CN112782700B - 一种基于雷达图的降水预测方法以及装置 - Google Patents
一种基于雷达图的降水预测方法以及装置 Download PDFInfo
- Publication number
- CN112782700B CN112782700B CN202011643267.4A CN202011643267A CN112782700B CN 112782700 B CN112782700 B CN 112782700B CN 202011643267 A CN202011643267 A CN 202011643267A CN 112782700 B CN112782700 B CN 112782700B
- Authority
- CN
- China
- Prior art keywords
- cloud
- clusters
- micro
- rain
- cluster
- 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.)
- Active
Links
- 238000001556 precipitation Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000033001 locomotion Effects 0.000 claims abstract description 101
- 238000001514 detection method Methods 0.000 claims abstract description 56
- 230000015654 memory Effects 0.000 claims description 19
- 239000000693 micelle Substances 0.000 claims description 17
- 238000013213 extrapolation Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000004549 pulsed laser deposition Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开了一种基于雷达的降水预测方法以及装置,方法包括:获取雷达图,对雷达图中的微团进行检测,微团包括雷达图中的边缘点;对微团的运动方向进行检测,并将检测结果作为云团运动方向;根据云团运动方向确定云团的移动区域,并对移动区域和云团所在区域进行降水预测,得到预测结果。通过对雷达图中边缘点构建的微团的运动范围进行检测,进而检测出云团的运动方向,将云团的运动方向结合外推后的雷达图,预测云团的移动区域内的降水情况,有效降低降水预测的误报率或者漏报率,提高降水预测的准确率和降水预测性能。
Description
技术领域
本申请涉及深度学习领域,尤其涉及降水预测领域。
背景技术
当前的通过雷达回波预测降水的方法通常是采用时空外推的方法对雷达进行外推,然后在通过外推的雷达回波值大小判定每个点是否降水。但是外推后的雷达图像会存在一定的误差,特别是在边缘地区,由于在实际情况下,雷达回波的边缘地区通常是降水刚刚开始或者刚刚结束的地方,此类地方雷达回波值是不同于雷达回波值中心地区的,通常该类区域情况会更加的复杂。然而,现有的降水估计方法本质上还是基于时空雷达外推方法的应用,并没有解决外推过程中的误差积累和损失的问题,并不能很好的估计雷达边缘部分的实际降水情况。
发明内容
本申请实施例提供一种基于雷达图的降水预测方法以及装置,以解决相关技术存在的问题,技术方案如下:
第一方面,本申请实施例提供了一种基于雷达图的降水预测方法,包括:
获取雷达图,对雷达图中的微团进行检测,微团包括雷达图中的边缘点;
对微团的运动方向进行检测,并根据检测结果确定云团运动方向;
根据云团运动方向确定云团的移动区域,并对移动区域和云团所在区域进行降水预测,得到预测结果。
在一种实施方式中,对微团的运动方向进行检测,并根据检测结果确定云团运动方向,包括:
检测微团所在区域在t时刻的平均灰度值Vt,在t-1时刻的平均灰度值Vt-1,t大于或等于1;
在Vt和Vt-1的差值大于阈值的情况下,确定微团的运动方向为云团前进方向。
在一种实施方式中,还包括:
在Vt和Vt-1的差值小于或等于阈值的情况下,确定微团的运动方向为云团离开方向。
在一种实施方式中,对微团的运动方向进行检测,并根据检测结果确定云团运动方向,包括:
检测微团所在区域在t时刻的高空风速和风向,并将高空风速和风向作为云团的运动方向和运动速度。
在一种实施方式中,对微团的运动方向进行检测,并根据检测结果确定云团运动方向,包括:
检测微团所在区域在0~t时刻范围内的用户反馈信息,用户反馈信息包括无雨到有雨的方向和有雨到无雨的方向,将无雨到有雨的方向作为云团离开方向,将有雨到无雨的方向作为云团前进方向。
在一种实施方式中,对移动区域进行降水预测,得到预测结果,包括:
利用外推算法对雷达图进行处理,得到外推后的雷达图;
外推后的雷达图中,通过降低云团的移动区域中的降水阈值,确定云团的移动区域的降水预测结果。
第二方面,本实施方式提供了一种基于雷达图的降水预测装置,包括:
微团检测模块,用于获取雷达图,对雷达图中的微团进行检测,微团包括雷达图中的边缘点;
云团运动方向检测模块,用于对微团的运动方向进行检测,并根据检测结果确定云团运动方向;
降水预测模块,用于根据云团运动方向确定云团的移动区域,并对移动区域和云团所在区域进行降水预测,得到预测结果。
在一种实施方式中,云团运动方向检测模块包括:
第一检测子模块,用于检测微团所在区域在t时刻的平均灰度值Vt,在t-1时刻的平均灰度值Vt-1,t大于或等于1;在Vt和Vt-1的差值大于阈值的情况下,确定微团的运动方向为云团前进方向。
在一种实施方式中,云团运动方向检测模块包括:
第二检测子模块,用于在Vt和Vt-1的差值小于或等于阈值的情况下,确定微团的运动方向为云团离开方向。
在一种实施方式中,云团运动方向检测模块包括:
第三检测子模块,用于检测微团所在区域在t时刻的高空风速和风向,并将高空风速和风向作为云团的运动方向和运动速度。
在一种实施方式中,云团运动方向检测模块包括:
第四检测子模块,用于检测微团所在区域在0~t时刻范围内的用户反馈信息,用户反馈信息包括无雨到有雨的方向和有雨到无雨的方向,将无雨到有雨的方向作为云团离开方向,将有雨到无雨的方向作为云团前进方向。
在一种实施方式中,降水预测模块包括:
外推算法子模块,用于利用外推算法对雷达图进行处理,得到外推后的雷达图;
降水预测子模块,用于外推后的雷达图中,通过降低云团的移动区域中的降水阈值,确定云团的移动区域的降水预测结果。
第三方面,提供了一种电子设备,包括:
至少一个处理器;以及与至少一个处理器通信连接的存储器;
其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述任一项的方法。
第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行上述任一项的方法。
上述申请中的一个实施例具有如下优点或有益效果:通过对雷达图中边缘点构建的微团的运动范围进行检测,进而检测出云团的运动方向,将云团的运动方向结合外推后的雷达图,预测云团的移动区域内的降水情况,有效降低降水预测的误报率或者漏报率,提高降水预测的准确率和降水预测性能。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请提供的现有技术中降水预测方法的流程图;
图2是根据本申请一实施例的一种基于雷达图的降水预测方法的示意图;
图3是根据本申请另一实施例的一种边缘点检测流程图;
图4是根据本申请一实施例的一种基于背景差分的微团运动检测场景示意图;
图5是根据本申请另一实施例的一种基于雷达图的降水预测方法的示意图;
图6是根据本申请一实施例的一种基于雷达图的降水预测装置的结构框图;
图7是用来实现本申请实施例的一种基于雷达图的降水预测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
如图1所示,在一次降水预测的流程图中,获取雷达图,根据雷达图对降水进行判定,最后输出降水图。然而,在实际的过程中,当前的雷达降水判定方法大多是统一作用在整个雷达图上的,基于同一降水雷达回波到降水判定算法来说,对降水开始时的判断会出现漏报,同时对于降水结束时的区域会出现误报。这是由于云的运动不是刚性的,在运动的过程中存在着生消等变化,云在边缘部分的消散等现象更加明显,运动更加不规律,造成了预报降水在云边缘部分的准确率比较低,所以会造成雷达外推预测时的误差。因此,如果要提高降水预测性能,需要分别对云的整体和边缘两部分区域进行单独处理,如何识别这两部分区域就成了关键。
本实施例提出了一种基于微团方向检测的降水预测方法,用来检测云的整体和边缘两部分降水区域。通过微团的运动来表征云的运动,从而识别出云即将到来的地方和即将离去的地方,通过对该类地方的精细化处理,提高降水开始和降水结束时预测的准确性。
在一种具体的实施例中,如图2所示,提供了一种基于雷达的降水预测方法,包括如下步骤:
步骤S110:获取雷达图,对雷达图中的微团进行检测,微团包括雷达图中的边缘点;
步骤S120:对微团的运动方向进行检测,并将检测结果作为云团运动方向;
步骤S130:根据云团运动方向确定云团的移动区域,并对移动区域和云团所在区域进行降水预测,得到预测结果。
一种示例中,光流法需要对代表达的物体进行特征点进行提取,但是由于云层不同帧间变化比较大,相似的特征点很难寻找光流法是基于物体的整体刚性变换,但是云的移动总是伴随着生长和消散,同时云的在边缘点的移动是各个方向的,光流法求的统一方向的移动并不能满足边缘的变化需求。因此,本实施例中,通过主要集中于云边缘部分的“微团”的运动方向来表征云运动方向,云运动方向可以作为特征加入到降水预测或者训练中。
首先,获取雷达图,雷达图可以是雷达回波反射率图片。前t时刻的雷达回波反射率图片经过预先训练好的时空外推模型,如(convlstm)多层循环神经网络模型等,可以预测得到t+N时刻的雷达回波反射率图片。前t时刻的雷达回波反射率图片需要经过“微团”检测程序,“微团”表示单个点或者集合在一起多个点来表征该云团的运动趋势。本实施例中通过对雷达图的边缘点进行检测,同时标出包括边缘点的云团作为“微团”。特别指出的是,可以将全部边缘点作为雷达的边缘图片。边缘点检测算法可以基于常用的sober或者cannon边缘检测算法。边缘点检测流程图如图3所示。
然后,对“微团”的运动方向进行检测。可以利用如图4所示的基于背景差分的微团运动检测方法,即利用了微团运动方向路径上的雷达反射率值在微团到来之前总是处于一个很低的值,所以我们寻找的就是微团梯度最大的方向为云团运动的方向。当然,并不局限于雷达回波本身,还可以通过其他要素特征(如模式数据的高空风速、风向)结合雷达回波边缘进行描述。将检测结果作为云团运动方向,例如,云团前进方向或者云团离开方向等。不同微团的运动方向是可以不相同的。
最后,根据云团运动方向确定云团的移动区域。对移动区域和云团所在区域进行降水预测,得到预测结果。不仅对云团当前所在位置进行降水预测,还对云团即将运动至的移动区域进行降水预测。通过雷达回波值的变化来反应和检测云团的运动方向,故通过雷达回波值的变化能够检测出云移动到的区域。利用外推算法对雷达图进行处理,得到外推后的雷达图。外推后的雷达图中,对云团即将运动的区域的降水阈值判定进行调整,为了增加降水预报的召回率,通常会对该区域的降水阈值进行降低。通过降低云团的移动区域中的降水阈值,确定云团的移动区域的降水预测结果。将微团检测运动估计出的区域有针对性的处理可以提高降水开始的准确率,有如下实验,采集了2020年1月到10月全国抽样点开始下雨和雨停时的数据作为测试样本,最终实验结果如下:
加入微团运动检测 | 未加微团运动检测 | |
准确率 | 0.643 | 0.602 |
本实施方式中,提出了通过对雷达图中边缘点构建的微团的运动范围进行检测,进而检测出云团的运动方向,将云团的运动方向结合外推后的雷达图,预测云团的移动区域内的降水情况,有效降低降水预测的误报率或者漏报率,提高降水预测的准确率和降水预测性能。
在一种实施方式中,步骤S120:包括:
步骤S121:检测微团所在区域在t时刻的平均灰度值Vt,在t-1时刻的平均灰度值Vt-1,t大于或等于1;
步骤S122:在Vt和Vt-1的差值大于阈值的情况下,确定微团的运动方向为云团前进方向。
在一种实施方式中,还包括:
步骤S123:在Vt和Vt-1的差值小于或等于阈值的情况下,确定微团的运动方向为云团离开方向。
一种示例中,如图5所示,假设检测出的微团B所在区域在t时刻的平均灰度值为Vt,在t-1时刻的平均灰度值为Vt-1,通过比较Vt和Vt-1判断该微团是否处于雷达回波的运动方向,还是雷达离开方向。由于云是通过雷达信号表示的,故云的运动方向就是雷达回波的运动方向。在Vt和Vt-1的差值大于阈值的情况下,确定微团的运动方向为云团前进方向。在Vt和Vt-1的差值小于或等于阈值的情况下,确定微团的运动方向为云团离开方向。阈值为预先设置的门限值。
在一种实施方式中,步骤S120:包括:
步骤S124:检测微团所在区域在t时刻的高空风速和风向,并将高空风速和风向作为云团的运动方向和运动速度。
一种示例中,如图5所示,微团的运动可以使用其他的天气要素来描述,如高空的风速和风向。本在实施例在前述实施例的基础上加入了T时刻的高空的风速风向,对于每个微团找到其对应位置的高空风速和风向作为该云团的运动方向和速度。最终求出每个时刻的云的移动范围。
在一种实施方式中,步骤S120:包括:
步骤S125:检测微团所在区域在0~t时刻范围内的用户反馈信息,用户反馈信息包括无雨到有雨的方向和有雨到无雨的方向,将无雨到有雨的方向作为云团离开方向,将有雨到无雨的方向作为云团前进方向。
在一种实施方式中,步骤S130,包括:
步骤S131:利用外推算法对雷达图进行处理,得到外推后的雷达图;
步骤S132:外推后的雷达图中,通过降低云团的移动区域中的降水阈值,确定云团的移动区域的降水预测结果。
一种示例中,如果最终得到雷达运动前进的区域,设为A区域,当得到雷达外推的图片时,对于A区域内的所有点的降水概率都会得到a权重的加权,以增加其预报降水的概率。a为一可改变的超参数设置。相似的对于雷达离开的区域,也会减少其降水概率的权重,降低预报的概率。降水概率就是判定该区域是够降水的概率,比如,降水概率计算得到值为0.6,之前设定的降水的门限值为0.5,那么由于0.6>0.5,则系统会判定降水阈值越小,降水概率越大。
上述实施方式提供了一种基于微团来判断云运动边缘趋势的方法,通过边缘微团的运动反向的判断,可以将最终求得的边缘运动范围信息与外推得到的雷达反射率信息整合到一起进行降水的判断,提高降水开始或者降水结束的预报准确性。
另一种具体实施方式中,如图6所示,提供了一种基于雷达图的降水预测装置,包括:
微团检测模块110,用于获取雷达图,对雷达图中的微团进行检测,微团包括雷达图中的边缘点;
云团运动方向检测模块120,用于对微团的运动方向进行检测,并根据检测结果确定云团运动方向;
降水预测模块130,用于根据云团运动方向确定云团的移动区域,并对移动区域和云团所在区域进行降水预测,得到预测结果。
在一种实施方式中,云团运动方向检测模块包括:
第一检测子模块,用于检测微团所在区域在t时刻的平均灰度值Vt,在t-1时刻的平均灰度值Vt-1,t大于或等于1;在Vt和Vt-1的差值大于阈值的情况下,确定微团的运动方向为云团前进方向。
在一种实施方式中,云团运动方向检测模块包括:
第二检测子模块,用于在Vt和Vt-1的差值小于或等于阈值的情况下,确定微团的运动方向为云团离开方向。
在一种实施方式中,云团运动方向检测模块包括:
第三检测子模块,用于检测微团所在区域在t时刻的高空风速和风向,并将高空风速和风向作为云团的运动方向和运动速度。
在一种实施方式中,云团运动方向检测模块包括:
第四检测子模块,用于检测微团所在区域在0~t时刻范围内的用户反馈信息,用户反馈信息包括无雨到有雨的方向和有雨到无雨的方向,将无雨到有雨的方向作为云团离开方向,将有雨到无雨的方向作为云团前进方向。
在一种实施方式中,降水预测模块包括:
外推算法子模块,用于利用外推算法对雷达图进行处理,得到外推后的雷达图;
降水预测子模块,用于外推后的雷达图中,通过降低云团的移动区域中的降水阈值,确定云团的移动区域的降水预测结果。
本申请实施例各装置中的各模块的功能可以参见上述方法中的对应描述,在此不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图7所示,是根据本申请实施例的一种基于雷达图的降水预测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器701、存储器702,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示图形用户界面(Graphical User Interface,GUI)的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的一种基于雷达图的降水预测方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的一种基于雷达图的降水预测方法。
存储器702作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的一种基于雷达图的降水预测方法对应的程序指令/模块。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的一种基于雷达图的降水预测方法。
存储器702可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据一种基于雷达图的降水预测方法的电子设备的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至上述电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与上述电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(Liquid Cr7stal Displa7,LCD)、发光二极管(Light Emitting Diode,LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路(Application Specific Integrated Circuits,ASIC)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(programmable logic device,PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(Cathode Ray Tube,阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (8)
1.一种基于雷达图的降水预测方法,其特征在于,包括:
获取雷达图,对所述雷达图中的微团进行检测,所述微团包括所述雷达图中的边缘点;
对所述微团的运动方向进行检测,并根据检测结果确定云团运动方向;
根据所述云团运动方向确定所述云团的移动区域,并对所述移动区域和所述云团所在区域进行降水预测,得到预测结果;
其中,对所述微团的运动方向进行检测,并根据检测结果确定云团运动方向,包括:
检测所述微团所在区域在t时刻的高空风速和风向,并将所述高空风速和风向作为所述云团的运动方向和运动速度;
或者,其中,对所述微团的运动方向进行检测,并根据检测结果确定云团运动方向,包括:
检测所述微团所在区域在0~ t时刻范围内的用户反馈信息,所述用户反馈信息包括无雨到有雨的方向和有雨到无雨的方向,将所述无雨到有雨的方向作为云团离开方向,将所述有雨到无雨的方向作为云团前进方向;
其中,对所述移动区域进行降水预测,得到预测结果,包括:
利用外推算法对所述雷达图进行处理,得到外推后的雷达图;
所述外推后的雷达图中,通过降低所述云团的移动区域中的降水阈值,
确定所述云团的移动区域的降水预测结果。
2.根据权利要求1所述的方法,其特征在于,对所述微团的运动方向进行检测,并根据检测结果确定云团运动方向,包括:
检测所述微团所在区域在t时刻的平均灰度值,在t-1时刻的平均灰度值/>,t大于或等于1;
在和/>的差值大于阈值的情况下,确定所述微团的运动方向为云团前进方向。
3.根据权利要求2所述的方法,其特征在于,还包括:
在和的差值小于或等于所述阈值的情况下,确定所述微团的运动方向为云团离开方向。
4.一种基于雷达图的降水预测装置,其特征在于,包括:
微团检测模块,用于获取雷达图,对所述雷达图中的微团进行检测,所述微团包括所述雷达图中的边缘点;
云团运动方向检测模块,用于对所述微团的运动方向进行检测,并根据检测结果确定云团运动方向;
降水预测模块,用于根据所述云团运动方向确定所述云团的移动区域,并对所述移动区域和所述云团所在区域进行降水预测,得到预测结果;
其中,所述云团运动方向检测模块包括:
第三检测子模块,用于检测所述微团所在区域在t时刻的高空风速和风向,并将所述高空风速和风向作为所述云团的运动方向和运动速度;
或者,其中,所述云团运动方向检测模块包括:
第四检测子模块,用于检测所述微团所在区域在0~ t时刻范围内的用户反馈信息,所述用户反馈信息包括无雨到有雨的方向和有雨到无雨的方向,将所述无雨到有雨的方向作为云团离开方向,将所述有雨到无雨的方向作为云团前进方向;
其中,所述降水预测模块包括:
外推算法子模块,用于利用外推算法对所述雷达图进行处理,得到外推后的雷达图;
降水预测子模块,用于所述外推后的雷达图中,通过降低所述云团的移动区域中的降水阈值,确定所述云团的移动区域的降水预测结果。
5.根据权利要求4所述的装置,其特征在于,所述云团运动方向检测模块包括:
第一检测子模块,用于检测所述微团所在区域在t时刻的平均灰度值,在t-1时刻的平均灰度值,t大于或等于1;在/>和/>的差值大于阈值的情况下,确定所述微团的运动方向为云团前进方向。
6.根据权利要求5所述的装置,其特征在于,所述云团运动方向检测模块包括:
第二检测子模块,用于在和/>的差值小于或等于所述阈值的情况下,确定所述微团的运动方向为云团离开方向。
7.一种电子设备,其特征在于,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-3中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011643267.4A CN112782700B (zh) | 2020-12-30 | 2020-12-30 | 一种基于雷达图的降水预测方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011643267.4A CN112782700B (zh) | 2020-12-30 | 2020-12-30 | 一种基于雷达图的降水预测方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112782700A CN112782700A (zh) | 2021-05-11 |
CN112782700B true CN112782700B (zh) | 2024-04-16 |
Family
ID=75753642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011643267.4A Active CN112782700B (zh) | 2020-12-30 | 2020-12-30 | 一种基于雷达图的降水预测方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112782700B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114063082A (zh) * | 2021-11-15 | 2022-02-18 | 最美天气(上海)科技有限公司 | 一种基于时序雷达回波强度的天气短临预测方法及天气预测系统 |
CN114488350B (zh) * | 2022-01-18 | 2024-04-30 | 重庆交通大学 | 一种基于雷达图信息处理的山地城市短时降雨预报方法 |
CN114488160A (zh) * | 2022-04-02 | 2022-05-13 | 南京师范大学 | 顾及三维风场影响的雷达降雨估算误差校正方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10227870A (ja) * | 1997-02-13 | 1998-08-25 | Nippon Telegr & Teleph Corp <Ntt> | 降水量変化予測装置 |
US6128578A (en) * | 1996-12-26 | 2000-10-03 | Nippon Telegraph And Telephone Corporation | Meteorological radar precipitation pattern prediction method and apparatus |
CN101937078A (zh) * | 2009-06-30 | 2011-01-05 | 深圳市气象局 | 基于边界识别追踪技术的雷暴云团的临近预报方法和系统 |
CN104598326A (zh) * | 2014-12-31 | 2015-05-06 | 北京奇虎科技有限公司 | 一种信息纠错方法和装置 |
CN105225252A (zh) * | 2015-09-21 | 2016-01-06 | 华北电力大学(保定) | 云团运动预测方法 |
CN107356926A (zh) * | 2017-06-08 | 2017-11-17 | 湖南师范大学 | 基于Hu矩的差值云团外推降雨预测算法 |
CN110579823A (zh) * | 2019-09-02 | 2019-12-17 | 中国电力科学研究院有限公司 | 一种强降雨短临预报方法及系统 |
CN111428676A (zh) * | 2020-04-01 | 2020-07-17 | 南京信息工程大学 | 一种基于稀疏对应和深度神经网络的短临降水预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10823881B2 (en) * | 2018-11-05 | 2020-11-03 | Tianjin Kantian Technology Co., Ltd. | Cloud forecast using sequential images |
-
2020
- 2020-12-30 CN CN202011643267.4A patent/CN112782700B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6128578A (en) * | 1996-12-26 | 2000-10-03 | Nippon Telegraph And Telephone Corporation | Meteorological radar precipitation pattern prediction method and apparatus |
JPH10227870A (ja) * | 1997-02-13 | 1998-08-25 | Nippon Telegr & Teleph Corp <Ntt> | 降水量変化予測装置 |
CN101937078A (zh) * | 2009-06-30 | 2011-01-05 | 深圳市气象局 | 基于边界识别追踪技术的雷暴云团的临近预报方法和系统 |
CN104598326A (zh) * | 2014-12-31 | 2015-05-06 | 北京奇虎科技有限公司 | 一种信息纠错方法和装置 |
CN105225252A (zh) * | 2015-09-21 | 2016-01-06 | 华北电力大学(保定) | 云团运动预测方法 |
CN107356926A (zh) * | 2017-06-08 | 2017-11-17 | 湖南师范大学 | 基于Hu矩的差值云团外推降雨预测算法 |
CN110579823A (zh) * | 2019-09-02 | 2019-12-17 | 中国电力科学研究院有限公司 | 一种强降雨短临预报方法及系统 |
CN111428676A (zh) * | 2020-04-01 | 2020-07-17 | 南京信息工程大学 | 一种基于稀疏对应和深度神经网络的短临降水预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112782700A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112782700B (zh) | 一种基于雷达图的降水预测方法以及装置 | |
US20210390296A1 (en) | Optical character recognition method and apparatus, electronic device and storage medium | |
CN112560996B (zh) | 用户画像识别模型训练方法、设备、可读存储介质及产品 | |
US11436447B2 (en) | Target detection | |
US20210312799A1 (en) | Detecting traffic anomaly event | |
CN110852321B (zh) | 候选框过滤方法、装置以及电子设备 | |
CN111860769A (zh) | 预训练图神经网络的方法以及装置 | |
US11810384B2 (en) | Method and apparatus for recognizing text content and electronic device | |
US20210232986A1 (en) | Parking lot free parking space predicting method, apparatus, electronic device and storage medium | |
CN113591573A (zh) | 多任务学习深度网络模型的训练及目标检测方法、装置 | |
CN111241838B (zh) | 文本实体的语义关系处理方法、装置及设备 | |
EP3866065A1 (en) | Target detection method, device, electronic apparatus, and storage medium | |
CN110569969A (zh) | 网络模型结构的采样方法、装置以及电子设备 | |
CN111709428B (zh) | 图像中关键点位置的识别方法、装置、电子设备及介质 | |
CN111553840A (zh) | 图像超分辨的模型训练和处理方法、装置、设备和介质 | |
CN114492788A (zh) | 训练深度学习模型的方法和装置、电子设备及存储介质 | |
CN114386503A (zh) | 用于训练模型的方法和装置 | |
US20210312162A1 (en) | Method for detecting face synthetic image, electronic device, and storage medium | |
CN113989721A (zh) | 目标检测方法和目标检测模型的训练方法、装置 | |
CN112749701B (zh) | 车牌污损分类模型的生成方法和车牌污损分类方法 | |
CN116310356B (zh) | 深度学习模型的训练方法、目标检测方法、装置及设备 | |
CN112508027A (zh) | 用于实例分割的头部模型、实例分割模型、图像分割方法及装置 | |
CN115273148B (zh) | 行人重识别模型训练方法、装置、电子设备及存储介质 | |
CN113920273B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN116363429A (zh) | 图像识别模型的训练方法、图像识别方法、装置及设备 |
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 |