建模初步准备

研赛合集
数据处理pandas
数据可视化画图 matplotlib
matplotlib：使用matplotlib进行python绘图（指南）

问题分析

而在航空领域，习惯用跑道能见度反映机场附近雾和霾的大小，其定义为在跑道的一端沿跑道方向能辨认出跑道或接近跑道的目标物（夜间为跑道边灯）的最大距离。
视频能见度检测方法是将大气光学分析与图像处理及人工智能技术结合，通过对视频图像的分析处理，建立视频图像与真实场景之间的关系，再根据图像特征的变化，间接计算出能见度数值。
特别地，这些方法中大多数只选取少量视频、截取图像中的某些固有特征【1,2】，基于Koschmieder定律【3,4】进行估计，并没有充分利用视频的连续信息，所以估计的精度不高，

一．众所周知，雾与近地面的气象因素有关。建立模型描述能见度与地面气象观测（温度、湿度和风速等）之间的关系，并针对题目所提供的数据（机场AMOS观测.zip）导出具体的关系式；

第一问会用到数学公式和拟合，具体怎么拟合？？？？？

二、根据题目提供的某机场视频数据（机场视频.zip）和能见度数据（机场AMOS观测.zip），建立基于视频数据的能见度估计深度学习模型，并对估计的能见度进行精度评估；

三、高速公路某路段只有监控视频数据，建立不依赖能见度仪观测数据的能见度估计算法（提示：事实上，在有雾的情形可以估计视频中物体的景深【1】。反过来，理论上也可以利用视频中不同景深的物体，在不同能见度下的亮度差异估计能见度），讨论相关算法实现过程，并针对题目提供的一段视频（高速公路视频截图.zip）绘制该时间段这段高速公路能见度随时间变化曲线；

四、利用问题三得到的能见度随时间变化规律，建立数学模型预测大雾变化趋势（加重或减弱）、何时散去（达到指定的能见度，比如MOR=150m）？

开始第二问

能见度指正常视力的人在当时的天气条件下，从背景（天空或地面）中能够看
到和辨认出目标物轮廓的最大水平距离，夜间则是看到和确定出一定强度灯光的发
光点的最大水平距离，这也称为气象视程[5]。单位用米或公里表示。

视频去除水印文章On the Effectiveness of Visible Watermarks
github粗略实现
- https://github.com/rohitrango/automatic-watermark-detection
- https://github.com/marcbelmont/cnn-watermark-removal

目前思路。清洗数据，将视频标签与能见度数据配对，构建深度估计网络，在colab或者服务器上训练网络，至于精度的估计就是抽样检测——使用一个或者多个指标对我们的模型进行评估

一个典型的模式识别系统包含两个主要模块：特征提取与分类器设计，分类器的设计也称为机器学习的过程。简单的理解模式识别系统就是系统接受一组数据输入，然后对如如进行一系列的运算得到输入数据的特征值，再根据特征值返回一个该输入数据所属的标签。
pipeline：深度学习的操作流水线，顾名思义。从数据开始，到模型，损失函数，优化算法到训练循环，推理输出一条龙服务。每个模块都有很多tricks，多做就有了pipeline
数据处理—-机场视频剪辑

alt+鼠标滚轮放大时间轴

利用剃刀工具，在视频两端操作剪视频

未完待续。。。。。。。