精准气象和海洋预测笔记二

最新推荐文章于 2022-12-04 21:55:53 发布
VIP文章 最新推荐文章于 2022-12-04 21:55:53 发布
阅读量158 收藏 1
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_49555334/article/details/114109752
版权

CNN模型的输入形状[N, C, H, W]
CNN:

def build_cnn(learning_rate):
    inp = tf.keras.layers.Input(shape=(48, 24, 72))
    
    x = Conv2D(48, (3, 3), activation
最低0.47元/天 解锁文章
哈利的小双翼
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
天池大数据竞赛LSTM预测算法分享
09-28
资源为今年八月份参加天池大数据竞赛a股公司营收预测使用的预处理后的数据和对应的算法文件
天池时间序列竞赛——AI助力精准气象和海洋预测学习笔记其二：CNN baseline
zenghr的博客
02-25 750
逛论坛的时候发现对于这个题目，CNN似乎是个不错的解题思路。因为给出的数据是多维的，每条数据的维度是[year, month, lat, lon]，在这四个维度下给出了SST、T300、Ua、Va四个指标的值。month的取值是36个月，lat是-55~60间隔5取值，即24个值，lon是0 ~180间隔5取值，即72个值。考虑到有四个指标，也就是说，数据的shape是[year, 36, 24, 72, 4]。目标是根据前12个月的数据预测后24个月的数据，因此取数据的前12个月作为训练集，后24个月作为
天池算法大赛思路和代码分享
weixin_60929208的博客
12-04 1633
天池大赛思路和代码
天池时间序列竞赛——AI助力精准气象和海洋预测学习笔记其一：赛题分析
zenghr的博客
02-21 3254
序： 最近参加了天池的气象和海洋预测竞赛，希望能够借此机会学习时间序列的相关模型，接下来会通过系列博客记录并梳理自己在竞赛过程中的一些心得体会。 作为系列学习笔记的第一章，这篇文章旨在梳理和分享我对赛题的一些理解。 1. 项目背景 问题陈述 这个竞赛是一个自然科学相关的时间序列预测问题，要求基于历史气候观测和模式模拟数据，准确预测厄尔尼诺-南方涛动(ENSO)现象。具体来说，我们的任务就是根据过去12个月的气象及时空数据，预测未来24个月的Nino3.4指数。 对于这样一个题目，我们可以考虑以下三个问题：
阿里天池—2022江苏气象预测AI算法挑战赛
sunningzhzh的博客
05-08 2729
文章目录摘要一、数据分析二、MAE模型介绍总结 摘要 这是阿里天池正在进行的一个气象预测的比赛，选手需要根据过去的气象数据预测未来的气象数据；气象数据是以图片的形式给出的，其中包括雷达回波图、降雨量图、平均风图，故需要用到图像信息提取的技术；初步想法是通过MAE模型，预训练得到三个不同的Encoding和Decoder，这三个Encoding将会明白各自负责的图片数据含义，保持这三个Encoding的参数不变，在其后面接一个优化后的Transformer模型，Transformer模型将实现时序预测的功能，
“AI Earth”人工智能创新挑战赛：助力精准气象和海洋预测Baseline
06-06
基于历史气候观测和模拟数据，利用T时刻过去12个月(包含T时刻)的时空序列（气象因子），可以构建预测ENSO的深度学习模型，预测未来1-24个月的Nino3.4指数，这对极端天气与气候事件的预测具有重要意义。
气象和海洋气象信息获取
09-23
气象和海洋气象信息获取，网络爬虫技术实现
2021 “AI Earth”人工智能创新挑战赛 AI助力精准气象和海洋预测.zip
最新发布
04-22
2021 “AI Earth”人工智能创新挑战赛 AI助力精准气象和海洋预测.zip
《人工智能》--2021 “智能 地球”人工智能创新挑战赛 AI助力精准气象和海洋预测.zip
03-15
人工智能学习总结成果，希望可以帮到大家，有疑问欢迎随时沟通~ 人工智能学习总结成果，希望可以帮到大家，有疑问欢迎随时沟通~ 人工智能学习总结成果，希望可以帮到大家，有疑问欢迎随时沟通~ ...
【算法竞赛学习】AI助力精准气象和海洋预测
qq_41807261的博客
02-15 677
赛题简介 赛题背景 发生在热带太平洋上的厄尔尼诺-南方涛动(ENSO)现象是地球上最强、最显著的年际气候信号。通过大气或海洋遥相关过程，经常会引发洪涝、干旱、高温、雪灾等极端事件，对全球的天气、气候以及粮食产量具有重要的影响。准确预测ENSO，是提高东亚和全球气候预测水平和防灾减灾的关键。 本次赛题是一个时间序列预测问题。基于历史气候观测和模式模拟数据，利用T时刻过去12个月(包含T时刻)的时空序列（气象因子），构建预测ENSO的深度学习模型，预测未来1-24个月的Nino3.4指数，如下图所示： 数据描
天池大赛之工业蒸汽量预测（有史以来最全面）
AI World
05-17 1万+
目录1、导包与数据载入1.1导包1.2 数据载入1.3 数据合并 1、导包与数据载入 1.1导包 import warnings warnings.filterwarnings("ignore") import matplotlib.pyplot as plt import seaborn as sns # 模型 import pandas as pd import numpy as np fr...
[天池智慧交通预测挑战赛]新手向的时间序列预测解决方案-前Top2%
热门推荐
一番の宝物
09-11 2万+
本博客分享新人第一次参加天池比赛的实况记录，比较完整地给出了数据预处理，缺失值补全，特征分析过程以及训练和交叉验证的注意事项，适合数据挖掘新人找到解题思路，全程没有调参，没有模型融合，只凭一手简单的特征和xgboost，最后止步41/1716，基本上可以作为时间序列预测类的比赛的baseline．完整代码在Github
天池数据竞赛 | 工业蒸汽量预测（完整代码分享）
weixin_42565558的博客
02-29 1万+
BY：乔木 目录题目描述一、导入数据 | 观察数据二、特征工程三、模型训练模型1: Lasso回归模型2: 支持向量回归（SVR）模型3: XGB回归（XGBRegressor ）四、模型评估五、模型预测 题目描述 比赛链接：工业蒸汽量预测 赛题背景 火力发电的基本原理是：燃料在燃烧时加热水生成蒸汽，蒸汽压力推动汽轮机旋转，然后汽轮机带动发电机旋转，产生电能。 在这一系列的能量转化中，影响发电...
天池时序赛baseline实现
weixin_43557816的博客
02-26 353
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 天池时序赛baseline实现比赛网址竞赛题目数据简介训练数据说明评分细则说明数据建模导包数据处理标签原始特征数据读取模型构建神经网络架构训练集验证集划分模型训练模型预测模型导入模型预测 比赛网址 https://tianchi.aliyun.com/competition/entrance/531871/information 竞赛题目 数据简介 本次比赛使用的数据包括CMIP5/6模式的历史模拟数据和美国SODA模式重建的近100多
天池_阿里音乐流行趋势预测大赛（1） —— 赛题分析
TangowL
06-01 4768
本文以天池大数据竞赛的阿里音乐流行趋势预测大赛为背景，将机器学习实战的背景、模型、算法、代码和结果等都整理下来，放在博客中，算是对自己知识的整理吧，有兴趣的朋友也可以看看一起讨论学习。由于很多比赛和项目是由第三方提供的，我会仔细核查是否有规定不允许公开讨论相关内容，只有在确定没有限制的情况下，我才会放在个人博客上，但难免会有疏漏，如果有侵权，请及时联系本人，麻烦了。
SpaceNet 6: Dataset Release -- MSAW
quanwei的博客
05-13 4766
合成孔径雷达(SAR)是一种独特的雷达，可以穿透云层，在全天候条件下收集数据，并日夜捕获数据。在天气和云层阻碍传统光电传感器的情况下，从合成孔径雷达卫星收集的高空信息可能特别有价值，以帮助救灾。然而，尽管有这些优点，可供研究人员研究SAR应用的有效性的公开数据有限，特别是在超高分辨率下。SpaceNet 6的任务是结合SAR和光电图像数据集，利用计算机视觉和人工智能(AI)算法自动提取建筑足迹。这个开放许可的数据集具有独特的半米合成孔径雷达(SAR)图像来自Capella空间和半米光电(EO)图像来自Max
海洋大数据关键技术及在灾害天气下船舶行为预测上的应用
weixin_45585364的博客
02-09 3820
海洋大数据关键技术及在灾害天气下船舶行为预测上的应用王冬海，卢峰，方晓蓉，郭刚中电科海洋信息技术研究院有限公司，北京 100041摘要：随着海洋数据量的爆炸式增长，海洋大...
时间序列预测(2)：AI助力精准气象和海洋预测
零度空间
02-26 1674
文章目录一、背景二、数据预处理数据简介训练数据标签说明测试数据说明模型评估指标数据的转换三、模型的构建和预测构建训练集训练模型模型评估模型预测四、模型的改进方向 引言 本文主要是记载学习阿里天池大数据时间序列预测竞赛的baseline模型的构建过程，以及对baseline进行改进的一些思路，后续将会根据这些思路对模型进行调优。 一、背景 发生在热带太平洋上的厄尔尼诺-南方涛动(ENSO)现象是地球上最强、最显著的年际气候信号。通过大气或海洋遥相关过程，经常会引发洪涝、干旱、高温、雪灾等极端事件，对全球的
天池 “AI Earth”人工智能创新挑战赛——AI助力精准气象和海洋预测，组队学习笔记Task1
turn_sole的博客
02-21 726
第一次尝试去了解天池竞赛，为本次的组队学习赛，重在参与，积累经验。安装docker过程和上传代码自己琢磨了两天，终于上传成功，运行成功，虽然结果不好，但是我会试着在接下来的几天尝试去改动，提高。 开源内容：：https://github.com/datawhalechina/team-learning-data-mining/tree/master/WeatherOceanForecasts 下载好后pycharm打开即可，按要求新建Dockerfile文档。 以下内容分为：Docker安装，镜像pu
机器学习预测海洋气象
09-27
通过机器学习，我们可以预测海洋气象。在构建机器学习模型之前，我们需要收集和准备相关的海洋气象数据。这些数据可以包括海洋表面温度、盐度、气压、...模型将学习数据中的模式和关联，并用于预测未来的海洋气象情况。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值