并行气象要素降尺度方法、装置、电子设备及存储介质.pdf

《并行气象要素降尺度方法、装置、电子设备及存储介质.pdf》由会员分享，可在线阅读，更多相关《并行气象要素降尺度方法、装置、电子设备及存储介质.pdf（17页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910879807.X (22)申请日 2019.09.17 (71)申请人 中国气象局公共气象服务中心 （国 家预警信息发布中心） 地址 100000 北京市海淀区中关村南大街 46号 (72)发明人 匡秋明刘进刘旺胡骏楠 (74)专利代理机构 北京超凡宏宇专利代理事务 所(特殊普通合伙) 11463 代理人 宋朋飞 (51)Int.Cl. G06T 3/40(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62。

2、(2006.01) (54)发明名称 并行气象要素降尺度方法、 装置、 电子设备 及存储介质 (57)摘要 本申请提供一种并行气象要素降尺度方法、 装置、 电子设备及存储介质。 方法包括： 获取原始 气象要素数据， 原始气象要素数据包括目标气象 要素的目标图像数据和辅助气象要素的辅助图 像数据； 通过降尺度模型中的融合网络模块对原 始气象要素数据进行特征提取获得特征数据； 利 用降尺度模型中的多个超分辨率网络模块对特 征数据进行处理获得每个超分辨率网络模块对 应的高分辨率数据； 通过降尺度模型中的集成网 络模块将多个高分辨率数据进行融合， 获得目标 图像数据对应的目标降尺度数据。 本申请实施例。

3、 通过降尺度模型对原始气象要素数据进行特征 提取、 分辨率转换、 数据融合等操作， 以获得目标 降尺度数据， 能够降低降尺度的计算难度， 从而 提高了降尺度的效率。 权利要求书2页 说明书10页 附图4页 CN 110619605 A 2019.12.27 CN 110619605 A 1.一种并行气象要素降尺度方法， 其特征在于， 包括： 获取原始气象要素数据， 所述原始气象要素数据包括目标气象要素的目标图像数据和 辅助气象要素的辅助图像数据； 通过降尺度模型中的融合网络模块对所述原始气象要素数据进行特征提取， 获得特征 数据； 利用所述降尺度模型中的多个超分辨率网络模块分别对所述特征数据进。

4、行处理， 获得 每个超分辨率网络模块对应的高分辨率数据； 通过所述降尺度模型中的集成网络模块将多个高分辨率数据进行融合， 获得所述目标 图像数据对应的目标降尺度数据。 2.根据权利要求1所述的方法， 其特征在于， 所述利用所述降尺度模型中的多个超分辨 率网络模块分别对所述特征数据进行处理， 获得每个超分辨率网络模块的高分辨率数据， 包括； 利用子像素卷积操作对所述特征数据进行上采样， 获得初始高分辨率数据； 通过所述降尺度模型中的多个超分辨率网络模块分别对所述初始高分辨率数据进行 上采样， 获得每个超分辨率网络模块对应的高分辨率数据。 3.根据权利要求1所述的方法， 其特征在于， 所述通过所述。

5、降尺度模型中的集成网络模 块将多个高分辨率数据进行融合， 获得所述目标图像数据对应的目标降尺度数据， 包括： 通过所述集成网络模块将多个高分辨率数据进行融合， 获得融合后图像数据； 利用上下文融合方法对所述融合后图像数据进行处理， 获得所述目标图像数据对应的 目标降尺度数据。 4.根据权利要求1所述的方法， 其特征在于， 所述方法还包括： 构建预设数量的训练网络， 并获取所述预设数量的训练数据集； 其中， 每个训练网络包 括融合网络模块、 超分辨率网络模块和集成网络模块， 每份训练数据集包括多个训练数据； 利用每份训练数据集对应的训练网络进行并行迭代训练， 每次迭代训练后获得各个训 练网络中的。

6、参数； 根据预设规则对各个训练网络中的融合网络模块的参数进行更新； 在到达预设迭代次数或训练网络的损失函数小于预设值时停止训练， 获得预设数量的 训练后网络； 根据所述预设数量的训练后网络获得所述降尺度模型。 5.根据权利要求4所述的方法， 其特征在于， 所述预设数量为n， 且n个训练网络中包括1 个主网络和n-1个子网络， 所述根据预设规则对各个训练网络中的融合网络模块的参数进 行更新， 包括： 根据公式计算获得所述主网络中融合网络模块的更新后参数； 其中， Wnew为一次迭代训练后所述主网络的融合网络模块的更新后参数， W为一次迭代训练 后主网络中融合网络模块的参数， Wi为第i个子网络在。

7、一次迭代训练后的融合网络模型的 参数， W为在该次迭代训练之前所述主网络的融合网络模块的参数， in-1， 且i为正整数； 利用所述主网络的融合网络模块的更新后参数同步更新各个子网络的融合网络模块 的参数。 权利要求书 1/2 页 2 CN 110619605 A 2 6.根据权利要求1所述的方法， 其特征在于， 所述融合网络模块包括密集连接块， 所述 密集连接块包括短接的多个卷积块。 7.根据权利要求1-6任一项所述的方法， 其特征在于， 每个超分辨率网络包括多个卷积 块， 且卷积块之间通过短接连接。 8.一种并行气象要素降尺度装置， 其特征在于， 包括： 数据获取模块， 用于获取原始气象要。

8、素数据， 所述原始气象要素数据包括目标气象要 素的目标图像数据和辅助气象要素的辅助图像数据； 特征提取模块， 用于通过降尺度模型中的融合网络模块对所述原始气象要素数据进行 特征提取， 获得特征数据； 超分辨率转换模块， 用于利用所述降尺度模型中的多个超分辨率网络模块分别对所述 特征数据进行处理， 获得每个超分辨率网络模块对应的高分辨率数据； 数据融合模块， 用于通过所述降尺度模型中的集成网络模块将多个高分辨率数据进行 融合， 获得所述目标图像数据对应的目标降尺度数据。 9.一种电子设备， 其特征在于， 包括： 处理器、 存储器和总线， 其中， 所述处理器和所述存储器通过所述总线完成相互间的通信。

9、； 所述存储器存储有可被所述处理器执行的程序指令， 所述处理器调用所述程序指令能 够执行如权利要求1-7任一项所述的方法。 10.一种非暂态计算机可读存储介质， 其特征在于， 所述非暂态计算机可读存储介质存 储计算机指令， 所述计算机指令使所述计算机执行如权利要求1-7任一项所述的方法。 权利要求书 2/2 页 3 CN 110619605 A 3 并行气象要素降尺度方法、 装置、 电子设备及存储介质 技术领域 0001 本申请涉及气象数据处理领域， 具体而言， 涉及一种并行气象要素降尺度方法、 装 置、 电子设备及存储介质。 背景技术 0002 随着社会的发展， 人们生活质量的提高， 越来越。

10、多的人、 越来越多的领域需要时间 分辨率高的降水预报， 以及其他气象要素的精确预报， 包括温度、 空气湿度、 大气压强、 风 速、 风向、 空气可见度等气象要素。 现有的气象数据传感器收集到的气象数据密度达不到 1km级别， 使用一种高效的多要素气象数据超分辨率模型， 可以在不增加测量传感器的前提 下得到较为准确的高分辨率气象数据。 0003 直观地来看， 降水、 空气湿度、 温度、 大气压强、 风向风速、 可见度等这些气象要素 之间存在着一些较为复杂的关联和影响， 比如降水多的区域空气湿度较大， 可见度相对也 会较低。 除此之外， 地形对气象要素也有着一定的影响， 比如地势较高的地方， 测得。

11、的大气 压强较低， 山脉对风向有影响等。 0004 目前国内外针对气象数据降尺度的传统方法有双线性插值方法和动力降尺度法、 统计降尺度法和统计与动力相结合的降尺度法。 传统简单的双线性插值方法， 很多局地高 分辨率信息(地形、 地物)资料信息没有利用好， 传统的动力降尺度比较耗时； 动力降尺度法 具有计算量大， 受全球气候模式提供的边界条件影响大， 动力模式对气候模拟的系统误差 比较大等缺点， 统计降尺度法则需要足够的观测资料建立统计模式， 且不能用于大尺度气 候要素与区域气候要素相关性差的地区， 由上可知， 传统技术和方法较为耗时。 发明内容 0005 本申请实施例的目的在于提供一种并行气象。

12、要素降尺度方法、 装置、 电子设备及 存储介质， 用以解决现有的降尺度方法耗时的问题。 0006 第一方面， 本申请实施例提供一种并行气象要素降尺度方法， 包括： 0007 获取原始气象要素数据， 所述原始气象要素数据包括目标气象要素的目标图像数 据和辅助气象要素的辅助图像数据； 通过降尺度模型中的融合网络模块对所述原始气象要 素数据进行特征提取， 获得特征数据； 利用所述降尺度模型中的多个超分辨率网络模块分 别对所述特征数据进行处理， 获得每个超分辨率网络模块对应的高分辨率数据； 通过所述 降尺度模型中的集成网络模块将多个高分辨率数据进行融合， 获得所述目标图像数据对应 的目标降尺度数据。 。

13、0008 本申请实施例通过降尺度模型对原始气象要素数据进行特征提取、 分辨率转换、 数据融合等操作， 以获得目标降尺度数据， 能够降低降尺度的计算难度， 从而提高了降尺度 的效率。 0009 可选地， 所述利用所述降尺度模型中的多个超分辨率网络模块分别对所述特征数 据进行处理， 获得每个超分辨率网络模块对应的高分辨率数据， 包括： 说明书 1/10 页 4 CN 110619605 A 4 0010 利用子像素卷积操作对所述特征数据进行上采样， 获得初始高分辨率数据； 0011 通过所述降尺度模型中的多个超分辨率网络模块分别对所述初始高分辨率数据 进行上采样， 获得每个超分辨率网络模块对应的高。

14、分辨率数据。 0012 本申请实施例通过子像素卷积操作获得高分辨率数据， 其所需时间代价小， 且获 得的高分辨率数据较为准确。 0013 可选地， 所述通过所述降尺度模型中的集成网络模块将多个高分辨率数据进行融 合， 获得所述目标图像数据对应的目标降尺度数据， 包括： 0014 通过所述集成网络模块将多个高分辨率数据进行融合， 获得融合后图像数据； 0015 利用上下文融合方法对所述融合后图像数据进行处理， 获得所述目标图像数据对 应的目标降尺度数据。 0016 本申请实施例通过上下文融合方法将多个超分辨率网络输出的数据进行融合， 获 得最终的目标降尺度数据， 提高了降尺度的效率。 0017 。

15、可选地， 所述方法还包括： 0018 构建预设数量的训练网络， 并获取所述预设数量的训练数据集； 其中， 每个训练网 络包括融合网络模块、 超分辨率网络模块和集成网络模块， 每份训练数据集包括多个训练 数据； 0019 利用每份训练数据集对应的训练网络进行并行迭代训练， 每次迭代训练后获得各 个训练网络中的参数； 0020 根据预设规则对各个训练网络中的融合网络模块的参数进行更新； 0021 在到达预设迭代次数或训练网络的损失函数小于预设值时停止训练， 获得预设数 量的训练后网络； 0022 根据所述预设数量的训练后网络获得所述降尺度模型。 0023 本申请实施例通过集成学习思想构建降尺度模型。

16、， 并通过训练多个弱学习器， 其 训练速度快。 0024 可选地， 所述预设数量为n， 且n个训练网络中包括1个主网络和n-1个子网络， 所述 根据预设规则对各个训练网络中的融合网络模块的参数进行更新， 包括： 0025根据公式计算获得所述主网络中融合网络模块的更新后 参数； 其中， Wnew为一次迭代训练后所述主网络的融合网络模块的更新后参数， W为一次迭代 训练后主网络中融合网络模块的参数， Wi为第i个子网络在一次迭代训练后的融合网络模 型的参数， W为在该次迭代训练之前所述主网络的融合网络模块的参数， in-1， 且i为正 整数； 0026 利用所述主网络的融合网络模块的更新后参数同步。

17、更新各个子网络的融合网络 模块的参数。 0027 本申请实施例通过训练多个弱学习器， 一方面训练速度快， 另一方面能够使得训 练完成后的各弱学习器的部分参数保持一致。 0028 可选地， 所述融合网络模块包括密集连接块， 所述密集连接块包括短接的多个卷 积块。 本申请实施例通过密集连接块实现对输入的原始气象要素数据的特征提取， 从而获 得较为准确的特征数据。 说明书 2/10 页 5 CN 110619605 A 5 0029 可选地， 每个超分辨率网络包括多个卷积块， 且卷积块之间通过短接连接。 本申请 实施例通过多个超分辨率网络获得高分辨率数据， 每个超分辨率网络的计算过程简单， 耗 时较。

18、短。 0030 第二方面， 本申请实施例提供一种并行气象要素降尺度装置， 包括： 0031 数据获取模块， 用于获取原始气象要素数据， 所述原始气象要素数据包括目标气 象要素的目标图像数据和辅助气象要素的辅助图像数据； 0032 特征提取模块， 用于通过降尺度模型中的融合网络模块对所述原始气象要素数据 进行特征提取， 获得特征数据； 0033 超分辨率转换模块， 用于利用所述降尺度模型中的多个超分辨率网络模块分别对 所述特征数据进行处理， 获得每个超分辨率网络模块对应的高分辨率数据； 0034 数据融合模块， 用于通过所述降尺度模型中的集成网络模块将多个高分辨率数据 进行融合， 获得所述目标图。

19、像数据对应的目标降尺度数据。 0035 第三方面， 本申请实施例提供一种电子设备， 包括： 处理器、 存储器和总线， 其中， 0036 所述处理器和所述存储器通过所述总线完成相互间的通信； 0037 所述存储器存储有可被所述处理器执行的程序指令， 所述处理器调用所述程序指 令能够执行第一方面的方法步骤。 0038 第四方面， 本申请实施例提供一种非暂态计算机可读存储介质， 包括： 0039 所述非暂态计算机可读存储介质存储计算机指令， 所述计算机指令使所述计算机 执行第一方面的方法步骤。 0040 本申请的其他特征和优点将在随后的说明书阐述， 并且， 部分地从说明书中变得 显而易见， 或者通过。

20、实施本申请实施例了解。 本申请的目的和其他优点可通过在所写的说 明书、 权利要求书、 以及附图中所特别指出的结构来实现和获得。 附图说明 0041 为了更清楚地说明本申请实施例的技术方案， 下面将对本申请实施例中所需要使 用的附图作简单地介绍， 应当理解， 以下附图仅示出了本申请的某些实施例， 因此不应被看 作是对范围的限定， 对于本领域普通技术人员来讲， 在不付出创造性劳动的前提下， 还可以 根据这些附图获得其他相关的附图。 0042 图1为本申请实施例提供的一种降尺度模型示意图； 0043 图2为本申请实施例提供的多要素超分辨率卷积神经网络结构示意图； 0044 图3为本申请实施例提供一种。

21、对降尺度模块进行训练的方法流程示意图； 0045 图4为本申请实施例提供的训练网络结构示意图； 0046 图5为本申请实施例提供一种气象要素降尺度方法流程示意图； 0047 图6为本申请实施例提供的装置结构示意图； 0048 图7为本申请实施例提供的电子设备实体结构示意图。 具体实施方式 0049 下面将结合本申请实施例中的附图， 对本申请实施例中的技术方案进行描述。 0050 为了能够为人们提供更加精确的气象预报， 需要对采集获得的大尺度的气象数据 说明书 3/10 页 6 CN 110619605 A 6 进行降尺度。 应当说明的是， 大尺度的气象数据是指， 一个气象数据代表的区域较大， 。

22、降尺 度后的气象数据所代表的区域较小。 例如： 降尺度之前的一个气象数据表示一个城市的数 据， 经过降尺度之后可以获得这个城市的各个行政区的气象数据， 即一个气象数据表示一 个行政区的数据。 0051 近年来， 国外研究者利用图像超分辨率模型实现了气象数据的空间降尺度模型 DeepSD。 然而， DeepSD是一种比较简单的深度学习超分辨网络， 可以实现实时的气象数据空 间降尺度， 不需要并行加速， 但是效果不是很好。 0052 因此， 本申请实施例提供的一种降尺度模型， 如图1所示， 降尺度模型包括： 融合网 络模块101、 多个超分辨率网络模块102和集成网络模块103， 其中： 0053。

23、 融合网络模块101用于对输入的数据进行特征提取， 获得特征数据。 图2为本申请 实 施 例 提 供 的 多 要 素 超 分 辨 率 卷 积 神 经 网 络 ( M u l t i - F a c t o r s S u p e r - resolutionConvolutional Neural Network， MFSRN)结构示意图， 如图2所示， MFSRN包括融 合网络模块(FusionNetwork)101和超分辨率网络模块102， 该融合网络模块101包括密集连 接块(denseblock)1011， 密集连接块1011包括五个卷积块， 这五个卷积块依次连接， 并且第 一个卷积块。

24、分别与第三个、 第四个和第五个卷积块短接， 第二个卷积块分别与第四个和第 五个卷积块短接。 应当说明的是， 密集连接块1011包括的卷积块的个数， 以及各个卷积块的 连接关系可以根据实际情况进行调整， 本申请实施例对此不作具体限定。 0054 融合网络模块101对输入的原始气象要素数据进行卷积运算， 由于原始气象要素 数据中包括多种气象要素的数据， 由于多个气象要素之间存在一定的关系， 因此通过融合 网络模块101进行特征提取之后， 能够获得多个气象要素之间的联系的特征。 0055 因此， 本申请实施例考虑了多个气象要素之间的相互作用关系特征， 采用密集连 接的卷积神经网络对多个气象要素进行特。

25、征提取， 自动提取各个气象要素之间的相互作用 关系， 以提升空间降尺度的效果。 0056 一个超分辨率网络模块102包括三个卷积块， 如图2所示， 给出了融合网络模块101 与一个超分辨率网络模块102的连接关系。 超分辨率网络模块102中的三个卷积块依次连 接， 并且第一卷积块还与第三个卷积块短接。 融合网络模块101输出特征数据后， 将特征数 据输入超分辨率网络模块102中， 在超分辨率网络模块102中， 经过子像素卷积操作对特征 数据进行上采样， 得到粗略的高分辨率数据， 然后再经过三个卷积块进行卷积操作， 获得最 终的高分辨率数据。 0057 集成网络模块103包括一个卷积块， 用于将。

26、多个超分辨率网络模块102分别获得的 高分辨率数据进行融合。 0058 本申请实施例通过使用多个弱学习器构成超分辨率网络模块， 每个弱学习器的计 算量小， 且多个弱学习器获得的高分辨率数据的准确度高。 0059 在上述实施例的基础上， 本申请实施例提供一种对降尺度模块进行训练的方法， 如图3所示， 该训练方法包括： 0060 步骤301： 构建预设数量的训练网络， 并获取所述预设数量的训练数据集； 其中， 每 个训练网络包括融合网络模块、 超分辨率网络模块和集成网络模块， 每份训练数据集包括 多个训练数据。 0061 在具体的实施过程中， 预设数量可以是三个， 也可以根据实际情况进行调整， 例。

27、 说明书 4/10 页 7 CN 110619605 A 7 如， 预设数量还可以是两个、 四个或更多个。 本申请实施例以构建三个训练网络为例， 如图4 所示。 在对这三个训练网络进行训练时， 先获得三份训练数据， 具体获取方式可以是先获取 一份训练数据集， 训练数据集中包括多个训练数据， 然后将这份训练数据集复制两份， 并将 复制的两份训练数据集中的训练数据的顺序随机打乱。 从而， 获得三份训练数据。 0062 步骤302： 利用每份训练数据集对应的训练网络进行并行迭代训练， 每次迭代训练 后获得各个训练网络中的参数。 0063 在具体的实施过程中， 如图4所示， 利用每份训练数据对应的训练。

28、网络进行迭代训 练， 一个训练数据包括多个气象要素的数据， 多个气象要素的数据中包括一个目标气象要 素的目标图像数据和多个辅助气象要素的辅助图像数据， 以及目标气象要素对应的标签。 例如： 目标气象要素可以为降水量， 多个辅助气象要素可以为温度、 湿度、 压强、 可见度、 风 俗和风向等， 目标气象要素的标签为高分辨率数据。 0064 为了提高训练效率， 将每份训练数据集进行划分， 划分为多个批次， 例如： 每份训 练数据集中一共有100个训练数据， 可以将这100个训练数据划分为10批， 每批10个训练数 据。 在训练时， 可以按照一批一批迭代训练， 将一批的一个目标气象要素的目标图像数据和。

29、 多个辅助气象要素的辅助图像数据输入到对应训练网络中， 该训练网络对输入的数据进行 分析处理， 输入预测结果， 然后根据预测结果和标签获得训练网络的参数。 0065 训练网络的参数的获得可以基于欧式距离构造损失函数获得， 该损失函数公式如 下： 0066 0067 其中， O为训练网络的输出， Y为训练数据的标签， 为训练网络的参数。 u为每个训 练批次的样本数量， t用于表示每个训练批次中第t个训练数据， u和t均为正整数， 且tu。 0068 步骤303： 根据预设规则对各个训练网络中的融合网络模块的参数进行更新。 0069 在具体的实施过程中， 在通过一次迭代训练获得训练网络的参数后， 。

30、根据预设规 则对各个训练网络中的融合网络模块的参数进行更新。 其中， 预设规则如下： 0070 假设训练网络的个数为n， 并且n个训练网络中有1个主网络和n-1个字网络， 应当 说明的是， 可以将n个训练网络中的任意一个训练网络为主网络， 剩下的为子网络。 0071 在一轮训练后， 获得主网络中融合网络模块的参数为W， 各个子网络的融合网络模 块的参数为Wi， 根据公式计算获得所述主网络中融合网络模块的更 新后参数； 其中， Wnew为一次迭代训练后所述主网络的融合网络模块的更新后参数， W为一次 迭代训练后主网络中融合网络模块的参数， Wi为第i个子网络在一次迭代训练后的融合网 络模型的参数。

31、， W为在该次迭代训练之前所述主网络的融合网络模块的参数， in-1， 且i 为正整数。 应当说明的是， 若是第一次迭代训练， 那么W为主网络的融合网络模块中的初始 参数。 0072 在获得到主网络中融合网络模块的参数之后， 再将n-1个子网络的融合网络模块 的参数也更新为Wnew， 以实现各个训练网络中的融合网络模块的参数相等。 0073 可以理解的是， 由于在训练过程中， 多个训练网络的融合网络模块的参数保持一 致， 而超分辨率网络模块中的参数各不相同。 说明书 5/10 页 8 CN 110619605 A 8 0074 步骤304： 在到达预设迭代次数或训练网络的损失函数小于预设值时停。

32、止训练， 获 得预设数量的训练后网络。 0075 在具体的实施过程中， 利用训练数据集中的多个训练数据进行迭代训练， 当达到 迭代次数或者训练网络的损失函数小于预设值时停止训练， 获得对应数量的训练后网络。 0076 步骤305： 根据所述预设数量的训练后网络获得所述降尺度模型。 0077 在具体的实施过程中， 将预设数量的训练后网络进行整合， 获得如图1所示的降尺 度模型。 0078 本申请实施例通过采用异步训练可以充分利用计算资源， 对多个具有相同结构的 神 经 网 络 模 型 进 行 并 行 训 练 ， 同 时 公 共 参 数 仍 然 可 以 保 持 一 致 。 集 成 学 习 (Ens。

33、embleLearning)是机器学习模型中非常实用的模型， 其主要思路是先通过一定的规则 生成多个学习器， 再采用集成策略进行组合， 将各个学习器的结果综合成最终结果， 得到的 最终结果往往比单个学习器的结果精确。 0079 在训练完成降尺度模型后， 可以利用测试样本集对降尺度模型的性能进行测试。 其中， 测试样本集中包括多个测试样本， 每个测试样本包括多个气象要素的数据， 多个气象 要素的数据中包括一个目标气象要素的目标图像数据和多个辅助气象要素的辅助图像数 据， 以及目标气象要素对应的标签。 在测试时， 将目标气象要素的目标图像数据和多个辅助 气象要素的辅助图像数据作为输入数据输入到降尺。

34、度模型中， 降尺度模型对输入数据进行 处理， 输出预测结果， 将预测结果和标签进行比对， 计算对应的准确率、 召回率以及均方误 差， 其中准确率是主要考量的指标， 准确率越高， 说明模型效果越好。 0080 本申请实施例还提供一种利用上述实施例提供的降尺度模型的气象要素降尺度 方法， 如图5所示， 该方法包括： 0081 步骤501： 获取原始气象要素数据， 所述原始气象要素数据包括目标气象要素的目 标图像数据和辅助气象要素的辅助图像数据。 0082 在具体的实施过程中， 原始气象要素数据为多个气象要素的二维向量堆(concat) 叠而成， 因此， 原始气象要素数据为三维向量数据， 第一维指示。

35、为何种气象要素， 第二维指 示纬度， 第三维指示经度。 并且， 原始气象要素数据包括一个目标气象要素的目标图像数据 和多个辅助气象要素的辅助图像数据。 其中， 目标图像数据为大尺度的数据， 也可以理解为 低分辨率数据。 经过降尺度后获得的低尺度的数据也可以理解为高分辨率数据。 例如： 一张 像素为256*256的降水量数据中， 一个像素点表示4条街道的降水量情况， 在经过降尺度之 后， 一个像素点用来表示1条街道的降水量情况。 同样的， 降尺度之前， 一个城市的降水量使 用256*256的图像数据表示， 经过降尺度之后， 一个城市的降水量可以使用1025*1025的图 像数据表示。 0083 。

36、可以理解的是， 目标气象要素为本申请实施例要进行降尺度的要素。 0084 步骤502： 通过降尺度模型中的融合网络模块对所述原始气象要素数据进行特征 提取， 获得特征数据。 0085 在具体的实施过程中， 将原始气象要素数据输入降尺度模型中， 融合网络模块对 原始气象要素数据进行特征提取， 获得特征数据。 其中， 获得的特征数据中包括多个气象要 素之间关系的特征。 0086 应当说明的是， 降尺度模型的构建以及训练过程可以采用上述实施例所提供的方 说明书 6/10 页 9 CN 110619605 A 9 法， 由于对降尺度模型的训练过程中， 多个训练网络的融合网络模块的参数一致， 所以训练 。

37、获得的多个融合网络模块是相同的， 多个融合网络模块分别对相同的输入进行特征提取， 获得的特征数据也是相同的， 因此， 可以使用一个融合网络模块来代替三个训练网络中的 融合网络模块。 0087 步骤503： 利用所述降尺度模型中的多个超分辨率网络模块分别对所述特征数据 进行处理， 获得每个超分辨率网络模块对应的高分辨率数据。 0088 在具体的实施过程中， 在通过融合网络模块获得特征数据之后， 将该特征数据分 别输入到多个超分辨率网络模块中， 使得多个超分辨率网络模块分别对该特征数据进行处 理， 由于多个超分辨率网络模块中的参数不同， 因此每个超分辨率网络模块的输出也是不 同的。 并且， 经过多。

38、个超分辨率网络模块对特征数据进行处理后获得每个超分辨率网络模 块对应的高分辨率数据(OutputHigh-ResolutionFactor)。 应当说明的是， 高分辨数据为目 标气象要素对应的二维数据。 0089 步骤504： 通过所述降尺度模型中的集成网络模块将多个高分辨率数据进行融合， 获得所述目标图像数据对应的目标降尺度数据。 0090 在具体的实施过程中， 将每个超分辨率网络模块对应的高分辨率数据进行合并堆 叠， 例如： 共三个高分辨率数据， 每个高分辨率数据为一个2*2的矩阵， 那么合并堆叠之后得 到2*6的矩阵。 然后利用上下文融合方法(Context-wise Network F。

39、usion， CNF)得到最终的 目标降尺度数据。 0091 其中， CNF的实质为卷积操作， 并且不采用激活函数激活， CNF对应的公式为： 0092 0093 其中， n为超分辨率网络模块的数量， 这里为3； Wi为第i个超分辨率网络模块的卷 积核权重； bi为第i个超分辨率网络模块的卷积偏置项； Ii为第i个超分辨率网络模块的输 出； O为最终降尺度模型的输出， 也就是集成的结果。 0094 本申请实施例通过降尺度模型对原始气象要素数据进行特征提取、 分辨率转换、 数据融合等操作， 以获得目标降尺度数据， 能够降低降尺度的计算难度， 从而提高了降尺度 的效率。 0095 在上述实施例的基。

40、础上， 所述利用所述降尺度模型中的多个超分辨率网络模块分 别对所述特征数据进行处理， 获得每个超分辨率网络模块对应的高分辨率数据， 包括； 0096 利用子像素卷积操作对所述特征数据进行上采样， 获得初始高分辨率数据； 0097 通过所述降尺度模型中的多个超分辨率网络模块分别对所述初始高分辨率数据 进行上采样， 获得每个超分辨率网络模块对应的高分辨率数据。 0098 在具体的实施过程中， 在利用融合网络模块对原始图像数据进行特征提取获得特 征数据之后， 利用子像素卷积(Sub-pixelConvolution)操作对特征数据进行上采样， 得到 初始高分辨率数据。 其中， 子像素卷积公式如下所示。

41、： 0099 OmnIabc 0100 mbr+a|r 0101 ncr+ar 0102 ar2 说明书 7/10 页 10 CN 110619605 A 10 0103 其中， I为子像素卷积输入的r2层特征图， r为超分辨率的像素倍数， r为正整数； O 为子像素卷积输出的单层矩阵， 大小是Ia的r倍； m、 n分别指示O中像素横向和纵向位置； a、 b、 c分别指示I中像素的层、 横向和纵向位置。 0104 获得了初始高分辨率数据之后， 将初始高分辨率数据分别输入到各个超分辨率网 络模块中进行上采样， 获得每个超分辨率网络模块对应的高分辨率数据。 0105 本申请实施例通过子像素卷积操作。

42、对特征数据进行上采样， 相比于双三次差值以 及引进残差网络的思想， 能够防止梯度消散， 提高获得的高分辨率数据的准确性。 0106 图6为本申请实施例提供的装置结构示意图， 该装置可以是电子设备上的模块、 程 序段或代码。 应理解， 该装置与上述图5方法实施例对应， 能够执行图5方法实施例涉及的各 个步骤， 该装置具体的功能可以参见上文中的描述， 为避免重复， 此处适当省略详细描述。 该装置包括： 数据获取模块601、 特征提取模块602、 超分辨率转换模块603和数据融合模块 604， 其中： 0107 数据获取模块601用于获取原始气象要素数据， 所述原始气象要素数据包括目标 气象要素的目。

43、标图像数据和辅助气象要素的辅助图像数据； 特征提取模块602用于通过降 尺度模型中的融合网络模块对所述原始气象要素数据进行特征提取， 获得特征数据； 超分 辨率转换模块603用于利用所述降尺度模型中的多个超分辨率网络模块分别对所述特征数 据进行处理， 获得每个超分辨率网络模块对应的高分辨率数据； 数据融合模块604用于通过 所述降尺度模型中的集成网络模块将多个高分辨率数据进行融合， 获得所述目标图像数据 对应的目标降尺度数据。 0108 在上述实施例的基础上， 所述融合网络模块包括密集连接块， 所述密集连接块包 括短接的多个卷积块。 0109 在上述实施例的基础上， 每个超分辨率网络包括多个卷。

44、积块， 且卷积块之间通过 短接连接。 0110 在上述实施例的基础上， 该装置还包括： 0111 网络构建模块， 用于构建预设数量的训练网络， 并获取所述预设数量的训练数据 集； 其中， 每个训练网络包括融合网络模块、 超分辨率网络模块和集成网络模块， 每份训练 数据集包括多个训练数据； 0112 迭代模块， 用于利用每份训练数据集对应的训练网络进行并行迭代训练， 每次迭 代训练后获得各个训练网络中的参数； 0113 参数更新模块， 用于根据预设规则对各个训练网络中的融合网络模块的参数进行 更新； 0114 训练后网络获得模块， 用于在到达预设迭代次数或训练网络的损失函数小于预设 值时停止训练。

45、， 获得预设数量的训练后网络； 0115 降尺度模型获得模块， 用于根据所述预设数量的训练后网络获得所述降尺度模 型。 0116 在上述实施例的基础上， 所述预设数量为n， 且n个训练网络中包括1个主网络和n- 1个子网络， 参数更新模块具体用于： 0117根据公式计算获得所述主网络中融合网络模块的更新后 说明书 8/10 页 11 CN 110619605 A 11 参数； 其中， Wnew为一次迭代训练后所述主网络的融合网络模块的更新后参数， W为一次迭代 训练后主网络中融合网络模块的参数， Wi为第i个子网络在一次迭代训练后的融合网络模 型的参数， W为在该次迭代训练之前所述主网络的融合。

46、网络模块的参数， in-1， 且i为正 整数； 0118 利用所述主网络的融合网络模块的更新后参数同步更新各个子网络的融合网络 模块的参数。 0119 在上述实施例的基础上， 超分辨率转换模块603具体用于： 0120 利用子像素卷积操作对所述特征数据进行上采样， 获得初始高分辨率数据； 0121 通过所述降尺度模型中的多个超分辨率网络模块分别对所述初始高分辨率数据 进行上采样， 获得每个超分辨率网络模块对应的高分辨率数据。 0122 在上述实施例的基础上， 数据融合模块604具体用于： 0123 通过所述集成网络模块将多个高分辨率数据进行融合， 获得融合后图像数据； 0124 利用上下文融合。

47、方法对所述融合后图像数据进行处理， 获得所述目标图像数据对 应的目标降尺度数据。 0125 综上所述， 本申请实施例通过由多个弱学习器对原始气象要素数据进行降尺度， 提高了数据处理的速度。 0126 图7为本申请实施例提供的电子设备实体结构示意图， 如图7所示， 所述电子设备， 包括： 处理器(processor)701、 存储器(memory)702和总线703； 其中， 0127 所述处理器701和存储器702通过所述总线703完成相互间的通信； 0128 所述处理器701用于调用所述存储器702中的程序指令， 以执行上述各方法实施例 所提供的方法， 例如包括： 获取原始气象要素数据， 所。

48、述原始气象要素数据包括目标气象要 素的目标图像数据和辅助气象要素的辅助图像数据； 通过降尺度模型中的融合网络模块对 所述原始气象要素数据进行特征提取， 获得特征数据； 利用所述降尺度模型中的多个超分 辨率网络模块分别对所述特征数据进行处理， 获得每个超分辨率网络模块对应的高分辨率 数据； 通过所述降尺度模型中的集成网络模块将多个高分辨率数据进行融合， 获得所述目 标图像数据对应的目标降尺度数据。 0129 本实施例公开一种计算机程序产品， 所述计算机程序产品包括存储在非暂态计算 机可读存储介质上的计算机程序， 所述计算机程序包括程序指令， 当所述程序指令被计算 机执行时， 计算机能够执行上述各。

49、方法实施例所提供的方法， 例如包括： 获取原始气象要素 数据， 所述原始气象要素数据包括目标气象要素的目标图像数据和辅助气象要素的辅助图 像数据； 通过降尺度模型中的融合网络模块对所述原始气象要素数据进行特征提取， 获得 特征数据； 利用所述降尺度模型中的多个超分辨率网络模块分别对所述特征数据进行处 理， 获得每个超分辨率网络模块对应的高分辨率数据； 通过所述降尺度模型中的集成网络 模块将多个高分辨率数据进行融合， 获得所述目标图像数据对应的目标降尺度数据。 0130 本实施例提供一种非暂态计算机可读存储介质， 所述非暂态计算机可读存储介质 存储计算机指令， 所述计算机指令使所述计算机执行上述。

50、各方法实施例所提供的方法， 例 如包括： 获取原始气象要素数据， 所述原始气象要素数据包括目标气象要素的目标图像数 据和辅助气象要素的辅助图像数据； 通过降尺度模型中的融合网络模块对所述原始气象要 素数据进行特征提取， 获得特征数据； 利用所述降尺度模型中的多个超分辨率网络模块分 说明书 9/10 页 12 CN 110619605 A 12 别对所述特征数据进行处理， 获得每个超分辨率网络模块对应的高分辨率数据； 通过所述 降尺度模型中的集成网络模块将多个高分辨率数据进行融合， 获得所述目标图像数据对应 的目标降尺度数据。 0131 在本申请所提供的实施例中， 应该理解到， 所揭露装置和方法。