CN110770610A - 模拟、记录和预测对流气象的自学习即时预报系统 - Google Patents
模拟、记录和预测对流气象的自学习即时预报系统 Download PDFInfo
- Publication number
- CN110770610A CN110770610A CN201880029139.5A CN201880029139A CN110770610A CN 110770610 A CN110770610 A CN 110770610A CN 201880029139 A CN201880029139 A CN 201880029139A CN 110770610 A CN110770610 A CN 110770610A
- Authority
- CN
- China
- Prior art keywords
- weather
- data
- nowcasting
- convective
- convection
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W2001/006—Main server receiving weather information from several sub-stations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W2203/00—Real-time site-specific personalized weather information, e.g. nowcasting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
- G06F3/04845—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range for image manipulation, e.g. dragging, rotation, expansion or change of colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- Remote Sensing (AREA)
- Environmental Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Atmospheric Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Library & Information Science (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Radar Systems Or Details Thereof (AREA)
- Processing Or Creating Images (AREA)
Abstract
本文所述的系统、方法和装置提供了集成的气象预报产品,该产品被设计成协助运营经理做出与指定事件或事件集相关的运营决策。本公开提供了一种处理来自各种源并具有包含不同空间分辨率和时间分辨率的各种数据格式的气象数据的方法,以生成集成的和内聚的气象预测产品,使得气象预测产品在空间和时间域相对于指定事件或事件集都是连续的。
Description
相关申请的交叉引用
本申请要求2018年4月30日提交的美国专利申请第15/966,633号的优先权,该申请要求2017年5月1日提交的美国临时申请第62/492,729号的优先权,二者的内容通过完整引用并入本文。
技术领域
本文所述的系统、方法和装置涉及一种集成的气象即时预报系统,该系统被设计成有助于与指定事件或事件集相关的操作决策。
背景技术
气象会影响许多企业的安全、效率和运营能力。在某些情况下,气象条件可能迫使企业完全停止运营,从而对企业造成不利的经济影响、客户不满和其他此类不受欢迎的后果。对于运营可能受气象条件影响的企业来说,旨在协助运营决策的气象预测产品尤其有用。受影响的企业同样可以从一些决策支持工具中受益,这些工具包括涵盖广泛空间范围和时间范围的气象预测产品作为输入,从而促进主动和被动的运营管理,并最大限度地减少气象对使用这些工具的企业的不利影响。
目前存在各种气象预测产品,用于向运营经理提供适合运营决策的战略和战术阶段的气象信息。例如,气象预报产品通常依赖于大气中各种物理过程之间以及地表和大气之间相互作用的基于物理的数值模拟。这种基于物理的模型通常假设大气层的初始和边界条件,并在时域中求解表示这种物理过程的微分和偏微分流体动力学方程。基于物理的模型通常进行数据同化,数据同化是这样一个数值过程:其将模型预报场与当前时间步长的可用气象观测相结合;最小化预报和这种观测之间的差异;并且调整模型预报轨迹,以便以这样的时间间隔在未来时间步长改进预报模型,从而获得未来预测大气状态(即气象预报)的最佳结果。
相比之下,气象即时预报产品通常基于气象雷达和卫星观测到的气象特征的跟踪和推断,在大多数情况下,所述跟踪和推断在短距离时间和空间内是持续和连续的。通过使用高效的图像处理和统计技术来代替气象预报中使用的基于物理的方程,气象即时预报能够生成短期气象预测,例如,未来两小时或更短时间内,并以非常高的频率提供气象预测更新,几乎每隔几分钟。气象预报技术目前不可能以这样的速度更新气象预测,因为使用基于物理的模拟计算和处理数据涉及繁杂的计算,因此太费时。然而,因为气象预报技术是基于物理的,因此可以比气象即时预报技术预测未来更久的气象。
作为一个说明性示例,空中交通管制(“ATM/C”)人员需要在ATM/C的各个阶段(例如飞行计划、起飞顺序、滑行和起飞期间的塔台控制、飞机升降期间的航站楼雷达接近控制以及巡航期间的航路区域交通控制)不同空间和时间范围内的气象信息,以实现和保持ATM/C的安全性、操作效率和空域容量。
通常,在战略规划阶段,例如预定航班起飞前两个多小时,ATM/C决策取决于气象预报,以准备和调整飞行计划。在战略阶段,能够获得相关气象信息的ATM/C人员有能力主动管理空中交通,方法是生成绕过因气象受阻的空域的改道计划,或者执行地面延迟程序或地面停止程序,以防止给已经减小的空域容量增加额外负担。战略ATM/C地面延迟程序和地面停止程序实现了更好的运行航空安全、平衡的空域需求和容量以及更少的航空燃料燃烧。
在战术阶段,例如,预定航班起飞前两个小时内,ATM/C决策取决于实时气象观测和“即时预报”,即非常短期的气象预测。在战术阶段,ATM/C决策往往是反应性的,可能涉及这样的ATM/C机制,如在不利气象影响结束之前空中等待,或将遇到不利气象且燃料水平限制其空中飞行时间的飞机转到替代机场。
目前市场上有各种气象即时预报产品。这些即时预报产品分析来自连续气象观测图像的气象数据,以估计气象系统的运动,从而预测其在不久的将来的位置。通常,来自单个平台的数据用于这种运动分析,如果存在显著的数据不稳定性,预测很容易失败。同时,大多数即时预报产品仅通过传统推断技术预测气象系统的位置,并假设系统强度在几个小时内保持不变。实际上,对流等气象系统可能在几个小时内迅速发展演变,然而,传统的即时预报技术仅仅从气象观测图像数据中推断信息,不能实时或在近期定量预测风暴系统的增长和衰减。因此,受气象影响的操作,如ATM/C,迫切需要既能预测位置,也能预测强度演变的气象即时预报产品。
如上所述,当前可用的气象即时预报产品存在明显的缺点;目前没有一种可用的产品使企业能够在可能破坏运营的不利气象条件下以安全高效的方式充分管理其运营。
需要的是能够实时生成定量显示风暴系统的增长和衰减的即时预报数据的系统和方法。还需要的是可以为风暴系统在短期内的预测增长和衰减生成预测性即时预报数据的系统和方法。该数据可以被提供给图形用户界面(GUI)或其他软件过程,这些软件过程可以解释或以其他方式应用生成的即时预报数据。
发明内容
本文公开了旨在解决上述现有技术缺点的系统和方法,并且也可以提供额外的或替代的益处。这些系统可以生成实时和近期(例如,0-2小时)定量预测风暴系统的增长和衰减的即时预报数据。
在一些实施例中,一种用于自动模拟、记录和预测对流气象的计算机实现的方法,该方法包括由计算机在一个或多个时间步长间隔内从一个或多个图像数据源接收一个或多个气象数据图像;由计算机在第一时间步长基于与对流物体相关联的一个或多个参数识别气象数据图像中的新对流物体;由计算机在演变数据库中生成新对流物体数据记录,该新对流物体数据记录与新对流物体相关联;由计算机在第一时间步长之后的每个相应时间步长将与新对流物体相关联的一个或多个参数存储到新对流物体数据记录中;由计算机基于所述新对流物体的一个或多个时间步长间隔接收的气象物体数据记录和基于一个或多个对流物体的一个或多个对流物体数据记录生成即时预报输出,其中所述即时预报输出被配置为在图形用户界面(GUI)上显示指示一个或多个未来时间步长间隔的集合的即时预报气象图像的地理地图;以及由计算机将所述即时预报输出发送到一个或多个用户设备,所述一个或多个用户设备被配置为经由所述GUI显示所述即时预报输出。
在该实施例的一些方面,即时预报输出进一步基于存储在演变数据库中的一个或多个对流物体数据记录。
在该实施例的一些方面,该方法还包括基于地理参数和时间参数中的至少一个来识别演变数据库中的一个或多个对流物体数据记录,其中地理参数指示数据记录的对流物体的地理位置,并且其中时间参数指示数据记录的对流物体的时间。
在该实施例的一些方面,其中在演变数据库中存储新对流物体数据记录还包括由计算机更新即时预报算法,该算法被配置为基于新对流物体数据记录和演变数据库中的至少一个对流物体数据记录,为即时预报输出的一个或多个未来时间步长间隔的集合生成预测性即时预报。
在该实施例的一些方面,该方法还包括由计算机从一个或多个数据源接收气象观测数据,其中计算机进一步基于气象观测数据识别新对流物体。
在该实施例的一些方面,该方法还包括由计算机从一个或多个数据源接收气象观测数据,其中计算机将气象观测数据存储到新对流物体数据记录中。
在该实施例的一些方面,该方法还包括由计算机从一个或多个数据源接收气象观测数据,其中计算机进一步基于气象观测数据生成即时预报输出。
在该实施例的一些方面,其中即时预报输出是机器可读计算机文件和机器可读数据流中的至少一个。
在该实施例的一些方面,该方法还包括由计算机将从一个或多个数据源接收的气象观测数据和气象图像数据存储到数据库中。
在该实施例的一些方面,该方法还包括由计算机将来自数据源的气象观测数据和气象图像数据转换成与计算机兼容的格式。
在该实施例的一些方面,该方法还包括由计算机基于指示与子数据库和子集相关联的地理位置的地理参数,将气象观测数据和气象图像数据的子集存储到子数据库中。
在该实施例的一些方面,其中计算机基于从包括以下各项的组中选择的气象观测数据和气象图像数据中的一个或多个参数生成即时预报输出:物体最大反射率、最大反射率变化率、物体面积、物体面积变化率、物体最冷BT、最冷BT变化率和闪光统计。
在该实施例的一些方面,其中计算机在新对流物体的寿命期间自动计算每个对流物体记录的参数值。
在该实施例的一些方面,该方法还包括由计算机搜索演变数据库,以找到与新对流物体匹配的历史对流物体,其中计算机生成即时预报输出的预测性即时预报部分,并且其中预测性即时预报包括预测新对流物体的未来运动和强度的一个或多个未来时间步长间隔的集合的即时预报气象图像。
在该实施例的一些方面,该方法还包括根据一组气象物体参数确定新对流物体的即时预报气象图像的每个像素的强度变化。
在一些实施例中,一种用于自动模拟、记录和预测对流气象的气象即时预报系统,该系统包括演变数据库,该演变数据库包括被配置为存储一个或多个对流物体数据记录的非暂时性机器可读介质;以及处理器,被配置为:在一个或多个时间步长间隔内从一个或多个图像数据源接收一个或多个气象数据图像;在第一时间步长基于与对流物体相关联的一个或多个参数识别气象数据图像中的新对流物体;在演变数据库中生成新对流物体数据记录,该新对流物体数据记录与新对流物体相关联;在第一时间步长之后的每个相应时间步长将与新对流物体相关联的一个或多个参数存储到新对流物体数据记录中;基于所述新对流物体的一个或多个时间步长间隔接收的气象物体数据记录和基于一个或多个对流物体的一个或多个对流物体数据记录生成即时预报输出,其中所述即时预报输出被配置为在GUI上显示指示一个或多个未来时间步长间隔的集合的即时预报气象图像的地理地图;以及将所述即时预报输出发送到一个或多个用户设备,所述一个或多个用户设备被配置为经由所述GUI显示所述即时预报输出。
在该实施例的一些方面,其中即时预报输出进一步基于存储在演变数据库中的一个或多个对流物体数据记录。
在该实施例的一些方面,其中处理器还被配置为基于地理参数和时间参数中的至少一个来识别演变数据库中的一个或多个对流物体数据记录,其中地理参数指示数据记录的对流物体的地理位置,并且其中时间参数指示数据记录的对流物体的时间。
在该实施例的一些方面,其中为了将新对流物体数据记录存储在演变数据库中,处理器还被配置为更新即时预报算法,该即时预报算法被配置为基于新对流物体数据记录和演变数据库中的至少一个对流物体数据记录,为即时预报输出的一个或多个未来时间步长间隔的集合生成预测性即时预报。
在该实施例的一些方面,其中处理器还被配置为从一个或多个数据源接收气象观测数据,其中处理器进一步基于气象观测数据识别新对流物体。
在该实施例的一些方面,其中处理器还被配置为从一个或多个数据源接收气象观测数据,并且其中处理器将气象观测数据存储到新对流物体数据记录中。
在该实施例的一些方面,其中处理器还被配置为从一个或多个数据源接收气象观测数据,其中处理器还基于气象观测数据生成即时预报输出。
在该实施例的一些方面,其中即时预报输出是机器可读计算机文件和机器可读数据流中的至少一个。
在该实施例的一些方面,还包括被配置为存储气象观测数据的数据库,其中处理器还被配置为将从一个或多个数据源接收的气象观测数据和气象图像数据存储到数据库中。
在该实施例的一些方面,其中处理器还被配置为将来自数据源的气象观测数据和气象图像数据转换成与处理器兼容的格式。
在该实施例的一些方面,还包括一个或多个被配置为数据库的数据记录子集的子数据库,并且其中处理器还被配置为基于指示与子数据库和子集相关联的地理位置的地理参数,将气象观测数据和气象图像数据的子集存储到子数据库中。
在该实施例的一些方面,其中处理器基于从包括以下各项的组中选择的气象观测数据和气象图像数据中的一个或多个参数生成即时预报输出:物体最大反射率、最大反射率变化率、物体面积、物体面积变化率、物体最冷BT、最冷BT变化率和闪光统计。
在该实施例的一些方面,其中处理器在新对流物体的寿命期间自动计算每个对流物体记录的参数值。
在该实施例的一些方面,其中处理器还被配置为搜索演变数据库,以找到与新对流物体匹配的历史对流物体,其中处理器生成即时预报输出的预测性即时预报部分,并且其中预测性即时预报包括预测新对流物体的未来运动和强度的一个或多个未来时间步长间隔的集合的即时预报气象图像。
在该实施例的一些方面,其中处理器还被配置为根据一组气象物体参数确定新对流物体的即时预报气象图像的每个像素的强度变化。
附图说明
图1A示出了根据示例性实施例的即时预报系统的组件。
图1B示出了根据示例性实施例的即时预报系统的组件。
图1C示出了根据示例性实施例的即时预报系统的组件。
图1D示出了根据示例性实施例的即时预报系统的组件。
图1E示出了根据示例性实施例的即时预报系统的组件。
图1F示出了根据示例性实施例的即时预报系统的组件。
图2示出了根据示例性实施例的生成和更新即时预报气象数据的方法的执行。
图3A和3B示出了GUI,其显示雷达复合反射率和卫星亮度温度的同时对流观测值。
图4示出了根据示例性实施例的管理和更新数据库中即时预报气象数据记录的方法的执行。
图5A-5D示出了根据示例性实施例的显示由即时预报服务器产生的三小时即时预报数据的即时预报气象数据的示例GUI。
具体实施方式
本文结合以下描述和附图描述了根据本公开的系统、装置和方法的某些说明性方面。然而,这些方面仅指示了可以采用系统、装置和方法的原理的各种方式中的一些,并且本公开旨在包括所有这些方面及其等同物。当结合附图考虑时,从以下详细描述中,本公开的其他优点和新颖特征将变得显而易见。
在以下详细描述中,阐述了许多具体细节,以提供对本公开的透彻理解。在其他情况下,没有详细示出众所周知的结构、边界和过程,以免不必要地模糊本公开的系统、装置和方法。然而,对于本领域普通技术人员来说,显而易见的是,本文公开的具体细节不需要用于实践本公开的系统、装置和方法,并且不代表对其范围的限制,除非在权利要求中陈述。本说明书的任何部分都不应被解释为否定本公开的全部范围的任何部分。尽管描述了本公开的某些实施例,但是这些实施例同样不旨在限制本公开的系统、装置和方法的全部范围。
本文使用的术语“气象预测”包括“气象预报”和“气象即时预报”。但是当“预报”或“气象预报”指的是超出短期时间框架(例如1-14天)的气象状况预测时,“即时预报”或“气象即时预报”指的是通常在相关特定时间的短期(例如0-2小时)内的气象状况预测。尽管有前述内容,本领域普通技术人员将理解,这些时间范围仅仅是近似值,可以适当地变化。此外,本领域技术人员将理解,预测技术通常。
本公开提供了用于生成即时预报气象预测的系统和方法,以协助与指定事件或事件集相关的运营决策,所述事件或事件集包括对流物体,该对流物体可以是例如一个或多个对流单元(例如一个或多个风暴系统)。本公开提供了一种处理来自各种源并具有包含不同空间分辨率和时间分辨率的各种数据格式的气象数据的方法,以生成集成的和内聚的气象预测产品,使得气象预测产品在空间和时间域都是连续的,其取决于数据可用性,相对于指定事件或事件集。例如,在某些情况下,可能需要气象预测产品来协助空中交通管制(“ATM/C”)。在这种情况下,本公开的一个实施例可以生成集成的气象预测产品,该产品可以帮助ATM/C人员做出战略决策,例如地面延迟程序和地面停止程序,以及战术决策,例如空中等待或转移飞机到替代机场。
ATM/C系统,像其他需要近即时和准确的即时预报数据以用于实时和短期预测的系统一样,不能使用预报技术的数值模型,因为预报技术需要太长时间来产生结果并且质量分辨率较低。这是由于预报技术使用空气动力学相关模型。预报结果的较低精度和较长的周转时间在通常的预报应用中是可以接受的:生成未来几天气象的大致概念。本文描述的即时预报系统和方法提供了更即时和更准确的数据。通常,这是通过处理多种实时气象图像(例如,雷达、卫星亮度、闪光图像)的图像像素以及历史图像数据和/或其他气象相关观测数据来实现的。
本文描述的系统和方法可以生成实时即时预报气象数据和短期(例如,0-2小时)预测性即时预报气象数据,其可以包括用于空中交通管理的对流气象即时预报数据,以及其他应用。预报技术的数值模拟不能以足够的空间/时间分辨率和所需的精度为许多应用(如空中交通管理)提供足够快的预报数据输出。传统的对流气象即时预报技术通常依赖于雷达或卫星对流气象观测(例如卫星图像处理)的推断。以前,许多研究通过比较当前图像和先前图像中的风暴位置,成功地探索了风暴平流的估计(例如,速度和方向)。然而,对流强度(例如雷达反射率)变化的预测仍然是一个挑战,主要是因为先前和当前观测图像中的信息不足以预测未来几小时(例如1-12小时)的风暴强度变化。为了获得足够的信息来对对流演变(包括平流和强度变化)进行完整和定量的预测,本文描述的即时预报系统包括在任意数量的地理位置接收和存储任意数量的风暴系统的整个寿命期间对流气象的综合信息的数据库。即时预报系统可以使用当前可用的数据和存储在数据库中的气象数据对当前风暴系统的对流气象演变进行数学模拟,然后使用来自自动更新的数据库的自学习方法预测当前风暴系统和未来风暴系统的演变。
示例性系统组件
图1A示出了根据示例性实施例的即时预报系统100的组件。示例性系统100包括即时预报服务器101、数据库103、源设备105和用户计算机107。在操作中,源设备105可以收集或存储气象数据,源设备105经由一个或多个网络109向服务器101发送气象数据。服务器101可以将入站气象数据存储到数据库103中,服务器101稍后可以参考该数据库来生成即时气象数据。服务器101可以向用户设备107提供即时预报气象数据,用户设备107被配置为在GUI上呈现即时预报气象数据,使用户可以查看、操纵基础即时预报气象数据,并以其他方式与之交互。此外,服务器101可以更新存储在数据库103中的现有即时预报气象数据,以包括由服务器101最近生成的即时预报气象数据。
即时预报服务器101可以使用从一个或多个数据源105和数据库103接收的气象数据生成实时和近期即时预报气象数据,并且可以将该数据传输到用户设备107。服务器101可以是包括非暂时性机器可读存储器和处理器的任何计算设备,并且能够执行本文描述的各种任务和过程。即时预报服务器101可以从任意数量的实时数据源105接收气象数据,例如图像或其他气象相关数据,这些数据可以存储在数据库103的记录中。在一些情况下,从数据源105接收的数据可以是来自卫星数据源105a的卫星图像数据;在一些情况下,数据可以是来自雷达数据源105b的雷达图像数据或者来自其他数据源105的任何其他气象图像数据(例如闪电探测、雨量计、风速)。服务器101可以基于从数据源105接收的数据生成实时即时预报气象数据,服务器101可以生成近期预测性即时预报气象数据。服务器101可以向用户设备107提供即时预报气象数据,用户设备107可以经由GUI向用户呈现该数据。在操作中,服务器101可以基于输入数据检测对流物体(例如风暴系统)的形成和消散。一旦检测到对流物体的消散,服务器101可以为对流物体发生的区域生成新的数据记录,并且更新特定区域的数据库103记录以包括最近识别的对流物体的新数据。
数据库103可以根据从服务器101接收的数据记录和指令来存储和查询气象数据记录。数据库103可以位于一个或多个计算设备上,该计算设备包括处理器和非暂时性机器可读存储器,并且能够执行本文描述的各种任务和过程。数据库103的气象数据记录可以包括用于气象观测数据和/或图像数据的任意数量的数据字段。每个记录可以包含一个或多个地理位置数据字段,例如纬度和经度数据或其他地理位置数据。服务器101可以使用地理位置数据字段来识别与当前跟踪的对流物体的地理位置数据匹配的历史数据记录。当更新数据库103时,服务器101可以基于最近跟踪的对流物体的地理位置数据字段来关联特定地理位置的新记录。
数据源105可以是能够生成气象观测数据和/或图像数据并将数据提供给服务器101的任何计算设备。传统上,对流即时预报技术依赖于雷达观测或卫星观测。示例性系统100的服务器101使用来自多个观测数据源的对流数据来生成实时和近期即时预报数据。这种数据源105的非限制性示例可以包括卫星图像相关数据105a、雷达图像相关数据105b或生成实时气象观测数据105c的任何其他设备或系统。
本领域技术人员将理解,从每个数据源生成的数据可以以机器可读格式(例如,计算机文件、数据流)生成,其可以存储在非暂时性机器可读介质中,并且经由一个或多个网络109传输到诸如服务器101的各种计算设备。例如,雷达图像数据源105b可以具有使用雷达图像生成气象相关数据的雷达设备,该雷达图像可以被一个或多个计算设备,使用将雷达图像转换成数字化格式的任意数量的众所周知的图像转换技术,数字化成机器可读的雷达图像数据。雷达图像数据源105b还可以具有一个或多个计算设备,除了将雷达图像转换和/或将雷达图像数字化成机器可读的数字格式之外,该计算设备还可以存储图像数据,并将图像数据发送到接收计算设备,例如即时预报系统100的服务器101。本领域技术人员将理解,任何类型的数据源105可以具有一个或多个计算设备,其将每个特定类型的气象图像(例如卫星图像、雷达图像)或其他形式的气象观测输入(例如雨量计、风速、闪电)转换成与服务器101兼容的数据格式。
用户设备107可以执行在用户设备的屏幕上呈现GUI的软件应用,其中GUI可以显示即时预报气象数据,并允许用户与基础即时预报气象数据交互。在一些情况下,软件应用可以与即时预报系统100相关联并由即时预报系统100发布;并且,在一些情况下,软件应用可以是被配置为与服务器101交换数据从而与系统100兼容的第三方软件应用。本领域技术人员将理解,用户设备107可以是包括处理器和非暂时性机器可读存储器的任何计算设备,并且能够执行本文描述的各种任务和过程。在操作中,用户设备107的GUI可以向诸如空中交通控制器的用户呈现气象数据的各种可视化形式以及从第三方空中交通数据接收的空中交通信息。在一些情况下,GUI可以用实时空中交通可视化形式来覆盖各种气象数据可视化形式,例如本文描述的即时预报可视化形式。GUI还可以通过任何数量的已知设备控制输入设备(例如,鼠标、键盘、触摸屏)从用户接收各种输入,这些设备控制输入设备允许用户操纵GUI上的视图的显示,例如改变缩放、大小、分辨率、图像可视化的部分(例如,移动所显示的可视化区域),以及哪些数据(例如,可视化的空中交通覆盖图;可视化的卫星图像数据覆盖图;可视化的雷达图像数据覆盖图;可视化的气象数据观测数据;可视化的即时预报覆盖图)在GUI上可视化。
图1B是示出根据示例性实施例的即时预报系统100的组件的框图。一般来说,用于生成气象即时预报数据的数据处理可能涉及以下数据、操作组件和计算机执行过程中的一些或全部:从一个或多个数据源设备105经由一个或多个网络109向即时预报服务器101输入气象数据;服务器101对输入数据进行预处理和质量控制;即时预报服务器101应用气象即时预报算法和/或即时预报模型,以生成适合于从数据源105接收的特定气象数据输入的即时预报气象预测;服务器101执行数据后处理例程,该例程可以例如将用于气象预测模型的物理变量或气象观测数据输入转换成包括但不限于湍流和大气冻结水平的气象预测场;即时预报服务器101进行结果验证,以根据存储在服务器101中的一组预定义的准确性和可靠性参数,对照观测数据验证每个此类气象预测输出的准确性和可靠性;以及服务器101集成一个或多个气象预测数据字段,以生成即时预报气象预测产品输出,服务器101可以将该输出发送到一个或多个用户设备107,以在GUI上呈现。在一些实施方式中,即时预报服务器101可以基于用户选择的或者相对于指定事件(例如,识别对流物体)以其他方式预定的空间范围和时间范围来生成即时预报气象预测输出。本领域技术人员将会理解,物理变量或气象观测数据输入的示例可以包括但不限于风速、温度和湿度,以及每个即时预报气象预测输出的雷达回波。
在一些实施方式中,即时预报服务器101可以执行结果验证,其可以包括将即时预报气象预测模型的物理变量参数与测量地面风、温度、露点或压力的地面传感器观测值或者测量从地面到对流层顶部的大气风、温度或露点分布的探测值进行比较,所述即时预报气象预测模型可以包括气象观测数据点,包括但不限于风、温度、露点温度和压力。结果验证还可能包括将气象预测模型的雷达反射率或回波顶高与雷达观测到的反射率或回波顶高进行比较。系统运行时监控例程可以是由系统100的任何设备(例如,即时预报服务器101、用户设备107)执行的计算机软件程序,可以覆盖所有处理步骤,并在计算平台上实时监控系统工作流。执行系统运行时监控例程的设备,例如即时预报服务器101,可以自动生成日志和警告运行时问题,这些日志和运行时问题可以存储在设备的非暂时性机器可读存储器中,例如即时预报服务器101、数据库103、用户设备107或系统100的任何其他非暂时性机器可读介质。
在一些实施例中,即时预报服务器101或系统100的其他设备可以被配置为识别和应用适于处理来自不同数据源设备105的特定气象数据输入的数据管理和转换技术,以便服务器101摄取数据并生成即时预报气象预测产品。例如,根据数据格式以及数据的空间范围和时间范围,这种气象数据可以经历气象预报和气象即时预报技术的组合。例如,根据数据格式以及数据的空间范围和时间范围,这种气象数据可以经历如图1C所示的气象预报过程和如图1D所示的气象即时预报过程的组合。
回到图1B,在一些实施例中,即时预报服务器101可以从数据源105接收气象数据输入,该数据源105具有基于质量、空间分辨率和时间分辨率的气象观测数据类型,该质量、空间分辨率和时间分辨率与用户到指定事件或事件集的空间范围和时间范围相关,所述指定事件或事件集例如但不限于机场的定期航班。例如,在一些情况下,用户设备107可以配置服务器101,使得气象数据输入不包含数据冗余。随着用户到指定事件或事件集的空间范围和时间范围的增加或减少,用于为这种空间范围和时间范围生成气象预测产品的质量以及空间和时间分辨率适当的气象数据输入也可能改变。因此,服务器101可以被配置为调整系统100可以从数据源105接收的气象数据,使得气象数据始终适合于用户的空间范围和时间范围。
例如,系统100可以用在ATM/C中,其中数据源105向即时预报服务器101提供气象数据输入,该气象数据输入可以包括但不限于以下内容的全部或子集:大气探测观测值,如气象变量(如温度、露点、压力、风速)的垂直大气剖面;风廓线仪观测值;地球静止气象卫星红外信道和极轨道(低地球轨道)气象卫星红外和微波信道,用于大气温度剖面和水汽估计;地基多普勒气象单雷达或多雷达镶嵌数据和产品;地面观测值,包括常规地面自动气象观测站,以及气象变量的其他地面现场观测值,可能是云幂和能见度测量值;跑道视距信息;风速表数据;光探测和测距(LIDAR)数据;大范围数值气象处理模型预报结果;其他国家和国际可用的数值气象预测模型输出;测量云幂、能见度、机场跑道积雪和积冰的其他专用传感器的数据;机上观测值;表征陆地表面和/或大气上下边界的静态或时变辅助数据;以及分析数据产品,其将模型输出与运行中的气象预报中心生成的地面观测值相结合。
在一些实施例中,系统100可以实现定制的数据输入策略,这取决于服务器101可用和/或系统100的用户设备107可用的现有和演变中的数据基础设施。例如,一个地区或国家可以具有复杂的数据基础设施,使得与系统100相关的异构气象数据存储在管理这些数据的更新、分发和存档的集中式数据库103中。作为另一个示例,如图1F和1E所示,一个区域或国家可以具有多个具有子服务器111和子数据库113的分布式数据中心,或者集中式数据库103和多个具有例如子数据库113的分布式数据中心的混合。因此,服务器101和/或子服务器111可以被配置为接收来自集中式数据库103、分布式数据源105、111、113或者数据储存库和数据生成资源的组合的输入。
在一些实施方式中,服务器101可以基于其与相关数据源105的接近度独立地调整和维护其自己的输入数据需求,以最小化生成可以提供给用户设备107的即时预报气象预测产品的等待时间并最大化计算效率,并协助时序要求严格的操作决策。在这样的实施方式中,“接近度”可以指物理接近度,或者也可以指相关气象数据准备好供即时预报服务器101使用的速度(例如,传输等待时间)。
回到图1A,在一些实施例中,系统100可以通过基于网络的服务来生成和提供即时预报气象预测产品,其中由即时预报服务器101生成的数据输出和/或存储在数据库103中的数据可以由用户设备107通过本地安装的软件和/或通过用户设备107的浏览器远程访问。当用户设备107经由网络浏览器程序访问数据输出或者以其他方式由系统100存储时,系统100可以包括执行网络服务器软件的网络服务器(未示出),该网络服务器软件被配置为承载具有交互式网页的网站,该交互式网页可以是基于浏览器的交互式GUI,该交互式GUI被配置为显示例如由即时预报服务器101生成的数据,诸如当前存在的对流物体的即时预报气象预测的可视化或者未来的对流物体预测。在该示例中,由即时预报服务器101生成的气象预测产品可以在系统100用户之间共享,从而在操作决策者之间提供气象状况感知的公共来源。在这样的实施例中,一个或多个许可服务器(例如,LDAP服务器;ACTIVEDIRECTORY®服务器)可以配置哪些用户可以访问系统100的数据库103中共享信息的哪些部分,其中系统100的管理员可以根据需要配置用户访问权限,以符合用户的特定管理协议和适用的信息技术安全策略。
如上所述,用户设备107可以包括用户显示器,该用户显示器可以显示交互式GUI,该交互式GUI显示来自即时预报服务器101的集成气象预测输出和/或相关气象数据。在一些实施方式中,图形显示可以包括Quick View界面,该界面可以包括预先保存的气象预测场图像的组合,这些图像可以作为即时预报可视化特征分层在相关地理区域的地图上,其中气象预测场可以是包含地理区域中的气象数据特征的视场。在一些情况下,图形显示GUI可以动态地生成观看频率较低的气象预测场的图像,从而通过避免在每个气象预测时间步长存储许多气象预测场的输出图像或各种数据图来节省设备存储空间和最小化即时预报服务器101和/或数据库103上的处理时间。用于执行以生成Quick View界面的用户设备107的软件可以访问初级产品和次级参数,初级产品和次级参数可以由应用的气象预测后处理技术自动生成,或者可以由系统用户通过基于网络的图形用户界面按需生成。初级气象输出可以包括那些与用户决策需求直接相关的气象预测场,包括但不限于:来自雷达的复合反射率和回波顶高数据,其可以指示风暴物体的范围和强度;风速,其可以指示存在可能影响飞行安全的射流或阵风;以及冻结高度和湍流指数,其可能影响飞行安全。次级参数可以包括可能需要气象专业知识来解释的气象预测场,包括但不限于500 hPa位势高度、混合比、相对湿度、露点和对流可用势能。Quick View界面可以允许系统用户对不同垂直级别的多个气象要素执行覆盖,但是可以限制系统用户执行高级分析、查询或其他地理空间操作的选项,这些操作可能相对耗时或需要大量系统处理能力,例如,但不限于也不一定包括,放大或缩小或覆盖跑道位置上的预报模型云幂场。
在一些实施例中,用户设备107可以执行决策支持工具模块的软件。一个或多个气象预测模块和气象预测子模块的各种气象预测输出可以被转换成地理空间地图层,此后地理空间地图层可以被集成到集成的气象预测产品中。决策支持工具模块可以被配置为接收地理空间地图层或集成气象预测产品,以及与指定事件或事件集相关的操作约束。反过来,决策支持工具模块可以生成输出,该输出被设计成帮助系统用户针对指定事件或事件集进行操作战略和战术决策,指定事件或事件集包括但不限于图形显示或基于网络的地图服务。决策支持工具模块可以通过执行地理空间计算来生成所述输出,地理空间计算包括但不限于相交、构造子集和连接,这些计算合成气象预测产品和接收的操作约束。例如,所述决策支持工具模块可以用于ATM/C,其中,由包括应用于ATM/C的系统的实施例的示例性气象预测模块和气象预测子模块生成的气象预测产品可以被转换成地理空间地图层,并且作为单独的地理空间地图层或者作为包括一组集成地理空间地图层的集成气象预测产品输入到决策支持工具模块中。在该示例中,空域约束和其他相关的ATM/C操作约束也可以输入到决策支持工具模块中。所述ATM/C操作约束可包括静态和动态约束,包括但不限于计划或实时和飞行状态、历史或实时空中交通模式、飞行/禁飞阈值以及战略和战术决策场景。所述决策支持工具模块可以被配置为生成产品,以帮助ATM/C人员做出与定期航班相关的战略和战术决策,包括但不限于图形显示或基于网络的地图服务。
图1E示出了根据示例性实施例的即时预报系统100的组件。在一些实施例中,即时预报系统100可以允许订阅实体,例如各机场的空中交通控制系统,以订阅存储在系统100的数据库103中的数据部分。示例性系统100包括即时预报服务器101、数据库103、子服务器111和子数据库113。子服务器111和子数据库113可以在物理上现场或者通过到基于云的服务器101和数据库103的虚拟化连接来承载与特定地理位置最相关的数据流程和数据记录。
例如,上海的机场可以订阅针对上海的数据,悉尼的机场可以订阅针对悉尼的数据,巴黎的机场可以订阅针对巴黎的数据。在该示例中,系统100的管理员可以提供或以其他方式生成上海子服务器113a和子数据库113a,其中子服务器113a可以执行针对相对于上海的预定地理位置受限区域定制的即时预报算法和过程,例如距上海机场的周界距离、地理上定义的区域(例如,相对于上海的上海大陆、国家和邻近国家)、和/或上海机场和邻近机场的地理责任区域。图像数据和机场的数据记录可以包括向服务器101指示哪个数据库103数据应该被提供(例如,复制)到对应于数据的特定地理指示符的子数据库113的地理指示符数据字段。上海子数据库113a可以包含或以其他方式引用在相对于上海的预定区域内具有地理位置数据字段的数据记录。这样,上海子服务器111a可以仅快速访问上海子数据库113a中的那些数据记录,而不是引用数据库103中的所有整体记录,其中数据记录包含根据指示数据记录在上海地理位置区域内的地理数据字段与相关地理区域相关的数据。
在操作中,即时预报服务器101可以被配置为根据一组算法和模型基于预定的一组数据记录生成即时预报。在一些实施方式中,诸如上海子服务器113a的子服务器113也可以执行针对预定地理位置区域(诸如相对于上海的周界距离内的区域)的特殊气象行为定制的过程、算法和数据模型。在这样的实施方式中,用于生成即时预报数据的算法和数据模型可以由服务器101提供给特定的子服务器111,其中特定的子服务器111可以相对于相应的子数据库113中的数据更新或以其他方式调整算法和/或数据模型。在某些情况下,随着每个子服务器111随着时间的推移重新训练或以其他方式调整相应的数据模型和/或算法,每个子服务器113的算法和/或数据模型可能以每个子服务器111生成即时预报数据的方式进一步偏离。本领域普通技术人员将理解,这种算法可以包括例如机器学习算法,该算法允许每个服务器101和/或子服务器111调整即时预报使用的模型和算法,以例如基于来自相应数据库103或子数据库113的记录生成即时预报数据。
图1F是应用于ATM/C的示例性系统100的气象数据流的框图。图1F示出了各种气象数据源105的示例,其数据可以存储在集中式数据库103和/或在国家、区域和机场级别的具有子数据库113的分布式公共和/或私有数据中心中。这些分布式数据中心可以具有被配置为在各种操作相关位置操作的子服务器111,并且可以具有被配置为接收气象数据的全部或相关子集以执行气象预报或气象即时预报的子数据库113。分布式数据中心的气象预测输出可以以不同的时间间隔更新,可以被传送到系统范围的信息管理系统,例如集中式数据库103和/或即时预报服务器101,系统100的一些或所有数据中心和用户设备107可以访问该系统范围的信息管理系统。
在一些实施例中,即时预报服务器101可以包括可执行软件程序和/或应用程序可编程接口(API),其可以包括气象预测模块,每个气象预测模块可以包括气象预测子模块,所有这些模块都被定制为针对特定的系统操作参数提供气象预测输出,诸如与指定事件(例如,对流物体、飞机起飞/着陆)相关的空间范围和时间范围。管理员可以使用例如用户设备107来输入和配置即时预报服务器101的气象预测模块和气象预测子模块,以接收与每个气象预测模块或气象预测子模块的指定操作参数兼容或打算由每个气象预测模块或气象预测子模块使用的气象数据输入。
在一些实施方式中,如图1B所示的示例,即时预报服务器101可以执行软件模块,用户可以配置该软件模块以根据预先定义的操作约束应用适合于每种数据类型的质量控制技术,并根据用户的需要进行必要的调整。应用于气象数据输入的质量控制过程可以包括,但不限于,从观测数据中去除噪声,例如,从气象雷达观测值中去除地杂波;拒绝某些观测值,因其超过了根据服务器101的配置预先确定的允许统计阈值;将网格统计插值应用于观测数据以平滑数据中的极值并控制背景观测误差水平;并将结果映射到气象预测模型或其他处理算法可能需要的其他网格上。在一些情况下,气象预测模块和气象预测子模块可以应用各种气象数据处理技术,例如如图1C所示的气象预报和如图1D所示的气象即时预报,以适合于与指定事件或事件集相关的指定操作参数,从而产生最高效和最有效的气象预测输出。
例如,本公开的系统100可以用于ATM/C,其中服务器101或子服务器111的气象预测模块可以包括被配置为生成国家和区域气象预测的区域气象预测模块。在该示例中,该区域气象预测模块的气象预测子模块可以是国家预报子模块,如图1C所示,被配置为生成覆盖国家空域的气象预报,例如,在操作事件或事件集之前长达48小时。该国家预报子模块可以提供中等空间分辨率,例如大约9 km,并且气象预报大约每3到6小时更新一次,通过这种方式,诸如ATM/C人员的用户可以针对大规模气象现象做出与定期航班相关的战略操作决策。
在该示例中,该区域气象预测模块的另一气象预测子模块可以包括区域预报子模块,该区域预报子模块被配置为在操作事件或事件集之前长达24小时生成覆盖区域和国家空域的气象预报。该区域预报子模块可以提供高空间分辨率,例如大约3 km或更低,并且气象预报大约每小时更新一次,通过这种方式,诸如ATM/C人员的用户可以针对短时但影响较大的气象做出与定期航班相关的战略操作决策。
作为另一个示例,服务器101或子服务器111可以执行区域气象预测模块的气象预测子模块,该区域气象预测子模块可以包括如图1D所示的区域即时预报子模块,该区域即时预报子模块被配置为在操作事件或事件集之前长达2小时生成覆盖区域空域的气象即时预报。该区域即时预报子模块可以提供高空间分辨率,例如大约3 km或更低,并且区域气象即时预报例如大约每6到15分钟更新一次,通过这种方式,诸如ATM/C人员的用户可以基于服务器101产生的并传输到用户设备107以供查看的各种输出,做出与定期航班相关的战术操作决策,例如安全地分离飞机和避开受气象影响的空域。该区域即时预报子模块可以使用基于卫星观测的航空气象产品,包括可见光、红外和水蒸气通道,来获得降雨率,从而受益于卫星探测云顶亮度温度的能力,该温度是云内对流发展强度的指标。该区域即时预报子模块还可以实现雷达导出的反射率信号,该信号可以转换成降雨率,从而受益于雷达探测云内对流结构的能力,以及雷达导出的回波顶高和最大反射率,其可以指示风暴强度。此外,该区域即时预报子模块可以集成卫星观测衍生的航空气象预测产品和气象雷达镶嵌图(如果有的话),以实现风暴运动的气象即时预报,同时具有使用每种类型数据源的综合优势。卫星和雷达数据产品相结合,得出降雨率,在地球静止卫星半球观测的大背景下,提供了雷达局部观测风暴运动的综合描述。
在该示例中,本公开的系统可以用于ATM/C,其中服务器101或子服务器111可以执行气象预测模块,该气象预测模块包括被配置为生成本地气象即时预报的本地气象预测模块。在该示例中,该本地气象预测模块的气象预测子模块可以是被配置为在操作事件或事件集之前长达90分钟生成覆盖例如航站楼雷达接近控制的气象即时预报的本地即时预报子模块。该本地即时预报子模块可以提供高空间分辨率,例如大约2 km或更低,恶劣气象即时预报例如大约每5到10分钟更新一次,通过这种方式,诸如ATM/C人员的用户可以基于来自服务器101并传输到用户设备107的输出做出与飞机的起飞和着陆方法相关的战术操作决策。在一些实施方式中,本地即时预报子模块可以应用即时预报算法,并且依赖于相关位置半径150 km内的区域面积的机场气象多普勒雷达数据作为数据源105。
作为另一个示例,服务器101或子服务器111可以执行本地气象预测模块的气象预测子模块,其中该模块或子模块可以包括本地恶劣气象警报子模块,该本地恶劣气象警报子模块被配置为在操作事件或事件集之前长达60分钟生成覆盖例如机场跑道和航站楼区域的气象即时预报。该局部恶劣气象警报子模块可以提供高空间分辨率(例如,大约1 km或更低),并且跑道和航站楼恶劣气象警报可以例如大约每1到5分钟更新一次,以支持空中交通控制塔的起飞和着陆。该局部恶劣气象警报子模块可以关注影响航班起飞和着陆安全的气象相关危险,包括:低云幂;由于雾或强降水(如雪、降雨)导致跑道或跑道附近能见度低;阵风(例如,跑道上的强交叉风);低水平风切变,例如相对接近或以其他方式与跑道附近确定的强对流或微爆气流相关的风测量;跑道上堆积的大雪;和跑道结冰。在一些实施方式中,服务器101或子服务器111的本地恶劣气象警报子模块可以集成或以其他方式接收来自多个数据源105的数据,数据源105是跑道周围和机场附近密集和专用的传感器网络。服务器101可以应用即时预报算法,并为机场跑道上及其周围的区域生成快速、实时或接近实时的更新警报。
为了避免疑问,本领域普通技术人员将理解,前述示例中阐述的时间和距离间隔仅仅是示例性的,并且可以根据预期应用进行适当调整。
在一些实施例中,服务器100或子服务器111可以被配置为执行不同地理区域的气象预测模块和气象预测子模块,其被配置为针对各自接收的系统操作参数(例如,地理)生成气象预测输出,并应用生成与系统100的其他软件模块(例如,气象预报模块)兼容的气象数据输出的气象即时预报技术。由每个气象预测模块或气象预测子模块针对接收的系统操作参数生成的气象预测输出可以被集成到一个集成的气象预测输出中,该集成的气象预测输出包括由集成的气象预测即时预报系统100的一组模块和子模块生成的所有气象预测输出或其子集。系统100的多个设备,例如即时预报服务器101和子服务器111,可以执行并行计算功能,其中管理计算设备(未示出)可以执行软件程序,该软件程序有助于各种气象预测模块和气象预测子模块之间的资源共享,包括但不限于软件代码库的共享;并行计算方法;来自第三方数据源105的辅助数据(例如,地表分类);数据质量控制API的通用数据质量控制程序;以及计算和转换的地理空间地图层,从而提高这种气象预测模块和气象预测子模块的性能和产品的一致性和效率。
由服务器101或子服务器111的气象预测模块和气象预测子模块生成的气象预测输出可以根据软件模块的设置和配置而变化。例如,软件模块可以被配置为基于从用户设备107接收的系统操作参数(例如,指令设置)生成具有更高分辨率和更小规模的气象预测输出。同样,来自用户设备107的操作参数可以配置气象预测模块或气象预测子模块,以生成更低分辨率和更大规模的气象预测。在一些实施方式中,服务器101可以将具有更高分辨率和更小规模的气象预测输出嵌入具有更低分辨率和更大规模的气象预测输出中。气象预测输出的文件或数据流的这种嵌入结构可以使用户设备107用户能够在更大规模气象情况的背景下查看本地气象预测输出。
在一些实施方式中,本文提到的各种模块和子模块可以被配置为彼此交换数据,使得服务器101和子服务器111可以交互、协作或以其他方式共享数据。例如,示例性区域气象预测模块和本地气象预测模块,包括其中的各种示例性子模块-例如,国家预报子模块;区域预报子模块;区域即时预报子模块;本地即时预报子模块;和本地恶劣气象警报即时预报子模块-可以相互连接,以创建集成气象预测即时预报系统100,该系统包括一组设备,这些设备共同产生集成气象预测输出,该输出在由示例性气象预测模块和气象预测子模块覆盖的时间域和空间域内是连续的,取决于数据可用性。例如,国家预报子模块、区域预报子模块、区域即时预报子模块可以嵌入区域气象预测模块中。类似地,本地即时预报子模块和本地恶劣气象警报即时预报子模块可以嵌入本地气象预测模块中。此外,本地气象预测模块可以嵌入本地即时预报子模块,本地即时预报子模块可以嵌入区域即时预报子模块,区域即时预报子模块可以嵌入国家预报子模块。
在一些实施例中,示例性气象预测模块,包括其中的一些或所有气象预测子模块,可以安装在与指定事件或事件集相关的各种数据中心位置。在各种服务器101和子服务器111上的软件安装可以包括气象预测模块和气象预测子模块,其适合于用户相对于指定事件或事件集的预定空间范围和时间范围。用户设备107可以配置安装的气象预测模块或气象预测子模块,使得特定软件模块能够充分访问软件模块或子模块通常可以处理的预定气象数据记录。在一些实施例中,一个或多个子服务器111(例如,气象预测模块、气象预测子模块)的计算工作量可以分布在一个或多个子服务器111(例如,气象预测模块、气象预测子模块)中。在一些情况下,工作负载平衡可以取决于子服务器111对来自各种源105的各种气象数据输入和/或数据库103或子数据库113的数据记录的访问。例如,不在本地子服务器111a处执行相对较重的计算工作量,而是可以在设计成具有足够的存储和带宽来通过互联网连接为系统用户服务的相对更强大的服务器101处收集所得到的气象预测输出(其可能具有比输入小得多的数据量)。
本领域技术人员将理解,一旦安装和配置了每个本地气象预测模块或气象预测子模块,系统100的服务器101和子服务器111可以连接到系统100的IT基础设施,以访问一个或多个网络109。不同位置(例如机场、数据中心)的用户可以获得系统范围的数据访问,以查看安装和配置在连接到系统网络109的其他位置或其子集的其他气象预测模块和气象预测子模块的输出。结果,系统100的这种实施例可以为用户提供公共操作画面,并增强每个用户的实时气象状况感知。当生成集成气象预测即时预报输出时,即时预报服务器101和子服务器111可以根据数据可用性,在优化软件代码效率并保持每个服务功能及其任何变化之间的一致性和内聚性的公共软件架构下,生成包含空间和时间连续性的气象信息。根据来自管理用户的用户设备107的配置输入,参与和访问这样的集成气象预测输出可以对本公开实施例的所有用户可用,或者仅对用户的特定子集内的用户可用,或者对其任意组合可用。
示例性执行方法
如本文所述,计算机实现的软件组件可以提供对流气象物体的预测演变,以包括其未来发展。诸如即时预报服务器的系统设备可以查询目标对流气象物体的当前和/或历史气象数据的数据库记录。该系统可以执行对流物体实例的演变过程记录,并执行各种机器学习、模拟和预测算法,以确定与当前和未来的对流物体演变相关并对其进行指示的数据。
通常,为了在例如接下来的1-3小时内实现对流演变的可靠预测,即时预报系统可以首先从多个数据源平台(例如,地面雷达、卫星、闪光传感器、现场观测、模型预测)收集和混合对流气象观测数据,以生成关于一个或多个气象对流物体的综合信息(例如,雷达反射率、物体尺寸、云顶温度、趋势、闪光统计等)。即时预报系统可以通过将对流物体寿命期间的各种对流数据参数记录到对流演变数据库的一个或多个数据记录中,来跟踪对流物体寿命期间从初始化到消散的对流物体。即时预报系统可以通过执行一个或多个机器学习算法来从对流演变数据库中的数据“学习”,从而参考包含当前目标对流物体的当前和/或历史信息的数据库记录。即时预报系统然后可以执行预测算法来预测当前目标对流物体的最可能的未来演变特征(例如,速度、强度、运动)。
图2示出了根据示例性实施例的生成和更新即时预报气象数据的方法200的执行。应当理解,本文描述的每个执行步骤可以由一个或多个计算设备来执行,诸如即时预报系统的服务器或子服务器。示例性方法200可以包括步骤201、203、205、207、209和211。然而,本领域技术人员将理解,一些实施例可以包括附加的或替代的步骤,或者可以完全省略一个或多个步骤,但仍然落在本说明书的范围内。
在第一步201中,即时预报服务器可以执行数据收集和参数计算。来自不同数据源的观测数据可以由即时预报服务器接收,其中观测数据反映地球对流过程的各种不同物理数据(即气象数据)。数据平台可以用作即时预报系统的数据源,并且可以生成气象数据、将其转换成与即时预报系统兼容的数字化格式并进行传输。气象数据然后可以被存储到即时预报系统的数据库的数据记录中。例如,红外波段的卫星亮度温度(BT)测量值取决于云顶高度,卫星BT测量值的快速下降可以向服务器指示对流过程(即风暴系统)的初始化。雷达反射率测量值主要取决于雨滴的大小,并代表三维空间中的对流强度。闪电图像中“闪光”的存在通常意味着强雷暴的发生。现场降雨量测量值可以向服务器指示到达地面的降雨量。该气象观测数据可以由数据平台服务器或即时预报服务器数字化或转换成兼容格式。
由即时预报系统的服务器从每个可用对流观测数据源接收的气象观测数据可以提供过去的对流实例(例如,以前的气象事件)的综合信息,允许服务器生成指示当前对流实例的演变预测的数据。不同的观测数据源通常生成指示不同气象数据覆盖范围、分辨率和对流实例强弱的数据,因此使用来自多个数据源的综合观测数据可以增加服务器生成的对流观测数据的空间覆盖范围和可靠性。如上所述,在一些实施方式中,即时预报系统的服务器可以从雷达数据源接收三维反射率数据,从地球静止卫星图像数据源接收BT数据,以及从站网数据源接收闪光统计数据。本领域技术人员将理解,可以从附加或替代数据源中包括附加或替代类型的观测数据。
服务器可以使用收集的气象观测数据计算对流物体的重要参数,这些参数可以包括物体最大反射率、最大反射率变化率、物体面积、物体面积变化率、物体最冷BT、最冷BT变化率和闪光统计。
参考图3A和3B,显示GUI,其分别显示来自雷达复合反射率和卫星亮度温度的同时对流观测值,其中这些数据是从各种数据平台(例如,雷达图像数据源、卫星数据源)接收的。更具体的,图3A示出了根据示例性实施例的显示实时观测气象数据的雷达GUI 300a,其中雷达GUI 300a示出了基于从相关数据源接收的雷达反射率数据的对流物体跟踪和记录的过程。图3B示出了根据示例性实施例的显示实时观测气象数据的卫星GUI 300b,其中卫星GUI 300b示出了基于从相关数据源接收的卫星亮度温度数据的对流物体跟踪和记录过程。
回到图2,在下一步203中,即时预报服务器执行物体跟踪和数据记录。即时预报服务器可以使用当前提供的观测气象数据的参数来跟踪对流气象物体。在操作中,即时预报服务器可以基于向服务器指示的预定参数和阈值来识别卫星BT和雷达反射率图像中的对流物体,并且服务器可以推断对流物体的初始化或消散。从服务器检测到对流物体的初始化的时间到服务器检测到对流物体消散的时间,即时预报服务器可以持续接收和/或生成对流物体的当前气象观测数据,从而允许服务器“跟踪”风暴系统从初始化到消散的整个过程。例如,对于云BT图像,对流物体是由服务器将BT低于BT阈值参数的连接像素分组来定义的。作为另一个示例,对于雷达反射率图像,对流物体由服务器通过将指示反射率大于反射率阈值的连接像素分组来定义。在一些实施方式中,阈值可根据用户偏好进行配置,从而允许用户定制服务器确定的灵敏度,例如对流物体的初始化或消散。在基于图像数据中的参数值识别一个或多个对流物体的初始化时,即时预报服务器可以在当前对流物体的数据库记录中为图像中的对流物体分配唯一的编号,并且来自各种数据源的相关气象数据可以存储在与对流物体的唯一标识符值相关联的数据库记录中。
如上所述,即时预报服务器可以将在一个或多个图像中识别的对流物体的气象数据和/或图像数据存储到数据库中。在一些实施例中,即时预报服务器可以从与对流物体相关联的一个或多个数据库记录中生成对流物体时间序列,该对流物体随着时间在多个图像的每一个中被识别。由服务器生成的时间序列可以在不同的时间步长包含相同的对流物体;其中服务器可以将重叠的对流物体“推”成包含图像物体堆栈的机器可读格式或文件。例如,在对流初始化阶段,当例如雷达反射率可能小于但接近参数阈值时,服务器可能已经在云BT图像中识别的对流物体首先被服务器推入时间序列堆栈。一旦对流物体显示在下一个雷达反射率图像上,除了当前图像时间序列堆栈中的现有图像之外,或者作为其替代,图像可以被推入堆栈中。如果服务器不能识别最近气象观测图像(例如,雷达反射率图像)的连续物体堆栈中的对流物体时间序列,则对流物体时间序列结束,并且服务器可以丢弃识别或包含图像时间序列堆栈的文件。服务器然后可以记录与对流物体的图像时间序列相关联的气象观测数据或者来自各种附加输入源的其他观测数据。
在下一步205中,即时预报服务器可以根据图像数据和任何其他气象数据输入来确定目标对流物体是否已经结束(例如,对流物体已经消散)。例如,当即时预报服务器正在跟踪即时预报服务器已经识别为初始化的当前目标对流物体(例如,接收对流物体的气象观测数据和/或图像数据)时,即时预报服务器可以在某个时间步长确定目标对流物体已经消散或正在消散。类似于检测对流物体的初始化,即时预报服务器可以确定图像数据和/或其他气象观测数据输入的值超过或满足表明或指示对流物体已经消散或将要消散的阈值。
在下一步207中,即时预报服务器可以存储在生成时间序列时从图像和任何其他数据源输入数据中识别的对流参数值。这些图像和值可以存储在一个或多个数据库中,例如对流演变数据库,其中数据和图像可以存储在一个或多个数据库记录中,并且数据可以与目标对流物体的唯一标识符相关联。一个或多个对流物体的演变过程的数据点(例如,来自图像的数据点和/或指示对流物体行为的气象观测数据输入的数据点)可以存储在例如对流演变数据库的数据库记录中。
在下一步211中,当即时预报服务器识别并跟踪未来或当前目标对流物体(例如,生成实时或近期数据)时,即时预报服务器可以参考历史和/或当前对流物体的数据库记录中的演变过程数据点,以生成对流演变预测。
如果当在步骤205中确定来自图3的对流物体时间序列的目标实例是否已经结束时,服务器已经检测到对流物体没有消散,即当前存在,则在下一步209中,服务器可以搜索和学习一个或多个数据库以生成和预测对流物体的即将到来的演变。即时预报服务器可以通过使用对流演变数据库中的现有观测数据来预测接下来例如三小时内即将到来的近期演变。即时预报服务器可以首先使用当前目标实例的参数来选择对流演变数据库中最近的对流时间序列的数据库实例。然后,即时预报服务器使用所选的数据库实例来预测当前目标实例在未来三小时内的物体面积和物体最大反射率。最后,使用物体面积和物体最大反射率的预测变化,为目标实例中的每个像素计算由服务器生成的不同预测未来时间步长的反射率变化。方法200可以继续到下一步211,以生成对流演变预测。
图4示出了根据示例性实施例的管理和更新数据库中即时预报气象数据记录的方法400的执行。应当理解,本文描述的每个执行步骤可以由即时预报系统的服务器或子服务器执行。示例性方法400可以包括步骤401、403、405、407、409、411、413、415、417和413。然而,本领域技术人员将理解,一些实施例可以包括附加的或替代的步骤,或者可以完全省略一个或多个步骤,但仍然落在本说明书的范围内。
即时预报服务器可以识别新的对流观测图像。在一些实施方式中,服务器为对流物体生成的时间序列中的每个对流观测图像。每个观测图像的数据库记录可以与对流物体的唯一标识符相关联。数据库记录还可以包含根据例如时间步长(n)的图像标识符。对流物体的时间序列的数据库记录可以指示对流物体的总数(M)。
(A)实例搜索
即时预报服务器可以基于与特定物体相关联的唯一标识符值直接查询物体的数据记录,或者即时预报服务器可以循环遍历每个物体。
即时预报服务器可以计算给定区域对流物体的数据库实例的物体实例之间的距离,该距离可以存储在数据库或子数据库中,并且可以基于目标实例和其他数据库实例的纬度和经度数据。基于该计算,服务器可以搜索对流演变数据库,并找到接近当前目标实例的数据库实例。本领域技术人员将会理解,对流物体的任意数量的地理或位置数据点可以用于确定历史或当前对流物体之间的距离,和/或对于目标对流物体实例的数据时间序列中的连续时间步长,确定特定目标对流物体的位置之间的距离。
在确定步骤中,服务器进行搜索以确定是否已经识别了相应的对流物体时间序列。目标对流实例由物体时间序列组成,数据库实例由物体时间序列组成,其中m和n是时间步长数:n是当前对流物体实例的步数,m是对流物体的数据库实例寿命期间的最后一个步数。如果数据库实例(m)的长度(例如,时间步数)小于当前目标实例(n)的长度,则服务器确定实例不对应于时间序列,因为先前实例对于预测当前目标实例的未来不是有用的实例,并且该距离被认为是无限大的。否则,即时预报服务器根据例如等式(1)计算实例之间的马氏距离。
其中是的观测向量,是先前数据库实例的观测向量。本领域技术人员将理解,服务器可以使用几种方式和参数输入来定义对流实例的观测向量。在示例性方法400中,观测向量可以包括例如时间步长n的最大反射率、时间步长n的物体面积、时间步长n的物体最冷BT、时间步长n的物体面积变化率和时间步长n的物体最冷BT变化率。
有不同的方法可以选择最接近的数据库实例来预测目标实例的未来。在示例性方法400中,计算目标实例和每个数据库实例之间的距离,并找到最近的距离。然后,选择2*以内的所有数据库实例来预测目标实例在未来3小时的物体最大反射率和物体面积。
当即时预报服务器识别出相应的序列时,即时预报服务器可以包括目标物体的数据库记录的当前物体时间序列。当相应的序列没有被即时预报服务器识别时,即时预报服务器可以为与目标物体相关联的新时间序列生成新的数据库记录。
(B)物体最大反射率和物体面积的预测
为了预测当前目标实例的未来物体最大反射率和物体面积,将逆距离加权平均应用于M所选的数据库实例,并计算物体最大反射率和物体面积的变化。等式(2)和等式(3)示出了对于当前目标实例,服务器如何计算物体最大反射率和物体面积某一时间步长数(i)之后的预测变化。
其中是目标实例在时间步长n+i(i步长之后)的对流物体面积和在当前时间步长n(目前时间步长)的物体面积之间的预测比率;是第j个数据库实例到物体实例的距离;是第j个数据库实例在时间步长n+i (i步长之后)的物体面积与在当前时间步长n(目前时间步长)的物体面积之比。
其中是目标实例在时间步长n+i(i步长之后)的物体最大反射率和时间步长n(目前)的物体最大反射率之间的预测差值;是第j个数据库实例到目标实例的距离;是第j个数据库实例在时间步长n+i(i步长之后)时的物体最大反射率和时间步长n(目前)时的物体最大反射率之间的差值。
(C)计算每个像素的反射率变化
如等式(4)所示,服务器使用线性模型来估计目标实例及其周围区域中的每个像素在i个步长之后的反射率变化。
等式4:
其中是当前具有反射率值的像素在i个步长之后的预测反射率变化;是根据等式(3)在i个步长之后物体最大反射率的估计变化;是具有下限反射率的像素在i个步长之后的估计反射率变化。下限反射率是一个反射率值,它需要根据方程(2)中物体面积的预测变化而改变为对流物体的阈值()。换句话说,等式(2)中的转换为反射率值,其中 =-。为了由得到,服务器可以,尽管不是必须的,首先计算目标实例的当前物体及其周围区域的反射率值的累积分布函数(CDF),
等式5:
目标对流实例的当前物体面积(在时间步长n)是=*,其中是当前物体及其周围区域的总像素数,R是分辨率区域。给定由服务器在i个步长之后确定的预测物体面积,在某一i个步长数之后() 处的CDF值应该是。因此,当前目标物体的下限反射率值应该是,
图5A-5D示出了根据示例性实施例的显示由即时预报服务器产生的三小时即时预报数据的即时预报气象数据的示例GUI。更具体的,图5A示出了显示当前即时预报观测数据的GUI。图5B示出了一小时的即时预测显示,图5C示出了两小时的即时预测显示,图5D示出了三小时的即时预测显示。GUI显示每个像素在接下来的零到三小时内都有自己的反射率变化。即时预报服务器可以比较观测图像数据和来自数据库的存储数据,以生成预测数据,从而基于图像堆栈中的历史对流实例来确定反射率变化的类似趋势。
本文公开的方法包括用于实现所述方法的一个或多个步骤或动作。在不脱离本公开范围的情况下,方法步骤和/或动作可以彼此互换。换句话说,除非实施例的正确操作需要特定的步骤或动作顺序,否则在不脱离本公开范围的情况下,可以修改特定步骤和/或动作的顺序和/或使用。
本公开还涉及包括存储在任何计算机可用介质上的软件的计算机程序产品。当在一个或多个数据处理设备中执行时,所述软件使得数据处理设备如本文所述操作。本公开的实施例采用现在已知或将来开发的任何计算机可用或可读介质。计算机可用介质的示例包括但不限于主存储设备(例如,任何类型的随机存取存储器)、辅助存储设备(例如,硬盘驱动器、固态硬盘、软盘、磁带、磁存储设备、光存储设备、微机电系统、纳米技术存储设备、闪存等)和通信介质(例如,有线和无线通信网络、局域网、广域网、内部网等)。
应当理解,本文公开的各种实施例不是相互排斥的,并且特定的实施方式可以包括本文讨论的多个实施例的特征或能力。
虽然本公开通过某些特定名称来指代分组和/或分组内的字段,但是应当理解,这些名称并不旨在以任何方式限制本发明的范围,并且只要其执行本文描述的功能和/或服务于本文描述的目的,任何名称或指示符都可以被赋予本文描述的分组和/或字段。还应当理解,本发明不限于分组和/或其中字段的任何特定结构和/或组织。
虽然已经图示和描述了本发明的具体实施例和应用,但是应当理解,本发明不限于本文公开的精确配置和组件。本文使用的术语、描述和附图仅作为说明而给出,并不意味着限制。在不脱离本发明的精神和范围的情况下,可以对本文公开的本发明的装置、方法和系统的布置、操作和细节进行对本领域技术人员来说显而易见的各种修改、改变和变化。作为非限制性示例,应当理解,本文包括的框图旨在示出每个装置和系统的组件的选定子集,每个图示的装置和系统可以包括附图中未示出的其他组件。此外,本领域普通技术人员将认识到,在不背离本文描述的实施例的范围或性能的情况下,本文描述的某些步骤和功能可以被省略或重新排序。
结合本文公开的实施例描述的各种说明性逻辑块、模块、电路和算法步骤可以实现为电子硬件、计算机软件或两者的组合。为了说明硬件和软件的这种可互换性,上面已经根据它们的功能概括地描述了各种说明性组件、块、模块、电路和步骤。这种功能实现为硬件还是软件取决于特定的应用和对整个系统的设计约束。所描述的功能可以针对每个特定应用以不同的方式实现,例如通过使用MCU、MPU、FPGA、ASIC和/或片上系统(SoC)的任意组合,但是这种实现决策不应被解释为导致脱离本发明的范围。
结合本文公开的实施例描述的方法或算法的步骤可以直接体现在硬件、由处理器执行的软件模块或两者的组合中。软件模块可以驻留在RAM、闪存、只读存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域已知的任何其他形式的存储介质中。
本文公开的方法包括用于实现所述方法的一个或多个步骤或动作。在不脱离本发明范围的情况下,方法步骤和/或动作可以彼此互换。换句话说,除非实施例的正确操作需要特定的步骤或动作顺序,否则在不脱离本发明范围的情况下,可以修改特定步骤和/或动作的顺序和/或使用。
Claims (30)
1.一种用于自动模拟、记录和预测对流气象的计算机实现的方法,所述方法包括:
由计算机在一个或多个时间步长间隔内从一个或多个图像数据源接收一个或多个气象数据图像;
由所述计算机在第一时间步长基于与对流物体相关联的一个或多个参数识别气象数据图像中的新对流物体;
由所述计算机在演变数据库中生成新对流物体数据记录,所述新对流物体数据记录与所述新对流物体相关联;
由所述计算机在所述第一时间步长之后的每个相应时间步长将与所述新对流物体相关联的一个或多个参数存储到所述新对流物体数据记录中;
由所述计算机基于所述新对流物体的所述一个或多个时间步长间隔接收的所述气象物体数据记录和基于一个或多个对流物体的一个或多个对流物体数据记录生成即时预报输出,其中所述即时预报输出被配置为在图形用户界面(GUI)上显示指示一个或多个未来时间步长间隔的集合的即时预报气象图像的地理地图;以及
由所述计算机将所述即时预报输出发送到一个或多个用户设备,所述一个或多个用户设备被配置为经由所述GUI显示所述即时预报输出。
2.根据权利要求1所述的方法,其中所述即时预报输出进一步基于存储在演变数据库中的一个或多个对流物体数据记录。
3.根据权利要求2所述的方法,还包括基于地理参数和时间参数中的至少一个来识别所述演变数据库中的所述一个或多个对流物体数据记录,其中地理参数指示数据记录的对流物体的地理位置,并且其中时间参数指示数据记录的对流物体的时间。
4.根据权利要求1所述的方法,其中将所述新对流物体数据记录存储在所述演变数据库中还包括:
由所述计算机更新即时预报算法,所述算法被配置为基于所述新对流物体数据记录和所述演变数据库中的至少一个对流物体数据记录,为所述即时预报输出的一个或多个未来时间步长间隔的所述集合生成预测性即时预报。
5.根据权利要求1所述的方法,还包括由所述计算机从一个或多个数据源接收气象观测数据,其中所述计算机进一步基于所述气象观测数据识别所述新对流物体。
6.根据权利要求1所述的方法,还包括由所述计算机从一个或多个数据源接收气象观测数据,其中所述计算机将气象观测数据存储到所述新对流物体数据记录中。
7.根据权利要求1所述的方法,还包括由所述计算机从一个或多个数据源接收气象观测数据,其中所述计算机进一步基于所述气象观测数据生成所述即时预报输出。
8.根据权利要求1所述的方法,其中所述即时预报输出是机器可读计算机文件和机器可读数据流中的至少一个。
9.根据权利要求1所述的方法,还包括由所述计算机将从一个或多个数据源接收的气象观测数据和气象图像数据存储到数据库中。
10.根据权利要求9所述的方法,还包括由所述计算机将来自所述数据源的所述气象观测数据和所述气象图像数据转换成与所述计算机兼容的格式。
11.根据权利要求9所述的方法,还包括由所述计算机基于指示与子数据库和子集相关联的地理位置的地理参数,将所述气象观测数据和所述气象图像数据的所述子集存储到所述子数据库中。
12.根据权利要求1所述的方法,其中所述计算机基于从包括以下各项的组中选择的气象观测数据和气象图像数据中的一个或多个参数生成即时预报输出:物体最大反射率、最大反射率变化率、物体面积、物体面积变化率、物体最冷BT、最冷BT变化率和闪光统计。
13.根据权利要求12所述的方法,其中所述计算机在所述新对流物体的寿命期间自动计算每个对流物体记录的参数值。
14.根据权利要求1所述的方法,还包括由所述计算机搜索所述演变数据库,以找到与所述新对流物体匹配的历史对流物体,其中所述计算机生成所述即时预报输出的预测性即时预报部分,并且其中所述预测性即时预报包括预测所述新对流物体的未来运动和强度的一个或多个未来时间步长间隔的所述集合的所述即时预报气象图像。
15.根据权利要求1所述的方法,还包括根据一组气象物体参数确定所述新对流物体的即时预报气象图像的每个像素的强度变化。
16. 一种用于自动模拟、记录和预测对流气象的气象即时预报系统,所述系统包括:
包括被配置为存储一个或多个对流物体数据记录的非暂时性机器可读介质的演变数据库;以及
处理器,被配置为:
在一个或多个时间步长间隔内从一个或多个图像数据源接收一个或多个气象数据图像;
在第一时间步长基于与对流物体相关联的一个或多个参数识别气象数据图像中的新对流物体;
在所述演变数据库中生成新对流物体数据记录,所述新对流物体数据记录与所述新对流物体相关联;
在所述第一时间步长之后的每个相应时间步长将与所述新对流物体相关联的一个或多个参数存储到所述新对流物体数据记录中;
基于所述新对流物体的所述一个或多个时间步长间隔接收的所述气象物体数据记录和基于一个或多个对流物体的一个或多个对流物体数据记录生成即时预报输出,其中所述即时预报输出被配置为在图形用户界面(GUI)上显示指示一个或多个未来时间步长间隔的集合的即时预报气象图像的地理地图;以及
将所述即时预报输出发送到一个或多个用户设备,所述一个或多个用户设备被配置为经由所述GUI显示所述即时预报输出。
17.根据权利要求16所述的气象即时预报系统,其中所述即时预报输出进一步基于存储在演变数据库中的一个或多个对流物体数据记录。
18.根据权利要求17所述的气象即时预报系统,其中所述处理器还被配置为基于地理参数和时间参数中的至少一个来识别所述演变数据库中的所述一个或多个对流物体数据记录,其中地理参数指示数据记录的对流物体的地理位置,并且其中时间参数指示数据记录的对流物体的时间。
19.根据权利要求16所述的气象即时预报系统,其中为了将所述新对流物体数据记录存储在所述演变数据库中,所述处理器还被配置为:
更新即时预报算法,所述算法被配置为基于所述新对流物体数据记录和所述演变数据库中的至少一个对流物体数据记录,为所述即时预报输出的一个或多个未来时间步长间隔的所述集合生成预测性即时预报。
20.根据权利要求16所述的气象即时预报系统,其中所述处理器还被配置为从一个或多个数据源接收气象观测数据,其中所述处理器进一步基于所述气象观测数据识别所述新对流物体。
21.根据权利要求16所述的气象即时预报系统,其中所述处理器还被配置为从一个或多个数据源接收气象观测数据,并且其中所述处理器将所述气象观测数据存储到所述新对流物体数据记录中。
22.根据权利要求16所述的气象即时预报系统,其中所述处理器还被配置为从一个或多个数据源接收气象观测数据,其中所述处理器还基于所述气象观测数据生成所述即时预报输出。
23.根据权利要求16所述的气象即时预报系统,其中所述即时预报输出是机器可读计算机文件和机器可读数据流中的至少一个。
24.根据权利要求16所述的气象即时预报系统,还包括被配置为存储气象观测数据的数据库,其中所述处理器还被配置为将从一个或多个数据源接收的气象观测数据和气象图像数据存储到所述数据库中。
25.根据权利要求24所述的气象即时预报系统,其中所述处理器还被配置为将来自所述数据源的所述气象观测数据和所述气象图像数据转换成与所述处理器兼容的格式。
26.根据权利要求24所述的气象即时预报系统,还包括一个或多个被配置为所述数据库的数据记录子集的子数据库,并且其中所述处理器还被配置为基于指示与子数据库和子集相关联的地理位置的地理参数,将所述气象观测数据和所述气象图像数据的所述子集存储到所述子数据库中。
27.根据权利要求16所述的气象即时预报系统,其中所述处理器基于从包括以下各项的组中选择的气象观测数据和气象图像数据中的一个或多个参数生成所述即时预报输出:物体最大反射率、最大反射率变化率、物体面积、物体面积变化率、物体最冷BT、最冷BT变化率和闪光统计。
28.根据权利要求27所述的气象即时预报系统,其中所述处理器在所述新对流物体的寿命期间自动计算每个对流物体记录的参数值。
29.根据权利要求16所述的气象即时预报系统,其中所述处理器还被配置为搜索所述演变数据库,以找到与所述新对流物体匹配的历史对流物体,其中所述处理器生成所述即时预报输出的预测性即时预报部分,并且其中所述预测性即时预报包括预测所述新对流物体的未来运动和强度的一个或多个未来时间步长间隔的集合的即时预报气象图像。
30.根据权利要求16所述的气象即时预报系统,其中所述处理器还被配置为根据一组气象物体参数确定所述新对流物体的即时预报气象图像的每个像素的强度变化。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762492729P | 2017-05-01 | 2017-05-01 | |
US62/492729 | 2017-05-01 | ||
US15/966633 | 2018-04-30 | ||
US15/966,633 US11237299B2 (en) | 2017-05-01 | 2018-04-30 | Self-learning nowcast system for modeling, recording, and predicting convective weather |
PCT/US2018/030378 WO2018204316A1 (en) | 2017-05-01 | 2018-05-01 | A self-learning nowcasting system for modeling, recording, and predicting convective weather |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110770610A true CN110770610A (zh) | 2020-02-07 |
CN110770610B CN110770610B (zh) | 2022-03-08 |
Family
ID=63916597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880029139.5A Active CN110770610B (zh) | 2017-05-01 | 2018-05-01 | 模拟、记录和预测对流气象的自学习即时预报系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11237299B2 (zh) |
CN (1) | CN110770610B (zh) |
WO (1) | WO2018204316A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111552011A (zh) * | 2020-05-14 | 2020-08-18 | 上海眼控科技股份有限公司 | Taf报文的生成方法、装置及系统 |
CN111596385A (zh) * | 2020-05-14 | 2020-08-28 | 上海眼控科技股份有限公司 | 报文的生成方法、装置及系统 |
CN114355482A (zh) * | 2022-01-04 | 2022-04-15 | 成都信息工程大学 | 基于光流和气象数值预报的强对流天气识别方法及系统 |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11719857B1 (en) * | 2015-05-13 | 2023-08-08 | United States Of America As Represented By The Administrator Of Nasa | System and method for providing a reanalysis ensemble service |
US20190039742A1 (en) * | 2017-08-01 | 2019-02-07 | Honeywell International Inc. | Managing response to icing threat |
EP3686866A4 (en) * | 2017-09-22 | 2021-06-23 | Kabushiki Kaisha Toshiba | AVIATION WEATHER CONTROL SYSTEM |
US11294096B2 (en) * | 2017-11-03 | 2022-04-05 | The Tomorrow Companies Inc. | Real-time data pipeline techniques for improving a fast weather forecasting system |
SG11202007021VA (en) * | 2018-03-28 | 2020-08-28 | Agency Science Tech & Res | Method and system for predicting a port-stay duration of a vessel at a port |
US11333794B2 (en) * | 2018-10-23 | 2022-05-17 | International Business Machines Corporation | Multimedia derived wind map |
US11402542B2 (en) | 2018-10-30 | 2022-08-02 | The Tomorrow Companies Inc. | Forecasting method with machine learning |
US11698727B2 (en) * | 2018-12-14 | 2023-07-11 | Commvault Systems, Inc. | Performing secondary copy operations based on deduplication performance |
CN110888948B (zh) * | 2019-01-07 | 2020-09-01 | 好活(昆山)网络科技有限公司 | 区域大数据动态修正方法 |
RU2757591C1 (ru) * | 2019-03-25 | 2021-10-19 | Общество С Ограниченной Ответственностью «Яндекс» | Способ и система для формирования прогноза погоды |
US11169263B2 (en) | 2019-10-04 | 2021-11-09 | International Business Machines Corporation | Predicting weather radar images |
US11557209B2 (en) * | 2020-03-09 | 2023-01-17 | Honeywell International Inc. | System and mechanism for a connected aircraft crowd sourced augmented reality processed cloud ceiling information |
CN111783821B (zh) * | 2020-05-19 | 2023-09-12 | 知天(珠海横琴)气象科技有限公司 | 强对流阵风的判别方法及系统 |
US20210377240A1 (en) * | 2020-06-02 | 2021-12-02 | FLEX Integration LLC | System and methods for tokenized hierarchical secured asset distribution |
KR102347277B1 (ko) * | 2020-06-25 | 2022-01-05 | 주식회사 에스아이에이 | 기계 학습 기반 기상 자료 생성 장치 및 방법 |
CN111967661B (zh) * | 2020-08-11 | 2024-03-15 | 易天气(北京)科技有限公司 | 机场跑道运行方向的决策方法、系统、存储介质和设备 |
CN112149536B (zh) * | 2020-09-11 | 2022-11-29 | 国网浙江省电力有限公司电力科学研究院 | 一种飑线风风速预测方法 |
CN112966170B (zh) * | 2021-03-17 | 2023-02-28 | 浙江大华技术股份有限公司 | 天气推送策略的确定方法及装置、存储介质、电子装置 |
CN115016035B (zh) * | 2022-05-31 | 2023-12-22 | 中国科学院光电技术研究所 | 一种基于波前探测的实时大气湍流分层强度测量方法 |
CN115542431B (zh) * | 2022-11-25 | 2023-03-10 | 成都远望探测技术有限公司 | 一种基于地基云雷达和卫星数据的对流初生监测方法 |
CN116953653B (zh) * | 2023-09-19 | 2023-12-26 | 成都远望科技有限责任公司 | 一种基于多波段天气雷达组网回波外推方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1123726A (ja) * | 1997-07-02 | 1999-01-29 | Nippon Telegr & Teleph Corp <Ntt> | 対流場変化予測推定装置 |
US20030156734A1 (en) * | 2002-02-19 | 2003-08-21 | Massachusetts Institute Of Technology | Method and apparatus for short-term prediction of convective weather |
CN105158762A (zh) * | 2014-03-31 | 2015-12-16 | 霍尼韦尔国际公司 | 识别和跟踪对流天气单体 |
CN105182450A (zh) * | 2015-10-15 | 2015-12-23 | 成都信息工程大学 | 一种强对流天气短时预警系统 |
CN105354241A (zh) * | 2015-10-15 | 2016-02-24 | 西藏自治区气象台 | 一种高原强对流天气短时临近预报预警系统 |
US20160356922A1 (en) * | 2013-12-22 | 2016-12-08 | Telvent Dtn Llc | Dynamic storm environment engine apparatuses, methods and systems |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7542852B1 (en) | 2005-01-25 | 2009-06-02 | Weather Channel Inc | Derivation and production of high-resolution, very short-term weather forecasts |
WO2011088473A2 (en) | 2010-01-18 | 2011-07-21 | The Regents Of The University Of California | System and method for identifying patterns in and/or predicting extreme climate events |
US8818029B1 (en) | 2010-05-27 | 2014-08-26 | The Board Of Trustees Of The University Of Alabama, For And On Behalf Of The University Of Alabama In Huntsville | Weather forecasting systems and methods |
DK2611457T3 (da) | 2010-08-30 | 2014-05-12 | Roberto Testi | Sammensætninger og fremgangsmåder til behandling af Friereichs ataxia med interferon gamma |
US9171473B1 (en) | 2011-12-06 | 2015-10-27 | The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) | Method and system for dynamic automated corrections to weather avoidance routes for aircraft in en route airspace |
US9558670B1 (en) | 2011-12-06 | 2017-01-31 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Method and system for air traffic rerouting for airspace constraint resolution |
US9753947B2 (en) | 2013-12-10 | 2017-09-05 | Weather Decision Technologies, Inc. | Four dimensional weather data storage and access |
US20180038994A1 (en) * | 2016-08-02 | 2018-02-08 | International Business Machines Corporation | Techniques to Improve Global Weather Forecasting Using Model Blending and Historical GPS-RO Dataset |
CN112287838B (zh) * | 2020-10-29 | 2022-09-27 | 北京邮电大学 | 基于静止气象卫星影像序列的云雾自动判识方法及系统 |
-
2018
- 2018-04-30 US US15/966,633 patent/US11237299B2/en active Active
- 2018-05-01 WO PCT/US2018/030378 patent/WO2018204316A1/en active Application Filing
- 2018-05-01 CN CN201880029139.5A patent/CN110770610B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1123726A (ja) * | 1997-07-02 | 1999-01-29 | Nippon Telegr & Teleph Corp <Ntt> | 対流場変化予測推定装置 |
US20030156734A1 (en) * | 2002-02-19 | 2003-08-21 | Massachusetts Institute Of Technology | Method and apparatus for short-term prediction of convective weather |
US20160356922A1 (en) * | 2013-12-22 | 2016-12-08 | Telvent Dtn Llc | Dynamic storm environment engine apparatuses, methods and systems |
CN105158762A (zh) * | 2014-03-31 | 2015-12-16 | 霍尼韦尔国际公司 | 识别和跟踪对流天气单体 |
CN105182450A (zh) * | 2015-10-15 | 2015-12-23 | 成都信息工程大学 | 一种强对流天气短时预警系统 |
CN105354241A (zh) * | 2015-10-15 | 2016-02-24 | 西藏自治区气象台 | 一种高原强对流天气短时临近预报预警系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111552011A (zh) * | 2020-05-14 | 2020-08-18 | 上海眼控科技股份有限公司 | Taf报文的生成方法、装置及系统 |
CN111596385A (zh) * | 2020-05-14 | 2020-08-28 | 上海眼控科技股份有限公司 | 报文的生成方法、装置及系统 |
CN114355482A (zh) * | 2022-01-04 | 2022-04-15 | 成都信息工程大学 | 基于光流和气象数值预报的强对流天气识别方法及系统 |
CN114355482B (zh) * | 2022-01-04 | 2022-08-16 | 成都信息工程大学 | 基于光流和气象数值预报的强对流天气识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US11237299B2 (en) | 2022-02-01 |
US20180313975A1 (en) | 2018-11-01 |
WO2018204316A1 (en) | 2018-11-08 |
CN110770610B (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110770610B (zh) | 模拟、记录和预测对流气象的自学习即时预报系统 | |
US11841480B2 (en) | Integrated weather projection systems, methods, and apparatuses | |
US11635545B2 (en) | Real-time weather forecasting for transportation systems | |
RU2757591C1 (ru) | Способ и система для формирования прогноза погоды | |
Williams | Using random forests to diagnose aviation turbulence | |
WO2019126707A1 (en) | Improved real-time weather forecasting system | |
US20180314994A1 (en) | Directed unmanned aircraft for enhanced power outage recovery | |
Evans et al. | Corridor integrated weather system | |
JP5255857B2 (ja) | 乱気流予測システムおよび乱気流予測方法 | |
Kim et al. | Improvements in nonconvective aviation turbulence prediction for the World Area Forecast System | |
US20150198452A1 (en) | Driving direction based on weather forecasting system and method | |
US9658324B2 (en) | System and method for filling gaps in radar coverage | |
JP6818569B2 (ja) | 気象情報処理装置、気象情報処理方法、プログラム | |
US11585960B2 (en) | Effective agriculture and environment monitoring | |
KR102002158B1 (ko) | 시정 예측 시스템 | |
Volkova et al. | Forecast of icing zones using possibilities of hydrodynamic simulation for the atmospheric boundary layer | |
Hon et al. | Alerting of hectometric turbulence features at H ong K ong I nternational A irport using a short‐range LIDAR | |
CN109471205A (zh) | 一种基于网格化气象数据在电网运行中的监测预警方法 | |
Bottyán et al. | Development of a complex meteorological support system for UAVs | |
CN105096661A (zh) | 基于垂直剖面视图的空中交通流管理系统与方法 | |
Rathore et al. | Collaborative mechanism for tropical cyclone monitoring and prediction over north Indian ocean | |
CN115018670A (zh) | 气象数据服务方法、设备及系统 | |
Mohapatra et al. | Early warning services for management of cyclones over North Indian Ocean: Current status and future scope | |
Caldwell et al. | GA pilot information and Weather Technology and the cockpit: Fixed wing and rotorcraft issues | |
KR20190054327A (ko) | 심층신경망을 활용한 활주로 가시거리 예측 방법 |
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 |