具体实施方式

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。

实施例一

图1为本发明实施例一提供的一种风场数据处理方法的流程图，本实施例可适用于将风场数据进行降尺度处理的情况，该方法可以由风场数据处理装置来执行，该装置可由硬件和/或软件组成，并一般可集成在具有风场数据处理功能的设备中。如图1所示，该方法具体包括如下步骤：

步骤110，将初始风场数据转换为低分辨率灰度数据。

其中，风场数据可以是由风速矩阵构成，灰度数据由灰度值矩阵构成。风速矩阵可以是对预测区域进行网格划分后，采集各网格点所在位置的风速构成的。例如：对预测区域按照25公里的长度进行网格划分，即网格的边长为25公里。

其中，风场数据中的风速包括大小和方向。低分辨率灰度数据可以理解为分辨率小于100*100的灰度数据，例如：40*40。其中，100*100和40*40表示图像的横向和纵向包含的像素点数量。本实施例中，将初始风场数据转换为低分辨率灰度数据的方式可以是：不考虑风速方向，只考虑风速大小，将初始风场数据对应的风速矩阵中的每个风速转换为灰度值；或者，在考虑风速方向的情况下，将初始风场数据分解为初始水平方向风场数据和初始垂直方向风场数据，将初始水平方向风场数据转换为低分辨率水平方向灰度数据，将初始竖直方向风场数据转换为低分辨率竖直方向灰度数据。

本实施例中，在将初始风场数据转换为低分辨率灰度数据之前，还包括如下步骤：获取风速的第一取值范围及灰度值的第二取值范围；根据第一取值范围与第二取值范围确定风速与灰度值间的映射关系。

其中，风速的第一取值范围可以根据预测区域的气候确定，例如：可以设置为[-a,a]，a可以取30-60之间的任意值。灰度值的第二取值范围为[0,255]。那么，风速与灰度值间的映射关系为其中，A为风速值，B对应的灰度值。

具体的，将初始风场数据转换为低分辨率灰度数据的过程可以是：根据映射关系将初始水平方向风场数据对应的风速矩阵中的每个水平方向风速转换为灰度值，获得低分辨率水平方向灰度数据；根据映射关系将初始竖直方向风场数据对应的风速矩阵中的每个竖直方向风速转换为灰度值，获得低分辨率竖直方向灰度数据。

本实施例中，在获得了风速矩阵中各风速值后，就可以根据风速与灰度值间的映射关系的映射关系将风速矩阵转换为灰度值矩阵，即将风场数据转换为低分辨率灰度数据。示例性的，假设风速的取值范围为[-50,50]，初始水平方向风场数据对应的风速矩阵中的其中一个水平方向风速为20，则其转换为的灰度值为即风速20对应的灰度值为178.5。对于初始水平方向风场数据对应的风速矩阵中的每个水平方向风速和初始竖直方向风场数据对应的风速矩阵中的每个竖直方向风速都按照上述方式转换，获得低分辨率水平方向灰度数据和低分辨率竖直方向灰度数据。

步骤120，将低分辨率灰度数据输入超分辨率神经网络，获得高分辨率灰度数据。

其中，高分辨率灰度数据可以理解为分辨率大于100*100的灰度数据，例如：400*400。且高分辨率是低分辨率的N倍，N>1。例如：N取4。超分辨神经网络是经过训练的神经网络，可以实现数据的降尺度处理，可以由残差通道注意力模块(residual channelattention block，RCAB)组成。

本实施例中，对于未考虑风速方向的情况，可以直接将初始风场数据转换的低分辨率灰度数据输入超分辨率神经网络，获得高分辨率灰度数据。对于考虑风速方向的情况，将低分辨率水平方向灰度数据输入超分辨率神经网络，获得高分辨率水平方向灰度数据；将低分辨率竖直方向灰度数据输入超分辨率神经网络，获得高分辨率竖直方向灰度数据。

步骤130，根据高分辨率灰度数据获取目标风场数据。

本实施例中，对于未考虑风速方向的情况，可以直接根据风速与灰度值间的映射关系将高分辨率灰度数据转换为目标风速矩阵，再将矩阵中各个风速的融合，获得目标风场数据。

对于考虑风速方向的情况，根据映射关系将高分辨率水平方向灰度数据对应的灰度值矩阵中每个灰度值转换为水平方向风速，获得目标水平方向风场数据；根据映射关系将高分辨率竖直方向灰度数据对应的灰度值矩阵中每个灰度值转换为竖直方向风速，获得目标竖直方向风场数据。

其中，假设风速与灰度值间的映射关系为就可以将灰度数据对应灰度矩阵中的灰度值转换为风速，即已知B的情况下，根据上述映射关系就可以计算得到A。

具体的，根据高分辨率灰度数据获取目标风场数据的过程可以是：将高分辨率水平方向灰度数据转换为目标水平方向风场数据；将高分辨率竖直方向灰度数据转换为目标竖直方向风场数据；将目标水平方向风场数据和目标竖直方向风场数据合成为目标风场数据。

本实施例的技术方案，将初始风场数据转换为低分辨率灰度数据；将低分辨率灰度数据输入超分辨率神经网络，获得高分辨率灰度数据；根据高分辨率灰度数据获取目标风场数据。本发明实施例公开的风场数据处理方法，将由初始风场数据转换为低分辨率灰度数据输入将低分辨率灰度数据输入超分辨率神经网络，获得高分辨率灰度数据，以获得目标风场数据，无需超级计算机就可以实现风场数据的降尺度计算，可以降低风场数据处理的计算量，降低成本。

实施例二

图2是本发明实施例二提供的超分辨率神经网络训练过程的示意图。以上述实施例为基础，如图2所示，超分辨率神经网络的训练方式包括如下步骤：

步骤210，将第一分辨率风场数据转换为第一分辨率灰度数据。

其中，第一分辨率风场数据包括第一分辨率水平方向风场数据和第一分辨率竖直方向风场数据。具体的，将第一分辨率风场数据转换为第一分辨率灰度数据的方式可以是：根据风速与灰度值间的映射关系将第一分辨率水平方向风场数据对应的风速矩阵中的每个水平方向风速转换为灰度值，获得第一分辨率水平方向灰度数据；根据风速与灰度值间的映射关系将第一分辨率竖直方向风场数据对应的风速矩阵中的每个竖直方向风速转换为灰度值，获得第一分辨率竖直方向灰度数据。

步骤220，将第二分辨率风场数据转换为第二分辨率灰度数据。

其中，第二分辨率大于第一分辨率，且第二分辨率是第一分辨率的N倍。第二分辨率风场数据包括第二分辨率水平方向风场数据和第二分辨率竖直方向风场数据。具体的，将第二分辨率风场数据转换为第二分辨率灰度数据的方式可以是：根据风速与灰度值间的映射关系将第二分辨率水平方向风场数据对应的风速矩阵中的每个水平方向风速转换为灰度值，获得第二分辨率水平方向灰度数据；根据风速与灰度值间的映射关系将第二分辨率竖直方向风场数据对应的风速矩阵中的每个竖直方向风速转换为灰度值，获得第二分辨率竖直方向灰度数据。

步骤230，将第一分辨率灰度数据和第二分辨率灰度数据组成训练数据对。

具体的，第一分辨率水平方向灰度数据与第二分辨率水平方向灰度数据组成训练数据对，第一分辨率竖直方向灰度数据与第二分辨率竖直方向灰度数据组成训练数据对。

步骤240，基于训练数据对对超分辨率神经网络进行训练。

本实施例中，基于训练数据对对超分辨率神经网络进行训练的过程可以是，将第一分辨率灰度数据输入超分辨率神经网络，输出预测灰度数据，根据预测灰度数据与第二分辨率灰度数据计算损失函数，基于损失函数调整超分辨率神经网络中参数，直到超分辨率神经网络满足精度要求。

可选的，第二分辨率与第一分辨率的倍数关系包括至少两种。将第一分辨率灰度数据和第二分辨率灰度数据组成训练数据对的方式可以是：按照倍数关系，将第二分辨率灰度数据和第一分辨率灰度数据组成至少两种训练数据对。

其中，倍数关系可以包括2倍关系、4倍关系、6倍关系等。则组成的训练数据对包括：第一分辨率灰度数据与2倍关系的第二分辨率灰度数据组成的训练数据对，第一分辨率灰度数据与4倍关系的第二分辨率灰度数据组成的训练数据对，第一分辨率灰度数据与6倍关系的第二分辨率灰度数据组成的训练数据对。

可选的，基于训练数据对对超分辨率神经网络进行训练的方式可以是：按照倍数关系从小到大的顺序依次基于训练数据对对超分辨率神经网络进行训练。

具体的，首先基于第一分辨率灰度数据与2倍关系的第二分辨率灰度数据组成的训练数据对对超分辨率神经网络进行训练获得第一超分辨率神经网络；再基于第一分辨率灰度数据与4倍关系的第二分辨率灰度数据组成的训练数据对对第一超分辨率神经网络进行训练，获得第二超分辨率神经网络；再基于第一分辨率灰度数据与6倍关系的第二分辨率灰度数据组成的训练数据对对第二超分辨率神经网络进行训练，依次类推，直到所有的训练数据对训练完成，获得最终的超分辨率神经网络。这样做的好处是，可以提高超分辨率神经网络的精度。

示例性的，图3是本实施例中风场数据处理的示例图。表1为本实施例中超分辨率神经网络的识别精度。

表1

本实施例的技术方案，将第一分辨率风场数据转换为第一分辨率灰度数据；将第二分辨率风场数据转换为第二分辨率灰度数据；将第一分辨率灰度数据和第二分辨率灰度数据组成训练数据对；基于训练数据对对超分辨率神经网络进行训练。可以提高超分辨率神经网络的处理精度。

实施例三

图4是本发明实施例三提供的一种风场数据处理装置的结构示意图，如图4所示，该装置包括：

低分辨率灰度数据获取模块410，用于将初始风场数据转换为低分辨率灰度数据；

高分辨率灰度数据获取模块420，用于将低分辨率灰度数据输入超分辨率神经网络，获得高分辨率灰度数据；其中，所述高分辨率是所述低分辨率的N倍，且N>1；

目标风场数据获取模块430，用于根据高分辨率灰度数据获取目标风场数据。

可选的，风场数据包括水平方向风场数据和竖直方向风场数据；

低分辨率灰度数据获取模块410，还用于：

将初始水平方向风场数据转换为低分辨率水平方向灰度数据；将初始竖直方向风场数据转换为低分辨率竖直方向灰度数据；

可选的，高分辨率灰度数据获取模块420，还用于：

将低分辨率水平方向灰度数据输入超分辨率神经网络，获得高分辨率水平方向灰度数据；将低分辨率竖直方向灰度数据输入超分辨率神经网络，获得高分辨率竖直方向灰度数据；

可选的，目标风场数据获取模块430，还用于：

将高分辨率水平方向灰度数据转换为目标水平方向风场数据；将高分辨率竖直方向灰度数据转换为目标竖直方向风场数据；

将目标水平方向风场数据和目标竖直方向风场数据合成为目标风场数据。

可选的，风场数据由风速矩阵构成，灰度数据由灰度值矩阵构成；还包括：映射关系获取模块，用于：

获取风速的第一取值范围及灰度值的第二取值范围；

根据第一取值范围与第二取值范围确定风速与灰度值间的映射关系。

可选的，低分辨率灰度数据获取模块410，还用于：

根据映射关系将初始水平方向风场数据对应的风速矩阵中的每个水平方向风速转换为灰度值，获得低分辨率水平方向灰度数据；

根据映射关系将初始竖直方向风场数据对应的风速矩阵中的每个竖直方向风速转换为灰度值，获得低分辨率竖直方向灰度数据。

可选的，目标风场数据获取模块430，还用于：

根据映射关系将高分辨率水平方向灰度数据对应的灰度值矩阵中每个灰度值转换为水平方向风速，获得目标水平方向风场数据；

根据映射关系将高分辨率竖直方向灰度数据对应的灰度值矩阵中每个灰度值转换为竖直方向风速，获得目标竖直方向风场数据。

可选的，还包括：超分辨率神经网络训练模块，用于：

将第一分辨率风场数据转换为第一分辨率灰度数据；

将第二分辨率风场数据转换为第二分辨率灰度数据；其中，第二分辨率大于第一分辨率，且第二分辨率是第一分辨率的整数倍；

将第一分辨率灰度数据和第二分辨率灰度数据组成训练数据对；

基于训练数据对对超分辨率神经网络进行训练。

可选的，第二分辨率与第一分辨率的倍数关系包括至少两种；超分辨率神经网络训练模块，还用于：

按照倍数关系，将第二分辨率灰度数据和第一分辨率灰度数据组成至少两种训练数据对；

按照倍数关系从小到大的顺序依次基于训练数据对对超分辨率神经网络进行训练。

上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。

实施例四

图5为本发明实施例四提供的一种计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的计算机设备312的框图。图5显示的计算机设备312仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。设备312是典型的风场数据处理功能的计算设备。

如图5所示，计算机设备312以通用计算设备的形式表现。计算机设备312的组件可以包括但不限于：一个或者多个处理器316，存储装置328，连接不同系统组件(包括存储装置328和处理器316)的总线318。

总线318表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。

计算机设备312典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备312访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储装置328可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)330和/或高速缓存存储器332。计算机设备312可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统334可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory，CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线318相连。存储装置328可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块326的程序336，可以存储在例如存储装置328中，这样的程序模块326包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块326通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备312也可以与一个或多个外部设备314(例如键盘、指向设备、摄像头、显示器324等)通信，还可与一个或者多个使得用户能与该计算机设备312交互的设备通信，和/或与使得该计算机设备312能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口322进行。并且，计算机设备312还可以通过网络适配器320与一个或者多个网络(例如局域网(Local AreaNetwork，LAN)，广域网Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器320通过总线318与计算机设备312的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备312使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of IndependentDisks，RAID)系统、磁带驱动器以及数据备份存储系统等。

处理器316通过运行存储在存储装置328中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的风场数据处理方法。

实施例四

本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理装置执行时实现如本发明实施例中的风场数据处理方法。

本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：将初始风场数据转换为低分辨率灰度数据；将所述低分辨率灰度数据输入超分辨率神经网络，获得高分辨率灰度数据；根据所述高分辨率灰度数据获取目标风场数据。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

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。