一种云底高度的确定方法、装置、介质及电子设备制造方法及图纸

本申请公开了一种云底高度的确定方法、装置、介质及电子设备。该方法包括：获取目标云团的云参数数据；根据所述云参数数据确定目标云团的所属云类型；将所述云参数数据输入至与所述所属云类型匹配的机器学习模型；其中，所述机器学习模型是预先基于样本数据进行训练得到的；根据所述机器学习模型的输出结果，确定所述目标云团的云底高度。采用本技术方案，可以通过机器学习模型的训练，在云底高度确定的过程中，使用机器学习即可以快速并且准确的输出云底高度，提高运算效率，降低算力负担。降低算力负担。降低算力负担。

【技术实现步骤摘要】
一种云底高度的确定方法、装置、介质及电子设备


[0001]本申请涉及人工智能
，尤其涉及一种云底高度的确定方法、装置、介质及电子设备。

技术介绍

[0002]随着科技水平的迅速发展，卫星的数量的逐渐增加，人们对精准的天气信息的要求也越来越高。
[0003]然而，对于卫星探测数据而言，云顶高度往往是比较容易进行直接探测的，而云底高度却需要通过对探测数据的反演来得到。反演过程中，无论是使用的反演算法，还是采用的反演数据，都很难对云底高度进行进准的判断。同时反演计算过程复杂，需要耗费大量的算力。

技术实现思路

[0004]本申请实施例提供一种云底高度的确定方法、装置、介质及电子设备。本申请通过机器学习模型的训练，在云底高度确定的过程中，使用机器学习即可以快速并且准确的输出云底高度，提高运算效率，降低算力负担。
[0005]本申请实施例提供一种云底高度的确定方法，所述方法包括：
[0006]获取目标云团的云参数数据；
[0007]根据所述云参数数据确定目标云团的所属云类型；
[0008]将所述云参数数据输入至与所述所属云类型匹配的机器学习模型；其中，所述机器学习模型是预先基于样本数据进行训练得到的；
[0009]根据所述机器学习模型的输出结果，确定所述目标云团的云底高度。
[0010]进一步的，所述机器学习模型的训练过程，包括：
[0011]获取探测范围的云参数样本数据，并通过带有激光雷达探测器的极轨卫星测得的云底高度数据；
[0012]将所述云参数样本数据与所述云底高度数据进行时空匹配，以构建训练样本；
[0013]对所述训练样本进行云类型划分，得到各云类型的训练样本集合；
[0014]构建初始模型，并以训练样本集合中的云参数样本数据作为输入数据，以云底高度数据作为真值，针对各云类型的初始模型进行训练，以得到各云类型的机器学习模型。
[0015]进一步的，所述云参数样本数据包括：云顶高度、云顶温度、云光学厚度以及云粒子有效半径中的一种或者多种。
[0016]进一步的，在对所述训练样本进行云类型划分，得到各云类型的训练样本集合之后，所述方法还包括：
[0017]对各云类型的训练样本集合进行划分，得到各云类型的训练集和测试集；
[0018]相应的，构建初始模型，并以训练样本集合中的云参数样本数据作为输入数据，以云底高度数据作为真值，针对各云类型的初始模型进行训练，以得到各云类型的机器学习
模型，包括：
[0019]构建初始模型，并以各云类型的训练集的云参数样本数据作为输入数据，以各云类型的训练集的云底高度数据作为真值，针对各云类型的初始模型进行训练；
[0020]采用测试集的云参数样本数据和云底高度数据对得到的机器学习模型进行测试；
[0021]若测试成功，则确定所述机器学习模型训练完成。
[0022]进一步的，所述初始模型为随机森林模型。
[0023]进一步的，将所述云参数样本数据与所述云底高度数据进行时空匹配，以构建训练样本，包括：
[0024]基于所述云参数样本数据的坐标信息和所述云底高度数据的坐标信息，对所述云参数样本数据与所述云底高度数据进行空间匹配；
[0025]以及，
[0026]基于所述云参数样本数据的时间信息和所述云底高度数据的时间信息，对所述云参数样本数据与所述云底高度数据进行时间匹配；
[0027]基于空间匹配的结果和时间匹配的结果，对探测区域的各个点位的数据进行组合，以构建具有云参数样本数据和云底高度数据的训练样本。
[0028]进一步的，所述云参数数据为静止卫星通过传感器采集到的数据。
[0029]本申请实施例还提供了一种云底高度的确定装置，所述装置包括：
[0030]云参数数据获取模块，用于获取目标云团的云参数数据；
[0031]所属云类型确定模块，用于根据所述云参数数据确定目标云团的所属云类型；
[0032]数据输入模块，用于将所述云参数数据输入至与所述所属云类型匹配的机器学习模型；其中，所述机器学习模型是预先基于样本数据进行训练得到的；
[0033]云底高度确定模块，用于根据所述机器学习模型的输出结果，确定所述目标云团的云底高度。
[0034]本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例所述的云底高度的确定方法。
[0035]本申请实施例还提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例所述的云底高度的确定方法。
[0036]本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
[0037]本申请利提供的技术方案，相比于传统的卫星被动传感器云底高度反演方法，随机森林算法能够考虑更多潜在的云底高度影响因素，卫星数据也容易获取，为快速准确获取大范围云底高度信息提供了帮助。并在提高准确性和效率的同时降低了计算的负担。
附图说明
[0038]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0039]图1是本申请实施例一提供的云底高度的确定方法的流程示意图；
[0040]图2是本申请实施例二提供的机器学习模型的训练过程的流程示意图；
[0041]图3是本申请实施例三提供的云底高度的确定方法的流程示意图；
[0042]图4是本申请实施例三提供的另一云底高度的确定方法的流程示意图；
[0043]图5是本申请实施例四提供的云底高度的确定装置的结构示意图；
[0044]图6是本申请实施例六提供的一种电子设备的结构示意图。
具体实施方式
[0045]为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0046]以下结合附图，详细说明本申请各实施例提供的技术方案。
[0047]实施例一
[0048]图1是本申请实施例一提供的云底高度的确定方法的流程示意图，本实施例可适用于基于卫星数据进行云底高度计算的情况，该方法可以由本申请实施例所提供的云底高度的确定装置执行，该装置可以由软件和/或硬件的方式来实现，并且可以集成于用于云底高度的确定的电子设备当中。
[0049]如图1所示，所述方法包括：
[0050]S110、获取目标云团的云参数数据。
[0051]具体的，目标云团可以是卫星探测范围内的任意一种云团。此处可以是通过静止卫星、极轨卫星本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种云底高度的确定方法，其特征在于，所述方法包括：获取目标云团的云参数数据；根据所述云参数数据确定目标云团的所属云类型；将所述云参数数据输入至与所述所属云类型匹配的机器学习模型；其中，所述机器学习模型是预先基于样本数据进行训练得到的；根据所述机器学习模型的输出结果，确定所述目标云团的云底高度。2.根据权利要求1所述的方法，其特征在于，所述机器学习模型的训练过程，包括：获取探测范围的云参数样本数据，并通过带有激光雷达探测器的极轨卫星测得的云底高度数据；将所述云参数样本数据与所述云底高度数据进行时空匹配，以构建训练样本；对所述训练样本进行云类型划分，得到各云类型的训练样本集合；构建初始模型，并以训练样本集合中的云参数样本数据作为输入数据，以云底高度数据作为真值，针对各云类型的初始模型进行训练，以得到各云类型的机器学习模型。3.根据权利要求2所述的方法，其特征在于，所述云参数样本数据包括：云顶高度、云顶温度、云光学厚度以及云粒子有效半径中的一种或者多种。4.根据权利要求2所述的方法，其特征在于，在对所述训练样本进行云类型划分，得到各云类型的训练样本集合之后，所述方法还包括：对各云类型的训练样本集合进行划分，得到各云类型的训练集和测试集；相应的，构建初始模型，并以训练样本集合中的云参数样本数据作为输入数据，以云底高度数据作为真值，针对各云类型的初始模型进行训练，以得到各云类型的机器学习模型，包括：构建初始模型，并以各云类型的训练集的云参数样本数据作为输入数据，以各云类型的训练集的云底高度数据作为真值，针对各云类型的初始模型进行训练；采用测试集的云参数样本数据和云底高度数据对得到的机器学习模型进行测试；若测试成功，则确定...

【专利技术属性】
技术研发人员：胡斯勒图，邵江琦，尚华哲，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：