CN113268627A - 一种暴雨相似天气自动检索方法 - Google Patents
一种暴雨相似天气自动检索方法 Download PDFInfo
- Publication number
- CN113268627A CN113268627A CN202110638188.2A CN202110638188A CN113268627A CN 113268627 A CN113268627 A CN 113268627A CN 202110638188 A CN202110638188 A CN 202110638188A CN 113268627 A CN113268627 A CN 113268627A
- Authority
- CN
- China
- Prior art keywords
- forecasted
- air pressure
- historical
- image
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Library & Information Science (AREA)
- Environmental & Geological Engineering (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Software Systems (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
本发明涉及气象监测技术领域,提出了一种暴雨相似天气自动检索方法,包括待预报区域气压比对的步骤,具体为:获得待预报区域气压数据、以及与所述待预报区域气压数据对应的历史数据,所述历史数据包括待预报区域内M个降雨天气的历史气压数据;将待预报区域气压数据转换为待预报图像;将M个降雨天气的历史气压数据分别转换为M个历史图像;通过图像比对,计算待预报图像与M个历史图像的相似度,按照相似度从大到小的顺序,将M个历史图像进行排序,得到待预报区域气压比对结果。通过上述技术方案,解决了现有技术中暴雨相似检索比对结果不准确的问题。
Description
技术领域
本发明涉及气象监测技术领域,具体的,涉及一种暴雨相似天气自动检索方法。
背景技术
天气预报是气象工作为国民经济和国防建设服务的重要手段,今天的天气预报主要是使用气象局收集的大量格点数据(气温、湿度、风向和风速、气压等等),当进行某区域的气象预报时,首先根据该区域的地理位置,选择关键气象要素,气压、和/或温度、和/或湿度、和/或风场等,然后分别将各气象要素的格点数据与对应的历史数据进行比对,综合考虑各气象要素的对比结果,得到最终的预报结果。在实际的气压要素相似比对过程中,数据比对花费时间长,而且预测结果容易受到局部数据的影响,导致预测结果不准。
发明内容
本发明提出一种暴雨相似天气自动检索方法,解决了现有技术中暴雨相似检索比对结果不准确的问题。
本发明的技术方案如下:包括待预报区域气压比对的步骤,具体为:
获得待预报区域气压数据、以及与所述待预报区域气压数据对应的历史数据,所述历史数据包括待预报区域内M个降雨天气的历史气压数据;
将待预报区域气压数据转换为待预报图像;
将M个降雨天气的历史气压数据分别转换为M个历史图像;
通过图像比对,计算待预报图像与M个历史图像的相似度,按照相似度从大到小的顺序,将M个历史图像进行排序,得到待预报区域气压比对结果。
进一步,将待预报区域气压数据转换为待预报图像的步骤,与将M个降雨天气的历史气压数据分别转换为M个历史图像的步骤相同,其中,将待预报区域气压数据转换为待预报图像的步骤具体为:
S210:将待预报区域气压数据转换为等值线图,并对等值线图进行填充,得到色斑图;
S220:通过特征提取,将色斑图缩小至N×N个像素点,得到N×N图片,其中N为整数,取值范围为16~64,
S230:将N×N图片转换为灰度图Gp,作为待预报图像。
进一步,通过图像比对,计算待预报图像与M个历史图像的相似度,按照相似度从大到小的顺序,将M个历史图像进行排序,具体为:
计算待预报图像的哈希值Hp,具体包括:
S411:将待预报图像进行DCT变化得到系数矩阵,并取系数矩阵左上角的K×K矩阵,其中,K为整数,K:N的范围为1/5~3/10,
S412:计算K×K矩阵中所有元素的平均值Eavg,
S413:按照元素下标从小到大的顺序,将K×K矩阵中每个元素Ej与平均值Eavg进行比较,如果Ej≥Eavg,则二进制位Hpj=1,否则Hpj=0,K2个二进制位Hpj组成的字符串作为待预报图像的哈希值Hp,其中,j=1,2…K2;
采用与步骤S411~S413相同的方法,分别计算M个历史图像的哈希值Hc1,Hc2,…HcM;
计算待预报图像的哈希值Hp与每个历史图像的哈希值之间的海明距离,得到M个海明距离Ha1,Ha2,…HaM,按照海明距离从小到大的顺序,将M个历史图像排序。
进一步,步骤S210具体为:采用python自带填充函数contourf()对待预报区域气压数据进行处理,得到色斑图。
进一步,还包括全局气压比对的步骤,具体为:
根据地理位置,获得待预报区域的上级区域气压数据、以及与所述上级区域气压数据对应的全局历史数据,所述全局历史数据包括上级区域内M个降雨天气的历史气压数据;
采用与将待预报区域气压数据转换为待预报图像相同的步骤,将上级区域气压数据转换为上级区域图像;
采用与计算待预报图像的哈希值Hp相同的步骤,计算上级区域图像的哈希值Hg;
采用与将待预报区域气压数据转换为待预报图像相同的步骤,将全局历史数据转换为M个全局历史图像;
采用与计算待预报图像的哈希值Hp相同的步骤,计算M个全局历史图像的哈希值Hcg1,Hcg2…HcgM;
计算上级区域图像的哈希值Hg与每个全局历史图像的哈希值之间的全局海明距离,得到M个全局海明距离Hag1,Hag2,…HagM;
根据海明距离Ha1,Ha2,…HaM和全局海明距离Hag1,Hag2,…HagM,得到M个关联海明距离Haz1,Haz2,…HazM,具体为:
Haz1=corr1×Ha1+corr2×Hag1,
Haz2=corr1×Ha2+corr2×Hag2,
:
HazM=corr1×HaM+corr2×HagM,
其中,corr1,corr2均为系数,corr1的取值范围为0.5-1,corr2的取值范围为0-0.5;
按照关联海明距离从小到大的顺序,将M个历史图像和M个全局历史图像分别排序,得到全局气压比对结果。
进一步,获得待预报区域气压数据、以及与所述待预报区域气压数据对应的历史数据,具体为:
根据经度和纬度信息,从实时监测数据表中提取待预报区域气压数据,实时监测数据表由用户输入;
根据经度和纬度信息,从历史数据库中提取历史数据,历史数据库预先保存在存储器中。
进一步,还包括:选择温度、湿度、风场中的一种或几种,分别进行相似温度数据比对、和/或相似湿度数据比对和/或相似风场数据比对,并将待预报区域气压比对结果和全局气压比对结果,与相似温度数据比对结果、和/或相似湿度数据比对结果、和/或相似风场数据比对结果相结合,得到暴雨相似天气自动检索结果。
本发明的工作原理及有益效果为:
本发明通过对历史数据进行处理,建立暴雨历史数据库;然后将暴雨历史数据库的数据进行图像化处理,得到历史图像;然后采用同样的方法将待预报区域气压数据图像化,得到待预报图像;之后将待预报图像和历史图像进行比对,将历史图像按照相似度进行排序,用于后续的暴雨预报。通过图像比对,可以大大提高相似天气的比对速度,而且图像数据在直观上保存了气象的环流特征,大大提高了相似天气比对结果的准确性。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明中待预报区域气压比对方法流程图;
图2为本发明中待预报数据转换为待预报图像方法流程图;
图3为本发明中图像对比方法流程图;
图4为本发明中相似全局气压图像检索方法流程图;
图5为本发明中待预报区域原始数据示意图;
图6为待预报图像示意图;
图7为全局气压对比结果示意图;
具体实施方式
下面将结合本发明实施例,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作出创造性劳动前提下所获得的所有其他实施例,都涉及本发明保护的范围。
如图1所示,本实施例一种暴雨相似天气自动检索方法包括待预报区域气压比对的步骤,具体为:
S100:获得待预报区域气压数据、以及与所述待预报区域气压数据对应的历史数据,所述历史数据包括待预报区域内M个降雨天气的历史气压数据;
其中,从气象局获得的格点数据,包括经度、纬度、气压、时间等信息,根据待预报区域的经度和纬度信息,可以从格点数据中提取待预报区域的气压数据,与待预报区域气压数据对应的历史数据也可以从气象局得到,并预先保存在历史数据库中,历史数据包括待预报区域内M个降雨天气的历史气压数据。
S200:将待预报区域气压数据转换为待预报图像;
S300:将M个降雨天气的历史气压数据分别转换为M个历史图像;
S400:通过图像比对,计算待预报图像与M个历史图像的相似度,按照相似度从大到小的顺序,将M个历史图像进行排序,得到待预报区域气压比对结果。
本实施例中,通过对历史数据进行处理,建立暴雨历史数据库;然后将暴雨历史数据库的数据进行图像化处理,得到历史图像;然后采用同样的方法将待预报区域气压数据图像化,得到待预报图像;之后将待预报图像和历史图像进行比对,将历史图像按照相似度进行排序,用于后续的暴雨预报。通过图像比对,可以大大提高相似天气的比对速度,而且图像数据在直观上保存了气象的环流特征,大大提高了相似天气比对结果的准确性。
进一步,步骤S200与S300采用相同的方法,如图2所示,步骤S200具体为:
S210:将待预报区域气压数据转换为等值线图,并对等值线图进行填充,得到色斑图;
发明人经过大量试验研究得到,采用色斑图的形式与单纯的采用等值线图的形式相比,不仅能保留原始数据的数值特征,更能直观的显示天气的环流特征,因此,在得到等值线图之后,还对等值线进行了填充,得到色斑图,用于后续的图像比对。
S220:通过特征提取,将色斑图缩小至N×N个像素点,得到N×N图片,其中N为整数,取值范围为16~64,其中,N=32时,能够取得较好的预测效果。
S230:将N×N图片转换为灰度图Gp,作为待预报图像。
进一步,如图3所示,步骤S400中通过图像比对,计算待预报图像与M个历史图像的相似度,按照相似度从大到小的顺序,将M个历史图像进行排序,得到待预报区域气压比对结果,具体为:
S410:计算待预报图像的哈希值Hp,具体包括:
S411:将待预报图像进行DCT变化得到系数矩阵,并取系数矩阵左上角的K×K矩阵,其中,K为整数,K:N的范围为1/5~3/10,最优值为K=8,N=32。
利用DCT变化(离散余弦变化)将待预报图像从像素域变换为频率域,将待预报图像表示为由不同频率分量叠加而成的形式。待预报图像转换到频率域后,大部分频率分量对应的系数很小,只有少数频率分量对应的系数较大,且系数较大的值一般集中在系数矩阵的左上角,沿对角线方向越往右下角则系数矩阵元素值越小,左上角部分保留了图片的绝大多数信息。因此,取系数矩阵左上角的K×K矩阵来进行图像哈希值的计算,能增加更多的图像细节。DCT变换如下面公式所示:
其中x,y是像素域中元素的坐标,f(x,y)是对应元素的值,是像素的值,n是像素矩阵的阶。u,v是频率域中元素的坐标,F(x,y)是转换后频域的系数矩阵的元素,将系数矩阵记为鼠Mn×n。
S412:计算K×K矩阵中所有元素的平均值Eavg,
S413:按照元素下标从小到大的顺序,将K×K矩阵中每个元素Ej与平均值Eavg进行比较,如果Ej≥Eavg,则二进制位Hpj=1,否则Hpj=0,K2个二进制位Hpj组成的字符串作为待预报图像的哈希值Hp,其中,j=1,2…K2;
S420:采用与步骤S411~S413相同的方法,分别计算M个历史图像的哈希值Hc1,Hc,…HcM;
S430:计算待预报图像的哈希值Hp与每个历史图像的哈希值之间的海明距离,得到M个海明距离Ha1,Ha2,…HaM,按照海明距离从小到大的顺序,将M个历史图像排序。
两张图片哈希值的海明距离越小图片越相似,距离越大图片差异性越大。
进一步,步骤S210具体为:采用python自带填充函数contourf()对待预报区域气压数据进行处理,得到色斑图。
采用python自带填充函数contourf()对待预报区域气压数据进行处理,生成的等值线填充图(即色斑图)保留了原始数据的数值特征,以可视化的方式表达了原始数据中的天气环流系统。
进一步,发明人在试验过程中发现,待预报区域的上一级区域的气压数据(即上级区域气压数据)也会对待预报区域的降雨情况产生一定的影响,因此,本实施例将上级区域气压数据考虑在内,进行全局气压比对,如图4所示,具体为:
S510:根据地理位置,获得待预报区域的上级区域气压数据、以及与所述上级区域气压数据对应的全局历史数据,所述全局历史数据包括上级区域内M个降雨天气的历史气压数据;
根据上级区域的经度和纬度信息,可以从格点数据中提取上级区域的气压数据,与上级区域气压数据对应的全局历史数据也可以从气象局得到,并预先保存在历史数据库中,全局历史数据包括上级区域内M个降雨天气的历史气压数据。
S520:采用与将待预报区域气压数据转换为待预报图像相同的步骤(步骤S210~S230),将上级区域气压数据转换为上级区域图像;
S530:采用与计算待预报图像的哈希值Hp相同的步骤(步骤S411~S413),计算上级区域图像的哈希值Hg;
S540:采用与将待预报区域气压数据转换为待预报图像相同的步骤(步骤S210~S230),将M组全局数据分别转换为M个全局历史图像;
S550:采用与计算待预报图像的哈希值Hp相同的步骤(步骤S411~S413),计算M个全局历史图像的哈希值Hcg1,Hcg2…HcgM;
S560:计算上级区域图像的哈希值Hg与每个全局历史图像的哈希值之间的全局海明距离,得到M个全局海明距离Hag1,Hag2,…HagM;
S570:根据海明距离Ha1,Ha2,…HaM和全局海明距离Hag1,Hag2,…HagM,得到M个关联海明距离Haz1,Haz2,…HazM,具体为:
Haz1=corr1×Ha1+corr2×Hag1,
Haz2=corr1×Ha2+corr2×Hag2,
HazM=corr1×HaM+corr2×HagM,
其中,corr1,corr2均为系数,corr1的取值范围为0.5-1,corr2的取值范围为0-0.5;
S570:按照关联海明距离从小到大的顺序,将M个历史图像和M个全局历史图像分别排序,得到全局气压比对结果。
本实施例中,海明距离Ha1表明待预报图片与第一个历史图片的相似度,以此类推,海明距离HaM表明待预报图片与第M个历史图片的相似度;同理,全局海明距离Hag1表明上级区域图片与第一个全局历史图片的相似度,以此类推,全局海明距离HagM表明上级区域图片与第M个全局历史图片的相似度。
通过为Ha1、Hag1分配不同的权重,进行关联海明距离Haz1的计算,以此类推,通过为HaM、HagM分配不同的权重,进行关联海明距离HazM的计算,得到M个关联海明距离Haz1,Haz2,…HazM;然后通过关联海明距离Haz1,Haz2,…HazM的比较,分别对历史图像、全局历史图像进行排序,这样将待预报区域气压数据和上级区域气压数据均考虑进气压图像比对中,有利于得到更加准确的预测结果。经发明人的大量实验研究表明,当海明距离Ha1的权重系数corr1为0.8,全局海明距离Ha2的权重系数corr2为0.2时,有利于得到准确的预报结果。
进一步,本实施方法还包括:
选择温度、湿度、风场中的一种或几种,分别进行相似温度数据比对、和/或相似湿度数据比对和/或相似风场数据比对,并将待预报区域气压比对结果和全局气压比对结果,与相似温度数据比对结果、和/或相似湿度数据比对结果、和/或相似风场数据比对结果相结合,得到暴雨相似天气自动检索结果。
除了气压因素外,还需要考虑与降雨有关的其他气象要素,例如温度、湿度、风场等,根据专家意见以及各种预报资料,选择温度、湿度、风场等气象要素,分别进行比对,综合考虑各气象要素的比对结果,得到最终的预报结果。
本实施例中,发明人主要研究的是石家庄地区的气象预报,以北纬10-80,东经30-160作为上级区域,北纬30-60,东经90-130作为待预报区域,待预报区域的原始气压数据如图4所示。根据待预报区域的原始气压数据得到色斑图,如图5所示。通过全局气压比对、计算关联海明距离之后,按照关联海明距离从大到小的顺序,将各历史图像排序,如图7a-7h所示。其中,以图7a为例,左边两幅图像分别为上级区域图像和全局历史图像,图像文件名后两位均为AA;右边两幅图像分别为待预报图像和历史图像,图像文件名后两位均为LA。分别计算上级区域图像和各全局历史图像的全局海明距离、待预报图像和各历史图像的海明距离之后,计算关联海明距离,即为各图像的相似度。
各图像相似度计算结果具体为:图7a相似度0.809,图7b相似度0.750,图7c相似度0.723,图7d相似度0.714,图7e相似度0.703,图7f相似度0.699,图7g相似度0.691,图7h相似度0.681。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种暴雨相似天气自动检索方法,其特征在于,包括待预报区域气压比对的步骤,具体为:
获得待预报区域气压数据、以及与所述待预报区域气压数据对应的历史数据,所述历史数据包括待预报区域内M个降雨天气的历史气压数据;
将待预报区域气压数据转换为待预报图像;
将M个降雨天气的历史气压数据分别转换为M个历史图像;
通过图像比对,计算待预报图像与M个历史图像的相似度,按照相似度从大到小的顺序,将M个历史图像进行排序,得到待预报区域气压比对结果。
2.根据权利要求1所述的一种暴雨相似天气自动检索方法,其特征在于,将待预报区域气压数据转换为待预报图像的步骤,与将M个降雨天气的历史气压数据分别转换为M个历史图像的步骤相同,其中,将待预报区域气压数据转换为待预报图像的步骤具体为:
S210:将待预报区域气压数据转换为等值线图,并对等值线图进行填充,得到色斑图;
S220:通过特征提取,将色斑图缩小至N×N个像素点,得到N×N图片,其中N为整数,取值范围为16~64,
S230:将N×N图片转换为灰度图Gp,作为待预报图像。
3.根据权利要求1所述的一种暴雨相似天气自动检索方法,其特征在于,通过图像比对,计算待预报图像与M个历史图像的相似度,按照相似度从大到小的顺序,将M个历史图像进行排序,具体为:
计算待预报图像的哈希值Hp,具体包括:
S411:将待预报图像进行DCT变化得到系数矩阵,并取系数矩阵左上角的K×K矩阵,其中,K为整数,K:N的范围为1/5~3/10,
S412:计算K×K矩阵中所有元素的平均值Eavg,
S413:按照元素下标从小到大的顺序,将K×K矩阵中每个元素Ej与平均值Eavg进行比较,如果Ej≥Eavg,则二进制位Hpj=1,否则Hpj=0,K2个二进制位Hpj组成的字符串作为待预报图像的哈希值Hp,其中,j=1,2…K2;
采用与步骤S411~S413相同的方法,分别计算M个历史图像的哈希值Hc1,Hc2,…HcM;
计算待预报图像的哈希值Hp与每个历史图像的哈希值之间的海明距离,得到M个海明距离Ha1,Ha2,…HaM,按照海明距离从小到大的顺序,将M个历史图像排序。
4.根据权利要求2所述的一种暴雨相似天气自动检索方法,其特征在于,步骤S210具体为:采用python自带填充函数contourf()对待预报区域气压数据进行处理,得到色斑图。
5.据权利要求3所述的一种暴雨相似天气自动检索方法,其特征在于,还包括全局气压比对的步骤,具体为:
根据地理位置,获得待预报区域的上级区域气压数据、以及与所述上级区域气压数据对应的全局历史数据,所述全局历史数据包括上级区域内M个降雨天气的历史气压数据;
采用与将待预报区域气压数据转换为待预报图像相同的步骤,将上级区域气压数据转换为上级区域图像;
采用与计算待预报图像的哈希值Hp相同的步骤,计算上级区域图像的哈希值Hg;
采用与将待预报区域气压数据转换为待预报图像相同的步骤,将全局历史数据转换为M个全局历史图像;
采用与计算待预报图像的哈希值Hp相同的步骤,计算M个全局历史图像的哈希值Hcg1,Hcg2…HcgM;
计算上级区域图像的哈希值Hg与每个全局历史图像的哈希值之间的全局海明距离,得到M个全局海明距离Hag1,Hag2,…HagM;
根据海明距离Ha1,Ha2,…HaM和全局海明距离Hag1,Hag2,…HagM,得到M个关联海明距离Haz1,Haz2,…HazM,具体为:
Haz1=corr1×Ha1+corr2×Hag1,
Haz2=corr1×Ha2+corr2×Hag2,
:
HazM=corr1×HaM+corr2×HagM,
其中,corr1,corr2均为系数,corr1的取值范围为0.5-1,corr2的取值范围为0-0.5;
按照关联海明距离从小到大的顺序,将M个历史图像和M个全局历史图像分别排序,得到全局气压比对结果。
6.根据权利要求1所述的一种暴雨相似天气自动检索方法,其特征在于,获得待预报区域气压数据、以及与所述待预报区域气压数据对应的历史数据,具体为:
根据经度和纬度信息,从实时监测数据表中提取待预报区域气压数据,实时监测数据表由用户输入;
根据经度和纬度信息,从历史数据库中提取历史数据,历史数据库预先保存在存储器中。
7.根据权利要求3所述的一种暴雨相似天气自动检索方法,其特征在于,还包括:选择温度、湿度、风场中的一种或几种,分别进行相似温度数据比对、和/或相似湿度数据比对和/或相似风场数据比对,并将待预报区域气压比对结果和全局气压比对结果,与相似温度数据比对结果、和/或相似湿度数据比对结果、和/或相似风场数据比对结果相结合,得到暴雨相似天气自动检索结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110638188.2A CN113268627B (zh) | 2021-06-08 | 2021-06-08 | 一种暴雨相似天气自动检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110638188.2A CN113268627B (zh) | 2021-06-08 | 2021-06-08 | 一种暴雨相似天气自动检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113268627A true CN113268627A (zh) | 2021-08-17 |
CN113268627B CN113268627B (zh) | 2022-03-25 |
Family
ID=77234569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110638188.2A Active CN113268627B (zh) | 2021-06-08 | 2021-06-08 | 一种暴雨相似天气自动检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113268627B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116701553A (zh) * | 2023-05-12 | 2023-09-05 | 中国长江电力股份有限公司 | 基于降雨时间分布柱状图的相似降雨径流过程查找方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102221714A (zh) * | 2011-03-11 | 2011-10-19 | 钱维宏 | 基于大气变量物理分解的低温雨雪冰冻天气的中期预报系统和方法 |
CN106339775A (zh) * | 2016-08-23 | 2017-01-18 | 北京市环境保护监测中心 | 基于天气分型和气象要素聚类的空气重污染案例判别方法 |
CN109297470A (zh) * | 2018-10-19 | 2019-02-01 | 中国计量大学 | 一种基于动力因素与路径信息的相似台风匹配算法 |
CN110197218A (zh) * | 2019-05-24 | 2019-09-03 | 绍兴达道生涯教育信息咨询有限公司 | 基于多源卷积神经网络的雷雨大风等级预测分类方法 |
CN110866630A (zh) * | 2019-09-27 | 2020-03-06 | 兰州大方电子有限责任公司 | 一种历史相似性天气分析方法 |
CN112348062A (zh) * | 2020-10-26 | 2021-02-09 | 上海眼控科技股份有限公司 | 气象图像预测方法、装置、计算机设备和存储介质 |
CN112580844A (zh) * | 2019-09-30 | 2021-03-30 | 北京金风慧能技术有限公司 | 气象数据处理方法、装置、设备及计算机可读存储介质 |
CN112764128A (zh) * | 2021-03-16 | 2021-05-07 | 北京墨迹风云科技股份有限公司 | 显示天气数据的方法、服务器、计算机设备及可读介质 |
-
2021
- 2021-06-08 CN CN202110638188.2A patent/CN113268627B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102221714A (zh) * | 2011-03-11 | 2011-10-19 | 钱维宏 | 基于大气变量物理分解的低温雨雪冰冻天气的中期预报系统和方法 |
CN106339775A (zh) * | 2016-08-23 | 2017-01-18 | 北京市环境保护监测中心 | 基于天气分型和气象要素聚类的空气重污染案例判别方法 |
CN109297470A (zh) * | 2018-10-19 | 2019-02-01 | 中国计量大学 | 一种基于动力因素与路径信息的相似台风匹配算法 |
CN110197218A (zh) * | 2019-05-24 | 2019-09-03 | 绍兴达道生涯教育信息咨询有限公司 | 基于多源卷积神经网络的雷雨大风等级预测分类方法 |
CN110866630A (zh) * | 2019-09-27 | 2020-03-06 | 兰州大方电子有限责任公司 | 一种历史相似性天气分析方法 |
CN112580844A (zh) * | 2019-09-30 | 2021-03-30 | 北京金风慧能技术有限公司 | 气象数据处理方法、装置、设备及计算机可读存储介质 |
CN112348062A (zh) * | 2020-10-26 | 2021-02-09 | 上海眼控科技股份有限公司 | 气象图像预测方法、装置、计算机设备和存储介质 |
CN112764128A (zh) * | 2021-03-16 | 2021-05-07 | 北京墨迹风云科技股份有限公司 | 显示天气数据的方法、服务器、计算机设备及可读介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116701553A (zh) * | 2023-05-12 | 2023-09-05 | 中国长江电力股份有限公司 | 基于降雨时间分布柱状图的相似降雨径流过程查找方法 |
CN116701553B (zh) * | 2023-05-12 | 2024-01-02 | 中国长江电力股份有限公司 | 基于降雨时间分布柱状图的相似降雨径流过程查找方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113268627B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bocquet-Appel et al. | Estimates of Upper Palaeolithic meta-population size in Europe from archaeological data | |
US7035765B2 (en) | Disaster predicting method, disaster predicting apparatus, disaster predicting program, and computer-readable recording medium recorded with disaster predicting program | |
Trotter | Remotely-sensed data as an information source for geographical information systems in natural resource management a review | |
CN110263392B (zh) | 基于多模式分区误差检验的风场预报方法及其系统 | |
CN108227041A (zh) | 基于站点实测数据和模式结果的水平能见度预报方法 | |
CN113268627B (zh) | 一种暴雨相似天气自动检索方法 | |
Groten et al. | Monitoring the length of the growing season with NOAA | |
CN110046595B (zh) | 一种基于级联式多尺度的密集人脸检测方法 | |
CN113963314A (zh) | 降雨量监测方法、装置、计算机设备及存储介质 | |
CN113593006A (zh) | 一种基于深度学习的气象数据空间插值精细化方法及系统 | |
CN116523130B (zh) | 一种基于降雨空间分布的图像相似水情挖掘及预报方法 | |
CN116229419B (zh) | 一种行人检测方法及装置 | |
CN116071651A (zh) | 一种均压场识别方法、装置、存储介质及终端 | |
CN110598702A (zh) | 一种船舰目标检测数据集的制备方法、系统、设备及介质 | |
JP3904420B2 (ja) | 気象予測結果選定方法及び低気圧移動ベクトル計算方法 | |
CN115082778A (zh) | 一种基于多分支学习的宅基地识别方法及系统 | |
CN113689414A (zh) | 一种高寒地区长时间序列高频率ndvi生成方法和装置 | |
CN111723743A (zh) | 一种小尺度行人快速检测方法 | |
JP3541927B2 (ja) | 画像における物理量を評価する評価装置および方法 | |
CN115761460B (zh) | 大棚房风险识别方法、装置、电子设备及存储介质 | |
Tedesco et al. | A computationally efficient statistically downscaled 100 m resolution Greenland product from the regional climate model MAR | |
CN117609410B (zh) | 一种利用rpa技术提取地块信息的方法及系统 | |
JP2001264456A (ja) | 気象情報提供方法及びその装置 | |
CN116091586B (zh) | 一种槽线识别方法、装置、存储介质及终端 | |
CN107886522B (zh) | 尺度自适应的目标模型更新方法及装置 |
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 |