1. <tbody id="bfx1e"></tbody>

        
        
        <menuitem id="bfx1e"></menuitem><track id="bfx1e"><span id="bfx1e"></span></track><menuitem id="bfx1e"><optgroup id="bfx1e"></optgroup></menuitem>
        <menuitem id="bfx1e"><optgroup id="bfx1e"></optgroup></menuitem>

        登錄 注冊

        三等獎:Helloworld團隊

        線性回歸、XGBoost、遺傳算法、算法融合、特征優化

        根據衛星云圖的特點,識別并提取指定地點和時間的像素點的亮度值用于主要輸入數據。為防止算法過擬合或欠擬合,采用了基于遺傳算法的三段式線性回歸函數和基于機器學習的XGBoost算法進行算法融合,通過MAE平均絕對誤差法來訓練結果,并將收斂后的結果用于輻射值預測。

        三等獎:大氣科學小分隊

        基于衛星數據的地表輻照度反演

        獲取長期、大范圍、準確的地表輻照度對于國計民生有重要意義。區域的地表輻照度是農業、光伏發電等產業發展的基礎數據,大范圍的地表輻照度的變化對于全球氣候變化研究具有重要作用。

        二等獎:機器不思異團隊

        衛星云圖+地面觀測云圖預測輻照量

        使用機器學習方法求解本賽題。主要構造了兩類特征,第一類特征計算了晴天情況下不同經緯度和時間的太陽輻照強度理論值。第二類特征根據衛星云圖統計各站點各時間云量的多少,方法是選取每個站點所在位置周圍±2像素(約相當于14×14千米)和周圍±4像素(約相當于28×28千米)的目標區域,每個目標區域提取對應時間前后15分鐘、前后30分鐘、前后45分鐘的衛星云圖序列,然后對每個目標區域每個云圖序列提取以下統計信息:總亮度均值、淡云比例、中云比例、較濃云比例、濃云比例。

        一等獎:Tuscloud團隊

        衛星云圖+地面觀測云圖預測輻照量

        本文根據一段時間內的衛星云層圖片數據和相同時間段內的多采樣點輻照量特征作為基礎,通過神經網絡基于自研的Deep&ConvX融合模型訓練出可預測輻照量的模型,并以新時間范圍內的衛星云層圖片數據作為判斷參數,預測同一多采樣點在每個規定時間點的輻照量數據。在此基礎上迭代優化,最終實現對輻照量數據預測的模型建立。

        咨詢&建議

        av无码中文字幕不卡一二三区

        1. <tbody id="bfx1e"></tbody>

            
            
            <menuitem id="bfx1e"></menuitem><track id="bfx1e"><span id="bfx1e"></span></track><menuitem id="bfx1e"><optgroup id="bfx1e"></optgroup></menuitem>
            <menuitem id="bfx1e"><optgroup id="bfx1e"></optgroup></menuitem>