CN113534296B - 基于神经网络沙尘天气预报强度误差的测算方法及装置 - Google Patents

基于神经网络沙尘天气预报强度误差的测算方法及装置 Download PDF

Info

Publication number
CN113534296B
CN113534296B CN202110793946.8A CN202110793946A CN113534296B CN 113534296 B CN113534296 B CN 113534296B CN 202110793946 A CN202110793946 A CN 202110793946A CN 113534296 B CN113534296 B CN 113534296B
Authority
CN
China
Prior art keywords
data
weather
dust
sand
standard
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
Application number
CN202110793946.8A
Other languages
English (en)
Other versions
CN113534296A (zh
Inventor
潘涛
柏发俊
郑昕
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.)
Xiangji Technology Co ltd
Original Assignee
Xiangji 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 Xiangji Technology Co ltd filed Critical Xiangji Technology Co ltd
Priority to CN202110793946.8A priority Critical patent/CN113534296B/zh
Publication of CN113534296A publication Critical patent/CN113534296A/zh
Application granted granted Critical
Publication of CN113534296B publication Critical patent/CN113534296B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及天气预警技术领域，尤其涉及基于神经网络沙尘天气预报强度误差的测算方法及装置，本发明首先采集沙尘要素数据信息；具体包括的步骤为：获取目标地点的天气数据，获取的数据包括地点、能见度、沙尘天气层级。神经网络模型获取每个待测沙尘的指标，求解每个沙尘指标内的数值平均数和方差；将得出的平均数和方差与标准天气数据进行比较；计算出方差与标准数据的偏移量。取偏移量的与标准天气数据的比值，作为沙尘天气预报的强度误差。本发明通过该技术达到了能够为气象更新提供数据支持，测量出了数据误差，为后期气象更新提供了指引。另一方面，提供了一种测验气象软件准确率的系统，给后续的软件开发提供指导。

Description

基于神经网络沙尘天气预报强度误差的测算方法及装置
技术领域
本发明涉及天气预报技术领域，特别涉及基于神经网络沙尘天气预报强度误差的测算方法及装置。
背景技术
我国北方地区春天干燥，时常遇到沙尘天气。当沙尘天气来临后，天气预报会预报，但是预报有时和实际的会有偏差，后续对沙尘天气状况要进行更新。在更新之前，需要对沙尘天气进行测算，因此一种好的测算方法，测出的数值对引导更新天气状况尤为关键。或者现今沙尘测定软件层出不穷，没有一种针对于该软件的性能测验系统。
发明内容
本发明提出了基于神经网络沙尘天气预报强度误差的测算方法，以解决背景技术中的问题：
进一步,首先采集沙尘要素数据信息；具体包括的步骤为：
获取目标地点的天气数据，获取的数据包括地点、能见度、沙尘天气层级，包括上下层级、水平层级，上下层级为某个高度上沙尘的密度数和沙尘类型以及沙尘飘转类型，水平层级包括水平方向上的颗粒漂浮速度，平行方向上颗粒的浓度，具体为通过卫星获取沙尘天气数据信息，将数据传到地面监测设备，地面监测设备获取天气信息，从服务器里抓取标准天气数据，将获取的目标地点的天气数据和标准天气数据输入到神经网络模型中；
沙尘自下至上在竖直方向上由于风力、重力等因素的影响，在竖直方向上具有不同的浓度，此外在不同的地点水平方向上沙尘的强度也不同。在测量误差时，需要获取水平方向的强度和竖直方向上的强度。
其中，采集数据的方式包括从气象卫星中直接拿取数据或者通过摄像模块对准电视机的屏幕，从电视中抓取数据。通过电视中抓取数据的详细步骤为：
当播音员在播报时，将摄像模块放在离屏幕3到5米处；调节摄像模块的采集旋钮，调节到最佳采集状态；
对屏幕中的气象数据进行抓取，当在抓取的过程中当遇到不是气象的数据时，比如抓取到了是播报员的信息，能够识别出来给略掉。可能摄像模块抓取到的是一部分，但是它能针对抓取到的那一部分有针对性的抓取准确数据，在后续过程中再只分析这一部分的误差。
将要素信息数据(目标地点的天气数据和标准天气数据)输入神经网络模型；其中，要素数据以矩阵的形式输入到神经网络。
神经网络模型对沙尘数据进行切割，分析，计算出沙尘天气强度误差，其中，采用均值神经元和标准方差神经元计算的天气强度误差。
神经网络模型获取每个待测沙尘的指标，求解每个沙尘指标内的数值平均数和方差；神经网络得到输入到它里边的气象要素数据，这些数据包括不同地区的水平方向上的数据、同一个地区竖直方向上的数据信息。比如求解水平方向上的平均值，就是将这个点附近的水平数据求平均值。当求竖直方向上的平均值时，就是将竖直方向上选中的那个点，然后测定求这个点附近周围的数据平均值。
将得出的平均数和方差与标准天气数据进行比较；其中，包括平均数和标准天气数据比较，也包括方差和标准天气数据比较。方差计算公式如式(1)所示：
Figure BDA0003160303640000021
其中，s表示方差，n表示选取选取点的数量，x表示选取点各点数据的平均值，xi表示选取点的数据值。
根据比较偏差，判断当初预报时是否准确，并计算出某一点某一类型的沙尘偏差概率。其中，概率的计算公式如式(2)所示：
Figure BDA0003160303640000022
其中，m1表示概率，l1表示平均值与标准数据的偏移量，t表示标准天气数据。概率的第二种计算公式如式(3)所示：
Figure BDA0003160303640000031
其中，m2表示概率，l2表示方差与标准数据的偏移量，t表示标准天气数据。
例如，选中某一区域，在神经网络模型里输入几个就近水平方向上沙尘的测量指标数据，在神经网络模型中运算分析，生成该地附近的沙尘数据的平均值和方差，将平均值与标准天气数据进行比较，计算出平均值与标准数据的偏移量。该偏移量计算公式如式(4)所示：
l1＝x-t   式(4)
其中，l1表示平均值与标准数据的偏移量，x表示选取点各点数据的平均值,t表示标准天气数据。
将方差和标准天气数据进行比较，计算出方差与标准数据的偏移量。取偏移量的与标准天气数据的比值，作为沙尘天气预报的强度误差。该偏移量计算公式如式(5)所示：
l2＝s-t   式(5)
其中，l2表示平均值与标准数据的偏移量，s表示方差,t表示标准天气数据。
这样通过计算误差，可以找出第一次预报时的偏差，为再次更新天气状况做好了准备。
进一步，在上述的摄像模块进行语音识别具体采取以下步骤进行：
对音频数据特征进行提取，具体将输入音频数据，转化为频谱图数据，然后通过cnn处理图片的能力进行识别；
构造汉明窗；
对数据分帧，然后分帧加窗；
将时域信息转换到频域上，进行傅里叶变换，提取音频文件的时频图；
下载数据，生成音频文件和标签文件列表；
读取音频文件对应的拼音，具体通过建立拼音到id的映射，即词典；
将读取到的拼音标签映射到对应的id即可对输入的语音进行识别；
进一步，对摄像模块进行图像的处理具体包括以下步骤，采用霍夫变换是图像处理中从图像中识别几何形状的基本方法之一，应用很广泛，也有很多改进算法。最基本的霍夫变换是从黑白图像中检测直线(线段)。广义的Hough变换已经不仅仅局限于提取直线，二值任意可以用表达式表达的曲线，比如圆，椭圆，正弦余弦曲线等等。
本方法首先对获取到的图像进行分帧处理，第一步筛选掉相似度超过设定值得图片；
对图片进行二值化，设定一个全局的阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。将大于T的像素群的像素值设定为白色(或者黑色)，小于T的像素群的像素值设定为黑色(或者白色)。例如计算每个像素的(R+G+B)/3，假设>127，则设置该像素为白色，即R＝G＝B＝255；否则设置为黑色，即R＝G＝B＝0。
再初始化一个变换域空间的数组，r方向上的量化数目图像对角线方向像素，O方向上的量化数目为180。按顺序搜索图像的所有黑点。对每一个黑点，在变换域的对应个点加一。求出变换域最大值点并记录。最大值点就是所要获取的图像点。或者hough变换利用图像空间和hough参数空间的点－线对偶性，把图像空间中的检测问题转换到参数空间。
再通过在参数空间里进行简单的累加统计，然后在hough参数空间寻找累加器峰值的方法检测直线和所需像素点。
进一步,基于神经网络沙尘天气预报的强度误差的测算装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述步骤任一项所述方法的步骤。
本发明的优点与积极效果在于：通过获取目标地点的天气数据，获取的数据包括地点、能见度、沙尘天气层级。神经网络模型获取每个待测沙尘的指标，求解每个沙尘指标内的数值平均数和方差；然后将得出的平均数和方差与标准天气数据进行比较；计算出方差与标准数据的偏移量。取偏移量的与标准天气数据的比值，作为沙尘天气预报的强度误差。该技术达到了能够为气象更新提供数据支持，测量出了数据误差，为后期气象更新提供了指引；本发明引入了一种新的计算沙尘天气强度误差的方法。数据的获取操作简单方便，时效性强，并且通过摄像机对天气预报或者其他天气预警节目进行语音和视频图像的天气信息获取，信息可靠，并且本方法结合雷达数据库和个种天气监测点的视频预警进行实时的获取当前的天气情况，比传统的通过气象监测站进行数据获取造成的数据的延时有明显的改善和提高。另一方面，提供了一种测验气象软件准确率的系统，给后续的软件开发提供指导。
附图说明
图1是本发明的方法流程图；
具体实施方式
以下将结合附图和具体实施例对本发明进行详细说明：
如图1所示，本发明的基于神经网络沙尘天气预报强度误差的测算方法,首先采集沙尘要素数据信息；具体包括的步骤为：
S1:获取目标地点的天气数据，获取的数据包括地点、能见度、沙尘天气层级，包括上下层级、水平层级，上下层级为某个高度上沙尘的密度数和沙尘类型以及沙尘飘转类型，水平层级包括水平方向上的颗粒漂浮速度，平行方向上颗粒的浓度，具体为通过卫星获取沙尘天气数据信息，将数据传到地面监测设备，地面监测设备获取天气信息，从服务器里抓取标准天气数据，将获取的目标地点的天气数据和标准天气数据输入到神经网络模型中；
S2：沙尘自下至上在竖直方向上由于风力、重力等因素的影响，在竖直方向上具有不同的浓度，此外在不同的地点水平方向上沙尘的强度也不同。在测量误差时，需要获取水平方向的强度和竖直方向上的强度。
其中，采集数据的方式包括从气象卫星中直接拿取数据或者通过摄像模块对准电视机的屏幕，从电视中抓取数据。通过电视中抓取数据的详细步骤为：
S2。1：当播音员在播报时，将摄像模块放在离屏幕3到5米处；调节摄像模块的采集旋钮，调节到最佳采集状态；
S2。2：然后对屏幕中的气象数据进行抓取，当在抓取的过程中当遇到不是气象的数据时，比如抓取到了是播报员的信息，能够识别出来给略掉。可能摄像模块抓取到的是一部分，但是它能针对抓取到的那一部分有针对性的抓取准确数据，在后续过程中再只分析这一部分的误差。
S2。3：将要素信息数据(目标地点的天气数据和标准天气数据)输入神经网络模型；其中，要素数据以矩阵的形式输入到神经网络。
S2。4：神经网络模型对沙尘数据进行切割，分析，计算出沙尘天气强度误差，其中，采用均值神经元和标准方差神经元计算的天气强度误差。
S3：神经网络模型获取每个待测沙尘的指标，求解每个沙尘指标内的数值平均数和方差；神经网络得到输入到它里边的气象要素数据，这些数据包括不同地区的水平方向上的数据、同一个地区竖直方向上的数据信息。比如求解水平方向上的平均值，就是将这个点附近的水平数据求平均值。当求竖直方向上的平均值时，就是将竖直方向上选中的那个点，然后测定求这个点附近周围的数据平均值。
S3。1：将得出的平均数和方差与标准天气数据进行比较；其中，包括平均数和标准天气数据比较，也包括方差和标准天气数据比较。方差计算公式如式(1)所示：
Figure BDA0003160303640000051
其中，s表示方差，n表示选取选取点的数量，x表示选取点各点数据的平均值，xi表示选取点的数据值。
S3。2：根据比较偏差，判断当初预报时是否准确，并计算出某一点某一类型的沙尘偏差概率。其中，概率的计算公式如式(2)所示：
Figure BDA0003160303640000061
其中，m1表示概率，l1表示平均值与标准数据的偏移量，t表示标准天气数据。概率的第二种计算公式如式(3)所示：
Figure BDA0003160303640000062
其中，m2表示概率，l2表示方差与标准数据的偏移量，t表示标准天气数据。
例如，选中某一区域，在神经网络模型里输入几个就近水平方向上沙尘的测量指标数据，在神经网络模型中运算分析，生成该地附近的沙尘数据的平均值和方差，将平均值与标准天气数据进行比较，计算出平均值与标准数据的偏移量。该偏移量计算公式如式(4)所示：
l1＝x-t   式(4)
其中，l1表示平均值与标准数据的偏移量，x表示选取点各点数据的平均值,t表示标准天气数据。
S3。3：将方差和标准天气数据进行比较，计算出方差与标准数据的偏移量。取偏移量的与标准天气数据的比值，作为沙尘天气预报的强度误差。该偏移量计算公式如式(5)所示：
l2＝s-t   式(5)
其中，l2表示平均值与标准数据的偏移量，s表示方差,t表示标准天气数据。
这样通过计算误差，可以找出第一次预报时的偏差，为再次更新天气状况做好了准备。
本实施例中，在上述的摄像模块进行语音识别具体采取以下步骤进行：
首先对音频数据特征进行提取，具体将输入音频数据，转化为频谱图数据，然后通过cnn 处理图片的能力进行识别；
构造汉明窗；
对数据分帧，然后分帧加窗；
将时域信息转换到频域上，进行傅里叶变换，提取音频文件的时频图；
下载数据，生成音频文件和标签文件列表；
读取音频文件对应的拼音，具体通过建立拼音到id的映射，即词典；
将读取到的拼音标签映射到对应的id即可对输入的语音进行识别。
本实施例中，对摄像模块进行图像的处理具体包括以下步骤，首先对获取到的图像进行分帧处理，第一步筛选掉相似度超过设定值得图片；
然后对图片进行二值化，设定一个全局的阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。将大于T的像素群的像素值设定为白色(或者黑色)，小于 T的像素群的像素值设定为黑色(或者白色)。例如计算每个像素的(R+G+B)/3，假设>127，则设置该像素为白色，即R＝G＝B＝255；否则设置为黑色，即R＝G＝B＝0。
再初始化一个变换域空间的数组，r方向上的量化数目图像对角线方向像素，O方向上的量化数目为180。按顺序搜索图像的所有黑点。对每一个黑点，在变换域的对应个点加一。求出变换域最大值点并记录。最大值点就是所要获取的图像点。或者hough变换利用图像空间和hough参数空间的点－线对偶性，把图像空间中的检测问题转换到参数空间。
再通过在参数空间里进行简单的累加统计，然后在hough参数空间寻找累加器峰值的方法检测直线和所需像素点。
本实施例中，基于神经网络沙尘天气预报的强度误差的测算装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述步骤任一项所述方法的步骤。
以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。本发明未详细描述的技术、形状、构造部分均为公知技术。

Claims (5)

1.基于神经网络沙尘天气预报强度误差的测算方法，其特征在于，具体包括以下步骤：
采集沙尘要素数据信息；所述沙尘要素数据信息为目标地点的天气数据，包括地点、能见度和沙尘天气层级；
将采集到的沙尘要素数据输入到神经网络；
采用神经网络，对沙尘数据进行切割、分析、计算出沙尘天气强度误差；
其中，神经网络模型对沙尘数据进行切割，分析，计算出沙尘天气强度误差，所述沙尘天气层级包括上下层级、水平层级，上下层级为具体高度上沙尘的密度数和沙尘类型以及沙尘飘转类型，水平层级包括水平方向上的颗粒漂浮速度，平行方向上颗粒的浓度，其中，采用均值神经元和标准方差神经元计算的天气强度误差；具体按以下步骤执行：
神经网络模型获取待测沙尘的指标，求解沙尘指标内的数值平均数和方差；方差计算公式如式(1)；将得出的平均数和方差与标准天气数据进行比较；其中，包括平均数和标准天气数据比较，也包括方差和标准天气数据比较，
Figure FDA0004059068220000011
其中：s表示方差，n表示选取点的数量，x表示选取点各点数据的平均值，xi表示选取点的数据值；
根据比较偏差，判断当初预报时是否准确，并计算沙尘偏差概率，其中，沙尘偏差概率的计算公式如式(2)所示：
Figure FDA0004059068220000012
其中，m1表示概率，l1表示平均值与标准数据的偏移量，t表示标准天气数据，沙尘偏差概率的第二种计算公式如式(3)所示：
Figure FDA0004059068220000013
其中，m2表示概率，l2表示方差与标准数据的偏移量，t表示标准天气数据；
选中区域，在神经网络模型里输入若干水平方向上沙尘的测量指标数据，在神经网络模型中运算分析，生成沙尘数据的平均值和方差，将平均值与标准天气数据进行比较，计算出平均值与标准数据的偏移量，平均值与标准数据的偏移量计算公式如式(4)所示：
l1＝x-t式(4)
其中，l1表示平均值与标准数据的偏移量，x表示选取点各点数据的平均值,t表示标准天气数据；
将方差和标准天气数据进行比较，计算出方差与标准数据的偏移量，取偏移量的与标准天气数据的比值，作为沙尘天气预报的强度误差，方差与标准数据的偏移量计算公式如式(5)所示：
l2＝s-t式(5)
其中，l2表示平均值与标准数据的偏移量，s表示方差,t表示标准天气数据。
2.根据权利要求1所述的基于神经网络沙尘天气预报强度误差的测算方法，其特征在于：将要素信息数据包括目标地点的天气数据和标准天气数据输入神经网络模型，其中，要素数据以矩阵的形式输入到神经网络。
3.根据权利要求1所述的基于神经网络沙尘天气预报强度误差的测算方法，其特征在于：获取沙尘要素数据信息的渠道为通过卫星获取沙尘天气数据信息，将数据传到地面监测设备，地面监测设备获取天气信息，从服务器里抓取标准天气数据，或通过从电视屏幕进行天气信息获取。
4.根据权利要求3所述的基于神经网络沙尘天气预报强度误差的测算方法，其特征在于：从电视屏幕进行天气信息获取具体包括以下步骤；
摄像模块对准电视机的屏幕，从电视中抓取数据；
当播音员在播报时，将摄像模块放在离电视屏幕3到5米处，调节摄像模块的采集旋钮，调节采集状态；
摄像模块对屏幕中的气象数据进行抓取，当在抓取的过程中抓取到的不是气象的数据时，通过语音识别系统排除抓取到的与气象无关的数据；
将要素信息数据，具体为目标地点的天气数据和标准天气数据输入神经网络模型。
5.基于神经网络沙尘天气预报强度误差的测算装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。
CN202110793946.8A 2021-07-13 2021-07-13 基于神经网络沙尘天气预报强度误差的测算方法及装置 Active CN113534296B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110793946.8A CN113534296B (zh) 2021-07-13 2021-07-13 基于神经网络沙尘天气预报强度误差的测算方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110793946.8A CN113534296B (zh) 2021-07-13 2021-07-13 基于神经网络沙尘天气预报强度误差的测算方法及装置

Publications (2)

Publication Number Publication Date
CN113534296A CN113534296A (zh) 2021-10-22
CN113534296B true CN113534296B (zh) 2023-04-07

Family

ID=78099022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110793946.8A Active CN113534296B (zh) 2021-07-13 2021-07-13 基于神经网络沙尘天气预报强度误差的测算方法及装置

Country Status (1)

Country Link
CN (1) CN113534296B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114842621A (zh) * 2022-05-31 2022-08-02 北京万云科技开发有限公司 一种沙尘天气预警方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016057152A (ja) * 2014-09-09 2016-04-21 株式会社東芝 気象予測誤差解析装置および気象予測誤差解析方法
CN109543295A (zh) * 2018-11-21 2019-03-29 国网青海省电力公司 数值天气预报的气象要素数据处理方法及装置
CN112418346A (zh) * 2020-12-07 2021-02-26 天津大学 一种数值天气预报总辐射系统误差分类计算方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9470818B2 (en) * 2013-06-03 2016-10-18 King Fahd University Of Petroleum And Minerals Sand and dust storm detection method
CN110019124B (zh) * 2017-11-21 2021-04-06 中国电力科学研究院有限公司 一种集合天气预报修订方法及系统
CN110610190A (zh) * 2019-07-31 2019-12-24 浙江大学 一种针对雨天图片的卷积神经网络降雨强度分类方法
CN110954869B (zh) * 2019-12-20 2021-09-14 北京航天泰坦科技股份有限公司 一种沙尘气象灾害数据的动画显示方法、装置及系统
CN111723929A (zh) * 2020-05-08 2020-09-29 广州华工中云信息技术有限公司 一种基于神经网络的数值预报产品订正方法、装置和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016057152A (ja) * 2014-09-09 2016-04-21 株式会社東芝 気象予測誤差解析装置および気象予測誤差解析方法
CN109543295A (zh) * 2018-11-21 2019-03-29 国网青海省电力公司 数值天气预报的气象要素数据处理方法及装置
CN112418346A (zh) * 2020-12-07 2021-02-26 天津大学 一种数值天气预报总辐射系统误差分类计算方法

Also Published As

Publication number Publication date
CN113534296A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN108037133B (zh) 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统
US11561092B2 (en) Method for measuring antenna downtilt angle based on multi-scale deep semantic segmentation network
Lei et al. New crack detection method for bridge inspection using UAV incorporating image processing
CN105785411B (zh) 一种基于区域划分的异常轨迹检测方法
CN112818988A (zh) 一种指针式仪表自动识别读数方法及系统
CN107833211B (zh) 基于红外图像的零值绝缘子自动检测方法及装置
CN109579774B (zh) 一种基于深度实例分割网络的天线下倾角测量方法
CN113255590A (zh) 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统
CN113534296B (zh) 基于神经网络沙尘天气预报强度误差的测算方法及装置
CN110969610A (zh) 基于深度学习的电力设备红外热图的识别方法及系统
CN113408519B (zh) 一种基于模板旋转匹配的指针仪表读数的方法及系统
JP3701167B2 (ja) 水位計測方法および装置
CN109272484A (zh) 一种基于视频图像的降雨检测方法
CN110765940B (zh) 目标对象统计方法和装置
Anderson-Trocmé et al. Performance evaluation and error segregation of video-collected traffic speed data
CN116310263A (zh) 一种指针式航空地平仪示数自动读取实现方法
CN114283126B (zh) 一种输电线路监控设备偏移检测方法
CN112991425B (zh) 一种水域水位提取方法、系统及存储介质
CN110969875B (zh) 一种用于道路交叉口交通管理的方法及系统
CN109360289B (zh) 融合巡检机器人定位信息的电力表计检测方法
CN107014303B (zh) 一种基于数字图像处理的钢轨蠕变监测方法
CN112966710A (zh) 基于线性判别分析的fy-3d红外高光谱云检测方法
CN111814764A (zh) 一种遗撒物确定系统
CN111611872A (zh) 新型双目视觉车辆检测方法及检测系统
CN110738167A (zh) 一种基于多域空间属性关联分析的行人辨识方法

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
CB02 Change of applicant information

Address after: 1204, science and technology building, Jiaotong University, No.3, Shangyuan village, Haidian District, Beijing

Applicant after: Xiangji Technology Co.,Ltd.

Address before: 1204, science and technology building, Jiaotong University, No.3, Shangyuan village, Haidian District, Beijing

Applicant before: XIANGJI ZHIYUAN (WUHAN) TECHNOLOGY CO.,LTD.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Calculation method and device for intensity error of sand and dust weather forecast based on neural network

Granted publication date: 20230407

Pledgee: Guanggu Branch of Wuhan Rural Commercial Bank Co.,Ltd.

Pledgor: Xiangji Technology Co.,Ltd.

Registration number: Y2024980009731

PE01 Entry into force of the registration of the contract for pledge of patent right