CN114565056B - 一种基于机器学习的冷锋前识别方法、装置、存储介质及终端 - Google Patents

一种基于机器学习的冷锋前识别方法、装置、存储介质及终端 Download PDF

Info

Publication number
CN114565056B
CN114565056B CN202210255102.2A CN202210255102A CN114565056B CN 114565056 B CN114565056 B CN 114565056B CN 202210255102 A CN202210255102 A CN 202210255102A CN 114565056 B CN114565056 B CN 114565056B
Authority
CN
China
Prior art keywords
area
identified
line segment
weather
air pressure
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
CN202210255102.2A
Other languages
English (en)
Other versions
CN114565056A (zh
Inventor
赵宗玉
安刚
卓流艺
张海忠
孙明生
秦东明
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.)
3Clear Technology Co Ltd
Original Assignee
3Clear 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 3Clear Technology Co Ltd filed Critical 3Clear Technology Co Ltd
Priority to CN202210255102.2A priority Critical patent/CN114565056B/zh
Publication of CN114565056A publication Critical patent/CN114565056A/zh
Application granted granted Critical
Publication of CN114565056B publication Critical patent/CN114565056B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于机器学习的冷锋前识别方法、装置、存储介质及终端，方法包括：获取待识别地区未来预设时段的气象预测数据；根据气象预测数据构建待识别地区对应的天气特征；将天气特征进行归一化，生成特征向量；将特征向量输入预先训练的冷锋前识别模型中，输出待识别地区对应的冷锋前识别结果。由于本申请利用训练好的模型进行未来天气形势的判断，从而实现了气象业务中冷锋活动的自动识别，同时可自动识别出指定地区是否在冷锋前，从而提升了冷锋前识别效率。

Description

一种基于机器学习的冷锋前识别方法、装置、存储介质及终端
技术领域
本发明涉及天气系统自动识别技术领域，特别涉及一种基于机器学习的冷锋前识别方法、装置、存储介质及终端。
背景技术
锋线是冷暖气团的交界线，其附近往往伴随着重要的天气系统和天气现象。随着冷锋活动引起的灾害事件频发，冷锋活动得到了广泛的关注，因此锋线分析成为天气预报业务中一项重要的工作。
在现有的锋线分析方案中，锋线分析仍以人工分析为主，即依赖预报员在天气地图上判断锋线位置，进一步才能判断某个地区是否处于锋线前的位置上。由于人工分析要花费预报员宝贵的业务时间，且具有主观性，从而降低了分析结果的准确性。因此，实现锋线自动识别是气象业务现代化的迫切需求，对气象科研工作也具有十分重要的意义。
发明内容
本申请实施例提供了一种基于机器学习的冷锋前识别方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
第一方面，本申请实施例提供了一种基于机器学习的冷锋前识别方法，方法包括：
获取待识别地区未来预设时段的气象预测数据；
根据气象预测数据构建待识别地区对应的天气特征；
将天气特征进行归一化，生成特征向量；
将特征向量输入预先训练的冷锋前识别模型中，输出待识别地区对应的冷锋前识别结果。
可选的，根据气象预测数据构建待识别地区对应的天气特征，包括：
根据气象预测数据判断待识别地区的西北方向是否存在气压高压中心；
若存在，确定气压高压中心的中心位置，并创建中心位置与待识别地区之间的连线，得到第一线段；
基于第一线段计算待识别地区对应的气压特征；
在待识别地区上创建垂直于第一线段的直线，得到第二线段；
根据第二线段构建三个分区；
基于三个分区计算待识别地区对应的风场特征和温度特征。
可选的，基于第一线段计算待识别地区对应的气压特征，包括：
识别地图上预先标注的等压线与第一线段之间的多个交点；
以待识别地区为起点，向远离气压高压中心的方向延长第一线段，并将延长线与等压线相交的第一个交点确定为目标交点；
在多个交点中获取与待识别地区距离最小的第一交点和第二交点，并计算第一交点与第二交点之间的第一距离；其中，第二交点与待识别地区的距离小于第一交点与待识别地区的距离；
计算第二交点与目标交点之间的第二距离；
根据第一距离计算第一气压参数；根据第二距离计算第二气压参数；
将第一距离、第二距离与第一气压参数和第二气压参数确定为待识别地区对应的气压特征。
可选的，根据第二线段构建三个分区，包括：
沿着第一线段的第一延伸方向，将第二线段移动预设像素的位移，得到第三线段；
沿着第一线段的第二延伸方向，将第二线段移动预设像素的位移，得到第四线段；
将位于第三线段的第一侧的部分区域确定为第一分区，第一侧的方向与第一延伸方向相同；
将第三线段与第四线段之间部分确定为第二分区；
将位于第四线段的第二侧的部分区域确定为第三分区，第二侧的方向与第二延伸方向相同。
可选的，基于三个分区计算待识别地区对应的风场特征，包括：
将第一分区内的风场参数投影到第一分区，将第三分区内的风场参数投影到第三分区；
在第一分区和第三分区分别确定出第一预设数量的风场点；
计算每个风场点的风场强度和垂直分量，并将风场强度和垂直分量确定为待识别地区对应的风场特征。
可选的，基于三个分区计算待识别地区对应的温度特征，包括：
将第一分区内的格点温度参数投影到第一分区，将第三分区内的格点温度参数投影到第三分区；
在第一分区和第三分区分别确定出第二预设数量的格点温度；
将第二预设数量的格点温度确定为待识别地区对应的温度特征。
可选的，按照以下步骤生成预先训练的冷锋前识别模型，包括：
采集历史气象数据，并根据历史气象数据构建正样本和负样本；
根据支持向量机模型构建冷锋前识别模型；
提取正样本和负样本的样本天气特征；
将样本天气特征归一化处理后输入冷锋前识别模型中，并计算损失值；
当损失值到达预设值时，得到训练好的冷锋前识别模型。
第二方面，本申请实施例提供了一种基于机器学习的冷锋前识别装置，装置包括：
气象预测数据获取模块，用于获取待识别地区未来的气象预测数据；
天气特征构建模块，用于根据气象预测数据构建待识别地区对应的天气特征；
特征向量生成模块，用于将天气特征进行归一化，生成特征向量；
结果输出模块，用于将特征向量输入预先训练的冷锋前识别模型中，输出待识别地区对应的冷锋前识别结果。
第三方面，本申请实施例提供一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行上述的方法步骤。
第四方面，本申请实施例提供一种终端，可包括：处理器和存储器；其中，存储器存储有计算机程序，计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果：
在本申请实施例中，基于机器学习的冷锋前识别装置首先获取待识别地区未来预设时段的气象预测数据，然后根据气象预测数据构建待识别地区对应的天气特征，再将天气特征进行归一化，生成特征向量，最后将特征向量输入预先训练的冷锋前识别模型中，输出待识别地区对应的冷锋前识别结果。由于本申请利用训练好的模型进行未来天气形势的判断，从而实现了气象业务中冷锋活动的自动识别，同时可自动识别出指定地区是否在冷锋前，从而提升了冷锋前识别效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种基于机器学习的冷锋前识别方法的流程示意图；
图2是本申请实施例提供的一种天气特征分析示意图；
图3是本申请实施例提供的另一种天气特征分析示意图；
图4是本申请实施例提供的一种冷锋前识别模型生成的方法流程示意图；
图5是本申请实施例提供的一种基于机器学习的冷锋前识别装置的结构示意图；
图6是本申请实施例提供的一种终端的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。
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。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请提供了一种基于机器学习的冷锋前识别方法、装置、存储介质及终端，以解决上述相关技术问题中存在的问题。本申请提供的技术方案中，由于本申请利用训练好的模型进行未来天气形势的判断，从而实现了气象业务中冷锋活动的自动识别，同时可自动识别出指定地区是否在冷锋前，从而提升了冷锋前识别效率，下面采用示例性的实施例进行详细说明。
下面将结合附图1-附图3，对本申请实施例提供的基于机器学习的冷锋前识别方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的基于机器学习的冷锋前识别装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。
请参见图1，为本申请实施例提供了一种基于机器学习的冷锋前识别方法的流程示意图。如图1所示，本申请实施例的方法可以包括以下步骤：
S101，获取待识别地区未来预设时段的气象预测数据；
其中，待识别地区为需要进行冷锋前识别的某地方，例如某个城市。未来预设时段可以是未来几个小时，也可以是未来一整天。气象预测数据是利用气象学结合当前监测到的气象原始数据确定出的未来一段时间的气象参数值。
在一种可能的实现方式中，首先确定待识别地区，再采集待识别地区在当前连续多个时刻的监测到的气象原始数据，然后采用气象学将气象原始数据进行分析并预处理，预测出未来预设时段的多个种类的气象参数值，最后将预测出的未来预设时段的多个种类的气象参数值保存到数据库。
进一步地，当确定进行冷锋前识别时，可根据待识别地区的标识从数据库获取识别地区未来预设时段的气象预测数据。
S102，根据气象预测数据构建待识别地区对应的天气特征；
其中，天气特征是表征待识别地区天气状况的参数，例如气温、降水、云量、湿度、风气压等。
在本申请实施例中，在构建待识别地区对应的天气特征时，首先根据气象预测数据判断待识别地区的西北方向是否存在气压高压中心，若存在，确定气压高压中心的中心位置，并创建中心位置与待识别地区之间的连线，得到第一线段，然后基于第一线段计算待识别地区对应的气压特征，并在待识别地区上创建垂直于第一线段的直线，得到第二线段，然后根据第二线段构建三个分区，最后基于三个分区计算待识别地区对应的风场特征和温度特征。
具体的，在基于第一线段计算待识别地区对应的气压特征时，首先识别地图上预先标注的等压线与第一线段之间的多个交点，然后以待识别地区为起点，向远离气压高压中心的方向延长第一线段，并将延长线与等压线相交的第一个交点确定为目标交点，其次在多个交点中获取与待识别地区距离最小的第一交点和第二交点，并计算第一交点与第二交点之间的第一距离；其中，第二交点与待识别地区的距离小于第一交点与待识别地区的距离；再计算第二交点与目标交点之间的第二距离；再根据第一距离计算第一气压参数，以及根据第二距离计算第二气压参数，最后将第一距离、第二距离与第一气压参数和第二气压参数确定为待识别地区对应的气压特征。
具体的，在根据第二线段构建三个分区时，首先沿着第一线段的第一延伸方向，将第二线段移动预设像素的位移，得到第三线段，然后沿着第一线段的第二延伸方向，将第二线段移动预设像素的位移，得到第四线段，再将位于第三线段的第一侧的部分区域确定为第一分区，第一侧的方向与第一延伸方向相同，其次将第三线段与第四线段之间部分确定为第二分区，最后将位于第四线段的第二侧的部分区域确定为第三分区，第二侧的方向与第二延伸方向相同。
具体的，在基于三个分区计算待识别地区对应的风场特征时，首先将第一分区内的风场参数投影到第一分区，将第三分区内的风场参数投影到第三分区，然后在第一分区和第三分区分别确定出第一预设数量的风场点，最后计算每个风场点的风场强度和垂直分量，并将风场强度和垂直分量确定为待识别地区对应的风场特征。
具体的，在基于三个分区计算待识别地区对应的温度特征时，首先将第一分区内的格点温度参数投影到第一分区，将第三分区内的格点温度参数投影到第三分区，然后在第一分区和第三分区分别确定出第二预设数量的格点温度，最后将第二预设数量的格点温度确定为待识别地区对应的温度特征。
在一种可能的实现方式中，在构建待识别地区对应的天气特征时，由于冷锋前是由西北方向高压移动形成的，首先判断待识别地区的西北方向是否存在气压高压中心，存在时确定出高压中心位置，再创建高压中心位置与待识别地区之间的连线，形成一条线段S1，如图2所示，其中在value5对应的黑点的右侧黑点为给定待识别地区的位置。然后计算等压线与线段S1的交点，如图2中value0-value5的黑点，继续向东部延长线段S1，并寻找与等压线的第一个交点，如图2上value6对应的点所示，其中value0-value5为所在的等压线的气压值，value6为延长线段交点所在的等压线的气压值。
进一步地，在计算待识别地区对应的气压特征时，计算气压值value5与value4各自的点之间的距离为dis0，计算气压值value6与value5之间点对应的距离为dis1，最后再计算出最后的气象参数值grad0＝(value4-value5)/dis0,gard1＝(value5-value6)/dis1，最后将dis0，dis1，grad0，grad1作为为该给定城市的气压特征。
进一步地，在计算待识别地区对应的风场特征时，首先过待识别地区作一条与线段S1垂直的直线L0，如图3所示。以直线L0为起始线段，沿着线段S1的两个方向上下分别各移25个像素的位移，得到L1与L2，其中，Q1为L1与S1的交点，Q2为L2与S1的延长线的交点，这样，L1，L2这三条直线将平面分为了三部分，分别为1区，2区，3区，如图3所示，其次将1区内的风场数据投到1区，将3区内的风场数据投到3区，2区不做投影，如图3所示，最后在1区内寻找3个与Q1最近的风场点，在3区内寻找3个与Q2最近的风场点，计算这6个风场点的风场强度和垂直分量作为该给定城市的风场特征。
进一步地，在待识别地区对应的温度特征时，以图3中构建好的三个区进行说明，将1区内的格点温度值投到1区，将3区内的格点温度值投到3区，2区不做投影，最后在1区内寻找1个与Q1最近的格点温度，在3区内寻找1个与Q2最近的格点温度，这2个温度值作为该给定城市的温度特征。
S103，将天气特征进行归一化，生成特征向量；
其中，归一化是为了数据处理方便，可以把每个数据映射到0～1范围之内。
在一种可能的实现方式中，在得到天气特征后，可将天气特征中每个参数值进行归一化处理，最后在每个参数归一化处理结束后可得到天气特征对应的特征向量。
S104，将特征向量输入预先训练的冷锋前识别模型中，输出待识别地区对应的冷锋前识别结果。
其中，冷锋前识别模型是判断待识别地区是否在冷锋前的数学模型。
在本申请实施例中，在生成预先训练的冷锋前识别模型时，首先采集历史气象数据，并根据历史气象数据构建正样本和负样本，然后根据支持向量机模型构建冷锋前识别模型，再提取正样本和负样本的样本天气特征，其次将样本天气特征归一化处理后输入冷锋前识别模型中，并计算损失值，最后当损失值到达预设值时，得到训练好的冷锋前识别模型。
在一种可能的实现方式中，在基于步骤S103得到特征向量后，可将特征向量输入预先训练的冷锋前识别模型中进行处理，模型处理结束后输出待识别地区对应的冷锋前识别结果。其中，冷锋前识别结果分为两种，一种是待识别地区处于冷锋前，另一种结果是待识别地区不处于冷锋前。
在本申请实施例中，基于机器学习的冷锋前识别装置首先获取待识别地区未来预设时段的气象预测数据，然后根据气象预测数据构建待识别地区对应的天气特征，再将天气特征进行归一化，生成特征向量，最后将特征向量输入预先训练的冷锋前识别模型中，输出待识别地区对应的冷锋前识别结果。由于本申请利用训练好的模型进行未来天气形势的判断，从而实现了气象业务中冷锋活动的自动识别，同时可自动识别出指定地区是否在冷锋前，从而提升了冷锋前识别效率。
请参见图4，为本申请实施例提供了一种冷锋前识别模型生成的流程示意图。如图4所示，本申请实施例的方法可以包括以下步骤：
S201，采集历史气象数据，并根据历史气象数据构建正样本和负样本；
其中，历史气象数据是过去一个月或者一段特定时期的气象数据，根据该气象数据，并结合特征工程可标注出气象数据和冷锋前识别结果的正样本，以及根据正样本再标注出负样本。
通常，特征工程指的是把原始数据转变为模型的训练数据的过程，它的目的就是获取更好的训练数据特征，使得机器学习模型逼近这个上限。特征工程能使得模型的性能得到提升，有时甚至在简单的模型上也能取得不错的效果。
S202，根据支持向量机模型构建冷锋前识别模型；
其中，支持向量机模型(support vector machines，SVM)是机器学习中的一种二分类模型，它将实例的特征向量映射为空间中的一些点，SVM的目的就是想要画出一条线，以“最好地”区分这两类点，以至如果以后有了新的点，这条线也能做出很好的分类。SVM适合中小型数据样本、非线性、高维的分类问题。
S203，提取正样本和负样本的样本天气特征；
需要说明的是，样本天气特征的构建过程与步骤S102的天气特征构建方法方法相同，具体可参见步骤S102，此处不再赘述。
S204，将样本天气特征归一化处理后输入冷锋前识别模型中，并计算损失值；
S205，当损失值到达预设值时，得到训练好的冷锋前识别模型。
在一种可能的实现方式中，当损失值到达预设值时，得到训练好的冷锋前识别模型；或者，当损失值到达预设值时，将损失值进行反向传播，以调整模型的参数，最后继续执行将样本天气特征归一化处理后输入冷锋前识别模型中的步骤。
本申请是利用天气学和特征工程的基本知识，提取某个城市的附近的天气特征，包括温度，气压，风，构建基本的特征向量，利用这些特征向量，训练SVM模型，利用训练好的模型判断待识别地区是否位于冷锋前。
在本申请实施例中，基于机器学习的冷锋前识别装置首先获取待识别地区未来预设时段的气象预测数据，然后根据气象预测数据构建待识别地区对应的天气特征，再将天气特征进行归一化，生成特征向量，最后将特征向量输入预先训练的冷锋前识别模型中，输出待识别地区对应的冷锋前识别结果。由于本申请利用训练好的模型进行未来天气形势的判断，从而实现了气象业务中冷锋活动的自动识别，同时可自动识别出指定地区是否在冷锋前，从而提升了冷锋前识别效率。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
请参见图5，其示出了本发明一个示例性实施例提供的基于机器学习的冷锋前识别装置的结构示意图。该基于机器学习的冷锋前识别装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置1包括气象预测数据获取模块10、天气特征构建模块20、特征向量生成模块30、结果输出模块40。
气象预测数据获取模块10，用于获取待识别地区未来的气象预测数据；
天气特征构建模块20，用于根据气象预测数据构建待识别地区对应的天气特征；
特征向量生成模块30，用于将天气特征进行归一化，生成特征向量；
结果输出模块40，用于将特征向量输入预先训练的冷锋前识别模型中，输出待识别地区对应的冷锋前识别结果。
需要说明的是，上述实施例提供的基于机器学习的冷锋前识别装置在执行基于机器学习的冷锋前识别方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于机器学习的冷锋前识别装置与基于机器学习的冷锋前识别方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请实施例中，基于机器学习的冷锋前识别装置首先获取待识别地区未来预设时段的气象预测数据，然后根据气象预测数据构建待识别地区对应的天气特征，再将天气特征进行归一化，生成特征向量，最后将特征向量输入预先训练的冷锋前识别模型中，输出待识别地区对应的冷锋前识别结果。由于本申请利用训练好的模型进行未来天气形势的判断，从而实现了气象业务中冷锋活动的自动识别，同时可自动识别出指定地区是否在冷锋前，从而提升了冷锋前识别效率。
本发明还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的基于机器学习的冷锋前识别方法。本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例的基于机器学习的冷锋前识别方法。
请参见图6，为本申请实施例提供了一种终端的结构示意图。如图6所示，终端1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。
其中，通信总线1002用于实现这些组件之间的连接通信。
其中，用户接口1003可以包括显示屏(Display)、摄像头(Camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。
其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。
其中，存储器1005可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图6所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于机器学习的冷锋前识别应用程序。
在图6所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的基于机器学习的冷锋前识别应用程序，并具体执行以下操作：
获取待识别地区未来预设时段的气象预测数据；
根据气象预测数据构建待识别地区对应的天气特征；
将天气特征进行归一化，生成特征向量；
将特征向量输入预先训练的冷锋前识别模型中，输出待识别地区对应的冷锋前识别结果。
在一个实施例中，处理器1001在执行根据气象预测数据构建待识别地区对应的天气特征时，具体执行以下操作：
根据气象预测数据判断待识别地区的西北方向是否存在气压高压中心；
若存在，确定气压高压中心的中心位置，并创建中心位置与待识别地区之间的连线，得到第一线段；
基于第一线段计算待识别地区对应的气压特征；
在待识别地区上创建垂直于第一线段的直线，得到第二线段；
根据第二线段构建三个分区；
基于三个分区计算待识别地区对应的风场特征和温度特征。
在一个实施例中，处理器1001在执行基于第一线段计算待识别地区对应的气压特征时，具体执行以下操作：
识别地图上预先标注的等压线与第一线段之间的多个交点；
以待识别地区为起点，向远离气压高压中心的方向延长第一线段，并将延长线与等压线相交的第一个交点确定为目标交点；
在多个交点中获取与待识别地区距离最小的第一交点和第二交点，并计算第一交点与第二交点之间的第一距离；其中，第二交点与待识别地区的距离小于第一交点与待识别地区的距离；
计算第二交点与目标交点之间的第二距离；
根据第一距离计算第一气压参数；根据第二距离计算第二气压参数；
将第一距离、第二距离与第一气压参数和第二气压参数确定为待识别地区对应的气压特征。
在一个实施例中，处理器1001在执行根据第二线段构建三个分区时，具体执行以下操作：
沿着第一线段的第一延伸方向，将第二线段移动预设像素的位移，得到第三线段；
沿着第一线段的第二延伸方向，将第二线段移动预设像素的位移，得到第四线段；
将位于第三线段的第一侧的部分区域确定为第一分区，第一侧的方向与第一延伸方向相同；
将第三线段与第四线段之间部分确定为第二分区；
将位于第四线段的第二侧的部分区域确定为第三分区，第二侧的方向与第二延伸方向相同。
在一个实施例中，处理器1001在执行基于三个分区计算待识别地区对应的风场特征时，具体执行以下操作：
将第一分区内的风场参数投影到第一分区，将第三分区内的风场参数投影到第三分区；
在第一分区和第三分区分别确定出第一预设数量的风场点；
计算每个风场点的风场强度和垂直分量，并将风场强度和垂直分量确定为待识别地区对应的风场特征。
在一个实施例中，处理器1001在执行基于三个分区计算待识别地区对应的温度特征时，具体执行以下操作：
将第一分区内的格点温度参数投影到第一分区，将第三分区内的格点温度参数投影到第三分区；
在第一分区和第三分区分别确定出第二预设数量的格点温度；
将第二预设数量的格点温度确定为待识别地区对应的温度特征。
在一个实施例中，处理器1001在生成预先训练的冷锋前识别模型时，具体执行以下操作：
采集历史气象数据，并根据历史气象数据构建正样本和负样本；
根据支持向量机模型构建冷锋前识别模型；
提取正样本和负样本的样本天气特征；
将样本天气特征归一化处理后输入冷锋前识别模型中，并计算损失值；
当损失值到达预设值时，得到训练好的冷锋前识别模型。
在本申请实施例中，基于机器学习的冷锋前识别装置首先获取待识别地区未来预设时段的气象预测数据，然后根据气象预测数据构建待识别地区对应的天气特征，再将天气特征进行归一化，生成特征向量，最后将特征向量输入预先训练的冷锋前识别模型中，输出待识别地区对应的冷锋前识别结果。由于本申请利用训练好的模型进行未来天气形势的判断，从而实现了气象业务中冷锋活动的自动识别，同时可自动识别出指定地区是否在冷锋前，从而提升了冷锋前识别效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，基于机器学习的冷锋前识别的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。

Claims (8)

1.一种基于机器学习的冷锋前识别方法，其特征在于，所述方法包括：
获取待识别地区未来预设时段的气象预测数据；
根据所述气象预测数据构建所述待识别地区对应的天气特征；其中，
所述根据所述气象预测数据构建所述待识别地区对应的天气特征，包括：
根据所述气象预测数据判断所述待识别地区的西北方向是否存在气压高压中心；
若存在，确定所述气压高压中心的中心位置，并创建所述中心位置与所述待识别地区之间的连线，得到第一线段；
基于所述第一线段计算所述待识别地区对应的气压特征；
在所述待识别地区上创建垂直于所述第一线段的直线，得到第二线段；
根据所述第二线段构建三个分区；
基于所述三个分区计算所述待识别地区对应的风场特征和温度特征；其中，
所述基于所述第一线段计算所述待识别地区对应的气压特征，包括：
识别地图上预先标注的等压线与所述第一线段之间的多个交点；
以所述待识别地区为起点，向远离所述气压高压中心的方向延长所述第一线段，并将延长线与所述等压线相交的第一个交点确定为目标交点；
在所述多个交点中获取与所述待识别地区距离最小的第一交点和第二交点，并计算所述第一交点与所述第二交点之间的第一距离；其中，所述第二交点与所述待识别地区的距离小于所述第一交点与所述待识别地区的距离；
计算所述第二交点与所述目标交点之间的第二距离；
根据所述第一距离计算第一气压参数；根据所述第二距离计算第二气压参数；
将所述第一距离、第二距离与所述第一气压参数和第二气压参数确定为所述待识别地区对应的气压特征；
将所述天气特征进行归一化，生成特征向量；
将所述特征向量输入预先训练的冷锋前识别模型中，输出所述待识别地区对应的冷锋前识别结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第二线段构建三个分区，包括：
沿着所述第一线段的第一延伸方向，将所述第二线段移动预设像素的位移，得到第三线段；
沿着所述第一线段的第二延伸方向，将所述第二线段移动所述预设像素的位移，得到第四线段；
将位于所述第三线段的第一侧的部分区域确定为第一分区，所述第一侧的方向与所述第一延伸方向相同；
将所述第三线段与所述第四线段之间部分确定为第二分区；
将位于所述第四线段的第二侧的部分区域确定为第三分区，所述第二侧的方向与所述第二延伸方向相同。
3.根据权利要求2所述的方法，其特征在于，基于所述三个分区计算所述待识别地区对应的风场特征，包括：
将第一分区内的风场参数投影到第一分区，将第三分区内的风场参数投影到第三分区；
在所述第一分区和所述第三分区分别确定出第一预设数量的风场点；
计算每个风场点的风场强度和垂直分量，并将所述风场强度和垂直分量确定为待识别地区对应的风场特征。
4.根据权利要求2所述的方法，其特征在于，基于所述三个分区计算所述待识别地区对应的温度特征，包括：
将第一分区内的格点温度参数投影到第一分区，将第三分区内的格点温度参数投影到第三分区；
在所述第一分区和所述第三分区分别确定出第二预设数量的格点温度；
将所述第二预设数量的格点温度确定为所述待识别地区对应的温度特征。
5.根据权利要求1所述的方法，其特征在于，按照以下步骤生成预先训练的冷锋前识别模型，包括：
采集历史气象数据，并根据所述历史气象数据构建正样本和负样本；
根据支持向量机模型构建冷锋前识别模型；
提取所述正样本和负样本的样本天气特征；
将所述样本天气特征归一化处理后输入所述冷锋前识别模型中，并计算损失值；
当所述损失值到达预设值时，得到训练好的冷锋前识别模型。
6.一种基于机器学习的冷锋前识别装置，其特征在于，所述装置包括：
气象预测数据获取模块，用于获取待识别地区未来的气象预测数据；
天气特征构建模块，用于根据所述气象预测数据构建所述待识别地区对应的天气特征；其中，
所述天气特征构建模块具体用于：
根据所述气象预测数据判断所述待识别地区的西北方向是否存在气压高压中心；
若存在，确定所述气压高压中心的中心位置，并创建所述中心位置与所述待识别地区之间的连线，得到第一线段；
基于所述第一线段计算所述待识别地区对应的气压特征；
在所述待识别地区上创建垂直于所述第一线段的直线，得到第二线段；
根据所述第二线段构建三个分区；
基于所述三个分区计算所述待识别地区对应的风场特征和温度特征；其中，
所述基于所述第一线段计算所述待识别地区对应的气压特征，包括：
识别地图上预先标注的等压线与所述第一线段之间的多个交点；
以所述待识别地区为起点，向远离所述气压高压中心的方向延长所述第一线段，并将延长线与所述等压线相交的第一个交点确定为目标交点；
在所述多个交点中获取与所述待识别地区距离最小的第一交点和第二交点，并计算所述第一交点与所述第二交点之间的第一距离；其中，所述第二交点与所述待识别地区的距离小于所述第一交点与所述待识别地区的距离；
计算所述第二交点与所述目标交点之间的第二距离；
根据所述第一距离计算第一气压参数；根据所述第二距离计算第二气压参数；
将所述第一距离、第二距离与所述第一气压参数和第二气压参数确定为所述待识别地区对应的气压特征；
特征向量生成模块，用于将所述天气特征进行归一化，生成特征向量；
结果输出模块，用于将所述特征向量输入预先训练的冷锋前识别模型中，输出所述待识别地区对应的冷锋前识别结果。
7.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1-5任意一项的方法步骤。
8.一种终端，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1-5任意一项的方法步骤。
CN202210255102.2A 2022-03-15 2022-03-15 一种基于机器学习的冷锋前识别方法、装置、存储介质及终端 Active CN114565056B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210255102.2A CN114565056B (zh) 2022-03-15 2022-03-15 一种基于机器学习的冷锋前识别方法、装置、存储介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210255102.2A CN114565056B (zh) 2022-03-15 2022-03-15 一种基于机器学习的冷锋前识别方法、装置、存储介质及终端

Publications (2)

Publication Number Publication Date
CN114565056A CN114565056A (zh) 2022-05-31
CN114565056B true CN114565056B (zh) 2022-09-20

Family

ID=81720035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210255102.2A Active CN114565056B (zh) 2022-03-15 2022-03-15 一种基于机器学习的冷锋前识别方法、装置、存储介质及终端

Country Status (1)

Country Link
CN (1) CN114565056B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082788B (zh) * 2022-06-21 2023-03-21 中科三清科技有限公司 气压中心识别方法、装置、电子设备及存储介质
CN115878731B (zh) * 2022-11-17 2024-03-08 南京信息工程大学 一种暖锋自动识别方法
CN116051805B (zh) * 2022-12-06 2023-08-18 中科三清科技有限公司 一种副热带高压的影响区识别方法、装置、存储介质及终端
CN115861816B (zh) * 2022-12-06 2023-07-18 中科三清科技有限公司 一种立体低涡识别方法、装置、存储介质及终端
CN116071651B (zh) * 2023-02-09 2023-11-17 中科三清科技有限公司 一种均压场识别方法、装置、存储介质及终端
CN116030401B (zh) * 2023-03-28 2023-07-04 南京信息工程大学 一种基于深度学习的欧亚地区冷锋自动识别方法
CN116577844B (zh) * 2023-03-28 2024-02-09 南京信息工程大学 一种东亚冷锋降水自动识别方法、系统
CN117853949B (zh) * 2024-03-07 2024-05-14 南京信息工程大学 一种使用卫星云图识别冷锋的深度学习方法、系统
CN117872508B (zh) * 2024-03-13 2024-06-11 南京信息工程大学 一种欧亚地区冷锋路径的自动追踪方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106950612A (zh) * 2017-03-14 2017-07-14 天津大学 一种用于气象学中自动识别并绘制冷锋的方法
JP2017142856A (ja) * 2017-05-02 2017-08-17 アキュウェザー, インク.Accuweather, Inc. カスタマイズ可能な気象分析システム
CN111414991A (zh) * 2020-02-21 2020-07-14 中国人民解放军国防科技大学 一种基于多元回归的气象锋面自动识别方法
CN111796343A (zh) * 2020-06-15 2020-10-20 兰州中心气象台(兰州干旱生态环境监测预测中心) 一种基于人工智能算法的强对流天气短时临近识别方法
AU2021100001A4 (en) * 2021-01-01 2021-03-18 Baghavathi Priya, S. DR Scientific model for predicting change in rainfall using climatic raster data mining
CN112765832A (zh) * 2021-02-02 2021-05-07 南京信息工程大学 一种欧亚大陆冷锋自动识别订正方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103383471B (zh) * 2012-05-02 2015-04-29 钱维宏 瞬变扰动天气图和低频扰动天气图制作方法及其在天气预报中的应用
CN104950186B (zh) * 2014-03-31 2018-06-12 乌托巴斯洞察公司 雷电预测的方法和装置
CN106327020A (zh) * 2016-08-30 2017-01-11 天津大学 一种基于风暴潮预测模型的数据分析管理系统
CN113487529B (zh) * 2021-07-12 2022-07-26 吉林大学 一种基于Yolo的气象卫星云图目标检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106950612A (zh) * 2017-03-14 2017-07-14 天津大学 一种用于气象学中自动识别并绘制冷锋的方法
JP2017142856A (ja) * 2017-05-02 2017-08-17 アキュウェザー, インク.Accuweather, Inc. カスタマイズ可能な気象分析システム
CN111414991A (zh) * 2020-02-21 2020-07-14 中国人民解放军国防科技大学 一种基于多元回归的气象锋面自动识别方法
CN111796343A (zh) * 2020-06-15 2020-10-20 兰州中心气象台(兰州干旱生态环境监测预测中心) 一种基于人工智能算法的强对流天气短时临近识别方法
AU2021100001A4 (en) * 2021-01-01 2021-03-18 Baghavathi Priya, S. DR Scientific model for predicting change in rainfall using climatic raster data mining
CN112765832A (zh) * 2021-02-02 2021-05-07 南京信息工程大学 一种欧亚大陆冷锋自动识别订正方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Automatic identification of wether systems from numerical wether prediction data using genetic algorithm;Wong Ka Yan,et al.;《Expert Systems with Applications》;20070724;第35卷;全文 *
Identification and Climatology of Southern Hemisphere Mobile Fronts in a Modern Reanalysis;Ian Simmonds,et al.;《Journal of Climate》;20120315;全文 *
一种基于多普勒天气雷达的下击暴流预报方法;赵宗玉;《中国优秀硕士学位论文全文库 基础科学辑》;20200615;全文 *
基于多要素融合的封面自动识别方法研究;丁亚新;《中国优秀硕士学位论文全文数据库 基础科学辑》;20220215;第35-46页 *

Also Published As

Publication number Publication date
CN114565056A (zh) 2022-05-31

Similar Documents

Publication Publication Date Title
CN114565056B (zh) 一种基于机器学习的冷锋前识别方法、装置、存储介质及终端
CN112580643B (zh) 一种基于深度学习的车牌识别方法、装置及存储介质
CN114863418B (zh) 一种均压场识别方法、装置、存储介质及终端
CN114565057B (zh) 一种基于机器学习的均压场识别方法、装置、存储介质及终端
CN112434260B (zh) 一种公路的交通状态检测方法、装置、存储介质及终端
CN112990086A (zh) 遥感影像建筑物检测方法、装置及计算机可读存储介质
US11783588B2 (en) Method for acquiring traffic state, relevant apparatus, roadside device and cloud control platform
CN115861816B (zh) 一种立体低涡识别方法、装置、存储介质及终端
CN116071651B (zh) 一种均压场识别方法、装置、存储介质及终端
CN108460832B (zh) 一种基于建筑信息模型的外壳提取方法
CN116681959B (zh) 基于机器学习的锋线识别方法、装置、存储介质及终端
CN109783591B (zh) 基于互联网地图的空间数据采集方法及装置
CN115372877B (zh) 基于无人机的变电站的避雷器泄露电流表计巡检方法
CN113190538A (zh) 一种基于轨迹数据的道路构建方法、装置、存储介质及终端
CN115861811A (zh) 一种风切变区域识别方法、装置、存储介质及终端
CN115909059A (zh) 一种自然资源样本库建立方法和装置
CN110992307A (zh) 基于yolo的绝缘子定位识别方法及装置
CN114626458B (zh) 一种高压后部识别方法、装置、存储介质及终端
CN115731560B (zh) 一种基于深度学习的槽线识别方法、装置、存储介质及终端
CN112529836A (zh) 高压线路缺陷检测方法、装置、存储介质及电子设备
CN115859628A (zh) 一种基于贝塞尔曲线的风切变点识别方法、装置、存储介质及终端
CN115984694A (zh) 城市房屋违建智能巡检方法、装置、系统及设备
TWI766376B (zh) 鋼筋框架自動查驗系統、電腦可讀取儲存裝置及其運作方法
CN114022658A (zh) 一种目标检测方法、装置、存储介质及终端
CN112559655A (zh) 一种应用于大气环境的污染源测试点筛选识别方法及装置

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220531

Assignee: Beijing Zhongke Sanqing Environmental Technology Co.,Ltd.

Assignor: 3CLEAR TECHNOLOGY Co.,Ltd.

Contract record no.: X2023980042173

Denomination of invention: A machine learning based cold front recognition method, device, storage medium, and terminal

Granted publication date: 20220920

License type: Common License

Record date: 20230920

EE01 Entry into force of recordation of patent licensing contract