一種立體低渦識別方法、裝置、存儲介質及終端與流程
2023-05-12 20:46:54
1.本發明涉及天氣系統自動識別技術領域，特別涉及一種立體低渦識別方法、裝置、存儲介質及終端。
背景技術：
2.低渦，屬於氣象學術語，是指中心氣壓往往比四周低的天氣圖上的氣旋式渦旋，即出現在大氣中對流層中低層的水平和垂直範圍都較小的低壓渦旋。主要是相對氣壓場而言的一種天氣系統，在500hpa、700hpa和850hpa等不同高度層上最為顯著。
3.低渦中有較強的輻合上升氣流，可產生雲雨天氣。部分低渦形成後在原地減弱、消失，只引起源地和附近地區的天氣變化。而有的低渦隨低槽或高空引導氣流移動，並不斷得到加強和發展，雨區擴大，降水增強，往往形成暴雨。因此低渦作為暴雨等極端天氣的主要影響天氣系統，對其進行識別與追蹤能夠準確預報天氣情況。
4.現有的基於天氣學原理和簡單的數學公式進行低渦的計算結果，準確性低下，無法取代氣象工作者根據天氣學原理積累的豐富經驗的人工判識，從而導致最終生成的立體低渦的準確度較低，降低了立體低渦的識別效率。
技術實現要素：
5.本技術實施例提供了一種立體低渦識別方法、裝置、存儲介質及終端。為了對披露的實施例的一些方面有一個基本的理解，下面給出了簡單的概括。該概括部分不是泛泛評述，也不是要確定關鍵/重要組成元素或描繪這些實施例的保護範圍。其唯一目的是用簡單的形式呈現一些概念，以此作為後面的詳細說明的序言。
6.第一方面，本技術實施例提供了一種立體低渦識別方法，方法包括：
7.根據預先訓練的立體低渦識別模型對待識別地區在待預測時間段的目標標準天氣圖進行處理，生成目標標準天氣圖中不同高度層內每個低渦的中心點；
8.根據相鄰高度層上處於不同高度層的任意兩個低渦的中心點之間的目標距離構建目標矩陣；
9.根據目標矩陣確定出多個潛在匹配對，並計算每個潛在匹配對中的兩個低渦的最大影響範圍；
10.當兩個低渦的最大影響範圍存在重疊部分且兩個低渦的中心點位於重疊部分內時，確定每個潛在匹配為真匹配，並基於真匹配的每個潛在匹配對生成立體低渦。
11.可選的，根據目標矩陣確定出多個潛在匹配對，包括：
12.遍歷獲取目標矩陣中行最小值和列最小值；
13.當行最小值和列最小值的位置相同時，將該位置對應的不同高度層的兩個低渦編號確定為一個潛在匹配對；
14.在目標矩陣遍歷結束後，生成多個潛在匹配對。
15.可選的，預先訓練的立體低渦識別模型包括預先訓練的定位模型、預先訓練的分
類模型以及預先訓練的低渦中心點確定模型；
16.根據預先訓練的立體低渦識別模型對待識別地區在待預測時間段的目標標準天氣圖進行處理，生成目標標準天氣圖中不同高度層內每個低渦的中心點，包括：
17.獲取待識別地區在待預測時間段的目標標準天氣圖；
18.將目標標準天氣圖輸入預先訓練的定位模型中，輸出目標標準天氣圖對應的目標低渦或目標高壓；
19.在目標標準天氣圖中確定目標低渦或目標高壓的目標影響範圍圖；
20.將目標影響範圍圖輸入預先訓練的分類模型中，輸出目標標準天氣圖對應的分類結果；
21.根據分類結果剔除所有高壓，生成目標標準天氣圖對應的低渦列表；
22.根據預先訓練的低渦中心點確定模型對低渦列表中每個低渦進行回歸處理，得到目標標準天氣圖中不同高度層內每個低渦的中心點。
23.可選的，獲取待識別地區在待預測時間段的目標標準天氣圖之前，還包括：
24.根據待識別地區的歷史格點數據生成樣本標準天氣圖；
25.接收針對樣本標準天氣圖的標註指令，並基於標註指令在樣本標準天氣圖上標註出預設時間段的低渦和高壓位置，生成模型訓練樣本；
26.構建定位模型，並將模型訓練樣本輸入定位模型中進行模型訓練，訓練結束後生成預先訓練的定位模型；
27.根據標註的樣本標準天氣圖生成預先訓練的分類模型；
28.根據模型訓練樣本生成預先訓練的低渦中心點確定模型。
29.可選的，根據待識別地區的歷史格點數據生成樣本標準天氣圖，包括：
30.根據預設經度範圍和預設維度範圍構建電子地圖；
31.採用等值線繪製法，並結合預設高度參數和間距參數在電子地圖上繪製多個不同高度的等值線，得到等值線地圖；
32.獲取待識別地區的歷史格點數據，並採用預設像素的箭頭指向表示歷史格點數據中的風場方向，得到風場箭頭標記；
33.將風場箭頭標記投影到等值線地圖上，生成樣本標準天氣圖。
34.可選的，根據標註的樣本標準天氣圖生成預先訓練的分類模型，包括：
35.確定並篩選樣本標準天氣圖中標註的每個低渦和高壓位置的影響範圍圖；
36.根據篩選的每個低渦和高壓位置的影響範圍圖進行數據分類，得到低渦數據和高壓數據；
37.構建分類模型；
38.將低渦數據和高壓數據分別輸入分類模型中進行模型訓練，訓練結束後生成預先訓練的分類模型。
39.可選的，根據模型訓練樣本生成預先訓練的低渦中心點確定模型，包括：
40.確定模型訓練樣本中存在的多個單中心低渦；
41.對每個單中心低渦的中心進行標籤標註，生成標註的訓練樣本；
42.將標註的訓練樣本輸入預設神經網絡中進行網絡訓練，訓練結束後生成預先訓練的低渦中心點確定模型。
43.第二方面，本技術實施例提供了一種立體低渦識別裝置，裝置包括：
44.中心點生成模塊，用於根據預先訓練的立體低渦識別模型對待識別地區在待預測時間段的目標標準天氣圖進行處理，生成目標標準天氣圖中不同高度層內每個低渦的中心點；
45.目標矩陣構建模塊，用於根據相鄰高度層上處於不同高度層的任意兩個低渦的中心點之間的目標距離構建目標矩陣；
46.最大影響範圍確定模塊，用於根據目標矩陣確定出多個潛在匹配對，並計算每個潛在匹配對中的兩個低渦的最大影響範圍；
47.立體低渦生成模塊，用於當兩個低渦的最大影響範圍存在重疊部分且兩個低渦的中心點位於重疊部分內時，確定每個潛在匹配為真匹配，並基於真匹配的每個潛在匹配對生成立體低渦。
48.第三方面，本技術實施例提供一種計算機存儲介質，計算機存儲介質存儲有多條指令，指令適於由處理器加載並執行上述的方法步驟。
49.第四方面，本技術實施例提供一種終端，可包括：處理器和存儲器；其中，存儲器存儲有電腦程式，電腦程式適於由處理器加載並執行上述的方法步驟。
50.本技術實施例提供的技術方案可以包括以下有益效果：
51.在本技術實施例中，立體低渦識別裝置首先獲取根據預先訓練的立體低渦識別模型對待識別地區在待預測時間段的目標標準天氣圖進行處理，生成不同高度層內每個低渦的中心點，然後根據相鄰高度層上處於不同高度層的任意兩個低渦的中心點之間的距離構建目標矩陣，其次根據該矩陣確定多個潛在匹配對，計算每個潛在匹配對中的兩個低渦的最大影響範圍，最後當兩個低渦的最大影響範圍存在重疊部分且中心點位於重疊部分內時，確定每個潛在匹配為真匹配，並基於真匹配的每個潛在匹配對生成立體低渦。由於本技術通過對標準天氣圖進行分析量化，以濾除相鄰高度層之間存在偽匹配的低渦，使得最終基於真匹配的低渦建立的立體低渦準確度較高，並提升了立體低渦的識別效率。
52.應當理解的是，以上的一般描述和後文的細節描述僅是示例性和解釋性的，並不能限制本發明。
附圖說明
53.此處的附圖被併入說明書中並構成本說明書的一部分，示出了符合本發明的實施例，並與說明書一起用於解釋本發明的原理。
54.圖1是本技術實施例提供的一種立體低渦識別方法的流程示意圖；
55.圖2是本技術實施例提供的一種標準天氣圖的示意圖；
56.圖3是本技術實施例提供的另一種標準天氣圖的示意圖；
57.圖4是本技術實施例提供的一種立體低渦識別模型生成的流程示意圖；
58.圖5是本技術實施例提供的另一種標準天氣圖的示意圖；
59.圖6是本技術實施例提供的一種低渦天氣圖的示意圖；
60.圖7是本技術實施例提供的一種高壓天氣圖的示意圖；
61.圖8是本技術實施例提供的一種低渦中心點標註的示意圖；
62.圖9是本技術實施例提供的一種立體低渦識別裝置的結構示意圖；
63.圖10是本技術實施例提供的一種終端的結構示意圖。
具體實施方式
64.以下描述和附圖充分地示出本發明的具體實施方案，以使本領域的技術人員能夠實踐它們。
65.應當明確，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其它實施例，都屬於本發明保護的範圍。
66.下面的描述涉及附圖時，除非另有表示，不同附圖中的相同數字表示相同或相似的要素。以下示例性實施例中所描述的實施方式並不代表與本發明相一致的所有實施方式。相反，它們僅是如所附權利要求書中所詳述的、本發明的一些方面相一致的裝置和方法的例子。
67.在本發明的描述中，需要理解的是，術語「第一」、「第二」等僅用於描述目的，而不能理解為指示或暗示相對重要性。對於本領域的普通技術人員而言，可以具體情況理解上述術語在本發明中的具體含義。此外，在本發明的描述中，除非另有說明，「多個」是指兩個或兩個以上。「和/或」，描述關聯對象的關聯關係，表示可以存在三種關係，例如，a和/或b，可以表示：單獨存在a，同時存在a和b，單獨存在b這三種情況。字符「/」一般表示前後關聯對象是一種「或」的關係。
68.本技術提供了一種立體低渦識別方法、裝置、存儲介質及終端，以解決上述相關技術問題中存在的問題。本技術提供的技術方案中，由於本技術通過對標準天氣圖進行分析量化，以濾除相鄰高度層之間存在偽匹配的低渦，使得最終基於真匹配的低渦建立的立體低渦準確度較高，並提升了立體低渦的識別效率，下面採用示例性的實施例進行詳細說明。
69.下面將結合附圖1-附圖8，對本技術實施例提供的立體低渦識別方法進行詳細介紹。該方法可依賴於電腦程式實現，可運行於基於馮諾依曼體系的立體低渦識別裝置上。該電腦程式可集成在應用中，也可作為獨立的工具類應用運行。
70.請參見圖1，為本技術實施例提供了一種立體低渦識別方法的流程示意圖。
71.如圖1所示，本技術實施例的方法可以包括以下步驟：
72.s101，根據預先訓練的立體低渦識別模型對待識別地區在待預測時間段的目標標準天氣圖進行處理，生成目標標準天氣圖中不同高度層內每個低渦的中心點；
73.其中，預先訓練的立體低渦識別模型是能夠確定出目標標準天氣圖中每個低渦的中心點的數學模型，該模型包括預先訓練的定位模型、預先訓練的分類模型以及預先訓練的低渦中心點確定模型。
74.在本技術實施例中，在生成預先訓練的立體低渦識別模型時，首先根據待識別地區的歷史格點數據生成樣本標準天氣圖，然後接收針對樣本標準天氣圖的標註指令，並基於標註指令在樣本標準天氣圖上標註出預設時間段的低渦和高壓位置，生成模型訓練樣本，其次構建定位模型，並將模型訓練樣本輸入定位模型中進行模型訓練，訓練結束後生成預先訓練的定位模型，並根據標註的樣本標準天氣圖生成預先訓練的分類模型，最後根據模型訓練樣本生成預先訓練的低渦中心點確定模型，並將最終生成的預先訓練的定位模型、預先訓練的分類模型以及預先訓練的低渦中心點確定模型進行集成處理後，生成預先
訓練的立體低渦識別模型。
75.在一種可能的實現方式中，在生成目標標準天氣圖中不同高度層內每個低渦的中心點時，首先獲取待識別地區在待預測時間段的目標標準天氣圖，並將目標標準天氣圖輸入預先訓練的定位模型中，輸出目標標準天氣圖對應的目標低渦或目標高壓，然後在目標標準天氣圖中確定目標低渦或目標高壓的目標影響範圍圖，再將目標影響範圍圖輸入預先訓練的分類模型中，輸出目標標準天氣圖對應的分類結果，其次根據分類結果剔除所有高壓，生成目標標準天氣圖對應的低渦列表，最後根據預先訓練的低渦中心點確定模型對低渦列表中每個低渦進行回歸處理，得到目標標準天氣圖中不同高度層內每個低渦的中心點。
76.具體的，待識別地區為需要進行立體低渦識別的某個區域，待預測時間段為設定的一段待識別時間周期，例如為一天。
77.進一步地，將目標標準天氣圖輸入預先訓練的定位模型中，輸出目標標準天氣圖對應的目標低渦或目標高壓，例如圖2所示，每個低渦或者高壓的定位黑色框覆蓋的範圍即為該低渦或高壓的影響範圍。另外根據定位的結果判斷一個低渦或高壓內部是否包含至少兩個低渦或高壓中心，如果包含，則為複合低渦或高壓，否則為單中心低渦或高壓，圖2中的低渦1因其內部有兩個低渦，則低渦1為複合低渦。低渦和高壓的區別僅僅的風場方向不同，一個為逆時針方向的風場一個是順時針方向的風場。
78.在得到低渦和高壓後，將每個層的低渦或者高壓的特徵可作為一個列表儲存起來，每個低渦或者高壓的特徵包含：影響範圍，是否為複合低渦，如果為複合低渦，則其包含的每個單中心低渦的影響範圍。
79.進一步地，具體在生成低渦列表時，可將目標標準天氣圖對應的目標低渦或目標高壓的影響範圍可從標準天氣圖中摳出，輸入預先訓練的分類模型中，如果分類結果是高壓，則剔除，如果是低渦，則保留，最終可得到目標標準天氣圖對應的低渦列表。例如，以圖2中的低渦和高壓為例時，剔除高壓後的低渦列表如圖3所示。
80.進一步地，在得到低渦列表後，遍歷低渦列表中的每一個低渦，判斷是否為複合低渦；如果是複合低渦，則把包含的每一個單中心低渦的影響範圍從標註天氣圖中摳出，對摳出的圖片進行回歸，得到每一個單中心低渦的中心點，然後計算該複合低渦包含的單中心低渦的中心點的幾何中心，作為該複合低渦的中心；如果是單中心低渦，則把單中心低渦的影響範圍從標註天氣圖中摳出，進行回歸，得到單中心低渦的中心。最終目標標準天氣圖中不同高度層中每個低渦均增加了一個中心點的屬性。
81.s102，根據相鄰高度層上處於不同高度層的任意兩個低渦的中心點之間的目標距離構建目標矩陣；
82.在一種可能的實現方式中，在得到目標標準天氣圖中不同高度層內每個低渦的中心點後，可根據相鄰高度層上處於不同高度層的任意兩個低渦的中心點之間的目標距離構建目標矩陣。例如為500hpa，700hpa，850hpa三個高度層的低渦情況下，遍歷500hpa高度層的所有低渦，計算每一個低渦中心與700hpa高度層所有的低渦的水平距離，假設500hpa高度的低渦數量為m個，700hpa高度的低渦數量為n個，則可以生成一個m行n列的一個矩陣。
83.s103，根據目標矩陣確定出多個潛在匹配對，並計算每個潛在匹配對中的兩個低渦的最大影響範圍；
84.在本技術實施例中，在根據目標矩陣確定出多個潛在匹配對時，首先遍歷獲取目標矩陣中行最小值和列最小值，然後當行最小值和列最小值的位置相同時，將該位置對應的不同高度層的兩個低渦編號確定為一個潛在匹配對，最後在目標矩陣遍歷結束後，生成多個潛在匹配對。
85.在一種可能的實現方式中，例如在對任意相鄰層之間的m行n列的一個矩陣進行分析時，首先搜索的m行n列矩陣的行最小值的位置和列最小值的位置，判斷二者是否重疊，即某一個數即是行最小值，又是列最小值，如果重疊，則該值所在的行號代表的500hpa高度層的低渦與該值所在的列號代表的700hpa高度層的低渦相匹配，得到一個潛在匹配對。如果其餘的500hpa高度的低渦找不到與之匹配的700hpa高度的低渦，則認為是單層孤立的低渦。
86.進一步地，在得到m行n列的一個矩陣的多個潛在匹配對後，可確定每一個潛在匹配對中的兩個低渦的最大影響範圍。
87.s104，當兩個低渦的最大影響範圍存在重疊部分且兩個低渦的中心點位於重疊部分內時，確定每個潛在匹配為真匹配，並基於真匹配的每個潛在匹配對生成立體低渦。
88.在一種可能的實現方式中，在得到每一個潛在匹配對中的兩個低渦的最大影響範圍後，當兩個低渦的最大影響範圍存在重疊部分且兩個低渦的中心點位於重疊部分內時，確定每個潛在匹配為真匹配，並基於真匹配的每個潛在匹配對生成立體低渦。例如判斷兩個低渦的最大影響範圍是否重疊時，如果不重疊則為該潛在匹配對為偽匹配，如果重疊，判斷兩個低渦的中心點是否在重疊範圍內，如果均在，則該潛在匹配對為真匹配，否則該潛在匹配對為為偽匹配，則認為該偽匹配中的500hpa高度的低渦為單層孤立的低渦。該方法可以濾除潛在的偽匹配，使得識別的立體低渦準確度更高。
89.進一步地，根據以上方式可得到500hpa，700hpa，850hpa三個高度層之間相鄰層之間的真匹配，最終可根據真匹配的低渦標識構建出立體低渦。
90.在本技術實施例中，立體低渦識別裝置首先獲取根據預先訓練的立體低渦識別模型對待識別地區在待預測時間段的目標標準天氣圖進行處理，生成不同高度層內每個低渦的中心點，然後根據相鄰高度層上處於不同高度層的任意兩個低渦的中心點之間的距離構建目標矩陣，其次根據該矩陣確定多個潛在匹配對，計算每個潛在匹配對中的兩個低渦的最大影響範圍，最後當兩個低渦的最大影響範圍存在重疊部分且中心點位於重疊部分內時，確定每個潛在匹配為真匹配，並基於真匹配的每個潛在匹配對生成立體低渦。由於本技術通過對標準天氣圖進行分析量化，以濾除相鄰高度層之間存在偽匹配的低渦，使得最終基於真匹配的低渦建立的立體低渦準確度較高，並提升了立體低渦的識別效率。
91.請參見圖4，為本技術實施例提供了一種立體低渦識別模型生成的流程示意圖。如圖4所示，本技術實施例的方法可以包括以下步驟：
92.s201，根據待識別地區的歷史格點數據生成樣本標準天氣圖；
93.在本技術實施例中，在根據待識別地區的歷史格點數據生成樣本標準天氣圖時，首先根據預設經度範圍和預設維度範圍構建電子地圖，然後採用等值線繪製法，並結合預設高度參數和間距參數在電子地圖上繪製多個不同高度的等值線，得到等值線地圖，其次獲取待識別地區的歷史格點數據，並採用預設像素的箭頭指向表示歷史格點數據中的風場方向，得到風場箭頭標記，最後將風場箭頭標記投影到等值線地圖上，生成樣本標準天氣
圖。
94.具體的，等值線是一種形和數的統一，所謂繪製等值線就是對大量離散的、又具有一定規律的幾何量值或物理量值，用數學的方法插值並將具有相同量值的點變換成圖的過程。等值線在地質、水利、土木等工程和技術領域內廣泛的應用，在地質領域中，使用等值線技術可以直觀地展示地質塊體的厚度分布和地震剖面的數據分布等。常規的等值線繪製通常採用網格法，其繪製的步驟一般為：離散數據網格化；網格點數值化；等值點的計算；等值線的追蹤；光滑和標記等值線。
95.在一種可能的實現方式中，首先繪製的經度範圍為40-170，緯度範圍為5-80的電子地圖，採用等值線繪製法得到間距為1dagpm的500hpa，700hpa，850hpa三個高度的等值線，以長度為5個像素的箭頭指向表示格點上的風場方向投影到電子地圖上組成複合組，將該複合圖確定為樣本標準天氣圖，如圖5所示。
96.s202，接收針對樣本標準天氣圖的標註指令，並基於標註指令在樣本標準天氣圖上標註出預設時間段的低渦和高壓位置，生成模型訓練樣本；
97.在一種可能的實現方式中，在得到樣本標註天氣圖後，可手動標註訓練樣本，在標準天氣圖上標註低渦和高壓位置，如圖2所示，其中黑色框均為低渦或者高壓，最終標註結束後了得到模型訓練樣本。
98.需要說明的是，複合低渦指的是一個大的低渦內部有至少兩個低渦中心，如果一個大的低渦內部有兩個低渦中心，則大的低渦是一個低渦，內部兩個低渦中心算作兩個低渦，故一共是三個低渦。
99.s203，構建定位模型，並將模型訓練樣本輸入定位模型中進行模型訓練，訓練結束後生成預先訓練的定位模型；
100.在本技術實施例中，得到模型訓練樣本後，可採用yolo-v5算法作為定位模型，並採用模型訓練樣本對其進行訓練，訓練結束後可得到預先訓練的定位模型。樣本量可以為2017年至2021年5年的樣本數據。
101.s204，根據標註的樣本標準天氣圖生成預先訓練的分類模型；
102.在本技術實施例中，在根據標註的樣本標準天氣圖生成預先訓練的分類模型時，首先確定並篩選樣本標準天氣圖中標註的每個低渦和高壓位置的影響範圍圖，然後根據篩選的每個低渦和高壓位置的影響範圍圖進行數據分類，得到低渦數據和高壓數據，其次構建分類模型，最後將低渦數據和高壓數據分別輸入分類模型中進行模型訓練，訓練結束後生成預先訓練的分類模型。
103.在一種可能的實現方式中，確定並篩選樣本標準天氣圖中標註的每個低渦和高壓位置的影響範圍圖後進行分類完成時，得到低渦是一類，高壓是一類。以北半球的低渦和高壓為例(受地轉偏向力的影響，北半球的低渦風向位逆時針，高壓為順時針)，低渦如圖6所示，高壓如圖7所示。分類模型可以採用resnet18進行構建。
104.s205，根據模型訓練樣本生成預先訓練的低渦中心點確定模型；
105.在本技術實施例中，在根據模型訓練樣本生成預先訓練的低渦中心點確定模型時，首先確定模型訓練樣本中存在的多個單中心低渦，然後對每個單中心低渦的中心進行標籤標註，生成標註的訓練樣本，最後將標註的訓練樣本輸入預設神經網絡中進行網絡訓練，訓練結束後生成預先訓練的低渦中心點確定模型。
106.具體的，對每個單中心低渦的中心進行標籤標註，一個低渦有兩個標籤，分別是x,y，如圖8所示，灰點所在的位置即為該低渦的中心，所在的坐標即為x,y，最終可基於標註的坐標點的樣本輸入傳統神經網絡中進行網絡訓練。實踐表明，非傳統神經網絡在回歸低渦中心任務上表現並不好。
107.s206，將預先訓練的定位模型、預先訓練的分類模型以及預先訓練的低渦中心點確定模型集成後可得到立體低渦識別模型。
108.在本技術實施例中，立體低渦識別裝置首先獲取根據預先訓練的立體低渦識別模型對待識別地區在待預測時間段的目標標準天氣圖進行處理，生成不同高度層內每個低渦的中心點，然後根據相鄰高度層上處於不同高度層的任意兩個低渦的中心點之間的距離構建目標矩陣，其次根據該矩陣確定多個潛在匹配對，計算每個潛在匹配對中的兩個低渦的最大影響範圍，最後當兩個低渦的最大影響範圍存在重疊部分且中心點位於重疊部分內時，確定每個潛在匹配為真匹配，並基於真匹配的每個潛在匹配對生成立體低渦。由於本技術通過對標準天氣圖進行分析量化，以濾除相鄰高度層之間存在偽匹配的低渦，使得最終基於真匹配的低渦建立的立體低渦準確度較高，並提升了立體低渦的識別效率。
109.下述為本發明裝置實施例，可以用於執行本發明方法實施例。對於本發明裝置實施例中未披露的細節，請參照本發明方法實施例。
110.請參見圖9，其示出了本發明一個示例性實施例提供的立體低渦識別裝置的結構示意圖。該立體低渦識別裝置可以通過軟體、硬體或者兩者的結合實現成為終端的全部或一部分。該裝置1包括中心點生成模塊10、目標矩陣構建模塊20、最大影響範圍確定模塊30、立體低渦生成模塊40。
111.中心點生成模塊10，用於根據預先訓練的立體低渦識別模型對待識別地區在待預測時間段的目標標準天氣圖進行處理，生成目標標準天氣圖中不同高度層內每個低渦的中心點；
112.目標矩陣構建模塊20，用於根據相鄰高度層上處於不同高度層的任意兩個低渦的中心點之間的目標距離構建目標矩陣；
113.最大影響範圍確定模塊30，用於根據目標矩陣確定出多個潛在匹配對，並計算每個潛在匹配對中的兩個低渦的最大影響範圍；
114.立體低渦生成模塊40，用於當兩個低渦的最大影響範圍存在重疊部分且兩個低渦的中心點位於重疊部分內時，確定每個潛在匹配為真匹配，並基於真匹配的每個潛在匹配對生成立體低渦。
115.需要說明的是，上述實施例提供的立體低渦識別裝置在執行立體低渦識別方法時，僅以上述各功能模塊的劃分進行舉例說明，實際應用中，可以根據需要而將上述功能分配由不同的功能模塊完成，即將設備的內部結構劃分成不同的功能模塊，以完成以上描述的全部或者部分功能。另外，上述實施例提供的立體低渦識別裝置與立體低渦識別方法實施例屬於同一構思，其體現實現過程詳見方法實施例，這裡不再贅述。
116.上述本技術實施例序號僅僅為了描述，不代表實施例的優劣。
117.在本技術實施例中，立體低渦識別裝置首先獲取根據預先訓練的立體低渦識別模型對待識別地區在待預測時間段的目標標準天氣圖進行處理，生成不同高度層內每個低渦的中心點，然後根據相鄰高度層上處於不同高度層的任意兩個低渦的中心點之間的距離構
建目標矩陣，其次根據該矩陣確定多個潛在匹配對，計算每個潛在匹配對中的兩個低渦的最大影響範圍，最後當兩個低渦的最大影響範圍存在重疊部分且中心點位於重疊部分內時，確定每個潛在匹配為真匹配，並基於真匹配的每個潛在匹配對生成立體低渦。由於本技術通過對標準天氣圖進行分析量化，以濾除相鄰高度層之間存在偽匹配的低渦，使得最終基於真匹配的低渦建立的立體低渦準確度較高，並提升了立體低渦的識別效率。
118.本發明還提供一種計算機可讀介質，其上存儲有程序指令，該程序指令被處理器執行時實現上述各個方法實施例提供的立體低渦識別方法。
119.本發明還提供了一種包含指令的電腦程式產品，當其在計算機上運行時，使得計算機執行上述各個方法實施例的立體低渦識別方法。
120.請參見圖10，為本技術實施例提供了一種終端的結構示意圖。如圖10所示，終端1000可以包括：至少一個處理器1001，至少一個網絡接口1004，用戶接口1003，存儲器1005，至少一個通信總線1002。
121.其中，通信總線1002用於實現這些組件之間的連接通信。
122.其中，用戶接口1003可以包括顯示屏(display)、攝像頭(camera)，可選用戶接口1003還可以包括標準的有線接口、無線接口。
123.其中，網絡接口1004可選的可以包括標準的有線接口、無線接口(如wi-fi接口)。
124.其中，處理器1001可以包括一個或者多個處理核心。處理器1001利用各種接口和線路連接整個電子設備1000內的各個部分，通過運行或執行存儲在存儲器1005內的指令、程序、代碼集或指令集，以及調用存儲在存儲器1005內的數據，執行電子設備1000的各種功能和處理數據。可選的，處理器1001可以採用數位訊號處理(digital signal processing，dsp)、現場可編程門陣列(field-programmable gate array，fpga)、可編程邏輯陣列(programmable logic array，pla)中的至少一種硬體形式來實現。處理器1001可集成中央處理器(central processing unit，cpu)、圖像處理器(graphics processing unit，gpu)和數據機等中的一種或幾種的組合。其中，cpu主要處理作業系統、用戶界面和應用程式等；gpu用於負責顯示屏所需要顯示的內容的渲染和繪製；數據機用於處理無線通信。可以理解的是，上述數據機也可以不集成到處理器1001中，單獨通過一塊晶片進行實現。
125.其中，存儲器1005可以包括隨機存儲器(random access memory，ram)，也可以包括只讀存儲器(read-only memory)。可選的，該存儲器1005包括非瞬時性計算機可讀介質(non-transitory computer-readable storage medium)。存儲器1005可用於存儲指令、程序、代碼、代碼集或指令集。存儲器1005可包括存儲程序區和存儲數據區，其中，存儲程序區可存儲用於實現作業系統的指令、用於至少一個功能的指令(比如觸控功能、聲音播放功能、圖像播放功能等)、用於實現上述各個方法實施例的指令等；存儲數據區可存儲上面各個方法實施例中涉及到的數據等。存儲器1005可選的還可以是至少一個位於遠離前述處理器1001的存儲裝置。如圖10所示，作為一種計算機存儲介質的存儲器1005中可以包括作業系統、網絡通信模塊、用戶接口模塊以及立體低渦識別應用程式。
126.在圖10所示的終端1000中，用戶接口1003主要用於為用戶提供輸入的接口，獲取用戶輸入的數據；而處理器1001可以用於調用存儲器1005中存儲的立體低渦識別應用程式，並具體執行以下操作：
127.根據預先訓練的立體低渦識別模型對待識別地區在待預測時間段的目標標準天氣圖進行處理，生成目標標準天氣圖中不同高度層內每個低渦的中心點；
128.根據相鄰高度層上處於不同高度層的任意兩個低渦的中心點之間的目標距離構建目標矩陣；
129.根據目標矩陣確定出多個潛在匹配對，並計算每個潛在匹配對中的兩個低渦的最大影響範圍；
130.當兩個低渦的最大影響範圍存在重疊部分且兩個低渦的中心點位於重疊部分內時，確定每個潛在匹配為真匹配，並基於真匹配的每個潛在匹配對生成立體低渦。
131.在一個實施例中，處理器1001在執行根據目標矩陣確定出多個潛在匹配對時，具體執行以下操作：
132.遍歷獲取目標矩陣中行最小值和列最小值；
133.當行最小值和列最小值的位置相同時，將該位置對應的不同高度層的兩個低渦編號確定為一個潛在匹配對；
134.在目標矩陣遍歷結束後，生成多個潛在匹配對。
135.在一個實施例中，處理器1001在執行根據預先訓練的立體低渦識別模型對待識別地區在待預測時間段的目標標準天氣圖進行處理，生成目標標準天氣圖中不同高度層內每個低渦的中心點時，具體執行以下操作：
136.獲取待識別地區在待預測時間段的目標標準天氣圖；
137.將目標標準天氣圖輸入預先訓練的定位模型中，輸出目標標準天氣圖對應的目標低渦或目標高壓；
138.在目標標準天氣圖中確定目標低渦或目標高壓的目標影響範圍圖；
139.將目標影響範圍圖輸入預先訓練的分類模型中，輸出目標標準天氣圖對應的分類結果；
140.根據分類結果剔除所有高壓，生成目標標準天氣圖對應的低渦列表；
141.根據預先訓練的低渦中心點確定模型對低渦列表中每個低渦進行回歸處理，得到目標標準天氣圖中不同高度層內每個低渦的中心點。
142.在一個實施例中，處理器1001在執行獲取待識別地區在待預測時間段的目標標準天氣圖之前時，還執行以下操作：
143.根據待識別地區的歷史格點數據生成樣本標準天氣圖；
144.接收針對樣本標準天氣圖的標註指令，並基於標註指令在樣本標準天氣圖上標註出預設時間段的低渦和高壓位置，生成模型訓練樣本；
145.構建定位模型，並將模型訓練樣本輸入定位模型中進行模型訓練，訓練結束後生成預先訓練的定位模型；
146.根據標註的樣本標準天氣圖生成預先訓練的分類模型；
147.根據模型訓練樣本生成預先訓練的低渦中心點確定模型。
148.在一個實施例中，處理器1001在執行根據待識別地區的歷史格點數據生成樣本標準天氣圖時，具體執行以下操作：
149.根據預設經度範圍和預設維度範圍構建電子地圖；
150.採用等值線繪製法，並結合預設高度參數和間距參數在電子地圖上繪製多個不同
高度的等值線，得到等值線地圖；
151.獲取待識別地區的歷史格點數據，並採用預設像素的箭頭指向表示歷史格點數據中的風場方向，得到風場箭頭標記；
152.將風場箭頭標記投影到等值線地圖上，生成樣本標準天氣圖。
153.在一個實施例中，處理器1001在執行根據標註的樣本標準天氣圖生成預先訓練的分類模型時，具體執行以下操作：
154.確定並篩選樣本標準天氣圖中標註的每個低渦和高壓位置的影響範圍圖；
155.根據篩選的每個低渦和高壓位置的影響範圍圖進行數據分類，得到低渦數據和高壓數據；
156.構建分類模型；
157.將低渦數據和高壓數據分別輸入分類模型中進行模型訓練，訓練結束後生成預先訓練的分類模型。
158.在一個實施例中，處理器1001在執行根據模型訓練樣本生成預先訓練的低渦中心點確定模型時，具體執行以下操作：
159.確定模型訓練樣本中存在的多個單中心低渦；
160.對每個單中心低渦的中心進行標籤標註，生成標註的訓練樣本；
161.將標註的訓練樣本輸入預設神經網絡中進行網絡訓練，訓練結束後生成預先訓練的低渦中心點確定模型。
162.在本技術實施例中，立體低渦識別裝置首先獲取根據預先訓練的立體低渦識別模型對待識別地區在待預測時間段的目標標準天氣圖進行處理，生成不同高度層內每個低渦的中心點，然後根據相鄰高度層上處於不同高度層的任意兩個低渦的中心點之間的距離構建目標矩陣，其次根據該矩陣確定多個潛在匹配對，計算每個潛在匹配對中的兩個低渦的最大影響範圍，最後當兩個低渦的最大影響範圍存在重疊部分且中心點位於重疊部分內時，確定每個潛在匹配為真匹配，並基於真匹配的每個潛在匹配對生成立體低渦。由於本技術通過對標準天氣圖進行分析量化，以濾除相鄰高度層之間存在偽匹配的低渦，使得最終基於真匹配的低渦建立的立體低渦準確度較高，並提升了立體低渦的識別效率。
163.本領域普通技術人員可以理解實現上述實施例方法中的全部或部分流程，是可以通過電腦程式來指令相關的硬體來完成，立體低渦識別的程序可存儲於計算機可讀取存儲介質中，該程序在執行時，可包括如上述各方法的實施例的流程。其中，的存儲介質可為磁碟、光碟、只讀存儲記憶體或隨機存儲記憶體等。
164.以上所揭露的僅為本技術較佳實施例而已，當然不能以此來限定本技術之權利範圍，因此依本技術權利要求所作的等同變化，仍屬本技術所涵蓋的範圍。