CN115861816A - 一种立体低涡识别方法、装置、存储介质及终端 - Google Patents
一种立体低涡识别方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN115861816A CN115861816A CN202211578597.9A CN202211578597A CN115861816A CN 115861816 A CN115861816 A CN 115861816A CN 202211578597 A CN202211578597 A CN 202211578597A CN 115861816 A CN115861816 A CN 115861816A
- Authority
- CN
- China
- Prior art keywords
- low
- vortex
- low vortex
- target
- model
- 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
-
- 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
- Image Analysis (AREA)
Abstract
本发明公开了一种立体低涡识别方法、装置、存储介质及终端,方法包括:根据预先训练的立体低涡识别模型对待识别地区在待预测时间段的目标标准天气图进行处理,生成不同高度层内每个低涡的中心点;根据相邻高度层上处于不同高度层的任意两个低涡的中心点之间的距离构建目标矩阵;根据该矩阵确定多个潜在匹配对,计算每个潜在匹配对中的两个低涡的最大影响范围;当两个低涡的最大影响范围存在重叠部分且中心点位于重叠部分内时,确定每个潜在匹配为真匹配,基于真匹配的每个潜在匹配对生成立体低涡。由于通过对标准天气图进行分析量化,以滤除相邻高度层之间存在伪匹配的低涡,使得最终基于真匹配的低涡建立的立体低涡准确度较高,提升了识别效率。
Description
技术领域
本发明涉及天气***自动识别技术领域,特别涉及一种立体低涡识别方法、装置、存储介质及终端。
背景技术
低涡,属于气象学术语,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。主要是相对气压场而言的一种天气***,在500hpa、700hPa和850hPa等不同高度层上最为显著。
低涡中有较强的辐合上升气流,可产生云雨天气。部分低涡形成后在原地减弱、消失,只引起源地和附近地区的天气变化。而有的低涡随低槽或高空引导气流移动,并不断得到加强和发展,雨区扩大,降水增强,往往形成暴雨。因此低涡作为暴雨等极端天气的主要影响天气***,对其进行识别与追踪能够准确预报天气情况。
现有的基于天气学原理和简单的数学公式进行低涡的计算结果,准确性低下,无法取代气象工作者根据天气学原理积累的丰富经验的人工判识,从而导致最终生成的立体低涡的准确度较低,降低了立体低涡的识别效率。
发明内容
本申请实施例提供了一种立体低涡识别方法、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立体低涡识别方法,方法包括:
根据预先训练的立体低涡识别模型对待识别地区在待预测时间段的目标标准天气图进行处理,生成目标标准天气图中不同高度层内每个低涡的中心点;
根据相邻高度层上处于不同高度层的任意两个低涡的中心点之间的目标距离构建目标矩阵;
根据目标矩阵确定出多个潜在匹配对,并计算每个潜在匹配对中的两个低涡的最大影响范围;
当两个低涡的最大影响范围存在重叠部分且两个低涡的中心点位于重叠部分内时,确定每个潜在匹配为真匹配,并基于真匹配的每个潜在匹配对生成立体低涡。
可选的,根据目标矩阵确定出多个潜在匹配对,包括:
遍历获取目标矩阵中行最小值和列最小值;
当行最小值和列最小值的位置相同时,将该位置对应的不同高度层的两个低涡编号确定为一个潜在匹配对;
在目标矩阵遍历结束后,生成多个潜在匹配对。
可选的,预先训练的立体低涡识别模型包括预先训练的定位模型、预先训练的分类模型以及预先训练的低涡中心点确定模型;
根据预先训练的立体低涡识别模型对待识别地区在待预测时间段的目标标准天气图进行处理,生成目标标准天气图中不同高度层内每个低涡的中心点,包括:
获取待识别地区在待预测时间段的目标标准天气图;
将目标标准天气图输入预先训练的定位模型中,输出目标标准天气图对应的目标低涡或目标高压;
在目标标准天气图中确定目标低涡或目标高压的目标影响范围图;
将目标影响范围图输入预先训练的分类模型中,输出目标标准天气图对应的分类结果;
根据分类结果剔除所有高压,生成目标标准天气图对应的低涡列表;
根据预先训练的低涡中心点确定模型对低涡列表中每个低涡进行回归处理,得到目标标准天气图中不同高度层内每个低涡的中心点。
可选的,获取待识别地区在待预测时间段的目标标准天气图之前,还包括:
根据待识别地区的历史格点数据生成样本标准天气图;
接收针对样本标准天气图的标注指令,并基于标注指令在样本标准天气图上标注出预设时间段的低涡和高压位置,生成模型训练样本;
构建定位模型,并将模型训练样本输入定位模型中进行模型训练,训练结束后生成预先训练的定位模型;
根据标注的样本标准天气图生成预先训练的分类模型;
根据模型训练样本生成预先训练的低涡中心点确定模型。
可选的,根据待识别地区的历史格点数据生成样本标准天气图,包括:
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;
获取待识别地区的历史格点数据,并采用预设像素的箭头指向表示历史格点数据中的风场方向,得到风场箭头标记;
将风场箭头标记投影到等值线地图上,生成样本标准天气图。
可选的,根据标注的样本标准天气图生成预先训练的分类模型,包括:
确定并筛选样本标准天气图中标注的每个低涡和高压位置的影响范围图;
根据筛选的每个低涡和高压位置的影响范围图进行数据分类,得到低涡数据和高压数据;
构建分类模型;
将低涡数据和高压数据分别输入分类模型中进行模型训练,训练结束后生成预先训练的分类模型。
可选的,根据模型训练样本生成预先训练的低涡中心点确定模型,包括:
确定模型训练样本中存在的多个单中心低涡;
对每个单中心低涡的中心进行标签标注,生成标注的训练样本;
将标注的训练样本输入预设神经网络中进行网络训练,训练结束后生成预先训练的低涡中心点确定模型。
第二方面,本申请实施例提供了一种立体低涡识别装置,装置包括:
中心点生成模块,用于根据预先训练的立体低涡识别模型对待识别地区在待预测时间段的目标标准天气图进行处理,生成目标标准天气图中不同高度层内每个低涡的中心点;
目标矩阵构建模块,用于根据相邻高度层上处于不同高度层的任意两个低涡的中心点之间的目标距离构建目标矩阵;
最大影响范围确定模块,用于根据目标矩阵确定出多个潜在匹配对,并计算每个潜在匹配对中的两个低涡的最大影响范围;
立体低涡生成模块,用于当两个低涡的最大影响范围存在重叠部分且两个低涡的中心点位于重叠部分内时,确定每个潜在匹配为真匹配,并基于真匹配的每个潜在匹配对生成立体低涡。
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,立体低涡识别装置首先获取根据预先训练的立体低涡识别模型对待识别地区在待预测时间段的目标标准天气图进行处理,生成不同高度层内每个低涡的中心点,然后根据相邻高度层上处于不同高度层的任意两个低涡的中心点之间的距离构建目标矩阵,其次根据该矩阵确定多个潜在匹配对,计算每个潜在匹配对中的两个低涡的最大影响范围,最后当两个低涡的最大影响范围存在重叠部分且中心点位于重叠部分内时,确定每个潜在匹配为真匹配,并基于真匹配的每个潜在匹配对生成立体低涡。由于本申请通过对标准天气图进行分析量化,以滤除相邻高度层之间存在伪匹配的低涡,使得最终基于真匹配的低涡建立的立体低涡准确度较高,并提升了立体低涡的识别效率。
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立体低涡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另一种标准天气图的示意图;
图4是本申请实施例提供的一种立体低涡识别模型生成的流程示意图;
图5是本申请实施例提供的另一种标准天气图的示意图;
图6是本申请实施例提供的一种低涡天气图的示意图;
图7是本申请实施例提供的一种高压天气图的示意图;
图8是本申请实施例提供的一种低涡中心点标注的示意图;
图9是本申请实施例提供的一种立体低涡识别装置的结构示意图;
图10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。
本申请提供了一种立体低涡识别方法、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,由于本申请通过对标准天气图进行分析量化,以滤除相邻高度层之间存在伪匹配的低涡,使得最终基于真匹配的低涡建立的立体低涡准确度较高,并提升了立体低涡的识别效率,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8,对本申请实施例提供的立体低涡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立体低涡识别装置上。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立体低涡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,根据预先训练的立体低涡识别模型对待识别地区在待预测时间段的目标标准天气图进行处理,生成目标标准天气图中不同高度层内每个低涡的中心点;
其中,预先训练的立体低涡识别模型是能够确定出目标标准天气图中每个低涡的中心点的数学模型,该模型包括预先训练的定位模型、预先训练的分类模型以及预先训练的低涡中心点确定模型。
在本申请实施例中,在生成预先训练的立体低涡识别模型时,首先根据待识别地区的历史格点数据生成样本标准天气图,然后接收针对样本标准天气图的标注指令,并基于标注指令在样本标准天气图上标注出预设时间段的低涡和高压位置,生成模型训练样本,其次构建定位模型,并将模型训练样本输入定位模型中进行模型训练,训练结束后生成预先训练的定位模型,并根据标注的样本标准天气图生成预先训练的分类模型,最后根据模型训练样本生成预先训练的低涡中心点确定模型,并将最终生成的预先训练的定位模型、预先训练的分类模型以及预先训练的低涡中心点确定模型进行集成处理后,生成预先训练的立体低涡识别模型。
在一种可能的实现方式中,在生成目标标准天气图中不同高度层内每个低涡的中心点时,首先获取待识别地区在待预测时间段的目标标准天气图,并将目标标准天气图输入预先训练的定位模型中,输出目标标准天气图对应的目标低涡或目标高压,然后在目标标准天气图中确定目标低涡或目标高压的目标影响范围图,再将目标影响范围图输入预先训练的分类模型中,输出目标标准天气图对应的分类结果,其次根据分类结果剔除所有高压,生成目标标准天气图对应的低涡列表,最后根据预先训练的低涡中心点确定模型对低涡列表中每个低涡进行回归处理,得到目标标准天气图中不同高度层内每个低涡的中心点。
具体的,待识别地区为需要进行立体低涡识别的某个区域,待预测时间段为设定的一段待识别时间周期,例如为一天。
进一步地,将目标标准天气图输入预先训练的定位模型中,输出目标标准天气图对应的目标低涡或目标高压,例如图2所示,每个低涡或者高压的定位黑色框覆盖的范围即为该低涡或高压的影响范围。另外根据定位的结果判断一个低涡或高压内部是否包含至少两个低涡或高压中心,如果包含,则为复合低涡或高压,否则为单中心低涡或高压,图2中的低涡1因其内部有两个低涡,则低涡1为复合低涡。低涡和高压的区别仅仅的风场方向不同,一个为逆时针方向的风场一个是顺时针方向的风场。
在得到低涡和高压后,将每个层的低涡或者高压的特征可作为一个列表储存起来,每个低涡或者高压的特征包含:影响范围,是否为复合低涡,如果为复合低涡,则其包含的每个单中心低涡的影响范围。
进一步地,具体在生成低涡列表时,可将目标标准天气图对应的目标低涡或目标高压的影响范围可从标准天气图中抠出,输入预先训练的分类模型中,如果分类结果是高压,则剔除,如果是低涡,则保留,最终可得到目标标准天气图对应的低涡列表。例如,以图2中的低涡和高压为例时,剔除高压后的低涡列表如图3所示。
进一步地,在得到低涡列表后,遍历低涡列表中的每一个低涡,判断是否为复合低涡;如果是复合低涡,则把包含的每一个单中心低涡的影响范围从标注天气图中抠出,对抠出的图片进行回归,得到每一个单中心低涡的中心点,然后计算该复合低涡包含的单中心低涡的中心点的几何中心,作为该复合低涡的中心;如果是单中心低涡,则把单中心低涡的影响范围从标注天气图中抠出,进行回归,得到单中心低涡的中心。最终目标标准天气图中不同高度层中每个低涡均增加了一个中心点的属性。
S102,根据相邻高度层上处于不同高度层的任意两个低涡的中心点之间的目标距离构建目标矩阵;
在一种可能的实现方式中,在得到目标标准天气图中不同高度层内每个低涡的中心点后,可根据相邻高度层上处于不同高度层的任意两个低涡的中心点之间的目标距离构建目标矩阵。例如为500hpa,700hpa,850hpa三个高度层的低涡情况下,遍历500hpa高度层的所有低涡,计算每一个低涡中心与700hpa高度层所有的低涡的水平距离,假设500hpa高度的低涡数量为m个,700hpa高度的低涡数量为n个,则可以生成一个m行n列的一个矩阵。
S103,根据目标矩阵确定出多个潜在匹配对,并计算每个潜在匹配对中的两个低涡的最大影响范围;
在本申请实施例中,在根据目标矩阵确定出多个潜在匹配对时,首先遍历获取目标矩阵中行最小值和列最小值,然后当行最小值和列最小值的位置相同时,将该位置对应的不同高度层的两个低涡编号确定为一个潜在匹配对,最后在目标矩阵遍历结束后,生成多个潜在匹配对。
在一种可能的实现方式中,例如在对任意相邻层之间的m行n列的一个矩阵进行分析时,首先搜索的m行n列矩阵的行最小值的位置和列最小值的位置,判断二者是否重叠,即某一个数即是行最小值,又是列最小值,如果重叠,则该值所在的行号代表的500hpa高度层的低涡与该值所在的列号代表的700hpa高度层的低涡相匹配,得到一个潜在匹配对。如果其余的500hpa高度的低涡找不到与之匹配的700hpa高度的低涡,则认为是单层孤立的低涡。
进一步地,在得到m行n列的一个矩阵的多个潜在匹配对后,可确定每一个潜在匹配对中的两个低涡的最大影响范围。
S104,当两个低涡的最大影响范围存在重叠部分且两个低涡的中心点位于重叠部分内时,确定每个潜在匹配为真匹配,并基于真匹配的每个潜在匹配对生成立体低涡。
在一种可能的实现方式中,在得到每一个潜在匹配对中的两个低涡的最大影响范围后,当两个低涡的最大影响范围存在重叠部分且两个低涡的中心点位于重叠部分内时,确定每个潜在匹配为真匹配,并基于真匹配的每个潜在匹配对生成立体低涡。例如判断两个低涡的最大影响范围是否重叠时,如果不重叠则为该潜在匹配对为伪匹配,如果重叠,判断两个低涡的中心点是否在重叠范围内,如果均在,则该潜在匹配对为真匹配,否则该潜在匹配对为为伪匹配,则认为该伪匹配中的500hpa高度的低涡为单层孤立的低涡。该方法可以滤除潜在的伪匹配,使得识别的立体低涡准确度更高。
进一步地,根据以上方式可得到500hpa,700hpa,850hpa三个高度层之间相邻层之间的真匹配,最终可根据真匹配的低涡标识构建出立体低涡。
在本申请实施例中,立体低涡识别装置首先获取根据预先训练的立体低涡识别模型对待识别地区在待预测时间段的目标标准天气图进行处理,生成不同高度层内每个低涡的中心点,然后根据相邻高度层上处于不同高度层的任意两个低涡的中心点之间的距离构建目标矩阵,其次根据该矩阵确定多个潜在匹配对,计算每个潜在匹配对中的两个低涡的最大影响范围,最后当两个低涡的最大影响范围存在重叠部分且中心点位于重叠部分内时,确定每个潜在匹配为真匹配,并基于真匹配的每个潜在匹配对生成立体低涡。由于本申请通过对标准天气图进行分析量化,以滤除相邻高度层之间存在伪匹配的低涡,使得最终基于真匹配的低涡建立的立体低涡准确度较高,并提升了立体低涡的识别效率。
请参见图4,为本申请实施例提供了一种立体低涡识别模型生成的流程示意图。如图4所示,本申请实施例的方法可以包括以下步骤:
S201,根据待识别地区的历史格点数据生成样本标准天气图;
在本申请实施例中,在根据待识别地区的历史格点数据生成样本标准天气图时,首先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,其次获取待识别地区的历史格点数据,并采用预设像素的箭头指向表示历史格点数据中的风场方向,得到风场箭头标记,最后将风场箭头标记投影到等值线地图上,生成样本标准天气图。
具体的,等值线是一种形和数的统一,所谓绘制等值线就是对大量离散的、又具有一定规律的几何量值或物理量值,用数学的方法插值并将具有相同量值的点变换成图的过程。等值线在地质、水利、土木等工程和技术领域内广泛的应用,在地质领域中,使用等值线技术可以直观地展示地质块体的厚度分布和地震剖面的数据分布等。常规的等值线绘制通常采用网格法,其绘制的步骤一般为:离散数据网格化;网格点数值化;等值点的计算;等值线的追踪;光滑和标记等值线。
在一种可能的实现方式中,首先绘制的经度范围为40-170,纬度范围为5-80的电子地图,采用等值线绘制法得到间距为1dagpm的500hpa,700hpa,850hpa三个高度的等值线,以长度为5个像素的箭头指向表示格点上的风场方向投影到电子地图上组成复合组,将该复合图确定为样本标准天气图,如图5所示。
S202,接收针对样本标准天气图的标注指令,并基于标注指令在样本标准天气图上标注出预设时间段的低涡和高压位置,生成模型训练样本;
在一种可能的实现方式中,在得到样本标注天气图后,可手动标注训练样本,在标准天气图上标注低涡和高压位置,如图2所示,其中黑色框均为低涡或者高压,最终标注结束后了得到模型训练样本。
需要说明的是,复合低涡指的是一个大的低涡内部有至少两个低涡中心,如果一个大的低涡内部有两个低涡中心,则大的低涡是一个低涡,内部两个低涡中心算作两个低涡,故一共是三个低涡。
S203,构建定位模型,并将模型训练样本输入定位模型中进行模型训练,训练结束后生成预先训练的定位模型;
在本申请实施例中,得到模型训练样本后,可采用yolo-v5算法作为定位模型,并采用模型训练样本对其进行训练,训练结束后可得到预先训练的定位模型。样本量可以为2017年至2021年5年的样本数据。
S204,根据标注的样本标准天气图生成预先训练的分类模型;
在本申请实施例中,在根据标注的样本标准天气图生成预先训练的分类模型时,首先确定并筛选样本标准天气图中标注的每个低涡和高压位置的影响范围图,然后根据筛选的每个低涡和高压位置的影响范围图进行数据分类,得到低涡数据和高压数据,其次构建分类模型,最后将低涡数据和高压数据分别输入分类模型中进行模型训练,训练结束后生成预先训练的分类模型。
在一种可能的实现方式中,确定并筛选样本标准天气图中标注的每个低涡和高压位置的影响范围图后进行分类完成时,得到低涡是一类,高压是一类。以北半球的低涡和高压为例(受地转偏向力的影响,北半球的低涡风向位逆时针,高压为顺时针),低涡如图6所示,高压如图7所示。分类模型可以采用resnet18进行构建。
S205,根据模型训练样本生成预先训练的低涡中心点确定模型;
在本申请实施例中,在根据模型训练样本生成预先训练的低涡中心点确定模型时,首先确定模型训练样本中存在的多个单中心低涡,然后对每个单中心低涡的中心进行标签标注,生成标注的训练样本,最后将标注的训练样本输入预设神经网络中进行网络训练,训练结束后生成预先训练的低涡中心点确定模型。
具体的,对每个单中心低涡的中心进行标签标注,一个低涡有两个标签,分别是x,y,如图8所示,灰点所在的位置即为该低涡的中心,所在的坐标即为x,y,最终可基于标注的坐标点的样本输入传统神经网络中进行网络训练。实践表明,非传统神经网络在回归低涡中心任务上表现并不好。
S206,将预先训练的定位模型、预先训练的分类模型以及预先训练的低涡中心点确定模型集成后可得到立体低涡识别模型。
在本申请实施例中,立体低涡识别装置首先获取根据预先训练的立体低涡识别模型对待识别地区在待预测时间段的目标标准天气图进行处理,生成不同高度层内每个低涡的中心点,然后根据相邻高度层上处于不同高度层的任意两个低涡的中心点之间的距离构建目标矩阵,其次根据该矩阵确定多个潜在匹配对,计算每个潜在匹配对中的两个低涡的最大影响范围,最后当两个低涡的最大影响范围存在重叠部分且中心点位于重叠部分内时,确定每个潜在匹配为真匹配,并基于真匹配的每个潜在匹配对生成立体低涡。由于本申请通过对标准天气图进行分析量化,以滤除相邻高度层之间存在伪匹配的低涡,使得最终基于真匹配的低涡建立的立体低涡准确度较高,并提升了立体低涡的识别效率。
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9,其示出了本发明一个示例性实施例提供的立体低涡识别装置的结构示意图。该立体低涡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包括中心点生成模块10、目标矩阵构建模块20、最大影响范围确定模块30、立体低涡生成模块40。
中心点生成模块10,用于根据预先训练的立体低涡识别模型对待识别地区在待预测时间段的目标标准天气图进行处理,生成目标标准天气图中不同高度层内每个低涡的中心点;
目标矩阵构建模块20,用于根据相邻高度层上处于不同高度层的任意两个低涡的中心点之间的目标距离构建目标矩阵;
最大影响范围确定模块30,用于根据目标矩阵确定出多个潜在匹配对,并计算每个潜在匹配对中的两个低涡的最大影响范围;
立体低涡生成模块40,用于当两个低涡的最大影响范围存在重叠部分且两个低涡的中心点位于重叠部分内时,确定每个潜在匹配为真匹配,并基于真匹配的每个潜在匹配对生成立体低涡。
需要说明的是,上述实施例提供的立体低涡识别装置在执行立体低涡识别方法时,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,上述实施例提供的立体低涡识别装置与立体低涡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,立体低涡识别装置首先获取根据预先训练的立体低涡识别模型对待识别地区在待预测时间段的目标标准天气图进行处理,生成不同高度层内每个低涡的中心点,然后根据相邻高度层上处于不同高度层的任意两个低涡的中心点之间的距离构建目标矩阵,其次根据该矩阵确定多个潜在匹配对,计算每个潜在匹配对中的两个低涡的最大影响范围,最后当两个低涡的最大影响范围存在重叠部分且中心点位于重叠部分内时,确定每个潜在匹配为真匹配,并基于真匹配的每个潜在匹配对生成立体低涡。由于本申请通过对标准天气图进行分析量化,以滤除相邻高度层之间存在伪匹配的低涡,使得最终基于真匹配的低涡建立的立体低涡准确度较高,并提升了立体低涡的识别效率。
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立体低涡识别方法。
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立体低涡识别方法。
请参见图10,为本申请实施例提供了一种终端的结构示意图。如图10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***、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***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10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***、网络通信模块、用户接口模块以及立体低涡识别应用程序。
在图10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中存储的立体低涡识别应用程序,并具体执行以下操作:
根据预先训练的立体低涡识别模型对待识别地区在待预测时间段的目标标准天气图进行处理,生成目标标准天气图中不同高度层内每个低涡的中心点;
根据相邻高度层上处于不同高度层的任意两个低涡的中心点之间的目标距离构建目标矩阵;
根据目标矩阵确定出多个潜在匹配对,并计算每个潜在匹配对中的两个低涡的最大影响范围;
当两个低涡的最大影响范围存在重叠部分且两个低涡的中心点位于重叠部分内时,确定每个潜在匹配为真匹配,并基于真匹配的每个潜在匹配对生成立体低涡。
在一个实施例中,处理器1001在执行根据目标矩阵确定出多个潜在匹配对时,具体执行以下操作:
遍历获取目标矩阵中行最小值和列最小值;
当行最小值和列最小值的位置相同时,将该位置对应的不同高度层的两个低涡编号确定为一个潜在匹配对;
在目标矩阵遍历结束后,生成多个潜在匹配对。
在一个实施例中,处理器1001在执行根据预先训练的立体低涡识别模型对待识别地区在待预测时间段的目标标准天气图进行处理,生成目标标准天气图中不同高度层内每个低涡的中心点时,具体执行以下操作:
获取待识别地区在待预测时间段的目标标准天气图;
将目标标准天气图输入预先训练的定位模型中,输出目标标准天气图对应的目标低涡或目标高压;
在目标标准天气图中确定目标低涡或目标高压的目标影响范围图;
将目标影响范围图输入预先训练的分类模型中,输出目标标准天气图对应的分类结果;
根据分类结果剔除所有高压,生成目标标准天气图对应的低涡列表;
根据预先训练的低涡中心点确定模型对低涡列表中每个低涡进行回归处理,得到目标标准天气图中不同高度层内每个低涡的中心点。
在一个实施例中,处理器1001在执行获取待识别地区在待预测时间段的目标标准天气图之前时,还执行以下操作:
根据待识别地区的历史格点数据生成样本标准天气图;
接收针对样本标准天气图的标注指令,并基于标注指令在样本标准天气图上标注出预设时间段的低涡和高压位置,生成模型训练样本;
构建定位模型,并将模型训练样本输入定位模型中进行模型训练,训练结束后生成预先训练的定位模型;
根据标注的样本标准天气图生成预先训练的分类模型;
根据模型训练样本生成预先训练的低涡中心点确定模型。
在一个实施例中,处理器1001在执行根据待识别地区的历史格点数据生成样本标准天气图时,具体执行以下操作:
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;
获取待识别地区的历史格点数据,并采用预设像素的箭头指向表示历史格点数据中的风场方向,得到风场箭头标记;
将风场箭头标记投影到等值线地图上,生成样本标准天气图。
在一个实施例中,处理器1001在执行根据标注的样本标准天气图生成预先训练的分类模型时,具体执行以下操作:
确定并筛选样本标准天气图中标注的每个低涡和高压位置的影响范围图;
根据筛选的每个低涡和高压位置的影响范围图进行数据分类,得到低涡数据和高压数据;
构建分类模型;
将低涡数据和高压数据分别输入分类模型中进行模型训练,训练结束后生成预先训练的分类模型。
在一个实施例中,处理器1001在执行根据模型训练样本生成预先训练的低涡中心点确定模型时,具体执行以下操作:
确定模型训练样本中存在的多个单中心低涡;
对每个单中心低涡的中心进行标签标注,生成标注的训练样本;
将标注的训练样本输入预设神经网络中进行网络训练,训练结束后生成预先训练的低涡中心点确定模型。
在本申请实施例中,立体低涡识别装置首先获取根据预先训练的立体低涡识别模型对待识别地区在待预测时间段的目标标准天气图进行处理,生成不同高度层内每个低涡的中心点,然后根据相邻高度层上处于不同高度层的任意两个低涡的中心点之间的距离构建目标矩阵,其次根据该矩阵确定多个潜在匹配对,计算每个潜在匹配对中的两个低涡的最大影响范围,最后当两个低涡的最大影响范围存在重叠部分且中心点位于重叠部分内时,确定每个潜在匹配为真匹配,并基于真匹配的每个潜在匹配对生成立体低涡。由于本申请通过对标准天气图进行分析量化,以滤除相邻高度层之间存在伪匹配的低涡,使得最终基于真匹配的低涡建立的立体低涡准确度较高,并提升了立体低涡的识别效率。
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,立体低涡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)
1.一种立体低涡识别方法,其特征在于,所述方法包括:
根据预先训练的立体低涡识别模型对待识别地区在待预测时间段的目标标准天气图进行处理,生成目标标准天气图中不同高度层内每个低涡的中心点;
根据相邻高度层上处于不同高度层的任意两个低涡的中心点之间的目标距离构建目标矩阵;
根据所述目标矩阵确定出多个潜在匹配对,并计算每个潜在匹配对中的两个低涡的最大影响范围;
当所述两个低涡的最大影响范围存在重叠部分且所述两个低涡的中心点位于所述重叠部分内时,确定所述每个潜在匹配为真匹配,并基于真匹配的每个潜在匹配对生成立体低涡。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标矩阵确定出多个潜在匹配对,包括:
遍历获取所述目标矩阵中行最小值和列最小值;
当所述行最小值和列最小值的位置相同时,将该位置对应的不同高度层的两个低涡编号确定为一个潜在匹配对;
在所述目标矩阵遍历结束后,生成多个潜在匹配对。
3.根据权利要求1所述的方法,其特征在于,所述预先训练的立体低涡识别模型包括预先训练的定位模型、预先训练的分类模型以及预先训练的低涡中心点确定模型;
所述根据预先训练的立体低涡识别模型对待识别地区在待预测时间段的目标标准天气图进行处理,生成目标标准天气图中不同高度层内每个低涡的中心点,包括:
获取待识别地区在待预测时间段的目标标准天气图;
将所述目标标准天气图输入预先训练的定位模型中,输出所述目标标准天气图对应的目标低涡或目标高压;
在所述目标标准天气图中确定所述目标低涡或目标高压的目标影响范围图;
将所述目标影响范围图输入预先训练的分类模型中,输出所述目标标准天气图对应的分类结果;
根据所述分类结果剔除所有高压,生成目标标准天气图对应的低涡列表;
根据预先训练的低涡中心点确定模型对所述低涡列表中每个低涡进行回归处理,得到目标标准天气图中不同高度层内每个低涡的中心点。
4.根据权利要求1所述的方法,其特征在于,所述获取待识别地区在待预测时间段的目标标准天气图之前,还包括:
根据待识别地区的历史格点数据生成样本标准天气图;
接收针对所述样本标准天气图的标注指令,并基于所述标注指令在所述样本标准天气图上标注出预设时间段的低涡和高压位置,生成模型训练样本;
构建定位模型,并将所述模型训练样本输入所述定位模型中进行模型训练,训练结束后生成预先训练的定位模型;
根据标注的样本标准天气图生成预先训练的分类模型;
根据所述模型训练样本生成预先训练的低涡中心点确定模型。
5.根据权利要求4所述的方法,其特征在于,所述根据待识别地区的历史格点数据生成样本标准天气图,包括:
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;
获取待识别地区的历史格点数据,并采用预设像素的箭头指向表示所述历史格点数据中的风场方向,得到风场箭头标记;
将所述风场箭头标记投影到所述等值线地图上,生成样本标准天气图。
6.根据权利要求4所述的方法,其特征在于,所述根据标注的样本标准天气图生成预先训练的分类模型,包括:
确定并筛选样本标准天气图中标注的每个低涡和高压位置的影响范围图;
根据筛选的每个低涡和高压位置的影响范围图进行数据分类,得到低涡数据和高压数据;
构建分类模型;
将所述低涡数据和高压数据分别输入所述分类模型中进行模型训练,训练结束后生成预先训练的分类模型。
7.根据权利要求4所述的方法,其特征在于,所述根据所述模型训练样本生成预先训练的低涡中心点确定模型,包括:
确定所述模型训练样本中存在的多个单中心低涡;
对每个单中心低涡的中心进行标签标注,生成标注的训练样本;
将标注的训练样本输入预设神经网络中进行网络训练,训练结束后生成预先训练的低涡中心点确定模型。
8.一种立体低涡识别装置,其特征在于,所述装置包括:
中心点生成模块,用于根据预先训练的立体低涡识别模型对待识别地区在待预测时间段的目标标准天气图进行处理,生成目标标准天气图中不同高度层内每个低涡的中心点;
目标矩阵构建模块,用于根据相邻高度层上处于不同高度层的任意两个低涡的中心点之间的目标距离构建目标矩阵;
最大影响范围确定模块,用于根据所述目标矩阵确定出多个潜在匹配对,并计算每个潜在匹配对中的两个低涡的最大影响范围;
立体低涡生成模块,用于当所述两个低涡的最大影响范围存在重叠部分且所述两个低涡的中心点位于所述重叠部分内时,确定所述每个潜在匹配为真匹配,并基于真匹配的每个潜在匹配对生成立体低涡。
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 |
---|---|---|---|
CN202211578597.9A CN115861816B (zh) | 2022-12-06 | 2022-12-06 | 一种立体低涡识别方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211578597.9A CN115861816B (zh) | 2022-12-06 | 2022-12-06 | 一种立体低涡识别方法、装置、存储介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115861816A true CN115861816A (zh) | 2023-03-28 |
CN115861816B CN115861816B (zh) | 2023-07-18 |
Family
ID=85671454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211578597.9A Active CN115861816B (zh) | 2022-12-06 | 2022-12-06 | 一种立体低涡识别方法、装置、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115861816B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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、***、介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114626458B (zh) * | 2022-03-15 | 2022-10-21 | 中科三清科技有限公司 | 一种高压后部识别方法、装置、存储介质及终端 |
CN114565056B (zh) * | 2022-03-15 | 2022-09-20 | 中科三清科技有限公司 | 一种基于机器学习的冷锋前识别方法、装置、存储介质及终端 |
CN114565057B (zh) * | 2022-03-15 | 2022-10-21 | 中科三清科技有限公司 | 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 |
CN114863418B (zh) * | 2022-04-29 | 2023-03-07 | 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 |
-
2022
- 2022-12-06 CN CN202211578597.9A patent/CN115861816B/zh active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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、***、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、***、介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115861816B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110136170B (zh) | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 | |
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 | |
US10115165B2 (en) | Management of tax information based on topographical information | |
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 | |
US7778808B2 (en) | Geospatial modeling system providing data thinning of geospatial data points and related methods | |
CN112818925A (zh) | 一种城市建筑和树冠识别方法 | |
CN113360587B (zh) | 一种基于gis技术的土地测绘设备及测绘方法 | |
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 | |
CN115861816B (zh) | 一种立体低涡识别方法、装置、存储介质及终端 | |
Tarsha Kurdi et al. | Automatic evaluation and improvement of roof segments for modelling missing details using Lidar data | |
CN116168246A (zh) | 一种用于铁路工程的弃渣场识别方法、装置、设备及介质 | |
CN108287845A (zh) | 一种道路信息自动提取方法和装置、及混合导航*** | |
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 | |
CN116071651B (zh) | 一种均压场识别方法、装置、存储介质及终端 | |
CN116051777B (zh) | 超高层建筑提取方法、设备和可读存储介质 | |
CN115937690B (zh) | 一种槽线生成方法、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 | |
CN115861811A (zh) | 一种风切变区域识别方法、装置、存储介质及终端 | |
CN112085636B (zh) | 一种城市功能性收缩分析方法、装置及存储介质 | |
CN116759009B (zh) | 通过机器学习匹配天气型的臭氧预报方法、***、介质 | |
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 | |
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 | |
CN118115892A (zh) | 基于分类模型的天气形势识别方法、***、介质及电子设备 | |
CN114580895B (zh) | 一种基于城市三维空间形态的标志物特征数据化处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20230328 Assignee: Beijing Zhongke Sanqing Environmental Technology Co.,Ltd. Assignor: 3CLEAR TECHNOLOGY Co.,Ltd. Contract record no.: X2023980042173 Denomination of invention: A three-dimensional vortex recognition method, device, storage medium, and terminal Granted publication date: 20230718 License type: Common License Record date: 20230920 |
|
EE01 | Entry into force of recordation of patent licensing contract |