CN109283600A - 一种能见度自动观测与人工观测数据比对评估方法及系统 - Google Patents
一种能见度自动观测与人工观测数据比对评估方法及系统 Download PDFInfo
- Publication number
- CN109283600A CN109283600A CN201811176333.4A CN201811176333A CN109283600A CN 109283600 A CN109283600 A CN 109283600A CN 201811176333 A CN201811176333 A CN 201811176333A CN 109283600 A CN109283600 A CN 109283600A
- Authority
- CN
- China
- Prior art keywords
- visibility
- observation
- data
- artificial
- automatic
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/18—Testing or calibrating meteorological apparatus
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种能见度自动观测与人工观测数据比对评估方法及系统,其中,能见度自动观测与人工观测数据比对评估方法,包括以下步骤:获取目标区域的能见度人工观测原始数据和能见度自动观测原始数据;根据预设条件识别并剔除能见度人工观测原始数据与能见度自动观测原始数据中的能见度观测数据;根据能见度自动观测数据与能见度人工观测数据计算平均偏差和绝对偏差;根据平均偏差和绝对偏差生成统计分析报告。在本发明的技术方案中,能够对自动观测与人工观测对比差值的平均偏差、绝对偏差进行分析,并针对不同天气现象下人工观测与自动观测的差值频率进行分析。
Description
技术领域
本发明涉及能见度观测质量管理领域,尤其涉及一种能见度自动观测与人工观测数据比对评估方法和一种能见度自动观测与人工观测数据比对评估系统。
背景技术
在气象领域,能见度测报不仅用于日常气象部门的天气分析,更广泛用于高速公路、航空、航海等交通运输部门、军事等领域。
白天能见度是指视力正常的人在当时天气条件下,能从天空背景中看到和辨别出目标物轮廓的最大水平距离。能见度观测是判别视程障碍现象及强度的决定性参考依据,准确的能见度观测,能有力的保证交通运输业的正常进行;另一方面也是表征低层大气污染程度的一个重要的物理量。因此,观测好能见度意义十分重大。
能见度的观测一般分为自动观测和人工观测。能见度的人工观测一般为经过专业训练的测试员,在天气条件下,能够以天空为背景的情况下,看到目标物的最大水平距离。显然这种方法局限性很大,一方面跟气象站的地理条件以及参照物有关;另一方面,受测试人员主观判断的影响。能见度的自动观测是通过散射能见度仪测量采样区域的散射系数从而估算出气象光学视程,以米为单位。自动观测输出1min平均值、10min平均值,由于观测方法限制,无法挑选能见度自动与人工观测完全一致的时间。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此,本发明的一个目的在于提供一种能见度自动观测与人工观测数据比对评估方法,其能够对自动观测与人工观测对比差值的平均偏差、绝对偏差进行分析,并针对不同天气现象下人工观测与自动观测的差值频率进行分析。
本发明的另一个目的在于提供一种能见度自动观测与人工观测数据比对评估系统,其能够利用八个站自动、人工并行观测的历史数据,对原始数据的时间序列变化情况和散点分布情况的研究,了解观测数据质量,针对气象观测关注的低能见度情况下的观测数据进行重点关注。
为实现上述目的,本发明第一方面的技术方案提供了一种能见度自动观测与人工观测数据比对评估方法,包括以下步骤:
获取目标区域的能见度人工观测原始数据和能见度自动观测原始数据;
根据预设条件识别并剔除能见度人工观测原始数据与能见度自动观测原始数据中的能见度观测数据,得到能见度人工观测数据和能见度自动观测数据;
根据能见度自动观测数据与能见度人工观测数据计算平均偏差和绝对偏差;
根据平均偏差和绝对偏差生成统计分析报告。
在该技术方案中,利用能见度自动、人工并行观测的历史数据,对该数据的时间序列变化情况和散点分布情况的研究,了解观测数据质量,针对气象观测关注的低能见度情况下的观测数据进行重点关注,对自动观测与人工观测对比差值的平均偏差、绝对偏差进行分析,并针对不同天气现象、不同地域情况下自动观测与人工观测的差值频率进行分析。
在上述技术方案中,优选地,平均偏差的表达式为:
绝对偏差:
其中,xi表示能见度自动观测数据与能见度人工观测数据的对比差值,n表示对比观测次数。
在上述任一技术方案中,优选地,预设条件为能见度观测数据大于8倍能见度人工观测原始数据。
在上述任一技术方案中,优选地,预设条件为能见度观测数据小于8倍能见度人工观测原始数据。
在上述任一技术方案中,优选地,能见度自动观测原始数据和能见度人工观测原始数据的能见度小于或等于20km。
在上述任一技术方案中,优选地,统计分析报告包括不同站点、不同天气、不同观测仪器、不同地域环境和能见度自动观测数据与能见度人工观测数据的差值频率中的至少一种。
在上述任一技术方案中,优选地,根据平均偏差和绝对偏差生成统计分析报告,包括:
根据能见度人工观测数据与能见度自动观测数据的能见度值分成多个分段;
统计每个分段的平均偏差和绝对偏差,得到统计结果;
根据统计结果生成统计分析报告。
本发明第二方面的技术方案提供了一种能见度自动观测与人工观测数据比对评估系统,包括:获取模块,被设置为用于获取目标区域的能见度人工观测原始数据和能见度自动观测原始数据;
识别模块,被设置为用于根据预设条件识别并剔除能见度人工观测原始数据与能见度自动观测原始数据中的能见度观测数据,得到能见度人工观测数据和能见度自动观测数据;
计算模块,被设置为用于根据能见度自动观测数据与能见度人工观测数据计算平均偏差和绝对偏差;
报告生成模块,被设置为用于根据平均偏差和绝对偏差生成统计分析报告。
在该技术方案中,利用能见度自动、人工并行观测的历史数据,对该数据的时间序列变化情况和散点分布情况的研究,了解观测数据质量,针对气象观测关注的低能见度情况下的观测数据进行重点关注,对自动观测与人工观测对比差值的平均偏差、绝对偏差进行分析,并针对不同天气现象、不同地域情况下自动观测与人工观测的差值频率进行分析。
在上述技术方案中,优选地,平均偏差的表达式为:
绝对偏差:
其中,xi表示能见度自动观测数据与能见度人工观测数据的对比差值,n表示对比观测次数。
在上述任一技术方案中,优选地,预设条件为能见度观测数据大于或小于8倍能见度人工观测原始数据;和/或
统计分析报告包括不同站点、不同天气、不同观测仪器、不同地域环境和能见度自动观测数据与能见度人工观测数据的差值频率中的至少一种;和/或
能见度自动观测原始数据和能见度人工观测原始数据的能见度小于或等于20km。
在上述任一技术方案中,优选地,报告生成模块包括:
分段单元,被设置为用于根据能见度人工观测数据与能见度自动观测数据的能见度值分成多个分段;
统计单元,被设置为用于统计每个分段的平均偏差和绝对偏差,得到统计结果;
报告生成单元,被设置为用于根据统计结果生成统计分析报告。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1示出了本发明实施例所涉及方法的流程框图;
图2示出了本发明实施例所涉及步骤S400的流程框图;
图3示出了本发明实施例所涉及系统的结构框图;
图4示出了本发明实施例所涉及报告生成模块的结构框图;
图5示出了能见度低于10km的各站散点分布图;
图6示出了所有站点不同能见度段的能见度人工观测数据和能见度自动观测数据的散点图;
图7示出了不同天气下能见度为0-20km散点图;
图8示出了不同仪器型号下能见度为0-20km散点图;
图9示出了不同地域环境下能见度为0-20km散点图;
图10示出了能见度自动观测数据与能见度人工观测数据的差值频率分布图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不限于下面公开的具体实施例的限制。
下面参照图1至图10描述本发明一些实施例的能见度自动观测与人工观测数据比对评估方法及系统。
如图1所示,按照本发明一个实施例的能见度自动观测与人工观测数据比对评估方法,包括以下步骤:
S100,获取目标区域的能见度人工观测原始数据和能见度自动观测原始数据;
S200,根据预设条件识别并剔除能见度人工观测原始数据与能见度自动观测原始数据中的能见度观测数据,得到能见度人工观测数据和能见度自动观测数据;
S300,根据能见度自动观测数据与能见度人工观测数据计算平均偏差和绝对偏差;
S400,根据平均偏差和绝对偏差生成统计分析报告。
在该实施例中,利用能见度自动、人工并行观测的历史数据,对该数据的时间序列变化情况和散点分布情况的研究,了解观测数据质量,针对气象观测关注的低能见度情况下的观测数据进行重点关注,对人工与自动观测的能见度数据分段(能见度V≤1km,1km<V≤3km,3km<V≤10km,V≤10km,10km<V≤20km,V≤40km),对自动观测与人工观测对比差值的平均偏差、绝对偏差和相关性R进行分析,并针对不同天气现象、不同地域情况下自动观测与人工观测的差值频率进行分析。
具体地,平均偏差的表达式为:
绝对偏差:
其中,xi表示能见度自动观测数据与能见度人工观测数据的对比差值,n表示对比观测次数。
在上述任一实施例中,优选地,预设条件为能见度观测数据大于8倍能见度人工观测原始数据。
在该实施例中,为进一步提高能见度自动观测与人工观测数据比对评估的准确性,需要对原始数据进行质量控制,剔除部分差异较大的数据,剔除方法:能见度观测数据大于8倍以上能见度人工观测原始数据的予以全部剔除,对质量控制之后的数据进行分析。
在上述任一实施例中,优选地,预设条件为能见度观测数据小于8倍能见度人工观测原始数据。
在该实施例中,为进一步提高能见度自动观测与人工观测数据比对评估的准确性,需要对现有数据进行质量控制,剔除部分差异较大的数据,剔除方法:能见度观测数据小于8倍以上能见度人工观测原始数据的予以全部剔除,对质量控制之后的数据进行分析。
在上述任一实施例中,优选地,能见度自动观测原始数据和能见度人工观测原始数据的能见度小于或等于20km。
在该实施例中,本发明能够对原始数据的时间序列变化情况和散点分布情况的研究,了解观测数据质量,根据仪器运行情况,剔除仪器故障时的观测数据。且在地面气象观测中,一般更关注能见度较低的情况,因此在考虑全部数据的基础上(V≤40km),对能见度低于20km的数据进行重点分析。
在上述任一实施例中,优选地,统计分析报告包括不同站点、不同天气、不同观测仪器、不同地域环境和能见度自动观测数据与能见度人工观测数据的差值频率中的至少一种。
在上述任一实施例中,优选地,如图2所示,S400,根据平均偏差和绝对偏差生成统计分析报告,包括:
S401,根据能见度人工观测数据与能见度自动观测数据的能见度值分成多个分段;
S402,统计每个分段的平均偏差和绝对偏差,得到统计结果;
S403,根据统计结果生成统计分析报告。
在该实施例中,利用能见度自动、人工并行观测的历史数据,对该数据的时间序列变化情况和散点分布情况的研究,了解观测数据质量,针对气象观测关注的低能见度情况下的观测数据进行重点关注,对人工与自动观测的能见度数据分段(能见度V≤1km,1km<V≤3km,3km<V≤10km,V≤10km,10km<V≤20km,V≤40km),对自动观测与人工观测对比差值的平均偏差、绝对偏差和相关性R进行分析,并针对不同天气现象、不同地域、情况下自动观测与人工观测的差值频率进行分析。
如图3所示,按照本发明一个实施例的能见度自动观测与人工观测数据比对评估系统1000,包括:
获取模块100,被设置为用于获取目标区域的能见度人工观测原始数据和能见度自动观测原始数据;
识别模块200,被设置为用于根据预设条件识别并剔除能见度人工观测原始数据与能见度自动观测原始数据中的能见度观测数据,得到能见度人工观测数据和能见度自动观测数据;
计算模块300,被设置为用于根据能见度自动观测数据与能见度人工观测数据计算平均偏差和绝对偏差;
报告生成模块400,被设置为用于根据平均偏差和绝对偏差生成统计分析报告。
在该实施例中,利用能见度自动、人工并行观测的历史数据,对该数据的时间序列变化情况和散点分布情况的研究,了解观测数据质量,针对气象观测关注的低能见度情况下的观测数据进行重点关注,对自动观测与人工观测对比差值的平均偏差、绝对偏差进行分析,并针对不同天气现象、不同地域情况下自动观测与人工观测的差值频率进行分析。
在上述实施例中,优选地,平均偏差的表达式为:
绝对偏差:
其中,xi表示能见度自动观测数据与能见度人工观测数据的对比差值,n表示对比观测次数。
在上述任一实施例中,优选地,预设条件为能见度观测数据大于8倍能见度人工观测原始数据。
在该实施例中,为进一步提高能见度自动观测与人工观测数据比对评估的准确性,需要对现有数据进行质量控制,剔除部分差异较大的数据,剔除方法:能见度观测数据大于8倍以上能见度人工观测原始数据的予以全部剔除,对质量控制之后的数据进行分析。
在上述任一实施例中,优选地,预设条件为能见度观测数据小于8倍能见度人工观测原始数据。
在该实施例中,为进一步提高能见度自动观测与人工观测数据比对评估的准确性,需要对现有数据进行质量控制,剔除部分差异较大的数据,剔除方法:能见度观测数据小于8倍以上能见度人工观测原始数据的予以全部剔除,对质量控制之后的数据进行分析。
在上述任一实施例中,优选地,统计分析报告包括不同站点、不同天气、不同观测仪器、不同地域环境和能见度自动观测数据与能见度人工观测数据的差值频率中的至少一种;和/或
在上述任一实施例中,优选地,能见度自动观测原始数据和能见度人工观测原始数据的能见度小于或等于20km。
在该实施例中,本发明能够对原始数据的时间序列变化情况和散点分布情况的研究,了解观测数据质量,根据仪器运行情况,剔除仪器故障时的观测数据。且在地面气象观测中,一般更关注能见度较低的情况,因此在考虑全部数据的基础上(V≤40km),对能见度低于20km的数据进行重点分析。
在上述任一实施例中,优选地,如图4所示,报告生成模块400包括:
分段单元401,被设置为用于根据能见度人工观测数据与能见度自动观测数据的能见度值分成多个分段;
统计单元402,被设置为用于统计每个分段的平均偏差和绝对偏差,得到统计结果;
报告生成单元403,被设置为用于根据统计结果生成统计分析报告。
在该实施例中,利用能见度自动、人工并行观测的历史数据,对该数据的时间序列变化情况和散点分布情况的研究,了解观测数据质量,针对气象观测关注的低能见度情况下的观测数据进行重点关注,对人工与自动观测的能见度数据分段(能见度V≤1km,1km<V≤3km,3km<V≤10km,V≤10km,10km<V≤20km,V≤40km),对自动观测与人工观测对比差值的平均偏差、绝对偏差进行分析,并针对不同天气现象、不同地域情况下人工观测与自动观测的差值频率进行分析。
具体实施例:
2012年,地面气象观测自动化业务综合试点的范围包括北京、上海、江苏、浙江、安徽、湖北、重庆和广东八个省市的八个台站:北京南郊观象台站、上海宝山站、江苏东山站、浙江杭州站、安徽休宁站、湖北武汉站、重庆沙坪坝站、广东广州站。
能见度的自动观测是通过散射能见度仪测量采样区域的散射系数从而估算出气象光学视程,以米为单位。自动观测输出1min平均值、10min平均值,由于观测方法限制,无法挑选能见度自动与人工观测完全一致的时间,而能见度在短时间内不会发生明显的跳跃性变化,因而选择能见度自动观测的正点10min平均值与人工观测能见度进行对比。对比时次仅对有人工定时观测记录时次的能见度进行对比分析,能见度自动观测数据转换为以km为单位。
能见度的人工观测一般是指有效水平能见度。在地面观测场站四周不同方向、不同距离上选择若干固定能见度目标物作为观测能见度的依据。根据以观测场四周二分之一视野范围的“能见”的最远目标物和“不能见”的最近目标物,从而判定当时的能见距离。如某一目标物轮廓清晰,但没有更远的或看不到更远的目标物时,参考目标物的颜色、细微部分的清晰状况,人工确定目标物距离的扩大倍数来估计或者估判当前能见距离。人工观测能见度以km为单位,选取能见度具体观测时间为:每天四次(8时、11时、14时、17时)。
不同站点数据误差分析
统计各站能见度低于10km,散点分布如图5所示。通过各站能见度低于10km统计分析,由图5可以看出,各站自动观测能见度值相对于人工观测值都存在一定偏差,平均偏差在-0.736km~-4.988km之间,绝对偏差在1.008km~5.115km之间;所有站点总体平均偏差为-1.938km,绝对偏差为2.095km,说明自动观测与人工观测存在一定差距,并且人工观测值一般大于自动观测值。从相关性来看,两种观测的相关系数在0.46~0.91之间,其中杭州与沙坪坝较接近,在0.9左右,其他站全部在0.9以下,所有站点总体相关系数为0.67。
为了更进一步分析各站点的能见度人工观测数据与能见度自动观测数据的偏差情况,将能见度值进行分段V≤1km、1km<V≤3km、3km<V≤10km、10km<V≤20km分别统计各站点和总体情况的平均偏差和均方差,如表1-1、表1-2、表1-3、表1-4。
表1-1各站自动观测与人工观测能见度偏差(0~1km)
表1-2各站自动观测与人工观测能见度偏差(1~3km)
表1-3各站自动观测与人工观测能见度偏差(3~10km)
表1-4各站自动观测与人工观测能见度偏差(10~20km)
从表1-1至表1-4可以看出,在能见度≤3km时,平均偏差和绝对偏差都在1km以内,说明自动观测和人工观测能见度值差值很小;随着能见度的增加,自动观测和人工观测能见度值差值增大,这和实际情况也是相符的。在台站设置能见度目标物时,距离近的目标物相对较多,且易判定其实际距离,观测员观测的能见度值就越接近真实;能见度仪本身特性也是在小能见度值时准确度越好。
所有站点数据总体情况
分别针对各站在V≤1km、1km<V≤3km、3km<V≤10km、V≤10km、10km<V≤20km、V≤40km各站总体情况进行统计,结果如图6和表1-5:
表1-5各站自动观测与人工观测能见度偏差
针对数据偏差情况进行统计,结果表明:能见度变大时,自动观测与人工观测的偏差会变大,这也符合实际观测的情况。从数据的相关情况来看,0~40km范围内数据情况反而较好,相关性也比较好,达到了0.86,有可能与大于20km能见度目标物较少、观测员在能见度较大时参考仪器观测结果较多有关。
不同天气现象下能见度偏差对比(如图7所示)
分析各站在不同天气现象下的观测数据,包括无降水、雨类和雪类。根据各站的数据统计情况可以看出:在有雪类或者雨类天气现象发生时,自动观测与人工观测平均偏差和绝对偏差结果反而比无降水时更好,但其相关性没有明显的差异。这是由于观测员在观测能见度时,在没有降雪、降雨天气现象时,由于视线的遮挡会主观放大能见度,记录得大一些,相反当有降水现象发生时,由于视线的遮挡,凭主观感观会记录小一点。而在自动和人工观测对比的过程中,人工观测值往往会大于自动观测值,因此造成有降雨、降雪天气现象时,反而两者一致性结果要比没有降水现象时结果好。
不同仪器型号对观测的影响分析(如图8所示)
本次比对试验仪器共计3种型号,其中北京、宝山、杭州、沙坪坝和武汉站仪器型号为HY-V35,东山和广州站仪器型号为CJY-1G,休宁站仪器型号为HW-N1,分析数据仪器型号对观测结果是否有影响。数据分析显示,HW-N1型能见度仪自动观测与人工观测对比差值的平均偏差和绝对偏差最小,HY-V35和CJY-1G型能见度仪绝对偏差相当。
不同地域环境对观测的影响分析(如图9所示)
本次比对试验仪器共计8个台站,试验站点有一定的区域代表性。其中华北地区选取北京站,华东地区有东山、杭州、宝山和休宁站,华南地区选取广州站,华中地区选取武汉站,西南地区选取沙坪坝站。对不同区域的试验数据分析,研究表明:地域对能见度观测无明显影响。
所有站点差值频率分析
针对能见度低于40km的分析数据,利用数据质量控制之后的数据,分析其自动观测与人工观测能见度差值(即:自动-人工)的频率分布,结果如图10所示。一共7149个数据中,差值小于0的有6089个,约占85.2%,差值大于0的有1042个,约占14.5%,差值等于0的有18个,约占0.25%。差值频率大部分分布在小于0的区间,所以总体差值均值小于0,即:自动观测能见度值一般小于人工观测能见度值。
主要结论
能见度自动观测是假定大气是均匀的,利用观测到的采样区间的能见度情况推广到大片区域内,而人工观测关注的则是整个大气对视觉的障碍,且受到主观因素影响较大,这不可避免的造成自动观测与人工观测的差异。通过数据分析可以得出主要结论有:
1.各台站人工观测能见度值一般高于自动观测能见度值,两者变化趋势基本一致,自动化观测能见度连续性较好,较人工观测能见度具有无可比拟的优势。在能见度低于10km时,各站自动观测能见度值与人工观测能见度值具有相同特点,但由于部分站点数据较少,趋势不如样本多时明显。
2.能见度在0~1km、1~3km、3~10km和10~20km时,平均偏差分别是-0.125km、-0.641km、-1.790km和-2.713km,绝对偏差分别是0.208km、0.714km、2.309km和3.094km,随着能见度值的增大,自动和人工观测偏差逐渐增大;所有站点0~10km总体平均偏差为-1.938km,绝对偏差为2.095km,总体的相关性还是比较好的;0~40km时,平均偏差和绝对偏差分别是-3.307km和4.188km,相关性比能见度小于10km要好。
3.不同的天气现象条件下,有降水类天气出现时,自动观测与人工观测平均偏差和绝对偏差结果反而比无降水现象时要好,其相关性没有明显差异。
4.另外,从目前数据来看,自动观测与人工观测差异在不同的天气现象和不同地域能见度观测值也未表现出明显规律;不同型号的能见度仪,因使用站点太少,受观测站业务人员传统影响较大,未能表现明显规律。
原因分析
1.观测方式造成的差异:自动观测能见度实时连续观测,能见度值主观因素小,可靠性大,连续实时反应当时的能见度情况;人工观测能见度受观测员本身的眼睛视力、倍数的估算、光源特性以及天空背景等有很大的关系,在主观上会造成较大误差。
2.观测范围造成的差异:人工观测能见度是以观测场四周视野大范围,是整个大气对视觉的障碍,平均估算判断;能见度自动观测仪假定大气是均匀,从小范围采样区采集数据代替广阔空间的能见度,也存在较大差异。当真实能见度越好,人工观测和自动观测结果差异越大。
3.观测算法造成的差异:人工观测能见度是根据辨别目标物的清晰或者光源强度进行推算估计,另一方面受台站实际情况的影响,台站近距离能见度目标物设置合理而较远的目标设置很少;自动观测能见度是采用1min内有效采样样本的算术平均值进行滑动计算10min平均能见度值作为正点能见度值。
4.仪器设备故障造成的差异:人工观测能见度不受仪器设备的影响,但是受观测员个人习惯和台站传统影响,也会存在系统性的偏差;自动观测能见度因能见度仪本身的性能变化或者故障造成系统性偏差较大。
5.仪器设备维护和外界因素干扰造成的差异:能见度仪的常规维护不规范、观测场割草、附近居民生活等会造成能见度观测结果的不连续。
在本说明书的描述中,术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
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。
Claims (10)
1.一种能见度自动观测与人工观测数据比对评估方法,其特征在于,包括以下步骤:
获取目标区域的能见度人工观测原始数据和能见度自动观测原始数据;
根据预设条件识别并剔除所述能见度人工观测原始数据与所述能见度自动观测原始数据中的能见度观测数据,得到能见度人工观测数据和能见度自动观测数据;
根据所述能见度自动观测数据与所述能见度人工观测数据计算平均偏差和绝对偏差;
根据所述平均偏差和所述绝对偏差生成统计分析报告。
2.根据权利要求1所述的能见度自动观测与人工观测数据比对评估方法,其特征在于,
所述平均偏差的表达式为:
所述绝对偏差:
其中,xi表示所述能见度自动观测数据与所述能见度人工观测数据的对比差值,n表示对比观测次数。
3.根据权利要求1或2所述的能见度自动观测与人工观测数据比对评估方法,其特征在于:所述预设条件为所述能见度观测数据大于8倍所述能见度人工观测原始数据。
4.根据权利要求1或2所述的能见度自动观测与人工观测数据比对评估方法,其特征在于:所述预设条件为所述能见度观测数据小于8倍所述能见度人工观测原始数据。
5.根据权利要求1或2所述的能见度自动观测与人工观测数据比对评估方法,其特征在于:
所述能见度自动观测原始数据和所述能见度人工观测原始数据的能见度小于或等于20km;和/或
所述统计分析报告包括不同站点、不同天气、不同观测仪器、不同地域环境和所述能见度自动观测数据与所述能见度人工观测数据的差值频率中的至少一种。
6.根据权利要求1或2所述的能见度自动观测与人工观测数据比对评估方法,其特征在于,根据所述平均偏差和所述绝对偏差生成统计分析报告,包括:
根据所述能见度人工观测数据与所述能见度自动观测数据的能见度值分成多个分段;
统计每个所述分段的所述平均偏差和所述绝对偏差,得到统计结果;
根据所述统计结果生成所述统计分析报告。
7.一种能见度自动观测与人工观测数据比对评估系统,其特征在于,包括:
获取模块,被设置为用于获取目标区域的能见度人工观测原始数据和能见度自动观测原始数据;
识别模块,被设置为用于根据预设条件识别并剔除所述能见度人工观测原始数据与所述能见度自动观测原始数据中的能见度观测数据,得到能见度人工观测数据和能见度自动观测数据;
计算模块,被设置为用于根据所述能见度自动观测数据与所述能见度人工观测数据计算平均偏差和绝对偏差;
报告生成模块,被设置为用于根据所述平均偏差和所述绝对偏差生成统计分析报告。
8.根据权利要求7所述的能见度自动观测与人工观测数据比对评估系统,其特征在于,
所述平均偏差的表达式为:
所述绝对偏差:
其中,xi表示所述能见度自动观测数据与所述能见度人工观测数据的对比差值,n表示对比观测次数。
9.根据权利要求7或8所述的能见度自动观测与人工观测数据比对评估系统,其特征在于:所述预设条件为所述能见度观测数据大于或小于8倍所述能见度人工观测原始数据;和/或
所述统计分析报告包括不同站点、不同天气、不同观测仪器、不同地域环境和所述能见度自动观测数据与所述能见度人工观测数据的差值频率中的至少一种;和/或
所述能见度自动观测原始数据和所述能见度人工观测原始数据的能见度小于或等于20km。
10.根据权利要求7或8所述的能见度自动观测与人工观测数据比对评估系统,其特征在于,所述报告生成模块包括:
分段单元,被设置为用于根据所述能见度人工观测数据与所述能见度自动观测数据的能见度值分成多个分段;
统计单元,被设置为用于统计每个所述分段的所述平均偏差和所述绝对偏差,得到统计结果;
报告生成单元,被设置为用于根据所述统计结果生成所述统计分析报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811176333.4A CN109283600A (zh) | 2018-10-10 | 2018-10-10 | 一种能见度自动观测与人工观测数据比对评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811176333.4A CN109283600A (zh) | 2018-10-10 | 2018-10-10 | 一种能见度自动观测与人工观测数据比对评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109283600A true CN109283600A (zh) | 2019-01-29 |
Family
ID=65176255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811176333.4A Pending CN109283600A (zh) | 2018-10-10 | 2018-10-10 | 一种能见度自动观测与人工观测数据比对评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109283600A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110083591A (zh) * | 2019-04-26 | 2019-08-02 | 中国气象局气象探测中心 | 一种降水现象仪软件质量控制方法及系统 |
CN110989046A (zh) * | 2019-12-25 | 2020-04-10 | 中国气象局气象探测中心 | 一种锚碇浮标站数据质量控制方法系统 |
CN115018284A (zh) * | 2022-05-24 | 2022-09-06 | 中国气象局气象探测中心 | 气象观测数据质量评估方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105388537A (zh) * | 2015-11-19 | 2016-03-09 | 中国民航大学 | 一种主导能见度自动观测方法 |
US9979934B1 (en) * | 2015-01-06 | 2018-05-22 | Rockwell Collins, Inc. | Automated weather sensing system and method using cameras |
-
2018
- 2018-10-10 CN CN201811176333.4A patent/CN109283600A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9979934B1 (en) * | 2015-01-06 | 2018-05-22 | Rockwell Collins, Inc. | Automated weather sensing system and method using cameras |
CN105388537A (zh) * | 2015-11-19 | 2016-03-09 | 中国民航大学 | 一种主导能见度自动观测方法 |
Non-Patent Citations (3)
Title |
---|
周林: "能见度自动观测和人工目测数据对比分析", 《安徽农业科学》 * |
朱吉体: "定时观测自动站与人工站气象要素差异对比分析", 《现代农业科技》 * |
龙亚星: "能见度自动观测与人工观测数据对比分析", 《陕西气象》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110083591A (zh) * | 2019-04-26 | 2019-08-02 | 中国气象局气象探测中心 | 一种降水现象仪软件质量控制方法及系统 |
CN110989046A (zh) * | 2019-12-25 | 2020-04-10 | 中国气象局气象探测中心 | 一种锚碇浮标站数据质量控制方法系统 |
CN115018284A (zh) * | 2022-05-24 | 2022-09-06 | 中国气象局气象探测中心 | 气象观测数据质量评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109283600A (zh) | 一种能见度自动观测与人工观测数据比对评估方法及系统 | |
Panthou et al. | Characterising the space–time structure of rainfall in the Sahel with a view to estimating IDAF curves | |
CN105891833A (zh) | 基于多普勒雷达信息识别暖云降水率的方法 | |
Delahaye et al. | A consistent gauge database for daily rainfall analysis over the Legal Brazilian Amazon | |
Tessendorf et al. | The Queensland cloud seeding research program | |
Kirstetter et al. | Identification of vertical profiles of reflectivity for correction of volumetric radar data using rainfall classification | |
Böhme et al. | Long-term evaluation of COSMO forecasting using combined observational data of the GOP period | |
CN116449331B (zh) | 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法 | |
CN109839617A (zh) | 一种雷达组网产品的非降水回波消除方法及系统 | |
Dionisi et al. | Midlatitude cirrus classification at Rome Tor Vergata through a multichannel Raman–Mie–Rayleigh lidar | |
Berne et al. | Influence of the vertical profile of reflectivity on radar-estimated rain rates at short time steps | |
Bumke et al. | Analysis of measured drop size spectra over land and sea | |
Kniffka et al. | Characteristics of cloud liquid water path from SEVIRI onboard the Meteosat Second Generation 2 satellite for several cloud types | |
Qi et al. | Improving WSR-88D radar QPE for orographic precipitation using profiler observations | |
Kida et al. | Improvement of rain/no-rain classification methods for microwave radiometer observations over the ocean using a 37 GHz emission signature | |
Peshev et al. | Two-wavelength lidar characterization of atmospheric aerosol fields at low altitudes over heterogeneous terrain | |
Leon | Scale-dependent verification of precipitation and cloudiness at ECMWF | |
Jessen et al. | Analysis of heavy rainfall events in North Rhine–Westphalia with radar and raingauge data | |
KR102058700B1 (ko) | 강수입자 분석기기로부터 계산된 수농도 및 종단속도 보정을 위한 장치 및 방법 | |
Sotiropoulou et al. | Secondary ice production in summer clouds over the Antarctic coast: an underappreciated process in atmospheric models. | |
Van Baelen et al. | Precipitation and microphysical studies with a low cost high resolution X-band radar: an innovative project prospective | |
Combarnous et al. | An observation operator for geostationary lightning imager data assimilation in the French storm-scale numerical weather prediction system AROME | |
Gan et al. | Statistical comparison between Hysplit sounding and lidar observation of planetary boundary layer characteristics over New York City | |
Gesell | A Statistical Comparison of the Accuracy of Precipitation Estimation Using Dual-Polarization and Single-Polarization Radar | |
Waliulu et al. | Smartphone light detection and ranging sensor for an application in road condition survey (RCS) |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190129 |