CN112162336A - 基于二维气象要素场的能见度预测方法和装置 - Google Patents
基于二维气象要素场的能见度预测方法和装置 Download PDFInfo
- Publication number
- CN112162336A CN112162336A CN202011001903.3A CN202011001903A CN112162336A CN 112162336 A CN112162336 A CN 112162336A CN 202011001903 A CN202011001903 A CN 202011001903A CN 112162336 A CN112162336 A CN 112162336A
- Authority
- CN
- China
- Prior art keywords
- visibility
- data
- sample
- element field
- predicted
- 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
- G01W1/10—Devices for predicting weather conditions
Abstract
本申请涉及一种基于二维气象要素场的能见度预测方法和装置。所述方法包括:接收待预测区域和待预测时间;查询与所述待预测区域对应的观测点,并提取与所述观测点和所述待预测时间对应的参考气象数据;对所提取的参考气象数据按照类型进行分类,对同一类型的参考气象数据进行插值处理,得到对应的二维气象要素场;根据所述二维气象要素场进行预测得到能见度。采用本方法能够提高能见度预测准确性。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种基于二维气象要素场的能见度预测方法和装置。
背景技术
能见度,是指在当时的天气条件下,视力正常的人能将目标物从天空背景中识别出来的最大水平能见距离。影响能见度好坏的天气现象主要为大雾、降水、风沙、烟雾等。能见度在指导人类生产生活方面具有重大意义,因此有必要对能见度进行预测,及时对低能见度事件进行预警。
虽然当前已经有一些能见度预测方法,但是现有技术都是基于孤立有限的观测站的气象数据进行能见度的预测。此类方法不能识别气象的空间特征,导致预测准确率不高。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高预测准确率的基于二维气象要素场的能见度预测方法和装置。
一种基于二维气象要素场的能见度预测方法,所述方法包括:
接收待预测区域和待预测时间;
查询与所述待预测区域对应的观测点,并提取与所述观测点和所述待预测时间对应的参考气象数据;
对所提取的参考气象数据按照类型进行分类,对同一类型的参考气象数据进行插值处理,得到对应的二维气象要素场;
根据所述二维气象要素场进行预测得到能见度。
在其中一个实施例中,所述根据所述二维气象要素场进行预测得到能见度,包括:
将所述二维气象要素场根据时间顺序进行分类,以获得每一预设时刻对应的输入数据,所述输入数据包括各个类型的二维气象要素场;
按照时间顺序对所述输入数据进行排序得到输入序列;
根据所述输入序列进行预测得到能见度。
在其中一个实施例中,所述根据所述二维气象要素场进行预测得到能见度,包括:
将所述二维气象要素场输入至预先训练得到的能见度预测模型中,得到对应的能见度;
其中,所述能见度预测模型的生成方式包括:
获取样本数据,并计算所述样本数据中各个时刻对应的样本输入数据,所述样本输入数据包括各个类型的二维气象要素场;
获取与所述样本输入数据对应的样本能见度;
根据所述样本输入数据和对应的所述样本能见度训练得到能见度预测模型。
在其中一个实施例中,所述获取与所述样本输入数据对应的样本能见度,包括:
获取第一预设时间间隔;
根据所述第一预设时间间隔获取与所述样本输入数据对应的样本能见度;
所述根据所述样本输入数据和对应的所述样本能见度训练得到能见度预测模型,包括:
获取第二预设时间间隔;
根据所述第二预设时间间隔按照时间顺序对所述样本输入数据进行排序得到样本序列;
将所述样本序列和对应的所述样本能见度组成训练样本,且每个预设能见度报告等级至少包括一个训练样本;
根据所得到的训练样本进行训练得到能见度预测模型。
在其中一个实施例中,所述对同一类型的参考气象数据进行插值处理,得到对应的二维气象要素场,包括:
在所述待预测区域内定位待插值点;
根据同一类型的参考气象数据计算各个所述待插值点的插值数据;
根据所得到的插值数据和所述待插值点得到对应的二维气象要素场。
在其中一个实施例中,所述在所述待预测区域内定位待插值点,包括:
获取预先设置的满足能见度预测要求的单位刻度;
根据所述单位刻度在所述待预测区域建立坐标网格;
获取所述坐标网格中的格点作为待插值点。
在其中一个实施例中,所述根据同一类型的参考气象数据计算各个所述待插值点的插值数据,包括:
获取各个所述观测点对应的权重;
根据所述权重和各个所述观测点的参考气象数据计算各个所述待插值点的插值数据。
在其中一个实施例中,所述观测点对应的权重的生成方式包括:
在所述坐标网格中定位所述观测点,得到位置坐标;
根据所述位置坐标和各个所述观测点的参考气象数据计算,得到各个所述观测点对应的权重。
一种能见度预警方法,所述能见度预警方法包括:
根据上述的方法计算预测能见度;
获取所述预测能见度的能见度报告等级;
根据所述能见度报告等级进行预警。
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,所述处理器执行所述计算机程序时实现上述任一实施例所述的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的方法的步骤。
上述基于二维气象要素场的能见度预测方法和装置,首先是获取待预测区域中各个观测点的与待预测时间对应的参考气象数据,并根据参考气象数据进行差值处理得到二维气象要素场,进而根据二维气象要素场进行能见度预测,充分考虑到了待预测区域的气象空间特征,从而能够提高能见度的预测准确性。
附图说明
图1为一个实施例中基于二维气象要素场的能见度预测方法的应用环境图;
图2为一个实施例中基于二维气象要素场的能见度预测方法的流程示意图;
图3为一个实施例中的能见度预测模型的训练方法的流程图;
图4为一个实施例中的插值处理方法的流程图;
图5为一个实施例中能见度预警方法的流程示意图;
图6为一个实施例中基于二维气象要素场的能见度预测装置的结构框图;
图7为一个实施例中能见度预警装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基于二维气象要素场的能见度预测方法,可以应用于如图1所示的应用环境中。其中,观测点102通过网络与数据处理中心104进行通信。观测点102将所采集的数据发送至数据处理中心104,数据处理中心104在接收到观测点所采集的数据后,可以存储该些数据,并根据该些数据进行能见度预测,数据中心104接收待预测区域和待预测时间;并查询与待预测区域对应的观测点,并提取与观测点和待预测时间对应的参考气象数据。从而数据中心104对所提取的参考气象数据按照类型进行分类,对同一类型的参考气象数据进行插值处理,得到对应的二维气象要素场;这样数据中心104根据二维气象要素场进行预测得到能见度。其中,观测点102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,且观测点优选地为微型气象观测站,数据处理中心104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种基于二维气象要素场的能见度预测方法,以该方法应用于图1中的数据中心为例进行说明,包括以下步骤:
S202:接收待预测区域和待预测时间。
具体地,待预测区域可以是输入至数据中心的区域,例如机场区域、火车站区域等各个人类生产生活或者是自然区域。其中待预测区域中安装有观测点,即安装有气象监测设备,该些安装在待预测区域中的气象监测设备和数据中心共同组成气象监测系统。待预测时间则是所感兴趣的未来的时间。
在实际应用中,上述的气象监测系统的建设方式可以是:首先组件观测点,也即组件微型气象观测站,例如通过各个气象数据采集设备组成微型气象观测站,例如一台微型气象观测站中可以包括但不限于温湿度计、降雨量传感器、PM2.5传感器和风速风向仪。其次在待预测区域内选择预设位置来安装微型气象观测站,例如当待预测区域为机场区域时,则可以在机场内选择塔台或跑道两端安装至少一台微型气象观测站;在机场的8个方位(地理上的八个方位:东、西、南、北、东北、东南、西南、西北)上,每个方位距机场1km~15km围内至少安装一台微型气象观测站。最后,结合微型气象观测站安装位置的网络环境,使用有线或无线相结合的方式,将微型气象观测站和数据处理中心组成气象监测系统。其中微型气象观测站每隔预设时间,例如1分钟收集一次参考气象数据,传输至对应的数据处理中心。
数据中心可以接收用户通过用户终端等输入的待预测区域和待预测时间,从而可以根据待预测时间对待预测区域的能见度进行预测。
S204:查询与待预测区域对应的观测点,并提取与观测点和待预测时间对应的参考气象数据。
具体地,参考气象数据是各个观测点所采集的气象数据,其包括但不限于温度、相对湿度、降雨量、PM2.5、风速和风向。其中微型气象观测站向数据处理中心发送参考气象数据时,还可以携带有待处理区域的区域标识,这样数据处理中心接收到参考气象数据时,可以将参考气象数据、区域标识以及观测点的站点标识进行关联存储以便于后续的处理。例如数据中心可以首先根据所接收的待预测区域查询到待预测区域对应的观测点,然后提取与各个观测点和待预测时间对应的参考气象数据。
其中数据中心提取参考气象数据时,可以首先获取到待预测时间对应的历史时间,例如待预测时间为A,则可以提取待预测时间A的起始时间点,并将起始时间点以前的一段时间B作为待预测时间对应的历史时间,例如提取时获取到与待预测时间A的长度相等的时间B。且可选地,待预测时间A和所提取的历史时间B的长度可以为60分钟。其次,数据中心获取到历史时间B所对应的参考气象数据。
S206:对所提取的参考气象数据按照类型进行分类,对同一类型的参考气象数据进行插值处理,得到对应的二维气象要素场。
具体地,二维气象要素场的类型包括以下至少一个:温度要素场、相对湿度要素场、降雨量要素场、PM2.5要素场、风速要素场和风向要素场。
此处的插值处理可以是根据参考气象数据的类型来分类处理,即数据处理中心首先将参考气象数据进行分类,例如分类为温度、相对湿度、降雨量、PM2.5、风速和风向等,然后根据每一分类的参考气象数据进行插值处理得到对应的二维气象要素场,具体地,数据处理中心可以对各个分类的参考气象数据进行并行处理,以提高处理速度。
其中此处的插值处理可以包括但不限于克里格插值法、反距离权重插值法、径向基函数插值法等,即任何空间插值方法均可以应用到此处。具体地,数据处理中心根据参考气象数据进行插值处理从而获取到各个待插值点的插值数据,从而可以得到对应的二维气象要素场。其中待插值点可以是预先根据能见度预测准确度所确定的。
S208:根据二维气象要素场进行预测得到能见度。
具体地,数据处理中心在得到各个二维气象要素场后,则根据二维气象要素场进行预测得到能见度,例如将二维气象要素场输入至预先训练得到的能见度预测模型中,得到对应的能见度。其中此处的能见度预测模型可以是根据以下任意一种或多种时间序列预测算法模型训练得到:时间卷积网络(TCN)模型、LSTM模型、seq2seq模型,即任何时间序列预测算法模型均可以应用到此处。
上述基于二维气象要素场的能见度预测方法,首先是获取待预测区域中各个观测点的与待预测时间对应的参考气象数据,并根据参考气象数据进行差值处理得到二维气象要素场,进而根据二维气象要素场进行能见度预测,充分考虑到了待预测区域的气象空间特征,从而能够提高能见度的预测准确性。
在其中一个实施例中,根据二维气象要素场进行预测得到能见度,包括:将二维气象要素场根据时间顺序进行分类,以获得每一预设时刻对应的输入数据,输入数据包括各个类型的二维气象要素场;按照时间顺序对输入数据进行排序得到输入序列;根据输入序列进行预测得到能见度。
具体地,输入数据包括各个类型的二维气象要素场,即数据处理中心首先按照时间顺序将二维气象要素场进行分类,这样首先确定历史时间对应的历史时间轴,然后获取每一个时间点对应的二维气象要素场,这样每个时间点均对应多个不同类型的二维气象要素场,例如,数据处理中心获取到微型气象观测站测量值插值得到的t时刻的温度要素场Tt、相对湿度要素场Ht、降雨量要素场Rt、PM2.5要素场Pt、风速要素场WSt、风向要素场WDt,构成t时刻的输入数据Xt=[Tt,Ht,Rt,Pt,WSt,WDt]。然后数据处理中心按照时间顺序对输入数据进行排序得到输入序列,例如获取到过去一个小时的气象要素场构成t时刻的输入序列:Xt-59,Xt-58,…,Xt-2,Xt-1,Xt。最后数据处理中心根据输入序列进行预测得到能见度。
本实施例中将二维气象要素场与时间特征结合,从而充分考虑到了待预测区域的时间特征,这样该实施例中即考虑到了待预测区域的空间特征,又考虑到了时间特征,从而进一步提高了待预测区域的待预测时间的能见度的预测准确性,尤其能够是准确预判能见度快速下降的时刻。可以及时对低能见度事件进行预警,例如当待预测区域为机场时,可以使得机场有时间进行应急响应,采取措施降低损失和避免飞行事故。
在其中一个实施例中,能见度预测模型的生成方式包括:获取样本数据,并计算样本数据中各个时刻对应的样本输入数据,样本输入数据包括各个类型的二维气象要素场;获取与样本输入数据对应的样本能见度;根据样本输入数据和对应的样本能见度训练得到能见度预测模型。
具体地,样本数据可以是从数据中心提取的,然后计算得到各个时间对应的样本输入数据,即包括各个类型的二维气象要素场的样本输入数据,数据中心可以首先,获取由微型气象观测站测量值插值得到的温度要素场Tt、相对湿度要素场Ht、降雨量要素场Rt、PM2.5要素场Pt、风速要素场WSt、风向要素场WDt,构成t时刻的输入数据Xt=[Tt,Ht,Rt,Pt,WSt,WDt],然后获取与样本输入数据对应的样本能见度,例如从报文中获取到真实的样本能见度,例如,从机场METAR报文中获取对应预测时刻的主导能见度,作为t时刻的预测目标变量Yt。这样根据样本输入数据和对应的样本能见度即可生成一个训练样本,按照该种方式可以生成多个训练样本,从而根据所得到的训练样本进行训练得到能见度预测模型。
其中此处的能见度预测模型可以是根据以下任意一种或多种时间序列预测算法模型训练得到:时间卷积网络(TCN)模型、LSTM模型、seq2seq模型,即任何时间序列预测算法模型均可以应用到此处。
进一步地,上述能见度预测模型的训练过程中也可以与时间特征相结合,以进一步提高能见度预测模型的预测准确性,即上述获取与样本输入数据对应的样本能见度,包括:获取第一预设时间间隔;根据第一预设时间间隔获取与样本输入数据对应的样本能见度。上述根据样本输入数据和对应的样本能见度训练得到能见度预测模型,包括:获取第二预设时间间隔;根据第二预设时间间隔按照时间顺序对样本输入数据进行排序得到样本序列;将样本序列和对应的样本能见度组成训练样本,且每个预设能见度报告等级至少包括一个训练样本;根据所得到的训练样本进行训练得到能见度预测模型。
具体地,在计算得到t时刻的输入数据Xt=[Tt,Ht,Rt,Pt,WSt,WDt]后,还可以获取到t时刻之前的预设时间,例如获取过去一个小时的气象要素场构成t时刻的输入序列:Xt-59,Xt-58,…,Xt-2,Xt-1,Xt。例如,从机场METAR报文中获取t时刻一个小时后(t+60)时刻的主导能见度,作为t时刻的预测目标变量Yt。这样将输入序列和目标变量构成t时刻的一个训练样本。收集不同时间的数据可以构造不同时刻的训练样本,从而构建训练数据集。构建的训练数据应保证不同能见度报告等级至少包含一个训练样本。最后,将训练数据集融入预设算法模型中进行训练,预测t时刻一个小时后的能见度。
在实际应用中,结合图3所示,图3为一个实施例中的能见度预测模型的训练方法的流程图,在该实施例中,具体包括以下步骤:
S302:在t(单位:分钟)时刻,获取由微型气象观测站测量值插值得到的温度要素场Tt、相对湿度要素场Ht、降雨量要素场Rt、PM2.5要素场Pt、风速要素场WSt、风向要素场WDt,构成t时刻的输入数据Xt=[Tt,Ht,Rt,Pt,WSt,WDt]。
S304:获取过去一个小时的气象要素场构成t时刻的输入序列:Xt-59,Xt-58,…,Xt-2,Xt-1,Xt。
S306:从机场METAR报文中获取t时刻一个小时后(t+60)时刻的主导能见度,作为t时刻的预测目标变量Yt。
S308:将输入序列和目标变量构成t时刻的一个训练样本。收集不同时间的数据可以构造不同时刻的训练样本,从而构建训练数据集。构建的训练数据应保证不同能见度报告等级至少包含一个训练样本。
S310:将训练数据集融入时间卷积网络(TCN)模型作训练,预测t时刻一个小时后的能见度。注:这里的预测模型不仅限于时间卷积网络(TCN),可以是LSTM模型、seq2seq模型等其他时间序列预测算法。
上述实施例中,在能见度模型训练的时候,充分考虑到了空间特征和时间特征,从而提高了能见度模型的预测准确性。
在其中一个实施例中,对同一类型的参考气象数据进行插值处理,得到对应的二维气象要素场,包括:在待预测区域内定位待插值点;根据同一类型的参考气象数据计算各个待插值点的插值数据;根据所得到的插值数据和待插值点得到对应的二维气象要素场。
具体地,待插值点是预先根据待预测区域以及能见度预测要求所确定的,例如待插值点的密度需要满足能见度预测准确性,且预测时的计算量满足算力要求。从而确定预测准确性高且计算量少的待插值点。
为了方便此处以其中一个类型的参考气象数据进行说明,数据处理中心获取到t时刻待预测区域中的各个观测点所采集的同一类型的参考气象数据,然后根据该些参考气象数据计算得到各个待插值点的插值数据,这样根据插值数据和待插值点得到对应的二维气象要素场。其中根据该些参考气象数据计算得到各个待插值点的插值数据可以是根据各个参考气象数据对各个待插值点的影响来进行计算,例如通过距离来衡量各个参考气象数据对各个待插值点的影响。
上述实施例中,通过预先获取到待插值点,再通过参考气象数据计算各个待插值点的插值数据从而实现插值处理。
在其中一个实施例中,在待预测区域内定位待插值点,包括:获取预先设置的满足能见度预测要求的单位刻度;根据单位刻度在待预测区域建立坐标网格;获取坐标网格中的格点作为待插值点。
具体地,能见度预测要求包括能见度预测准确性和计算量,单位刻度可以是指坐标网格的刻度,在实际应用中,以待检测区域为机场区域为例,以目标物,例如机场为中心,选择一个边长为预设长度的多边形区域,该多边形区域能够覆盖机场区域中安装的所有微型气象观测站。例如选择边长为30千米的正方形区域,此处选择正方形区域是因为划分网格后,气象要素数据可以构成二维矩阵数据,便于作为算法模型的输入,且以正方形区域可以简化数据处理的复杂度。以机场中心为坐标原点,建立直角坐标系,选择单位刻度,例如100m长度为坐标轴单位刻度,则上述正方形区域构成一个300×300的网格。其中该些网格的格点即为待插值点。
进一步地,根据同一类型的参考气象数据计算各个待插值点的插值数据,包括:获取各个观测点对应的权重;根据权重和各个观测点的参考气象数据计算各个待插值点的插值数据。
具体地,各个观测点的权重是已有的观测点的数据计算出来的,该权重可以与距离相关,例如在坐标网格中定位观测点,得到位置坐标;根据位置坐标和各个观测点的参考气象数据计算,得到各个观测点对应的权重。不同的差值方法权重的计算方法不同,可以根据所选择的差值方法来选取对应的权重计算方法,进而计算得到权重。
这样在计算得到权重后,数据处理中心根据权重和各个观测点的参考气象数据计算各个待插值点的插值数据,从而可以得到对应的二维气象要素场。
请参见图4所示,图4为一个实施例中的插值处理方法的流程图,在该实施例中,该插值处理方法包括:
S402:以目标物为中心,选择一个边长为预设长度的正方形区域,能够覆盖待预测区域中安装的所有微型气象观测站。
S404:以目标物中心,例如机场中心为坐标原点,建立直角坐标系,选择单位刻度为坐标轴单位刻度,这样形成坐标网格。
S406:假设该气象监测系统由n台微型气象观测站组成,编号为1,2,…,n。在坐标系中确定每个微型气象观测站的坐标为(x1,y1),(x2,y2),…,(xn,yn)。
S408:获取某一时刻t对应的每台微型气象观测站的温度测量值z1,z2,…,zn。运用克里格插值法,其插值函数为:
其中z(x0,y0)为待插值点的值,z(xi,yi)是已知微型气象观测站i的温度测量值zi,λi是每个点的权重值。
S410:计算插值函数的权重λi得到温度的空间插值函数,计算出正方形区域每个格点的温度值,从而得到一个300×300的二维温度要素场。同样地可以得到t时刻相对湿度要素场、降雨量要素场、PM2.5要素场、风速要素场、风向要素场。
上述实施例中,通过预先获取到待插值点,再通过参考气象数据计算各个待插值点的插值数据从而实现插值处理。
在其中一个实施例中,参见图5所示,还提供一种能见度预警方法,该能见度预警方法包括:
S502:根据上述任意一实施例的基于二维气象要素场的能见度预测方法计算预测能见度。
具体地,针对实时数据,气象监测系统每个1分钟收集一次气象数据,按照上述方法构造成输入数据序列,并将数据序列输入能见度预测模型,计算得到1小时后的能见度预测值。该预测能见度具体可以参见上文的方法,在此不再赘述。
S504:获取预测能见度的能见度报告等级。
S506:根据能见度报告等级进行预警。
具体地,能见度报告等级包括当能见度小于800米时,以50米为等级报告;当能见度大于或等于800米且小于5000米时,以100米为等级报告;当能见度大于或等于5000米且小于10000米时,以1000米为等级报告;当能见度大于或等于10000米时,报告“9999”;当任何观测值不符合所使用的报告等级时,应当向下取最接近的一级。这样数据中心将每一时刻的能见度预测值记录下来,当预测能见度小于1500米、小于1000米、小于800米时以增量等级进行预警。
上述能见度预警方法中,首先是获取待预测区域中各个观测点的与待预测时间对应的参考气象数据,并根据参考气象数据进行差值处理得到二维气象要素场,进而根据二维气象要素场进行能见度预测,充分考虑到了待预测区域的气象空间特征,从而能够提高能见度的预测准确性。
应该理解的是,虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-5中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种基于二维气象要素场的能见度预测装置,包括:接收模块100、查询模块200、插值模块300和第一预测模块400,其中:
接收模块100,用于接收待预测区域和待预测时间;
查询模块200,用于查询与待预测区域对应的观测点,并提取与观测点和待预测时间对应的参考气象数据;
插值模块300,用于对所提取的参考气象数据按照类型进行分类,对同一类型的参考气象数据进行插值处理,得到对应的二维气象要素场;
第一预测模块400,用于根据二维气象要素场进行预测得到能见度。
在其中一个实施例中,上述的第一预测模块400包括:
输入数据生成单元,用于将二维气象要素场根据时间顺序进行分类,以获得每一预设时刻对应的输入数据,输入数据包括各个类型的二维气象要素场;
输入序列生成单元,用于按照时间顺序对输入数据进行排序得到输入序列;
预测单元,用于根据输入序列进行预测得到能见度。
在其中一个实施例中,二维气象要素场的类型包括以下至少一个:温度要素场、相对湿度要素场、降雨量要素场、PM2.5要素场、风速要素场和风向要素场。
在其中一个实施例中,上述第一预测模块400还可以用于将二维气象要素场输入至预先训练得到的能见度预测模型中,得到对应的能见度。
在其中一个实施例中,上述基于二维气象要素场的能见度预测装置还可以包括:
样本输入数据生成模块,用于获取样本数据,并计算样本数据中各个时刻对应的样本输入数据,样本输入数据包括各个类型的二维气象要素场;
样本能见度获取模块,用于获取与样本输入数据对应的样本能见度;
训练模块,用于根据样本输入数据和对应的样本能见度训练得到能见度预测模型。
在其中一个实施例中,样本能见度获取模块可以包括:
第一预设时间间隔获取单元,用于获取第一预设时间间隔;
样本能见度获取单元,用于根据第一预设时间间隔获取与样本输入数据对应的样本能见度;
上述训练模块包括:
第二预设时间间隔获取单元,用于获取第二预设时间间隔;
样本序列生成单元,用于根据第二预设时间间隔按照时间顺序对样本输入数据进行排序得到样本序列;
训练样本生成单元,用于将样本序列和对应的样本能见度组成训练样本,且每个预设能见度报告等级至少包括一个训练样本;
训练单元,用于根据所得到的训练样本进行训练得到能见度预测模型。
在其中一个实施例中,上述差值模块可以包括:
定位单元,用于在待预测区域内定位待插值点;
插值单元,用于根据同一类型的参考气象数据计算各个待插值点的插值数据;
二维气象要素场生成单元,用于根据所得到的插值数据和待插值点得到对应的二维气象要素场。
在其中一个实施例中,上述定位单元包括:
单位刻度获取子单元,用于获取预先设置的满足能见度预测要求的单位刻度;
坐标网格建立子单元,用于根据单位刻度在待预测区域建立坐标网格;
待插值点获取子单元,用于获取坐标网格中的格点作为待插值点。
在其中一个实施例中,上述插值单元包括:
权重获取孙单元,用于获取各个观测点对应的权重;
插值孙单元,用于根据权重和各个观测点的参考气象数据计算各个待插值点的插值数据。
在其中一个实施例中,上述插值模块还包括:
位置坐标生成单元,用于在坐标网格中定位观测点,得到位置坐标;
权重生成单元,用于根据位置坐标和各个观测点的参考气象数据计算,得到各个观测点对应的权重。
关于基于二维气象要素场的能见度预测装置的具体限定可以参见上文中对于基于二维气象要素场的能见度预测方法的限定,在此不再赘述。上述基于二维气象要素场的能见度预测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。
在一个实施例中,如图7所示,提供了一种能见度预警装置,包括:第二预测模块500、等级获取模块600和预警模块700,其中:
第二预测模块500,用于计算预测能见度;
等级获取模块600,用于获取预测能见度的能见度报告等级;
预警模块700,用于根据能见度报告等级进行预警。
关于能见度预警装置的具体限定可以参见上文中对于能见度预警方法的限定,在此不再赘述。上述能见度预警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。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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、计算机程序和数据库。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。该计算机设备的数据库用于存储参考气象数据和预测得到的能见度等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于二维气象要素场的能见度预测方法或能见度预警方法。
本领域技术人员可以理解,图8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,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:接收待预测区域和待预测时间;查询与待预测区域对应的观测点,并提取与观测点和待预测时间对应的参考气象数据;对所提取的参考气象数据按照类型进行分类,对同一类型的参考气象数据进行插值处理,得到对应的二维气象要素场;根据二维气象要素场进行预测得到能见度。
在一个实施例中,处理器执行计算机程序时所实现的根据二维气象要素场进行预测得到能见度,包括:将二维气象要素场根据时间顺序进行分类,以获得每一预设时刻对应的输入数据,输入数据包括各个类型的二维气象要素场;按照时间顺序对输入数据进行排序得到输入序列;根据输入序列进行预测得到能见度。
在一个实施例中,处理器执行计算机程序时所涉及的二维气象要素场的类型包括以下至少一个:温度要素场、相对湿度要素场、降雨量要素场、PM2.5要素场、风速要素场和风向要素场。
在一个实施例中,处理器执行计算机程序时所实现的根据二维气象要素场进行预测得到能见度,包括:将二维气象要素场输入至预先训练得到的能见度预测模型中,得到对应的能见度。
在一个实施例中,处理器执行计算机程序时所涉及的能见度预测模型的生成方式包括:获取样本数据,并计算样本数据中各个时刻对应的样本输入数据,样本输入数据包括各个类型的二维气象要素场;获取与样本输入数据对应的样本能见度;根据样本输入数据和对应的样本能见度训练得到能见度预测模型。
在一个实施例中,处理器执行计算机程序时所实现的获取与样本输入数据对应的样本能见度,包括:获取第一预设时间间隔;根据第一预设时间间隔获取与样本输入数据对应的样本能见度;处理器执行计算机程序时所实现的根据样本输入数据和对应的样本能见度训练得到能见度预测模型,包括:获取第二预设时间间隔;根据第二预设时间间隔按照时间顺序对样本输入数据进行排序得到样本序列;将样本序列和对应的样本能见度组成训练样本,且每个预设能见度报告等级至少包括一个训练样本;根据所得到的训练样本进行训练得到能见度预测模型。
在一个实施例中,处理器执行计算机程序时所实现的对同一类型的参考气象数据进行插值处理,得到对应的二维气象要素场,包括:在待预测区域内定位待插值点;根据同一类型的参考气象数据计算各个待插值点的插值数据;根据所得到的插值数据和待插值点得到对应的二维气象要素场。
在一个实施例中,处理器执行计算机程序时所实现的在待预测区域内定位待插值点,包括:获取预先设置的满足能见度预测要求的单位刻度;根据单位刻度在待预测区域建立坐标网格;获取坐标网格中的格点作为待插值点。
在一个实施例中,处理器执行计算机程序时所实现的根据同一类型的参考气象数据计算各个待插值点的插值数据,包括:获取各个观测点对应的权重;根据权重和各个观测点的参考气象数据计算各个待插值点的插值数据。
在一个实施例中,处理器执行计算机程序时所涉及的观测点对应的权重的生成方式包括:在坐标网格中定位观测点,得到位置坐标;根据位置坐标和各个观测点的参考气象数据计算,得到各个观测点对应的权重。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:根据上述任一实施例的基于二维气象要素场的能见度预测方法计算预测能见度;获取预测能见度的能见度报告等级;根据能见度报告等级进行预警。
在一个实施例中,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:接收待预测区域和待预测时间;查询与待预测区域对应的观测点,并提取与观测点和待预测时间对应的参考气象数据;对所提取的参考气象数据按照类型进行分类,对同一类型的参考气象数据进行插值处理,得到对应的二维气象要素场;根据二维气象要素场进行预测得到能见度。
在一个实施例中,计算机程序被处理器执行时所实现的根据二维气象要素场进行预测得到能见度,包括:将二维气象要素场根据时间顺序进行分类,以获得每一预设时刻对应的输入数据,输入数据包括各个类型的二维气象要素场;按照时间顺序对输入数据进行排序得到输入序列;根据输入序列进行预测得到能见度。
在一个实施例中,计算机程序被处理器执行时所涉及的二维气象要素场的类型包括以下至少一个:温度要素场、相对湿度要素场、降雨量要素场、PM2.5要素场、风速要素场和风向要素场。
在一个实施例中,计算机程序被处理器执行时所实现的根据二维气象要素场进行预测得到能见度,包括:将二维气象要素场输入至预先训练得到的能见度预测模型中,得到对应的能见度。
在一个实施例中,计算机程序被处理器执行时所涉及的能见度预测模型的生成方式包括:获取样本数据,并计算样本数据中各个时刻对应的样本输入数据,样本输入数据包括各个类型的二维气象要素场;获取与样本输入数据对应的样本能见度;根据样本输入数据和对应的样本能见度训练得到能见度预测模型。
在一个实施例中,计算机程序被处理器执行时所实现的获取与样本输入数据对应的样本能见度,包括:获取第一预设时间间隔;根据第一预设时间间隔获取与样本输入数据对应的样本能见度;计算机程序被处理器执行时所实现的根据样本输入数据和对应的样本能见度训练得到能见度预测模型,包括:获取第二预设时间间隔;根据第二预设时间间隔按照时间顺序对样本输入数据进行排序得到样本序列;将样本序列和对应的样本能见度组成训练样本,且每个预设能见度报告等级至少包括一个训练样本;根据所得到的训练样本进行训练得到能见度预测模型。
在一个实施例中,计算机程序被处理器执行时所实现的对同一类型的参考气象数据进行插值处理,得到对应的二维气象要素场,包括:在待预测区域内定位待插值点;根据同一类型的参考气象数据计算各个待插值点的插值数据;根据所得到的插值数据和待插值点得到对应的二维气象要素场。
在一个实施例中,计算机程序被处理器执行时所实现的在待预测区域内定位待插值点,包括:获取预先设置的满足能见度预测要求的单位刻度;根据单位刻度在待预测区域建立坐标网格;获取坐标网格中的格点作为待插值点。
在一个实施例中,计算机程序被处理器执行时所实现的根据同一类型的参考气象数据计算各个待插值点的插值数据,包括:获取各个观测点对应的权重;根据权重和各个观测点的参考气象数据计算各个待插值点的插值数据。
在一个实施例中,计算机程序被处理器执行时所涉及的观测点对应的权重的生成方式包括:在坐标网格中定位观测点,得到位置坐标;根据位置坐标和各个观测点的参考气象数据计算,得到各个观测点对应的权重。
在一个实施例中,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:根据上述任一实施例的基于二维气象要素场的能见度预测方法计算预测能见度;获取预测能见度的能见度报告等级;根据能见度报告等级进行预警。
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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上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发明专利范围的限制。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 (11)
1.一种基于二维气象要素场的能见度预测方法,其特征在于,所述方法包括:
接收待预测区域和待预测时间;
查询与所述待预测区域对应的观测点,并提取与所述观测点和所述待预测时间对应的参考气象数据;
对所提取的参考气象数据按照类型进行分类,对同一类型的参考气象数据进行插值处理,得到对应的二维气象要素场;
根据所述二维气象要素场进行预测得到能见度。
2.根据权利要求1所述的基于二维气象要素场的能见度预测方法,其特征在于,所述根据所述二维气象要素场进行预测得到能见度,包括:
将所述二维气象要素场根据时间顺序进行分类,以获得每一预设时刻对应的输入数据,所述输入数据包括各个类型的二维气象要素场;
按照时间顺序对所述输入数据进行排序得到输入序列;
根据所述输入序列进行预测得到能见度。
3.根据权利要求1或2所述的基于二维气象要素场的能见度预测方法,其特征在于,所述根据所述二维气象要素场进行预测得到能见度,包括:
将所述二维气象要素场输入至预先训练得到的能见度预测模型中,得到对应的能见度;
其中,所述能见度预测模型的生成方式包括:
获取样本数据,并计算所述样本数据中各个时刻对应的样本输入数据,所述样本输入数据包括各个类型的二维气象要素场;
获取与所述样本输入数据对应的样本能见度;
根据所述样本输入数据和对应的所述样本能见度训练得到能见度预测模型。
4.根据权利要求3所述的基于二维气象要素场的能见度预测方法,其特征在于,所述获取与所述样本输入数据对应的样本能见度,包括:
获取第一预设时间间隔;
根据所述第一预设时间间隔获取与所述样本输入数据对应的样本能见度;
所述根据所述样本输入数据和对应的所述样本能见度训练得到能见度预测模型,包括:
获取第二预设时间间隔;
根据所述第二预设时间间隔按照时间顺序对所述样本输入数据进行排序得到样本序列;
将所述样本序列和对应的所述样本能见度组成训练样本,且每个预设能见度报告等级至少包括一个训练样本;
根据所得到的训练样本进行训练得到能见度预测模型。
5.根据权利要求1或2所述的基于二维气象要素场的能见度预测方法,其特征在于,所述对同一类型的参考气象数据进行插值处理,得到对应的二维气象要素场,包括:
在所述待预测区域内定位待插值点;
根据同一类型的参考气象数据计算各个所述待插值点的插值数据;
根据所得到的插值数据和所述待插值点得到对应的二维气象要素场。
6.根据权利要求5所述的基于二维气象要素场的能见度预测方法,其特征在于,所述在所述待预测区域内定位待插值点,包括:
获取预先设置的满足能见度预测要求的单位刻度;
根据所述单位刻度在所述待预测区域建立坐标网格;
获取所述坐标网格中的格点作为待插值点。
7.根据权利要求6所述的基于二维气象要素场的能见度预测方法,其特征在于,所述根据同一类型的参考气象数据计算各个所述待插值点的插值数据,包括:
获取各个所述观测点对应的权重;
根据所述权重和各个所述观测点的参考气象数据计算各个所述待插值点的插值数据。
8.根据权利要求7所述的基于二维气象要素场的能见度预测方法,其特征在于,所述观测点对应的权重的生成方式包括:
在所述坐标网格中定位所述观测点,得到位置坐标;
根据所述位置坐标和各个所述观测点的参考气象数据计算,得到各个所述观测点对应的权重。
9.一种能见度预警方法,其特征在于,所述能见度预警方法包括:
根据权利要求1至8任意一项所述的方法计算预测能见度;
获取所述预测能见度的能见度报告等级;
根据所述能见度报告等级进行预警。
10.一种计算机设备,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9中任一项所述的方法的步骤。
11.一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9中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011001903.3A CN112162336A (zh) | 2020-09-22 | 2020-09-22 | 基于二维气象要素场的能见度预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011001903.3A CN112162336A (zh) | 2020-09-22 | 2020-09-22 | 基于二维气象要素场的能见度预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112162336A true CN112162336A (zh) | 2021-01-01 |
Family
ID=73863166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011001903.3A Pending CN112162336A (zh) | 2020-09-22 | 2020-09-22 | 基于二维气象要素场的能见度预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112162336A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609738A (zh) * | 2024-01-19 | 2024-02-27 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 集合多因素的大气能见度预测方法、计算机设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060271297A1 (en) * | 2005-05-28 | 2006-11-30 | Carlos Repelli | Method and apparatus for providing environmental element prediction data for a point location |
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 |
CN108375808A (zh) * | 2018-03-12 | 2018-08-07 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的大雾预报方法 |
CN111242374A (zh) * | 2020-01-10 | 2020-06-05 | 上海眼控科技股份有限公司 | 雷电预测方法、装置、计算机设备和计算机可读存储介质 |
CN111413297A (zh) * | 2020-04-13 | 2020-07-14 | 上海眼控科技股份有限公司 | 能见度测量方法、装置、计算机设备及存储介质 |
-
2020
- 2020-09-22 CN CN202011001903.3A patent/CN112162336A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060271297A1 (en) * | 2005-05-28 | 2006-11-30 | Carlos Repelli | Method and apparatus for providing environmental element prediction data for a point location |
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 |
CN108375808A (zh) * | 2018-03-12 | 2018-08-07 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的大雾预报方法 |
CN111242374A (zh) * | 2020-01-10 | 2020-06-05 | 上海眼控科技股份有限公司 | 雷电预测方法、装置、计算机设备和计算机可读存储介质 |
CN111413297A (zh) * | 2020-04-13 | 2020-07-14 | 上海眼控科技股份有限公司 | 能见度测量方法、装置、计算机设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609738A (zh) * | 2024-01-19 | 2024-02-27 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 集合多因素的大气能见度预测方法、计算机设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108268597B (zh) | 一种动目标活动概率图谱构建及行为意图识别方法 | |
CN104992254B (zh) | 基于电网gis的山火与气象结合的趋势预判方法 | |
CN109543907B (zh) | 一种复杂地形风资源评估方法及其装置 | |
CN111505740B (zh) | 气象预测方法、装置、计算机设备和存储介质 | |
CN111626599A (zh) | 一种气象灾害风险研判方法及系统 | |
Jonnalagadda et al. | Forecasting atmospheric visibility using auto regressive recurrent neural network | |
JP2019138737A (ja) | 雷危険度判定装置 | |
CN110956677A (zh) | 雷达图的预测方法、装置、计算机设备和存储介质 | |
CN112711919A (zh) | 基于中小尺度模式耦合的导线覆冰预报方法及系统 | |
Fan et al. | A comparative study of four merging approaches for regional precipitation estimation | |
CN117591794B (zh) | 基于时间序列的鸟类迁徙轨迹预测方法 | |
CN112162336A (zh) | 基于二维气象要素场的能见度预测方法和装置 | |
CN114548595A (zh) | 基于注意力机制的强对流天气物理特征量预测方法及系统 | |
KR20120132985A (ko) | 태풍을 포함하는 저기압 접근 시 재해기상의 시공간적 분포 검색 시스템 | |
CN103499846A (zh) | 对天气状况进行预测的方法和设备 | |
KR102002593B1 (ko) | 특정공간에서의 유해기체 확산 해석 방법 및 장치 | |
CN115240400B (zh) | 车辆位置识别方法和装置、车辆位置输出方法和装置 | |
CN114418243B (zh) | 分布式新能源云端网格预测方法与系统 | |
JP4067999B2 (ja) | 雷観測システム | |
KR101870743B1 (ko) | 갯벌체험 지수 예보 장치 및 그 방법 | |
Socaci et al. | XNow: A deep learning technique for nowcasting based on radar products’ values prediction | |
CN115080629A (zh) | 一种基于遥感技术的气象要素预报系统及方法 | |
CN114137637A (zh) | 基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法 | |
JP5864753B2 (ja) | 物理量推定システム及び物理量推定方法 | |
Alves et al. | Lightning Warning Prediction with Multi-source Data |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20230714 |
|
AD01 | Patent right deemed abandoned |