CN113159434A - 一种雷达回波预测方法、装置、设备及存储介质 - Google Patents

一种雷达回波预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113159434A
CN113159434A CN202110473439.6A CN202110473439A CN113159434A CN 113159434 A CN113159434 A CN 113159434A CN 202110473439 A CN202110473439 A CN 202110473439A CN 113159434 A CN113159434 A CN 113159434A
Authority
CN
China
Prior art keywords
scale
radar echo
image
prediction
determining
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
CN202110473439.6A
Other languages
English (en)
Inventor
丁苗高
何娜
闫正
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 CN202110473439.6A priority Critical patent/CN113159434A/zh
Publication of CN113159434A publication Critical patent/CN113159434A/zh
Pending legal-status Critical Current

Links

Images

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
    • G01S13/958—Theoretical aspects
    • 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"
    • 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
    • G06F18/25—Fusion techniques
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Electromagnetism (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明实施例公开了一种雷达回波预测方法、装置、设备及存储介质。该方法包括：获取原始雷达回波图像，并将原始雷达回波图像作为待处理图像；将待处理图像输入预设的多尺度雷达回波预测网络模型，根据输出的生成结果确定融合雷达回波图；根据融合雷达回波图确定雷达回波预测结果。本发明实施例的技术方案，解决了传统雷达回波预测时需降低输入的雷达回波图像分辨率导致预测的雷达回波准确率低的问题，提升了雷达回波预测的准确度，进而提升了通过雷达回波进行降水预测的准确性。

Description

一种雷达回波预测方法、装置、设备及存储介质
技术领域
本发明实施例涉及大气科学技术领域，尤其涉及一种雷达回波预测方法、装置、设备及存储介质。
背景技术
降水情况对人民日常生活、农业生产、水利防汛等方面都有着至关重要的影响，目前对于降水情况的分析和预测，较为成熟的方法为数值预报和基于雷达回波外推的方法。
基于数值预报对降水情况进行预测的模式，其分辨率和尺度虽然都已经很高，尤其是针对天气预报中的中短期流场和形势场的预测尺度已经满足应用需求，但其对于短临降水的预测误差较大。而雷达回波外推的方法可基于天气雷达的探测资料对短时临近降水进行较好的预测，常将雷达回波资料结合深度学习方法实现对降水情况的预测。
目前基于深度学习的临近预报主要采用视频预测技术，其中常用的基于视频预测的技术由深层循环神经网络(Deep RNN)和生成式对抗网络(GAN)等网络构成。但由于雷达回波图尺寸较大，且视频预测中需要进行若干帧的输入，并预测出若干帧，进而导致模型训练时显存较大，提高了进行降水预测的硬件需求。若降低硬件要求则需降低雷达回波图的尺寸，但在降低雷达回波图的分辨率会导致雷达回波图中强反射率因子像素点的损失，进而降低了降水预测的准确度。
发明内容
本发明提供一种雷达回波预测方法、装置、设备及存储介质，以在不降低雷达回波图像分辨率的情况下实现雷达回波的预测，提升了雷达回波预测的准确度，进而提升了通过雷达回波对降水预测的准确度。
第一方面，本发明实施例提供了一种雷达回波预测方法，包括：
获取原始雷达回波图像，并将原始雷达回波图像作为待处理图像；
将待处理图像输入预设的多尺度雷达回波预测网络模型，根据输出的生成结果确定融合雷达回波图，多尺度雷达回波预测网络模型为采用设定训练方法训练的神经网络模型；
根据融合雷达回波图确定雷达回波预测结果。
第二方面，本发明实施例还提供了一种雷达回波预测装置，包括：
图像获取模块，用于获取原始雷达回波图像，并将原始雷达回波图像作为待处理图像；
融合回波确定模块，用于将待处理图像输入预设的多尺度雷达回波预测网络模型，根据输出的生成结果确定融合雷达回波图；
预测结果确定模块，用于根据融合雷达回波图确定雷达回波预测结果。
第三方面，本发明实施例还提供了一种计算机设备，包括：
存储装置以及一个或多个处理器；
所述存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述第一方面所述的雷达回波预测方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的雷达回波预测方法。
本发明实施例提供的一种雷达回波预测方法、装置、设备及存储介质，通过获取原始雷达回波图像，并将原始雷达回波图像作为待处理图像；将待处理图像输入预设的多尺度雷达回波预测网络模型，根据输出的生成结果确定融合雷达回波图；根据融合雷达回波图确定雷达回波预测结果。通过采用上述技术方案，将获取到的原始雷达回波图像输入至通过设定训练方法训练得到的多尺度雷达回波预测网络模型中，由于多尺度雷达回波预测网络模型在训练时采用多种不同尺度的图像训练样本训练，故多尺度雷达回波预测网络模型可将输入的原始雷达回波图像提取为不同的分辨率，在多个尺度上进行雷达回波的预测，并根据不同分辨率下预测的生成结果进行融合确定融合雷达回波图，进而根据融合雷达回波图确定出雷达回波的预测结果，因此可在不降低雷达回波图像分辨率的情况下实现对雷达回波的预测，解决了传统雷达回波预测时需降低输入的雷达回波图像分辨率导致预测的雷达回波准确率低的问题，提升了雷达回波预测的准确度，进而提升了通过雷达回波进行降水预测的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明实施例一中的一种雷达回波预测方法的流程图；
图2是本发明实施例一中的一种编解码网络的结构示例图；
图3是本发明实施例二中的一种多尺度雷达回波预测网络模型训练方法的流程图；
图4是本发明实施例二中的一种通过第一图像训练样本集对初始第一尺度预测子模型进行训练，确定第一尺度预测子模型的流程示意图；
图5是本发明实施例二中的一种通过第一特征图与第二图像训练样本集对初始第二尺度预测子模型进行训练，确定第二尺度预测子模型的流程示意图；
图6是本发明实施例二中的一种第二尺度预测子模型的训练过程示例图；
图7是本发明实施例二中的一种多尺度雷达回波预测网络模型的结构示例图；
图8是本发明实施例三中的一种雷达回波预测方法的流程图；
图9是本发明实施例三中的一种将第一生成结果与第二生成结果进行融合，并将融合后的生成结果确定为融合雷达回波图的流程示意图；
图10是本发明实施例三中的一种根据各像素平均值确定融合雷达回波图的示例图；
图11是本发明实施例四中的一种雷达回波预测装置的结构示意图；
图12是本发明实施例五中的一种计算机设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施例方式作进一步地详细描述。应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
实施例一
图1为本发明实施例一提供的一种雷达回波预测方法的流程图，本实施例可适用于通过获取的原始雷达回波图像对未来一段时间的雷达回波进行预测的情况，该方法可以由雷达回波预测装置来执行，该雷达回波预测装置可以由软件和/或硬件来实现，该雷达回波预测装置可以配置在计算机设备上，该计算机设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。一般而言，计算机设备可以是笔记本、台式计算机以及智能平板等。
如图1所示，本实施例一提供的一种雷达回波预测方法，具体包括如下步骤：
S101、获取原始雷达回波图像，并将原始雷达回波图像作为待处理图像。
在本实施例中，原始雷达回波图像，可理解为由气象雷达发射后的电磁波，经大气中存在的雨滴、云滴、冰晶、雪花、冰雹、尘埃以及折射率分布不均匀的空气等散射而返回的被雷达天线所接收的电磁波数据在雷达屏幕上显示的图像。
具体的，获取由气象雷达天线接收到的雷达回波数据所对应的原始雷达回波图像，并将原始雷达回波图像作为待处理图像，以根据待处理图像对后续一段时间内的雷达回波进行预测，进而实现根据预测的雷达回波进行降水预测的目的。
S102、将待处理图像输入预设的多尺度雷达回波预测网络模型，根据输出的生成结果确定融合雷达回波图。
其中，所述多尺度雷达回波预测网络模型为采用设定训练方法训练的神经网络模型。
在本实施例中，多尺度雷达回波预测网络模型可理解为一种用以将输入的待处理图像转换为对应尺度图像，并分别对转换尺度后的图像进行雷达回波预测后，将各预测得到的雷达回波图像融合转换为目标大小的融合雷达回波图的神经网络模型。融合雷达回波图可理解为将不同尺度的待处理图像预测得到图像对应融合后，由多尺度雷达回波预测网络模型输出的图像。
可选的，本申请中的多尺度雷达回波预测网络模型可为搭建于基于编解码结构的视频预测网络，其中包括一个或多个编码器和解码器，各编码器和解码器可由多个不同的神经网络层以一定预设规则进行组合形成，编码器与解码器间存在对应关系，一对编码器和解码器的组合可理解一个神经网络子模型，示例性的，图2为本发明实施例一给出的一种编解码网络的结构示例图。
具体的，将待处理图像输入至以训练好的预设的多尺度雷达回波预测网络模型中，其中，多尺度雷达回波预测网络模型主要通过将输入的待处理图像转换为对应尺度图像，并分别对转换尺度后的图像进行雷达回波预测，得到对应各尺度的雷达回波预测图像，将各尺度的雷达回波预测图像转换为目标大小并进行融合处理后的图像作为多尺度雷达回波预测网络模型的生成结果，并将生成结果确定为融合雷达回波图。
在本发明实施例中，通过将待处理图像输入预设的多尺度雷达回波预测网络模型，经多尺度雷达回波预测网络模型的处理得到待处理图像在不同尺度下进行雷达回波预测后的融合结果，也即融合雷达回波图，便于后续根据融合雷达回波图进行雷达回波预测，提升了雷达回波预测的准确率，使得预测结果更为准确。
S103、根据融合雷达回波图确定雷达回波预测结果。
具体的，由于雷达回波常用于在天气预报场景中对未来一段时间内的降水情况进行预测，可通过获取到的雷达回波图中的雷达反射率因子对降水情况进行预测，一般情况下，雷达反射率因子越大，降水概率越大，因此可根据融合雷达回波图中各像素点的雷达反射率因子强度确定雷达回波预测结果，进而实现降水情况的预测。
在本实施例中，雷达反射率因子可理解为表征降水目标物回波强度的单位，其与降水目标物单位体积中降水粒子的大小、数量以及相态相关。示例性的，雷达反射率因子Z可通过如下表达式确定：
Figure BDA0003046422280000071
其中，Di为降水目标物单位体积中降水粒子的直径。
本实施例的技术方案，将获取到的原始雷达回波图像输入至通过设定训练方法训练得到的多尺度雷达回波预测网络模型中，由于多尺度雷达回波预测网络模型在训练时采用多种不同尺度的图像训练样本训练，故多尺度雷达回波预测网络模型可将输入的原始雷达回波图像提取为不同的分辨率，在多个尺度上进行雷达回波的预测，并根据不同分辨率下预测的生成结果进行融合确定融合雷达回波图，进而根据融合雷达回波图确定出雷达回波的预测结果，因此可在不降低雷达回波图像分辨率的情况下实现对雷达回波的预测，解决了传统雷达回波预测时需降低输入的雷达回波图像分辨率导致预测的雷达回波准确率低的问题，提升了雷达回波预测的准确度，进而提升了通过雷达回波进行降水预测的准确性。
实施例二
图3为本发明实施例二提供的一种多尺度雷达回波预测网络模型训练方法的流程图，本发明实施例的技术方案在上述各可选技术方案的基础上进一步优化，给出了训练多尺度雷达回波预测网络模型的步骤，通过采样为不同尺度的图像训练样本集对多尺度雷达回波预测网络模型中不同尺度的预测子模型进行训练，同时在各子模型的训练过程中根据中间结果位于中间结果集中帧数的不同，为其给定权重不同的损失函数表达式，以确定对应的拟合损失函数，进而根据拟合损失函数对对应的预测子模型进行训练，并最终将各尺度下训练好的预测子模型融合构成多尺度雷达回波预测网络模型，使得训练得到的多尺度雷达回波预测网络模型对输入的待处理图像进行处理时可得到准确度更高的生成结果。
进一步地，多尺度雷达回波预测网络模型中至少包括第一尺度预测子模型和第二尺度预测子模型。上述采用设定训练方法训练多尺度雷达回波预测网络模型具体包括如下步骤：
S201、将图像训练样本集分别采样为第一尺度的第一图像训练样本集和第二尺度的第二图像训练样本集。
其中，图像训练样本集中包括真实图像集以及与真实图像集对应的标定图像集，标定图像集中包括与真实图像集对应的雷达回波预测位置信息。
在本实施例中，图像训练样本集可理解为输入未经训练的多尺度雷达回波预测网络模型中的各子模型，并用以对各子模型进行训练的，根据真实图像确定的训练对象的集合。进一步地，由于本申请中多尺度雷达回波预测网络模型为用以根据输入的图像进行雷达回波预测的网络模型，故此时输入的图像训练样本集中应包括用以进行预测的真实图像集，以及与真实图像集对应的包含预测得到的雷达回波预测位置信息的，对其中预测得到雷达回波进行标定后的标定图像所构成的标定图像集，标定图像集中各图像帧与预测得到的雷达回波预测位置信息存在一一对应关系，用以在各尺度的预测子模型的训练过程中与生成的中间结果进行比对，以生成对应的损失函数。
具体的，由于多尺度雷达回波预测网络模型中至少包括两个尺度不同的预测子模型，故需对图像训练样本集进行采样，将其处理为第一尺度的第一图像训练样本集与第二尺度的第二图像训练样本集，用以分别输入至对应预测子模型中对其进行训练。其中，第一尺度和第二尺度可理解为第一分辨率和第二分辨率，第一尺度小于第二尺度。
在本发明实施例中，通过将采样为不同尺度的图像训练样本集对多尺度雷达回波预测网络模型中对应尺度的预测子模型进行训练，提升了各尺度预测子模型的训练准确性，进而实现了多个不同尺度预测子模型的训练，使得多尺度雷达回波预测网络模型得以被成功训练。
S202、通过第一图像训练样本集对初始第一尺度预测子模型进行训练，确定第一尺度预测子模型，并获得第一尺度预测子模型输出的第一特征图。
具体的，通过将第一图像训练样本集输入至初始第一尺度预测子模型中进行训练，在训练过程中可提取出初始第一尺度预测子模型的多个不同的第一中间结果，进而可根据多个不同第一中间结果以及预设加权规则确定用以对初始第一尺度预测子模型进行训练的损失函数，进而完成对初始第一尺度预测子模型的训练，得到第一尺度预测子模型。进一步地，在将第一图像训练样本集输入至训练好的第一尺度预测子模型后，可得到其输出的第一特征图。
进一步地，图4为本发明实施例二提供的一种通过第一图像训练样本集对初始第一尺度预测子模型进行训练，确定第一尺度预测子模型的流程示意图，具体包括如下步骤：
S2021、将第一图像训练样本集输入至初始第一尺度预测子模型，提取第一中间结果集。
在本实施例中，初始第一尺度预测子模型可理解为未训练时的第一尺度预测子模型，其中的神经网络层组成构架与第一尺度预测子模型中完全一致，均可看作一个编码器与一个对应解码器所构成的神经网络模型，但尚未对其中各神经网络层的权重参数进行调整。
在本实施例中，第一中间结果可理解为未训练完成的初始第一尺度预测子模型根据输入的第一图像训练样本集输出的，对雷达回波的预测结果。
具体的，将第一尺度的第一图像训练样本集输入至初始第一尺度预测子模型中进行训练，在训练过程中可提取出初始第一尺度预测子模型的多个不同的第一中间结果，并将其集合确定为第一中间结果集。
S2022、将第一中间结果集、标定图像集与给定的至少一个损失函数表达式相结合，确定对应的第一损失函数，并通过对各第一损失函数的融合处理形成第一拟合损失函数。
具体的，由于第一中间结果集与标定图像集中所包含的图像帧数相同，且在预测得到的雷达回波图中雷达反射率因子越大，下雨的概率越大，故雷达回波图中强回波的预测准确率比弱回波的预测准确率更重要，且由于本申请所预测的雷达回波图是用以对未来一段时间内的降水情况进行预测的，故预测的帧数距离当前时刻越远，其重要性越高，因此可根据各第一中间结果在第一中间结果集中的帧数位置，为与其对应的给定的至少一个损失函数表达式设定不同的权重，进而确定与该第一中间结果对应的第一损失函数，并将最终确定得到的各第一损失函数进行融合形成第一拟合损失函数。
示例性的，第一拟合损失函数可为基于加权的均方误差损失函数，假设n表示标定图像集与第一中间结果集中的总帧数，则其中第i帧所对应的第一损失函数lossi可表示为：
lossi＝wi*(gti+1)*(gti-predi)2
其中，wi表示第一中间结果集中第i帧的权重，gti表示标定图像集中的第i帧，predi表示第一中间结果集中的第i帧。
进一步地，第i帧的权重可表示为：wi＝0.5+i/n。
进一步地，融合得到的第一拟合损失函数可表示为：
Figure BDA0003046422280000111
S2023、基于第一拟合损失函数对初始第一尺度预测子模型进行训练，直到满足预设收敛条件获得第一尺度预测子模型。
在本实施例中，预设收敛条件可理解为用以判断训练的初始网络模型是否进入收敛状态的条件。可选的，预设收敛条件可包括计算得到的第一差值信息与第二差值信息间的差异小于预设阈值、第三差值信息小于预设尺度值、模型训练两次迭代之间的权重参数变化小于预设参数变化阈值和迭代超过设定的最大迭代次数以及训练样本全部训练完毕等，本发明实施例对此不进行限定。
具体的，利用得到的第一拟合损失函数对初始第一尺度预测子模型进行反向传播，使得用以组成初始第一尺度预测子模型的各神经网络层中的权重参数可根据第一拟合损失函数进行调整，直到满足预设收敛条件时将训练完毕的初始第一尺度预测子模型确定为第一尺度预测子模型。
S203、通过第一特征图与第二图像训练样本集对初始第二尺度预测子模型进行训练，确定第二尺度预测子模型。
具体的，在第一尺度预测子模型训练完毕的情况下，将其中各神经网络层所对应的权重参数冻结，不再进行训练，然后将图像训练样本集中分辨率较低的第一图像训练样本集输入至第一尺度预测子模型中得到第一特征图，并将第一特征图与第二尺度的第二图像训练样本集输入同时输入至初始第二尺度预测子模型中对其进行训练，得到第二尺度预测子模型。
在本发明实施例中，由于第一尺度预测子模型已经训练完毕，仅需对第二尺度预测子模型进行训练，且第一尺度预测子模型与第二尺度预测子模型的训练存在先后顺序，并不是同步训练，使得由第一尺度预测子模型和第二尺度预测子模型所组成的多尺度雷达回波预测网络模型在训练过程中所需显存得以有效减少，提升了训练效率。
进一步地，图5为本发明实施例二提供的一种通过第一特征图与第二图像训练样本集对初始第二尺度预测子模型进行训练，确定第二尺度预测子模型的流程示意图，具体包括如下步骤：
S2031、将第一特征图与第二图像训练样本集输入至初始第二尺度预测子模型，提取第二中间结果集。
具体的，将第一特征图与第二图像训练样本集共同输入至初始第二尺度预测子模型中进行训练，在训练过程中可提取出初始第二尺度预测子模型的多个不同的第二中间结果，并将其集合确定为第二中间结果集。
S2032、将第二中间结果集、标定图像集与给定的至少一个损失函数表达式相结合，确定对应的第二损失函数，并通过对各第二损失函数的融合处理形成第二拟合损失函数。
具体的，第二中间结果集与标定图像集中所包含的图像帧数相同，可根据各第二中间结果在第二中间结果集中的帧数位置，为与其对应的给定的至少一个损失函数表达式设定不同的权重，进而确定与该第二中间结果对应的第二损失函数，并将最终确定得到的各第二损失函数进行融合形成第二拟合损失函数。由于第二尺度预测子模型与第一尺度预测子模型所包括的神经网络层构成相同，其所进行预测的结果类型也相同，故为其中帧数相同的损失函数所设定的权重也是相同的。
示例性的，第二拟合损失函数与第一拟合损失函数类似，均为基于加权的均方误差损失函数，假设n标识标定图像集与第二中间结果集中的总帧数，则其中第j帧所对应的第二损失函数lossj可表示为：
lossj＝wj*(gtj+1)*(gtj-predj)2
其中，wj表示第二中间结果集中第j帧的权重，gtj标定图像集中的第j帧，predj表示第二中间结果集中的第j帧，进一步地，当i＝j时，wi＝wj。
进一步地，第j帧的权重可表示为：wj＝0.5+j/n
进一步地，融合得到的第二拟合损失函数可表示为：
Figure BDA0003046422280000131
S2033、基于第二拟合损失函数对初始第二尺度预测子模型进行训练，直到满足预设收敛条件获得第二尺度预测子模型。
具体的，利用得到的第二拟合损失函数对初始第二尺度预测子模型进行反向传播，使得用以组成初始第二尺度预测子模型的各神经网络层中的权重参数可根据第二拟合损失函数进行调整，直到满足预设收敛条件时将训练完毕的初始第二尺度预测子模型确定为第二尺度预测子模型。
进一步地，多尺度雷达回波预测网络模型中还可包括其他尺度的预测子模型，示例性的，若在第一尺度预测子模型和第二尺度预测子模型外还有第三尺度预测子模型，则可根据第三尺度的第三图像训练样本集与第二尺度预测子模型生成的第二特征图对初始第三尺度预测子模型进行训练，具体包括如下步骤：
A、将第二特征图与第三图像训练样本集输入至初始第三尺度预测子模型，提取第三中间结果集；
B、将第三中间结果集、标定图像集与给定的至少一个损失函数表达式相结合，确定对应的第三损失函数，并通过对各第三损失函数的融合处理形成第三拟合损失函数；
C、基于第三拟合损失函数对初始第三尺度预测子模型进行训练，直到满足预设收敛条件获得第三尺度预测子模型。
需要明确的是，第三尺度预测子模型与第二尺度预测子模型的训练过程基本类似，仅需调整用于进行模型训练输入的特征图及图像训练样本，进一步地，也可通过同样方法训练更多尺度的预测子模型，本申请所构造的多尺度雷达回波预测网络模型中可由多个尺度的预测子模型融合构成，本发明实施例中对预测子模型的个数不进行限制。
S204、融合第一尺度预测子模型与第二尺度预测子模型，构成多尺度雷达回波预测网络模型。
具体的，将第一尺度预测子模型的输出层与全连接层相连接，将第二尺度预测子模型的输出层与同一全连接层相连接，以通过全连接层对第一尺度预测子模型的生成结果和第二尺度预测子模型的生成结果进行融合；同时在第一尺度预测子模型和第二尺度预测子模型前增加采样层，用以对输入的图像进行采样以将其转换为适合尺度的图像分别输入至第一尺度预测子模型和第二尺度预测子模型中进行处理，据此，将采样层、第一尺度预测子模型、第二尺度预测子模型以及全连接层进行融合，构成多尺度雷达回波预测网络模型。
示例性的，图6为本发明实施例二提供的一种第二尺度预测子模型的训练过程示例图，如图6所示，当图像训练样本输入至第二尺度预测子模型未训练的多尺度雷达回波预测网络模型中时，经由采样层对其进行采样，并将采样至第一尺度的第一图像训练样本集输入至训练好的第一尺度预测子模型中，将采样至第二尺度的第二图像训练样本集输入至初始第二尺度预测子模型中，同时将第一尺度预测子模型输出的第一特征图输入至初始第二尺度预测子模型中，以完成对初始第二尺度预测子模型的训练。其中，第一尺度预测子模型和第二尺度预测子模型均可由编码器和解码器构成，例如，第一尺度预测子模型可由编码器1-解码器1构成，第二尺度预测子模型可由编码器2-解码器2构成。进一步地，若需训练其他更高尺度的预测子模型，可在多尺度雷达回波预测网络模型中继续嵌入编解码网络，采用如图6所示的训练过程对新迁入的编解码网络进行训练。
示例性的，图7为本发明实施例二提供的一种多尺度雷达回波预测网络模型的结构示例图。当待处理图像输入至多尺度雷达回波预测网络模型中时，通过采样层对其进行采样，并将采样至对应尺度的待处理图像分别输入至第一尺度预测子模型和第二尺度预测子模型中，在第一尺度预测子模型输出第一生成结果，第二尺度预测子模型输出第二生成结果后，将第一生成结果与第二生成结果输入至全连接层中，并由全连接层输出多尺度雷达回波预测网络模型的最终生成结果。
本实施例的技术方案，通过采样为不同尺度的图像训练样本对多尺度雷达回波预测网络模型中不同尺度的预测子模型进行训练，同时在同一时刻仅对多尺度雷达回波预测网络模型中的一个子模型进行训练，降低了训练所需的显存。在各子模型的训练过程中根据中间结果位于中间结果集中帧数的不同，为其给定权重不同的损失函数表达式，以确定对应的拟合损失函数，根据设置的权重突出训练过程中的预测重点镇，使得根据对应拟合损失函数训练得到的预测子模型所组成的多尺度雷达回波预测网络模型，在对输入的待处理图像进行处理时可得到准确度更高的生成结果，提升了雷达回波预测的准确度。
实施例三
图8为本发明实施例三提供的一种雷达回波预测方法的流程图，本发明实施例的技术方案在上述各可选技术方案的基础上进一步优化，通过将待处理图像分别采样为第一尺度的第一待处理图像和第二尺度的第二待处理图像，并将第一待处理图像和第二待处理图像分别输入对应尺度的预测子模型中，确定出对应的第一生成结果和第二生成结果，将第一生成结果和第二生成结果相融合确定最终多尺度雷达回波预测网络模型输出的融合雷达回波图，使得最终所获得的雷达回波图可融合各尺度下待检测图像的预测结果，提升所获取融合雷达回波图的预测准确度。
如图8所示，本实施例三提供的一种雷达回波预测方法，具体包括如下步骤：
S301、获取原始雷达回波图像，并将原始雷达回波图像作为待处理图像。
S302、将待处理图像分别采样为第一尺度的第一待处理图像和第二尺度的第二待处理图像。
示例性的，若待处理图像分辨率大小为512*512，第一尺度和第二尺度分别为128*128和256*256，则需将待处理图像分别经由多尺度雷达回波预测网络模型中的采样层采样为分辨率128*128的第一待处理图像，和分辨率256*256的第二待处理图像。
S303、将第一待处理图像输入多尺度雷达回波预测网络模型中的第一尺度预测子模型中，确定第一生成结果。
S304、将第二待处理图像输入多尺度雷达回波预测网络模型中的第二尺度预测子模型中，确定第二生成结果。
S305、将第一生成结果与第二生成结果进行融合，并将融合后的生成结果确定为融合雷达回波图。
进一步地，图9为本发明实施例三提供的一种将第一生成结果与第二生成结果进行融合，并将融合后的生成结果确定为融合雷达回波图的流程示意图，具体包括如下步骤：
S3051、将第一生成结果与第二生成结果转换至目标尺寸。
可选的，目标尺寸可为原始雷达回波图像尺寸大小，也可为预先设定的尺寸大小，本发明实施例对此不进行限制。
示例性的，若第一生成结果的分辨率为128*128，第二生成结果的分辨率为256*256，则可通过resize函数将第一生成结果与第二生成结果分别重设至512*512的尺寸大小，进而实现各生成结果向目标尺寸的转换。
S3052、确定转换后的第一生成结果与转换后的第二生成结果中对应位置像素点的像素平均值。
具体的，由于转换后的第一生成结果与第二生成结果的大小完全相同，所包含像素点数也完全相同，则可确定两生成结果中处于同一位置的像素点的像素值，并可将对应位置的两像素点求和取其平均值，进而确定出各像素点的像素平均值。
S3053、根据各像素平均值生成目标尺寸的融合生成结果，并将融合生成结果确定为融合雷达回波图。
进一步地，若多尺度雷达回波预测网络模型中包括三个尺度，则可将待处理图像依次采集为对应尺度的待处理图像，并将其分别输入至多尺度雷达回波预测网络模型中对应尺度的预测子模型中，以得到对应尺度的生成结果，将各尺度的生成结果转换为目标尺寸后，取各生成结果中对应位置像素点的像素平均值，即可得到融合后的生成结果，进而得到所需的融合雷达回波图。
示例性的，图10为本发明实施例三提供的一种根据各像素平均值确定融合雷达回波图的示例图，确定转换为目标尺寸的图像中各像素点的像素平均值，如图10所示，其中a和b可理解为本发明实施例中的第一生成结果和第二生成结果，c和d可理解为转换后的第一生成结果与第二生成结果，e可理解为由像素平均值构成的融合雷达回波图。
S306、根据融合雷达回波图确定雷达回波预测结果。
本实施例的技术方案，通过将待处理图像分别采样为第一尺度的第一待处理图像和第二尺度的第二待处理图像，并将第一待处理图像和第二待处理图像分别输入对应尺度的预测子模型中，确定出对应的第一生成结果和第二生成结果，同时将第一生成结果与第二生成结果转换至目标尺寸大小，并确定其对应像素点的像素平均值，根据像素平均值生成融合雷达回波图，提升了所获取得到的融合雷达回波图的预测准确度，进而提升了根据融合雷达回波图进行雷达回波预测的准确度。
实施例四
图11为本发明实施例四提供的一种雷达回波预测装置的结构示意图，该雷达回波预测装置包括：图像获取模块41，融合回波确定模块42和预测结果确定模块43。
其中，图像获取模块41，用于获取原始雷达回波图像，并将原始雷达回波图像作为待处理图像；融合回波确定模块42，用于将待处理图像输入预设的多尺度雷达回波预测网络模型，根据输出的生成结果确定融合雷达回波图；预测结果确定模块43，用于根据融合雷达回波图确定雷达回波预测结果。
本实施例的技术方案，解决了传统雷达回波预测时需降低输入的雷达回波图像分辨率导致预测的雷达回波准确率低的问题，提升了雷达回波预测的准确度，进而提升了通过雷达回波进行降水预测的准确性。
可选的，雷达回波预测装置，还包括：
模型训练模块，用于采用设定训练方法训练多尺度雷达回波预测网络模型。
进一步地，多尺度雷达回波预测网络模型中至少包括第一尺度预测子模型和第二尺度预测子模型。
可选的，模型训练模块，包括：
样本采样单元，用于将图像训练样本集分别采样为第一尺度的第一图像训练样本集和第二尺度的第二图像训练样本集，其中，图像训练样本集包括真实图像集以及与真实图像集对应的标定图像集，标定图像集中包括与真实图像集对应的雷达回波预测位置信息。
第一模型训练单元，用于通过第一图像训练样本集对初始第一尺度预测子模型进行训练，确定第一尺度预测子模型，并获得第一尺度预测子模型输出的第一特征图。
第二模型训练单元，用于通过第一特征图与第二图像训练样本集对初始第二尺度预测子模型进行训练，确定第二尺度预测子模型。
融合模型单元，用于融合第一尺度预测子模型与第二尺度预测子模型，构成多尺度雷达回波预测网络模型。
可选的，第一模型训练单元，具体用于将第一图像训练样本集输入至初始第一尺度预测子模型，提取第一中间结果集；将第一中间结果集、标定图像集与给定的至少一个损失函数表达式相结合，确定对应的第一损失函数，并通过对各第一损失函数的融合处理形成第一拟合损失函数；基于第一拟合损失函数对初始第一尺度预测子模型进行训练，直到满足预设收敛条件获得第一尺度预测子模型。
可选的，第二模型训练单元，具体用于将第一特征图与第二图像训练样本集输入至初始第二尺度预测子模型，提取第二中间结果集；将第二中间结果集、标定图像集与给定的至少一个损失函数表达式相结合，确定对应的第二损失函数，并通过对各第二损失函数的融合处理形成第二拟合损失函数；基于第二拟合损失函数对初始第二尺度预测子模型进行训练，直到满足预设收敛条件获得第二尺度预测子模型。
进一步地，拟合损失函数的表达式，包括：
Figure BDA0003046422280000211
其中，n表示标定图像集的总帧数，wi表示中间结果集中第i帧的权重且wi＝0.5+i/n，gti表示标定图像集中的第i帧，predi表示中间结果集中的第i帧，中间结果集中至少包括第一中间结果集和/或第二中间结果集。
可选的，融合回波确定模块，包括：
图像采样单元，用于将待处理图像分别采样为第一尺度的第一待处理图像和第二尺度的第二待处理图像。
第一结果确定单元，用于将第一待处理图像输入多尺度雷达回波预测网络模型中的第一尺度预测子模型中，确定第一生成结果。
第二结果确定单元，用于将第二待处理图像输入多尺度雷达回波预测网络模型中的第二尺度预测子模型中，确定第二生成结果。
融合回波确定单元，用于将第一生成结果与第二生成结果进行融合，并将融合后的生成结果确定为融合雷达回波图。
进一步地，融合回波确定单元，具体用于将第一生成结果与第二生成结果转换至目标尺寸；确定转换后的第一生成结果与转换后的第二生成结果中对应位置像素点的像素平均值；根据各像素平均值生成目标尺寸的融合生成结果，并将融合生成结果确定为融合雷达回波图。
本发明实施例提供的雷达回波预测装置可执行本发明任意实施例提供的雷达回波预测方法，具备执行方法相应的功能模块和有益效果。
实施例五
图12为本发明实施例五提供的一种计算机设备的结构示意图，该计算机设备中可集成本发明实施例提供的雷达回波预测装置。如图12所示，计算机设备500包括存储装置501、处理器502及存储在存储装置501上并可在处理器502上运行的计算机程序，所述处理器502执行所述计算机程序时实现本发明实施例提供的雷达回波预测方法。
存储装置501作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的雷达回波预测方法对应的程序指令/模块(例如，图像获取模块41，融合回波确定模块42和预测结果确定模块43)。处理器502通过运行存储在存储装置501中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的雷达回波预测方法。
存储装置501可主要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、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置501可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置501可进一步包括相对于处理器502远程设置的存储器，这些远程存储器可以通过网络连接至识别。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。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种雷达回波预测方法，该方法包括：
获取原始雷达回波图像，并将原始雷达回波图像作为待处理图像；
将待处理图像输入预设的多尺度雷达回波预测网络模型，根据输出的生成结果确定融合雷达回波图；
根据融合雷达回波图确定雷达回波预测结果。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的雷达回波预测方法中的相关操作。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种雷达回波预测方法，其特征在于，包括：
获取原始雷达回波图像，并将所述原始雷达回波图像作为待处理图像；
将所述待处理图像输入预设的多尺度雷达回波预测网络模型，根据输出的生成结果确定融合雷达回波图；
根据所述融合雷达回波图确定雷达回波预测结果。
2.根据权利要求1所述的方法，其特征在于，所述多尺度雷达回波预测网络模型中至少包括第一尺度预测子模型和第二尺度预测子模型，所述多尺度雷达回波预测网络模型的训练步骤包括：
将图像训练样本集分别采样为第一尺度的第一图像训练样本集和第二尺度的第二图像训练样本集，其中，所述图像训练样本集包括真实图像集以及与真实图像集对应的标定图像集，所述标定图像集中包括与所述真实图像集对应的雷达回波预测位置信息；
通过所述第一图像训练样本集对初始第一尺度预测子模型进行训练，确定第一尺度预测子模型，并获得第一尺度预测子模型输出的第一特征图；
通过所述第一特征图与所述第二图像训练样本集对初始第二尺度预测子模型进行训练，确定第二尺度预测子模型；
融合所述第一尺度预测子模型与所述第二尺度预测子模型，构成多尺度雷达回波预测网络模型。
3.根据权利要求2所述的方法，其特征在于，所述通过所述第一图像训练样本集对初始第一尺度预测子模型进行训练，确定第一尺度预测子模型，包括：
将所述第一图像训练样本集输入至初始第一尺度预测子模型，提取第一中间结果集；
将所述第一中间结果集、所述标定图像集与给定的至少一个损失函数表达式相结合，确定对应的第一损失函数，并通过对各所述第一损失函数的融合处理形成第一拟合损失函数；
基于所述第一拟合损失函数对所述初始第一尺度预测子模型进行训练，直到满足预设收敛条件获得第一尺度预测子模型。
4.根据权利要求2所述的方法，其特征在于，所述通过所述第一特征图与所述第二图像训练样本集对初始第二尺度预测子模型进行训练，确定第二尺度预测子模型，包括：
将所述第一特征图与所述第二图像训练样本集输入至初始第二尺度预测子模型，提取第二中间结果集；
将所述第二中间结果集、所述标定图像集与给定的至少一个损失函数表达式相结合，确定对应的第二损失函数，并通过对各所述第二损失函数的融合处理形成第二拟合损失函数；
基于所述第二拟合损失函数对所述初始第二尺度预测子模型进行训练，直到满足预设收敛条件获得第二尺度预测子模型。
5.根据权利要求3或4所述的方法，其特征在于，拟合损失函数的表达式，包括：
Figure FDA0003046422270000021
其中，n表示所述标定图像集的总帧数，wi表示中间结果集中第i帧的权重且wi＝0.5+i/n，gti表示所述标定图像集中的第i帧，predi表示中间结果集中的第i帧，所述中间结果集中至少包括第一中间结果集和/或第二中间结果集。
6.根据权利要求1所述的方法，其特征在于，所述将所述待处理图像输入预设的多尺度雷达回波预测网络模型，根据输出的生成结果确定融合雷达回波图，包括：
将所述待处理图像分别采样为第一尺度的第一待处理图像和第二尺度的第二待处理图像；
将所述第一待处理图像输入所述多尺度雷达回波预测网络模型中的第一尺度预测子模型中，确定第一生成结果；
将所述第二待处理图像输入所述多尺度雷达回波预测网络模型中的第二尺度预测子模型中，确定第二生成结果；
将所述第一生成结果与所述第二生成结果进行融合，并将融合后的生成结果确定为融合雷达回波图。
7.根据权利要求6所述的方法，其特征在于，所述将所述第一生成结果与所述第二生成结果进行融合，并将融合后的生成结果确定为融合雷达回波图，包括：
将所述第一生成结果与所述第二生成结果转换至目标尺寸；
确定转换后的第一生成结果与转换后的第二生成结果中对应位置像素点的像素平均值；
根据各像素平均值生成所述目标尺寸的融合生成结果，并将所述融合生成结果确定为融合雷达回波图。
8.一种雷达回波预测装置，其特征在于，包括：
图像获取模块，用于获取原始雷达回波图像，并将所述原始雷达回波图像作为待处理图像；
融合回波确定模块，用于将所述待处理图像输入预设的多尺度雷达回波预测网络模型，根据输出的生成结果确定融合雷达回波图；
预测结果确定模块，用于根据所述融合雷达回波图确定雷达回波预测结果。
9.一种计算机设备，其特征在于，包括存储装置以及一个或多个处理器；
所述存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的雷达回波预测方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一项所述的雷达回波预测方法。
CN202110473439.6A 2021-04-29 2021-04-29 一种雷达回波预测方法、装置、设备及存储介质 Pending CN113159434A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110473439.6A CN113159434A (zh) 2021-04-29 2021-04-29 一种雷达回波预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110473439.6A CN113159434A (zh) 2021-04-29 2021-04-29 一种雷达回波预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113159434A true CN113159434A (zh) 2021-07-23

Family

ID=76872285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110473439.6A Pending CN113159434A (zh) 2021-04-29 2021-04-29 一种雷达回波预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113159434A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657477A (zh) * 2021-08-10 2021-11-16 南宁五加五科技有限公司 一种短临降水的预报方法、装置及系统
CN113687321A (zh) * 2021-08-30 2021-11-23 中国人民解放军海军航空大学航空作战勤务学院 雷达目标探测距离评估方法和装置
CN114691918A (zh) * 2022-04-01 2022-07-01 北京百度网讯科技有限公司 基于人工智能的雷达图像检索方法、装置以及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111008604A (zh) * 2019-12-09 2020-04-14 上海眼控科技股份有限公司 预测图像获取方法、装置、计算机设备和存储介质
CN111047088A (zh) * 2019-12-09 2020-04-21 上海眼控科技股份有限公司 预测图像获取方法、装置、计算机设备和存储介质
CN111242372A (zh) * 2020-01-10 2020-06-05 上海眼控科技股份有限公司 气象雷达回波图预测方法、装置、计算机设备和存储介质
CN111239739A (zh) * 2020-01-10 2020-06-05 上海眼控科技股份有限公司 气象雷达回波图预测方法、装置、计算机设备和存储介质
CN111929688A (zh) * 2020-09-22 2020-11-13 蔻斯科技(上海)有限公司 一种用于确定雷达回波预测帧序列的方法与设备
CN112418481A (zh) * 2020-10-21 2021-02-26 上海眼控科技股份有限公司 雷达回波图预测方法、装置、计算机设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111008604A (zh) * 2019-12-09 2020-04-14 上海眼控科技股份有限公司 预测图像获取方法、装置、计算机设备和存储介质
CN111047088A (zh) * 2019-12-09 2020-04-21 上海眼控科技股份有限公司 预测图像获取方法、装置、计算机设备和存储介质
CN111242372A (zh) * 2020-01-10 2020-06-05 上海眼控科技股份有限公司 气象雷达回波图预测方法、装置、计算机设备和存储介质
CN111239739A (zh) * 2020-01-10 2020-06-05 上海眼控科技股份有限公司 气象雷达回波图预测方法、装置、计算机设备和存储介质
CN111929688A (zh) * 2020-09-22 2020-11-13 蔻斯科技(上海)有限公司 一种用于确定雷达回波预测帧序列的方法与设备
CN112418481A (zh) * 2020-10-21 2021-02-26 上海眼控科技股份有限公司 雷达回波图预测方法、装置、计算机设备和存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657477A (zh) * 2021-08-10 2021-11-16 南宁五加五科技有限公司 一种短临降水的预报方法、装置及系统
CN113657477B (zh) * 2021-08-10 2022-04-08 南宁五加五科技有限公司 一种短临降水的预报方法、装置及系统
CN113687321A (zh) * 2021-08-30 2021-11-23 中国人民解放军海军航空大学航空作战勤务学院 雷达目标探测距离评估方法和装置
CN113687321B (zh) * 2021-08-30 2024-04-19 中国人民解放军海军航空大学航空作战勤务学院 雷达目标探测距离评估方法和装置
CN114691918A (zh) * 2022-04-01 2022-07-01 北京百度网讯科技有限公司 基于人工智能的雷达图像检索方法、装置以及电子设备

Similar Documents

Publication Publication Date Title
CN107703564B (zh) 一种降雨预测方法、系统及电子设备
CN113159434A (zh) 一种雷达回波预测方法、装置、设备及存储介质
CN113936142A (zh) 一种基于深度学习的降水临近预报方法及装置
KR102319145B1 (ko) 고해상도 해양 데이터를 생성하기 위한 방법 및 이를 이용한 장치
Su et al. A convection nowcasting method based on machine learning
CN115390161B (zh) 基于人工智能的降水预测方法及装置
Xiong et al. Contextual sa-attention convolutional LSTM for precipitation nowcasting: A spatiotemporal sequence forecasting view
Jeon et al. ABCD: Attentive bilateral convolutional network for robust depth completion
Chen et al. Tempee: Temporal-spatial parallel transformer for radar echo extrapolation beyond auto-regression
Wang et al. Customized deep learning for precipitation bias correction and downscaling
CN113569720B (zh) 一种舰船检测方法、系统及装置
CN116760031B (zh) 基于气象数据的高时间分辨率光伏功率预测方法和装置
CN113723607A (zh) 时空数据处理模型的训练方法、装置、设备及存储介质
CN117036457A (zh) 一种屋顶面积的测量方法、装置、设备及存储介质
CN113642741B (zh) 模型、数据生成方法、装置、电子设备及存储介质
CN115909255B (zh) 图像生成、图像分割方法、装置、设备、车载终端及介质
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
CN114926655B (zh) 地理与视觉跨模态预训练模型的训练方法、位置确定方法
CN117272002B (zh) 一种太阳辐射量估计方法、装置、电子设备及存储介质
Chen et al. Solar radiation nowcasting through advanced CNN model integrated with ResNet structure
Santosa et al. Safe distance reminder system on ship against port for the standing process using image processing
Yang et al. An improved deep network with fusion of physical and residual information for radar echo extrapolation
CN117408306A (zh) 基于气象大模型的预报方法、装置、设备以及存储介质
Liu et al. Application of Data-driven Deep Learning Model in Global Precipitation Forecasting
Yang et al. MMBaT: A Multi-task Framework for mmWave-based Human Body Reconstruction and Translation Prediction

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