CN116759009B - 通过机器学习匹配天气型的臭氧预报方法、系统、介质 - Google Patents
通过机器学习匹配天气型的臭氧预报方法、系统、介质 Download PDFInfo
- Publication number
- CN116759009B CN116759009B CN202310682918.8A CN202310682918A CN116759009B CN 116759009 B CN116759009 B CN 116759009B CN 202310682918 A CN202310682918 A CN 202310682918A CN 116759009 B CN116759009 B CN 116759009B
- Authority
- CN
- China
- Prior art keywords
- area
- identified
- historical
- preset
- weather
- 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
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 title claims abstract description 164
- 238000010801 machine learning Methods 0.000 title claims abstract description 29
- 238000013277 forecasting method Methods 0.000 title abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 172
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000010276 construction Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 abstract description 52
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000005436 troposphere Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 239000005437 stratosphere Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
- G06F18/21322—Rendering the within-class scatter matrix non-singular
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种通过机器学习匹配天气型的臭氧预报方法、系统及介质,方法包括:根据待预测时刻的预报气象数据,建立地面天气图和高空天气图;识别地面天气图的均压场区域,在高空天气图中构建多个立体结构,每个立体结构包括在高空天气图中识别的每个预设压强高度的槽线区域和低涡区域;根据均压场区域、槽线区域和低涡区域,建立待识别区域的目标数据矩阵;确定该区域对应的预先训练的相似度模型,将目标数据矩阵输入该模型中,输出多个历史数据矩阵,求多个历史数据矩阵关联臭氧浓度标签的方差和均值;根据方差和均值确定待识别区域的臭氧浓度。本申请可对未来时刻的臭氧浓度进行自动化预测,从而提升了臭氧浓度的检测效率。
Description
技术领域
本发明涉及天气系统自动识别技术领域,特别涉及一种通过机器学习匹配天气型的臭氧预报方法、系统、介质。
背景技术
臭氧是大气中一种淡蓝色、具有特殊臭味的气体。该气体不仅能强烈吸收紫外线,而且有较强氧化性。臭氧对地球生态系统影响随着距离地面的高度不同而不同。平流层中的臭氧能够吸收紫外线,从而对地球生态系统起到保护作用;但臭氧出现在对流层中,则会刺激眼睛和呼吸系统。另外,臭氧还可以造成农作物减产。特别在夏季,我国多数地区臭氧浓度严重超标。
现有技术通过“温度×辐射通量/水平风速”构建了简单的臭氧指数,用以表征气象条件变化对臭氧浓度的影响,该指数考虑了与臭氧密切相关的三个气象因子,但该指数也存在明显不足,一是水平风速并不能很好反映大气扩散条件对臭氧浓度的影响,忽略了水平风向、垂直扩散条件对臭氧浓度的影响;二是辐射通量数据来源较少,从而会造成臭氧浓度预测的准确度较低。
发明内容
本申请实施例提供了一种通过机器学习匹配天气型的臭氧预报方法、系统、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通过机器学习匹配天气型的臭氧预报方法,方法包括:
根据待预测时刻的预报气象数据,建立地面天气图和高空天气图;
识别地面天气图的均压场区域,并在高空天气图中构建多个立体结构,每个立体结构包括在高空天气图中识别的每个预设压强高度的槽线区域和低涡区域;
根据均压场区域、槽线区域和低涡区域,建立待识别区域的目标数据矩阵;
确定待识别区域对应的预先训练的相似度模型,将待识别区域的目标数据矩阵输入待识别区域对应的预先训练的相似度模型中,输出待识别区域对应的多个历史数据矩阵,并求取多个历史数据矩阵所关联臭氧浓度标签的臭氧浓度方差和臭氧浓度均值;
当臭氧浓度方差小于预设方差阈值时,将臭氧浓度均值作为待识别区域的臭氧浓度。
可选的,根据待预测时刻的预报气象数据,建立地面天气图和高空天气图,包括:
获取待预测时刻的预报气象数据;
提取预报气象数据中地面气压、温度、风场数据;
将地面气压、温度、风场数据绘制到平面图上,得到地面天气图;
提取预报气象数据中多个不同预设压强下的大气高度、温度以及风场数据;
将每个不同预设压强下的大气高度、温度以及风场数据绘制到平面图上,得到高空天气图。
可选的,根据均压场区域、槽线区域和低涡区域,建立待识别区域的目标数据矩阵,包括:
在地面天气图和高空天气图中确定待识别区域;
以待识别区域为中心,分别将待识别区域向预设方向延伸预设第一经纬度、预设第二经纬度以及预设第三经纬度,得到待识别区域的第一矩形框、第二矩形框以及第三矩形框;预设第一经纬度小于预设第二经纬度,预设第二经纬度小于预设第三经纬度;第一矩形框的范围大于第二矩形框,第二矩形框的范围大于第三矩形框;
根据第一矩形框、第二矩形框以及第三矩形框,建立待识别区域的目标数据矩阵。
可选地,根据第一矩形框、第二矩形框以及第三矩形框,建立待识别区域的目标数据矩阵,包括:
判断第一矩形框、第二矩形框以及第三矩形框与所述均压场区域、槽线区域和低涡区域是否有交集;
若是,则将第一矩形框、第二矩形框以及第三矩形框继续向预设方向扩展,直到覆盖均压场区域、槽线区域和低涡区域时,得到第一矩形框对应的小尺度区域、第二矩形框对应的中尺度区域以及第三矩形框对应的大尺度区域;
根据小尺度区域、中尺度区域以及大尺度区域,建立待识别区域的目标数据矩阵。
判断第一矩形框、第二矩形框以及第三矩形框与均压场区域、槽线区域和低涡区域是否有交集,若是,则将第一矩形框、第二矩形框以及第三矩形框继续向预设方向扩展,直到覆盖均压场区域、槽线区域和低涡区域时,得到第一矩形框对应的小尺度区域、第二矩形框对应的中尺度区域以及第三矩形框对应的大尺度区域;
根据小尺度区域、中尺度区域以及大尺度区域,建立待识别区域的目标数据矩阵。
可选的,根据小尺度区域、中尺度区域以及大尺度区域,建立待识别区域的目标数据矩阵,包括:
按照预设参数分别将小尺度区域、中尺度区域以及大尺度区域划分为多个网格;
在预报气象数据中获取每个网格的多个不同压强高度的气压数据、风场数据、温度数据;
将获取的多个不同压强高度的气压数据、风场数据、温度数据插入与其对应的网格中,得到小尺度区域内存在的每个压强高度的第一矩阵、中尺度区域内存在的每个压强高度的第二矩阵、大尺度区域内存在的每个压强高度的第三矩阵;
将每个压强高度下的第一矩阵、第二矩阵以及第三矩阵按照预设次序进行堆叠,得到待识别区域的三维矩阵;
将三维矩阵作为待识别区域的目标数据矩阵。
可选的,将待识别区域的目标数据矩阵输入预先训练的相似度模型中,输出待识别区域对应的历史数据矩阵,包括:
通过预先训练的相似度模型确定待识别区域对应的预设历史数据矩阵库;
通过预先训练的相似度模型计算待识别区域的目标数据矩阵与预设历史数据矩阵库中每个历史数据矩阵的相似度,并按照相似度从大到小的顺序依次选取预设数量的多个历史数据矩阵;
通过预先训练的相似度模型输出待识别区域对应的多个历史数据矩阵。
可选的,根据待预测时刻的预报气象数据,建立地面天气图和高空天气图之前,还包括:
获取预设时间周期内的历史气象数据;
根据预设时间周期内的历史气象数据,建立预设时间周期内每个时刻的历史地面天气图和历史高空天气图;
根据每个时刻的历史地面天气图和历史高空天气图,建立每个区域的预设历史数据矩阵库;
将不同区域在每个时刻的历史数据矩阵对应的天气图抠取,并接收针对抠取天气图赋予的相似度,以及将相似度关联至与其对应的历史数据矩阵上,以及将每个赋予相似度的历史数据矩阵作为每个区域的模型训练样本;
建立相似度模型;
分别将每个区域的模型训练样本输入相似度模型中进行模型训练,训练结束后生成每个区域对应的预先训练的相似度模型。
可选的,根据每个时刻的历史地面天气图和历史高空天气图,建立每个区域的预设历史数据矩阵库,包括:
识别历史地面天气图的历史均压场区域,并在历史高空天气图中构建多个历史立体结构,每个历史立体结构包括在历史高空天气图中识别的每个预设压强高度的历史槽线区域和历史低涡区域;
根据历史均压场区域、历史槽线区域和历史低涡区域,建立不同区域在每个时刻的历史数据矩阵;
获取预先通过传感器在预设时间周期内检测到的不同区域在每个时刻的臭氧浓度,并将每个时刻的臭氧浓度作为标签关联至其对应的历史数据矩阵上,得到每个区域的预设历史数据矩阵库。
第二方面,本申请实施例提供了一种通过机器学习匹配天气型的臭氧预报系统,系统包括:
天气图构建模块,用于根据待预测时刻的预报气象数据,建立地面天气图和高空天气图;
区域识别模块,用于识别地面天气图的均压场区域,并在高空天气图中构建多个立体结构,每个立体结构包括在高空天气图中识别的每个预设压强高度的槽线区域和低涡区域;
目标数据矩阵建立模块,用于根据均压场区域、槽线区域和低涡区域,建立待识别区域的目标数据矩阵;
历史数据矩阵输出模块,用于确定待识别区域对应的预先训练的相似度模型,将待识别区域的目标数据矩阵输入待识别区域对应的预先训练的相似度模型中,输出待识别区域对应的多个历史数据矩阵,并求取多个历史数据矩阵所关联臭氧浓度标签的臭氧浓度方差和臭氧浓度均值;
臭氧浓度确定模块,用于当臭氧浓度方差小于预设方差阈值时,将臭氧浓度均值作为待识别区域的臭氧浓度。
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,通过机器学习匹配天气型的臭氧预报系统首先根据待预测时刻的预报气象数据,建立地面天气图和高空天气图,然后识别地面天气图的均压场区域,并在高空天气图中构建多个立体结构,每个立体结构包括在高空天气图中识别的每个预设压强高度的槽线区域和低涡区域,其次根据均压场区域、槽线区域和低涡区域,建立待识别区域的目标数据矩阵,以及确定待识别区域对应的预先训练的相似度模型,将待识别区域的目标数据矩阵输入待识别区域对应的预先训练的相似度模型中,输出待识别区域对应的多个历史数据矩阵,并求取多个历史数据矩阵所关联臭氧浓度标签的臭氧浓度方差和臭氧浓度均值,最后当臭氧浓度方差小于预设方差阈值时,将臭氧浓度均值作为待识别区域的臭氧浓度。由于本申请建立了目标数据矩阵,该矩阵可以准确表征出该地区的槽线区域、低涡区域以及均压场区域的特征,因此该矩阵可结合预先训练的相似度模型快速找到历史数据矩阵,并通过历史数据矩阵自动化预测出未来时刻的臭氧浓度,从而实现了臭氧浓度的自动预测,并提升了臭氧浓度的检测效率。
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通过机器学习匹配天气型的臭氧预报方法的流程示意图;
图2是本申请实施例提供的一种地面天气图的示意图;
图3是本申请实施例提供的一种高空天气图示意图;
图4是本申请实施例提供的一种均压场标注的示意图;
图5是本申请实施例提供的一种槽线区域和低涡区域标注的示意图;
图6是本申请实施例提供的一种预先训练的相似度模型的训练过程示意图;
图7是本申请实施例提供的一种通过机器学习匹配天气型的臭氧预报系统的结构示意图;
图8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系统和方法的例子。
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。
本申请提供了一种通过机器学习匹配天气型的臭氧预报方法、系统、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,由于本申请针对每个区域预先训练了相似度模型,因此可通过未来时刻的预报气象数据所建立的数据矩阵和待识别区域对应的预先训练的相似度模型快速确定出历史数据矩阵,进而可根据历史数据矩阵自动化预测出未来时刻的臭氧浓度,从而提升了臭氧浓度的检测效率,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6,对本申请实施例提供的通过机器学习匹配天气型的臭氧预报方法进行详细介绍。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通过机器学习匹配天气型的臭氧预报系统上。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通过机器学习匹配天气型的臭氧预报方法的流程示意图。如图1所示,本申请实施例的方法可以包括以下步骤:
S101,根据待预测时刻的预报气象数据,建立地面天气图和高空天气图;
其中,待预测时刻是当前时刻之后的某个时刻,也可以称为未来时刻,预报气象数据是当前天气预报人员针对未来天气形式所分析出的气象信息,该气象信息为全国或者某个洲的整体气象信息。
在本申请实施例中,在根据待预测时刻的预报气象数据,建立地面天气图和高空天气图时,首先获取待预测时刻的预报气象数据,然后提取预报气象数据中地面气压、温度、风场数据,再将地面气压、温度、风场数据绘制到平面图上,得到地面天气图,其次提取预报气象数据中多个不同预设压强下的大气高度、温度以及风场数据,最后将每个不同预设压强下的大气高度、温度以及风场数据绘制到平面图上,得到高空天气图。其中,多个不同预设压强为850hpa、700hpa、500hpa。
在一种可能的实现方式中,获取待预测时刻下全国范围内的整体预报气象数据,然后将该预报气象数据内的气压、温度、风场数据绘制到平面图上,如图2所示;其次将该预报气象数据内850hpa、700hpa、500hpa压强下的大气高度、温度、风场数据绘制到平面图上,如图3所示。
S102,识别地面天气图的均压场区域,并在高空天气图中构建多个立体结构,每个立体结构包括在高空天气图中识别的每个预设压强高度的槽线区域和低涡区域;
其中,均压场区域为天气图中均压场所在的区域,均压场为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。槽线区域是天气图中槽线所在的区域,槽线是预报中成云致雨的重要依据,槽线定义为低压槽区内等高线曲率最大点的连线,是气旋中心到低压槽内气压最低点的集合所组成的曲线。低涡区域为天气图中低涡所在的区域,低涡是指中心气压往往比四周低的天气图上的气旋式涡旋,即出现在大气中对流层中低层的水平和垂直范围都较小的低压涡旋。每个预设压强高度为850hpa、700hpa、500hpa。
在本申请实施例中,在地面天气图中识别均压场区域,例如图4所示,其中灰色区域是均压场区域;然后识别850hpa、700hpa、500hpa三个压强高度的槽线区域和低涡区域,并将槽线区域和低涡区域组合成为立体结构。如图5所示,其中,细线黑色框是槽线区域,粗线黑色框是低涡区域。
S103,根据均压场区域、槽线区域和低涡区域,建立待识别区域的目标数据矩阵;
在本申请实施例中,在根据均压场区域、槽线区域和低涡区域,建立待识别区域的目标数据矩阵时,首先在地面天气图和高空天气图中确定待识别区域;然后以待识别区域为中心,分别将待识别区域向预设方向延伸预设第一经纬度、预设第二经纬度以及预设第三经纬度,得到待识别区域的第一矩形框、第二矩形框以及第三矩形框;预设第一经纬度小于预设第二经纬度,预设第二经纬度小于预设第三经纬度;第一矩形框的范围大于第二矩形框,第二矩形框的范围大于第三矩形框;根据第一矩形框、第二矩形框以及第三矩形框,建立待识别区域的目标数据矩阵。
具体的,在根据第一矩形框、第二矩形框以及第三矩形框,建立待识别区域的目标数据矩阵时,判断第一矩形框、第二矩形框以及第三矩形框与均压场区域、槽线区域和低涡区域是否有交集,若是,则将第一矩形框、第二矩形框以及第三矩形框继续向预设方向扩展,直到覆盖均压场区域、槽线区域和低涡区域时,得到第一矩形框对应的小尺度区域、第二矩形框对应的中尺度区域以及第三矩形框对应的大尺度区域;最后根据小尺度区域、中尺度区域以及大尺度区域,建立待识别区域的目标数据矩阵。
在一种可能的实现方式中,在天气图上确定待识别区域,例如该区域为北京市,首先以该城市的城市经纬度为中心,向左右各扩展1经度,向南北各扩展1维度,形成一个矩形框,然后判断天气图中的均压场区域、低涡区域以及槽线区域是否与该矩形框有交集,如果有交集,则视该天气形势对该矩形框内区域有影响,将该矩形框区域扩展到恰好能将该天气形势区域包含进去的大小,将该区域记为region0,称作小尺度区域。
其次,以该城市的城市经纬度为中心,向左右各扩2经度,向南北各扩2纬度,形成一个矩形框,判断天气图中均压场区域、低涡区域,槽线区域是否与该矩形框有交集,如果有交集,则视该天气形势对该矩形框内区域有影响,将该矩形框区域扩展到恰好能将该天气形势区域包含进去的大小,将该区域记为region1,称作中尺度区域。
最后,以以该城市的城市经纬度为中心,向左右各扩3经度,向南北各扩3纬度,形成一个矩形框,判断天气图中均压场区域、低涡区域,槽线区域是否与该矩形框有交集,如果有交集,则视该天气形势对该矩形框内区域有影响,将该矩形框区域扩展到恰好能将该天气形势区域包含进去的大小,将该区域记为region2,称作大尺度区域。
在本申请实施例中,在根据小尺度区域、中尺度区域以及大尺度区域,建立待识别区域的目标数据矩阵时,首先按照预设参数分别将小尺度区域、中尺度区域以及大尺度区域划分为多个网格;然后在预报气象数据中获取每个网格的多个不同压强高度的气压数据、风场数据、温度数据;其次将获取的多个不同压强高度的气压数据、风场数据、温度数据插入与其对应的网格中,得到小尺度区域内存在的每个压强高度的第一矩阵、中尺度区域内存在的每个压强高度的第二矩阵、大尺度区域内存在的每个压强高度的第三矩阵;再将每个压强高度下的第一矩阵、第二矩阵以及第三矩阵按照预设次序进行堆叠,得到待识别区域的三维矩阵;最后将三维矩阵作为待识别区域的目标数据矩阵。
在一种可能的实现方式中,分别将小尺度区域、中尺度区域以及大尺度区域中的经纬度划分为128*128的网格,获取每个格点的地面高度、850hpa高度、700hpa高度、500hpa高度的气压数据,风场分量u,风场分量v,温度数据这4个要素通过反距离权重差值插入,可得到地面、850hpa高度、700hpa高度、500hpa高度这4个高度在小尺度区域,中尺度区域,大尺度区域分别有4个128*128的矩阵。将每个矩阵根据意义的不同记为其中H为{地面,850hpa,700hpa,500hpa},essential为{气压,风场u,风场v,温度},region为{小尺度区域,中尺度区域,大尺度区域}。
最后,将每个矩阵按照一定次序堆叠为三维矩阵,其中次序按照region按照小尺度区域,中尺度区域,大尺度区域顺序,essential按照气压,风场u,风场v,温度顺序,H按照地面,850hpa,700hpa,500hpa顺序,最终得到一个48*128*218的三维矩阵,将该三维矩阵作为待识别区域的数据矩阵。
S104,确定待识别区域对应的预先训练的相似度模型,将待识别区域的目标数据矩阵输入待识别区域对应的预先训练的相似度模型中,输出待识别区域对应的多个历史数据矩阵,并求取多个历史数据矩阵所关联臭氧浓度标签的臭氧浓度方差和臭氧浓度均值;
其中,本申请中不同城市所在的经纬度不同,地形也不同,甚至气候都不同,故每个城市对应的相似度匹配模型参数也不同,因此每个地区具有自己对应的预先训练的相似度模型。
在本申请实施例中,首先可确定出待识别区域对应的预先训练的相似度模型,例如获取北京对应的预先训练的相似度模型,然后将待识别区域的目标数据矩阵输入待识别区域对应的预先训练的相似度模型中,输出待识别区域对应的多个历史数据矩阵。
具体的,在将待识别区域的目标数据矩阵输入预先训练的相似度模型中,输出待识别区域对应的历史数据矩阵时,首先通过预先训练的相似度模型确定待识别区域对应的预设历史数据矩阵库;然后通过预先训练的相似度模型计算待识别区域的目标数据矩阵与预设历史数据矩阵库中每个历史数据矩阵的相似度,并按照相似度从大到小的顺序依次选取预设数量的多个历史数据矩阵;最后通过预先训练的相似度模型输出待识别区域对应的多个历史数据矩阵。
进一步地,在得到多个历史数据矩阵后,可求取多个历史数据矩阵所关联臭氧浓度标签的臭氧浓度方差和臭氧浓度均值。臭氧浓度方差越大,置信度越低,臭氧浓度方差越小,置信度越大,可以根据业务需求设置相应的阈值进行取舍。
S105,当臭氧浓度方差小于预设方差阈值时,将臭氧浓度均值作为待识别区域的臭氧浓度。
在本申请实施例中,当臭氧浓度方差小于预设方差阈值时,将臭氧浓度均值作为待识别区域的臭氧浓度;或者当臭氧浓度方差大于等于预设方差阈值时,可将臭氧浓度均值和臭氧方差推送到客户端,以供用户进行分析。
在本申请实施例中,本算法采取的是通过与臭氧积聚传输相关的天气形势,与臭氧传输相关的天气形势本身蕴含着与临近城市的臭氧传输,修正特征提取区域的方法,将不同高度层的数据综合起来形成立体的气象数据,通过相似神经网络训练的模型,提取立体气象数据的特征序列并给出给出相似度,算法最后给出了匹配置信度,随着案例库的不断丰富,模型的效果将会越来越好,并且匹配的历史数据方差越来越稳定,预报效果将会越来越好。
在本申请实施例中,通过机器学习匹配天气型的臭氧预报系统首先根据待预测时刻的预报气象数据,建立地面天气图和高空天气图,然后识别地面天气图的均压场区域,并在高空天气图中构建多个立体结构,每个立体结构包括在高空天气图中识别的每个预设压强高度的槽线区域和低涡区域,其次根据均压场区域、槽线区域和低涡区域,建立待识别区域的目标数据矩阵,以及确定待识别区域对应的预先训练的相似度模型,将待识别区域的目标数据矩阵输入待识别区域对应的预先训练的相似度模型中,输出待识别区域对应的多个历史数据矩阵,并求取多个历史数据矩阵所关联臭氧浓度标签的臭氧浓度方差和臭氧浓度均值,最后当臭氧浓度方差小于预设方差阈值时,将臭氧浓度均值作为待识别区域的臭氧浓度。由于本申请针对每个区域预先训练了相似度模型,因此可通过未来时刻的预报气象数据所建立的数据矩阵和待识别区域对应的预先训练的相似度模型快速确定出历史数据矩阵,从而根据历史数据矩阵自动化预测出未来时刻的臭氧浓度,从而提升了臭氧浓度的检测效率。
请参见图6,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6所示,本申请实施例的方法可以包括以下步骤:
S201,获取预设时间周期内的历史气象数据;
其中,预设时间周期可以是17年至22年五年的气象数据,该气象数据可以是全国范围内的气象数据。
S202,根据预设时间周期内的历史气象数据,建立预设时间周期内每个时刻的历史地面天气图和历史高空天气图;
在一种可能的实现方式中,首先获取历史气象数据中每个时刻的地面气压、温度、风场数据;然后将每个时刻的地面气压、温度、风场数据绘制到每个时刻对应的预设平面图上,得到每个时刻的历史地面天气图;最后将历史气象数据中每个时刻的多个不同预设压强下的大气高度、温度以及风场数据绘制到每个时刻对应的平面图上,得到每个时刻的历史高空天气图。
S203,根据每个时刻的历史地面天气图和历史高空天气图,建立每个区域的预设历史数据矩阵库;
在本申请实施例中,首先识别历史地面天气图的历史均压场区域,并在历史高空天气图中构建多个历史立体结构,每个历史立体结构包括在历史高空天气图中识别的每个预设压强高度的历史槽线区域和历史低涡区域;然后根据历史均压场区域、历史槽线区域和历史低涡区域,建立不同区域在每个时刻的历史数据矩阵;最后获取预先通过传感器在预设时间周期内检测到的不同区域在每个时刻的臭氧浓度,并将每个时刻的臭氧浓度作为标签关联至其对应的历史数据矩阵上,得到每个区域的预设历史数据矩阵库。
需要说明的是,建立不同区域在每个时刻的历史数据矩阵的算法逻辑和步骤S103中构建目标数据矩阵的方式一致,具体构建方式可参见步骤S103,此处不再赘述。
S204,将不同区域在每个时刻的历史数据矩阵对应的天气图抠取,并接收针对抠取天气图赋予的相似度,以及将相似度关联至与其对应的历史数据矩阵上,以及将每个赋予相似度的历史数据矩阵作为每个区域的模型训练样本;
其中,相似度范围为0-1,(其中0为完全不相似,1为完全相同)。
在本申请实施例中,由于无法对历史数据矩阵直接完成相似度标注,因此可通过程序将每个时刻的历史数据矩阵对应的天气图抠取,这样用户可通过观察相邻时刻之间图像的相似度,分别对每个图像标注相似度,标注后的相似度通过扣出图像传递给历史数据矩阵,提升了对虚拟数据标注参数的准确性。
S205,建立相似度模型;
其中,相似度模型可以为siamese network神经网络,siamese network神经网络的作用是衡量两个输入的相似程度。
S206,分别将每个区域的模型训练样本输入相似度模型中进行模型训练,训练结束后生成每个区域对应的预先训练的相似度模型。
在本申请实施例中,通过机器学习匹配天气型的臭氧预报系统首先根据待预测时刻的预报气象数据,建立地面天气图和高空天气图,然后识别地面天气图的均压场区域,并在高空天气图中构建多个立体结构,每个立体结构包括在高空天气图中识别的每个预设压强高度的槽线区域和低涡区域,其次根据均压场区域、槽线区域和低涡区域,建立待识别区域的目标数据矩阵,以及确定待识别区域对应的预先训练的相似度模型,将待识别区域的目标数据矩阵输入待识别区域对应的预先训练的相似度模型中,输出待识别区域对应的多个历史数据矩阵,并求取多个历史数据矩阵所关联臭氧浓度标签的臭氧浓度方差和臭氧浓度均值,最后当臭氧浓度方差小于预设方差阈值时,将臭氧浓度均值作为待识别区域的臭氧浓度。由于本申请针对每个区域预先训练了相似度模型,因此可通过未来时刻的预报气象数据所建立的数据矩阵和待识别区域对应的预先训练的相似度模型快速确定出历史数据矩阵,从而根据历史数据矩阵自动化预测出未来时刻的臭氧浓度,从而提升了臭氧浓度的检测效率。
下述为本发明系统实施例,可以用于执行本发明方法实施例。对于本发明系统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7,其示出了本发明一个示例性实施例提供的通过机器学习匹配天气型的臭氧预报系统的结构示意图。该通过机器学习匹配天气型的臭氧预报系统可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该系统1包括天气图构建模块10、区域识别模块20、目标数据矩阵建立模块30、历史数据矩阵输出模块40、臭氧浓度确定模块50。
天气图构建模块10,用于根据待预测时刻的预报气象数据,建立地面天气图和高空天气图;
区域识别模块20,用于识别地面天气图的均压场区域,并在高空天气图中构建多个立体结构,每个立体结构包括在高空天气图中识别的每个预设压强高度的槽线区域和低涡区域;
目标数据矩阵建立模块30,用于根据均压场区域、槽线区域和低涡区域,建立待识别区域的目标数据矩阵;
历史数据矩阵输出模块40,用于确定待识别区域对应的预先训练的相似度模型,将待识别区域的目标数据矩阵输入待识别区域对应的预先训练的相似度模型中,输出待识别区域对应的多个历史数据矩阵,并求取多个历史数据矩阵所关联臭氧浓度标签的臭氧浓度方差和臭氧浓度均值;
臭氧浓度确定模块50,用于当臭氧浓度方差小于预设方差阈值时,将臭氧浓度均值作为待识别区域的臭氧浓度。
需要说明的是,上述实施例提供的通过机器学习匹配天气型的臭氧预报系统在执行通过机器学习匹配天气型的臭氧预报方法时,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,上述实施例提供的通过机器学习匹配天气型的臭氧预报系统与通过机器学习匹配天气型的臭氧预报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,通过机器学习匹配天气型的臭氧预报系统首先根据待预测时刻的预报气象数据,建立地面天气图和高空天气图,然后识别地面天气图的均压场区域,并在高空天气图中构建多个立体结构,每个立体结构包括在高空天气图中识别的每个预设压强高度的槽线区域和低涡区域,其次根据均压场区域、槽线区域和低涡区域,建立待识别区域的目标数据矩阵,以及确定待识别区域对应的预先训练的相似度模型,将待识别区域的目标数据矩阵输入待识别区域对应的预先训练的相似度模型中,输出待识别区域对应的多个历史数据矩阵,并求取多个历史数据矩阵所关联臭氧浓度标签的臭氧浓度方差和臭氧浓度均值,最后当臭氧浓度方差小于预设方差阈值时,将臭氧浓度均值作为待识别区域的臭氧浓度。由于本申请针对每个区域预先训练了相似度模型,因此可通过未来时刻的预报气象数据所建立的数据矩阵和待识别区域对应的预先训练的相似度模型快速确定出历史数据矩阵,从而根据历史数据矩阵自动化预测出未来时刻的臭氧浓度,从而提升了臭氧浓度的检测效率。
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通过机器学习匹配天气型的臭氧预报方法。
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通过机器学习匹配天气型的臭氧预报方法。
请参见图8,为本申请实施例提供了一种终端的结构示意图。如图8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的存储系统。如图8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、用户接口模块以及通过机器学习匹配天气型的臭氧预报应用程序。
在图8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中存储的通过机器学习匹配天气型的臭氧预报应用程序,并具体执行以下操作:
根据待预测时刻的预报气象数据,建立地面天气图和高空天气图;
识别地面天气图的均压场区域,并在高空天气图中构建多个立体结构,每个立体结构包括在高空天气图中识别的每个预设压强高度的槽线区域和低涡区域;
根据均压场区域、槽线区域和低涡区域,建立待识别区域的目标数据矩阵;
确定待识别区域对应的预先训练的相似度模型,将待识别区域的目标数据矩阵输入待识别区域对应的预先训练的相似度模型中,输出待识别区域对应的多个历史数据矩阵,并求取多个历史数据矩阵所关联臭氧浓度标签的臭氧浓度方差和臭氧浓度均值;
当臭氧浓度方差小于预设方差阈值时,将臭氧浓度均值作为待识别区域的臭氧浓度。
在一个实施例中,处理器1001在根据待预测时刻的预报气象数据,建立地面天气图和高空天气图时,具体执行以下操作:
获取待预测时刻的预报气象数据;
提取预报气象数据中地面气压、温度、风场数据;
将地面气压、温度、风场数据绘制到平面图上,得到地面天气图;
提取预报气象数据中多个不同预设压强下的大气高度、温度以及风场数据;
将每个不同预设压强下的大气高度、温度以及风场数据绘制到平面图上,得到高空天气图。
在一个实施例中,处理器1001在执行根据均压场区域、槽线区域和低涡区域,建立待识别区域的目标数据矩阵时,具体执行以下操作:
在地面天气图和高空天气图中确定待识别区域;
以待识别区域为中心,分别将待识别区域向预设方向延伸预设第一经纬度、预设第二经纬度以及预设第三经纬度,得到待识别区域的第一矩形框、第二矩形框以及第三矩形框;预设第一经纬度小于预设第二经纬度,预设第二经纬度小于预设第三经纬度;第一矩形框的范围大于第二矩形框,第二矩形框的范围大于第三矩形框;
判断第一矩形框、第二矩形框以及第三矩形框与均压场区域、槽线区域和低涡区域是否有交集,若是,则将第一矩形框、第二矩形框以及第三矩形框继续向预设方向扩展,直到覆盖均压场区域、槽线区域和低涡区域时,得到第一矩形框对应的小尺度区域、第二矩形框对应的中尺度区域以及第三矩形框对应的大尺度区域;
根据小尺度区域、中尺度区域以及大尺度区域,建立待识别区域的目标数据矩阵。
在一个实施例中,处理器1001在执行根据小尺度区域、中尺度区域以及大尺度区域,建立待识别区域的目标数据矩阵时,具体执行以下操作:
按照预设参数分别将小尺度区域、中尺度区域以及大尺度区域划分为多个网格;
在预报气象数据中获取每个网格的多个不同压强高度的气压数据、风场数据、温度数据;
将获取的多个不同压强高度的气压数据、风场数据、温度数据插入与其对应的网格中,得到小尺度区域内存在的每个压强高度的第一矩阵、中尺度区域内存在的每个压强高度的第二矩阵、大尺度区域内存在的每个压强高度的第三矩阵;
将每个压强高度下的第一矩阵、第二矩阵以及第三矩阵按照预设次序进行堆叠,得到待识别区域的三维矩阵;
将三维矩阵作为待识别区域的目标数据矩阵。
在一个实施例中,处理器1001在执行将待识别区域的目标数据矩阵输入预先训练的相似度模型中,输出待识别区域对应的历史数据矩阵时,具体执行以下操作:
通过预先训练的相似度模型确定待识别区域对应的预设历史数据矩阵库;
通过预先训练的相似度模型计算待识别区域的目标数据矩阵与预设历史数据矩阵库中每个历史数据矩阵的相似度,并按照相似度从大到小的顺序依次选取预设数量的多个历史数据矩阵;
通过预先训练的相似度模型输出待识别区域对应的多个历史数据矩阵。
在一个实施例中,处理器1001在执根据待预测时刻的预报气象数据,建立地面天气图和高空天气图之前时,还执行以下操作:
获取预设时间周期内的历史气象数据;
根据预设时间周期内的历史气象数据,建立预设时间周期内每个时刻的历史地面天气图和历史高空天气图;
根据每个时刻的历史地面天气图和历史高空天气图,建立每个区域的预设历史数据矩阵库;
将不同区域在每个时刻的历史数据矩阵对应的天气图抠取,并接收针对抠取天气图赋予的相似度,以及将相似度关联至与其对应的历史数据矩阵上,以及将每个赋予相似度的历史数据矩阵作为每个区域的模型训练样本;
建立相似度模型;
分别将每个区域的模型训练样本输入相似度模型中进行模型训练,训练结束后生成每个区域对应的预先训练的相似度模型。
在一个实施例中,处理器1001在执行根据每个时刻的历史地面天气图和历史高空天气图,建立每个区域的预设历史数据矩阵库时,具体执行以下操作:
识别历史地面天气图的历史均压场区域,并在历史高空天气图中构建多个历史立体结构,每个历史立体结构包括在历史高空天气图中识别的每个预设压强高度的历史槽线区域和历史低涡区域;
根据历史均压场区域、历史槽线区域和历史低涡区域,建立不同区域在每个时刻的历史数据矩阵;
获取预先通过传感器在预设时间周期内检测到的不同区域在每个时刻的臭氧浓度,并将每个时刻的臭氧浓度作为标签关联至其对应的历史数据矩阵上,得到每个区域的预设历史数据矩阵库。
在本申请实施例中,通过机器学习匹配天气型的臭氧预报系统首先根据待预测时刻的预报气象数据,建立地面天气图和高空天气图,然后识别地面天气图的均压场区域,并在高空天气图中构建多个立体结构,每个立体结构包括在高空天气图中识别的每个预设压强高度的槽线区域和低涡区域,其次根据均压场区域、槽线区域和低涡区域,建立待识别区域的目标数据矩阵,以及确定待识别区域对应的预先训练的相似度模型,将待识别区域的目标数据矩阵输入待识别区域对应的预先训练的相似度模型中,输出待识别区域对应的多个历史数据矩阵,并求取多个历史数据矩阵所关联臭氧浓度标签的臭氧浓度方差和臭氧浓度均值,最后当臭氧浓度方差小于预设方差阈值时,将臭氧浓度均值作为待识别区域的臭氧浓度。由于本申请针对每个区域预先训练了相似度模型,因此可通过未来时刻的预报气象数据所建立的数据矩阵和待识别区域对应的预先训练的相似度模型快速确定出历史数据矩阵,从而根据历史数据矩阵自动化预测出未来时刻的臭氧浓度,从而提升了臭氧浓度的检测效率。
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,通过机器学习匹配天气型的臭氧预报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,通过机器学习匹配天气型的臭氧预报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 (8)
1.一种通过机器学习匹配天气型的臭氧预报方法,其特征在于,所述方法包括:
根据待预测时刻的预报气象数据,建立地面天气图和高空天气图;
识别所述地面天气图的均压场区域,并在所述高空天气图中构建多个立体结构,每个立体结构包括在所述高空天气图中识别的每个预设压强高度的槽线区域和低涡区域;
根据所述均压场区域、槽线区域和低涡区域,建立待识别区域的目标数据矩阵;其中,
所述根据所述均压场区域、槽线区域和低涡区域,建立待识别区域的目标数据矩阵,包括:
在所述地面天气图和高空天气图中确定待识别区域;
以所述待识别区域为中心,分别将所述待识别区域向预设方向延伸预设第一经纬度、预设第二经纬度以及预设第三经纬度,得到待识别区域的第一矩形框、第二矩形框以及第三矩形框;所述预设第一经纬度小于预设第二经纬度,所述预设第二经纬度小于预设第三经纬度;所述第一矩形框的范围小于所述第二矩形框,所述第二矩形框的范围小于所述第三矩形框;
根据所述第一矩形框、第二矩形框以及第三矩形框,建立待识别区域的目标数据矩阵;
确定待识别区域对应的预先训练的相似度模型,将所述待识别区域的目标数据矩阵输入所述待识别区域对应的预先训练的相似度模型中,输出所述待识别区域对应的多个历史数据矩阵,并求取所述多个历史数据矩阵所关联臭氧浓度标签的臭氧浓度方差和臭氧浓度均值;
当所述臭氧浓度方差小于预设方差阈值时,将所述臭氧浓度均值作为所述待识别区域的臭氧浓度;其中,
所述根据待预测时刻的预报气象数据,建立地面天气图和高空天气图之前,还包括:
获取预设时间周期内的历史气象数据;
根据所述预设时间周期内的历史气象数据,建立所述预设时间周期内每个时刻的历史地面天气图和历史高空天气图;
根据每个时刻的历史地面天气图和历史高空天气图,建立每个区域的预设历史数据矩阵库;
将不同区域在每个时刻的历史数据矩阵对应的天气图抠取,并接收针对抠取天气图赋予的相似度,以及将所述相似度关联至与其对应的历史数据矩阵上,以及将每个赋予相似度的历史数据矩阵作为每个区域的模型训练样本;
建立相似度模型;
分别将每个区域的模型训练样本输入所述相似度模型中进行模型训练,训练结束后生成每个区域对应的预先训练的相似度模型。
2.根据权利要求1所述的方法,其特征在于,所述根据待预测时刻的预报气象数据,建立地面天气图和高空天气图,包括:
获取待预测时刻的预报气象数据;
提取所述预报气象数据中地面气压、温度、风场数据;
将所述地面气压、温度、风场数据绘制到平面图上,得到地面天气图;
提取所述预报气象数据中多个不同预设压强下的大气高度、温度以及风场数据;
将每个不同预设压强下的大气高度、温度以及风场数据绘制到平面图上,得到高空天气图。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一矩形框、第二矩形框以及第三矩形框,建立待识别区域的目标数据矩阵,包括:
判断所述第一矩形框、第二矩形框以及第三矩形框与所述均压场区域、槽线区域和低涡区域是否有交集;
若是,则将所述第一矩形框、第二矩形框以及第三矩形框继续向预设方向扩展,直到覆盖所述均压场区域、槽线区域和低涡区域时,得到第一矩形框对应的小尺度区域、第二矩形框对应的中尺度区域以及第三矩形框对应的大尺度区域;
根据所述小尺度区域、中尺度区域以及大尺度区域,建立待识别区域的目标数据矩阵。
4.根据权利要求3所述的方法,其特征在于,所述根据所述小尺度区域、中尺度区域以及大尺度区域,建立待识别区域的目标数据矩阵,包括:
按照预设参数分别将所述小尺度区域、中尺度区域以及大尺度区域划分为多个网格;
在所述预报气象数据中获取每个网格的多个不同压强高度的气压数据、风场数据、温度数据;
将获取的多个不同压强高度的气压数据、风场数据、温度数据插入与其对应的网格中,得到小尺度区域内存在的每个压强高度的第一矩阵、中尺度区域内存在的每个压强高度的第二矩阵、大尺度区域内存在的每个压强高度的第三矩阵;
将每个压强高度下的第一矩阵、第二矩阵以及第三矩阵按照预设次序进行堆叠,得到待识别区域的三维矩阵;
将所述三维矩阵作为所述待识别区域的目标数据矩阵。
5.根据权利要求1所述的方法,其特征在于,所述将所述待识别区域的目标数据矩阵输入预先训练的相似度模型中,输出所述待识别区域对应的历史数据矩阵,包括:
通过预先训练的相似度模型确定待识别区域对应的预设历史数据矩阵库;
通过预先训练的相似度模型计算所述待识别区域的目标数据矩阵与所述预设历史数据矩阵库中每个历史数据矩阵的相似度,并按照相似度从大到小的顺序依次选取预设数量的多个历史数据矩阵;
通过预先训练的相似度模型输出所述待识别区域对应的多个历史数据矩阵。
6.根据权利要求5所述的方法,其特征在于,所述根据每个时刻的历史地面天气图和历史高空天气图,建立每个区域的预设历史数据矩阵库,包括:
识别所述历史地面天气图的历史均压场区域,并在所述历史高空天气图中构建多个历史立体结构,每个历史立体结构包括在所述历史高空天气图中识别的每个预设压强高度的历史槽线区域和历史低涡区域;
根据所述历史均压场区域、历史槽线区域和历史低涡区域,建立不同区域在每个时刻的历史数据矩阵;
获取预先通过传感器在预设时间周期内检测到的不同区域在每个时刻的臭氧浓度,并将所述每个时刻的臭氧浓度作为标签关联至其对应的历史数据矩阵上,得到每个区域的预设历史数据矩阵库。
7.一种通过机器学习匹配天气型的臭氧预报系统,其特征在于,所述系统包括:
天气图构建模块,用于根据待预测时刻的预报气象数据,建立地面天气图和高空天气图;
区域识别模块,用于识别所述地面天气图的均压场区域,并在所述高空天气图中构建多个立体结构,每个立体结构包括在所述高空天气图中识别的每个预设压强高度的槽线区域和低涡区域;
目标数据矩阵建立模块,用于根据所述均压场区域、槽线区域和低涡区域,建立待识别区域的目标数据矩阵;其中,
所述根据所述均压场区域、槽线区域和低涡区域,建立待识别区域的目标数据矩阵,包括:
在所述地面天气图和高空天气图中确定待识别区域;
以所述待识别区域为中心,分别将所述待识别区域向预设方向延伸预设第一经纬度、预设第二经纬度以及预设第三经纬度,得到待识别区域的第一矩形框、第二矩形框以及第三矩形框;所述预设第一经纬度小于预设第二经纬度,所述预设第二经纬度小于预设第三经纬度;所述第一矩形框的范围小于所述第二矩形框,所述第二矩形框的范围小于所述第三矩形框;
根据所述第一矩形框、第二矩形框以及第三矩形框,建立待识别区域的目标数据矩阵;
历史数据矩阵输出模块,用于确定待识别区域对应的预先训练的相似度模型,将所述待识别区域的目标数据矩阵输入所述待识别区域对应的预先训练的相似度模型中,输出所述待识别区域对应的多个历史数据矩阵,并求取所述多个历史数据矩阵所关联臭氧浓度标签的臭氧浓度方差和臭氧浓度均值;
臭氧浓度确定模块,用于当所述臭氧浓度方差小于预设方差阈值时,将所述臭氧浓度均值作为所述待识别区域的臭氧浓度;其中,
所述系统还具体执行以下步骤:
获取预设时间周期内的历史气象数据;
根据所述预设时间周期内的历史气象数据,建立所述预设时间周期内每个时刻的历史地面天气图和历史高空天气图;
根据每个时刻的历史地面天气图和历史高空天气图,建立每个区域的预设历史数据矩阵库;
将不同区域在每个时刻的历史数据矩阵对应的天气图抠取,并接收针对抠取天气图赋予的相似度,以及将所述相似度关联至与其对应的历史数据矩阵上,以及将每个赋予相似度的历史数据矩阵作为每个区域的模型训练样本;
建立相似度模型;
分别将每个区域的模型训练样本输入所述相似度模型中进行模型训练,训练结束后生成每个区域对应的预先训练的相似度模型。
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任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310682918.8A CN116759009B (zh) | 2023-06-09 | 2023-06-09 | 通过机器学习匹配天气型的臭氧预报方法、系统、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310682918.8A CN116759009B (zh) | 2023-06-09 | 2023-06-09 | 通过机器学习匹配天气型的臭氧预报方法、系统、介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116759009A CN116759009A (zh) | 2023-09-15 |
CN116759009B true CN116759009B (zh) | 2024-02-02 |
Family
ID=87952624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310682918.8A Active CN116759009B (zh) | 2023-06-09 | 2023-06-09 | 通过机器学习匹配天气型的臭氧预报方法、系统、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116759009B (zh) |
Citations (6)
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 |
CN115731560A (zh) * | 2022-12-06 | 2023-03-03 | 中科三清科技有限公司 | 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) * | 2022-12-06 | 2023-03-28 | 中科三清科技有限公司 | 一种风切变区域识别方法、装置、存储介质及终端 |
CN115861816A (zh) * | 2022-12-06 | 2023-03-28 | 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 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541302B (zh) * | 2020-12-23 | 2024-02-06 | 北京百度网讯科技有限公司 | 空气质量预测模型训练方法、空气质量预测方法及装置 |
-
2023
- 2023-06-09 CN CN202310682918.8A patent/CN116759009B/zh active Active
Patent Citations (6)
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 |
CN115731560A (zh) * | 2022-12-06 | 2023-03-03 | 中科三清科技有限公司 | 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) * | 2022-12-06 | 2023-03-28 | 中科三清科技有限公司 | 一种风切变区域识别方法、装置、存储介质及终端 |
CN115861816A (zh) * | 2022-12-06 | 2023-03-28 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN116759009A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108320323B (zh) | 一种建筑物三维建模方法及装置 | |
CN111340012B (zh) | 一种地质灾害解译方法、装置、终端设备 | |
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 | |
CN107832849B (zh) | 一种基于知识库的电力线廊道三维信息提取方法及装置 | |
CN111126308A (zh) | 结合灾前和灾后遥感影像信息的损毁建筑物自动识别方法 | |
CN112528934A (zh) | 一种基于多尺度特征层的改进型YOLOv3的交通标志检测方法 | |
US20100182316A1 (en) | Geospatial modeling system for 3d clutter data and related methods | |
CN111832387A (zh) | 一种基于无人机影像的宅基地房屋识别方法 | |
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 | |
CN114037836A (zh) | 一种将人工智能识别技术应用于三维输变电工程测算的方法 | |
CN109657728B (zh) | 样例生产方法及模型训练方法 | |
CN115861816B (zh) | 一种立体低涡识别方法、装置、存储介质及终端 | |
JP2021005301A (ja) | 建物抽出処理装置及びプログラム | |
CN116681959B (zh) | 基于机器学习的锋线识别方法、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 | |
CN116759009B (zh) | 通过机器学习匹配天气型的臭氧预报方法、系统、介质 | |
CN116071651B (zh) | 一种均压场识别方法、装置、存储介质及终端 | |
CN112000758A (zh) | 一种三维城市建筑构建方法 | |
CN114626458B (zh) | 一种高压后部识别方法、装置、存储介质及终端 | |
CN118115892A (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 | |
CN112101429A (zh) | 一种基于Mask R-CNN的地图地理环境自动识别方法 | |
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 | |
CN117994661A (zh) | 槽脊线识别方法、系统、介质及电子设备 | |
CN117291921B (zh) | 集装箱偶发残损样本挖掘及学习方法、装置、设备、介质 | |
CN116091586B (zh) | 一种槽线识别方法、装置、存储介质及终端 |
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 |