论文下载：https://pan.baidu.com/s/1x-UkUhGSzOR6N8UCe97s3A?pwd=1234 提取码：1234
F23910020096
- 题目：基于因果推理的强对流降水临近预报问题研究
- 摘要：通过因果推理方法对强对流降水进行预报，考虑了双偏振雷达数据的粒子微物理参数，建立了因果图模型，并使用因果效应分析方法进行预测。
- 问题分析：利用因果图模型对雷达数据进行分析，提取关键变量之间的因果关系，通过因果效应分析方法预测强对流降水的发生和发展趋势。
- 模型建立：建立了基于因果图模型的预测框架，包括数据预处理、因果图构建、因果效应分析等步骤。
F23910020015
- 题目：强对流降水临近预报
- 摘要：利用双偏振雷达的粒子微物理参数进行强对流降水短临预报。
- 问题分析：采用多种机器学习算法和深度学习方法，对双偏振雷达数据进行处理和分析，预测强对流降水的发展趋势。
- 模型建立：构建了基于机器学习的预测模型，包括数据预处理、特征提取、模型训练等步骤。
F23107300013
- 题目：基于双偏振订正 NowcastNet 的短临降水估测研究
- 摘要：研究了双偏振雷达数据在 NowcastNet 模型中的应用，通过对双偏振雷达数据的订正提高降水预报的准确性。
- 问题分析：通过数据预处理、模型训练和验证，评估了 NowcastNet 模型在双偏振雷达数据订正下的表现。
- 模型建立：构建了基于双偏振雷达数据订正的 NowcastNet 模型，用于短临降水预报。
F23107010086
- 题目：强对流降水临近预报建模与优化
- 摘要：利用前一小时的实测雷达观测量（ZH、ZDR）进行未来一小时的强对流降水预报。
- 问题分析：采用多种机器学习算法，包括卷积神经网络（CNN）、长短时记忆网络（LSTM）等，对雷达数据进行分析和预报。
- 模型建立：构建了基于 CNN 和 LSTM 的预报模型，并进行了模型优化。
F23105550004
- 题目：基于多模型融合的 U-Net 网络预报强对流降水
- 摘要：采用多模型融合的方式，利用 U-Net 网络和其他机器学习算法预测强对流降水。
- 问题分析：通过数据预处理、特征提取、模型训练等步骤，建立了多模型融合的预报系统。
- 模型建立：构建了基于 U-Net 网络和其他模型的多模型融合预报模型。
F23104040152
- 题目：基于多特征融合 ConvLSTM 模型的强对流天气预测研究
- 摘要：研究了 ConvLSTM 模型在强对流天气预测中的应用，通过融合多种特征提高预测精度。
- 问题分析：通过数据预处理、特征提取、模型训练等步骤，评估了 ConvLSTM 模型的表现。
- 模型建立：构建了基于 ConvLSTM 的预测模型，并进行了特征融合优化。
F23103560002
- 题目：基于 U-Net 的强对流降水临近预报
- 摘要：利用 U-Net 模型对强对流降水进行预报，研究了 U-Net 在强对流降水预报中的应用。
- 问题分析：通过数据预处理、模型训练和验证，评估了 U-Net 模型在强对流降水预报中的表现。
- 模型建立：构建了基于 U-Net 的预报模型，并进行了模型优化。
F23102860072
- 题目：基于多任务学习和时空预测模型的降水临近预报方法
- 摘要：研究了多任务学习和时空预测模型在降水临近预报中的应用，通过对雷达三个观测量之间的依赖关系进行建模，提高了预报精度。
- 问题分析：通过数据预处理、特征提取、模型训练等步骤，评估了多任务学习和时空预测模型的表现。
- 模型建立：构建了基于多任务学习和时空预测模型的预报模型，并进行了模型优化。
F23102690048
- 题目：短临强降水情景下基于深度学习模型和双偏振雷达数据的未来降水预测与定量估计
- 摘要：研究了基于深度学习模型和双偏振雷达数据的短临强降水预报方法。
- 问题分析：通过数据预处理、特征提取、模型训练等步骤，评估了深度学习模型的表现。
- 模型建立：构建了基于深度学习模型的预报模型，并进行了模型优化。
F23102520378
- 题目：强对流降水临近预报
- 摘要：利用前一小时的实测雷达观测量（ZH、ZDR）进行未来一小时的强对流降水预报。
- 问题分析：采用多种机器学习算法，包括卷积神经网络（CNN）、长短时记忆网络（LSTM）等，对雷达数据进行分析和预报。
- 模型建立：构建了基于 CNN 和 LSTM 的预报模型，并进行了模型优化。
综述
这些文件主要集中在强对流降水临近预报的研究上，采用的方法包括传统的机器学习算法（如 CNN 和 LSTM）以及深度学习方法（如 U-Net 和 ConvLSTM）。研究中普遍采用双偏振雷达数据进行分析，并通过多种方式提高预报精度，比如多模型融合、特征融合、多任务学习等。此外，还涉及了数据预处理、特征提取、模型训练和验证等步骤，以确保预报模型的有效性和准确性。