CN111913238B - 基于光流法和拉格朗日卫星云图外推的短时临近天气的预报方法 - Google Patents

基于光流法和拉格朗日卫星云图外推的短时临近天气的预报方法 Download PDF

Info

Publication number
CN111913238B
CN111913238B CN202010677444.4A CN202010677444A CN111913238B CN 111913238 B CN111913238 B CN 111913238B CN 202010677444 A CN202010677444 A CN 202010677444A CN 111913238 B CN111913238 B CN 111913238B
Authority
CN
China
Prior art keywords
site
precipitation
station
satellite cloud
array
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
CN202010677444.4A
Other languages
English (en)
Other versions
CN111913238A (zh
Inventor
金晶
王洪武
徐真
张继伟
周仿荣
杨凤
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.)
Transmission Branch Of Yunnan Power Grid Co ltd
Original Assignee
Transmission Branch Of Yunnan Power Grid Co ltd
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 Transmission Branch Of Yunnan Power Grid Co ltd filed Critical Transmission Branch Of Yunnan Power Grid Co ltd
Priority to CN202010677444.4A priority Critical patent/CN111913238B/zh
Publication of CN111913238A publication Critical patent/CN111913238A/zh
Application granted granted Critical
Publication of CN111913238B publication Critical patent/CN111913238B/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Environmental & Geological Engineering (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明为一种基于光流法和拉格朗日卫星云图外推的短时临近天气的预报方法，包括：结合自动站资料及多通道卫星云图数据，剥离数据读取和算法分析；计算站点位置卫星云图数值，随机森林训练并保存模型；计算输出虚拟站点降水量，创建站点数组；输入站点数组，通过信任传播算法，校正站点降水量；输入上一步的站点数组，通过梯度校正算法，进一步校正站点降水量；通过光流法计算风场；通过拉格朗日外推插值法，外推站点降水，生成未来2小时，10分钟间隔预报降水量；进行TS评分。本发明基于气象卫星做短时临近天气预报，气象卫星可以不间断运行，可持续获取数据，直接通过官网或自己安装接收设备获取数据。

Description

基于光流法和拉格朗日卫星云图外推的短时临近天气的预报 方法
技术领域
本发明涉及短时临近天气预报技术领域，具体为一种基于光流法和拉格朗日卫星云图外推的短时临近天气的预报方法。
背景技术
近年来气象预报格点化、精细化逐渐成为发展趋势，精细化格点预报主要依靠数值预报，但数值模式在起步阶段往往表现较差，因而短临预报作为有效补充手段必不可少。
目前，短时临近预报大都基于雷达装置进行，已实现通过读取雷达基数据生成组合反射率拼图数据，进而预报降水量，通过雷达反射率与降水量的动态回归，估算指定范围、指定分辨率降水量，利用半拉格朗日外推法，循环外推n*10次，得到未来n小时逐6分钟雷达回波预报结果，再根据Z-R回归函数，计算定量降水预报值。但天气雷达运行成本比较高，一般只有在汛期才开机，不能持续获取数据，天气雷达属于气象局管控，生成的雷达数据一般都在气象局内网，并不对外公开，非合作单位无法获取，没有雷达数据，基于雷达的短时临近预报系统无法运行。
针对这种情况，本发明提出一种基于光流法和拉格朗日卫星云图外推的短时临近天气的预报方法，利用气象卫星进行短时临近天气预报，气象卫星可以不间断运行，可持续获取数据，如日本葵花8卫星覆盖中国范围，时空分辨率也比较高，可以直接通过官网或者自己安装接收设备获取数据，可广泛应用。
发明内容
本发明的目的在于提供一种基于光流法和拉格朗日卫星云图外推的短时临近天气的预报方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于光流法和拉格朗日卫星云图外推的短时临近天气的预报方法，包括以下步骤：
结合自动站资料及多通道卫星云图数据，剥离数据读取和算法分析；
根据自动站观测降水量及多通道卫星云图，计算站点位置卫星云图数值，随机森林训练并保存模型；
加载虚拟站点、卫星云图数据及保存的随机森林训练模型，计算输出虚拟站点降水量，创建站点数组；
输入站点数组，通过信任传播算法，校正站点降水量；
输入上一步的站点数组，通过梯度校正算法，进一步校正站点降水量；
输入前10分钟红外云图，通过光流法计算风场；以及
通过拉格朗日外推插值法，外推站点降水，Barnes插值到格点，输出到TIF文件；循环12次，生成未来2小时，10分钟间隔预报降水量。
优选的，将观测降水量与预报降水量进行比对，进行TS评分。
优选的，定义数据读取接口类，剥离数据读取和算法分析，支持简单二次开发，方便对接来源不确定的数据。
优选的，自动站资料必须包含字段：站号、经度、纬度、逐10分钟降水量(mm)。
优选的，预报降水量需要多个通道的卫星云图数据，包括红外、水汽以及可见光。
优选的，创建随机森林训练模型方法步骤包括：加载过去2小时、10分钟间隔自动站观测降水量及多通道卫星云图；计算站点位置卫星云图数值；随机森林训练并保存模型。
优选的，估算虚拟站点降水量方法步骤包括：加载虚拟站点及当前时次卫星云图数据，计算虚拟站点位置卫星云图数值；加载保存的随机森林训练模型，输入虚拟站点，计算输出虚拟站点降水量；创建站点数组，添加观测站点及虚拟站点。
优选的，通过信任传播算法校正站点降水量的步骤包括：输入站点数组，创建信任概率矩阵，将信任概率初始化为0；遍历站点对；判断遍历站点对是否结束，若否，继续判断站点距离是否小于最大距离，若否，则继续进行遍历站点对，若是，则调整概率为exp(-距离/最大距离)，继续进行遍历站点对；判断遍历站点对是否结束，若是，则创建值数组，值数组初始化为0；遍历值数组；判断遍历值数组是否结束，若否，对值数组进行标记，标记为一级信任传播、二级信任传播，继续进行遍历值数组，若是，则更新站点组，流程结束。
优选的，通过梯度校正算法进一步校正站点降水量的步骤包括：输入更新后的站点数组，创建距离矩阵；计算站点对距离；创建值数组，并初始化为0；遍历值数组；判断遍历值数组是否结束，若否，计算和临近站点的平均梯度，继续判断平均梯度是否大于100，若否，则继续遍历值数组，若是则重新计算与相邻站点的平均梯度，继续进行遍历值数组；判断遍历值数组是否结束，若是，则更新站点值，流程结束。
与现有技术相比，本发明的有益效果是：
本发明的基于光流法和拉格朗日卫星云图外推的短时临近天气的预报方法，基于气象卫星做短时临近天气预报，气象卫星可以不间断运行，可持续获取数据，可以直接通过官网或者自己安装接收设备获取数据，本申请发明通过随机森林训练、信任传播及梯度校正，来校正站点降水量，临近天气的预报准确可靠。
附图说明
图1为本发明的一种基于光流法和拉格朗日卫星云图外推的短时临近天气的预报方法流程图；
图2为本发明的创建随机森林训练模型方法流程图；
图3为本发明的估算虚拟站点降水量方法流程图；
图4为本发明通过信任传播算法校正站点降水量步骤流程图；
图5为本发明通过梯度校正算法进一步校正站点降水量的步骤包括程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
请参阅图1-5，本发明提供一种技术方案：
一种基于光流法和拉格朗日卫星云图外推的短时临近天气的预报方法，包括以下步骤：
S101：结合自动站资料及多通道卫星云图数据，剥离数据读取和算法分析，支持简单二次开发，方便对接来源不确定的数据，自动站资料必须包含字段：站号、经度、纬度、逐10分钟降水量(mm)，预报降水量需要多个通道的卫星云图数据，包括红外、水汽以及可见光；
S102：根据自动站观测降水量及多通道卫星云图，计算站点位置卫星云图数值，随机森林训练并保存模型；
S103：加载虚拟站点、卫星云图数据及保存的随机森林训练模型，计算输出虚拟站点降水量，创建站点数组；
S104：输入站点数组，通过信任传播算法，校正站点降水量；
S105：输入上一步的站点数组，通过梯度校正算法，进一步校正站点降水量；
S106：输入前10分钟红外云图，通过光流法计算风场；
S107：通过拉格朗日外推插值法，外推站点降水，Barnes插值到格点，输出到TIF文件；循环12次，生成未来2小时，10分钟间隔预报降水量；以及
S108：将观测降水量与预报降水量进行比对，进行TS评分。
其中，创建随机森林训练模型方法步骤包括：
S201：加载过去2小时、10分钟间隔自动站观测降水量及多通道卫星云图；
S202：计算站点位置卫星云图数值；
S203：随机森林训练并保存模型。
其中，估算虚拟站点降水量方法步骤包括：
S301：加载虚拟站点及当前时次卫星云图数据，计算虚拟站点位置卫星云图数值；
S302：加载保存的随机森林训练模型，输入虚拟站点，计算输出虚拟站点降水量；
S303：创建站点数组，添加观测站点及虚拟站点。
其中，通过信任传播算法校正站点降水量的步骤包括：
S401：输入站点数组，创建信任概率矩阵，将信任概率初始化为0；
遍历站点对；
S402：判断遍历站点对是否结束，若否，继续判断站点距离是否小于最大距离，若否，则继续进行遍历站点对，若是，则调整概率为exp(-距离/最大距离)，继续进行遍历站点对；
S403：判断遍历站点对是否结束，若是，则创建值数组，值数组初始化为0；
S404：遍历值数组；
S405：判断遍历值数组是否结束，若否，对值数组进行标记，标记为一级信任传播、二级信任传播，继续进行遍历值数组，若是，则更新站点组，流程结束。
其中，通过梯度校正算法进一步校正站点降水量的步骤包括
S501：输入更新后的站点数组，创建距离矩阵；
S502：计算站点对距离；
S503：创建值数组，并初始化为0；
S504：遍历值数组；
S505：判断遍历值数组是否结束，若否，计算和临近站点的平均梯度，继续判断平均梯度是否大于100，若否，则继续遍历值数组，若是则重新计算与相邻站点的平均梯度，继续进行遍历值数组；
S506：判断遍历值数组是否结束，若是，则更新站点值，流程结束。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.一种基于光流法和拉格朗日卫星云图外推的短时临近天气的预报方法，其特征在于，包括以下步骤：
结合自动站资料及多通道卫星云图数据，剥离数据读取和算法分析；
根据自动站观测降水量及多通道卫星云图，计算站点位置卫星云图数值，随机森林训练并保存模型；
加载虚拟站点、卫星云图数据及保存的随机森林训练模型，计算输出虚拟站点降水量，创建站点数组；
输入站点数组，通过信任传播算法，校正站点降水量；
输入上一步的站点数组，通过梯度校正算法，进一步校正站点降水量；
输入前10分钟红外云图，通过光流法计算风场；以及
通过拉格朗日外推插值法，外推站点降水，Barnes插值到格点，输出到TIF文件；循环12次，生成未来2小时，10分钟间隔预报降水量；其中：
创建随机森林训练模型方法步骤包括：
加载过去2小时，10分钟间隔自动站观测降水量及多通道卫星云图；
计算站点位置卫星云图数值；
随机森林训练并保存模型；
估算虚拟站点降水量方法步骤包括：
加载虚拟站点及当前时次卫星云图数据，计算虚拟站点位置卫星云图数值；
加载保存的随机森林训练模型，输入虚拟站点，计算输出虚拟站点降水量；
创建站点数组，添加观测站点及虚拟站点；
通过信任传播算法校正站点降水量的步骤包括：
输入站点数组，创建信任概率矩阵，将信任概率初始化为0；
遍历站点对；判断遍历站点对是否结束，若否，继续判断站点距离是否小于最大距离，若否，则继续进行遍历站点对，若是，则调整概率为exp(-距离/最大距离)，继续进行遍历站点对；
判断遍历站点对是否结束，若是，则
创建值数组，值数组初始化为0；
遍历值数组；判断遍历值数组是否结束，若否，对值数组进行标记，标记为一级信任传播、二级信任传播，继续进行遍历值数组，若是，则
更新站点组，流程结束；
通过梯度校正算法进一步校正站点降水量的步骤包括
输入更新后的站点数组，创建距离矩阵；
计算站点对距离；创建值数组，并初始化为0；
判断遍历值数组是否结束，若否，计算和临近站点的平均梯度，继续判断平均梯度是否大于100，若否，则继续遍历值数组，若是则重新计算与相邻站点的平均梯度，继续进行遍历值数组；
判断遍历值数组是否结束，若是，则更新站点值，流程结束。
2.根据权利要求1所述的一种基于光流法和拉格朗日卫星云图外推的短时临近天气的预报方法，其特征在于，还包括步骤：将观测降水量与预报降水量进行比对，进行TS评分。
3.根据权利要求1所述的一种基于光流法和拉格朗日卫星云图外推的短时临近天气的预报方法，其特征在于：定义数据读取接口类，剥离数据读取和算法分析，支持简单二次开发，方便对接来源不确定的数据。
4.根据权利要求1所述的一种基于光流法和拉格朗日卫星云图外推的短时临近天气的预报方法，其特征在于：自动站资料必须包含字段：站号、经度、纬度、逐10分钟降水量。
5.根据权利要求1所述的一种基于光流法和拉格朗日卫星云图外推的短时临近天气的预报方法，其特征在于：预报降水量需要多个通道的卫星云图数据，包括红外、水汽以及可见光。
CN202010677444.4A 2020-07-15 2020-07-15 基于光流法和拉格朗日卫星云图外推的短时临近天气的预报方法 Active CN111913238B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010677444.4A CN111913238B (zh) 2020-07-15 2020-07-15 基于光流法和拉格朗日卫星云图外推的短时临近天气的预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010677444.4A CN111913238B (zh) 2020-07-15 2020-07-15 基于光流法和拉格朗日卫星云图外推的短时临近天气的预报方法

Publications (2)

Publication Number Publication Date
CN111913238A CN111913238A (zh) 2020-11-10
CN111913238B true CN111913238B (zh) 2021-12-21

Family

ID=73280348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010677444.4A Active CN111913238B (zh) 2020-07-15 2020-07-15 基于光流法和拉格朗日卫星云图外推的短时临近天气的预报方法

Country Status (1)

Country Link
CN (1) CN111913238B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113075751A (zh) * 2021-03-26 2021-07-06 国网河南省电力公司电力科学研究院 一种观测资料在短临预报中的融合方法和系统
CN115760613B (zh) * 2022-11-15 2024-01-05 江苏省气候中心 一种结合卫星影像和光流法的蓝藻水华短时预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103235890A (zh) * 2013-04-28 2013-08-07 南京信大高科技发展有限公司 卫星短时临近降水预报系统及降水预报方法
CN108549116A (zh) * 2018-03-27 2018-09-18 南京恩瑞特实业有限公司 NRIET blending融合预报方法
CN108828691B (zh) * 2018-04-18 2021-06-22 青岛心中有数科技有限公司 短临降水预报方法与装置
CN108983323A (zh) * 2018-08-08 2018-12-11 湖北河海科技发展有限公司 基于光流法的降水预报方法及预警平台

Also Published As

Publication number Publication date
CN111913238A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
JP3984604B2 (ja) 太陽光発電システムの発電量予測方法、装置、およびプログラム
JP2020193962A (ja) 強対流天気を予測するための方法及び装置
CN111913238B (zh) 基于光流法和拉格朗日卫星云图外推的短时临近天气的预报方法
CN110263392B (zh) 基于多模式分区误差检验的风场预报方法及其系统
US11314830B2 (en) Method and apparatus for automatically discovering gas station POI, storage medium and device
KR102404397B1 (ko) 태양광 발전량 예측 장치 및 그 방법
JP5547999B2 (ja) 太陽光発電量予測装置
CN113344291B (zh) 城市内涝淹没范围的预报方法、装置、介质和设备
CN113222019B (zh) 输电线路杆塔的气象预报数据处理方法、装置、设备
US11105958B2 (en) Systems and methods for distributed-solar power forecasting using parameter regularization
US20170140077A1 (en) Method for assessing efficiency of power generation systems
CN112379345A (zh) 融合数值模式的雷达短临外推预报方法
CN115453541A (zh) 降水量预测方法、装置、电子设备及存储介质
CN117580054A (zh) 基于使用需求数据的ntn小区构建方法、装置、设备及介质
CN105828342B (zh) 一种确认邻区关系的方法及装置
CN115567970A (zh) 基站信号覆盖数据测量方法、装置、设备及存储介质
CN115169495A (zh) 一种长序列极轨卫星红外海温产品重处理方法及系统
CN117374924A (zh) 应用于新能源功率预测的风速订正方法及装置
KR102568489B1 (ko) 일사량 예측 방법, 서버 및 컴퓨터 프로그램
CN116068668A (zh) 一种白昼时段闪电率确定方法及相关装置
US9113307B2 (en) Method of validating cellular carrier records accuracy
CN116449456B (zh) 阵风预报输出方法、装置、计算机设备和存储介质
JP2009257868A (ja) 気象予測システム
Nipen et al. Citizen Observations for Weather Forecasts
CN117610735A (zh) 新能源超短期发电功率预测方法、装置、设备及介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: No. 201, Baita Road, Panlong District, Kunming, Yunnan 650011

Applicant after: Transmission branch of Yunnan Power Grid Co., Ltd

Address before: No. 201, Baita Road, Panlong District, Kunming, Yunnan 650011

Applicant before: Live working branch of Yunnan Power Grid Co., Ltd

GR01 Patent grant
GR01 Patent grant