CN111856618A - 气象要素的预测方法及设备 - Google Patents

气象要素的预测方法及设备 Download PDF

Info

Publication number
CN111856618A
CN111856618A CN202010531497.5A CN202010531497A CN111856618A CN 111856618 A CN111856618 A CN 111856618A CN 202010531497 A CN202010531497 A CN 202010531497A CN 111856618 A CN111856618 A CN 111856618A
Authority
CN
China
Prior art keywords
image
meteorological element
meteorological
prediction
predicted
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
CN202010531497.5A
Other languages
English (en)
Inventor
周康明
郜杰
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.)
Shanghai Eye Control Technology Co Ltd
Original Assignee
Shanghai Eye Control Technology Co Ltd
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 Shanghai Eye Control Technology Co Ltd filed Critical Shanghai Eye Control Technology Co Ltd
Priority to CN202010531497.5A priority Critical patent/CN111856618A/zh
Publication of CN111856618A publication Critical patent/CN111856618A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G01W1/04—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed giving only separate indications of the variables measured
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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)
  • Environmental & Geological Engineering (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Environmental Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请提供了一种气象要素的预测方法及设备，能够根据不同时间在多个区域采集的气象要素信息生成气象要素的待预测图像序列，再将待预测图像序列输入预先构建的气象要素预测模型，获得该待预测图像序列对应的预测图像，再根据该预测图像确定气象要素的预测信息，从而通过物理过程和深度学习技术的结合实现了未来多个区域的气象要素预测，能够降低气象要素预测的计算复杂性，提高气象要素预测的实时性，同时还提高了气象要素预测的准确性。

Description

气象要素的预测方法及设备
技术领域
本申请涉及天气预报领域，尤其涉及一种气象要素的预测方法及设备。
背景技术
气象要素(如温度、湿度、风速等)对工业、农业和人们的日常生活有非常重要的影响，因此，气象要素的预测在各行各业有广泛的使用需求。
然而，现有的气象要素预测方法主要为数值计算方法，需要在高性能计算平台上进行海量公式的数值求解，计算量非常大而且计算时间长，气象预报的实时性难以得到保障。其它的气象预报方法如通过传统的贝叶斯网络进行气象预报等，这些现有的气象要素预测方法都不同程度地存在气象要素预测准确性不高的问题，难以满足气象要素预测的需求。
发明内容
本申请的一个目的是提供一种气象要素的预测方法及设备，用于解决现有技术下气象要素预测不准确及计算复杂度高的问题。
为实现上述目的，本申请提供了一种气象要素的预测方法，其中，该方法包括：
构建气象要素预测模型，其中，所述气象要素预测模型根据气象要素的图像序列确定所述气象要素的向量场图像，并根据所述向量场图像对所述气象要素的图像序列中的预设图像进行形变以获取所述气象要素对应的预测图像；
将所述气象要素的待预测图像序列输入所述气象要素预测模型，获取所述待预测图像序列对应的预测图像；
根据所述待预测图像序列对应的预测图像，确定所述气象要素的预测信息。
进一步地，构建气象要素预测模型，包括：
获取所述气象要素的图像序列；
将所述图像序列输入深度神经网络，确定所述图像序列对应的向量场图像，其中，所述深度神经网络使用编码-解码结构进行构建；
根据所述向量场图像对所述图像序列中的预设图像进行形变，获取所述气象要素对应的预测图像；
将所述气象要素对应的预测图像和与其对应的真实图像进行比对，根据图像差异调整所述深度神经网络的参数；
满足预先设定的训练终止条件后，将所述深度神经网络的当前参数作为所述气象要素预测模型的参数。
进一步地，所述深度神经网络使用编码-解码结构进行构建，包括：
使用卷积作为编码结构、使用反卷积作为解码结构，构建卷积神经网络。
进一步地，所述卷积神经网络中使用了跳跃连接。
进一步地，获取所述气象要素的图像序列，包括：
获取多张气象要素的图像，其中，所述气象要素的图像为同一时间在多个区域采集的关于所述气象要素的图像；
根据采集时间对多张所述气象要素的图像进行排序，获取所述气象要素的图像序列。
进一步地，根据所述向量场图像对所述图像序列中的预设图像进行形变，获取所述气象要素对应的预测图像，使用如下公式：
Figure BDA0002535610440000021
Figure BDA0002535610440000022
其中，I为气象要素对应的预测图像，x为气象要素对应的预测图像中像素点的位置坐标矢量，y为所述图像序列中最后一张图像中像素点的位置坐标矢量，
Figure BDA0002535610440000023
为在x位置的向量场，D为扩散系数，△t为图像之间的时间差，k为核函数。
进一步地，根据所述向量场图像对所述图像序列中的预设图像进行形变，获取所述气象要素对应的预测图像之后，还包括：
将所述气象要素对应的预测图像添加到所述气象要素的图像序列中，再根据更新后的图像序列对所述气象要素预测模型进行训练。
进一步地，所述训练终止条件包括：达到预先设定的训练次数。
基于另一方面，本申请还提供了一种设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，使该设备执行前述气象要素的预测方法。
本申请还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述气象要素的预测方法。
与现有技术相比，本申请提供的方案能够根据不同时间在多个区域采集的气象要素信息生成气象要素的待预测图像序列，再将待预测图像序列输入预先构建的气象要素预测模型，获得该待预测图像序列对应的预测图像，再根据该预测图像确定气象要素的预测信息，从而通过物理过程和深度学习技术的结合实现了未来多个区域的气象要素预测，能够降低气象要素预测的计算复杂性，提高气象要素预测的实时性，同时还提高了气象要素预测的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为本申请的一些实施例提供的一种气象要素的预测方法的流程示意图；
图2为本申请的一些优选实施例提供的气象要素的预测实例的示意图。
附图标记：1、待预测图像序列，2、卷积层，3、反卷积层，4、向量场图像，5、图像形变模块，6、预测图像。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中，终端、网络设备均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存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)。内存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(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非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
图1示出了本申请的一些实施例提供的一种气象要素的预测方法，该方法具体可包括如下步骤：
步骤S101，构建气象要素预测模型，其中，所述气象要素预测模型根据气象要素的图像序列确定所述气象要素的向量场图像，并根据所述向量场图像对所述气象要素的图像序列中的预设图像进行形变以获取所述气象要素对应的预测图像；
步骤S102，将所述气象要素的待预测图像序列输入所述气象要素预测模型，获取所述待预测图像序列对应的预测图像；
步骤S103，根据所述待预测图像序列对应的预测图像，确定所述气象要素的预测信息。
该方案尤其适合用于希望对多个区域的气象要素进行预测的场景，能够根据多个区域的气象要素信息生成该气象要素的待预测图像序列，再将该待预测图像序列输入预先构建的气象要素预测模型，得到与该待预测图像序列对应的预测图像，最后根据该预测图像确定该气象要素在多个区域的预测信息。
在步骤S101中，首先构建气象要素预测模型。在此，该气象要素预测模型用于根据在不同时间采集的多个区域的历史气象要素信息对未来时间的气象要素信息进行预测。多个区域的历史气象要素信息可由多个分布在不同区域的气象要素采集设备所采集与存储，这里的区域可以是地理区域，气象要素采集设备可分布在不同的地理位置，在不同区域内气象要素采集设备的分布密度可不相同。气象要素可包括但不限于：温度、湿度、风速、压强等气象数据。
另外，该气象要素预测模型可根据输入的气象要素的图像序列首先确定该气象要素的向量场图像，再进一步根据得到的向量场图像对气象要素的图像序列中的预设图像进行形变以获取该气象要素对应的预测图像。这里气象要素的图像可以为用于表示气象要素信息的多种图像类型，例如可为雷达回波图。该气象要素的向量场图像用于描述该气象要素的向量场，由于气象要素通常为向量，该气象要素形成的场为向量场，通过标记出在不同位置的该气象要素的向量可形成向量场图像。气象要素的图像序列中包括多张气象要素的图像，可根据向量场图像对该图像序列中预先设定的某张气象要素的图像进行形变，例如可预先设定对该图像序列中最后一张气象要素的图像进行形变等，从而对该气象要素在未来时间的运动和变化进行预测。
本申请的一些实施例中，构建气象要素预测模型，可包括如下具体步骤：
1)获取该气象要素的图像序列；在此，该气象要素为希望进行预测的气象要素，如风速等；
2)将该图像序列输入深度神经网络，确定该图像序列对应的向量场图像，其中，该深度神经网络使用编码-解码结构进行构建；
3)根据该向量场图像对该图像序列中的预设图像进行形变，获取该气象要素对应的预测图像；在此，对预设图像进行形变，可以有多种实现方法，一种优选的图像形变实现方法如下：遍历预测图像的像素点位置；根据向量场图像计算确定预测图像中每个像素点在预设图像中对应的原始像素位置；如果计算得到的原始像素位置在预设图像范围内，则使用双线性插值算法确定预测图像的当前像素值，在此，计算得到的原始像素坐标为连续值；若计算得到的原始像素位置不在预设图像的范围内，则将预测图像的当前像素值设为零；预测图像中所有像素点遍历完成后，预测图像中每个像素点的值也就确定了，形变后的预设图像为得到的预测图像；
4)将该气象要素对应的预测图像和与其对应的真实图像进行比对，根据图像差异调整深度神经网络的参数；
5)满足预先设定的训练终止条件后，将该深度神经网络的当前参数作为气象要素预测模型的参数。
本申请的一些实施例中，获取该气象要素的图像序列，可包括如下步骤：首先获取多张气象要素的图像，其中，该气象要素的图像为同一时间在多个区域采集的关于该气象要素的图像，再根据采集时间对多张气象要素的图像进行排序，获取气象要素的图像序列。在此，每张图像都对应有采集时间，图像中的气象要素数据为在该采集时间、在多个区域同时采集的气象要素数据，例如，在15：00采集的A区域的风速数据，和15：00采集的B区域的风速数据，可作为同一张图像中的数据。另外，如果初始采集的气象要素数据是非图像数据，需要将初始气象要素数据组织成图像形式，从而得到气象要素的图像；如果是图像数据，例如气象要素的雷达回波图，则可以直接作为气象要素的图像使用。
得到多张图像之后，再根据图像对应的采集时间将这些图像进行排序，排序可以根据时间的升序或降序进行，排序好的多张图像构成气象要素的图像序列。图像可以有多个通道，图像序列在输入深度神经网络时，可先将其中的图像按照通道进行拼接后再输入。
在此，深度神经网络是使用深度学习技术构建的、具有多个网络层的神经网络，该深度神经网络使用编码-解码结构构建。编码-解码结构(Encoder-Decoder)并不是一个具体的模型，而是深度学习中的一类框架，Encoder和Decoder部分可以是任意的文字、语音、图像或视频数据等，模型可采用CNN(Convolutional Neural Networks，卷积神经网络)、RNN(Recurrent Neural Network，循环神经网络)、BiRNN(Bidirectional RNN，双向RNN)、LSTM(Long Short-Term Memory，长短期记忆网络)、GRU(Gated Recurrent Unit，门控循环单元)等多种神经网络模型。编码-解码结构可用于处理输入数据为序列数据的情况。
本申请的一些实施例中，深度神经网络使用编码-解码结构进行构建，具体来说，可使用卷积作为编码结构、使用反卷积作为解码结构，构建卷积神经网络。在此，使用图像卷积操作对输入的图像序列进行编码，具体可使用多个卷积层作为编码结构，再使用图像反卷积操作对编码后的图像序列进行解码，具体可使用多个反卷积层作为解码结构。另外，解码结构也可不使用反卷积，而是使用放大加插值等方法来实现。
卷积在图像处理领域得到广泛的应用，像滤波、边缘检测、图片锐化等，都是通过不同的卷积核来实现的。在卷积神经网络中通过卷积操作可以提取图像中的特征，低层的卷积层可以提取到图像的一些边缘、线条、角等特征，高层的卷积层能够从低层的卷积层中学到更复杂的特征，从而实现图像的分类和识别。反卷积也被称为转置卷积，其实就是卷积的逆过程，但是通过反卷积操作并不能还原出卷积之前的图片，只能还原出卷积之前图像的尺寸，反卷积的一种用途是可视化卷积的过程，反卷积在GAN(Generative AdversarialNetworks，生成式对抗网络)等领域中有着大量的应用。
本申请的一些实施例中，该卷积神经网络中使用了跳跃连接，通过使用跳跃连接(Skip connection)，可以从某一层网络层获取激活，然后迅速反馈给另外一层，甚至是卷积神经网络的更深层，因此使用跳跃连接可训练更深的卷积神经网络。
本申请的一些实施例中，根据向量场图像对图像序列中的预设图像进行形变，获取该气象要素对应的预测图像，可使用如下公式：
Figure BDA0002535610440000071
Figure BDA0002535610440000072
其中，I为气象要素对应的预测图像，x为气象要素对应的预测图像中像素点的位置坐标矢量，y为所述图像序列中最后一张图像中像素点的位置坐标矢量，
Figure BDA0002535610440000073
为在x位置的向量场，D为扩散系数，△t为图像之间的时间差，k为核函数。
在此，得到的预测图像有对应的预测时间，即该预测图像所反映的是该气象要素在该预测时间的预测信息，而该气象要素在该预测时间有真实的实际采集数据，根据真实的实际采集数据得到的图像为真实图像，真实图像可用于判断预测图像的准确性，这里通过比较真实图像与预测图像之间的差异来确定深度神经网络的参数是否适当，如果图像差异大，说明深度神经网络的参数不太恰当，需要再进行训练来调整参数，如果图像差异小，说明深度神经网络的参数比较恰当，可停止训练。
本申请的一些实施例中，根据向量场图像对图像序列中的预设图像进行形变，获取该气象要素对应的预测图像之后，还可以将该气象要素对应的预测图像添加到气象要素的图像序列中，再根据更新后的图像序列对气象要素预测模型进行训练。在此，当前得到的预测图像也可以作为下一时间的预测图像的输入数据使用，可以将该预测图像加入到作为输入数据的气象要素的图像序列中，如果气象要素的图像序列按照时间的升序排列，则将预测图像添加到该序列的最后，如果气象要素的图像序列按照时间的降序排列，则将该预测图像加到该序列的最前面。添加预测图像后的图像序列是更新后的图像序列，将更新后的图像序列作为输入数据再输入深度神经网络，继续训练深度神经网络的网络参数。
本申请的一些实施例中，气象要素预测模型的训练终止条件可以为：达到预先设定的训练次数。在此，气象要素预测模型的一次训练过程可生成多张预测图像，预测图像的数量可预先设定，在达到预设的预测图像数量后，气象要素预测模型的一次训练过程结束。在确定气象要素预测模型的训练终止条件时，如果将模型训练终止条件设置为满足一定阈值后停止训练，可能会在梯度失效或梯度爆炸的情况下训练很长时间也无法停止，因此可预先设定训练次数，在该气象要素预测模型的训练次数达到预设的训练次数后，停止模型训练，可避免模型训练中产生问题导致无法停止训练的问题。
在步骤S102中，将气象要素的待预测图像序列输入气象要素预测模型，获取待预测图像序列对应的预测图像。在此，气象要素的待预测图像序列采用前述生成该气象要素的图像序列的类似方法生成，待预测图像序列与该气象要素的图像序列的区别在于，根据该气象要素的图像序列得到的预测图像有相应的真实图像可进行比对，而根据待预测图像序列得到的预测图像没有可供比对的真实图像。
在步骤S103中，根据待预测图像序列对应的预测图像，确定气象要素的预测信息。在此，得到的预测图像是对应未来某个时间的多个区域的该气象要素信息的图像，该气象要素信息可以是对该气象要素的原始数据信息进行图像转换后得到的信息，因此为方便用户进行直观识别，可对预测图像进行相应转换得到相应的原始数据信息，该原始数据信息即为该气象要素在未来某个时间的预测信息。
图2示出了本申请的一些优选实施例提供的气象要素预测的实例，待预测图像序列1输入由卷积层2和反卷积层3组成的具有跳跃连接的卷积神经网络，卷积神经网络输出向量场图像4，再将得到的向量场图像4与待预测图像序列1中最后一个待预测图像共同输入图像形变模块5，最终得到输出的预测图像6。
本申请的一些实施例还提供了一种设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，使该设备执行前述气象要素的预测方法。
本申请的一些实施例还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述气象要素的预测方法。
综上所述，本申请提供的方案能够根据不同时间在多个区域采集的气象要素信息生成气象要素的待预测图像序列，再将待预测图像序列输入预先构建的气象要素预测模型，获得该待预测图像序列对应的预测图像，再根据该预测图像确定气象要素的预测信息，从而通过物理过程和深度学习技术的结合实现了未来多个区域的气象要素预测，能够降低气象要素预测的计算复杂性，提高气象要素预测的实时性，同时还提高了气象要素预测的准确性。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该设备运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (10)

1.一种气象要素的预测方法，其中，该方法包括：
构建气象要素预测模型，其中，所述气象要素预测模型根据气象要素的图像序列确定所述气象要素的向量场图像，并根据所述向量场图像对所述气象要素的图像序列中的预设图像进行形变以获取所述气象要素对应的预测图像；
将所述气象要素的待预测图像序列输入所述气象要素预测模型，获取所述待预测图像序列对应的预测图像；
根据所述待预测图像序列对应的预测图像，确定所述气象要素的预测信息。
2.根据权利要求1所述的方法，其中，构建气象要素预测模型，包括：
获取所述气象要素的图像序列；
将所述图像序列输入深度神经网络，确定所述图像序列对应的向量场图像，其中，所述深度神经网络使用编码-解码结构进行构建；
根据所述向量场图像对所述图像序列中的预设图像进行形变，获取所述气象要素对应的预测图像；
将所述气象要素对应的预测图像和与其对应的真实图像进行比对，根据图像差异调整所述深度神经网络的参数；
满足预先设定的训练终止条件后，将所述深度神经网络的当前参数作为所述气象要素预测模型的参数。
3.根据权利要求2所述的方法，其中，所述深度神经网络使用编码-解码结构进行构建，包括：
使用卷积作为编码结构、使用反卷积作为解码结构，构建卷积神经网络。
4.根据权利要求3所述的方法，其中，所述卷积神经网络中使用了跳跃连接。
5.根据权利要求2所述的方法，其中，获取所述气象要素的图像序列，包括：
获取多张气象要素的图像，其中，所述气象要素的图像为同一时间在多个区域采集的关于所述气象要素的图像；
根据采集时间对多张所述气象要素的图像进行排序，获取所述气象要素的图像序列。
6.根据权利要求2所述的方法，其中，根据所述向量场图像对所述图像序列中的预设图像进行形变，获取所述气象要素对应的预测图像，使用如下公式：
Figure FDA0002535610430000021
Figure FDA0002535610430000022
其中，I为气象要素对应的预测图像，x为气象要素对应的预测图像中像素点的位置坐标矢量，y为所述图像序列中最后一张图像中像素点的位置坐标矢量，
Figure FDA0002535610430000023
为在x位置的向量场，D为扩散系数，△t为图像之间的时间差，k为核函数。
7.根据权利要求2所述的方法，其中，根据所述向量场图像对所述图像序列中的预设图像进行形变，获取所述气象要素对应的预测图像之后，还包括：
将所述气象要素对应的预测图像添加到所述气象要素的图像序列中，再根据更新后的图像序列对所述气象要素预测模型进行训练。
8.根据权利要求2所述的方法，其中，所述训练终止条件包括：达到预先设定的训练次数。
9.一种设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，使该设备执行权利要求1至8中任一项所述的方法。
10.一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至8中任一项所述的方法。
CN202010531497.5A 2020-06-11 2020-06-11 气象要素的预测方法及设备 Pending CN111856618A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010531497.5A CN111856618A (zh) 2020-06-11 2020-06-11 气象要素的预测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010531497.5A CN111856618A (zh) 2020-06-11 2020-06-11 气象要素的预测方法及设备

Publications (1)

Publication Number Publication Date
CN111856618A true CN111856618A (zh) 2020-10-30

Family

ID=72986522

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010531497.5A Pending CN111856618A (zh) 2020-06-11 2020-06-11 气象要素的预测方法及设备

Country Status (1)

Country Link
CN (1) CN111856618A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024093249A1 (zh) * 2022-10-31 2024-05-10 华为云计算技术有限公司 一种气象预测方法、装置及相关设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050197774A1 (en) * 2004-03-02 2005-09-08 Masashi Egi Method, program, and system for estimating weather risk
CN103426026A (zh) * 2013-09-10 2013-12-04 信阳师范学院 一种混合神经网络预测及识别景区气象要素的方法
CN107703564A (zh) * 2017-10-13 2018-02-16 中国科学院深圳先进技术研究院 一种降雨预测方法、系统及电子设备
CN108108720A (zh) * 2018-01-08 2018-06-01 天津师范大学 一种基于深度多模态融合的地基云图像分类方法
CN110135654A (zh) * 2019-05-24 2019-08-16 北京百度网讯科技有限公司 用于预测强对流天气的方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050197774A1 (en) * 2004-03-02 2005-09-08 Masashi Egi Method, program, and system for estimating weather risk
CN103426026A (zh) * 2013-09-10 2013-12-04 信阳师范学院 一种混合神经网络预测及识别景区气象要素的方法
CN107703564A (zh) * 2017-10-13 2018-02-16 中国科学院深圳先进技术研究院 一种降雨预测方法、系统及电子设备
CN108108720A (zh) * 2018-01-08 2018-06-01 天津师范大学 一种基于深度多模态融合的地基云图像分类方法
CN110135654A (zh) * 2019-05-24 2019-08-16 北京百度网讯科技有限公司 用于预测强对流天气的方法和装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024093249A1 (zh) * 2022-10-31 2024-05-10 华为云计算技术有限公司 一种气象预测方法、装置及相关设备

Similar Documents

Publication Publication Date Title
Chen et al. 2-D regional short-term wind speed forecast based on CNN-LSTM deep learning model
CN111723238B (zh) 视频多事件的裁剪及文本描述方法及其装置、设备和介质
CN111523447B (zh) 车辆跟踪方法、装置、电子设备及存储介质
CN111091123A (zh) 文本区域检测方法及设备
KR20200144398A (ko) 클래스 증가 학습을 수행하는 장치 및 그의 동작 방법
CN109902588B (zh) 一种手势识别方法、装置及计算机可读存储介质
CN114460555B (zh) 一种雷达回波外推方法、装置及存储介质
US11823432B2 (en) Saliency prediction method and system for 360-degree image
CN111754404A (zh) 基于多尺度机制和注意力机制的遥感图像时空融合方法
CN115457492A (zh) 目标检测方法、装置、计算机设备及存储介质
CN114612289A (zh) 风格化图像生成方法、装置及图像处理设备
KR102128789B1 (ko) 심층 합성곱 뉴럴 네트워크를 위한 효율적인 팽창 합성곱 기법을 제공하는 방법 및 장치
CN112364933A (zh) 图像分类方法、装置、电子设备和存储介质
CN109492697B (zh) 图片检测网络训练方法及图片检测网络训练装置
CN111856618A (zh) 气象要素的预测方法及设备
CN116363037B (zh) 一种多模态图像融合方法、装置及设备
CN111505738A (zh) 数值天气预报中气象因素的预测方法及设备
CN116152608A (zh) 基于点云多模态的对比学习预训练方法、装置及介质
CN115601235A (zh) 一种图像超分辨率网络训练方法、装置、设备及存储介质
CN110827259B (zh) 一种用于目标关键点检测的样本增广的方法与设备
CN114708436A (zh) 语义分割模型的训练方法、语义分割方法、装置和介质
CN113808040A (zh) 直播图像的轮廓矫正方法、装置、设备及存储介质
CN113298097B (zh) 基于卷积神经网络的特征点提取方法、设备及存储介质
CN117036982B (zh) 海上养殖区的光学卫星图像处理方法和装置、设备和介质
CN114005043B (zh) 基于域转换和伪标签的小样本城市遥感影像信息提取方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201030