CN112348062A - 气象图像预测方法、装置、计算机设备和存储介质 - Google Patents

气象图像预测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112348062A
CN112348062A CN202011156056.8A CN202011156056A CN112348062A CN 112348062 A CN112348062 A CN 112348062A CN 202011156056 A CN202011156056 A CN 202011156056A CN 112348062 A CN112348062 A CN 112348062A
Authority
CN
China
Prior art keywords
image
meteorological
predicted
initial
category
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
CN202011156056.8A
Other languages
English (en)
Inventor
常亚楠
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 CN202011156056.8A priority Critical patent/CN112348062A/zh
Publication of CN112348062A publication Critical patent/CN112348062A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种气象图像预测方法、装置、计算机设备和存储介质。所述方法包括：获取待预测气象图像；识别所述待预测气象图像对应的图像类别；根据所述图像类别匹配对应类型的图像预测算法；根据匹配到的所述图像预测算法对所述待预测气象图像进行预测得到预测图像。采用本方法能够提高气象图像预测的准确性。

Description

气象图像预测方法、装置、计算机设备和存储介质
技术领域
本申请涉及人工智能技术领域，特别是涉及一种气象图像预测方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展，在气象领域利用计算机技术进行气象预测变得越来越重要。传统技术中利用计算机视觉中的光流法计算气象相邻帧之间物体的运动信息，以对气象图像进行预测。
但是，传统技术中利用预测算法如光流法对气象图像进行预测的过程中，是人工从多种类型的算法中选取其中之一进行图像预测，由于人工选择算法的过程具有主观性使得算法选取的准确率较低，进而造成对气象图像的预测准确度较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高气象图像预测准确性的气象图像预测方法、装置、计算机设备和存储介质。
一种气象图像预测方法，所述方法包括：
获取待预测气象图像；
识别所述待预测气象图像对应的图像类别；
根据所述图像类别匹配对应类型的图像预测算法；
根据匹配到的所述图像预测算法对所述待预测气象图像进行预测得到预测图像。
在其中一个实施例中，所述方法还包括：
获取初始气象图像；
识别各所述初始气象图像的初始图像类别；
根据所述初始图像类别对各所述初始气象图像进行类别标注得到训练集；
利用所述训练集进行模型训练得到图像类别识别算法；
所述识别所述待预测气象图像对应的图像类别，包括：
根据所述图像类别识别算法，对各所述待预测气象图像的类别进行识别得到所述待预测气象的图像类别。
在其中一个实施例中，所述初始气象图像包括至少两个初始区域子图；所述根据所述初始图像类别对各所述初始气象图像进行类别标注得到训练集，包括：
当所述初始气象图像的各所述初始区域子图对应为不同的图像类别时，根据不同的所述图像类别分别对所述初始区域子图进行类别标注，得到各所述初始区域子图对应的初始区域标注数据；
根据各所述初始区域标注数据得到所述初始气象图像对应的初始图像标注数据；
根据多个初始气象图像的所述初始图像标注数据得到训练集。
在其中一个实施例中，所述初始气象图像包括至少两个的初始区域子图；所述根据所述初始图像类别对各所述初始气象图像进行类别标注得到训练集，包括：
当所述初始气象图像的所述初始区域子图对应为不同的图像类别时，获取各所述初始区域子图对应的降雨强度指标；
将所述降雨强度指标最大的所述初始区域子图对应的图像类别提取为所述初始气象图像的图像类别；
根据提取到的所述图像类别对所述初始气象图像进行类别标注得到所述初始气象图像的初始图像标注数据；
根据多个初始气象图像的初始图像标注数据得到标注集。
在其中一个实施例中，所述待预测气象图像包括至少两个的待预测区域子图；所述根据所述图像类别匹配对应类型的图像预测算法，包括：
当所述待预测气象图像的所述待预测区域子图对应为不同的预测图像类别时，根据各所述预测图像类别匹配对应类型的图像预测算法；
所述根据匹配到的所述图像预测算法对所述待预测气象图像进行预测得到预测图像，包括：
根据匹配到的各所述图像预测算法对各所述待预测区域子图进行预测得到区域预测子图；
根据各所述区域预测子图得到所述待预测气象图像对应的预测图像。
在其中一个实施例中，所述方法还包括：
获取气象图像序列；
利用多种类别的图像预测算法对所述气象图像序列的下一时序气象图像进行预测，得到预测气象图像；
获取所述气象图像序列中的真实的下一时序气象图像；
计算各所述图像预测算法预测得到的所述预测气象图像与所述真实气象图像的差异；
将所述差异最小的图像预测算法提取为所述气象图像序列对应的图像预测算法，并将所述气象图像序列的类别与匹配的所述图像预测算法对应存储。
在其中一个实施例中，所述方法还包括：
获取模拟图像；
对所述模拟图象进行图像处理，得到具有时序变化的模拟图像序列；
利用多种类型的图像预测算法对所述模拟图像序列的下一时序图像进行预测，得到预测模拟图像；
获取真实模拟图像；其中，所述真实模拟图像为所述模拟图像序列中的下一时序图像；
计算各所述图像预测算法预测得到的所述预测模拟图像与所述真实模拟图像的差异；
将所述差异最小的图像预测算法提取为与所述模拟图像对应的图像预测算法，并所述模拟图像的图像类别与匹配的所述图像预测算法对应存储。
一种气象图像预测装置，所述装置包括：
图像获取模块，用于获取待预测气象图像；
类别识别模块，用于识别所述待预测气象图像对应的图像类别；
算法匹配模块，用于根据所述图像类别匹配对应类型的图像预测算法；
预测模块，用于根据匹配到的所述图像预测算法对所述待预测气象图像进行预测得到预测图像。
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上述方法的步骤。
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上述方法的步骤。
上述气象图像预测方法、装置、计算机设备和存储介质，包括：获取待预测气象图像；识别所述待预测气象图像对应的图像类别；根据所述图像类别匹配对应类型的图像预测算法；根据匹配到的所述图像预测算法对所述待预测气象图像进行预测得到预测图像。在对气象图像预测的过程中，首先自动识别待预测气象图像的类别，然后再根据图像类别匹配对应类型的预测算法，以可以根据与图像类别匹配的算法执行对应的图像预测，提高了对气象图像预测的准确性。
附图说明
图1为一个实施例中气象图像预测方法的应用环境图；
图2为一个实施例中气象图像预测方法的流程示意图；
图3为另一个实施例中提供的一种气象图像预测步骤的流程示意图；
图4为一个实施例中提供的一种图像类别识别模型的训练结构图；
图5为一个实施例中提供的一种灰度手写数字图片的示意图；
图6为一个实施例中提供的一种图像序列的示意图；
图7为一个实施例中提供的一种不同的光流法进行预报处理的示意图；
图8为一个实施例中提供的一种目标光流法确定方法的流程示意图；
图9为一个实施例中气象图像预测装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
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。
本申请提供的气象图像预测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。服务器104获取待预测气象图像；识别所述待预测气象图像对应的图像类别；根据所述图像类别匹配对应类型的图像预测算法；根据匹配到的所述图像预测算法对所述待预测气象图像进行预测得到预测图像。进一步地，服务器104还用于将预测图像推送至终端102，并进行显示。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种气象图像预测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤210，获取待预测气象图像。
待预测气象图像可以是雷达回波图，用于表征降雨强度，并且可以利用当前时间对应的雷达回波图预测未来预设时间段内的雷达回波图，以实现对未来天气的预测。具体地，可以获取时间上连续的至少两张待预测气象图像，并根据至少的两张待预测气象图像预测未来时间段内的气象图像，以根据预测得到的气象图像执行天气预报。
步骤220，识别所述待预测气象图像对应的图像类别。
不同的待预测气象图像具有不同的图像特征，根据图像特征可将待预测气象图像分为不同的图像类别，如可以根据待预测气象图像的运动状态将待预测气象图像分为平移类别的待预测气象图像、旋转类别的待预测气象图像、综合平移以及旋转类别的待预测气象图像、尺度变化类别的待预测气象图像以及综合尺度变化以及平移类别的待预测气象图像等。进一步地，平移类别的待预测气象图像为稳定的层状云型降水对应的雷达回波变化图像；旋转和旋转加平移类别的待预测气象图像为台风对应的雷达回波变化图像；放大和放大加平移类别的待预测气象图像为对流的发生发展阶段对应的雷达回波变化图像；缩小和缩小加平移类别的待预测气象图像为对流的发生消亡阶段对应的雷达回波变化图像。并且需要说明的是，不同的图像类别对应为不同的目标天气。
步骤230，根据所述图像类别匹配对应类型的图像预测算法。
不同类别的待预测气象图像的图像特征是不同的，故而不同类别的待预测气象图像适用的图像预测算法也是不同的。具体地，由于不同类型的图像预测算法对不同类别的待预测气象图像的预测能力以及预测精度是存在差别的，故而可以根据待预测气象图像的图像类别匹配对应类型的图像预测算法。具体的，可以预先将不同的图像类别与不同类型的图像预测算法进行关联绑定并存储至数据库中，以使得可以直接根据图像类别从数据库中匹配对应类型的图像预测算法。并且，进一步的，在具体实施中还可以根据实际情况对数据库中的关联关系进行增加、删除以及修改等操作，以实现对数据库中的关联关系进行实时更新。
其中，图像预测算法可以为光流法，光流法是一种计算机视觉方法，是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性获取历史帧图像与当前帧图像之间存在的对应关系，从而计算出相邻帧图像之间物体的运动信息的一种方法。并且光流法在天气临近预报领域得到广泛应用，并在最基本的两种方法的基础上，经过多种改进发展出更多的延伸的方法，其中最基本的两种方法分别是稠密光流法和稀疏光流法，稠密光流法和稀疏光流法计算出的光流场分别是稠密光流场和稀疏光流场，稠密光流法是计算气象灰度图中每个像素点的光流，而稀疏光流法是计算气象灰度图中特征点的光流。
在不同的天气演变过程中，表现在雷达回波图上的图像特征也是不同的，如雷达回波的增大、缩小分别对应对流的发生发展阶段和消亡阶段，雷达回波的移动对应的是大范围层状云降水天气的移动过程，雷达回波的旋转对应的是台风过程等。由于目前发展出的光流法较多，每种光流法都有其不同的特点，因此每种光流方法对于不同的天气演变过程可能有不同的适用性，故而本申请提出一种对比多种光流法在不同雷达回波变化情况下的适用性的方法，利用该方法得到了每种光流方法分别适用于哪种天气演变过程的结论。具体的，在实时业务中，利用深度学习分类网络对实时的雷达回波图像的演变进行图像分类，针对分类的雷达气象回波图像，自动选择最适用的光流法来进行外推，从而提高光流法在临近预报业务中的精度。
具体的，本申请中的光流方法可来自比利时皇家国际海洋研究所开发的pysteps系统和德国某气象机构开发的rainymotion系统。这两种系统中包括不同的光流方法，本专利中，在pysteps系统中选择LK_ex、LK_sprog两种方法，在rainymotion系统中选择Dense、DenseRotation、Sparse_similarity、Sparse四种方法，具体如表一。
表一不同光流法以及光流法来源
方法 方法来源
Dense rainymotion
DenseRotation rainymotion
Sparse_similarity rainymotion
Sparse rainymotion
LK_ex pysteps
Lk_sprog pysteps
步骤240，根据匹配到的所述图像预测算法对所述待预测气象图像进行预测得到预测图像。
具体的，可以根据与待预测气象图像的图像类别匹配的图像预测算法对待预测气象图像进行预测得到预测图像。其中，预测图像为待预测气象图像的下一个时间帧对应的图像，可以是预测到的气象预报图像，用于表征未来天气的情况。
在本实施例中，在对气象图像预测的过程中，首先自动识别待预测气象图像的类别，然后再根据图像类别匹配对应类型的图像预测算法，以实现根据与图像类别匹配的预测算法执行对应的图像预测，提高了对气象图像预测的准确性。具体地，在本实施例中根据图像类别匹配对应类型的图像预测算法，可以得到不同类型的图像预测算法分别适用于哪种类型的天气演变过程的结论，在实时业务中，利用成熟的深度学习分类网络对实时的待预测气象图像如雷达回波图片的演变进行分类得到图像类别，并且针对得到的图像类别，自动匹配选择最适用的图像预测算法如光流法来进行图像外推，从而提高光流法在临近预报业务中的精度。
在其中一个实施例中，所述方法还包括：获取初始气象图像；识别各所述初始气象图像的初始图像类别；根据所述初始图像类别对各所述初始气象图像进行类别标注得到训练集；利用所述训练集进行模型训练得到图像类别识别算法。
具体地，可以利用预先训练的图像类别识别算法识别所述待预测气象图像的图像类别，如图3所示，提供了另一个实施例中气象图像预测步骤的流程示意图，具体的，图像类别识别算法的训练步骤包括：步骤310，图像类别标注，具体的，预先对初始气象图像进行图像类别标注得到训练集；步骤320，图像类别预测模型训练，具体的使用训练集进行机器学习模型训练得到图像类别识别模型；步骤330，对实时回波分类，具体的，根据图像类别识别模型自动识别待预测气象图像的图像类别；步骤340，根据图像类别自动匹配对应类型的光流方法；步骤350，根据匹配到的光流法进行图像预测实现对预测图像的外推。
其中所述训练集的获取步骤包括：获取初始气象图像，其中初始气象图像中可以为多种类别的气象图像，如包括平移类别的气象图像、旋转类别的气象图像、综合平移以及旋转类别的气象图像以及尺度变化类别的气象图像等。然后对不同类别的气象图像进行类别标注得到各初始气象图像对应的标注数据，并将标注数据作为训练集对机器学习模型进行训练得到图像类别识别模型。
具体地，可以获取预设时间段内的雷达回波图数据集，并按照训练集和测试集比例为4:1的比例对雷达回波图数据集进行划分，得到训练集和测试集。然后对训练集中的初始气象图像进行类别标注，如对于在t0时刻的初始气象图像，根据t0时刻的前5-10帧的回波变化情况，对每张初始气象图像标记一个图像类别。如在一个实施例中，对图像类别的划分依据可以为：若初始气象图像中的回波按一个方向移动，并且无明显面积和强弱变化时，将初始气象图象的图像类别标注为平移类别，并且可以同时标记为类别1；若初始气象图像中的回波对应为旋转回波，可将初始气象图像的图像类别标注为旋转类别并同时标记为类别2；若初始气象图像中的回波对应为从无到有或面积不断变大及强度变强时，可将初始气象图像的图像类别标记为尺度增大，并且同时标记为类别3；若初始气象图像中的回波对应为尺度增大加移动时，此时将初始气象图像的图像类别标记为、移动加增大，同时标记为类别为4；若初始气象图像中的回波对应为尺度减小，并且尺度减小综合移动时，此时回波面积变小或者是在移动的同时也在减小，此时可以将初始气象图像的图像类别标记为类别5。
需要说明的是，在本实施例中，对初始气象图像的类别标注可以利用计算机自动标注，也可以人工根据经验进行手动标注。
具体的，本实施例中的图像类别识别算法的模型框架可以是CNN网络模型框架，具体的，可以为AlexNet、InceptionNet、ResNet、VGGNet等，在此不作限制。在一个具体的实施例中可以选择ResNet模型来对雷达回波图像进行分类，其中RestNet提出了残差网络的概念，在之前的网络结构中都是采用stack layer进行堆叠使得网络层数加深，从而获得更好的网络结构。参考图4所示，图4提供了一种图像类别识别模型的训练结构图，在图4中输入一张已知图像类别的初始气象图像，其图像类别的标签为Groundtruth(真实标签)，初始气象图像经过ResNet分类网络计算处理后，输出一张预测图像，并且该预测图像中携带有类别标签，其中类别标签为Predict(预测标签)，然后计算Groundtruth和Predict之间的Loss(损失度)，以根据损失度的数值大小对网络模型中的类别识别参数进行更新，并利用更新识别参数后的图像类别识别模型再次对输入的初始气象图像的类别继续识别，如此不断迭代，直到完成最初设定的步数(迭代的次数)，则对该初始气象图像的训练结束，然后继续输入下一张初始气象图像，直到完成对所有的初始气象图像的训练，则网络训练完成。
进一步的，识别所述待预测气象图像对应的图像类别，包括：根据所述图像类别识别算法，对各所述待预测气象图像的类别进行识别得到所述待预测气象的图像类别。在具体实施中，利用训练好的图像类别识别算法对实时获取到的雷达回波图像进行分类识别，具体的，利用预先训练好的ResNet对实时的雷达回波图进行分类，实现了对待预测气象图像的图像类别自动识别，提高了图像类别识别的效率以及准确率，并且当新增图像类别以及删减图像类别时还可以及时对模型进行更新，使得模型具有更广泛的适用性，提高了模型的适用性。
在其中一个实施例中，所述初始气象图像包括至少两个初始区域子图；所述根据所述初始图像类别对各所述初始气象图像进行类别标注得到训练集，包括：当所述初始气象图像的各所述初始区域子图对应为不同的图像类别时，根据不同的所述图像类别分别对所述初始区域子图进行类别标注，得到各所述初始区域子图对应的初始区域标注数据；根据各所述初始区域标注数据得到所述初始气象图像对应的初始图像标注数据；根据多个初始气象图像的所述初始图像标注数据得到训练集。
当初始气象图像对应为多个图像类别时，此时可以根据多个图像类别对初始气象图像进行分区，以得到至少两个初始区域子图，并且每个初始区域子图可对应为一个图像类别，在其他实施例中，一个初始区域子图还可以对应为多于一个的图像类别，此时每个初始区域子图中可以以一个图像类别为主。
并且，当初始气象图像对应为多个图像类别，还包括：根据各初始区域子图对应的图像类别对各初始区域子图进行类别标注，得到各初始区域子图对应的初始区域标注数据，进一步的，根据各初始区域子图的初始区域标注数据得到初始气象图像对应的初始图像标注数据。更进一步的，根据多个初始气象图像的所述初始图像标注数据得到训练集。
在本实施例中，当初始气象图像对应为多个图像类别时，还包括根据图像类别对初始气象图像进行分区处理，得到分别对应为不同图像类别的初始区域子图，然后再根据各不同的图像类别分别对所述初始区域子图进行类别标注，得到各所述初始区域子图对应的初始区域标注数据，实现了对同一个初始气象图像的更加精准的图像类别标注，进而当利用训练好的图像类别识别算法识别初始气象图像的类别时，可以获取各初始气象图像的各区域特征，得到包含至少一个的图像类别，提高了对图像类别的识别准确率。
在其中一个实施例中，所述待预测气象图像包括至少两个的待预测区域子图；所述根据所述图像类别匹配对应类型的图像预测算法，包括：当所述待预测气象图像的所述待预测区域子图对应为不同的预测图像类别时，根据各所述预测图像类别匹配对应类型的图像预测算法；所述根据匹配到的所述图像预测算法对所述待预测气象图像进行预测得到预测图像，包括：根据匹配到的各所述图像预测算法对各所述待预测区域子图进行预测得到区域预测子图；根据各所述区域预测子图得到所述待预测气象图像对应的预测图像。
具体的，当初始气象图像中的不同初始区域子图对应为不同的图像类别时，此时可以对不同的初始区域子图分别进行图像类别标注得到训练集，然后利用训练集进行模型训练得到图像类别识别模型。当利用图像类别识别模型对待预测气象图像进行类别识别时，可以对待预测气象图像的多个待预测区域子图分别进行图像类别标注，进而得到包含多个图像类别的待预测气象图像。
在其中一个实施例中，可以获取不同图像类别对应的图像预测算法，以根据匹配到的多个图像预测算法对不同类别的待预测区域子图进行图像预测，得到各区域预测子图，最后对各区域预测子图进行合并得到所述待预测气象图像对应的预测图像。在另一个实施例中，还可以获取不同的图像类别分别对应的图像预测算法，然后可以获取不同待预测区域子图对应的降雨强度指标，将降雨强度指标最大的待预测区域子图的图像预测算法作为待预测气象图像对应的图像预测算法，进而利用图像预测算法对待预测气象图像进行预测，得到所述待预测气象图像对应的预测图像。
在另外一个实施例中，所述初始气象图像包括至少两个的初始区域子图；所述根据所述初始图像类别对各所述初始气象图像进行类别标注得到训练集，包括：当所述初始气象图像的所述初始区域子图对应为不同的图像类别时，获取各所述初始区域子图对应的降雨强度指标；将所述降雨强度指标最大的所述初始区域子图对应的图像类别提取为所述初始气象图像的图像类别；根据提取到的所述图像类别对所述初始气象图像进行类别标注得到所述初始气象图像的初始图像标注数据；根据多个初始气象图像的初始图像标注数据得到标注集。
降雨强度指标是用于表征降雨的概率，并且，降雨强度指标越高对应为降雨的概率越大，降雨强度指标越低对应为降雨的概率越小。在另一个实施例中，当初始气象图像的不同初始区域子图对应为不同的图像类别时，还包括获取各初始区域子图对应的降雨强度指标，并将降雨强度指标最大的初始区域子图的图像类别作为初始气象图像对应的图像类别。在其中一个实施例中，降雨强度指标可以为初始气象图像的灰度值大小，一般灰度值越大表征降雨强度指标越大。
在本实施例中，当初始气象图像对应为多种图像类型时，此时还包括根据各初始区域子图对应的降雨强度指标确定所述初始气象图像对应的图像类别，以将降雨概率最大的初始区域子图对应的图像类别作为初始气象图像对应的图像类别，实现精准确定图像类别的目的。
在其中一个实施例中，所述方法还包括：获取气象图像序列；利用多种类别的图像预测算法对所述气象图像序列的下一时序气象图像进行预测，得到预测气象图像；获取所述气象图像序列中的真实的下一时序气象图像；计算各所述图像预测算法预测得到的所述预测气象图像与所述真实气象图像的差异；将所述差异最小的图像预测算法提取为所述气象图像序列对应的图像预测算法，并将所述气象图像序列的类别与匹配的所述图像预测算法对应存储。
具体的，气象图像序列中包括预设时间段内对应的多个气象图像，具体的可以为天气的演变过程所对应的雷达回波图。进一步的，气象图像序列中包括的气象图像可以为多种类型的图像，如可包括平移类型的气象图像、旋转类型的气象图像等。为了获取不同图像预测算法对不同类别的气象图像的预测能力，还包括利用多种类型的图像预测算法分别对不同类别的气象图像进行预测，得到预测图像，然后计算预测图像与真实图像的差别值，并根据差别值的大小判断各图像预测算法对不同类型的气象图像的预测精度。
在本实施例中，通过利用不同类型的图像预测算法对不同类别的气象图像进行预测得到预测图像，并根据预测图像与实际图像的差异性大小确定各图像类别匹配的图像预测算法，以实现为不同的图像类别匹配对应的算法，实现对预测算法的合理分配。
在其中一个实施例中，所述方法还包括：获取模拟图像；对所述模拟图像进行图像处理，得到具有时序变化的模拟图像序列；利用多种类型的图像预测算法对所述模拟图像序列的下一时序图像进行预测，得到预测模拟图像；获取真实模拟图像；其中，所述真实模拟图像为所述模拟图像序列中的下一时序图像；计算各所述图像预测算法预测得到的所述预测模拟图像与所述真实模拟图像的差异；将所述差异最小的图像预测算法提取为与所述模拟图像对应的图像预测算法，并所述模拟图像的图像类别与匹配的所述图像预测算法对应存储。
具体的，其中模拟图像是用于模拟天气演变过程的图像，并且对模拟图像进行图像处理得到模拟图像序列，其中模拟图像序列为具有时序变化的图像序列，模拟图像序列中包括多张图像，用于模拟目标天气的演变过程。进一步地，模拟图像序列中时序连续的多张模拟图像可用于替代天气的演变过程所对应的雷达回波图，以此实现模拟天气的演变过程。
具体地，计算机设备对模拟图像进行图像处理，得到由模拟图像基于图像处理衍生的具有时序变化的多张模拟图像，由衍生的多张模拟图像构成模拟图像序列。例如，对模拟图像进行显示处理，如改变图像亮度、灰度、对比度中的至少一种显示参数，由模拟图像的显示参数随时间变化得到的多张模拟图像构成模拟图像序列，该模拟图像序列可用于模拟天气为多云的演变过程。计算机设备获取模拟图像衍生得到的模拟图像序列，然后利用多种不同的图像预测算法如光流法对所述模拟图像序列进行预报处理，得到预报图像。具体地，计算机设备将图像序列中的图像作为输入样本，分别输入多个光流预测模型，每一光流预测模型为一机器学习模型，可对应进行一种光流法，每一光流预测模型对输入的图像进行预报处理(预测处理)，输出预报图像(预测图象)。
本实施例中，多种不同的图像预测算法如光流法包括pysteps系统中的LK_ex和LK_sprog以及rainymotion系统中的Dense、DenseRotation、Sparse和SparseSD等至少六种不同类型的光流法。
比较所述预测模拟图像和真实模拟图像，根据比较结果确定适用于预测所述图像类型的图像预测算法。其中，真实模拟图像为模拟图像序列中的图像，具体为进行预测处理的最后一时序模拟图像所对应的下一时序模拟图像。例如，得到的模拟图像序列为图像1，2，3，4，5，计算机设备将模拟图像序列中的模拟图像2和3进行预测处理，输出预测图像4’，进行预测处理的最后一时序图像为图像3，则这里的真实模拟图像即为图像3下一时序图像，即为图像4。
具体地，计算机设备比较利用每一种图像预测算法如每一种光流法得到的预测模拟图像和对应的真实模拟图像，得到多个比较结果，每一比较结果与一种光流法对应。计算机设备在多个比较结果中确定与对应真实模拟图像最接近的预测模拟图像，将得到该预测模拟图像的光流法作为适用于预报该图像类型的目标光流法。
本实施例中，计算机设备利用多种不同的光流法对模拟目标天气的演变过程的模拟图像序列进行预报处理，得到预报图像，模拟目标天气的演变过程的模拟图像序列相较于雷达回波图像的数据量小，以此减小了后续比较确定目标光流法的计算量，提高了整体确定目标光流法的效率，再比较预报模拟图像和真实模拟图像，根据比较结果确定适用于预报目标天气的目标光流法，有利于在气象预报中针对性的选择采用适用于所要预报的目标天气的光流法进行外推预报，最终提高了预报的准确性。
在一个实施例中，还可以对模拟图像进行移动处理，以模拟更多类型的目标天气的演变过程，所述获取模拟图像序列，包括：对模拟图像进行图像处理，得到具有时序变化的所述模拟图像序列；其中，所述图像处理包括平移、旋转以及缩放中至少一种。
如图5所示，为一个实施例中灰度手写数字图片的示意图。本实施例中以mnist数据集中的图片作为模拟图像，mnist数据集是28*28像素大小的灰度手写数字图片。
具体地，计算机设备对模拟图像进行移动处理，如平移、旋转以及缩放中至少一种，由模拟图像随时间变化进行移动处理得到的多张模拟图像构成模拟图像序列。如图6所示，图6为一个实施例中图像序列的示意图，以mnist数据集中手写数字“7”的图片作为模拟图像，随时间变化进行平移，得到的模拟图像序列。
其中，对模拟图像进行平移得到的平移模拟图像序列，可用于模拟稳定的层状云型降水对应的雷达回波变化；旋转和旋转加平移模拟图像得到的旋转模拟图像序列和旋转+平移模拟图像序列，可用于模拟台风对应的雷达回波变化；放大和放大加平移模拟图像得到的放大模拟图像序列和放大+平移模拟图像序列，可用于模拟对流的发生发展阶段对应的雷达回波变化；缩小和缩小加平移模拟图像得到的缩小模拟图像序列和缩小+平移模拟图像序列，可用于模拟对流的发生消亡阶段对应的雷达回波变化。
本实施例中，计算机设备对模拟图像进行包括平移、旋转以及缩放中至少一种的图像处理，进行更多类型目标天气的模拟，以通过上述目标光流法确定方法为更多类型的目标天气确定适用的目标光流法，扩大了目标光流法确定方法的适用范围，提高了目标光流法确定方法的适用性。
在一个实施例中，为进一步提高光流法预报的准确性，所述利用多种不同的光流法对所述模拟图像序列进行预报处理，得到预报图像，包括：将所述模拟图像序列中时序连续的至少两模拟图像采用所述多种不同的光流法进行预报处理，得到下一时序模拟图像的所述预报图像；将图像序列中时序连续的至少两图像采用多种不同的光流法进行预报处理，得到下一时序图像的预报图像。
其中，不同的光流法进行预报处理所需要的图像数量不同，现有的光流法进行预报处理时至少需要两张图像。
具体地，如图7所示，图7为一个实施例中不同的光流法进行预报处理的示意图，用于模拟目标天气演变过程的模拟图像序列中包括时序变化的40张图像，按时序变化顺序编号为1,2,3,4...39,40。光流A法进行预报处理需要2张图像，将时序连续的图像1和图像2输入进行预报处理，得到下一时序图像3的预报图像3’，将时序连续的图像2和图像3输入进行预报处理，得到下一时序图像4的预报图像4’…依次类推，最终得到图像3～40的预报图像3’～40’。光流法B进行预报处理需要20张图像，同理，将时序连续的图像1～20输入进行预报处理，得到下一时序图像21的预报图像21’，将时序连续的图像2～21输入进行预报处理，得到下一时序图像22的预报图像22’…依次类推，最终得到图像21～40的预测图像21’～40’。
可选地，计算机设备可选择与t0时刻连续的，t0前的至少两张图像如t0-1和t0-2时刻的图像作为利用不同光流法进行预报处理的输入图像，得到t0时刻的预报图像，同理可得t0时刻后的图像的预报图像。可选地，针对本实施例中前述六种光流法，每次预报处理至少需要2张图像，最多需要20张图像。
相应地，比较每一光流法得到的预报图像和图像序列中下一时序图像。
具体地，计算机设备获取每一光流法得到的预报图像和下一时序图像之间的图像相似程度，比较每一光流法得到的图像相似程度。例如，计算机设备获取通过上述光流法A得到的预报图像3’～40’和对应下一时序图像3～40之间的图像相似程度，以及通过上述光流法B得到的预报图像21’～40’和对应下一时序图像21～40之间的图像相似程度，比较通过光流法A和光流法B得到的图像相似程度，从中选取得到最高图像相似程度的光流法作为适宜预报目标天气的目标光流法。其中，图像相似程度可通过图像间的像素匹配百分比表征，图像间的像素匹配百分比越大，图像间的图像相似程度就越大。
本实施例中，计算机设备将图像序列中时序连续的至少两图像作为多种不同光流法进行预报处理的输入图像，时序连续的图像能准确反映图像之间变化的关联性，基于具有准确变化关联性的图像进行预报处理，有利于得到更接近真实图像即下一时序图像的预测图像，提高了光流法预报的准确性。进一步采用根据每一光流法对应得到的图像相似程度作为从多种光流法中确定目标光流法的依据，图像相似程度可直观反映所采用的光流法对目标天气的预报是否准确，提高了确定目标光流法的确定性。
在一个实施例中，图像相似程度可通过目标临界成功指数和目标结构相似性值表征，具体的，获取每一光流法得到的预报图像和下一时序图像之间的图像相似程度，包括：计算每一光流法得到的预报图像和下一时序图像之间的目标临界成功指数和目标结构相似性值。
具体地，计算机设备可通过临界成功指数公式(1)和结构相似性值公式(2)计算每一光流法得到的多个预报图像和对应多个下一时序图像之间的临界成功指数和结构相似性值，得到多个临界成功指数和多个结构相似性值。计算机设备进一步对得到的多个临界成功指数求平均，得到目标临界成功指数，对得到的多个结构相似性值求平均，得到目标结构相似性值。
在两张灰度图中，一张为实况图，另一张为预报图，规定如果某位置的格点上实况出现回波，预报也出现回波，则判断为该点成功；如果格点上实况出现回波，预报没有出现回波，则判断该点失败；如果格点上实况没有出现回波，预报出现回波，则判断该点虚警。临界成功指数(CSI)即为成功格点数比成功格点数和失败格点数以及虚警格点数之和的比值。
CSI＝(成功)/(成功+失败+虚警) (1)
本实施例中，预报图为利用光流法得到的预报图像(预测图象)，实况图为预报图对应的下一时序图像，格点为预先在图像上划分的区域，回波即为手写数字的像素。
其中，结构相似性(SSIM)：是一种衡量两幅图像(x和y)相似度的指标(SSIM的范围为0～1)，由亮度对比l(x,y)、对比度对比c(x,y)以及结构对比s(x,y)三部分组成。
Figure BDA0002742808760000171
Figure BDA0002742808760000172
Figure BDA0002742808760000173
Figure BDA0002742808760000174
其中，将C3＝C2/2简化得到公式(2)。μx为图像x的平均灰度，μy为图像y的平均灰度，σx 2为图像x的灰度方差，σy 2为图像y的灰度方差，σxy为图像x和y灰度的协方差，C1＝(k1L)2，C2＝(k2L)2是用来维持稳定的常数，L是灰度值的动态范围。k1＝0.01，k2＝0.03。
对目标临界成功指数和目标结构相似性值进行加权求和，得到每一光流法得到的图像相似程度。
具体地，计算机设备对目标临界成功指数设定第一权重w1，对目标结构相似性值设置第二权重w2，w1+w2＝1，目标临界成功指数更能准确反映图像之间的相似度，因此设定w1＞w2，再对目标临界成功指数和目标结构相似性值进行加权求和，得到利用对应光流法得到的预报图像和对应下一时序图像之间的图像相似程度，作为对应光流法的最终评分。
如下表2所示，为本实施例中利用以下6种光流法对模拟某一目标天气演变过程的图像序列进行预报处理，得到的CSI和SSIM，并对CSI和SSIM进行加权求和，得到的最终评分(SCORE)。
表1 6种光流法的评分表
CSI SSIM SCORE
Dense A1 B1 C1
DenseRotation A2 B2 C2
Sparse A3 B3 C3
SparseSD A4 B4 C4
lk_ex A5 B5 C5
Lk_sprog A6 B6 C6
本实施例中，计算机设备计算利用每一光流法得到的预报图像和对应下一时序图像之间的目标临界成功指数和目标结构相似性值，目标临界成功指数可反映预报图像和对应下一时序图像之间的局部相似程度，而目标结构相似性值可反映预报图像和对应下一时序图像之间的整体相似程度。计算机设备再对目标临界成功指数和目标结构相似性值进行加权求和，以兼顾局部相似程度和整体相似程度，得到作为于每一光流法最终评分的图像相似程度，实现对每一光流法的综合评分，以提高最终根据图像相似程度在多种光流法中确定适用于预测目标天气的目标光流法的准确性。
在一个具体的实施例中，如图8所示，提供了一种目标光流法确定方法，包括：
S810、对模拟图像进行图像处理，得到具有时序变化的模拟图像序列；其中，图像处理包括平移、旋转以及缩放中至少一种。
S820、将模拟图像序列中时序连续的至少两个模拟图像采用多种不同的光流法进行预报处理，得到下一时序图像的预报图像。
S830、计算每一光流法得到的多个预报图像和对应多个下一时序图像之间的临界成功指数和结构相似性值。
S840、对临界成功指数求平均，得到目标临界成功指数。
S850、对结构相似性值求平均，得到目标结构相似性值。
S860、对目标临界成功指数和目标结构相似性值进行加权求和，得到每一光流法得到的图像相似程度。
S870、比较每一光流法得到的图像相似程度，选取得到最高图像相似程度的光流法作为目标光流法。
本实施例中，计算机设备对初始图像进行平移、旋转以及缩放中至少一种的图像处理，得到可用于模拟目标天气演变过程的模拟图像序列，以此降低整个确定目标光流法的计算量，提高效率。计算机设备再将模拟图像序列中时序连续的至少两个模拟图像采用多种不同的光流法进行预报处理，对应得到下一时序图像的预报图像，计算每一光流法得到的预报图像与下一时序图像之间的图像相似程度，图像相似程度通过目标临界成功指数与目标结构相似性值的加权和表征，兼顾局部相似程度和整体相似程度，实现对每一光流法的综合评分。最终计算机设备选取得到最高图像相似程度的光流法作为目标光流法，图像相似程度可直观反映所采用的光流法对目标天气的预报是否准确，提高了确定目标光流法的确定性。
应该理解的是，虽然图2-8的流程图中的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2-8中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的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9所示，提供了一种气象图像预测装置，包括：
图像获取模块910，用于获取待预测气象图像；
类别识别模块920，用于识别所述待预测气象图像对应的图像类别；
算法匹配模块930，用于根据所述图像类别匹配对应类型的图像预测算法；
预测模块940，用于根据匹配到的所述图像预测算法对所述待预测气象图像进行预测得到预测图像。
关于气象图像预测装置的具体限定可以参见上文中对于气象图像预测方法的限定，在此不再赘述。上述气象图像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服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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、计算机程序和数据库。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。该计算机设备的数据库用于存储气象图像预测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种气象图像预测方法。
本领域技术人员可以理解，图10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，还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上述各方法实施例中的步骤。
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，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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)

1.一种气象图像预测方法，其特征在于，所述方法包括：
获取待预测气象图像；
识别所述待预测气象图像对应的图像类别；
根据所述图像类别匹配对应类型的图像预测算法；
根据匹配到的所述图像预测算法对所述待预测气象图像进行预测得到预测图像。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取初始气象图像；
识别各所述初始气象图像的初始图像类别；
根据所述初始图像类别对各所述初始气象图像进行类别标注得到训练集；
利用所述训练集进行模型训练得到图像类别识别算法；
所述识别所述待预测气象图像对应的图像类别，包括：
根据所述图像类别识别算法，对各所述待预测气象图像的类别进行识别得到所述待预测气象的图像类别。
3.根据权利要求2所述的方法，其特征在于，所述初始气象图像包括至少两个初始区域子图；所述根据所述初始图像类别对各所述初始气象图像进行类别标注得到训练集，包括：
当所述初始气象图像的各所述初始区域子图对应为不同的图像类别时，根据不同的所述图像类别分别对所述初始区域子图进行类别标注，得到各所述初始区域子图对应的初始区域标注数据；
根据各所述初始区域标注数据得到所述初始气象图像对应的初始图像标注数据；
根据多个初始气象图像的所述初始图像标注数据得到训练集。
4.根据权利要求2所述的方法，其特征在于，所述初始气象图像包括至少两个的初始区域子图；所述根据所述初始图像类别对各所述初始气象图像进行类别标注得到训练集，包括：
当所述初始气象图像的所述初始区域子图对应为不同的图像类别时，获取各所述初始区域子图对应的降雨强度指标；
将所述降雨强度指标最大的所述初始区域子图对应的图像类别提取为所述初始气象图像的图像类别；
根据提取到的所述图像类别对所述初始气象图像进行类别标注得到所述初始气象图像的初始图像标注数据；
根据多个初始气象图像的初始图像标注数据得到标注集。
5.根据权利要求1或3所述的方法，其特征在于，所述待预测气象图像包括至少两个的待预测区域子图；所述根据所述图像类别匹配对应类型的图像预测算法，包括：
当所述待预测气象图像的所述待预测区域子图对应为不同的预测图像类别时，根据各所述预测图像类别匹配对应类型的图像预测算法；
所述根据匹配到的所述图像预测算法对所述待预测气象图像进行预测得到预测图像，包括：
根据匹配到的各所述图像预测算法对各所述待预测区域子图进行预测得到区域预测子图；
根据各所述区域预测子图得到所述待预测气象图像对应的预测图像。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取气象图像序列；
利用多种类别的图像预测算法对所述气象图像序列的下一时序气象图像进行预测，得到预测气象图像；
获取所述气象图像序列中的真实的下一时序气象图像；
计算各所述图像预测算法预测得到的所述预测气象图像与所述真实气象图像的差异；
将所述差异最小的图像预测算法提取为所述气象图像序列对应的图像预测算法，并将所述气象图像序列的类别与匹配的所述图像预测算法对应存储。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取模拟图像；
对所述模拟图象进行图像处理，得到具有时序变化的模拟图像序列；
利用多种类型的图像预测算法对所述模拟图像序列的下一时序图像进行预测，得到预测模拟图像；
获取真实模拟图像；其中，所述真实模拟图像为所述模拟图像序列中的下一时序图像；
计算各所述图像预测算法预测得到的所述预测模拟图像与所述真实模拟图像的差异；
将所述差异最小的图像预测算法提取为与所述模拟图像对应的图像预测算法，并所述模拟图像的图像类别与匹配的所述图像预测算法对应存储。
8.一种气象图像预测装置，其特征在于，所述装置包括：
图像获取模块，用于获取待预测气象图像；
类别识别模块，用于识别所述待预测气象图像对应的图像类别；
算法匹配模块，用于根据所述图像类别匹配对应类型的图像预测算法；
预测模块，用于根据匹配到的所述图像预测算法对所述待预测气象图像进行预测得到预测图像。
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至7中任一项所述的方法的步骤。
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至7中任一项所述的方法的步骤。
CN202011156056.8A 2020-10-26 2020-10-26 气象图像预测方法、装置、计算机设备和存储介质 Pending CN112348062A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011156056.8A CN112348062A (zh) 2020-10-26 2020-10-26 气象图像预测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011156056.8A CN112348062A (zh) 2020-10-26 2020-10-26 气象图像预测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN112348062A true CN112348062A (zh) 2021-02-09

Family

ID=74358528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011156056.8A Pending CN112348062A (zh) 2020-10-26 2020-10-26 气象图像预测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112348062A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113268627A (zh) * 2021-06-08 2021-08-17 河北省科学院应用数学研究所 一种暴雨相似天气自动检索方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110532944A (zh) * 2019-08-28 2019-12-03 河北冀云气象技术服务有限责任公司 一种智能图像识别天气现象系统及方法
WO2019233341A1 (zh) * 2018-06-08 2019-12-12 Oppo广东移动通信有限公司 图像处理方法、装置、计算机可读存储介质和计算机设备
CN111028260A (zh) * 2019-12-17 2020-04-17 上海眼控科技股份有限公司 图像预测方法、装置、计算机设备和存储介质
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019233341A1 (zh) * 2018-06-08 2019-12-12 Oppo广东移动通信有限公司 图像处理方法、装置、计算机可读存储介质和计算机设备
CN110532944A (zh) * 2019-08-28 2019-12-03 河北冀云气象技术服务有限责任公司 一种智能图像识别天气现象系统及方法
CN111028260A (zh) * 2019-12-17 2020-04-17 上海眼控科技股份有限公司 图像预测方法、装置、计算机设备和存储介质
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)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113268627A (zh) * 2021-06-08 2021-08-17 河北省科学院应用数学研究所 一种暴雨相似天气自动检索方法
CN113268627B (zh) * 2021-06-08 2022-03-25 河北省科学院应用数学研究所 一种暴雨相似天气自动检索方法

Similar Documents

Publication Publication Date Title
CN110136154B (zh) 基于全卷积网络与形态学处理的遥感图像语义分割方法
CN111814741B (zh) 一种基于注意力机制的遮挡胚胎原核及卵裂球检测方法
CN111259930A (zh) 自适应注意力指导机制的一般性目标检测方法
CN113496104B (zh) 基于深度学习的降水预报订正方法及系统
CN110135502B (zh) 一种基于强化学习策略的图像细粒度识别方法
CN112464911A (zh) 基于改进YOLOv3-tiny的交通标志检测与识别方法
CN110197716B (zh) 医学影像的处理方法、装置及计算机可读存储介质
CN112668579A (zh) 基于自适应亲和力和类别分配的弱监督语义分割方法
CN114897779A (zh) 基于融合注意力的宫颈细胞学图像异常区域定位方法及装置
CN111310609B (zh) 基于时序信息和局部特征相似性的视频目标检测方法
CN112989942A (zh) 一种基于交通监控视频的目标实例分割方法
CN112419202B (zh) 基于大数据及深度学习的野生动物图像自动识别系统
CN112180471B (zh) 天气预报方法、装置、设备及存储介质
CN112819821A (zh) 一种细胞核图像检测方法
CN114972759A (zh) 基于分级轮廓代价函数的遥感图像语义分割方法
CN115187772A (zh) 目标检测网络的训练及目标检测方法、装置及设备
Toğaçar et al. Classification of cloud images by using super resolution, semantic segmentation approaches and binary sailfish optimization method with deep learning model
CN113988222A (zh) 一种基于Faster-RCNN的森林火灾检测与识别方法
CN115019163A (zh) 基于多源大数据的城市要素识别方法
CN114529552A (zh) 一种基于几何轮廓顶点预测的遥感影像建筑物分割方法
CN114332473A (zh) 目标检测方法、装置、计算机设备、存储介质及程序产品
CN112215301B (zh) 基于卷积神经网络的影像直线探测方法
CN112348062A (zh) 气象图像预测方法、装置、计算机设备和存储介质
CN114332457A (zh) 图像实例分割模型训练、图像实例分割方法和装置
CN113536944A (zh) 基于图像识别的配电线路巡检数据识别及分析方法

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