CN111814960A - 天气气候系统的识别方法、装置、存储介质及处理器 - Google Patents
天气气候系统的识别方法、装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN111814960A CN111814960A CN202010632577.XA CN202010632577A CN111814960A CN 111814960 A CN111814960 A CN 111814960A CN 202010632577 A CN202010632577 A CN 202010632577A CN 111814960 A CN111814960 A CN 111814960A
- Authority
- CN
- China
- Prior art keywords
- convolution
- target
- wind field
- climate system
- weather
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 29
- 230000000694 effects Effects 0.000 claims description 117
- 230000015572 biosynthetic process Effects 0.000 claims description 54
- 238000003786 synthesis reaction Methods 0.000 claims description 54
- 239000013598 vector Substances 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- JTJMJGYZQZDUJJ-UHFFFAOYSA-N phencyclidine Chemical class C1CCCCN1C1(C=2C=CC=CC=2)CCCCC1 JTJMJGYZQZDUJJ-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种天气气候系统的识别方法、装置、存储介质及处理器。该方法包括：获取预设数量的水平风场特征，其中，预设数量的水平风场特征为同一目标类型的天气气候系统的水平风场特征；对预设数量的水平风场特征进行合成处理，得到目标卷积算子；根据目标卷积算子对待测天气气候系统的水平风场特征进行卷积操作，得到卷积结果；根据卷积结果识别待测天气气候系统。通过本申请，解决了相关技术中识别天气气候系统耗费大量资源、准确性低的问题。
Description
技术领域
本申请涉及气象识别技术领域，具体而言，涉及一种天气气候系统的识别方法、装置、存储介质及处理器。
背景技术
天气气候系统(如热带气旋、切变线等)的生成、维持和消亡是导致局地甚至大范围地区发生洪涝、高温热浪等气象灾害的重要原因。对天气气候系统的客观识别是开展其生消机制和变化规律研究以及气象灾害监测、预测和预警的关键。
在相关技术中，天气气候系统的识别方法依赖于专家的经验，具体地，研究人员首先通过对大量气象历史数据进行诊断分析，提取出特定类型的天气气候系统的主要时空变化特征，进而给出一系列适用于该类型天气气候系统的判别条件和阈值，最后根据这些判别条件和阈值进行天气气候系统的识别。但是，由于天气气候系统自身时空演变规律的复杂性，如何给出一套客观且标准化的事件判别条件和阈值以识别复杂多变的天气气候系统，这仍是目前气象学者所面临的巨大挑战。
为了减少对专家经验的依赖，提高天气气候系统识别的准确性，相关技术中出现了利用基于神经网络的机器学习算法进行天气气候系统的识别方法，该方法不需要事先设定判别条件和阈值，在天气气候系统识别中具有重要应用前景。例如，一些学者结合贝叶斯最优参数估计和深度卷积神经网络，将机器学习算法应用于热带气旋、大气河和锋面这三种天气气候系统的识别中。还有学者基于卫星遥感数据探讨了机器学习算法在台风识别中的应用。然而，基于神经网络的机器学习算法存在以下缺陷：机器学习模型的训练不但需要大量数据，还需要对模型参数进行大量的调试与优化，以缩短模型训练时间并得到有效的训练和校验结果，也即，模型训练和参数优化需要耗费大量资源，在气象观测数据样本量不足的情况下，限制了模型的训练和优化，导致识别准确性不能满足要求。
针对相关技术中识别天气气候系统耗费大量资源、准确性低的问题，目前尚未提出有效的解决方案。
发明内容
本申请提供一种天气气候系统的识别方法、装置、存储介质及处理器，以解决相关技术中识别天气气候系统耗费大量资源、准确性低的问题。
根据本申请的一个方面，提供了一种天气气候系统的识别方法。该方法包括：获取预设数量的水平风场特征，其中，预设数量的水平风场特征为同一目标类型的天气气候系统的水平风场特征；对预设数量的水平风场特征进行合成处理，得到目标卷积算子；根据目标卷积算子对待测天气气候系统的水平风场特征进行卷积操作，得到卷积结果；根据卷积结果识别待测天气气候系统。
可选地，获取预设数量的水平风场特征包括：从历史数据库中获取预设数量的目标类型的天气气候系统；分别以各个目标类型的天气气候系统的活动中心为中心、以各个目标类型的天气气候系统的水平特征尺度为直径，截取第一预设尺寸的活动区域，得到预设数量的第一活动区域；获取各个第一活动区域内的水平风场特征，得到预设数量的水平风场特征。
可选地，水平风场特征由风场中的各个点的风矢量表征，在对预设数量的水平风场特征进行合成处理，得到目标卷积算子之前，包括：确定各个第一活动区域内的各个点的风矢量；将各个点的风矢量分别分解为经向风分量和纬向风分量。
可选地，对预设数量的水平风场特征进行合成处理，得到目标卷积算子包括：对各个第一活动区域内各个点的经向风分量进行合成，得到经向风合成结果；对各个第一活动区域内各个点的纬向风分量进行合成，得到纬向风合成结果；根据经向风合成结果和纬向风合成结果确定目标合成结果；对目标合成结果进行无量纲化处理，得到目标卷积算子。
可选地，根据目标卷积算子对待测天气气候系统的水平风场特征进行卷积操作，得到卷积结果包括：对目标时刻待测天气气候系统的水平风场特征进行无量纲化处理，得到目标水平风场特征；根据目标卷积算子对目标水平风场特征进行卷积操作，得到卷积结果。
可选地，根据目标卷积算子对目标水平风场特征进行卷积操作，得到卷积结果包括：分别以目标水平风场特征包含的每个点作为中心，截取第一预设尺寸的活动区域，得到多个第二活动区域；以目标卷积算子为卷积核，分别对多个第二活动区域内的水平风场特征进行卷积操作，得到目标水平风场特征包含的各个点的卷积值。
可选地，目标水平风场特征由各个点的风矢量表征，以目标卷积算子为卷积核，分别对多个第二活动区域内的水平风场特征进行卷积操作，得到目标水平风场特征包含的各个点的卷积值包括：确定每个第二活动区域内的各个点的风矢量；将每个点的风矢量分解为经向风分量和纬向风分量；以目标卷积算子为卷积核，分别对多个第二活动区域内各个点的经向风分量进行卷积操作，得到各个第二活动区域的中心点的经向风的卷积值；以目标卷积算子为卷积核，分别对多个第二活动区域内各个点的纬向风分量进行卷积操作，得到各个第二活动区域的中心点的纬向风的卷积值；基于第二活动区域的中心点的经向风的卷积值和纬向风的卷积值，确定第二活动区域的中心点的卷积值；根据各个第二活动区域的中心点的卷积值，确定目标水平风场特征包含的各个点的卷积值。
可选地，根据卷积结果识别待测天气气候系统；根据卷积结果识别待测天气气候系统的活动中心；在识别出待测天气气候系统的活动中心的情况下，将目标类型作为待测天气气候系统的类型；根据待测天气气候系统的活动中心和待测天气气候系统的类型确定待测天气气候系统。
可选地，根据卷积结果识别待测天气气候系统的活动中心包括：获取目标水平风场特征包含的卷积值小于识别阈值的点，得到多个目标点；基于多个目标点确定连续分布的目标区域，并确定目标区域内卷积值的极值中心；根据极值中心确定待测天气气候系统的活动中心。
根据本申请的另一方面，提供了一种天气气候系统的识别装置。该装置包括：获取单元，用于获取预设数量的水平风场特征，其中，预设数量的水平风场特征为同一目标类型的天气气候系统的水平风场特征；合成单元，用于对预设数量的水平风场特征进行合成处理，得到目标卷积算子；卷积单元，用于根据目标卷积算子对待测天气气候系统的水平风场特征进行卷积操作，得到卷积结果；识别单元，用于根据卷积结果识别待测天气气候系统。
为了实现上述目的，根据本申请的另一方面，提供了一种存储介质，存储介质包括存储的程序，其中，程序执行上述任意一种天气气候系统的识别方法。
为了实现上述目的，根据本申请的另一方面，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一种天气气候系统的识别方法。
通过本申请，采用以下步骤：获取预设数量的水平风场特征，其中，预设数量的水平风场特征为同一目标类型的天气气候系统的水平风场特征；对预设数量的水平风场特征进行合成处理，得到目标卷积算子；根据目标卷积算子对待测天气气候系统的水平风场特征进行卷积操作，得到卷积结果；根据卷积结果识别待测天气气候系统，解决了相关技术中识别天气气候系统耗费大量资源、准确性低的问题。通过合成目标卷积算子，并利用目标卷积算子对待测天气气候系统的水平风场数据进行卷积操作，进而达到了降低天气气候系统识别的资源消耗量、提高识别准确性的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的天气气候系统的识别方法的流程图；
图2是根据本申请实施例提供的天气气候系统的识别过程的示意图；
图3是根据本申请实施例提供的天气气候系统的识别方法中合成目标算子的示意图；
图4是根据本申请实施例提供的天气气候系统的识别方法中的待测天气气候系统的示意图；
图5是根据本申请实施例提供的天气气候系统的识别方法中的识别结果示意图；
图6是根据本申请实施例提供的天气气候系统的识别装置的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述，以下对本申请实施例涉及的部分名词或术语进行说明：
大气环流：全球性的有规律的大气运动。
天气气候系统：是指引起天气和气候变化的具有典型特征的大气运动系统，如热带气旋、切变线等。
水平特征尺度：各类天气气候系统有一定的特征尺度，空间尺度主要以天气气候系统的水平尺度的大小来衡量。水平特征尺度系指天气气候系统的波长或扰动直径。
活动中心：天气气候系统的中心位置。
水平风场：大气在水平方向上的运动，一般分解为经向风分量和纬向风分量，每个分量包含时间、经度和纬度这三个维度。在气象上水平风场数据一般以格点形式存储，即数据均匀分布在网格点。
合成：在本申请实施例中合成指等权重平均。
卷积：一种积分变换的数学方法，具有增强原信号特征、降低噪音的作用。
根据本申请的实施例，提供了一种天气气候系统的识别方法。
图1是根据本申请实施例的天气气候系统的识别方法的流程图。如图1所示，该方法包括以下步骤：
步骤S101，获取预设数量的水平风场特征，其中，预设数量的水平风场特征为同一目标类型的天气气候系统的水平风场特征。
可选地，在本申请实施例提供的天气气候系统的识别方法中，获取预设数量的水平风场特征包括：从历史数据库中获取预设数量的目标类型的天气气候系统；分别以各个目标类型的天气气候系统的活动中心为中心、以各个目标类型的天气气候系统的水平特征尺度为直径，截取第一预设尺寸的活动区域，得到预设数量的第一活动区域；获取各个第一活动区域内的水平风场特征，得到预设数量的水平风场特征。
需要说明的是，在大气环流场上，不同天气气候系统通常具有特定的空间形态和特征尺度，如热带气旋呈现为逆时针旋转的圆形或椭圆形涡旋结构，切变线则具有近似带状分布的逆时针风向切变等。本申请实施例针对天气气候系统在大气环流场上的空间形态和特征尺度，随机选取适量典型个例，从而为生成适用于识别天气气候系统的卷积算子奠定数据基础。此外，需要说明的是，当随机选取的典型个例样本数大于10时，典型个例样本数的取值对识别准确率无明显影响。
例如，在目标类型的天气气候系统为热带气旋的情况下，如图2所示，从气象历史年鉴资料库中随机选取N个热带气旋典型个例，具体地，N的取值一般大于10，每个典型个例包含一个时刻的水平风场特征，以热带气旋的活动中心为中心点、水平特征尺度为影响直径，分别截取得到N个空间尺度为K×M的典型个例的活动区域，从而为生成适用于识别热带气旋的卷积算子奠定数据基础。具体地，预设热带气旋的水平特征尺度为125公里，水平风场样本数据在经向和纬向上的分辨率均为0.125度(1度≈100公里)，那么第一活动区域的空间大小为10×10个网格点。
步骤S102，对预设数量的水平风场特征进行合成处理，得到目标卷积算子。
可选地，在本申请实施例提供的天气气候系统的识别方法中，水平风场特征由风场中的各个点的风矢量表征，在对预设数量的水平风场特征进行合成处理，得到目标卷积算子之前，包括：确定各个第一活动区域内的各个点的风矢量；将各个点的风矢量分别分解为经向风分量和纬向风分量。
需要说明的是，每个点的风矢量包括风速大小和风速方向，将风矢量投影到x轴，可以得到经向风分量U，将风矢量投影y轴，可以得到纬向风分量V，也即，水平风场可以由函数f(U,V)表示。
通过分别对经向风分量和纬向风分量进行合成，得到目标卷积算子，可选地，在本申请实施例提供的天气气候系统的识别方法中，对预设数量的水平风场特征进行合成处理，得到目标卷积算子包括：对各个第一活动区域内各个点的经向风分量进行合成，得到经向风合成结果；对各个第一活动区域内各个点的纬向风分量进行合成，得到纬向风合成结果；根据经向风合成结果和纬向风合成结果确定目标合成结果；对目标合成结果进行无量纲化处理，得到目标卷积算子。
具体地，如图3所示，在得到N个空间尺度为K×M的热带气旋典型个例的活动区域后，对这N个活动区域上的水平风场f(U,V)进行合成，具体地，N个活动区域的四条边对齐，对N个活动区域的经向风分量U求等权重平均值，得到经向风合成结果，对N个活动区域的纬向风分量V求等权重平均值，得到纬向风合成结果，再对经向风合成结果和纬向风合成结果按照下式进行无量纲化，得到目标卷积算子L(U,V):
其中，u和v分别表示经无量纲化处理后的纬向风分量和经向风分量。
需要说明的是，本申请实施例中的目标卷积算子是一个三维矩阵，矩阵大小与水平风场样本数据的空间分辨率有关，样本数据的空间分辨率越大，矩阵越大。不同目标类型的天气气候系统对应不同的目标卷积算子。不同目标类型的天气气候系统往往具有不同大小的水平特征尺度(如热带气旋一般为～1000公里，切变线一般为～100公里)，其目标卷积算子的大小也不同，如前述，第一活动区域的空间大小为10×10个网格点，那么目标卷积算子是一个2×10×10的矩阵
需要说明的是，本申请实施例基于卷积神经网络进行天气气候系统的识别，卷积算子是卷积神经网络的重要参数，相关技术中主要通过对历史数据进行训练得到卷积算子，需要对模型进行大量的参数调试与优化，过程复杂且耗费资源，而本申请实施例根据特定类型天气气候系统在大气环流场上的空间形态和特征尺度，选取适量典型个例进行合成分析，并基于合成结果生成适用于识别该类型天气气候系统的卷积算子，无需利用历史数据进行大量的训练、调试和优化，节省了大量资源，具有计算简单、成本低和易实现的优势。
步骤S103，根据目标卷积算子对待测天气气候系统的水平风场特征进行卷积操作，得到卷积结果；
需要说明的是，利用目标卷积算子与大气环流进行卷积运算，可以使得相应类型天气气候系统在环流场上的原始信号得到增强，从而实现天气气候系统的客观、高效、准确的识别。
可选地，在本申请实施例提供的天气气候系统的识别方法中，根据目标卷积算子对待测天气气候系统的水平风场特征进行卷积操作，得到卷积结果包括：对目标时刻待测天气气候系统的水平风场特征进行无量纲化处理，得到目标水平风场特征；根据目标卷积算子对目标水平风场特征进行卷积操作，得到卷积结果。
需要说明的是，由于目标卷积算子是无量纲化后的结果，在对待测天气气候系统的水平风场特征进行卷积操作之前，需要先对该时刻的水平风场特征进行无量纲化处理，从而提高识别的准确率。
具体地，对2001–2015年的逐时样本数据进行测试，经无量纲化处理后，热带气旋的识别准确率由91.2％提高至99.5％，切变线的识别准确率由88.4％提高至96.7％。
可选地，在本申请实施例提供的天气气候系统的识别方法中，根据目标卷积算子对目标水平风场特征进行卷积操作，得到卷积结果包括：分别以目标水平风场特征包含的每个点作为中心，截取第一预设尺寸的活动区域，得到多个第二活动区域；以目标卷积算子为卷积核，分别对多个第二活动区域内的水平风场特征进行卷积操作，得到目标水平风场特征包含的各个点的卷积值。
例如，目标时刻为t时刻，对t时刻的目标水平风场ft(U,V)进行无量纲化处理后，并以任意空间点为中心(每个点的经度和纬度分别用φ和θ表示)，截取大小为K×M的活动区域，并在大小为K×M的活动区域内对ft(U,V)与卷子算子L(U,V)进行一次卷积运算，如下式所示，从而得到该空间点在t时刻的卷积值Fφ,θ,t(U,V)；相同的，对水平风场上所有空间点均进行一次卷积运算，从而得到t时刻遍历全场的卷积值Ft(U,V)。
卷积操作分为对经向风分量的卷积操作和对纬向风分量的卷积操作，可选地，在本申请实施例提供的天气气候系统的识别方法中，目标水平风场特征由各个点的风矢量表征，以目标卷积算子为卷积核，分别对多个第二活动区域内的水平风场特征进行卷积操作，得到目标水平风场特征包含的各个点的卷积值包括：确定每个第二活动区域内的各个点的风矢量；将每个点的风矢量分解为经向风分量和纬向风分量；以目标卷积算子为卷积核，分别对多个第二活动区域内各个点的经向风分量进行卷积操作，得到各个第二活动区域的中心点的经向风的卷积值；以目标卷积算子为卷积核，分别对多个第二活动区域内各个点的纬向风分量进行卷积操作，得到各个第二活动区域的中心点的纬向风的卷积值；基于第二活动区域的中心点的经向风的卷积值和纬向风的卷积值，确定第二活动区域的中心点的卷积值；根据各个第二活动区域的中心点的卷积值，确定目标水平风场特征包含的各个点的卷积值。
具体地，在对水平风场上的空间点的风矢量进行卷积运算时，先对空间点的风矢量包含的经向风分量和纬向风分量进行无量纲化处理，再分别计算得到每个点的经向风的卷积值和纬向风的卷积值，并将每个点的纬向风的卷积值和纬向风的卷积值进行相加，得到每个点的卷积值。
步骤S104，根据卷积结果识别待测天气气候系统。
具体地，进行卷积运算后，使得特定类型天气气候系统的原始信号得到增强，并有效滤除其它尺度信号的干扰，根据卷积结果可以准确高效地识别出这种类型天气气候系统。
识别一个气象系统，需要至少得知该气象系统的类型和空间形态特征，可选地，在本申请实施例提供的天气气候系统的识别方法中，根据卷积结果识别待测天气气候系统；根据卷积结果识别待测天气气候系统的活动中心；在识别出待测天气气候系统的活动中心的情况下，将目标类型作为待测天气气候系统的类型；根据待测天气气候系统的活动中心和待测天气气候系统的类型确定待测天气气候系统。
需要说明的是，由于目标卷积算子是适用于识别目标类型的天气气候系统的卷积算子，在识别出待测天气气候系统的活动中心的情况下，说明待测天气气候系统的类型即为目标类型，活动中心即为目标类型的天气气候系统的空间形态特征。
卷积值的分布可以反映天气气候系统的空间形态特征，可选地，在本申请实施例提供的天气气候系统的识别方法中，根据卷积结果识别待测天气气候系统的活动中心包括：获取目标水平风场特征包含的卷积值小于识别阈值的点，得到多个目标点；基于多个目标点确定连续分布的目标区域，并确定目标区域内卷积值的极值中心；根据极值中心确定待测天气气候系统的活动中心。
具体他，可以将目标时刻卷积值小于识别阈值的各个点的卷积值设置为0，再确定在空间上具有连续分布的卷积值大于0的目标区域，从而确定目标区域内卷积值的极值中心。
需要说明的是，识别阈值的大小可通过统计分析确定，具体地，从历史数据库中随机选取N个待测天气气候系统的典型个例；根据目标卷积算子对所述N个典型个例的水平风场特征进行卷积操作，得到卷积结果；计算所述N个典型个例的卷积值的平均值α和标准差δ；将平均值与标准差的差值(即α–δ)设置为待测天气气候系统的识别阈值。当随机选取的典型个例样本数N大于10时，所得到的识别阈值较为稳定，对天气气候系统的识别准确率无明显影响。
例如，图4展示了2018年7月22日00时的水平风场分布，该环流场上存在4个热带气旋活动中心，采用适用于热带气旋的卷积算子对图4的风场进行卷积运算后，得到如图5所示的卷积结果，由图5可以看出，卷积值的极值中心位置与热带气旋活动中心的位置相一致，说明本申请技术的方法可以准确地识别出图5中的四个热带气旋。
需要说明的是，除了热带气旋，本申请实施例的方法同样适用于大气环流场上温带气旋、低涡、冷涡、槽线、切变线和闭合高压等天气气候系统的识别，具体地，对应气旋等具有圆形或椭圆形涡旋结构的天气气候系统，存在一个极值中心，对于切变线等带状的系统，极值沿一条斜线分布。
本申请实施例提供的天气气候系统的识别方法，通过获取预设数量的水平风场特征，其中，预设数量的水平风场特征为同一目标类型的天气气候系统的水平风场特征；对预设数量的水平风场特征进行合成处理，得到目标卷积算子；根据目标卷积算子对待测天气气候系统的水平风场特征进行卷积操作，得到卷积结果；根据卷积结果识别待测天气气候系统，解决了相关技术中识别天气气候系统耗费大量资源、准确性低的问题。通过合成目标卷积算子，并利用目标卷积算子对待测天气气候系统的水平风场数据进行卷积操作，进而达到了降低天气气候系统识别的资源消耗量、提高识别准确性的效果。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种天气气候系统的识别装置，需要说明的是，本申请实施例的天气气候系统的识别装置可以用于执行本申请实施例所提供的用于天气气候系统的识别方法。以下对本申请实施例提供的天气气候系统的识别装置进行介绍。
图6是根据本申请实施例的天气气候系统的识别装置的示意图。如图6所示，该装置包括：获取单元10、合成单元20、卷积单元30和识别单元40。
具体地，获取单元10，用于获取预设数量的水平风场特征，其中，预设数量的水平风场特征为同一目标类型的天气气候系统的水平风场特征。
合成单元20，用于对预设数量的水平风场特征进行合成处理，得到目标卷积算子。
卷积单元30，用于根据目标卷积算子对待测天气气候系统的水平风场特征进行卷积操作，得到卷积结果。
识别单元40，用于根据卷积结果识别待测天气气候系统。
本申请实施例提供的天气气候系统的识别装置，通过获取单元10获取预设数量的水平风场特征，其中，预设数量的水平风场特征为同一目标类型的天气气候系统的水平风场特征；合成单元20对预设数量的水平风场特征进行合成处理，得到目标卷积算子；卷积单元30根据目标卷积算子对待测天气气候系统的水平风场特征进行卷积操作，得到卷积结果；识别单元40根据卷积结果识别待测天气气候系统，解决了相关技术中识别天气气候系统耗费大量资源、准确性低的问题，通过合成目标卷积算子，并利用目标卷积算子对待测天气气候系统的水平风场数据进行卷积操作，进而达到了降低天气气候系统识别的资源消耗量、提高识别准确性的效果。
可选地，在本申请实施例提供的天气气候系统的识别装置中，获取单元10包括：第一获取模块，用于从历史数据库中获取预设数量的目标类型的天气气候系统；截取模块，用于分别以各个目标类型的天气气候系统的活动中心为中心、以各个目标类型的天气气候系统的水平特征尺度为直径，截取第一预设尺寸的活动区域，得到预设数量的第一活动区域；第二获取模块，用于获取各个第一活动区域内的水平风场特征，得到预设数量的水平风场特征。
可选地，在本申请实施例提供的天气气候系统的识别装置中，水平风场特征由风场中的各个点的风矢量表征，装置还包括：确定单元，用于在对预设数量的水平风场特征进行合成处理，得到目标卷积算子之前，确定各个第一活动区域内的各个点的风矢量；分解单元，用于将各个点的风矢量分别分解为经向风分量和纬向风分量。
可选地，在本申请实施例提供的天气气候系统的识别装置中，合成单元20包括：第一合成模块，用于对各个第一活动区域内各个点的经向风分量进行合成，得到经向风合成结果；第二合成模块，用于对各个第一活动区域内各个点的纬向风分量进行合成，得到纬向风合成结果；第一确定模块，用于根据经向风合成结果和纬向风合成结果确定目标合成结果；第一处理模块，用于对目标合成结果进行无量纲化处理，得到目标卷积算子。
可选地，在本申请实施例提供的天气气候系统的识别装置中，卷积单元30包括：第二处理模块，用于对目标时刻待测天气气候系统的水平风场特征进行无量纲化处理，得到目标水平风场特征；卷积模块，用于根据目标卷积算子对目标水平风场特征进行卷积操作，得到卷积结果。
可选地，在本申请实施例提供的天气气候系统的识别装置中，卷积模块包括：截取子模块，用于分别以目标水平风场特征包含的每个点作为中心，截取第一预设尺寸的活动区域，得到多个第二活动区域；卷积子模块，用于以目标卷积算子为卷积核，分别对多个第二活动区域内的水平风场特征进行卷积操作，得到目标水平风场特征包含的各个点的卷积值。
可选地，在本申请实施例提供的天气气候系统的识别装置中，卷积子模块包括：第一确定子模块，用于确定每个第二活动区域内的各个点的风矢量；分解子模块，用于将每个点的风矢量分解为经向风分量和纬向风分量；第一卷积子模块，用于以目标卷积算子为卷积核，分别对多个第二活动区域内各个点的经向风分量进行卷积操作，得到各个第二活动区域的中心点的经向风的卷积值；第二卷积子模块，用于以目标卷积算子为卷积核，分别对多个第二活动区域内各个点的纬向风分量进行卷积操作，得到各个第二活动区域的中心点的纬向风的卷积值；第二确定子模块，用于基于第二活动区域的中心点的经向风的卷积值和纬向风的卷积值，确定第二活动区域的中心点的卷积值；第三确定子模块，用于根据各个第二活动区域的中心点的卷积值，确定目标水平风场特征包含的各个点的卷积值。
可选地，在本申请实施例提供的天气气候系统的识别装置中，识别单元40系统；识别模块，用于根据卷积结果识别待测天气气候系统的活动中心；第二确定模块，用于在识别出待测天气气候系统的活动中心的情况下，将目标类型作为待测天气气候系统的类型；第三确定模块，用于根据待测天气气候系统的活动中心和待测天气气候系统的类型确定待测天气气候系统。
可选地，在本申请实施例提供的天气气候系统的识别装置中，识别模块包括：获取子模块，用于获取目标水平风场特征包含的卷积值小于识别阈值的点，得到多个目标点；第四确定子模块，用于基于多个目标点确定连续分布的目标区域，并确定目标区域内卷积值的极值中心；第五确定子模块，用于根据极值中心确定待测天气气候系统的活动中心。
所述天气气候系统的识别装置包括处理器和存储器，上述获取单元10、合成单元20、卷积单元30和识别单元40等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决相关技术中识别天气气候系统耗费大量资源、准确性低的问题。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述天气气候系统的识别方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述天气气候系统的识别方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取预设数量的水平风场特征，其中，预设数量的水平风场特征为同一目标类型的天气气候系统的水平风场特征；对预设数量的水平风场特征进行合成处理，得到目标卷积算子；根据目标卷积算子对待测天气气候系统的水平风场特征进行卷积操作，得到卷积结果；根据卷积结果识别待测天气气候系统。
获取预设数量的水平风场特征包括：从历史数据库中获取预设数量的目标类型的天气气候系统；分别以各个目标类型的天气气候系统的活动中心为中心、以各个目标类型的天气气候系统的水平特征尺度为直径，截取第一预设尺寸的活动区域，得到预设数量的第一活动区域；获取各个第一活动区域内的水平风场特征，得到预设数量的水平风场特征。
水平风场特征由风场中的各个点的风矢量表征，在对预设数量的水平风场特征进行合成处理，得到目标卷积算子之前，包括：确定各个第一活动区域内的各个点的风矢量；将各个点的风矢量分别分解为经向风分量和纬向风分量。
对预设数量的水平风场特征进行合成处理，得到目标卷积算子包括：对各个第一活动区域内各个点的经向风分量进行合成，得到经向风合成结果；对各个第一活动区域内各个点的纬向风分量进行合成，得到纬向风合成结果；根据经向风合成结果和纬向风合成结果确定目标合成结果；对目标合成结果进行无量纲化处理，得到目标卷积算子。
根据目标卷积算子对待测天气气候系统的水平风场特征进行卷积操作，得到卷积结果包括：对目标时刻待测天气气候系统的水平风场特征进行无量纲化处理，得到目标水平风场特征；根据目标卷积算子对目标水平风场特征进行卷积操作，得到卷积结果。
根据目标卷积算子对目标水平风场特征进行卷积操作，得到卷积结果包括：分别以目标水平风场特征包含的每个点作为中心，截取第一预设尺寸的活动区域，得到多个第二活动区域；以目标卷积算子为卷积核，分别对多个第二活动区域内的水平风场特征进行卷积操作，得到目标水平风场特征包含的各个点的卷积值。
目标水平风场特征由各个点的风矢量表征，以目标卷积算子为卷积核，分别对多个第二活动区域内的水平风场特征进行卷积操作，得到目标水平风场特征包含的各个点的卷积值包括：确定每个第二活动区域内的各个点的风矢量；将每个点的风矢量分解为经向风分量和纬向风分量；以目标卷积算子为卷积核，分别对多个第二活动区域内各个点的经向风分量进行卷积操作，得到各个第二活动区域的中心点的经向风的卷积值；以目标卷积算子为卷积核，分别对多个第二活动区域内各个点的纬向风分量进行卷积操作，得到各个第二活动区域的中心点的纬向风的卷积值；基于第二活动区域的中心点的经向风的卷积值和纬向风的卷积值，确定第二活动区域的中心点的卷积值；根据各个第二活动区域的中心点的卷积值，确定目标水平风场特征包含的各个点的卷积值。
根据卷积结果识别待测天气气候系统；根据卷积结果识别待测天气气候系统的活动中心；在识别出待测天气气候系统的活动中心的情况下，将目标类型作为待测天气气候系统的类型；根据待测天气气候系统的活动中心和待测天气气候系统的类型确定待测天气气候系统。
可选地，根据卷积结果识别待测天气气候系统的活动中心包括：获取目标水平风场特征包含的卷积值小于识别阈值的点，得到多个目标点；基于多个目标点确定连续分布的目标区域，并确定目标区域内卷积值的极值中心；根据极值中心确定待测天气气候系统的活动中心。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取预设数量的水平风场特征，其中，预设数量的水平风场特征为同一目标类型的天气气候系统的水平风场特征；对预设数量的水平风场特征进行合成处理，得到目标卷积算子；根据目标卷积算子对待测天气气候系统的水平风场特征进行卷积操作，得到卷积结果；根据卷积结果识别待测天气气候系统。
获取预设数量的水平风场特征包括：从历史数据库中获取预设数量的目标类型的天气气候系统；分别以各个目标类型的天气气候系统的活动中心为中心、以各个目标类型的天气气候系统的水平特征尺度为直径，截取第一预设尺寸的活动区域，得到预设数量的第一活动区域；获取各个第一活动区域内的水平风场特征，得到预设数量的水平风场特征。
水平风场特征由风场中的各个点的风矢量表征，在对预设数量的水平风场特征进行合成处理，得到目标卷积算子之前，包括：确定各个第一活动区域内的各个点的风矢量；将各个点的风矢量分别分解为经向风分量和纬向风分量。
对预设数量的水平风场特征进行合成处理，得到目标卷积算子包括：对各个第一活动区域内各个点的经向风分量进行合成，得到经向风合成结果；对各个第一活动区域内各个点的纬向风分量进行合成，得到纬向风合成结果；根据经向风合成结果和纬向风合成结果确定目标合成结果；对目标合成结果进行无量纲化处理，得到目标卷积算子。
根据目标卷积算子对待测天气气候系统的水平风场特征进行卷积操作，得到卷积结果包括：对目标时刻待测天气气候系统的水平风场特征进行无量纲化处理，得到目标水平风场特征；根据目标卷积算子对目标水平风场特征进行卷积操作，得到卷积结果。
根据目标卷积算子对目标水平风场特征进行卷积操作，得到卷积结果包括：分别以目标水平风场特征包含的每个点作为中心，截取第一预设尺寸的活动区域，得到多个第二活动区域；以目标卷积算子为卷积核，分别对多个第二活动区域内的水平风场特征进行卷积操作，得到目标水平风场特征包含的各个点的卷积值。
目标水平风场特征由各个点的风矢量表征，以目标卷积算子为卷积核，分别对多个第二活动区域内的水平风场特征进行卷积操作，得到目标水平风场特征包含的各个点的卷积值包括：确定每个第二活动区域内的各个点的风矢量；将每个点的风矢量分解为经向风分量和纬向风分量；以目标卷积算子为卷积核，分别对多个第二活动区域内各个点的经向风分量进行卷积操作，得到各个第二活动区域的中心点的经向风的卷积值；以目标卷积算子为卷积核，分别对多个第二活动区域内各个点的纬向风分量进行卷积操作，得到各个第二活动区域的中心点的纬向风的卷积值；基于第二活动区域的中心点的经向风的卷积值和纬向风的卷积值，确定第二活动区域的中心点的卷积值；根据各个第二活动区域的中心点的卷积值，确定目标水平风场特征包含的各个点的卷积值。
根据卷积结果识别待测天气气候系统；根据卷积结果识别待测天气气候系统的活动中心；在识别出待测天气气候系统的活动中心的情况下，将目标类型作为待测天气气候系统的类型；根据待测天气气候系统的活动中心和待测天气气候系统的类型确定待测天气气候系统。
可选地，根据卷积结果识别待测天气气候系统的活动中心包括：获取目标水平风场特征包含的卷积值小于识别阈值的点，得到多个目标点；基于多个目标点确定连续分布的目标区域，并确定目标区域内卷积值的极值中心；根据极值中心确定待测天气气候系统的活动中心。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种天气气候系统的识别方法，其特征在于，包括：
获取预设数量的水平风场特征，其中，所述预设数量的水平风场特征为同一目标类型的天气气候系统的水平风场特征；
对所述预设数量的水平风场特征进行合成处理，得到目标卷积算子；
根据所述目标卷积算子对待测天气气候系统的水平风场特征进行卷积操作，得到卷积结果；
根据所述卷积结果识别所述待测天气气候系统。
2.根据权利要求1所述的方法，其特征在于，获取预设数量的水平风场特征包括：
从历史数据库中获取所述预设数量的所述目标类型的天气气候系统；
分别以各个所述目标类型的天气气候系统的活动中心为中心、以各个所述目标类型的天气气候系统的水平特征尺度为直径，截取第一预设尺寸的活动区域，得到所述预设数量的第一活动区域；
获取各个所述第一活动区域内的水平风场特征，得到所述预设数量的水平风场特征。
3.根据权利要求2所述的方法，其特征在于，所述水平风场特征由风场中的各个点的风矢量表征，在对所述预设数量的水平风场特征进行合成处理，得到目标卷积算子之前，所述方法还包括：
确定各个所述第一活动区域内的各个点的风矢量；
将所述各个点的风矢量分别分解为经向风分量和纬向风分量。
4.根据权利要求3所述的方法，其特征在于，对所述预设数量的水平风场特征进行合成处理，得到目标卷积算子包括：
对各个所述第一活动区域内各个点的所述经向风分量进行合成，得到经向风合成结果；
对各个所述第一活动区域内各个点的所述纬向风分量进行合成，得到纬向风合成结果；
根据所述经向风合成结果和所述纬向风合成结果确定目标合成结果；
对所述目标合成结果进行无量纲化处理，得到所述目标卷积算子。
5.根据权利要求1所述的方法，其特征在于，根据所述目标卷积算子对待测天气气候系统的水平风场特征进行卷积操作，得到卷积结果包括：
对目标时刻所述待测天气气候系统的水平风场特征进行无量纲化处理，得到目标水平风场特征；
根据所述目标卷积算子对所述目标水平风场特征进行卷积操作，得到所述卷积结果。
6.根据权利要求5所述的方法，其特征在于，根据所述目标卷积算子对所述目标水平风场特征进行卷积操作，得到所述卷积结果包括：
分别以所述目标水平风场特征包含的每个点作为中心，截取第一预设尺寸的活动区域，得到多个第二活动区域；
以所述目标卷积算子为卷积核，分别对所述多个第二活动区域内的水平风场特征进行卷积操作，得到所述目标水平风场特征包含的各个点的卷积值。
7.根据权利要求6所述的方法，其特征在于，所述目标水平风场特征由各个点的风矢量表征，以所述目标卷积算子为卷积核，分别对所述多个第二活动区域内的水平风场特征进行卷积操作，得到所述目标水平风场特征包含的各个点的卷积值包括：
确定每个所述第二活动区域内的各个点的风矢量；
将每个点的所述风矢量分解为经向风分量和纬向风分量；
以所述目标卷积算子为卷积核，分别对所述多个第二活动区域内各个点的经向风分量进行卷积操作，得到各个所述第二活动区域的中心点的经向风的卷积值；
以所述目标卷积算子为卷积核，分别对所述多个第二活动区域内各个点的纬向风分量进行卷积操作，得到各个所述第二活动区域的中心点的纬向风的卷积值；
基于所述第二活动区域的中心点的经向风的卷积值和纬向风的卷积值，确定所述第二活动区域的中心点的卷积值；
根据各个所述第二活动区域的中心点的卷积值，确定所述目标水平风场特征包含的各个点的卷积值。
8.根据权利要求6所述的方法，其特征在于，根据所述卷积结果识别所述待测天气气候系统；
根据所述卷积结果识别所述待测天气气候系统的活动中心；
在识别出所述待测天气气候系统的活动中心的情况下，将所述目标类型作为所述待测天气气候系统的类型；
根据所述待测天气气候系统的活动中心和所述待测天气气候系统的类型确定所述待测天气气候系统。
9.根据权利要求8所述的方法，其特征在于，根据所述卷积结果识别所述待测天气气候系统的活动中心包括：
获取所述目标水平风场特征包含的卷积值小于识别阈值的点，得到多个目标点；
基于所述多个目标点确定连续分布的目标区域，并确定所述目标区域内卷积值的极值中心；
根据所述极值中心确定所述待测天气气候系统的活动中心。
10.一种天气气候系统的识别装置，其特征在于，包括：
获取单元，用于获取预设数量的水平风场特征，其中，所述预设数量的水平风场特征为同一目标类型的天气气候系统的水平风场特征；
合成单元，用于对所述预设数量的水平风场特征进行合成处理，得到目标卷积算子；
卷积单元，用于根据所述目标卷积算子对待测天气气候系统的水平风场特征进行卷积操作，得到卷积结果；
识别单元，用于根据所述卷积结果识别所述待测天气气候系统。
11.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行权利要求1至9中任意一项所述的天气气候系统的识别方法。
12.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至9中任意一项所述的天气气候系统的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010632577.XA CN111814960B (zh) | 2020-07-03 | 2020-07-03 | 天气气候系统的识别方法、装置、存储介质及处理器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010632577.XA CN111814960B (zh) | 2020-07-03 | 2020-07-03 | 天气气候系统的识别方法、装置、存储介质及处理器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111814960A true CN111814960A (zh) | 2020-10-23 |
| CN111814960B CN111814960B (zh) | 2023-10-24 |
Family
ID=72856728
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010632577.XA Active CN111814960B (zh) | 2020-07-03 | 2020-07-03 | 天气气候系统的识别方法、装置、存储介质及处理器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111814960B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113962462A (zh) * | 2021-10-25 | 2022-01-21 | 中国科学院空天信息创新研究院 | 基于卷积神经网络的风场稳定度预测方法及系统 |
| CN115937690A (zh) * | 2022-12-30 | 2023-04-07 | 中科三清科技有限公司 | 一种槽线生成方法、装置、存储介质及终端 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106919792A (zh) * | 2017-02-24 | 2017-07-04 | 天津大学 | 基于高精度数值风场资料的涡旋中心自动识别方法 |
| CN109165693A (zh) * | 2018-09-11 | 2019-01-08 | 安徽省气象信息中心 | 一种适用于露、霜和结冰的天气现象的自动判识方法 |
| WO2019015144A1 (zh) * | 2017-07-21 | 2019-01-24 | 北京市商汤科技开发有限公司 | 图像处理方法和系统、存储介质和计算设备 |
| CN109444989A (zh) * | 2018-12-28 | 2019-03-08 | 中山大学 | 台风预报方法、系统、可读存储介质和设备 |
| CN110033132A (zh) * | 2019-03-29 | 2019-07-19 | 中国人民解放军空军研究院战场环境研究所 | 基于深度目标检测和数值天气预报的热带气旋预报方法 |
| CN110197218A (zh) * | 2019-05-24 | 2019-09-03 | 绍兴达道生涯教育信息咨询有限公司 | 基于多源卷积神经网络的雷雨大风等级预测分类方法 |
| CN110221359A (zh) * | 2019-06-11 | 2019-09-10 | 成都信息工程大学 | 一种自动识别切变线的方法 |
| CN110232342A (zh) * | 2019-06-03 | 2019-09-13 | 中国人民解放军海军航空大学 | 基于卷积神经网络的海况等级判断方法及装置 |
| CN110489619A (zh) * | 2019-07-11 | 2019-11-22 | 董甫 | 暖区暴雨识别与分类的方法及系统 |
| CN110929543A (zh) * | 2018-08-30 | 2020-03-27 | 阿里巴巴集团控股有限公司 | 一种气象数据处理方法及装置 |
| CN111178438A (zh) * | 2019-12-31 | 2020-05-19 | 象辑知源（武汉）科技有限公司 | 一种基于ResNet101的天气类型识别方法 |
-
2020
- 2020-07-03 CN CN202010632577.XA patent/CN111814960B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106919792A (zh) * | 2017-02-24 | 2017-07-04 | 天津大学 | 基于高精度数值风场资料的涡旋中心自动识别方法 |
| WO2019015144A1 (zh) * | 2017-07-21 | 2019-01-24 | 北京市商汤科技开发有限公司 | 图像处理方法和系统、存储介质和计算设备 |
| CN110929543A (zh) * | 2018-08-30 | 2020-03-27 | 阿里巴巴集团控股有限公司 | 一种气象数据处理方法及装置 |
| CN109165693A (zh) * | 2018-09-11 | 2019-01-08 | 安徽省气象信息中心 | 一种适用于露、霜和结冰的天气现象的自动判识方法 |
| CN109444989A (zh) * | 2018-12-28 | 2019-03-08 | 中山大学 | 台风预报方法、系统、可读存储介质和设备 |
| CN110033132A (zh) * | 2019-03-29 | 2019-07-19 | 中国人民解放军空军研究院战场环境研究所 | 基于深度目标检测和数值天气预报的热带气旋预报方法 |
| CN110197218A (zh) * | 2019-05-24 | 2019-09-03 | 绍兴达道生涯教育信息咨询有限公司 | 基于多源卷积神经网络的雷雨大风等级预测分类方法 |
| CN110232342A (zh) * | 2019-06-03 | 2019-09-13 | 中国人民解放军海军航空大学 | 基于卷积神经网络的海况等级判断方法及装置 |
| CN110221359A (zh) * | 2019-06-11 | 2019-09-10 | 成都信息工程大学 | 一种自动识别切变线的方法 |
| CN110489619A (zh) * | 2019-07-11 | 2019-11-22 | 董甫 | 暖区暴雨识别与分类的方法及系统 |
| CN111178438A (zh) * | 2019-12-31 | 2020-05-19 | 象辑知源（武汉）科技有限公司 | 一种基于ResNet101的天气类型识别方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113962462A (zh) * | 2021-10-25 | 2022-01-21 | 中国科学院空天信息创新研究院 | 基于卷积神经网络的风场稳定度预测方法及系统 |
| CN115937690A (zh) * | 2022-12-30 | 2023-04-07 | 中科三清科技有限公司 | 一种槽线生成方法、装置、存储介质及终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111814960B (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Marquez et al. | Proposed metric for evaluation of solar forecasting models | |
| CN112347854A (zh) | 滚动轴承故障诊断方法、系统、存储介质、设备及应用 | |
| CN111814960B (zh) | 天气气候系统的识别方法、装置、存储介质及处理器 | |
| CN110929543B (zh) | 一种气象数据处理方法及装置 | |
| CN116050136B (zh) | 一种智能船舶测试场景库的生成方法、装置及设备 | |
| CN112926465B (zh) | 基于点云类型的海岸线性质识别方法及装置 | |
| CN107798383A (zh) | 改进的核极限学习机定位方法 | |
| CN115859805A (zh) | 基于混合加点准则的自适应序贯试验设计方法和装置 | |
| CN111859054A (zh) | 气象卫星数据的处理方法及装置 | |
| Koc et al. | Investigation of urban climates and built environment relations by using machine learning | |
| Mao et al. | Linear and nonlinear regression prediction of surface wind components | |
| Salvana et al. | High performance multivariate geospatial statistics on manycore systems | |
| Park et al. | Source term estimation using deep reinforcement learning with Gaussian mixture model feature extraction for mobile sensors | |
| Titov et al. | Regional climate model for the lower volga: Parallelization efficiency estimation | |
| Rumapea et al. | Improving Convective Cloud Classification with Deep Learning: The CC-Unet Model. | |
| Iquebal et al. | Emulating the evolution of phase separating microstructures using low-dimensional tensor decomposition and nonlinear regression | |
| CN110826891B (zh) | 一种基于船舶集群态势的相对碰撞危险度获取方法 | |
| Bajpai et al. | A deep and wide neural network-based model for Rajasthan summer monsoon rainfall (RSMR) prediction | |
| CN116757321A (zh) | 太阳直接辐射量预测方法、系统、设备及存储介质 | |
| Thompson et al. | Parallel cuda implementation of conflict detection for application to airspace deconfliction | |
| CN110019167A (zh) | 一种中长期新能源资源资料库构建方法及系统 | |
| Zhang et al. | Helmholtz–Hodge decomposition-based 2D and 3D ocean surface current visualization for mesoscale eddy detection | |
| Muttaqien et al. | Downscaling for Climate Data in Indonesia Using Image-to-Image Translation Approach | |
| Helgason | Downscaling wind fields using deep learning | |
| Mu et al. | Parallel PCA-Based Bacterial Foraging Optimization Algorithm for Identifying Optimal Precursors of North Atlantic Oscillation |
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 |