一种基于深度学习的气象数据空间插值精细化方法及系统与流程

1.本发明涉及气象监测与计算机图形学技术领域，尤其涉及一种基于深度学习的气象数据空间插值精细化方法及系统。


背景技术：

2.气象要素作为环境因子，是生态学、环境学、土壤学和气候模型研究等相关研究领域中的重要参数。理论上，气象要素的空间分布可通过布设高密度的气象观测站，组成观测站网采集得到；然而，气象观测站无法在空间上实现完全均匀的分布，其实际分布疏密不一，进而使得观测序列长短不一，直接套用标准的网格化模型存在诸多不确定性。为此，研究过程中常针对有限的气象观测站点进行空间分布插值计算，以各气象观测站点观测到的“点”数据同化出观测站网的“面”数据，据此提高网格化模型的运行效率，有助于气象预报结果的精细化显示。
3.目前常见的空间插值方法包括反距离权重插值法(inverse distance weighted,idw)、局部多项式插值法(local polynomial interpolation,lpi)、普通克里金插值法(ordinary kriging,ok)和薄板样条函数法(thin plate spline,tps)等，由于气象要素的变化情况复杂，在处理相同的气象观测数据时，上述空间插值方法的处理结果存在较大差别；针对不同时间点或者不同环境区域，存在不同的最优空间插值方法，而现有的空间插值方法与策略无法根据地形、气候变化特征、气象观测站点分布等因素选取当前的最优空间插值方法，这使得在进行气象观测数据的网格化表达时数据分析效率低下，且存在较大误差。


技术实现要素：

4.本发明实施例公开一种基于深度学习的气象数据空间插值精细化方法及系统，基于待分析区域的空间数据构造待插值网格点图，再基于气象数据，采用薄板样条函数法对待插值网格点进行精细化空间插值，对各气象站点进行拟合，得到适配于与时间、地形、气候变化与气象站点分布等现实因素的网面数据，并据网面数据构造可视化的降水量空间分布图及气温空间分布图，有效减小分析误差，提高空间插值精度，进而提高了网格化数据分析效率。
5.本发明实施例第一方面公开一种基于深度学习的气象数据空间插值精细化方法，所述方法包括：
6.确定待分析区域的边界数据；
7.获取所述待分析区域中对应于气象站点的空间数据与气象数据；
8.基于所述空间数据生成待插值网格点图；
9.基于所述气象数据，采用薄板样条函数法对所述待插值网格点图进行空间插值，得到对应于所述待分析区域的网面数据；
10.基于所述网面数据生成对应于所述待分析区域的降水量空间分布图及气温空间
分布图。
11.优选的，其特征在于，所述基于所述空间数据生成待插值网格点图，包括：
12.基于所述空间数据确定空间插值的精度指标，所述精度指标包括网格点的密度与分辨率；
13.基于所述精度指标生成初始待插值网格点图，所述初始待插值网格点图的网格点分布均匀，网格间距相等，且每一所述网格点的平面坐标为(x
i
，y
i
)，i＝1，2，3，
……
，n，其中，n为网格序号；
14.对所述初始待插值网格点图中存在于所述待分析区域之外的冗余网格点进行剔除，得到对应于所述待分析区域的所述待插值网格点图。
15.优选的，所述基于所述气象数据，采用薄板样条函数法对所述待插值网格点图进行空间插值，得到对应于所述待分析区域的网面数据，包括：
16.基于每一所述气象站点对应的气象数据及平面坐标(x
j
，y
j
)，j＝1，2，3，
……
，m，其中，m为气象站点序号，由以下公式推出每一所述网格点的气象数据z(x，y)：
[0017][0018]
其中，‖*‖表示欧几里得范数，c
i
为系数，为薄板样条函数法的核函数，其值为：
[0019][0020]
r
i
＝(x
‑
x
i
)2 (y
‑
y
i
)2。
[0021]
优选的，采用薄板样条函数法构造一个平面对每一所述气象站点进行拟合，并基于若干所述气象站点组合而成的样条，优化得到逼近每一所述气象站点对应的控制点且曲率最小的光滑平面，作为所述网面数据，其中，所述光滑平面的光滑参数由广义交叉验证法的最小化或广义最大似然的最小化所确定；
[0022]
假设在所述待分析区域内分布有t个对应于气象站点的控制点，构成已知点集p
i
，i＝1，2，3，
……
，t，则每一所述控制点的坐标为(x
i
，y
i
，z(x
i
，y
i
))，且当z(x
i
，y
i
)具有二次连续导数时，其能量函数如下：
[0023][0024]
再采用薄板样条函数法确定所述能量函数的最小化：
[0025]
z
tps
＝argmine。
[0026]
优选的，所述基于所述网面数据生成对应于所述待分析区域的降水量空间分布图及气温空间分布图，包括：
[0027]
基于对地理信息系统及国家气象行业标准，采用深度学习算法构造图例生成模型；
[0028]
预设色域范围与历史气象图像对所述图例生成模型进行训练；
[0029]
采用所述图例生成模型处理所述网面数据，得到所述降水量空间分布图及所述气温空间分布图；
[0030]
其中，所述降水量空间分布图采用所述色域范围内不同的色彩表征各区域的降水量数值；以及，所述气温空间分布图采用所述色域范围内不同的色彩表征各区域的气温数
值。
[0031]
本发明实施例第二方面公开一种基于深度学习的气象数据空间插值精细化系统，所述系统包括：
[0032]
边界确定单元，用于确定待分析区域的边界数据；
[0033]
数据获取单元，用于获取所述待分析区域中对应于气象站点的空间数据与气象数据；
[0034]
网格生成单元，用于基于所述空间数据生成待插值网格点图；
[0035]
空间插值单元，用于基于所述气象数据，采用薄板样条函数法对所述待插值网格点图进行空间插值，得到对应于所述待分析区域的网面数据；
[0036]
可视化单元，用于基于所述网面数据生成对应于所述待分析区域的降水量空间分布图及气温空间分布图。
[0037]
优选的，所述网格生成单元包括：
[0038]
精度确定子单元，用于基于所述空间数据确定空间插值的精度指标，所述精度指标包括网格点的密度与分辨率；
[0039]
初始生成子单元，用于基于所述精度指标生成初始待插值网格点图，所述初始待插值网格点图的网格点分布均匀，网格间距相等，且每一所述网格点的平面坐标为(x
i
，y
i
)，i＝1，2，3，
……
，n，其中，n为网格序号；
[0040]
冗余剔除子单元，用于对所述初始待插值网格点图中存在于所述待分析区域之外的冗余网格点进行剔除，得到对应于所述待分析区域的所述待插值网格点图。
[0041]
优选的，所述空间插值单元具体包括：
[0042]
基于每一所述气象站点对应的气象数据及平面坐标(x
j
，y
j
)，j＝1，2，3，
……
，m，其中，m为气象站点序号，由以下公式推出每一所述网格点的气象数据z(x，y)：
[0043][0044]
其中，‖*‖表示欧几里得范数，c
i
为系数，为薄板样条函数法的核函数，其值为：
[0045][0046]
r
i
＝(x
‑
x
i
)2 (y
‑
y
i
)2。
[0047]
优选的，采用薄板样条函数法构造一个平面对每一所述气象站点进行拟合，并基于若干所述气象站点组合而成的样条，优化得到逼近每一所述气象站点对应的控制点且曲率最小的光滑平面，作为所述网面数据，其中，所述光滑平面的光滑参数由广义交叉验证法的最小化或广义最大似然的最小化所确定；
[0048]
假设在所述待分析区域内分布有t个对应于气象站点的控制点，构成已知点集p
i
，i＝1，2，3，
……
，t，则每一所述控制点的坐标为(x
i
，y
i
，z(x
i
，y
i
))，且当z(x
i
，y
i
)具有二次连续导数时，其能量函数如下：
[0049][0050]
再采用薄板样条函数法确定所述能量函数的最小化：
[0051]
z
tps
＝argmine。
[0052]
优选的，所述可视化单元包括：
[0053]
模型构造子单元，用于基于对地理信息系统及国家气象行业标准，采用深度学习算法构造图例生成模型；
[0054]
训练子单元，用于预设色域范围与历史气象图像对所述图例生成模型进行训练；
[0055]
图生成子单元，用于采用所述图例生成模型处理所述网面数据，得到所述降水量空间分布图及所述气温空间分布图；
[0056]
其中，所述降水量空间分布图采用所述色域范围内不同的色彩表征各区域的降水量数值；以及，所述气温空间分布图采用所述色域范围内不同的色彩表征各区域的气温数值。
[0057]
本发明实施例第三方面公开一种基于深度学习的气象数据空间插值精细化系统，包括：
[0058]
存储有可执行程序代码的存储器；
[0059]
与所述存储器耦合的处理器；
[0060]
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的一种基于深度学习的气象数据空间插值精细化方法。
[0061]
本发明实施例第四方面公开一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行本发明实施例第一方面公开的一种基于深度学习的气象数据空间插值精细化方法。
[0062]
本发明实施例第五方面公开一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行第一方面的任意一种方法的部分或全部步骤。
[0063]
本发明实施例第六方面公开一种应用发布平台，所述应用发布平台用于发布计算机程序产品，其中，当所述计算机程序产品在计算机上运行时，使得所述计算机执行第一方面的任意一种方法的部分或全部步骤。
[0064]
与现有技术相比，本发明实施例具有以下有益效果：
[0065]
基于待分析区域的空间数据构造待插值网格点图，再基于气象数据，采用薄板样条函数法对待插值网格点进行精细化空间插值，对各气象站点进行拟合，得到适配于与时间、地形、气候变化与气象站点分布等现实因素的网面数据，并据网面数据构造可视化的降水量空间分布图及气温空间分布图，有效减小分析误差，提高空间插值精度，进而提高了网格化数据分析效率。
附图说明
[0066]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
[0067]
图1是本发明实施例公开的一种基于深度学习的气象数据空间插值精细化方法的流程示意图；
[0068]
图2是本发明实施例公开的一种基于深度学习的气象数据空间插值精细化方法中薄板阳台函数法的原理演示图；
[0069]
图3是本发明实施例公开的一种基于深度学习的气象数据空间插值精细化方法中针对黔江河流域在2019
‑
01
‑
01时刻的降水量空间分布图及气温空间分布图；
[0070]
图4是本发明实施例公开的一种基于深度学习的气象数据空间插值精细化系统的结构示意图；
[0071]
图5是本发明实施例公开的另一种基于深度学习的气象数据空间插值精细化系统的结构示意图。
具体实施方式
[0072]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
[0073]
需要说明的是，本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象，而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0074]
本发明实施例公开了一种基于深度学习的气象数据空间插值精细化方法及系统，基于待分析区域的空间数据构造待插值网格点图，再基于气象数据，采用薄板样条函数法对待插值网格点进行精细化空间插值，对各气象站点进行拟合，得到适配于与时间、地形、气候变化与气象站点分布等现实因素的网面数据，并据网面数据构造可视化的降水量空间分布图及气温空间分布图，有效减小分析误差，提高空间插值精度，进而提高了网格化数据分析效率。
[0075]
实施例一
[0076]
请参阅图1，图1是本发明实施例公开的一种基于深度学习的气象数据空间插值精细化方法的流程示意图。如图1所示，该基于深度学习的气象数据空间插值精细化方法可以包括以下步骤。
[0077]
101、确定待分析区域的边界数据。
[0078]
本发明实施例中，针对所要进行空间插值的待分析区域，采用地理信息系统确定其流域边界、行政区划边界、行政中心、流域关系省等边界数据，据此在数据层面确定出待分析区域。
[0079]
102、获取待分析区域中对应于气象站点的空间数据与气象数据。
[0080]
本发明实施例中，通过中国国家气象数据中心提取待分析区域中所包括气象站点的经纬度坐标、海拔高度等空间数据，以及各气象站点所监测到的降水量、气温等气象数据。
[0081]
103、基于空间数据生成待插值网格点图。
[0082]
本发明实施例中，对待分析区域进行初始网格化。
[0083]
作为一种可选的实施方式，基于空间数据确定空间插值的精度指标，精度指标包括网格点的密度与分辨率；基于精度指标生成初始待插值网格点图，初始待插值网格点图
的网格点分布均匀，网格间距相等，且每一网格点的平面坐标为(x
i
，y
i
)，i＝1，2，3，
……
，n，其中，n为网格序号；对初始待插值网格点图中存在于待分析区域之外的冗余网格点进行剔除，得到对应于待分析区域的待插值网格点图。具体地，网格点的密度与分辨率越高，则空间插值更为精细化，分析结果更为精准，但同时处理过程所涉及的数据量亦将急剧增多，因而依据实际分析需求确定合适的精度指标，据此对待分析区域生成网格点分布均匀，网格间距相等的初始待插值网格点图；由于待分析区域的地理边界通常为无规律曲线，网格点生成过程会在地理边界外生成冗余网格点，因而基于边界数据，对地理边界以外的网格点进行剔除，仅保留待分析区域中的网格点，得到待插值网格点图。
[0084]
104、基于气象数据，采用薄板样条函数法对待插值网格点图进行空间插值，得到对应于待分析区域的网面数据。
[0085]
本发明实施例中，空间插值的精细化基于薄板样条函数法实现。
[0086]
作为一种可选的实施方式，基于每一气象站点对应的气象数据及平面坐标(x
j
，y
i
)，j＝1，2，3，
……
，m，其中，m为气象站点序号，由以下公式推出每一网格点的气象数据z(x，y)：
[0087][0088]
其中，||*||表示欧几里得范数，c
i
为系数，为薄板样条函数法的核函数，其值为：
[0089][0090]
r
i
＝(x
‑
x
i
)2 (y
‑
y
i
)2。
[0091]
参照图2，采用薄板样条函数法构造一个平面对每一气象站点进行拟合，并基于若干气象站点组合而成的样条，优化得到逼近每一气象站点对应的控制点且曲率最小的光滑平面，作为网面数据，其中，光滑平面的光滑参数由广义交叉验证法的最小化或广义最大似然的最小化所确定；
[0092]
假设在待分析区域内分布有t个对应于气象站点的控制点，构成已知点集p
i
，i＝1，2，3，
……
，t，则每一控制点的坐标为(x
i
，y
i
，z(x
i
，y
i
))，且当z(x
i
，y
i
)具有二次连续导数时，其能量函数如下：
[0093][0094]
再采用薄板样条函数法确定能量函数的最小化：
[0095]
z
tps
＝argmine。
[0096]
在图2中，p点即为气象站点在待插值网格点图中对应的位置，q点即为采用薄板样条函数法优化拟合后该气象站点的实际位置，并最终处理得到平面与线条扭曲的网面数据。
[0097]
可见，在薄板样条函数法的拟合下，每一气象站点在网面上的位置得到调整，网面数据与待分析区域中地形、气候变化、气象站点分布等实际情况相契合，消除了大部分误差，网面数据明了准确。
[0098]
105、基于网面数据生成对应于待分析区域的降水量空间分布图及气温空间分布
图。
[0099]
本发明实施例中，将网面数据加以标注进行可视化展示。
[0100]
作为一种可选的实施方式，基于对地理信息系统及国家气象行业标准，采用深度学习算法构造图例生成模型；预设色域范围与历史气象图像对图例生成模型进行训练；采用图例生成模型处理网面数据，得到降水量空间分布图及气温空间分布图；其中，降水量空间分布图采用色域范围内不同的色彩表征各区域的降水量数值；以及，气温空间分布图采用色域范围内不同的色彩表征各区域的气温数值。具体地，请参照图3，以降水量空间分布图为例，以白色到蓝色的渐变色分别表示0到250mm的降雨量数值，从而在降水量空间分布图上不同的区域以不同的颜色进行标示，可直观地获知降水量分布状况，以及各区域的降雨量数值，从而提高气象分析效率。
[0101]
综上，基于待分析区域的空间数据构造待插值网格点图，再基于气象数据，采用薄板样条函数法对待插值网格点进行精细化空间插值，对各气象站点进行拟合，得到适配于与时间、地形、气候变化与气象站点分布等现实因素的网面数据，并据网面数据构造可视化的降水量空间分布图及气温空间分布图，有效减小分析误差，提高空间插值精度，进而提高了网格化数据分析效率。
[0102]
实施例二
[0103]
请参阅图2、图3及图4，图4是本发明实施例公开的一种基于深度学习的气象数据空间插值精细化系统的结构示意图。如图4所示，该基于深度学习的气象数据空间插值精细化系统可以包括以下内容。
[0104]
边界确定单元401，用于确定待分析区域的边界数据；
[0105]
数据获取单元402，用于获取待分析区域中对应于气象站点的空间数据与气象数据；
[0106]
网格生成单元403，用于基于空间数据生成待插值网格点图；
[0107]
空间插值单元404，用于基于气象数据，采用薄板样条函数法对待插值网格点图进行空间插值，得到对应于待分析区域的网面数据；
[0108]
可视化单元405，用于基于网面数据生成对应于待分析区域的降水量空间分布图及气温空间分布图。
[0109]
其中，网格生成单元403包括：
[0110]
精度确定子单元4031，用于基于空间数据确定空间插值的精度指标，精度指标包括网格点的密度与分辨率；
[0111]
初始生成子单元4032，用于基于精度指标生成初始待插值网格点图，初始待插值网格点图的网格点分布均匀，网格间距相等，且每一网格点的平面坐标为(x
i
，y
i
)，i＝1，2，3，
……
，n，其中，n为网格序号；
[0112]
冗余剔除子单元4033，用于对初始待插值网格点图中存在于待分析区域之外的冗余网格点进行剔除，得到对应于待分析区域的所述待插值网格点图。
[0113]
以及，空间插值单元404具体包括：
[0114]
基于每一气象站点对应的气象数据及平面坐标(x
j
，y
j
)，j＝1，2，3，
……
，m，其中，m为气象站点序号，由以下公式推出每一网格点的气象数据z(x，y)：
[0115][0116]
其中，||*||表示欧几里得范数，c
i
为系数，为薄板样条函数法的核函数，其值为：
[0117][0118]
r
i
＝(x
‑
x
i
)2 (y
‑
y
i
)2。
[0119]
此外，可视化单元405包括：
[0120]
模型构造子单元4051，用于基于对地理信息系统及国家气象行业标准，采用深度学习算法构造图例生成模型；
[0121]
训练子单元4052，用于预设色域范围与历史气象图像对所述图例生成模型进行训练；
[0122]
图生成子单元4053，用于采用图例生成模型处理网面数据，得到降水量空间分布图及气温空间分布图；
[0123]
其中，降水量空间分布图采用色域范围内不同的色彩表征各区域的降水量数值；以及，气温空间分布图采用所述色域范围内不同的色彩表征各区域的气温数值。
[0124]
作为一种可选的实施方式，精度确定子单元4031基于空间数据确定空间插值的精度指标，精度指标包括网格点的密度与分辨率；初始生成子单元4032基于精度指标生成初始待插值网格点图，初始待插值网格点图的网格点分布均匀，网格间距相等，且每一网格点的平面坐标为(x
i
，y
i
)，i＝1，2，3，
……
，n，其中，n为网格序号；冗余剔除子单元4033对初始待插值网格点图中存在于待分析区域之外的冗余网格点进行剔除，得到对应于待分析区域的待插值网格点图。具体地，网格点的密度与分辨率越高，则空间插值更为精细化，分析结果更为精准，但同时处理过程所涉及的数据量亦将急剧增多，因而依据实际分析需求确定合适的精度指标，据此对待分析区域生成网格点分布均匀，网格间距相等的初始待插值网格点图；由于待分析区域的地理边界通常为无规律曲线，网格点生成过程会在地理边界外生成冗余网格点，因而基于边界数据，对地理边界以外的网格点进行剔除，仅保留待分析区域中的网格点，得到待插值网格点图。
[0125]
作为一种可选的实施方式，基于每一气象站点对应的气象数据及平面坐标(x
j
，y
j
)，j＝1，2，3，
……
，m，其中，m为气象站点序号，空间插值单元404由以下公式推出每一网格点的气象数据z(x，y)：
[0126][0127]
其中，||*||表示欧几里得范数，c
i
为系数，为薄板样条函数法的核函数，其值为：
[0128][0129]
r
i
＝(x
‑
x
i
)2 (y
‑
y
i
)2。
[0130]
参照图2，采用薄板样条函数法构造一个平面对每一气象站点进行拟合，并基于若干气象站点组合而成的样条，优化得到逼近每一气象站点对应的控制点且曲率最小的光滑平面，作为网面数据，其中，光滑平面的光滑参数由广义交叉验证法的最小化或广义最大似
然的最小化所确定；
[0131]
假设在待分析区域内分布有t个对应于气象站点的控制点，构成已知点集p
i
，i＝1，2，3，
……
，t，则每一控制点的坐标为(x
i
，y
i
，z(x
i
，y
i
))，且当z(x
i
，y
i
)具有二次连续导数时，其能量函数如下：
[0132][0133]
再采用薄板样条函数法确定能量函数的最小化：
[0134]
z
tps
＝argmine。
[0135]
在图2中，p点即为气象站点在待插值网格点图中对应的位置，q点即为采用薄板样条函数法优化拟合后该气象站点的实际位置，并最终处理得到平面与线条扭曲的网面数据
[0136]
可见，在薄板样条函数法的拟合下，每一气象站点在网面上的位置得到调整，网面数据与待分析区域中地形、气候变化、气象站点分布等实际情况相契合，消除了大部分误差，网面数据明了准确。
[0137]
作为一种可选的实施方式，模型构造子单元4051基于对地理信息系统及国家气象行业标准，采用深度学习算法构造图例生成模型；训练子单元4052预设色域范围与历史气象图像对图例生成模型进行训练；图生成子单元4053采用图例生成模型处理网面数据，得到降水量空间分布图及气温空间分布图；其中，降水量空间分布图采用色域范围内不同的色彩表征各区域的降水量数值；以及，气温空间分布图采用色域范围内不同的色彩表征各区域的气温数值。具体地，请参照图3，以降水量空间分布图为例，以白色到蓝色的渐变色分别表示0到250mm的降雨量数值，从而在降水量空间分布图上不同的区域以不同的颜色进行标示，可直观地获知降水量分布状况，以及各区域的降雨量数值，从而提高气象分析效率。
[0138]
综上，基于待分析区域的空间数据构造待插值网格点图，再基于气象数据，采用薄板样条函数法对待插值网格点进行精细化空间插值，对各气象站点进行拟合，得到适配于与时间、地形、气候变化与气象站点分布等现实因素的网面数据，并据网面数据构造可视化的降水量空间分布图及气温空间分布图，有效减小分析误差，提高空间插值精度，进而提高了网格化数据分析效率。
[0139]
实施例三
[0140]
请参阅图5，图5是本发明实施例公开的另一种基于深度学习的气象数据空间插值精细化系统的结构示意图。如图5所示，该基于深度学习的气象数据空间插值精细化系统可以包括：
[0141]
存储有可执行程序代码的存储器501；
[0142]
与存储器501耦合的处理器502；
[0143]
其中，处理器502调用存储器501中存储的可执行程序代码，执行图1的一种基于深度学习的气象数据空间插值精细化方法。
[0144]
本发明实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行图1的一种基于深度学习的气象数据空间插值精细化方法。
[0145]
本发明实施例还公开一种计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行如以上各方法实施例中的方法的部分或全部步骤。
[0146]
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(read
‑
only memory，rom)、随机存储器(random access memory，ram)、可编程只读存储器(programmableread
‑
only memory，prom)、可擦除可编程只读存储器(erasableprogrammable read only memory，eprom)、一次可编程只读存储器(one
‑
time programmable read
‑
only memory，otprom)、电子抹除式可复写只读存储器(electrically
‑
erasable programmable read
‑
only memory，eeprom)、只读光盘(compact disc read
‑
only memory，cd
‑
rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
[0147]
以上对本发明实施例公开的一种基于深度学习的气象数据空间插值精细化方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。