CN111624682A - 一种基于多源数据融合的定量降水估测方法 - Google Patents
一种基于多源数据融合的定量降水估测方法 Download PDFInfo
- Publication number
- CN111624682A CN111624682A CN202010590142.3A CN202010590142A CN111624682A CN 111624682 A CN111624682 A CN 111624682A CN 202010590142 A CN202010590142 A CN 202010590142A CN 111624682 A CN111624682 A CN 111624682A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- time
- space
- adopting
- samples
- 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
- G01W1/14—Rainfall or precipitation gauges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多源数据融合的定量降水估测方法，包括如下步骤：采用基于多源大数据的方法确定降水落区，将微波链路反演降水插值到离散网格并累加到△T分钟时间尺度，将天气雷达反演降水插值到离散网格并采用时间权重平均法转换成△T分钟时间尺度的降水，获取△T分钟时间尺度的雨量计观测降水，采用插值方法建立△T分钟时间尺度的三类样本，对三类样本分别采用相应的时空局部模型进行质量控制，采用多种时空局部模型融合的方法估测降水，降水累加。本发明的有益效果是：通过多源数据和多模型融合，在实现对降水落区精准监测的基础上，进一步提高定量估测降水的精度。
Description
技术领域
本发明涉及气象中降水量客观分析领域，尤其涉及一种基于多源数据融合的定量降水估测方法。
背景技术
降水对野生动植物的地理分布、工农业生产的布局、自然植被和农作物的生长发育、人类生产生活等都具有重要影响。降水过多或过于集中，易引发洪水、城市内涝、农田渍涝、湿害、山洪、崩塌、泥石流、山体滑坡、水土流失；降水过少，易引发自然植被和农作物受旱、森林火灾、水资源短缺。因此，高精度高时空分辨率的定量降水估测产品在气象学、水文学、灾害学、生态学等领域都具有很高的应用价值。
然而，降水通常具有时空变化剧烈的特点，使用单一的观测手段很难对其进行精准的监测。为了实现对降水的精准监测，人类相继发展了雨量计、天气雷达、卫星遥感、雨滴谱仪、微波链路、视频监控等多种观测手段。但是各种观测手段在时空分辨率、观测精度、覆盖范围等方面各有优缺点。因此，融合多种降水观测资料，以实现对降水的高精度高时空分辨率的监测，成为近年来研究的热点。
基于多源大数据的降水落区确定方法是综合利用多源物联网大数据确定逐分钟降水落区；然后，转换成△T分钟时间尺度的降水落区；该方法主要包括以下步骤：
步骤1：选定待确定降水落区范围D，并在D内建立离散网格；
步骤2：获取区域D内的逐分钟多源物联网大数据；
步骤3：对每种大数据分别采用相应的算法计算每个联网设备所处时空位置降水发生的概率；并将处理结果存储待用；
步骤4：读取待确定时刻前后Δt分钟且位于区域D内的逐分钟多源大数据对应的降水发生概率，构成降水发生概率样本集；
步骤5：对步骤4中的降水发生概率样本集进行预处理和质量控制；
步骤6：根据步骤5中的样本集，采用插值方法计算待确定时刻区域D内所有格点的降水发生概率；对任一格点，若其降水发生概率P≥C，则置其降水发生概率为1，否则置其降水发生概率为0，其中C为一常数；并将处理结果存储待用；
步骤7：将步骤6中的逐分钟降水发生概率采用逻辑或运算转换成△T分钟时间尺度的降水发生概率；
步骤8：将确定的降水落区反馈给用户。
该方法综合利用多源物联网大数据确定逐分钟降水落区，通过对融合的多种降水观测资料进行大数据分析、统计和计算，可实现对降水落区的精准监测。
为实现对降水的高精度高时空分辨率的定量监测，在提出一种基于多源大数据的降水落区确定方法后，本发明提出了一种新的融合雨量计、天气雷达、微波链路、车辆雨刮器、视频监控等资料定量估测降水的方案和系统。
发明内容
本发明正是为了解决上述技术问题而设计的一种基于多源数据融合的定量降水估测方法。
本发明解决其技术问题所采用的技术方案是：
一种基于多源数据融合的定量降水估测方法，所述方法包括以下步骤：
步骤1：确定格点化降水落区；
步骤2：空间上，将微波链路反演降水插值到步骤1中的格点上；时间上，将微波链路反演降水累加成△T分钟时间尺度的降水；
步骤3：空间上，将天气雷达反演降水插值到步骤1中的格点上；时间上，采用时间权重平均法将天气雷达反演降水转换成△T分钟时间尺度的降水；
步骤4：获取△T分钟时间尺度的雨量计观测降水；
步骤5：采用插值方法建立△T分钟时间尺度的(Rg，Rm)、(Rg，Rr)、(Rg，Rm，Rr)三类样本，并分别存储；其中，Rg、Rm、Rr分别代表雨量计、微波链路、天气雷达观测或估测降水量；
步骤6：对步骤5中的三类样本分别采用相应的时空局部模型进行质量控制，并将质量控制结果分别存储；
步骤7：对步骤1中的降水格点，①对只有Rm辅助变量的降水格点，先用步骤6质量控制处理后的(Rg，Rm)样本和相应时空局部模型估测降水，若不能通过建立时空局部模型估测降水，则采用最近的(Rg，Rm)关系估测降水；再采用对残差插值的方法进行订正；②对只有Rr辅助变量的降水格点，先用步骤6质量控制处理后的(Rg，Rr)样本和相应时空局部模型估测降水，若不能通过建立时空局部模型估测降水，则采用最近的(Rg，Rr)关系估测降水；再采用对残差插值的方法进行订正；③对有Rm、Rr辅助变量的降水格点，先用步骤6质量控制处理后的(Rg，Rm，Rr)样本和相应时空局部模型估测降水，若不能通过建立时空局部模型估测降水，则采用最近的(Rg，Rm，Rr)关系估测降水；再采用对残差插值的方法进行订正；④采用插值法估算无辅助变量降水格点的降水量；将结果存储待用；
步骤8：将△T分钟时间尺度的降水累加成其他时间尺度的降水；
步骤9：将定量估测的降水反馈给用户；
步骤10：建立相应的业务系统，重复步骤1-9。
所述一种基于多源数据融合的定量降水估测方法，所述步骤1包括但不限于采用基于多源大数据的方法确定格点化降水落区。
所述一种基于多源数据融合的定量降水估测方法，所述步骤2中的微波链路反演降水包括但不限于地基微波链路反演降水、星地微波链路反演降水。
所述一种基于多源数据融合的定量降水估测方法，所述步骤6中采用的基于时空局部模型的质量控制方法，具体为：对每类中的每个样本，利用其周围时空至多N个同类样本，都构建一个时空局部模型，设e为时空局部模型对待质控样本的误差,σ为时空局部模型的标准差，若|e/σ|大于指定的阈值C，则判定该样本异常，并剔除该样本；其中，0.5≤C≤6；若样本达不到要求的数量，则不处理。
所述一种基于多源数据融合的定量降水估测方法，所述步骤7中基于时空局部模型的定量降水估测方法，具体为：对任一降水格点，利用其周围时空至多N个同类样本及时空局部模型，都构建一个降水量与辅助变量之间的关系，并利用这个关系估计该格点对应的降水量；若不能通过建立时空局部模型估测降水，则采用最近的(降水量，辅助变量)关系估测降水。
所述一种基于多源数据融合的定量降水估测方法，所述时空局部模型采用自适应的“半椭球形时空邻域”用于实时估计，“椭球形时空邻域”用于准实时估计，时空距离d根据式I计算得出；
式中，(u0,v0,t0)、(ui,vi,ti)分别为时空位置x0和xi的时空坐标；μ为时空距离变换参数，根据先验知识或采用交叉验证法确定。
所述一种基于多源数据融合的定量降水估测方法，所述步骤9中的业务系统包括数据获取模块、格点化降水落区确定模块、多源数据时空匹配模块、样本构建模块、样本质量控制模块、定量降水估计模块、降水累加模块、定量估测降水反馈模块或其中多个模块的组合。
本发明的有益效果是：通过多源数据和多模型融合，在实现对降水落区的精准监测基础上，进一步提高了定量估测降水的精度。
附图说明
图1为本发明的一种工作场景示意图。
图2为时空距离和时空邻域示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1和2所示，本发明一种基于多源数据融合的定量降水估测方法，所述方法包括以下步骤：
步骤1：确定格点化降水落区；
步骤2：空间上，将微波链路反演降水插值到步骤1中的格点上；时间上，将微波链路反演降水累加成△T分钟时间尺度的降水；
步骤3：空间上，将天气雷达反演降水插值到步骤1中的格点上；时间上，采用时间权重平均法将天气雷达反演降水转换成△T分钟时间尺度的降水；
步骤4：获取△T分钟时间尺度的雨量计观测降水；
步骤5：采用插值方法建立△T分钟时间尺度的(Rg，Rm)、(Rg，Rr)、(Rg，Rm，Rr)三类样本，并分别存储；其中，Rg、Rm、Rr分别代表雨量计、微波链路、天气雷达观测或估测降水量；
步骤6：对步骤5中的三类样本分别采用相应的时空局部模型进行质量控制，并将质量控制结果分别存储；
步骤7：对步骤1中的降水格点，①对只有Rm辅助变量的降水格点，先用步骤6质量控制处理后的(Rg，Rm)样本和相应时空局部模型估测降水，若不能通过建立时空局部模型估测降水，则采用最近的(Rg，Rm)关系估测降水；再采用对残差插值的方法进行订正；②对只有Rr辅助变量的降水格点，先用步骤6质量控制处理后的(Rg，Rr)样本和相应时空局部模型估测降水，若不能通过建立时空局部模型估测降水，则采用最近的(Rg，Rr)关系估测降水；再采用对残差插值的方法进行订正；③对有Rm、Rr辅助变量的降水格点，先用步骤6质量控制处理后的(Rg，Rm，Rr)样本和相应时空局部模型估测降水，若不能通过建立时空局部模型估测降水，则采用最近的(Rg，Rm，Rr)关系估测降水；再采用对残差插值的方法进行订正；④采用插值法估算无辅助变量降水格点的降水量；将结果存储待用；
步骤8：将△T分钟时间尺度的降水累加成其他时间尺度的降水；
步骤9：将定量估测的降水反馈给用户；
步骤10：建立相应的业务系统，重复步骤1-9。
所述一种基于多源数据融合的定量降水估测方法，所述步骤1包括但不限于采用基于多源大数据的方法确定格点化降水落区。
所述一种基于多源数据融合的定量降水估测方法，所述步骤2中的微波链路反演降水包括但不限于地基微波链路反演降水、星地微波链路反演降水。
所述一种基于多源数据融合的定量降水估测方法，所述步骤6中采用的基于时空局部模型的质量控制方法，具体为：对每类中的每个样本，利用其周围时空至多N个同类样本，都构建一个时空局部模型，设e为时空局部模型对待质控样本的误差,σ为时空局部模型的标准差，若|e/σ|大于指定的阈值C，则判定该样本异常，并剔除该样本；其中，0.5≤C≤6；若样本达不到要求的数量，则不处理。
所述一种基于多源数据融合的定量降水估测方法，所述步骤7中基于时空局部模型的定量降水估测方法，具体为：对任一降水格点，利用其周围时空至多N个同类样本及时空局部模型，都构建一个降水量与辅助变量之间的关系，并利用这个关系估计该格点对应的降水量；若不能通过建立时空局部模型估测降水，则采用最近的降水量和辅助变量定量关系估测降水。
所述一种基于多源数据融合的定量降水估测方法，所述时空局部模型采用自适应的“半椭球形时空邻域”用于实时估计，“椭球形时空邻域”用于准实时估计，时空距离d根据式I计算得出；
式中，(u0,v0,t0)、(ui,vi,ti)分别为时空位置x0和xi的时空坐标；μ为时空距离变换参数，根据先验知识或采用交叉验证法确定。
所述一种基于多源数据融合的定量降水估测方法，所述步骤9中的业务系统包括数据获取模块、格点化降水落区确定模块、多源数据时空匹配模块、样本构建模块、样本质量控制模块、定量降水估计模块、降水累加模块、定量估测降水反馈模块或其中多个模块的组合。
另一实施例
以融合海口市雨量计观测降水、海口新一代天气雷达反演降水、海口市微波链路反演降水和海口市“雪亮工程”视频监控数据获取海口市空间分辨率1km×1km、时间分辨率1小时的定量降水估测产品为例，进一步说明本发明的具体实施方式。
步骤1：建立海口市1km×1km的离散网格；
步骤2：从海南省气象部门CIMISS系统获取海口市逐分钟雨量计观测资料并转换成逐分钟降水发生概率；从海口市雪亮工程视频监控系统获取逐分钟视频监控资料并就地采用深度学习的方法转换成降水发生概率；将上述降水发生概率及其对应的时空位置坐标和逐分钟雨量计观测资料及其对应的时空位置坐标分别存储到指定数据库；
步骤3：读取待确定时刻前后30分钟且位于海口市的逐分钟雨量计、视频监控信息对应的降水发生概率和对应的位置坐标、时间，构成降水发生概率样本集；
步骤4：剔除步骤3中降水发生概率样本集中的冗余样本和异常样本；
步骤5：根据步骤4中预处理和质量控制后的样本，采用时空指示克里金计算待确定降水落区时刻海口市内所有格点的降水发生概率；对任一格点，若其降水发生概率P≥0.5，则置其降水发生概率为1，否则置其降水发生概率为0；并将处理结果存储待用；
步骤6：将步骤5中的逐分钟降水发生概率，采用逻辑或运算转换成10分钟时间尺度的降水发生概率；
步骤7：空间上，将海口市微波链路反演降水插值到步骤1中的格点上；时间上，将海口市微波链路反演降水累加成10分钟时间尺度的降水；
步骤8：空间上，将海口新一代天气雷达反演降水插值到步骤1中的格点上；时间上，采用时间权重平均法将海口新一代天气雷达反演降水转换成10分钟时间尺度的降水；
步骤9：将步骤2中1分钟时间尺度的雨量计降水累加成10分钟时间尺度的雨量计观测降水；
步骤10：采用反距离插值方法建立10分钟时间尺度的(Rg，Rm)、(Rg，Rr)、(Rg，Rm，Rr)三类样本，并分别存储；其中，Rg、Rm、Rr分别代表雨量计、微波链路、天气雷达观测或估测降水量；
步骤11：对步骤10中的三类样本分别采用相应的时空局部线性回归模型进行质量控制，并将质量控制结果分别存储；
步骤12：对步骤6中的降水格点，①对只有Rm辅助变量的降水格点，先用步骤6质量控制处理后的(Rg，Rm)样本和相应时空局部线性回归模型估测降水，若不能通过建立时空局部线性回归模型估测降水，则采用最近的(Rg，Rm)关系估测降水；再采用对残差插值的方法进行订正；②对只有Rr辅助变量的降水格点，先用步骤6质量控制处理后的(Rg，Rr)样本和相应时空局部线性回归模型估测降水，若不能通过建立时空局部线性回归模型估测降水，则采用最近的(Rg，Rr)关系估测降水；再采用对残差插值的方法进行订正；③对有Rm、Rr辅助变量的降水格点，先用步骤6质量控制处理后的(Rg，Rm，Rr)样本和相应时空局部线性回归模型估测降水，若不能通过建立时空局部线性回归模型估测降水，则采用最近的(Rg，Rm，Rr)关系估测降水；再采用对残差插值的方法进行订正；④采用反距离插值法估算无辅助变量降水格点的降水量；将结果存储待用；
步骤13：将10分钟时间尺度的降水累加成1小时时间尺度的降水；
步骤14：将定量估测的降水反馈给用户；
步骤15：建立相应的业务系统，重复步骤2-14。
本发明不局限于上述最佳实施方式，任何人在本发明的启示下得出的其他任何与本发明相同或相近似的产品，均落在本发明的保护范围之内。
Claims (7)
1.一种基于多源数据融合的定量降水估测方法，其特征在于：所述方法包括以下步骤：
步骤1：确定格点化降水落区；
步骤2：空间上，将微波链路反演降水插值到步骤1中的格点上；时间上，将微波链路反演降水累加成△T分钟时间尺度的降水；
步骤3：空间上，将天气雷达反演降水插值到步骤1中的格点上；时间上，采用时间权重平均法将天气雷达反演降水转换成△T分钟时间尺度的降水；
步骤4：获取△T分钟时间尺度的雨量计观测降水；
步骤5：采用插值方法建立△T分钟时间尺度的(Rg，Rm)、(Rg，Rr)、(Rg，Rm，Rr)三类样本，并分别存储；其中，Rg、Rm、Rr分别代表雨量计、微波链路、天气雷达观测或估测降水量；
步骤6：对步骤5中的三类样本分别采用相应的时空局部模型进行质量控制，并将质量控制结果分别存储；
步骤7：对步骤1中的降水格点，①对只有Rm辅助变量的降水格点，先用步骤6质量控制处理后的(Rg，Rm)样本和相应时空局部模型估测降水，若不能通过建立时空局部模型估测降水，则采用最近的(Rg，Rm)关系估测降水；再采用对残差插值的方法进行订正；②对只有Rr辅助变量的降水格点，先用步骤6质量控制处理后的(Rg，Rr)样本和相应时空局部模型估测降水，若不能通过建立时空局部模型估测降水，则采用最近的(Rg，Rr)关系估测降水；再采用对残差插值的方法进行订正；③对有Rm、Rr辅助变量的降水格点，先用步骤6质量控制处理后的(Rg，Rm，Rr)样本和相应时空局部模型估测降水，若不能通过建立时空局部模型估测降水，则采用最近的(Rg，Rm，Rr)关系估测降水；再采用对残差插值的方法进行订正；④采用插值法估算无辅助变量降水格点的降水量；将结果存储待用；
步骤8：将△T分钟时间尺度的降水累加成其他时间尺度的降水；
步骤9：将定量估测的降水反馈给用户；
步骤10：建立相应的业务系统，重复步骤1-9。
2.根据权利要求1所述的一种基于多源数据融合的定量降水估测方法，其特征在于：所述步骤1包括但不限于采用基于多源大数据的方法确定格点化降水落区。
3.根据权利要求1所述的一种基于多源数据融合的定量降水估测方法，其特征在于：所述步骤2中的微波链路反演降水包括但不限于地基微波链路反演降水、星地微波链路反演降水。
4.根据权利要求1所述的一种基于多源数据融合的定量降水估测方法，其特征在于：所述步骤6中采用的基于时空局部模型的质量控制方法，具体为：对每类中的每个样本，利用其周围时空至多N个同类样本，都构建一个时空局部模型，设e为时空局部模型对待质控样本的误差,σ为时空局部模型的标准差，若|e/σ|大于指定的阈值C，则判定该样本异常，并剔除该样本；其中，0.5≤C≤6；若样本达不到要求的数量，则不处理。
5.根据权利要求1所述的一种基于多源数据融合的定量降水估测方法，其特征在于：所述步骤7中基于时空局部模型的定量降水估测方法，具体为：对任一降水格点，利用其周围时空至多N个同类样本及时空局部模型，都构建一个降水量与辅助变量之间的关系，并利用这个关系估计该格点对应的降水量；若不能通过建立时空局部模型估测降水，则采用最近的降水量和辅助变量定量关系估测降水。
6.根据权利要求4和5之一所述的一种基于多源数据融合的定量降水估测方法，其特征在于：所述时空局部模型采用自适应的“半椭球形时空邻域”用于实时估计，“椭球形时空邻域”用于准实时估计，时空距离d根据式I计算得出；
式中，(u0,v0,t0)、(ui,vi,ti)分别为时空位置x0和xi的时空坐标；μ为时空距离变换参数，根据先验知识或采用交叉验证法确定。
7.根据权利要求1所述的一种基于多源数据融合的定量降水估测方法，其特征在于：所述步骤10中的业务系统包括数据获取模块、格点化降水落区确定模块、多源数据时空匹配模块、样本构建模块、样本质量控制模块、定量降水估计模块、降水累加模块、定量估测降水反馈模块或其中多个模块的组合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010590142.3A CN111624682B (zh) | 2020-06-24 | 2020-06-24 | 一种基于多源数据融合的定量降水估测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010590142.3A CN111624682B (zh) | 2020-06-24 | 2020-06-24 | 一种基于多源数据融合的定量降水估测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111624682A true CN111624682A (zh) | 2020-09-04 |
| CN111624682B CN111624682B (zh) | 2021-11-30 |
Family
ID=72271483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010590142.3A Active CN111624682B (zh) | 2020-06-24 | 2020-06-24 | 一种基于多源数据融合的定量降水估测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111624682B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112711083A (zh) * | 2021-01-07 | 2021-04-27 | 国网福建省电力有限公司 | 基于自适应权重特征的多源降水数据动态融合方法及系统 |
| US11333797B1 (en) * | 2021-04-14 | 2022-05-17 | China Institute Of Water Resources And Hydropower Research | Method for estimating quantitative precipitation by combining observation data of weather radar and rain gauges |
| CN116521657A (zh) * | 2023-04-06 | 2023-08-01 | 四川省气象探测数据中心 | 一种基于多源数据的地面降水协同质量控制方法 |
| CN116451881B (zh) * | 2023-06-16 | 2023-08-22 | 南京信息工程大学 | 一种基于MSF-Net网络模型的短时降水预测方法 |
| CN116719002A (zh) * | 2023-08-08 | 2023-09-08 | 北京弘象科技有限公司 | 定量降水估计方法、装置、电子设备及计算机存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104656163A (zh) * | 2015-02-04 | 2015-05-27 | 中国人民解放军理工大学 | 一种基于大数据的移动通信网降水分布及动态测量方法 |
| CN105717556A (zh) * | 2016-02-03 | 2016-06-29 | 长江水利委员会水文局 | 一种基于大数据的自分型雷达估测降水方法 |
| CN107918165A (zh) * | 2016-10-09 | 2018-04-17 | 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 |
| CN108761574A (zh) * | 2018-05-07 | 2018-11-06 | 中国电建集团北京勘测设计研究院有限公司 | 基于多源信息融合的降雨量估算方法 |
-
2020
- 2020-06-24 CN CN202010590142.3A patent/CN111624682B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104656163A (zh) * | 2015-02-04 | 2015-05-27 | 中国人民解放军理工大学 | 一种基于大数据的移动通信网降水分布及动态测量方法 |
| CN105717556A (zh) * | 2016-02-03 | 2016-06-29 | 长江水利委员会水文局 | 一种基于大数据的自分型雷达估测降水方法 |
| CN107918165A (zh) * | 2016-10-09 | 2018-04-17 | 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 |
| CN108761574A (zh) * | 2018-05-07 | 2018-11-06 | 中国电建集团北京勘测设计研究院有限公司 | 基于多源信息融合的降雨量估算方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112711083A (zh) * | 2021-01-07 | 2021-04-27 | 国网福建省电力有限公司 | 基于自适应权重特征的多源降水数据动态融合方法及系统 |
| CN112711083B (zh) * | 2021-01-07 | 2022-07-05 | 国网福建省电力有限公司 | 基于自适应权重特征的多源降水数据动态融合方法及系统 |
| US11333797B1 (en) * | 2021-04-14 | 2022-05-17 | China Institute Of Water Resources And Hydropower Research | Method for estimating quantitative precipitation by combining observation data of weather radar and rain gauges |
| CN116521657A (zh) * | 2023-04-06 | 2023-08-01 | 四川省气象探测数据中心 | 一种基于多源数据的地面降水协同质量控制方法 |
| CN116521657B (zh) * | 2023-04-06 | 2024-05-28 | 四川省气象探测数据中心 | 一种基于多源数据的地面降水协同质量控制方法 |
| CN116451881B (zh) * | 2023-06-16 | 2023-08-22 | 南京信息工程大学 | 一种基于MSF-Net网络模型的短时降水预测方法 |
| CN116719002A (zh) * | 2023-08-08 | 2023-09-08 | 北京弘象科技有限公司 | 定量降水估计方法、装置、电子设备及计算机存储介质 |
| CN116719002B (zh) * | 2023-08-08 | 2023-10-27 | 北京弘象科技有限公司 | 定量降水估计方法、装置、电子设备及计算机存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111624682B (zh) | 2021-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111624682B (zh) | 一种基于多源数据融合的定量降水估测方法 | |
| CN111027175B (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
| CN107316095B (zh) | 一种耦合多源数据的区域气象干旱等级预测方法 | |
| CN109934515B (zh) | 一种作物精量灌溉决策方法及系统 | |
| US20170228743A1 (en) | Crop forecasting with incremental feature selection and spectrum constrained scenario generation | |
| CN108764643B (zh) | 大范围作物病害风险评估方法 | |
| Saxena et al. | A review study of weather forecasting using artificial neural network approach | |
| Ratri et al. | A comparative verification of raw and bias-corrected ECMWF seasonal ensemble precipitation reforecasts in Java (Indonesia) | |
| Baik et al. | Agricultural drought assessment based on multiple soil moisture products | |
| CN116910041B (zh) | 一种基于尺度分析的遥感降水产品的逐日订正方法 | |
| CN114936201A (zh) | 基于自适应分块神经网络模型的卫星降水数据校正方法 | |
| CN115755221A (zh) | 一种基于数理不确定性分析的多源降水数据融合方法 | |
| Kang et al. | Examining the Impact of Weather Factors on Yield Industry Vitalization on Big Data Foundation Technique | |
| DeGaetano et al. | Radar‐guided interpolation of climatological precipitation data | |
| Xiang et al. | Real-Time streamflow forecasting framework, implementation and post-analysis using deep learning | |
| CN113139347A (zh) | 一种林地旱灾风险预警方法 | |
| Zhou et al. | Daily rainfall model to merge TRMM and ground based observations for rainfall estimations | |
| Cavalli et al. | A Machine Learning Approach for NDVI Forecasting based on Sentinel-2 Data. | |
| CN113821895B (zh) | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 | |
| CN115758232A (zh) | 一种基于拟合模型的小麦苗情分类方法及系统 | |
| Subash et al. | A simple rationally integrated drought indicator for rice–wheat productivity | |
| Yang et al. | Seasonal prediction of crop yields in Ethiopia using an analog approach | |
| Zhou et al. | Intelligent spatial interpolation-based frost prediction methodology using artificial neural networks with limited local data | |
| Yin et al. | Estimation of precipitation data by using deterministic interpolation methods: A case study in Penang Island | |
| Zhuang et al. | Integrating data assimilation, crop model, and machine learning for winter wheat yield forecasting in the North China Plain |
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 |