CN114863418A - 一种均压场识别方法、装置、存储介质及终端 - Google Patents
一种均压场识别方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN114863418A CN114863418A CN202210467753.8A CN202210467753A CN114863418A CN 114863418 A CN114863418 A CN 114863418A CN 202210467753 A CN202210467753 A CN 202210467753A CN 114863418 A CN114863418 A CN 114863418A
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- longitude
- latitude
- image
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computer Graphics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种均压场识别方法、装置、存储介质及终端,方法包括:获取待识别地区在未来预设时段内经纬度坐标点上的气象预测数据;根据经纬度坐标点上的气象预测数据进行数据扩充,生成高分辨率矩阵数据;构建等压线矩阵图像,并将等压线矩阵图像与高分辨率矩阵数据进行融合,生成三维矩阵数据;将三维矩阵数据输入预先训练的均压场识别模型中,输出待识别地区对应的均压场识别结果。由于本申请通过将高分辨率矩阵数据与等压线矩阵图像融合为另一种形式的三维矩阵数据,从而打通了非图像数据与图像数据的通道,并利用训练的模型结合三维矩阵数据进行均压场的自动分析,可实现气象业务中均压场的自动识别,从而提升了均压场的识别效率。
Description
技术领域
本发明涉及天气系统自动识别技术领域,特别涉及一种均压场识别方法、装置、存储介质及终端。
背景技术
均压场就是在一个范围之内气压变化极小,以至于通过气压梯度力形成的风都无法形成的一种地面天气,其附近往往伴随着重要的天气系统和天气现象,例如该范围内出现风力微弱,导致出现灰霾天气。随着均压场引起的灾害事件频发,均压场活动得到了广泛的关注,因此均压场分析成为天气预报业务中一项重要的工作。
在现有的均压场分析方案中,均压场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均压场。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。
专利申请CN112131958A提供了一种自动识别西南低涡的方法,通过在高空等压面中自动识别西南低涡,并利用数字图像方法对西南低涡的关键特征进行分析,可完成对西南低涡的自动识别,由于高空等压面的范围大而广,采用数字图像方法提取的关键特征存在遗漏,使得提取的特征无法全面表征天气特征,从而导致识别的准确度较低,降低了识别效率。
发明内容
本申请实施例提供了一种均压场识别方法、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均压场识别方法,方法包括:
获取待识别地区在未来预设时段内经纬度坐标点上的气象预测数据;
根据经纬度坐标点上的气象预测数据进行数据扩充,生成高分辨率矩阵数据;
构建等压线矩阵图像,并将等压线矩阵图像与高分辨率矩阵数据进行融合,生成三维矩阵数据;
将三维矩阵数据输入预先训练的均压场识别模型中,输出待识别地区对应的均压场识别结果。
可选的,根据经纬度坐标点上的气象预测数据进行数据扩充,生成高分辨率矩阵数据,包括:
根据预设经纬度参数确定矩阵大小;
根据矩阵大小,并结合经纬度坐标点上的气象预测数据进行数据扩充,得到高分辨率矩阵数据。
可选的,预设经纬度参数包括经度范围、维度范围以及经纬度间隔值;
根据预设经纬度参数确定矩阵大小,包括:
根据经度范围、维度范围以及经纬度间隔值分别计算数据高度和数据宽度;
根据数据高度和数据宽度确定矩阵大小。
可选的,根据矩阵大小,并结合经纬度坐标点上的气象预测数据进行数据扩充,得到高分辨率矩阵数据,包括:
根据矩阵大小,并结合经纬度坐标点上的气象预测数据构建初始矩阵;
采用反距离加权插值算法,并结合初始矩阵中已有的气象数据预测初始矩阵中缺失的气象数据进行补充,得到高分辨率矩阵数据。
可选的,构建等压线矩阵图像,包括:
根据经度范围、维度范围绘制等压线,得到等压线图像;
根据数据高度和数据宽度构建单通道像素值均为0的二维矩阵;
将等压线图像映射到二维矩阵中,得到等压线矩阵图像。
可选的,将等压线矩阵图像与高分辨率矩阵数据进行融合,生成三维矩阵数据,包括:
将等压线矩阵图像确定为等压线数据层;
将高分辨率矩阵数据中的所有风场数据确定为风场数据层;
将高分辨率矩阵数据中的所有气压数据确定为气压数据层;
将气压数据层、风场数据层以及等压线数据层进行融合后,生成三维矩阵数据。
可选的,按照以下步骤生成预先训练的均压场识别模型,包括:
采集历史气象数据,得到样本集;
构建样本集中每个样本的三维矩阵训练数据和标签数据;
利用语义分割网络构建均压场识别模型;
将每个样本的三维矩阵训练数据和标签数据关联后输入均压场识别模型,输出模型损失值;
当损失值到达预设值时,生成预先训练的均压场识别模型。
第二方面,本申请实施例提供了一种均压场识别装置,装置包括:
气象预测数据获取模块,用于获取待识别地区在未来预设时段内经纬度坐标点上的气象预测数据;
高分辨率矩阵数据生成模块,用于根据经纬度坐标点上的气象预测数据进行数据扩充,生成高分辨率矩阵数据;
三维矩阵数据生成模块,用于构建等压线矩阵图像,并将等压线矩阵图像与高分辨率矩阵数据进行融合,生成三维矩阵数据;
均压场识别模块,用于将三维矩阵数据输入预先训练的均压场识别模型中,输出待识别地区对应的均压场识别结果。
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,均压场识别装置首先获取待识别地区在未来预设时段内经纬度坐标点上的气象预测数据,然后根据经纬度坐标点上的气象预测数据进行数据扩充,生成高分辨率矩阵数据,其次构建等压线矩阵图像,并将等压线矩阵图像与高分辨率矩阵数据进行融合,生成三维矩阵数据,最后将三维矩阵数据输入预先训练的均压场识别模型中,输出待识别地区对应的均压场识别结果。由于本申请通过将高分辨率矩阵数据与等压线矩阵图像融合为另一种形式的三维矩阵数据,从而打通了非图像数据与图像数据的通道,并利用训练的模型结合三维矩阵数据进行均压场的自动分析,可实现气象业务中均压场的自动识别,从而提升了均压场的识别效率。
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均压场识别方法的流程示意图;
图2是本申请实施例提供的一种等压线矩阵图像示意图;
图3是本申请实施例提供的一种均压场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均压场图像示意图;
图5是本申请实施例提供的一种均压场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。
本申请提供了一种均压场识别方法、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,由于本申请通过将高分辨率矩阵数据与等压线矩阵图像融合为另一种形式的三维矩阵数据,从而打通了非图像数据与图像数据的通道,并利用训练的模型结合三维矩阵数据进行均压场的自动分析,可实现气象业务中均压场的自动识别,从而提升了均压场的识别效率,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4,对本申请实施例提供的均压场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均压场识别装置上。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均压场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,获取待识别地区在未来预设时段内经纬度坐标点上的气象预测数据;
其中,待识别地区为需要进行均压场识别的某地方,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,例如不同经纬度坐标点上的风场数据和气压数据。
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,然后采用气象学相关技术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,当确定进行均压场识别时,可根据待识别地区的标识从数据库获取待识别地区在未来预设时段内经纬度坐标点上的气象预测数据。
具体的,经纬度坐标点可以称为格点或者站点,格点或者站点上的风场数据和气压数据可以作为站点数据或者格点数据。
S102,根据经纬度坐标点上的气象预测数据进行数据扩充,生成高分辨率矩阵数据;
通常,数据扩充时采用反距离加权插值算法进行,反距离加权插值算法即IDW(Inverse Distance Weight),也可以称为距离倒数乘方法。可通过设定的参数预测未知的参数。
在本申请实施例中,在生成高分辨率矩阵数据时,首先根据预设经纬度参数确定矩阵大小,然后根据矩阵大小,并结合经纬度坐标点上的气象预测数据进行数据扩充,得到高分辨率矩阵数据。其中,预设经纬度参数包括经度范围、维度范围以及经纬度间隔值。
具体的,在根据预设经纬度参数确定矩阵大小时,首先根据经度范围、维度范围以及经纬度间隔值分别计算数据高度和数据宽度,然后可根据数据高度和数据宽度确定矩阵大小。
例如,以经度范围为50-160,纬度范围为5-80为例,经纬度间隔均为0.2进行数据扩充时,此时数据高度为(80-5)/0.2+1=376,数据宽度为(160-50)/0.2+1=551,因此矩阵大小为551*376。
具体的,在根据矩阵大小,并结合经纬度坐标点上的气象预测数据进行数据扩充,得到高分辨率矩阵数据时,首先根据矩阵大小,并结合经纬度坐标点上的气象预测数据构建初始矩阵,最后采用反距离加权插值算法,并结合初始矩阵中已有的气象数据预测初始矩阵中缺失的气象数据进行补充,得到高分辨率矩阵数据。
进一步地,在该高分辨率矩阵数据中,所有的风场数据确定为风场数据层,所有气压数据确定为气压数据层。
S103,构建等压线矩阵图像,并将等压线矩阵图像与高分辨率矩阵数据进行融合,生成三维矩阵数据;
在本申请实施例中,在构建等压线矩阵图像时,首先根据经度范围、维度范围绘制等压线,得到等压线图像,然后根据数据高度和数据宽度构建单通道像素值均为0的二维矩阵,最后将等压线图像映射到二维矩阵中,得到等压线矩阵图像。等压线矩阵图像中等压线所在位置像素置为255,若将该二维矩阵作为图片保存下来如图2所示,该二维矩阵可以称为等压线数据层。
具体的,可采用等压线绘制算法,并结合经度范围、维度范围绘制等压线,得到等压线图像,该等压线的气压值可以被2.5hpa整除。
在本申请实施例中,在将等压线矩阵图像与高分辨率矩阵数据进行融合,生成三维矩阵数据时,首先将等压线矩阵图像确定为等压线数据层,然后将高分辨率矩阵数据中的所有风场数据确定为风场数据层,其次将高分辨率矩阵数据中的所有气压数据确定为气压数据层,最后将气压数据层、风场数据层以及等压线数据层进行融合后,生成三维矩阵数据。当数据高度为(80-5)/0.2+1=376,数据宽度为(160-50)/0.2+1=551时,该三维矩阵可以是一个3*376*551的三维矩阵。
需要说明的是,将气压数据层、风场数据层以及等压线数据层进行融合时的排列顺序与模型训练时的排列顺序一致。
S104,将三维矩阵数据输入预先训练的均压场识别模型中,输出待识别地区对应的均压场识别结果。
在本申请实施例中,在生成预先训练的均压场识别模型时,首先采集历史气象数据,得到样本集,然后构建样本集中每个样本的三维矩阵训练数据和标签数据,其次利用语义分割网络构建均压场识别模型,再将每个样本的三维矩阵训练数据和标签数据关联后输入均压场识别模型,输出模型损失值,最后当损失值到达预设值时,生成预先训练的均压场识别模型。
在一种可能的实现方式中,在基于步骤S103得到三维矩阵数据后,可将该三维矩阵数据输入预先训练的均压场识别模型中进行分析,分析处理后输出待识别地区对应的均压场识别结果。
具体的,均压场识别结果为均压场区域的坐标集合。
进一步地,把均压场区域的坐标集合映射到天气图上,即可得到待识别地区的均压场区域。
在本申请实施例中,均压场识别装置首先获取待识别地区在未来预设时段内经纬度坐标点上的气象预测数据,然后根据经纬度坐标点上的气象预测数据进行数据扩充,生成高分辨率矩阵数据,其次构建等压线矩阵图像,并将等压线矩阵图像与高分辨率矩阵数据进行融合,生成三维矩阵数据,最后将三维矩阵数据输入预先训练的均压场识别模型中,输出待识别地区对应的均压场识别结果。由于本申请通过将高分辨率矩阵数据与等压线矩阵图像融合为另一种形式的三维矩阵数据,从而打通了非图像数据与图像数据的通道,并利用训练的模型结合三维矩阵数据进行均压场的自动分析,可实现气象业务中均压场的自动识别,从而提升了均压场的识别效率。
请参见图3,为本申请实施例提供了一种均压场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,得到样本集;
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。
S202,构建样本集中每个样本的三维矩阵训练数据和标签数据;
通常,每个样本集中包括气象数据。
在本申请实施例中,在构建样本集中每个样本的三维矩阵训练数据和标签数据时,构建并标注样本集中每个样本的对应的风场数据层、气压数据层以及等压线数据层。风场数据层依据标注提供均压场区域风力很小的特征,气压数据层依据标注提供均压场区域气压数据变化轻微的特征,等压线数据层依据标注提供均压场区域分布在2.5hpa等压线之间的特征。即使风力很小,气压变化轻微,若跨过了被2.5hpa整除的等压线,均不认为是均压场区域。
在标注完成后,将每个样本的标注后的风场数据层、气压数据层以及等压线数据层融合为三维矩阵训练数据,然后将标注后的等压线数据层映射到分辨率为551*376的二维矩阵中,得到每个样本的标签图像,每个样本的标签图像中的等压线所在位置像素置为255,例如图4所示,最后在模型实际训练时,可将标签图像中的等压线所在位置像素映射为1,生成每个样本的标签数据。
S203,利用语义分割网络构建均压场识别模型;
在本申请实施例中,可选用原始的Unet网络作为语义分割网络。
S204,将每个样本的三维矩阵训练数据和标签数据关联后输入均压场识别模型,输出模型损失值;
S205,当损失值到达预设值时,生成预先训练的均压场识别模型。
在一种可能的实现方式中,当损失值到达预设值时,得到预先训练的均压场识别模型,然后将预先训练的均压场识别模型进行保存;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,最后继续执行将每个样本的三维矩阵训练数据和标签数据关联后输入均压场识别模型的步骤,直到损失值到达预设值时停止训练。
在本申请实施例中,均压场识别装置首先获取待识别地区在未来预设时段内经纬度坐标点上的气象预测数据,然后根据经纬度坐标点上的气象预测数据进行数据扩充,生成高分辨率矩阵数据,其次构建等压线矩阵图像,并将等压线矩阵图像与高分辨率矩阵数据进行融合,生成三维矩阵数据,最后将三维矩阵数据输入预先训练的均压场识别模型中,输出待识别地区对应的均压场识别结果。由于本申请通过将高分辨率矩阵数据与等压线矩阵图像融合为另一种形式的三维矩阵数据,从而打通了非图像数据与图像数据的通道,并利用训练的模型结合三维矩阵数据进行均压场的自动分析,可实现气象业务中均压场的自动识别,从而提升了均压场的识别效率。
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5,其示出了本发明一个示例性实施例提供的均压场识别装置的结构示意图。该均压场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、高分辨率矩阵数据生成模块20、三维矩阵数据生成模块30、均压场识别模块40。
气象预测数据获取模块10,用于获取待识别地区在未来预设时段内经纬度坐标点上的气象预测数据;
高分辨率矩阵数据生成模块20,用于根据经纬度坐标点上的气象预测数据进行数据扩充,生成高分辨率矩阵数据;
三维矩阵数据生成模块30,用于构建等压线矩阵图像,并将等压线矩阵图像与高分辨率矩阵数据进行融合,生成三维矩阵数据;
均压场识别模块40,用于将三维矩阵数据输入预先训练的均压场识别模型中,输出待识别地区对应的均压场识别结果。
需要说明的是,上述实施例提供的均压场识别装置在执行均压场识别方法时,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,上述实施例提供的均压场识别装置与均压场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,均压场识别装置首先获取待识别地区在未来预设时段内经纬度坐标点上的气象预测数据,然后根据经纬度坐标点上的气象预测数据进行数据扩充,生成高分辨率矩阵数据,其次构建等压线矩阵图像,并将等压线矩阵图像与高分辨率矩阵数据进行融合,生成三维矩阵数据,最后将三维矩阵数据输入预先训练的均压场识别模型中,输出待识别地区对应的均压场识别结果。由于本申请通过将高分辨率矩阵数据与等压线矩阵图像融合为另一种形式的三维矩阵数据,从而打通了非图像数据与图像数据的通道,并利用训练的模型结合三维矩阵数据进行均压场的自动分析,可实现气象业务中均压场的自动识别,从而提升了均压场的识别效率。
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均压场识别方法。
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均压场识别方法。
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、用户接口模块以及均压场识别应用程序。
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中存储的均压场识别应用程序,并具体执行以下操作:
获取待识别地区在未来预设时段内经纬度坐标点上的气象预测数据;
根据经纬度坐标点上的气象预测数据进行数据扩充,生成高分辨率矩阵数据;
构建等压线矩阵图像,并将等压线矩阵图像与高分辨率矩阵数据进行融合,生成三维矩阵数据;
将三维矩阵数据输入预先训练的均压场识别模型中,输出待识别地区对应的均压场识别结果。
在一个实施例中,处理器1001在执行根据经纬度坐标点上的气象预测数据进行数据扩充,生成高分辨率矩阵数据时,具体执行以下操作:
根据预设经纬度参数确定矩阵大小;
根据矩阵大小,并结合经纬度坐标点上的气象预测数据进行数据扩充,得到高分辨率矩阵数据。
在一个实施例中,处理器1001在执行根据预设经纬度参数确定矩阵大小时,具体执行以下操作:
根据经度范围、维度范围以及经纬度间隔值分别计算数据高度和数据宽度;
根据数据高度和数据宽度确定矩阵大小。
在一个实施例中,处理器1001在执行根据矩阵大小,并结合经纬度坐标点上的气象预测数据进行数据扩充,得到高分辨率矩阵数据时,具体执行以下操作:
根据矩阵大小,并结合经纬度坐标点上的气象预测数据构建初始矩阵;
采用反距离加权插值算法,并结合初始矩阵中已有的气象数据预测初始矩阵中缺失的气象数据进行补充,得到高分辨率矩阵数据。
在一个实施例中,处理器1001在执行构建等压线矩阵图像时,具体执行以下操作:
根据经度范围、维度范围绘制等压线,得到等压线图像;
根据数据高度和数据宽度构建单通道像素值均为0的二维矩阵;
将等压线图像映射到二维矩阵中,得到等压线矩阵图像。
在一个实施例中,处理器1001在执行将等压线矩阵图像与高分辨率矩阵数据进行融合,生成三维矩阵数据时,具体执行以下操作:
将等压线矩阵图像确定为等压线数据层;
将高分辨率矩阵数据中的所有风场数据确定为风场数据层;
将高分辨率矩阵数据中的所有气压数据确定为气压数据层;
将气压数据层、风场数据层以及等压线数据层进行融合后,生成三维矩阵数据。
在一个实施例中,处理器1001在生成预先训练的均压场识别模型时,具体执行以下操作:
采集历史气象数据,得到样本集;
构建样本集中每个样本的三维矩阵训练数据和标签数据;
利用语义分割网络构建均压场识别模型;
将每个样本的三维矩阵训练数据和标签数据关联后输入均压场识别模型,输出模型损失值;
当损失值到达预设值时,生成预先训练的均压场识别模型。
在本申请实施例中,均压场识别装置首先获取待识别地区在未来预设时段内经纬度坐标点上的气象预测数据,然后根据经纬度坐标点上的气象预测数据进行数据扩充,生成高分辨率矩阵数据,其次构建等压线矩阵图像,并将等压线矩阵图像与高分辨率矩阵数据进行融合,生成三维矩阵数据,最后将三维矩阵数据输入预先训练的均压场识别模型中,输出待识别地区对应的均压场识别结果。由于本申请通过将高分辨率矩阵数据与等压线矩阵图像融合为另一种形式的三维矩阵数据,从而打通了非图像数据与图像数据的通道,并利用训练的模型结合三维矩阵数据进行均压场的自动分析,可实现气象业务中均压场的自动识别,从而提升了均压场的识别效率。
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,均压场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)
1.一种均压场识别方法,其特征在于,所述方法包括:
获取待识别地区在未来预设时段内经纬度坐标点上的气象预测数据;
根据所述经纬度坐标点上的气象预测数据进行数据扩充,生成高分辨率矩阵数据;
构建等压线矩阵图像,并将所述等压线矩阵图像与所述高分辨率矩阵数据进行融合,生成三维矩阵数据;
将所述三维矩阵数据输入预先训练的均压场识别模型中,输出所述待识别地区对应的均压场识别结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述经纬度坐标点上的气象预测数据进行数据扩充,生成高分辨率矩阵数据,包括:
根据预设经纬度参数确定矩阵大小;
根据所述矩阵大小,并结合所述经纬度坐标点上的气象预测数据进行数据扩充,得到高分辨率矩阵数据。
3.根据权利要求2所述的方法,其特征在于,所述预设经纬度参数包括经度范围、维度范围以及经纬度间隔值;
所述根据预设经纬度参数确定矩阵大小,包括:
根据所述经度范围、维度范围以及经纬度间隔值分别计算数据高度和数据宽度;
根据所述数据高度和所述数据宽度确定矩阵大小。
4.根据权利要求3所述的方法,其特征在于,所述根据所述矩阵大小,并结合所述经纬度坐标点上的气象预测数据进行数据扩充,得到高分辨率矩阵数据,包括:
根据所述矩阵大小,并结合所述经纬度坐标点上的气象预测数据构建初始矩阵;
采用反距离加权插值算法,并结合所述初始矩阵中已有的气象数据预测所述初始矩阵中缺失的气象数据进行补充,得到高分辨率矩阵数据。
5.根据权利要求3所述的方法,其特征在于,所述构建等压线矩阵图像,包括:
根据所述经度范围、维度范围绘制等压线,得到等压线图像;
根据所述数据高度和所述数据宽度构建单通道像素值均为0的二维矩阵;
将所述等压线图像映射到所述二维矩阵中,得到等压线矩阵图像。
6.根据权利要求1所述的方法,其特征在于,所述将所述等压线矩阵图像与所述高分辨率矩阵数据进行融合,生成三维矩阵数据,包括:
将所述等压线矩阵图像确定为等压线数据层;
将所述高分辨率矩阵数据中的所有风场数据确定为风场数据层;
将所述高分辨率矩阵数据中的所有气压数据确定为气压数据层;
将所述气压数据层、所述风场数据层以及所述等压线数据层进行融合后,生成三维矩阵数据。
7.根据权利要求6所述的方法,其特征在于,按照以下步骤生成预先训练的均压场识别模型,包括:
采集历史气象数据,得到样本集;
构建所述样本集中每个样本的三维矩阵训练数据和标签数据;
利用语义分割网络构建均压场识别模型;
将所述每个样本的三维矩阵训练数据和标签数据关联后输入所述均压场识别模型,输出模型损失值;
当损失值到达预设值时,生成预先训练的均压场识别模型。
8.一种均压场识别装置,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在未来预设时段内经纬度坐标点上的气象预测数据;
高分辨率矩阵数据生成模块,用于根据所述经纬度坐标点上的气象预测数据进行数据扩充,生成高分辨率矩阵数据;
三维矩阵数据生成模块,用于构建等压线矩阵图像,并将所述等压线矩阵图像与所述高分辨率矩阵数据进行融合,生成三维矩阵数据;
均压场识别模块,用于将所述三维矩阵数据输入预先训练的均压场识别模型中,输出所述待识别地区对应的均压场识别结果。
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。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210467753.8A CN114863418B (zh) | 2022-04-29 | 2022-04-29 | 一种均压场识别方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210467753.8A CN114863418B (zh) | 2022-04-29 | 2022-04-29 | 一种均压场识别方法、装置、存储介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114863418A true CN114863418A (zh) | 2022-08-05 |
CN114863418B CN114863418B (zh) | 2023-03-07 |
Family
ID=82634694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210467753.8A Active CN114863418B (zh) | 2022-04-29 | 2022-04-29 | 一种均压场识别方法、装置、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114863418B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830380A (zh) * | 2022-12-06 | 2023-03-21 | 中科三清科技有限公司 | 一种基于人工智能的风切变线识别方法、装置、存储介质及终端 |
CN115937690A (zh) * | 2022-12-30 | 2023-04-07 | 中科三清科技有限公司 | 一种槽线生成方法、装置、存储介质及终端 |
CN116071651A (zh) * | 2023-02-09 | 2023-05-05 | 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 |
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 |
CN116759009A (zh) * | 2023-06-09 | 2023-09-15 | 中科三清科技有限公司 | 通过机器学习匹配天气型的臭氧预报方法、系统、介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131958A (zh) * | 2020-08-28 | 2020-12-25 | 成都信息工程大学 | 一种自动识别西南低涡的方法 |
WO2021261825A1 (ko) * | 2020-06-25 | 2021-12-30 | 주식회사 에스아이에이 | 기계 학습 기반 기상 자료 생성 장치 및 방법 |
CN113919231A (zh) * | 2021-10-25 | 2022-01-11 | 北京航天创智科技有限公司 | 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统 |
CN114236643A (zh) * | 2021-12-17 | 2022-03-25 | 中国平安财产保险股份有限公司 | 基于天气预报系统的气象预测方法、装置、设备及介质 |
-
2022
- 2022-04-29 CN CN202210467753.8A patent/CN114863418B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021261825A1 (ko) * | 2020-06-25 | 2021-12-30 | 주식회사 에스아이에이 | 기계 학습 기반 기상 자료 생성 장치 및 방법 |
CN112131958A (zh) * | 2020-08-28 | 2020-12-25 | 成都信息工程大学 | 一种自动识别西南低涡的方法 |
CN113919231A (zh) * | 2021-10-25 | 2022-01-11 | 北京航天创智科技有限公司 | 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统 |
CN114236643A (zh) * | 2021-12-17 | 2022-03-25 | 中国平安财产保险股份有限公司 | 基于天气预报系统的气象预测方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
张志强等: "气象数据在线融合分析原型系统的实现", 《计算机工程与应用》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830380A (zh) * | 2022-12-06 | 2023-03-21 | 中科三清科技有限公司 | 一种基于人工智能的风切变线识别方法、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 |
CN115830380B (zh) * | 2022-12-06 | 2023-08-01 | 中科三清科技有限公司 | 一种基于人工智能的风切变线识别方法、装置、存储介质及终端 |
CN115937690A (zh) * | 2022-12-30 | 2023-04-07 | 中科三清科技有限公司 | 一种槽线生成方法、装置、存储介质及终端 |
CN116071651A (zh) * | 2023-02-09 | 2023-05-05 | 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 |
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 |
CN116759009A (zh) * | 2023-06-09 | 2023-09-15 | 中科三清科技有限公司 | 通过机器学习匹配天气型的臭氧预报方法、系统、介质 |
CN116759009B (zh) * | 2023-06-09 | 2024-02-02 | 中科三清科技有限公司 | 通过机器学习匹配天气型的臭氧预报方法、系统、介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114863418B (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114863418B (zh) | 一种均压场识别方法、装置、存储介质及终端 | |
CN111381909B (zh) | 一种页面展示方法、装置、终端设备及存储介质 | |
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 | |
CN110706314B (zh) | 元素布局方法、装置、电子设备及可读存储介质 | |
US10267950B2 (en) | System, method and program product for providing populace centric weather forecasts | |
CN116071651B (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 | |
CN112507444B (zh) | 一种基于ai构建的数字城市建筑夜景生成方法及系统 | |
CN112329751A (zh) | 一种基于深度学习的多尺度遥感影像目标识别系统及方法 | |
CN111080501A (zh) | 基于手机信令数据的真实人群密度时空分布估算方法 | |
CN115861816B (zh) | 一种立体低涡识别方法、装置、存储介质及终端 | |
CN110990917A (zh) | Bim模型展示的方法、装置及系统 | |
CN110765220A (zh) | 一种基于热力图的地理位置确定方法和电子设备 | |
Dragicevic et al. | An application of fuzzy logic reasoning for GIS temporal modeling of dynamic processes | |
CN115731560A (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 | |
CN115861811A (zh) | 一种风切变区域识别方法、装置、存储介质及终端 | |
CN116681959A (zh) | 基于机器学习的锋线识别方法、装置、存储介质及终端 | |
CN110262863B (zh) | 一种终端主界面的展示方法和装置 | |
CN114758034A (zh) | 地图生成方法、装置、计算机可读存储介质及电子设备 | |
CN116151600B (zh) | 共享车辆的维护方法、装置、计算机设备和存储介质 | |
CN114626458B (zh) | 一种高压后部识别方法、装置、存储介质及终端 | |
CN112000758A (zh) | 一种三维城市建筑构建方法 | |
CN108627884B (zh) | 一种气象数据处理方法和装置 | |
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 | |
CN115309727A (zh) | 一种基于民航气象大数据库的数据构建处理方法及系统 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20220805 Assignee: Beijing Zhongke Sanqing Environmental Technology Co.,Ltd. Assignor: 3CLEAR TECHNOLOGY Co.,Ltd. Contract record no.: X2023980042173 Denomination of invention: A method, device, storage medium, and terminal for identifying the uniform pressure field Granted publication date: 20230307 License type: Common License Record date: 20230920 |