Погода в поселке глубокий: Погода в Глубоком сегодня, прогноз погоды Глубокий на сегодня, Каменский район, Ростовская область, Россия

Содержание

Погода в Глубоком на неделю (Новокубанский район, Краснодарский край)

В 21:00 на метеостанции «Армавир» было +3.7°C, преимущественно облачно, ветер западный 2 м/с. Атмосферное давление на уровне станции 747 мм рт.ст, влажность воздуха 73%.

Сегодня вечером в Глубоком ожидается +1°..+3°, значительная облачность, без осадков. Ветер западный 3 м/с. Давление 741 мм рт.ст. Завтра +9°..+11°, переменная облачность, без осадков. Ветер восточный 4 м/с. Давление 736 мм рт.ст.


Сегодня, Воскресенье, 21 Марта
t°CПогодаДавлВлжВетер
ВечерВечер+2°значительная облачностьбез осадков74187%

З, 3м/с

Завтра, Понедельник, 22 Марта
t°CПогодаДавлВлжВетер
НочьНочь−1°значительная облачностьбез осадков74192%

ЮЗ, 1м/с

УтроУтро+4°малооблачнобез осадков ст.»>74070%

ЮВ, 4м/с

ДеньДень+10°переменная облачностьбез осадков73650%

ВЮВ, 4м/с

ВечерВечер+5°значительная облачностьбез осадков73377%

ВЮВ, 4м/с,

порывы 12
Вторник, 23 Марта
t°CПогодаДавлВлжВетер
НочьНочь+5°пасмурнодождь73290%

ЮВ, 5м/с

УтроУтро+9°
облачнонебольшой дождь
73079%

ЮВ, 4м/с

ДеньДень+17°переменная облачностьбез существенных осадков62%

З, 8м/с,

порывы 12
ВечерВечер+7°
пасмурнодождь72994%

С, 3м/с

Среда, 24 Марта
t°CПогодаДавлВлжВетер
НочьНочь+5°пасмурнодождь72695%

ССВ, 7м/с,

порывы 11
День
День+7°пасмурнобез осадков72987%

ЗСЗ, 4м/с

Четверг, 25 Марта
t°CПогодаДавлВлжВетер
НочьНочь+3°пасмурнобез осадков ст.»>73492%

З, 5м/с

ДеньДень+8°пасмурнобез осадков73768%

ЗСЗ, 6м/с

Пятница, 26 Марта
t°CПогодаДавлВлжВетер
Ночь
Ночь+1°
значительная облачностьбез осадков74394%

ЗЮЗ, 3м/с

ДеньДень+8°пасмурнобез осадков74353%

ЗЮЗ, 2м/с

Суббота, 27 Марта
t°C
Погода
ДавлВлжВетер
НочьНочь+3°пасмурнобез осадков89%

ЮЮВ, 4м/с

ДеньДень+10°значительная облачностьбез существенных осадков747
55%

ВСВ, 3м/с

Воскресенье, 28 Марта
t°CПогодаДавлВлжВетер
НочьНочь+3°пасмурнодождь75193%

ЮЗ, 2м/с

ДеньДень+9°значительная облачностьбез существенных осадков75063%

ЗСЗ, 4м/с

Понедельник, 29 Марта
t°CПогодаДавлВлжВетер
НочьНочь+2°яснобез осадков
91%

ЗЮЗ, 2м/с

ДеньДень+10°облачно с прояснениямибез существенных осадков75054%

З, 4м/с



Прогноз погоды в Глубоком на неделю (
  1. Краснодарский край
  2. Новокубанский район
  3. поселок Глубокий
) расчитан по собственному алгоритму на основе данных Всеобщей Системы Прогнозирования. Обновление происходит 4 раза в сутки. Географические координаты: 44.95, 41.02. Местное время 21:44

Главная

 

Жалобы на всё

Не убран мусор, яма на дороге, не горит фонарь? Столкнулись с проблемой — сообщите о ней!

Подать жалобу

Рады приветствовать Вас на официальном сайте администрации Глубокинского городского поселения.

Мы готовы предоставить наиболее объемную, достоверную и доступную информацию о деятельности администрации поселения, а также рассказать о самых значимых событиях в жизни поселения. На сайте представлены официальные документы и наиболее важные решения, принятые Собранием депутатов Глубокинского сельского поселения.

Надеюсь, что знакомство с нашим сайтом вызовет искренний интерес к Глубокинского городскому поселению, положит начало плодотворному и взаимовыгодному сотрудничеству.

 

С уважением, глава Администрации Глубокинского городского поселения Кундрюцкий Николай Витальевич


 

В настоящее время проводится опрос населения для оценки деятельности руководителей органов местного самоуправления – глав администраций муниципальных образований, председателей представительных органов муниципальных образований Ростовской области; руководителей унитарных предприятий и учреждений, действующих на региональном и муниципальном уровнях, акционерных обществ, контрольный пакет акций которых находится в собственности Ростовской области или в муниципальной собственности, осуществляющих оказание услуг населению муниципальных образований.

Для участия в опросе перейдите на страницу сайта в информационно-телекоммуникационной сети «Интернет»

Для перехода к опросу нажмите на баннер

 Информация по услугам в электронном виде

 

 

 

Глубокий (Краснодарский край)

Пользователи также искали:

купить дом в п глубоком, купить недвижимость в поселок глубокий новокубанский район краснодарский край, недвижимость глубокий, недвижимость поселок глубокий краснодарский край, новокубанский район поселок глубокий погода, новокубанском районе посёлке глубоком погода, погода – глубокий, краснодарский край, погода краснодарский край пос глубокий, Глубокий, глубокий, Краснодарский, краснодарский, край, погода, районе, поселок, недвижимость, Глубокий Краснодарский край, новокубанский, купить, район, глубоком, новокубанском, посёлке, купить дом в п глубоком, недвижимость глубокий, купить недвижимость в поселок глубокий новокубанский район краснодарский край, новокубанский район поселок глубокий погода, новокубанском районе посёлке глубоком погода, погода краснодарский край пос глубокий, недвижимость поселок глубокий краснодарский край, погода глубокий краснодарский край, глубокий (краснодарский край),

. ..

Гидрометцентр предупредил о резком ухудшении погоды в праздники

В связи с приходом с запада на европейскую территорию России глубокого циклона погода начнет портиться, рассказала «Российской газете» заведующая лабораторией Гидрометцентра РФ Людмила Паршина.

В субботу, 22 февраля, в Мурманской области мокрый снег, сильная гололедица на дорогах и ветер. В Ленинградской, Псковской и Новгородской областях дождь и мокрый снег. В ночь на 23 февраля там сильные осадки. В Архангельской области 22 и 23 февраля дождь со снегом, гололед, сильный ветер. В Ненецком округе метель.

Непогода затронет и Вологодскую область. В праздничный день там дождь со снегом, гололед. В ночь на 23 февраля сильные осадки пройдут в Карелии.

А 23 и 24 февраля атмосферный фронт циклона дойдет до восточных районов европейской территории: метель ожидается в Коми. В зоне непогоды 24 февраля окажется и Поволжье. В частности, Башкирия, где завьюжит метель и образуются снежные заносы на дорогах.

Еще один циклон придет с Балкан, поэтому 24 февраля испортится погода на юге.

В связи с прохождением атмосферных фронтов в период с 22 по 25 февраля на территории Ростовской области ожидаются сложные погодные условия. Пройдут осадки в виде снега и дождя.

На севере Ростовской области метель и ухудшение видимости. Ночью около нуля, возможно понижение температуры воздуха до -5 градусов. Днем 6-8 тепла. Но с 22 по 25 февраля в результате сильного ветра в устье Дона и Таганрогского водохранилища ожидаются сгонно-нагонные явления. 22 февраля в устье Дона — от Аксая до Азова — будет низкий уровень воды. А вот в конце дня 23 февраля начнется ветровой нагон воды. 24 февраля ее уровень может повыситься на 10-30 сантиметров.

В Волгоградской области и Краснодарском крае 24 февраля дождь и мокрый снег. На Черноморском побережье, в районе Анапа-Геленджик, сильный ветер.

В центральной части России 22 февраля погода еще без осадков, днем до плюс 5 градусов. А 23 февраля пройдет дождь и мокрый снег, но тепло — днем плюс 2-4 градуса. 24 февраля местами небольшие осадки, ночью около нуля, днем плюс 2-4 градуса.

Прогноз погоды в посёлке Кордон Глубокий Ручей

Климат в посёлке Кордон Глубокий Ручей ( города Луги), прогноз погоды по месяцам

Январь

Температура: -8,0° … -4,2°

Солнечных дней: 3

Пасмурные дни: 12

Дождливые дни: 3

Снежных дней: 13

Ветер: Юго-Восток, 3,4 м/с

Утро: -6,8°

День: -5,9°

Вечер: -6,3°

Давление: 759 мм рт. ст.

Облачность: 87%

Влажность: 97%

Февраль

Температура: -12,5° … -6,1°

Солнечных дней: 5

Пасмурные дни: 12

Дождливые дни: 2

Снежных дней: 10

Ветер: Юго-Запад, 3,9 м/с

Утро: -10,5°

День: -9,0°

Вечер: -10,2°

Давление: 764 мм рт. ст.

Облачность: 80%

Влажность: 93%

Март

Температура: -4,2° … +1,1°

Солнечных дней: 3

Пасмурные дни: 7

Дождливые дни: 2

Снежных дней: 19

Ветер: Юго-Запад, 4,5 м/с

Утро: -2,7°

День: -0,7°

Вечер: -2,0°

Давление: 758 мм рт. ст.

Облачность: 83%

Влажность: 81%

Апрель

Температура: +1,8° … +5,9°

Солнечных дней: 2

Пасмурные дни: 10

Дождливые дни: 10

Снежных дней: 8

Ветер: Запад, 4,7 м/с

Утро: +5,8°

День: +5,8°

Вечер: +1,9°

Давление: 757 мм рт. ст.

Облачность: 85%

Влажность: 70%

Май

Температура: +5,8° … +11,0°

Солнечных дней: 11

Пасмурные дни: 11

Дождливые дни: 9

Ветер: Юго-Запад, 3,8 м/с

Утро: +6,7°

День: +10,3°

Вечер: +6,4°

Давление: 760 мм рт. ст.

Облачность: 62%

Влажность: 62%

Июнь

Температура: +13,6° … +24,2°

Солнечных дней: 13

Пасмурные дни: 2

Дождливые дни: 15

Ветер: Юго-Восток, 4,2 м/с

Утро: +14,2°

День: +22,8°

Вечер: +15,2°

Давление: 762 мм рт. ст.

Облачность: 52%

Влажность: 56%

Июль

Температура: +12,7° … +21,2°

Солнечных дней: 4

Пасмурные дни: 7

Дождливые дни: 20

Ветер: Запад, 4,2 м/с

Утро: +13,2°

День: +20,5°

Вечер: +13,7°

Давление: 758 мм рт. ст.

Облачность: 66%

Влажность: 63%

Август

Температура: +13,1° … +20,8°

Солнечных дней: 9

Пасмурные дни: 7

Дождливые дни: 15

Ветер: Юго-Запад, 3,6 м/с

Утро: +15,8°

День: +20,0°

Вечер: +13,6°

Давление: 761 мм рт. ст.

Облачность: 61%

Влажность: 68%

Сентябрь

Температура: +10,9° … +17,4°

Солнечных дней: 9

Пасмурные дни: 6

Дождливые дни: 15

Ветер: Юго-Запад, 5,1 м/с

Утро: +12,2°

День: +16,2°

Вечер: +13,0°

Давление: 761 мм рт. ст.

Облачность: 59%

Влажность: 67%

Октябрь

Температура: +7,4° … +11,3°

Солнечных дней: 2

Пасмурные дни: 7

Дождливые дни: 22

Ветер: Юг, 4,1 м/с

Утро: +8,0°

День: +10,2°

Вечер: +9,2°

Давление: 761 мм рт. ст.

Облачность: 83%

Влажность: 79%

Ноябрь

Температура: +1,7° … +4,8°

Солнечных дней: 6

Пасмурные дни: 14

Дождливые дни: 9

Снежных дней: 1

Ветер: Юго-Запад, 4,8 м/с

Утро: +2,9°

День: +3,3°

Вечер: +3,2°

Давление: 767 мм рт. ст.

Облачность: 77%

Влажность: 87%

Декабрь

Температура: -2,5° … +0,2°

Солнечных дней: 5

Пасмурные дни: 11

Дождливые дни: 2

Снежных дней: 13

Ветер: Юг, 4,6 м/с

Утро: -1,2°

День: -1,2°

Вечер: -1,2°

Давление: 764 мм рт. ст.

Облачность: 81%

Влажность: 93%

Глубокий, Каменский район. Глубокий — посёлок городского типа в Ростовской области России. Административный центр Каменского района и Глубокинского городского п

                                     

2. История

Имя реке Глубокой, на которой стоит посёлок, дал Пётр Первый. По легенде, во время следования царского войска под Азов, в реку упала пушка, попытки достать которую не увенчались успехом.

На почтовой станции около будущего посёлка в XIX веке останавливались А. С. Пушкин, М. Ю. Лермонтов, следовавшие на Кавказ. В 1854 году молодой офицер и начинающий писатель Л. Н. Толстой попал в районе Глубокого в сильный буран. Следствием этого стал им написанный рассказ «Метель».

Уже в начале XX века Глубокая стала крупнейшей станцией Юго-Восточной железной дороги. Здесь находилось локомотивное депо на 4 паровозов, водокачка. Курсировал пригородный поезд до станицы Каменской. При станции находились склады, рынок, мельницы, хлебные ссыпки. Казачьего населения в посёлке было мало — земли около Глубокого считались «гиблыми» для земледелия.

Во время Великой Отечественной войны посёлок был оккупирован немецкими войсками. Освобождён советской армией в результате операции «Малый Сатурн» в январе 1943 года. 14 января в посёлок вошли танкисты танковой группы майора Тягунова 56-я мотострелковая бригада 23-го танкового корпуса. Командиром мотострелковой бригады являлся Яков Николаевич Колотько, который погиб при наступлении на Каменск-Шахтинский и был похоронен в Глубоком.

Летом 1955 года при выполнении пилотажа на малых высотах в зоне в районе посёлка Герой Советского Союза подполковник Алексей Кривонос с инструктором, заместителем командира авиаэскадрильи по политчасти, нарушили задание и, проходя на бреющем полёте вдоль улицы, зацепились за крышу одного дома левой плоскостью и снесли ещё несколько домов. В результате погибли сами пилоты и несколько жителей посёлка.

В конце XX века локомотивное депо было закрыто ввиду нерентабельности. В посёлке имелся кирпичный завод, который производил красный кирпич. Завод прекратил свою работу и постепенно был разрушен.

Население посёлка постепенно уменьшается, на протяжении двух десятилетий смертность превышает рождаемость. В Глубоком имеется 3 жилых пятиэтажных дома и один недостроенный т. н. Микрорайон, один четырёхэтажный многоквартирный дом и множество двухэтажных домов.

Раньше река Глубокая была в плохом экологическом состоянии — водоём мелел, ил забивал чистые родники. В октябре 2009 года построена новая плотина, вода начала понемногу прибывать. Однако в начале 2011 года на реке произошла очередная экологическая катастрофа, вызвавшая мор рыбы, лягушек и бобров.

Опасное соседство: в поселке Осиново в метре от жилого дома вырыли глубокий котлован

А жителей поселка Осиново в Зеленодольском районе беспокоит котлован, который вырыли за считанные дни. И все это в метре от жилого дома. Те, кто это сделал уверяют, что земля в их собственности, а вот местные в этом сомневаются. Правду решили искать в прокуратуре.

Диана Василова, Ралина Абрамова

Зеленодольский район

Двухметровый котлован – за несколько дней – появился у жилого дома в поселке Осиново. Ни заборов, ни уведомлений, ни даже паспорта будущего объекта. Только скорые строительные работы, которые внезапно прекратились на время приезда съемочной группы. Как вдруг прямо под окнами развернулось масштабное строительство – копнуть в ситуацию глубже пришлось самим жителям. Правда, общение с рабочими – совсем не строилось.

Олег Ильин, житель поселка Осиново
— Сами строители начали чувствовать как хозяева. Никаких просьба, объяснений. В грубой форме. Всех куда-то посылали.  Жильцы являются частными собственниками дома и имеют право решать, как использовать территорию. Мы должны были принимать решение.

Удивились появлению нового объекта на карте – даже в управляющей компании. Им тоже никто уведомление о начале стройки не направлял.

Николай Бармин, главный инженер УК «Жилсервис»
— Нет разрешающих документов. Не предъявил. Это вызывает сомнения. + Строительные работы остановили. Забор – не по нормам. Очень сильные ветра, любой уклон — может упасть. Освещение площадки отсутствует, может кто угодно упасть.

Такая близость нового и старого – может серьезно ударить именно по второму. Ведь в случае подобного соседства строители должны были установить маячки, чтобы следить за состоянием жилого дома. Сегодня жители получили официальный ответ от главы Осиновского сельского поселения. По его просьбе Исполком района возьмет ситуацию на контроль – проверить законность строительства поручат соответствующим органам.

Weather.interia.com — Долгосрочный (45 дней), прогноз погоды для мира

Погода сейчас местное время 18:50 местное время 18:50

5:59 утра 5:59 18:15 6:15

9:38 утра 9:38 2:00 УТРА 2:00

Переменная облачность

Температура

10 ° С

50 ° F

По ощущениям 8 ° C 46 ° F

  • Давление 1029 гПа 30. 39 дюймов рт. Ст.
  • Ветер 14 км / ч 8,7 миль / ч

Погрузка…

Village of Deep Run, MD Weather Graphics

Радар спутник Карта поверхности Текущие темпы Текущие ветры 24 часа с осадками 24 часа снега Модельные прогнозы

Это инфракрасный спутниковый снимок с улучшенной цветопередачей, полученный с метеорологического спутника GOES-16.


Посмотреть больше карт погоды. Уменьшить

Эта карта поверхности взята из компьютерной модели HRRR. Это 1-часовой прогноз, обновляемый ежечасно, что является хорошей оценкой текущего состояния поверхности.На этой карте показаны текущие центры высокого и низкого давления, изобары давления, линии тока ветра и изобаты толщин. Он также показывает текущие оценки осадков, хотя это не должно заменять для реального живого радара. Пурпурный пунктирный контур — это линия толщины 5400 м, которая часто является хорошим показателем линии дождя / снега.


Посмотреть больше карт погоды.

Чтобы просмотреть последние модели компьютеров, посетите сайт f5wx.com, чтобы получить доступ к картам погоды и руководствам, которые метеорологи используют для составления своих прогнозов.

Получите доступ к:
  • European ECMWF HRES
  • Американский GFS
  • Австралия BOM ACCESS-G
  • Канадский GDPS GEM
  • Немецкий DWD ICON
  • Унифицированная модель UKMET британского метеобслуживания
  • Американский NAM
  • Американский HRRR
  • Американский NBM — Национальная смесь моделей
  • GEFS, GEPS и европейские ансамбли
  • Вероятности и средние значения
  • 3-Ensemble Mean & More!
Просматривайте результаты зондирования Skew-T, таблицы текстовых данных для вашего местоположения и, конечно же, карты! Карты прогноза погоды с основными данными, такими как температура, ветер, давление, влажность, точка росы, Доступны облачный покров, моделируемый радар, погода для путешествий, осадки и снег. Более продвинутые пользователи также могут воспользоваться нашими картами суровой погоды и угроз торнадо, а также графикой аэрографии и сдвига.

Просматривайте последние данные прогноза по мере обновления моделей.

Войдите на наш картографический сайт — F5Weather Отчет о погоде и снегопаде

— Курорт Jackson Hole

Общее количество снега по курорту

  • Джексон Хоул, Вайоминг

    478

  • Альта, UT

    411

  • Скво-Вэлли, Калифорния

    293

  • Брекенридж, Колорадо

    208

  • Теллурид, CO

    219

  • Вейл, Колорадо

    206

  • Парк-Сити

    214

  • Уистлер, Британская Колумбия

    404

Снежный отчет

Отчет

обновлен 21 марта 2021 г., 6:00

ВЕРХНЯЯ ГОРА

СРЕДНЯЯ ГОРНАЯ



Горное обновление

6:00 — Выпрыгивайте из постели всем искателям мягкого снега.Небольшой приятный штрих за ночь добавил новое измерение к вашим воскресным вариантам скольжения. Приходите посмотреть, что вы можете найти. Затяжной снегопад этим утром сменится преимущественно солнечным небом к обеду. Высокие температуры будут достигать низких 20 на вершине и упасть до низких 30 у подножия. Ожидайте прохладных северо-западных ветров со скоростью 10-20 миль в час. Буйные ощущения будут сублимироваться из глубины вашей души, поскольку искушение горы заставляет ваш дух взлетать из-под контроля.Наслаждаться поездкой. -Lege

Аудио отчет о снегопаде


Аудио отчет

Снежный отчет

Подъемники и подъемники

Подъемников Открыто:
13 из 13

Открыто маршрутов:
Картинка 119 из 133

Грумеры Открыто:
51

Парков местности:
OPEN Bronco ( новичок )
3/3 Stash Parks ( средний )


Ссылки по теме


Статус парковки в деревне

19%

Деревня Лот

ПОЛНЫЙ
В наличии
30 долларов США

Коди Лот

20%
В наличии
30 долларов США

Ранчо Лот

25%
В наличии
15 долларов США

Кристалл Спрингс

25%
В наличии
30 долларов США

Stilson Лот

60%
В наличии
0 долл.
США


Прогноз погоды

  • Сегодня

    База:

    Верхняя гора:
    Максимум:
    Минимум:

  • База:

    Верхняя гора:
    Максимум:
    Минимум:

  • База:

    Верхняя гора:
    Максимум:
    Минимум:

  • База:

    Верхняя гора:
    Максимум:
    Минимум:

  • База:

    Верхняя гора:
    Максимум:
    Минимум:

Записка о погоде в горах

Этот отчет о снеге и погоде предназначен для горнолыжных курортов Тетон-Виллидж, Вайоминг и Джексон-Хоул.Информация о снегопадах получена непосредственно из участков исследования снежного покрова, поддерживаемых Национальным лесным центром прогнозирования лавин Бриджер-Тетон. Информация о погоде получена от NOAA и MountainWeather.com, но погодные условия в Джексон-Хоул чрезвычайно трудно предсказать — отправляясь в горы, будьте готовы к быстрым и резким изменениям погоды.
Другие ресурсы

Прогноз погоды — Village of Deep Run

  • 15:00

    15 °

    5 кун

  • 18:00

    13 °

    3 кн

  • 21:00

    7 °

    5 кун

Карта погоды для Village of Deep Run

0 кун 7 кун 16 кун 27 кун 40 кун 64 кун 97 кун
0 кун 7 кун 16 кун 27 кун 40 кун 64 кун 97 кун
-55 ° -30 ° -20 ° -10 ° 0 ° 1 ° 10 ° 15 ° 20 ° 30 ° 40 ° 50 °
940 948 956 964 973 981 988 997 1005 1013 1021 1030 1038 1046 1054
0. 2 мм 0,4 мм 0,6 мм 1.0 мм 2,0 мм 3,0 мм 4.0 мм 10,0 мм 15,0 мм 20,0 мм 25,0 мм 30,0 мм
2 10 30 50 75 100 150 200
7 2103212100 2103212100 температуры ложный истинный ложный

ЕЖЕДНЕВНАЯ ПОГОДНАЯ ПОЧТА ДЛЯ Village of Deep Run

Ежедневный прогноз погоды и вчерашняя статистика погоды в вашем почтовом ящике! Отпишитесь одним кликом.

Карта для Village of Deep Run — и в других местах у нас есть прогнозы погоды на

12

Самый высокий и самый низкий уровень наблюдений для Южной Африки

Текущие наблюдения с метеостанций в Южной Африке. Качество отчетов не проверяется.

Погода и прогноз | Лоджи Национального парка Гранд-Каньон

Погода в Гранд-Каньоне

Южный край находится на высоте 7000 футов над уровнем моря, что означает снег зимой и прохладные ночи даже летом.Однако во время пеших прогулок по Гранд-Каньону летом у реки Колорадо будет более высокая температура, поскольку температура может достигать 120 ºF / 47 ºC. Погода особенно переменчива весной и осенью; посетители должны быть готовы к различным климатическим условиям.

Посмотреть текущие условия

Посмотреть 5-дневный прогноз

Наша сезонная погода

Какое бы время года вы ни выбрали для посещения национального парка Гранд-Каньон, будьте готовы к разнообразию климата, поскольку погода переменчива в любое время года.

Южный край, где расположена деревня Гранд-Каньон, находится на высоте 7000 футов над уровнем моря. Это означает, что зимой возможен снег, а летом — прохладные ночи. Высокие температуры колеблются от 70 до 80 (21 — 27 ºC) в летние месяцы в течение дня до 30-40 (-1 — 4 ºC) зимой.

Однако, если вы планируете отправиться в каньон ниже его края, будьте готовы к более теплым условиям. Фактически, летние температуры вдоль реки Колорадо на дне каньона могут достигать 120 ºF / 47 ºC.

Рекомендуются длинные рукава и брюки для предотвращения обезвоживания и солнечных ожогов. И обязательно возьмите с собой много воды. Во время похода вам захочется пить много воды и спортивных напитков, а также перекусить соленой пищей с высоким содержанием углеводов.

Большая глубина Гранд-Каньона создает различные условия между Южным Кольцом и Ранчо Призраков. Температура обычно колеблется на 20 ºF (11 ºC) между верхом и низом.

Лето (июнь — август) — Температура на дне каньона часто превышает 100 ºF (38 ºC).

Зима (декабрь — февраль) — Зимнее путешествие по каньону — от снега на Южном Кольце до более умеренного климата Ранчо Фантома. Средняя температура обода колеблется от 20 ºF до 43 ºF. Средняя температура на Phantom Ranch колеблется от 38 до 58 градусов по Фаренгейту.

Весна (март — май) и осень (сентябрь — ноябрь) — Будьте готовы ко всему, так как в это время года погода сильно меняется.Температура во внутреннем каньоне обычно очень умеренная. Листья, переворачивающиеся осенью, и распускающиеся весной полевые цветы просто впечатляют. Средние температуры на Южном Кольце колеблются от 34 ° F до 62 ° F. Средняя температура на Phantom Ranch колеблется от минимума 55 ºF до максимума 82 ºF.

Какая бы погода ни была, вы будете рады узнать, что Южный край открыт 24 часа в сутки, 365 дней в году.

Распознавание погоды на проезжей части с помощью глубокой сверточной нейронной сети

Суровые погодные условия будут иметь большое влияние на городской транспорт.Автоматическое распознавание погодных условий имеет важное прикладное значение при предупреждении о дорожном движении, вспомогательном вождении автомобилей, интеллектуальной транспортной системе и других аспектах. С быстрым развитием глубокого обучения глубокие сверточные нейронные сети (CNN) используются для распознавания погодных условий на проезжей части. В этой статье предлагается новая упрощенная модель под названием ResNet15, основанная на остаточной сети ResNet50. Сверточные слои ResNet15 используются для извлечения погодных характеристик, а затем характеристики, извлеченные на предыдущем уровне, переходят на следующий уровень через четыре группы остаточных модулей.Наконец, изображения погоды классифицируются и распознаются с помощью полностью связанного слоя и классификатора Softmax. Кроме того, мы создаем средний набор данных изображений погоды на проезжей части под названием «WeatherDataset-4», который состоит из 4 категорий и содержит 4983 изображения погоды, охватывающие большую часть суровой погоды. В этой статье ResNet15 используется для обучения и тестирования на «WeatherDataset-4», и получаются желаемые результаты распознавания. Оценка большого количества экспериментов показывает, что предлагаемый ResNet15 превосходит традиционные сетевые модели, такие как ResNet50, по точности распознавания, скорости распознавания и размеру модели.

1. Введение

В условиях современного дорожного движения суровые погодные условия будут иметь большое влияние на городское движение. Суровые погодные условия, такие как дождь, снег и туман, уменьшают видимость и коэффициент трения на проезжей части, что может вызвать пробки и серьезные дорожно-транспортные происшествия с большой потенциальной опасностью. Благодаря распознаванию погодных условий в режиме реального времени и всестороннему использованию информации о дорожном движении, временные параметры светофоров можно регулировать в реальном времени в соответствии с погодными условиями, например, соответствующим образом увеличивая время зеленого и желтого света в суровых погодных условиях.Он может эффективно избежать серьезных дорожно-транспортных происшествий и повысить эффективность вождения. Некоторые автомобильные вспомогательные системы могут повысить безопасность вождения за счет определения погодных условий, например, установить ограничения скорости в плохих погодных условиях, побудить водителей соблюдать дистанцию ​​и автоматически включить дворники в дождливую погоду [1]. Таким образом, автоматическое распознавание погодных условий имеет важное прикладное значение в предупреждении о дорожном движении, вспомогательном вождении автомобилей и интеллектуальной транспортной системе [2–4].

Традиционные методы распознавания погоды в основном основывались на использовании нескольких датчиков [5]. Однако установка и обслуживание датчиков потребует больших человеческих и материальных ресурсов. Кроме того, сложность внешней среды будет влиять на точность распознавания различных датчиков, а также сложно отследить изменения погодных условий в пространстве и времени. В последние годы с развитием интеллектуальных транспортных систем на дорогах стали устанавливать различные устройства мониторинга [6].Поэтому постепенно развивались методы распознавания погоды, основанные на обработке изображений и машинном зрении [7]. Метод, основанный на дереве решений и машине опорных векторов (SVM), был предложен для классификации и идентификации изображений погоды путем извлечения таких характеристик, как наклон спектра мощности, контраст, шум и насыщенность [8, 9]. Метод был протестирован на небольшом наборе данных под названием Wild Dataset, содержащем сотни изображений, и частота ошибок распознавания туманных и дождливых дней составила 15% и 25% соответственно, что не может удовлетворить фактическим требованиям [10].Кроме того, изображения были сняты в фиксированном положении, и количество изображений было недостаточным, что привело к отсутствию обобщения и авторитета. Таким образом, большинство этих методов, основанных на машинном обучении, требуют создания сложных функций и ручного извлечения различных характеристик погоды. Методы слишком сложны, обладают слабой универсальностью и обобщающей способностью. В настоящее время, с быстрым развитием глубокого обучения, AlexNet, VGGNet, GoogLeNet, ResNet и другие традиционные сверточные нейронные сети (CNN) показали потрясающую производительность в различных задачах машинного зрения, включая классификацию изображений, обнаружение объектов и семантическую сегментацию [11–11]. 16].Поскольку CNN может извлекать обширную, абстрактную и глубокую семантическую информацию из изображений погоды, они в значительной степени превосходят традиционные методы распознавания погоды. Предварительно обученная сеть AlexNet была настроена с помощью двухклассового набора данных о погоде, и точность распознавания достигла 82,2%, достигнув хороших результатов [17, 18]. Затем признаки, извлеченные вручную и с помощью CNN, были объединены для повышения эффективности классификации, и точность распознавания может достигать 91,4% [18]. Предварительно обученная сеть GoogLeNet была настроена с помощью крупномасштабного набора данных об экстремальных погодных условиях, собранных ими, и получила более точную модель распознавания погоды с точностью распознавания до 94.5% [19]. Затем была предложена новая стратегия двойной тонкой настройки для обучения модели GoogLeNet и оптимизации исходной сети GoogLeNet [20]. Размер модели составлял лишь одну треть от размера исходной модели, а точность распознавания была улучшена до 95,46%. Эти методы распознавания погоды, основанные на глубоком обучении, обычно превосходят традиционные методы, но они требуют крупномасштабных наборов данных в качестве поддержки и могут быть эффективно обучены только на высокопроизводительном графическом процессоре, что делает их очень дорогими для распознавания погодных условий.Следовательно, в настоящее время трудно широко применять эти методы к оконечному оборудованию в области трафика.

Учитывая ограничения вышеупомянутых методов, предлагается новый метод распознавания погоды на проезжей части с использованием глубоких сверточных нейронных сетей. Вклады этой статьи заключаются в следующем. Во-первых, глубокие сверточные нейронные сети (CNN) используются для распознавания погодных условий на проезжей части. Кроме того, нами создан средний набор данных погодных изображений на проезжей части, покрывающий большую часть суровых погодных условий, под названием «WeatherDataset-4».И последнее, но не менее важное: новая упрощенная модель под названием ResNet15 предлагается для задачи распознавания погоды на проезжей части на основе ResNet50. Учитывая влияние глубины сети и вычислительной сложности в целом, мы принимаем компромиссное решение. Количество слоев в этой сетевой модели уменьшено с 50 до 15, и количество ядер свертки в каждом слое свертки также соответственно уменьшено. После ряда упрощений размер модели ResNet15 составляет лишь одну восьмую от размера ResNet50, и эта модель может эффективно работать даже на общем процессоре.ResNet15 используется для обучения и тестирования набора данных, и достигаются желаемые результаты распознавания. Остальная часть этой статьи структурирована следующим образом. Раздел 2 знакомит с методом построения «WeatherDataset-4». Раздел 3 описывает архитектуру ResNet15 для распознавания погоды. В разделе 4 представлены экспериментальные результаты ResNet15 на «WeatherDataset-4» и их сравнение с другими методами. Наконец, в разделе 5 приведены выводы.

2. Набор данных

Данные являются ключевым моментом алгоритмов глубокого обучения, и они не являются исключением в задаче распознавания погоды в этой статье.Производительность распознавания глубокой нейронной сети сильно зависит от размера наборов данных [21]. AlexNet добился лучших результатов в соревнованиях ILSVRC-2010 и ILSVRC-2012. Эта модель может настолько точно классифицировать 1000 различных классов, что не только выигрывает от преимуществ сетевой структуры, но также выигрывает от крупномасштабного набора данных, включая 1,2 миллиона обучающих изображений [11]. Приведенный выше мелкомасштабный набор данных под названием Wild Dataset содержит всего несколько сотен изображений погоды, и результаты распознавания неудовлетворительны.Из-за отсутствия общедоступных наборов данных о погоде в этой статье для задачи распознавания погоды создан средний набор данных изображений погоды на проезжей части под названием «WeatherDataset-4». Детали этого набора данных показаны в таблице 1. Этот набор данных содержит в общей сложности 4983 изображения погоды, охватывающих большую часть суровой погоды, которые разделены на четыре категории: туманные дни, дождливые дни, снежные дни и солнечные дни. Поскольку пасмурные и солнечные дни примерно одинаково влияют на проезжую часть, они равномерно переходят в солнечные дни.Изображения погоды каждой категории разделены на набор поездов и набор тестов, с 4000 изображений для обучения и 983 изображений для тестирования. Большинство этих изображений собраны из Интернета и выбраны в соответствии с конкретными требованиями. Режимы изображения включают аэрофотосъемку, камеру, новости, дорожно-транспортные происшествия и автомобильный регистратор данных. Этот набор данных собирается для определения погодных условий на проезжей части, поэтому большинство изображений содержат сложные дорожные сцены, такие как городские улицы, шоссе и проселочные дороги.На рисунке 1 показаны четыре образца изображений погоды из «WeatherDataset-4». Поскольку эти изображения сделаны под разными углами и содержат множество сложных сцен, а количество изображений погоды каждой категории относительно велико, этот набор данных имеет определенную обобщенность и универсальность.


Категория Туманный Дождливый Снежный Солнечный Всего

Количество поездов 1000 1000 1000 1000 4000
Количество наборов тестов 221 255 243 264 983

Методы глубокого обучения обычно требуют больших- масштабировать наборы данных в качестве поддержки, чтобы избежать переобучения в процессе обучения сети.Принимая во внимание эту ситуацию, в этой статье был принят ряд методов увеличения данных для обучающих изображений в «WeatherDataset-4». Во-первых, блок изображения размером 224 × 224 случайным образом перехватывается из исходного изображения размером 256 × 256. Затем блок изображения поворачивается, переворачивается, трансформируется, вырезается, увеличивается и т. Д. Наконец, генерируется серия различных изображений, как показано на рисунке 2. В частности, функция ImageDataGenerator, предлагаемая API Keras, используется для генерации изображений погоды после стохастического преобразования в каждую тренировочную эпоху путем установки таких параметров, как диапазон поворота, сдвиг ширины и диапазон сдвига [22].После принятия этого метода модель не будет получать два идентичных изображения, что способствует предотвращению переобучения и улучшает обобщение и надежность модели. Чтобы проверить эффективность увеличения данных для задачи распознавания погоды, контрастные эксперименты с увеличением данных или без него описаны в разделе 4.2.


3. Метод
3.1. Архитектура ResNet15

Остаточная сетевая структура продемонстрировала отличную производительность для классификации изображений и распознавания объектов в конкурсе ImageNet Large Scale Visual Recognition Challenge (ILSVRC) 2015 года.Остаточные модули использовались для решения проблемы исчезающего градиента в Resnet50, вызванной увеличением глубины сети [14]. Без добавления дополнительных параметров скорость и точность сходимости можно ускорить и улучшить, просто увеличив глубину сети. Благодаря отличным характеристикам остаточной сетевой структуры, в этой статье была предложена новая упрощенная модель ResNet15 на основе ResNet50. Архитектура ResNet50 и ResNet15 показана в таблице 2. Во-первых, ResNet50 состоит из сверточного слоя размером 7 × 7 и слоя MaxPooling размером 3 × 3, за которым следует серия остаточных модулей.Есть два основных режима наложения остаточных модулей. Один из режимов — это блок идентификации (IB), показанный на рисунке 3 (а), вход и выход которого имеют одинаковые размеры, поэтому их можно подключать последовательно. Другой — Conv Block (CB), показанный на рисунке 3 (b), вход и выход которого имеют разные размеры, поэтому их нельзя соединять последовательно, и функция которого заключается в изменении размеров вектора признаков на слой свертки размером 1 × 1. Наконец, изображения погоды классифицируются и распознаются с помощью слоя AveragePooling и классификатора Softmax.

80 × 7]: 64/2

Имя слоя ResNet50 ResNet15
Форма Выход Форма Выход


[112 × 112]: 64 [7 × 7]: 32/2 [112 × 112]: 32
MaxPooling [3 × 3] / 2 [56 × 56]: 64 [3 × 3] / 2 [56 × 56]: 32

Conv2_x [1 × 1]: 64 CB × 1/1 [1 × 1]: 32
[3 × 3]: 64 [56 × 56]: 256 [3 × 3]: 32 CB × 1/2 [28 × 28]: 64
[1 × 1]: 256 IB × 2/1 [1 × 1]: 64

Conv3_x [1 × 1]: 128 CB × 1/2 [1 × 1]: 64
[3 × 3]: 128 [28 × 28]: 512 [3 × 3]: 64 CB × 1/2 [14 × 14]: 128
[1 × 1]: 512 IB × 3/1 [1 × 1]: 128

Conv4_x [1 × 1]: 256 CB × 1/2 [1 × 1]: 128
[3 × 3]: 256 [14 × 14]: 1024 [3 × 3]: 128 CB × 1/2 [7 × 7]: 256
[1 × 1]: 1024 IB × 5/1 [1 × 1]: 256

Conv5_x [1 × 1]: 512 CB × 1/2 [1 × 1]: 256
[3 × 3 ]: 512 [7 × 7]: 2048 [3 × 3]: 256 CB × 1/2 [4 × 4]: 512
[1 × 1]: 2048 IB × 2/1 [1 × 1]: 512

Прочие Средний пул, [7 × 7] / 7 [1 × 1]: 512 FC-512 512
Softmax-4 4 Softmax-4 4

Размер модели 45 . 7M 5,4M

ResNet15 упрощен и улучшен на основе ResNet50. Во-первых, в ResNet50 сохраняются сверточный слой размером 7 × 7 и слой MaxPooling размером 3 × 3. Во-вторых, четыре блока Conv первого уровня в четырех группах остаточных модулей сохраняются, а параметр шага остаточного модуля первой группы изменяется с 1 на 2, но другие блоки идентичности удаляются.Затем слой AveragePooling изменяется на полностью связанный слой с 512 измерениями, а слой исключения добавляется после полностью подключенного слоя. Наконец, классификатор Softmax остался без изменений. Архитектура ResNet15 показана на рисунке 4. Пунктирная рамка на рисунке показывает четыре группы остаточных модулей. Поскольку количество параметров сетевой модели должно быть пропорционально размеру набора данных, количество сверточных ядер соответствующим образом скорректировано в этой статье, чтобы уменьшить количество параметров сетевой модели с 45.От 7 до 5,4 м, а размер модели составляет лишь одну восьмую от размера ResNet50. Эти изменения основаны на оптимальных результатах большого количества экспериментов, которые можно увидеть в разделе 3.2.


В этой статье сверточные слои сетевой модели ResNet15 используются для извлечения погодных характеристик неба, дороги, фона и т. Д. В погодных изображениях слой за слоем. На рисунке 5 показаны карты визуальных характеристик, извлеченные из сверточных слоев каждой группы.Чем глубже уровень сети, тем меньше количество пикселей на характерных картах, что указывает на более абстрактные погодные характеристики. Затем погодные характеристики, извлеченные на предыдущем уровне, переходят на следующий уровень через четыре группы остаточных модулей, чтобы предотвратить потерю и повреждение важных характеристик в процессе передачи через глубокие сверточные слои. Наконец, изображения погоды классифицируются и распознаются с помощью полностью связанного слоя и классификатора Softmax.


3.2. Настройка гиперпараметров

Модель остаточной сети может ускорить скорость сходимости и повысить точность за счет увеличения глубины сети без добавления дополнительных параметров. Однако с увеличением глубины сети градиент исчезнет, ​​и важные погодные характеристики, извлеченные сверточными слоями, будут потеряны и уничтожены во время передачи. Даже если введение остаточных модулей может решить большинство из этих проблем, это не означает, что чем глубже, тем лучше, а вычислительная сложность значительно возрастает по мере увеличения глубины.Следовательно, необходимо найти баланс между производительностью модели и вычислительной сложностью. По этой причине мы складываем 2, 3, 4 и 5 остаточных модулей соответственно, чтобы составить ResNet9, ResNet12, ResNet15 и ResNet18 для сравнительного эксперимента. Результаты сравнения показаны на рисунке 6 (а). По мере увеличения глубины точность распознавания сетевых моделей ResNet9, ResNet12 и ResNet15 последовательно увеличивается, но точность распознавания ResNet18 немного ниже, чем у ResNet15.Учитывая влияние характеристик распознавания погоды и вычислительной сложности в целом, в этой статье окончательно принята структура сети ResNet15, состоящая из четырех групп остаточных модулей.

Слой MaxPooling и слой AveragePooling находятся, соответственно, после первого сверточного слоя и перед классификатором Softmax в ResNet50. Слой объединения предназначен для повторного извлечения важных функций. Слой MaxPooling фокусируется на извлечении элементов текстуры краев, в то время как слой AveragePooling фокусируется на извлечении элементов фона.Эта операция не только сокращает объем обработки данных, но также сохраняет важные функции, обеспечивая функции уменьшения размерности функций, сжатия данных и запрета переобучения. Мы пробуем различные комбинации слоя MaxPooling и слоя AveragePooling после первого сверточного слоя и перед классификатором Softmax в ResNet15 и заменяем слой объединения полностью подключенным слоем перед классификатором Softmax для серии сравнительных экспериментов. Как показано на рисунке 6 (b), экспериментальные результаты показывают, что комбинации слоя MaxPooling, принятого после первого сверточного слоя, и полностью связанного слоя с 512 измерениями, добавленными перед классификатором Softmax, достигают наивысшей точности распознавания 96.03%. Кроме того, мы добавляем слой исключения между полностью подключенным слоем и классификатором Softmax. Во время обучения данные в полностью подключенном слое случайным образом отбрасываются в определенной пропорции, чтобы предотвратить переобучение. В этой статье модель обучается и сравнивается с разными показателями отсева, составляющими 0,2–0,8. Результаты экспериментов показаны на рисунке 6 (c); точность распознавания модели самая высокая, когда коэффициент отсева равен 0,2.

3.3. Подробности изучения ResNet15

Сетевая модель ResNet15, предложенная в этой статье, построена на основе библиотеки Keras с питоном.4000 обучающих изображений в «WeatherDataset-4» просматриваются функцией ImageDataGenerator, и операции увеличения данных стохастического преобразования выполняются для каждого изображения. Размер обучающего пакета установлен на 40, а эпоха установлена ​​на 100. В этой статье оптимизатор стохастического градиентного спуска (SGD) используется для обновления и оптимизации веса ResNet15. Импульс установлен на 0,9, а спад веса установлен на 0,0002. Кроме того, модель инициализируется со скоростью обучения 0.001, и значение уменьшается на 10% после каждых четырех тысяч итераций. После обучения тестируется 983 тестовых изображения. Эксперименты проводятся на графическом процессоре NVIDIA GeForce GTX 1080 Ti, время распознавания также проверяется на процессоре. Контрастные эксперименты показаны в разделе 4.3.

4. Экспериментальные результаты и анализ
4.1. Производительность распознавания

Чтобы проверить правильность метода, описанного в этой статье, ResNet15 построен на основе библиотеки Keras с питоном.Сначала ResNet15 обучается на обучающем наборе «WeatherDataset-4», и модель сохраняется после обучения. Затем изображения тестового набора вводятся в обученную модель для распознавания погоды и выводятся результаты классификации (одно из четырех погодных условий: туманный, дождливый, снежный и солнечный). Наконец, в соответствии с результатами классификации 983 тестовых изображений вычисляется точность распознавания и строится матрица неточностей распознавания погоды, как показано на рисунке 7 (f). Значения на диагонали матрицы неточностей представляют точность распознавания каждой категории соответственно.Среди них точность распознавания туманных дней составляет 96,38%, дождливых дней — 97,25%, снежных дней — 94,65%, солнечных дней — 95,08%. Средняя точность распознавания погоды 96,03%. Таким образом, ResNet15 отлично справляется с задачей распознавания погоды на проезжей части дороги.

В этой статье абстрактные высокоуровневые характеристики неба, дороги и фона в изображениях погоды извлекаются через сверточные слои ResNet15, а затем изображения погоды классифицируются и распознаются полностью связанным слоем и классификатором Softmax.Примеры, которые можно правильно идентифицировать, показаны на Рисунке 8 (а). Эти очевидные погодные характеристики, такие как густой туман, гладкая земля, белый снег и голубое небо, позволяют эффективно идентифицировать погодные изображения как туманные дни, дождливые дни, снежные дни и солнечные дни соответственно. Среди них туман уменьшит видимость, а дождь и снег сделают дороги более гладкими, что не способствует движению транспорта и может вызвать дорожно-транспортные происшествия и пробки. Если эти суровые погодные условия можно распознать в реальном времени, можно эффективно избежать серьезных дорожно-транспортных происшествий и повысить эффективность вождения.

Однако большая часть фоновой информации в изображениях погоды относительно сложна. Из-за сложности распознавания погоды не все изображения погоды можно правильно распознать. Первую причину можно отнести к неопределенности, поскольку нет четкой границы между различными погодными категориями. Кроме того, иногда распознавание погоды не является простой задачей классификации, потому что на некоторых изображениях погоды присутствует более одного элемента погоды; это может быть задача классификации с несколькими ярлыками [23, 24], которую можно резюмировать как неполноту.Следовательно, некоторые изображения погоды не могли быть идентифицированы правильно, как показано на Рисунке 8 (b). Мутное небо и фон относятся к туманным дням, но иногда их в конечном итоге неправильно распознавали как снежные дни из-за снега на дороге. Иногда, несмотря на то, что дорога была покрыта снегом, из-за голубого неба изображение не принималось за солнечные дни. Иногда изображение неправильно распознается как туманные дни из-за сложных фоновых характеристик, таких как брызги воды, густые облака и серое небо.Из-за сложности распознавания погоды многие изображения погоды также трудно распознать точно даже вручную, а метки набора данных могут содержать ошибки. Более того, чистота наборов данных также является очень важным свойством для классификации изображений, которое не меньше размера наборов данных [21]. Следовательно, это также важная мера для повышения производительности распознавания погоды, чтобы отсеивать ошибки в метках набора данных и удалять изображения погоды с нечеткими метками.

4.2. Эффекты увеличения данных и остаточных моделей

Чтобы проверить эффективность увеличения данных для задачи распознавания погоды, в этой статье обучающие изображения в «WeatherDataset-4» с увеличением данных или без него загружаются в ResNet50 и ResNet15 сетевые модели для обучения, а тестовые изображения используются для проверки. Кривые точности двух методов на проверочном наборе показаны на рисунке 9 (а), на котором пунктирная линия представляет кривую без увеличения данных.Результаты экспериментов показаны в таблице 3. Точность распознавания ResNet50 составляет 75,38%, а Resnet15 — 80,57% без увеличения данных. После увеличения данных точность распознавания ResNet50 достигает 85,76% с увеличением примерно на 10%, а ResNet15 достигает 96,03% с увеличением примерно на 15%. Более того, из кривой также можно увидеть, что переобучение начало появляться в ResNet50 и ResNet15 примерно после 30 эпох обучения, и точность набора проверки больше не увеличивалась.Однако увеличение данных может значительно предотвратить явление переобучения, значительно повысить точность распознавания изображений погоды и повысить обобщение и надежность этих моделей.


Метод Без увеличения данных (%) С увеличением данных (%)

ResNet50 75,38 85,76
80.57 96,03

Чтобы предотвратить потерю и повреждение глубинных погодных характеристик, извлеченных сверточными слоями во время передачи, четыре группы остаточных модулей вводятся в ResNet15. Погодные характеристики, извлеченные на предыдущем уровне, позволяют перейти к следующему уровню через остаточные модули, ускоряя скорость сходимости сетевой модели, улучшая точность распознавания и решая проблему исчезающего градиента, вызванную увеличением глубины сети.Чтобы проверить эффективность остаточных модулей для задачи распознавания погоды, четыре группы остаточных модулей в пунктирной рамке, показанной на рисунке 4, удалены, таким образом образуя 15-слойную сверточную нейронную сеть без остаточных модулей (CNN15) в виде сравнительный эксперимент. Кривая точности набора для валидации показана на рисунке 9 (b). Точность распознавания CNN15 составляет всего 79,35%, в то время как точность распознавания ResNet15 с добавлением четырех групп остаточных модулей улучшается примерно на 16%, и решается проблема исчезающего градиента, что значительно улучшает характеристики распознавания погоды.

4.3. Сравнение с другими методами

С развитием больших данных и увеличением вычислительной мощности ЦП и ГП глубокое обучение сделало выдающийся прорыв в области компьютерного зрения. На протяжении многих лет классические сверточные нейронные сети, такие как AlexNet, VGGNet, GoogLeNet и ResNet, ежегодно добивались лучших результатов в соревнованиях ILSVRC. В этих четырех классических сетях предлагается множество продвинутых сетевых структур, которые в значительной степени способствовали развитию глубокого обучения.Среди этих классических сетей улучшение производительности почти сопровождается углублением сверточной нейронной сети. Однако это не является определенным во всех аспектах из-за ограничений доступных наборов данных для распознавания погоды по масштабу и количеству. Чтобы оценить производительность распознавания погоды ResNet15, производительность распознавания ResNet15 на «WeatherDataset-4» сравнивается с показателями других методов глубокого обучения, таких как AlexNet, VGG16, GoogLeNet, ResNet50 и ResNet34.На рисунке 9 (c) показаны кривые точности различных методов, в которых разноцветные кривые представляют разные методы. Как видно из кривых, ResNet15, предложенный в этой статье, превосходит другие методы по точности распознавания, в то время как разрыв между другими классическими сетями не очевиден. Точность четырех категорий погодных условий и средняя точность распознавания показаны в Таблице 4. В соответствии со средней точностью распознавания различных методов, гистограмма построена, как показано на Рисунке 10 (а), на котором ResNet15, предложенный в этой статье, имеет высочайшая точность распознавания, за которой последовательно следуют ResNet34, GoogLeNet, AlexNet, ResNet50 и VGG16.На рисунке 7 показаны матрицы путаницы различных сетевых моделей. Это также подтверждает, что размер сетевой модели должен быть пропорционален размеру набора данных, а сетевая модель со слишком глубокими уровнями не может получить лучшую производительность из-за ограничения набора данных, что приводит к переобучению сети. Очевидно, что «WeatherDataset-4» не очень подходит для этих сложных сетей, в то время как сетевая модель ResNet15 с относительно простой структурой больше подходит для этого набора данных, поэтому она имеет лучшую производительность распознавания.


Метод Туман (%) Дождь (%) Снежно (%) Солнечный (%) Средняя точность (%)

AlexNet 94,12 82,75 92,18 76,52 86,47
VGG16 92,31 89,41 80,66 77,65 84.74
GoogLeNet 91,86 80,39 93,00 82,58 86,67
ResNet50 93,21 80,00 89,71 81,44 85,76 87,45 93,00 83,33 88,71
ResNet15 96,38 97,25 94,65 95.08 96,03

Из-за своевременности распознавания погоды, учитывая, что метод распознавания погоды на основе ResNet15, предложенный в этой статье, может быть применен для управления параметрами светофора в реальном времени. и вспомогательное вождение автомобилей, а также другие области, время обучения сетевой модели и время распознавания изображений погоды также являются очень важными параметрами. Более того, учитывая слишком высокую вычислительную стоимость GPU в настоящее время, в этой статье время обучения и время тестирования различных методов глубокого обучения проверяются как на CPU, так и на GPU.Однако, поскольку VGG16, GoogLeNet, ResNet50 и ResNet34 чрезмерно сложны, а количество параметров слишком велико, что приводит к очень медленному обучению на ЦП, мы обучаем их только для пяти эпох, а затем оцениваем время в 100 эпохи обучения путем вычисления среднего значения. Наконец, мы вычисляем FPS при распознавании изображений как на CPU, так и на GPU в соответствии со временем распознавания 983 тестовых изображений. FPS указывает количество изображений погоды, которые можно распознать в секунду. Результаты экспериментов показаны в Таблице 5, а гистограмма, построенная в соответствии с FPS различных методов на GPU, показана на Рисунке 10 (b).Как показывают результаты экспериментов, размер модели ResNet15 составляет лишь одну восьмую размера модели ResNet50, а время обучения и тестирования ResNet15 является самым коротким среди этих методов как для GPU, так и для CPU. Кроме того, частота кадров распознавания изображений достигает 4,4 на CPU и 163,3 на GPU. Это означает, что наша сетевая модель может распознавать более четырех изображений погоды в секунду и может быть обучена и протестирована даже на обычном дешевом процессоре. Следовательно, эта модель превосходит другие методы по скорости распознавания и размеру модели и может широко применяться к оконечному оборудованию в области трафика, что имеет практическую ценность и может удовлетворить фактические потребности.


Метод Размер модели (M) Время работы на CPU Время работы на GPU FPS
Поезд (ч) Тест (с) Цепочка (и) Тест (и) CPU GPU

AlexNet 58,3 58,7 478 3131 6,96 2.1 141,2
VGG16 134,3 458,3 2819 3147 12,17 0,3 80,8
GoogLeNet 6,8 218,5 108316 900 0,9 44,3
ResNet50 45,7 738,4 3966 3686 27,81 0,2 35.3
ResNet34 22,7 247,3 1393 3204 17,57 0,7 55,9
ResNet15 5,4 27,3 224 2986 6,02 163,3

5.
Выводы

В этой статье, нацеленной на задачу распознавания погоды на проезжей части дороги, представлен среднемасштабный набор данных погоды на проезжей части под названием «WeatherDataset- 4 ”, покрывающие большую часть суровых погодных условий, и предлагается новая упрощенная модель ResNet15 на основе ResNet50.Количество уровней в этой сетевой модели уменьшено с 50 до 15, а размер модели ResNet15 составляет лишь одну восьмую от размера ResNet50. Кроме того, упрощенная модель может эффективно работать даже на обычном дешевом процессоре. Оценка большого количества экспериментов показывает, что модель ResNet15 дает желаемый эффект на «WeatherDataset-4». Средняя точность распознавания погоды достигает 96,03%, в то время как FPS распознавания изображений достигает 4,4 на CPU и 163,3 на GPU, поэтому этот метод превосходит традиционные сетевые модели, такие как ResNet50, по точности распознавания, скорости распознавания и размеру модели.Таким образом, ResNet15, предлагаемый в этой статье, в основном может удовлетворить требования практического применения и может быть широко применен к оконечному оборудованию в области трафика. В настоящее время в нашем наборе данных все погодные условия условно разделены на четыре категории. В следующей работе суровые погодные условия следует подразделить более конкретно, такие как легкий дождь, умеренный дождь и сильный дождь. Более того, эта сетевая модель может использоваться только для распознавания погодных условий на проезжей части в дневное время.Мы надеемся, что этот метод может нормально работать для распознавания погодных условий в ночное время путем последующих исследований и улучшений.

Доступность данных

Данные о погоде, использованные для подтверждения результатов этого исследования, были размещены на GitHub и доступны по запросу у соответствующего автора. Примеры нашего набора данных «WeatherDataset-4» доступны по запросу на https://github.com/DaweiXuan/WeatherDataset-4.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.

Благодарности

Работа выполнена при поддержке Национального фонда естественных наук Китая (41505017).

Суровая погода 101: Основные сведения о наводнениях

Густонаселенные районы подвержены высокому риску внезапных наводнений. Строительство зданий, автомагистралей, проездов и парковок увеличивает сток за счет уменьшения количества дождя, поглощаемого землей. Этот сток увеличивает вероятность внезапных паводков.

Иногда ручьи, проходящие через города и поселки, направляются под землю в ливневые стоки.Во время сильного дождя ливневые стоки могут быть затоплены или забиты обломками и затопить дороги и здания поблизости. Низины, такие как подземные переходы, подземные гаражи, подвалы и переходы с низким уровнем воды могут стать смертельными ловушками.

Районы возле рек подвержены риску наводнений. Набережные, известные как дамбы, часто строятся вдоль рек и используются для предотвращения затопления прилегающих земель паводком. В 1993 году многие дамбы на реке Миссисипи обрушились, что привело к разрушительным наводнениям.Город Новый Орлеан испытал сильное разрушительное наводнение через несколько дней после урагана Катрина, обрушившегося на берег в 2005 году из-за выхода из строя дамб, предназначенных для защиты города.

Обрушение плотины может вызвать внезапный разрушительный всплеск воды вниз по течению. В 1889 году прорыв дамбы выше по течению от Джонстауна, штат Пенсильвания, выпустил 30-40-футовую стену воды, которая за считанные минуты унесла жизни 2200 человек.

Горы и крутые холмы производят быстрый сток, из-за чего потоки быстро поднимаются.Скалы и мелкие глинистые почвы не позволяют воде проникать в землю. Насыщенные почвы также могут привести к быстрым внезапным паводкам. Кемпинг или отдых у ручьев или рек может быть опасным, если в этом районе будут грозы. Ручей глубиной всего 6 дюймов в горных районах может превратиться в бурлящую реку глубиной 10 футов менее чем за час, если гроза продлится над районом в течение длительного периода времени.

Ответить

Ваш адрес email не будет опубликован. Обязательные поля помечены *