CN113724287B - 一种卫星云图预测方法及系统 - Google Patents

一种卫星云图预测方法及系统 Download PDF

Info

Publication number
CN113724287B
CN113724287B CN202111025048.4A CN202111025048A CN113724287B CN 113724287 B CN113724287 B CN 113724287B CN 202111025048 A CN202111025048 A CN 202111025048A CN 113724287 B CN113724287 B CN 113724287B
Authority
CN
China
Prior art keywords
optical flow
gray
predicted
flow vector
scale
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
CN202111025048.4A
Other languages
English (en)
Other versions
CN113724287A (zh
Inventor
鄢俊洁
郭雪星
冉茂农
韩旻
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.)
Beijing Huayun Xingditong Technology Co ltd
Original Assignee
Beijing Huayun Xingditong 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 Beijing Huayun Xingditong Technology Co ltd filed Critical Beijing Huayun Xingditong Technology Co ltd
Priority to CN202111025048.4A priority Critical patent/CN113724287B/zh
Publication of CN113724287A publication Critical patent/CN113724287A/zh
Application granted granted Critical
Publication of CN113724287B publication Critical patent/CN113724287B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Abstract

本发明涉及一种卫星云图预测方法及系统。所述方法包括：获取灰阶图集合，计算所述灰阶图集合内两个相邻时刻的灰阶图之间的光流矢量构成第一光流矢量集合，将所述第一光流矢量集合输入U型卷积神经网络模型得到待预测时间段内多个待预测时刻的光流矢量构成第二光流矢量集合，根据所述第二光流矢量集合按照递归最近邻原则对所述当前时刻的灰阶图处理得到多个所述待预测时刻的灰阶图。本发明能够克服现有预报技术时间短、预报结果不直观等缺陷。

Description

一种卫星云图预测方法及系统
技术领域
本发明涉及云图预报领域，特别是涉及一种卫星云图预测方法及系统。
背景技术
云图预报在辅助天气预报、灾害预警和研究天气变化要素等方面具有重要作用，现有的临近预报研究主要集中于雷达外推和对流外推，而很少直接针对灰阶图像进行外推，存在预报信息不完整、短临预报时效性低等问题。
发明内容
本发明的目的是提供一种卫星云图预测方法及系统，能够克服现有预报技术时间短、预报结果不直观等缺陷。
为实现上述目的，本发明提供了如下方案：
一种卫星云图预测方法，包括：
获取灰阶图集合；所述灰阶图集合包括历史设定时间段内多个时刻以及当前时刻的灰阶图；
计算所述灰阶图集合内两个相邻时刻的灰阶图之间的光流矢量构成第一光流矢量集合；
将所述第一光流矢量集合输入U型卷积神经网络模型得到待预测时间段内多个待预测时刻的光流矢量构成第二光流矢量集合；
根据所述第二光流矢量集合按照递归最近邻原则对所述当前时刻的灰阶图处理得到多个所述待预测时刻的灰阶图。
可选的，所述计算所述灰阶图集合内两个相邻时刻的灰阶图之间的光流矢量构成第一光流矢量集合，具体包括：
按照光流计算区域对所述灰阶图集合中的每张灰阶图进行裁剪得到裁剪后的灰阶图集合；
计算裁剪后的灰阶图集合内两个相邻时刻的灰阶图之间的光流矢量构成光流矢量组；
按照光流保存区域对所述光流矢量组中的所有光流矢量裁剪得到第一光流矢量集合。
可选的，所述按照光流保存区域对所述光流矢量组中的所有光流矢量裁剪得到第一光流矢量集合，具体包括：
按照光流保存区域对所述光流矢量组中的所有光流矢量裁剪得到裁剪后的光流矢量；
将所有裁剪后的光流矢量分别保存成HDF文件构成第一光流矢量集合，一个裁剪后的光流矢量对应一个HDF文件。
可选的，所述将所述第一光流矢量集合输入U型卷积神经网络模型得到待预测时间段内多个待预测时刻的光流矢量构成第二光流矢量集合，具体包括：
按照临近预报区域对所述第一光流矢量集合中的各光流矢量分别进行裁剪得到多个裁剪后的第一集合光流矢量；
将所述裁剪后的第一集合光流矢量输入U型卷积神经网络模型得到第二光流矢量集合。
可选的，所述将所述裁剪后的第一集合光流矢量输入U型卷积神经网络模型得到第二光流矢量集合，具体包括：
将所述裁剪后的第一集合光流矢量输入U型卷积神经网络模型得到临近预报区多个待预测时刻的光流矢量；
将所有待预测时刻的光流矢量分别保存成HDF文件得到第二光流矢量集合。
可选的，所述根据所述第二光流矢量集合按照递归最近邻原则对所述当前时刻的灰阶图处理得到多个所述待预测时刻的灰阶图，具体包括：
按照临近预报区域对所述当前时刻的灰阶图进行裁剪得到裁剪后的基准灰阶图；
根据所述第二光流矢量集合从所述裁剪后的基准灰阶图上进行递归重建得到多个所述待预测时刻的图像；
按照最近邻原则对多个所述待预测时刻的图像分别进行采样得到多个所述待预测时刻的重建图像灰阶图；
按照预报展示区域对所有所述待预测时刻的重建图像灰阶图分别进行裁剪得到多个所述待预测时刻的灰阶图。
一种卫星云图预测系统，包括：
获取模块，用于获取灰阶图集合；所述灰阶图集合包括历史设定时间段内多个时刻以及当前时刻的灰阶图；
第一光流矢量集合确定模块，用于计算所述灰阶图集合内两个相邻时刻的灰阶图之间的光流矢量构成第一光流矢量集合；
第二光流矢量集合确定模块，用于将所述第一光流矢量集合输入U型卷积神经网络模型得到待预测时间段内多个待预测时刻的光流矢量构成第二光流矢量集合；
云图预测模块，用于根据所述第二光流矢量集合按照递归最近邻原则对所述当前时刻的灰阶图处理得到多个所述待预测时刻的灰阶图。
可选的，所述第一光流矢量集合确定模块，具体包括：
计算裁剪单元，用于按照光流计算区域对所述灰阶图集合中的每张灰阶图进行裁剪得到裁剪后的灰阶图集合；
光流矢量组确定单元，用于计算裁剪后的灰阶图集合内两个相邻时刻的灰阶图之间的光流矢量构成光流矢量组；
第一光流矢量集合确定单元，用于按照光流保存区域对所述光流矢量组中的所有光流矢量裁剪得到第一光流矢量集合。
可选的，所述第二光流矢量集合确定模块，具体包括：
预报裁剪单元，用于按照临近预报区域对所述第一光流矢量集合中的各光流矢量分别进行裁剪得到多个裁剪后的第一集合光流矢量；
第二光流矢量集合确定单元，用于将所述裁剪后的第一集合光流矢量输入U型卷积神经网络模型得到第二光流矢量集合。
可选的，所述云图预测模块，具体包括：
临近裁剪单元，用于按照临近预报区域对所述当前时刻的灰阶图进行裁剪得到裁剪后的基准灰阶图；
重建单元，用于根据所述第二光流矢量集合从所述裁剪后的基准灰阶图上进行递归重建得到多个所述待预测时刻的图像；
采样单元，用于按照最近邻原则对多个所述待预测时刻的图像分别进行采样得到多个所述待预测时刻的重建图像灰阶图；
展示裁剪单元，用于按照预报展示区域对所有所述待预测时刻的重建图像灰阶图分别进行裁剪得到多个所述待预测时刻的灰阶图。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明获取灰阶图集合；计算灰阶图集合内两个相邻时刻的灰阶图之间的光流矢量构成第一光流矢量集合；将第一光流矢量集合输入U型卷积神经网络模型得到待预测时间段内多个待预测时刻的光流矢量构成第二光流矢量集合；根据第二光流矢量集合按照递归最近邻原则对当前时刻的灰阶图处理得到多个待预测时刻的灰阶图，直接对灰阶图像进行递归重建，克服了现有预报技术时间短、预报结果不直观等缺陷。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种卫星云图预测方法的流程图；
图2为本发明实施例提供的光流计算区域、光流保存区域、临近预报区域和预报展示区域具体区域的示意图；
图3为本发明实施例提供的光流计算步骤的流程示意图；
图4为本发明实施例提供的光流外推步骤的流程示意图；
图5为本发明实施例提供的图像重建步骤的流程示意图；
图6为本发明实施例提供的卫星云图预测系统的结果框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本实施例提供了一种卫星云图预测方法，如图1所示，所述方法包括：
步骤101：获取灰阶图集合。所述灰阶图集合包括历史设定时间段内多个时刻以及当前时刻的灰阶图。
步骤102：计算所述灰阶图集合内两个相邻时刻的灰阶图之间的光流矢量构成第一光流矢量集合。一个所述光流矢量包括横向光流矩阵和纵向光流矩阵。
步骤103：将所述第一光流矢量集合输入U型卷积神经网络模型得到待预测时间段内多个待预测时刻的光流矢量构成第二光流矢量集合。
步骤104：根据所述第二光流矢量集合按照递归最近邻原则对所述当前时刻的灰阶图处理得到多个所述待预测时刻的灰阶图。
在实际应用中，步骤102具体包括：
按照光流计算区域对所述灰阶图集合中的每张灰阶图进行裁剪得到裁剪后的灰阶图集合。
计算裁剪后的灰阶图集合内两个相邻时刻的灰阶图之间的光流矢量构成光流矢量组。
按照光流保存区域对所述光流矢量组中的所有光流矢量裁剪得到第一光流矢量集合。
在实际应用中，所述按照光流保存区域对所述光流矢量组中的所有光流矢量裁剪得到第一光流矢量集合，具体包括：
按照光流保存区域对所述光流矢量组中的所有光流矢量裁剪得到裁剪后的光流矢量。
将所有裁剪后的光流矢量分别保存成HDF文件构成第一光流矢量集合，一个裁剪后的光流矢量对应一个HDF文件。
在实际应用中，步骤103具体包括：
按照临近预报区域对所述第一光流矢量集合中的各光流矢量分别进行裁剪得到多个裁剪后的第一集合光流矢量。
将所述裁剪后的第一集合光流矢量输入U型卷积神经网络模型得到第二光流矢量集合。
在实际应用中，所述将所述裁剪后的第一集合光流矢量输入U型卷积神经网络模型得到第二光流矢量集合，具体包括：
将所述裁剪后的第一集合光流矢量输入U型卷积神经网络模型得到临近预报区多个待预测时刻的光流矢量。
将所有待预测时刻的光流矢量分别保存成HDF文件得到第二光流矢量集合。
在实际应用中，步骤104具体包括：
按照临近预报区域对所述当前时刻的灰阶图进行裁剪得到裁剪后的基准灰阶图。
根据所述第二光流矢量集合从所述裁剪后的基准灰阶图上进行递归重建得到多个所述待预测时刻的图像。
按照最近邻原则对多个所述待预测时刻的图像分别进行采样得到多个所述待预测时刻的重建图像灰阶图。
按照预报展示区域对所有所述待预测时刻的重建图像灰阶图分别进行裁剪得到多个所述待预测时刻的灰阶图。
在实际应用中，所述历史设定时间段为所述当前时刻之前一小时；所述待预测时间段为所述当前时刻之后2小时。
在实际应用中，所述按照临近预报区域对所述第一光流矢量集合中的各光流矢量分别进行裁剪得到多个裁剪后的第一集合光流矢量，具体包括：
按照临近预报区域对第一光流矢量集合中的每个HDF文件进行裁剪得到多个裁剪后的第一集合光流矢量。
本实施例还提供了上述方法在实际中的应用：
输入包括：
1、基准时刻(当前时刻)及前1小时的葵花8号卫星AHI载荷10.4μm谱段2km分辨率中国区等经纬投影灰阶图(观测间隔是10分钟，共7张)。
2、光流计算区域、光流保存区域、临近预报区域和预报展示区域，这四个区域均是通过设置每个区域的左上右下像元位置坐标或者左上像元位置及区域宽度和高度来确定每个区域的具体位置，如图2所示。
输出：基准时刻随后2小时的葵花8号卫星AHI载荷10.4μm谱段2km分辨率中国区等经纬投影灰阶图，仅预报展示区域(观测间隔是10分钟，共12张)。
描述：本方法具体包含光流计算、光流外推和图像重建三个步骤，三个步骤顺序串联，具体描述如下
步骤1：光流计算：
输入：
1、基准时刻及前1小时的葵花8号卫星AHI载荷10.4μm谱段2km分辨率中国区等经纬投影灰阶图(观测间隔是10分钟，共7张)。
2、光流计算区域。
3、光流保存区域。
输出：基准时刻及前1小时的葵花8号卫星AHI载荷10.4μm谱段2km分辨率中国区光流计算区域等经纬投影灰阶图间光流文件(观测间隔是10分钟，共6个HDF)。
步骤描述如图3所示：
按照光流计算区域裁切每张灰阶图It-jΔt，得到裁剪后的灰阶图(仅保留光流计算区域的灰阶图)。
计算每两张裁剪后的灰阶图之间的光流矢量，(一共7张裁剪后的灰阶图，按时间顺序，相邻时刻之间两两计算，得到6组光流矢量)，算法采用现有的由粗到细的光流估计算法。
按照光流保存区域对光流矢量进行裁切得到6个裁剪后的光流矢量(光流矩阵ut-jΔt、vt-jΔt，每组光流矢量分有横向ut-jΔt和纵向vt-jΔt的2个分量，因此是6x2＝12个矩阵)。
将6个裁剪后的光流矢量保存成HDF文件(光流保存区文件)(HDF是一种跨平台的数据格式文件，在本实施例中，文件内部存储了2个变量ut-jΔt、vt-jΔt，每个变量都是一个跟光流计算区域同样尺寸的二维矩阵，每组光流矢量存成1个HDF)。
步骤2：光流外推：
输入：
1、基准时刻及前1小时的葵花8号卫星AHI载荷10.4μm谱段2km分辨率中国区光流计算区域等经纬投影灰阶图间光流文件即步骤1得到的HDF文件(观测间隔是10分钟，共6个HDF)。
2、临近预报区域。
3、光流外推深度模型文件即云估计U型卷积神经网络模型(Cloud MotionEstimate U-Net模型)。
输出：基准时刻随后2小时的葵花8号卫星AHI载荷10.4μm谱段2km分辨率中国区光流计算区域等经纬投影灰阶图间拟合光流文件，仅临近预报区域有效(观测间隔是10分钟，共12个HDF)。
步骤描述，如图4所示：
按照时间序列对光流保存区域文件(步骤1得到的6个HDF)进行排序，随后裁切保留临近预报区域，得到裁剪后的第一集合光流矢量。
将基准时刻及前1小时临近预报区域的光流矩阵(裁剪后的第一集合光流矢量)输入Cloud Motion Estimate U-Net模型中，得到基准时刻随后2小时的临近预报区域拟合光流矩阵
Figure BDA0003243011860000081
(多个待预测时刻的光流矢量)。
将基准时刻随后2小时的临近预报区域拟合光流矩阵(多个待预测时刻的光流矢量)保存成HDF文件(临近预报区域拟合光流文件)。
Cloud Motion Estimate U-Net模型包括：依次连接的编码单元、多个最大池化和编码单元、多个上采样和解码单元、解码单元和单层卷积。
步骤3：图像重建：
输入：
1、基准时刻葵花8号卫星AHI载荷10.4μm谱段2km分辨率中国区等经纬投影灰阶图(1张)。
2、基准时刻随后2小时的葵花8号卫星AHI载荷10.4μm谱段2km分辨率中国区等经纬投影灰阶图间拟合光流文件，仅临近预报区域有效即步骤2得到的HDF文件(观测间隔是10分钟，共12个HDF)。
3、临近预报区域。
4、预报展示区域。
输出：
1、基准时刻随后2小时的葵花8号卫星AHI载荷10.4μm谱段2km分辨率中国区临近预报区域等经纬投影灰阶图，仅预报展示区域有效(观测间隔是10分钟，共12张)
步骤描述如图5所示：
按临近预报区域裁切基准时刻灰阶图即基准时刻葵花8号卫星AHI载荷10.4μm谱段2km分辨率中国区等经纬投影灰阶图。
根据步骤2得到的HDF文件(临近预报区域拟合光流文件)从基准时刻灰阶图上按照递归最近邻原则采样重建基准时刻随后2小时的灰阶图(待预测时刻的重建图像灰阶图)。
按预报展示区域裁切待预测时刻的重建图像灰阶图得到待预测时刻的灰阶图。
本实施例还提供了一种与上述方法对应的卫星云图预测系统，如图6所示，所述系统包括：
获取模块A1，用于获取灰阶图集合；所述灰阶图集合包括历史设定时间段内多个时刻以及当前时刻的灰阶图。
第一光流矢量集合确定模块A2，用于计算所述灰阶图集合内两个相邻时刻的灰阶图之间的光流矢量构成第一光流矢量集合。
第二光流矢量集合确定模块A3，用于将所述第一光流矢量集合输入U型卷积神经网络模型得到待预测时间段内多个待预测时刻的光流矢量构成第二光流矢量集合。
云图预测模块A4，用于根据所述第二光流矢量集合按照递归最近邻原则对所述当前时刻的灰阶图处理得到多个所述待预测时刻的灰阶图。
作为一种可选的实施方式，所述第一光流矢量集合确定模块，具体包括：
计算裁剪单元，用于按照光流计算区域对所述灰阶图集合中的每张灰阶图进行裁剪得到裁剪后的灰阶图集合。
光流矢量组确定单元，用于计算裁剪后的灰阶图集合内两个相邻时刻的灰阶图之间的光流矢量构成光流矢量组。
第一光流矢量集合确定单元，用于按照光流保存区域对所述光流矢量组中的所有光流矢量裁剪得到第一光流矢量集合。
作为一种可选的实施方式，所述第二光流矢量集合确定模块，具体包括：
预报裁剪单元，用于按照临近预报区域对所述第一光流矢量集合中的各光流矢量分别进行裁剪得到多个裁剪后的第一集合光流矢量。
第二光流矢量集合确定单元，用于将所述裁剪后的第一集合光流矢量输入U型卷积神经网络模型得到第二光流矢量集合。
作为一种可选的实施方式，所述云图预测模块，具体包括：
临近裁剪单元，用于按照临近预报区域对所述当前时刻的灰阶图进行裁剪得到裁剪后的基准灰阶图。
重建单元，用于根据所述第二光流矢量集合从所述裁剪后的基准灰阶图上进行递归重建得到多个所述待预测时刻的图像。
采样单元，用于按照最近邻原则对多个所述待预测时刻的图像分别进行采样得到多个所述待预测时刻的重建图像灰阶图。
展示裁剪单元，用于按照预报展示区域对所有所述待预测时刻的重建图像灰阶图分别进行裁剪得到多个所述待预测时刻的灰阶图。
本发明的技术效果：
本发明基于全局-局部结合的光流法分析历史云图，较好地实现了对卫星云图中目标形态随时间变化的各类云系的追踪；随后利用深度学习模型对云系随时间的运动变化信息建模，拟合复杂天气条件下云系形状、位置的非线性变化，能够广泛应用于多类卫星云图的短临预报场景。
相较于现有采用光流法的临近预报技术，本发明通过采用人工智能模型推演预报时次像素级的大气运动趋势，且直接对灰阶图像进行递归重建，能够克服现有预报技术时间短、预报结果不直观等缺陷，另外本方法具有良好的普适性，能够广泛应用于多类卫星云图的短临预报业务。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种卫星云图预测方法，其特征在于，包括：
获取灰阶图集合；所述灰阶图集合包括历史设定时间段内多个时刻以及当前时刻的灰阶图；
计算所述灰阶图集合内两个相邻时刻的灰阶图之间的光流矢量构成第一光流矢量集合；一个所述光流矢量包括横向光流矩阵和纵向光流矩阵；
将所述第一光流矢量集合输入U型卷积神经网络模型得到待预测时间段内多个待预测时刻的光流矢量构成第二光流矢量集合；
根据所述第二光流矢量集合按照递归最近邻原则对所述当前时刻的灰阶图处理得到多个所述待预测时刻的灰阶图；
所述根据所述第二光流矢量集合按照递归最近邻原则对所述当前时刻的灰阶图处理得到多个所述待预测时刻的灰阶图，具体包括：
按照临近预报区域对所述当前时刻的灰阶图进行裁剪得到裁剪后的基准灰阶图；
根据所述第二光流矢量集合从所述裁剪后的基准灰阶图上进行递归重建得到多个所述待预测时刻的图像；
按照最近邻原则对多个所述待预测时刻的图像分别进行采样得到多个所述待预测时刻的重建图像灰阶图；
按照预报展示区域对所有所述待预测时刻的重建图像灰阶图分别进行裁剪得到多个所述待预测时刻的灰阶图；
所述计算所述灰阶图集合内两个相邻时刻的灰阶图之间的光流矢量构成第一光流矢量集合，具体包括：
按照光流计算区域对所述灰阶图集合中的每张灰阶图进行裁剪得到裁剪后的灰阶图集合；
计算裁剪后的灰阶图集合内两个相邻时刻的灰阶图之间的光流矢量构成光流矢量组；
按照光流保存区域对所述光流矢量组中的所有光流矢量裁剪得到第一光流矢量集合。
2.根据权利要求1所述的一种卫星云图预测方法，其特征在于，所述按照光流保存区域对所述光流矢量组中的所有光流矢量裁剪得到第一光流矢量集合，具体包括：
按照光流保存区域对所述光流矢量组中的所有光流矢量裁剪得到裁剪后的光流矢量；
将所有裁剪后的光流矢量分别保存成HDF文件构成第一光流矢量集合，一个裁剪后的光流矢量对应一个HDF文件。
3.根据权利要求1所述的一种卫星云图预测方法，其特征在于，所述将所述第一光流矢量集合输入U型卷积神经网络模型得到待预测时间段内多个待预测时刻的光流矢量构成第二光流矢量集合，具体包括：
按照临近预报区域对所述第一光流矢量集合中的各光流矢量分别进行裁剪得到多个裁剪后的第一集合光流矢量；
将所述裁剪后的第一集合光流矢量输入U型卷积神经网络模型得到第二光流矢量集合。
4.根据权利要求3所述的一种卫星云图预测方法，其特征在于，所述将所述裁剪后的第一集合光流矢量输入U型卷积神经网络模型得到第二光流矢量集合，具体包括：
将所述裁剪后的第一集合光流矢量输入U型卷积神经网络模型得到临近预报区域多个待预测时刻的光流矢量；
将所有待预测时刻的光流矢量分别保存成HDF文件得到第二光流矢量集合。
5.一种卫星云图预测系统，其特征在于，包括：
获取模块，用于获取灰阶图集合；所述灰阶图集合包括历史设定时间段内多个时刻以及当前时刻的灰阶图；
第一光流矢量集合确定模块，用于计算所述灰阶图集合内两个相邻时刻的灰阶图之间的光流矢量构成第一光流矢量集合；一个所述光流矢量包括横向光流矩阵和纵向光流矩阵；
第二光流矢量集合确定模块，用于将所述第一光流矢量集合输入U型卷积神经网络模型得到待预测时间段内多个待预测时刻的光流矢量构成第二光流矢量集合；
云图预测模块，用于根据所述第二光流矢量集合按照递归最近邻原则对所述当前时刻的灰阶图处理得到多个所述待预测时刻的灰阶图；
所述云图预测模块，具体包括：
临近裁剪单元，用于按照临近预报区域对所述当前时刻的灰阶图进行裁剪得到裁剪后的基准灰阶图；
重建单元，用于根据所述第二光流矢量集合从所述裁剪后的基准灰阶图上进行递归重建得到多个所述待预测时刻的图像；
采样单元，用于按照最近邻原则对多个所述待预测时刻的图像分别进行采样得到多个所述待预测时刻的重建图像灰阶图；
展示裁剪单元，用于按照预报展示区域对所有所述待预测时刻的重建图像灰阶图分别进行裁剪得到多个所述待预测时刻的灰阶图；
所述第一光流矢量集合确定模块，具体包括：
计算裁剪单元，用于按照光流计算区域对所述灰阶图集合中的每张灰阶图进行裁剪得到裁剪后的灰阶图集合；
光流矢量组确定单元，用于计算裁剪后的灰阶图集合内两个相邻时刻的灰阶图之间的光流矢量构成光流矢量组；
第一光流矢量集合确定单元，用于按照光流保存区域对所述光流矢量组中的所有光流矢量裁剪得到第一光流矢量集合。
6.根据权利要求5所述的一种卫星云图预测系统，其特征在于，所述第二光流矢量集合确定模块，具体包括：
预报裁剪单元，用于按照临近预报区域对所述第一光流矢量集合中的各光流矢量分别进行裁剪得到多个裁剪后的第一集合光流矢量；
第二光流矢量集合确定单元，用于将所述裁剪后的第一集合光流矢量输入U型卷积神经网络模型得到第二光流矢量集合。
CN202111025048.4A 2021-09-02 2021-09-02 一种卫星云图预测方法及系统 Active CN113724287B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111025048.4A CN113724287B (zh) 2021-09-02 2021-09-02 一种卫星云图预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111025048.4A CN113724287B (zh) 2021-09-02 2021-09-02 一种卫星云图预测方法及系统

Publications (2)

Publication Number Publication Date
CN113724287A CN113724287A (zh) 2021-11-30
CN113724287B true CN113724287B (zh) 2022-07-01

Family

ID=78680825

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111025048.4A Active CN113724287B (zh) 2021-09-02 2021-09-02 一种卫星云图预测方法及系统

Country Status (1)

Country Link
CN (1) CN113724287B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930511A (zh) * 2012-09-25 2013-02-13 四川省医学科学院（四川省人民医院） 一种基于灰阶超声图像的心脏流场速度矢量分析方法
CN109314753A (zh) * 2016-04-06 2019-02-05 脸谱公司 使用光流生成中间视图

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111898573A (zh) * 2020-08-05 2020-11-06 上海眼控科技股份有限公司 图像预测方法、计算机设备和存储介质
CN112180375B (zh) * 2020-09-14 2022-12-20 成都信息工程大学 一种基于改进的TrajGRU网络的气象雷达回波外推方法
CN112802063A (zh) * 2021-02-03 2021-05-14 阳光电源股份有限公司 卫星云图的预测方法、装置以及计算机可读存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930511A (zh) * 2012-09-25 2013-02-13 四川省医学科学院（四川省人民医院） 一种基于灰阶超声图像的心脏流场速度矢量分析方法
CN109314753A (zh) * 2016-04-06 2019-02-05 脸谱公司 使用光流生成中间视图

Also Published As

Publication number Publication date
CN113724287A (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN109117718B (zh) 一种面向道路场景的三维语义地图构建和存储方法
CN109740465B (zh) 一种基于实例分割神经网络框架的车道线检测算法
CN111179177B (zh) 图像重建模型训练方法、图像重建方法、设备及介质
US11594036B2 (en) Advanced driver-assistance system (ADAS) operation utilizing algorithmic skyline detection
US11687773B2 (en) Learning method and recording medium
CN110942071A (zh) 一种基于车牌分类和lstm的车牌识别方法
CN111696110B (zh) 场景分割方法及系统
CN115393712B (zh) 基于动态混合池化策略的sar图像道路提取方法及系统
CN111753038B (zh) 一种地图数据的渲染方法及系统
CN114140357B (zh) 一种基于协同注意力机制的多时相遥感图像云区重建方法
CN111445388A (zh) 一种图像超分辨重建模型训练方法、船只跟踪方法及装置
CN111274878A (zh) 卫星云图分类方法及系统
CN114677560A (zh) 基于深度学习算法的车道线检测方法及计算机系统
CN111914596A (zh) 车道线检测方法、装置、系统及存储介质
CN113066089B (zh) 一种基于注意力引导机制的实时图像语义分割方法
CN113724287B (zh) 一种卫星云图预测方法及系统
CN113963314A (zh) 降雨量监测方法、装置、计算机设备及存储介质
CN115984672B (zh) 基于深度学习的高清图像内小目标的检测方法和装置
CN111506679B (zh) 地图要素数据的生成、显示方法及装置、介质、设备
CN114663307B (zh) 基于不确定性网络的集成图像去噪系统
CN115631108A (zh) 一种基于rgbd的图像去雾方法及相关设备
CN115953312A (zh) 一种基于单幅图像的联合去雾检测方法、装置及存储介质
CN115861948A (zh) 车道线检测方法、设备及预警方法、系统、介质
CN115346115A (zh) 图像目标检测方法、装置、设备和存储介质
CN114581664A (zh) 一种道路场景分割方法、装置、电子设备及存储介质

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