公告）号： | CN113627465B | 公开（公告）日： | 2022-12-13 |
| 发明（设计）人： | 朱仟;周东旸 | 申请（专利权）人： | 东南大学 |
| 主分类号： | G06V10/80 | 分类号： | G06V10/80;G06V10/40;G06N3/04;G06N3/08;G06Q50/26 |
| 代理公司： | 南京经纬专利商标代理有限公司 32200 | 代理人： | 周科技 |
| 地址： | 210096 *** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 基于 卷积 短期 记忆 神经网络 降水 数据 时空 动态 融合 方法 | ||
【权利要求书】：
1.一种基于卷积长短期记忆神经网络的降水数据时空动态融合方法，其特征在于：所述方法包括如下步骤：
步骤1：获取地面观测降水数据和遥感降水数据，并对其进行预处理；
步骤2：获取DEM数据和NDVI数据，并对其进行归一化处理；
步骤3：设定合适的空间分辨率，将地面观测降水数据和遥感降水数据、DEM数据和NDVI数据重采样到相同的空间分辨率，并在整个时间序列上，建立深度学习所需的灰度图像数据集；
步骤4：搭建ConvLSTM融合模型，模型的输入为地面观测降水数据和遥感降水数据、DEM数据和NDVI数据，模型的输出为融合降水空间分布时间序列；
步骤5：使用步骤3所得到的灰度图像数据集训练ConvLSTM融合模型，通过反向传播算法更新模型参数，直至损失误差达到最小，获得最优的模型参数；
步骤6：使用训练好的ConvLSTM融合模型获取研究区域的融合降水时空分布。
2.根据权利要求1所述的降水数据时空动态融合方法，其特征在于：所述预处理包括：去噪、缺失值补齐和异常值处理。
3.根据权利要求1所述的降水数据时空动态融合方法，其特征在于：步骤3中建立的灰度图像数据集为统一空间分辨率的格点数据形式。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于东南大学，未经东南大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202110731575.0/1.html，转载请声明来源钻瓜专利网。
