CN111638565A - 一种山区暴雨监测方法 - Google Patents
一种山区暴雨监测方法 Download PDFInfo
- Publication number
- CN111638565A CN111638565A CN202010516966.6A CN202010516966A CN111638565A CN 111638565 A CN111638565 A CN 111638565A CN 202010516966 A CN202010516966 A CN 202010516966A CN 111638565 A CN111638565 A CN 111638565A
- Authority
- CN
- China
- Prior art keywords
- satellite
- cloud
- data
- rainstorm
- mountainous area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 238000001556 precipitation Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012937 correction Methods 0.000 claims description 16
- 230000000877 morphologic effect Effects 0.000 claims description 11
- 238000000611 regression analysis Methods 0.000 claims description 9
- 238000013213 extrapolation Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012314 multivariate regression analysis Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0014—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation from gases, flames
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
- G01N22/04—Investigating moisture content
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种山区暴雨监测方法，包括：获取卫星资料、地面基本站及自动站降水资料；对卫星资料进行预处理，得到卫星图像和卫星资源数据；对卫星图像进行处理，得到山区暴雨云团图像；基于卫星资源数据对山区暴雨云团图像进行处理，识别出山区暴雨云团；对山区暴雨云团进行自动追踪并进行预报；基于卫星资源数据和地面基本站及自动站降水资料建立卫星定量降水估测模型，根据卫星定量降水估测模型对预报后的山区暴雨云团进行定量降水估测。本申请可以实现对偏僻山区的暴雨监测。
Description
技术领域
本申请涉及大气监测技术领域，尤其涉及一种山区暴雨监测方法。
背景技术
暴雨会导致洪水、滑坡和泥石流等自然灾害，因此需要对暴雨做到准确预报并提前防范才能避免或减轻一系列自然灾害。预测暴雨需要观测到天空中的暴雨云团，通过准确识别暴雨云团位置和范围，可以进一步预测暴雨的位置和范围，从而实现监测。
现有技术一般利用多普勒雷达实现对特定区域的观测，固定周期会输出相应地区的观测图像和相关数据，从而实现对暴雨的预测。
然而本发明的申请人发现，多普勒雷达观测会受到大气等因素影响导致准确率不高，同时雷达的观测范围小，特别是对一些偏僻山区观测范围不能覆盖，导致无法监测到暴雨。即现有技术存在无法对偏僻山区进行暴雨监测的缺点。
发明内容
本申请提供了一种山区暴雨监测方法，以解决现有技术无法对偏僻山区进行暴雨监测的问题。
为了解决上述技术问题，本申请实施例公开了如下技术方案：
本申请提供了一种山区暴雨监测方法，该方法包括：
获取卫星资料、地面基本站及自动站降水资料；
对所述卫星资料进行预处理，得到卫星图像和卫星资源数据；
对所述卫星图像进行处理，得到山区暴雨云团图像；
基于所述卫星资源数据对所述山区暴雨云团图像进行处理，识别出山区暴雨云团；
对所述山区暴雨云团进行自动追踪并进行预报；
基于所述卫星资源数据和所述地面基本站及自动站降水资料建立卫星定量降水估测模型，根据所述卫星定量降水估测模型对预报后的山区暴雨云团进行定量降水估测。
可选的，所述对卫星资料进行预处理，包括：
将所述卫星资料进行拼接处理，所述卫星资料包括：卫星轨道影像；
将处理后的卫星资料进行几何校正；
将校正后的卫星资料转换为预设的格式。
可选的，所述卫星资源数据包括：分辨率光谱成像仪数据、可见光红外扫描辐射计数据和微波湿度计数据。
可选的，所述对所述卫星图像数据进行处理，包括：
对所述卫星图像进行剪裁处理，得到山区云团初始图像；
对所述山区云团初始图像进行图像二值化处理；
将处理后的山区云团初始图像进行滤波去噪处理。
可选的，所述基于所述卫星资源数据对所述山区暴雨云团图像进行处理，识别出山区暴雨云团，包括：
结合所述卫星资源数据对所述山区暴雨云团图像进行分析，得到山区暴雨云团形态特征；
基于所述山区暴雨云团形态特征识别出山区暴雨云团；
其中，所述山区暴雨云团形态特征包括：云团边缘、云团骨架、云团中心点、云团质心点、云团面积、云团圆形度和云团平均亮温值。
可选的，所述云团中心点的获取方法包括：
其中：
m为区域像素点个数；
lon(i)和lat(i)分别为第i个像素点的经纬度。
可选的，所述云团质心点的获取方法包括：
其中：
m为区域像素点个数；
sf为区域内像素值和；
f(i)为第i个像素点的像素值。
可选的，所述对所述山区暴雨云团进行自动追踪并进行预报，包括：
保存所有时间段的暴雨云团识别结果，并构建暴雨云团动态的四维空间存储结构；
基于所述四维空间存储结构获取山区暴雨云团的时间序列，根据所述时间序列对山区暴雨云团进行追踪；
对追踪到的山区暴雨云团进行外推预报，预报指标包括：云团位置、云团面积和云团强度。
可选的，所述基于所述卫星资源数据和所述地面基本站及自动站降水资料建立卫星定量降水估测模型，包括：
对所述卫星资源数据进行采样，得到样本训练数据；对所述样本训练数据进行归一化处理，得到归一化样本数据；
基于相关分析法对所述卫星资源数据进行处理，得到云团特征参数；
基于多元回归分析方法对所述归一化样本数据、所述云团特征参数、所述地面基本站及自动站降水资料进行处理，得到卫星定量降水估测订正方程；
基于scikit-learn机器学习算法对所述卫星定量降水估测订正方程进行求解，得到卫星定量降水估测模型。
与现有技术相比，本申请的有益效果为：
本申请提供了一种山区暴雨监测方法，包括：获取卫星资料、地面基本站及自动站降水资料；对卫星资料进行预处理，得到卫星图像和卫星资源数据；对卫星图像进行处理，得到山区暴雨云团图像；基于卫星资源数据对山区暴雨云团图像进行处理，识别出山区暴雨云团；对山区暴雨云团进行自动追踪并进行预报；基于卫星资源数据和地面基本站及自动站降水资料建立卫星定量降水估测模型，根据卫星定量降水估测模型对预报后的山区暴雨云团进行定量降水估测。本申请利用卫星对暴雨进行监测，覆盖率高，同时结合卫星的红外、可见光和水汽资源等数据进行连续监测并对天气进行分析，可以得到暴雨云团的演变信息，准确率高，从而对偏僻山区是否会发生暴雨实现了准确监测。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的山区暴雨监测方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
参见图1，为本申请实施例提供的山区暴雨监测方法的流程示意图。参照图1可知，该方法包括以下步骤：
S1、获取卫星资料、地面基本站及自动站降水资料；
S2、对上述卫星资料进行预处理，得到卫星图像和卫星资源数据；
S3、对上述卫星图像进行处理，得到山区暴雨云团图像；
S4、基于上述卫星资源数据对上述山区暴雨云团图像进行处理，识别出山区暴雨云团；
S5、对上述山区暴雨云团进行自动追踪并进行预报；
S6、基于上述卫星资源数据和上述地面基本站及自动站降水资料建立卫星定量降水估测模型，根据上述卫星定量降水估测模型对预报后的山区暴雨云团进行定量降水估测。
下面对各个步骤进行详细说明。
在步骤S1中，获取卫星资料、地面基本站及自动站降水资料。
在本申请实施例中，采用FY3-C/D卫星对暴雨进行监测。FY3-C/D卫星属于极轨卫星，每5分钟产生一个轨道文件作为卫星资料。
具体的，卫星资料为卫星轨道影像。
在步骤S2中，对卫星资料进行预处理，得到卫星图像和卫星资源数据。
具体的，预处理过程包括：
S201、将上述卫星资料进行拼接处理。
本申请实施例考虑到卫星经过监测研究区域时图像可能分开位于相邻两个文件上，因此需要进行卫星轨道影像的拼接。
S202、将处理后的卫星资料进行几何校正。
FY3-C/D卫星L1级产品数据格式为HDF5，其通道网格数据集和经纬度数据集、定标系数等属性信息是分离的，而且经线、纬线呈不规则的曲线，各个通道的定标系数因光谱响应差异也不同，要获得具有地理定位的通道反射率和辐射亮温数据以备进一步分析应用，需要进行几何校正。
具体的，本申请实施例利用GLT几何校正法直接对FY3图像进行几何校正。因为FY3数据包含每个像元的经纬度信息，像元的纬度数据存放在“Latitude”数据集中，经度数据存放在“Longitude”数据集中。
GLT几何校正法(GeographicLookupTable,GLT)为现有技术，是根据输入的经纬度数据，生成一个地理位置查找表文件，该文件中包含了某个初始影像像元在校正后影像中的实际地理位置信息。地理位置查找表文件是一个二维图像文件，文件中包含的两个波段分别代表校正后影像的行和列。文件对应的灰度值表示原始影像每个像素对应的地理位置坐标信息，用有符号整型储存。当符号为正时，说明该像元使用了真实的像元位置值；符号为负时，说明使用了邻近像元的位置值，值为0则说明周围7个像元内没有邻近像元位置值。GLT文件包含了初始影像中每个像元的地理定位信息，避免了通过地面控制点利用二次多项式几何校正法对低分辨率影像数据的处理，校正精度很高。
S203、将校正后的卫星资料转换为预设的格式。
具体的，对拼接和校正后的卫星资料进行格式转换，根据需要输出为TIF、MICAPS4等其他数据格式。
本申请实施例可得到以下卫星资源数据：分辨率光谱成像仪(MERSI)数据、可见光红外扫描辐射计(VIRR)数据和微波湿度计(MWHS)数据。
其中：FY3卫星上装载的可见光红外扫描辐射计VIRR(VisibleandInfraredRadiometer)有10个1公里分辨率的观测通道，其中既包含高灵敏度的可见光通道，又包含三个红外大气窗区通道。可见光红外扫描辐射计主要可用于对全球云量进行监测，判识云高、云的类型和相态，探测地表温度和海洋水色，监测植被生长状况，监测高温火电，识别地表覆盖类型等。VIRR的热红外通道对下垫面辐射变化敏感，主要用于地表特征参数的提取。中分辨率光谱成像仪MERSI(MediumResolutionSpectralImager)具有多光谱和高分辨率的特点，具备从可见光到热红外20个通道的探测能力，可探测大气、陆地、海洋的可见光反射辐射和热红外发射的辐射。MERSI可以对植被、生态、地表覆盖类型等陆表特性，实现全球遥感监测。微波湿度计(MWHS)数据是探测全球大气湿度廓线及强降雨。
在步骤S3中，获取山区暴雨云团图像。具体包括：
S301、对上述卫星图像进行剪裁处理，得到山区云团初始图像。
原始图像包括了大面积地区，为了减少计算量，加强计算分析的针对性，首先对原始图像进行剪裁处理，提取目标山区云图作为初始图像。
S302、对上述山区云团初始图像进行图像二值化处理。
具体的，图像二值化为现有技术，是从一个多灰度级图像经过一定的处理方法转变为只有两灰度级图像的过程。图像二值化分割算法，是一个研究丰硕的领域，有许多不同种类的算法。本文使用的是阈值二值化方法。
在本申请实施例中，图像二值化的阈值标准选择与中尺度对流云团识别标准的亮温值相同，即：A标准为-32℃，B标准为-52℃作为亮温阈值，低于阈值的像素点采用1标记，其它采用0标记。
S303、将处理后的山区云团初始图像进行滤波去噪处理。
需要说明的是，得到的最初二值图像有很多问题，例如噪声点和毛刺，大云块内部有小洞，细碎云块繁多等，这些会给后续的特征提取带来不便，因此本申请实施例进行去噪处理，提取若干主要云块。
具体的，本申请实施例的滤波处理采用均值滤波和中值滤波等方法消除尖状噪声干扰，对图像进行处理，以便后面目标识别和特征提取。
均值滤波法：
对于(m，n)点，采用(m，n)点周围k×k大小的子窗口内像素平均值的中间值代替(m，n)点的像素值。
中值滤波方法：
对于(m，n)点，采用(m，n)点周围k×k大小的子窗口内所有像素值的中间值代替(m，n)点的像素值。
在步骤S4中，基于上述卫星资源数据对上述山区暴雨云团图像进行处理，识别出山区暴雨云团。
具体的，包括：
结合上述卫星资源数据对上述山区暴雨云团图像进行分析，得到山区暴雨云团形态特征。基于上述山区暴雨云团形态特征识别出山区暴雨云团。
云团形态特征包括：云团类型、云团边缘、云团骨架、云团中心点、云团面积、云团偏心率等形态特征。
在本申请实施例中，选取的山区暴雨云团形态特征包括：云团边缘、云团骨架、云团中心点、云团质心点、云团面积、云团圆形度和云团平均亮温值。
其中：
获取云团边缘：
具体的，图像的边缘是图像的一个重要特征，它可以用较少的信息量来确定图像的位置、形状及面积等特征。
本申请实施例设定待检测的云团为集合A，它的边界为B(A)，先通过B对A腐蚀，再用A减去腐蚀部分得到云团边缘。
获取云团骨架：
具体的，图像的骨架是描述图像的几何形状及拓扑性质的主要特征之一，对图像求骨架的过程叫做细化。本申请实施例对图像的边缘进行层层提取，直至只剩下一个像素宽为止，剩下的这条线就是所求的云团骨架。
获取云团中心点：
需要说明的是，本申请实施例在二值图像基础上标识各个目标，然后提取各个目标的中心点、质心点、面积、圆形度、平均亮温值等特征。去掉面积小于1万平方公里或圆形度小于0.5的目标，剩余的目标为可能的暴雨云团
具体的，几何中心点的经纬度如下：
其中：
m为区域像素点个数；
lon(i)和lat(i)分别为第i个像素点的经纬度。
获取云团质心点：
区域像素值质量中心点(即质心点)的经纬度如下：
其中：
m为区域像素点个数；
sf为区域内像素值和；
f(i)为第i个像素点的像素值。
质心点与几何中心点都可以标识暴雨云团的位置，二者的偏差可以用于暴雨云团质量偏移方向判断。例如，质心位于几何中心的右侧，表明暴雨云团的冷区偏向东侧，即东侧温度低于西侧。
获取云团面积：
云区的球面面积，其计算是按照云区边界点构成的球面多边形计算得到的，该特征衡量云区的范围和强度。
获取云团圆形度：
圆形度是在面积和周长基础上计算得到的，用于衡量云区形状的复杂程度。即:
其中，e为圆形度，s为面积，l为周长。对于圆，半径为r，面积为πr2。
周长为2πr，圆形度为1。形状越复杂，其圆形度越小。
获取云团平均亮温值：
云区平均亮温值为云团内各个像素值的平均值，用于衡量暴雨云团的强度。即:
在步骤S5中，对上述山区暴雨云团进行自动追踪并进行预报。
包括以下步骤：
S501、保存所有时间段的暴雨云团识别结果，并构建暴雨云团动态的四维空间存储结构。
具体的，为了对暴雨云团进行时间序列追踪，需要保存各个时间步的暴雨云团识别结果。每个时间步可能包含多个暴雨云团，不同的时间步包含的暴雨云团数量也可能不同，因此暴雨云团的存储是一个动态的四维空间结构。
S502、基于上述四维空间存储结构获取山区暴雨云团的时间序列，根据上述时间序列对山区暴雨云团进行追踪。
具体的，自动追踪的目的是形成各个目标的时间序列，进而计算运动目标的位置移动以及面积、强度等特征的变化。根据追踪得到的时间序列，外推预警目标未来数小时的移动和强度变化。自动追踪的实现基础是上述四维空间存储结构。通过构造各个目标的时间序列，形成指向下一个时间步中相同目标的指针。自动追踪的具体实现，就是相邻时间步中目标的对比。这种对比完全按照描述目标的特征进行，其中关键的对比包括:
当位置差不超过50米/秒时(1小时最大移动距离不超过180公里)，通过质心位置差计算。
当面积差不超过5平方公里/秒时(1小时最大面积差不超过18000平方公里)，通过面积差计算。
当强度差不超过0.001度/秒时(1小时最大强度差不超过3.6度)，通过平均强度差计算。
如果相邻时间步中两个目标满足上述关系，则认为是相同目标。存储结构中，前一时间步的目标时间指针指向后一时间步的相同目标。
追踪后有可能出现两种特殊情况:一是前一时间步中多个目标指向后一时间步的一个目标，一是前一时间步中的一个目标指向后一时间步的多个目标。第一种情况为目标的合并，第二种情况为目标的分裂。
S503、对追踪到的山区暴雨云团进行外推预报，预报指标包括：云团位置、云团面积和云团强度。
本申请实施例中，对山区暴雨云团进行外推预报具体包括：
外推预报指标和时效：
外推预报就是根据运动目标过去若干时次的位置、面积和强度等指标的变化情况，综合预报未来数个时次运动目标的位置和强度。在实验过程中，外推预报的时效为1个小时，预报时间间隔为30分钟。预报指标包括:位置、面积和强度。
外推预报方法：
在没有其它气象资料参考时，外推预报是根据目标云团过去若干时次的特征量，采用最小二乘法进行线性拟合，由拟合得到的回归直线和目标最后时次的特征预测目标未来时间间隔30分钟的2个时次的特征变化。最后时间步的某个目标，按照时间链获取该目标的时间序列，根据目标的特征变化反向线性外推得到未来1小时内的变化。
在步骤S6中，基于上述卫星资源数据和上述地面基本站及自动站降水资料建立卫星定量降水估测模型，根据上述卫星定量降水估测模型对预报后的山区暴雨云团进行定量降水估测。
具体的，卫星定量降水估测模型的获取方法包括：
S6011、对所述卫星资源数据进行采样，得到样本训练数据；对所述样本训练数据进行归一化处理，得到归一化样本数据。
本申请的发明人研究发现，大量线性的降水预报研究表明亮温与降水有密切的关系。鉴于此，样本训练数据釆用红外1、红外2、水汽、可见光通道的亮温资料，并将样本训练数据进行归一化处理。其处理公式如下：
t＝(t-tmin)/(tmax-tmin)
其中：
tmin和tmax分别是训练样本数据集中特征量的最大和最小值；
t是进行归一化处理后得到的输入因子。
由此可得到用于统计分析的归一化样本数据。
S6012、基于相关分析法对上述卫星资源数据进行处理，得到云团特征参数。
具体的，相关分析法为现有技术，是研究两个或两个以上处于同等地位的随机变量间的相关关系的统计分析方法。
S6013、基于多元回归分析方法对上述归一化样本数据、上述云团特征参数、上述地面基本站及自动站降水资料进行处理，得到卫星定量降水估测订正方程。
具体的，多元回归分析方法为现有技术，是研究多个变量之间关系的回归分析方法，按因变量和自变量的数量对应关系可划分为一个因变量对多个自变量的回归分析(简称为"一对多"回归分析)及多个因变量对多个自变量的回归分析(简称为"多对多"回归分析)，按回归模型类型可划分为线性回归分析和非线性回归分析。
S6014、基于scikit-learn机器学习算法对上述卫星定量降水估测订正方程进行求解，得到卫星定量降水估测模型。
具体的，scikit-learn(简称sklearn)机器学习算法为现有技术，是一个机器学习的Python库，基于BSD开源许可证。scikit-learn的基本功能主要被分为六个部分：分类、回归、聚类、数据降维、模型选择和数据预处理。常用的分类器包括SVM、KNN、贝叶斯、线性回归、逻辑回归、决策树、随机森林、xgboost、GBDT、boosting、神经网络NN。常见的降维方法包括TF-IDF、主题模型LDA、主成分分析PCA等等。
在本申请实施例中，借助scikit-learn机器学习算法进行统计分析，计算相关性和显著性检验，选择定量降水估测相关因子，对上述卫星定量降水估测订正方程进行解算，得到卫星定量降水估测回归模型。
S602、根据上述卫星定量降水估测模型对预报后的山区暴雨云团进行定量降水估测。
本申请实施例运用卫星定量降水估测模型，根据FY3-C/D卫星实时观测资料估测定量降水，具体的，FY3-C/D的实时观测资料包括总可降水量、地面可降水率、大气温度廓线、水汽廓线、地表土壤水分等。
本申请实施例利用了地面基本站及自动站降水资料，增加样本空间的大小，增加了定量降水估测模型的稳定性及预报精度。实现定量降水估测的客观化和业务化。
综上所述，与现有技术相比，具备以下有益效果：
本申请实施例利用卫星进行监测，卫星的不间断运行可以持续获取数据，可以覆盖全国，从而监测到偏僻山区，同时结合FY-3C/D/E等静止卫星的红外、可见光、水汽通道的连续监测与天气系统的配合分析，可以获取山区暴雨云团的发展演变信息，实现对山区暴雨的准确监测。
由于以上实施方式均是在其他方式之上引用结合进行说明，不同实施例之间均具有相同的部分，本说明书中各个实施例之间相同、相似的部分互相参见即可。在此不再详细阐述。
需要说明的是，在本说明书中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或暗示这些实体或操作之间存在任何这种实际的关系或顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的电路结构、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种电路结构、物品或者设备所固有的要素。在没有更多限制的情况下，有语句“包括一个......”限定的要素，并不排除在包括所述要素的电路结构、物品或者设备中还存在另外的相同要素。
本领域技术人员在考虑说明书及实践这里发明的公开后，将容易想到本申请的其他实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求的内容指出。以上所述的本申请实施方式并不构成对本申请保护范围的限定。
Claims (9)
1.一种山区暴雨监测方法，其特征在于，所述方法包括：
获取卫星资料、地面基本站及自动站降水资料；
对所述卫星资料进行预处理，得到卫星图像和卫星资源数据；
对所述卫星图像进行处理，得到山区暴雨云团图像；
基于所述卫星资源数据对所述山区暴雨云团图像进行处理，识别出山区暴雨云团；
对所述山区暴雨云团进行自动追踪并进行预报；
基于所述卫星资源数据和所述地面基本站及自动站降水资料建立卫星定量降水估测模型，根据所述卫星定量降水估测模型对预报后的山区暴雨云团进行定量降水估测。
2.根据权利要求1所述的监测方法，其特征在于，所述对卫星资料进行预处理，包括：
将所述卫星资料进行拼接处理，所述卫星资料包括：卫星轨道影像；
将处理后的卫星资料进行几何校正；
将校正后的卫星资料转换为预设的格式。
3.根据权利要求1所述的监测方法，其特征在于，所述卫星资源数据包括：分辨率光谱成像仪数据、可见光红外扫描辐射计数据和微波湿度计数据。
4.根据权利要求1所述的监测方法，其特征在于，所述对所述卫星图像进行处理，包括：
对所述卫星图像进行剪裁处理，得到山区云团初始图像；
对所述山区云团初始图像进行图像二值化处理；
将处理后的山区云团初始图像进行滤波去噪处理。
5.根据权利要求1所述的监测方法，其特征在于，所述基于所述卫星资源数据对所述山区暴雨云团图像进行处理，识别出山区暴雨云团，包括：
结合所述卫星资源数据对所述山区暴雨云团图像进行分析，得到山区暴雨云团形态特征；
基于所述山区暴雨云团形态特征识别出山区暴雨云团；
其中，所述山区暴雨云团形态特征包括：云团边缘、云团骨架、云团中心点、云团质心点、云团面积、云团圆形度和云团平均亮温值。
6.根据权利要求5所述的监测方法，其特征在于，所述云团中心点的获取方法包括：
其中：
m为区域像素点个数；
lon(i)和lat(i)分别为第i个像素点的经纬度。
7.根据权利要求5所述的监测方法，其特征在于，所述云团质心点的获取方法包括：
其中：
m为区域像素点个数；
sf为区域内像素值和；
f(i)为第i个像素点的像素值。
8.根据权利要求1所述的监测方法，其特征在于，所述对所述山区暴雨云团进行自动追踪并进行预报，包括：
保存所有时间段的暴雨云团识别结果，并构建暴雨云团动态的四维空间存储结构；
基于所述四维空间存储结构获取山区暴雨云团的时间序列，根据所述时间序列对山区暴雨云团进行追踪；
对追踪到的山区暴雨云团进行外推预报，预报指标包括：云团位置、云团面积和云团强度。
9.根据权利要求1所述的监测方法，其特征在于，所述基于所述卫星资源数据和所述地面基本站及自动站降水资料建立卫星定量降水估测模型，包括：
对所述卫星资源数据进行采样，得到样本训练数据；对所述样本训练数据进行归一化处理，得到归一化样本数据；
基于相关分析法对所述卫星资源数据进行处理，得到云团特征参数；
基于多元回归分析方法对所述归一化样本数据、所述云团特征参数、所述地面基本站及自动站降水资料进行处理，得到卫星定量降水估测订正方程；
基于scikit-learn机器学习算法对所述卫星定量降水估测订正方程进行求解，得到卫星定量降水估测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010516966.6A CN111638565A (zh) | 2020-06-09 | 2020-06-09 | 一种山区暴雨监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010516966.6A CN111638565A (zh) | 2020-06-09 | 2020-06-09 | 一种山区暴雨监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111638565A true CN111638565A (zh) | 2020-09-08 |
Family
ID=72329991
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010516966.6A Pending CN111638565A (zh) | 2020-06-09 | 2020-06-09 | 一种山区暴雨监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111638565A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418500A (zh) * | 2020-11-16 | 2021-02-26 | 中科星图股份有限公司 | 一种基于多源数据及复杂模型融合对山区降雨天气预警方法 |
| CN112464920A (zh) * | 2021-02-01 | 2021-03-09 | 中国人民解放军国防科技大学 | 基于极端随机树的fy-3d红外高光谱云检测方法 |
| CN113570642A (zh) * | 2021-06-10 | 2021-10-29 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于背景场资料和机器学习的静止轨道卫星对流初生预警方法 |
| CN114185114A (zh) * | 2022-02-16 | 2022-03-15 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 降水预报落区的订正方法、装置、电子设备及介质 |
| CN115169938A (zh) * | 2022-07-21 | 2022-10-11 | 河南省气候中心(河南省气候变化监测评估中心) | 一种区域性暴雨灾害风险评估方法 |
| WO2022239417A1 (ja) * | 2021-05-11 | 2022-11-17 | 古野電気株式会社 | 学習モデルの生成方法、コンピュータプログラム、マイクロ波放射計及び推定方法 |
| WO2022239416A1 (ja) * | 2021-05-11 | 2022-11-17 | 古野電気株式会社 | 学習モデルの生成方法、コンピュータプログラム、推定方法及び推定装置 |
| CN116047631A (zh) * | 2023-03-31 | 2023-05-02 | 中科星图维天信(北京)科技有限公司 | 降水预报方法、装置、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101937078A (zh) * | 2009-06-30 | 2011-01-05 | 深圳市气象局 | 基于边界识别追踪技术的雷暴云团的临近预报方法和系统 |
| 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 |
| CN106023177A (zh) * | 2016-05-14 | 2016-10-12 | 吉林大学 | 一种气象卫星云图的雷暴云识别方法和系统 |
| CN108646319A (zh) * | 2018-08-09 | 2018-10-12 | 深圳市雅码科技有限公司 | 一种短时强降雨预报方法及系统 |
| 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 |
| CN110458878A (zh) * | 2019-08-14 | 2019-11-15 | 大连海事大学 | 一种基于特征匹配跟踪算法的降水云团跟踪方法 |
| CN110579823A (zh) * | 2019-09-02 | 2019-12-17 | 中国电力科学研究院有限公司 | 一种强降雨短临预报方法及系统 |
-
2020
- 2020-06-09 CN CN202010516966.6A patent/CN111638565A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101937078A (zh) * | 2009-06-30 | 2011-01-05 | 深圳市气象局 | 基于边界识别追踪技术的雷暴云团的临近预报方法和系统 |
| 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 |
| CN106023177A (zh) * | 2016-05-14 | 2016-10-12 | 吉林大学 | 一种气象卫星云图的雷暴云识别方法和系统 |
| 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 |
| CN108646319A (zh) * | 2018-08-09 | 2018-10-12 | 深圳市雅码科技有限公司 | 一种短时强降雨预报方法及系统 |
| CN110458878A (zh) * | 2019-08-14 | 2019-11-15 | 大连海事大学 | 一种基于特征匹配跟踪算法的降水云团跟踪方法 |
| CN110579823A (zh) * | 2019-09-02 | 2019-12-17 | 中国电力科学研究院有限公司 | 一种强降雨短临预报方法及系统 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418500A (zh) * | 2020-11-16 | 2021-02-26 | 中科星图股份有限公司 | 一种基于多源数据及复杂模型融合对山区降雨天气预警方法 |
| CN112464920A (zh) * | 2021-02-01 | 2021-03-09 | 中国人民解放军国防科技大学 | 基于极端随机树的fy-3d红外高光谱云检测方法 |
| WO2022239417A1 (ja) * | 2021-05-11 | 2022-11-17 | 古野電気株式会社 | 学習モデルの生成方法、コンピュータプログラム、マイクロ波放射計及び推定方法 |
| WO2022239416A1 (ja) * | 2021-05-11 | 2022-11-17 | 古野電気株式会社 | 学習モデルの生成方法、コンピュータプログラム、推定方法及び推定装置 |
| CN113570642A (zh) * | 2021-06-10 | 2021-10-29 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于背景场资料和机器学习的静止轨道卫星对流初生预警方法 |
| CN113570642B (zh) * | 2021-06-10 | 2024-01-05 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于背景场资料和机器学习的静止轨道卫星对流初生预警方法 |
| CN114185114A (zh) * | 2022-02-16 | 2022-03-15 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 降水预报落区的订正方法、装置、电子设备及介质 |
| CN115169938A (zh) * | 2022-07-21 | 2022-10-11 | 河南省气候中心(河南省气候变化监测评估中心) | 一种区域性暴雨灾害风险评估方法 |
| CN116047631A (zh) * | 2023-03-31 | 2023-05-02 | 中科星图维天信(北京)科技有限公司 | 降水预报方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111638565A (zh) | 一种山区暴雨监测方法 | |
| Wangchuk et al. | Mapping of glacial lakes using Sentinel-1 and Sentinel-2 data and a random forest classifier: Strengths and challenges | |
| Marquez et al. | Intra-hour DNI forecasting based on cloud tracking image analysis | |
| KR102540762B1 (ko) | 위성영상을 이용한 저수지 모니터링 방법 | |
| Ayet et al. | Nowcasting solar irradiance using an analog method and geostationary satellite images | |
| Behrangi et al. | Daytime precipitation estimation using bispectral cloud classification system | |
| Håkansson et al. | Neural network cloud top pressure and height for MODIS | |
| Kurtz et al. | A sea-ice lead detection algorithm for use with high-resolution airborne visible imagery | |
| Tebbi et al. | Artificial intelligence systems for rainy areas detection and convective cells' delineation for the south shore of Mediterranean Sea during day and nighttime using MSG satellite images | |
| Lopez-Acosta et al. | Ice Floe Tracker: An algorithm to automatically retrieve Lagrangian trajectories via feature matching from moderate-resolution visual imagery | |
| KR102496740B1 (ko) | 위성영상 기반 저수지 수표면적 분석 시스템 및 방법 | |
| CN115437036A (zh) | 一种基于葵花卫星的对流初生预报方法 | |
| Scott et al. | Retrieval of ice/water observations from synthetic aperture radar imagery for use in lake ice data assimilation | |
| Liu et al. | An object-oriented daytime land-fog-detection approach based on the mean-shift and full lambda-schedule algorithms using EOS/MODIS data | |
| Bensafi et al. | Novel WkNN-based technique to improve instantaneous rainfall estimation over the north of Algeria using the multispectral MSG SEVIRI imagery | |
| Lee et al. | New approach for snow cover detection through spectral pattern recognition with MODIS data | |
| Uddstrom et al. | A Bayesian cloud mask for sea surface temperature retrieval | |
| Wakabayashi et al. | Flooded rice paddy detection using sentinel-1 and planetscope data: a case study of the 2018 spring flood in West Java, Indonesia | |
| Reuter et al. | The CM-SAF and FUB cloud detection schemes for SEVIRI: Validation with synoptic data and initial comparison with MODIS and CALIPSO | |
| Meyer et al. | Revealing the potential of spectral and textural predictor variables in a neural network-based rainfall retrieval technique | |
| Paul et al. | Improved machine-learning-based open-water–sea-ice–cloud discrimination over wintertime Antarctic sea ice using MODIS thermal-infrared imagery | |
| Shaffery et al. | Automated construction of clear-sky dictionary from all-sky imager data | |
| Reguiegue et al. | Automatic day time cloud detection over land and sea from MSG SEVIRI images using three features and two artificial intelligence approaches | |
| Sharma et al. | A review on physical and data-driven based nowcasting methods using sky images | |
| KR102476565B1 (ko) | Sar 레이더 영상의 통계적 특성을 이용한 호소의 부유성 폐기물 탐지시스템 및 그 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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200908 |