利用国家气象信息中心研制的全国30000多个地面自动站降水与CMORPH(Climate Prediction Center Morphing technique)卫星反演降水融合而成的融合降水产品,分析了融合降水平均偏差和均方根误差的时空分布特征,探讨了不同降水量级以及站...利用国家气象信息中心研制的全国30000多个地面自动站降水与CMORPH(Climate Prediction Center Morphing technique)卫星反演降水融合而成的融合降水产品,分析了融合降水平均偏差和均方根误差的时空分布特征,探讨了不同降水量级以及站点稀疏区和密集区的融合效果,结果表明:融合降水的平均偏差和均方根误差量值均较卫星反演降水有显著减小,随时间的变化幅度不大且误差的区域性差异减弱;融合降水不同量级降水日数分布接近于地面观测降水,虽高估了雨强小于等于4mm/d的降水,低估了大于4mm/d高值降水,但同一量级下的误差比卫星反演降水大幅减小,且随着降水强度的增加改善效果明显;站点密集区的融合降水值主要是取决于地面观测降水;站点稀疏区在没有站点分布时,融合降水值主要取决于卫星反演降水,但随着站点个数增加,地面观测降水在融合降水中所占比重逐渐增大,且超过了卫星反演降水的作用。可见融合降水充分有效利用了地面观测降水和卫星反演降水各自的优势,融合效果明显。展开更多
针对无人机航拍视角下车道线形状复杂、细节特征易丢失、车道线前后景像素占比不均衡等问题,提出一种基于模型集成的高分辨率融合车道线检测算法.首先使用高分辨率融合结构和双线性插值算法改进全卷积神经网络的卷积模块和上采样模块;...针对无人机航拍视角下车道线形状复杂、细节特征易丢失、车道线前后景像素占比不均衡等问题,提出一种基于模型集成的高分辨率融合车道线检测算法.首先使用高分辨率融合结构和双线性插值算法改进全卷积神经网络的卷积模块和上采样模块;然后依据模型集成思想,使用改进后的模型结构作为车道线前后景语义分割模型及车道线多类别语义分割模型,用于分步骤解决车道线检测问题,并使用阈值化交叉熵损失函数和Lovasz损失函数组成联合损失函数对2种模型进行训练;最后使用局部色选区域生长算法为检测结果添补细节.实验结果表明,所提算法在自定义无人机航拍视角的15类车道线语义分割数据集中达到0.5484的平均交并比和0.9931的像素精度,在NVIDIA Tesla V100平台对分辨率为512×512的图像的检测速度达到23.08帧/s.展开更多
文摘利用国家气象信息中心研制的全国30000多个地面自动站降水与CMORPH(Climate Prediction Center Morphing technique)卫星反演降水融合而成的融合降水产品,分析了融合降水平均偏差和均方根误差的时空分布特征,探讨了不同降水量级以及站点稀疏区和密集区的融合效果,结果表明:融合降水的平均偏差和均方根误差量值均较卫星反演降水有显著减小,随时间的变化幅度不大且误差的区域性差异减弱;融合降水不同量级降水日数分布接近于地面观测降水,虽高估了雨强小于等于4mm/d的降水,低估了大于4mm/d高值降水,但同一量级下的误差比卫星反演降水大幅减小,且随着降水强度的增加改善效果明显;站点密集区的融合降水值主要是取决于地面观测降水;站点稀疏区在没有站点分布时,融合降水值主要取决于卫星反演降水,但随着站点个数增加,地面观测降水在融合降水中所占比重逐渐增大,且超过了卫星反演降水的作用。可见融合降水充分有效利用了地面观测降水和卫星反演降水各自的优势,融合效果明显。
文摘针对无人机航拍视角下车道线形状复杂、细节特征易丢失、车道线前后景像素占比不均衡等问题,提出一种基于模型集成的高分辨率融合车道线检测算法.首先使用高分辨率融合结构和双线性插值算法改进全卷积神经网络的卷积模块和上采样模块;然后依据模型集成思想,使用改进后的模型结构作为车道线前后景语义分割模型及车道线多类别语义分割模型,用于分步骤解决车道线检测问题,并使用阈值化交叉熵损失函数和Lovasz损失函数组成联合损失函数对2种模型进行训练;最后使用局部色选区域生长算法为检测结果添补细节.实验结果表明,所提算法在自定义无人机航拍视角的15类车道线语义分割数据集中达到0.5484的平均交并比和0.9931的像素精度,在NVIDIA Tesla V100平台对分辨率为512×512的图像的检测速度达到23.08帧/s.
