CN116681959A - 基于机器学习的锋线识别方法、装置、存储介质及终端 - Google Patents
基于机器学习的锋线识别方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN116681959A CN116681959A CN202310685309.8A CN202310685309A CN116681959A CN 116681959 A CN116681959 A CN 116681959A CN 202310685309 A CN202310685309 A CN 202310685309A CN 116681959 A CN116681959 A CN 116681959A
- Authority
- CN
- China
- Prior art keywords
- frontal line
- image
- frontal
- target
- regression
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000010801 machine learning Methods 0.000 title claims abstract description 31
- 238000010586 diagram Methods 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- FNYLWPVRPXGIIP-UHFFFAOYSA-N Triamterene Chemical compound NC1=NC2=NC(N)=NC(N)=C2N=C1C1=CC=CC=C1 FNYLWPVRPXGIIP-UHFFFAOYSA-N 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000002372 labelling Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
Classifications
-
- 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
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
-
- 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
- G06V10/776—Validation; Performance evaluation
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Environmental & Geological Engineering (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器学习的锋线识别方法、装置、存储介质及终端,方法包括:获取并预处理待识别区域在一段时间内的原始气象数据,得到锋线区域定位图像以及锋线回归图像;将锋线区域定位图像输入预先训练的锋线区域定位模型中,输出锋线区域图;在锋线回归图像中抠取锋线区域图对应的区域,得到目标区域图;将目标区域图输入预先训练的锋线回归模型中,输出多个回归点;顺序连接多个回归点,得到待识别区域的目标锋线。本申请利用预先训练的锋线区域定位模型对锋线区域进行定位,通过预先训练的锋线回归模型可在锋线区域中确定出构成锋线的多个回归点,该算法部署灵活,可通过样本数据不断优化模型,使得模型的性能越来越好,可提升锋线识别精确度。
Description
技术领域
本发明涉及天气系统自动识别技术领域,特别涉及一种基于机器学习的锋线识别方法、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。
在相关技术中,通过天气图识别锋线的算法均为基于原始数据,并结合模式算法来识别锋线,通过模式算法识别锋线具有服务器要求性能高,部署不灵活,不能通过大量数据来优化算法,从而降低了锋线识别精确度。
例如专利号为CN116030401A的技术方案中,利用深度学习模型MaskR-CNN在图像识别任务中对数据深入的理解,通过850hPa温度和温度平流数据与冷锋标签数据训练MaskR-CNN模型,对冷锋进行自动识别和形状描述,简化以往需要从点拟合成线的绘制步骤,能直接从图像中识别出冷锋,但是该专利仅仅识别的是冷锋区域,无法精确识别出锋线。
发明内容
本申请实施例提供了一种基于机器学习的锋线识别方法、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机器学习的锋线识别方法,方法包括:
获取并预处理待识别区域在一段时间内的原始气象数据,得到锋线区域定位图像以及锋线回归图像;
将锋线区域定位图像输入预先训练的锋线区域定位模型中,输出锋线区域定位图像对应的锋线区域图;
在锋线回归图像中抠取锋线区域图对应的区域,得到目标区域图;
将目标区域图输入预先训练的锋线回归模型中,输出目标区域图对应的多个回归点;
顺序连接多个回归点,得到待识别区域的目标锋线。
可选的,获取并预处理待识别区域在一段时间内的原始气象数据,得到锋线区域定位图像以及锋线回归图像,包括:
获取待识别区域在一段时间内的原始气象数据;
根据原始气象数据,构建待识别区域的地面风场格点数据集合、预设大气压高度层的目标风场格点数据集合、地面等压线集合、地面等温线集合以及预设大气压高度层的目标等温线集合;
将地面等压线集合与地面风场格点数据集合投影到平面图上,得到第一天气图;
将目标等温线集合投影到平面图上,得到第二天气图;
将目标风场格点数据集合投影到平面图上,得到第三天气图;
根据第一天气图和/或第二天气图以及第三天气图的气象要素,生成锋线区域定位图像;
将地面等压线集合、地面等温线集合、地面风场格点数据集合投影到平面图像上,得到锋线回归图像。
可选的,根据原始气象数据,构建待识别区域的地面风场格点数据集合、预设大气压高度层的目标风场格点数据集合、地面等压线集合、地面等温线集合以及预设大气压高度层的目标等温线集合,包括:
在原始气象数据中确定地面风场数据和预设大气压高度层的目标风场数据;
将地面风场数据和目标风场数据插值为预设经纬度间距的网格数据,得到地面风场格点数据集合、预设大气压高度层的目标风场格点数据集合;
在原始气象数据中确定地面等压线数据;
根据地面等压线数据以及预设压强进行划分,得到地面等压线集合;
在原始气象数据中确定地面温度数据和预设大气压高度层的温度数据;
根据地面温度数据以及预设温度间隔进行划分,得到地面等温线集合;
根据预设大气压高度层的温度数据以及预设温度间隔进行划分,得到预设大气压高度层的目标等温线集合。
可选的,根据第一天气图和/或第二天气图以及第三天气图的气象要素,生成锋线区域定位图像,包括:
将第一天气图和/或第二天气图以及第三天气图中的气象要素分别转换为RGB通道下的单通道图像,得到单通道图像;
根据单通道图像进行通道组合,得到锋线区域定位图像。
可选的,获取并预处理待识别区域在一段时间内的原始气象数据之前,包括:
获取并预处理历史周期内的历史气象数据,得到不同时刻对应的历史锋线区域定位图像及其历史锋线回归图像;
标注每个历史锋线区域定位图像的锋线区域,得到每个定位图像;
建立锋线区域定位模型;
将每个定位图像输入锋线区域定位模型中,输出定位模型损失值,并在定位模型损失值到达最小时,生成预先训练的锋线区域定位模型;
利用每个定位图像在与其对应的历史锋线回归图像中抠取锋线区域,得到多个历史锋线区域图;
建立锋线回归模型;
根据多个历史锋线区域图对锋线回归模型进行模型训练,生成预先训练的锋线回归模型。
可选的,根据多个历史锋线区域图对锋线回归模型进行模型训练,生成预先训练的锋线回归模型,包括:
标注第一历史锋线区域图上的锋线,得到目标锋线,第一历史锋线区域图为多个历史锋线区域图中每个历史锋线区域图;
将目标锋线投影到与第一历史锋线区域图相同分辨率的二值化图像上,并在二值化图像上建立坐标系,得到二值化锋线图像;
建立二值化锋线图像对应的目标矩阵;
将二值化锋线图像对应的目标矩阵输入锋线回归模型,输出回归模型损失值,并在回归模型损失值到达最小时,生成预先训练的锋线回归模型。
可选的,建立二值化锋线图像对应的目标矩阵,包括:
计算二值化锋线图像中锋线在Y坐标轴方向上的第一跨度和X坐标轴方向上的第二跨度;
当第一跨度大于等于第二跨度时,将二值化锋线图像中锋线在Y坐标轴方向上纵坐标最小的点确定为第一起点;或者,
当第一跨度小于第二跨度时,将二值化锋线图像中锋线在X坐标轴方向上横坐标最小的点确定为第二起点;
将二值化锋线图像中锋线上的坐标点从第一起点或第二起点依次保存,得到锋线坐标点列表;
在锋线坐标点列表中按照预设间隔分别提取预设数量的点,得到目标点集合;
将目标点集合转换为目标矩阵,得到二值化锋线图像对应的目标矩阵。
第二方面,本申请实施例提供了一种基于机器学习的锋线识别装置,装置包括:
图像构建模块,用于获取并预处理待识别区域在一段时间内的原始气象数据,得到锋线区域定位图像以及锋线回归图像;
锋线区域图生成模块,用于将锋线区域定位图像输入预先训练的锋线区域定位模型中,输出锋线区域定位图像对应的锋线区域图;
目标区域图生成模块,用于在锋线回归图像中抠取锋线区域图对应的区域,得到目标区域图;
回归点输出模块,用于将目标区域图输入预先训练的锋线回归模型中,输出目标区域图对应的多个回归点;
目标锋线生成模块,用于顺序连接多个回归点,得到待识别区域的目标锋线。
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,基于机器学习的锋线识别装置首先获取并预处理待识别区域在一段时间内的原始气象数据,得到锋线区域定位图像以及锋线回归图像,然后将锋线区域定位图像输入预先训练的锋线区域定位模型中,输出锋线区域图,其次在锋线回归图像中抠取锋线区域图对应的区域,得到目标区域图,再将目标区域图输入预先训练的锋线回归模型中,输出多个回归点,最后顺序连接多个回归点,得到待识别区域的目标锋线。本申请利用预先训练的锋线区域定位模型对锋线区域进行定位,通过预先训练的锋线回归模型可在锋线区域中确定出构成锋线的多个回归点,该算法部署灵活,可通过样本数据不断优化模型,使得模型的性能越来越好,从而提升了锋线识别精确度。
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机器学习的锋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天气图的示意图;
图3是本申请实施例提供的一种另一个天气图示意图;
图4是本申请实施例提供的一种另一个天气图示意图;
图5是本申请实施例提供的一种锋线区域定位图像示意图;
图6是本申请实施例提供的一种锋线回归图像示意图;
图7是本申请实施例提供的一种针对历史锋线区域定位图像标注锋线区域图像的示意图;
图8是本申请实施例提供的一种历史锋线区域图的示意图;
图9是本申请实施例提供的一种对历史锋线区域图标注的锋线示意图;
图10是本申请实施例提供的一种二值化锋线图像的示意图;
图11是本申请实施例提供的一种标注锋线起点和终点的示意图;
图12是本申请实施例提供的另一种标注锋线起点和终点的示意图;
图13是本申请实施例提供的一种预先训练的锋线回归模型处理过程的过程示意图;
图14是本申请实施例提供的一种锋线识别模型的训练过程示意图;
图15是本申请实施例提供的一种基于机器学习的锋线识别装置的结构示意图;
图16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锋线识别方法、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,本申请利用预先训练的锋线区域定位模型对锋线区域进行定位,通过预先训练的锋线回归模型可在锋线区域中确定出构成锋线的多个回归点,该算法部署灵活,可通过样本数据不断优化模型,使得模型的性能越来越好,从而提升了锋线识别精确度,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14,对本申请实施例提供的基于机器学习的锋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机器学习的锋线识别装置上。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机器学习的锋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,获取并预处理待识别区域在一段时间内的原始气象数据,得到锋线区域定位图像以及锋线回归图像;
其中,待识别区域为需要进行锋线识别的某个区域,例如某省、某市或者某县。一段时间可以是当前时刻与上一个历史时刻之间的时长。原始气象数据是根据一段时间所观测到的站点数据推测出的,可基于现有气象数据推测技术进行确定。
在本申请实施例中,在获取并预处理待识别区域在一段时间内的原始气象数据,得到锋线区域定位图像以及锋线回归图像时,首先获取待识别区域在一段时间内的原始气象数据,再根据原始气象数据,构建待识别区域的地面风场格点数据集合、预设大气压高度层的目标风场格点数据集合、地面等压线集合、地面等温线集合以及预设大气压高度层的目标等温线集合,然后将地面等压线集合与地面风场格点数据集合投影到平面图上,得到第一天气图,再将目标等温线集合投影到平面图上,得到第二天气图,其次将目标风场格点数据集合投影到平面图上,得到第三天气图,再根据第一天气图和/或第二天气图以及第三天气图的气象要素,生成锋线区域定位图像,最后将地面等压线集合、地面等温线集合、地面风场格点数据集合投影到平面图像上,得到锋线回归图像。
具体的,在根据原始气象数据,构建待识别区域的地面风场格点数据集合、预设大气压高度层的目标风场格点数据集合、地面等压线集合、地面等温线集合以及预设大气压高度层的目标等温线集合时,首先在原始气象数据中确定地面风场数据和预设大气压高度层的目标风场数据,再将地面风场数据和目标风场数据插值为预设经纬度间距的网格数据,得到地面风场格点数据集合、预设大气压高度层的目标风场格点数据集合,然后在原始气象数据中确定地面等压线数据,再根据地面等压线数据以及预设压强进行划分,得到地面等压线集合,其次在原始气象数据中确定地面温度数据和预设大气压高度层的温度数据,以及根据地面温度数据以及预设温度间隔进行划分,得到地面等温线集合,最后根据预设大气压高度层的温度数据以及预设温度间隔进行划分,得到预设大气压高度层的目标等温线集合。其中,预设经纬度间距为1度,预设大气压高度层可以是850hpa,预设压强可以是25hpa,预设温度间隔可以为2摄氏度。
具体的,在根据第一天气图和/或第二天气图以及第三天气图的气象要素,生成锋线区域定位图像时,首先将所述第一天气图和/或第二天气图以及第三天气图中的气象要素分别转换为RGB通道下的单通道图像,得到单通道图像,然后根据所述单通道图像进行通道组合,得到锋线区域定位图像。
例如,首先将第一天气图、第二天气图以及第三天气图中的气象要素分别转换为RGB通道下的单通道图像,得到R通道图像、G通道图像以及B通道图像,然后将R通道图像、G通道图像和B通道图像组合为一张3通道图像,得到锋线区域定位图像。
在一种可能的实现方式中,在得到原始气象数据后,首先将原始气象数据中地面和850hpa高度层的风场数据插值为预设经纬度间距为1度的网格数据,每个格点的风场数据属性为(u,v),其中u为风场水平分量,v为风场垂直分量,记地面风场格点数据集合记为850hpa高度的目标风场格点数据集合记为/>然后将原始气象数据中地面等压线数据按照25hpa间隔计算等压线,将其存入计算机内存中,得到的地面等压线集合记为其次将原始气象数据中地面温度数据和850hpa的温度数据按照预设温度间隔2摄氏度进行划分,得到地面等温线集合/>以及目标等温线集合/>
例如,在生成第一天气图时,将地面等压线集合和地面风场格点数据集合通过预设地图投影方式投影到平面图像上,其中地面等压线集合/>的投影以矢量箭头的方式展示,记该图为图2,如图2所示。
例如,在生成第二天气图时,将目标等温线集合通过预设地图投影方式投影到平面图像上,记该图为图3,如图3所示。
例如,在生成第三天气图时,将目标风场格点数据集合通过预设地图投影方式投影到平面图像上,记该图为图4,如图4所示。
进一步地,将第一天气图(图2)、第二天气图(图3)以及第三天气图(图4)分别转换为单通道图像,重新分别作为RGB三通道中通道1、通道2、通道3的参数,重新组合为一张3通道RGB图像,得到锋线区域定位图像,记为图5,如图5所示。
进一步地,将地面等压线集合与地面等温线集合/>以及地面风场格点数据集合/>通过预设地图投影方式投影到平面图像上,得到锋线回归图像,记该图为图6,如图6所示。
需要说明的是,预设地图投影方式包括但不限于墨卡托,兰伯特等。
S102,将锋线区域定位图像输入预先训练的锋线区域定位模型中,输出锋线区域定位图像对应的锋线区域图;
其中,预先训练的锋线区域定位模型是能够定位出天气图中锋线区域的数学模型,该数学模型可以是通过包括但不限于yolo系列,ssd系列的神经网络进行训练后生成的。
在本申请实施例中,在得到锋线区域定位图像后,可将该锋线区域定位图像输入预先训练的锋线区域定位模型中,预先训练的锋线区域定位模型通过预先学习的模型参数对锋线区域定位图像进行分析处理,处理结束后输出定位的锋线区域图。
S103,在锋线回归图像中抠取锋线区域图对应的区域,得到目标区域图;
在本申请实施例中,在得到锋线区域图后,可在锋线回归图像中抠取锋线区域图对应的区域,抠取后可得到目标区域图。由于锋线区域定位图像以及锋线回归图像都是基于同一个原始气象数据生成的,因此通过预先训练的模型定位出锋线区域定位图像中的锋线区域图后,可通过该锋线区域图在锋线回归图像中抠取对应的区域,以准确的确定出锋线回归图像中存在的锋线区域,最终得到目标区域图,从而提升了天气图中锋线区域的确定效率。
S104,将目标区域图输入预先训练的锋线回归模型中,输出目标区域图对应的多个回归点;
在本申请实施例中,在得到目标区域图后,可将该目标区域图输入预先训练的锋线回归模型中,输出目标区域图对应的多个回归点。
在本申请实施例中,在生成预先训练的锋线区域定位模型以及预先训练的锋线回归模型时,首先获取并预处理历史周期内的历史气象数据,得到不同时刻对应的历史锋线区域定位图像及其历史锋线回归图像,再标注每个历史锋线区域定位图像的锋线区域,得到每个定位图像,然后建立锋线区域定位模型,再将每个定位图像输入锋线区域定位模型中,输出定位模型损失值,并在定位模型损失值到达最小时,生成预先训练的锋线区域定位模型,其次利用每个定位图像在与其对应的历史锋线回归图像中抠取锋线区域,得到多个历史锋线区域图,再建立锋线回归模型,最后根据多个历史锋线区域图对锋线回归模型进行模型训练,生成预先训练的锋线回归模型。
需要说明的是,历史周期内的历史气象数据可以是17年到21年之间五年内的历史气象数据,每个历史锋线区域定位图像及其历史锋线回归图像的生成方式和步骤S101中的处理过程一致,具体可参见步骤S101中的处理逻辑,此处不再赘述。
具体的,对某一个历史锋线区域定位图像标注了锋线区域的图像例如图7所示。全部的历史锋线区域定位图像标注完成后,将图7中标注的锋线区域进行抠取,得到的历史锋线区域图例如图8所示。
在本申请实施例中,在根据多个历史锋线区域图对锋线回归模型进行模型训练,生成预先训练的锋线回归模型时,首先标注第一历史锋线区域图上的锋线,得到目标锋线,第一历史锋线区域图为多个历史锋线区域图中每个历史锋线区域图,然后将目标锋线投影到与第一历史锋线区域图相同分辨率的二值化图像上,并在二值化图像上建立坐标系,得到二值化锋线图像,其次建立二值化锋线图像对应的目标矩阵,最后将二值化锋线图像对应的目标矩阵输入锋线回归模型,输出回归模型损失值,并在回归模型损失值到达最小时,生成预先训练的锋线回归模型。
具体的,在历史锋线区域图上标注的目标锋线例如图9所示。坐标系的建立可根据实际情况决定X坐标轴和Y坐标轴的方向,一种可能实现的二值化锋线图像例如图10所示。
在本申请实施例中,在建立二值化锋线图像对应的目标矩阵时,首先计算二值化锋线图像中锋线在Y坐标轴方向上的第一跨度和X坐标轴方向上的第二跨度;再当第一跨度大于等于第二跨度时,将二值化锋线图像中锋线在Y坐标轴方向上纵坐标最小的点确定为第一起点;或者当第一跨度小于第二跨度时,将二值化锋线图像中锋线在X坐标轴方向上横坐标最小的点确定为第二起点;然后将二值化锋线图像中锋线上的坐标点从第一起点或第二起点依次保存,得到锋线坐标点列表;其次在锋线坐标点列表中按照预设间隔分别提取预设数量的点,得到目标点集合;最后将目标点集合转换为目标矩阵,得到二值化锋线图像对应的目标矩阵。
具体的,在图10中计算二值上的锋线在Y轴方向上的跨度记为h,X轴方向上的跨度记为w,如果h大于等于w,则起点为Y轴上y值最小的点,如图11所示,如果h小于w,则起点为x值最小的点,如图12所示,将二值图上的锋线按照上面方法确定的起始点按顺序存入列表中,记为[(x0,y0),......,(xn,yn)]。
在一种可能的实现方式中,通过预设间隔和预设数量在[(x0,y0),......,(xn,yn)]中均匀取5个(两端各1个,中间取三个),记为[(x'0,y'0),......,(x'4,y'4)],其转换为矩阵将训练样本中的每一个二值化锋线图像均计算出对应的矩阵A,即一个二值化锋线图像对应着一个2行5列的目标矩阵。
具体的,预先训练的锋线回归模型的处理流程图例如图13所示。
S105,顺序连接多个回归点,得到待识别区域的目标锋线。
在一种可能的实现方式中,在得到预先训练的锋线回归模型回归出的矩阵后,可根据矩阵中的坐标点还原出多个回归点,最后将多个回归点依次连接,得到待识别区域的目标锋线。
在本申请实施例中,基于机器学习的锋线识别装置首先获取并预处理待识别区域在一段时间内的原始气象数据,得到锋线区域定位图像以及锋线回归图像,然后将锋线区域定位图像输入预先训练的锋线区域定位模型中,输出锋线区域图,其次在锋线回归图像中抠取锋线区域图对应的区域,得到目标区域图,再将目标区域图输入预先训练的锋线回归模型中,输出多个回归点,最后顺序连接多个回归点,得到待识别区域的目标锋线。本申请利用预先训练的锋线区域定位模型对锋线区域进行定位,通过预先训练的锋线回归模型可在锋线区域中确定出构成锋线的多个回归点,该算法部署灵活,可通过样本数据不断优化模型,使得模型的性能越来越好,从而提升了锋线识别精确度。
请参见图14,为本申请实施例提供了一种模型训练方法的流程示意图。如图14所示,本申请实施例的方法可以包括以下步骤:
S201,获取并预处理历史周期内的历史气象数据,得到不同时刻对应的历史锋线区域定位图像及其历史锋线回归图像;
S202,标注每个历史锋线区域定位图像的锋线区域,得到每个定位图像;
S203,建立锋线区域定位模型;
S204,将每个定位图像输入锋线区域定位模型中,输出定位模型损失值,并在定位模型损失值到达最小时,生成预先训练的锋线区域定位模型;
S205,利用每个定位图像在与其对应的历史锋线回归图像中抠取锋线区域,得到多个历史锋线区域图;
S206,建立锋线回归模型;
S207,根据多个历史锋线区域图对锋线回归模型进行模型训练,生成预先训练的锋线回归模型。
在本申请实施例中,基于机器学习的锋线识别装置首先获取并预处理待识别区域在一段时间内的原始气象数据,得到锋线区域定位图像以及锋线回归图像,然后将锋线区域定位图像输入预先训练的锋线区域定位模型中,输出锋线区域图,其次在锋线回归图像中抠取锋线区域图对应的区域,得到目标区域图,再将目标区域图输入预先训练的锋线回归模型中,输出多个回归点,最后顺序连接多个回归点,得到待识别区域的目标锋线。本申请利用预先训练的锋线区域定位模型对锋线区域进行定位,通过预先训练的锋线回归模型可在锋线区域中确定出构成锋线的多个回归点,该算法部署灵活,可通过样本数据不断优化模型,使得模型的性能越来越好,从而提升了锋线识别精确度。
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15,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锋线识别装置的结构示意图。该基于机器学习的锋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包括图像构建模块10、锋线区域图生成模块20、目标区域图生成模块30、回归点输出模块40、目标锋线生成模块50。
图像构建模块10,用于获取并预处理待识别区域在一段时间内的原始气象数据,得到锋线区域定位图像以及锋线回归图像;
锋线区域图生成模块20,用于将锋线区域定位图像输入预先训练的锋线区域定位模型中,输出锋线区域定位图像对应的锋线区域图;
目标区域图生成模块30,用于在锋线回归图像中抠取锋线区域图对应的区域,得到目标区域图;
回归点输出模块40,用于将目标区域图输入预先训练的锋线回归模型中,输出目标区域图对应的多个回归点;
目标锋线生成模块50,用于顺序连接多个回归点,得到待识别区域的目标锋线。
需要说明的是,上述实施例提供的基于机器学习的锋线识别装置在执行基于机器学习的锋线识别方法时,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机器学习的锋线识别装置与基于机器学习的锋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,基于机器学习的锋线识别装置首先获取并预处理待识别区域在一段时间内的原始气象数据,得到锋线区域定位图像以及锋线回归图像,然后将锋线区域定位图像输入预先训练的锋线区域定位模型中,输出锋线区域图,其次在锋线回归图像中抠取锋线区域图对应的区域,得到目标区域图,再将目标区域图输入预先训练的锋线回归模型中,输出多个回归点,最后顺序连接多个回归点,得到待识别区域的目标锋线。本申请利用预先训练的锋线区域定位模型对锋线区域进行定位,通过预先训练的锋线回归模型可在锋线区域中确定出构成锋线的多个回归点,该算法部署灵活,可通过样本数据不断优化模型,使得模型的性能越来越好,从而提升了锋线识别精确度。
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机器学习的锋线识别方法。
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机器学习的锋线识别方法。
请参见图16,为本申请实施例提供了一种终端的结构示意图。如图16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16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、用户接口模块以及锋线识别应用程序。
在图16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中存储的锋线识别应用程序,并具体执行以下操作:
获取并预处理待识别区域在一段时间内的原始气象数据,得到锋线区域定位图像以及锋线回归图像;
将锋线区域定位图像输入预先训练的锋线区域定位模型中,输出锋线区域定位图像对应的锋线区域图;
在锋线回归图像中抠取锋线区域图对应的区域,得到目标区域图;
将目标区域图输入预先训练的锋线回归模型中,输出目标区域图对应的多个回归点;
顺序连接多个回归点,得到待识别区域的目标锋线。
在一个实施例中,处理器1001在获取并预处理待识别区域在一段时间内的原始气象数据,得到锋线区域定位图像以及锋线回归图像时,具体执行以下操作:
获取待识别区域在一段时间内的原始气象数据;
根据原始气象数据,构建待识别区域的地面风场格点数据集合、预设大气压高度层的目标风场格点数据集合、地面等压线集合、地面等温线集合以及预设大气压高度层的目标等温线集合;
将地面等压线集合与地面风场格点数据集合投影到平面图上,得到第一天气图;
将目标等温线集合投影到平面图上,得到第二天气图;
将目标风场格点数据集合投影到平面图上,得到第三天气图;
根据第一天气图和/或第二天气图以及第三天气图的气象要素,生成锋线区域定位图像;
将地面等压线集合、地面等温线集合、地面风场格点数据集合投影到平面图像上,得到锋线回归图像。
在一个实施例中,处理器1001在执行根据原始气象数据,构建待识别区域的地面风场格点数据集合、预设大气压高度层的目标风场格点数据集合、地面等压线集合、地面等温线集合以及预设大气压高度层的目标等温线集合时,具体执行以下操作:
在原始气象数据中确定地面风场数据和预设大气压高度层的目标风场数据;
将地面风场数据和目标风场数据插值为预设经纬度间距的网格数据,得到地面风场格点数据集合、预设大气压高度层的目标风场格点数据集合;
在原始气象数据中确定地面等压线数据;
根据地面等压线数据以及预设压强进行划分,得到地面等压线集合;
在原始气象数据中确定地面温度数据和预设大气压高度层的温度数据;
根据地面温度数据以及预设温度间隔进行划分,得到地面等温线集合;
根据预设大气压高度层的温度数据以及预设温度间隔进行划分,得到预设大气压高度层的目标等温线集合。
在一个实施例中,处理器1001在执行根据第一天气图和/或第二天气图以及第三天气图的气象要素,生成锋线区域定位图像时,具体执行以下操作:
将所述第一天气图和/或第二天气图以及第三天气图中的气象要素分别转换为RGB通道下的单通道图像,得到单通道图像;
根据所述单通道图像进行通道组合,得到锋线区域定位图像。
在一个实施例中,处理器1001在执行获取并预处理待识别区域在一段时间内的原始气象数据之前时,还执行以下操作:
获取并预处理历史周期内的历史气象数据,得到不同时刻对应的历史锋线区域定位图像及其历史锋线回归图像;
标注每个历史锋线区域定位图像的锋线区域,得到每个定位图像;
建立锋线区域定位模型;
将每个定位图像输入锋线区域定位模型中,输出定位模型损失值,并在定位模型损失值到达最小时,生成预先训练的锋线区域定位模型;
利用每个定位图像在与其对应的历史锋线回归图像中抠取锋线区域,得到多个历史锋线区域图;
建立锋线回归模型;
根据多个历史锋线区域图对锋线回归模型进行模型训练,生成预先训练的锋线回归模型。
在一个实施例中,处理器1001在执行根据多个历史锋线区域图对锋线回归模型进行模型训练,生成预先训练的锋线回归模型时,具体执行以下操作:
标注第一历史锋线区域图上的锋线,得到目标锋线,第一历史锋线区域图为多个历史锋线区域图中每个历史锋线区域图;
将目标锋线投影到与第一历史锋线区域图相同分辨率的二值化图像上,并在二值化图像上建立坐标系,得到二值化锋线图像;
建立二值化锋线图像对应的目标矩阵;
将二值化锋线图像对应的目标矩阵输入锋线回归模型,输出回归模型损失值,并在回归模型损失值到达最小时,生成预先训练的锋线回归模型。
在一个实施例中,处理器1001在执行建立二值化锋线图像对应的目标矩阵时,具体执行以下操作:
计算二值化锋线图像中锋线在Y坐标轴方向上的第一跨度和X坐标轴方向上的第二跨度;
当第一跨度大于等于第二跨度时,将二值化锋线图像中锋线在Y坐标轴方向上纵坐标最小的点确定为第一起点;或者,
当第一跨度小于第二跨度时,将二值化锋线图像中锋线在X坐标轴方向上横坐标最小的点确定为第二起点;
将二值化锋线图像中锋线上的坐标点从第一起点或第二起点依次保存,得到锋线坐标点列表;
在锋线坐标点列表中按照预设间隔分别提取预设数量的点,得到目标点集合;
将目标点集合转换为目标矩阵,得到二值化锋线图像对应的目标矩阵。
在本申请实施例中,基于机器学习的锋线识别装置首先获取并预处理待识别区域在一段时间内的原始气象数据,得到锋线区域定位图像以及锋线回归图像,然后将锋线区域定位图像输入预先训练的锋线区域定位模型中,输出锋线区域图,其次在锋线回归图像中抠取锋线区域图对应的区域,得到目标区域图,再将目标区域图输入预先训练的锋线回归模型中,输出多个回归点,最后顺序连接多个回归点,得到待识别区域的目标锋线。本申请利用预先训练的锋线区域定位模型对锋线区域进行定位,通过预先训练的锋线回归模型可在锋线区域中确定出构成锋线的多个回归点,该算法部署灵活,可通过样本数据不断优化模型,使得模型的性能越来越好,从而提升了锋线识别精确度。
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,锋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,锋线识别的程序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)
1.一种基于机器学习的锋线识别方法,其特征在于,所述方法包括:
获取并预处理待识别区域在一段时间内的原始气象数据,得到锋线区域定位图像以及锋线回归图像;
将所述锋线区域定位图像输入预先训练的锋线区域定位模型中,输出所述锋线区域定位图像对应的锋线区域图;
在所述锋线回归图像中抠取所述锋线区域图对应的区域,得到目标区域图;
将所述目标区域图输入预先训练的锋线回归模型中,输出所述目标区域图对应的多个回归点;
顺序连接所述多个回归点,得到所述待识别区域的目标锋线。
2.根据权利要求1所述的方法,其特征在于,所述获取并预处理待识别区域在一段时间内的原始气象数据,得到锋线区域定位图像以及锋线回归图像,包括:
获取待识别区域在一段时间内的原始气象数据;
根据所述原始气象数据,构建所述待识别区域的地面风场格点数据集合、预设大气压高度层的目标风场格点数据集合、地面等压线集合、地面等温线集合以及预设大气压高度层的目标等温线集合;
将所述地面等压线集合与所述地面风场格点数据集合投影到平面图上,得到第一天气图;
将所述目标等温线集合投影到平面图上,得到第二天气图;
将所述目标风场格点数据集合投影到平面图上,得到第三天气图;
根据所述第一天气图和/或第二天气图以及所述第三天气图的气象要素,生成锋线区域定位图像;
将所述地面等压线集合、地面等温线集合、地面风场格点数据集合投影到平面图像上,得到锋线回归图像。
3.根据权利要求2所述的方法,其特征在于,所述根据所述原始气象数据,构建所述待识别区域的地面风场格点数据集合、预设大气压高度层的目标风场格点数据集合、地面等压线集合、地面等温线集合以及预设大气压高度层的目标等温线集合,包括:
在所述原始气象数据中确定地面风场数据和预设大气压高度层的目标风场数据;
将所述地面风场数据和目标风场数据插值为预设经纬度间距的网格数据,得到地面风场格点数据集合、预设大气压高度层的目标风场格点数据集合;
在所述原始气象数据中确定地面等压线数据;
根据所述地面等压线数据以及预设压强进行划分,得到地面等压线集合;
在所述原始气象数据中确定地面温度数据和预设大气压高度层的温度数据;
根据所述地面温度数据以及预设温度间隔进行划分,得到地面等温线集合;
根据预设大气压高度层的温度数据以及预设温度间隔进行划分,得到预设大气压高度层的目标等温线集合。
4.根据权利要求2所述的方法,其特征在于,所述根据所述第一天气图和/或第二天气图以及所述第三天气图的气象要素,生成锋线区域定位图像,包括:
将所述第一天气图和/或第二天气图以及第三天气图中的气象要素分别转换为RGB通道下的单通道图像,得到单通道图像;
根据所述单通道图像进行通道组合,得到锋线区域定位图像。
5.根据权利要求1所述的方法,其特征在于,所述获取并预处理待识别区域在一段时间内的原始气象数据之前,包括:
获取并预处理历史周期内的历史气象数据,得到不同时刻对应的历史锋线区域定位图像及其历史锋线回归图像;
标注每个历史锋线区域定位图像的锋线区域,得到每个定位图像;
建立锋线区域定位模型;
将每个定位图像输入所述锋线区域定位模型中,输出定位模型损失值,并在所述定位模型损失值到达最小时,生成预先训练的锋线区域定位模型;
利用每个定位图像在与其对应的历史锋线回归图像中抠取锋线区域,得到多个历史锋线区域图;
建立锋线回归模型;
根据多个历史锋线区域图对所述锋线回归模型进行模型训练,生成预先训练的锋线回归模型。
6.根据权利要求5所述的方法,其特征在于,所述根据多个历史锋线区域图对所述锋线回归模型进行模型训练,生成预先训练的锋线回归模型,包括:
标注第一历史锋线区域图上的锋线,得到目标锋线,所述第一历史锋线区域图为所述多个历史锋线区域图中每个历史锋线区域图;
将所述目标锋线投影到与所述第一历史锋线区域图相同分辨率的二值化图像上,并在所述二值化图像上建立坐标系,得到二值化锋线图像;
建立所述二值化锋线图像对应的目标矩阵;
将所述二值化锋线图像对应的目标矩阵输入所述锋线回归模型,输出回归模型损失值,并在所述回归模型损失值到达最小时,生成预先训练的锋线回归模型。
7.根据权利要求6所述的方法,其特征在于,所述建立所述二值化锋线图像对应的目标矩阵,包括:
计算所述二值化锋线图像中锋线在Y坐标轴方向上的第一跨度和X坐标轴方向上的第二跨度;
当第一跨度大于等于第二跨度时,将所述二值化锋线图像中锋线在Y坐标轴方向上纵坐标最小的点确定为第一起点;或者,
当第一跨度小于第二跨度时,将所述二值化锋线图像中锋线在X坐标轴方向上横坐标最小的点确定为第二起点;
将所述二值化锋线图像中锋线上的坐标点从所述第一起点或第二起点依次保存,得到锋线坐标点列表;
在所述锋线坐标点列表中按照预设间隔分别提取预设数量的点,得到目标点集合;
将目标点集合转换为目标矩阵,得到所述二值化锋线图像对应的目标矩阵。
8.一种基于机器学习的锋线识别装置,其特征在于,所述装置包括:
图像构建模块,用于获取并预处理待识别区域在一段时间内的原始气象数据,得到锋线区域定位图像以及锋线回归图像;
锋线区域图生成模块,用于将所述锋线区域定位图像输入预先训练的锋线区域定位模型中,输出所述锋线区域定位图像对应的锋线区域图;
目标区域图生成模块,用于在所述锋线回归图像中抠取所述锋线区域图对应的区域,得到目标区域图;
回归点输出模块,用于将所述目标区域图输入预先训练的锋线回归模型中,输出所述目标区域图对应的多个回归点;
目标锋线生成模块,用于顺序连接所述多个回归点,得到所述待识别区域的目标锋线。
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任意一项所述的方法。
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任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310685309.8A CN116681959B (zh) | 2023-06-09 | 2023-06-09 | 基于机器学习的锋线识别方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310685309.8A CN116681959B (zh) | 2023-06-09 | 2023-06-09 | 基于机器学习的锋线识别方法、装置、存储介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116681959A true CN116681959A (zh) | 2023-09-01 |
CN116681959B CN116681959B (zh) | 2024-03-19 |
Family
ID=87790496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310685309.8A Active CN116681959B (zh) | 2023-06-09 | 2023-06-09 | 基于机器学习的锋线识别方法、装置、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116681959B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117853949A (zh) * | 2024-03-07 | 2024-04-09 | 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 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894373A (zh) * | 2010-08-19 | 2010-11-24 | 潘海朗 | 采用外接矩形的气象传真图像锋线提取方法 |
CN108597031A (zh) * | 2018-04-24 | 2018-09-28 | 成都信息工程大学 | 等值面构建方法及其应用 |
CN109102554A (zh) * | 2018-08-08 | 2018-12-28 | 湖北河海科技发展有限公司 | 天气图填绘系统及方法 |
WO2019126707A1 (en) * | 2017-12-21 | 2019-06-27 | Climacell Inc. | Improved real-time weather forecasting system |
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 |
CN114647985A (zh) * | 2022-04-06 | 2022-06-21 | 航天新气象科技有限公司 | 锋面过境预测模型的训练方法及锋面过境的预测方法 |
CN115082791A (zh) * | 2022-06-22 | 2022-09-20 | 中国人民解放军国防科技大学 | 一种基于深度可分离卷积网络的气象锋面自动识别方法 |
CN116030401A (zh) * | 2023-03-28 | 2023-04-28 | 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 |
-
2023
- 2023-06-09 CN CN202310685309.8A patent/CN116681959B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894373A (zh) * | 2010-08-19 | 2010-11-24 | 潘海朗 | 采用外接矩形的气象传真图像锋线提取方法 |
WO2019126707A1 (en) * | 2017-12-21 | 2019-06-27 | Climacell Inc. | Improved real-time weather forecasting system |
CN108597031A (zh) * | 2018-04-24 | 2018-09-28 | 成都信息工程大学 | 等值面构建方法及其应用 |
CN109102554A (zh) * | 2018-08-08 | 2018-12-28 | 湖北河海科技发展有限公司 | 天气图填绘系统及方法 |
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 |
CN114647985A (zh) * | 2022-04-06 | 2022-06-21 | 航天新气象科技有限公司 | 锋面过境预测模型的训练方法及锋面过境的预测方法 |
CN115082791A (zh) * | 2022-06-22 | 2022-09-20 | 中国人民解放军国防科技大学 | 一种基于深度可分离卷积网络的气象锋面自动识别方法 |
CN116030401A (zh) * | 2023-03-28 | 2023-04-28 | 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 |
Non-Patent Citations (3)
Title |
---|
姚素香;: "《天气学分析》课程中锋面分析讨论", 黑龙江生态工程职业学院学报, no. 03, 20 May 2011 (2011-05-20), pages 105 - 107 * |
朱亚平;程周杰;刘健文;白洁;彭国义;: "多光谱云分类技术在锋面云系中的应用", 热带气象学报, no. 01, pages 66 - 72 * |
王珊珊;黄兴友;苏磊;金宏忆;刘伟;顾松山;: "利用雷达回波自动识别锋线的方法", 南京气象学院学报, no. 04, pages 563 - 573 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117853949A (zh) * | 2024-03-07 | 2024-04-09 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN116681959B (zh) | 2024-03-19 |
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 | |
CN116681959B (zh) | 基于机器学习的锋线识别方法、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 | |
JP7150468B2 (ja) | 構造物劣化検出システム | |
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 | |
CN104299241A (zh) | 基于 Hadoop 的遥感图像显著性目标检测方法及系统 | |
CN108074279B (zh) | 气象数据三维展示方法、装置和设备 | |
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 | |
CN116091431A (zh) | 箱梁病害检测方法、装置、计算机设备和存储介质 | |
CN116071651B (zh) | 一种均压场识别方法、装置、存储介质及终端 | |
CN114689036A (zh) | 地图更新方法、自动驾驶方法、电子设备及存储介质 | |
JP2021005301A (ja) | 建物抽出処理装置及びプログラム | |
CN115937690B (zh) | 一种槽线生成方法、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 | |
CN114626458B (zh) | 一种高压后部识别方法、装置、存储介质及终端 | |
CN111104965A (zh) | 车辆目标识别的方法及装置 | |
CN115861811A (zh) | 一种风切变区域识别方法、装置、存储介质及终端 | |
CN113393572B (zh) | 点云数据生成方法、装置、移动终端和可读存储介质 | |
US9483846B2 (en) | Data interpolation and classification method for map data visualization | |
CN113551677B (zh) | 对机器人进行重定位的方法和相关产品 | |
CN114782692A (zh) | 房屋模型的修复方法、装置、电子设备和可读存储介质 | |
CN114238541A (zh) | 敏感目标信息获取方法、装置和计算机设备 | |
CN110111416B (zh) | 基于HoloLens眼镜的矿井内部模型采集建立方法 | |
CN117994661A (zh) | 槽脊线识别方法、系统、介质及电子设备 | |
CN116759009B (zh) | 通过机器学习匹配天气型的臭氧预报方法、系统、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 |