基于深度学习的FY-4A图像地表太阳辐照度预测OA
Prediction of Surface Solar Irradiance in FY-4A Images Based on Deep Learning
针对现有地表太阳辐照度预测方法存在的建模复杂、范围有限、精度低、四季差异大以及多任务协同预测困难等问题,提出了一种基于Encoder-Decoder框架融合卷积神经网络、自注意力机制和双向门控循环单元的深度学习模型,用于地表太阳辐照度预测.首先,利用分块技术处理图像,在编码器中构建卷积层并增大输出特征向量维度以提取图像序列的空间特征,显著扩展预测范围,强化特征提取能力;然后,采用自注意力机制来编码输入序列,结合双向门控循环单元从全局角度捕捉序列语…查看全部>>
To address the issues such as complex modeling,limited prediction range,low accuracy,significant seasonal variations,and difficulties in multi-task collaborative prediction in existing methods for surface solar irradiance prediction,a deep learning model based on the Encoder-Decoder framework combined with convolutional neural networks,self-attention mechanism and bidirectional gated recurrent units has been proposed,which is used to predict the surface sola…查看全部>>
姚蕊;刘小芳;张杰;郭旭萍
四川轻化工大学计算机科学与工程学院,四川 宜宾 644000||山西运城农业职业技术学院信息技术系,山西 运城 044000四川轻化工大学计算机科学与工程学院,四川 宜宾 644000四川轻化工大学计算机科学与工程学院,四川 宜宾 644000四川轻化工大学计算机科学与工程学院,四川 宜宾 644000
计算机与自动化
地表太阳辐照度预测卷积神经网络自注意力机制双向门控循环单元深度学习图像序列
surface solar irradiance predictionconvolutional neural networksself-attention mechanismbidirectional gated recurrent unitsdeep learningimage sequences
《四川轻化工大学学报（自然科学版）》 2024 (4)
58-67,10
教育部高等教育司产学合作协同育人项目(202101038016)高层次创新人才培养专项资助项目(B12402005)四川轻化工大学人才引进项目(2021RC16)
评论