CN112461799B - 一种获取高速公路团雾能见度的方法及装置 - Google Patents
一种获取高速公路团雾能见度的方法及装置 Download PDFInfo
- Publication number
- CN112461799B CN112461799B CN202011337105.8A CN202011337105A CN112461799B CN 112461799 B CN112461799 B CN 112461799B CN 202011337105 A CN202011337105 A CN 202011337105A CN 112461799 B CN112461799 B CN 112461799B
- Authority
- CN
- China
- Prior art keywords
- observation data
- aerosol
- aerosol particles
- meteorological observation
- target 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.)
- Active
Links
Classifications
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/59—Transmissivity
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种获取高速公路团雾能见度的方法及装置,其中,该获取高速公路团雾能见度的方法包括:获取高速公路上目标区域的气象观测数据;将获取的气象观测数据输入预先通过机器学习得到的气溶胶粒子模型,得到所述目标区域的气溶胶颗粒物包含的各气溶胶粒子属性参数值;基于所述各气溶胶粒子属性参数值,获取所述气溶胶颗粒物的总消光系数;基于所述气溶胶颗粒物的总消光系数以及所述目标区域的相对湿度,计算所述目标区域的团雾能见度。可以降低高速公路的道路交通安全隐患。
Description
技术领域
本发明涉及道路交通能见度识别技术领域,具体而言,涉及一种获取高速公路团雾能见度的方法及装置。
背景技术
在高速公路沿线数十米到数千米的局部范围内,受微气候环境的影响,地面辐射冷却,使贴近地面的空气变冷、饱和比湿下降,导致水汽凝结而容易形成团雾,团雾外能见度较为良好,团雾内能见度极低,使得车辆在进入高速公路上生成的团雾中后,能见度急剧下降,对高速公路的道路交通安全极具危害性,容易酿成重大交通事故。但由于高速公路团雾的区域性强、覆盖范围较小、积聚时间较长、易漂移、突然性强,使得对高速公路团雾的预测预报较为困难,目前,还没有一种有效的方法对高速公路团雾能见度进行有效预测,以降低高速公路的道路交通安全隐患。
发明内容
有鉴于此,本发明的目的在于提供获取高速公路团雾能见度的方法及装置,以降低高速公路的道路交通安全隐患。
第一方面,本发明实施例提供了获取高速公路团雾能见度的方法,包括:
获取高速公路上目标区域的气象观测数据;
将获取的气象观测数据输入预先通过机器学习得到的气溶胶粒子模型,得到所述目标区域的气溶胶颗粒物包含的各气溶胶粒子属性参数值;
基于所述各气溶胶粒子属性参数值,获取所述气溶胶颗粒物的总消光系数;
基于所述气溶胶颗粒物的总消光系数以及所述目标区域的相对湿度,计算所述目标区域的团雾能见度。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述基于所述各气溶胶粒子属性参数值,获取所述气溶胶颗粒物的消光系数,包括:
针对每一类气溶胶粒子的气溶胶粒子属性参数值,获取该类气溶胶粒子的气溶胶粒子谱分布以及复折射指数;
基于气溶胶粒子的复折射指数以及气溶胶粒子属性参数值,获取该类气溶胶粒子的米散射消光效率;
基于各气溶胶粒子的米散射消光效率以及气溶胶粒子谱分布,计算气溶胶颗粒物的消光系数。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述基于所述气溶胶颗粒物的总消光系数以及所述目标区域的相对湿度,计算所述目标区域的团雾能见度,包括:
基于所述气溶胶颗粒物的总消光系数以及所述目标区域的相对湿度,获取大气消光系数;
将所述大气消光系数应用于能见度计算公式,得到所述目标区域的团雾能见度。
结合第一方面、第一方面的第一种可能的实施方式或第二种可能的实施方式,本发明实施例提供了第一方面的第三种可能的实施方式,其中,构建所述气溶胶粒子模型包括:
获取高速公路上样本区域的历史气象观测数据,所述历史气象观测数据包括发生团雾时的气象观测数据以及未发生团雾的气象观测数据;
查询所述样本区域的气象记录,获取所述样本区域发生团雾时记录的各气溶胶粒子属性参数值;
以样本区域的历史气象观测数据作为机器学习网络的输入,以该样本区域的历史气象观测数据对应的各气溶胶粒子属性参数值作为机器学习网络的输出,对机器学习网络进行训练,在机器学习网络的训练精度满足精度阈值后,停止训练,得到气溶胶粒子模型。
结合第一方面、第一方面的第一种可能的实施方式或第二种可能的实施方式,本发明实施例提供了第一方面的第四种可能的实施方式,其中,在所述获取高速公路上目标区域的气象观测数据之后,将获取的气象观测数据输入预先通过机器学习得到的气溶胶粒子模型之前,所述方法还包括:
对获取的气象观测数据进行数据清洗。
结合第一方面、第一方面的第一种可能的实施方式或第二种可能的实施方式,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述气象观测数据包括:观测数据、再分析数值预报数据、地理信息系统数据以及交通气象观测数据。
第二方面,本发明实施例还提供了一种获取高速公路团雾能见度的装置,包括:
数据获取模块,用于获取高速公路上目标区域的气象观测数据;
参数值获取模块,用于将获取的气象观测数据输入预先通过机器学习得到的气溶胶粒子模型,得到所述目标区域的气溶胶颗粒物包含的各气溶胶粒子属性参数值;
消光系数计算模块,用于基于所述各气溶胶粒子属性参数值,获取所述气溶胶颗粒物的总消光系数;
团雾能见度计算模块,用于基于所述气溶胶颗粒物的总消光系数以及所述目标区域的相对湿度,计算所述目标区域的团雾能见度。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,还包括:
气溶胶粒子模型构建模块,用于获取高速公路上样本区域的历史气象观测数据,所述历史气象观测数据包括发生团雾时的气象观测数据以及未发生团雾的气象观测数据;
查询所述样本区域的气象记录,获取所述样本区域发生团雾时记录的各气溶胶粒子属性参数值;
以样本区域的历史气象观测数据作为机器学习网络的输入,以该样本区域的历史气象观测数据对应的各气溶胶粒子属性参数值作为机器学习网络的输出,对机器学习网络进行训练,在机器学习网络的训练精度满足精度阈值后,停止训练,得到气溶胶粒子模型。
第三方面,本申请实施例提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述的方法的步骤。
本发明实施例提供的获取高速公路团雾能见度的方法及装置,通过获取高速公路上目标区域的气象观测数据;将获取的气象观测数据输入预先通过机器学习得到的气溶胶粒子模型,得到所述目标区域的气溶胶颗粒物包含的各气溶胶粒子属性参数值;基于所述各气溶胶粒子属性参数值,获取所述气溶胶颗粒物的总消光系数;基于所述气溶胶颗粒物的总消光系数以及所述目标区域的相对湿度,计算所述目标区域的团雾能见度。这样,可以利用计算的团雾能见度控制车辆的行驶速度,可以降低高速公路的道路交通安全隐患。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的获取高速公路团雾能见度的方法流程示意图;
图2示出了本发明实施例所提供的获取高速公路团雾能见度的装置结构示意图;
图3为本申请实施例提供的一种计算机设备300的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
本发明实施例提供了一种获取高速公路团雾能见度的方法及装置,下面通过实施例进行描述。
图1示出了本发明实施例所提供的获取高速公路团雾能见度的方法流程示意图。如图1所示,该方法包括:
步骤101,获取高速公路上目标区域的气象观测数据;
本发明实施例中,作为一可选实施例,当车辆在高速公路上行驶时,利用本发明实施例的方法,开启获取高速公路团雾能见度的功能,按照预设的上报周期,周期性上报车辆当前的位置信息,后台服务器接收到车辆当前的位置信息后,确定车辆所属的目标区域,并获取该目标区域的气象观测数据。作为另一可选实施例,也可以是由驾驶员输入目标区域,该目标区域可以是高速公路上的任一区域。
本发明实施例中,气象观测数据包括:观测数据、再分析数值预报数据、地理信息系统(GIS,Geographic Information System)数据以及交通气象观测数据,其中,
观测数据包括但不限于:温度、湿度、压强、露点温度、降水量、风速、风向、PM2.5、PM10、NO2、SO2、气溶胶光学厚度、大气温湿度廓线、大气运动导风、火点检测、雾、地表温度中的一项或多项数据。本发明实施例中,观测数据可以来源于不同的观测站,例如,可以是来源于地面气象站、环境观测站、卫星等,其中,地面气象站采集的观测数据包括:温度、湿度、压强、露点温度、降水量、风速、风向;环境观测站采集的观测数据包括:温度、湿度、PM2.5、PM10、NO2、SO2;卫星采集的观测数据包括:气溶胶光学厚度、大气温湿度廓线、大气运动导风、火点检测、雾、地表温度。对于不同观测站采集的目标区域的同一观测数据,本发明实施例中,可以依据预先设置的策略进行处理,例如,按照策略确定的优先级,采用优先级高的观测站采集的观测数据,舍弃其他观测站的观测数据,或者,对各观测站的同一观测数据进行加权处理等。
再分析数值预报数据包括但不限于:温度、湿度、压强、露点温度、降水量、风速、风向、气溶胶光学厚度、气溶胶后向散射、PM2.5、PM10、NO2、SO2、静力稳定度、降水量等。
地理信息系统(GIS,Geographic Information System)数据包括但不限于:经纬度、海拔高度、数字地表数据、数字高程数据、植被、高架路、桥梁、隧道等。
交通气象观测数据包括:经纬度、温度、湿度、降水量、风速、风向、路面温度、路面状况、天气现象等。
步骤102,将获取的气象观测数据输入预先通过机器学习得到的气溶胶粒子模型,得到所述目标区域的气溶胶颗粒物包含的各气溶胶粒子属性参数值;
本发明实施例中,在所述获取高速公路上目标区域的气象观测数据之后,将获取的气象观测数据输入预先通过机器学习得到的气溶胶粒子模型之前,该方法还包括:
对获取的气象观测数据进行数据清洗。
本发明实施例中,作为一可选实施例,数据清洗包括对错误数据的剔除,对不一致数据的订正和对缺测数据的标记等。
本发明实施例中,利用预先构建的气溶胶粒子模型,对输入的气象观测数据进行运算,得到各气溶胶粒子属性参数值。其中,作为一可选实施例,气溶胶粒子属性参数值包括:粒子数目、粒径、粒子表面积、粒子体积、粒子质量,气溶胶颗粒物包含的气溶胶粒子包括但不限于:硫酸盐、硝酸盐、黑炭、沙尘、人为气溶胶等。作为另一可选实施例,气溶胶粒子属性参数值还可以包括:气溶胶粒子所在的地形和周围植被信息,目标区域所属的气候区域等,其中,地形包括但不限于:山区、平原、水域、森林等,气候区域包括但不限于:西北干旱气候区域、华南湿润气候区域、华东季风气候区域等。
本发明实施例中,作为一可选实施例,构建气溶胶粒子模型包括:
A11,获取高速公路上样本区域的历史气象观测数据,所述历史气象观测数据包括发生团雾时的气象观测数据以及未发生团雾的气象观测数据;
本发明实施例中,获取高速公路上发生过团雾并记录有团雾的气溶胶粒子属性参数值的区域作为样本区域。历史气象观测数据包括该样本区域发生团雾时的气象观测数据以及未发生团雾时的气象观测数据,以发生团雾时的气象观测数据为主,以未发生团雾时的气象观测数据为辅。
A12,查询所述样本区域的气象记录,获取所述样本区域发生团雾时记录的各气溶胶粒子属性参数值;
本发明实施例中,针对每一历史气象观测数据,对应记录有一气溶胶粒子属性参数值,对于未发生团雾时的气象观测数据为,对应的各气溶胶粒子属性参数值可以设置为默认值。
A13,以样本区域的历史气象观测数据作为机器学习网络的输入,以该样本区域的历史气象观测数据对应的各气溶胶粒子属性参数值作为机器学习网络的输出,对机器学习网络进行训练,在机器学习网络的训练精度满足精度阈值后,停止训练,得到气溶胶粒子模型。
本发明实施例中,利用决策树算法、神经网络算法、支持向量机等对机器学习网络进行训练,机器学习网络包括但不限于:监督学习网络、无监督学习网络以及强化学习网络。
本发明实施例中,基于发生团雾时的气象观测数据以及该气象观测数据对应的各气溶胶粒子属性参数值,以及,未发生团雾时的气象观测数据以及该气象观测数据对应的各气溶胶粒子属性参数值,分别构建数据对,并将构建的数据对分为训练集以及测试集,以训练集中的数据对对机器学习网络进行训练,以测试集中的数据对对训练的机器学习网络进行测试,以获取训练的机器学习网络的训练精度,若获取的训练精度满足精度阈值或训练的迭代次数达到预设的迭代次数阈值,则停止训练,得到气溶胶粒子模型;若不满足,则继续进行训练。其中,作为一可选实施例,数据对中,取80%作为训练集,取20%作为测试集,并基于谷歌的机器学习工具TensorFlow库进行训练。
本发明实施例中,综合观测数据、再分析数值预报数据、GIS数据以及交通气象观测数据建立气溶胶粒子模型,可以得到不同地形下垫面条件和气象背景条件下的气溶胶粒子谱分布。
本发明实施例中,为了避免历史气象观测数据中的各数据由于量纲以及大小不同对机器学习网络的影响,作为一可选实施例,可以对历史气象观测数据中的各类数据进行归一化处理,例如,分别对温度、湿度、降水量、风速等分类数据进行归一化处理。
步骤103,基于所述各气溶胶粒子属性参数值,获取所述气溶胶颗粒物的总消光系数;
本发明实施例中,作为一可选实施例,基于所述各气溶胶粒子属性参数值,获取所述气溶胶颗粒物的消光系数,包括:
A21,针对每一类气溶胶粒子的气溶胶粒子属性参数值,获取该类气溶胶粒子的气溶胶粒子谱分布以及复折射指数;
本发明实施例中,气溶胶粒子谱分布为与粒子数目、粒径、粒子表面积、粒子体积、粒子质量相关的函数。
本发明实施例中,气溶胶粒子的复折射指数如下式所示:
nj=m+ik
式中,
nj为气溶胶粒子j的复折射指数;
m为吸收性介质的折射率;
k为吸收系数。
本发明实施例中,吸收性介质的折射率决定光在吸收性介质中的传播速度,吸收系数决定光在吸收性介质中传播时的衰减。
A22,基于气溶胶粒子的复折射指数以及气溶胶粒子属性参数值,获取该类气溶胶粒子的米散射消光效率;
本发明实施例中,米散射(Mie)消光效率为复折射指数、粒径以及入射光波长的函数。
A23,基于各气溶胶粒子的米散射消光效率以及气溶胶粒子谱分布,计算气溶胶颗粒物的消光系数。
本发明实施例中,气溶胶颗粒物内包含有各气溶胶粒子。作为一可选实施例,利用下式计算气溶胶颗粒物的消光系数:
式中,
为气溶胶颗粒物的消光系数;
Qext(nj,D,λ)为气溶胶粒子j的米散射消光效率;
fN,j(D)为气溶胶粒子j的气溶胶粒子谱分布函数;
D为气溶胶粒子j的粒径;
λ为入射光波长。
本发明实施例中,气溶胶粒子谱分布用于表征则一定粒径下(D)的气溶胶粒子的数量浓度情况,通过将不同粒径的气溶胶粒子的消光系数进行加和,可以得到全粒径下所有气溶胶粒子的总消光系数,即气溶胶颗粒物的消光系数。
步骤104,基于所述气溶胶颗粒物的总消光系数以及所述目标区域的相对湿度,计算所述目标区域的团雾能见度。
本发明实施例中,作为一可选实施例,基于所述气溶胶颗粒物的总消光系数以及所述目标区域的相对湿度,计算所述目标区域的团雾能见度,包括:
A31,基于所述气溶胶颗粒物的总消光系数以及所述目标区域的相对湿度,获取大气消光系数;
本发明实施例中,作为一可选实施例,利用下式计算大气消光系数:
式中,
σ为大气消光系数;
RH为相对湿度。
本发明实施例中,作为一可选实施例,ξ1=30%,ξ2=40%,ξ3=50%,ξ4=60%,ξ5=70%,ξ6=75%,ξ7=80%,ξ8=85%,ξ9=90%。
A32,将所述大气消光系数应用于能见度计算公式,得到所述目标区域的团雾能见度。
本发明实施例中,作为一可选实施例,利用下式计算团雾能见度:
式中,
ε为对比视感阈,本发明实施例中,ε=0.02。
本发明实施例中,通过利用机器学习的气溶胶粒子模型,依据目标区域的气象观测数据,预测目标区域的各气溶胶粒子属性参数值,从而基于气溶胶粒子属性参数值以及目标区域的相对湿度信息,进行目标区域的团雾能见度计算,使得车辆司机能够依据计算的团雾能见度,对车辆的行驶速度进行相应控制,有效避免交通安全事故。由于团雾能见度的变化依赖于大气中悬浮粒子和水汽凝结成雾对光的散射和吸收,本发明实施例中,基于气象条件、时间和空间进行团雾能见度计算,获取的GIS数据可达10米级分辨率,气象预报可达1km级分辨率和10分钟级间隔,因而,本发明实施例的方法还可以迅速判断非常小范围和短时间间隔内出现的低能见度团雾现象。
本发明实施例通过利用现有气象观测体系,基于机器学习和气象大数据技术,在高速公路沿线,充分考虑到高速周边地形的影响因素,针对团雾形成的环境背景进行识别,并进行团雾能见度预报,能够应对高速公路上突发的团雾事故,能够充分分辨团雾的空间范围和时间持续,从而准确判断团雾的移动方向、生成及消散时间,提高车辆驾驶的安全性,保障高速公路的安全营运,减少高速交通事故的发生。
图2示出了本发明实施例所提供的获取高速公路团雾能见度的装置结构示意图。如图2所示,该装置包括:
数据获取模块201,用于获取高速公路上目标区域的气象观测数据;
本发明实施例中,气象观测数据包括:观测数据、再分析数值预报数据、地理信息系统数据以及交通气象观测数据。其中,观测数据来源于地面气象站、环境观测站和卫星。对于不同观测站采集的目标区域的同一观测数据,可以依据预先设置的策略进行处理,例如,按照策略确定的优先级,采用优先级高的观测站采集的观测数据,舍弃其他观测站的观测数据,或者,对各观测站的同一观测数据进行加权处理等。其他气象观测数据的处理与观测数据的处理相同。
参数值获取模块202,用于将获取的气象观测数据输入预先通过机器学习得到的气溶胶粒子模型,得到所述目标区域的气溶胶颗粒物包含的各气溶胶粒子属性参数值;
本发明实施例中,气溶胶粒子包括但不限于:硫酸盐、硝酸盐、黑炭、沙尘、人为气溶胶等,气溶胶粒子属性参数值包括:粒子数目、粒径、粒子表面积、粒子体积、粒子质量。
消光系数计算模块203,用于基于所述各气溶胶粒子属性参数值,获取所述气溶胶颗粒物的总消光系数;
本发明实施例中,作为一可选实施例,消光系数计算模块203包括:
气溶胶粒子谱分布计算单元(图中未示出),用于针对每一类气溶胶粒子的气溶胶粒子属性参数值,获取该类气溶胶粒子的气溶胶粒子谱分布以及复折射指数;
消光效率获取单元,用于基于气溶胶粒子的复折射指数以及气溶胶粒子属性参数值,获取该类气溶胶粒子的米散射消光效率;
消光系数计算单元,用于基于各气溶胶粒子的米散射消光效率以及气溶胶粒子谱分布,计算气溶胶颗粒物的消光系数。
本发明实施例中,作为一可选实施例,利用下式计算气溶胶颗粒物的消光系数:
团雾能见度计算模块204,用于基于所述气溶胶颗粒物的总消光系数以及所述目标区域的相对湿度,计算所述目标区域的团雾能见度。
本发明实施例中,作为一可选实施例,团雾能见度计算模块204包括:
大气消光系数计算单元,用于基于所述气溶胶颗粒物的总消光系数以及所述目标区域的相对湿度,获取大气消光系数;
团雾能见度计算单元,用于将所述大气消光系数应用于能见度计算公式,得到所述目标区域的团雾能见度。
本发明实施例中,作为一可选实施例,利用下式计算团雾能见度:
本发明实施例中,作为一可选实施例,该装置还包括:
气溶胶粒子模型构建模块(图中未示出),用于获取高速公路上样本区域的历史气象观测数据,所述历史气象观测数据包括发生团雾时的气象观测数据以及未发生团雾的气象观测数据;
查询所述样本区域的气象记录,获取所述样本区域发生团雾时记录的各气溶胶粒子属性参数值;
以样本区域的历史气象观测数据作为机器学习网络的输入,以该样本区域的历史气象观测数据对应的各气溶胶粒子属性参数值作为机器学习网络的输出,对机器学习网络进行训练,在机器学习网络的训练精度满足精度阈值后,停止训练,得到气溶胶粒子模型。
本发明实施例中,作为另一可选实施例,该装置还包括:
数据清洗模块,用于对获取的气象观测数据进行数据清洗。
如图3所示,本申请一实施例提供了一种计算机设备300,用于执行图1中的获取高速公路团雾能见度的方法,该设备包括存储器301、处理器302及存储在该存储器301上并可在该处理器302上运行的计算机程序,其中,上述处理器302执行上述计算机程序时实现上述获取高速公路团雾能见度的方法的步骤。
具体地,上述存储器301和处理器302能够为通用的存储器和处理器,这里不做具体限定,当处理器302运行存储器301存储的计算机程序时,能够执行上述获取高速公路团雾能见度的方法。
对应于图1中的获取高速公路团雾能见度的方法,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述获取高速公路团雾能见度的方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述获取高速公路团雾能见度的方法。
在本申请所提供的实施例中,应该理解到,所揭露系统和方法,可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,系统或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (7)
1.一种获取高速公路团雾能见度的方法,其特征在于,包括:
获取高速公路上目标区域的气象观测数据,气象观测数据包括:观测数据、再分析数值预报数据、地理信息系统数据以及交通气象观测数据,观测数据包括相对湿度;其中,按照预设的上报周期获取高速公路上车辆的当前位置信息,并根据该当前位置信息确定车辆所属的目标区域;
将获取的气象观测数据输入预先通过机器学习得到的气溶胶粒子模型,得到所述目标区域的气溶胶颗粒物包含的各气溶胶粒子属性参数值;
基于所述各气溶胶粒子属性参数值,获取所述气溶胶颗粒物的总消光系数;其中,针对每一类气溶胶粒子的气溶胶粒子属性参数值,获取该类气溶胶粒子的气溶胶粒子谱分布以及复折射指数;基于气溶胶粒子的复折射指数以及气溶胶粒子属性参数值,获取该类气溶胶粒子的米散射消光效率;基于各气溶胶粒子的米散射消光效率以及气溶胶粒子谱分布,计算气溶胶颗粒物的消光系数;
基于所述气溶胶颗粒物的总消光系数以及所述目标区域的相对湿度,计算所述目标区域的团雾能见度;其中,基于所述气溶胶颗粒物的总消光系数以及所述目标区域的相对湿度,获取大气消光系数;将所述大气消光系数应用于能见度计算公式,得到所述目标区域的团雾能见度。
2.根据权利要求1所述的方法,其特征在于,构建所述气溶胶粒子模型包括:
获取高速公路上样本区域的历史气象观测数据,所述历史气象观测数据包括发生团雾时的气象观测数据以及未发生团雾的气象观测数据;
查询所述样本区域的气象记录,获取所述样本区域发生团雾时记录的各气溶胶粒子属性参数值;
以样本区域的历史气象观测数据作为机器学习网络的输入,以该样本区域的历史气象观测数据对应的各气溶胶粒子属性参数值作为机器学习网络的输出,对机器学习网络进行训练,在机器学习网络的训练精度满足精度阈值后,停止训练,得到气溶胶粒子模型。
3.根据权利要求1所述的方法,其特征在于,在所述获取高速公路上目标区域的气象观测数据之后,将获取的气象观测数据输入预先通过机器学习得到的气溶胶粒子模型之前,所述方法还包括:
对获取的气象观测数据进行数据清洗。
4.一种获取高速公路团雾能见度的装置,其特征在于,包括:
数据获取模块,用于获取高速公路上目标区域的气象观测数据,气象观测数据包括:观测数据、再分析数值预报数据、地理信息系统数据以及交通气象观测数据,观测数据包括相对湿度;
参数值获取模块,用于将获取的气象观测数据输入预先通过机器学习得到的气溶胶粒子模型,得到所述目标区域的气溶胶颗粒物包含的各气溶胶粒子属性参数值;其中,按照预设的上报周期获取高速公路上车辆的当前位置信息,并根据该当前位置信息确定车辆所属的目标区域;
消光系数计算模块,用于基于所述各气溶胶粒子属性参数值,获取所述气溶胶颗粒物的总消光系数;其中,针对每一类气溶胶粒子的气溶胶粒子属性参数值,获取该类气溶胶粒子的气溶胶粒子谱分布以及复折射指数;基于气溶胶粒子的复折射指数以及气溶胶粒子属性参数值,获取该类气溶胶粒子的米散射消光效率;基于各气溶胶粒子的米散射消光效率以及气溶胶粒子谱分布,计算气溶胶颗粒物的消光系数;
团雾能见度计算模块,用于基于所述气溶胶颗粒物的总消光系数以及所述目标区域的相对湿度,计算所述目标区域的团雾能见度;其中,基于所述气溶胶颗粒物的总消光系数以及所述目标区域的相对湿度,获取大气消光系数;将所述大气消光系数应用于能见度计算公式,得到所述目标区域的团雾能见度。
5.根据权利要求4所述的装置,其特征在于,还包括:
气溶胶粒子模型构建模块,用于获取高速公路上样本区域的历史气象观测数据,所述历史气象观测数据包括发生团雾时的气象观测数据以及未发生团雾的气象观测数据;
查询所述样本区域的气象记录,获取所述样本区域发生团雾时记录的各气溶胶粒子属性参数值;
以样本区域的历史气象观测数据作为机器学习网络的输入,以该样本区域的历史气象观测数据对应的各气溶胶粒子属性参数值作为机器学习网络的输出,对机器学习网络进行训练,在机器学习网络的训练精度满足精度阈值后,停止训练,得到气溶胶粒子模型。
6.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至3任一所述的获取高速公路团雾能见度的方法的步骤。
7.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至3任一所述的获取高速公路团雾能见度的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011337105.8A CN112461799B (zh) | 2020-11-25 | 2020-11-25 | 一种获取高速公路团雾能见度的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011337105.8A CN112461799B (zh) | 2020-11-25 | 2020-11-25 | 一种获取高速公路团雾能见度的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112461799A CN112461799A (zh) | 2021-03-09 |
CN112461799B true CN112461799B (zh) | 2023-08-18 |
Family
ID=74799473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011337105.8A Active CN112461799B (zh) | 2020-11-25 | 2020-11-25 | 一种获取高速公路团雾能见度的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112461799B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113625369A (zh) * | 2021-08-10 | 2021-11-09 | 中国科学院大气物理研究所 | 一种小型化大气能见度智能测量系统及方法 |
CN115204507B (zh) * | 2022-07-26 | 2023-05-23 | 北京中科三清环境技术有限公司 | 大气能见度的预测方法、装置、设备及存储介质 |
CN116153095B (zh) * | 2023-04-20 | 2023-06-30 | 江西师范大学 | 一种基于边缘计算的高速公路团雾预警方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106383207A (zh) * | 2016-10-26 | 2017-02-08 | 中国科学院合肥物质科学研究院 | 应用于大气气溶胶质量浓度水平路径分布计算方法 |
CN108761571A (zh) * | 2018-04-03 | 2018-11-06 | 北方民族大学 | 基于神经网络的大气能见度预测方法及系统 |
CN109374488A (zh) * | 2018-11-14 | 2019-02-22 | 国网安徽省电力有限公司电力科学研究院 | 用于分布式光伏电站雾霾天气能见度的预测方法 |
CN110108672A (zh) * | 2019-04-12 | 2019-08-09 | 南京信息工程大学 | 一种基于深度信念网络的气溶胶消光系数反演方法 |
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 |
CN111680632A (zh) * | 2020-06-10 | 2020-09-18 | 深延科技(北京)有限公司 | 基于深度学习卷积神经网络的烟火检测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103983544B (zh) * | 2014-05-28 | 2015-12-30 | 南京大学 | 多通道气溶胶散射吸收测量仪 |
-
2020
- 2020-11-25 CN CN202011337105.8A patent/CN112461799B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106383207A (zh) * | 2016-10-26 | 2017-02-08 | 中国科学院合肥物质科学研究院 | 应用于大气气溶胶质量浓度水平路径分布计算方法 |
CN108761571A (zh) * | 2018-04-03 | 2018-11-06 | 北方民族大学 | 基于神经网络的大气能见度预测方法及系统 |
CN109374488A (zh) * | 2018-11-14 | 2019-02-22 | 国网安徽省电力有限公司电力科学研究院 | 用于分布式光伏电站雾霾天气能见度的预测方法 |
CN110108672A (zh) * | 2019-04-12 | 2019-08-09 | 南京信息工程大学 | 一种基于深度信念网络的气溶胶消光系数反演方法 |
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 |
CN111680632A (zh) * | 2020-06-10 | 2020-09-18 | 深延科技(北京)有限公司 | 基于深度学习卷积神经网络的烟火检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112461799A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112461799B (zh) | 一种获取高速公路团雾能见度的方法及装置 | |
Zheng et al. | Analysis of influential factors for the relationship between PM 2.5 and AOD in Beijing | |
Banks et al. | Impact of WRF model PBL schemes on air quality simulations over Catalonia, Spain | |
Fleming et al. | Untangling the influence of air-mass history in interpreting observed atmospheric composition | |
Borge et al. | Analysis of long-range transport influences on urban PM10 using two-stage atmospheric trajectory clusters | |
Shogrkhodaei et al. | Spatio-temporal modeling of PM2. 5 risk mapping using three machine learning algorithms | |
Cortina–Januchs et al. | Development of a model for forecasting of PM10 concentrations in Salamanca, Mexico | |
He et al. | Numerical model-based artificial neural network model and its application for quantifying impact factors of urban air quality | |
Huang et al. | Impacts of transported background ozone on California air quality during the ARCTAS-CARB period–a multi-scale modeling study | |
Wang et al. | A parameterized method for air‐quality diagnosis and its applications | |
Nastos | Meteorological patterns associated with intense Saharan dust outbreaks over Greece in winter | |
CN109407177B (zh) | 基于机器学习与常规气象观测的大雾识别系统和应用方法 | |
Chen et al. | PM 2.5 over North China based on MODIS AOD and effect of meteorological elements during 2003–2015 | |
Khot et al. | Survey on air pollution monitoring systems | |
CN111413297A (zh) | 能见度测量方法、装置、计算机设备及存储介质 | |
Mendes et al. | Air quality forecast by statistical methods: application to Portugal and Macao | |
Pulugurtha et al. | Investigating the influence of contributing factors and predicting visibility at road link-level | |
Zhan et al. | Impact of summertime anthropogenic emissions on atmospheric black carbon at Ny-Ålesund in the Arctic | |
Khan et al. | An outlook of ozone air pollution through comparative analysis of artificial neural network, regression, and sensitivity models | |
CN112699205B (zh) | 大气能见度预报方法、装置、终端设备和可读存储介质 | |
Lu et al. | The NEMS GFS aerosol component; NCEP's global aerosol forecast system | |
Aryalakshmi et al. | Moisture trajectories during heavy rainfall events using Hybrid Single-Particle Lagrangian Integrated Trajectory (HYSPLIT) model | |
Cao et al. | A machine-learning-based classification method for meteorological conditions of ozone pollution | |
Chen et al. | Evaluation of the offline-coupled GFSv15–FV3–CMAQv5. 0.2 in support of the next-generation National Air Quality Forecast Capability over the contiguous United States | |
Tokarev et al. | Air quality index in Krasnoyarsk (Russia) for 2018-2019 |
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 |