本發(fā)明涉及數(shù)據(jù)處理，具體為基于超分辨率的氣象數(shù)值模式分析方法及系統(tǒng)。

背景技術(shù)：

1、隨著深度學(xué)習(xí)的快速發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)和生成對(duì)抗網(wǎng)絡(luò)的超分辨率技術(shù)為氣象數(shù)據(jù)的降尺寸提供了新的思路和方法，能夠在保持高精度的同時(shí)有效生成高分辨率的氣象場(chǎng)。這一研究不僅能夠提升氣象預(yù)報(bào)模型的性能，還將為氣象趨勢(shì)的監(jiān)測(cè)和防護(hù)提供更為可靠的數(shù)據(jù)支持，從而提升氣象服務(wù)的精細(xì)化水平。

2、現(xiàn)階段，針對(duì)氣象降尺寸方面，通常采用統(tǒng)計(jì)經(jīng)驗(yàn)或動(dòng)力方程的方法。建立區(qū)域氣象變量與局地氣象變量之間的線性或非線性聯(lián)系，從而輸出高分辨率氣象圖像，這種方法存在一定問(wèn)題。一方面，使用數(shù)值模式生產(chǎn)低尺度的數(shù)據(jù)會(huì)面臨所需要的計(jì)算資源多，計(jì)算耗時(shí)長(zhǎng)等問(wèn)題，傳統(tǒng)的數(shù)值模式的降尺度計(jì)算需要計(jì)算中心不間斷地計(jì)算幾十分鐘到幾個(gè)小時(shí)，這并不能滿足快速預(yù)覽的業(yè)務(wù)需求。另一方面，現(xiàn)有的算法通常先將圖像拆分為若干網(wǎng)格區(qū)，便于圖像處理時(shí)能夠以序列的方式處理整個(gè)圖像。但這種方式在利用輸入信息時(shí)只能使用有限的空間范圍，未能利用全局統(tǒng)計(jì)信息和強(qiáng)大的局部擬合能力方面的互補(bǔ)優(yōu)勢(shì)，也不能關(guān)注網(wǎng)格區(qū)之間的關(guān)聯(lián)程度。無(wú)法充分發(fā)揮潛力且減少處理耗時(shí)。所以現(xiàn)階段需要一種更加智能、高效的氣象數(shù)值模式分析技術(shù)方案，來(lái)解決上述問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供基于超分辨率的氣象數(shù)值模式分析方法及系統(tǒng)，以解決上述背景技術(shù)中提出的問(wèn)題。

2、為了解決上述技術(shù)問(wèn)題，本發(fā)明提供基于超分辨率的氣象數(shù)值模式分析方法，包括以下步驟：

3、s100、采集算法庫(kù)、歷史日志以及指定地區(qū)的原始?xì)庀髨D像，根據(jù)原始?xì)庀髨D像分析包含的氣象要素。

4、s200、在原始?xì)庀髨D像上劃分網(wǎng)格，根據(jù)歷史日志計(jì)算相鄰網(wǎng)格之間的差異系數(shù)，根據(jù)差異系數(shù)調(diào)整網(wǎng)格的大小并標(biāo)注重疊區(qū)域。

5、s300、通過(guò)歷史日志計(jì)算網(wǎng)格區(qū)的時(shí)效系數(shù)，根據(jù)時(shí)效系數(shù)為每個(gè)網(wǎng)格區(qū)選擇算法庫(kù)中的算法進(jìn)行匹配，采用超分辨率技術(shù)重建原始?xì)庀髨D像生成目標(biāo)氣象圖像。

6、s400、通過(guò)數(shù)據(jù)中心可視化屏幕顯示重建完成后的目標(biāo)氣象圖像，根據(jù)原始?xì)庀髨D像和目標(biāo)氣象圖像建立生成記錄并存入歷史日志中。

7、超分辨率是一種圖像處理技術(shù)，旨在從低分辨率輸入中生成高分辨率的輸出。這項(xiàng)技術(shù)對(duì)于提高圖像質(zhì)量、圖像細(xì)節(jié)和圖像分辨率非常有效。

8、在s100中，算法庫(kù)是指包含不同算法的軟件庫(kù)，各算法通過(guò)不同的圖像處理技術(shù)來(lái)實(shí)現(xiàn)圖像的超分辨率處理。歷史日志是指每次處理氣象圖像的生成記錄，每條生成記錄包括所屬地區(qū)、運(yùn)行參數(shù)、原始?xì)庀髨D像和目標(biāo)氣象圖像。

9、運(yùn)行參數(shù)是指原始?xì)庀髨D像劃分網(wǎng)格區(qū)后進(jìn)行圖像處理的參數(shù)信息，具體包括網(wǎng)格區(qū)數(shù)量，以及每個(gè)網(wǎng)格區(qū)的識(shí)別編碼、氣象特征、面積、采用算法和處理時(shí)長(zhǎng)。氣象圖像通過(guò)各種等值線和符號(hào)來(lái)展示各種氣象要素的分布和變化。氣象要素是指用于表征氣象狀態(tài)的各種物理量，具體包括溫度、氣壓、濕度、風(fēng)速和降水。

10、這些算法共同構(gòu)成了一個(gè)完整的數(shù)值天氣預(yù)報(bào)系統(tǒng),各司其職,互相配合,共同實(shí)現(xiàn)從觀測(cè)到預(yù)報(bào)的全流程。算法的選擇是保證數(shù)值模式預(yù)報(bào)精度的關(guān)鍵所在。

11、識(shí)別編碼用于區(qū)分不同網(wǎng)格區(qū)，是網(wǎng)格區(qū)的唯一識(shí)別符。識(shí)別編碼不僅能夠在一張?jiān)細(xì)庀髨D像中區(qū)分所有網(wǎng)格區(qū)，在整個(gè)歷史日志中所有原始?xì)庀髨D像中也能確保網(wǎng)格區(qū)的唯一性，區(qū)分不同原始?xì)庀髨D像以及不同網(wǎng)格區(qū)。

12、在s200中，具體步驟如下：

13、s201、獲取原始?xì)庀髨D像omi對(duì)應(yīng)的地區(qū)s，在歷史日志中標(biāo)記所屬地區(qū)為s的生成記錄。將所有標(biāo)記生成記錄內(nèi)運(yùn)行參數(shù)中的網(wǎng)格數(shù)求和后計(jì)算平均值得到平均網(wǎng)格數(shù)wave，在原始?xì)庀髨D像中均勻劃分出wave個(gè)相同面積的網(wǎng)格區(qū)。

14、vi?transformer是一種基于transformer架構(gòu)的深度學(xué)習(xí)模型，專門設(shè)計(jì)用于計(jì)算機(jī)視覺(jué)領(lǐng)域的圖像處理任務(wù)。它在圖像分類和其他視覺(jué)任務(wù)中取得了顯著成功，與傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)不同，vi?transformer完全基于transformer中的自注意力機(jī)制。這使得模型能夠?qū)W習(xí)圖像中全局和局部之間的復(fù)雜關(guān)系，有助于處理長(zhǎng)程依賴性和捕獲圖像中的重要特征。

15、采用vi?transformer將原始?xì)庀髨D像分成wave個(gè)相同面積的網(wǎng)格區(qū)，并通過(guò)嵌入層將每個(gè)塊轉(zhuǎn)換為向量。這種圖像分塊的方式使得模型能夠以序列的方式處理整個(gè)圖像，與文本序列一樣，為自注意力機(jī)制提供了輸入，類似于傳統(tǒng)的transformer模型，vitransformer采用多頭注意力機(jī)制，能夠并行關(guān)注原始?xì)庀髨D像的不同網(wǎng)格區(qū)。

16、s202、設(shè)置采樣數(shù)m，在每個(gè)網(wǎng)格區(qū)均勻設(shè)置m個(gè)采樣點(diǎn)，獲取每個(gè)采樣點(diǎn)的氣象要素。統(tǒng)計(jì)氣象要素種類數(shù)量k，分析原始?xì)庀髨D像中全部網(wǎng)格區(qū)的位置分布情況，將所有位置相鄰的兩個(gè)網(wǎng)格區(qū)共同組合為關(guān)聯(lián)網(wǎng)格對(duì)，每個(gè)網(wǎng)格區(qū)能夠同時(shí)與其他位置相鄰的b個(gè)網(wǎng)格區(qū)共同組合為b個(gè)關(guān)聯(lián)網(wǎng)格對(duì)。

17、s203、分析每個(gè)網(wǎng)格區(qū)中采樣點(diǎn)的位置坐標(biāo)(x,y)，計(jì)算關(guān)聯(lián)網(wǎng)格對(duì)下不同網(wǎng)格區(qū)內(nèi)采樣點(diǎn)之間的歐式距離。按照歐式距離越短越優(yōu)先的原則，將關(guān)聯(lián)網(wǎng)格對(duì)下分別屬于不同網(wǎng)格區(qū)的兩個(gè)采樣點(diǎn)進(jìn)行依次關(guān)聯(lián)。獲取每個(gè)采樣點(diǎn)對(duì)應(yīng)的氣象要素，代入公式中計(jì)算各關(guān)聯(lián)網(wǎng)格對(duì)的差異系數(shù)cx：

18、

19、式中，ρn為關(guān)聯(lián)網(wǎng)格對(duì)下第n對(duì)關(guān)聯(lián)采樣點(diǎn)之間的歐式距離，為關(guān)聯(lián)網(wǎng)格對(duì)下其中一個(gè)網(wǎng)格區(qū)內(nèi)第n個(gè)采樣點(diǎn)對(duì)應(yīng)第i種氣象要素的具體值，為關(guān)聯(lián)網(wǎng)格對(duì)下另外一個(gè)網(wǎng)格區(qū)內(nèi)第n個(gè)采樣點(diǎn)對(duì)應(yīng)第i種氣象要素的具體值。

20、s204、設(shè)置指數(shù)閾值d，計(jì)算所有關(guān)聯(lián)網(wǎng)格對(duì)差異系數(shù)的標(biāo)準(zhǔn)差作為差異指數(shù)。當(dāng)差異指數(shù)大于d時(shí)，計(jì)算所有關(guān)聯(lián)網(wǎng)格對(duì)差異系數(shù)的平均值cxave，標(biāo)記差異系數(shù)大于cxave的關(guān)聯(lián)網(wǎng)格對(duì)，統(tǒng)計(jì)所有標(biāo)記關(guān)聯(lián)網(wǎng)格對(duì)中網(wǎng)格區(qū)gd1的出現(xiàn)次數(shù)g，以及其中網(wǎng)格區(qū)gd1所屬關(guān)聯(lián)網(wǎng)格對(duì)的差異系數(shù)之和cxh，代入公式g×cxh中計(jì)算網(wǎng)格區(qū)gd1的異常指數(shù)。

21、s205、分別計(jì)算每個(gè)網(wǎng)格區(qū)的異常指數(shù)，并統(tǒng)計(jì)異常指數(shù)不為零的網(wǎng)格區(qū)數(shù)量e，將e除以2后向下取整得到u。按照異常指數(shù)從大到小對(duì)所有網(wǎng)格區(qū)進(jìn)行排序，根據(jù)排列順序選擇前u個(gè)網(wǎng)格區(qū)作為異常網(wǎng)格，與異常網(wǎng)格gdab位置相鄰的其他網(wǎng)格區(qū)作為gdab的調(diào)整網(wǎng)格。設(shè)置基礎(chǔ)面積l，獲取調(diào)整網(wǎng)格與對(duì)應(yīng)異常網(wǎng)格之間的差異系數(shù)cxv，代入公式中得到每個(gè)調(diào)整網(wǎng)格的調(diào)整面積：

22、

23、式中，area為調(diào)整面積，cxsum為異常網(wǎng)格與所有調(diào)整網(wǎng)格之間的差異系數(shù)之和。

24、s206、控制每個(gè)調(diào)整網(wǎng)格在異常網(wǎng)格中擴(kuò)展對(duì)應(yīng)調(diào)整面積相同大小的區(qū)域后，再次進(jìn)入s202步驟分析差異系數(shù)并計(jì)算差異指數(shù)，當(dāng)差異指數(shù)大于d時(shí)，則繼續(xù)擴(kuò)展調(diào)整網(wǎng)格直到差異指數(shù)不大于d。當(dāng)差異指數(shù)不大于d時(shí)則網(wǎng)格調(diào)整完成，標(biāo)注不同網(wǎng)格區(qū)之間存在重疊的區(qū)域。

25、擴(kuò)展調(diào)整網(wǎng)格的大小從而產(chǎn)生重疊的區(qū)域能夠更好地聚合跨窗口信息，通過(guò)產(chǎn)生重疊的交叉區(qū)域，增強(qiáng)了相鄰網(wǎng)格區(qū)特征之間的交互作用，提高更多的感受野。

26、在s300中，具體步驟如下：

27、s301、建立對(duì)比集合，將所有標(biāo)記生成記錄中各網(wǎng)格區(qū)的氣象特征全部放入對(duì)比集合中。提取原始?xì)庀髨D像中網(wǎng)格區(qū)gd2的氣象特征ft2，計(jì)算對(duì)比集合中每個(gè)元素與氣象特征ft2之間的相似度。為網(wǎng)格區(qū)gd2建立編碼集合并設(shè)置相似度閾值smithr，獲取對(duì)比集合中相似度大于smithr氣象特征對(duì)應(yīng)網(wǎng)格區(qū)的識(shí)別編碼，并全部放入網(wǎng)格區(qū)gd2的編碼集合中。

28、s302、獲取編碼集合中識(shí)別編碼bmp對(duì)應(yīng)網(wǎng)格區(qū)gdp，提取網(wǎng)格區(qū)gdp在原始?xì)庀髨D像和目標(biāo)氣象圖像中的氣象特征，并計(jì)算兩者氣象特征的相似度smip。獲取識(shí)別編碼bmp對(duì)應(yīng)網(wǎng)格區(qū)面積mjp和處理時(shí)長(zhǎng)timep，代入公式計(jì)算識(shí)別編碼bmp的時(shí)效系數(shù)：

29、

30、式中，tzp為識(shí)別編碼bmp的時(shí)效系數(shù)，α為常數(shù)。

31、s303、分別計(jì)算編碼集合中每條識(shí)別編碼的時(shí)效系數(shù)，分析每條識(shí)別編碼對(duì)應(yīng)的采用算法，按照采用算法是否相同對(duì)所有識(shí)別編碼進(jìn)行分類。分別計(jì)算每類中所有識(shí)別編碼的時(shí)效系數(shù)平均值作為對(duì)應(yīng)類的時(shí)效指數(shù)，標(biāo)記時(shí)效指數(shù)最大的類，將標(biāo)記類的采用算法作為網(wǎng)格區(qū)gdp的選定算法。以此類推，分析原始?xì)庀髨D像omi下各網(wǎng)格區(qū)的選定算法。

32、s304、按照選定算法對(duì)原始?xì)庀髨D像omi下所有網(wǎng)格區(qū)進(jìn)行分組，每個(gè)選定算法處理對(duì)應(yīng)組內(nèi)所有網(wǎng)格區(qū)的圖像，采用多算法多線程并行技術(shù)對(duì)原始?xì)庀髨D像omi進(jìn)行超分辨率降尺寸處理，從而生成目標(biāo)氣象圖像tmi。分析原始?xì)庀髨D像omi中每個(gè)網(wǎng)格區(qū)的位置，并映射到目標(biāo)氣象圖像tmi上。

33、氣象要素的超分辨過(guò)程需要學(xué)習(xí)不同空間尺度的要素特征而并非簡(jiǎn)單的輪廓細(xì)節(jié)等邊緣特征，所以引入生成對(duì)抗的訓(xùn)練技巧必不可少。在超分辨率前期的模型訓(xùn)練過(guò)程中，生成器被訓(xùn)練為生成高分辨率圖像，而判別器則被訓(xùn)練為區(qū)分真實(shí)的高分辨率圖像和生成器生成的圖像。這種對(duì)抗訓(xùn)練能夠生成更真實(shí)的高分辨率圖像。

34、超分辨的基本原理在于采用統(tǒng)計(jì)經(jīng)驗(yàn)或動(dòng)力方程的方法建立大尺度氣象變量與區(qū)域氣象變量之間的線性或非線性聯(lián)系，將較粗的空間分辨率和較長(zhǎng)時(shí)間間隔的預(yù)報(bào)數(shù)據(jù)轉(zhuǎn)化為更高分辨率、更細(xì)時(shí)間間隔的氣象數(shù)據(jù)，常用于降尺度的氣象要素有降水、氣溫、氣壓、濕度和風(fēng)速等。

35、在實(shí)際運(yùn)行過(guò)程中，數(shù)值模式的3km分辨率的數(shù)據(jù)和1km分辨率的數(shù)據(jù)在數(shù)據(jù)網(wǎng)格層面只差3倍的分辨率，雖然其氣象要素所在尺度不同，但可以利用深度學(xué)習(xí)網(wǎng)絡(luò)學(xué)習(xí)歷史數(shù)據(jù)，構(gòu)建3km和1km的模型分布對(duì)，將3km尺度的天氣過(guò)程到1公里的映射關(guān)系學(xué)習(xí)到網(wǎng)絡(luò)中。

36、s305、標(biāo)注目標(biāo)氣象圖像tmi上網(wǎng)格區(qū)存在重疊的區(qū)域，為重疊區(qū)域oa建立算法集合，將重疊區(qū)域oa所屬網(wǎng)格區(qū)的選定算法放入算法集合中。分析重疊區(qū)域oa采用算法集合中算法alg時(shí)，計(jì)算所有與重疊區(qū)域oa相鄰網(wǎng)格區(qū)之間的差異系數(shù)之和作為算法alg的違和指數(shù)。

37、s306、分別計(jì)算算法集合中每個(gè)算法的違和指數(shù)，將重疊區(qū)域oa的圖像調(diào)整為違和指數(shù)最低的算法處理過(guò)后的目標(biāo)氣象圖像。以此類推，為目標(biāo)氣象圖像tmi上每個(gè)重疊區(qū)域調(diào)整圖像，實(shí)現(xiàn)原始?xì)庀髨D像omi到目標(biāo)氣象圖像tmi的整張圖像超分辨率重建。

38、在s400中，通過(guò)數(shù)據(jù)中心可視化屏幕顯示重建完成后的目標(biāo)氣象圖像。為原始?xì)庀髨D像中每個(gè)網(wǎng)格區(qū)設(shè)置唯一的識(shí)別編碼，并分析氣象特征以及圖像處理時(shí)長(zhǎng)，生成運(yùn)行參數(shù)。將氣象圖像的所屬地區(qū)、運(yùn)行參數(shù)、原始?xì)庀髨D像和目標(biāo)氣象圖像共同打包為生成記錄，存入歷史日志中。

39、基于超分辨率的氣象數(shù)值模式分析系統(tǒng)，包括數(shù)據(jù)采集模塊、模式分析模塊、數(shù)值處理模塊和可視化模塊。

40、數(shù)據(jù)采集模塊用于采集算法庫(kù)、歷史日志以及指定地區(qū)的原始?xì)庀髨D像。

41、模式分析模塊在原始?xì)庀髨D像上劃分網(wǎng)格，根據(jù)歷史日志計(jì)算相鄰網(wǎng)格之間的差異系數(shù)，根據(jù)差異系數(shù)調(diào)整網(wǎng)格的大小并標(biāo)注重疊區(qū)域。

42、數(shù)值處理模塊通過(guò)歷史日志計(jì)算網(wǎng)格區(qū)的時(shí)效系數(shù)，根據(jù)時(shí)效系數(shù)為每個(gè)網(wǎng)格區(qū)選擇算法庫(kù)中的算法進(jìn)行匹配，采用超分辨率技術(shù)重建原始?xì)庀髨D像生成目標(biāo)氣象圖像。

43、可視化模塊通過(guò)數(shù)據(jù)中心可視化屏幕顯示重建完成后的目標(biāo)氣象圖像，根據(jù)原始?xì)庀髨D像和目標(biāo)氣象圖像建立生成記錄并存入歷史日志中。

44、數(shù)據(jù)采集模塊包括氣象圖像采集單元、歷史數(shù)據(jù)采集單元和算法庫(kù)采集單元。

45、氣象圖像采集單元用于采集指定地區(qū)的原始?xì)庀髨D像。氣象圖像通過(guò)各種等值線和符號(hào)來(lái)展示各種氣象要素的分布和變化，氣象要素是指用于表征氣象狀態(tài)的各種物理量。

46、歷史數(shù)據(jù)采集單元用于采集每次處理氣象圖像的生成記錄。每條生成記錄包括所屬地區(qū)、運(yùn)行參數(shù)、原始?xì)庀髨D像和目標(biāo)氣象圖像。

47、運(yùn)行參數(shù)是指原始?xì)庀髨D像劃分網(wǎng)格區(qū)后進(jìn)行圖像處理的參數(shù)信息，具體包括網(wǎng)格區(qū)數(shù)量，以及每個(gè)網(wǎng)格區(qū)的識(shí)別編碼、氣象特征、面積、采用算法和處理時(shí)長(zhǎng)。

48、算法庫(kù)采集單元用于采集包含不同算法的軟件庫(kù)，各算法通過(guò)不同的圖像處理技術(shù)來(lái)實(shí)現(xiàn)圖像的超分辨率處理。

49、模式分析模塊包括網(wǎng)格劃分單元和關(guān)聯(lián)擴(kuò)展單元。

50、網(wǎng)格劃分單元用于劃分網(wǎng)格區(qū)，建立關(guān)聯(lián)網(wǎng)格對(duì)并計(jì)算差異系數(shù)。

51、首先，獲取原始?xì)庀髨D像omi對(duì)應(yīng)的地區(qū)s，在歷史日志中標(biāo)記所屬地區(qū)為s的生成記錄。將所有標(biāo)記生成記錄內(nèi)運(yùn)行參數(shù)中的網(wǎng)格數(shù)求和后，計(jì)算平均值得到平均網(wǎng)格數(shù)wave，在原始?xì)庀髨D像中均勻劃分出wave個(gè)相同面積的網(wǎng)格區(qū)。

52、其次，設(shè)置采樣數(shù)m，在每個(gè)網(wǎng)格區(qū)均勻設(shè)置m個(gè)采樣點(diǎn)，獲取每個(gè)采樣點(diǎn)的氣象要素。統(tǒng)計(jì)氣象要素種類數(shù)量k，分析原始?xì)庀髨D像中全部網(wǎng)格區(qū)的位置分布情況，將所有位置相鄰的兩個(gè)網(wǎng)格區(qū)共同組合為關(guān)聯(lián)網(wǎng)格對(duì)，每個(gè)網(wǎng)格區(qū)能夠同時(shí)與其他位置相鄰的b個(gè)網(wǎng)格區(qū)共同組合為b個(gè)關(guān)聯(lián)網(wǎng)格對(duì)。

53、最后，分析每個(gè)網(wǎng)格區(qū)中采樣點(diǎn)的位置坐標(biāo)(x,y)，計(jì)算關(guān)聯(lián)網(wǎng)格對(duì)下不同網(wǎng)格區(qū)內(nèi)采樣點(diǎn)之間的歐式距離。按照歐式距離越短越優(yōu)先的原則，將關(guān)聯(lián)網(wǎng)格對(duì)下分別屬于不同網(wǎng)格區(qū)的兩個(gè)采樣點(diǎn)進(jìn)行依次關(guān)聯(lián)。根據(jù)每個(gè)采樣點(diǎn)對(duì)應(yīng)的氣象要素，計(jì)算各關(guān)聯(lián)網(wǎng)格對(duì)的差異系數(shù)。

54、關(guān)聯(lián)擴(kuò)展單元用于根據(jù)差異系數(shù)調(diào)整網(wǎng)格的大小并標(biāo)注重疊區(qū)域。

55、首先，設(shè)置指數(shù)閾值d，計(jì)算所有關(guān)聯(lián)網(wǎng)格對(duì)差異系數(shù)的標(biāo)準(zhǔn)差作為差異指數(shù)。當(dāng)差異指數(shù)大于d時(shí)，計(jì)算所有關(guān)聯(lián)網(wǎng)格對(duì)差異系數(shù)的平均值cxave，標(biāo)記差異系數(shù)大于cxave的關(guān)聯(lián)網(wǎng)格對(duì)。

56、其次，統(tǒng)計(jì)所有標(biāo)記關(guān)聯(lián)網(wǎng)格對(duì)中網(wǎng)格區(qū)gd1的出現(xiàn)次數(shù)g，以及其中網(wǎng)格區(qū)gd1所屬關(guān)聯(lián)網(wǎng)格對(duì)的差異系數(shù)之和cxh，根據(jù)公式g×cxh中計(jì)算網(wǎng)格區(qū)gd1的異常指數(shù)。分別計(jì)算每個(gè)網(wǎng)格區(qū)的異常指數(shù)，并統(tǒng)計(jì)異常指數(shù)不為零的網(wǎng)格區(qū)數(shù)量e，將e除以2后向下取整得到u。

57、然后，按照異常指數(shù)從大到小對(duì)所有網(wǎng)格區(qū)進(jìn)行排序，根據(jù)排列順序選擇前u個(gè)網(wǎng)格區(qū)作為異常網(wǎng)格，與異常網(wǎng)格gdab位置相鄰的其他網(wǎng)格區(qū)作為gdab的調(diào)整網(wǎng)格。根據(jù)調(diào)整網(wǎng)格與對(duì)應(yīng)異常網(wǎng)格之間的差異系數(shù)cxv，分析每個(gè)調(diào)整網(wǎng)格的調(diào)整面積。

58、最后，控制每個(gè)調(diào)整網(wǎng)格在異常網(wǎng)格中擴(kuò)展對(duì)應(yīng)調(diào)整面積相同大小的區(qū)域后，再次計(jì)算差異指數(shù)，當(dāng)差異指數(shù)依然大于d時(shí)，則繼續(xù)擴(kuò)展調(diào)整網(wǎng)格直到差異指數(shù)不大于d。當(dāng)差異指數(shù)不大于d時(shí)則網(wǎng)格調(diào)整完成，標(biāo)注不同網(wǎng)格區(qū)之間存在重疊的區(qū)域。

59、數(shù)值處理模塊包括時(shí)效分析單元和圖像處理單元。

60、時(shí)效分析單元用于計(jì)算每個(gè)網(wǎng)格區(qū)的時(shí)效系數(shù)并匹配算法。

61、首先，建立對(duì)比集合，將所有標(biāo)記生成記錄中各網(wǎng)格區(qū)的氣象特征全部放入對(duì)比集合中。提取原始?xì)庀髨D像中網(wǎng)格區(qū)gd2的氣象特征ft2，計(jì)算對(duì)比集合中每個(gè)元素與氣象特征ft2之間的相似度。

62、其次，為網(wǎng)格區(qū)gd2建立編碼集合并設(shè)置相似度閾值smithr，獲取對(duì)比集合中相似度大于smithr氣象特征對(duì)應(yīng)網(wǎng)格區(qū)的識(shí)別編碼，并全部放入網(wǎng)格區(qū)gd2的編碼集合中。獲取編碼集合中識(shí)別編碼bmp對(duì)應(yīng)網(wǎng)格區(qū)gdp，提取網(wǎng)格區(qū)gdp在原始?xì)庀髨D像和目標(biāo)氣象圖像中的氣象特征，并計(jì)算兩者氣象特征的相似度smip。

63、最后，根據(jù)識(shí)別編碼bmp對(duì)應(yīng)網(wǎng)格區(qū)面積mjp和處理時(shí)長(zhǎng)timep計(jì)算時(shí)效系數(shù)，分別計(jì)算編碼集合中每條識(shí)別編碼的時(shí)效系數(shù)，按照采用算法是否相同對(duì)所有識(shí)別編碼進(jìn)行分類。計(jì)算同類中所有識(shí)別編碼的時(shí)效系數(shù)平均值作為對(duì)應(yīng)類的時(shí)效指數(shù)，標(biāo)記時(shí)效指數(shù)最大的類，將標(biāo)記類的采用算法作為網(wǎng)格區(qū)gdp的選定算法。以此類推，分析各網(wǎng)格區(qū)的選定算法。

64、圖像處理單元采用超分辨率技術(shù)重建原始?xì)庀髨D像并生成目標(biāo)氣象圖像。

65、首先，按照選定算法對(duì)原始?xì)庀髨D像omi下所有網(wǎng)格區(qū)進(jìn)行分組，每個(gè)選定算法處理對(duì)應(yīng)組內(nèi)所有網(wǎng)格區(qū)的圖像，采用多算法多線程并行技術(shù)對(duì)原始?xì)庀髨D像omi進(jìn)行超分辨率降尺寸處理，從而生成目標(biāo)氣象圖像tmi。將原始?xì)庀髨D像omi中各網(wǎng)格區(qū)的位置映射到目標(biāo)氣象圖像tmi上。

66、其次，標(biāo)注目標(biāo)氣象圖像tmi上網(wǎng)格區(qū)存在重疊的區(qū)域，為重疊區(qū)域oa建立算法集合，將重疊區(qū)域oa所屬網(wǎng)格區(qū)的選定算法放入算法集合中。分析重疊區(qū)域oa采用算法集合中算法alg時(shí)，計(jì)算所有與重疊區(qū)域oa相鄰網(wǎng)格區(qū)之間的差異系數(shù)之和作為算法alg的違和指數(shù)。

67、最后，分別計(jì)算算法集合中每個(gè)算法的違和指數(shù)，將重疊區(qū)域oa的圖像調(diào)整為違和指數(shù)最低的算法處理過(guò)后的目標(biāo)氣象圖像。以此類推，為目標(biāo)氣象圖像tmi上每個(gè)重疊區(qū)域調(diào)整圖像，實(shí)現(xiàn)原始?xì)庀髨D像omi到目標(biāo)氣象圖像tmi的整張圖像超分辨率重建。

68、可視化模塊通過(guò)數(shù)據(jù)中心可視化屏幕顯示重建完成后的目標(biāo)氣象圖像，將氣象圖像的所屬地區(qū)、運(yùn)行參數(shù)、原始?xì)庀髨D像和目標(biāo)氣象圖像共同打包為生成記錄，存入歷史日志中。

69、與現(xiàn)有技術(shù)相比，本發(fā)明所達(dá)到的有益效果是：

70、精確的網(wǎng)格劃分與差異分析：通過(guò)網(wǎng)格區(qū)的劃分與差異系數(shù)的計(jì)算，能夠精確劃定氣象圖像中的網(wǎng)格區(qū)域，確保了氣象數(shù)據(jù)的細(xì)致分析。這種精確劃分使得相鄰網(wǎng)格之間的差異能夠被有效識(shí)別，從而為隨后的數(shù)據(jù)處理提供了更為可靠的基礎(chǔ)。

71、高效的時(shí)效系數(shù)計(jì)算：采用歷史日志中的數(shù)據(jù)來(lái)計(jì)算各個(gè)網(wǎng)格區(qū)的時(shí)效系數(shù)，確保能夠根據(jù)最新的數(shù)據(jù)動(dòng)態(tài)選擇最佳算法。這一功能使得系統(tǒng)能夠快速適應(yīng)氣象變化，提升了模型的響應(yīng)速度和準(zhǔn)確性。

72、多算法并行處理：利用超分辨率技術(shù)結(jié)合多算法并行處理，提升了氣象圖像處理的整體效率。在處理過(guò)程中，各種算法能夠同時(shí)對(duì)不同網(wǎng)格區(qū)進(jìn)行操作，顯著縮短了處理時(shí)間，同時(shí)提高了處理質(zhì)量。

73、可視化與記錄功能：不僅將生成的目標(biāo)氣象圖像進(jìn)行展示，還能夠記錄所有相關(guān)的運(yùn)行參數(shù)、原始?xì)庀髨D像和生成記錄。這些功能便于用戶進(jìn)行后續(xù)分析和對(duì)比，增強(qiáng)了系統(tǒng)的易用性與實(shí)用價(jià)值。

74、異常網(wǎng)格識(shí)別與調(diào)整：系統(tǒng)具備異常網(wǎng)格識(shí)別與調(diào)整能力，通過(guò)對(duì)差異系數(shù)的分析，可以識(shí)別并調(diào)整存在異常的網(wǎng)格區(qū)域。這種能力在氣象分析中尤其重要，有助于在復(fù)雜天氣情況下提早發(fā)現(xiàn)潛在問(wèn)題。

75、上述各項(xiàng)有益效果的實(shí)現(xiàn)，表明本發(fā)明在加強(qiáng)氣象數(shù)值模式分析的精度、效率和實(shí)用性方面具有重要的技術(shù)優(yōu)勢(shì)，為氣象分析提供了更為高效的方法。