CN107238874A - 基于时景照片的实时天气探测方法及系统 - Google Patents
基于时景照片的实时天气探测方法及系统 Download PDFInfo
- Publication number
- CN107238874A CN107238874A CN201710378835.4A CN201710378835A CN107238874A CN 107238874 A CN107238874 A CN 107238874A CN 201710378835 A CN201710378835 A CN 201710378835A CN 107238874 A CN107238874 A CN 107238874A
- Authority
- CN
- China
- Prior art keywords
- photo
- weather
- scape
- information
- scape photo
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Image Processing (AREA)
- Studio Devices (AREA)
Abstract
本发明提供了一种基于时景照片的实时天气探测方法及系统,方法包括以下步骤:S1:收集带有天气背景的照片;S2:标注所有照片以建立训练库;S3:基于所述训练库建立天气预测模型;S4:获取目标区域的时景照片;S5:将所述时景照片输入所述天气预测模型,进行预测得到天气信息。该方法及系统基于现有的带有天气背景的照片进行标注和训练,建立一个天气预测模型,然后基于模板区域的时景照片,输入天气预测模型即可预测得到目标区域的天气信息,自动化程度高、预测范围及时间灵活、预测结果准确,实现实时的天气预测得到最新的天气信息,适应性较好。
Description
技术领域
本发明涉及天气预测技术领域,特别涉及一种基于时景照片的实时天气探测方法及系统。
背景技术
目前主流的气象预测还是基于卫星定位技术,通过识别卫星图片,分析气流变化和应用气象学知识,对天气进行预测。这种技术存在着造价高、识别率低,往往不能做到全覆盖,因此精度和实时性都无法保证。比如今天有阵雨,早上离开时没有下雨,人们希望智能窗户在雨来临前再关闭,那么目前天气预报技术就无法满足这样的需求。
为了解决卫星存在的问题,墨迹风云公司部署了雷达,通过分析雷达照片进行气象预测,但同样存在着造价和覆盖率的问题。目前,人们对天气预测提出了新的要求,希望知道当前时刻某个特定位置周边(500米~5公里)的天气情况,比如室外运动需要了解球场是否下雨或者智能衣架是否应该推到窗外等。但现有的技术显然无法满足这种实时的较小的目标区域内的天气探测。
发明内容
本发明的目的在于提供一种基于时景照片的实时天气探测方法及系统,针对具体位置的实时探测要求,利用网络上摄影爱好者上传的时景照片,提出了基于互联网时景照片的实时天气探测方法,以解决现有的技术不能进行实时目标区域内天气预测的问题,以及解决现有技术预测频率低、覆盖率低及成本高的问题。
为实现上述目的,本发明提供了一种基于时景照片的实时天气探测方法,包括以下步骤:
S1:收集带有天气背景的照片;
S2:标注所有照片以建立训练库;
S3:基于所述训练库建立天气预测模型;
S4:获取目标区域的时景照片;
S5:将所述时景照片输入所述天气预测模型,进行预测得到天气信息。
较佳地,所述步骤S2中,具体包括,将所有照片依次标注预设分类的天气信息中的一种,以得到包含天气信息的训练库。
较佳地,所述步骤S3进一步包括:
对所述训练库内的照片进行尺寸及比例调整,得到尺寸及比例统一的图像;
将所述训练库内的照片进行灰度处理,转换为灰度图像;
将尺寸及比例调整及灰度处理后的图像作为训练样本,建立识别不同天气信息的混合高斯模型作为所述天气预测模型。
较佳地,所述步骤S4进一步包括:
获取时景照片后提取所述时景照片中的GPS信息;
将所述GPS信息转换为GIS信息;
基于所述GIS信息寻找位置处于目标区域内的所有时景照片;
提取目标区域内的所有时景照片中距离当前时间最近的n个时景照片或预设时间段内的时景照片,其中,n为正整数。
较佳地,所述步骤S5进一步包括:
S51:从所述时景照片中提取m个备选照片,具体包括:
S511:将所述时景照片调整为尺寸及比例统一的照片,以及进行灰度处理为灰度图像;
S512:将时景照片输入所述天气预测模型得到近似概率;
S513:将所述近似概率组成与天气类型数量对应的数组;
S514:提取数组元素中最大值,如最大值大于0,则将该值对应的天气作为该备选照片的天气信息,否则,跳过该时景照片,返回步骤S512进行下一个时景照片的处理,直至找出m个数组元素最大值大于0的备选照片;
S52:对所述备选照片进行投票,选取票数最高的天气作为预测得到的天气信息,其中,如两个天气的票数相同,则选择近似概率高的天气作为预测得到的天气信息。
本发明还提供了一种基于时景照片的实时天气探测系统,包括:
信息交互单元,执行在网络上收集带有天气背景的照片的操作及收集时景照片的操作;
标注单元,执行标注照片以建立训练库的操作;
模型训练单元,执行基于所述训练库建立天气预测模型的操作;
照片处理单元,执行对收集的时景照片进行处理以得到目标区域的时景照片的操作;
预测单元,执行将目标区域的时景照片输入所述模型训练单元得到的天气预测模型,进行预测得到天气信息的操作。
本发明具有以下有益效果:
(1)通过基于现有的带有天气背景的照片进行标注和训练,建立一个天气预测模型,然后基于模板区域的时景照片,输入天气预测模型即可预测得到目标区域的天气信息,自动化程度高、预测范围及时间灵活、预测结果准确;
(2)可充分利用网络上摄影爱好者、社交网络用户等上传至网络的时景照片,利用大数据的处理方式,实现实时的天气预测得到最新的天气信息,适应性较好;
(3)便于使用者及时了解当地目前的天气状况,以及为依赖于实时天气的智能家居提供准确的天气预测;
(4)实时性好,因此预测频率高、覆盖率高且成本低廉。
附图说明
图1为本发明方法流程图;
图2为本发明具体实施例的照片信息截图;
图3为本发明系统结构示意图。
具体实施方式
以下将结合本发明的附图,对本发明实施例中的技术方案进行清楚、完整的描述和讨论,显然,这里所描述的仅仅是本发明的一部分实例,并不是全部的实例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
为了便于对本发明实施例的理解,下面将结合附图以具体实施例为例作进一步的解释说明,且各个实施例不构成对本发明实施例的限定。
本发明针对具体位置的实时探测要求,利用摄影爱好者、社交网络用户等上传至网络的时景照片,提出了基于互联网时景照片的实时天气探测方法,实现对天气的实时预测和小范围区域的预测。下面以具体实施例对本发明进行详细说明:
如图1所示,本实施例提供的一种基于时景照片的实时天气探测方法,具体包括以下几个步骤:
S1:收集带有天气背景的照片;
S2:标注所有照片以建立训练库;
S3:基于所述训练库建立天气预测模型;
S4:获取目标区域的时景照片;
S5:将所述时景照片输入所述天气预测模型,进行预测得到天气信息。
该方法通过基于现有的带有天气背景的照片进行标注和训练,建立一个天气预测模型,然后基于模板区域的时景照片,输入天气预测模型即可预测得到目标区域的天气信息。该方法可充分利用网络上摄影爱好者、社交网络用户等上传至网络的时景照片,对该些照片进行处理、分析,采用图像处理的手段,利用大数据的处理方式,实现实时的天气预测得到最新的天气信息,进而便于人们外出时,及时了解当地目前的天气状况,以及为依赖于实时天气的智能家居提供准确的天气预测。例如手机需要实时了解家里周边的天气情况,进行提前控制关闭门窗,避免雨水进入房间等。
优选的,上述的步骤S2中,具体包括,将所有照片依次标注预设分类的天气信息中的一种,以得到包含天气信息的训练库。
而上述的步骤S3进一步包括:
对所述训练库内的照片进行尺寸及比例调整,得到尺寸及比例统一的图像;
将所述训练库内的照片进行灰度处理,转换为灰度图像;
将尺寸及比例调整及灰度处理后的图像作为训练样本,建立识别不同天气信息的混合高斯模型作为所述天气预测模型。
上述的步骤S4进一步包括:
获取时景照片后提取所述时景照片中的GPS信息;
将所述GPS信息转换为GIS信息;
基于所述GIS信息寻找位置处于目标区域内的所有时景照片;
提取目标区域内的所有时景照片中距离当前时间最近的n个时景照片或预设时间段内的时景照片,其中,n为正整数。
对应地,上述的步骤S5进一步包括:
S51:从所述时景照片中提取m个备选照片,具体包括:
S511:将所述时景照片调整为尺寸及比例统一的照片,以及进行灰度处理为灰度图像;
S512:将时景照片输入所述天气预测模型得到近似概率;
S513:将所述近似概率组成与天气类型数量对应的数组;
S514:提取数组元素中最大值,如最大值大于0,则将该值对应的天气作为该备选照片的天气信息,否则,跳过该时景照片,返回步骤S512进行下一个时景照片的处理,直至找出m个数组元素最大值大于0的备选照片;
S52:对所述备选照片进行投票,选取票数最高的天气作为预测得到的天气信息,其中,如两个天气的票数相同,则选择近似概率高的天气作为预测得到的天气信息。
下面结合具体应用例对上述方法做详细的说明:
首先收集带有天气背景的照片,标注所有照片以建立训练库;
这里通过网络获取具有天气背景的图片即可,然后根据天气背景所表示的天气状况进行标注,将所有照片依次标注常用5种天气分类的天气信息中的一种,以得到包含天气信息的训练库。也即该训练库中的各个照片已标好其所对应的天气。
然后训练天气预测模型。模型训练主要包含3个步骤:
(1)对训练库内的照片进行尺寸及比例调整。
这里主要是指进行图像压缩,以去除图像的细节,只保留结构/明暗等基本信息,摒弃不同尺寸/比例带来的图像差异。此处具体可以使用OpenCV的resize方法,把常见的照片尺寸4032*3024压缩成8*8的图片。对训练库中的全部照片都进行图像压缩处理,得到规格统一的图像。
(2)将训练库内的照片进行灰度处理。
进行灰度处理后,把训练库内的彩色照片转化为灰度图象,这里可以使用OpenCV的cvtColo方法,减少色彩变化引入的噪声。
(3)建立混合高斯模型
获取经由步骤(1)的图像压缩和步骤(2)的灰度化处理后的图片,把图片的8*8的矩阵以及标签作为训练样本,建立识别五种不同天气的混合高斯模型。
建立模型后,在需要预测天气时,再获取目标区域的时景照片。
具体为:首先,通过网络获取摄影爱好者或社交媒体用户所上传的时景照片后,提取获取的时景照片中的GPS信息。如图2所示,时景照片遵循EXIF格式,带有拍摄时间和位置信息。在拍摄中上传的时景照片中,上传者未删除位置和拍摄时间的情况下,照片是包含了完整的GPS位置信息及拍摄日期及时间的。然后将GPS信息转换为GIS信息。GIS信息包含经度及纬度,例如,经度为120°29’10.32”,纬度为31°13’21.23”。再基于GIS信息寻找位置处于目标区域内的所有时景照片。这里的目标区域是指进行天气预测的设备所处的位置区域,如以该设备的位置为基准点,距离为500米~5公里区域内。也即,时景照片的位置距离基准点在500米~5公里区域内均可作为参考照片,用于预测该处的天气。最后依赖照片EXIF信息,筛选出照片拍摄时间在最近一分钟并且照片GIS位置在指定位置的一定距离范围内的n张照片,其中,n为正整数。本实施例中n的值设为100。这里距离值根据需要,一般应为500米~5公里。
再找出m(m<=n,比如10)个备选照片。
具体为对于每个照片,经过图像压缩和灰度化,应用混合高斯模型后,得到一个近似概率。比如用一个五维数组代表五种天气可能性,有(0.6,-0.1,-0.1,0,0.01),计算数组元素的最大值后,可以判定照片天气为晴朗。同时,也需要过滤掉不符合要求的照片。比如概率为(-0.1,-0.2,-0.3,-0.1,-0.1),最大值为-0.1,也就是说照片不符合要求,应该跳过这个照片,进行下一个时景照片的处理,直至找出m个数组元素最大值大于0的备选照片。最终得到m个备选照片后,终止处理转下一步。
投票决定最终天气。
首先标注每个图片为概率最大的天气。比如概率数组为(0.6,-0.1,-0.1,0,0.01),0.6是晴朗的概率,那么标注该图片天气为晴朗。然后在m个已标注照片中选取票数最高的天气。比如有2/3*m个图片标注为晴朗、1/3*m标注为阴天,那么最终天气判定为晴朗。如果有两个天气票数相等,选择概率更高的天气。如果仍然相同,随机挑选一个。
如图3所示,本实施例还提供了一种基于时景照片的实时天气探测系统,该系统包括:
信息交互单元301,执行在网络上收集带有天气背景的照片的操作及收集时景照片的操作;
标注单元302,执行标注照片以建立训练库的操作;
模型训练单元303,执行基于所述训练库建立天气预测模型的操作;
照片处理单元304,执行对收集的时景照片进行处理以得到目标区域的时景照片的操作;
预测单元305,执行将目标区域的时景照片输入所述模型训练单元得到的天气预测模型,进行预测得到天气信息的操作。
应当理解,该系统及方法的模型可以为一次训练完后作为后续预测时的照片处理单元使用,也可以在进行预测过程中根据需要进行模型的更新训练。而照片处理单元中的对照片的处理过程,也可用于模型训练单元使用,以提高照片处理方法对应程序的重复利用率。
该系统及方法可以根据需要设置于移动终端设备上,例如手机、PDA等,也可根据需要设置于固定的计算设备,如台式计算机等。此外,该系统具体可以以软件的形式或写入计算机等具有数据处理能力的设备的存储介质内的程序的形式体现。当然,各单元可依据执行的程序进行合并或进一步拆分,在其基本执行的流程与上述内容相同时,其任何一种单元划分方式均属于本发明范围内。此外,在不脱离上述的方法执行过程的情况下,其具体的任何一种实现形式均属于本发明的保护范围内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何本领域的技术人员在本发明揭露的技术范围内,对本发明所做的变形或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述的权利要求的保护范围为准。
Claims (6)
1.一种基于时景照片的实时天气探测方法,其特征在于,包括以下步骤:
S1:收集带有天气背景的照片;
S2:标注所有照片以建立训练库;
S3:基于所述训练库建立天气预测模型;
S4:获取目标区域的时景照片;
S5:将所述时景照片输入所述天气预测模型,进行预测得到天气信息。
2.根据权利要求1所述的基于时景照片的实时天气探测方法,其特征在于,所述步骤S2中,具体包括,将所有照片依次标注预设分类的天气信息中的一种,以得到包含天气信息的训练库。
3.根据权利要求1所述的基于时景照片的实时天气探测方法,其特征在于,所述步骤S3进一步包括:
对所述训练库内的照片进行尺寸及比例调整,得到尺寸及比例统一的图像;将所述训练库内的照片进行灰度处理,转换为灰度图像;
将尺寸及比例调整及灰度处理后的图像作为训练样本,建立识别不同天气信息的混合高斯模型作为所述天气预测模型。
4.根据权利要求1所述的基于时景照片的实时天气探测方法,其特征在于,所述步骤S4进一步包括:
获取时景照片后提取所述时景照片中的GPS信息;
将所述GPS信息转换为GIS信息;
基于所述GIS信息寻找位置处于目标区域内的所有时景照片;
提取目标区域内的所有时景照片中距离当前时间最近的n个时景照片或预设时间段内的时景照片,其中,n为正整数。
5.根据权利要求4所述的基于时景照片的实时天气探测方法,其特征在于,所述步骤S5进一步包括:
S51:从所述时景照片中提取m个备选照片,具体包括:
S511:将所述时景照片调整为尺寸及比例统一的照片,以及进行灰度处理为灰度图像;
S512:将时景照片输入所述天气预测模型得到近似概率;
S513:将所述近似概率组成与天气类型数量对应的数组;
S514:提取数组元素中最大值,如最大值大于0,则将该值对应的天气作为该备选照片的天气信息,否则,跳过该时景照片,返回步骤S512进行下一个时景照片的处理,直至找出m个数组元素最大值大于0的备选照片;
S52:对所述备选照片进行投票,选取票数最高的天气作为预测得到的天气信息,其中,如两个天气的票数相同,则选择近似概率高的天气作为预测得到的天气信息。
6.一种基于时景照片的实时天气探测系统,其特征在于,包括:
信息交互单元,执行在网络上收集带有天气背景的照片的操作及收集时景照片的操作;
标注单元,执行标注照片以建立训练库的操作;
模型训练单元,执行基于所述训练库建立天气预测模型的操作;
照片处理单元,执行对收集的时景照片进行处理以得到目标区域的时景照片的操作;
预测单元,执行将目标区域的时景照片输入所述模型训练单元得到的天气预测模型,进行预测得到天气信息的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710378835.4A CN107238874B (zh) | 2017-05-25 | 2017-05-25 | 基于时景照片的实时天气探测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710378835.4A CN107238874B (zh) | 2017-05-25 | 2017-05-25 | 基于时景照片的实时天气探测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107238874A true CN107238874A (zh) | 2017-10-10 |
CN107238874B CN107238874B (zh) | 2019-12-06 |
Family
ID=59985754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710378835.4A Active CN107238874B (zh) | 2017-05-25 | 2017-05-25 | 基于时景照片的实时天气探测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107238874B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107765347A (zh) * | 2017-06-29 | 2018-03-06 | 河海大学 | 一种高斯过程回归和粒子滤波的短期风速预测方法 |
CN108182339A (zh) * | 2018-03-20 | 2018-06-19 | 北京工业大学 | 一种基于高斯分布的窗户状态预测方法及系统 |
CN110186471A (zh) * | 2019-05-06 | 2019-08-30 | 平安科技(深圳)有限公司 | 基于历史视频的导航方法、装置、计算机设备及存储介质 |
CN110516860A (zh) * | 2019-08-16 | 2019-11-29 | 上海掌门科技有限公司 | 天气预测数据的处理方法、设备及计算机可读存储介质 |
CN110807549A (zh) * | 2019-10-29 | 2020-02-18 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种气象预测模型的生成方法、生成装置、生成系统及电子设备 |
CN111246096A (zh) * | 2020-01-19 | 2020-06-05 | 广州启量信息科技有限公司 | 一种三维全景漫游模型的生成系统及方法 |
CN111983729A (zh) * | 2020-08-20 | 2020-11-24 | 上海眼控科技股份有限公司 | 天气现象确定方法、装置、计算机设备和介质 |
CN112650069A (zh) * | 2020-12-13 | 2021-04-13 | 福州市长乐区三互信息科技有限公司 | 智能化家居设备控制方法及其系统 |
CN113132788A (zh) * | 2021-04-21 | 2021-07-16 | 华风气象传媒集团有限责任公司 | 一种控制气象图形场景的播放方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310180A (zh) * | 2012-03-07 | 2013-09-18 | 株式会社理光 | 检测在目标图像中的随机对象的系统和方法 |
CN104933102A (zh) * | 2015-05-29 | 2015-09-23 | 努比亚技术有限公司 | 照片存储的方法及装置 |
-
2017
- 2017-05-25 CN CN201710378835.4A patent/CN107238874B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310180A (zh) * | 2012-03-07 | 2013-09-18 | 株式会社理光 | 检测在目标图像中的随机对象的系统和方法 |
CN103310180B (zh) * | 2012-03-07 | 2016-06-29 | 株式会社理光 | 检测在目标图像中的随机对象的系统和方法 |
CN104933102A (zh) * | 2015-05-29 | 2015-09-23 | 努比亚技术有限公司 | 照片存储的方法及装置 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107765347A (zh) * | 2017-06-29 | 2018-03-06 | 河海大学 | 一种高斯过程回归和粒子滤波的短期风速预测方法 |
CN107765347B (zh) * | 2017-06-29 | 2020-06-16 | 河海大学 | 一种高斯过程回归和粒子滤波的短期风速预测方法 |
CN108182339A (zh) * | 2018-03-20 | 2018-06-19 | 北京工业大学 | 一种基于高斯分布的窗户状态预测方法及系统 |
CN108182339B (zh) * | 2018-03-20 | 2021-08-13 | 北京工业大学 | 一种基于高斯分布的窗户状态预测方法及系统 |
CN110186471A (zh) * | 2019-05-06 | 2019-08-30 | 平安科技(深圳)有限公司 | 基于历史视频的导航方法、装置、计算机设备及存储介质 |
CN110516860A (zh) * | 2019-08-16 | 2019-11-29 | 上海掌门科技有限公司 | 天气预测数据的处理方法、设备及计算机可读存储介质 |
CN110807549A (zh) * | 2019-10-29 | 2020-02-18 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种气象预测模型的生成方法、生成装置、生成系统及电子设备 |
CN111246096A (zh) * | 2020-01-19 | 2020-06-05 | 广州启量信息科技有限公司 | 一种三维全景漫游模型的生成系统及方法 |
CN111246096B (zh) * | 2020-01-19 | 2021-10-08 | 广州启量信息科技有限公司 | 一种三维全景漫游模型的生成系统及方法 |
CN111983729A (zh) * | 2020-08-20 | 2020-11-24 | 上海眼控科技股份有限公司 | 天气现象确定方法、装置、计算机设备和介质 |
CN112650069A (zh) * | 2020-12-13 | 2021-04-13 | 福州市长乐区三互信息科技有限公司 | 智能化家居设备控制方法及其系统 |
CN113132788A (zh) * | 2021-04-21 | 2021-07-16 | 华风气象传媒集团有限责任公司 | 一种控制气象图形场景的播放方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107238874B (zh) | 2019-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107238874A (zh) | 基于时景照片的实时天气探测方法及系统 | |
Bergamasco et al. | Scalable methodology for the photovoltaic solar energy potential assessment based on available roof surface area: Further improvements by ortho-image analysis and application to Turin (Italy) | |
CN108846835B (zh) | 基于深度可分离卷积网络的图像变化检测方法 | |
Boz et al. | An automated model for rooftop PV systems assessment in ArcGIS using LIDAR. | |
CN111598101B (zh) | 基于遥感影像场景分割的城区智能提取方法、系统及设备 | |
CN108369651B (zh) | 一种提取天空区域的方法、系统及非暂时性计算机可读存储介质 | |
CN110033132B (zh) | 基于深度目标检测和数值天气预报的热带气旋预报方法 | |
CN111597949A (zh) | 一种基于npp-viirs夜间灯光数据的城市建成区提取方法 | |
CN108108689A (zh) | 一种智能停车车位检测方法 | |
Naeem et al. | Vegetation role in controlling the ecoenvironmental conditions for sustainable urban environments: a comparison of Beijing and Islamabad | |
Wen et al. | Monitoring the green evolution of vernacular buildings based on deep learning and multi-temporal remote sensing images | |
CN112215059B (zh) | 一种基于深度学习的城中村识别和人口估计方法、系统及计算机可读存储介质 | |
CN115984603A (zh) | 基于gf-2与开放地图数据的城市绿地精细化分类方法与系统 | |
Ainiwaer et al. | Deep learning-based rapid recognition of oasis-desert ecotone plant communities using UAV low-altitude remote-sensing data | |
CN113628180A (zh) | 一种基于语义分割网络的遥感建筑物检测方法及系统 | |
Ning et al. | Choosing an appropriate training set size when using existing data to train neural networks for land cover segmentation | |
Nie et al. | Open-source sky image datasets for solar forecasting with deep learning: A comprehensive survey | |
Liu et al. | Discovering potential illegal construction within building roofs from UAV images using semantic segmentation and object-based change detection | |
Zhang et al. | Simulation of canopy urban heat island at a block scale based on local climate zones and urban weather generator: A case study of Beijing | |
Chen et al. | Mapping urban functional areas using multi-source remote sensing images and open big data | |
Liu et al. | An Edge-computing flow meter reading recognition algorithm optimized for agricultural IoT network | |
CN117788822A (zh) | 基于无人机低空遥感图像的农田边界定位信息提取方法 | |
CN110765900B (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
CN112232303A (zh) | 一种基于高分遥感影像的草原道路信息提取方法 | |
CN116503750A (zh) | 融合目标检测和视觉注意机制的大范围遥感影像农村街区式居民地提取方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20171010 Assignee: Suzhou yingbote Intelligent Technology Co.,Ltd. Assignor: SUZHOU INSTITUTE OF INDUSTRIAL TECHNOLOGY Contract record no.: X2021320010015 Denomination of invention: Real time weather detection method and system based on time scene photos Granted publication date: 20191206 License type: Common License Record date: 20210630 |
|
EE01 | Entry into force of recordation of patent licensing contract |