CN118115892A - 基于分类模型的天气形势识别方法、***、介质及电子设备 - Google Patents
基于分类模型的天气形势识别方法、***、介质及电子设备 Download PDFInfo
- Publication number
- CN118115892A CN118115892A CN202410300349.0A CN202410300349A CN118115892A CN 118115892 A CN118115892 A CN 118115892A CN 202410300349 A CN202410300349 A CN 202410300349A CN 118115892 A CN118115892 A CN 118115892A
- Authority
- CN
- China
- Prior art keywords
- contour line
- point data
- region
- closed contour
- data matrix
- 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.)
- Pending
Links
- 238000013145 classification model Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000011159 matrix material Substances 0.000 claims abstract description 125
- 238000012946 outsourcing Methods 0.000 claims abstract description 75
- 238000009877 rendering Methods 0.000 claims abstract description 54
- 238000013507 mapping Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012876 topography Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- FNYLWPVRPXGIIP-UHFFFAOYSA-N Triamterene Chemical compound NC1=NC2=NC(N)=NC(N)=C2N=C1C1=CC=CC=C1 FNYLWPVRPXGIIP-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种基于分类模型的天气形势识别方法、***、介质及电子设备,方法包括:判断待识别地区的多条闭合等值线中每条闭合等值线与其余闭合等值线的拓扑结构,得到每条闭合等值线的包含关系;根据每条闭合等值线的包含关系,确定每个最外层的目标等值线以及目标等值线对应的最小外包矩形;构建每个最小外包矩形的格点数据矩阵,并提取格点数据矩阵中的格点数据进行映射渲染,得到小矩形渲染图像;将小矩形渲染图像输入预先训练的天气形势分类模型中,输出待识别地区对应的低涡区域或高压区域,预先训练的天气形势分类模型是基于标注了低涡区域和高压区域的图像训练生成的。因此,采用本申请实施例,可提高天气形势的识别精度。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种基于分类模型的天气形势识别方法、***、介质及电子设备。
背景技术
在气象领域中,低涡区域通常指代大气环流中的低压区域,也称为低压***或气旋,低涡区域常伴随着云雨天气,如阴雨、暴雨或风暴等。高压则指代大气环流中的高压区域,也称为高压***或反气旋,高压区域常常伴随着晴朗的天气,如晴天或少云等。因此准确识别低涡区域或高压区域是非常重要。
相关技术中,低涡区域或高压区域的分析基本上采用人工分析的方法实现,人工分析天气对象效率较低;同时现有技术也存在利用软件算法处理天气图的例子,该软件算法未考虑受地面地形影响会出现等压线发生形变的情况,因此在地面地形复杂时会出现识别偏差,从而降低了天气形势的识别精度。
发明内容
本申请实施例提供了一种基于分类模型的天气形势识别方法、***、介质及电子设备。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分类模型的天气形势识别方法,方法包括:
判断待识别地区的多条闭合等值线中每条闭合等值线与其余闭合等值线的拓扑结构,得到每条闭合等值线的包含关系;
根据每条闭合等值线的包含关系,确定每个最外层的目标等值线以及目标等值线对应的最小外包矩形;
构建每个最小外包矩形的格点数据矩阵,并提取格点数据矩阵中的格点数据进行映射渲染,得到小矩形渲染图像;
将小矩形渲染图像输入预先训练的天气形势分类模型中,输出待识别地区对应的低涡区域或高压区域,预先训练的天气形势分类模型是基于标注了低涡区域和高压区域的图像训练生成的。
可选的,判断待识别地区的多条闭合等值线中每条闭合等值线与其余闭合等值线的拓扑结构,得到每条闭合等值线的包含关系之前,还包括:
获取待识别地区中满足预设条件的高空位势米数据;
将地球表面的地理坐标系投影到平面上,得到坐标平面;
根据高空位势米数据,在坐标平面上构建待识别地区的等值线集合;
逐一计算等值线集合中各等值线两端之间的距离,得到每条等值线的长度;
判断每条等值线的长度是否小于预设长度阈值;
将小于预设长度阈值的等值线确定为闭合等值线,得到多条闭合等值线。
可选的,根据每条闭合等值线的包含关系,确定每个最外层的目标等值线以及目标等值线对应的最小外包矩形,包括:
根据每条闭合等值线的包含关系,从多条闭合等值线中查找包含其他闭合等值线且自身不被其他闭合等值线包含的闭合等值线,得到每个最外层的目标等值线;
确定每个最外层的目标等值线的最小外包矩形,得到目标等值线对应的最小外包矩形。
可选的,构建每个最小外包矩形的格点数据矩阵,包括:
获取待识别地区中满足预设条件的高空位势米数据;
将高空位势米数据在坐标平面上进行插值处理,得到多个格点数据;
从多个格点数据中,遍历出被每个最小外包矩形所包含的格点数据,得到每个最小外包矩形对应的二维矩阵;
遍历每个最小外包矩形对应的二维矩阵,以将每个二维矩阵中的格点数据标记为预设矩阵参数的目标数据矩阵,得到每个最小外包矩形对应的目标数据矩阵;
将每个最小外包矩形对应的目标数据矩阵中的每个位势米进行参数替换,得到每个最小外包矩形的格点数据矩阵。
可选的,将每个最小外包矩形对应的目标数据矩阵中的每个位势米进行参数替换,得到每个最小外包矩形的格点数据矩阵,包括:
确定出每个最小外包矩形对应的目标数据矩阵中位势米的最大值和最小值;
将每个目标数据矩阵中位势米的最大值和最小值作差,得到每个目标数据矩阵的位势米差值;
将每个目标数据矩阵中每个位势米和预设权重作积;
计算作积的乘积与位势米差值的比值,并将比值的小数部分舍去,得到每个目标数据矩阵中每个位势米的替换参数;
将每个目标数据矩阵中每个位势米替换为每个目标数据矩阵中每个位势米的替换参数,得到每个最小外包矩形的格点数据矩阵。
可选的,提取格点数据矩阵中的格点数据进行映射渲染,得到小矩形渲染图像,包括:
提取格点数据矩阵中的格点数据;
将提取的格点数据线性映射至分辨率为预设分辨率参数的单通道图像上,得到映射图像;
将映射图像中的每个格点按照同心矩形的方式向外以相同速度膨胀,直到各同心矩形互相接触时,得到膨胀图像;
从多条闭合等值线中,确定格点数据矩阵对应的闭合等值线;
将格点数据矩阵对应的闭合等值线线性映射至膨胀图像中,得到小矩形渲染图像;其中,小矩形渲染图像包括亮度小于预设阈值的低涡区域或者亮度大于预设阈值的高压区域。
可选的,按照以下步骤生成预先训练的天气形势分类模型,包括:
获取不同历史时段的高空位势米数据,得到多个定位样本;
构建每个定位样本的小矩形渲染图像;
将每个定位样本的小矩形渲染图像中亮度小于预设阈值的区域作为低涡区域,并将亮度大于等于预设阈值的区域作为高压区域;
分割出低涡区域和高压区域的图像;
对分割出的低涡区域和高压区域的图像进行类别标注,得到模型训练样本;
创建天气形势分类模型;
将模型训练样本输入天气形势分类模型中进行模型训练,得到预先训练的天气形势识别模型。
第二方面,本申请实施例提供了一种基于分类模型的天气形势识别***,***包括:
拓扑结构判断模块,用于判断待识别地区的多条闭合等值线中每条闭合等值线与其余闭合等值线的拓扑结构,得到每条闭合等值线的包含关系;
最小外包矩形确定模块,用于根据每条闭合等值线的包含关系,确定每个最外层的目标等值线以及目标等值线对应的最小外包矩形;
格点数据矩阵构建模块,用于构建每个最小外包矩形的格点数据矩阵,并提取格点数据矩阵中的格点数据进行映射渲染,得到小矩形渲染图像;
天气形势分类模块,用于将小矩形渲染图像输入预先训练的天气形势分类模型中,输出待识别地区对应的低涡区域或高压区域,预先训练的天气形势分类模型是基于标注了低涡区域和高压区域的图像训练生成的。
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电子设备,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,通过判断待识别地区的多条闭合等值线中每条闭合等值线与其余闭合等值线的拓扑结构,可找到每个最外层的目标等值线以及目标等值线对应的最小外包矩形,该方式可在最短时间内确定出最小外包矩形用来表征天气形势的区域,以及通过构建每个最小外包矩形的格点数据矩阵进行映射渲染,避免地面等压线受地形影响出现伪高低压中心的情况,同时预先训练的天气形势分类模型是基于标注了低涡区域和高压区域的图像训练生成的,可实现自主识别,从而提升了天气形势识别的效率和精度。
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,并不能限制本申请。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本申请实施例提供的一种基于分类模型的天气形势识别方法的流程示意图;
图2是本申请实施例提供的一种高压区域中心示意图;
图3是本申请实施例提供的一种低涡区域中心示意图;
图4是本申请实施例提供的一种包含等值线的高压区域中心示意图;
图5是本申请实施例提供的一种包含等值线的低涡区域中心示意图;
图6是本申请实施例提供的一种天气形势分类模型训练方法的流程示意图;
图7是本申请实施例提供的一种基于分类模型的天气形势识别***的结构示意图;
图8是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述和附图充分地示出本申请的具体实施方案,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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
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申请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、本申请的一些方面相一致的***和方法的例子。
在本申请的描述中,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申请中的具体含义。此外,在本申请的描述中,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分类模型的天气形势识别方法、***、介质及电子设备,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,通过判断待识别地区的多条闭合等值线中每条闭合等值线与其余闭合等值线的拓扑结构,可找到每个最外层的目标等值线以及目标等值线对应的最小外包矩形,该方式可在最短时间内确定出最小外包矩形用来表征天气形势的区域,以及通过构建每个最小外包矩形的格点数据矩阵进行映射渲染,可避免了构建等压线方式可能带来形变的情况,同时预先训练的天气形势分类模型是基于标注了低涡区域和高压区域的图像训练生成的,可实现自主识别,从而提升了天气形势识别的效率和精度,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6,对本申请实施例提供的基于分类模型的天气形势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分类模型的天气形势识别***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分类模型的天气形势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,判断待识别地区的多条闭合等值线中每条闭合等值线与其余闭合等值线的拓扑结构,得到每条闭合等值线的包含关系;
其中,待识别地区是需要进行天气形势识别的区域,该区域可以是一个省、一个市或者一个区,具体可基于实际场景进行确定;拓扑结构是描述等值线之间的关系和连接方式,闭合等值线是按照预设条件筛选出的。
在本申请实施例中,生成多条闭合等值线的过程包括:获取待识别地区中满足预设条件的高空位势米数据;将地球表面的地理坐标系投影到平面上,得到坐标平面;根据高空位势米数据,在坐标平面上构建待识别地区的等值线集合;逐一计算等值线集合中各等值线两端之间的距离,得到每条等值线的长度;判断每条等值线的长度是否小于预设长度阈值;将小于预设长度阈值的等值线确定为闭合等值线,得到多条闭合等值线。
其中,高空位势米(Geopotential Height)是指某一大气层内单位质量的重力势能所对应的高度,用于描述大气层的垂直厚度和气压分布,在气象学和气候学中,高空位势米数据经常用于分析和预测天气情况。预设条件可以是经度范围40-170度、纬度范围是5-80度、高度500hpa。
在一些实施例中,可基于经度范围40-170度、纬度范围是5-80度、高度500hpa的高空位势米数据,绘制出所有的等值线,然后判断所有的等值线中存在的闭合等值线,判断方式为等值线两端的长度如果小于预设长度阈值,即为闭合等值线,找到全部闭合等值线可记为(line_0,line_1,......,line_n)。
在本申请一些实施方式中,在得到待识别地区的多条闭合等值线后,可判断每条闭合等值线与多条闭合等值线中除自身外的其他等值线之间的拓扑关系,得到每条闭合等值线的包含关系。
例如,将(line_0,line_1,......,line_n)中的每个闭合等值线,判断与其他闭合等值线的拓扑关系,即判定是否包含别的闭合等值线、判定是否被别的闭合等值线包含,判断后每个闭合等值线均有两个属性,分别为是否被别的闭合等值线包含、是否包含别的闭合等值线。
例如,可通过判断(line_0,line_1,......,line_n)中的每个闭合等值线的两个属性,以找出包含别的闭合等值线但是不被别的闭合等值线包含的目标闭合等值线,所有的目标闭合等值线可形成集合(line_m,.....,line_l)。这样,每个闭合等值线均为低涡或者高压。
S102,根据每条闭合等值线的包含关系,确定每个最外层的目标等值线以及目标等值线对应的最小外包矩形;
在本申请实施例中,在根据每条闭合等值线的包含关系,确定每个最外层的目标等值线以及目标等值线对应的最小外包矩形的过程,包括:根据每条闭合等值线的包含关系,从多条闭合等值线中查找包含其他闭合等值线且自身不被其他闭合等值线包含的闭合等值线,得到每个最外层的目标等值线;确定每个最外层的目标等值线的最小外包矩形,得到目标等值线对应的最小外包矩形。
例如,可找出目标闭合等值线形成的集合(line_m,.....,line_l)中每个闭合等值线的最小外包矩形,记为集合(rect0,....),其中,最小外包矩形与闭合等值线是一一对应的关系。
S103,构建每个最小外包矩形的格点数据矩阵,并提取格点数据矩阵中的格点数据进行映射渲染,得到小矩形渲染图像;
在本申请实施例中,构建每个最小外包矩形的格点数据矩阵的过程,包括:获取待识别地区中满足预设条件的高空位势米数据;将高空位势米数据在坐标平面上进行插值处理,得到多个格点数据;从多个格点数据中,遍历出被每个最小外包矩形所包含的格点数据,得到每个最小外包矩形对应的二维矩阵;遍历每个最小外包矩形对应的二维矩阵,以将每个二维矩阵中的格点数据标记为预设矩阵参数的目标数据矩阵,得到每个最小外包矩形对应的目标数据矩阵;将每个最小外包矩形对应的目标数据矩阵中的每个位势米进行参数替换,得到每个最小外包矩形的格点数据矩阵。
具体的,将每个最小外包矩形对应的目标数据矩阵中的每个位势米进行参数替换,得到每个最小外包矩形的格点数据矩阵的过程,包括:确定出每个最小外包矩形对应的目标数据矩阵中位势米的最大值和最小值;将每个目标数据矩阵中位势米的最大值和最小值作差,得到每个目标数据矩阵的位势米差值;将每个目标数据矩阵中每个位势米和预设权重作积;计算作积的乘积与位势米差值的比值,并将比值的小数部分舍去,得到每个目标数据矩阵中每个位势米的替换参数;将每个目标数据矩阵中每个位势米替换为每个目标数据矩阵中每个位势米的替换参数,得到每个最小外包矩形的格点数据矩阵。
在一些实施方式中,可将待识别地区中满足预设条件的高空位势米数据插值为格点数据,如果原始数据就是格点数据,则不做差值处理;其中格点数据的每个格点有三个属性,分别为经度,纬度,位势米值,记为(longi,lati,value),遍历全部格点数据,找出被每个最小外包矩形集合(rect0,....)中每个矩形所包含的格点数据,其中被包含的格点数据均为二维矩阵,可记为(array0,,.....),其中每个二维矩阵中的每个点均有三个属性,即经度,纬度,位势米值。遍历每个二维矩阵,将每个二维矩阵中的格点数据记为m行n列的矩阵:
将该矩阵中的value开头的位势米值的最大值记为value_max,最小值记为value_min,将序列中的每一个值进行如下处理:并将value中的小数部分舍去,只保留整数部分,最终得到每个最小外包矩形的格点数据矩阵。
在本申请实施例中,提取格点数据矩阵中的格点数据进行映射渲染,得到小矩形渲染图像的过程包括:提取格点数据矩阵中的格点数据;将提取的格点数据线性映射至分辨率为预设分辨率参数的单通道图像上,得到映射图像;将映射图像中的每个格点按照同心矩形的方式向外以相同速度膨胀,直到各同心矩形互相接触时,得到膨胀图像;从多条闭合等值线中,确定格点数据矩阵对应的闭合等值线;将格点数据矩阵对应的闭合等值线线性映射至膨胀图像中,得到小矩形渲染图像;其中,小矩形渲染图像包括亮度小于预设阈值的低涡区域或者亮度大于预设阈值的高压区域。
其中,线性映射的方式为最低纬度是对应图像的底部,最高纬度对应图像的顶部,最低经度对应图像的左部,最高经度对应图像的右部。
在一些实施方式中,提取格点数据矩阵中的格点数据,可将提取的格点数据线性映射到分别率为w*h分辨率的单通道图像上,其中w为图像的宽,h为图像的高,然后每个格点可以相同速度并按照同心矩形的方式向外膨胀,直到各个矩形彼此接触到停止,此时形成多个小矩形渲染满整个单通道图像。因此可见高压区域中心是亮的,如图2所示;低涡区域中心是暗的,如图3所示。
S104,将小矩形渲染图像输入预先训练的天气形势分类模型中,输出待识别地区对应的低涡区域或高压区域,预先训练的天气形势分类模型是基于标注了低涡区域和高压区域的图像训练生成的。
其中,预先训练的天气形势分类模型是可以识别出低涡区域或高压区域的神经网络模型,该神经网络模型采用机器学习的方式训练生成。
在本申请实施例中,按照以下步骤生成预先训练的天气形势分类模型,包括:获取不同历史时段的高空位势米数据,得到多个定位样本;构建每个定位样本的小矩形渲染图像;将每个定位样本的小矩形渲染图像中亮度小于预设阈值的区域作为低涡区域,并将亮度大于等于预设阈值的区域作为高压区域;分割出低涡区域和高压区域的图像;对分割出的低涡区域和高压区域的图像进行类别标注,得到模型训练样本;创建天气形势分类模型;将模型训练样本输入天气形势分类模型中进行模型训练,得到预先训练的天气形势识别模型。
其中,天气形势分类模型可采用神经网络进行创建,该神经网络可以是用于图像分类的神经网络。
具体的,构建每个定位样本的小矩形渲染图像的方法与根据待识别地区中满足预设条件的高空位势米数据生成小矩形渲染图像的方法相同,具体可参见步骤S101-步骤S103中的具体方法,此处不再赘述。
进一步地,每个定位样本的小矩形渲染图像中,例如图4所示,中心区域是亮的为高压区域,例如图5所示,中心区域为暗的为低涡区域;在得到每个定位样本的小矩形渲染图像后,可手动将高压区域和低涡区域的图像分开进行类别标注,用标注后的图像训练深度学习分类模型。
在本申请实施例中,通过判断待识别地区的多条闭合等值线中每条闭合等值线与其余闭合等值线的拓扑结构,可找到每个最外层的目标等值线以及目标等值线对应的最小外包矩形,该方式可在最短时间内确定出最小外包矩形用来表征天气形势的区域,以及通过构建每个最小外包矩形的格点数据矩阵进行映射渲染,可避免了构建等压线方式可能带来形变的情况,同时预先训练的天气形势分类模型是基于标注了低涡区域和高压区域的图像训练生成的,可实现自主识别,从而提升了天气形势识别的效率和精度。
请参见图6,为本申请实施例提供了一种天气形势分类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,获取不同历史时段的高空位势米数据,得到多个定位样本;
S202,构建每个定位样本的小矩形渲染图像;
S203,将每个定位样本的小矩形渲染图像中亮度小于预设阈值的区域作为低涡区域,并将亮度大于等于预设阈值的区域作为高压区域;
S204,分割出低涡区域和高压区域的图像;
S205,对分割出的低涡区域和高压区域的图像进行类别标注,得到模型训练样本;
S206,创建天气形势分类模型;
S207,将模型训练样本输入天气形势分类模型中进行模型训练,得到预先训练的天气形势识别模型。
在本申请实施例中,通过判断待识别地区的多条闭合等值线中每条闭合等值线与其余闭合等值线的拓扑结构,可找到每个最外层的目标等值线以及目标等值线对应的最小外包矩形,该方式可在最短时间内确定出最小外包矩形用来表征天气形势的区域,以及通过构建每个最小外包矩形的格点数据矩阵进行映射渲染,可避免了构建等压线方式可能带来形变的情况,同时预先训练的天气形势分类模型是基于标注了低涡区域和高压区域的图像训练生成的,可实现自主识别,从而提升了天气形势识别的效率和精度。
下述为本申请***实施例,可以用于执行本申请方法实施例。对于本申请***实施例中未披露的细节,请参照本申请方法实施例。
请参见图7,其示出了本申请一个示例性实施例提供的基于分类模型的天气形势识别***的结构示意图。该基于分类模型的天气形势识别***可以通过软件、硬件或者两者的结合实现成为电子设备的全部或一部分。该***1包括拓扑结构判断模块10、最小外包矩形确定模块20、格点数据矩阵构建模块30、天气形势分类模块40。
拓扑结构判断模块10,用于判断待识别地区的多条闭合等值线中每条闭合等值线与其余闭合等值线的拓扑结构,得到每条闭合等值线的包含关系;
最小外包矩形确定模块20,用于根据每条闭合等值线的包含关系,确定每个最外层的目标等值线以及目标等值线对应的最小外包矩形;
格点数据矩阵构建模块30,用于构建每个最小外包矩形的格点数据矩阵,并提取格点数据矩阵中的格点数据进行映射渲染,得到小矩形渲染图像;
天气形势分类模块40,用于将小矩形渲染图像输入预先训练的天气形势分类模型中,输出待识别地区对应的低涡区域或高压区域,预先训练的天气形势分类模型是基于标注了低涡区域和高压区域的图像训练生成的。
需要说明的是,上述实施例提供的基于分类模型的天气形势识别***在执行基于分类模型的天气形势识别方法时,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分类模型的天气形势识别***与基于分类模型的天气形势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,通过判断待识别地区的多条闭合等值线中每条闭合等值线与其余闭合等值线的拓扑结构,可找到每个最外层的目标等值线以及目标等值线对应的最小外包矩形,该方式可在最短时间内确定出最小外包矩形用来表征天气形势的区域,以及通过构建每个最小外包矩形的格点数据矩阵进行映射渲染,可避免了构建等压线方式可能带来形变的情况,同时预先训练的天气形势分类模型是基于标注了低涡区域和高压区域的图像训练生成的,可实现自主识别,从而提升了天气形势识别的效率和精度。
本申请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分类模型的天气形势识别方法。
本申请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分类模型的天气形势识别方法。
请参见图8,为本申请实施例提供了一种电子设备的结构示意图。如图8所示,电子设备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***。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***、网络通信模块、用户接口模块以及基于分类模型的天气形势识别应用程序。
在图8所示的电子设备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中存储的基于分类模型的天气形势识别应用程序,并具体执行以下操作:
判断待识别地区的多条闭合等值线中每条闭合等值线与其余闭合等值线的拓扑结构,得到每条闭合等值线的包含关系;
根据每条闭合等值线的包含关系,确定每个最外层的目标等值线以及目标等值线对应的最小外包矩形;
构建每个最小外包矩形的格点数据矩阵,并提取格点数据矩阵中的格点数据进行映射渲染,得到小矩形渲染图像;
将小矩形渲染图像输入预先训练的天气形势分类模型中,输出待识别地区对应的低涡区域或高压区域,预先训练的天气形势分类模型是基于标注了低涡区域和高压区域的图像训练生成的。
在一个实施例中,处理器1001在执行判断待识别地区的多条闭合等值线中每条闭合等值线与其余闭合等值线的拓扑结构,得到每条闭合等值线的包含关系之前时,还执行以下操作:
获取待识别地区中满足预设条件的高空位势米数据;
将地球表面的地理坐标系投影到平面上,得到坐标平面;
根据高空位势米数据,在坐标平面上构建待识别地区的等值线集合;
逐一计算等值线集合中各等值线两端之间的距离,得到每条等值线的长度;
判断每条等值线的长度是否小于预设长度阈值;
将小于预设长度阈值的等值线确定为闭合等值线,得到多条闭合等值线。
在一个实施例中,处理器1001在执行根据每条闭合等值线的包含关系,确定每个最外层的目标等值线以及目标等值线对应的最小外包矩形时,具体执行以下操作:
根据每条闭合等值线的包含关系,从多条闭合等值线中查找包含其他闭合等值线且自身不被其他闭合等值线包含的闭合等值线,得到每个最外层的目标等值线;
确定每个最外层的目标等值线的最小外包矩形,得到目标等值线对应的最小外包矩形。
在一个实施例中,处理器1001在执行构建每个最小外包矩形的格点数据矩阵时,具体执行以下操作:
获取待识别地区中满足预设条件的高空位势米数据;
将高空位势米数据在坐标平面上进行插值处理,得到多个格点数据;
从多个格点数据中,遍历出被每个最小外包矩形所包含的格点数据,得到每个最小外包矩形对应的二维矩阵;
遍历每个最小外包矩形对应的二维矩阵,以将每个二维矩阵中的格点数据标记为预设矩阵参数的目标数据矩阵,得到每个最小外包矩形对应的目标数据矩阵;
将每个最小外包矩形对应的目标数据矩阵中的每个位势米进行参数替换,得到每个最小外包矩形的格点数据矩阵。
在一个实施例中,处理器1001在执行将每个最小外包矩形对应的目标数据矩阵中的每个位势米进行参数替换,得到每个最小外包矩形的格点数据矩阵时,具体执行以下操作:
确定出每个最小外包矩形对应的目标数据矩阵中位势米的最大值和最小值;
将每个目标数据矩阵中位势米的最大值和最小值作差,得到每个目标数据矩阵的位势米差值;
将每个目标数据矩阵中每个位势米和预设权重作积;
计算作积的乘积与位势米差值的比值,并将比值的小数部分舍去,得到每个目标数据矩阵中每个位势米的替换参数;
将每个目标数据矩阵中每个位势米替换为每个目标数据矩阵中每个位势米的替换参数,得到每个最小外包矩形的格点数据矩阵。
在一个实施例中,处理器1001在执行提取格点数据矩阵中的格点数据进行映射渲染,得到小矩形渲染图像时,具体执行以下操作:
提取格点数据矩阵中的格点数据;
将提取的格点数据线性映射至分辨率为预设分辨率参数的单通道图像上,得到映射图像;
将映射图像中的每个格点按照同心矩形的方式向外以相同速度膨胀,直到各同心矩形互相接触时,得到膨胀图像;
从多条闭合等值线中,确定格点数据矩阵对应的闭合等值线;
将格点数据矩阵对应的闭合等值线线性映射至膨胀图像中,得到小矩形渲染图像;其中,小矩形渲染图像包括亮度小于预设阈值的低涡区域或者亮度大于预设阈值的高压区域。
在一个实施例中,处理器1001在执行生成预先训练的天气形势分类模型时,具体执行以下操作:
获取不同历史时段的高空位势米数据,得到多个定位样本;
构建每个定位样本的小矩形渲染图像;
将每个定位样本的小矩形渲染图像中亮度小于预设阈值的区域作为低涡区域,并将亮度大于等于预设阈值的区域作为高压区域;
分割出低涡区域和高压区域的图像;
对分割出的低涡区域和高压区域的图像进行类别标注,得到模型训练样本;
创建天气形势分类模型;
将模型训练样本输入天气形势分类模型中进行模型训练,得到预先训练的天气形势识别模型。
在本申请实施例中,通过判断待识别地区的多条闭合等值线中每条闭合等值线与其余闭合等值线的拓扑结构,可找到每个最外层的目标等值线以及目标等值线对应的最小外包矩形,该方式可在最短时间内确定出最小外包矩形用来表征天气形势的区域,以及通过构建每个最小外包矩形的格点数据矩阵进行映射渲染,可避免了构建等压线方式可能带来形变的情况,同时预先训练的天气形势分类模型是基于标注了低涡区域和高压区域的图像训练生成的,可实现自主识别,从而提升了天气形势识别的效率和精度。
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,基于分类模型的天气形势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,基于分类模型的天气形势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)
1.一种基于分类模型的天气形势识别方法,其特征在于,所述方法包括:
判断待识别地区的多条闭合等值线中每条闭合等值线与其余闭合等值线的拓扑结构,得到每条闭合等值线的包含关系;
根据所述每条闭合等值线的包含关系,确定每个最外层的目标等值线以及所述目标等值线对应的最小外包矩形;
构建每个最小外包矩形的格点数据矩阵,并提取所述格点数据矩阵中的格点数据进行映射渲染,得到小矩形渲染图像;
将所述小矩形渲染图像输入预先训练的天气形势分类模型中,输出所述待识别地区对应的低涡区域或高压区域,所述预先训练的天气形势分类模型是基于标注了低涡区域和高压区域的图像训练生成的。
2.根据权利要求1所述的方法,其特征在于,所述判断待识别地区的多条闭合等值线中每条闭合等值线与其余闭合等值线的拓扑结构,得到每条闭合等值线的包含关系之前,还包括:
获取所述待识别地区中满足预设条件的高空位势米数据;
将地球表面的地理坐标系投影到平面上,得到坐标平面;
根据所述高空位势米数据,在所述坐标平面上构建所述待识别地区的等值线集合;
逐一计算所述等值线集合中各等值线两端之间的距离,得到每条等值线的长度;
判断所述每条等值线的长度是否小于预设长度阈值;
将小于预设长度阈值的等值线确定为闭合等值线,得到多条闭合等值线。
3.根据权利要求1所述的方法,其特征在于,所述根据所述每条闭合等值线的包含关系,确定每个最外层的目标等值线以及所述目标等值线对应的最小外包矩形,包括:
根据所述每条闭合等值线的包含关系,从所述多条闭合等值线中查找包含其他闭合等值线且自身不被其他闭合等值线包含的闭合等值线,得到每个最外层的目标等值线;
确定每个最外层的目标等值线的最小外包矩形,得到所述目标等值线对应的最小外包矩形。
4.根据权利要求1所述的方法,其特征在于,所述构建每个最小外包矩形的格点数据矩阵,包括:
获取所述待识别地区中满足预设条件的高空位势米数据;
将所述高空位势米数据在坐标平面上进行插值处理,得到多个格点数据;
从所述多个格点数据中,遍历出被所述每个最小外包矩形所包含的格点数据,得到所述每个最小外包矩形对应的二维矩阵;
遍历每个最小外包矩形对应的二维矩阵,以将每个二维矩阵中的格点数据标记为预设矩阵参数的目标数据矩阵,得到所述每个最小外包矩形对应的目标数据矩阵;
将所述每个最小外包矩形对应的目标数据矩阵中的每个位势米进行参数替换,得到所述每个最小外包矩形的格点数据矩阵。
5.根据权利要求4所述的方法,其特征在于,所述将所述每个最小外包矩形对应的目标数据矩阵中的每个位势米进行参数替换,得到所述每个最小外包矩形的格点数据矩阵,包括:
确定出所述每个最小外包矩形对应的目标数据矩阵中位势米的最大值和最小值;
将每个目标数据矩阵中位势米的最大值和最小值作差,得到每个目标数据矩阵的位势米差值;
将所述每个目标数据矩阵中每个位势米和预设权重作积;
计算作积的乘积与所述位势米差值的比值,并将所述比值的小数部分舍去,得到每个目标数据矩阵中每个位势米的替换参数;
将所述每个目标数据矩阵中每个位势米替换为所述每个目标数据矩阵中每个位势米的替换参数,得到所述每个最小外包矩形的格点数据矩阵。
6.根据权利要求1所述的方法,其特征在于,所述提取所述格点数据矩阵中的格点数据进行映射渲染,得到小矩形渲染图像,包括:
提取所述格点数据矩阵中的格点数据;
将提取的格点数据线性映射至分辨率为预设分辨率参数的单通道图像上,得到映射图像;
将所述映射图像中的每个格点按照同心矩形的方式向外以相同速度膨胀,直到各同心矩形互相接触时,得到膨胀图像;
从所述多条闭合等值线中,确定所述格点数据矩阵对应的闭合等值线;
将所述格点数据矩阵对应的闭合等值线线性映射至所述膨胀图像中,得到小矩形渲染图像;其中,所述小矩形渲染图像包括亮度小于预设阈值的低涡区域或者亮度大于预设阈值的高压区域。
7.根据权利要求1所述的方法,其特征在于,按照以下步骤生成预先训练的天气形势分类模型,包括:
获取不同历史时段的高空位势米数据,得到多个定位样本;
构建每个定位样本的小矩形渲染图像;
将每个定位样本的小矩形渲染图像中亮度小于预设阈值的区域作为低涡区域,并将亮度大于等于预设阈值的区域作为高压区域;
分割出所述低涡区域和所述高压区域的图像;
对分割出的所述低涡区域和所述高压区域的图像进行类别标注,得到模型训练样本;
创建天气形势分类模型;
将所述模型训练样本输入所述天气形势分类模型中进行模型训练,得到预先训练的天气形势识别模型。
8.一种基于分类模型的天气形势识别***,其特征在于,所述***包括:
拓扑结构判断模块,用于判断待识别地区的多条闭合等值线中每条闭合等值线与其余闭合等值线的拓扑结构,得到每条闭合等值线的包含关系;
最小外包矩形确定模块,用于根据所述每条闭合等值线的包含关系,确定每个最外层的目标等值线以及所述目标等值线对应的最小外包矩形;
格点数据矩阵构建模块,用于构建每个最小外包矩形的格点数据矩阵,并提取所述格点数据矩阵中的格点数据进行映射渲染,得到小矩形渲染图像;
天气形势分类模块,用于将所述小矩形渲染图像输入预先训练的天气形势分类模型中,输出所述待识别地区对应的低涡区域或高压区域,所述预先训练的天气形势分类模型是基于标注了低涡区域和高压区域的图像训练生成的。
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。
10.一种电子设备,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 |
---|---|---|---|
CN202410300349.0A CN118115892A (zh) | 2024-03-15 | 2024-03-15 | 基于分类模型的天气形势识别方法、***、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410300349.0A CN118115892A (zh) | 2024-03-15 | 2024-03-15 | 基于分类模型的天气形势识别方法、***、介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118115892A true CN118115892A (zh) | 2024-05-31 |
Family
ID=91212008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410300349.0A Pending CN118115892A (zh) | 2024-03-15 | 2024-03-15 | 基于分类模型的天气形势识别方法、***、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118115892A (zh) |
-
2024
- 2024-03-15 CN CN202410300349.0A patent/CN118115892A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200072610A1 (en) | Map feature extraction system for computer map visualizations | |
US20150125071A1 (en) | Pre-segment point cloud data to run real-time shape extraction faster | |
CN108540988B (zh) | 一种场景划分方法及装置 | |
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 | |
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 | |
CN110728307A (zh) | 自生成数据集与标签实现x光影像图小样本字符识别方法 | |
CN112329751A (zh) | 一种基于深度学习的多尺度遥感影像目标识别***及方法 | |
CN113034511A (zh) | 基于高分辨率遥感影像与深度学习的乡村建筑识别算法 | |
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 | |
CN114463503A (zh) | 三维模型和地理信息***的融合方法及装置 | |
CN114419430A (zh) | 一种基于SE-U-Net++模型的耕地地块提取方法及装置 | |
JP4385244B2 (ja) | 地形形状抽出方法、地形形状抽出システム及びプログラム | |
CN116091586B (zh) | 一种槽线识别方法、装置、存储介质及终端 | |
CN116681959A (zh) | 基于机器学习的锋线识别方法、装置、存储介质及终端 | |
CN115311396B (zh) | 一种超高建筑物屋顶轮廓线的自动提取方法及*** | |
CN118115892A (zh) | 基于分类模型的天气形势识别方法、***、介质及电子设备 | |
CN115659900A (zh) | 用于呈现集成电路版图的方法、设备和介质 | |
CN116091715A (zh) | 一种基于三维gis引擎的poi点聚合方法 | |
CN111581808B (zh) | 一种污染物信息处理方法、装置、存储介质及终端 | |
CN114708462A (zh) | 多数据训练的检测模型生成方法、***、设备及存储介质 | |
CN116759009B (zh) | 通过机器学习匹配天气型的臭氧预报方法、***、介质 | |
CN118262252A (zh) | 高低压中心识别方法、***、介质及电子设备 | |
CN113239994A (zh) | 基于YOLOv4-tiny算法的电网缺陷检测方法、装置、存储介质及电子设备 |
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 |