CN111913236A - 气象数据处理方法、装置、计算机设备和存储介质 - Google Patents
气象数据处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111913236A CN111913236A CN202010668893.2A CN202010668893A CN111913236A CN 111913236 A CN111913236 A CN 111913236A CN 202010668893 A CN202010668893 A CN 202010668893A CN 111913236 A CN111913236 A CN 111913236A
- Authority
- CN
- China
- Prior art keywords
- meteorological
- data set
- target
- forecast
- actual
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种气象数据处理方法、装置、计算机设备及存储介质,涉及数据处理技术领域。该方法通过获取目标区域在目标时刻的网格化预报数据组以及目标区域在目标时刻的观测数据组,然后根据观测数据组对网格化预报数据组进行优化处理,得到优化后的实际气象数据组,其中,网格化预报数据组包括目标区域对应的目标空间网格的多个格点的预报数据,观测数据组包括目标区域内的多个气象站点在目标时刻观测到的观测数据,实际气象数据组包括在目标时刻目标区域对应的目标空间网格的多个格点的实际气象数据,实际气象数据组可以用于反映目标区域在目标时刻的实际气象状况。本申请实施例可以提高气象数据的准确性。
Description
技术领域
本公开实施例涉及数据处理技术领域,特别是涉及一种气象数据处理方法、装置、计算机设备和存储介质。
背景技术
气象数据可以用于反映天气状况,气象数据是开展天气预警预报、气候预测预估以及各类气象服务、科学研究的基础,是推动气象科学发展的原动力。
现有技术中,一般需要使用网格化的气象数据进行天气预测,而获取网格化气象数据的过程一般是:在目标区域内设置多个离散的气象站点,通过气象站点观测得到初始气象数据,然后对相邻的两个气象站点的初始气象数据求平均,得到两个气象站点的中间位置点的气象数据,以此类推,得到目标区域的各个格点的气象数据。
然而,上述方法中,当相邻的两个气象站点的距离较远时,采用求平均的方式确定出的各个格点的气象数据的准确度较低。
发明内容
基于此,有必要针对上述存在的各个格点的气象数据的准确度较低的问题,提供一种气象数据处理方法、装置、计算机设备和存储介质。
一种气象数据处理方法,该方法包括:
获取目标区域在目标时刻的网格化预报数据组,网格化预报数据组包括目标区域对应的目标空间网格的多个格点的预报数据;
获取目标区域在目标时刻的观测数据组,观测数据组包括目标区域内的多个气象站点在目标时刻观测到的观测数据;
根据观测数据组对网格化预报数据组进行优化处理,得到优化后的实际气象数据组,实际气象数据组包括在目标时刻目标区域对应的目标空间网格的多个格点的实际气象数据,实际气象数据组用于反映目标区域在目标时刻的实际气象状况。
在本申请的一个实施例中,实际气象数据组包括多个目标气象要素的实际气象数据组;根据观测数据组对网格化预报数据组进行优化处理,得到优化后的实际气象数据组,包括:
从网格化预报数据组中提取目标气象要素对应的预报数据,得到目标气象要素对应的预报数据组,目标气象要素为多个目标气象要素中的一个;
从观测数据组中提取目标气象要素对应的观测数据,得到目标气象要素对应的观测数据组;
根据目标气象要素对应的观测数据对目标气象要素对应的预报数据进行优化处理,得到目标气象要素的优化后的实际气象数据;
根据各目标气象要素的优化后的实际气象数据,得到优化后的实际气象数据组。
在本申请的一个实施例中,获取目标区域在目标时刻的网格化预报数据组,包括:
利用数值型天气预报模型获取目标区域在目标时刻的初始预报数据组,初始预报数据组包括目标区域对应的初始空间网格的多个格点的预报数据;
根据初始预报数据组确定网格化预报数据组。
在本申请的一个实施例中,根据初始预报数据组确定网格化预报数据组,包括:
采用空间插值算法对初始预报数据组进行插值处理,得到网格化预报数据组。
在本申请的一个实施例中,根据观测数据组对网格化预报数据组进行优化处理,包括:
获取气象场分析模型;
将网格化预报数据组和观测数据组输入气象场分析模型,对气象场分析模型进行优化求解。
在本申请的一个实施例中,对气象场分析模型进行优化求解,包括:
利用随机梯度下降法对气象场分析模型进行优化求解。
在本申请的一个实施例中,得到优化后的实际气象数据组之后,方法还包括:
对于目标空间网格的每个格点,将到格点的距离小于距离阈值的气象站点的观测数据作为格点的实际气象数据。
一种气象数据处理装置,该装置包括:
第一获取模块,用于获取目标区域在目标时刻的网格化预报数据组,网格化预报数据组包括目标区域对应的目标空间网格的多个格点的预报数据;
第二获取模块,用于获取目标区域在目标时刻的观测数据组,观测数据组包括目标区域内的多个气象站点在目标时刻观测到的观测数据;
优化模块,用于根据观测数据组对网格化预报数据组进行优化处理,得到优化后的实际气象数据组,实际气象数据组包括在目标时刻目标区域对应的目标空间网格的多个格点的实际气象数据,实际气象数据组用于反映目标区域在目标时刻的实际气象状况
一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该计算机程序被该处理器执行时实现以下步骤:
获取目标区域在目标时刻的网格化预报数据组,网格化预报数据组包括目标区域对应的目标空间网格的多个格点的预报数据;
获取目标区域在目标时刻的观测数据组,观测数据组包括目标区域内的多个气象站点在目标时刻观测到的观测数据;
根据观测数据组对网格化预报数据组进行优化处理,得到优化后的实际气象数据组,实际气象数据组包括在目标时刻目标区域对应的目标空间网格的多个格点的实际气象数据,实际气象数据组用于反映目标区域在目标时刻的实际气象状况。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
获取目标区域在目标时刻的网格化预报数据组,网格化预报数据组包括目标区域对应的目标空间网格的多个格点的预报数据;
获取目标区域在目标时刻的观测数据组,观测数据组包括目标区域内的多个气象站点在目标时刻观测到的观测数据;
根据观测数据组对网格化预报数据组进行优化处理,得到优化后的实际气象数据组,实际气象数据组包括在目标时刻目标区域对应的目标空间网格的多个格点的实际气象数据,实际气象数据组用于反映目标区域在目标时刻的实际气象状况。
本申请实施例提供的技术方案带来的有益效果至少包括:
上述气象数据处理方法、装置、计算机设备和存储介质,可以提高气象数据的准确度。该方法通过获取目标区域在目标时刻的网格化预报数据组以及目标区域在目标时刻的观测数据组,然后根据观测数据组对网格化预报数据组进行优化处理,得到优化后的实际气象数据组,其中,网格化预报数据组包括目标区域对应的目标空间网格的多个格点的预报数据,观测数据组包括目标区域内的多个气象站点在目标时刻观测到的观测数据,实际气象数据组包括在目标时刻目标区域对应的目标空间网格的多个格点的实际气象数据,实际气象数据组可以用于反映目标区域在目标时刻的实际气象状况。本申请实施例通过观测数据组对网格化预报数据组进行优化处理,将各个气象站点的观测数据与各个格点的预报数据进行综合考虑,得到的各个格点的实际气象数据可以更加真实地反映各个格点的气象状况,因此,提高了气象数据的准确性。
附图说明
图1为本申请实施例提供的气象数据处理方法的实施环境的示意图;
图2为本申请实施例提供的一种气象数据处理方法的流程图;
图3为本申请实施例提供的另一种气象数据处理方法的流程图;
图4为本申请实施例提供的另一种气象数据处理方法的流程图;
图5为本申请实施例提供的一种气象数据处理装置的模块图;
图6为本申请实施例提供的一种计算机设备的模块图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
气象数据可以用于反映天气状况,气象数据是开展天气预警预报、气候预测预估以及各类气象服务、科学研究的基础,是推动气象科学发展的原动力。
具体而言,气象数据的主要作用主要体现在以下六个方面,(1)在防灾减灾方面;(2)在应对气候变化方面;(3)在提高气象预报预测准确率和精细化水平方面;(4)在国民经济各行业建设方面;(5)在履行国际义务方面;(6)在大气科学方面。由于气象数据对众多行业,尤其是严重关乎人民正常生产生活的行业(如电力、能源、交通等行业),具有特别重大的辅助和指导意义,因此,增强气象观测能力,提高气象数据的准确性,是发展大气科学的热点议题。
气象数据在运用的过程中,一般需要处理为网格化气象数据,所谓的网格化气象数据是指呈格点分布的气象数据,具体是将待进行气象研究的目标区域按照经纬线划分为网格状区块,其中经纬线的交点为格点,每个格点对应一组气象数据。
现有技术中,网格化气象数据的获取方式一般有两种,其中一种是在目标区域内设置多个离散的气象站点,通过气象站点观测得到初始气象数据,然后对相邻的两个气象站点的初始气象数据求平均,得到两个气象站点的中间位置点的气象数据,以此类推,得到目标区域的各个格点的气象数据。
然而,上述方法中,当相邻的两个气象站点的距离较远时,采用求平均的方式确定出的各个格点的气象数据的准确度较低,不能反映格点的真实气象状况。
另一种是,采用数值型天气预报的方式,得到预报数据,其中,预报数据是以格点的形式分布的气象预报数据。然而,一方面气象预报数据是一种预测结果,不能代表各个格点的真实气象状况,另一方面,数值型天气预报的预报数据的空间分辨率较低,不能满足实际的行业需求。
基于上述问题,本申请实施例提供了一种气象数据处理方法,通过获取目标区域在目标时刻的网格化预报数据组以及目标区域在目标时刻的观测数据组,然后根据观测数据组对网格化预报数据组进行优化处理,得到优化后的实际气象数据组,其中,实际气象数据组可以用于反映目标区域在目标时刻的实际气象状况。本申请实施例通过观测数据组对网格化预报数据组进行优化处理,将各个气象站点的观测数据与各个格点的预报数据进行综合考虑,得到的各个格点的实际气象数据可以更加真实地反映各个格点的气象状况,因此,提高了气象数据的准确性。
下面,将对本申请实施例提供的气象数据处理方法所涉及到的实施环境进行简要说明。
图1为本申请实施例提供的气象数据处理方法所涉及到的一种实施环境的示意图,如图1所示,该实施环境还可以包括服务器101、多个气象站点102(图1中仅示例性地示出了一个气象站点)和天气预报处理器103。
其中,服务器101可以是一个服务器,也可以是多个服务器组成的服务器群组;
气象站点102内设置有多种类型的气象观测设备,每种气象观测设备可以用于观测不同气象要素的气象数据,不同的气象要素可以例如温度、湿度、气压、风速等。
天气预报处理器103中设置有数值型天气预报模型,用于输出某一时刻的天气预报结果,其中天气预报结果是以气象数据的形式表现的。
请参考图2,其示出了本申请实施例提供的一种气象数据处理方法的流程图,该气象数据处理方法可以应用于图1所示实施环境中的服务器中,如图2所示,该气象数据处理方法可以包括以下步骤:
步骤201,服务器获取目标区域在目标时刻的网格化预报数据组。
其中,网格化预报数据组包括目标区域对应的目标空间网格的多个格点的预报数据。具体的,网格化预报数据组包括每个格点的预报数据,每个格点的预报数据包括该格点的多种气象要素的预报数据。
目标区域是指进行天气预报的区域,目标时刻为需要获取气象数据的时刻。为便于叙述,本申请实施例中,以目标时刻为XX日的14点0分为例进行说明。
目标区域在目标时刻的网格化预报数据组可以是通过数值型天气预报模型预报得到的,服务器可以将数值型天气预报模型的
服务器可以从数据库中提取目标区域在目标时刻的网格化预报数据组。
步骤202,服务器获取目标区域在目标时刻的观测数据组。
其中,观测数据组包括目标区域内的多个气象站点在目标时刻观测到的观测数据。
本申请实施例中,每个气象站点内的气象观测设备可以在14点0分观测到设置该气象站点的位置点的气象数据,并可以即时地将各个气象观测设备的观测数据发送给服务器,对于每个气象站点,服务器可以将每个气象站点内的多个气象观测设备上传的各种气象要素的数据组合在一起,得到该气象站点的观测数据。
进一步的,服务器可以将多个气象站点的观测数据组合起来,得到目标区域内的各个气象站点在14点0分观测到的观测数据组。
步骤203,服务器根据观测数据组对网格化预报数据组进行优化处理,得到优化后的实际气象数据组。
其中,实际气象数据组包括在目标时刻目标区域对应的目标空间网格的多个格点的实际气象数据,实际气象数据组用于反映目标区域在目标时刻的实际气象状况。
本申请实施例中,服务器根据观测数据组对网格化预报数据组进行优化处理可以是通过气象场分析模型对网格化预报数据组进行优化。
可选的,本申请实施例中,服务器根据观测数据组对网格化预报数据组进行优化处理的过程可以包括以下内容:
步骤A1,获取气象场分析模型。
其中,气象场分析模型为矩阵运算模型,气象场分析模型的数学表达式如下,其为以J(x0)为目标的目标函数。
其中,x0为大气状态变量矩阵,用于表示大气状态变量。其中,大气状态变量矩阵是由各格点的预报数据按照各格点的坐标排列后组成的矩阵。xb为大气状态观测矩阵,用于表示大气状态的背景场,其中,大气状态观测矩阵是由各个气象站点的观测数据组成的矩阵,需要说明的是,xb中包括的各个观测数据为散点数据。y为观测资料,H为观测算子,R为观测误差的协方差矩阵,B为背景场的误差协方差矩阵,其中,y、H、R和B为默认值。
步骤A2,将网格化预报数据组和观测数据组输入气象场分析模型,对气象场分析模型进行优化求解。
服务器可以将网格化预报数据组中包括的每个格点的预报数据根据各格点的坐标转换为大气状态变量矩阵,其中,大气状态变量矩阵为包括气象要素在内的三维矩阵。
将观测数据组中的各气象站点的散点数据转换为大气状态观测矩阵,其中,大气状态观测矩阵为包括气象要素在内的二维矩阵。
然后将大气状态变量矩阵和大气状态观测矩阵代入气象场分析模型中,然后对上述气象场分析模型进行优化求解。
本申请实施例中,服务器对上述气象场分析模型进行优化求解的过程是指,以大气状态变量矩阵为变量,以大气状态观测矩阵为非变量,优化调整大气状态变量矩阵中的矩阵元素的数值,计算出令J(x0)最小的大气状态变量矩阵x0,该令J(x0)最小的大气状态变量矩阵x0即为优化后的实际气象数据组对应的矩阵。
服务器可以基于该令J(x0)最小的大气状态变量矩阵x0得到优化后的实际气象数据组。
由于气象场分析模型是以矩阵的形式进行运算,在运算过程汇总,大气状态变量矩阵中的多个矩阵元素(即预报数据的数值)相互影响,因此,可以避免某个或某几个矩阵元素的精度极端损失的情况,因此,可以降低数据精度损失,保证优化后的大气状态变量矩阵中的各矩阵元素的精度。
可选的,本申请实施例中,服务器可以利用随机梯度下降法对上述气象场分析模型进行优化求解。
服务器可使用深度学习框架中较为成熟的随机梯度下降优化技术例如:Tensorflow(中文:开源软件库)中SGDOptimizer(中文:随机梯度算法),基于CPU或GPU设备实现。因此,运算速度快,且运算精度高。
然后,以预设的学习率α沿着梯度方向进行更新,表示如下:
最终获得令J(x0)最小的大气状态变量矩阵x0。
本申请实施例提供的气象数据处理方法,通过获取目标区域在目标时刻的网格化预报数据组以及目标区域在目标时刻的观测数据组,然后根据观测数据组对网格化预报数据组进行优化处理,得到优化后的实际气象数据组,实际气象数据组可以用于反映目标区域在目标时刻的实际气象状况。本申请实施例通过观测数据组对网格化预报数据组进行优化处理,将各个气象站点的观测数据与各个格点的预报数据进行综合考虑,得到的各个格点的实际气象数据可以更加真实地反映各个格点的气象状况,因此,提高了气象数据的准确性。
在本申请的一个实施例中,步骤203之后,该气象数据处理方法还可以包括以下内容:
对于目标空间网格的每个格点,服务器将到该格点的距离小于距离阈值的气象站点的观测数据作为该格点的实际气象数据。
具体的,服务器可以获取目标空间网格包括的每个格点的位置和各气象站点的位置,然后对于每个格点设置以格点为中心,以距离阈值为半径的圆形辐射范围,检测是否有气象站点位于该格点的圆形辐射范围内,若有,则将该气象站点的观测数据作为该格点的实际气象数据。若没有,则不对该格点的实际气象数据进行处理。
本申请实施例中,通过将气象站点的实际观测数据替换优化后的实际气象数据中的部分格点的实际气象数据,可以提高优化后的实际气象数据组整体的准确度。
如图3所示,本申请实施例提供另一种气象数据处理方法,该气象数据处理方法包括以下内容:
步骤301,服务器获取目标区域在目标时刻的网格化预报数据组,从网格化预报数据组中提取目标气象要素对应的预报数据,得到目标气象要素对应的预报数据组。
根据步骤201公开的内容可知,每个格点的预报数据包括该格点的多种气象要素的预报数据。
本申请实施例中,可以对该多种气象要素中的每一种气象要素进行分别处理,具体的,可以从该多种气象要素中选取其中一种作为目标气象要素,从网格化预报数据组中提取每个网格的目标气象要素对应的预报数据,然后组成该目标气象要素对应的预报数据组。目标气象要素对应的预报数据组中包括各个格点的目标气象要素的预报数值。
步骤302,服务器获取目标区域在目标时刻的观测数据组,从观测数据组中提取目标气象要素对应的观测数据,得到目标气象要素对应的观测数据组。
根据步骤202公开的内容可知,每个气象站点内的多个气象观测设备可以观测到多种气象要素的数据,本申请实施例中,可以对从该多种气象要素中选取其中一种作为目标气象要素,需要说明的是,该目标气象要素与步骤301中的目标气象要素为同一种气象要素。
服务器可以从观测数据组中提取各个气象站点的目标气象要素对应的观测数据,然后组成目标气象要素对应的观测数据组。目标气象要素对应的观测数据组包括各个气象站点的目标气象要素的预报数值。
步骤303,服务器根据目标气象要素对应的观测数据对目标气象要素对应的预报数据进行优化处理,得到目标气象要素的优化后的实际气象数据。
本申请实施例中,服务器根据目标气象要素对应的观测数据对目标气象要素对应的预报数据进行优化处理的过程可以包括以下内容:
获取气象场分析模型,气象场分析模型的数学表达式为:
其中,x0为大气状态变量矩阵,大气变量矩阵是由各格点的目标气象要素的预报数据按照各格点的坐标排列后组成的二维矩阵。xb为大气状态观测矩阵,大气状态观测矩阵是由离散的气象站点的目标气象要素的观测数据组成的一维矩阵。
然后,服务器可以将目标气象要素对应的观测数据转换为大气状态观测矩阵,将目标气象要素对应的预报数据转换为大气状态变量矩阵。然后将转换后的大气状态观测矩阵和大气状态变量矩阵代入气象场分析模型中,计算得到令J(x0)最小的大气状态变量矩阵x0,其中,令J(x0)最小的大气状态变量矩阵x0即为目标气象要素的优化后的实际气象数据。
服务器对气象场分析模型求解的过程可以参考步骤203公开的内容,在此不进行赘述。
步骤304,服务器根据各目标气象要素的优化后的实际气象数据,得到优化后的实际气象数据组。
本申请实施例中,服务器可以依次将每种气象要素作为目标气象要素,然后根据上述步骤301-步骤303公开的方案计算得到每种目标气象要素对应的优化后的实际气象数据。
将各目标气象要素的优化后的实际气象数据进行组合,可以得到优化后的实际气象数据组。实际气象数据组可以用于反映目标区域在目标时刻的实际气象状况。
本申请实施例中,依次将不同的气象元素作为目标气象元素,根据目标气象元素对应的观测数据组对目标气象元素对应的预报数据组进行优化处理,得到每种目标气象元素的优化后的实际气象数据。本申请实施例中,对每种气象元素的气象数据进行单独处理,减少不同气象元素之间的不必要影响,因此,得到的各目标气象要素的优化后的实际气象数据的准确度更高。
在本申请的一个实施例中,如图4所示,步骤201还可以包括以下内容:
步骤401,服务器利用数值型天气预报模型获取目标区域在目标时刻的初始预报数据组。
其中,初始预报数据组包括目标区域对应的初始空间网格的多个格点的预报数据。
数值型天气预报模型是指基于大气实际情况设置的气象场初值和边值条件构建的天气预报模型,采用数值型天气预报模型进行天气预报是指通过大型计算机作数值计算,求解描写天气演变过程的流体力学和热力学的方程组,以预测未来一定时段的大气运动状态和天气现象的方法。
初始预报数据组是指数值型天气预报模型直接输出的气象数据。
初始空间网格是指基于数值型天气预报模型对应的空间分辨率对目标区域进行划分,得到的空间网格。
服务器获取目标区域在目标时刻的网格化预报数据组的过程可以是:数值型天气预报模型可以预报出全国或者全球在14点0分的天气预报数据,服务器可以从天气预报数据中截取出目标区域在14点0分的天气预报数据,该天气预报数据即是初始预报数据组,包括目标区域对应的初始空间网格的多个格点的预报数据。
步骤402,服务器根据初始预报数据组确定网格化预报数据组。
可选的,本申请实施例中,服务器可以将初始预报数据组直接作为网格化预报数据组。
可选的,本申请实施例中,服务器可以采用空间插值算法对初始预报数据组进行插值处理,得到网格化预报数据组。
具体的,由于数值型天气预报模型对应的初始空间网格的空间分辨率较低,不能准确地反映目标区域内的各个位置点的天气状况,因此,需要将低分辨率的初始预报数据组处理成高分辨率的数据。
服务器可以采用空间差值算法,将初始空间网格的空间分辨率处理成目标空间网格的分辨率,可选的,初始空间网格的空间分辨率约为25km~100km之间,目标空间网格的分辨率可以例如是10km,3km,1km或更小。然后根据初始预报数据组包括的多个格点的预报数据确定处理后的目标空间网格的多个格点的预报数据。并根据目标空间网格的多个格点的预报数据组成网格化预报数据组。
本申请实施例中,采用数值型天气预报模型获取初始预报数据组,并对初始预报数据组进行空间差值运算,得到网格化预报数据组,网格化预报数据组的空间分辨率较高,这样可以更加全面地反映目标区域内的气象状况,因此,利用空间分辨率较高的网格化预报数据组确定的优化后的实际气象数据组,可以更加准确地反映目标区域在目标时刻的实际气象状况,提高气象数据的准确性。
请参考图5,其示出了本申请实施例提供的一种气象数据处理装置的框图,该气象数据处理装置可以配置在图1所示实施环境中的服务器中。如图5所示,该气象数据处理装置可以包括第一获取模块501,第二获取模块502和优化模块503,其中:
第一获取模块501,用于获取目标区域在目标时刻的网格化预报数据组,网格化预报数据组包括目标区域对应的目标空间网格的多个格点的预报数据;
第二获取模块502,用于获取目标区域在目标时刻的观测数据组,观测数据组包括目标区域内的多个气象站点在目标时刻观测到的观测数据;
优化模块503,用于根据观测数据组对网格化预报数据组进行优化处理,得到优化后的实际气象数据组,实际气象数据组包括在目标时刻目标区域对应的目标空间网格的多个格点的实际气象数据,实际气象数据组用于反映目标区域在目标时刻的实际气象状况。
在本申请的一个实施例中,实际气象数据组包括多个目标气象要素的实际气象数据组;优化模块503还用于从网格化预报数据组中提取目标气象要素对应的预报数据,得到目标气象要素对应的预报数据组,目标气象要素为多个目标气象要素中的一个;从观测数据组中提取目标气象要素对应的观测数据,得到目标气象要素对应的观测数据组;根据目标气象要素对应的观测数据对目标气象要素对应的预报数据进行优化处理,得到目标气象要素的优化后的实际气象数据;根据各目标气象要素的优化后的实际气象数据,得到优化后的实际气象数据组。
在本申请的一个实施例中,第一获取模块501还用于利用数值型天气预报模型获取目标区域在目标时刻的初始预报数据组,初始预报数据组包括目标区域对应的初始空间网格的多个格点的预报数据;根据初始预报数据组确定网格化预报数据组。
在本申请的一个实施例中,第一获取模块501还用于采用空间插值算法对初始预报数据组进行插值处理,得到网格化预报数据组。
在本申请的一个实施例中,优化模块503还用于获取气象场分析模型;将网格化预报数据组和观测数据组输入气象场分析模型,对气象场分析模型进行优化求解。
在本申请的一个实施例中,优化模块503还用于利用随机梯度下降法对气象场分析模型进行优化求解。
在本申请的一个实施例中,优化模块503还用于对于目标空间网格的每个格点,将到格点的距离小于距离阈值的气象站点的观测数据作为格点的实际气象数据。
关于气象数据处理装置的具体限定可以参见上文中对于气象数据处理方法的限定,在此不再赘述。上述气象数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在本申请的一个实施例中,提供了一种计算机设备,该计算机设备可以为服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该数据库用于存储气象场分析模型、目标区域在目标时刻的网格化预报数据组和目标区域在目标时刻的观测数据组。该计算机程序被处理器执行时以实现一种气象数据处理方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在本申请的一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取目标区域在目标时刻的网格化预报数据组,网格化预报数据组包括目标区域对应的目标空间网格的多个格点的预报数据;获取目标区域在目标时刻的观测数据组,观测数据组包括目标区域内的多个气象站点在目标时刻观测到的观测数据;根据观测数据组对网格化预报数据组进行优化处理,得到优化后的实际气象数据组,实际气象数据组包括在目标时刻目标区域对应的目标空间网格的多个格点的实际气象数据,实际气象数据组用于反映目标区域在目标时刻的实际气象状况。
在本申请的一个实施例中,实际气象数据组包括多个目标气象要素的实际气象数据组,处理器执行计算机程序时还实现以下步骤:从网格化预报数据组中提取目标气象要素对应的预报数据,得到目标气象要素对应的预报数据组,目标气象要素为多个目标气象要素中的一个;从观测数据组中提取目标气象要素对应的观测数据,得到目标气象要素对应的观测数据组;根据目标气象要素对应的观测数据对目标气象要素对应的预报数据进行优化处理,得到目标气象要素的优化后的实际气象数据;根据各目标气象要素的优化后的实际气象数据,得到优化后的实际气象数据组。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:利用数值型天气预报模型获取目标区域在目标时刻的初始预报数据组,初始预报数据组包括目标区域对应的初始空间网格的多个格点的预报数据;根据初始预报数据组确定网格化预报数据组。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:采用空间插值算法对初始预报数据组进行插值处理,得到网格化预报数据组。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:获取气象场分析模型;将网格化预报数据组和观测数据组输入气象场分析模型,对气象场分析模型进行优化求解。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:利用随机梯度下降法对气象场分析模型进行优化求解。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:对于目标空间网格的每个格点,将到格点的距离小于距离阈值的气象站点的观测数据作为格点的实际气象数据。
本申请实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在本申请的一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标区域在目标时刻的网格化预报数据组,网格化预报数据组包括目标区域对应的目标空间网格的多个格点的预报数据;获取目标区域在目标时刻的观测数据组,观测数据组包括目标区域内的多个气象站点在目标时刻观测到的观测数据;根据观测数据组对网格化预报数据组进行优化处理,得到优化后的实际气象数据组,实际气象数据组包括在目标时刻目标区域对应的目标空间网格的多个格点的实际气象数据,实际气象数据组用于反映目标区域在目标时刻的实际气象状况。
在本申请的一个实施例中,实际气象数据组包括多个目标气象要素的实际气象数据组,计算机程序被处理器执行时还可以实现以下步骤:从网格化预报数据组中提取目标气象要素对应的预报数据,得到目标气象要素对应的预报数据组,目标气象要素为多个目标气象要素中的一个;从观测数据组中提取目标气象要素对应的观测数据,得到目标气象要素对应的观测数据组;根据目标气象要素对应的观测数据对目标气象要素对应的预报数据进行优化处理,得到目标气象要素的优化后的实际气象数据;根据各目标气象要素的优化后的实际气象数据,得到优化后的实际气象数据组。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:利用数值型天气预报模型获取目标区域在目标时刻的初始预报数据组,初始预报数据组包括目标区域对应的初始空间网格的多个格点的预报数据;根据初始预报数据组确定网格化预报数据组。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:采用空间插值算法对初始预报数据组进行插值处理,得到网格化预报数据组。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:获取气象场分析模型;将网格化预报数据组和观测数据组输入气象场分析模型,对气象场分析模型进行优化求解。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:利用随机梯度下降法对气象场分析模型进行优化求解。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:对于目标空间网格的每个格点,将到格点的距离小于距离阈值的气象站点的观测数据作为格点的实际气象数据。
本申请实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种气象数据处理方法,其特征在于,所述方法包括:
获取目标区域在目标时刻的网格化预报数据组,所述网格化预报数据组包括所述目标区域对应的目标空间网格的多个格点的预报数据;
获取所述目标区域在所述目标时刻的观测数据组,所述观测数据组包括所述目标区域内的多个气象站点在所述目标时刻观测到的观测数据;
根据所述观测数据组对所述网格化预报数据组进行优化处理,得到优化后的实际气象数据组,所述实际气象数据组包括在所述目标时刻所述目标区域对应的所述目标空间网格的多个格点的实际气象数据,所述实际气象数据组用于反映所述目标区域在所述目标时刻的实际气象状况。
2.根据权利要求1所述的方法,其特征在于,所述实际气象数据组包括多个目标气象要素的实际气象数据组;所述根据所述观测数据组对所述网格化预报数据组进行优化处理,得到优化后的实际气象数据组,包括:
从所述网格化预报数据组中提取目标气象要素对应的预报数据,得到所述目标气象要素对应的预报数据组,所述目标气象要素为所述多个目标气象要素中的一个;
从所述观测数据组中提取目标气象要素对应的观测数据,得到所述目标气象要素对应的观测数据组;
根据所述目标气象要素对应的观测数据对所述目标气象要素对应的预报数据进行优化处理,得到所述目标气象要素的优化后的实际气象数据;
根据各所述目标气象要素的优化后的实际气象数据,得到所述优化后的实际气象数据组。
3.根据权利要求1所述的方法,其特征在于,所述获取目标区域在目标时刻的网格化预报数据组,包括:
利用数值型天气预报模型获取所述目标区域在所述目标时刻的初始预报数据组,所述初始预报数据组包括所述目标区域对应的初始空间网格的多个格点的预报数据;
根据所述初始预报数据组确定所述网格化预报数据组。
4.根据权利要求3所述的方法,其特征在于,所述根据所述初始预报数据组确定所述网格化预报数据组,包括:
采用空间插值算法对所述初始预报数据组进行插值处理,得到所述网格化预报数据组。
5.根据权利要求1所述的方法,其特征在于,所述根据所述观测数据组对所述网格化预报数据组进行优化处理,包括:
获取气象场分析模型;
将所述网格化预报数据组和所述观测数据组输入所述气象场分析模型,对所述气象场分析模型进行优化求解。
6.根据权利要求5所述的方法,其特征在于,所述对所述气象场分析模型进行优化求解,包括:
利用随机梯度下降法对所述气象场分析模型进行优化求解。
7.根据权利要求1所述的方法,其特征在于,所述得到优化后的实际气象数据组之后,所述方法还包括:
对于所述目标空间网格的每个格点,将到所述格点的距离小于距离阈值的气象站点的观测数据作为所述格点的实际气象数据。
8.一种气象数据处理装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标区域在目标时刻的网格化预报数据组,所述网格化预报数据组包括所述目标区域对应的目标空间网格的多个格点的预报数据;
第二获取模块,用于获取所述目标区域在所述目标时刻的观测数据组,所述观测数据组包括所述目标区域内的多个气象站点在所述目标时刻观测到的观测数据;
优化模块,用于根据所述观测数据组对所述网格化预报数据组进行优化处理,得到优化后的实际气象数据组,所述实际气象数据组包括在所述目标时刻所述目标区域对应的所述目标空间网格的多个格点的实际气象数据,所述实际气象数据组用于反映所述目标区域在所述目标时刻的实际气象状况。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010668893.2A CN111913236A (zh) | 2020-07-13 | 2020-07-13 | 气象数据处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010668893.2A CN111913236A (zh) | 2020-07-13 | 2020-07-13 | 气象数据处理方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111913236A true CN111913236A (zh) | 2020-11-10 |
Family
ID=73227040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010668893.2A Pending CN111913236A (zh) | 2020-07-13 | 2020-07-13 | 气象数据处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111913236A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077112A (zh) * | 2021-05-07 | 2021-07-06 | 上海眼控科技股份有限公司 | 数据获取方法及装置、计算机设备、存储介质 |
CN115687805A (zh) * | 2022-12-30 | 2023-02-03 | 江西省气象信息中心(江西省气象培训中心、江西省农村经济信息中心) | 一种基于位置的气象数据查询方法及系统 |
CN116384284A (zh) * | 2023-05-08 | 2023-07-04 | 国家海洋环境预报中心 | 一种赤潮网格化预报方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010181175A (ja) * | 2009-02-03 | 2010-08-19 | Toshiba Corp | 降雪予測装置及び降雪予測方法 |
CN107479792A (zh) * | 2017-08-19 | 2017-12-15 | 杭州幂拓科技有限公司 | 一种智能网格预报订正方法及系统 |
CN107609702A (zh) * | 2017-09-15 | 2018-01-19 | 郑州云海信息技术有限公司 | 一种气象数据处理方法及装置 |
JP2018031683A (ja) * | 2016-08-25 | 2018-03-01 | 国立研究開発法人防災科学技術研究所 | 気象場の客観解析装置及び気象場の客観解析方法 |
CN108108836A (zh) * | 2017-12-15 | 2018-06-01 | 清华大学 | 一种基于时空深度学习的臭氧浓度分布预测方法和系统 |
CN108227041A (zh) * | 2017-12-27 | 2018-06-29 | 中国海洋大学 | 基于站点实测数据和模式结果的水平能见度预报方法 |
CN109086916A (zh) * | 2018-07-16 | 2018-12-25 | 国家气象中心 | 一种基于多源观测数据的对流天气临近预报方法及装置 |
CN110472762A (zh) * | 2018-05-11 | 2019-11-19 | 中国电力科学研究院有限公司 | 一种网格化降水的订正方法及系统 |
CN110618473A (zh) * | 2019-10-09 | 2019-12-27 | 北京北科融智云计算科技有限公司 | 一种即时气象情报保障方法 |
CN110796299A (zh) * | 2019-10-23 | 2020-02-14 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种雷电预测方法 |
CN110852523A (zh) * | 2019-11-19 | 2020-02-28 | 上海眼控科技股份有限公司 | 基于数值模式的天气预报方法、装置、设备和存储介质 |
-
2020
- 2020-07-13 CN CN202010668893.2A patent/CN111913236A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010181175A (ja) * | 2009-02-03 | 2010-08-19 | Toshiba Corp | 降雪予測装置及び降雪予測方法 |
JP2018031683A (ja) * | 2016-08-25 | 2018-03-01 | 国立研究開発法人防災科学技術研究所 | 気象場の客観解析装置及び気象場の客観解析方法 |
CN107479792A (zh) * | 2017-08-19 | 2017-12-15 | 杭州幂拓科技有限公司 | 一种智能网格预报订正方法及系统 |
CN107609702A (zh) * | 2017-09-15 | 2018-01-19 | 郑州云海信息技术有限公司 | 一种气象数据处理方法及装置 |
CN108108836A (zh) * | 2017-12-15 | 2018-06-01 | 清华大学 | 一种基于时空深度学习的臭氧浓度分布预测方法和系统 |
CN108227041A (zh) * | 2017-12-27 | 2018-06-29 | 中国海洋大学 | 基于站点实测数据和模式结果的水平能见度预报方法 |
CN110472762A (zh) * | 2018-05-11 | 2019-11-19 | 中国电力科学研究院有限公司 | 一种网格化降水的订正方法及系统 |
CN109086916A (zh) * | 2018-07-16 | 2018-12-25 | 国家气象中心 | 一种基于多源观测数据的对流天气临近预报方法及装置 |
CN110618473A (zh) * | 2019-10-09 | 2019-12-27 | 北京北科融智云计算科技有限公司 | 一种即时气象情报保障方法 |
CN110796299A (zh) * | 2019-10-23 | 2020-02-14 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种雷电预测方法 |
CN110852523A (zh) * | 2019-11-19 | 2020-02-28 | 上海眼控科技股份有限公司 | 基于数值模式的天气预报方法、装置、设备和存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077112A (zh) * | 2021-05-07 | 2021-07-06 | 上海眼控科技股份有限公司 | 数据获取方法及装置、计算机设备、存储介质 |
CN115687805A (zh) * | 2022-12-30 | 2023-02-03 | 江西省气象信息中心(江西省气象培训中心、江西省农村经济信息中心) | 一种基于位置的气象数据查询方法及系统 |
CN116384284A (zh) * | 2023-05-08 | 2023-07-04 | 国家海洋环境预报中心 | 一种赤潮网格化预报方法及系统 |
CN116384284B (zh) * | 2023-05-08 | 2024-05-14 | 国家海洋环境预报中心 | 一种赤潮网格化预报方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111913236A (zh) | 气象数据处理方法、装置、计算机设备和存储介质 | |
GB2547816B (en) | Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation | |
JP4404220B2 (ja) | 気体状況予測装置、方法、プログラム、および拡散状況予測システム | |
CN110232471B (zh) | 一种降水传感网节点布局优化方法及装置 | |
CN111505740B (zh) | 气象预测方法、装置、计算机设备和存储介质 | |
WO2020043028A1 (zh) | 一种利用历史空气质量数据特征预测空气污染的方法 | |
CN111179274B (zh) | 地图地面分割方法、装置、计算机设备和存储介质 | |
EP2919044B1 (en) | Numerical simulation system and numerical simulation method for atmospheric flow by computational fluid dynamics | |
CN112513896B (zh) | 一种大气污染预测的方法 | |
CN110597873A (zh) | 降水数据估计方法、装置、设备及存储介质 | |
CN110852523A (zh) | 基于数值模式的天气预报方法、装置、设备和存储介质 | |
CN114942481B (zh) | 热带气旋过程极值风速概率预报方法、装置和计算机设备 | |
CN114112995B (zh) | 基于三维变分技术的气溶胶光学特性资料同化方法和装置 | |
CN106874602B (zh) | 气象数据处理方法和装置 | |
CN111931991A (zh) | 气象临近预报方法、装置、计算机设备和存储介质 | |
CN115081307A (zh) | 一种基于神经网络的气象数值模式同化方法及装置 | |
WO2017115686A1 (ja) | 予測システム、情報処理装置、予測方法および予測プログラム | |
CN115391745B (zh) | 一种基于概率匹配平均法的降水预报订正方法及系统 | |
CN116774316A (zh) | 短临降水的预测方法、装置、存储介质及计算机设备 | |
CN110097077B (zh) | 点云数据分类方法、装置、计算机设备和存储介质 | |
Bertolacci et al. | Climate inference on daily rainfall across the Australian continent, 1876–2015 | |
CN110991702A (zh) | 山区降水量的计算方法、装置、计算机设备和存储介质 | |
CN110019167A (zh) | 一种中长期新能源资源资料库构建方法及系统 | |
CN111061985A (zh) | 水库调节径流的计算方法、装置、计算机设备和存储介质 | |
Cintra et al. | A local ensemble transform Kalman filter data assimilation system for the global FSU atmospheric model |
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 |
Application publication date: 20201110 |
|
RJ01 | Rejection of invention patent application after publication |