CN113552656A - 基于室外影像多时空融合的降水强度监测方法及系统 - Google Patents

Abstract

本发明公开了基于室外影像多时空融合的降水强度监测方法及系统，方法包括：S01、通过室外摄像机按照预设时间间隔获取N个不同地点的降雨图片；S02、按预设时间间隔统计各地点在预设时间周期内所拍摄获取的降雨图片数量，对降雨图像进行归纳整理形成降雨图像集，且降雨图像集内关联有与其对应的降水强度信息及降雨量数值信息；S03、将各地点获取所得的降雨图像集进行汇集，建立降水数据库；S04、按照预设条件对降水数据库内的降雨图像数据进行特征挖掘和提取后，将其导入神经网络模型中进行训练，获得降水强度监测模型；S05、调取降水强度监测模型，将需监测区域的降雨图像导入其中，获得降水强度监测数据；本方案实施可靠、监测灵活且参考性佳。

Description

基于室外影像多时空融合的降水强度监测方法及系统

技术领域

本发明涉及气象数据监测领域，尤其涉及基于室外影像多时空融合的降水强度监测方法及系统。

背景技术

降水与人类的衣食住行息息相关，其不仅从外出衣着的选择，到施肥时机的等候起到影响作用，还从塌方滑坡的预防，到出行方式的决定起到影响作用，因此，人类活动的方方面面都需要降水信息的辅助。若是能够精确地监测降水强度，那么将会对人类的生存与发展起到重要的现实意义与作用。

现有的降水强度监测可分为三种：雨量计检测、雷达与云图检测、雨滴检测；而目前并没有相关文献记载有关于利用室外影像监测降水强度的方法，特别是现有的监测应用技术中，没有利用到室外影像降水事件具有地理相关性的特征来辅助降水监测，更没有将降水的地理空间特征与时变特征结合在一起考虑来辅助降水监测，而随着大数据的整合越来越全面，若是能够将降水的地理空间特征与时变特征结合地理相关性的关系进行整合获取其中存在的关联性，将其训练成评估模型对降水进行监测，那么将会具有积极的现实意义。

发明内容

有鉴于此，本发明的目的在于提出一种实施灵活、可靠且数据采集范围广、参考可靠性佳的基于室外影像多时空融合的降水强度监测方法及系统。

为了实现上述的技术目的，本发明所采用的技术方案为：

一种基于室外影像多时空融合的降水强度监测方法，其包括：

S01、通过室外摄像机按照预设时间间隔获取N个不同地点的降雨图片；

S02、按预设时间间隔统计各地点在预设时间周期内所拍摄获取的降雨图片数量，将预设地点在预设时间周期内获得数量大于等于预设值的降雨图像进行归纳整理形成降雨图像集，且降雨图像集内的降雨图片还对应关联有与其对应的降水强度信息及降雨量数值信息；

S03、将各地点获取所得的降雨图像集进行汇集，建立降水数据库；

S04、按照预设条件对降水数据库内的降雨图像数据进行特征挖掘和提取后，将其导入神经网络模型中进行训练，获得降水强度监测模型；

S05、调取降水强度监测模型，将需监测区域的降雨图像导入其中，获得降水强度监测数据。

作为一种可能的实施方式，进一步，步骤S02中，预设时间周期内获得数量小于预设值的降雨图像时，该预设时间周期内的降雨图像被删除。

作为一种较优的选择实施方式，优选的，步骤S02中，降雨强度信息依照国标GB/T28592-2012降水等级标准进行划分为5级降水强度，其分别为：暴雨-Ⅴ、大雨-Ⅳ、中雨-Ⅲ、小雨-Ⅱ和零星小雨-Ⅰ。

作为一种较优的选择实施方式，优选的，步骤S02中，将预设地点在预设时间周期内获得数量大于等于预设值的降雨图像按照拍摄地区、季节、日期、时点中的一项以上参考因素进行归纳整理形成降雨图像集。

作为一种较优的选择实施方式，优选的，步骤S03中，所述降水数据库内的降雨图像均按照预设条件进行命名，其还以地点作为一级指标、时间作为二级指标进行分类，以照片作为记录单位，同时生成照片结构文档，该照片结构文档中所存储的信息包括：拍摄地区、季节、日期、时点、降水强度信息、降雨量数值信息、雨纹信息中的一项以上。

作为一种较优的选择实施方式，优选的，步骤S01中，所述室外摄像机按照5min/次的时间间隔频率获取N个不同地点的降雨图片；

步骤S02中，按1h/次的时间间隔统计各地点在预设时间周期内所拍摄获取的降雨图片数量；且将预设地点在1h周期内累积获得数量为12张的降雨图像进行归纳整理形成降雨图像集；

其中，所述降雨图像的分辨率为1920P×1080P。

作为一种较优的选择实施方式，优选的，步骤S04中，导入神经网络模型中进行训练的降雨图像数据均被处理成T×H×W×P×C的数据结构；

其中，T为Time，即时间；

H为Height，即图像宽度；

W为Width，即图像高度；

P为Place，即地点；

C为Channel，即通道；

另外，降雨图像数据中的降雨图像经缩放被处理成224P×224P规格图像，其还通过标准化处理，使各降雨图像数据中的每张降雨图像均减去其对应地点所在采集周期时域内的12张降雨图像的原始像素参数均值，使各降雨图像在缩放调整像素值后，保留不同降雨图像之间的像素值相对大小关系。

作为一种较优的选择实施方式，优选的，步骤S04中，所述降水强度监测模型包括全局时空模块和局部时空模块；

其中，全局时空模块以降水事件地点-地点相关性作为降雨图像数据的特征，将其导入神经网络模型中进行训练获得；

局部时空模块以雨纹的颜色、纹理、轮廓中的一项以上作为降雨图像数据的特征，将其导入神经网络中进行训练获得。

作为一种较优的选择实施方式，优选的，在全局时空模块中，N个不同地点在降水数据库内对应不同的降雨图像数据，通过对其进行图像序列编制，利用3D LSTM对N个地点对应的降雨图像数据进行提取全局相关信息，其中，在3D LSTM中，每个地点提取到的特征图是由其他所有地点及自身决定；

在局部时控模块中，将全局时控模块利用3D LSTM提取的特征图导入，然后对其进行卷积处理，再利用三个Conv block对卷积处理后的特征图像进行三次后处理，以实现信息精炼；

其中，在Conv block中，其包括依序进行的4D卷积、4D池化、正则化和激活处理，以进一步精细提取不同时间、地点、图像空间中的局部信息；

另外，导入局部时空模块中的特征图为依序经平均池化、全连接及重塑后，获得相应的降水强度数据。

基于上述方法，本发明还提供一种基于室外影像多时空融合的降水强度监测系统，其包括：

多个户外摄像机，布设在不同地点，且用于摄取对应地点的降雨图片；

统计整理模块，用于接收多个户外摄像机摄取的降雨图片，且按预设时间间隔统计各地点在预设时间周期内所拍摄获取的降雨图片数量，将预设地点在预设时间周期内获得数量大于等于预设值的降雨图像进行归纳整理形成降雨图像集，且降雨图像集内的降雨图片还对应关联有与其对应的降水强度信息及降雨量数值信息；

数据汇集单元，用于将各地点获取所得的降雨图像集进行汇集，建立降水数据库；

数据处理单元，用于按照预设条件对降水数据库内的降雨图像数据进行特征挖掘和提取后，将其导入神经网络模型中进行训练，获得降水强度监测模型；

预测单元，用于调取降水强度监测模型，将需监测区域的降雨图像导入其中，获得降水强度监测数据。

采用上述的技术方案，本发明与现有技术相比，其具有的有益效果为：

1、本发明提供的基于室外影像多时空融合的降水强度监测方法及系统，通过全局时空模块，提取地点之间降水事件的相关性；利用局部时空模块提取降水信息，包括不同的降水形态，如圆形水珠状、长线水痕状、点形水珠状。以雨的时变性能为雨的定位提供有利的先验信息，利用降水事件具有地理上的相关性，提高降水强度监测的能力。

2、本发明的方法和系统可以通过充分利用不同地区的摄像头产生的影像数据进行作为数据获取终端，以此来获取不同地区的影像数据，然后经筛选后，将筛选出的样本作为训练素材来充分对监测模块进行训练，从而可以在进一步拓展摄像头的应用上，还进一步提高了监测系统的训练素材来源广度，还提高了监测系统的自我学习能力和模型优化能力。

3、本发明方案的数据采集范围更广，其可以是大街小巷的摄像头，且摄像头可进行24小时不间断的监控，可产生不同时间不同地点的大量室外影像，因此，相较于传统的监测方法，本发明的监测方法具有更高的时空分辨率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。

图1是本发明方案的简要实施流程示意图；

图2是本发明方案中一实施实例的简要流程示意图；

图3是本发明方案中基于室外影像多时空融合的降水强度监测模型的数据传递示流程意图；

图4是本发明方案对应系统的简要连接示意图。

具体实施方式

下面结合附图和实施例，对本发明作进一步的详细描述。特别指出的是，以下实施例仅用于说明本发明，但不对本发明的范围进行限定。同样的，以下实施例仅为本发明的部分实施例而非全部实施例，本领域普通技术人员在没有作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。

如图1所示，本发明一种基于室外影像多时空融合的降水强度监测方法，其包括：

S01、通过室外摄像机按照预设时间间隔获取N个不同地点的降雨图片；

S02、按预设时间间隔统计各地点在预设时间周期内所拍摄获取的降雨图片数量，将预设地点在预设时间周期内获得数量大于等于预设值的降雨图像进行归纳整理形成降雨图像集，且降雨图像集内的降雨图片还对应关联有与其对应的降水强度信息及降雨量数值信息；

S03、将各地点获取所得的降雨图像集进行汇集，建立降水数据库；

S04、按照预设条件对降水数据库内的降雨图像数据进行特征挖掘和提取后，将其导入神经网络模型中进行训练，获得降水强度监测模型；

S05、调取降水强度监测模型，将需监测区域的降雨图像导入其中，获得降水强度监测数据。

作为一种可能的实施方式，进一步，步骤S02中，预设时间周期内获得数量小于预设值的降雨图像时，该预设时间周期内的降雨图像被删除。

作为一种较优的选择实施方式，优选的，步骤S02中，降雨强度信息依照国标GB/T28592-2012降水等级标准进行划分为5级降水强度，其分别为：暴雨-Ⅴ、大雨-Ⅳ、中雨-Ⅲ、小雨-Ⅱ和零星小雨-Ⅰ。

作为一种较优的选择实施方式，优选的，步骤S02中，将预设地点在预设时间周期内获得数量大于等于预设值的降雨图像按照拍摄地区、季节、日期、时点中的一项以上参考因素进行归纳整理形成降雨图像集。

作为一种较优的选择实施方式，优选的，步骤S03中，所述降水数据库内的降雨图像均按照预设条件进行命名，其还以地点作为一级指标、时间作为二级指标进行分类，以照片作为记录单位，同时生成照片结构文档，该照片结构文档中所存储的信息包括：拍摄地区、季节、日期、时点、降水强度信息、降雨量数值信息、雨纹信息中的一项以上。

作为一种较优的选择实施方式，优选的，步骤S01中，所述室外摄像机按照5min/次的时间间隔频率获取N个不同地点的降雨图片；

步骤S02中，按1h/次的时间间隔统计各地点在预设时间周期内所拍摄获取的降雨图片数量；且将预设地点在1h周期内累积获得数量为12张的降雨图像进行归纳整理形成降雨图像集；

其中，所述降雨图像的分辨率为1920P×1080P。

作为一种较优的选择实施方式，优选的，步骤S04中，导入神经网络模型中进行训练的降雨图像数据均被处理成T×H×W×P×C的数据结构；

其中，T为Time，即时间；

H为Height，即图像宽度；

W为Width，即图像高度；

P为Place，即地点；

C为Channel，即通道；

另外，降雨图像数据中的降雨图像经缩放被处理成224P×224P规格图像，其还通过标准化处理，使各降雨图像数据中的每张降雨图像均减去其对应地点所在采集周期时域内的12张降雨图像的原始像素参数均值，使各降雨图像在缩放调整像素值后，保留不同降雨图像之间的像素值相对大小关系。

作为一种较优的选择实施方式，优选的，步骤S04中，所述降水强度监测模型包括全局时空模块和局部时空模块；

其中，全局时空模块以降水事件地点-地点相关性作为降雨图像数据的特征，将其导入神经网络模型中进行训练获得；

局部时空模块以雨纹的颜色、纹理、轮廓中的一项以上作为降雨图像数据的特征，将其导入神经网络中进行训练获得。

作为一种较优的选择实施方式，优选的，在全局时空模块中，N个不同地点在降水数据库内对应不同的降雨图像数据，通过对其进行图像序列编制，利用3D LSTM对N个地点对应的降雨图像数据进行提取全局相关信息，其中，在3D LSTM中，每个地点提取到的特征图是由其他所有地点及自身决定；

在局部时控模块中，将全局时控模块利用3D LSTM提取的特征图导入，然后对其进行卷积处理，再利用三个Conv block对卷积处理后的特征图像进行三次后处理，以实现信息精炼；

其中，在Conv block中，其包括依序进行的4D卷积、4D池化、正则化和激活处理，以进一步精细提取不同时间、地点、图像空间中的局部信息；

另外，导入局部时空模块中的特征图为依序经平均池化、全连接及重塑后，获得相应的降水强度数据。

基于上述方法，本方案还提供如下实施实例进行详述阐述：

如图2所示，本实例一种基于室外影像多时空融合的降水强度监测方法，包括以下步骤：

S1，位于不同地点的室外摄像机收集降雨量图片并传输到电脑后台。该不同地点假设为某市的8个县：地点1-地点8，拍摄间隔为5分钟，故每小时有12张样本，分辨率为1920P×1080P。

S2，清洗与集成数据。电脑后台自动删除一小时内未满12张标准的图像。所得原始数据按照拍摄地区、日期、时点进行归纳整理，基于《降水等级标准-国标GB/T 28592-2012》、降水量等级标准研究文献、福州市气象学专家意见指导，将降水量划分为5级降水强度，分别是暴雨(Ⅴ)、大雨(Ⅳ)、中雨(Ⅲ)、小雨(Ⅱ)、零星小雨(Ⅰ)。

S3，建立降水数据库。数据库中包含不同季节、月份、时点、地点的室外降雨照片及降雨量数值。每张照片按照特定的规则命名，按照以地点为一级指标、时间为二级指标进行照片的分类，以照片为记录单位，自动生成照片结构文档，文档中记录有数据库数据结构的必要说明信息。降水等级包括暴雨(Ⅴ)、大雨(Ⅳ)、中雨(Ⅲ)、小雨(Ⅱ)、零星小雨(Ⅰ)，标签为拍摄时间、拍摄地、降水量，降水等级。

S4，将数据库数据送入电脑后台的降水强度监测模型——基于室外影像多时空融合的降水强度监测模型，如图3所示，该模型由2个模块构成，分别是全局时空模块、局部时空模块，全局时空模块提取8个地点间全局降水强度信息，如地点之间的降水相关关系，局部时空模块提取图片内与图片间的局部降水强度信息，如雨纹。

步骤S4具体包括：

S41，模型的输入为96张彩色图片，形成时间×高度×宽度×地点×通道(Time×Height×Width×Place×Channel，T×H×W×P×C)的数据结构。从气象站获得的图像是1920像素×1080像素(1920P×1080P)的，通过缩放图片，将图片的长与宽缩小至224P，通过标准化处理，每张图片减去其所在时域内12张图像的均值，减小图像的像素值同时保留像素值的相对大小关系，减轻模型处理的难度。

S42，在全局时空模块，8个站点之间的相关关系被提取。不同站点之间的降水是有相关关系的，为了让模型学习到该相关关系，使用地点1-地点8共8个站点的图像序列，利用3D LSTM提取全局相关信息。在3D LSTM中，每个地点提取到的特征图是由其他所有地点及自身决定的，影响能力的大小能通过特征图体现。4D池化被运用以重点关注特征图中的主要信息，并达到减小特征图的效果。

S43，在局部时空模块，使用3个Conv block对上一个模块输出的特征图进行信息精炼。在Conv block中，包含4D卷积、4D池化、正则化、激活，进一步在精细提取不同时间、地点、图像空间中的局部信息，例如，使用3×3×3×3的卷积核或池化核时，是对3个地点、3个时间、3个图片横向像素和3个图片竖向像素的像素值进行计算。在局部时空模块，依次使用16，32，64个卷积核对时空联系模块输出的特征图进行卷积操作，部分池化层的步长为2，特征图的尺寸由56下降至14。

S44，局部时空模块得到的特征图经过平均池化、全连接及重塑，得到最终的降水强度。首先，使用平均池化将局部时空模块得到的特征图缩小，时间、高度、宽度、地点维度均降至1，承接1层的40个神经元的全连接层。最终，将输出重塑为8×5的矩阵，代表8个地点在图片对应时间下的5类降雨强度。

S5，获得降水强度。由基于室外影像多时空融合的降水强度监测模型，获得8个地点在图片对应时间下的5类降雨强度，并由电脑后台输出。

如图4所示，基于上述方法，本发明还提供一种基于室外影像多时空融合的降水强度监测系统，其包括：

多个户外摄像机，布设在不同地点，且用于摄取对应地点的降雨图片；

统计整理模块，用于接收多个户外摄像机摄取的降雨图片，且按预设时间间隔统计各地点在预设时间周期内所拍摄获取的降雨图片数量，将预设地点在预设时间周期内获得数量大于等于预设值的降雨图像进行归纳整理形成降雨图像集，且降雨图像集内的降雨图片还对应关联有与其对应的降水强度信息及降雨量数值信息；

数据汇集单元，用于将各地点获取所得的降雨图像集进行汇集，建立降水数据库；

数据处理单元，用于按照预设条件对降水数据库内的降雨图像数据进行特征挖掘和提取后，将其导入神经网络模型中进行训练，获得降水强度监测模型；

预测单元，用于调取降水强度监测模型，将需监测区域的降雨图像导入其中，获得降水强度监测数据。

另外，在本发明各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的部分实施例，并非因此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于室外影像多时空融合的降水强度监测方法，其特征在于，包括：

S01、通过室外摄像机按照预设时间间隔获取N个不同地点的降雨图片；

S02、按预设时间间隔统计各地点在预设时间周期内所拍摄获取的降雨图片数量，将预设地点在预设时间周期内获得数量大于等于预设值的降雨图像进行归纳整理形成降雨图像集，且降雨图像集内的降雨图片还对应关联有与其对应的降水强度信息及降雨量数值信息；

S03、将各地点获取所得的降雨图像集进行汇集，建立降水数据库；

S04、按照预设条件对降水数据库内的降雨图像数据进行特征挖掘和提取后，将其导入神经网络模型中进行训练，获得降水强度监测模型；

S05、调取降水强度监测模型，将需监测区域的降雨图像导入其中，获得降水强度监测数据。

2.如权利要求1所述的基于室外影像多时空融合的降水强度监测方法，其特征在于，步骤S02中，预设时间周期内获得数量小于预设值的降雨图像时，该预设时间周期内的降雨图像被删除。

3.如权利要求1或2所述的基于室外影像多时空融合的降水强度监测方法，其特征在于，步骤S02中，降雨强度信息依照国标GB/T 28592-2012降水等级标准进行划分为5级降水强度，其分别为：暴雨-Ⅴ、大雨-Ⅳ、中雨-Ⅲ、小雨-Ⅱ和零星小雨-Ⅰ。

4.如权利要求3所述的基于室外影像多时空融合的降水强度监测方法，其特征在于，步骤S02中，将预设地点在预设时间周期内获得数量大于等于预设值的降雨图像按照拍摄地区、季节、日期、时点中的一项以上参考因素进行归纳整理形成降雨图像集。

5.如权利要求4所述的基于室外影像多时空融合的降水强度监测方法，其特征在于，步骤S03中，所述降水数据库内的降雨图像均按照预设条件进行命名，其还以地点作为一级指标、时间作为二级指标进行分类，以照片作为记录单位，同时生成照片结构文档，该照片结构文档中所存储的信息包括：拍摄地区、季节、日期、时点、降水强度信息、降雨量数值信息、雨纹信息中的一项以上。

6.如权利要求5所述的基于室外影像多时空融合的降水强度监测方法，其特征在于：步骤S01中，所述室外摄像机按照5min/次的时间间隔频率获取N个不同地点的降雨图片；

步骤S02中，按1h/次的时间间隔统计各地点在预设时间周期内所拍摄获取的降雨图片数量；且将预设地点在1h周期内累积获得数量为12张的降雨图像进行归纳整理形成降雨图像集；

其中，所述降雨图像的分辨率为1920P×1080P。

7.如权利要求6所述的基于室外影像多时空融合的降水强度监测方法，其特征在于：步骤S04中，导入神经网络模型中进行训练的降雨图像数据均被处理成T×H×W×P×C的数据结构；

其中，T为Time，即时间；

H为Height，即图像宽度；

W为Width，即图像高度；

P为Place，即地点；

C为Channel，即通道；

另外，降雨图像数据中的降雨图像经缩放被处理成224P×224P规格图像，其还通过标准化处理，使各降雨图像数据中的每张降雨图像均减去其对应地点所在采集周期时域内的12张降雨图像的原始像素参数均值，使各降雨图像在缩放调整像素值后，保留不同降雨图像之间的像素值相对大小关系。

8.如权利要求7所述的基于室外影像多时空融合的降水强度监测方法，其特征在于：步骤S04中，所述降水强度监测模型包括全局时空模块和局部时空模块；

其中，全局时空模块以降水事件地点-地点相关性作为降雨图像数据的特征，将其导入神经网络模型中进行训练获得；

局部时空模块以雨纹的颜色、纹理、轮廓中的一项以上作为降雨图像数据的特征，将其导入神经网络中进行训练获得。

9.如权利要求8所述的基于室外影像多时空融合的降水强度监测方法，其特征在于：

在全局时空模块中，N个不同地点在降水数据库内对应不同的降雨图像数据，通过对其进行图像序列编制，利用3D LSTM对N个地点对应的降雨图像数据进行提取全局相关信息，其中，在3D LSTM中，每个地点提取到的特征图是由其他所有地点及自身决定；

在局部时控模块中，将全局时控模块利用3D LSTM提取的特征图导入，然后对其进行卷积处理，再利用三个Conv block对卷积处理后的特征图像进行三次后处理，以实现信息精炼；

其中，在Conv block中，其包括依序进行的4D卷积、4D池化、正则化和激活处理，以进一步精细提取不同时间、地点、图像空间中的局部信息；

另外，导入局部时空模块中的特征图为依序经平均池化、全连接及重塑后，获得相应的降水强度数据。

10.一种基于室外影像多时空融合的降水强度监测系统，其特征在于，其包括：

多个户外摄像机，布设在不同地点，且用于摄取对应地点的降雨图片；

统计整理模块，用于接收多个户外摄像机摄取的降雨图片，且按预设时间间隔统计各地点在预设时间周期内所拍摄获取的降雨图片数量，将预设地点在预设时间周期内获得数量大于等于预设值的降雨图像进行归纳整理形成降雨图像集，且降雨图像集内的降雨图片还对应关联有与其对应的降水强度信息及降雨量数值信息；

数据汇集单元，用于将各地点获取所得的降雨图像集进行汇集，建立降水数据库；

数据处理单元，用于按照预设条件对降水数据库内的降雨图像数据进行特征挖掘和提取后，将其导入神经网络模型中进行训练，获得降水强度监测模型；

预测单元，用于调取降水强度监测模型，将需监测区域的降雨图像导入其中，获得降水强度监测数据。

Images