CN104635281B - 基于强天气过程校正的自动气象站数据质量控制方法 - Google Patents

基于强天气过程校正的自动气象站数据质量控制方法 Download PDF

Info

Publication number
CN104635281B
CN104635281B CN201510086885.6A CN201510086885A CN104635281B CN 104635281 B CN104635281 B CN 104635281B CN 201510086885 A CN201510086885 A CN 201510086885A CN 104635281 B CN104635281 B CN 104635281B
Authority
CN
China
Prior art keywords
website
quality control
weather
elem
meteorological
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510086885.6A
Other languages
English (en)
Other versions
CN104635281A (zh
Inventor
王兴
苗春生
王坚红
汪瑶
王介君
唐卫亚
江燕如
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Xinatmospheric image science and Technology Research Institute Co., Ltd.
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201510086885.6A priority Critical patent/CN104635281B/zh
Publication of CN104635281A publication Critical patent/CN104635281A/zh
Application granted granted Critical
Publication of CN104635281B publication Critical patent/CN104635281B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01WMETEOROLOGY
    • G01W1/00Meteorology

Abstract

本发明解决了传统质量控制方法存在的误判和漏判,显著提高了自动气象站质量控制的可靠性和准确性。特别对于极端天气频发的我国东南部和沿海地区,既能够采用更小的判定阈值,以达到更加精确的判定,又能够有效地识别因局地强天气过程(特别如冷、暖锋交界的区域)造成的误判。本发明通过二次可信度检验校正,有效避免了因参与检验计算的临近站点错误记录对被检验的正确记录的错误判定,进一步提高了质量控制的准确性。此方法的应用,将能为气象业务系统提供更加准确的天气实况监测数据源,进而提升天气预报的准确性。

Description

基于强天气过程校正的自动气象站数据质量控制方法
技术领域:
[0001] 本发明属于大气科学领域,涉及一种基于气象卫星资料强天气识别校正的加密自 动气象站(以下简称自动站或站点)观测数据的质量控制方法。通过逐站点分析同一时刻不 同气象要素之间的气象学规律和物理特征,标识各个气象要素的置信度,再按置信度高低 以及相邻站点间的水平距离等因素求取各个要素的时间变化序列以及相邻站点相同要素 间的插值,比较插值结果与待检验站同要素时间变化率之间的关系。然后分析关系异常的 站点和所在区域是否存在强天气过程,定量化地判定观测数据是否错误或者可疑,并由此 再次评估各个气象要素的置信度。通过二次迭代分析和修正各个自动站观测数据的正确 性,以达到较传统方法更加准确可靠的质量控制效果。
背景技术:
[0002] 由于天气预报的质量很大程度上依赖于气象观测手段和观测资料的先进程度,而 常规气象观测资料在时间和空间尺度上都无法满足中尺度天气预报的要求。因此,近十年 来我国已投入大量资金建设和维护自动气象站。据最新统计,国内已建成的有观测记录的 自动气象站(包括常规地面站)多达43000多部。但由于受到地质条件、周边环境等诸多客观 因素的影响和限制,其观测上报的数据质量与一般人工测站相差甚远,气象行业界普遍认 为该资料当前的可用性不高。因此,如何提高自动站观测资料的准确性,是提升我国现代气 象业务建设重要的、关键性的技术之一。
[0003] 传统的质量控制方法主要是通过历史气候极值检查和时间、空间相关性的检查 [1-3]。其中,历史气候极值检查最大的缺陷是容易错误地识别或订正本是正确的极端天气 观测数据,典型的如近年来我国南方地区频发的极端强降水天气,实测雨量多次达到甚至 突破历史记录,而历史气候极值检查即可能将此类情况判定为错误数据。
[0004] 对于气象要素的时间一致性以及不同站点的空间一致性检验,虽然能在一定程度 上弥补单纯极值检验的缺陷,但终究都只是数理统计方法,并没有从大气动力学和热力学 等成因机制层面进行考虑。实际上,各个观测站点的地理位置、地质条件、海拔高度普遍存 在差异,特别是我国西北部、青藏高原等地区,自动站分布非常稀疏,站点之间的距离遥远, 其空间相关性本来就非常小,加上山地、丘陵地带不同站之间的高度差往往超过几百米甚 至1公里,这样的空间一致性检验,其效果必然很不理想。时间一致性检查虽然不用考虑周 边站点,但各个气象要素的时间变化率也受站点位置、季节等因素,难以定量化和标准化。 用于质量判定的阈值大了,容易漏检存在的错误;阈值小了,容易误报正确的记录。
[0005] 因此,如何更加准确、有效地判定自动站观测数据的正确性,长期以来是一项技术 难题。
发明内容:
[0006] 为了克服上述现有技术的不足,本发明提供了一种基于气象卫星资料强天气识别 校正的自动气象站观测数据的质量控制方法。
[0007] 本发明所采用的技术方案是:
[0008] 一种基于强天气过程校正的自动气象站数据质量控制方法,该方法包括如下步 骤:
[0009] 1)加载一份待检验自动站观测报文,检索与该自动站观测报文同一时刻或时间最 相邻的气象卫星资料,识别出该气象卫星资料中的强天气发生的区域,将这些区域的位置 与上述报文的区域位置相对应,并记录发生上述强天气的自动站编号,形成站点集SDS;
[0010] 2)比较上述待检验的报文中每个站点(下述中"站点"与"自动站"同义)所报告的 各个气象要素之间的气象学关系:依此标识各个要素的可信度 围为[0,100],初始值为100,每违背一种气象学关系,Ar的值减少10;其中,St是待检验站点 编号,elem是气象要素,t是观测(或发报)的时间;
[0011] 3)从待检验报文中任选一个站点I,以其经炜度为圆心,正北方向为0度,顺时间方 向将360度等角度划分八个象限,依次查找每个象限内距离站点I最近的若干个自动站,形 成一个数据集DS(st,qua,stx,dist),其中,qua是象限编号,stx是相邻站点编号,dist是 stx距离st (即站点I)的距离;
[0012] 4)计算数据集DS(st ,qua,stx,dist)中每个站点各个气象要素自报文观测(或发 报)时间起的过去10分钟内、半小时内、1小时内、3小时内、6小时内、12小时内和24小时内的 变化差值Dif (st,stx,elem, t,dt),其中,dt是上述指时间间隔;
[0013] 5)以象限作为分组单位,使用插值算法计算步骤4)中各个变化差值Dif (st,stx, 616111,1:,(11:)距离站点1的插值1?(81:,9皿,8七1,616111,1:,(11:);对于可信度41'属于可疑范围50〈 Ar < 90或错误范围Ar < 50的要素值,不参与插值计算;
[0014] 6)计算站点I各个气象要素的Dif (st,stx, elem, t,dt)与各个象限内相同要素、相 同时间间隔情况下的IP(st,qua,stx,elem,t,dt)的差值CK( I,qua,elem,t,dt);
[0015] 7)分析站点I中各个气象要素在各个象限的CK值与安全阈值STV的关系(STV视不 同要素、不周区域和不同季节,其阈值各有所不同):如果CK〈STV的象限数量2 7,则判定站 点I当前要素的质量可信;如果CK2 STV的象限数量2 6,则判定站点I当前要素的质量异常; 以上两种情况外,再分析数据集DS各站点中当前要素 CK超出STV的所有象限的地理区域中, 有多少站点存在于站点集SDS中,如果两者的交集X为X2 60%,则判定站点I当前要素的质 量可信,如果两者的交集X为35% <X〈60%,则判定站点I当前要素的质量可疑,否则,则判 定为质量异常;
[0016] 8)将已判定为质量可疑的气象要素的可信度Ar的值减少20;将已判定为质量异常 的气象要素的可信度Ar的值赋为0,不再参与此后步骤的计算;
[0017] 9)根据上述步骤8),完成站点I中所有气象要素的检验后,返回步骤3)继续分析下 一个站点,直到待检验的报文AWSFi Ie中所有站点完成上述流程;
[0018] 1〇)此时,待检验的报文AWSFile中所有站点所有要素的可信度Ar(st, elem,t)都 得到一次全新的评估(第一次评估是在步骤2)中);在此基础上,再从第一个站点开始,重复 步骤3)至步骤9),直到所有站点完成该流程,完成再一次评估;
[0019] 11)由此求得的可信度Ar(st,elem,t)集合即为各站点、各气象要素的质量控制标 识码。
[0020] 本发明的进一步设计在于:
[0021] 其中步骤1中,所述强天气包括:强对流天气、区域强降水过程或冷、暖锋面云系。
[0022] 其中步骤2中,所述各个气象要素之间的气象学关系包括:露点温度与水汽压的关 系,静止风时的风向与风速的关系,降水量与蒸发量的关系,逐分钟降水量与小时累计降水 量的关系;
[0023] 其中步骤3中,所述依次查找每个象限内距离站点I最近的若干个自动站,查找过 程如:查找半径初始为10公里,如果某象限内可查找到的站点数小于3个,半径逐次增加10 公里,最大不超过110公里。
[0024] 其中步骤6时,对于海拔高度敏感的气象要素,利用探空观测资料和大气热力学方 程对温度进行修订,使所有参与本次计算的站点温度订正到同一高度层再进行插值计算。
[0025] 其中所述对于"海拔高度"敏感的气象要素如温度数据。
[0026] 与现有技术相比,本发明的有益效果是:
[0027]本发明很大程度上解决了传统质量控制方法存在的误判和漏判,显著提高了自动 气象站质量控制的可靠性和准确性。特别对于极端天气频发的我国东南部和沿海地区,既 能够采用更小的判定阈值,以达到更加精确的判定,又能够有效地识别因局地强天气过程 (特别如冷、暖锋交界的区域)造成的误判。
[0028] 本发明通过二次可信度检验校正,有效避免了因参与检验计算的临近站点错误记 录对被检验的正确记录的错误判定,进一步提高了质量控制的准确性。此方法的应用,将能 为气象业务系统提供更加准确的天气实况监测数据源,进而提升天气预报的准确性。
附图说明:
[0029] 图1是基于强天气过程校正的自动气象站数据质量控制方法的总体流程图。
[0030] 图2是本实施例样本数据经传统质量控制方法检验和订正后,由NCL软件绘制的全 国温度分布图。
[0031] 图3是从本实施例样本数据中随机选择的5个站点,分析各个站在过去10分钟内、 30分钟内、60分钟内、3小时内、6小时内、12小时内和24小时内的温度变化特征曲线。
[0032] 图4是本实施例样本数据经本发明所述质量控制方法检验和订正后,由NCL软件绘 制的全国温度分布图。
具体实施方式:
[0033] 下面结合附图对本发明进一步说明。
[0034](以下文中所有相同符号的变量含义相同)。
[0035] 本实施例选用2014年9月20日08时00分全国自动气象站的观测数据,观测报文中 有效站点数为32181个。本例质量控制检验的气象要素是实况温度。为更加清楚地表现和比 对本发明与传统质量控制方法的优劣,在不影响本发明实质内容的前提下,对上述样本数 据作如下修改:将吉林省白城市偏西100公里处周边的3个自动站温度数值改为38°C、33°C 和 37 cC 〇
[0036]由该样本数据经过传统的质量控制方法检验后,通过NCL软件绘制的全国温度分 布图如图2所示。很显然,传统的质量控制方法没有能够识别和订正上述被修改的异常高 温。究其原因,一方面是因为我国东北地区历史上曾出现超过38°C的高温天气(如2010年6 月25日黑龙江省大兴安岭地区个别站点的实况温度达到39.7°C),因此,当前样本数据中相 关地区的温度没有超过历史气候极值;另一方面,由于出现异常高温的3个站点地理位置相 邻,空间一致性检查难以发挥作用。即便还进行了温度的时间变化率检查,但由于传统质量 控制方法中,往往要将时间一致性检查发现的异常与前两种检验的结果进行综合判定,因 此,最终的质量控制结论即为上述三个站点的温度数值"正确"或只是"可疑"。
[0037]如图1所示,本方法包括如下步骤:
[0038] 1、通过分析与待检验的自动站观测报文AWSFile同一时刻或时间最相邻的气象卫 星资料,识别出强对流天气、区域强降水过程或冷、暖锋面云系发生的区域,将这些区域的 位置投影到自动站所在的经炜度,记录存在上述天气过程或天气现象的自动站编号,形成 站点集SDS。
[0039] 2、比较上述待检验的报文AWSFile中每个站点所报告的各个气象要素之间的气象 学关系,包括:露点温度与水汽压的关系,静止风时的风向与风速的关系,降水量与蒸发量 的关系,逐分钟降水量与小时累计降水量的关系;依此标识各个要素的可信度Ar( St,elem, t),Ar的取值范围为[0,100],初始值为100,每违背一种气象学关系,Ar的值减少10。对于没 有气象学关系可以检查的气象要素(如极大风速、瞬时风速),Ar初始值均赋值为0。其中,st 是待检验站点编号,elem是气象要素,t是观测(或发报)的时间。
[0040] 3、从待质量控制检验的报文中选择任意一个站点(不妨定义为站点I),以其经炜 度为圆心,正北方向为0度,等角度划分八个象限,依次查找每个象限内距离站点I最近的若 干个自动站,查找半径初始为10公里,如果某象限内可查找到的站点数小于3个,半径逐次 增加10公里,最大不超过110公里,形成一个数据集DS(st,qua,stx,dist),其中,qua是象限 编号,stx是相邻站点编号,dist是stx距离st (即站点I)的距离。
[0041] 4、计算DS中每个站点各个气象要素在自报文观测(或发报)时间起过去的10分钟 内、半小时内、1小时内、3小时内、6小时内、12小时内和24小时内的变化差值Dif (st,stx, elem, t,dt),其中,dt是上述指时间间隔(分别为10分钟、半小时......24小时)。以过去10分 钟温度的变化差值为例,其计算过程为:查找当前待检验报文10分钟前的报文(自动站观测 报文的发报时间间隔为5分钟),用当前待检验站点的温度减去10分钟前报文中同一站点的 温度,结果即为过去10分钟温度的变化差值Dif。随机选择当前样本数据中5个站点,分析各 个时间间隔的温度变化特征如图3所示。从该图可以看出,这5个站点的温度变化率各自都 在合理的范围内,但同样在过去3小时和12小时,有的站点温度上升,而有的站点温度下降。 如果这些站点的地理位置比较接近,那么编号为52106的站点温度就存在可疑。正确与否, 还需要按下述步骤进一步分析。
[0042] 5、以象限作为分组单位,使用插值算法计算步骤4)中各个变化差值Dif (st,stx, elem,t,dt)距离站点I的插值IP(st,qua,stx,elem,t,dt)。对于可信度Ar属于可疑(50〈Ar < 90)或错误(ArS 50)的要素值,不参与插值计算。本步骤采用的插值算法公式为:
[0043]
Figure CN104635281BD00071
[0044] 上式中,η是数据集DS中某一象限Qua内站点的数量;dist是Qua中某一站点(不妨 定义为Γ)与站点I之间的距离;Avg_dist是Qua中所有站点到站点I的距离的算术平均值; Dif的含义与步骤4所述一致;Avg_dist'是以站点Γ为基准(以站点Γ为圆心,10公里为半 径,搜索该范围内所有的站点,如果搜索到的站点数量小于3个,将半径逐次增加10公里,最 大不超过110公里),该范围内所有站点到Γ的距离的算法平均值。同理,Dif '是以站点Γ为 基准,对其搜索范围内各个站点的Dif进行插值计算得出的结果,该插值公式为:
[0045]
Figure CN104635281BD00081
[0046] 上式中,m是以站点Γ为基准,其搜索范围内站点的数量;dist'是此范围内某一站 点与站点Γ之间的距离;Dif"是此范围内某一站点自身的Dif与站点Γ的Dif的差值;Avg_ dist'的含义同上段所述。
[0047] 由于有8个象限,因此,所计算出的8个IP分别对应8个象限。
[0048] 6、计算站点I各个气象要素的Dif (st,elem,t,dt)与各个象限内相同要素、相同时 间间隔情况下的IP(St,qua,stx,elem,t,dt)的差值CK(I,qua,elem,t,dt)。由于站点I为待 检验的站点,因此,此时Dif中的qua为NULL(空),而IP中的qua依次取值为1到8。
[0049] 7、分析站点I中各个气象要素在各个象限的CK值与安全阈值STV的关系(STV视不 同要素、不同区域和不同季节,其阈值各有所不同):
[0050] (1)如果CK〈STV的象限数量2 7(上文已述,一共8个象限),则判定站点I当前要素 的质量可信;
[0051 ] (2)如果CK 2 STV的象限数量2 6,则判定站点I当前要素的质量异常;
[0052] (3)以上两种情况外,进一步分析CK 2 STV的各象限中站点的地理位置特征:统计 DS的8个象限中,CK 2 STV的象限中的站点,有多少站点存在于站点集SDS中(上述"存在于" 的判定依据是,CK 2 STV的象限中的各个站点的站点编号是否包含于站点集SDS中),如果两 者的交集X为X 2 60 %,则判定站点I当前要素的质量可信,如果两者的交集X为35 % <X〈 60%,则判定站点I当前要素的质量可疑,否则,则判定为质量异常。
[0053]举例来说,不妨假设站点I的露点温度气象要素在其2、3、4、5象限都满足CK〈STV, 而在1、6、7、8象限都满足CK2STV,此时符合上述"以上两种情况外"的情况,然后分析1、6、 7、8象限中各有多少个站点存在于站点集SDS中,亦即1、6、7、8象限中,有多少个站点位于强 天气发生的地理区域。假设DS的1、6、7、8各象限中站点的数量分别为NI,N2,N3,N4,且1、6、 7、8各象限中的站点又存在于站点集SDS的站点数量分别为ml,m2,m3,m4,那么,上述交集X 的计算方法即为:X = (ml +m2+m3+m4) /(NI +N2+N3+N4) X 100 %。
[0054] 8、将已判定为质量可疑的气象要素的可信度Ar的值减少20;将已判定为质量异常 的气象要素的可信度Ar的值赋为0,不再参与此后步骤的计算;
[0055] 9、根据上述步骤,完成站点I中所有气象要素的检验后,返回步骤3)继续分析下一 个站点。直到所有站点完成上述流程。
[0056] 10、此时,所有站点所有要素的可信度Ar(St,elem,t)都得到一次全新的评估(第 一次评估是在步骤2)中)。在些基础上,再从第一个站点开始,重复步骤3)至步骤9),直到所 有站点完成该流程。
[0057] 11、由些求得的Ar(st,elem,t)集合即为各站点、各气象要素的质量控制标识码。
[0058] 使用相同的样本数据进行上述步骤的质量控制检验和订正,同样使用NCL软件绘 制出的全国温度分布图如图4所示。可以看出,吉林省偏西的高温区域得到了有效判定和订 正。由于NCL绘制这类离散站点的图形时,本身必须使用一定的插值算法,从而必然平滑掉 了一些相对孤立的,且传统质量控制方法没有检验出的异常温度数据,因此,使得图2和图4 除了东北地区外,其他部分直观上看比较相似。
[0059] 参考文献:
[0060] [ 1 ]王伯民.基本气象资料质量控制综合判别法的研究[J].应用气象学报,2004, 15(Ζ1):50-59·
[0061 ] [2]刘小宁,任芝花.地面气象资料质量控制方法研究概述[J].气象科技,2005,33 (3):199-203.
[0062] [3]王海军,杨志彪,杨代才等.自动气象站实时资料自动质量控制方法及其应用
[J]·气象,33(10):102-109.
[0063] [4]肖笑.静止气象卫星资料的强对流云团的识别与预报研究[D].南京:南京信息 工程大学,2013.
[0064] [5]覃丹宇,方宗义.利用静止气象卫星监测初生对流的研究进展[J].气象,2014, 40(1):7-16
[0065] [6]王兴,苗春生,江燕如等.台站温度质量控制中IDW算法改进及应用[J].气象科 技,2014,42(4):605-611。

Claims (6)

1. 一种基于强天气过程校正的自动气象站数据质量控制方法,该方法包括如下步骤: 1) 加载一份待检验自动站观测报文,检索与该自动站观测报文同一时刻或时间最相邻 的气象卫星资料,识别出该气象卫星资料中的强天气发生的区域,将这些区域的位置与上 述报文的区域位置相对应,并记录发生上述强天气的自动站编号,形成站点集SDS; 2) 比较上述待检验的报文中每个站点所报告的各个气象要素之间的气象学关系:依此 标识各个要素的可信度4^#,61_,〇44勺取值范围为[0,100],初始值为100,每违背一 种气象学关系,Ar的值减少10;其中,st是待检验站点编号,elem是气象要素,t是观测或发 报的时间; 3) 从待检验报文中任选一个站点I,以其经炜度为圆心,正北方向为0度,顺时间方向将 360度等角度划分八个象限,依次查找每个象限内距离站点I最近的若干个自动站,形成一 个数据集DS(st ,qua,stx,dist),其中,qua是象限编号,stx是相邻站点编号,dist是stx距 离st(即站点I)的距离; 4) 计算数据集05(^,(1皿,^^虹^)中每个站点各个气象要素自报文观测(或发报)时 间起的过去10分钟内、半小时内、1小时内、3小时内、6小时内、12小时内和24小时内的变化 差值Dif (st,stx,elem,t,dt),其中,dt是指上述时间间隔; 5) 以象限作为分组单位,使用插值算法计算步骤4)中各个变化差值Dif (st,stx,elem, t ,dt)距离站点I的插值IP(st ,qua,stx,elem,t ,dt);对于可信度Ar属于可疑范围50〈Ar < 90或错误范围Ar < 50的要素值,不参与插值计算; 6) 计算站点I各个气象要素的Dif (st,stx, elem,t,dt)与各个象限内相同要素、相同时 间间隔情况下的1卩(81:,9皿,8七叉,616111,1:,(11:)的差值0((1,9皿,616111,1:,(11:) ; 7) 分析站点I中各个气象要素在各个象限的CK值与安全阈值STV的关系,STV视不同要 素、不同区域和不同季节,其阈值各有所不同:如果CK〈STV的象限数量2 7,则判定站点I当 前要素的质量可信;如果CK 2 STV的象限数量2 6,则判定站点I当前要素的质量异常;以上 两种情况外,再分析数据集DS各站点中当前要素 CK超出STV的所有象限的地理区域中,有多 少站点存在于站点集SDS中,如果两者的交集X为X 2 60 %,则判定站点I当前要素的质量可 信,如果两者的交集X为35% <X〈60%,则判定站点I当前要素的质量可疑,否则,则判定为 质量异常; 8) 将已判定为质量可疑的气象要素的可信度Ar的值减少20;将已判定为质量异常的气 象要素的可信度Ar的值赋为0,不再参与此后步骤的计算; 9) 根据上述步骤8),完成站点I中所有气象要素的检验后,返回步骤3)继续分析下一个 站点,直到待检验的报文AWSFi Ie中所有站点完成上述步骤1)-步骤8)流程; 10) 此时,待检验的报文AWSFi Ie中所有站点所有要素的可信度Ar (st,eIem,t)都得到 一次全新的评估(第一次评估是在步骤2)中);在此基础上,再从第一个站点开始,重复步骤 3)至步骤9),直到所有站点完成该流程,完成再一次评估; 11) 由此求得的可信度Ar(St,elem,t)集合即为各站点、各气象要素的质量控制标识 码。
2. 根据权利要求1所述质量控制方法,其中步骤1中,所述强天气包括:强对流天气、区 域强降水过程或冷、暖锋面云系。
3. 根据权利要求1所述质量控制方法,其中步骤2中,所述各个气象要素之间的气象学 关系包括:露点温度与水汽压的关系,静止风时的风向与风速的关系,降水量与蒸发量的关 系,逐分钟降水量与小时累计降水量的关系。
4. 根据权利要求1所述质量控制方法,其中步骤3中,所述依次查找每个象限内距离站 点I最近的若干个自动站,查找过程如:查找半径初始为10公里,如果某象限内可查找到的 站点数小于3个,半径逐次增加10公里,最大不超过110公里。
5. 根据权利要求1所述质量控制方法,其中步骤6时,对于海拔高度敏感的气象要素,利 用探空观测资料和大气热力学方程对温度进行修订,使所有参与本次计算的站点温度订正 到同一高度层再进行插值计算。
6. 根据权利要求5所述质量控制方法,其中所述对于海拔高度敏感的气象要素为温度 数据。
CN201510086885.6A 2015-02-17 2015-02-17 基于强天气过程校正的自动气象站数据质量控制方法 Active CN104635281B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510086885.6A CN104635281B (zh) 2015-02-17 2015-02-17 基于强天气过程校正的自动气象站数据质量控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510086885.6A CN104635281B (zh) 2015-02-17 2015-02-17 基于强天气过程校正的自动气象站数据质量控制方法

Publications (2)

Publication Number Publication Date
CN104635281A CN104635281A (zh) 2015-05-20
CN104635281B true CN104635281B (zh) 2016-08-24

Family

ID=53214234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510086885.6A Active CN104635281B (zh) 2015-02-17 2015-02-17 基于强天气过程校正的自动气象站数据质量控制方法

Country Status (1)

Country Link
CN (1) CN104635281B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096266B (zh) * 2016-06-08 2018-08-21 南京信息工程大学 一种自动气象站质量控制方法
CN106600155A (zh) * 2016-12-22 2017-04-26 苏州市气象局 基于云平台和智能芯片的站点端气象要素质量控制方法
CN107390592A (zh) * 2017-08-22 2017-11-24 益和电气集团股份有限公司 一种企业用电监控信息与手机交互通信系统
US10983249B2 (en) * 2017-09-14 2021-04-20 Farmers Edge Inc. Indicator interpolation to predict a weather state
CN107807997A (zh) * 2017-11-08 2018-03-16 北京奇虎科技有限公司 基于大数据的用户画像构造方法、装置及计算设备
CN107705750A (zh) * 2017-11-24 2018-02-16 常州市创联电源科技股份有限公司 一种双显示屏移动设备及其电源
CN107911900B (zh) * 2017-11-24 2018-09-21 常州市创联电源科技股份有限公司 一种多彩展柜及其电源
CN108268646B (zh) * 2018-01-23 2022-10-14 南京信息工程大学 一种对加密自动气象站实测温度数值进行质量检查的方法
CN108415101B (zh) * 2018-02-14 2020-05-19 国家气象信息中心 秒级探空资料的稀疏化方法
CN109061650A (zh) * 2018-08-10 2018-12-21 北京无线电测量研究所 基于阵列天气雷达的组网探测方法及系统
CN110726850A (zh) * 2019-10-08 2020-01-24 南京信息工程大学 基于风向分解的铁路横风预警系统及横风强度计算方法
CN111693788B (zh) * 2020-05-14 2022-04-26 国家卫星气象中心(国家空间天气监测预警中心) 一种基于pearson相关性星地闪电比对的系统与验证方法
CN112541161B (zh) * 2020-11-05 2021-11-12 中国气象局气象探测中心 一种区域多源降水数据质量控制方法及系统
CN113075752B (zh) * 2021-04-16 2022-05-17 中国气象局气象探测中心 气象观测台站的三维空间位置正确性判别方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102016745A (zh) * 2008-01-23 2011-04-13 加州大学评议会 用于行为监测及校正的系统和方法
US8594936B1 (en) * 2008-12-31 2013-11-26 The Weather Channel, Llc Providing current estimates of precipitation accumulations
CN103957552A (zh) * 2014-05-13 2014-07-30 江苏省无线电科学研究所有限公司 提高自动气象站中数据通信可靠性的方法
CN203799033U (zh) * 2014-04-10 2014-08-27 内蒙古自治区大气探测技术保障中心 气象站综合测试系统
CN204013538U (zh) * 2014-07-25 2014-12-10 南京信息工程大学 基于卫星通信的气象数据传输及显示系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102016745A (zh) * 2008-01-23 2011-04-13 加州大学评议会 用于行为监测及校正的系统和方法
US8594936B1 (en) * 2008-12-31 2013-11-26 The Weather Channel, Llc Providing current estimates of precipitation accumulations
CN203799033U (zh) * 2014-04-10 2014-08-27 内蒙古自治区大气探测技术保障中心 气象站综合测试系统
CN103957552A (zh) * 2014-05-13 2014-07-30 江苏省无线电科学研究所有限公司 提高自动气象站中数据通信可靠性的方法
CN204013538U (zh) * 2014-07-25 2014-12-10 南京信息工程大学 基于卫星通信的气象数据传输及显示系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基本气象资料质量控制综合判别法的研究;王伯民;《应用气象学报》;20041231;第15卷;第50-59页 *

Also Published As

Publication number Publication date
CN104635281A (zh) 2015-05-20

Similar Documents

Publication Publication Date Title
CN104635281B (zh) 基于强天气过程校正的自动气象站数据质量控制方法
Basistha et al. Analysis of historical changes in rainfall in the Indian Himalayas
Powell et al. Trends in daily temperature and precipitation extremes for the southeastern United States: 1948–2012
von Engeln et al. A planetary boundary layer height climatology derived from ECMWF reanalysis data
Wang et al. Systematic errors in global radiosonde precipitable water data from comparisons with ground-based GPS measurements
Griffiths et al. Variations of twentieth-century temperature and precipitation extreme indicators in the northeast United States
Romine et al. Model bias in a continuously cycled assimilation system and its influence on convection-permitting forecasts
Zhao et al. Trends in tropospheric humidity from 1970 to 2008 over China from a homogenized radiosonde dataset
Cohen et al. Improved skill of Northern Hemisphere winter surface temperature predictions based on land–atmosphere fall anomalies
Randin et al. Do the elevational limits of deciduous tree species match their thermal latitudinal limits?
Longman et al. Sustained increases in lower-tropospheric subsidence over the central tropical North Pacific drive a decline in high-elevation rainfall in Hawaii
Hallack-Alegria et al. Annual and warm season drought intensity–duration–frequency analysis for Sonora, Mexico
CN107064937A (zh) 一种双线偏振雷达系统及强雨的测量方法
Parr et al. Integrating remote sensing data on evapotranspiration and leaf area index with hydrological modeling: Impacts on model performance and future predictions
Azorin‐Molina et al. An approach to homogenize daily peak wind gusts: An application to the Australian series
O’Connor et al. Variability of Hawaiian winter rainfall during La Niña events since 1956
Lucio-Eceiza et al. Quality control of surface wind observations in northeastern North America. Part II: Measurement errors
Zhang et al. Spatio-temporal variations in extreme drought in China during 1961–2015
Oyunmunkh et al. Climate variations over the southern Altai Mountains and Dzungarian Basin region, central Asia, since 1580 CE
Liu et al. Spatiotemporal change in China's frost days and frost‐free season, 1955–2000
KR101908865B1 (ko) 기온 측정 자료의 품질 분석방법
Roman et al. Assessment of regional global climate model water vapor bias and trends using precipitable water vapor (PWV) observations from a network of global positioning satellite (GPS) receivers in the US Great Plains and Midwest
Zahradníček et al. Homogenization of monthly precipitation time series in Croatia
Lin et al. The lightning distribution of tropical cyclones over the Western North Pacific
Darby et al. An evaluation of integrated water vapor, wind, and precipitation forecasts using water vapor flux observations in the western United States

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20181224

Address after: 210000 6/F, Building 2, Zhicheng Park, No. 6 Zhida Road, Jiangbei New District, Nanjing City, Jiangsu Province

Patentee after: Nanjing Xinatmospheric image science and Technology Research Institute Co., Ltd.

Address before: 210044 Ning six road, Pukou District, Nanjing, Jiangsu Province, No. 219

Patentee before: Nanjing University of Information Science and Technology