CN111382716A - 数值模式的天气预测方法、装置、计算机设备和存储介质 - Google Patents
数值模式的天气预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111382716A CN111382716A CN202010184754.2A CN202010184754A CN111382716A CN 111382716 A CN111382716 A CN 111382716A CN 202010184754 A CN202010184754 A CN 202010184754A CN 111382716 A CN111382716 A CN 111382716A
- Authority
- CN
- China
- Prior art keywords
- resolution
- image
- meteorological
- pixel
- resolution image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012549 training Methods 0.000 claims description 79
- 238000004590 computer program Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种数值模式的天气预测方法、装置、计算机设备和存储介质。该方法包括：将获取的多个气象数值分别转换为像素值，根据像素值确定第一分辨率图像；其中，多个气象数值为由不同气象观测台对目标区域进行观测所得到的；将第一分辨率图像输入预设的超分辨率网络中，得到与第一分辨率图像对应的第二分辨率图像；第二分辨率图像的分辨率高于第一分辨率图像的分辨率；对第二分辨率图像中各像素点的像素值进行转换，确定第二分辨率图像对应的预测气象数值。该方法借助神经网络处理数值模式的天气预测过程，计算机设备只需将气象数值与像素值进行相互转换，低分辨率图像预测高分辨率图像的过程由超分辨率网络来完成，大大提高了预测效率。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种数值模式的天气预测方法、装置、计算机设备和存储介质。
背景技术
在当前的天气预测过程中，数值天气预报(numerical weather prediction)作为一种较常见的预测方法，是指根据大气实际情况，在一定的初值和边值条件下(如通过气象站观测的地表气压、地表湿度等气象数值)，预测大气运动状态和天气现象的方法。
现实生活中，气象站的位置分布一般距离较远(通常相隔几十公里)，那么气象站采集的气象数值表征的是其所在区域附近的气象情况，而对于两个气象站中间某些区域的气象情况，则需要通过采集的气象数值进行预测。传统技术中数值天气预报的预测过程，通常由大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，以得到预测结果。
然而，传统技术的预测过程计算量较大，耗费时间较长。
发明内容
基于此，有必要针对传统技术中预测过程计算量较大，耗费时间较长的问题，提供一种数值模式的天气预测方法、装置、计算机设备和存储介质。
第一方面，本申请实施例提供一种数值模式的天气预测方法，该方法包括：
将获取的多个气象数值分别转换为像素值，根据像素值确定第一分辨率图像；其中，多个气象数值为由不同气象观测台对目标区域进行观测所得到的；
将第一分辨率图像输入预设的超分辨率网络中，得到与第一分辨率图像对应的第二分辨率图像；第二分辨率图像的分辨率高于第一分辨率图像的分辨率；
对第二分辨率图像中各像素点的像素值进行转换，确定第二分辨率图像对应的预测气象数值。
在其中一个实施例中，将获取的多个气象数值分别转换为像素值，包括：
根据多个气象数值、以及气象数值与像素值之间的对应关系，确定每个气象数值对应的像素值。
在其中一个实施例中，根据像素值确定第一分辨率图像，包括：
根据不同气象观测台的地理位置，确定每个像素值对应的像素点坐标；
根据每个像素值与每个像素值对应的像素点坐标，生成第一分辨率图像。
在其中一个实施例中，对第二分辨率图像中各像素点的像素值进行转换，确定第二分辨率图像对应的预测气象数值，包括：
获取第二分辨率图像中各像素点的像素值；
根据各像素点的像素值、以及气象数值与像素值之间的对应关系，确定第二分辨率图像对应的预测气象数值。
在其中一个实施例中，超分辨率网络的训练方式包括：
获取同一时刻的待训练距离的气象数值和标准距离的气象数值；
根据待训练距离的气象数值确定第一分辨率训练图像，以及根据标准距离的气象数值确定第二分辨率训练图像；
将第一分辨率训练图像输入初始超分辨率网络，得到第二分辨率预测图像；
根据第二分辨率预测图像与第二分辨率训练图像之间的损失，对初始超分辨率网络进行训练，得到超分辨率网络。
在其中一个实施例中，根据第二分辨率预测图像与第二分辨率训练图像之间的损失，对初始超分辨率网络进行训练，包括：
计算第二分辨率预测图像与第二分辨率训练图像中对应像素点的像素值损失，以及第二分辨率预测图像与第二分辨率训练图像中像素值的变化趋势损失；
根据像素值损失和变化趋势损失的求和结果，对初始超分辨率网络进行训练。
在其中一个实施例中，超分辨率网络为深度残差通道注意力网络RCAN。
第二方面，本申请实施例提供一种数值模式的天气预测装置，该装置包括：
确定模块，用于将获取的多个气象数值分别转换为像素值，根据像素值确定第一分辨率图像；其中，多个气象数值为由不同气象观测台对目标区域进行观测所得到的；
处理模块，用于将第一分辨率图像输入预设的超分辨率网络中，得到与第一分辨率图像对应的第二分辨率图像；第二分辨率图像的分辨率高于第一分辨率图像的分辨率；
转换模块，用于对第二分辨率图像中各像素点的像素值进行转换，确定第二分辨率图像对应的预测气象数值。
第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
将获取的多个气象数值分别转换为像素值，根据像素值确定第一分辨率图像；其中，多个气象数值为由不同气象观测台对目标区域进行观测所得到的；
将第一分辨率图像输入预设的超分辨率网络中，得到与第一分辨率图像对应的第二分辨率图像；第二分辨率图像的分辨率高于第一分辨率图像的分辨率；
对第二分辨率图像中各像素点的像素值进行转换，确定第二分辨率图像对应的预测气象数值。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
将获取的多个气象数值分别转换为像素值，根据像素值确定第一分辨率图像；其中，多个气象数值为由不同气象观测台对目标区域进行观测所得到的；
将第一分辨率图像输入预设的超分辨率网络中，得到与第一分辨率图像对应的第二分辨率图像；第二分辨率图像的分辨率高于第一分辨率图像的分辨率；
对第二分辨率图像中各像素点的像素值进行转换，确定第二分辨率图像对应的预测气象数值。
上述数值模式的天气预测方法、装置、计算机设备和存储介质，能够将获取的多个气象数值分别转换为像素值，根据像素值确定第一分辨率图像；其中，多个气象数值为由不同气象观测台对目标区域进行观测所得到的；将第一分辨率图像输入预设的超分辨率网络中，得到与第一分辨率图像对应的第二分辨率图像；第二分辨率图像的分辨率高于第一分辨率图像的分辨率；对第二分辨率图像中各像素点的像素值进行转换，确定第二分辨率图像对应的预测气象数值。该方法中，借助神经网络来处理数值模式的天气预测过程，计算机设备只需将气象数值与像素值进行相互转换，低分辨率图像预测高分辨率图像的过程由超分辨率网络来完成，大大减少了预测过程计算量，提高了预测效率。在实际应用时，可将计算时间从几个小时缩短至几十秒，大大节约了时间和计算资源。
附图说明
图1为一个实施例中计算机设备的内部结构图；
图2为一个实施例中数值模式的天气预测方法的流程示意图；
图2a为一个实施例中气象观测图的示意图；
图2b为一个实施例中超分辨率网络处理过程示意图；
图2c为一个实施例中第一分辨率图像与第二分辨率图像的对比示意图；
图3为另一个实施例中数值模式的天气预测方法的流程示意图；
图4为又一个实施例中数值模式的天气预测方法的流程示意图；
图5为又一个实施例中数值模式的天气预测方法的流程示意图；
图5a为一个实施例中预测气象数值实验结果的示意图；
图6为一个实施例中数值模式的天气预测装置的结构框图；
图7为另一个实施例中数值模式的天气预测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的数值模式的天气预测方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的，该计算机设备还可以包括通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端通过网络连接通信。可选的，该计算机设备可以是个人计算机(personal computer，简称PC)，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑(portable android device，简称PAD)、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。该方法可以实现通过气象站采集的低分辨率的气象数值预测高分辨率的气象数值的过程。
在一个实施例中，如图2所示，提供了一种数值模式的天气预测方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
S101，将获取的多个气象数值分别转换为像素值，根据像素值确定第一分辨率图像；其中，多个气象数值为由不同气象观测台对目标区域进行观测所得到的。
其中，在现实生活中，每个省、市都会建设一些气象观测台，用于对气象观测台周边一定范围内(即目标区域)的气象状况进行观测，如观测目标区域的气压、温度、湿度等指标。通常，在地理位置上以25公里为间隔建设一个气象观测台，气象工作人员将气象观测台观测到的数值输入气象系统中，可以得到25公里分辨率的气象观测图，但在做天气预报时，还需要更高分辨率(如9公里或3公里分辨率)的气象观测图，那么就需要根据气象观测台观测到的气象数值预测高分辨率的气象数值。
具体的，计算机设备可以将气象观测台对目标区域进行观测得到的气象数值进行转换，映射到图像的像素值范围内。由于图像的像素值取值范围为[0,255]，因此，计算机设备可以将获取的每个气象数值都转换至[0,255]之间，得到多个像素值，然后根据该多个像素值确定第一分辨率图像。其中，该第一分辨率图像可以为25公里分辨率对应的灰度图，上述每个气象数值为同一个维度的数值，如都为地表气压维度的数值、或都为地表湿度维度的数值。通常情况下，气象系统可以根据气象观测台观测的气象数值生成对应的气象观测图(如图2a所示为相对湿度的观测图)，该气象观测图上的每个点对应的是一个气象数值，那么得到的第一分辨率图像可以为与气象观测图对应的灰度图，第一分辨率图像上的像素点与气象观测图上的气象点一一对应。
S102，将第一分辨率图像输入预设的超分辨率网络中，得到与第一分辨率图像对应的第二分辨率图像；第二分辨率图像的分辨率高于第一分辨率图像的分辨率。
具体的，计算机设备可以将上述第一分辨率图像输入训练完成的超分辨率网络中进行超分辨率操作，得到与该第一分辨率图像对应的第二分辨率图像，其中，第二分辨率图像的分辨率高于第一分辨率图像的分辨率。可选的，第二分辨率图像可以为9公里或3公里或其他距离分辨率的灰度图，由此通过超分辨率网络便可以将低分辨率的灰度图转换为对应的高分辨率的灰度图。
可选的，上述超分辨率网络可以为神经网络模型，如卷积神经网络、循环神经网络等，也可以为其他深度学习网络模型。可选的，该超分辨率网络可以为深度残差通道注意力网络RCAN，由该网络处理第一分辨率图像的过程可以参见图2b所示。如图2b所示，该网络主要由RG-I，RG-g，RG-G三个残差模块组成，每个模块中都包括若干个卷积层、池化层和全连接层等，将第一分辨率图像输入该网络后，经过卷积操作再由这三个模块进行处理，然后再经过上采样和卷积操作，得到输出的第二分辨率图像。第一分辨率图像与第二分辨率图像的对比示意图可以参见图2c所示。
S103，对第二分辨率图像中各像素点的像素值进行转换，确定第二分辨率图像对应的预测气象数值。
具体的，得到上述第二分辨率图像之后，计算机设备可以获知该第二分辨率图像中每个像素点的像素值，然后对每个像素点的像素值再次进行转换为气象数值的格式，便得到第二分辨率图像对应的预测气象数值，即高分辨率图像对应的气象数值。
本实施例提供的数值模式的天气预测方法，计算机设备先将获取的多个期相数值分别转换为像素值，根据像素值确定第一分辨率图像，然后将第一分辨率图像输入预设的超分辨率网络中，得到与第一分辨率图像对应的第二分辨率图像，再对第二分辨率图像中各像素点的像素值进行转换，确定第二分辨率图像对应的预测气象数值，其中，第二分辨率图像的分辨率高于第一分辨率图像的分辨率。该方法中，借助神经网络来处理数值模式的天气预测过程，计算机设备只需将气象数值与像素值进行相互转换，低分辨率图像预测高分辨率图像的过程由超分辨率网络来完成，大大减少了预测过程计算量，提高了预测效率。在实际应用时，可将计算时间从几个小时缩短至几十秒，大大节约了时间和计算资源。
在一个实施例中，上述将获取的多个气象数值分别转换为像素值可以包括：根据多个气象数值、以及气象数值与像素值之间的对应关系，确定每个气象数值对应的像素值。
具体的，计算机设备可先建立不同气象数值与像素值之间的对应关系，如像素值的取值范围为[0，255]，地表气压在实际场景中一般为1000百帕左右，标准大气压取值为1013.25百帕，那么可以将地表气压的数值均匀映射在[0,255]像素值之间，则建立气象数值与像素值之间的对应关系。那么对于某一气象数值，根据此对应关系，则可确定其对应的像素值。本实施例中，通过气象数值与像素值之间的对应关系来确定每个气象数值对应的像素值，可进一步提高气象数值预测过程的效率。
在一个实施例中，如图3所述，上述根据像素值确定第一分辨率图像，可以包括：
S201，根据不同气象观测台的地理位置，确定每个像素值对应的像素点坐标。
S202，根据每个像素值与每个像素值对应的像素点坐标，生成第一分辨率图像。
具体的，上述将气象数值转换为像素值后，需要知道每个像素值应对应在第一分辨率图像中的哪个像素点，那么计算机设备可以根据每个气象观测台的地理位置，获知每个气象数值在气象观测图上的坐标。因第一分辨率图像与气象观测图相对应，那么气象数值转换为像素值后也可确定该像素值在第一分辨率图像上的像素点坐标。然后计算机设备根据每个像素值与每个像素值对应的像素点坐标，可以生成对应的第一分辨率图像。
本实施例提供的数值模式的天气预测方法，计算机设备根据不同气象观测台的地理位置，确定每个像素值对应的像素点坐标，然后根据每个像素值与每个像素值对应的像素点坐标，生成第一分辨率图像。由此，可提高生成的第一分辨率图像的准确度，进而提高最终生成的预测气象数值的准确度。
在一个实施例中，如图4所示，涉及的是对第二分辨率图像中各像素点的像素值进行转换，确定第二分辨率图像对应的预测气象数值的具体过程，可选的，上述S103可以包括：
S301，获取第二分辨率图像中各像素点的像素值。
S302，根据各像素点的像素值、以及气象数值与像素值之间的对应关系，确定第二分辨率图像对应的预测气象数值。
具体的，因像素值通常为原图像被数字化时由计算机赋予的值，那么当超分辨率网络输出第二分辨率图像后，计算机设备可以从该图像数据中获取其各像素点的像素值，然后根据上述气象数值与像素值之间的对应关系，确定第二分辨率图像对应的预测气象数值。本实施例中，通过气象数值与像素值之间的对应关系来确定第二分辨率图像每个像素值对应的气象数值，可进一步提高气象数值预测过程的效率。
在一个实施例中，在使用超分辨率网络之前，还需对该网络进行训练，可选的，如图5所示，上述超分辨率网络的训练方式可以包括：
S401，获取同一时刻的待训练距离的气象数值和标准距离的气象数值。
具体的，上述超分辨率网络的作用为将低分辨率图像进行超分辨率操作，得到高分辨率图像，那么该网络在训练时需要大量的训练数据及标准数据。因此，计算机设备可以从历史天气预测过程中获取同一时刻低分辨率对应的气象数值与高分辨率对应的气象数值，将低分辨率对应的气象数值作为待训练距离的气象数值，将高分辨率对应的气象数值作为标准距离的气象数值。如：将25公里分辨率的气象数值作为待训练距离的气象数值，将9公里或3公里分辨率的气象数值作为标准距离的气象数值，但需要说明的是，预测9公里分辨率气象数值的超分辨率网络与预测3公里分辨率气象数值的超分辨率网络需要分开训练。
S402，根据待训练距离的气象数值确定第一分辨率训练图像，以及根据标准距离的气象数值确定第二分辨率训练图像。
具体的，计算机设备将待训练距离的气象数值分别转换为对应的像素值，根据该像素值确定第一分辨率训练图像；以及将标准距离的气象数值分别转换为对应的像素值，根据该像素值确定第二分辨率训练图像，并将第二分辨率训练图像作为训练过程中的金标准图像。其中，第二分辨率训练图像的分辨率高于第一分辨率训练图像的分辨率。关于气象数值转换为像素值的过程可以参见上述实施例的描述，在此不再赘述。
S403，将第一分辨率训练图像输入初始超分辨率网络，得到第二分辨率预测图像。
S404，根据第二分辨率预测图像与第二分辨率训练图像之间的损失，对初始超分辨率网络进行训练，得到超分辨率网络。
具体的，计算机设备可以将第一分辨率训练图像输入初始超分辨率网络中进行超分辨率操作，得到第二分辨率预测图像，该初始超分辨率网络可以为新搭建的网络，其网络结构可以参见上述实施例的描述。因上述第二分辨率训练图像为训练过程中的标准图像，因此计算机设备可以计算第二分辨率预测图像和第二分辨率训练图像之间的损失，根据该损失调整初始超分辨率网络的网络参数，以此迭代训练直至超分辨网络达到收敛。其中，该超分辨率网络的训练过程还可以理解为将第一分辨率训练图像和第二分辨率训练图像组成一对，由初始超分辨网络学习第二分辨率训练图像中的特征，来对第一分辨率训练图像进行处理。
可选的，计算机设备可以计算第二分辨率预测图像与第二分辨率训练图像中对应像素点的像素值损失，以及第二分辨率预测图像与第二分辨率训练图像中像素值的变化趋势损失，即可以理解为细节损失和整体损失两部分。其中，像素值损失为同一位置像素点的像素值差异，像素值的变化趋势损失为图像某区域内像素值大小的变化趋势差异。然后计算机设备可以根据该像素值损失和变化趋势损失的求和结果，对初始超分辨率网络进行训练，可选的，该求和结果可以为直接求和、加权求和、平均求和等，本实施例对此不做限制。其中，在实验过程中，由训练完成的超分辨率网络分别预测9公里分辨率和3公里分辨率的地表气压气象数值/地表湿度气象数值，其计算时间和准确率结果可以参见图5a所示。
本实施例提供的数值模式的天气预测方法，计算机设备获取同一时刻的待训练距离的气象数值和标准距离的气象数值，根据待训练距离的气象数值确定第一分辨率训练图像，以及根据标准距离的气象数值确定第二分辨率训练图像，以该训练图像作为训练数据对初始超分辨率网络进行训练，直至收敛。由此训练得到精度较高的超分辨率网络，以提高生成的第二分辨率图像的准确度，进而提高最终得到的预测气象数值的准确度。
应该理解的是，虽然图2-图5的流程图中各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-图5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种数值模式的天气预测装置，包括：确定模块11、处理模块12和转换模块13。
具体的，确定模块11，用于将获取的多个气象数值分别转换为像素值，根据像素值确定第一分辨率图像；其中，多个气象数值为由不同气象观测台对目标区域进行观测所得到的。
处理模块12，用于将第一分辨率图像输入预设的超分辨率网络中，得到与第一分辨率图像对应的第二分辨率图像；第二分辨率图像的分辨率高于第一分辨率图像的分辨率。
转换模块13，用于对第二分辨率图像中各像素点的像素值进行转换，确定第二分辨率图像对应的预测气象数值。
本实施例提供的数值模式的天气预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在一个实施例中，上述确定模块11，具体用于根据多个气象数值、以及气象数值与像素值之间的对应关系，确定每个气象数值对应的像素值。
在一个实施例中，上述确定模块11，具体用于根据不同气象观测台的地理位置，确定每个像素值对应的像素点坐标；根据每个像素值与每个像素值对应的像素点坐标，生成第一分辨率图像。
在一个实施例中，上述转换模块13，具体用于获取第二分辨率图像中各像素点的像素值；根据各像素点的像素值、以及气象数值与像素值之间的对应关系，确定第二分辨率图像对应的预测气象数值。
在一个实施例中，如图7所示，上述装置还包括训练模块14，用于获取同一时刻的待训练距离的气象数值和标准距离的气象数值；根据待训练距离的气象数值确定第一分辨率训练图像，以及根据标准距离的气象数值确定第二分辨率训练图像；将第一分辨率训练图像输入初始超分辨率网络，得到第二分辨率预测图像；根据第二分辨率预测图像与第二分辨率训练图像之间的损失，对初始超分辨率网络进行训练，得到超分辨率网络。
本实施例提供的数值模式的天气预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在一个实施例中，上述训练模块14，具体用于计算第二分辨率预测图像与第二分辨率训练图像中对应像素点的像素值损失，以及第二分辨率预测图像与第二分辨率训练图像中像素值的变化趋势损失；根据像素值损失和变化趋势损失的求和结果，对初始超分辨率网络进行训练。
在一个实施例中，超分辨率网络为深度残差通道注意力网络RCAN。
关于数值模式的天气预测装置的具体限定可以参见上文中对于数值模式的天气预测方法的限定，在此不再赘述。上述数值模式的天气预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种数值模式的天气预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
将获取的多个气象数值分别转换为像素值，根据像素值确定第一分辨率图像；其中，多个气象数值为由不同气象观测台对目标区域进行观测所得到的；
将第一分辨率图像输入预设的超分辨率网络中，得到与第一分辨率图像对应的第二分辨率图像；第二分辨率图像的分辨率高于第一分辨率图像的分辨率；
对第二分辨率图像中各像素点的像素值进行转换，确定第二分辨率图像对应的预测气象数值。
本实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据多个气象数值、以及气象数值与像素值之间的对应关系，确定每个气象数值对应的像素值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据不同气象观测台的地理位置，确定每个像素值对应的像素点坐标；
根据每个像素值与每个像素值对应的像素点坐标，生成第一分辨率图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取第二分辨率图像中各像素点的像素值；
根据各像素点的像素值、以及气象数值与像素值之间的对应关系，确定第二分辨率图像对应的预测气象数值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取同一时刻的待训练距离的气象数值和标准距离的气象数值；
根据待训练距离的气象数值确定第一分辨率训练图像，以及根据标准距离的气象数值确定第二分辨率训练图像；
将第一分辨率训练图像输入初始超分辨率网络，得到第二分辨率预测图像；
根据第二分辨率预测图像与第二分辨率训练图像之间的损失，对初始超分辨率网络进行训练，得到超分辨率网络。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
计算第二分辨率预测图像与第二分辨率训练图像中对应像素点的像素值损失，以及第二分辨率预测图像与第二分辨率训练图像中像素值的变化趋势损失；
根据像素值损失和变化趋势损失的求和结果，对初始超分辨率网络进行训练。
在一个实施例中，超分辨率网络为深度残差通道注意力网络RCAN。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
将获取的多个气象数值分别转换为像素值，根据像素值确定第一分辨率图像；其中，多个气象数值为由不同气象观测台对目标区域进行观测所得到的；
将第一分辨率图像输入预设的超分辨率网络中，得到与第一分辨率图像对应的第二分辨率图像；第二分辨率图像的分辨率高于第一分辨率图像的分辨率；
对第二分辨率图像中各像素点的像素值进行转换，确定第二分辨率图像对应的预测气象数值。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据多个气象数值、以及气象数值与像素值之间的对应关系，确定每个气象数值对应的像素值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据不同气象观测台的地理位置，确定每个像素值对应的像素点坐标；
根据每个像素值与每个像素值对应的像素点坐标，生成第一分辨率图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取第二分辨率图像中各像素点的像素值；
根据各像素点的像素值、以及气象数值与像素值之间的对应关系，确定第二分辨率图像对应的预测气象数值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取同一时刻的待训练距离的气象数值和标准距离的气象数值；
根据待训练距离的气象数值确定第一分辨率训练图像，以及根据标准距离的气象数值确定第二分辨率训练图像；
将第一分辨率训练图像输入初始超分辨率网络，得到第二分辨率预测图像；
根据第二分辨率预测图像与第二分辨率训练图像之间的损失，对初始超分辨率网络进行训练，得到超分辨率网络。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
计算第二分辨率预测图像与第二分辨率训练图像中对应像素点的像素值损失，以及第二分辨率预测图像与第二分辨率训练图像中像素值的变化趋势损失；
根据像素值损失和变化趋势损失的求和结果，对初始超分辨率网络进行训练。
在一个实施例中，超分辨率网络为深度残差通道注意力网络RCAN。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种数值模式的天气预测方法，其特征在于，所述方法包括：
将获取的多个气象数值分别转换为像素值，根据所述像素值确定第一分辨率图像；其中，所述多个气象数值为由不同气象观测台对目标区域进行观测所得到的；
将所述第一分辨率图像输入预设的超分辨率网络中，得到与所述第一分辨率图像对应的第二分辨率图像；所述第二分辨率图像的分辨率高于所述第一分辨率图像的分辨率；
对所述第二分辨率图像中各像素点的像素值进行转换，确定所述第二分辨率图像对应的预测气象数值。
2.根据权利要求1所述的方法，其特征在于，所述将获取的多个气象数值分别转换为像素值，包括：
根据所述多个气象数值、以及气象数值与像素值之间的对应关系，确定每个气象数值对应的像素值。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述像素值确定第一分辨率图像，包括：
根据不同气象观测台的地理位置，确定每个像素值对应的像素点坐标；
根据每个像素值与所述每个像素值对应的像素点坐标，生成所述第一分辨率图像。
4.根据权利要求1或2所述的方法，其特征在于，对所述第二分辨率图像中各像素点的像素值进行转换，确定所述第二分辨率图像对应的预测气象数值，包括：
获取所述第二分辨率图像中各像素点的像素值；
根据所述各像素点的像素值、以及气象数值与像素值之间的对应关系，确定所述第二分辨率图像对应的预测气象数值。
5.根据权利要求1所述的方法，其特征在于，所述超分辨率网络的训练方式包括：
获取同一时刻的待训练距离的气象数值和标准距离的气象数值；
根据所述待训练距离的气象数值确定第一分辨率训练图像，以及根据所述标准距离的气象数值确定第二分辨率训练图像；
将所述第一分辨率训练图像输入初始超分辨率网络，得到第二分辨率预测图像；
根据所述第二分辨率预测图像与所述第二分辨率训练图像之间的损失，对所述初始超分辨率网络进行训练，得到所述超分辨率网络。
6.根据权利要求5所述的方法，其特征在于，所述根据所述第二分辨率预测图像与所述第二分辨率训练图像之间的损失，对所述初始超分辨率网络进行训练，包括：
计算所述第二分辨率预测图像与所述第二分辨率训练图像中对应像素点的像素值损失，以及所述第二分辨率预测图像与所述第二分辨率训练图像中像素值的变化趋势损失；
根据所述像素值损失和所述变化趋势损失的求和结果，对所述初始超分辨率网络进行训练。
7.根据权利要求1所述的方法，其特征在于，所述超分辨率网络为深度残差通道注意力网络RCAN。
8.一种数值模式的天气预测装置，其特征在于，所述装置包括：
确定模块，用于将获取的多个气象数值分别转换为像素值，根据所述像素值确定第一分辨率图像；其中，所述多个气象数值为由不同气象观测台对目标区域进行观测所得到的；
处理模块，用于将所述第一分辨率图像输入预设的超分辨率网络中，得到与所述第一分辨率图像对应的第二分辨率图像；所述第二分辨率图像的分辨率高于所述第一分辨率图像的分辨率；
转换模块，用于对所述第二分辨率图像中各像素点的像素值进行转换，确定所述第二分辨率图像对应的预测气象数值。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010184754.2A CN111382716A (zh) | 2020-03-17 | 2020-03-17 | 数值模式的天气预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010184754.2A CN111382716A (zh) | 2020-03-17 | 2020-03-17 | 数值模式的天气预测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111382716A true CN111382716A (zh) | 2020-07-07 |
Family
ID=71218734
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010184754.2A Pending CN111382716A (zh) | 2020-03-17 | 2020-03-17 | 数值模式的天气预测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111382716A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022172442A1 (ja) * | 2021-02-15 | 2022-08-18 | 富士通株式会社 | 浸水予測プログラム、浸水予測装置および機械学習方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651772A (zh) * | 2016-11-25 | 2017-05-10 | 宁波大学 | 一种卫星云图的超分辨率重建方法 |
| CN108375806A (zh) * | 2017-12-01 | 2018-08-07 | 国网北京市电力公司 | 气象地图的获取方法和装置 |
| CN110619605A (zh) * | 2019-09-17 | 2019-12-27 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 并行气象要素降尺度方法、装置、电子设备及存储介质 |
| CN110619604A (zh) * | 2019-09-17 | 2019-12-27 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 三维降尺度方法、装置、电子设备及可读存储介质 |
| CN110874630A (zh) * | 2019-10-23 | 2020-03-10 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习的数值模式产品降尺度精细化方法 |
-
2020
- 2020-03-17 CN CN202010184754.2A patent/CN111382716A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651772A (zh) * | 2016-11-25 | 2017-05-10 | 宁波大学 | 一种卫星云图的超分辨率重建方法 |
| CN108375806A (zh) * | 2017-12-01 | 2018-08-07 | 国网北京市电力公司 | 气象地图的获取方法和装置 |
| CN110619605A (zh) * | 2019-09-17 | 2019-12-27 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 并行气象要素降尺度方法、装置、电子设备及存储介质 |
| CN110619604A (zh) * | 2019-09-17 | 2019-12-27 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 三维降尺度方法、装置、电子设备及可读存储介质 |
| CN110874630A (zh) * | 2019-10-23 | 2020-03-10 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习的数值模式产品降尺度精细化方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022172442A1 (ja) * | 2021-02-15 | 2022-08-18 | 富士通株式会社 | 浸水予測プログラム、浸水予測装置および機械学習方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114863418B (zh) | 一种均压场识别方法、装置、存储介质及终端 | |
| CN111505740B (zh) | 气象预测方法、装置、计算机设备和存储介质 | |
| CN114078145A (zh) | 盲区数据处理方法、装置、计算机设备和存储介质 | |
| CN115375868B (zh) | 地图显示和遥感地图显示方法、计算设备以及存储介质 | |
| CN114462723B (zh) | 基于高空风资源影响的云层迁移分钟级光伏功率预测方法 | |
| CN117454495A (zh) | 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置 | |
| CN111382716A (zh) | 数值模式的天气预测方法、装置、计算机设备和存储介质 | |
| CN111105076A (zh) | 天气预报数据的生成方法、装置、计算机设备和存储介质 | |
| JP2018194497A (ja) | 気象予測システム、気象予測方法、気象予測プログラム | |
| CN112150491B (zh) | 图像检测方法、装置、电子设备和计算机可读介质 | |
| CN111583264A (zh) | 图像分割网络的训练方法、图像分割方法和存储介质 | |
| CN115272667B (zh) | 农田图像分割模型训练方法、装置、电子设备和介质 | |
| CN115391745B (zh) | 一种基于概率匹配平均法的降水预报订正方法及系统 | |
| CN111091138A (zh) | 辐照预报的处理方法、堆叠泛化模型的训练方法及装置 | |
| CN115035223A (zh) | 一种图像处理方法、装置、设备及介质 | |
| CN115170714A (zh) | 一种扫描图像渲染方法、装置、电子设备及存储介质 | |
| CN114723600A (zh) | 美妆特效的生成方法、装置、设备、存储介质和程序产品 | |
| CN110146102B (zh) | 路径规划方法、装置、设备和存储介质 | |
| CN109859118B (zh) | 一种基于四叉树的有效镶嵌多边形优化去除云覆盖区域的方法和系统 | |
| CN110211230B (zh) | 空间规划模型集成方法、装置、计算机设备和存储介质 | |
| CN113076591A (zh) | 基于模糊数学的建筑区域结构特征提取及震害预测方法 | |
| CN110148190B (zh) | 气象图像订正方法、装置、计算机设备和存储介质 | |
| CN110608723A (zh) | 一种基于fpga的实时遥感影像地理参考方法 | |
| CN111898620A (zh) | 识别模型的训练方法、字符识别方法、装置、设备和介质 | |
| CN116961728B (zh) | 一种卫星覆盖信息确定方法、装置、电子设备及存储介质 |
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 |