CN114626458A - 一种高压后部识别方法、装置、存储介质及终端 - Google Patents
一种高压后部识别方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN114626458A CN114626458A CN202210253347.1A CN202210253347A CN114626458A CN 114626458 A CN114626458 A CN 114626458A CN 202210253347 A CN202210253347 A CN 202210253347A CN 114626458 A CN114626458 A CN 114626458A
- Authority
- CN
- China
- Prior art keywords
- straight line
- air pressure
- intersection point
- area
- identified
- 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.)
- Granted
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
Abstract
本发明公开了一种高压后部识别方法、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;以待识别地区为源点,创建多条经过源点的直线;根据气象预测数据及创建的多条直线,构建待识别地区对应的气压梯度特征;将气压梯度特征进行归一化,生成特征向量;将特征向量输入预先训练的高压后部识别模型中,输出待识别地区对应的高压后部识别结果。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均压场的自动识别,同时可自动识别出该地区是否处于高压后部控制之下,从而提升了的识别效率。
Description
技术领域
本发明涉及天气系统自动识别技术领域,特别涉及一种高压后部识别方法、装置、存储介质及终端。
背景技术
高压后部是一种气象特征,在高压后部的气象特征下,气流是自南向北输送,上空有暖湿气流沿冷空气楔滑升,故有暖锋性质的天气出现,其附近往往伴随着重要的天气系统和天气现象,例如持续性降水,连绵阴雨,雨区范围广。随着高压后部引起的灾害事件频发,高压后部活动得到了广泛的关注,因此高压后部分析成为天气预报业务中一项重要的工作。
在现有的高压后部分析方案中,高压后部分析仍以人工分析为主,即依赖预报员在天气地图上判断一个城市点的天气形势是否是高压后部。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,实现高压后部的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高压后部识别方法、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高压后部识别方法,方法包括:
获取待识别地区未来预设时段的气象预测数据;
以待识别地区为源点,创建多条经过源点的直线;
根据气象预测数据及创建的多条直线,构建待识别地区对应的气压梯度特征;
将气压梯度特征进行归一化,生成特征向量;
将特征向量输入预先训练的高压后部识别模型中,输出待识别地区对应的高压后部识别结果。
可选的,以待识别地区为源点,创建多条经过源点的直线,包括:
以待识别地区为源点,构建经过源点的水平直线;
从水平直线开始沿顺时针方向,每隔第一预设角度绘制一条经过源点的直线,直至绘制的直线与水平直线之间的夹角达到第二预设角度为止;
从水平直线开始沿逆时针方向,每隔第一预设角度绘制一条经过源点的直线,直至绘制的直线与水平直线之间的夹角达到第二预设角度为止,第二预设角度大于第一预设角度小于90°。
可选的,根据气象预测数据及创建的多条直线,构建待识别地区对应的气压梯度特征,包括:
分别确定每条直线与地图上预先标注的等压线之间的交点,得到每条直线的多个交点;
分别从每条直线的多个交点中选取对应直线在第一延伸方向上距离源点最近的交点,并选取对应直线在第二延伸方向上距离源点最近的两个交点,得到每条直线的第一交点、第二交点以及第三交点;
根据每条直线的第一交点、第二交点以及第三交点计算待识别地区对应的气压梯度特征。
可选的,根据每条直线的第一交点、第二交点以及第三交点计算待识别地区对应的气压梯度特征,包括:
分别计算每条直线的第一交点和第二交点之间的距离,得到每条直线的第一距离;
分别计算每条直线的第二交点和第三交点之间的距离,得到每条直线的第二距离;
根据每条直线的第一距离和第二距离,分别计算每条直线对应的气压梯度;
确定每条直线的第一交点、第二交点以及第三交点所在的等压线垂直方向上的跨度,得到每条直线的多个跨度;
将每条直线对应的气压梯度以及每条直线的多个跨度确定为待识别地区对应的气压梯度特征。
可选的,根据每条直线的第一距离和第二距离,分别计算每条直线对应的气压梯度,包括:
获取第一直线上第一交点所在等压线的第一气压值、第二交点所在等压线的第二气压值及第三交点所在等压线的第三气压值;第一直线为每条直线中的任一直线;
计算第一气压值和第二气压值的第一差值,并计算第二气压值与第三气压值的第二差值;
计算第一差值与第一直线的第一距离的第一比值,并计算第二差值与第一直线的第二距离的第二比值;
将第一比值与第二比值确定为第一直线的气压梯度。
可选的,确定每条直线的第一交点所在的等压线垂直方向上的跨度,包括:
获取第一直线的第一交点所在等压线上的最大纵坐标和最小纵坐标;其中,第一直线为每条直线中任一直线;
计算最大纵坐标和最小纵坐标的差值;
将差值确定为第一直线上第一交点对应的跨度。
可选的,按照以下步骤生成预先训练的高压后部识别模型,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高压后部识别模型;
提取正样本和负样本的气压梯度特征,得到正样本特征集合和负样本特征集合;
将正样本特征集合和负样本特征集合中各特征进行归一化处理后输入高压后部识别模型中,并计算损失值;
当损失值到达预设值时,得到训练好的高压后部识别模型。
第二方面,本申请实施例提供了一种高压后部识别装置,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预设时段的气象预测数据;
直线构建模型,用于以待识别地区为源点,创建多条经过源点的直线;
气压梯度特征构建模块,用于根据气象预测数据及创建的多条直线,构建待识别地区对应的气压梯度特征;
特征向量生成模块,用于将气压梯度特征进行归一化,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高压后部识别模型中,输出待识别地区对应的高压后部识别结果。
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,高压后部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,然后以待识别地区为源点,创建多条经过源点的直线,其次根据气象预测数据及创建的多条直线,构建待识别地区对应的气压梯度特征,再将气压梯度特征进行归一化,生成特征向量,最后将特征向量输入预先训练的高压后部识别模型中,输出待识别地区对应的高压后部识别结果。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均压场的自动识别,同时可自动识别出该地区是否处于高压后部控制之下,从而提升了的识别效率。
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高压后部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一种高压后部识别模型生成的方法流程示意图;
图4是本申请实施例提供的一种高压后部识别装置的结构示意图;
图5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。
本申请提供了一种高压后部识别方法、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均压场的自动识别,同时可自动识别出该地区是否处于高压后部控制之下,从而提升了的识别效率,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高压后部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高压后部识别装置上。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高压后部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高压后部识别的某地方,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,当确定进行高压后部识别时,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,以待识别地区为源点,创建多条经过源点的直线;
在一种可能的实现方式中,在创建经过源点的多条直线时,首先以待识别地区为源点,构建经过源点的水平直线,然后从水平直线开始沿顺时针方向,每隔第一预设角度绘制一条经过源点的直线,直至绘制的直线与水平直线之间的夹角达到第二预设角度为止,最后从水平直线开始沿逆时针方向,每隔第一预设角度绘制一条经过源点的直线,直至绘制的直线与水平直线之间的夹角达到第二预设角度为止,第二预设角度大于第一预设角度小于90°。
具体的,第一预设角度为锐角,第二角度为多个锐角组成的钝角。
例如图2所示,构建东西方向的直线为0度的水平线,顺时针每隔15度作一条直线,一直到作出的直线与水平线的角度到45度时停止,最后逆时针每隔15度作一条直线,一直到作出的直线与水平线的角度到45度时停止。
S103,根据气象预测数据及创建的多条直线,构建待识别地区对应的气压梯度特征;
在一种可能的实现方式中,在构建待识别地区对应的气压梯度特征时,首先分别确定每条直线与地图上预先标注的等压线之间的交点,得到每条直线的多个交点,然后分别从每条直线的多个交点中选取对应直线在第一延伸方向上距离源点最近的交点,并选取对应直线在第二延伸方向上距离源点最近的两个交点,得到每条直线的第一交点、第二交点以及第三交点,最后根据每条直线的第一交点、第二交点以及第三交点计算待识别地区对应的气压梯度特征。
具体的,在根据每条直线的第一交点、第二交点以及第三交点计算待识别地区对应的气压梯度特征时,首先分别计算每条直线的第一交点和第二交点之间的距离,得到每条直线的第一距离,然后分别计算每条直线的第二交点和第三交点之间的距离,得到每条直线的第二距离,其次根据每条直线的第一距离和第二距离,分别计算每条直线对应的气压梯度,再确定每条直线的第一交点、第二交点以及第三交点所在的等压线垂直方向上的跨度,得到每条直线的多个跨度,最后将每条直线对应的气压梯度以及每条直线的多个跨度确定为待识别地区对应的气压梯度特征。
具体的,在根据每条直线的第一距离和第二距离,分别计算每条直线对应的气压梯度时,首先获取第一直线上第一交点所在等压线的第一气压值、第二交点所在等压线的第二气压值及第三交点所在等压线的第三气压值;第一直线为每条直线中的任一直线,然后计算第一气压值和第二气压值的第一差值,并计算第二气压值与第三气压值的第二差值,其次计算第一差值与第一直线的第一距离的第一比值,并计算第二差值与第一直线的第二距离的第二比值,最后将第一比值与第二比值确定为第一直线的气压梯度。
具体的,在确定每条直线的第一交点所在的等压线垂直方向上的跨度时,首先获取第一直线的第一交点所在等压线上的最大纵坐标和最小纵坐标;其中,第一直线为每条直线中任一直线,然后计算最大纵坐标和最小纵坐标的差值,最后将差值确定为第一直线上第一交点对应的跨度。
例如图2所示,在计算每条直线的特征时,以0度水平直线为例进行说明,该水平直线上value0为该直线在地区左端与等压线第一个交点的气压值,value1为该直线在城市右端与等压线第一个交点的气压值,value2位该城市在城市右端与等压线第二个交点的气压值。
进一步地,以0度水平直线为例,可计算出value0点与value1点之间的距离dis0,再计算出value2点与value1点之间的距离dis1,其次分别确定出每个点所在等压线垂直方向上的跨度,v_rang0为value0点所在的等压线垂直方向上的跨度,v_rang1为value1点所在的等压线垂直方向上的跨度,v_rang2为value2点所在的等压线垂直方向上的跨度。
进一步地,通过公式(value0-value1)/dis0可计算出grad0;通过公式(value1-value2)/dis1可计算出grad1,最后将grad0,grad1,v_rang0,v_rang1,v_rang2为该直线方向上的特征。
S103,将气压梯度特征进行归一化,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,在得到气压梯度特征后,可将气压梯度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气压梯度特征对应的特征向量。
S104,将特征向量输入预先训练的高压后部识别模型中,输出待识别地区对应的高压后部识别结果;
其中,高压后部识别模型是判断待识别地区是否处于高压后部控制之下的数学模型。
在本申请实施例中,在生成预先训练的高压后部识别模型时,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高压后部识别模型,其次提取正样本和负样本的气压梯度特征,得到正样本特征集合和负样本特征集合,再将正样本特征集合和负样本特征集合中各特征进行归一化处理后输入高压后部识别模型中,并计算损失值,最后当损失值到达预设值时,得到训练好的高压后部识别模型。
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高压后部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高压后部识别结果。其中,高压后部识别结果分为两种,一种是待识别地区处于高压后部控制之下,另一种结果是待识别地区不处于高压后部控制之下。
在本申请实施例中,高压后部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,然后以待识别地区为源点,创建多条经过源点的直线,其次根据气象预测数据及创建的多条直线,构建待识别地区对应的气压梯度特征,再将气压梯度特征进行归一化,生成特征向量,最后将特征向量输入预先训练的高压后部识别模型中,输出待识别地区对应的高压后部识别结果。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均压场的自动识别,同时可自动识别出该地区是否处于高压后部控制之下,从而提升了的识别效率。
请参见图3,为本申请实施例提供了一种高压后部识别模型生成的流程示意图。如图3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高压后部识别结果的正样本,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高压后部识别模型;
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气压梯度特征,得到正样本特征集合和负样本特征集合;
需要说明的是,正样本特征集合和负样本特征集合的构建过程与步骤S102的组合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,将正样本特征集合和负样本特征集合中各特征进行归一化处理后输入高压后部识别模型中,并计算损失值;
S205,当损失值到达预设值时,得到训练好的高压后部识别模型。
在一种可能的实现方式中,当损失值到达预设值时,得到训练好的高压后部识别模型;或者,当损失值未到达预设值时,将损失值进行反向传播,以调整模型的参数,最后继续执行将正样本特征集合和负样本特征集合中各特征进行归一化处理后输入高压后部识别模型中的步骤。
本申请是利用天气学和特征工程的基本知识,提取某个地区的附近的天气特征,主要是东西方向上的气压梯度与东部等压线的南北跨度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,实现是否为高压后部的判断。
在本申请实施例中,高压后部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,然后以待识别地区为源点,创建多条经过源点的直线,其次根据气象预测数据及创建的多条直线,构建待识别地区对应的气压梯度特征,再将气压梯度特征进行归一化,生成特征向量,最后将特征向量输入预先训练的高压后部识别模型中,输出待识别地区对应的高压后部识别结果。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均压场的自动识别,同时可自动识别出该地区是否处于高压后部控制之下,从而提升了的识别效率。
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4,其示出了本发明一个示例性实施例提供的高压后部识别装置的结构示意图。该高压后部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、直线构建模型20、气压梯度特征构建模块30、特征向量生成模块40、结果输出模块50。
气象预测数据获取模块10,用于获取待识别地区未来预设时段的气象预测数据;
直线构建模型20,用于以待识别地区为源点,创建多条经过源点的直线;
气压梯度特征构建模块30,用于根据气象预测数据及创建的多条直线,构建待识别地区对应的气压梯度特征;
特征向量生成模块40,用于将气压梯度特征进行归一化,生成特征向量;
结果输出模块50,用于将特征向量输入预先训练的高压后部识别模型中,输出待识别地区对应的高压后部识别结果。
需要说明的是,上述实施例提供的高压后部识别装置在执行高压后部识别方法时,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,上述实施例提供的高压后部识别装置与高压后部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,高压后部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,然后以待识别地区为源点,创建多条经过源点的直线,其次根据气象预测数据及创建的多条直线,构建待识别地区对应的气压梯度特征,再将气压梯度特征进行归一化,生成特征向量,最后将特征向量输入预先训练的高压后部识别模型中,输出待识别地区对应的高压后部识别结果。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均压场的自动识别,同时可自动识别出该地区是否处于高压后部控制之下,从而提升了的识别效率。
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高压后部识别方法。
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高压后部识别方法。
请参见图5,为本申请实施例提供了一种终端的结构示意图。如图5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5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、用户接口模块以及高压后部识别应用程序。
在图5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中存储的高压后部识别应用程序,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;
以待识别地区为源点,创建多条经过源点的直线;
根据气象预测数据及创建的多条直线,构建待识别地区对应的气压梯度特征;
将气压梯度特征进行归一化,生成特征向量;
将特征向量输入预先训练的高压后部识别模型中,输出待识别地区对应的高压后部识别结果。
在一个实施例中,处理器1001在执行以待识别地区为源点,创建多条经过源点的直线时,具体执行以下操作:
以待识别地区为源点,构建经过源点的水平直线;
从水平直线开始沿顺时针方向,每隔第一预设角度绘制一条经过源点的直线,直至绘制的直线与水平直线之间的夹角达到第二预设角度为止;
从水平直线开始沿逆时针方向,每隔第一预设角度绘制一条经过源点的直线,直至绘制的直线与水平直线之间的夹角达到第二预设角度为止,第二预设角度大于第一预设角度小于90°。
在一个实施例中,处理器1001在执行根据气象预测数据及创建的多条直线,构建待识别地区对应的气压梯度特征时,具体执行以下操作:
分别确定每条直线与地图上预先标注的等压线之间的交点,得到每条直线的多个交点;
分别从每条直线的多个交点中选取对应直线在第一延伸方向上距离源点最近的交点,并选取对应直线在第二延伸方向上距离源点最近的两个交点,得到每条直线的第一交点、第二交点以及第三交点;
根据每条直线的第一交点、第二交点以及第三交点计算待识别地区对应的气压梯度特征。
在一个实施例中,处理器1001在执行根据每条直线的第一交点、第二交点以及第三交点计算待识别地区对应的气压梯度特征时,具体执行以下操作:
分别计算每条直线的第一交点和第二交点之间的距离,得到每条直线的第一距离;
分别计算每条直线的第二交点和第三交点之间的距离,得到每条直线的第二距离;
根据每条直线的第一距离和第二距离,分别计算每条直线对应的气压梯度;
确定每条直线的第一交点、第二交点以及第三交点所在的等压线垂直方向上的跨度,得到每条直线的多个跨度;
将每条直线对应的气压梯度以及每条直线的多个跨度确定为待识别地区对应的气压梯度特征。
在一个实施例中,处理器1001在执行根据每条直线的第一距离和第二距离,分别计算每条直线对应的气压梯度时,具体执行以下操作:
获取第一直线上第一交点所在等压线的第一气压值、第二交点所在等压线的第二气压值及第三交点所在等压线的第三气压值;第一直线为每条直线中的任一直线;
计算第一气压值和第二气压值的第一差值,并计算第二气压值与第三气压值的第二差值;
计算第一差值与第一直线的第一距离的第一比值,并计算第二差值与第一直线的第二距离的第二比值;
将第一比值与第二比值确定为第一直线的气压梯度。
在一个实施例中,处理器1001在执行确定每条直线的第一交点所在的等压线垂直方向上的跨度时,具体执行以下操作:
获取第一直线的第一交点所在等压线上的最大纵坐标和最小纵坐标;其中,第一直线为每条直线中任一直线;
计算最大纵坐标和最小纵坐标的差值;
将差值确定为第一直线上第一交点对应的跨度。
在一个实施例中,处理器1001在生成预先训练的高压后部识别模型时,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高压后部识别模型;
提取正样本和负样本的气压梯度特征,得到正样本特征集合和负样本特征集合;
将正样本特征集合和负样本特征集合中各特征进行归一化处理后输入高压后部识别模型中,并计算损失值;
当损失值到达预设值时,得到训练好的高压后部识别模型。
在本申请实施例中,高压后部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,然后以待识别地区为源点,创建多条经过源点的直线,其次根据气象预测数据及创建的多条直线,构建待识别地区对应的气压梯度特征,再将气压梯度特征进行归一化,生成特征向量,最后将特征向量输入预先训练的高压后部识别模型中,输出待识别地区对应的高压后部识别结果。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均压场的自动识别,同时可自动识别出该地区是否处于高压后部控制之下,从而提升了的识别效率。
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,高压后部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 (10)
1.一种高压后部识别方法,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;
以所述待识别地区为源点,创建多条经过所述源点的直线;
根据所述气象预测数据及创建的多条直线,构建所述待识别地区对应的气压梯度特征;
将所述气压梯度特征进行归一化,生成特征向量;
将所述特征向量输入预先训练的高压后部识别模型中,输出所述待识别地区对应的高压后部识别结果。
2.根据权利要求1所述的方法,其特征在于,所述以所述待识别地区为源点,创建多条经过所述源点的直线,包括:
以所述待识别地区为源点,构建经过所述源点的水平直线;
从所述水平直线开始沿顺时针方向,每隔第一预设角度绘制一条经过所述源点的直线,直至绘制的直线与所述水平直线之间的夹角达到第二预设角度为止;
从所述水平直线开始沿逆时针方向,每隔所述第一预设角度绘制一条经过所述源点的直线,直至绘制的直线与所述水平直线之间的夹角达到所述第二预设角度为止,所述第二预设角度大于所述第一预设角度小于90°。
3.根据权利要求1所述的方法,其特征在于,所述根据所述气象预测数据及创建的多条直线,构建所述待识别地区对应的气压梯度特征,包括:
分别确定每条直线与地图上预先标注的等压线之间的交点,得到每条直线的多个交点;
分别从所述每条直线的多个交点中选取对应直线在第一延伸方向上距离所述源点最近的交点,并选取对应直线在第二延伸方向上距离所述源点最近的两个交点,得到每条直线的第一交点、第二交点以及第三交点;
根据所述每条直线的第一交点、第二交点以及第三交点计算待识别地区对应的气压梯度特征。
4.根据权利要求3所述的方法,其特征在于,所述根据所述每条直线的第一交点、第二交点以及第三交点计算待识别地区对应的气压梯度特征,包括:
分别计算所述每条直线的第一交点和第二交点之间的距离,得到每条直线的第一距离;
分别计算所述每条直线的第二交点和第三交点之间的距离,得到每条直线的第二距离;
根据所述每条直线的第一距离和第二距离,分别计算每条直线对应的气压梯度;
确定所述每条直线的第一交点、第二交点以及第三交点所在的等压线垂直方向上的跨度,得到每条直线的多个跨度;
将所述每条直线对应的气压梯度以及所述每条直线的多个跨度确定为待识别地区对应的气压梯度特征。
5.根据权利要求4所述的方法,其特征在于,所述根据所述每条直线的第一距离和第二距离,分别计算每条直线对应的气压梯度,包括:
获取第一直线上所述第一交点所在等压线的第一气压值、所述第二交点所在等压线的第二气压值及所述第三交点所在等压线的第三气压值;所述第一直线为所述每条直线中的任一直线;
计算所述第一气压值和第二气压值的第一差值,并计算所述第二气压值与所述第三气压值的第二差值;
计算所述第一差值与所述第一直线的第一距离的第一比值,并计算所述第二差值与所述第一直线的第二距离的第二比值;
将所述第一比值与所述第二比值确定为所述第一直线的气压梯度。
6.根据权利要求4所述的方法,其特征在于,确定所述每条直线的第一交点所在的等压线垂直方向上的跨度,包括:
获取第一直线的第一交点所在等压线上的最大纵坐标和最小纵坐标;其中,所述第一直线为所述每条直线中任一直线;
计算所述最大纵坐标和最小纵坐标的差值;
将所述差值确定为所述第一直线上所述第一交点对应的跨度。
7.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高压后部识别模型,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高压后部识别模型;
提取所述正样本和负样本的气压梯度特征,得到正样本特征集合和负样本特征集合;
将所述正样本特征集合和负样本特征集合中各特征进行归一化处理后输入所述高压后部识别模型中,并计算损失值;
当所述损失值到达预设值时,得到训练好的高压后部识别模型。
8.一种高压后部识别装置,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预设时段的气象预测数据;
直线构建模型,用于以所述待识别地区为源点,创建多条经过所述源点的直线;
气压梯度特征构建模块,用于根据所述气象预测数据及创建的多条直线,构建所述待识别地区对应的气压梯度特征;
特征向量生成模块,用于将所述气压梯度特征进行归一化,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高压后部识别模型中,输出所述待识别地区对应的高压后部识别结果。
9.一种计算机存储介质,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1-7任意一项的方法步骤。
10.一种终端,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1-7任意一项的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210253347.1A CN114626458B (zh) | 2022-03-15 | 2022-03-15 | 一种高压后部识别方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210253347.1A CN114626458B (zh) | 2022-03-15 | 2022-03-15 | 一种高压后部识别方法、装置、存储介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114626458A true CN114626458A (zh) | 2022-06-14 |
CN114626458B CN114626458B (zh) | 2022-10-21 |
Family
ID=81902604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210253347.1A Active CN114626458B (zh) | 2022-03-15 | 2022-03-15 | 一种高压后部识别方法、装置、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114626458B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102445715A (zh) * | 2010-10-04 | 2012-05-09 | 精工爱普生株式会社 | 气象变化预测信息提供系统及气象变化预测信息提供方法 |
JP2013054004A (ja) * | 2011-09-06 | 2013-03-21 | Seiko Epson Corp | 気象計測装置の配置方法、気象変動予測情報提供システム、気象変動予測情報提供方法、気象変動予測情報提供プログラム及び記録媒体 |
CN104240239A (zh) * | 2014-09-01 | 2014-12-24 | 西南交通大学 | 一种基于道路图像探测局域路段雾霾天气的检测方法 |
CN105738974A (zh) * | 2016-02-05 | 2016-07-06 | 北京市环境保护监测中心 | 空气重污染天气的预报方法和系统 |
CN108319693A (zh) * | 2018-02-01 | 2018-07-24 | 张文淑 | 一种基于立体遥感数据库的地貌特征聚类分析方法 |
CN111738208A (zh) * | 2020-07-16 | 2020-10-02 | 江苏省气象信息中心 | 关于气象自记纸中轨迹提取的方法 |
CN112686972A (zh) * | 2021-01-20 | 2021-04-20 | 中科三清科技有限公司 | 一种气压等值线绘制方法、装置、电子设备及存储介质 |
CN113255995A (zh) * | 2021-05-24 | 2021-08-13 | 北京建筑大学 | 一种空气污染预测方法 |
WO2021203980A1 (zh) * | 2020-11-20 | 2021-10-14 | 平安科技(深圳)有限公司 | 一种气象事件预测方法、装置及相关设备 |
CN113536657A (zh) * | 2021-05-06 | 2021-10-22 | 北京邮电大学 | 基于机器学习的海洋大气折射率预测方法 |
-
2022
- 2022-03-15 CN CN202210253347.1A patent/CN114626458B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102445715A (zh) * | 2010-10-04 | 2012-05-09 | 精工爱普生株式会社 | 气象变化预测信息提供系统及气象变化预测信息提供方法 |
JP2013054004A (ja) * | 2011-09-06 | 2013-03-21 | Seiko Epson Corp | 気象計測装置の配置方法、気象変動予測情報提供システム、気象変動予測情報提供方法、気象変動予測情報提供プログラム及び記録媒体 |
CN104240239A (zh) * | 2014-09-01 | 2014-12-24 | 西南交通大学 | 一种基于道路图像探测局域路段雾霾天气的检测方法 |
CN105738974A (zh) * | 2016-02-05 | 2016-07-06 | 北京市环境保护监测中心 | 空气重污染天气的预报方法和系统 |
CN108319693A (zh) * | 2018-02-01 | 2018-07-24 | 张文淑 | 一种基于立体遥感数据库的地貌特征聚类分析方法 |
CN111738208A (zh) * | 2020-07-16 | 2020-10-02 | 江苏省气象信息中心 | 关于气象自记纸中轨迹提取的方法 |
WO2021203980A1 (zh) * | 2020-11-20 | 2021-10-14 | 平安科技(深圳)有限公司 | 一种气象事件预测方法、装置及相关设备 |
CN112686972A (zh) * | 2021-01-20 | 2021-04-20 | 中科三清科技有限公司 | 一种气压等值线绘制方法、装置、电子设备及存储介质 |
CN113536657A (zh) * | 2021-05-06 | 2021-10-22 | 北京邮电大学 | 基于机器学习的海洋大气折射率预测方法 |
CN113255995A (zh) * | 2021-05-24 | 2021-08-13 | 北京建筑大学 | 一种空气污染预测方法 |
Non-Patent Citations (5)
Title |
---|
CUI XIE ET AL.: "Multi-faceted Visual Analysis on Tropical Cyclone", 《INTERNATIONAL CONFERENCE ON COOPERATIVE DESIGN,VISUALIZATION AND ENGINEERING》 * |
XU WANG ET AL.: "Using fuzzy logic to discriminate convective and statiform precipitation in Doppler weather radar", 《2012 9TH INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS AND KNOWLEDGE DISCOVERY》 * |
丁新亚: "基于多要素融合的锋面自动识别方法研究", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》 * |
苏爱芳等: "河南省对流性暴雨云系特征与概念模型", 《应用气象学报》 * |
赵宗玉: "一种基于多普勒天气雷达的下击暴流预报方法", 《中国优秀硕士论文全文数据库(基础科学辑)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN114626458B (zh) | 2022-10-21 |
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 | |
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 | |
CN106909901B (zh) | 从图像中检测物体的方法及装置 | |
CN114863418B (zh) | 一种均压场识别方法、装置、存储介质及终端 | |
CN115063875B (zh) | 模型训练方法、图像处理方法、装置和电子设备 | |
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 | |
CN110619605B (zh) | 并行气象要素降尺度方法、装置、电子设备及存储介质 | |
CN114626458B (zh) | 一种高压后部识别方法、装置、存储介质及终端 | |
CN114066718A (zh) | 一种图像风格迁移方法、装置、存储介质及终端 | |
CN114581794B (zh) | 地理数字孪生信息获取方法、装置、电子设备及存储介质 | |
CN110990917A (zh) | Bim模型展示的方法、装置及系统 | |
CN112434260A (zh) | 一种公路的交通状态检测方法、装置、存储介质及终端 | |
CN111461105A (zh) | 一种文本识别方法和装置 | |
CN113658292A (zh) | 气象数据色斑图生成方法、装置、设备及存储介质 | |
CN115439753A (zh) | 一种基于dem的陡峭河岸识别方法及系统 | |
CN112016502A (zh) | 安全带检测方法、装置、计算机设备及存储介质 | |
CN114385662A (zh) | 路网更新方法、装置、存储介质及电子设备 | |
CN114429640A (zh) | 图纸分割方法、装置及电子设备 | |
CN116071651B (zh) | 一种均压场识别方法、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 | |
CN115937690B (zh) | 一种槽线生成方法、装置、存储介质及终端 | |
CN115861816B (zh) | 一种立体低涡识别方法、装置、存储介质及终端 | |
CN115840881A (zh) | 空气数据处理方法、装置及相关设备 | |
CN115661904A (zh) | 数据标注和域适应模型训练方法、装置、设备及介质 | |
CN115375965A (zh) | 一种目标场景识别的预处理方法、目标场景识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20220614 Assignee: Beijing Zhongke Sanqing Environmental Technology Co.,Ltd. Assignor: 3CLEAR TECHNOLOGY Co.,Ltd. Contract record no.: X2023980042173 Denomination of invention: A high-voltage rear identification method, device, storage medium, and terminal Granted publication date: 20221021 License type: Common License Record date: 20230920 |
|
EE01 | Entry into force of recordation of patent licensing contract |