CN115830380B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115830380B CN115830380B CN202211557965.1A CN202211557965A CN115830380B CN 115830380 B CN115830380 B CN 115830380B CN 202211557965 A CN202211557965 A CN 202211557965A CN 115830380 B CN115830380 B CN 115830380B
- Authority
- CN
- China
- Prior art keywords
- wind shear
- wind
- target
- standard weather
- shear
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 41
- 238000010586 diagram Methods 0.000 claims abstract description 63
- 239000013598 vector Substances 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- Wind Motors (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了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,方法包括:获取待识别地区在待预测时刻的目标风切变标准天气图;根据预先训练的定位模型定位目标风切变标准天气图中风切变所在的框,生成目标风切变框;将目标风切变框中所有像素点输入预先训练的风切变识别模型中,输出每个像素点的目标值;根据每个像素点的目标值生成目标风切变标准天气图的风切变线。本申请利用训练好的定位模型定位出天气图中风切变所在的框,并根据定位框内像素点结合预先训练的风切变识别模型自动确定出风切变线,可实现风切变线的自动识别,提升了风切变线识别效率,同时基于人工智能的识别方式避免了依靠人工经验,提升了风切变线识别的准确度。
Description
技术领域
本发明涉及天气系统自动识别技术领域,特别涉及一种基于人工智能的风切变线识别方法、装置、存储介质及终端。
背景技术
在气象领域中,风切变是一种大气现象,风矢量(风向、风速)在空中水平和(或)垂直距离上的变化,垂直风切变的存在会对桥梁、高层建筑、航空飞行等造成破坏,同时发生在低空的风切变是飞机起飞和着陆阶段的一个重要危险因素。因此在天气分析中,风切变的分析有着非常重要的作用,它一定程度上可以为相关作业人员提供重要的参考,避免天气所造成的损失,因此准确判断风切变线是天气系统分析和天气图绘制的重要内容。
在现有技术中,气象预报中的风切变线分析基本上采用人工分析的方法实现。人工分析风切变线存在着明显的缺陷,一方面分析工作量较大,效率较低;另一方面对于风切变线的分析,预报员主观上分析经验不同,客观上侧重依据差异,都对风切变线的分析产生影响,从而降低了风切变线识别准确度。
发明内容
本申请实施例提供了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。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人工智能的风切变线识别方法,方法包括:
获取待识别地区在待预测时刻的目标风切变标准天气图;
根据预先训练的定位模型定位目标风切变标准天气图中风切变所在的框,生成目标风切变框;
将目标风切变框中所有像素点输入预先训练的风切变识别模型中,输出每个像素点的目标值;
根据每个像素点的目标值生成目标风切变标准天气图的风切变线。
可选的,按照以下步骤生成预先训练的风切变识别模型,包括:
根据待识别地区在预设时间段中的历史格点数据构建每个时刻的风切变标准天气图;
在每个时刻的风切变标准天气图上确定风切变区域,并在风切变区域上采用标注框进行标注,得到多个样本风切变框;
遍历查找每个样本风切变框所在区域的所有数据点,得到多个数据点;
确定每个数据点的最终类别以及坐标特征向量;
采用多项式核函数的二分类支持向量机模型构建风切变识别模型;
根据每个数据点的最终类别以及坐标特征向量对风切变识别模型进行训练,训练结束后得到预先训练的风切变识别模型。
可选的,根据待识别地区在预设时间段中的历史格点数据构建每个时刻的风切变标准天气图,包括:
获取待识别地区在预设时间段中的历史格点数据;
根据预设经度范围和预设维度范围构建电子地图;
采用等值线绘制法,并结合预设高度参数和间距参数在电子地图上绘制多个不同高度的等值线,得到等值线地图;
采用预设像素的箭头方向和箭头长度表示历史格点数据中每个时刻的历史格点数据的风场方向和风场强度,得到每个时刻的风场箭头标记;
将每个时刻的风场箭头标记投影到等值线地图上,生成每个时刻的风切变标准天气图。
可选的,确定每个数据点的最终类别以及坐标特征向量,包括:
确定每个数据点的特征参数;
在每个数据点的特征参数中提取出风场水平分量以及风场垂直分量,得到每个数据点的风场水平分量以及风场垂直分量;
根据每个数据点的风场水平分量以及风场垂直分量计算每个数据点的最终风场水平分量和最终风场垂直分量;
将每个数据点的最终风场水平分量和最终风场垂直分量所组成的特征向量输入预设聚类算法模型中,得到每个数据点的最终类别;
在每个数据点的特征参数中提取出该数据点在目标风切变标准天气图上的坐标值,得到每个数据点的坐标特征向量。
可选的,根据每个数据点的风场水平分量以及风场垂直分量计算每个数据点的最终风场水平分量和最终风场垂直分量,包括:
计算每个数据点的风场水平分量以及风场垂直分量的绝对值,得到多个风场水平分量绝对值和多个风场垂直分量绝对值;
将多个风场水平分量绝对值中的最大值确定为目标风场水平分量;
将多个风场垂直分量绝对值中的最大值确定为目标风场垂直分量;
将每个数据点的风场水平分量与目标风场水平分量的比值确定为每个数据点的最终风场水平分量;
将每个数据点的风场垂直分量与目标风场垂直分量的比值确定为每个数据点的最终风场垂直分量。
可选的,按照以下步骤生成预先训练的定位模型,包括:
创建定位模型;
将多个样本风切变框输入定位模型中,输出模型损失值;
在模型损失值到达最小且模型训练次数到达预设阈值时,生成预先训练的定位模型;
或者,
在模型损失值未到达最小或模型训练次数未到达预设阈值时,继续执行将多个样本风切变框输入定位模型中的步骤。
可选的,根据每个像素点的目标值生成目标风切变标准天气图的风切变线,包括:
根据每个像素点的目标值确定出目标值位于预设区间内的像素点,得到属于风切变的像素点;
将属于风切变的像素点的位置在目标风切变标准天气图中逐一标注,并将标注后的点依次连接,得到目标风切变标准天气图的风切变线。
第二方面,本申请实施例提供了一种基于人工智能的风切变线识别装置,装置包括:
风切变标准天气图获取模块,用于获取待识别地区在待预测时刻的目标风切变标准天气图;
目标风切变框生成模块,用于根据预先训练的定位模型定位目标风切变标准天气图中风切变所在的框,生成目标风切变框;
像素点的目标值输出模块,用于将目标风切变框中所有像素点输入预先训练的风切变识别模型中,输出每个像素点的目标值;
风切变线生成模块,用于根据每个像素点的目标值生成目标风切变标准天气图的风切变线。
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,基于人工智能的风切变线识别装置首先获取待识别地区在待预测时刻的目标风切变标准天气图,然后根据预先训练的定位模型定位目标风切变标准天气图中风切变所在的框,生成目标风切变框,其次将目标风切变框中所有像素点输入预先训练的风切变识别模型中,输出每个像素点的目标值,最后根据每个像素点的目标值生成目标风切变标准天气图的风切变线。本申请利用训练好的定位模型定位出天气图中风切变所在的框,并根据定位框内像素点结合预先训练的风切变识别模型自动确定出风切变线,可实现风切变线的自动识别,提升了风切变线识别效率,同时基于人工智能的识别方式避免了依靠人工经验,提升了风切变线识别的准确度。
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人工智能的风切变线识别方法的流程示意图;
图2是本申请实施例提供的一种标准天气图的示意图;
图3是本申请实施例提供的一种采用标注框标注了风切线位置的示意图;
图4是本申请实施例提供的一种数据点分类后的类型示意图;
图5是本申请实施例提供的一种分切变线示意图;
图6是本申请实施例提供的一种基于人工智能的风切变线识别装置的结构示意图;
图7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人工智能的风切变线识别方法、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定位模型定位出天气图中风切变所在的框,并根据定位框内像素点结合预先训练的风切变识别模型自动确定出风切变线,可实现风切变线的自动识别,提升了风切变线识别效率,同时基于人工智能的识别方式避免了依靠人工经验,提升了风切变线识别的准确度,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5,对本申请实施例提供的基于人工智能的风切变线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人工智能的风切变线识别装置上。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人工智能的风切变线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,获取待识别地区在待预测时刻的目标风切变标准天气图;
其中,待识别地区为需要进行风切变识别的某个地方,例如某个城市。待预测时刻可以是未来几个小时的时刻,也可以是未来一整天的所有时刻。目标风切变标准天气图是利用气象学,并结合当前监测到的该地方的历史格点数据而构建的复合图。
在本申请实施例中,在生成目标风切变标准天气图时,首先获取待识别地区在当前时刻的格点数据,并根据预设经度范围和预设维度范围构建电子地图,然后采用等值线绘制法,并结合预设高度参数和间距参数在电子地图上绘制多个不同高度的等值线,得到等值线地图,其次采用预设像素的箭头方向和箭头长度表示当前时刻的格点数据中每个时刻的历史格点数据的风场方向和风场强度,得到每个时刻的风场箭头标记,最后将每个时刻的风场箭头标记投影到等值线地图上,得到待识别地区在待预测时刻的目标风切变标准天气图。
通常,在实际应用中,可以积累大量的站点观测数据,但是受气象观测站点空间分布的不均一、时间序列长短不一,观测台站环境变迁等影响,在具体的气候分析和数值模拟等研究中,离散的站点数据不利于可视化与分析,不能完全真实代表区域气候变化的特征,气象预测面临着诸多的限制,所以需要把站点数据转化成规则的、连续的格点数据。
具体的,本申请在生成待识别地区在当前时刻的格点数据时,首先获取待识别地区在当前时刻的站点数据,然后将空间上分布不均匀的待识别地区在当前时刻的站点数据,按一定的几何形态格子归并,求出各格子中数据的平均值,置于格子的中心位置,从而生成待识别地区在当前时刻的格点数据。格点数据利用了空间插值技术将离散的站点数据转化为空间连续的、规则的网格点序列,可以有效的反映气候要素的空间信息,大大提高了气候数据序列在对应网格范围的气候代表性。
在一种可能的实现方式中,首先确定待识别地区,再采集获取待识别地区在当前时刻的站点数据,然后对站点数据进行处理后得到待识别地区在当前时刻的格点数据,最后可根据待识别地区在当前时刻的格点数据生成待识别地区在待预测时刻的目标风切变标准天气图保存在数据库。在实际基于人工智能的风切变线识别时,可直接在数据库通过搜索参数直接查询并获取待识别地区在待预测时刻的目标风切变标准天气图,例如图2所示。
S102,根据预先训练的定位模型定位目标风切变标准天气图中风切变所在的框,生成目标风切变框;
其中,预先训练的定位模型是可以在目标风切变标准天气图中定位出风切变所在的框的数学模型。
在本申请实施例中,在根据预先训练的定位模型定位目标风切变标准天气图中风切变所在的框时,首先将目标风切变标准天气图输入预先训练的定位模型中进行定位处理,处理结束后输出目标风切变标准天气图对应的目标风切变框。
在本申请实施例中,在生成预先训练的定位模型时,首先获取待识别地区在预设时间段中的历史格点数据,然后根据历史格点数据生成每个时刻的风切变标准天气图,其次在每个时刻的风切变标准天气图上确定风切变区域,并在风切变区域上采用标注框进行标注,例如图3所示,得到多个样本风切变框,最后创建定位模型,并根据多个样本风切变框对定位模型进行模型训练,生成预先训练的定位模型。其中预设时间段可以是2017年至2021年5年的样本数据,创建定位模型时可以采用yolov5算法训练。
具体的,在根据待识别地区在预设时间段中的历史格点数据构建每个时刻的风切变标准天气图时,首先获取待识别地区在预设时间段中的历史格点数据,然后根据预设经度范围和预设维度范围构建电子地图,再采用等值线绘制法,并结合预设高度参数和间距参数在电子地图上绘制多个不同高度的等值线,得到等值线地图,其次采用预设像素的箭头方向和箭头长度表示历史格点数据中每个时刻的历史格点数据的风场方向和风场强度,得到每个时刻的风场箭头标记,最后将每个时刻的风场箭头标记投影到等值线地图上,生成每个时刻的风切变标准天气图。
具体的,在根据多个样本风切变框对定位模型进行模型训练,生成预先训练的定位模型时,首先创建定位模型,然后将多个样本风切变框输入定位模型中,输出模型损失值,最后在模型损失值到达最小且模型训练次数到达预设阈值时,生成预先训练的定位模型;或者,在模型损失值未到达最小或模型训练次数未到达预设阈值时,继续执行将多个样本风切变框输入定位模型中的步骤,直到模型损失值到达最小且模型训练次数到达预设阈值时,停止训练。例如,定位模型可以优选采用yolov5算法。
具体的,预设经度范围可以是40-170,预设维度范围可以是5-80,预设高度参数可以是500hpa,700hpa,850hpa三个高度,预设间距参数可以是2dagpm(位势米)。
S103,将目标风切变框中所有像素点输入预先训练的风切变识别模型中,输出每个像素点的目标值;
其中,预先训练的风切变识别模型是可以在目标风切变框所在区域计算出每个像素点的目标值的数学模型。
在本申请实施例中,在生成预先训练的风切变识别模型时,首先遍历查找每个样本风切变框所在区域的所有数据点,得到多个数据点,再确定每个数据点的最终类别以及坐标特征向量,然后采用多项式核函数的二分类支持向量机模型构建风切变识别模型,最后根据每个数据点的最终类别以及坐标特征向量对风切变识别模型进行训练,训练结束后得到预先训练的风切变识别模型。
具体的,在确定每个数据点的最终类别以及坐标特征向量时,首先确定每个数据点的特征参数,并在每个数据点的特征参数中提取出风场水平分量以及风场垂直分量,得到每个数据点的风场水平分量以及风场垂直分量,然后根据每个数据点的风场水平分量以及风场垂直分量计算每个数据点的最终风场水平分量和最终风场垂直分量,其次将每个数据点的最终风场水平分量和最终风场垂直分量所组成的特征向量输入预设聚类算法模型中,得到每个数据点的最终类别,最后在每个数据点的特征参数中提取出该数据点在目标风切变标准天气图上的坐标值,得到每个数据点的坐标特征向量。
具体的,在根据每个数据点的风场水平分量以及风场垂直分量计算每个数据点的最终风场水平分量和最终风场垂直分量时,首先计算每个数据点的风场水平分量以及风场垂直分量的绝对值,得到多个风场水平分量绝对值和多个风场垂直分量绝对值,并将多个风场水平分量绝对值中的最大值确定为目标风场水平分量,然后将多个风场垂直分量绝对值中的最大值确定为目标风场垂直分量,其次将每个数据点的风场水平分量与目标风场水平分量的比值确定为每个数据点的最终风场水平分量,最后将每个数据点的风场垂直分量与目标风场垂直分量的比值确定为每个数据点的最终风场垂直分量。
例如,遍历查找每个样本风切变框所在区域的所有数据点,每个数据点有四个特征(x,y,u,v),其中x,y为该点在目标风切变标准天气图上的坐标,u为风场的水平分量,v为风场的垂直分量,假设一个框内的数据点有n个,记为(x0,y0,u0,v0).....(xi,yi,ui,vi)......(xn,yn,un,vn)。将每个数据点其中的u分量和v分量提取出来,组成(u0,v0).....(ui,vi)......(un,vn)这样的特征向量,分别计算u分量和v分量的绝对值中的最大值,记作(umax,vmax),然后对每一个特征向量除以最大值,例如:可得到每个数据点最终的u分量和v分量,通过该过程可以消除量纲对特征权重的影响而且保留了风切变的核心特征,即u分量或者v分量在某个线性变换下符号相反的情况。最后将每个数据点最终的u分量和v分量输入聚类算法模型,给出类别,效果如图4所示(其中+表示的为一类,*表示的为另一类)。
进一步地,在得到每个数据点的类别后,将每个数据点中四个特征中的x,y分量提取出来,组成(x0,y0).....(xi,yi)......(xn,yn),最后通过每个数据点的类别以及x,y分量训练poly核的二分类支持向量机模型,得到风切变识别模型。
需要说明的是,poly核的二分类支持向量机模型是多项式分类边界,可以更好的进行数据拟合,符合风切线识别的要求。
在一种可能的实现方式中,在得到目标风切变框时,可将目标风切变框中所有像素点输入预先训练的风切变识别模型中,输出每个像素点的目标值。
S104,根据每个像素点的目标值生成目标风切变标准天气图的风切变线。
在一种可能的实现方式中,在根据每个像素点的目标值生成目标风切变标准天气图的风切变线时,首先根据每个像素点的目标值确定出目标值位于预设区间内的像素点,得到属于风切变的像素点,然后将属于风切变的像素点的位置在目标风切变标准天气图中逐一标注,并将标注后的点依次连接,得到目标风切变标准天气图的风切变线,例如图5所示。
具体的,预设区间可以为正负0.5之间,即[-0.5,0.5]。
在本申请实施例中,基于人工智能的风切变线识别装置首先获取待识别地区在待预测时刻的目标风切变标准天气图,然后根据预先训练的定位模型定位目标风切变标准天气图中风切变所在的框,生成目标风切变框,其次将目标风切变框中所有像素点输入预先训练的风切变识别模型中,输出每个像素点的目标值,最后根据每个像素点的目标值生成目标风切变标准天气图的风切变线。本申请利用训练好的定位模型定位出天气图中风切变所在的框,并根据定位框内像素点结合预先训练的风切变识别模型自动确定出风切变线,可实现风切变线的自动识别,提升了风切变线识别效率,同时基于人工智能的识别方式避免了依靠人工经验,提升了风切变线识别的准确度。
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6,其示出了本发明一个示例性实施例提供的基于人工智能的风切变线识别装置的结构示意图。该基于人工智能的风切变线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包括风切变标准天气图获取模块10、目标风切变框生成模块20、像素点的目标值输出模块30、风切变线生成模块40。
风切变标准天气图获取模块10,用于获取待识别地区在待预测时刻的目标风切变标准天气图;
目标风切变框生成模块20,用于根据预先训练的定位模型定位目标风切变标准天气图中风切变所在的框,生成目标风切变框;
像素点的目标值输出模块30,用于将目标风切变框中所有像素点输入预先训练的风切变识别模型中,输出每个像素点的目标值;
风切变线生成模块40,用于根据每个像素点的目标值生成目标风切变标准天气图的风切变线。
需要说明的是,上述实施例提供的基于人工智能的风切变线识别装置在执行基于人工智能的风切变线识别方法时,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人工智能的风切变线识别装置与基于人工智能的风切变线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,基于人工智能的风切变线识别装置首先获取待识别地区在待预测时刻的目标风切变标准天气图,然后根据预先训练的定位模型定位目标风切变标准天气图中风切变所在的框,生成目标风切变框,其次将目标风切变框中所有像素点输入预先训练的风切变识别模型中,输出每个像素点的目标值,最后根据每个像素点的目标值生成目标风切变标准天气图的风切变线。本申请利用训练好的定位模型定位出天气图中风切变所在的框,并根据定位框内像素点结合预先训练的风切变识别模型自动确定出风切变线,可实现风切变线的自动识别,提升了风切变线识别效率,同时基于人工智能的识别方式避免了依靠人工经验,提升了风切变线识别的准确度。
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人工智能的风切变线识别方法。
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人工智能的风切变线识别方法。
请参见图7,为本申请实施例提供了一种终端的结构示意图。如图7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7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人工智能的风切变线识别应用程序。
在图7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中存储的基于人工智能的风切变线识别应用程序,并具体执行以下操作:
获取待识别地区在待预测时刻的目标风切变标准天气图;
根据预先训练的定位模型定位目标风切变标准天气图中风切变所在的框,生成目标风切变框;
将目标风切变框中所有像素点输入预先训练的风切变识别模型中,输出每个像素点的目标值;
根据每个像素点的目标值生成目标风切变标准天气图的风切变线。
在一个实施例中,处理器1001在生成预先训练的风切变识别模型时,具体执行以下操作:
根据待识别地区在预设时间段中的历史格点数据构建每个时刻的风切变标准天气图;
在每个时刻的风切变标准天气图上确定风切变区域,并在风切变区域上采用标注框进行标注,得到多个样本风切变框;
遍历查找每个样本风切变框所在区域的所有数据点,得到多个数据点;
确定每个数据点的最终类别以及坐标特征向量;
采用多项式核函数的二分类支持向量机模型构建风切变识别模型;
根据每个数据点的最终类别以及坐标特征向量对风切变识别模型进行训练,训练结束后得到预先训练的风切变识别模型。
在一个实施例中,处理器1001在执行根据待识别地区在预设时间段中的历史格点数据构建每个时刻的风切变标准天气图时,具体执行以下操作:
获取待识别地区在预设时间段中的历史格点数据;
根据预设经度范围和预设维度范围构建电子地图;
采用等值线绘制法,并结合预设高度参数和间距参数在电子地图上绘制多个不同高度的等值线,得到等值线地图;
采用预设像素的箭头方向和箭头长度表示历史格点数据中每个时刻的历史格点数据的风场方向和风场强度,得到每个时刻的风场箭头标记;
将每个时刻的风场箭头标记投影到等值线地图上,生成每个时刻的风切变标准天气图。
在一个实施例中,处理器1001在执行确定每个数据点的最终类别以及坐标特征向量时,具体执行以下操作:
确定每个数据点的特征参数;
在每个数据点的特征参数中提取出风场水平分量以及风场垂直分量,得到每个数据点的风场水平分量以及风场垂直分量;
根据每个数据点的风场水平分量以及风场垂直分量计算每个数据点的最终风场水平分量和最终风场垂直分量;
将每个数据点的最终风场水平分量和最终风场垂直分量所组成的特征向量输入预设聚类算法模型中,得到每个数据点的最终类别;
在每个数据点的特征参数中提取出该数据点在目标风切变标准天气图上的坐标值,得到每个数据点的坐标特征向量。
在一个实施例中,处理器1001在执行根据每个数据点的风场水平分量以及风场垂直分量计算每个数据点的最终风场水平分量和最终风场垂直分量时,具体执行以下操作:
计算每个数据点的风场水平分量以及风场垂直分量的绝对值,得到多个风场水平分量绝对值和多个风场垂直分量绝对值;
将多个风场水平分量绝对值中的最大值确定为目标风场水平分量;
将多个风场垂直分量绝对值中的最大值确定为目标风场垂直分量;
将每个数据点的风场水平分量与目标风场水平分量的比值确定为每个数据点的最终风场水平分量;
将每个数据点的风场垂直分量与目标风场垂直分量的比值确定为每个数据点的最终风场垂直分量。
在一个实施例中,处理器1001在生成预先训练的定位模型时,具体执行以下操作:
创建定位模型;
将多个样本风切变框输入定位模型中,输出模型损失值;
在模型损失值到达最小且模型训练次数到达预设阈值时,生成预先训练的定位模型;
或者,
在模型损失值未到达最小或模型训练次数未到达预设阈值时,继续执行将多个样本风切变框输入定位模型中的步骤。
在一个实施例中,处理器1001在执行根据每个像素点的目标值生成目标风切变标准天气图的风切变线时,具体执行以下操作:
根据每个像素点的目标值确定出目标值位于预设区间内的像素点,得到属于风切变的像素点;
将属于风切变的像素点的位置在目标风切变标准天气图中逐一标注,并将标注后的点依次连接,得到目标风切变标准天气图的风切变线。
在本申请实施例中,基于人工智能的风切变线识别装置首先获取待识别地区在待预测时刻的目标风切变标准天气图,然后根据预先训练的定位模型定位目标风切变标准天气图中风切变所在的框,生成目标风切变框,其次将目标风切变框中所有像素点输入预先训练的风切变识别模型中,输出每个像素点的目标值,最后根据每个像素点的目标值生成目标风切变标准天气图的风切变线。本申请利用训练好的定位模型定位出天气图中风切变所在的框,并根据定位框内像素点结合预先训练的风切变识别模型自动确定出风切变线,可实现风切变线的自动识别,提升了风切变线识别效率,同时基于人工智能的识别方式避免了依靠人工经验,提升了风切变线识别的准确度。
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,基于人工智能的风切变线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,基于人工智能的风切变线识别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 (9)
1.一种基于人工智能的风切变线识别方法,其特征在于,所述方法包括:
获取待识别地区在待预测时刻的目标风切变标准天气图;其中,所述目标风切变标准天气图是将每个时刻的风场箭头标记投影到等值线地图上得到的;
根据预先训练的定位模型定位所述目标风切变标准天气图中风切变所在的框,生成目标风切变框;
将所述目标风切变框中所有像素点输入预先训练的风切变识别模型中,输出每个像素点的目标值;所述目标值为像素点在目标风切变标准天气图上的坐标;
其中,按照以下步骤生成预先训练的风切变识别模型,包括:
根据待识别地区在预设时间段中的历史格点数据构建每个时刻的风切变标准天气图;
在每个时刻的风切变标准天气图上确定风切变区域,并在所述风切变区域上采用标注框进行标注,得到多个样本风切变框;
遍历查找每个样本风切变框所在区域的所有数据点,得到多个数据点;
确定每个数据点的最终类别以及坐标特征向量;
构建风切变识别模型;
根据每个数据点的最终类别以及坐标特征向量对风切变识别模型进行训练,训练结束后得到预先训练的风切变识别模型;
根据每个像素点的目标值生成目标风切变标准天气图的风切变线;其中,
所述根据每个像素点的目标值生成目标风切变标准天气图的风切变线,包括:
根据每个像素点的目标值确定出目标值位于预设区间内的像素点,得到属于风切变的像素点;
将属于风切变的像素点的位置在所述目标风切变标准天气图中标注,并将标注后的点依次连接,得到目标风切变标准天气图的风切变线。
2.根据权利要求1所述的方法,其特征在于,所述风切变识别模型是采用多项式核函数的二分类支持向量机模型构建的。
3.根据权利要求2所述的方法,其特征在于,所述根据待识别地区在预设时间段中的历史格点数据构建每个时刻的风切变标准天气图,包括:
获取待识别地区在预设时间段中的历史格点数据;
根据预设经度范围和预设维度范围构建电子地图;
采用等值线绘制法,并结合预设高度参数和间距参数在所述电子地图上绘制多个不同高度的等值线,得到等值线地图;
采用预设像素的箭头方向和箭头长度表示所述历史格点数据中每个时刻的历史格点数据的风场方向和风场强度,得到每个时刻的风场箭头标记;
将每个时刻的风场箭头标记投影到所述等值线地图上,生成每个时刻的风切变标准天气图。
4.根据权利要求2所述的方法,其特征在于,所述确定每个数据点的最终类别以及坐标特征向量,包括:
确定每个数据点的特征参数;
在每个数据点的特征参数中提取出风场水平分量以及风场垂直分量,得到每个数据点的风场水平分量以及风场垂直分量;
根据每个数据点的风场水平分量以及风场垂直分量计算每个数据点的最终风场水平分量和最终风场垂直分量;
将每个数据点的最终风场水平分量和最终风场垂直分量所组成的特征向量输入预设聚类算法模型中,得到每个数据点的最终类别;
在每个数据点的特征参数中提取出该数据点在目标风切变标准天气图上的坐标值,得到每个数据点的坐标特征向量。
5.根据权利要求4所述的方法,其特征在于,所述根据每个数据点的风场水平分量以及风场垂直分量计算每个数据点的最终风场水平分量和最终风场垂直分量,包括:
计算每个数据点的风场水平分量以及风场垂直分量的绝对值,得到多个风场水平分量绝对值和多个风场垂直分量绝对值;
将多个风场水平分量绝对值中的最大值确定为目标风场水平分量;
将多个风场垂直分量绝对值中的最大值确定为目标风场垂直分量;
将每个数据点的风场水平分量与目标风场水平分量的比值确定为每个数据点的最终风场水平分量;
将每个数据点的风场垂直分量与目标风场垂直分量的比值确定为每个数据点的最终风场垂直分量。
6.根据权利要求2所述的方法,其特征在于,按照以下步骤生成预先训练的定位模型,包括:
创建定位模型;
将多个样本风切变框输入所述定位模型中,输出模型损失值;
在所述模型损失值到达最小且模型训练次数到达预设阈值时,生成预先训练的定位模型;
或者,
在所述模型损失值未到达最小或模型训练次数未到达预设阈值时,继续执行所述将多个样本风切变框输入所述定位模型中的步骤。
7.一种基于人工智能的风切变线识别装置,其特征在于,所述装置包括:
风切变标准天气图获取模块,用于获取待识别地区在待预测时刻的目标风切变标准天气图;其中,所述目标风切变标准天气图是将每个时刻的风场箭头标记投影到等值线地图上得到的;
目标风切变框生成模块,用于根据预先训练的定位模型定位所述目标风切变标准天气图中风切变所在的框,生成目标风切变框;
像素点的目标值输出模块,用于将所述目标风切变框中所有像素点输入预先训练的风切变识别模型中,输出每个像素点的目标值;所述目标值为像素点在目标风切变标准天气图上的坐标;
其中,按照以下步骤生成预先训练的风切变识别模型,包括:
根据待识别地区在预设时间段中的历史格点数据构建每个时刻的风切变标准天气图;
在每个时刻的风切变标准天气图上确定风切变区域,并在所述风切变区域上采用标注框进行标注,得到多个样本风切变框;
遍历查找每个样本风切变框所在区域的所有数据点,得到多个数据点;
确定每个数据点的最终类别以及坐标特征向量;
构建风切变识别模型;
根据每个数据点的最终类别以及坐标特征向量对风切变识别模型进行训练,训练结束后得到预先训练的风切变识别模型;
风切变线生成模块,用于根据每个像素点的目标值生成目标风切变标准天气图的风切变线;其中,
所述根据每个像素点的目标值生成目标风切变标准天气图的风切变线,包括:
根据每个像素点的目标值确定出目标值位于预设区间内的像素点,得到属于风切变的像素点;
将属于风切变的像素点的位置在所述目标风切变标准天气图中标注,并将标注后的点依次连接,得到目标风切变标准天气图的风切变线。
8.一种计算机存储介质,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1-6任意一项的方法。
9.一种终端,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1-6任意一项的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211557965.1A CN115830380B (zh) | 2022-12-06 | 2022-12-06 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211557965.1A CN115830380B (zh) | 2022-12-06 | 2022-12-06 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115830380A CN115830380A (zh) | 2023-03-21 |
CN115830380B true CN115830380B (zh) | 2023-08-01 |
Family
ID=85545278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211557965.1A Active CN115830380B (zh) | 2022-12-06 | 2022-12-06 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115830380B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114863418A (zh) * | 2022-04-29 | 2022-08-05 | 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 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8902101B1 (en) * | 2011-09-28 | 2014-12-02 | Rockwell Collins, Inc. | System for and method of wind shear detection |
CN109583593B (zh) * | 2018-10-31 | 2020-11-13 | 安徽四创电子股份有限公司 | 一种基于自动气象站的低空风切变识别方法 |
CN111624607A (zh) * | 2020-06-12 | 2020-09-04 | 上海眼控科技股份有限公司 | 低空风切变区域的获取方法、装置、设备和存储介质 |
CN115186228A (zh) * | 2022-07-11 | 2022-10-14 | 航天宏图信息技术股份有限公司 | 一种基于格点数据的切变线识别方法及装置 |
-
2022
- 2022-12-06 CN CN202211557965.1A patent/CN115830380B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114863418A (zh) * | 2022-04-29 | 2022-08-05 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN115830380A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112990086B (zh) | 遥感影像建筑物检测方法、装置及计算机可读存储介质 | |
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 | |
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 | |
CN116071651B (zh) | 一种均压场识别方法、装置、存储介质及终端 | |
CN115861811B (zh) | 一种风切变区域识别方法、装置、存储介质及终端 | |
CN114863418B (zh) | 一种均压场识别方法、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 | |
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 | |
CN115861816A (zh) | 一种立体低涡识别方法、装置、存储介质及终端 | |
CN108074279B (zh) | 气象数据三维展示方法、装置和设备 | |
CN116681959B (zh) | 基于机器学习的锋线识别方法、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 | |
CN111126968A (zh) | 天气分析预报服务平台 | |
CN115859628B (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 | |
CN116091586B (zh) | 一种槽线识别方法、装置、存储介质及终端 | |
CN114239271A (zh) | 一种大气污染预警方法、装置和设备 | |
CN115830380B (zh) | 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 | |
CN113129375A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN116051805B (zh) | 一种副热带高压的影响区识别方法、装置、存储介质及终端 | |
CN114626458A (zh) | 一种高压后部识别方法、装置、存储介质及终端 | |
JP2004317173A (ja) | 雷観測システム | |
CN118115892B (zh) | 基于分类模型的天气形势识别方法、系统、介质及电子设备 | |
CN115861479B (zh) | 一种槽线生成方法、装置、存储介质及终端 | |
CN116759009B (zh) | 通过机器学习匹配天气型的臭氧预报方法、系统、介质 | |
CN118262252B (zh) | 高低压中心识别方法、系统、介质及电子设备 |
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: 20230321 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 wind shear line recognition based on artificial intelligence Granted publication date: 20230801 License type: Common License Record date: 20230920 |
|
EE01 | Entry into force of recordation of patent licensing contract |