CN111427101B - 一种雷雨大风分级预警方法、系统、存储介质 - Google Patents

一种雷雨大风分级预警方法、系统、存储介质 Download PDF

Info

Publication number
CN111427101B
CN111427101B CN202010262608.7A CN202010262608A CN111427101B CN 111427101 B CN111427101 B CN 111427101B CN 202010262608 A CN202010262608 A CN 202010262608A CN 111427101 B CN111427101 B CN 111427101B
Authority
CN
China
Prior art keywords
strong wind
area
wind
early warning
data
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
CN202010262608.7A
Other languages
English (en)
Other versions
CN111427101A (zh
Inventor
杨吉
郑媛媛
孙康远
徐芬
王啸华
慕瑞琪
杜良永
慕熙煜
曾明剑
王易
夏文梅
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.)
JIANGSU INSTITUTE OF METEOROLOGICAL SCIENCES
Nanjing Meteorological Science And Technology Innovation Research Institute
Original Assignee
Jiangsu Province Institute Of Meteorological Sciences
Nanjing Institute Of Meteorological Science And Technology Innovation
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 Jiangsu Province Institute Of Meteorological Sciences, Nanjing Institute Of Meteorological Science And Technology Innovation filed Critical Jiangsu Province Institute Of Meteorological Sciences
Priority to CN202010262608.7A priority Critical patent/CN111427101B/zh
Publication of CN111427101A publication Critical patent/CN111427101A/zh
Application granted granted Critical
Publication of CN111427101B publication Critical patent/CN111427101B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Ecology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Evolutionary Computation (AREA)
  • Environmental Sciences (AREA)
  • Electromagnetism (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于天气预报技术领域，公开了一种雷雨大风分级预警方法、系统、存储介质、计算机程序，利用二步式速度退模糊方法对雷达资料径向速度进行质量控制；获取径向速度大风区数据，并逐方位扫描大风数据；挑选出大于设定面积阈值的大风区域；获取雷达站周围80km范围内0.5°仰角径向速度超过17m/s以上大风区域格点数据；采用自助法重采样技术生成新的训练样本集合；将每个大风区域内的7‑14级风所占区域面积百分比作为特征；进行随机森林的构建；通过5折交叉验证来进行模型评估。本发明能够提供大风预警落区和分级预警信息，为预报人员发布预警提供信息，对灾害大风敏感行业提供参考。

Description

一种雷雨大风分级预警方法、系统、存储介质
技术领域
本发明属于天气预报技术领域，尤其涉及一种雷雨大风分级预警方法、系统、存储介质。
背景技术
目前，近地面大风可以影响人类活动，对电线，树木和建筑造成损坏，危险人类生命安全和企业生产。在对流性强风的业务预报预警方面，国内外目前主要从两方面入手开展相关工作。一是基于天气学、动力气象学和热力学理论发展短期潛势预报，以期为对流性强风短临预警提供前瞻性指导。由于降水蒸发导致负浮力是造成直线型雷暴大风的机理，这类预报主要利用观测和数值模拟数据计算相关参量，建立多因子的预报方程，但目前基于该方法的预报能力与防灾减灾需求还存在相当距离。其局限性主要表现在多个方面：一是对产生对流性强风的对流风暴空间结构的剖析、风暴内部降水粒子的相态变化物理过程，以及风暴内下沉气流的成因理解还不够充分；二是用以刻画描述产生对流性强风的环境条件的特征对流参数提炼不精确，以致与其它天气现象(如普通雷暴、冰雹、降水等)的对流参数之间的辨识度不足，在实际预报业务中对流性强风的预报也就因缺乏独立技术支撑而处于从属、顺带的尴尬状况；三是用以提炼特征对流参数的分析资料和用以预报对流参数的中尺度数值模式还不够精确。二是基于以多普勒天气雷达为主的多种探测技术的对流性强风识别和短临预警，实现对流性强风的精细化预警。这类技术主要依赖于大风发生之前雷达回波结构特征的变化，通过模糊逻辑或者支持向量机等方法实现基于观测的短临预警。这类方法受到雷达观测影响严重，如雷达最低探测高度随距离升高，此外对于对流系统造成的大风识别能力有限，结果仅能给出是否存在大风的结果，不能给出预警灾害大风具体范围和等级。
基于以上原因，本发明提出基于雷达资料径向风的大风区域预警和分级预警方法。
综上所述，现有技术存在的问题是：(1)现有基于天气学、动力气象学和热力学理论发展短期潛势预报的方法，其局限性主要表现在多个方面：1)对产生对流性强风的对流风暴空间结构的剖析、风暴内部降水粒子的相态变化物理过程，以及风暴内下沉气流的成因理解还不够充分；2)用以刻画描述产生对流性强风的环境条件的特征对流参数提炼不精确，以致与其它天气现象(如普通雷暴、冰雹、降水等)的对流参数之间的辨识度不足，在实际预报业务中对流性强风的预报也就因缺乏独立技术支撑而处于从属、顺带的尴尬状况；3)用以提炼特征对流参数的分析资料和用以预报对流参数的中尺度数值模式还不够精确。
(2)现有基于以多普勒天气雷达为主的多种探测技术的对流性强风识别和短临预警的方法，受到雷达观测影响严重，如雷达最低探测高度随距离升高，此外对于对流系统造成的大风识别能力有限，结果仅能给出是否存在大风的结果，不能给出预警灾害大风具体范围和等级。
解决上述技术问题的难度：构建基于随机森林的大风分级预警模型。
解决上述技术问题的意义：本发明能够提供大风预警落区和分级预警信息，为预报人员发布预警提供信息，对灾害大风敏感行业提供参考，利用了以前已有现成的技术进行前期处理，比如径向速度退模糊方法，SCIT方法。
发明内容
针对现有技术存在的问题，本发明提供了一种雷雨大风分级预警方法、系统、存储介质，旨在解决现有技术中预警对流系统不能预报大风落区和不能实现大风分级预警的问题。
本发明是这样实现的，一种雷雨大风分级预警方法，所述雷雨大风分级预警方法包括以下步骤：
步骤一，获取雷达站径向速度超过17m/s大风区域格点数据；
步骤二，采用自助法重采样技术，从原始训练样本集N中有放回地重复随机抽取k个样本生成新的训练样本集合；
步骤三，将每个大风区域内的7-14级风所占区域面积百分比作为特征；
步骤四，采用地面自动站大风作为实况数据，并根据大风等级标准划分等级作为标签，进行随机森林的构建；
步骤五，通过5折交叉验证模型。
进一步，所述步骤一，获取雷达站径向速度超过17m/s大风区域格点数据；
所述步骤三，将每个大风区域内的7-14级风所占区域面积百分比作为特征。
进一步，所述步骤一之前需要：
第一步，利用二步式速度退模糊方法对雷达资料径向速度进行质量控制；
第二步，获取径向速度大风区数据，采用SCIT算法逐方位扫描大风数据；
第三步，组合相邻区域大风数据段为大风区域，挑选出大于设定面积阈值的大风区域，正负速度区分离处理，互不干扰；
进一步，所述第四步中，所述随机森林在构建时，利用GINI指数作为划分分支标准的顺序：
Figure GDA0003298830730000031
式中，k＝8代表8个类别，Pi为第i类的概率。
进一步，所述第五步中5折交叉验证方法如下：将数据集分为5折，分别为A、B、C、D、E；
第一次使用A+B+C+D训练，E验证，分数S1；
第二次使用A+B+D+E训练，C验证，分数S2；
第三次使用A+C+D+E训练，B验证，分数S3；
第四次使用B+C+D+E训练，A验证，分数S4；
第五次使用A+B+C+E训练，D验证，分数S5；
最终分数为S1、S2、S3、S4、S5的平均；
最终选取的随机森林参数为：森林中共有决策树100棵，每棵树最大深度为8，叶子节点含有的最少样本为1，节点分的最小样本数为2；最终实现雷雨大风分级预警产品，分为7级、8-9级和10级等级。
进一步，所述大风落区预报采用交叉相关方法获取当前大风区移动矢量，然后根据移动矢量实现30分钟和60分钟预报：
Figure GDA0003298830730000041
本发明另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述的雷雨大风分级预警方法。
本发明另一目的在于提供一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求任意一项所述包括下列步骤：
步骤一，获取雷达站径向速度超过17m/s大风区域格点数据；
步骤二，采用自助法重采样技术，从原始训练样本集N中有放回地重复随机抽取k个样本生成新的训练样本集合；
步骤三，将每个大风区域内的7-14级风所占区域面积百分比作为特征；
步骤四，采用地面自动站大风作为实况数据，并根据大风等级标准划分等级作为标签，进行随机森林的构建；
步骤五，通过5折交叉验证模型。
本发明另一目的在于提供一种应用所述的雷雨大风分级预警方法的雷雨大风分级预警系统，所述雷雨大风分级预警系统包括：
数据质控模块，用于实现历史多普勒径向风数据质控；
区域识别模块，用于进行多普勒径向大风区域识别；
区域特征统计模块，用于统计大风区域特征；
区域特征获取模块，用于获取典型大风区域特征；
自助法重采样模块，用于通过自助法重采样技术，从原始训练样本集N中有放回地重复随机抽取k个样本生成新的训练样本集合；
决策树构建模块，用于结合自动站实测大风构建决策树；
随机森林构建模块，采用地面自动站大风作为实况数据，并根据中国气象局发布大风等级标准划分等级作为标签，进行随机森林的构建；
数据传输模块，利用Gin筛选，将实时多普勒径向风质控输入随机森林，并通过随机森林输出大风分级预警。
本发明另一目的在于提供一种实施所述的雷雨大风分级预警方法的多普勒天气雷达。
综上所述，本发明的优点及积极效果为：本发明提供的雷雨大风分级预警方法、系统、存储介质、计算机程序，能够提供大风预警落区和分级预警信息，为预报人员发布预警提供信息，对灾害大风敏感行业(如电力行业)提供参考。本发明通过5折交叉验证来进行模型评估，能够减小偏差，确保评估性能稳定。
附图说明
图1是本发明实施例提供的雷雨大风分级预警方法流程图。
图2是本发明实施例提供的雷雨大风分级预警系统结构示意图；
图中：1、数据质控模块；2、区域识别模块；3、区域特征统计模块；4、区域特征获取模块；5、自助法重采样模块；6、决策树构建模块；7、随机森林构建模块；8、数据传输模块。
图3是本发明实施例提供的雷雨大风分级预警方法原理图。
图4是本发明实施例提供的大风区域预警流程图。
图5是本发明实施例提供的2019年7月6日江苏雷雨大风过程示意图；
图中：(a)分级预警；(b)实况检验图；
图中：图(a)大风实况(填色区域)以及30分钟和60分钟大风预警区域；图(b)为地面自动站实测风。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
现有基于天气学、动力气象学和热力学理论发展短期潛势预报的方法，其局限性主要表现在多个方面：1)对产生对流性强风的对流风暴空间结构的剖析、风暴内部降水粒子的相态变化物理过程，以及风暴内下沉气流的成因理解还不够充分；2)用以刻画描述产生对流性强风的环境条件的特征对流参数提炼不精确，以致与其它天气现象(如普通雷暴、冰雹、降水等)的对流参数之间的辨识度不足，在实际预报业务中对流性强风的预报也就因缺乏独立技术支撑而处于从属、顺带的尴尬状况；3)用以提炼特征对流参数的分析资料和用以预报对流参数的中尺度数值模式还不够精确。现有基于以多普勒天气雷达为主的多种探测技术的对流性强风识别和短临预警的方法，受到雷达观测影响严重，如雷达最低探测高度随距离升高，此外对于对流系统造成的大风识别能力有限，结果仅能给出是否存在大风的结果，不能给出预警灾害大风具体范围和等级。
针对现有技术存在的问题，本发明提供了一种雷雨大风分级预警方法、系统、存储介质、计算机程序，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的雷雨大风分级预警方法包括以下步骤：
S101，利用二步式速度退模糊方法对雷达资料径向速度进行质量控制。
S102，获取径向速度大风区数据，采用SCIT算法的思想逐方位扫描大风数据。
S103，组合相邻区域大风数据段为大风区域，挑选出大于设定面积阈值的大风区域，正负速度区分离处理，互不干扰。
S104，获取雷达站周围80km范围内0.5°仰角径向速度超过17m/s以上大风区域格点数据。
S105，采用自助法重采样技术，从原始训练样本集N中有放回地重复随机抽取k个样本生成新的训练样本集合。
S106，将每个大风区域内的7-14级风所占区域面积百分比作为特征，即共有8个特征。
S107，采用地面自动站大风作为实况数据，并根据中国气象局发布大风等级标准划分等级作为标签，进行随机森林的构建。
S108，通过5折交叉验证来进行模型评估。
如图2所示，本发明实施例提供的雷雨大风分级预警系统包括：数据质控模块1、区域识别模块2、区域特征统计模块3、区域特征获取模块4、自助法重采样模块5、决策树构建模块6、随机森林构建模块7、数据传输模块8。
数据质控模块1，用于实现历史多普勒径向风数据质控。
区域识别模块2，用于进行多普勒径向大风区域识别。
区域特征统计模块3，用于统计大风区域特征。
区域特征获取模块4，用于获取典型大风区域特征。
自助法重采样模块5，用于通过自助法重采样技术，从原始训练样本集N中有放回地重复随机抽取k个样本生成新的训练样本集合。
决策树构建模块6，用于结合自动站实测大风构建决策树。
随机森林构建模块7，采用地面自动站大风作为实况数据，并根据中国气象局发布大风等级标准划分等级作为标签，进行随机森林的构建。
数据传输模块8，利用Gin筛选，将实时多普勒径向风质控输入随机森林，并通过随机森林输出大风分级预警。
本发明实施例提供的雷雨大风分级预警方法原理图如图3所示。
本发明实施例提供的大风区域预警流程图如图4所示。
下面结合实施例对本发明作进一步描述。
本发明选取了近10年来多个典型大风区域进行统计分析。首先利用三步式速度退模糊方法对雷达资料径向速度进行质量控制，然后获取径向速度大风区数据，采用SCIT算法的思想，逐方位扫描大风数据，能够跨越由于数据质量问题造成的单距离库数据不连续问题，组合相邻区域大风数据段为大风区域，挑选出大于设定面积阈值的大风区域，正负速度区分离处理，互不干扰。获取雷达站周围80km范围内0.5°仰角径向速度超过17m/s以上大风区域格点数据后，采用自助法(bootstrap)重采样技术，从原始训练样本集N中有放回地重复随机抽取k个样本生成新的训练样本集合。过程中将每个大风区域内的7-14级风所占区域面积百分比作为特征，即共有8个特征。采用地面自动站大风作为实况数据，并根据中国气象局发布大风等级标准划分等级作为标签，进行随机森林的构建。
在构建时，利用GINI指数作为划分分支标准的顺序：
Figure GDA0003298830730000081
式中，k＝8代表8个类别，Pi为第i类的概率。
通过5折交叉验证来进行模型评估，能够减小偏差，确保评估性能稳定。5折交叉验证方法如下：假设将数据集分为5折，他们分别为A、B、C、D、E。
第一次使用A+B+C+D训练，E验证，分数S1；
第二次使用A+B+D+E训练，C验证，分数S2；
第三次使用A+C+D+E训练，B验证，分数S3；
第四次使用B+C+D+E训练，A验证，分数S4；
第五次使用A+B+C+E训练，D验证，分数S5；
最终分数为S1、S2、S3、S4、S5的平均。
最终选取的随机森林参数为：森林中共有决策树100棵，每棵树最大深度为8，叶子节点含有的最少样本为1，节点可分的最小样本数为2。最终实现雷雨大风分级预警产品，分为7级、8-9级和10级及以上三个等级。
大风落区预报采用如下传统的交叉相关方法获取当前大风区移动矢量，然后根据移动矢量实现30和60分钟预报。
Figure GDA0003298830730000082
建立的雷雨大风分级预警产品已经实际应用到江苏省一体化平台。
下面结合具体应用例对本发明作进一步描述。
应用例
本发明实施例提供的2019年7月6日江苏雷雨大风过程示意图如图5所示；其中，图5(a)红色和蓝色曲线包围区域分别为30和60分钟大风预警区域，棕色字体区域预报8-9级雷雨大风；图5(b)为地面自动站实测风。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种雷雨大风分级预警方法，其特征在于，所述雷雨大风分级预警方法包括以下步骤：
步骤一，获取雷达站径向速度区域格点数据；
步骤二，采用自助法重采样技术，从原始训练样本集N中有放回地重复随机抽取k个样本生成新的训练样本集合；
步骤三，将每个大风区域内的风所占区域面积百分比作为特征；
步骤四，采用地面自动站大风作为实况数据，并根据大风等级标准划分等级作为标签，进行随机森林的构建；
步骤五，通过5折交叉验证模型；
所述步骤一，获取雷达站径向速度超过17 m/s大风区域格点数据；
所述步骤三，将每个大风区域内的7-14级风所占区域面积百分比作为特征；
所述步骤一之前需要：
第一步，利用二步式速度退模糊方法对雷达资料径向速度进行质量控制；
第二步，获取径向速度大风区数据，采用SCIT算法逐方位扫描大风数据；
第三步，组合相邻区域大风数据段为大风区域，挑选出大于设定面积阈值的大风区域，正负速度区分离处理，互不干扰；
所述步骤四中，所述随机森林在构建时，利用GINI指数作为划分分支标准的顺序：
Figure DEST_PATH_IMAGE001
；
式中，k=8代表8个类别，P i 为第i类的概率。
2.如权利要求1所述的雷雨大风分级预警方法，其特征在于，所述步骤五中5折交叉验证方法如下：将数据集分为5折，分别为A、B、C、D、E；
第一次使用A+B+C+D训练，E验证，分数S1；
第二次使用A+B+D+E训练，C验证，分数S2；
第三次使用A+C+D+E训练，B验证，分数S3；
第四次使用B+C+D+E训练，A验证，分数S4；
第五次使用A+B+C+E训练，D验证，分数S5；
最终分数为S1、S2、S3、S4、S5的平均；
最终选取的随机森林参数为：森林中共有决策树100棵，每棵树最大深度为8，叶子节点含有的最少样本为1，节点分的最小样本数为2；最终实现雷雨大风分级预警产品，分为7级、8-9级和10级等级。
3.如权利要求2所述的雷雨大风分级预警方法，其特征在于，所述大风落区预报采用交叉相关方法获取当前大风区移动矢量，然后根据移动矢量实现30分钟和60分钟预报：
Figure DEST_PATH_IMAGE002
。
4.一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求1~3任意一项所述的雷雨大风分级预警方法，所述的雷雨大风分级预警方法包括下列步骤：
步骤一，获取雷达站径向速度超过17 m/s大风区域格点数据；
步骤二，采用自助法重采样技术，从原始训练样本集N中有放回地重复随机抽取k个样本生成新的训练样本集合；
步骤三，将每个大风区域内的7-14级风所占区域面积百分比作为特征；
步骤四，采用地面自动站大风作为实况数据，并根据大风等级标准划分等级作为标签，进行随机森林的构建；
步骤五，通过5折交叉验证模型。
5.一种应用权利要求1~3任意一项所述的雷雨大风分级预警方法的雷雨大风分级预警系统，其特征在于，所述雷雨大风分级预警系统包括：
数据质控模块，用于实现历史多普勒径向风数据质控；
区域识别模块，用于进行多普勒径向大风区域识别；
区域特征统计模块，用于统计大风区域特征；
区域特征获取模块，用于获取典型大风区域特征；
自助法重采样模块，用于通过自助法重采样技术，从原始训练样本集N中有放回地重复随机抽取k个样本生成新的训练样本集合；
决策树构建模块，用于结合自动站实测大风构建决策树；
随机森林构建模块，采用地面自动站大风作为实况数据，并根据中国气象局发布大风等级标准划分等级作为标签，进行随机森林的构建；
数据传输模块，利用Gin筛选，将实时多普勒径向风质控输入随机森林，并通过随机森林输出大风分级预警。
6.一种实施权利要求 1~3任意一项所述的雷雨大风分级预警方法的多普勒天气雷达。
CN202010262608.7A 2020-04-07 2020-04-07 一种雷雨大风分级预警方法、系统、存储介质 Active CN111427101B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010262608.7A CN111427101B (zh) 2020-04-07 2020-04-07 一种雷雨大风分级预警方法、系统、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010262608.7A CN111427101B (zh) 2020-04-07 2020-04-07 一种雷雨大风分级预警方法、系统、存储介质

Publications (2)

Publication Number Publication Date
CN111427101A CN111427101A (zh) 2020-07-17
CN111427101B true CN111427101B (zh) 2022-04-26

Family

ID=71557521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010262608.7A Active CN111427101B (zh) 2020-04-07 2020-04-07 一种雷雨大风分级预警方法、系统、存储介质

Country Status (1)

Country Link
CN (1) CN111427101B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111987691B (zh) * 2020-08-06 2022-11-22 珠海格力电器股份有限公司 基于雷暴预警的设备断电保护方法、存储介质及电子设备
CN113238230B (zh) * 2021-04-12 2023-07-14 国网河南省电力公司电力科学研究院 一种针对电网生产的夏季强对流引起的大风预警方法

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110172920A1 (en) * 2007-01-12 2011-07-14 Young Paul Yee Process for generating spatially continuous wind profiles from wind profiler measurements
US20120303278A1 (en) * 2008-11-13 2012-11-29 Saint Louis University Apparatus and method for providing environmental predictive indicators to emergency response managers
CN103337133A (zh) * 2013-06-14 2013-10-02 广东电网公司中山供电局 基于识别预报技术的电网雷暴灾害预警系统及方法
US20140324350A1 (en) * 2013-04-30 2014-10-30 International Business Machines Corporation Machine Learning Approach for Analysis and Prediction of Cloud Particle Size and Shape Distribution
CN105068075A (zh) * 2015-06-30 2015-11-18 江苏省气象科学研究所 一种近地面大风的计算方法
WO2016057859A1 (en) * 2014-10-10 2016-04-14 The Penn State Research Foundation Identifying visual storm signatures form satellite images
CN106405682A (zh) * 2016-08-29 2017-02-15 深圳先进技术研究院 一种降雨预测方法及装置
US20170357029A1 (en) * 2016-06-14 2017-12-14 The Climate Corporation Supervised neural network to predict unlabeled rain rates
CN107526083A (zh) * 2017-10-18 2017-12-29 国网新疆电力公司电力科学研究院 一种基于天气雷达数据的强对流风力等级预测方法
CN107609352A (zh) * 2017-11-02 2018-01-19 中国科学院新疆理化技术研究所 一种蛋白质自相互作用的预测方法
CN107703564A (zh) * 2017-10-13 2018-02-16 中国科学院深圳先进技术研究院 一种降雨预测方法、系统及电子设备
US20180203160A1 (en) * 2017-01-18 2018-07-19 Board Of Regents, The University Of Texas System Systems and methods of hierarchical forecasting of solar photovoltaic energy production
US20180224859A1 (en) * 2017-02-08 2018-08-09 Ford Global Technologies, Llc Tornado Detection Systems And Methods
CN109407177A (zh) * 2018-10-16 2019-03-01 象谱信息产业有限公司 基于机器学习与常规气象观测的大雾识别系统和应用方法
CN109543874A (zh) * 2018-10-12 2019-03-29 南京航空航天大学 一种结合气象条件影响的机场空气质量预测方法
DE102017129299A1 (de) * 2017-12-08 2019-06-13 Institut Für Luft- Und Kältetechnik Gemeinnützige Gmbh Verfahren zur lokalen Wetterprognose
CN110197218A (zh) * 2019-05-24 2019-09-03 绍兴达道生涯教育信息咨询有限公司 基于多源卷积神经网络的雷雨大风等级预测分类方法
CN110516840A (zh) * 2019-07-15 2019-11-29 国网甘肃省电力公司电力科学研究院 基于改进随机森林方法的风光发电出力的短期预测方法
CN110632681A (zh) * 2019-09-17 2019-12-31 国网湖南省电力有限公司 基于机器学习的电网午后雷阵雨的短临预警方法及系统
CN110687618A (zh) * 2019-09-25 2020-01-14 天津大学 一种多单体对流系统短时强降水事件的自动临近预报方法
CN110705115A (zh) * 2019-10-10 2020-01-17 北京北科融智云计算科技有限公司 一种基于深度置信网络的气象预报方法和系统
CN110837137A (zh) * 2019-11-07 2020-02-25 刘健华 一种台风预测报警方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101749427B1 (ko) * 2015-11-26 2017-07-03 제주대학교 산학협력단 다양한 특성을 갖는 인공 신경망에 기초한 풍속 예측 방법 및 그 방법을 이용한 장치

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110172920A1 (en) * 2007-01-12 2011-07-14 Young Paul Yee Process for generating spatially continuous wind profiles from wind profiler measurements
US20120303278A1 (en) * 2008-11-13 2012-11-29 Saint Louis University Apparatus and method for providing environmental predictive indicators to emergency response managers
US20140324350A1 (en) * 2013-04-30 2014-10-30 International Business Machines Corporation Machine Learning Approach for Analysis and Prediction of Cloud Particle Size and Shape Distribution
CN103337133A (zh) * 2013-06-14 2013-10-02 广东电网公司中山供电局 基于识别预报技术的电网雷暴灾害预警系统及方法
WO2016057859A1 (en) * 2014-10-10 2016-04-14 The Penn State Research Foundation Identifying visual storm signatures form satellite images
CN105068075A (zh) * 2015-06-30 2015-11-18 江苏省气象科学研究所 一种近地面大风的计算方法
US20170357029A1 (en) * 2016-06-14 2017-12-14 The Climate Corporation Supervised neural network to predict unlabeled rain rates
CN106405682A (zh) * 2016-08-29 2017-02-15 深圳先进技术研究院 一种降雨预测方法及装置
US20180203160A1 (en) * 2017-01-18 2018-07-19 Board Of Regents, The University Of Texas System Systems and methods of hierarchical forecasting of solar photovoltaic energy production
US20180224859A1 (en) * 2017-02-08 2018-08-09 Ford Global Technologies, Llc Tornado Detection Systems And Methods
CN107703564A (zh) * 2017-10-13 2018-02-16 中国科学院深圳先进技术研究院 一种降雨预测方法、系统及电子设备
CN107526083A (zh) * 2017-10-18 2017-12-29 国网新疆电力公司电力科学研究院 一种基于天气雷达数据的强对流风力等级预测方法
CN107609352A (zh) * 2017-11-02 2018-01-19 中国科学院新疆理化技术研究所 一种蛋白质自相互作用的预测方法
DE102017129299A1 (de) * 2017-12-08 2019-06-13 Institut Für Luft- Und Kältetechnik Gemeinnützige Gmbh Verfahren zur lokalen Wetterprognose
CN109543874A (zh) * 2018-10-12 2019-03-29 南京航空航天大学 一种结合气象条件影响的机场空气质量预测方法
CN109407177A (zh) * 2018-10-16 2019-03-01 象谱信息产业有限公司 基于机器学习与常规气象观测的大雾识别系统和应用方法
CN110197218A (zh) * 2019-05-24 2019-09-03 绍兴达道生涯教育信息咨询有限公司 基于多源卷积神经网络的雷雨大风等级预测分类方法
CN110516840A (zh) * 2019-07-15 2019-11-29 国网甘肃省电力公司电力科学研究院 基于改进随机森林方法的风光发电出力的短期预测方法
CN110632681A (zh) * 2019-09-17 2019-12-31 国网湖南省电力有限公司 基于机器学习的电网午后雷阵雨的短临预警方法及系统
CN110687618A (zh) * 2019-09-25 2020-01-14 天津大学 一种多单体对流系统短时强降水事件的自动临近预报方法
CN110705115A (zh) * 2019-10-10 2020-01-17 北京北科融智云计算科技有限公司 一种基于深度置信网络的气象预报方法和系统
CN110837137A (zh) * 2019-11-07 2020-02-25 刘健华 一种台风预测报警方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
东北冷涡影响下江淮地区一次飑线过程的模拟分析;杨吉 等;《气象》;20200331;第46卷(第3期);全文 *
基于多普勒天气雷达体扫资料的下击暴流预警方法研究;孙京 等;《自然灾害学报》;20190430;第28卷(第2期);全文 *
基于数值预报和随机森林算法的强对流天气分类预报技术;李文娟 等;《气象》;20181230;第44卷(第12期);全文 *
基于深度学习卷积神经网络的降雨量预测;陈易旺;《中国优秀硕士学位论文全文数据库基础科学辑》;20191015;全文 *

Also Published As

Publication number Publication date
CN111427101A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
CN110197218B (zh) 基于多源卷积神经网络的雷雨大风等级预测分类方法
Rasmussen Refined supercell and tornado forecast parameters
CN112285807B (zh) 一种气象信息预测方法及装置
Marzban et al. Ceiling and visibility forecasts via neural networks
CN110705115B (zh) 一种基于深度置信网络的气象预报方法和系统
Gagne et al. Classification of convective areas using decision trees
CN111427101B (zh) 一种雷雨大风分级预警方法、系统、存储介质
CN112598883B (zh) 基于贝叶斯网络的输电线路落雷概率预警方法及预警系统
CN110134907B (zh) 一种降雨缺失数据填补方法、系统及电子设备
CN109214604A (zh) 基于Adaboost的输变电设备的雾霾灾害风险预测方法及系统
CN113836808A (zh) 一种基于重污染特征约束的pm2.5深度学习预测方法
CN106886564A (zh) 一种基于空间聚类订正nwp风能图谱的方法及装置
CN113689053B (zh) 一种基于随机森林的强对流天气架空线停电预测方法
Pirooz et al. New Zealand design wind speeds, directional and lee-zone multipliers proposed for AS/NZS 1170.2: 2021
Shield et al. Diagnosing supercell environments: A machine learning approach
CN114594532A (zh) 一种寒潮天气预测方法、装置、电子设备及计算机可读介质
CN117111181B (zh) 一种短时强降水概率预报方法及系统
Charlton-Perez et al. Do AI models produce better weather forecasts than physics-based models? A quantitative evaluation case study of Storm Ciarán
CN110119494A (zh) 一种基于主被动微波遥感观测的热带气旋自动定强方法
CN106408139B (zh) 机场到达率预测方法及装置
Miller et al. A preliminary assessment of using spatiotemporal lightning patterns for a binary classification of thunderstorm mode
Yan et al. Analysis of extreme wind speed estimates in the northern South China Sea
CN109636194B (zh) 一种输变电项目重大变动多源协同检测方法与系统
CN116663393A (zh) 一种基于随机森林的配电网持续高温下故障风险等级预测方法
Wei Examining El Niño–Southern Oscillation effects in the subtropical zone to forecast long-distance total rainfall from typhoons: A case study in Taiwan

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20211111

Address after: 210000 Jiangsu Meteorological Early Warning Center, Yushun Road, Pingliang street, Jianye District, Nanjing, Jiangsu Province

Applicant after: Nanjing meteorological science and Technology Innovation Research Institute

Applicant after: Jiangsu Institute of Meteorological Sciences

Address before: No. 16, Kunlun Road, Xuanwu District, Nanjing, Jiangsu 210009

Applicant before: Jiangsu Institute of Meteorological Sciences

GR01 Patent grant
GR01 Patent grant