CN111033318A - 当地气象预测 - Google Patents

当地气象预测 Download PDF

Info

Publication number
CN111033318A
CN111033318A CN201880053933.3A CN201880053933A CN111033318A CN 111033318 A CN111033318 A CN 111033318A CN 201880053933 A CN201880053933 A CN 201880053933A CN 111033318 A CN111033318 A CN 111033318A
Authority
CN
China
Prior art keywords
data
locations
cloud
data set
prediction
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.)
Pending
Application number
CN201880053933.3A
Other languages
English (en)
Inventor
严斯蒙
肖军涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Wantian Science and Technology Co.,Ltd.
Original Assignee
Huitian Technology Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huitian Technology Co filed Critical Huitian Technology Co
Publication of CN111033318A publication Critical patent/CN111033318A/zh
Pending legal-status Critical Current

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W2001/006—Main server receiving weather information from several sub-stations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明描述了用于使用当地气象预测模型进行当地气象预测的技术。所公开的技术包括：至少基于现有预测提供机构所提供的将来预测数据以及多个数据收集装置所收集到的数据与现有预测提供机构所提供的历史数据之间的相关性来生成表示针对多个位置的将来气象条件的数据。所公开的技术还包括：在时间和空间上对所生成的数据进行插值，并且获得针对多个位置的较高频率的将来气象预测数据以及针对除这多个位置之外的其它位置的当地气象预测数据。

Description

当地气象预测
背景技术
传统的气象预测机构具有用以获得气象信息的各种工具，诸如气象站和气象卫星等。气象站可以收集风速、气温和气压等的数值数据。气象卫星可以显示云形成和诸如飓风等的大规模气象事件。尽管如此，但气象站是相距数英里分散的，并且通常局限于收集数值数据。气象卫星位于地球上方的数千英里处，并且局限于观察大规模气象事件。由于受到各种限制，当前气象预测的准确度不能满足人们的需求。例如，户外爱好者或旅游爱好者需要准确的当地气象信息来安排他们的户外或旅游计划。同样，商业人士需要精确的当地气象预测来优化流程并降低气象相关的经济风险。
附图说明
在结合附图进行阅读时，可以更好地理解以下的详细说明。为了例示的目的，在附图中示出本发明的各个方面的示例性实施例；然而，本发明不限于所公开的具体方法和手段。
图1是示出根据本发明可以使用的用于收集并处理气象数据的示例性系统的示意图。
图2是示出根据本发明可以使用的示例性的基于云的服务器的示意图。
图3是示出根据本发明的用于当地气象预测的系统的网络环境的示意图。
图4是示出根据本发明可以使用的气象数据库的示例性数据度量的简化图。
图5是示出根据本发明可以使用的用于云类型确定的示例性处理的流程图。
图6示出示例性图像和所确定的相应云类型。
图7是示出根据本发明可以使用的云类型数据库的示例性数据度量的简化图。
图8是示出根据本发明可以使用的用于确定云移动方向的示例性处理的流程图。
图9是示出根据本发明可以使用的用于云量确定的示例性处理的流程图。
图10是示出根据本发明的用于当地气象预测的示例性处理的流程图。
图11是示出根据本发明的现有气象预测和当地气象预测模型所生成的当地气象预测之间的比较的图表。
图12是示出根据本发明可以使用的示例性计算装置的示意图。
具体实施方式
本文描述了当地气象预测的技术。根据本发明，经济的数据收集装置可以安装在地球上的任何场所，并形成数据收集装置的密集网络。优选地，这些数据收集装置包括用于捕获随着时间经过的一系列序列图像的图像捕获组件、以及用于测量各种气象参数的多个传感器。所捕获的图像和所测量的数据与其相应的位置和时间戳相关联。
所公开的技术包括使用从多个数据收集装置所捕获的图像中提取的信息、多个数据收集装置的传感器所测量的数据、以及现有预测提供机构所提供的历史气象预测数据，来训练当地气象预测模型。从多个数据收集装置所捕获的图像中提取表示云类型、云移动方向和云量的信息。在一些实施例中，使用与多种云类型相关的预标记信息来训练深度学习算法。经训练的深度学习算法能够识别云类型。
当地气象预测模型至少基于由多个数据收集装置测量或从多个数据收集装置中提取的数据与现有预测提供机构所提供的历史数据之间的相关性。当地气象预测模型能够在接收到现有预测提供机构所提供的将来预测数据时生成表示多个位置的将来气象条件的数据。多个位置与多个数据收集装置相关联。当地气象预测模型可以将多个位置映射到现有预测提供机构所覆盖的相应区域或现有预测提供机构的相应最近网格点。
所公开的技术还包括：在时间上对多个位置的当地气象预测数据进行插值，并生成这多个位置的较高频率的当地气象预测。所公开的技术还包括：在空间上对多个位置的当地气象预测数据进行插值，并生成除这多个位置之外的其它位置的当地气象预测数据。在一些示例中，可以响应于接收到现有预测提供机构所提供的最新预测数据来更新所生成的当地气象预测数据。当地气象模型的预测准确度可以使用测试数据的集合进行评价，并被持续地监视。
图1是示出根据本发明可以使用的用于收集并处理气象数据的示例性系统100的示意图。如图所示，系统100包括多个气象数据收集装置110a、…、110n(统称为110)、至少服务器120、以及多个计算装置130a、...、130n(统称为130)。数据收集装置110和计算装置130可以经由一个或多个网络150与服务器120进行通信。
数据收集装置110用于捕获天空图像并收集诸如温度、湿度、大气压和降水量等的数值数据。数据收集装置110还可以收集与风速、风向、降雨和UV(紫外)辐照相关联的数据。数据收集装置110可以安装在地球上的任何场所，由此形成气象数据收集装置110的密集网络。例如，数据收集装置110可以安装在地面上或者安装在任何合适的结构上。优选地，数据收集装置110安装在能清楚地看到天空且尽可能远离诸如树木、建筑物和栅栏等的高障碍物的位置。
数据收集装置110包括用于捕获天空图像的照相机112。照相机112可以是具有超广角镜头(例如，170度)的HD照相机。这些照相机可以是任何其它合适的照相机。在一些示例中，照相机112各自可被固定成朝向特定视角的天空，并且这些照相机各自可以每天收集特定视角的一系列时间序列天空图像(即，图像流)。在每天结束时，可以将从特定位置捕获的一系列天空图像组合成壮观的时移视频以供用户观看和共享。数据收集装置110可以从世界各地捕获许多系列的时间序列天空图像。
可以从数据收集装置110所捕获的时间序列天空图像中准确地提取气象信息。在一些示例中，这些图像可以用于确定云量、云类型和云移动方向，以获得与诸如雷暴系统或降水等的气象系统或事件在给定位置处或在较大区域上随时间如何演变相关的综合信息，从而例如能够实现准确的气象预测。
数据收集装置110还可以包括用于收集温度、湿度、大气压、降水量、风速、风向、UV辐照的传感器116、以及其它数据收集传感器。这些传感器可以是用于测量相应参数的任何合适的传感器。数据收集装置110还可以包括用于存储图像和数值数据的存储器118。
通常，数据收集装置110可以将数据经由网络150发送至服务器120以进行存储和处理。通过举例且不限制的方式，数据收集装置110各自可以包括室外单元和室内单元。室外单元可以通过无线通信来收集气象数据并将气象数据发送至室内单元。室内单元可以进一步将所收集到的数据发送至诸如服务器120等的基于云的服务器。
服务器120可以托管被配置为管理服务的一个或多个应用。例如，服务器120可被配置为在计算装置130被授权访问所存储的数据之前对计算装置130进行验证。服务器120可以维持包括账户详情和其它的、与用户账户有关的信息。服务器120可以操作计算装置130可以访问的、包括数据收集装置110所捕获的图像的一个或多个图像库。此外，服务器120可以托管被配置为与计算装置130上所存储的应用交互的一个或多个应用。
服务器120可以包括总线122，该总线122使服务器120的主要组件(诸如一个或多个处理器124、一个或多个存储器126以及通信电路128等)互连。处理器122可以是任何合适的可编程控制装置。处理器122可以处理数据收集装置110所捕获的数据，并且从图像数据提取各种气象/气候信息。存储器126可以是与服务器120一体的，或者可以是分离的且通过接口来访问。存储器126可以存储数据收集装置110所捕获的图像流、用于在服务器120上实现各种功能的软件、以及其它数据。通信电路128可以包括一个或多个接口，以使得服务器120能够经由一个或多个网络150与数据收集装置110、计算装置130、其它服务器和/或数据库进行通信。服务器120可以是基于云的服务器。
图2是示出根据本发明可以使用的示例性的基于云的服务器200的示意图。基于云的服务器200可以提供基础设施服务、平台服务和软件应用服务。基础设施服务可以包括诸如虚拟机和虚拟存储等的虚拟化资源。基础设施服务还可以包括诸如数据库服务和其它等的虚拟化服务。这些基础设施服务各自可以部署在基础设施服务层220中。
基础设施服务部署的规模和各方面(诸如服务组件内和服务组件之间的数据、连通性和依赖关系等)是可由管理员用户配置的。例如，管理员用户可以将配置规范经由前端接口250和服务管理器260提交至基于云的服务器200。配置规范可被转换成基础设施和内核级API调用，其中这些调用创建、重新创建、移动或删除诸如虚拟机和服务等的组件，并且分配或改变这些组件的属性。
除了基础设施服务之外，基于云的服务器200还可以提供平台服务，诸如用于运行虚拟机的环境或者用于开发和启动特定类型的软件应用的框架等。这些平台服务可以在基础设施服务层220之上的平台服务层230中实现，并且可以采用以特定方式配置的一个或多个基础设施服务。平台服务的配置可以通过根据平台服务的API以及可选地根据在启用平台服务时采用的基础设施服务的API而编写的程序代码来实现。
在一些示例中，基于云的服务器200还可以在应用服务层240中提供软件应用服务。软件应用可以安装在一个或多个虚拟机上、或者部署在平台服务层230中的应用框架中。软件应用还可以与基础设施服务层220中的诸如数据库等的一个或多个基础设施服务组件进行通信。应用服务层240中的软件应用的安装和配置可以通过软件本身的API以及底层平台和基础设施服务组件的API来实现。
根据服务的类型，云服务用户在配置服务时可被授权进行不同级别的控制。例如，如果采用软件应用服务，则管理员用户被赋予对如何配置软件应用进行控制。如果采用平台服务，则管理员用户被赋予对如何配置平台和/或应用框架进行控制。类似地，如果采用基础设施服务，则管理员用户被赋予对所采用的特定基础设施服务进行控制。
图3示出根据本发明的用于当地气象预测的示例性系统300。系统300包括多个数据收集装置310(例如，数据收集装置110)、一个或多个气象数据库320、信息提取引擎330、一个或多个预测数据库350、以及预测引擎360。多个数据收集装置310能够收集当地数值数据(例如，温度、湿度、大气压)并捕获高分辨率天空图像。多个数据收集装置310可以安装在世界上的任何地方。
多个数据收集装置310所收集到的当地数据和天空图像可被存储在气象数据库320中。信息提取引擎330能够从数据收集装置310所收集到的天空图像中提取诸如云类型、云量和云移动方向等的云信息。预测数据库350可以存储诸如Aeris Weather和全球预测系统(GFS)等的任何现有气象预测提供机构所提供的气象预测数据。预测引擎360能够提供准确的、高频率的当地气象预测370，诸如温度、降水量和风预测等。
数据收集装置310所收集到的数据、信息提取引擎330所提取的云信息以及现有预测提供机构所提供的历史气象预测数据被馈送至预测引擎360中，以训练当地气象预测模型。经训练的当地气象预测模型能够使用现有预测提供机构所提供的将来时间的气象预测来生成准确的当地气象预测。被馈送至预测引擎360中的预测数据可以由诸如AerisWeather和GFS等的任何现有气象预测提供机构提供。应当理解，图3所示的网络拓扑已被大大简化，并且可以利用更多的网络和装置来使本文所公开的各种计算系统互连。还应当理解，图3所述的系统300仅仅是例示性的，并且可以利用其它实现。
另外，应当理解，本文所公开的功能可以以软件、硬件、或者软件和硬件的组合来实现。其它实现对于本领域技术人员而言应当是显而易见的。还应当理解，服务器、网关或其它计算装置可以包括能够交互并进行所述类型的功能的硬件或软件的任何组合，包括但不限于台式计算机或其它计算机、数据库服务器、网络存储装置和其它网络装置、PDA、平板电脑、蜂窝电话、无线电话、寻呼机、电子记事本、因特网设备、(例如，使用机顶盒和/或个人/数字录像机的)基于电视的系统、以及包括适当的通信能力的各种其它消费产品。另外，在一些实施例中，由所示的模块提供的功能可被组合在更少的模块中或者分布在附加的模块中。类似地，在一些实施例中，可以不提供所示的模块中的一些模块的功能，以及/或者可利用其它附加功能。
多个数据收集装置310可以是如上所述的数据收集装置110。优选地，多个数据收集装置310是本地安装的，并且这些数据收集装置310形成用于收集天空图像以及诸如温度和湿度等的数值数据的密集网络。数据收集装置310可以连续地收集数值数据，并且从地面拍摄实时的天空图像。与多普勒雷达云图和来自卫星的遥感信号相比，数据收集装置310所捕获的数据和图像以更高的频率和更高的定位为特征。数据收集装置310所收集到的数值数据和天空图像可被发送至并存储在气象数据库320中。
数据收集装置310各自可以与用户标识符(即，用户ID)和装置标识符(即，装置ID)相关联。数据收集装置310所发送的数据除了包括所捕获的天空图像和其它数据之外，还可以包括相应的用户ID、装置ID、位置和时间信息。在一些示例中，数据收集装置310各自可以与相应的计算装置相关联。用户ID、装置ID、位置和时间信息可以由相应的计算装置发送至气象数据库320。可以创建诸如气象数据库320等的一个或多个数据库以包含数据收集装置310和/或相应的计算装置所发送的数据。
图4是示出根据本发明可以使用的气象数据库320的示例性数据度量400的简化图。如图所示，数据度量400包括用户ID、装置ID、时间戳、纬度、经度、温度、湿度、大气压、降水量、风速、风向、UV辐照和图像数据等。预测数据库350可以包括诸如温度、湿度、大气压、降水量、风速、风向、UV辐照、位置和时间信息等的类似度量。可以以能够支持数据处理和信息提取的任何合适的方式组织多个数据库。例如，可以创建单独的数据库以存储数据收集装置310所捕获的天空图像以及相应的ID、时间戳、纬度和经度。可以周期性地更新气象数据库320和预测数据库350以反映新的数据。气象数据库320和预测数据库350可被分解成数据子集并由单独的系统并行地处理。
气象数据库320可以向预测引擎360提供数据收集装置310所收集的诸如温度和降水量数据等的数值数据，以进行气象预测。气象数据库320还可以向信息提取引擎330提供数据收集装置310所捕获的天空图像。根据本发明的云信息提取引擎330能够确定云类型、云移动方向、云量、以及与云相关的其它信息。云信息提取引擎330可以向预测引擎360提供所提取的云信息，以进行当地气象预测。
信息提取引擎330可以访问或接收各种数据，诸如存储在气象数据库320中的天空图像数据和从用户接收到的数据等。信息提取引擎330还可以生成或促使生成数据。在一些实施例中，信息提取引擎330可以监视数据收集装置310所收集到的新图像。应当理解，信息提取引擎330可以从包括服务器、数据库和存储器等的任何计算资源收集数据。信息提取引擎330可以经由应用编程接口(API)或用户接口进行访问，其中该应用编程接口(API)或用户接口可以经由Web浏览器或其它输入机制进行访问。信息提取引擎330可以向请求用户提供结果的详细分析和总结。
诸如云类型、云移动方向和云量等的云信息是用于气象预测的有价值的数据源。例如，云类型是气象变化的良好指标：低处的蓬松云预示着晴天，而乌云经常接着暴雨。信息提取引擎330可以将诸如云类型等的视觉云信号转换为预测引擎360可以使用以进行准确的当地气象预测的数值。
图5是示出根据本发明可以使用的用于云类型确定的示例性处理500的流程图。信息提取引擎330或其它计算装置可以单独地或组合地使用，以实现云类型确定处理500。尽管被描绘为操作序列，但本领域普通技术人员将理解，各种实施例可以添加、移除、重新排序或修改所描绘的操作。
操作502示出获取训练数据。训练数据用于训练用于识别和预测云类型的深度学习算法。通过举例且不限制的方式，可以通过收集与云类型相关的高质量标记信息来获得训练数据。优选地，由气象学家或气象人员在天空图像中进行云类型的预标记。根据世界气象组织，云类型可被分类为以下类别：(1)积云–低处的蓬松云，其边缘清晰，呈白色或浅灰色；(2)卷云/卷层云–高处的薄云，条状或天空覆盖，呈白色；(3)卷积云/高积云–高处的小云朵的碎片状云，镶嵌状，呈白色；(4)晴空-无云以及云量低于10％；(5)层积云-低层至中层，块状云层，分裂成几乎阴云密布，呈白色或灰色；(6)层云/高层云-低层或中层云层，均匀，通常阴云密布，呈灰色；以及(7)积雨云/雨层云–黑暗的密云，多半是阴云密布，呈灰色。
操作504示出使用所收集到的训练数据来训练深度学习算法。可以使用任何合适的深度学习算法。通过举例且不限制的方式，AWS GPU(Amazon Web Services GraphicsProcessing Unit，亚马逊Web服务图形处理单元)基础设施可以用于训练卷积神经网络(ConvNets)以识别云类型。在其它实施例中，TensorFlow基础设施用于训练深度学习算法。模型性能可以通过交叉验证或其它方法来评估以评价监督学习算法。
如果模型性能不令人满意，云类型确定处理500可以返回至操作502，以收集更多的训练数据并进一步训练深度学习算法。另一方面，如果模型性能令人满意，则云类型确定处理500可以进入操作506。经良好训练的深度学习模型可以以85％或更高的准确度来识别云类型。应当理解，可以采用用于判断模型性能是否令人满意的任何合适技术。
操作506示出接收天空图像。在一些实施例中，图像可以由数据收集装置310或其它图像捕获装置提供。在其它实施例中，图像数据可以由气象数据库320或存储有天空图像的其它单独的云存储服务器提供。
操作508示出在天空图像中识别云类型。识别结果可被呈现为各种云类型的概率。图6示出天空图像和相应的识别结果。应当理解，根据天空图像的捕获时间和位置，云类型确定处理500可以用于基于与天空图像相关联的时间戳和位置信息来确定不同时间的给定位置处的云类型信息、相同时间的不同位置处的云类型信息，或聚合特定时间段内的特定区域上的云类型信息。
操作510示出存储所确定的云类型信息以供使用。云类型信息可以本地存储在气象数据库320或其它单独的存储服务器或计算装置中。图7是示出根据本发明可以使用的云类型数据库的示例性数据度量700的简化图。在一些实施例中，所确定的云类型信息可被直接馈送至预测引擎360中。
图8是示出用于确定云移动方向的示例性处理800的流程图。信息提取引擎330或其它计算装置可以单独地或组合地使用，以实现云类型确定处理800。尽管被描绘为操作序列，但本领域普通技术人员将理解，各种实施例可以添加、移除、重新排序或修改所描绘的操作。
操作802示出从安装在特定区域内的多个数据收集装置310收集时间序列天空图像。在一些实施例中，图像可以由数据收集装置310或其它图像捕获装置提供。通过举例且不限制的方式，数据收集装置310的照相机可被编程为每一定时间间隔(诸如每三分钟等)进行拍照。在一些示例中，数据收集装置310的照相机各自可以从特定位置收集一系列时间序列天空图像。数据收集装置310可以本地安装在任何场所。例如，多个数据收集装置310被安装在社区中。因此，多个数据收集装置310能够从社区内的各个位置捕获多个系列的时间序列天空图像。
在其它实施例中，时间序列天空图像可以由气象数据库320、或者存储有时间序列天空图像及其相应的时间戳和位置信息的其它单独的云存储服务器提供。数据收集装置310所捕获的时间序列的当地天空图像可被添加到多普勒雷达气象图，以采用更高的分辨率来描绘云的形成和移动方向，从而提高传统气象预测的准确度。
操作804示出使用所收集到的时间序列天空图像来确定时间和空间云图案。云移动方向确定处理800使用在特定时间从特定区域中的不同位置捕获的天空图像来确定相同时间的特定区域中的云图案。云移动方向确定处理800还使用在不同时间捕获的天空图像、基于与该天空图像相关联的时间戳和位置信息来确定不同时间的特定区域中的云图案。应当理解，可以采用任何合适的技术，以基于与天空图像相关联的时间戳和位置信息来聚合时间和空间云图案。
操作806示出确定特定区域中的云移动方向。云移动方向确定处理800基于特定区域的时间和空间云图案的变化来确定云移动方向。可以使用任何合适的技术，以基于时间和空间云图案的变化来计算云移动方向。操作810示出存储所确定的云移动方向信息。云移动方向信息可以本地存储在气象数据库320或其它单独的存储服务器或计算装置中。
图9是示出用于确定云量的示例性处理900的流程图。信息提取引擎330或其它计算装置可以单独地或组合地使用，以实现云量确定处理900。尽管被描绘为操作序列，但本领域普通技术人员将理解，各种实施例可以添加、移除、重新排序或修改所描绘的操作。
操作902示出接收诸如RGB(红色、绿色、蓝色)格式等的预定图像格式的天空图像数据。天空图像包括诸如像素等的多个数据元素。使用数据元素的RGB颜色值来将这些数据元素分类为候选云数据元素或晴空数据元素。例如，如果数据元素的颜色值满足|R-B|<30和|B-G|<30的标准，则该数据元素将被分类为候选云数据元素。另一方面，如果数据元素的颜色值不满足|R-B|<30和|B-G|<30的标准，则该数据元素将被分类为晴空数据元素。
然而，仅基于颜色值标准对数据元素进行分类可能导致将太阳部分中的数据元素错误地分类为候选云数据元素。为了消除潜在错误，在操作906中，可以使用太阳检测算法来检测候选云数据元素中是否存在表示太阳部分的数据元素。如果存在，则在操作908中从候选云数据元素中消除表示太阳部分的数据元素。与太阳检测算法有关的更多详情在美国专利9,792,522B2中进行描述，该专利通过引用而全文并入于此。
操作910示出基于剩余候选云数据元素(即，真实云数据元素)的数量与天空图像中的多个数据元素的数量的比例来确定云量。在操作912中，可以将所确定的云量本地存储在气象数据库320或其它单独的存储服务器或计算装置中。
根据本发明的预测引擎360能够基于数据收集装置310所收集到的数据与现有预测提供机构所提供的历史预测数据之间的相关性来提供准确的当地气象预测。虽然为了方便和简单，本文将更详细地描述使用预测引擎360预测当地温度的实施例，但应当理解，本发明不限于温度预测，并且可以用于湿度、大气压、UV指数、降水量、风速和风向预测。
通过举例且不限制的方式，预测引擎360可以训练机器学习模型以进行当地温度预测。预测引擎360所采用的温度预测模型可表示为：
F(Tt，forecast，Cloud_Typet-Δt，Pressuret-Δt，...)～Tt，device。
“F”表示预测模型，并且其可以看成是用于学习多维输入特征(即，括号中的特征)与输出特征之间的相关性的回归器。“T”表示温度或任何其它预测度量。“Δt”表示时间差，以及“t”表示特定时间。Tt,forecast表示诸如GFS等的现有预测提供机构所提供的气象预测数据。“Cloud_Type”表示从数据收集装置310所捕获的图像中提取的云类型信息。“Pressure”表示数据收集装置310所收集到的大气压数据。Tt,device表示安装有相应数据收集装置的特定位置的输出当地气象预测。
应当理解，上述公式仅仅是例示性的。应当理解，本发明不限于当地温度预测，并且可用于当地湿度预测、当地大气压预测、当地UV指数预测、当地降水量预测、当地风速和当地风向预测。还应当理解，多维输入特征可以包括从数据收集装置310所捕获的图像中提取的云移动方向、云量以及其它云信息。还应当理解，多维输入特征还可以包括数据收集装置310所测量的任何数值数据。
图10是示出用于当地气象预测的示例性处理1000的流程图。服务器或其它计算装置可以单独地或组合地使用，以实现当地气象预测处理1000。尽管被描绘为操作序列，但本领域普通技术人员将理解，各种实施例可以添加、移除、重新排序或修改所描绘的操作。
在操作1002中，收集相关数据。预测引擎360可以从诸如气象数据库320、信息提取引擎330和预测数据库350等的任何组件收集数据。预测引擎360还可以收集存储在其它位置或资源中的信息。预测引擎360可以管理各种数据。预测引擎360还可以生成或促使生成数据。预测引擎360可以分析数据，适当地组合或聚合数据或者提取数据的一部分，并且调用气象预测模型来生成当地气象预测数据。
操作1004示出对数据进行预处理。由于诸如安装不当和WiFi连接不良等的各种原因，导致一些数据收集装置310可能收集到不准确的数据。可以部署各种技术来评价和提高数据质量。在一些实施例中，检测具有相对高错误率的异常数据收集装置，并去除异常数据收集装置所收集到的数据。可以通过扫描收集到的数据、将该数据与相应的预测数据进行比较、并且计算错误率来检测异常数据收集装置。如果错误率始终超过预定阈值(诸如35％等)，则将相应数据收集装置分类为异常数据收集装置，并去除异常数据收集装置所收集到的数据。
在其它实施例中，一些数据收集装置310在诸如非标准测量条件等的某些情况下可以承受固有偏差。这些情况可能导致收集到的数据不准确。可以使用一些技术来提高收集到的数据的质量。例如，在系统地分析了收集到的数据与地面真实数据之间的差异之后，可以针对数据收集装置所收集到的具有高准确度的地面真实数据来校准收集到的数据。
操作1006示出定义训练数据和测试数据。优选地，将两个单独且独立的数据集合分别定义为训练数据和测试数据。训练数据的集合将用于训练当地气象预测模型。测试数据的集合将用于测试当地气象预测模型并评价其预测准确度。在一些实施例中，训练数据的集合可以是由数据收集装置310收集到的时间序列数据，并且测试数据的集合可以是其它数据收集装置所收集到的具有高准确度的地面真实数据。
操作1008示出使用训练数据的集合来训练当地气象预测模型。可以采用诸如线性回归、多项式回归、局部加权散点图平滑和支持向量回归等的各种回归模型。优选地，训练数据的集合包括每个数据收集装置310为了确保令人满意的训练结果所用的数据点的最大数量。
操作1010示出使用测试数据的集合来评价当地气象预测模型的预测准确度。可以采用各种技术来确定预测准确度。在一些实施例中，可以通过使用RMSE(均方根误差)和绝对误差百分比将当地气象预测数据与测试数据(例如，地面真实数据)的集合进行比较来测量预测准确度。在其它实施例中，使用绝对误差百分比累积密度函数(CDF)来评价预测准确度。绝对误差百分比CDF可以示出不同误差百分比阈值时的模型性能。具有完美预测的理想模型是在误差为0％且数据点为100％时的模型。
操作1012判断预测准确度是否令人满意。如果预测准确度令人满意，则预测处理1000可以进入操作1014。另一方面，如果预测准确度不令人满意，则预测处理1000可以返回至操作1002，并且将重复操作1002～1010。应当理解，可以采用用于判断预测准确度是否可接受的任何合适的技术。
经训练的当地气象预测模型可以显著提高任何给定位置的预测准确度。图11描绘了经训练的当地气象预测模型所生成的当地气象预测数据与现有预测提供机构(诸如GFS等)所提供的预测数据之间的比较。实线表示预测模型所生成的当地预测数据；并且虚线表示诸如GFS等的现有预测提供机构所提供的预测数据。实线始终保持在虚线以上，这说明预测模型显著提高了预测准确度。具体地，预测模型所生成的当地气象预测数据在相同的数据点部分75％时使误差百分比从14％下降至10％，并且在误差百分比<＝10％时使温度数据点部分从62％上升至75％。在一个实施例中，将当地气象预测模型应用于独立的测试数据集，并经由RMSE来评价其性能；与GFS输出相比，在最近网格点处，当地气象预测改进了约32％。
操作1014示出：使用经训练的预测模型，至少基于现有预测提供机构所提供的气象预测数据来预测与多个数据收集装置310相关联的多个具体位置的当地气象。在一些示例中，选择GFS 0p50(水平分辨率为0.50度)来提供气象预测数据。GFS以网格点之间18英里(28公里)的基础水平分辨率来覆盖全球范围，其中操作预测机构使用该基础水平分辨率来预测未来16天的气象。对于一周至两周之间的预测，水平分辨率下降到网格点之间的44英里(70公里)。GFS数据集以0.5度水平分辨率和3小时时间分辨率在192小时内，每天在0000、0600、1200和1800GMT运行四次。
根据本发明的当地气象预测模型能够将与特定数据收集装置相关联的特定位置映射到现有预测提供机构的网格上的最近点或现有预测提供机构所覆盖的相应区域。在一些示例中，由特定位置所在的GFS网格点定义的相应区域的预测数据被视为该特定位置的当地气象预测的基线。将当地气象预测模型应用于现有预测提供机构所提供的气象预测数据，这可以产生安装有相应的多个数据收集装置310的多个位置的短期(例如，每小时)当地气象预测数据。
操作1016示出进行时间和空间插值。在一些实施例中，通过在时间上对三小时输出的当地气象预测数据进行插值，可以生成较高频率的当地气象预测数据(例如，每小时或每半小时的预测)。在其它实施例中，通过使用与多个数据收集装置310相关联的位置信息在空间上对输出的当地气象预测数据进行插值，可以生成未安装数据收集装置的位置处的预测数据。可以根据从该位置到其相应的最近的数据收集装置的距离来进行空间插值。当地气象预测模型所生成的当地气象预测数据可返回给基于关注点的纬度和经度来请求当地气象预测信息的用户。
操作1018示出：在接收到现有预测提供机构所提供的新气象预测数据时更新当地气象预测，周期性地训练当地气象预测模型，并且监视当地气象预测模型的预测准确度。随着现有预测提供机构所提供的最新数据变得可用，当地气象预测数据可以随时间而被更新。通过举例且不限制的方式，在GFS发布其最新预测的情况下接收到新的GFS数据时，当地气象预测每六小时进行更新。预测模型可以周期性地被训练。例如，当地气象预测模型可以每月被训练，并且用于生成下个月的当地气象预测数据。在一些实施例中，预测模型的预测准确度可被持续地监视，并且用作重复操作1002～1016的触发。
已经关于旨在例示而非限制本发明的某些示例和实施例说明了本发明的上述各方面。应当理解，本文所呈现的主题可被实现为计算机处理、计算机控制设备或计算系统、或者诸如计算机可读存储介质等的制品。尽管在一个或多个计算装置上执行的程序模块的一般上下文中呈现了本文所述的主题，但本领域的技术人员将认识到，可以结合其它类型的程序模块来进行其它实现。通常，程序模块包括进行特定任务或实现特定抽象数据类型的例程、程序、组件、数据结构和其它类型的结构。
本领域的技术人员还将理解，本文所述的主题可以在除本文所述的计算机系统配置以外的其它计算机系统配置上或者结合其它计算机系统配置来实践，这些其它计算机系统配置包括多处理器系统、基于微处理器的或可编程的消费电子产品、小型计算机、大型计算机、手持式计算机、个人数字助理、电子阅读器、蜂窝电话装置、专用硬件装置和网络设备等。本文所述的实施例也可以在分布式计算环境中实践，其中在这些分布式计算环境中，由通过通信网络链接的远程处理装置执行任务。在分布式计算环境中，程序模块可以位于本地存储器存储装置和远程存储器存储装置这两者中。
诸如公司或公共部门组织等的实体为了提供一组分布式客户端经由因特网和/或其它网络可访问的一个或多个服务(诸如各种类型的基于云的计算或存储等)所设置的网络可被称为提供商网络。这样的提供商网络可以包括用于托管实现和分发由提供商网络提供的基础设施和服务所需的各种资源池(诸如物理和/或虚拟化计算机服务器、存储装置和网络设备等的集合等)的许多数据中心。在一些实施例中，资源可以以被称为实例(诸如虚拟或物理计算实例或存储实例等)的单位提供给客户端。虚拟计算实例例如可以包括具有指定计算能力(其可以通过指示CPU的类型和数量以及主存储器大小等来指定)和指定软件栈(例如，特定版本的操作系统，其反过来可以在管理程序之上运行)的一个或多个服务器。
在不同的实施例中，可以单独地或组合地使用多个不同类型的计算装置以实现提供商网络的资源，包括通用或专用计算机服务器、存储装置和网络装置等。在一些实施例中，可以例如通过向用户提供管理员登录和密码来向用户提供对资源实例的直接访问。在其它实施例中，提供商网络运营商可以允许用户指定针对指定应用的执行要求，并且代表用户在适合于这些应用的执行平台(诸如应用服务器实例、JavaTM虚拟机(JVM)、通用或专用操作系统、支持各种解释或编译编程语言(诸如Ruby、Perl、Python、C和C++等)的平台或者高性能计算平台等)上调度这些应用的执行。这可以在例如不要求客户端直接访问实例或执行平台的情况下进行。在一些实现中，给定的执行平台可以利用一个或多个资源实例；在其它实现中，多个执行平台可被映射到单个资源实例。
在至少一些实施例中，实现本文所述的技术中的一个或多个技术的一部分或全部的服务器或计算装置可以包括包含或被配置为访问一个或多个计算机可访问介质的通用计算机系统，其中本文所述的技术包括用以实现预测引擎360和信息提取引擎330的功能的技术。图12示出这样的通用计算装置1200。在所示实施例中，计算装置1200包括通过总线1220连接至系统存储器1230的一个或多个处理器1210(其在本文中可以以单数形式称为“处理器1210”或者以复数形式称为“多个处理器1210”)。计算装置1200还包括永久存储器1240、输入/输出(I/O)接口1250和网络接口1260。
在各种实施例中，计算装置1200可以是包括一个处理器1210的单处理器系统或者包括数个(例如，两个、四个、八个或其它合适数量的)处理器1210的多处理器系统。处理器1210可以是能够执行指令的任何合适的处理器。例如，在各种实施例中，处理器1210可以是实现各种指令集架构(ISA)(诸如x86、PowerPC、SPARC或MIPS ISA、或者任何其它合适的ISA等)中的任何指令集架构的通用或嵌入式处理器。在多处理器系统中，各个处理器1210可以共同地但不是必需地实现相同的ISA。
系统存储器1230可被配置为存储(一个或多个)处理器1210可访问的指令和数据。在各种实施例中，系统存储器1230可以使用诸如静态随机存取存储器(SRAM)、同步动态RAM(SDRAM)、非易失性/闪速型存储器或任何其它类型的存储器等的任何合适的存储器技术来实现。
在一个实施例中，I/O接口1250可被配置为协调处理器1210、系统存储器1230和装置中的任何外围装置(包括网络接口1260或其它外围接口)之间的I/O业务。在一些实施例中，I/O接口1250可以进行任何所需的协议、定时或其它数据变换，以将来自一个组件(例如，系统存储器1230)的数据信号转换成适合于另一组件(例如，处理器1210)使用的格式。在一些实施例中，I/O接口1250例如可以包括对通过诸如外围组件互连(PCI)总线标准或通用串行总线(USB)标准的变体等的各种类型的外围总线附接的装置的支持。在一些实施例中，I/O接口1250的功能例如可被分成诸如北桥和南桥等的两个或更多个单独组件。此外，在一些实施例中，诸如与系统存储器1230的接口等的I/O接口1250的功能的一部分或全部可以直接并入处理器1210中。
网络接口1260例如可被配置为允许在计算装置1200和附接至(一个或多个)网络的一个或多个其它装置(诸如图1所示的其它计算机系统或装置等)之间交换数据。在各种实施例中，网络接口1260例如可以支持经由诸如以太网网络类型等的任何合适的有线或无线通用数据网络的通信。另外，网络接口1260可以支持经由诸如模拟语音网络或数字光纤通信网络等的电信/电话网络、经由诸如光纤通道SAN等的存储区域网络、或者经由任何其它合适类型的网络和/或协议的通信。
在一些实施例中，系统存储器1230可以是被配置为存储如上所述的用于实现相应方法和设备的实施例的程序指令和数据的计算机可访问介质的一个实施例。然而，在其它实施例中，程序指令和/或数据可被接收、发送或存储在不同类型的计算机可访问介质上。一般而言，计算机可访问介质可以包括非暂时性存储介质或存储器介质，诸如磁或光介质(例如，经由I/O接口1250连接至计算装置1200的盘或DVD/CD)等。非暂时性计算机可访问存储介质还可以包括可被作为系统存储器1230或其它类型的存储器而包括在计算装置1200的一些实施例中的任何易失性或非易失性介质，诸如RAM(例如，SDRAM、DDR SDRAM、RDRAM、SRAM等)、ROM等。
此外，计算机可访问介质可以包括经由(诸如经由通信接口1260可以实现等的)诸如网络和/或无线链路等的通信介质传送的传输介质或信号(诸如电气信号、电磁信号或数字信号等)。多个计算装置的一部分或全部可用于实现各种实施例中所描述的功能；例如，在各种不同的装置和服务器上运行的软件组件可以协作以提供功能。在一些实施例中，所描述的功能的一部分除了使用通用计算机系统来实现之外或者代替使用通用计算机系统来实现，可以使用存储装置、网络装置或专用计算机系统来实现。如本文所使用的术语“计算装置”至少是指所有这些类型的装置，并且不限于这些类型的装置。
在前述部分中所述的各个处理、方法和算法可被体现在由一个或多个计算机或计算机处理器执行的代码模块中，并且由这些代码模块完全地或部分地自动化。代码模块可以存储在诸如硬盘驱动器、固态存储器和/或光盘等的任何类型的非暂时性计算机可读介质或计算机存储装置上。这些处理和算法可以部分地或全部地在专用电路中实现。所公开的处理和处理步骤的结果可以例如持久地或以其它方式存储在诸如易失性或非易失性存储器等的任何类型的非暂时性计算机存储器中。
上述的各种特征和处理可以彼此独立地使用，或者可以以各种方式组合。所有可能的组合和子组合都旨在落入本发明的范围内。另外，在一些实现中可以省略某些方法或处理块。本文所述的方法和处理也不限于任何特定顺序，并且与这些方法和处理有关的块或状态可以以适当的其它顺序来进行。例如，所述的块或状态可以以与具体公开的顺序不同的顺序进行，或者多个块或状态可以被组合在单个块或状态中。示例性的块或状态可以串行地、并行地或以一些其它方式进行。可以向所公开的示例性实施例添加块或状态或者从这些示例性实施例移除块或状态。本文所述的示例性系统和组件可以是以与所述方式不同的方式配置的。例如，与所公开的示例性实施例相比，可以添加、移除或重新布置元件。
还将理解，各个项被例示为在使用时存储在存储器中或存储部上，并且为了存储器管理和数据完整性的目的，这些项或这些项的一部分可以在存储器和其它存储装置之间传送。可选地，在其它实施例中，软件模块和/或系统中的一些或全部可以在另一装置上的存储器中执行，并且经由计算机间通信与所示的计算系统进行通信。此外，在一些实施例中，这些系统和/或模块中的一些或全部可以以其它方式(诸如至少部分以固件和/或硬件等)实现或提供，其中该固件和/或硬件包括但不限于一个或多个专用集成电路(ASIC)、标准集成电路、控制器(例如，通过执行适当指令，并且包括微控制器和/或嵌入式控制器)、现场可编程门阵列(FPGA)、复杂可编程逻辑器件(CPLD)等。模块、系统和数据结构中的一些或全部也可(例如，作为软件指令或结构化数据)存储在诸如硬盘、存储器、网络、或者通过适当驱动器或经由适当连接要读取的便携式介质物品等的计算机可读介质上。系统、模块和数据结构也可作为所生成的数据信号(例如，作为载波或者其它模拟或数字传播信号的一部分)在包括基于无线的介质和基于有线/线缆的介质的各种计算机可读传输介质上传输，并且可以采取各种形式(例如，作为单个或复用模拟信号的一部分，或者作为多个离散数字分组或帧)。在其它实施例中，这样的计算机程序产品也可以采取其它形式。因此，本发明可以用其它的计算机系统配置来实践。
本文中所使用的条件语言(诸如“能够”、“可能”、“也许”、“可以”和“例如”等)除非另外具体说明或以其它方式在所使用的上下文内理解，否则通常旨在表达某些实施例包括而其它实施例不包括某些特征、元件和/或步骤。因而，这样的条件语言一般并不旨在暗示特征、元件和/或步骤以任何方式对于一个或多个实施例均是必需的、或者一个或多个实施例必然包括用于在存在或不存在作者输入或提示的情况下决定这些特征、元件和/或步骤是否包括在任何特定实施例中或者是否要在任何特定实施例中进行的逻辑。术语“包括”、“包含”和“具有”等是同义的且以开放方式包含性地使用，并且不排除附加的元件、特征、动作和操作等。此外，术语“或”是以其包含性意义(而不是以其排他性意义)使用的，使得在例如用于连接元件的列表时，术语“或”意味着该列表中的元件中的一个、一些或全部。
尽管已经说明了某些示例性实施例，但这些实施例仅是以示例的方式呈现的，并且不旨在限制本文所公开的发明的范围。因而，前述说明中的内容均不旨在暗示任何特定的特征、特性、步骤、模块或块是必需的或不可缺少的。实际上，本文所述的新颖方法和系统可以以各种其它形式体现；此外，可以在未背离本文所公开的发明的精神的情况下对本文所述的方法和系统的形式进行各种省略、替换和改变。所附的权利要求书及其等同物旨在涵盖将落入本文所公开的发明中的某些发明的范围和精神内的这样的形式或变形。

Claims (20)

1.一种预测当地气象的方法，包括：
接收现有预测提供机构所提供的表示针对多个区域的将来气象条件的第一数据集；
使用当地气象预测模型，至少基于所接收到的第一数据集来生成表示针对多个位置的将来气象条件的第二数据集，其中，所述当地气象预测模型至少基于多个数据收集装置所捕获的数据和所述现有预测提供机构所提供的历史数据之间的相关性，以及其中，所述多个数据收集装置与所述多个位置相关联；
在时间上对所述第二数据集进行插值，并且生成表示针对所述多个位置的较高频率的将来气象预测的第三数据集；以及
在空间上对所述第二数据集进行插值，并且生成表示针对除所述多个位置之外的其它位置的将来气象条件的第四数据集。
2.根据权利要求1所述的方法，还包括：
将所述多个位置映射到所述多个区域中的相应区域。
3.根据权利要求1所述的方法，还包括：
响应于接收到所述现有预测提供机构所提供的表示将来气象条件的最新数据集而更新所述第二数据集、所述第三数据集和所述第四数据集。
4.根据权利要求1所述的方法，还包括：
使用测试数据集来评价所述当地气象预测模型的预测准确度。
5.根据权利要求1所述的方法，其中，所述多个数据收集装置各自能够捕获表示所述多个位置中的相应位置处的天空部分的图像并且使用多个传感器来测量数据，以及所捕获的图像和所测量的数据与同所捕获的图像和所测量的数据相对应的位置和时间戳相关联。
6.根据权利要求5所述的方法，其中，从所述图像中提取表示云类型、云移动方向和云量的信息。
7.根据权利要求5所述的方法，其中，通过深度学习算法从所述图像中提取与云类型相关的信息，并且使用与多种云类型相关的预标记信息来训练所述深度学习算法。
8.一种预测当地气象的系统，包括：
处理器；以及
存储器，其通信地连接至所述处理器，以将所述处理器至少配置成：
接收现有预测提供机构所提供的表示针对多个区域的将来气象条件的第一数据集；
使用当地气象预测模型，至少基于所接收到的第一数据集来生成表示针对多个位置的将来气象条件的第二数据集，其中，所述当地气象预测模型至少基于多个数据收集装置所捕获的数据和所述现有预测提供机构所提供的历史数据之间的相关性，以及其中，所述多个数据收集装置与所述多个位置相关联；
在时间上对所述第二数据集进行插值，并且生成表示针对所述多个位置的较高频率的将来气象预测的第三数据集；以及
在空间上对所述第二数据集进行插值，并且生成表示针对除所述多个位置之外的其它位置的将来气象条件的第四数据集。
9.根据权利要求8所述的系统，所述存储器还将所述处理器至少配置成：
将所述多个位置映射到所述多个区域中的相应区域。
10.根据权利要求8所述的系统，所述存储器还将所述处理器至少配置成：
响应于接收到所述现有预测提供机构所提供的表示将来气象条件的最新数据集而更新所述第二数据集、所述第三数据集和所述第四数据集。
11.根据权利要求8所述的系统，所述存储器还将所述处理器至少配置成：
使用测试数据集来评价所述当地气象预测模型的预测准确度。
12.根据权利要求8所述的系统，其中，所述多个数据收集装置各自能够捕获表示所述多个位置中的相应位置处的天空部分的图像并且使用多个传感器来测量数据，以及所捕获的图像和所测量的数据与同所捕获的图像和所测量的数据相对应的位置和时间戳相关联。
13.根据权利要求12所述的系统，其中，从所述图像中提取与云类型、云移动方向和云量相关的信息。
14.根据权利要求12所述的系统，其中，通过深度学习算法从所述图像中提取与云类型相关的信息，并且使用与多种云类型相关的预标记信息来训练所述深度学习算法。
15.一种承载有计算机可读指令的非暂时性计算机可读存储介质，所述计算机可读指令在计算装置上执行时使得所述计算装置至少进行以下操作：
接收现有预测提供机构所提供的表示针对多个区域的将来气象条件的第一数据集；
使用当地气象预测模型，至少基于所接收到的第一数据集来生成表示针对多个位置的将来气象条件的第二数据集，其中，所述当地气象预测模型至少基于多个数据收集装置所捕获的数据和所述现有预测提供机构所提供的历史数据之间的相关性，以及其中，所述多个数据收集装置与所述多个位置相关联；
在时间上对所述第二数据集进行插值，并且生成表示针对所述多个位置的较高频率的将来气象预测的第三数据集；以及
在空间上对所述第二数据集进行插值，并且生成表示针对除所述多个位置之外的其它位置的将来气象条件的第四数据集。
16.根据权利要求15所述的非暂时性计算机可读存储介质，还包括在所述计算装置上执行时使得所述计算装置至少进行以下操作的计算机可读指令：
将所述多个位置映射到所述多个区域中的相应区域。
17.根据权利要求15所述的非暂时性计算机可读存储介质，还包括在所述计算装置上执行时使得所述计算装置至少进行以下操作的计算机可读指令：
响应于接收到所述现有预测提供机构所提供的表示将来气象条件的最新数据集而更新所述第二数据集、所述第三数据集和所述第四数据集。
18.根据权利要求15所述的非暂时性计算机可读存储介质，还包括在所述计算装置上执行时使得所述计算装置至少进行以下操作的计算机可读指令：
使用测试数据集来评价所述当地气象预测模型的预测准确度。
19.根据权利要求15所述的非暂时性计算机可读存储介质，其中，所述多个数据收集装置各自能够捕获表示所述多个位置中的相应位置处的天空部分的图像并且使用多个传感器来测量数据，以及所捕获的图像和所测量的数据与同所捕获的图像和所测量的数据相对应的位置和时间戳相关联。
20.根据权利要求19所述的非暂时性计算机可读存储介质，其中，通过深度学习算法从所述图像中提取与云类型相关的信息，并且使用与多种云类型相关的预标记信息来训练所述深度学习算法。
CN201880053933.3A 2017-06-23 2018-06-20 当地气象预测 Pending CN111033318A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201762524376P 2017-06-23 2017-06-23
US62/524,376 2017-06-23
US15/863,360 2018-01-05
US15/863,360 US10795056B2 (en) 2017-06-23 2018-01-05 Local weather forecast
PCT/US2018/038611 WO2018237082A1 (en) 2017-06-23 2018-06-20 LOCAL METEOROLOGICAL FORECAST

Publications (1)

Publication Number Publication Date
CN111033318A true CN111033318A (zh) 2020-04-17

Family

ID=64693090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880053933.3A Pending CN111033318A (zh) 2017-06-23 2018-06-20 当地气象预测

Country Status (3)

Country Link
US (1) US10795056B2 (zh)
CN (1) CN111033318A (zh)
WO (1) WO2018237082A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111239857A (zh) * 2020-02-18 2020-06-05 潘新民 一种特殊地形强风预报方法
CN111553541A (zh) * 2020-05-15 2020-08-18 航迅信息技术有限公司 一种基于图像预测天气的系统及方法
CN111599162A (zh) * 2020-05-14 2020-08-28 上海眼控科技股份有限公司 报文的测试方法、装置及系统
CN111752976A (zh) * 2020-05-28 2020-10-09 清华大学 气象数据处理方法、装置、计算机设备及可读存储介质
CN112149294A (zh) * 2020-09-14 2020-12-29 南京信息工程大学 弹性气象栅格设计方法
CN114244873A (zh) * 2022-02-28 2022-03-25 深圳市千百炼科技有限公司 一种基于分布式任务调度的gfs气象数据分发、传输方法

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10685443B2 (en) * 2018-04-20 2020-06-16 Weather Intelligence Technology, Inc Cloud detection using images
EP3690492A1 (en) * 2019-01-31 2020-08-05 Yara International ASA Downscaling weather forecasts
RU2757591C1 (ru) * 2019-03-25 2021-10-19 Общество С Ограниченной Ответственностью «Яндекс» Способ и система для формирования прогноза погоды
CN110096795B (zh) * 2019-04-29 2023-07-18 国网湖南省电力有限公司 一种大气雾霾数值预报的校正预报方法及系统
US11132764B2 (en) * 2019-06-26 2021-09-28 Tianjin Kantian Technology Co., Ltd. Panorama sky using grid capture
CN110579821A (zh) * 2019-08-02 2019-12-17 佛山科学技术学院 基于机器视觉的小范围天气预报系统、方法及存储介质
US11727303B2 (en) * 2019-08-22 2023-08-15 Kyndryl, Inc. Precipitation detection using mobile devices
US11631150B1 (en) 2019-09-06 2023-04-18 Alarm.Com Incorporated Precipitation removal analytics
KR102313767B1 (ko) * 2020-02-21 2021-10-19 김예지 위치 정보와 주변 환경 정보를 이용한 환경예보 서비스서버 및 환경예보 서비스방법
US11300708B2 (en) * 2020-03-02 2022-04-12 International Business Machines Corporation Tuning weather forecasts through hyper-localization
IT202000004774A1 (it) * 2020-03-06 2021-09-06 Techno Sky S R L Stazione metereologica aeroportuale
CN111835832A (zh) * 2020-06-16 2020-10-27 上海掌门科技有限公司 一种用于提供天气通知信息的方法与设备
KR102596080B1 (ko) * 2021-07-30 2023-10-31 대한민국 지상 카메라 기반으로 촬영된 영상과 서포트 벡터 머신 알고리즘을 이용한 주야간 전운량 산출 방법
CN115629431B (zh) * 2022-12-22 2023-03-14 成都数之联科技股份有限公司 一种水汽含量预测方法、装置、设备及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7542852B1 (en) * 2005-01-25 2009-06-02 Weather Channel Inc Derivation and production of high-resolution, very short-term weather forecasts
JP2010054460A (ja) * 2008-08-29 2010-03-11 Kyoto Univ 波浪予測システム
US20120330549A1 (en) * 2008-11-13 2012-12-27 Saint Louis University Apparatus and method for providing environmental predictive indicators to emergency response managers
US20130117608A1 (en) * 2011-11-07 2013-05-09 Us Govt As Represented By Secretary Of The Army Method and system for determining accuracy of a weather prediction model
CN104285165A (zh) * 2013-04-04 2015-01-14 天气变化研究无限责任公司 用于以可选择的时间增量来生成和显示nowcast的方法
CN104583810A (zh) * 2012-04-26 2015-04-29 国际商业机器公司 提供人口移动敏感的天气预报的系统、方法和程序产品
US20150212236A1 (en) * 2014-01-24 2015-07-30 International Business Machines Corporation Weather forecasting system and methods
CN105279576A (zh) * 2015-10-23 2016-01-27 中能电力科技开发有限公司 一种风速预报的方法
US20160291203A1 (en) * 2015-04-06 2016-10-06 The Government Of The United States Of America, As Represented By The Secretary Of The Navy Adaptive ecosystem climatology

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5848378A (en) 1996-02-07 1998-12-08 The International Weather Network System for collecting and presenting real-time weather information on multiple media
US5963670A (en) 1996-02-12 1999-10-05 Massachusetts Institute Of Technology Method and apparatus for classifying and identifying images
US6920233B2 (en) * 2001-02-20 2005-07-19 Massachusetts Institute Of Technology Method and apparatus for short-term prediction of convective weather
US6961061B1 (en) 2002-04-19 2005-11-01 Weather Central, Inc. Forecast weather video presentation system and method
US7084775B1 (en) * 2004-07-12 2006-08-01 User-Centric Ip, L.P. Method and system for generating and sending user-centric weather alerts
US8160382B2 (en) 2007-10-15 2012-04-17 Lockheed Martin Corporation Method of object recognition in image data using combined edge magnitude and edge direction analysis techniques
US8311344B2 (en) 2008-02-15 2012-11-13 Digitalsmiths, Inc. Systems and methods for semantically classifying shots in video
US20100100328A1 (en) 2008-06-17 2010-04-22 Moore John S System and Method for Generating a Cloud Type and Coverage Prediction Database
EP2494783A4 (en) 2009-10-30 2013-04-10 Agency Science Tech & Res METHOD, DEVICES AND COMPUTER READABLE MEDIA FOR PROCESSING A DIGITAL IMAGE
US9187099B2 (en) * 2013-10-17 2015-11-17 Richard M. Powers Systems and methods for predicting weather performance for a vehicle
US9665606B2 (en) 2014-02-14 2017-05-30 Nant Holdings Ip, Llc Edge-based recognition, systems and methods
US9471853B2 (en) 2014-05-19 2016-10-18 Jinling Institute Of Technology Method and apparatus for image processing

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7542852B1 (en) * 2005-01-25 2009-06-02 Weather Channel Inc Derivation and production of high-resolution, very short-term weather forecasts
JP2010054460A (ja) * 2008-08-29 2010-03-11 Kyoto Univ 波浪予測システム
US20120330549A1 (en) * 2008-11-13 2012-12-27 Saint Louis University Apparatus and method for providing environmental predictive indicators to emergency response managers
US20130117608A1 (en) * 2011-11-07 2013-05-09 Us Govt As Represented By Secretary Of The Army Method and system for determining accuracy of a weather prediction model
CN104583810A (zh) * 2012-04-26 2015-04-29 国际商业机器公司 提供人口移动敏感的天气预报的系统、方法和程序产品
CN104285165A (zh) * 2013-04-04 2015-01-14 天气变化研究无限责任公司 用于以可选择的时间增量来生成和显示nowcast的方法
US20150212236A1 (en) * 2014-01-24 2015-07-30 International Business Machines Corporation Weather forecasting system and methods
US20160291203A1 (en) * 2015-04-06 2016-10-06 The Government Of The United States Of America, As Represented By The Secretary Of The Navy Adaptive ecosystem climatology
CN105279576A (zh) * 2015-10-23 2016-01-27 中能电力科技开发有限公司 一种风速预报的方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111239857A (zh) * 2020-02-18 2020-06-05 潘新民 一种特殊地形强风预报方法
CN111239857B (zh) * 2020-02-18 2020-09-11 潘新民 一种特殊地形强风预报方法
CN111599162A (zh) * 2020-05-14 2020-08-28 上海眼控科技股份有限公司 报文的测试方法、装置及系统
CN111553541A (zh) * 2020-05-15 2020-08-18 航迅信息技术有限公司 一种基于图像预测天气的系统及方法
CN111752976A (zh) * 2020-05-28 2020-10-09 清华大学 气象数据处理方法、装置、计算机设备及可读存储介质
CN112149294A (zh) * 2020-09-14 2020-12-29 南京信息工程大学 弹性气象栅格设计方法
CN112149294B (zh) * 2020-09-14 2023-06-20 南京信息工程大学 弹性气象栅格设计方法
CN114244873A (zh) * 2022-02-28 2022-03-25 深圳市千百炼科技有限公司 一种基于分布式任务调度的gfs气象数据分发、传输方法

Also Published As

Publication number Publication date
US20180372914A1 (en) 2018-12-27
US10795056B2 (en) 2020-10-06
WO2018237082A1 (en) 2018-12-27

Similar Documents

Publication Publication Date Title
US10795056B2 (en) Local weather forecast
US10955586B2 (en) Weather forecasting system and methods
US9229133B2 (en) Meteorological parameter forecasting
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
WO2015157643A1 (en) Solar energy forecasting
US10685443B2 (en) Cloud detection using images
CN111339826B (zh) 一种滑坡无人机线性传感器网络框架检测系统
CN111191673B (zh) 一种地表温度降尺度方法及系统
CN109543907B (zh) 一种复杂地形风资源评估方法及其装置
CN111982822B (zh) 一种长时间序列高精度植被指数改进算法
CN113420939A (zh) 云图预报方法、设备及存储介质
Paletta et al. Advances in solar forecasting: Computer vision with deep learning
US11107162B1 (en) Systems and methods for predictive modeling via simulation
US10823881B2 (en) Cloud forecast using sequential images
CN112285808B (zh) 一种aphrodite降水数据的降尺度方法
CN116340863B (zh) 空气污染物预测方法、装置、电子设备及可读存储介质
CN117710508A (zh) 基于改进条件生成对抗网络的近地表温度反演方法和装置
Sharma et al. A review on physical and data-driven based nowcasting methods using sky images
CN116720156A (zh) 基于图神经网络多模态气象数据融合的气象要素预报方法
Ling et al. Diffusion Model-based Probabilistic Downscaling for 180-year East Asian Climate Reconstruction
Li et al. Learning to Holistically Detect Bridges from Large-Size VHR Remote Sensing Imagery
US20230419656A1 (en) Method and system for analyzing geo-spatial data regarding spatial object representations
Lee et al. A spatiotemporal data acquisition toolkit for volume estimation tools in precision agriculture
CN117991408A (zh) 一种气象预报方法、系统及相关设备
Bruderer Satellite to Radar: Sequence to Sequence Learning for precipitation nowcasting

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
TA01 Transfer of patent application right

Effective date of registration: 20200806

Address after: Room 203, No.3, Jinping Road, Ya'an Road, Nankai District, Tianjin

Applicant after: Tianjin Wantian Science and Technology Co.,Ltd.

Address before: California, USA

Applicant before: Huitian Technology Co.

TA01 Transfer of patent application right
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200417

WD01 Invention patent application deemed withdrawn after publication