资料同化方法、装置、设备及存储介质与流程

1.本发明实施例涉及天气预测技术领域，尤其涉及一种资料同化方法、装置、设备及存储介质。


背景技术：

2.资料同化是把不同来源的数据通过一系列的处理、调整最终能够综合进行运用的一个过程。在数值天气预报中，资料同化最初被认为是分析处理随空间和时间分布的观测资料为数值预报提供初始场的一个过程。
3.资料同化技术能够将离散和孤立的气象观测数据，转变为要素场的空间分布，为数值预报提供了更好的要素初始场。例如，通过对观测站点降水要素的持续监测，来推演出特定时间和区域内的降水分布情况。
4.但是，针对过于稀疏的观测站点，传统的资料同化技术难以获得高精细度的要素空间分布。


技术实现要素：

5.本发明实施例提供了资料同化方法、装置、设备及存储介质，在站点数据稀疏的情况下，获得高精细度的要素空间分布。
6.第一方面，本发明实施例提供了一种资料同化方法，包括：
7.基于当前离散站点数据确定第一图片数据；
8.对所述第一图片数据进行处理，得到第二图片数据，其中，所述第二图片数据的尺寸小于所述第一图片数据的尺寸；
9.将所述第二图片数据输入预先训练的资料同化模型，得到同化后的精密场图片数据。
10.第二方面，本发明实施例还提供了一种资料同化装置，包括：
11.第一图片数据确定模块，用于基于当前离散站点数据确定第一图片数据；
12.第二图片数据确定模块，用于对所述第一图片数据进行处理，得到第二图片数据，其中，所述第二图片数据的尺寸小于所述第一图片数据的尺寸；
13.同化模块，用于将所述第二图片数据输入预先训练的资料同化模型，得到同化后的精密场图片数据。
14.第三方面，本发明实施例还提供了一种资料同化设备，包括：
15.一个或多个处理器；
16.存储器，用于存储一个或多个程序；
17.所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述本发明实施例第一方面提供的资料同化方法。
18.第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有一个或多个计算机程序，该程序被处理器执行时实现如上述第一方面实施例提供的资料同化方法。
19.在上述资料同化方法、装置、设备及存储介质中，首先基于当前离散站点数据确定第一图片数据，对第一图片数据进行处理，得到第二图片数据，其中，第二图片数据的尺寸小于第一图片数据的尺寸，将第二图片数据输入预先训练的资料同化模型，得到同化后的精密场图片数据。本实施例的技术方案，通过引用预先训练的资料同化模型，解决了由于传统观测站点稀疏导致同化后的要素场分辨率过低的问题，在站点数据稀疏的情况下，获得高精细度的要素空间分布。
附图说明
20.图1为本发明实施例提供的资料同化方法的流程图；
21.图2为本发明实施例提供的资料同化模型训练方法的流程图；
22.图3是本实施例提供的一种cycle gan的结构示意图；
23.图4为本发明实施例提供的资料同化装置的结构框图；
24.图5为本发明实施例提供的一种设备的硬件结构示意图。
具体实施方式
25.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
26.资料同化可以理解为将不同时刻，不同地区，不同性质的气象资料输入数学模型中所进行的天气预报或者气候的预测及其分析。资料同化是数值天气预报中极为重要的一个步骤。如果直接将初始资料运用于数学模型中做初始场，特别容易引起高频振荡，导致预报失败。本实施例中的资料同化方法就是提取到最优的输入数据，输入值数学模型，以避免高频振荡，导致预报失败的问题，提高预报的成功率。
27.图1为本发明实施例提供的资料同化方法的流程图，该方法适用于气象观测站的资料同化的情况，该方法可以由资料同化装置执行，该装置可以由硬件和/或软件实现。该资料同化装置可以是两个或多个物理实体构成，也可以是一个物理实体构成，并一般集成在计算机设备中。
28.需要说明的是，本实施例所提供的资料同化方法具体可以在计算机设备上使用，并可认为具体由集成在计算机设备上的资料同化装置执行，其中，计算机设备具体可以是包括了处理器、存储器、输入装置和输出装置的计算机设备。如笔记本电脑、台式计算机、平板电脑以及智能终端等。
29.具体的，如图1所示，本发明实施例提供的资料同化方法，具体包括如下步骤s11、s12、s13。
30.s11、基于当前离散站点数据确定第一图片数据。
31.在本实施例中，站点是指可以检测气象情况的监测站。站点数据是指监测站收集的站点范围内的气象观测特征的数据。站点数据可以是如下任意一种或多种：降水量，降水范围，高空气压，露点温度，温度，湿度，风向，风速等。
32.进一步的，站点数据可以是按照时间维度进行收集的数据。站点数据可以是一个观测站收集的数据，也可以是多个观测站收集到的数据。由于站点数据是按照时间维度进
行收集的，因此，站点数据是离散形式的。例如：可以是间隔30分钟进行一次数据的收集，也可以是间隔1个小时进行一次数据的收集。不同的数据也可以采用不同的时间维度。本实施例中不进行限定。
33.进一步的，当前离散站点数据并不是指当前时刻的气象特征数据。可以是当前能够采集到的预设时间范围内的气象特征数据。例如：可以是一个月的降水量数据，或者半个月的温度数据等。
34.在本实施例中，所述第一图片数据是大尺寸的图片数据，第一图片数据是指由离散站点数据形成的大尺寸的图片数据，所述大尺寸图片数据可以是1km
×
1km为分辨率的图片格式，图片尺寸为4500
×
7000。
35.在本实施例中，可以直接通过对当前离散站点数据通过插值技术转换为第一图片数据。插值方法可以选用以下任意一种：多项式插值，线性插值，cubic插值，拉格朗日多项式插值，牛顿插值，埃尔米特插值，样条插值等。
36.在一个示例性的实施方式中，基于当前离散站点数据确定第一图片数据，包括：将所述当前离散站点数据通过线性插值技术转换为第一图片数据。
37.线性插值是针对一维数据的插值方法，根据一维数据序列中需要插值的点的左右邻近两个数据点来进行数值的估计。具体的，根据到左右邻近两个数据点的距离来分配它们的比重的。采用线性插值法可以减少数据的计算量。
38.需要说明的是，本实施例中仅对插值方法进行说明，而非限定。可以采用任意的插值法得到第一图片数据。
39.s12、对所述第一图片数据进行处理，得到第二图片数据。
40.在本实施例中，所述第二图片数据的尺寸小于第一图片数据的尺寸。进一步的，第二图片数据可以是通过将第一图片数据进行分割或者缩小得到的。
41.在本实施例中，可以通过滑动框在第一图片数据上进行滑动，得到多个第二图片数据，也可以直接采用图片resize方式将第一图片数据缩小为一个第二图片数据；还可以采用图片切割的方式，将第一图片数据进行切割得到多个第二图片数据。
42.需要说明的是，本实施例中仅对第一图片数据的处理方式进行示例性说明，而非限定。
43.s13、将所述第二图片数据输入预先训练的资料同化模型，得到同化后的精密场图片数据。
44.资料同化模型可以通过预训练的方式得到，可以采用任意机器学习方法进行训练，本实施例中并不进行限定。
45.进一步的，如果第一图片数据经过切割得到了多个第二图片数据，将多个第二图片数据依次输入预先训练的资料同化模型，得到多个输出图片，需要将多个输出图片进行拼接处理会后，才能得到与第一图片尺寸大小相等的精密场图片数据。
46.需要说明的是，多个输出图片的拼接方法可以采用现有的任意图像拼接方法，本实施例中并不进行限定。
47.进一步的，如果多个第二图片数据是经过具有重叠率的滑动框滑动之后得到的，那么多个输出图片在拼接之后，对于重叠部分需要进行平滑处理。
48.在另一种实施方式中，对于第一图片数据的处理不再采用滑动框滑动分割的方式
进行，而是直接采用图片resize的方式，直接将第一图片数据缩小为第二图片数据。将第二图片数据输入预先训练的资料同化模型，得到同化后的精密场图片数据，是得到一张精密场的图片数据，并不需要进行额外的拼接和平滑处理。
49.本发明实施例提供的资料同化方法，首先基于当前离散站点数据确定第一图片数据，对第一图片数据进行处理，得到第二图片数据，其中，第二图片数据的尺寸小于第一图片数据的尺寸，将第二图片数据输入预先训练的资料同化模型，得到同化后的精密场图片数据。本实施例的技术方案，通过引用预先训练的资料同化模型，解决了由于传统观测站点稀疏导致同化后的要素场分辨率过低的问题，在站点数据稀疏的情况下，获得高精细度的要素空间分布。
50.在一个实施方式中，对第一图片数据进行处理，得到第二图片数据，包括：将第一图片数据按照预设步长有重叠且滑动式的划分为多个第二图片数据。
51.在本实施例中，可以预先设置滑动框的大小和尺寸，其中，滑动框的大小和形状可以根据实际情况进行设置。滑动框的大小和第二图片数据的大小一致。
52.进一步的，滑动框按照预设置的滑动轨迹在第一图片数据上依次滑动，得到多个第二图片数据。预设置的滑动轨迹可以是从上到下，从左到右等。也可以是其他的滑动轨迹，本实施例中不进行限定。
53.进一步的，还可以设置前一次滑动框位置与后一次滑动框位置的重叠率。重叠率是指前一次滑动框位置与后一次滑动框位置重叠区域面积与整个滑动框面积的比例。这样，可以包括每个第二图片数据中的细节信息。
54.进一步的，第一图片数据的尺寸为(x1，y1)，第二图片数据的尺寸是(x2，y2)。如果前一次滑动框位置与后一次滑动框位置的重叠率为0，则滑动步长(s_x，s_y)与第二图片数据的尺寸相等，即(x2，y2)。第二图片数据的数量是(x1/x2)
×
(y1/y2)。
55.如果前一次滑动框位置与后一次滑动框位置的重叠率为(r_x，r_y)，则滑动步长(s_x，s_y)小于第二图片数据的尺寸，即滑动步长(s_x，s_y)为(x2/r_x，y2/r_y)。其中，r_x，r_y均小于1。且r_x是x方向上的重叠率，r_y是y方向上的重叠率。
56.进一步的，第一图片数据的尺寸不能被滑动步长整除，即(x1/s_x)取余数不为0，或者，(y1/s_y)取余数不为0。此时，可以对第一图片数据的底部行和右侧列进行补零操作，具体的，可以按照如下公式计算得到：
57.num_line＝ceil(x1/s_y)
×
s_y
‑
x1；
58.num_col＝ceil(y1/s_x)
×
s_x
‑
y1；
59.其中，num_line和num_col分别表示需要补0的行数和列数，ceil()代表着向上取整。
60.经过以上操作后，一张尺寸为(x1，y1)的第一图片数据就会被切割成ceil(x1/s_y)
×
ceil(y1/s_x)个，大小为(x2，y2)的第二图片数据，并存储。
61.进一步的，在上述实施方式的基础上，将所述第二图片数据输入预先训练的资料同化模型，得到同化后的精密场图片数据，包括：将多个第二图片数据所述输入预先训练的资料同化模型，得到多个输出图片；将所述多个输出图片进行拼接处理和平滑处理，得到同化后的精密场图片数据。
62.在上述实施例方式中，第一图片数据经过切割得到了多个第二图片数据，将多个
第二图片数据依次输入预先训练的资料同化模型，得到多个输出图片，需要将多个输出图片进行拼接处理会后，才能得到与第一图片尺寸大小相等的精密场图片数据。
63.需要说明的是，多个输出图片的拼接方法可以采用现有的任意图像拼接方法，本实施例中并不进行限定。
64.进一步的，如果多个第二图片数据是经过具有重叠率的滑动框滑动之后得到的，那么多个输出图片在拼接之后，对于重叠部分需要进行平滑处理。
65.在另一个实施方式中，对所述第一图片数据进行处理，得到第二图片数据，包括：使用图像大小变换resize的方式对所述第一图片数据进行处理，得到第二图片数据。
66.在本实施例中，对于第一图片数据的处理不再采用滑动框滑动分割的方式进行，而是直接采用图片resize的方式，直接将第一图片数据缩小为第二图片数据。需要说明的是，采用图片resize的方式，第一图片数据只能得到一张第二图片数据。采用图片resize的方式，能够感知全图的细节信息。
67.在本实施方式的基础上，将第二图片数据输入预先训练的资料同化模型，得到同化后的精密场图片数据，是得到一张精密场的图片数据，并不需要进行额外的拼接和平滑处理。
68.在上述实施例的基础上，提供一种资料同化模型的训练方法，如图2所示，资料同化模型的训练方法主要包括如下步骤：
69.s21、基于历史离散站点数据确定第三图片数据和第四图片数据。
70.在本实施例中，历史离散站点数据可以之前某段时间内的是离散站点数据，历史离散站点数据可以是一个站点多个时间段内的数据，也可以是多个站点，多个时间内的数据。为了保证模训练的正确率，第三图片数据可以是一张图片，也可以是多张图片的集合。
71.在一个实施方式中，基于历史离散站点数据确定第三图片数据，包括：将所述历史离散站点数据转换为格点数据；将所述格点数据转换为第三图片数据；将所述格点数据进行下采样处理，得到下采样图片数据；所述下采样图片数据经过线性插值处理，得到所述第三图片数据。
72.在本实施例中，利用传统的资料同化技术将离散的站点数据转换为稠密的格点数据，也称为要素空间分布信息，即精密场。例如：气象观测站观测到徐汇区的温度数据，现有的资料同化技术可以依旧此信息推演出上海市的温度状况。上述要素是如降水，气温，风速等。
73.进一步的，将上述格点数据转换为第三图片数据，上述第三图片数据作为神经网络模型学习的目标，即目标数据。
74.进一步的，将上述格点数据进行下采样，模拟站点的稀疏性。下采样分辨率可以任意选择，如10km
×
10km，50km
×
50km，100km
×
100km。基于此构建出来的新型资料同化模型能够应对各种分辨率下的观测站点数据，这有助于对历史观测站点少的情况下的数据修复。
75.本实施例的技术方案通过对格点数据下采样生成稀疏观测站点的低分辨率数据进行训练，也能够获得高精细度的要素空间分布，而传统的资料同化技术在这种状况下难以获得高分辨率要素场。能够用于修复由于传统观测站点稀疏导致同化后的要素场分辨率过低的问题。
76.最后，下采样后的稀疏站点经过线性插值，转为第四图片数据并存储，作为神经网络模型的输入数据。
77.s22、将所述第三图片数据和/或第四图片数据进行处理，得到数据集。
78.在本实施例中，对第三图片数据和/或第四图片数据进行分割处理，得到多个小尺寸图片。或者对第三图片数据和/或第四图片数据采用图片resize技术进行缩小，得到一个小尺寸图片。上述数据集是包括多个小尺寸图片的集合。
79.进一步的，对第三图片数据和/或第四图片数据进行分割处理与上述实施例中对第一图片数据进行分割处理的方式相同，具体方法可以参照上述实施例中的描述，本实施例中不再进行赘述。
80.对第三图片数据和/或第四图片数据采用图片resize技术进行缩小与上述实施例中对第一图片数据采用图片resize技术进行缩小的方式相同，具体方法可以参照上述实施例中的描述，本实施例中不再进行赘述。
81.进一步的，将上述数据集划分为训练集、验证集、测试集。其中，训练集、验证集、测试集中小尺寸图片的数量比例为8:1:1。训练集、验证集、测试集用于神经网络模型的训练和效果验证。
82.s23、将所述第三图片数据作为目标数据，所述第四图片数据作为输入数据，构建神经网络模型。
83.在本实施例中，神经网络模型可以选择各种用于解决超分辨任务的深度学习模型，例如：超分辨卷积神经网络(super
‑
resolution convolutional neural network，srcnn)、深度卷积神经网络(very deep convolutional networks，vdsr)、超分辨率生成对抗网络(super
‑
resolution generative adversarial networks，srgan)、pix2pixhd、循环生成对抗网络(cyclegenerative adversarial networks，cycle gan)等。
84.本实施例中以cycle gan为例进行说明，cycle gan是对gan网络的改进，用于解决图像转换的问题，生成更加优质的图像。图3是本实施例提供的一种cycle gan的结构示意图，如图3所示，生成器g1和g2作为gan中的一个重要组成部分，用于将输入低分辨率图片转换为期待的高分辨图片，判别器d1和d2作为gan中的一个重要组成部分，用于判别所生成的高分辨率图片和真实的图片。u
‑
net是由神经网络的结构形状成u形而得名，主要应用于gan中的生成器部分。
85.s24、利用所述数据集对所述神经网络模型进行训练，得到资料同化模型。
86.资料同化模型可以通过预训练的方式得到，可以采用任意机器学习方法进行训练，本实施例中并不进行限定。
87.本实施例中将深度神经网络模型引入资料同化过程中，通过大量的数据样本训练，近似拟合传统的资料同化过程，该方案能够大大提升资料同化的效率，大大缩短针对气象特定要素的精细场分布响应时间。
88.在一个应用性实例中，本实施例提供一种资料同化模型的离线构建方法。本实施提供的资料同化模型的离线构建方法主要包括如下步骤：
89.步骤一：站点数据转格点数据。
90.利用传统的资料同化技术，将离散的站点数据转换为格点数据，即精密场。例如：气象观测站观测到徐汇区的温度数据，现有的资料同化技术可以依旧此信息推演出上海市
的温度状况，但是这一步耗时长且需要大量的计算资源。其中，格点数据也称为要素空间分布信息，上述要素可是是表征天气状况的参数，如降水，气温，风速等。
91.需要说明的是，步骤一目的在于数据生成，可以采用任意现有的资料同化技术来实现将站点数据转格点数据。
92.步骤二：格点数据转大尺寸图片。
93.所谓的大尺寸图片是指在中国区境内，以1km
×
1km为分辨率的图片格式，图片尺寸为4500
×
7000。
94.首先，将步骤一中的由资料同化技术所获得的格点数据转为图片数据进行存储，该图片将作为深度学习模型学习的目标，也可以称之为目标数据。
95.然后，将步骤一中的由资料同化技术所获得的格点数据进行下采样，模拟站点的稀疏性，下采样分辨率可以任意选择。如10km
×
10km，50km
×
50km，100km
×
100km。基于此构建出来的新型资料同化模型能够应对各种分辨率下的观测站点数据，这有助于对历史观测站点少的情况下的数据修复。
96.最后，下采样后的稀疏站点经过线性插值，转为大尺寸图片并存储，作为神经网络模型的输入数据。
97.步骤三：大尺寸图片切分。
98.该步骤的目的是将步骤二中的大尺寸图片缩小，以方便神经网络训练。
99.在一个实施方式中，将步骤二中产生的目标数据和输入数据按照有重叠且滑动式的方式切割为小尺寸图片，比如将小尺寸图片的大小设置为(scale_x,scale_y)，那么两个方向的滑动步长(滑动幅度)为(stride_x，stride_y)，约束条件：scale_x<4500(大尺寸图片的大小)，且scale_y<7000。
100.滑动幅度：
101.stride_x＝scale_x/r_x
102.stride_y＝scale_y/r_y
103.其中，1/r_x和1/r_y分别为两个方向的重叠率。
104.需要注意的是，如果大尺寸图片的尺寸不能被滑动幅度整除，即4500对stride_x取余数不为0，或者7000对stride_y取余数不为0；可以对大尺寸图片的底部行和右侧列进行补零操作。
105.其中，补零的行数和列数,可以按照如下公式计算得出：
106.num_line＝ceil(4500/stride_y)
×
stride_y
‑
4500
107.num_col＝ceil(7000/stride_x)
×
stride_x
‑
7000
108.其中，num_line和num_col分别表示需要补0的行数和列数，ceil()代表着向上取整。
109.经过以上操作后，一张大尺寸的4500
×
7000的图片就会被切割成ceil(4500/stride_y)
×
ceil(7000/stride_x)个，大小为scale_x
×
scale_y的小图片，并存储。
110.在另一个实施方式中，这一步缩小大尺寸图片的步骤也可以不采用滑动切割的方式，而采用图片resize的方式，就是将大尺寸图片直接通过resize的方式转为小尺寸图片。通过这种方式的图片缩小方法，一张大尺寸图片只能生成一张小尺寸图片。
111.采用切割的方式获取小尺寸图片能够保留小块图像里的细节信息；采用resize的
方式获取小尺寸图片能够感知全图的细节信息。
112.将上述两个实施方式中得到的尺寸图片按照8:1:1的比例，划分为训练集、验证集、测试集，用于神经网络模型的训练和效果验证。
113.步骤四：神经网络模型训练。
114.根据步骤一至步骤三产生的数据集，训练神经网络模型，得到资料同化模型。
115.可以选择各种用于解决超分辨任务的深度学习模型。比如:srcnn、vdsr、srgan、pix2pixhd、srgan、cycle gan等。训练好的资料同化模型能够实现将步骤二和步骤三中产生的低分辨率图片转换为高分辨率的要素分布场。
116.在一个应用性实例中，本实施例提供一种资料同化模型的在线工作方法。本实施提供的资料同化模型的在线工作方法主要包括如下步骤：
117.步骤一：观测站点数据转大尺寸图片。
118.稀疏化后的站点数据直接通过线性插值并转换为大尺寸图片并存储，作为资料同化模型的输入数据。
119.步骤二：大尺寸图片切分。
120.本实施例中的大尺寸切分方法与上述模型离线构建实施例中大尺寸图片切分方法一致，具体可以参照模型离线构建实施例中大尺寸图片切分方法，本实施例中不再进行赘述。
121.步骤三：资料模型在线同化。
122.训练好的资料同化模型能够实现将步骤二中产生的低分辨率图片转换为高分辨率的要素分布场。
123.进一步的，如果步骤二采用切割的方式生成要素精细场，在重叠生成的部分,需要进行均值平滑，形成大尺寸图片，完成资料同化。
124.图4为本发明实施例提供的资料同化装置的结构框图。该资料同化装置适用于气象观测站的资料同化的情况，该资料同化装置可以由硬件和/或软件实现，并一般集成在智能设备中。
125.如图4所示，该资料同化装置包括：第一图片数据确定模块41、第二图片数据确定模块42、同化模块43。
126.其中，
127.第一图片数据确定模块41，用于基于当前离散站点数据确定第一图片数据；
128.第二图片数据确定模块42，用于对所述第一图片数据进行处理，得到第二图片数据，其中，所述第二图片数据的尺寸小于所述第一图片数据的尺寸；
129.同化模块43，用于将所述第二图片数据输入预先训练的资料同化模型，得到同化后的精密场图片数据。
130.本发明实施例提供的资料同化装置，首先基于当前离散站点数据确定第一图片数据，对第一图片数据进行处理，得到第二图片数据，其中，第二图片数据的尺寸小于第一图片数据的尺寸，将第二图片数据输入预先训练的资料同化模型，得到同化后的精密场图片数据。本实施例的技术方案，通过引用预先训练的资料同化模型，解决了由于传统观测站点稀疏导致同化后的要素场分辨率过低的问题，在站点数据稀疏的情况下，获得高精细度的要素空间分布。
131.进一步的，第一图片数据确定模块41具体用于将所述当前离散站点数据通过线性插值技术转换为第一图片数据。
132.进一步的，第二图片数据确定模块42，具体用于将所述第一图片数据按照预设步长有重叠且滑动式的划分为多个第二图片数据。
133.进一步的，同化模块43，包括输入单元和处理单元，
134.其中，输入单元，用于将多个第二图片数据所述输入预先训练的资料同化模型，得到多个输出图片；
135.处理单元，用于将所述多个输出图片进行拼接处理和平滑处理，得到同化后的精密场图片数据
136.进一步的，第二图片数据确定模块42，具体用于使用图像大小变换resize的方式对所述第一图片数据进行处理，得到第二图片数据。
137.进一步的，所述资料同化模型的训练步骤包括：
138.基于历史离散站点数据确定第三图片数据和第四图片数据；
139.将所述第三图片数据和/或第四图片数据进行处理，得到数据集；
140.将所述第三图片数据作为目标数据，所述第四图片数据作为输入数据，构建神经网络模型；
141.利用所述数据集对所述神经网络模型进行训练，得到资料同化模型。
142.具体的，基于历史离散站点数据确定第三图片数据和第四图片数据，包括：
143.将所述历史离散站点数据转换为格点数据；
144.将所述格点数据转换为第三图片数据；
145.将所述格点数据进行下采样处理，得到下采样图片数据；
146.所述下采样图片数据经过线性插值处理，得到所述第二图片数据。
147.本发明实施例所提供的资料同化装置可执行本发明任意实施例所提供的资料同化方法，具备执行方法相应的功能模块和有益效果。
148.图5为本发明实施例提供的一种设备的硬件结构示意图，如图5所示，该设备包括处理器501、存储器502、输入装置503和输出装置504；设备中处理器501的数量可以是一个或多个，图5中以一个处理器501为例；设备中的处理器501、存储器502、输入装置503和输出装置504可以通过总线或其他方式连接，图5中以通过总线连接为例。
149.存储器502作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的资料同化方法对应的程序指令/模块(例如：附图4所示的资料同化装置中的模块，包括：第一图片数据确定模块41、第二图片数据确定模块42、同化模块43)。处理器501通过运行存储在存储器502中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的资料同化方法。
150.存储器502可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器502可进一步包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
151.并且，当上述设备所包括一个或者多个程序被所述一个或者多个处理器501执行时，程序进行如下操作：
152.基于当前离散站点数据确定第一图片数据；
153.对所述第一图片数据进行处理，得到第二图片数据，其中，所述第二图片数据的尺寸小于所述第一图片数据的尺寸；
154.将所述第二图片数据输入预先训练的资料同化模型，得到同化后的精密场图片数据。
155.输入装置503可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置504可包括显示屏等显示设备。
156.本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理装置执行时实现本发明实施例提供的资料同化方法，该方法包括：
157.基于当前离散站点数据确定第一图片数据；
158.对所述第一图片数据进行处理，得到第二图片数据，其中，所述第二图片数据的尺寸小于所述第一图片数据的尺寸；
159.将所述第二图片数据输入预先训练的资料同化模型，得到同化后的精密场图片数据。
160.当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的资料同化方法中的相关操作。
161.通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
162.值得注意的是，上述资料同化装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
163.注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。