Nothing Special   »   [go: up one dir, main page]

JP6929927B2 - 強対流天気を予測するための方法及び装置 - Google Patents

強対流天気を予測するための方法及び装置 Download PDF

Info

Publication number
JP6929927B2
JP6929927B2 JP2019229253A JP2019229253A JP6929927B2 JP 6929927 B2 JP6929927 B2 JP 6929927B2 JP 2019229253 A JP2019229253 A JP 2019229253A JP 2019229253 A JP2019229253 A JP 2019229253A JP 6929927 B2 JP6929927 B2 JP 6929927B2
Authority
JP
Japan
Prior art keywords
radar echo
prediction model
image sequence
strong convection
echo image
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
Application number
JP2019229253A
Other languages
English (en)
Other versions
JP2020193962A (ja
Inventor
ホイホイ・シャオ
レイ・ニー
ジャンリャン・グオ
シュウ・リ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Publication of JP2020193962A publication Critical patent/JP2020193962A/ja
Application granted granted Critical
Publication of JP6929927B2 publication Critical patent/JP6929927B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • G01S13/951—Radar or analogous systems specially adapted for specific applications for meteorological use ground based
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Atmospheric Sciences (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Electromagnetism (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)

Description

本出願の実施例は、コンピュータ技術分野に関し、具体的に強対流天気を予測するための方法及び装置に関する。
強対流天気とは、短時間強雨、雷、突風、竜巻、雹、スコールラインなどの現象に伴って生じる災害性天気を指す。このような天気は破壊力が強くて、気象災害において短時間で、激しく、破壊性の強い災害性天気である。熱帯低気圧、地震、洪水の後に、世界で４番目に致命的で災害性天気としてリストされている。
強対流天気は、全ての天気のうち、予報するのが最も困難なものである。同時に、強対流天気は、一般的な天気に比べて研究するための例示が少なく、予報する難度が大きい。現在、強対流天気の予報法は、主に予報士による人工予報である。つまり、経験豊富な予報士が最新のレーダーエコー画像をリアルタイムで追跡し、レーダーエコー画像における雲の動きの特徴を分析することにより、強対流天気を予測する。
本出願の実施例は、強対流天気を予測するための方法及び装置を提供している。
第１態様において、本出願の実施例は、現在の期間におけるレーダーエコー画像シーケンスである現在レーダーエコー画像シーケンスを取得するステップと、現在レーダーエコー画像シーケンスに基づいて、未来の期間におけるレーダーエコー画像シーケンスである未来レーダーエコー画像シーケンスを生成するステップと、未来レーダーエコー画像シーケンスを、予めトレーニングされた、強対流天気強度を予測するための強対流天気予測モデルに入力して、強対流天気強度予測画像を得るステップと、を含む強対流天気を予測するための方法を提供している。
いくつかの実施例において、現在レーダーエコー画像シーケンスに基づいて、未来レーダーエコー画像シーケンスを生成するステップは、現在レーダーエコー画像シーケンスを、予めトレーニングされたレーダーエコー外挿予測モデルに入力して、未来レーダーエコー画像シーケンスを得ることを含む。
いくつかの実施例において、現在レーダーエコー画像シーケンスを予めトレーニングされたレーダーエコー外挿予測モデルに入力して、未来レーダーエコー画像シーケンスを得る前に、現在レーダーエコー画像シーケンスに対して、晴天エコーフィルタリング、失効エコーフィルタリング、固定雑音フィルタリングの少なくとも１つを含む前処理を行うことをさらに含む。
いくつかの実施例において、現在レーダーエコー画像シーケンスに対して、前処理を行うことは、現在レーダーエコー画像シーケンスにおける現在レーダーエコー画像について、該現在レーダーエコー画像における予め設定された画素値よりも低い画素点の画素値を予め設定された値とすることを含む。
いくつかの実施例において、現在レーダーエコー画像シーケンスに対して、前処理を行うことは、欠損した現在レーダーエコー画像が存在する少なくとも予め設定された期間における現在レーダーエコー画像を、現在レーダーエコー画像シーケンスからフィルタリングすることを含む。
いくつかの実施例において、該方法は、強対流天気強度予測画像が警報条件を満たすか否かを判定するステップと、警報条件を満たした場合に、警報コマンドを送信するステップとをさらに含む。
いくつかの実施例において、強対流天気予測モデルは、畳み込み層とダウンサンプリング層とを含む第１エンコーダと、逆畳み込み層とアップサンプリング層とを含む第１デコーダとを含む。
いくつかの実施例において、強対流天気予測モデルは、過去レーダーエコー画像シーケンス及び過去強対流天気強度実画像を含むトレーニングサンプルを取得するステップと、深層学習方法により、トレーニングサンプルに基づいて予測モデルをトレーニングして、強対流天気予測モデルを得るステップと、によりトレーニングされて得られる。
いくつかの実施例において、深層学習方法により、トレーニングサンプルに基づいて予測モデルをトレーニングして、強対流天気予測モデルを得るステップは、トレーニングサンプルにおける過去レーダーエコー画像シーケンスを入力とし、トレーニングサンプルにおける過去強対流天気強度実画像を出力とし、予測モデルをトレーニングして、強対流天気予測モデルを得ることを含む。
いくつかの実施例において、深層学習方法により、トレーニングサンプルに基づいて予測モデルをトレーニングして、強対流天気予測モデルを得るステップは、トレーニングサンプルにおける過去強対流天気強度実画像に基づいて、トレーニングサンプルにおける過去レーダーエコー画像シーケンスに対しストームセル成熟度アノテーションを行い、ストームセル成熟度アノテーション画像シーケンスを生成することと、ストームセル成熟度アノテーション画像シーケンスを入力とし、トレーニングサンプルにおける過去強対流天気強度実画像を出力とし、予測モデルをトレーニングして、強対流天気予測モデルを得ることと、を含む。
いくつかの実施例において、未来レーダーエコー画像シーケンスを予めトレーニングされた強対流天気予測モデルに入力して、強対流天気強度予測画像を得た後に、未来レーダーエコー画像シーケンスに対応する強対流天気強度実画像を取得するステップと、未来レーダーエコー画像シーケンス及び強対流天気強度実画像に基づいて、新たなトレーニングサンプルを生成するステップと、新たなトレーニングサンプルに基づいて強対流天気予測モデルをトレーニングし、強対流天気予測モデルを更新するステップと、をさらに含む。
いくつかの実施例において、レーダーエコー外挿予測モデルは、畳み込み層、長・短期記憶層及びダウンサンプリング層を含む第２エンコーダと、逆畳み込み層、長・短期記憶層及びアップサンプリング層を含む第２デコーダとを含む。
第２態様において、本出願の実施例は、現在の期間におけるレーダーエコー画像シーケンスである現在レーダーエコー画像シーケンスを取得するように構成される取得ユニットと、現在レーダーエコー画像シーケンスに基づいて、未来の期間におけるレーダーエコー画像シーケンスである未来レーダーエコー画像シーケンスを生成するように構成される生成ユニットと、未来レーダーエコー画像シーケンスを、予めトレーニングされた、強対流天気強度を予測するための強対流天気予測モデルに入力して、強対流天気強度予測画像を得るように構成される予測ユニットとを含む強対流天気を予測するための装置を提供している。
いくつかの実施例において、生成ユニットは、現在レーダーエコー画像シーケンスを、予めトレーニングされたレーダーエコー外挿予測モデルに入力して、未来レーダーエコー画像シーケンスを得るように構成される生成サブユニットを含む。
いくつかの実施例において、生成ユニットは、現在レーダーエコー画像シーケンスに対して、晴天エコーフィルタリング、失効エコーフィルタリング、固定雑音フィルタリングの少なくとも１つを含む前処理を行うように構成される前処理サブユニットをさらに含む。
いくつかの実施例において、前処理サブユニットはさらに、現在レーダーエコー画像シーケンスにおける現在レーダーエコー画像について、該現在レーダーエコー画像における予め設定された画素値よりも低い画素点の画素値を予め設定された値とするように構成される。
いくつかの実施例において、前処理サブユニットはさらに、欠損した現在レーダーエコー画像が存在する少なくとも予め設定された期間における現在レーダーエコー画像を、現在レーダーエコー画像シーケンスからフィルタリングするように構成される。
いくつかの実施例において、該装置は、強対流天気強度予測画像が警報条件を満たすか否かを判定するように構成される判定ユニットと、警報条件を満たした場合に、警報コマンドを送信するように構成される警報ユニットとをさらに含む。
いくつかの実施例において、強対流天気予測モデルは、畳み込み層とダウンサンプリング層とを含む第１エンコーダと、逆畳み込み層とアップサンプリング層とを含む第１デコーダとを含む。
いくつかの実施例において、強対流天気予測モデルは、過去レーダーエコー画像シーケンス及び過去強対流天気強度実画像を含むトレーニングサンプルを取得するステップと、深層学習方法により、トレーニングサンプルに基づいて予測モデルをトレーニングして、強対流天気予測モデルを得るステップと、によりトレーニングされて得られる。
いくつかの実施例において、深層学習方法により、トレーニングサンプルに基づいて予測モデルをトレーニングして、強対流天気予測モデルを得るステップは、トレーニングサンプルにおける過去レーダーエコー画像シーケンスを入力とし、トレーニングサンプルにおける過去強対流天気強度実画像を出力とし、予測モデルをトレーニングして、強対流天気予測モデルを得ることを含む。
いくつかの実施例において、深層学習方法により、トレーニングサンプルに基づいて予測モデルをトレーニングして、強対流天気予測モデルを得るステップは、トレーニングサンプルにおける過去強対流天気強度実画像に基づいて、トレーニングサンプルにおける過去レーダーエコー画像シーケンスに対しストームセル成熟度アノテーションを行い、ストームセル成熟度アノテーション画像シーケンスを生成することと、ストームセル成熟度アノテーション画像シーケンスを入力とし、トレーニングサンプルにおける過去強対流天気強度実画像を出力とし、予測モデルをトレーニングして、強対流天気予測モデルを得ることと、を含む。
いくつかの実施例において、未来レーダーエコー画像シーケンスを予めトレーニングされた強対流天気予測モデルに入力して、強対流天気強度予測画像を得た後に、未来レーダーエコー画像シーケンスに対応する強対流天気強度実画像を取得するステップと、未来レーダーエコー画像シーケンス及び強対流天気強度実画像に基づいて、新たなトレーニングサンプルを生成するステップと、新たなトレーニングサンプルに基づいて強対流天気予測モデルをトレーニングし、強対流天気予測モデルを更新するステップと、をさらに含む。
いくつかの実施例において、レーダーエコー外挿予測モデルは、畳み込み層、長・短期記憶層及びダウンサンプリング層を含む第２エンコーダと、逆畳み込み層、長・短期記憶層及びアップサンプリング層を含む第２デコーダとを含む。
第３態様において、本出願の実施例は、１つ又は複数のプロセッサと、１つ又は複数のプログラムが格納されている記憶装置と、を含むサーバであって、１つ又は複数のプログラムが１つ又は複数のプロセッサによって実行される場合に、１つ又は複数のプロセッサに第１態様のいずれかの実施形態に記載の方法を実現させるサーバを提供している。
第４態様において、本出願の実施例は、コンピュータプログラムが格納されているコンピュータ可読媒体であって、該コンピュータプログラムがプロセッサによって実行される場合に、第１態様のいずれかの実施形態に記載の方法を実現するコンピュータ可読媒体を提供している。
本出願の実施例に係る強対流天気を予測するための方法及び装置は、まず現在レーダーエコー画像シーケンスを取得し、次に現在レーダーエコー画像シーケンスに基づいて未来レーダーエコー画像シーケンスを生成し、最後に未来レーダーエコー画像シーケンスを、予めトレーニングされた強対流天気予測モデルに入力して、強対流天気強度予測画像を得る。強対流天気予測モデルにより強対流天気強度を自動的に予測することで、予測過程全体にわたって手動で処理する必要がなく、人件費が削減されるだけでなく、強対流天気の予測精度も向上している。
本出願の他の特徴、目的及び利点は、以下の図面を参照してなされる非限定的な実施例に係る詳細な説明を読むことにより、より明らかになるであろう。
本出願を適用できる例示的なシステムアーキテクチャを示す図である。 本出願に係る強対流天気を予測するための方法の一実施例を示すフローチャートである。 強対流天気予測モデルの構造概略図である。 本出願に係る強対流天気予測モデルをトレーニングするための方法の一実施例を示すフローチャートである。 ストームセルの進み過程を示す図である。 本出願に係る強対流天気を予測するための方法の他の実施例を示すフローチャートである。 本出願に係る強対流天気を予測するための装置の一実施例を示す構造概略図である。 本出願の実施例を実現するためのサーバに適用されるコンピュータシステムを示す構造概略図である。
以下、添付図面及び実施例を参照しながら、本出願をより詳細に説明する。ここで説明する具体的な実施例は、関連する発明を説明するためのものに過ぎず、当該発明を限定するものではないことを理解されたい。また、説明の便宜上、図面には発明に関連する部分のみが示されていることに留意されたい。
なお、本出願の実施例及び実施例における特徴は、矛盾を生じない限り、相互に組み合わせることができる。以下、添付図面及び実施例を参照しながら、本出願を詳細に説明する。
図１は、本出願の強対流天気を予測するための方法又は強対流天気を予測するための装置を適用できる実施例の例示的なシステムアーキテクチャ１００が示されている。
図１に示すように、システムアーキテクチャ１００は、気象レーダー１０１、ネットワーク１０２及びサーバ１０３を含んでもよい。ネットワーク１０２は、気象レーダー１０１とサーバ１０３との間に通信リンクの媒体を提供するために用いられる。ネットワーク１０２は、有線、無線通信リンク、又は光ファイバケーブル等のような、様々な接続タイプを含んでもよい。
気象レーダー１０１は、指向性アンテナ、送信機、受信機、アンテナコントローラ、ディスプレイ及びカメラ装置、並びに電子計算機及び画像伝送部などで構成されてもよい。気象レーダー１０１の送信機からの電磁波は、伝送中に雲層に遭遇し、雲層によって反射されて散乱し、受信機が反射されて散乱した電磁波の一部を受信し、電子計算機が受信された電磁波強度に基づいてレーダーエコー画像を生成し、画像伝送部がレーダーエコー画像をサーバ１０３に送信する。
サーバ１０３は様々なサービスを提供するサーバであってもよい。例えば、強対流天気予測サーバである。強対流天気予測サーバは、取得した現在レーダーエコー画像シーケンス等のデータに対し分析等の処理を行い、強対流天気強度予測画像などの処理結果を生成してもよい。
なお、サーバ１０３は、ハードウェアであってもよいし、ソフトウェアであってもよい。サーバ１０３がハードウェアである場合には、複数のサーバからなる分散サーバクラスタとして実現されてもよいし、単一のサーバとして実現されてもよい。サーバ１０３がソフトウェアである場合には、複数のソフトウェア又はソフトウェアモジュール（例えば、分散サービスを提供する）として実現されてもよく、単一のソフトウェア又はソフトウェアモジュールとして実現されてもよい。ここでは特に限定されない。
なお、本出願の実施例に係る強対流天気を予測するための方法は、一般的にサーバ１０３によって実行され、それによって、強対流天気を予測するための装置は、一般的にサーバ１０３に設けられている。
なお、図１における気象レーダー、ネットワーク及びサーバの数は、単なる例示的なものに過ぎない。気象レーダー、ネットワーク及びサーバは、必要に応じて任意の数に設けられてもよい。
引き続き本出願に係る強対流天気を予測するための方法の一実施例を示すフロー２００が示されている図２を参照する。該強対流天気を予測するための方法は、ステップ２０１、ステップ２０２及びステップ２０３を含む。
ステップ２０１：現在レーダーエコー画像シーケンスを取得する。
本実施例において、強対流天気を予測するための方法の実行主体（例えば、図１に示すサーバ１０３）は、気象レーダー（例えば、図１に示す気象レーダー１０１）から現在レーダーエコー画像シーケンスを取得してもよい。現在レーダーエコー画像シーケンスは現在の期間におけるレーダーエコー画像シーケンスであってもよい。通常、現在レーダーエコー画像シーケンスは現在の期間において予め設定された時間毎に収集されたものであってもよい。現在、気象レーダーは、６分毎にレーダーエコー画像を１回収集することができる。例えば、現在レーダーエコー画像シーケンスには、気象レーダーが最近の期間に６分毎に収集された１０回のレーダーエコー画像が含まれてもよい。
実際には、レーダーエコーの強度をｄｂ（デシベル）で表すことができる。レーダーエコー画像の画素値とレーダーエコーの強度との間には一定の関係がある。通常、レーダーエコー画像の画素値は、レーダーエコーの強度に２を乗じた数に６６を加えたものと等しい。
ステップ２０２：現在レーダーエコー画像シーケンスに基づいて、未来レーダーエコー画像シーケンスを生成する。
本実施例において、前記実行主体は、現在レーダーエコー画像シーケンスに基づいて、未来レーダーエコー画像シーケンスを予測することができる。例えば、前記実行主体は、現在レーダーエコー画像シーケンスに対し、エコー外挿演算を行って、未来レーダーエコー画像シーケンスを取得してもよい。ここで、未来レーダーエコー画像シーケンスは未来の期間におけるレーダーエコー画像シーケンスであってもよい。例えば、未来レーダーエコー画像シーケンスには、未来の期間に６分毎に収集されたレーダーエコー画像が含まれてもよい。
ステップ２０３：未来レーダーエコー画像シーケンスを予めトレーニングされた強対流天気予測モデルに入力して、強対流天気強度予測画像を得る。
本実施例において、前記実行主体が未来レーダーエコー画像シーケンスを強対流天気予測モデルに入力して、強対流天気強度予測画像を得ることができる。ここで、強対流天気予測モデルは、強対流天気強度を予測するために用いられ、レーダーエコー画像シーケンスと強対流天気強度との間の対応関係を特徴付けることができる。
通常、強対流天気には強降雨、雷、強風、雹などの様々な現象が発生する可能性があるので、強対流天気予測モデルは、強対流天気が発生する現象のそれぞれの強度を予測するためのモデルを含むことができる。例えば、強対流天気予測モデルは、強降雨予測モデル、雷予測モデル、強風予測モデル、雹予測モデルなどの複数のモデルから構成されてもよい。ここで、強降雨予測モデルは強い降雨強度を予測するために用いられ、雷予測モデルは雷強度を予測するために用いられ、強風予測モデルは強風強度を予測するために用いられ、雹予測モデルは雹の強度を予測するために用いられる。前記実行主体は、未来レーダーエコー画像シーケンスを、強降雨予測モデル、雷予測モデル、強風予測モデル、雹予測モデル等の複数のモデルにそれぞれ入力して、強降雨強度予測画像、雷強度予測画像、強風強度予測画像、雹強度予測画像等の複数の予測画像を得ることができる。
本実施例において、強対流天気予測モデルは、様々な方法でトレーニングされて得られる。
本実施例のいくつかの代替実施形態において、前記実行主体は、大量の過去レーダーエコー画像シーケンス及び対応する過去強対流天気強度実画像を前もって収集するとともに、それらに応じて対応関係テーブルを強対流天気予測モデルとして記憶生成することができる。前記実行主体は、未来レーダーエコー画像シーケンスを生成した後に、未来レーダーエコー画像シーケンスと対応関係テーブルにおけるそれぞれの過去レーダーエコー画像シーケンスとの類似度を算出し、その後、算出された類似度に基づいて、対応関係テーブルから強対流天気強度予測画像を特定することができる。例えば、前記実行主体は、対応関係テーブルから、未来レーダーエコー画像シーケンスとの類似度が最も高い過去レーダーエコー画像シーケンスに対応する過去強対流天気強度実画像を強対流天気強度予測画像として選択することができる。
本実施例のいくつかの代替実施形態において、強対流天気予測モデルは機械学習方法及びトレーニングサンプルにより従来の機械学習モデルを教師ありにトレーニングして得られるものであってもよい。通常、強対流天気予測モデルは、エンコーダ−デコーダ（Ｅｎｃｏｄｅｒ−Ｄｅｃｏｄｅｒ）モードを採用することができる。図３は、強対流天気予測モデルの構造概略図が示されている。具体的には、強対流天気予測モデルは、第１エンコーダ及び第１デコーダを含むことができる。第１エンコーダは、畳み込み層及びダウンサンプリング層（プーリング層）を含むことができる。畳み込み層及びダウンサンプリング層を介してダウンサンプリング層の空間次元を徐々に減少させてグローバル特徴を抽出し、スケール正規化操作により特徴空間情報の正規化が行われる。第１デコーダは、逆畳み込み層及びアップサンプリング層を含むことができる。対象の詳細及び空間次元は、逆畳み込み層及びアップサンプリング層によって逐次に修復される。第１エンコーダと第１デコーダとの間には通常、第１デコーダが対象の詳細をより良好に修復するのを支援することができるショートカット接続が存在する。強対流天気予測モデルは、その入力及び出力が画像であって、全結合層を有しない全層畳み込みネットワークに属し、浅い高解像度層は画素位置決め問題を解決するために用いられ、深い層は強対流天気レベルの問題を解決するために用いられる。時間と空間との関連性を組み合わせながら、演算量を効果的に低減することができる。
本実施例のいくつかの代替実施形態において、前記実行主体は、さらに強対流天気強度予測画像が警報条件を満たすか否かを判定し、警報条件を満たした場合に、前記実行主体は警報コマンドを送信することができる。通常、強対流天気強度予測画像において強対流天気強度が高いことが示された場合に、前記実行主体は警報装置に警報コマンドを送信することができる。これにより、警報装置は、強対流天気に対する適切な防御措置を適時に行うように提示する警報音を発することができる。
本出願の実施例に係る強対流天気を予測するための方法は、まず現在レーダーエコー画像シーケンスを取得し、次に現在レーダーエコー画像シーケンスに基づいて未来レーダーエコー画像シーケンスを生成し、最後に未来レーダーエコー画像シーケンスを、予めトレーニングされた強対流天気予測モデルに入力して、強対流天気強度予測画像を得る。強対流天気予測モデルにより強対流天気強度を自動的に予測することで、予測過程全体にわたって手動で処理する必要がなく、人件費が削減されるだけでなく、強対流天気の予測精度も向上している。
さらに、強対流天気予測モデルをトレーニングするための方法の一実施例のフロー４００が示される図４を参照する。該強対流天気予測モデルをトレーニングするための方法は、ステップ４０１及びステップ４０２を含む。
ステップ４０１：トレーニングサンプルを取得する。
本実施例において、強対流天気予測モデルをトレーニングするための方法の実行主体（例えば、図１に示すサーバ１０３）は、大量の過去レーダーエコー画像シーケンス及び対応する過去強対流天気強度実画像をトレーニングサンプルとして収集することができる。ここで、トレーニングサンプルのそれぞれは、過去レーダーエコー画像シーケンスと、対応する過去強対流天気強度実画像とを含むことができる。
ステップ４０２：深層学習方法により、トレーニングサンプルに基づいて予測モデルをトレーニングして、強対流天気予測モデルを得る。
本実施例において、前記実行主体は深層学習方法により、トレーニングサンプルに基づいて予測モデルをトレーニングして、強対流天気予測モデルを得ることができる。
本実施例のいくつかの代替実施形態において、前記実行主体は、トレーニングサンプルにおける過去レーダーエコー画像シーケンスを入力とし、トレーニングサンプルにおける過去強対流天気強度実画像を出力とし、予測モデルをトレーニングして、強対流天気予測モデルを得ることができる。ここで、予測モデルは、エンコーダ−デコーダ（Ｅｎｃｏｄｅｒ−Ｄｅｃｏｄｅｒ）モードを採用することができ、トレーニングされていないモデル又はトレーニングが終了されていないモデルであり、予測モデルの各層に初期パラメータが設定されてもよく、パラメータがトレーニング中に連続調整されてもよい。
本実施例のいくつかの代替実施形態において、前記実行主体は、トレーニングサンプルにおける過去強対流天気強度実画像に基づいて、トレーニングサンプルにおける過去レーダーエコー画像シーケンスに対しストームセル成熟度アノテーションを行い、ストームセル成熟度アノテーション画像シーケンスを生成し、ストームセル成熟度アノテーション画像シーケンスを入力とし、トレーニングサンプルにおける過去強対流天気強度実画像を出力とし、予測モデルをトレーニングして、強対流天気予測モデルを得る。通常、ストームセルは、成長期、成熟期、減衰期の３つの異なる進化期間を有する。一般的に、ストームセルが相対的に安定して１時間以上維持できるため、ストームセル成熟度データにより強対流天気を効果的に予測することができる。図５は、ストームセルの進み過程を示す図が示される。ストームセルは、連続的に集合増大している。１番目の図ではストームセルがまだ形成されていなく、２番目の図ではストームセルが集合発展しており、３番目の図ではストームセルが既に成熟しており、最後の図ではストームセルにストームが発生している。最初の２つの図で成熟していないストームセルの成長特徴から、未来の期間（例えば、３０分後）に強対流天気が発生する恐れがあると判断できる。
ここで、ストームセルの成熟度アノテーション過程を２つの部分に分けることができる。まず予報デバイスによって過去強対流天気が発生した時間位置を取得し、次いで、領域分割アルゴリズムによって過去レーダーエコー画像における対応するストームセルを見出し、検出追跡アルゴリズムによって該ストームセルの移動軌跡を追跡するとともに、移動軌跡に基づいて異なる時点でのストームセルの成熟度アノテーションを行う。
なお、強対流天気予測モデルは、任意サイズ及びチャンネルのデータ入力をサポートする。そして、強対流天気予測モデルは、レーダーエコーデータ、高度場及び風力場などの任意場のデータなどの複数種の入力データを効果的に扱うことができ、既存の過去データ再解析データ及び数値予報製品の予報値を用いることもできる。同時に、強対流天気予測モデルは、時間間隔が同じの入出力データと時間間隔が異なる入出力データとを含む複数の時間次元の入力データを適用できる。入出力時間間隔が異なる場合について、強降雨予測モデルを例にとる。一般的なレーダーエコー画像の時間間隔が６分であり、強降雨予測モデルは、各時刻のモデルパラメータを共有して、６分毎のレーダーエコー画像を１０枚入力データとして積算し、対応する時間にわたる降雨予測データを得る。その後、時間当たりの降雨実データとの差に応じてモデルパラメータの調整を行う。
さらに、本出願に係る強対流天気を予測するための方法の他の実施例のフロー６００が示される図６を参照する。該強対流天気を予測するための方法は、ステップ６０１〜ステップ６０９を含む。
ステップ６０１：トレーニングサンプルを取得する。
ステップ６０２：深層学習方法により、トレーニングサンプルに基づいて予測モデルをトレーニングして、強対流天気予測モデルを得る。
本実施例において、ステップ６０１〜６０２の具体的な動作は、図２に示される実施例におけるステップ４０１〜４０２で詳細に説明されているので、ここではその説明を省略する。
ステップ６０３：現在レーダーエコー画像シーケンスを取得する。
本実施例において、ステップ６０３の具体的な動作は、図２に示される実施例におけるステップ２０１で詳細に説明されているので、ここではその説明を省略する。
ステップ６０４：現在レーダーエコー画像シーケンスを前処理する。
本実施例において、強対流天気を予測するための方法の実行主体（例えば、図１に示すサーバ１０３）は、現在レーダーエコー画像シーケンスを前処理してもよい。ここで、前処理は、晴天エコーフィルタリング、失効エコーフィルタリング、固定雑音フィルタリング等の少なくとも１つを含んでもよいが、これらに限定されない。
本実施例のいくつかの代替実施形態において、晴天エコー強度が一般的に予め設定された強度閾値よりも低いので、晴天エコーの画素点の画素値が予め設定された画素閾値よりも低い。ここで、予め設定された画素閾値と予め設定された強度閾値との間には一定の関係がある。通常、予め設定された画素閾値は、予め設定された強度閾値に２を乗じた数に６６を加えたものと等しい。この場合に、現在レーダーエコー画像シーケンスにおける現在レーダーエコー画像について、前記実行主体は、該現在レーダーエコー画像における予め設定された画素値よりも低い画素点の画素値を予め設定された値とすることができる。例えば、予め設定された画素値よりも低い画素点の画素値を０とする。
本実施例のいくつかの代替実施形態において、現在レーダーエコー画像シーケンスは、現在の期間にわたって所定時間ごとに収集されたものであるので、現在レーダーエコー画像シーケンスに現在レーダーエコー画像の欠損が存在する場合に、欠損した現在レーダーエコー画像の近傍にある現在レーダーエコー画像が失効となり、したがって、前記実行主体は、欠損した現在レーダーエコー画像が存在する少なくとも予め設定された期間における現在レーダーエコー画像を、現在レーダーエコー画像シーケンスからフィルタリングすることができる。
ステップ６０５：現在レーダーエコー画像シーケンスを、予めトレーニングされたレーダーエコー外挿予測モデルに入力して、未来レーダーエコー画像シーケンスを得る。
本実施例において、前記実行主体は、現在レーダーエコー画像シーケンスを、予めトレーニングされたレーダーエコー外挿予測モデルに入力して、未来レーダーエコー画像シーケンスを得ることができる。レーダーエコー外挿予測モデルは、未来レーダーエコー画像シーケンスを予測するために用いられてもよい。
本実施例において、レーダーエコー外挿予測モデルは、様々な方法でトレーニングされて得られる。例えば、レーダーエコー外挿予測モデルは機械学習方法及びトレーニングサンプルにより従来の機械学習モデルを教師ありにトレーニングして得られるものであってもよい。レーダーエコー外挿予測モデルは、エンコーダ−デコーダモードを採用することができる。例えば、レーダーエコー外挿予測モデルは、第２エンコーダ及び第２デコーダを含むことができる。第２エンコーダは、畳み込み層、長・短期記憶層及びダウンサンプリング層を含むことができる。第２デコーダは、逆畳み込み層、長・短期記憶層及びアップサンプリング層を含むことができる。
ステップ６０６：未来レーダーエコー画像シーケンスを予めトレーニングされた強対流天気予測モデルに入力して、強対流天気強度予測画像を得る。
本実施例において、ステップ６０６の具体的な動作は、図２に示される実施例におけるステップ２０３で詳細に説明されたので、ここではその説明を省略する。
ステップ６０７：未来レーダーエコー画像シーケンスに対応する強対流天気強度実画像を取得する。
本実施例において、時間が未来レーダーエコー画像シーケンスに対応する時点に流した場合に、前記実行主体は、該時点における強対流天気強度画像、即ち強対流天気強度実画像を取得することができる。
ステップ６０８：未来レーダーエコー画像シーケンス及び強対流天気強度実画像に基づいて、新たなトレーニングサンプルを生成する。
本実施例において、前記実行主体は、未来レーダーエコー画像シーケンス及び強対流天気強度実画像に基づいて、新たなトレーニングサンプルを生成することができる。
ステップ６０９：新たなトレーニングサンプルに基づいて強対流天気予測モデルをトレーニングし、強対流天気予測モデルを更新する。
本実施例において、前記実行主体は、新たなトレーニングサンプルにより強対流天気予測モデルを引き続きトレーニングして、強対流天気予測モデルのパラメータを更新して、新たな強対流天気予測モデルを得ることができる。ここで、リアルタイムで取得したデータに基づいて、オンライン学習及びモデル更新を達成することで、モデルが様々な場所でコールドスタートに合うことと、雲層の動きの変化などを効果的に生かすことができないことなどを防止できる。さらに強対流天気強度の予測精度の向上に寄与することができる。
図６から分かるように、図２に対応する実施例に比べ、本実施例における強対流天気を予測するための方法のフロー６００には、現在レーダーエコー画像シーケンス前処理ステップと、強対流天気予測モデルのオンライン更新ステップとが追加される。したがって、本実施例に記載された技術的手段は、晴天エコー、失効エコー、固定雑音等が予測結果に影響を与えることを防止し、また、モデルが様々な場所でコールドスタートに合うことと、雲層の動きの変化等を効果的に生かすことができないことを防止できる。さらに強対流天気強度の予測精度の向上に寄与することができる。
さらに図７を参照して、上記の各図に示される方法の実施態様として、本出願は、図２に示される方法の実施例に対応する強対流天気を予測するための装置の一実施例を提供し、当該装置は、具体的に様々な電子機器に適用可能である。
図７に示すように、本実施例の強対流天気を予測するための装置７００は、取得ユニット７０１と、生成ユニット７０２と、予測ユニット７０３とを含むことができる。取得ユニット７０１が現在の期間におけるレーダーエコー画像シーケンスである現在レーダーエコー画像シーケンスを取得するように構成され、生成ユニット７０２が現在レーダーエコー画像シーケンスに基づいて、未来の期間におけるレーダーエコー画像シーケンスである未来レーダーエコー画像シーケンスを生成するように構成され、予測ユニット７０３が未来レーダーエコー画像シーケンスを、予めトレーニングされた、強対流天気強度を予測するための強対流天気予測モデルに入力して、強対流天気強度予測画像を得るように構成される。
本実施例において、強対流天気を予測するための装置７００は、取得ユニット７０１、生成ユニット７０２及び予測ユニット７０３の具体的な処理及びそれらによる技術的効果は、それぞれ、図２の対応する実施例におけるステップ２０１、ステップ２０２及びステップ２０３の関連説明を参照してもよく、ここでその説明を省略する。
本実施例のいくつかの代替実施形態において、生成ユニット７０２は、現在レーダーエコー画像シーケンスを、予めトレーニングされたレーダーエコー外挿予測モデルに入力して、未来レーダーエコー画像シーケンスを得るように構成される生成サブユニット（図示せず）を含む。
本実施例のいくつかの代替実施形態において、生成ユニット７０２は、現在レーダーエコー画像シーケンスに対して、晴天エコーフィルタリング、失効エコーフィルタリング、固定雑音フィルタリングの少なくとも１つを含む前処理を行うように構成される前処理サブユニット（図示せず）をさらに含む。
本実施例のいくつかの代替実施形態において、前処理サブユニットはさらに、現在レーダーエコー画像シーケンスにおける現在レーダーエコー画像について、該現在レーダーエコー画像における予め設定された画素値よりも低い画素点の画素値を予め設定された値とするように構成される。
本実施例のいくつかの代替実施形態において、前処理サブユニットはさらに、欠損した現在レーダーエコー画像が存在する少なくとも予め設定された期間における現在レーダーエコー画像を、現在レーダーエコー画像シーケンスからフィルタリングするように構成される。
本実施例のいくつかの代替実施形態において、強対流天気を予測するための装置７００は、強対流天気強度予測画像が警報条件を満たすか否かを判定するように構成される判定ユニット（図示せず）と、警報条件を満たした場合に、警報コマンドを送信するように構成される警報ユニット（図示せず）とをさらに含む。
本実施例のいくつかの代替実施形態において、強対流天気予測モデルは、畳み込み層とダウンサンプリング層とを含む第１エンコーダと、逆畳み込み層とアップサンプリング層とを含む第１デコーダとを含む。
本実施例のいくつかの代替実施形態において、強対流天気予測モデルは、過去レーダーエコー画像シーケンス及び過去強対流天気強度実画像を含むトレーニングサンプルを取得するステップと、深層学習方法により、トレーニングサンプルに基づいて予測モデルをトレーニングして、強対流天気予測モデルを得るステップと、によりトレーニングされて得られる。
本実施例のいくつかの代替実施形態において、深層学習方法により、トレーニングサンプルに基づいて予測モデルをトレーニングして、強対流天気予測モデルを得るステップは、トレーニングサンプルにおける過去レーダーエコー画像シーケンスを入力とし、トレーニングサンプルにおける過去強対流天気強度実画像を出力とし、予測モデルをトレーニングして、強対流天気予測モデルを得ることを含む。
本実施例のいくつかの代替実施形態において、深層学習方法により、トレーニングサンプルに基づいて予測モデルをトレーニングして、強対流天気予測モデルを得るステップは、トレーニングサンプルにおける過去強対流天気強度実画像に基づいて、トレーニングサンプルにおける過去レーダーエコー画像シーケンスに対しストームセル成熟度アノテーションを行い、ストームセル成熟度アノテーション画像シーケンスを生成することと、ストームセル成熟度アノテーション画像シーケンスを入力とし、トレーニングサンプルにおける過去強対流天気強度実画像を出力とし、予測モデルをトレーニングして、強対流天気予測モデルを得ることと、を含む。
本実施例のいくつかの代替実施形態において、未来レーダーエコー画像シーケンスを予めトレーニングされた強対流天気予測モデルに入力して、強対流天気強度予測画像を得た後に、未来レーダーエコー画像シーケンスに対応する強対流天気強度実画像を取得するステップと、未来レーダーエコー画像シーケンス及び強対流天気強度実画像に基づいて、新たなトレーニングサンプルを生成するステップと、新たなトレーニングサンプルに基づいて強対流天気予測モデルをトレーニングし、強対流天気予測モデルを更新するステップと、をさらに含む。
本実施例のいくつかの代替実施形態において、レーダーエコー外挿予測モデルは、畳み込み層、長・短期記憶層及びダウンサンプリング層を含む第２エンコーダと、逆畳み込み層、長・短期記憶層及びアップサンプリング層を含む第２デコーダとを含む。
以下、本出願の実施例を実現するのに適したサーバ（例えば、図１に示すサーバ１０３）のコンピュータシステム８００の構造概略図が示される図８を参照する。図８に示されたサーバはただの例示に過ぎず、本出願の実施例の機能及び使用範囲にいかなるの限定を加えるものではない。
図８に示すように、コンピュータシステム８００は、読み出し専用メモリ（ＲＯＭ）８０２に格納されているプログラム又は記憶部８０８からランダムアクセスメモリ（ＲＡＭ）８０３にロードされたプログラムによって様々で、適当な動作及び処理を実行することができる中央処理装置（ＣＰＵ）８０１を含む。ＲＡＭ８０３には、システム８００の操作に必要な様々なプログラム及びデータがさらに格納されている。ＣＰＵ８０１、ＲＯＭ８０２及びＲＡＭ８０３がバス８０４を介して互いに接続されている。入力／出力（Ｉ／Ｏ）インターフェース８０５もバス８０４に接続されている。
キーボード、マウスなどを備える入力部８０６、陰極線管（ＣＲＴ）、液晶ディスプレイ（ＬＣＤ）など及びスピーカなどを備える出力部８０７、ハードディスクなどを備える記憶部８０８、並びにＬＡＮカード、モデムなどのネットワークインターフェースカードを備える通信部８０９は、Ｉ／Ｏインターフェース８０５に接続されている。通信部８０９は、例えばインターネットのようなネットワークを介して通信処理を実行する。ドライバ８１０も必要に応じてＩ／Ｏインターフェース８０５に接続されている。リムーバブルメディア８１１は、例えば、マグネチックディスク、光ディスク、光磁気ディスク、半導体メモリなどが挙げられ、必要に応じてドライバ８１０に取り付けられることによって、リムーバブルメディアから読み出されたコンピュータプログラムが所望により記憶部８０８にインストールされる。
特に、本出願の実施例によれば、以上でフローチャートを参照して記述されたプロセスは、コンピュータソフトウェアプログラムとして実現されてもよい。例えば、本出願の実施例は、コンピュータ可読媒体に担持されるコンピュータプログラムを備えるコンピュータプログラム製品を備え、該コンピュータプログラムは、フローチャートで示される方法を実行するためのプログラムコードを含む。このような実施例において、該コンピュータプログラムは、通信部８０９を介してネットワークからダウンロードされてインストールされてもよく、及び／又はリムーバブルメディア８１１からインストールされてもよい。該コンピュータプログラムが中央処理装置（ＣＰＵ）８０１によって実行される場合に、本出願の方法で限定された上記の機能を実行する。
注意すべきなのは、本出願に記載したコンピュータ可読媒体は、コンピュータ可読信号媒体又はコンピュータ可読記憶媒体、又はこれらの任意の組み合わせであってもよい。コンピュータ可読記憶媒体は、例えば、電子、磁気、光学、電磁気、赤外線、又は半導体のシステム、装置若しくはデバイス、又はこれらの任意の組み合わせを含むことができるが、これらに限定されない。コンピュータ可読記憶媒体のより具体的な例としては、１本又は複数の導線を有する電気的接続、ポータブルコンピュータディスク、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、消去可能プログラマブル読み出し専用メモリ（ＥＰＲＯＭ若しくはフラッシュメモリ）、光ファイバ、ポータブルコンパクトディスク読み出し専用メモリ（ＣＤ−ＲＯＭ）、光メモリ、磁気メモリ、又はこれらの任意の適切な組み合わせを含むことができるが、これらに限定されない。本出願において、コンピュータ可読記憶媒体は、命令実行システム、装置若しくはデバイスで使用可能な、又はそれらに組み込まれて使用可能なプログラムを包含又は格納する任意の有形の媒体であってもよい。本出願において、コンピュータ可読信号媒体は、ベースバンド内で、又はキャリアの一部として伝送される、コンピュータ可読プログラムコードが担持されたデータ信号を含んでもよい。このような伝送されたデータ信号は、様々な形態をとることができ、電磁信号、光信号、又はこれらの任意の適切な組み合わせを含むことができるが、これらに限定されない。コンピュータ可読信号媒体は、さらにコンピュータ可読記憶媒体以外の任意のコンピュータ可読媒体であってもよい。該コンピュータ可読媒体は、命令実行システム、装置若しくはデバイスによって使用されるか、又はそれらに組み込まれて使用されるプログラムを、送信、伝送又は転送することができる。コンピュータ可読媒体に含まれるプログラムコードは任意の適切な媒体で伝送することができ、無線、有線、光ケーブル、ＲＦなど、又はこれらの任意の適切な組み合わせを含むが、これらに限定されない。
１つ又は複数の種類のプログラミング言語又はそれらの組み合わせで、本出願の操作を実行するためのコンピュータプログラムコードを編集することができ、前記プログラミング言語には、オブジェクト向けのプログラミング言語、例えばＪａｖａ（登録商標）、Ｓｍａｌｌｔａｌｋ、Ｃ＋＋が含まれ、通常のプロシージャ向けプログラミング言語、例えば「Ｃ」言語又は類似しているプログラミング言語も含まれる。プログラムコードは、完全的にユーザコンピュータに実行されてもよく、部分的にユーザコンピュータに実行されてもよく、１つの独立したソフトウェアパッケージとして実行されてもよく、部分的にユーザコンピュータに実行され且つ部分的に遠隔コンピュータに実行されてもよく、又は完全的に遠隔コンピュータ又はサーバに実行されてもよい。遠隔コンピュータに係る場合に、遠隔コンピュータは、ローカルエリアネットワーク（ＬＡＮ）又は広域ネットワーク（ＷＡＮ）を含む任意の種類のネットワークを介して、ユーザコンピュータ、又は、外部コンピュータに接続できる（例えば、インターネットサービスプロバイダによりインターネットを介して接続できる）。
図面におけるフローチャート及びブロック図は、本出願の各実施例に係るシステム、方法及びコンピュータプログラム製品により実現可能なアーキテクチャ、機能及び操作を示す。ここで、フローチャート又はブロック図における各ブロックは、モジュール、プログラムセグメント若しくはコードの一部を表してもよく、該モジュール、プログラムセグメント、又はコードの一部は、規定されたロジック機能を達成するための１つ以上の実行可能な命令を含む。なお、いくつかの代替実施態様において、ブロック内に示された機能は、図面に示された順番とは異なるもので実行されてもよい。例えば、連続して示された２つのブロックは、実際には関連する機能に応じて、ほぼ並行に実行されてもよく、逆の順番で実行されてもよい。なお、ブロック図及び／又はフローチャートにおける各ブロック、並びに、ブロック図及び／又はフローチャートにおけるブロックの組み合わせは、規定された機能若しくは操作を実行する、ハードウェアに基づく専用システムで実現されてもよく、又は専用ハードウェアとコンピュータ命令との組み合わせで実行されてもよい。
本出願の実施例に係るユニットは、ソフトウェアの形式で実現されてもよいし、ハードウェアの形式で実現されてもよい。記述されたユニットは、プロセッサに設けられてもよく、例えば、取得ユニット、生成ユニット及び予測ユニットを備えるプロセッサと記述されてもよい。ここで、これらのユニットの名称は、該ユニット自体を限定するものではなく、例えば、取得ユニットがさらに「現在レーダーエコー画像シーケンスを取得するユニット」と記述されてもよい。
別の態様として、本出願はさらに、コンピュータ可読媒体を提供しており、該コンピュータ可読媒体は、上記の実施例に記載のサーバに含まれるものであってもよく、独立に存在して該サーバに組み込まれていないものであってもよい。前記コンピュータ可読媒体に１つ又は複数のプログラムが担持されており、前記１つ又は複数のプログラムが該サーバによって実行される場合に、現在の期間におけるレーダーエコー画像シーケンスである現在レーダーエコー画像シーケンスを取得するステップと、現在レーダーエコー画像シーケンスに基づいて、未来の期間におけるレーダーエコー画像シーケンスである未来レーダーエコー画像シーケンスを生成するステップと、未来レーダーエコー画像シーケンスを、予めトレーニングされた、強対流天気強度を予測するための強対流天気予測モデルに入力して、強対流天気強度予測画像を得るステップとを該サーバに実行させる。
以上の記載は、本出願の好ましい実施例、及び使用される技術的原理に関する説明に過ぎない。本出願に係る発明の範囲が、上記の技術的特徴の特定の組み合わせからなる技術案に限定されるものではなく、上記の本出願の趣旨を逸脱しない範囲で、上記の技術的特徴又はそれらの同等の特徴を任意に組み合わせてなる他の技術案も含むべきであることを、当業者に理解されたい。例えば、上記の特徴と、本出願に開示された類似の機能を持っている技術的特徴（これらに限定されていない）とを互いに置き換えてなる技術案が挙げられる。

Claims (21)

  1. 現在の期間におけるレーダーエコー画像シーケンスである現在レーダーエコー画像シーケンスを取得するステップと、
    前記現在レーダーエコー画像シーケンスに基づいて、未来の期間におけるレーダーエコー画像シーケンスである未来レーダーエコー画像シーケンスを生成するステップと、
    前記未来レーダーエコー画像シーケンスを、予めトレーニングされた、強対流天気強度を予測するための強対流天気予測モデルに入力して、強対流天気強度予測画像を得るステップと、を含み、
    前記強対流天気予測モデルは、
    トレーニングサンプルにおける過去強対流天気強度実画像に基づいて、前記トレーニングサンプルにおける過去レーダーエコー画像シーケンスに対しストームセル成熟度アノテーションを行い、ストームセル成熟度アノテーション画像シーケンスを生成することと、
    前記ストームセル成熟度アノテーション画像シーケンスを入力とし、前記トレーニングサンプルにおける過去強対流天気強度実画像を出力とし、予測モデルをトレーニングして、前記強対流天気予測モデルを得ることと、
    により取得される、強対流天気を予測するための方法。
  2. 前記現在レーダーエコー画像シーケンスに基づいて、未来レーダーエコー画像シーケンスを生成するステップは、
    前記現在レーダーエコー画像シーケンスを、予めトレーニングされたレーダーエコー外挿予測モデルに入力して、前記未来レーダーエコー画像シーケンスを得ること、を含む、請求項１に記載の方法。
  3. 前記現在レーダーエコー画像シーケンスを予めトレーニングされたレーダーエコー外挿予測モデルに入力して、前記未来レーダーエコー画像シーケンスを得る前に、
    前記現在レーダーエコー画像シーケンスに対して、晴天エコーフィルタリング、失効エコーフィルタリング、固定雑音フィルタリングの少なくとも１つを含む前処理を行うこと、をさらに含む、請求項２に記載の方法。
  4. 前記現在レーダーエコー画像シーケンスに対して、前処理を行うことは、
    前記現在レーダーエコー画像シーケンスにおける現在レーダーエコー画像について、該現在レーダーエコー画像における予め設定された画素値よりも低い画素点の画素値を予め設定された値とすること、を含む、請求項３に記載の方法。
  5. 前記現在レーダーエコー画像シーケンスに対して、前処理を行うことは、
    欠損した現在レーダーエコー画像が存在する少なくとも予め設定された期間における現在レーダーエコー画像を、前記現在レーダーエコー画像シーケンスからフィルタリングすること、を含む、請求項４に記載の方法。
  6. 前記方法は、
    前記強対流天気強度予測画像が警報条件を満たすか否かを判定するステップと、
    前記警報条件を満たした場合に、警報コマンドを送信するステップと、をさらに含む、請求項１〜５のいずれか一項に記載の方法。
  7. 前記強対流天気予測モデルは、畳み込み層とダウンサンプリング層とを含む第１エンコーダと、逆畳み込み層とアップサンプリング層とを含む第１デコーダと、を含む、請求項１〜５のいずれか一項に記載の方法。
  8. 前記強対流天気予測モデルは、
    過去レーダーエコー画像シーケンス及び過去強対流天気強度実画像を含むトレーニングサンプルを取得するステップと、
    深層学習方法により、前記トレーニングサンプルに基づいて予測モデルをトレーニングして、前記強対流天気予測モデルを得るステップと、
    によりトレーニングされて得られる、請求項７に記載の方法。
  9. 前記深層学習方法により、前記トレーニングサンプルに基づいて予測モデルをトレーニングして、前記強対流天気予測モデルを得るステップは、
    前記トレーニングサンプルにおける過去レーダーエコー画像シーケンスを入力とし、前記トレーニングサンプルにおける過去強対流天気強度実画像を出力とし、前記予測モデルをトレーニングして、前記強対流天気予測モデルを得ること、を含む、請求項８に記載の方法。
  10. 前記未来レーダーエコー画像シーケンスを予めトレーニングされた強対流天気予測モデルに入力して、強対流天気強度予測画像を得た後に、
    前記未来レーダーエコー画像シーケンスに対応する強対流天気強度実画像を取得するステップと、
    前記未来レーダーエコー画像シーケンス及び前記強対流天気強度実画像に基づいて、新たなトレーニングサンプルを生成するステップと、
    前記新たなトレーニングサンプルに基づいて前記強対流天気予測モデルをトレーニングし、前記強対流天気予測モデルを更新するステップと、をさらに含む、請求項８に記載の方法。
  11. 前記レーダーエコー外挿予測モデルは、畳み込み層、長・短期記憶層及びダウンサンプリング層を含む第２エンコーダと、逆畳み込み層、長・短期記憶層及びアップサンプリング層を含む第２デコーダと、を含む、請求項２〜５のいずれか一項に記載の方法。
  12. 現在の期間におけるレーダーエコー画像シーケンスである現在レーダーエコー画像シーケンスを取得するように構成される取得ユニットと、
    前記現在レーダーエコー画像シーケンスに基づいて、未来の期間におけるレーダーエコー画像シーケンスである未来レーダーエコー画像シーケンスを生成するように構成される生成ユニットと、
    前記未来レーダーエコー画像シーケンスを、予めトレーニングされた、強対流天気強度を予測するための強対流天気予測モデルに入力して、強対流天気強度予測画像を得るように構成される予測ユニットと、を含み、
    前記強対流天気予測モデルは、
    トレーニングサンプルにおける過去強対流天気強度実画像に基づいて、前記トレーニングサンプルにおける過去レーダーエコー画像シーケンスに対しストームセル成熟度アノテーションを行い、ストームセル成熟度アノテーション画像シーケンスを生成することと、
    前記ストームセル成熟度アノテーション画像シーケンスを入力とし、前記トレーニングサンプルにおける過去強対流天気強度実画像を出力とし、予測モデルをトレーニングして、前記強対流天気予測モデルを得ることと、
    により取得される、強対流天気を予測するための装置。
  13. 前記生成ユニットは、
    前記現在レーダーエコー画像シーケンスを、予めトレーニングされたレーダーエコー外挿予測モデルに入力して、前記未来レーダーエコー画像シーケンスを得るように構成される生成サブユニット、を含む、請求項１２に記載の装置。
  14. 前記強対流天気予測モデルは、畳み込み層とダウンサンプリング層とを含む第１エンコーダと、逆畳み込み層とアップサンプリング層とを含む第１デコーダと、を含む、請求項１２又は１３に記載の装置。
  15. 前記強対流天気予測モデルは、
    過去レーダーエコー画像シーケンス及び過去強対流天気強度実画像を含むトレーニングサンプルを取得するステップと、
    深層学習方法により、前記トレーニングサンプルに基づいて予測モデルをトレーニングして、前記強対流天気予測モデルを得るステップと、
    によりトレーニングされて得られる、請求項１４に記載の装置。
  16. 前記深層学習方法により、前記トレーニングサンプルに基づいて予測モデルをトレーニングして、前記強対流天気予測モデルを得るステップは、
    前記トレーニングサンプルにおける過去レーダーエコー画像シーケンスを入力とし、前記トレーニングサンプルにおける過去強対流天気強度実画像を出力とし、前記予測モデルをトレーニングして、前記強対流天気予測モデルを得ること、を含む、請求項１５に記載の装置。
  17. 前記未来レーダーエコー画像シーケンスを予めトレーニングされた強対流天気予測モデルに入力して、強対流天気強度予測画像を得た後に、
    前記未来レーダーエコー画像シーケンスに対応する強対流天気強度実画像を取得するステップと、
    前記未来レーダーエコー画像シーケンス及び前記強対流天気強度実画像に基づいて、新たなトレーニングサンプルを生成するステップと、
    前記新たなトレーニングサンプルに基づいて前記強対流天気予測モデルをトレーニングし、前記強対流天気予測モデルを更新するステップと、をさらに含む、請求項１５に記載の装置。
  18. 前記レーダーエコー外挿予測モデルは、畳み込み層、長・短期記憶層及びダウンサンプリング層を含む第２エンコーダと、逆畳み込み層、長・短期記憶層及びアップサンプリング層を含む第２デコーダと、を含む、請求項１３に記載の装置。
  19. １つ又は複数のプロセッサと、
    １つ又は複数のプログラムが格納されている記憶装置と、を含むサーバであって、
    前記１つ又は複数のプログラムが前記１つ又は複数のプロセッサによって実行される場合に、前記１つ又は複数のプロセッサに、請求項１〜１１のいずれか一項に記載の方法を実現させる、サーバ。
  20. コンピュータプログラムが格納されているコンピュータ可読媒体であって、前記コンピュータプログラムがプロセッサによって実行される場合に、請求項１〜１１のいずれか一項に記載の方法を実現させる、コンピュータ可読媒体。
  21. コンピュータプログラムであって、
    前記コンピュータプログラムがプロセッサによって実行されると、請求項１〜１１のいずれか一項に記載の方法を実現させる、コンピュータプログラム。
JP2019229253A 2019-05-24 2019-12-19 強対流天気を予測するための方法及び装置 Active JP6929927B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910440054.2A CN110135654B (zh) 2019-05-24 2019-05-24 用于预测强对流天气的方法和装置
CN201910440054.2 2019-05-24

Publications (2)

Publication Number Publication Date
JP2020193962A JP2020193962A (ja) 2020-12-03
JP6929927B2 true JP6929927B2 (ja) 2021-09-01

Family

ID=67573135

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019229253A Active JP6929927B2 (ja) 2019-05-24 2019-12-19 強対流天気を予測するための方法及び装置

Country Status (4)

Country Link
US (1) US11555921B2 (ja)
JP (1) JP6929927B2 (ja)
KR (1) KR102337776B1 (ja)
CN (1) CN110135654B (ja)

Families Citing this family (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110632681B (zh) * 2019-09-17 2022-05-27 国网湖南省电力有限公司 基于机器学习的电网午后雷阵雨的短临预警方法及系统
US11169263B2 (en) * 2019-10-04 2021-11-09 International Business Machines Corporation Predicting weather radar images
CN110673146B (zh) * 2019-10-12 2021-12-07 上海眼控科技股份有限公司 气象预测图检测方法、装置、计算机设备和可读存储介质
CN110794485A (zh) * 2019-10-22 2020-02-14 成都信息工程大学 基于集成学习的强对流天气持续时间预报方法
CN110824587B (zh) * 2019-11-01 2021-02-09 上海眼控科技股份有限公司 图像预测方法、装置、计算机设备和存储介质
CN111062410B (zh) * 2019-11-05 2023-05-30 复旦大学 基于深度学习的星型信息桥气象预测方法
CN110956677A (zh) * 2019-12-13 2020-04-03 上海眼控科技股份有限公司 雷达图的预测方法、装置、计算机设备和存储介质
CN111028260A (zh) * 2019-12-17 2020-04-17 上海眼控科技股份有限公司 图像预测方法、装置、计算机设备和存储介质
CN111142109A (zh) * 2019-12-30 2020-05-12 上海眼控科技股份有限公司 标记方法、装置、计算机设备和存储介质
CN111239739A (zh) * 2020-01-10 2020-06-05 上海眼控科技股份有限公司 气象雷达回波图预测方法、装置、计算机设备和存储介质
CN111366989A (zh) * 2020-03-23 2020-07-03 上海眼控科技股份有限公司 天气预报方法、装置、计算机设备及存储介质
CN111487624A (zh) * 2020-04-23 2020-08-04 上海眼控科技股份有限公司 一种预测降雨量的方法与设备
CN111783821B (zh) * 2020-05-19 2023-09-12 知天(珠海横琴)气象科技有限公司 强对流阵风的判别方法及系统
CN111856618A (zh) * 2020-06-11 2020-10-30 上海眼控科技股份有限公司 气象要素的预测方法及设备
CN111860997B (zh) * 2020-07-17 2021-12-28 海南大学 跨数据、信息、知识模态与量纲的预警方法及组件
CN112180471B (zh) * 2020-08-21 2022-07-12 远景智能国际私人投资有限公司 天气预报方法、装置、设备及存储介质
CN111736157B (zh) * 2020-08-26 2021-01-05 蔻斯科技(上海)有限公司 基于ppi数据的临近预报的预测方法及设备
CN111929688B (zh) * 2020-09-22 2021-02-09 蔻斯科技(上海)有限公司 一种用于确定雷达回波预测帧序列的方法与设备
CN112819199A (zh) * 2020-12-31 2021-05-18 上海眼控科技股份有限公司 降水量的预测方法、装置、设备和存储介质
CN112924975B (zh) * 2021-03-06 2021-10-12 上海市气象信息与技术支持中心 组网天气雷达适用aoi的自适应观测方法及系统
CN112946784B (zh) * 2021-03-29 2022-09-16 杭州电子科技大学 一种基于深度学习的SuperDARN雷达对流图短期预报方法
CN113408805A (zh) * 2021-06-24 2021-09-17 国网浙江省电力有限公司双创中心 一种雷电地闪识别方法、装置、设备及可读存储介质
CN113640769B (zh) * 2021-08-27 2023-06-13 南京信息工程大学 基于深度神经网络的天气雷达基本反射率预测方法
CN114137541B (zh) * 2021-11-18 2024-11-19 国家超级计算深圳中心(深圳云计算中心) 基于Transformer-IRB的短临降雨预测方法、装置和存储介质
CN114355482B (zh) * 2022-01-04 2022-08-16 成都信息工程大学 基于光流和气象数值预报的强对流天气识别方法及系统
CN114067214B (zh) * 2022-01-17 2022-05-13 北京弘象科技有限公司 一种基于多模型融合卷积网络的暴雨识别方法和装置
CN114647018B (zh) * 2022-02-23 2024-07-19 中国人民解放军国防科技大学 一种基于冷池的飑线强度评估方法
CN114624715B (zh) * 2022-03-01 2025-01-28 中国人民解放军国防科技大学 一种基于自注意力时空神经网络模型的雷达回波外推方法
CN114706145B (zh) * 2022-03-23 2023-11-21 成都信息工程大学 基于雹云微物理与热动力特征的冰雹预警方法
CN114488070B (zh) * 2022-04-08 2022-07-19 北京弘象科技有限公司 一种基于深度学习模型的雷达回波外推方法和装置
CN114740549B (zh) * 2022-04-12 2024-02-06 北京墨迹风云科技股份有限公司 一种短临降水天气预测方法、装置、电子设备及可读介质
CN114764602A (zh) * 2022-05-07 2022-07-19 东南大学 基于时空注意力和数据融合的短临降水预测方法
CN115169431B (zh) * 2022-05-16 2024-08-06 湖南师范大学 一种雷暴识别方法及系统
CN114743072B (zh) * 2022-05-24 2023-01-31 中国科学院计算机网络信息中心 一种短期时间序列预测模型的训练方法
CN115421117B (zh) * 2022-06-06 2024-10-29 中国人民解放军61540部队 一种基于深度学习的雷达回波外推方法
KR102730212B1 (ko) 2022-08-01 2024-11-15 경북대학교 산학협력단 상대적 중요 변수를 이용하는 머신러닝 기반 스톰 예측 방법, 이를 수행하기 위한 기록매체 및 장치
CN115453541A (zh) * 2022-11-14 2022-12-09 中科星图维天信(北京)科技有限公司 降水量预测方法、装置、电子设备及存储介质
CN115542431B (zh) * 2022-11-25 2023-03-10 成都远望探测技术有限公司 一种基于地基云雷达和卫星数据的对流初生监测方法
KR20240110336A (ko) 2023-01-06 2024-07-15 서울대학교산학협력단 수치예보모델 기반 위험 대류 영역 예측 장치 및 방법
CN117351366B (zh) * 2023-12-05 2024-03-01 南京气象科技创新研究院 一种易触发局地对流的边界层辐合线碰撞区域识别方法
CN118501986B (zh) * 2024-07-17 2024-11-15 南京气象科技创新研究院 基于多模式集成的灾害性大风空间结构预报改进方法

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5406481A (en) * 1993-06-30 1995-04-11 Nippon Telegraph And Telephone Corporation Rainfall, snowfall forecast apparatus and method
JPH09257951A (ja) * 1996-03-22 1997-10-03 Nippon Telegr & Teleph Corp <Ntt> 気象予測装置
JPH10177076A (ja) * 1996-12-19 1998-06-30 Toshiba Corp 降雨量予測装置
US7664601B2 (en) * 1999-11-10 2010-02-16 Honeywell International Inc. Weather incident prediction
US6681184B2 (en) * 2001-05-15 2004-01-20 Input/Output, Inc. System for estimating azimuthal variations in seismic data
US7542852B1 (en) * 2005-01-25 2009-06-02 Weather Channel Inc Derivation and production of high-resolution, very short-term weather forecasts
US7391358B2 (en) * 2005-06-30 2008-06-24 Massachusetts Institute Of Technology Weather radar echo tops forecast generation
KR101483617B1 (ko) * 2013-12-06 2015-01-16 대한민국 강수 추정 시스템 및 그 방법
KR101435648B1 (ko) * 2014-05-13 2014-08-28 진양공업주식회사 레이더 영상 분석을 통한 특정 지점의 초단기 강수 예측 시스템
US10613252B1 (en) * 2015-10-02 2020-04-07 Board Of Trustees Of The University Of Alabama, For And On Behalf Of The University Of Alabama In Huntsville Weather forecasting systems and methods
CN105717491B (zh) * 2016-02-04 2018-09-21 象辑知源（武汉）科技有限公司 天气雷达回波图像的预测方法及预测装置
CN106526708B (zh) * 2016-09-21 2018-10-30 广东奥博信息产业股份有限公司 一种基于机器学习的气象强对流天气的智能预警分析方法
CN107703564B (zh) * 2017-10-13 2020-04-14 中国科学院深圳先进技术研究院 一种降雨预测方法、系统及电子设备
CN108710114B (zh) * 2018-04-18 2021-07-13 上海交通大学 基于bp神经网络多类分类的湍流目标探测方法
CN108734357A (zh) * 2018-05-29 2018-11-02 北京佳格天地科技有限公司 气象预测系统及方法
CN108427989B (zh) * 2018-06-12 2019-10-11 中国人民解放军国防科技大学 一种用于雷达回波外推的深度时空预测神经网络训练方法
CN108732550B (zh) * 2018-08-01 2021-06-29 北京百度网讯科技有限公司 用于预测雷达回波的方法和装置
US11402542B2 (en) * 2018-10-30 2022-08-02 The Tomorrow Companies Inc. Forecasting method with machine learning
US11169263B2 (en) * 2019-10-04 2021-11-09 International Business Machines Corporation Predicting weather radar images

Also Published As

Publication number Publication date
KR20200135125A (ko) 2020-12-02
CN110135654B (zh) 2021-08-27
US20200371230A1 (en) 2020-11-26
US11555921B2 (en) 2023-01-17
CN110135654A (zh) 2019-08-16
KR102337776B1 (ko) 2021-12-09
JP2020193962A (ja) 2020-12-03

Similar Documents

Publication Publication Date Title
JP6929927B2 (ja) 強対流天気を予測するための方法及び装置
CN108732550B (zh) 用于预测雷达回波的方法和装置
US11675071B2 (en) Predicting weather radar images
US10795056B2 (en) Local weather forecast
CN110363327B (zh) 基于ConvLSTM和3D-CNN的短临降水预测方法
CN109799550B (zh) 用于预测降雨强度的方法和装置
JP5433913B2 (ja) 波浪予測システム
CN116745653A (zh) 使用生成式神经网络的临近预报
CN113780270A (zh) 目标检测方法和装置
CN115391746B (zh) 针对气象要素数据的插值方法、装置、电子设备及介质
CN118330605A (zh) 基于卷积神经网络和辅助器的激光雷达风速反演方法
Chen et al. CNN profiler on polar coordinate images for tropical cyclone structure analysis
US20230259769A1 (en) Multi-stage training of machine learning models
US20230196594A1 (en) Temporal interpolation of precipitation
CN117818712B (zh) 基于铁路站场5g自组网的可视化调车智能管理系统
CN111339864B (zh) 异常行为报警方法和装置
CN119441769A (zh) 光伏短期功率预测方法、装置、服务器和存储介质
KR20230072966A (ko) 위성방송품질을 이용한 강수분석방법 및 강수분석장치
CN119027329A (zh) 一种用于气象灾害预警用气象数据采集系统
CN114740549A (zh) 一种短临降水天气预测方法、装置、电子设备及可读介质
CN119089176A (zh) 一种客观预报预测产品统计释用方法、装置、设备及介质
CN119323756A (zh) 一种融合多源遥感数据的农业资源环境监测方法及装置
CN115909090A (zh) 火点位置的修正方法、装置和电子设备
KR20220030712A (ko) 머신러닝 기반의 통신 장애 예측방법 및 통신 장애 예측장치
CN117669349A (zh) 模型训练方法、信息生成方法、装置、设备和介质

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200123

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200123

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210126

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210421

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20210720

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210811

R150 Certificate of patent or registration of utility model

Ref document number: 6929927

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250