降雨单位in，利用卫星图像预测各地区的降雨范围和降雨量

你想知道的关于利用卫星图像预测各地区的降雨范围和降雨量和降雨单位in的题吧，小编带你了解一下关于大家都关心的话题。

使用从气象学API提取的卫星图像数据训练神经网络来预测降水。

介绍

预测和了解天气对于农业、自动驾驶、航空和能源领域至关重要。例如，天气条件在帮助航空和物流公司规划最快、最安全的航线方面发挥着关键作用，而可再生能源公司还需要根据天气预测他们在某一天将产生多少能源。因此，世界各地开发并应用了各种天气模型。然而，这些模型通常需要有关大气及其确切条件的非常具体的信息，从而使模型的数据要求变得复杂。

因此，Meteomatics向我们寻求帮助。他们的目标是准确预测数据稀疏且必须依赖卫星图像的地区的降水量。本文展示了如何开发神经网络来根据红外卫星数据预测特定区域的降雨量。

数据收集与分析

如果您曾经使用过神经网络，您就会知道它们需要大量数据。因此，构建数据管道来收集、管理和组合数据非常重要。Meteomatics提供易于使用的API来快速收集训练和真实数据。例如，要获取2021年7月7日欧洲的红外图像，分辨率为800x600像素，您可以简单地创建以下查询

wget34;

我们可以每15分钟运行一个Python脚本，以在几天内收集欧洲、北美和墨西哥不同波长的红外图像。然后，我们将每个时间戳的不同图像本地组合成单个RGB图像。为了使任务更容易，我们在第一步中掩盖了分层降水。然而，正如我们稍后将看到的，这对模型的准确性只有很小的影响。我们还收集了真实数据来训练和评估模型的准确性。实际数据仅在欧洲和北美可用。下面您可以看到欧洲的一对输入数据和地面实况数据。

卫星图像、神经网络输入和真实数据的示例。输入和真实图像中浅灰色区域的基于度量的遮挡。该数据于2021年7月13日星期二在欧洲收集，编号为20:15:02。

为了避免“垃圾进垃圾出”，您需要在训练机器学习算法之前理解和组织收集到的数据。我们的Lightly提供了一种快速、简单的方法来分析您的数据集，以及深度算法来选择最相关的训练点。将数据集上传到Lightly后，我们立即发现了所收集数据的重要特征。欧洲、北美和墨西哥的形象在视觉上和语义上是分开的。这样，我们就可以用简单的策略来测试算法的泛化能力。如果您使用来自欧洲的数据进行训练，并且在来自北美和墨西哥的未见过的数据上表现良好，那么您的算法也将具有良好的泛化能力。

显示了欧洲蓝、北美绿和墨西哥灰的输入图像嵌入。图像在嵌入空间中很好地分离。

另一个主要题是有许多非常相似的小图像簇。这是因为数据是在相对较短的时间内收集的。因此，数据集中存在许多相似的图像，使得模型难以泛化。我们通过一种称为“核心集采样”的方法帮助消除这种冗余，该方法旨在最大限度地提高数据集的多样性。

在使用Lightly管理我们的数据集之前，我们的训练数据集有1158张图像。经过数据整理后，剩下578张图像。验证数据集包含1,107个图像，而测试数据集仅包含43个图像，因为我们稍后开始数据收集。

您已从Lightly下载了图像，现在已准备好执行机器学习。

神经网络和语义分割

卷积神经网络是计算机视觉中使用的一种人工神经网络。共享权重架构能够高效处理图像数据并轻松检测相关特征。卫星图像非常适合神经网络训练。这可能是因为输入图像的范围有些有限，卫星始终处于大致相同的高度，因此物体总是以相似的比例出现。

语义分割是为图像中的每个像素分配标签的任务。例如，在自动驾驶中，算法通常需要了解图像中的哪些像素代表汽车、行人、骑自行车的人、停车标志等。专为语义分割设计的常见神经网络架构是UNet。在这里，输入图像通过卷积层金字塔转换为密集向量，然后通过一系列反卷积层扩展回图像的原始形状。它还共享卷积层和反卷积层的特征以获得输入图像的全局视图。

对于此任务，我们使用Efficient的神经网络作为基础架构。我们用它来提取特征，然后使用Unet对它们进行分割。

为了将预测降水量的任务构造为语义分割题，我们根据5分钟内的降水量（以毫米为单位）将输出空间分为以下类别

不显示

000毫米

004毫米007毫米

007毫米015毫米

015毫米030毫米

030毫米060毫米

060毫米120毫米

120毫米240毫米

240毫米480毫米

>480毫米

显示结果

我使用默认设置训练网络，只是更改了输入的高度和宽度以适应600x800的图像分辨率。在NVIDIATeslaP100上将整个数据集训练100个周期大约需要16个小时。对上述选定数据集进行训练可以减少50%以上的训练时间。

下面的表1显示了不同类别的训练和测试数据集的预测IoU。

欧洲训练集和北美测试集不同预测类的综合交叉IoU。IoU是此类分区操作的次优指标。

正如数字所示，该模型学会了以非常高的准确度区分“下雨”和“不下雨”。不幸的是，随着降水量的增加，准确性会迅速下降。这可能是由于降雨量高的地区可用数据较少。表中的数字可能表明该模型的性能相当差。不是这样的。下一步是人工检查我们模型的预测，我们的结论是该模型非常准确，特别是考虑到所需的数据量很少。为了帮助您更好地理解算法所做的预测，我将向您介绍一些如何在视觉检查中使用气象学的示例。

下图显示了红外图像、真实世界信息以及我们的算法对欧洲天气状况的预测。您可以立即看到预测的形状非常准确。然而，我们观察到模型预测高降水量的像素数量相当少。这是数据集不平衡的典型例子，收集更多的降水数据可以解决这个题。还值得注意的是，该模型无法准确预测真实数据的细节。这个题可以通过提高分辨率来解决。

输入不同波长的红外图像、模型输出和地面实况，以获得训练数据集的扩展示例。

第二张图像显示了红外图像、地面实况以及我们的算法对北美天气状况做出的预测。与训练集中的情况类似，我们发现对于降雨量高的地区，预测不太准确。然而，该模型准确预测了实际值的形状，并倾向于准确预测降水量高的地区。

最后，我们的算法与生产中已经使用的算法进行了比较。第三张再次显示了红外图像（这次来自墨西哥）以及我们的算法做出的预测。然而，这显示了云和大气物理模型做出的预测，而不是实际的实际值。很明显，输出变化很大，并且根据输入图像，我们的算法似乎优于实际模型，至少在准确性方面。事实上，我们使用我们的算法观察到的误报较少，因为在没有云的地方无法预测降水量。

总结

在本文中，我们开发了一种语义分割模型，可以根据卫星图像高精度预测特定位置的降水量。卷积神经网络的实际应用可以在改进或补充现有气象模型方面发挥关键作用，帮助我们的合作伙伴Meteomatics准确预测数据难以获取的地区的降水量。

当尝试通过红外卫星图像预测降水时，我们可以得出结论，只需500张图像即可获得合理的结果。即使在考虑分层降水的更困难的情况下，性能也仅略有下降。设置的主要题是数据集严重不平衡。为了缓解这种情况，我们可以在更长的时间内收集更多的训练样本，以确保数据集的多样性。为了获得更精细的结果，建议以更高分辨率收集图像并将其切成更小的块，以保持较低的内存占用。

我希望这篇博文提供了一个例子，说明数据管理的重要性以及神经网络在天气模型中的强大功能。

最后，本文没有代码。如果你想实现它，并不复杂，只需在对数据进行排序后立即使用Segmentation_modelspytorch即可。如果你有兴趣，你可以自己尝试一下。

作者菲利普沃斯

一、降水量英文缩写？

英文缩写ppt

英文全称降水

中文音译降水

双语示例

1.连锁反应可能包括气温上升、云层增厚、降水增加和海平面上升。

连锁反应可能包括气温升高、天空多云、降水增加和海平面上升。

2.由于湖泊水位受蒸发率和降水控制，因此对这些水位的解释是不明确的。

由于湖泊水位受到蒸发率和降水量的控制，因此对这些水位的解释是不明确的。

3.超热火灾增加的一种解释是，该地区夏季通常非常干燥，而且近年来降水量明显低于正常水平。

对火灾加剧趋势的一种解释是，夏季通常干燥的地区近年来降水量明显低于正常水平。

二、降雪10mm相当于多少降雨？

那么，10毫米降雪相当于多少降水量的题无法直接回。由于降雪和降水是不同的气象现象，因此它们的测量单位不同，计算方式也不同。降雪量通常以毫米为单位，而降水量通常以毫米每小时或英寸每小时为单位。因此，要将降雪转化为降雨，必须考虑当地的降雨强度和时间等因素。另外，由于降雪和降雨的物理性质和形成过程不同，它们之间的换算关系并不是简单的数学关系。这意味着10毫米的降雪不能直接转化为降雨。如果您想了解特定区域的具体降雨量，建议查看该区域的天气预报或相关天气数据。

三、累计降水量什么意思？

累积降水量是指一段时间内落到地面的水层深度，以毫米表示。累计降水量是一个气象术语，用于描述城市的降水状况。根据国家防洪厅《防洪管理手册》，如果24小时内累计降水量超过50毫米，则定为大雨。韩国气象厅将降水称为雨和雪，降水量的单位通常为毫米。

降水量的定义一段时间内落在水平地面上的水没有蒸发、渗漏或损失的深度，通常以毫米为单位。该计算需要将固体水（例如雪或冰雹）转换为液体形式。

在气象学中，降水量通常以年、月、日、12小时、6小时或1小时为单位进行测量。全年降下的雨雪全部融化变成水，称为年降水量。一个地方在一定时期内的年平均降雨量称为该地方的平均年降雨量。例如，北京年平均降雨量为644-2毫米，上海年平均降雨量为1123-7毫米。根据气象观测规定，每当有降水时，气象站每六小时观测一次。