CN109191408B - 快速循环地面气象融合方法、装置及服务器 - Google Patents
快速循环地面气象融合方法、装置及服务器 Download PDFInfo
- Publication number
- CN109191408B CN109191408B CN201810357474.XA CN201810357474A CN109191408B CN 109191408 B CN109191408 B CN 109191408B CN 201810357474 A CN201810357474 A CN 201810357474A CN 109191408 B CN109191408 B CN 109191408B
- Authority
- CN
- China
- Prior art keywords
- data
- site
- station
- ground
- satellite
- 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
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims description 9
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000004927 fusion Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000009826 distribution Methods 0.000 claims abstract description 19
- 230000008859 change Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 238000003745 diagnosis Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000001556 precipitation Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 241000208818 Helianthus Species 0.000 description 5
- 235000003222 Helianthus annuus Nutrition 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 241000109539 Conchita Species 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供的一种快速循环地面气象融合方法、装置及服务器，涉及气象技术领域。方法包括获取第一时刻的地面气象观测数据及卫星数据后，对所述卫星数据进行格点化处理，获得卫星格点数据，再对所述地面气象观测数据进行质量优化，获得空间站点数据；将所述卫星格点数据与所述空间站点数据进行融合，获得站点估计数据，然后对所述站点估计数据进行网格化处理，输出在所述第一时刻后的预设时间段内的地面气象要素分布图像。更有效、更准确。
Description
技术领域
本发明涉及气象技术领域，具体而言，涉及一种快速循环地面气象融合方法、装置及服务器。
背景技术
传统的气象地面实况融合系统采用小时时间分辨率，配合地面观测数据生成。存在以下问题：由于西部站点稀少，站点空间分布不均；观测数据质量控制不严导致西部地区数据质量低于东部地区。中国范围内高时空分辨实时地面气象要素融合是一项急需且极具挑战性的工作。
发明内容
本发明的目的在于提供一种快速循环地面气象融合方法、装置及服务器，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本发明实施例提供了一种快速循环地面气象融合方法，所述方法包括：获取第一时刻的地面气象观测数据及卫星数据；对所述卫星数据进行格点化处理，获得卫星格点数据；对所述地面气象观测数据进行质量优化，获得空间站点数据；将所述卫星格点数据与所述空间站点数据进行融合，获得站点估计数据；对所述站点估计数据进行网格化处理，输出在所述第一时刻后的预设时间段内的地面气象要素分布图像。
第二方面，本发明实施例提供了一种快速循环地面气象融合装置，所述装置包括获取单元、格点化单元、质量优化单元、融合单元和输出单元。获取单元，用于获取第一时刻的地面气象观测数据及卫星数据。格点化单元，用于对所述卫星数据进行格点化处理，获得卫星格点数据。质量优化单元，用对所述地面气象观测数据进行质量优化，获得空间站点数据。融合单元，用于将所述卫星格点数据与所述空间站点数据进行融合，获得站点估计数据。输出单元，用于对所述站点估计数据进行网格化处理，输出在所述第一时刻后的预设时间段内的地面气象要素分布图像。
第三方面，本发明实施例提供了一种服务器，包括处理器以及存储有若干计算机指令的非易失性存储器，所述计算机指令被所述处理器执行时，所述服务器执行上述的方法。
本发明实施例提供的一种快速循环地面气象融合方法、装置及服务器，方法包括获取第一时刻的地面气象观测数据及卫星数据后，对所述卫星数据进行格点化处理，获得卫星格点数据，再对所述地面气象观测数据进行质量优化，获得空间站点数据；将所述卫星格点数据与所述空间站点数据进行融合，获得站点估计数据，然后对所述站点估计数据进行网格化处理，输出在所述第一时刻后的预设时间段内的地面气象要素分布图像。更有效、更准确。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为一种可应用于本发明实施例中的服务器的结构框图；
图2为本发明实施例提供的快速循环地面气象融合方法的流程图；
图3为本发明实施例提供的快速循环地面气象融合方法中数据要素说明示意图；
图4为本发明实施例提供的快速循环地面气象融合装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参阅图1，示出了一种可应用于本发明实施例中的服务器100的结构框图。服务器100可以包括存储器102、存储控制器104、一个或多个(图1中仅示出一个)处理器106、外设接口108、输入输出模块110、音频模块112、显示模块114、射频模块116和快速循环地面气象融合装置。
存储器102、存储控制器104、处理器106、外设接口108、输入输出模块110、音频模块112、显示模块114、射频模块116各元件之间直接或间接地电连接，以实现数据的传输或交互。例如，这些元件之间可以通过一条或多条通讯总线或信号总线实现电连接。快速循环地面气象融合方法分别包括至少一个可以以软件或固件(firmware)的形式存储于存储器102中的软件功能模块，例如所述快速循环地面气象融合装置包括的软件功能模块或计算机程序。
存储器102可以存储各种软件程序以及模块，如本申请实施例提供的快速循环地面气象融合方法及装置对应的程序指令/模块。处理器106通过运行存储在存储器102中的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现本申请实施例中的快速循环地面气象融合方法。
存储器102可以包括但不限于随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器106可以是一种集成电路芯片，具有信号处理能力。上述处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述外设接口108将各种输入/输出装置耦合至处理器106以及存储器102。在一些实施例中，外设接口108、处理器106以及存储控制器104可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
输入输出模块110用于提供给用户输入数据实现用户与服务器100的交互。所述输入输出模块110可以是，但不限于，鼠标和键盘等。
音频模块112向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。
显示模块114在服务器100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示模块114可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器106进行计算和处理。
射频模块116用于接收以及发送电磁波，实现电磁波与电信号的相互转换，从而与通信网络或者其他设备进行通信。
可以理解，图1所示的结构仅为示意，服务器100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
于本发明实施例中，服务器100中安装有centos7 linux系统和依赖类库JDK。依赖类库JDK包括JDK，用于JAVA运行环境，Netcdf4.3.x，用于格点数据生成库，HDF5，用于文件压缩，Screen，用于运行控制台。
服务器100可以包括主服务器、存储服务器和质量订正备份服务器。其中，主服务器用于主运算，完成逐10分钟1*1公里地面25要素的运算生成和葵花卫星逐10分钟2*2公里北半球16通道的格点数据生成。存储服务器，用于存储逐10分钟的产品数据，并提供数据生成情况的监控系统与产品质量查询系统。质量订正备份服务器，用于完成正点全国两小时后数据全部到齐情况下的质量订正与更新，并负责在主服务器发生故障时的备份运行任务。
请参阅图2，本发明实施例提供了一种快速循环地面气象融合方法，包括步骤S200、步骤S210、步骤S220、步骤S230和步骤S240。
步骤S200：获取第一时刻的地面气象观测数据及卫星数据。
在本实施例中，所述卫星数据为葵花卫星8采集的中国区域内的数据。
步骤S210：对所述卫星数据进行格点化处理，获得卫星格点数据。
作为一种实施方式，将圆盘图特征的卫星数据进行格点化处理，转换为16通道、10分钟2km*2km分辨率格点数据。
步骤S220：对所述地面气象观测数据进行质量优化，获得空间站点数据。
作为一种实施方式，步骤S220可以包括：对所述地面气象观测数据进行错误校验及诊断计算，获得小时站点数据；基于预设的离散站点平流方程模型及所述小时站点数据，获得分钟站点数据；基于预设的信任传播模型及所述分钟站点数据，获得空间站点数据。
可选地，以中国气象要素气候极值范围标准为依据，对所述地面气象观测数据剔除地面自动站数据的错误要素；然后，以测站邻接站点字典为依据，进行站点要素梯度检验，剔除地面自动站数据的错误要素；最后，完成诸如u,v风，假相当位温等诊断物理量计算；对雨量、能见度等要素进行自然对数变化，为平流分析、信任传播分析、和机器学习采样提供方便。
可选地，基于预设的离散站点平流方程模型及所述小时站点数据，获得分钟站点数据，包括：
基于所述小时站点数据，对所述离散站点平流方程模型进行改造，获得离散点风速、梯度本征向量并计算所述离散站点平流方程模型的数值解，获得分钟站点数据。
具体地，离散站点平流方程模型，不仅使时间方向站点资料补缺更具物理意义，而且为站点要素预报奠定基础。模型首先根据站点离散特征，对平流方程进行改造，得到离散点风速、梯度本征向量，计算平流方程数值解。
在笛卡尔坐标系中，对于气象要素T有如下关系：
其中
为气团运动的个别变化，在动力气象中一般令其为零，得到要素局地变化的表达式：
即固定点上场变量变化，由
平流变化项，
对流变化决定，在近地面大气中，对流变化的数量级远远低于平流变化项，可以令
项为0，则得到：
用有限差分法求解(1)式，采用向后差分进行近似：
得到(2)式：
根据区域离散化的思想，可以假定Δx＝Δy＝d，简化上式得到：
式中
为空间梯度，Δt为时间步长，u、v为正交的平流动力，在离散点中，可使用观测风速V代替，得到：
(3)式即为离散点气象要素的通用外推模型，该式为(1)式的显示近似求解方法。通过离散点平流方程补缺数据，使得产品质量得到明显改善。
具体地，基于预设的信任传播模型及所述分钟站点数据，获得空间站点数据，包括：
基于获取到的虚拟站点，建立均匀站点度量空间；
基于所述分钟站点数据及k最邻近算法，获得站点的最邻近站点集合并结合概率质量函数，建立邻近站点的因子图；
基于所述均匀站点度量空间及所述因子图，根据所述信任传播模型对所述分钟站点数据进行数据补缺，获得空间站点数据。
信任传播模型是由统计物理模型演化得到。可用下式表达：
(4)式表达其基本思想为：在均匀分布站点环境下，缺测站点数据与邻近站点数据存在马尔科夫状态转移关系，并通过概率的和积消息传递机制抵达缺测站点。为使用信任传播算法，需要事先建立均匀站点度量空间，站点间的连接因子图。因子图的由概率质量函数和k最邻近站点共同确定。
1)均匀站点度量空间建立。中国观测站点分布，东密西舒。西部经济欠发达地区站点稀少，反之，东部经济发达地区，站点稠密。度量空间不一致不仅带来分析场的严重失真，由此生产的气象服务产品，品质欠佳。通过概率密度函数分析，可以通过一批虚拟站点使得站点分布，基本均匀。
2)概率质量函数。气象Barnes插值中的高斯权重函数：
值域为[0,1]，与信任传播模型中的概率作用函数含义一致，可以作为质量函数使用；
3)k最邻近法(kNN)。kNN是机器学习中常用分类算法。通过kNN算法不仅得到站点的最邻近站点集合，结合概率质量函数，还可以建立起邻近站点的因子图。
4)含DEM处理的空间插值过程。根据部分气象要素(如气压、气温等)随高度变化的统计物理规律，邻近站点信息传播过程中所呈现的马尔科夫状态转移过程，对缺测站点要素可以通过下列公式，实现数据补缺：
消息更新：
气压变化Δ：
气温变化Δ：
湿度变化Δ：
雨量变化Δ：
实际工作表明，通过含DEM处理的信任传播模型补缺，使得产品质量得到明显改善。
步骤S230：将所述卫星格点数据与所述空间站点数据进行融合，获得站点估计数据。
步骤S230可以包括：根据随机森林模型将所述卫星格点数据与所述空间站点数据进行融合，获得站点估计数据。
中国西部、中国台湾、中国东北部站点稀少，信任传播在这些地区面临信息失真问题。根据葵花卫星8中国区域全覆盖特征，可在机器学习算法作用下与信任传播融合，得到较为真实的站点要素信息。
数据融合分为学习模型，使用模型两个阶段。在学习模型阶段，根据较少学习数据(标签/特征)样本集，随机生成并训练一批弱分类决策树回归分析模型，通过集合分析，得到样本数据的最优解；在使用模型阶段，根据较为完备的数据(特征)样本集，得到标签的预报值。内容融合由如下过程完成：
1)葵花8卫星数据准备。对圆盘图特征的卫星数据，转换为16通道、2km*2km分辨率、等经纬nc文件数据；
2)建立站点特征数据。根据测站位置和邻接站点因子图，得到站点卫星数据(实况值和梯度变化值)；
3)卫星数据进行标准化处理；
4)标签数据进行重要性采样。使得参加学习的样本，分布基本均匀。对降水样本，通过该步骤，可以提高较大降水样本的学习权重。
5)建立学习模型。使用随机森林模型完成标签/特征的建模。
6)使用模型。对10万个站点(其中包含4万个虚拟站点)形成的特征集，使用已经建立的模型，对信任传播结果进行二次订正。
实际工作表明，融合后，较仅用信任传播得到的产品质量得到明显改善。
步骤S240：对所述站点估计数据进行网格化处理，输出在所述第一时刻后的预设时间段内的地面气象要素分布图像。
步骤S240可以包括：
根据Barnes插值法将所述站点估计数据插值到网格点，输出所述地面气象要素分布图像。
具体地，使用模式背景场作为初始场，反插到站点估计数据，得到各测站的初始误差值和初始场格点值；对初始误差值再做一次距离权重插值，得到各网格点的准确误差值，以恢复距离权重插值损失的高频分量；将准确误差值加到所述初始场格点值，获得网格点值。
在步骤S240之后，所述方法还包括：
对获取到的实况格点数据，根据最近邻方法获取所述地面气象要素分布图像中的多个模式分析值；
对所述模式分析值进行统计校验，获得校验结果。
在本实施例中，五个地面要素——气温，相对湿度，风速，风向，1小时累积降水在2015年5月01日00时～2015日10月31日23时这一时段的模拟情况。
对实况格点数据采用最邻近法取得2380个待检站的模式分析值，并对分析值进行空间和时间上的统计分析。
统计时段分为：逐月、逐季和总时段(2015年5月～10月)。其中季节划分的标准为：春季：5月；夏季：6，7，8月；秋季：9，10月。
对各统计时段内单站(2380站)统计分析以下内容：
(1)各站气温、相对湿度、风速、风向和降水的平均误差值、均方根误差及相关系数；
(2)风向十六方位风频；
(3)各量级降水的均方根误差、TS评分及空报率和漏报率。对各统计时段内2380站的总体表现进行分析评估：
(1)所有站点气温、相对湿度、风速、风向和降水的总平均误差值、均方根误差和相关系数；
(2)所有站点风向十六方位风频统计值；
(3)所有站点的各量级降水的总体均方根误差、TS评分及空报率和漏报率。
对比分析四个地面气象要素——气温、相对湿度、风速和1小时累积降水的系统模拟分析值和实况观测值可知(如表1-4所示)，卫星数据融合系统对气温和相对湿度的模拟效果最好，风速次之。降水模拟中对小雨量级(0.1～1.9mm)的模拟效果最好，中雨量级降水次之；在非独立性检验中，除小雨空报率稍大外，其它量级降水的漏报率和空报率均较低；而在分级降水独立性检验中，除小雨的漏报率稍低，其它量级降水的漏报率和空报率均偏高。
表1气温、相对湿度、风速、降水总体独立性检验结果(2015年5～10月)
表2气温、相对湿度、风速、降水总体非独立性检验结果(2015年5～10月)
| 要素 | 平均误差 | 均方根误差 | 相关系数 |
| 气温 | -0.0516 | 0.3304 | 0.9992 |
| 相对湿度 | 0.0139 | 1.4803 | 0.9993 |
| 风速 | -0.1132 | 0.3169 | 0.9792 |
| 降水 | 0.0131 | 0.2324 | 0.9828 |
表3降水总体分级独立性检验结果(2015年5～10月)
| 统计量 | 0.1-1.9mm | 2.0-4.9mm | 5.0-9.9mm | 10.0-19.9mm | >＝20mm |
| 均方根误差 | 2.0037 | 4.0501 | 6.7501 | 11.2222 | 23.0960 |
| TS评分 | 0.5529 | 0.3767 | 0.2633 | 0.1795 | 0.1052 |
| 空报率 | 0.3751 | 0.4498 | 0.5735 | 0.6753 | 0.7944 |
| 漏报率 | 0.1725 | 0.4558 | 0.5923 | 0.7137 | 0.8229 |
表4降水总体分级非独立性检验结果(2015年5～10月)
此外，经过一段时间的试运行表明，1km分辨率产品数据精细化程度大大提高，能够较好满足公众和专业气象服务需求。系统用虚拟站点解决西部站稀少问题，同时大大提高系统运行效率。加入逐10分钟葵花卫星数据，以期对降水范围描述更精确。输出要素种类多，可满足不同行业服务的需求。输出的地面气象要素分布样例如图3所示的数据要素说明。
本发明实施例提供的一种快速循环地面气象融合方法具有并行、小巧、高效、鲁棒、误差小、可伸缩、流水线、图形产品质感细腻等特点。既可以在多路CPU单机环境，也可以在多台服务器集群环境下运行；在单机48核、60G内存环境下，平均55秒就可以完成单时次全要素客观分析工作；在地面数据站点到达率不足正常站点数的1/10状况下，也能够正常输出产品。目前，已经在准业务环境下完成全国1km×1km分辨率、10分钟间隔、地面实况格点数据(气温，露点，风，湿度，1小时、10分钟、5分钟累积降水量等25个要素产品)的融合、检验，并积累一年多试运行数据。
本发明实施例提供的一种快速循环地面气象融合方法，包括获取第一时刻的地面气象观测数据及卫星数据后，对所述卫星数据进行格点化处理，获得卫星格点数据，再对所述地面气象观测数据进行质量优化，获得空间站点数据；将所述卫星格点数据与所述空间站点数据进行融合，获得站点估计数据，然后对所述站点估计数据进行网格化处理，输出在所述第一时刻后的预设时间段内的地面气象要素分布图像。更有效、更准确。
请参阅图4，本发明实施例提供了一种快速循环地面气象融合装置300，所述装置300包括获取单元310、格点化单元320、质量优化单元330、融合单元340和输出单元350。
获取单元310，用于获取第一时刻的地面气象观测数据及卫星数据。
格点化单元320，用于对所述卫星数据进行格点化处理，获得卫星格点数据。
质量优化单元330，用对所述地面气象观测数据进行质量优化，获得空间站点数据。
所述质量优化单元330可以包括质量优化子单元331。
质量优化子单元331，用于对所述地面气象观测数据进行错误校验及诊断计算，获得小时站点数据；基于预设的离散站点平流方程模型及所述小时站点数据，获得分钟站点数据；基于预设的信任传播模型及所述分钟站点数据，获得空间站点数据。
质量优化子单元331，用于基于所述小时站点数据，对所述离散站点平流方程模型进行改造，获得离散点风速、梯度本征向量并计算所述离散站点平流方程模型的数值解，获得分钟站点数据。
质量优化子单元331，用于基于获取到的虚拟站点，建立均匀站点度量空间；基于所述分钟站点数据及k最邻近算法，获得站点的最邻近站点集合并结合概率质量函数，建立邻近站点的因子图；基于所述均匀站点度量空间及所述因子图，根据所述信任传播模型对所述分钟站点数据进行数据补缺，获得空间站点数据。
融合单元330，用于将所述卫星格点数据与所述空间站点数据进行融合，获得站点估计数据。
融合单元330可以包括融合子单元331。
融合子单元331，用于根据随机森林模型将所述卫星格点数据与所述空间站点数据进行融合，获得站点估计数据。
输出单元340，用于对所述站点估计数据进行网格化处理，输出在所述第一时刻后的预设时间段内的地面气象要素分布图像。
输出单元340可以包括输出子单元341。
输出子单元341，用于根据Barnes插值法将所述站点估计数据插值到网格点，输出所述地面气象要素分布图像。
输出子单元341，还用于对获取到的实况格点数据，根据最近邻方法获取所述地面气象要素分布图像中的多个模式分析值；对所述模式分析值进行统计校验，获得校验结果。
以上各单元可以是由软件代码实现，此时，上述的各单元可存储于存储器102内。以上各单元同样可以由硬件例如集成电路芯片实现。
本发明实施例提供的快速循环地面气象融合装置300，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、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，所述模块、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方式中，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，两个连续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动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。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种快速循环地面气象融合方法，其特征在于，所述方法包括：
获取第一时刻的地面气象观测数据及卫星数据；
对所述卫星数据进行格点化处理，获得卫星格点数据；
对所述地面气象观测数据进行质量优化，获得空间站点数据；
将所述卫星格点数据与所述空间站点数据进行融合，获得站点估计数据；
对所述站点估计数据进行网格化处理，输出在所述第一时刻后的预设时间段内的地面气象要素分布图像；
其中，所述对所述地面气象观测数据进行质量优化，获得空间站点数据，包括：对所述地面气象观测数据进行错误校验及诊断计算，获得小时站点数据；
基于预设的离散站点平流方程模型及所述小时站点数据，获得分钟站点数据；
基于预设的信任传播模型及所述分钟站点数据，获得空间站点数据；
其中，对所述地面气象观测数据进行错误校验及诊断计算，获得小时站点数据，包括：以中国气象要素气候极值范围标准为依据，对所述地面气象观测数据剔除地面自动站数据的错误要素；以测站邻接站点字典为依据，进行站点要素梯度检验，剔除地面自动站数据的错误要素；计算诊断物理量与自然对数变化，所述诊断物理量至少包括u,v风、假相当位温，所述自然对数变化至少包括雨量变化、能见度变化。
2.根据权利要求1所述的方法，其特征在于，基于预设的离散站点平流方程模型及所述小时站点数据，获得分钟站点数据，包括：
基于所述小时站点数据，对所述离散站点平流方程模型进行改造，获得离散点风速、梯度本征向量并计算所述离散站点平流方程模型的数值解，获得分钟站点数据。
3.根据权利要求1所述的方法，其特征在于，基于预设的信任传播模型及所述分钟站点数据，获得空间站点数据，包括：
基于获取到的虚拟站点，建立均匀站点度量空间；
基于所述分钟站点数据及k最邻近算法，获得站点的最邻近站点集合并结合概率质量函数，建立邻近站点的因子图；
基于所述均匀站点度量空间及所述因子图，根据所述信任传播模型对所述分钟站点数据进行数据补缺，获得空间站点数据。
4.根据权利要求1所述的方法，其特征在于，将所述卫星格点数据与所述空间站点数据进行融合，获得站点估计数据，包括：
根据随机森林模型将所述卫星格点数据与所述空间站点数据进行融合，获得站点估计数据。
5.根据权利要求1所述的方法，其特征在于，对所述站点估计数据进行网格化处理，输出在所述第一时刻后的预设时间段内的地面气象要素分布图像，包括：
根据Barnes插值法将所述站点估计数据插值到网格点，输出所述地面气象要素分布图像。
6.根据权利要求1所述的方法，其特征在于，在对所述站点估计数据进行网格化处理，输出在所述第一时刻后的预设时间段内的地面气象要素分布图像之后，所述方法还包括：
对获取到的实况格点数据，根据最近邻方法获取所述地面气象要素分布图像中的多个模式分析值；
对所述模式分析值进行统计校验，获得校验结果。
7.一种快速循环地面气象融合装置，其特征在于，所述装置包括：
获取单元，用于获取第一时刻的地面气象观测数据及卫星数据；
格点化单元，用于对所述卫星数据进行格点化处理，获得卫星格点数据；
质量优化单元，用对所述地面气象观测数据进行质量优化，获得空间站点数据；
融合单元，用于将所述卫星格点数据与所述空间站点数据进行融合，获得站点估计数据；
输出单元，用于对所述站点估计数据进行网格化处理，输出在所述第一时刻后的预设时间段内的地面气象要素分布图像；
所述质量优化单元还用于对所述地面气象观测数据进行错误校验及诊断计算，获得小时站点数据，基于预设的离散站点平流方程模型及所述小时站点数据，获得分钟站点数据，基于预设的信任传播模型及所述分钟站点数据，获得空间站点数据；
所述质量优化单元还用于以中国气象要素气候极值范围标准为依据，对所述地面气象观测数据剔除地面自动站数据的错误要素；以测站邻接站点字典为依据，进行站点要素梯度检验，剔除地面自动站数据的错误要素；计算诊断物理量与自然对数变化，所述诊断物理量至少包括u,v风、假相当位温，所述自然对数变化至少包括雨量变化、能见度变化。
8.根据权利要求7所述的装置，其特征在于，所述质量优化单元包括：
质量优化子单元，用于对所述地面气象观测数据进行错误校验及诊断计算，获得小时站点数据；基于预设的离散站点平流方程模型及所述小时站点数据，获得分钟站点数据；基于预设的信任传播模型及所述分钟站点数据，获得空间站点数据。
9.一种服务器，其特征在于，包括处理器以及存储有若干计算机指令的非易失性存储器，所述计算机指令被所述处理器执行时，所述服务器执行权利要求1-6中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810357474.XA CN109191408B (zh) | 2018-04-19 | 2018-04-19 | 快速循环地面气象融合方法、装置及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810357474.XA CN109191408B (zh) | 2018-04-19 | 2018-04-19 | 快速循环地面气象融合方法、装置及服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109191408A CN109191408A (zh) | 2019-01-11 |
| CN109191408B true CN109191408B (zh) | 2022-03-01 |
Family
ID=64948500
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810357474.XA Active CN109191408B (zh) | 2018-04-19 | 2018-04-19 | 快速循环地面气象融合方法、装置及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109191408B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111008355B (zh) * | 2019-09-16 | 2023-11-14 | 华风气象传媒集团有限责任公司 | 一种基于信任传播的气象地面要素插值方法 |
| CN112285807B (zh) * | 2019-11-12 | 2023-11-07 | 北京嘉韵楷达气象科技有限公司 | 一种气象信息预测方法及装置 |
| CN113111936B (zh) * | 2021-04-07 | 2022-10-18 | 成都信息工程大学 | 一种卫星数据融合的气温估算方法 |
| CN114394263B (zh) * | 2021-10-14 | 2024-02-09 | 中国科学院国家授时中心 | 一种空间站共视时间比对轨道误差修正方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104239706A (zh) * | 2014-09-05 | 2014-12-24 | 中国科学院寒区旱区环境与工程研究所 | 一种地面观测气温时空数据集的制备方法 |
| CN105068153A (zh) * | 2015-06-19 | 2015-11-18 | 中国气象科学研究院 | 一种区域自动雨量站小时降水数据质量控制系统及方法 |
| CN107122606A (zh) * | 2017-04-26 | 2017-09-01 | 国家海洋信息中心 | 基于卫星高度计数据的海平面变化趋势计算方法及装置 |
| CN107367773A (zh) * | 2017-03-14 | 2017-11-21 | 北京维艾思气象信息科技有限公司 | 一种基于北斗定位的单点气象要素确定方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9207098B2 (en) * | 2014-02-21 | 2015-12-08 | Iteris, Inc. | Short-term travel-time prediction modeling augmented with radar-based precipitation predictions and scaling of same |
| US9928594B2 (en) * | 2014-07-11 | 2018-03-27 | Agt International Gmbh | Automatic spatial calibration of camera network |
| CN107918165B (zh) * | 2016-10-09 | 2019-10-18 | 清华大学 | 基于空间插值的多卫星融合降水预测方法及系统 |
| CN107679167A (zh) * | 2017-09-29 | 2018-02-09 | 智慧天气风险管理（深圳）有限公司 | 基于格点化气象数据的气象风险评估方法及分析预警平台 |
-
2018
- 2018-04-19 CN CN201810357474.XA patent/CN109191408B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104239706A (zh) * | 2014-09-05 | 2014-12-24 | 中国科学院寒区旱区环境与工程研究所 | 一种地面观测气温时空数据集的制备方法 |
| CN105068153A (zh) * | 2015-06-19 | 2015-11-18 | 中国气象科学研究院 | 一种区域自动雨量站小时降水数据质量控制系统及方法 |
| CN107367773A (zh) * | 2017-03-14 | 2017-11-21 | 北京维艾思气象信息科技有限公司 | 一种基于北斗定位的单点气象要素确定方法 |
| CN107122606A (zh) * | 2017-04-26 | 2017-09-01 | 国家海洋信息中心 | 基于卫星高度计数据的海平面变化趋势计算方法及装置 |
Non-Patent Citations (8)
| Title |
|---|
| "快速循环地面气象融合系统"通过论证;中国气象报社;《http://www.cma.gov.cn/2011xwzx/2011xqxkj/2011xkjdt/201701/t20170105_382684.html》;20170105;第1-2页 * |
| A Strategy for Merging Objective Estimates of Global Daily Precipitation from Gauge Observations，Satellite Estimates，and Numerical Predictions;Suping NIE et al.;《ADVANCES IN ATM OSPHERIC SCIENCES》;20160731;第33卷;第889-904页 * |
| 全国分钟预报技术与应用;张国平 等;《第34届中国气象学会年会 S11 创新驱动智慧气象服务——第七届气象服务发展论坛论文集》;20170815;第468-469页 * |
| 卫星云图资料在降水量客观分析中的应用试验;刘刈 等;《高原山地气象研究》;20170331;第37卷(第1期);第80-83页 * |
| 多源数据融合高时空分辨率晴雨分类;匡秋明 等;《软件学报》;20171231;第28卷(第11期);第2925-2939页 * |
| 多源降水数据融合研究及应用进展;潘旸 等;《气象科技进展》;20180228;第8卷(第1期);第143-152页 * |
| 最优化 kNN Barnes 客观分析;何险峰 等;《第33届中国气象学会年会 S20 气象信息化——业务实践与技术应用》;20160920;第1页 * |
| 离散点气象要素平流外推模型;汤沛 等;《气象科技》;20171231;第45卷(第6期);第1043页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109191408A (zh) | 2019-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109191408B (zh) | 快速循环地面气象融合方法、装置及服务器 | |
| US6535817B1 (en) | Methods, systems and computer program products for generating weather forecasts from a multi-model superensemble | |
| Stewart et al. | Data assimilation with correlated observation errors: experiments with a 1-D shallow water model | |
| Raeder et al. | DART/CAM: An ensemble data assimilation system for CESM atmospheric models | |
| Grecu et al. | An efficient methodology for detection of anomalous propagation echoes in radar reflectivity data using neural networks | |
| CN111260111B (zh) | 基于气象大数据的径流预报改进方法 | |
| CN109543907B (zh) | 一种复杂地形风资源评估方法及其装置 | |
| Da Silva et al. | Validation of GPM IMERG extreme precipitation in the Maritime Continent by station and radar data | |
| KR101575847B1 (ko) | 북반구 기후 지수를 이용한 북서태평양 해수면 온도 변동성 진단 모델링 시스템 및 방법 | |
| Veenhuis | Spread calibration of ensemble MOS forecasts | |
| Aguilar et al. | Accuracy assessment of digital elevation models using a non‐parametric approach | |
| CN110705115A (zh) | 一种基于深度置信网络的气象预报方法和系统 | |
| Sommer et al. | Ensemble-based approximation of observation impact using an observation-based verification metric | |
| Anagnostou et al. | Rainfall estimation from TOGA radar observations during LBA field campaign | |
| Reggiani et al. | Predictive uncertainty estimation on a precipitation and temperature reanalysis ensemble for Shigar Basin, Central Karakoram | |
| CN115271181A (zh) | 一种基于多模态数据融合的台风概率预报智能方法及装置 | |
| Bergman et al. | Parameterizing vertically coherent cloud distributions | |
| Pitman et al. | Global and regional comparison of daily 2-m and 1000-hPa maximum and minimum temperatures in three global reanalyses | |
| Errico et al. | Simulation of atmospheric motion vectors for an observing system simulation experiment | |
| CN111914424B (zh) | 一种基于短期测风资料的设计风速取值方法及系统 | |
| Young | Detecting and removing inhomogeneities from long-term monthly sea level pressure time series | |
| Paxton et al. | Extreme precipitation in the Great Lakes region: Trend estimation and relation with large-scale circulation and humidity | |
| Tyndall et al. | Sensitivity of surface air temperature analyses to background and observation errors | |
| Skaugen et al. | Simulated precipitation fields with variance-consistent interpolation | |
| Garcia et al. | Filling in missing rainfall data in the Andes region of Venezuela, based on a cluster |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |