23 lines
1.7 KiB
Typst
23 lines
1.7 KiB
Typst
#import "@preview/brilliant-cv:3.1.2": cvEntry, cvSection
|
||
|
||
#cvEntry(
|
||
title: [气象科学与技术研究],
|
||
society: [次季节性热带气旋智能预报研究],
|
||
date: [2023.12 - 至今],
|
||
location: [南京],
|
||
tags: ("PyTorch", "深度学习", "气象预报"),
|
||
description: "",
|
||
)
|
||
开发轻量级多尺度卷积网络(LMCNet)预测台风活动，显著超越传统方法
|
||
|
||
- *[创新点]* 提出LMCNet (轻量级多尺度卷积网络)，结合多模态预报数据与气候学观测数据，实现更精确的台风概率预测。针对S2S台风数据集规模小的特点，采用浅层网络架构和多尺度卷积操作，以更少的参数提高季节性台风预测的位置准确度。
|
||
|
||
- *[优秀的模型性能]* 在2023年季节30天预报期内，我们的方法在DBSS评分方面较ECMWF(最佳传统预报模式)提高36%，较UNet预报方法提高18%。当预报提前期少于5天时，LMCNet方法将均方误差降低了60%，显著提高了短期预报精度。
|
||
|
||
// - *[技术栈应用]* 采用PyTorch构建深度学习模型框架，使用PyTorch Lightning简化训练流程并提高代码可读性，通过Seaborn生成高质量可视化图表评估模型预测结果与真实气象数据的差异。
|
||
|
||
- *[成果]* 获得优秀毕业论文，目前正在整理并准备提交气象学顶级期刊发表。衍生项目得到全国软件设计大赛全国二等奖。项目展示了深度学习在气象学领域的应用潜力，为提高热带气旋预测准确性提供了新思路。
|
||
|
||
- *[能力提升]* 通过此项目，我系统掌握了深度学习算法设计、大规模气象数据处理、科研论文撰写和项目管理能力，为后续研究奠定了坚实基础。
|
||
|