CN113269240A - 一种雨量站选址信息输出方法、装置、电子设备和介质 - Google Patents
一种雨量站选址信息输出方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113269240A CN113269240A CN202110533048.9A CN202110533048A CN113269240A CN 113269240 A CN113269240 A CN 113269240A CN 202110533048 A CN202110533048 A CN 202110533048A CN 113269240 A CN113269240 A CN 113269240A
- Authority
- CN
- China
- Prior art keywords
- information
- satellite
- precipitation
- rainfall
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000001556 precipitation Methods 0.000 claims abstract description 178
- 238000012216 screening Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011112 process operation Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- IYLGZMTXKJYONK-ACLXAEORSA-N (12s,15r)-15-hydroxy-11,16-dioxo-15,20-dihydrosenecionan-12-yl acetate Chemical compound O1C(=O)[C@](CC)(O)C[C@@H](C)[C@](C)(OC(C)=O)C(=O)OCC2=CCN3[C@H]2[C@H]1CC3 IYLGZMTXKJYONK-ACLXAEORSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- IYLGZMTXKJYONK-UHFFFAOYSA-N ruwenine Natural products O1C(=O)C(CC)(O)CC(C)C(C)(OC(C)=O)C(=O)OCC2=CCN3C2C1CC3 IYLGZMTXKJYONK-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- Hydrology & Water Resources (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种雨量站选址信息输出方法、装置、电子设备和介质，该方法包括：将目标区域划分为多个网格对象，并提取每个网格对象的属性信息，所述属性信息包括坐标信息以及卫星降水信息，所述卫星降水信息为从卫星获取的降水信息；对多个属性信息中的卫星降水信息进行聚类处理，以获得多个相互独立的信息簇，每一信息簇包括一簇心信息，所述簇心信息为某一属性信息中的卫星降水信息；根据多个簇心信息所对应的坐标信息，在所述目标区域确定雨量站的选址信息；输出所述选址信息。通过对目标区域内的卫星降水信息进行聚类处理的方式，可有效改善目标区域所输出选址信息的精度较差的问题。
Description
技术领域
本申请涉及气象分析技术领域，具体涉及一种雨量站选址信息输出方法、装置、电子设备和介质。
背景技术
部分地区地形条件复杂，高差变化大，降雨的时空变化特征性强，在气象领域具有较高的研究价值。但由于此类地区目前的雨量站密度极小或为零，所以给此类地区的水文气象分析工作的开展带来了一定阻碍，现准备通过提高区域内雨量站密度的方式，来便利上述地区后续的水文气象分析工作。
目前来说，新的雨量站的选址信息，多是以均匀划分目标区域(待提高雨量站密度的区域)的面积大小来输出得到，通过此类均分方式输出的选址信息的精度较差。
发明内容
本申请实施例提供一种雨量站选址信息输出方法、装置、电子设备和介质，用于改善目标区域内输出的选址信息精度较差的问题。
第一方面，本申请实施例提供一种雨量站选址信息输出方法，包括：
将目标区域划分为多个网格对象，并提取每个网格对象的属性信息，所述属性信息包括坐标信息以及卫星降水信息，所述卫星降水信息为从卫星获取的降水信息；
对多个属性信息中的卫星降水信息进行聚类处理，以获得多个相互独立的信息簇，每一信息簇包括一簇心信息，所述簇心信息为某一属性信息中的卫星降水信息；
根据多个簇心信息所对应的坐标信息，在所述目标区域确定雨量站的选址信息；
输出所述选址信息。
第二方面，本申请实施例提供一种雨量站选址信息输出装置，包括：
划分模块，用于将目标区域划分为多个网格对象；
提取模块，用于提取每个网格对象的属性信息，所述属性信息包括坐标信息以及卫星降水信息，所述卫星降水信息为从卫星获取的降水信息；
聚类模块，用于对多个属性信息中的卫星降水信息进行聚类处理，以获得多个相互独立的信息簇，每一信息簇包括一簇心信息，所述簇心信息为某一属性信息中的卫星降水信息；
确定模块，用于根据多个簇心信息所对应的坐标信息，在所述目标区域确定雨量站的选址信息；
输出模块，用于输出所述选址信息。
第三方面，本申请实施例提供一种电子设备，包括：
处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如上第一方面所述的雨量站选址信息输出方法中的步骤。
第四方面，本申请实施例提供一种可读存储介质，所述可读存储介质上存储有程序或指令，所述程序或指令被处理器执行时实现如上第一方面所述的雨量站选址信息输出方法中的步骤。
本申请实施例提供的技术方案中，雨量站选址信息输出方法基于从卫星获得的降水信息，通过聚类分析的方式，来提高目标区域输出的选址信息的精度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获取其他的附图
图1是本申请实施例提供的一种雨量站选址信息输出方法的流程图；
图2是本申请实施例提供的一种雨量站选址信息输出方法的另一流程图；
图3是本申请实施例提供的一种雨量站选址信息输出装置的结构示意图；
图4是本申请实施例提供的一种雨量站选址信息输出装置的另一结构示意图；
图5是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。
请参见图1，图1是本申请实施例提供的一种雨量站选址信息输出方法的流程图，该方法可以由一种雨量站选址信息输出装置来执行，该雨量站选址信息输出装置可由硬件和/或软件组成，并一般可集成在具备雨量站选址信息输出功能的设备中，该设备可以是服务器、移动终端或服务器集群等电子设备。如图1所示，该雨量站选址信息输出方法包括以下步骤：
步骤101、将目标区域划分为多个网格对象，并提取每个网格对象的属性信息。
其中，所述属性信息包括坐标信息以及卫星降水信息，所述卫星降水信息为从卫星获取的降水信息。
步骤103、对多个属性信息中的卫星降水信息进行聚类处理，以获得多个相互独立的信息簇。
其中，每一信息簇包括一簇心信息，所述簇心信息为某一属性信息中的卫星降水信息。
步骤104、根据多个簇心信息所对应的坐标信息，在所述目标区域确定雨量站的选址信息。
步骤105、输出所述选址信息。
对于地形条件复杂，高差变化大，降雨的时空变化特征性的区域来说，由于种种因素的影响，其内部会存在一定数量的无资料地区(地区内完全未布设雨量站)和缺资料地区(地区内的雨量站密度极小)，目前来说，通常会利用相关分析法、等值线图法、经验公式法、水文比拟法以及水文调查法等方法来完成无资料地区/缺资料地区的水文气象分析工作，由于上述方法的执行受人为因素影响较大，因此导致最终所获得的水文分析结果的精度较差。现准备通过提高无资料地区/缺资料地区的雨量站密度的方式，来便利无资料地区/缺资料地区后续的水文分析工作的开展。
对于无资料地区/缺资料地区的新雨量站的选址信息而言，通常是通过均匀划分区域面积的方式输出得到，但由于此类均分方式所输出的选址信息的精度较差，加上工程成本的制约，便使得上述无资料地区/缺资料地区内在布设完成新雨量站以后，其地区内所收集的水文资料仍存在较为严重的缺失情况。
而本申请提供的雨量站选址信息输出方法，先通过将目标区域划分为多个网格对象，并提取每个网格对象的属性信息(即包括坐标信息和卫星降水信息)的方式，来对目标区域过往的降水情况进行初步梳理；再经由聚类分析的方式对之前提取到的多个卫星降水信息进行处理，使所述多个卫星降水信息得以聚集形成多个相互独立的信息簇，而所述多个相互独立的信息簇也即目标区域内受不同水文气象条件影响的多个区块；后续选取每一信息簇内最具代表性(即最能体现该信息簇所对应区块的水文气象条件)的簇心信息来指代其所对应的区块，并根据多个簇心信息所对应的坐标信息，获取具备较高精度的选址信息，最后将该选址信息输出。
由于本申请提供的雨量站选址信息输出方法所输出的选址信息精度较高，因此基于所述选址信息在目标区域内完成新雨量站的布设以后，能使目标区域内的水文气象资料将得到较为充分的收集。
其中，所述坐标信息可以为其所对应的网格对象的经纬度坐标，所述卫星降水信息一般通过对气象卫星所采集的气象数据进行降尺度处理后得到，所述气象数据可以为TRMM(热带雨量观测计划卫星，Tropical Rainfall Measuring Mission satellite)数据，所述TRMM数据的数据采集时限为1998年1月1日—至今，应用时的所述TRMM数据的版本优选为3B42V7版本，空间分辨率优选为0.25°×0.25°，时间分辨率优选为3小时。
此外，所述气象数据还可以为GSMaP(全球卫星降水制图，Global SatelliteMapping of Precipitation)数据、GPM(全球降水测量，Global PrecipitationMeasurement)数据、CMORPH(气候预测中心变形法，Climate Prediction Center MorphingMethod)数据、GPCP(全球降水气候学项目，Global Precipitation Climatology Project)数据、PERSIANN(利用人工神经网络遥感信息估算降水，Precipitation Estimation fromRemotely Sensed Information using Artificial Neural Networks)数据、CPC(气候预测中心，Climate Prediction Center)数据中的一种，上述气象数据的数据精度要求参见下文表1。
表1
需要强调的是，上述内容仅用于举例说明所述气象数据可能存在的部分类别，但不以此为限。
另外，步骤105所输出选址信息的应用包括如下至少一项：
通过电子设备显示、发送给其他设备、打印。
例如，步骤105所输出的选址信息可以提供给水利工程规划设备，以作为所述水利工程规划设备设计新雨量站选址的重要凭据。
需要指出的是，在实际应用中，上述雨量站选址信息输出方法还可用于无资料地区/缺资料地区的新气象站的布设工作，其运作方式与上述过程类似，在此不做赘述。
作为一种可选的实施方式，所述对多个属性信息中的卫星降水信息进行聚类处理的步骤，可以包括：
获取第一卫星降水信息和第二卫星降水信息。
其中，所述第一卫星降水信息和所述第二卫星降水信息为所述多个网格对象中不同网格对象的卫星降水信息。
根据所述第一卫星降水信息和所述第二卫星降水信息，获得均值相似指标和极值相似指标。
若所述均值相似指标大于第一阈值且所述极值相似指标大于第二阈值，则判定所述第一卫星降水信息和所述第二卫星降水信息属于同一信息簇，否则判定所述第一卫星降水信息和所述第二卫星降水信息不属于同一信息簇。
需要说明的是，上述步骤为所述聚类处理操作的相关性判定流程，在实际应用中，基于所述相关性判定流程而完成的聚类处理操作可以为：
将所述多个属性信息中的卫星降水信息统称为点集Y，点集Y内的数据可以为Yi(i＝1,2,…,z)，其中，参数z为点集Y的数据个数。
当所述点集Y中不相同的两个数据(假定为Ya和Yb)被判定为属于同一信息簇，则设定所述不相同的两个数据(Ya和Yb)存在关联关系；另设定关联指数为所述点集中任意一个数据所关联的其他数据的数目。
对于所述点集Y来说，其在进行聚类处理的过程中，会先确定其内关联指数最大的数据d1，并基于数据d1以及关联所述数据d1的其他数据形成一新的点集E1(即信息簇)，此时数据d1即为点集E1的中心数据(即簇心信息)。
从所述点集Y中移除点集E1的数据以后，得到新的点集Y-E1。
确定点集Y-E1中关联指数最大的数据d2，并基于数据d2以及关联所述数据d2的其他数据形成一新的点集E2(即信息簇)，此时数据d2即为点集E2的中心数据(即簇心信息)。
从所述点集Y-E1中移除点集E2的数据以后，得到新的点集Y-E1-E2。
后续依次类推，直至所述点集Y-E1-E2-…-Er中不存在任何数据，这便完成了对多个属性信息中的卫星降水信息(点集Y)进行聚类处理，以获得多个相互独立的信息簇(点集E1,E2,…,Er)的步骤。
对上述关联指数来说，可以举例说明为：
假定所述参数z＝7，则此时所述点集Y包括7个数据(分别为Y1、Y2、Y3、Y4、Y5、Y6、Y7)，若设定所述点集Y中不同数据之间的关联关系为：Y1与Y2关联、Y1与Y3关联、Y1与Y4关联、Y5与Y6关联、Y5与Y7关联。
则可知数据Y1的关联指数为3，数据Y5的关联指数为2，数据Y2、Y3、Y4、Y6以及Y7的关联指数均为1。
通过对不同网格对象的卫星降水信息进行相关性分析，来完成多个卫星降水信息的聚类处理操作，这其中，设置均值相似指标和极值相似指标的目的，是为了降低单一指标可能带来的聚类误差，以提升所述聚类处理操作的聚类效果，并令最终输出的选址信息的数据精度得到提高。
可选的，所述第一卫星降水信息和所述第二卫星降水信息均包括单位时间降水总量；获得所述均值相似指标的步骤，包括：
获取所述第一卫星降水信息中的第一数据集合，所述第一数据集合包括第一卫星降水信息中的多个单位时间降水总量；
获取所述第二卫星降水信息中的第二数据集合，所述第二数据集合包括第二卫星降水信息中的多个单位时间降水总量；
计算所述第一数据集合和所述第二数据集合的均值相似指标，所述均值相似指标为第一数据集合和第二数据集合的相关系数。
举例说明为：
假定所述第一数据集合中的第一数据为Ay,m，所述第二数据集合中的第二数据为By,m。
其中，所述参数y用于指示第一卫星降水信息和第二卫星降水信息的数据年限，所述参数y＝1,2,…,20(假定第一卫星降水信息和第二卫星降水信息均由TRMM数据进行降尺度处理后得到，且所选取的TRMM数据的数据采集时限为1998年1月1日—2017年12月31日，所述参数y＝1时指代1998年，所述参数y＝2时指代1999年，后续参数y的取值所指代年限依此类推)。
所述参数m用于指示第一卫星降水信息和第二卫星降水信息的单位时间，所述参数m＝1,2,…,12(假定本示例中的所述单位时间为月尺度，所述参数m＝1时指代1月份，所述参数m＝2时指代2月份，后续参数m的取值所指代月份依此类推)。
即所述参数Ay,m用于指代第一卫星降水信息中的(1997+y)年m月的月降水总量，所述参数By,m用于指代第二卫星降水信息中的(1997+y)年m月的月降水总量。
设定
为第一数据集合多年的月度降水总量的平均值(所述参数m＝1时，所述参数
后续以此类推)，
为第一数据集合多年的月度降水总量的平均值(所述参数m＝1时，所述参数
后续以此类推)。
设定所述均值相似指标为Qm，则所述均值相似指标Qm可由如下公式计算得到：
需要指出的是，当所述第一卫星降水信息和所述第二卫星降水信息的来源由TRMM数据替换为前述表1中任一气象数据类别时，则对上述示例中的参数y来说，y＝1时的年份将优选设定为其所对应气象数据类别的数据采集时限的起始年份(假定所述第一卫星降水信息和所述第二卫星降水信息的来源为GSMaP数据，则y＝1时的年份优选为2014年。
需要说明的是，在实际应用中，所述单位时间还可以为旬尺度和周尺度，也可以基于实际需求对所述单位时间进行适应性调整，本申请实施例对所述单位时间的具体取值并不加以限定。
所述均值相似指标除了可以通过上述示例展示的皮尔逊相关公式计算得到外，还可以通过斯皮尔曼等级相关公式或肯德尔相关公式求得，本申请实施例对均值相似指标的具体计算方式并不加以限定。
所述第一阈值的取值范围优选为[0.6，0.8]，实际应用中，可基于实际需求对所述第一阈值的取值进行适应性地调整，需要强调的是，由于均值相似指标存在多个(如上述示例所示，当单位时间被设定为月尺度时，则均值相似指标存在12个)，因此对应于均值相似指标的第一阈值也存在多个(如上述示例所示，在极端情况下，即每一均值相似指标均存在与之唯一对应的第一阈值，则所述第一阈值的个数也为12个；在一般情况下，即不同的均值相似指标对应于同一个第一阈值时，则所述第一阈值的个数可以为1-11个)，且每个第一阈值的取值均不相同。
另外，若所述均值相似指标为负数或零，则判定所述均值相似指标小于其所对应的第一阈值。同时，当且仅当每个均值相似指标均大于其所对应的第一阈值时，才判定所述第一卫星降水信息和第二卫星降水信息在均值指标层面存在关联关系(即第一卫星降水信息和第二卫星降水信息存在属于同一信息簇的可能性)；否则，则判定所述第一卫星降水信息和第二卫星降水信息在均值指标层面不存在关联关系(即第一卫星降水信息和第二卫星降水信息不存在属于同一信息簇的可能性)。
可选的，所述第一卫星降水信息和所述第二卫星降水信息均包括极值降水日信息，所述极值降水日信息为日降水总量大于日降水量阈值的日期；获得所述极值相似指标的步骤，包括：
获取所述第一卫星降水信息的第三数据集合，所述第三数据集合包括所述第一卫星降水信息中的多个极值降水日信息；
获取所述第二卫星降水信息的第四数据集合，所述第四数据集合包括所述第二卫星降水信息中的多个极值降水日信息；
根据所述第三数据集合和所述第四数据集合，获得相似数据集合，所述相似数据集合包括满足设定条件的第三数据和第四数据，所述第三数据属于所述第三数据集合，所述第四数据属于所述第四数据集合，所述设定条件为所述第三数据和所述第四数据之差的绝对值小于日期阈值；
利用所述相似数据集合的数据个数除以所述第三数据集合的数据个数与所述第四数据集合的数据个数之和，以获得所述极值相似指标。
举例说明为：
假定所述第三数据集合中的第三数据为Ci，所述第四数据集合中的第四数据为Dj。
其中，所述参数i用于指示第一卫星降水信息所出现的极值降水日信息的次数(所述参数i＝1时，所述第三数据C1即为第一卫星降水信息所出现的第1次极值降水日信息，所述参数i＝2时，第三数据C2即为所述第一卫星降水信息所出现的第2次极值降水日信息，后续依此类推)。
所述参数j用于指示第二卫星降水信息所出现的极值降水日信息的次数(所述参数j＝1时，所述第四数据D1即为第二卫星降水信息所出现的第1次极值降水日信息，所述参数j＝2时，所述第四数据D2即为第二卫星降水信息所出现的第2次极值降水日信息，后续依此类推)。
当所述设定条件|Ci-Dj|<τmax满足时，设定参数Ki,j＝1；当所述设定条件|Ci-Dj|<τmax不满足时(即|Ci-Dj|≥τmax)，设定参数Ki,j＝0。
其中，所述参数τmax为所述日期阈值，所述参数|Ci-Dj|为所述第三数据和所述第四数据之差的绝对值。
设定所述极值相似指标为P，所述第三数据集合的数据个数为CP，所述第四数据集合的数据个数为DP，则所述极值相似指标可由如下公式计算得到：
需要说明的是，所述日降水量阈值的取值范围优选为50mm～30mm，所述日期阈值τmax的取值范围优选为1天～3天，所述第二阈值的取值范围优选为[0.6，0.8]，但在实际应用中，也可基于实际需求对所述日降水量阈值、所述日期阈值以及所述第二阈值进行适应性调整。
通过比较不同网格对象(即第一卫星降水信息和第二卫星降水信息)的极端降水情况(极值降水日)在时间线上的关联程度，并结合前述对不同网格对象的常态降水情况(单位时间降水总量)之间的相关程度，来综合判定不同网格对象是否属于同一信息簇，由于此种相关性判定的方式，兼顾了网格对象的极端降水情况和常态降水情况，因此能较好地完成所述多个卫星降水信息的聚类处理(聚类效果好)，使最终输出的选址信息得以具备较高的精度。
可选的，如图2所示，对多个属性信息中的卫星降水信息进行聚类处理，以获得多个相互独立的信息簇之前，所述雨量站选址信息输出方法还包括：
步骤102、根据所述目标区域内已建成雨量站的网格对象的卫星降水信息，对所述多个属性信息中的卫星降水信息进行过滤。
所述步骤102包括：
区分多个属性信息中的站点属性信息和空闲属性信息，所述站点属性信息为所述目标区域内已建成雨量站的网格对象的属性信息，所述空闲属性信息为所述目标区域内未建成水位站点的网格对象的属性信息。
以所述站点属性信息的卫星降水信息作为簇心，对所述空闲属性信息的卫星降水信息进行聚类处理，获得站点信息簇。
从所述多个属性信息中的卫星降水信息中滤除所述站点信息簇的卫星降水信息。
如上所述，设定所述多个属性信息中的卫星降水信息为点集YF，点集YF内的数据为
其中，参数z0为点集YF的数据个数(即所述多个属性信息中的卫星降水信息的数目)。
另设定多个站点属性信息中的卫星降水信息为点集F，点集F内的数据为Fk(k＝1,2,…,x)，其中，参数x为点集F的数据个数(即所述多个站点属性信息中的卫星降水信息的数目)，且所述点集F为所述点集YF的子集。
此时多个空闲属性信息中卫星降水信息即为点集YF-F。
遍历所述点集F内的数据，并基于上述相关性判定流程，获取数据Fk所对应的关联指数，后续基于数据Fk的关联指数数值对点集F内的数据进行排序(假定以从大到小的次序排列，即数据F1的关联指数大于或等于数据F2的关联指数，数据F2的关联指数大于或等于数据于F3的关联指数，后续依次类推)。
将点集YF中的数据F1以及关联数据F1的其他数据作为一新的点集G1(即站点信息簇)；
将点集YF-G1中的数据F2以及关联数据F2的其他数据作为一新的点集G2(即站点信息簇)；
后续依次类推，直至获得点集Gx。
此时，前述示例中的点集Y可通过点集YF过滤点集G1、G2、…、Gx而得到。
需要说明的是，所述目标区域内已建成雨量站所归属的网格对象，可基于所述目标区域内已建成雨量站的经纬度坐标来进行确定。
在实际应用中，当已知目标区域内已建成雨量站的位置信息(经纬度坐标)以后，便可以通过已建成雨量站所归属网格对象的卫星降水信息，对所述多个属性信息中的卫星降水信息进行过滤，并基于目标区域内已建成雨量站的情况适应性地完成数据过滤操作，以使最后所输出的选址信息的数据精度得到进一步提升。
可选的，所述根据多个簇心信息所对应的坐标信息，在所述目标区域确定雨量站的选址信息的步骤，包括：
根据预设的地形筛分条件和交通筛分条件，对所述多个簇心信息所对应的坐标信息进行筛分，以获得所述选址信息。
所述坐标信息至少包括其所对应网格对象的经纬度坐标、地形参数以及交通参数。其中，所述地形参数可以包括山地、丘陵、盆地和平原等，所述交通参数用于指示所述网格对象的经纬度坐标同最近的人类聚落/道路之间的距离。
所述地形筛分条件可以为，移除地形参数为山地、丘陵或盆地的网格对象；所述交通筛分条件可以为，移除交通参数的数值大于1千米的网格对象。
在实际应用中，由于雨量站的布站工程量较大，因此除了在布站选址过程中，除了考量每一网格对象的水文代表性以外，还需要综合考量每一网格对象所在地形的平整程度，以及每一网格对象的交通运输条件的便利程度，来最终确定新雨量站的选址信息。
需要说明的是，所述地形参数、交通参数、地形筛分条件以及交通筛分条件可基于实际工程需要，来进行适应性地调整，本申请实施例对其并不加以限定。
请参照图3，图3是本申请一些实施例中的一种雨量站选址信息输出装置的结构示意图，该雨量站选址信息输出装置，包括：
划分模块201，用于将目标区域划分为多个网格对象；
提取模块202，用于提取每个网格对象的属性信息，所述属性信息包括坐标信息以及卫星降水信息，所述卫星降水信息为从卫星获取的降水信息；
聚类模块204，用于对多个属性信息中的卫星降水信息进行聚类处理，以获得多个相互独立的信息簇，每一信息簇包括一簇心信息，所述簇心信息为某一属性信息中的卫星降水信息；
确定模块205，用于根据多个簇心信息所对应的坐标信息，在所述目标区域确定雨量站的选址信息；
输出模块206，用于输出所述选址信息。
可选的，所述聚类模块204具体用于：
获取第一卫星降水信息和第二卫星降水信息，所述第一卫星降水信息和所述第二卫星降水信息为所述多个网格对象中不同网格对象的卫星降水信息；
根据所述第一卫星降水信息和所述第二卫星降水信息，获得均值相似指标和极值相似指标；
若所述均值相似指标大于第一阈值且所述极值相似指标大于第二阈值，则判定所述第一卫星降水信息和所述第二卫星降水信息属于同一信息簇，否则判定所述第一卫星降水信息和所述第二卫星降水信息不属于同一信息簇。
可选的，所述第一卫星降水信息和所述第二卫星降水信息均包括单位时间降水总量，所述聚类模块204包括均值指标获取单元，所述均值指标获取单元具体用于：
获取所述第一卫星降水信息中的第一数据集合，所述第一数据集合包括第一卫星降水信息中的多个单位时间降水总量；
获取所述第二卫星降水信息中的第二数据集合，所述第二数据集合包括第二卫星降水信息中的多个单位时间降水总量；
计算所述第一数据集合和所述第二数据集合的均值相似指标，所述均值相似指标为第一数据集合和第二数据集合的相关系数。
可选的，所述第一卫星降水信息和所述第二卫星降水信息均包括极值降水日信息，所述极值降水日信息为日降水总量大于日降水量阈值的日期；所述聚类模块204包括极值指标获取单元，所述极值指标获取单元具体用于：
获取所述第一卫星降水信息的第三数据集合，所述第三数据集合包括所述第一卫星降水信息中的多个极值降水日信息；
获取所述第二卫星降水信息的第四数据集合，所述第四数据集合包括所述第二卫星降水信息中的多个极值降水日信息；
根据所述第三数据集合和所述第四数据集合，获得相似数据集合，所述相似数据集合包括满足设定条件的第三数据和第四数据，所述第三数据属于所述第三数据集合，所述第四数据属于所述第四数据集合，所述设定条件为所述第三数据和所述第四数据之差的绝对值小于日期阈值；
利用所述相似数据集合的数据个数除以所述第三数据集合的数据个数与所述第四数据集合的数据个数之和，以获得所述极值相似指标。
可选的，如图4所示，所述雨量站选址信息输出装置还包括过滤模块203，所述过滤模块203具体用于：
在对多个属性信息中的卫星降水信息进行聚类处理，以获得多个相互独立的信息簇之前，区分多个属性信息中的站点属性信息和空闲属性信息，所述站点属性信息为所述目标区域内已建成雨量站点的网格对象的属性信息，所述空闲属性信息为所述目标区域内未建成水位站点的网格对象的属性信息；
以所述站点属性信息的卫星降水信息作为簇心，对所述空闲属性信息的卫星降水信息进行聚类处理，获得站点信息簇；
从所述多个属性信息中的卫星降水信息中滤除所述站点信息簇的卫星降水信息。
可选的，所述确定模块205具体用于：
根据预设的地形筛分条件和交通筛分条件，对所述多个簇心信息所对应的坐标信息进行筛分，以获得所述选址信息。
本申请实施例提供的雨量站选址信息输出装置能够实现图1和图2所示的方法实施例中雨量站选址信息输出方法的各个过程，为避免重复，这里不再赘述。
需要说明的是，本申请实施例中的雨量站选址信息输出装置可以是装置，也可以是电子设备中的部件、集成电路或芯片。
请参见图5，图是本申请实施例提供的一种电子设备的结构图，如图5所示，电子设备300包括：存储器301、处理器302及存储在所述存储器301上并可在所述处理器302上运行的程序或者指令，所述程序或者指令被所述处理器302执行时实现上述雨量站选址信息输出方法中的步骤。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述雨量站选址信息输出方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。
Claims (10)
1.一种雨量站选址信息输出方法，其特征在于，所述方法包括：
将目标区域划分为多个网格对象，并提取每个网格对象的属性信息，所述属性信息包括坐标信息以及卫星降水信息，所述卫星降水信息为从卫星获取的降水信息；
对多个属性信息中的卫星降水信息进行聚类处理，以获得多个相互独立的信息簇，每一信息簇包括一簇心信息，所述簇心信息为某一属性信息中的卫星降水信息；
根据多个簇心信息所对应的坐标信息，在所述目标区域确定雨量站的选址信息；
输出所述选址信息。
2.根据权利要求1所述的雨量站选址信息输出方法，其特征在于，所述对多个属性信息中的卫星降水信息进行聚类处理的步骤，包括：
获取第一卫星降水信息和第二卫星降水信息，所述第一卫星降水信息和所述第二卫星降水信息为所述多个网格对象中不同网格对象的卫星降水信息；
根据所述第一卫星降水信息和所述第二卫星降水信息，获得均值相似指标和极值相似指标；
若所述均值相似指标大于第一阈值且所述极值相似指标大于第二阈值，则判定所述第一卫星降水信息和所述第二卫星降水信息属于同一信息簇，否则判定所述第一卫星降水信息和所述第二卫星降水信息不属于同一信息簇。
3.根据权利要求2所述的雨量站选址信息输出方法，其特征在于，所述第一卫星降水信息和所述第二卫星降水信息均包括单位时间降水总量；获得所述均值相似指标的步骤，包括：
获取所述第一卫星降水信息中的第一数据集合，所述第一数据集合包括第一卫星降水信息中的多个单位时间降水总量；
获取所述第二卫星降水信息中的第二数据集合，所述第二数据集合包括第二卫星降水信息中的多个单位时间降水总量；
计算所述第一数据集合和所述第二数据集合的均值相似指标，所述均值相似指标为第一数据集合和第二数据集合的相关系数。
4.根据权利要求2所述的雨量站选址信息输出方法，其特征在于，所述第一卫星降水信息和所述第二卫星降水信息均包括极值降水日信息，所述极值降水日信息为日降水总量大于日降水量阈值的日期；获得所述极值相似指标的步骤，包括：
获取所述第一卫星降水信息的第三数据集合，所述第三数据集合包括所述第一卫星降水信息中的多个极值降水日信息；
获取所述第二卫星降水信息的第四数据集合，所述第四数据集合包括所述第二卫星降水信息中的多个极值降水日信息；
根据所述第三数据集合和所述第四数据集合，获得相似数据集合，所述相似数据集合包括满足设定条件的第三数据和第四数据，所述第三数据属于所述第三数据集合，所述第四数据属于所述第四数据集合，所述设定条件为所述第三数据和所述第四数据之差的绝对值小于日期阈值；
利用所述相似数据集合的数据个数除以所述第三数据集合的数据个数与所述第四数据集合的数据个数之和，以获得所述极值相似指标。
5.根据权利要求1所述的雨量站选址信息输出方法，其特征在于，对多个属性信息中的卫星降水信息进行聚类处理，以获得多个相互独立的信息簇之前，所述雨量站选址信息输出方法还包括：
区分多个属性信息中的站点属性信息和空闲属性信息，所述站点属性信息为所述目标区域内已建成雨量站的网格对象的属性信息，所述空闲属性信息为所述目标区域内未建成雨量站点的网格对象的属性信息；
以所述站点属性信息的卫星降水信息作为簇心，对所述空闲属性信息的卫星降水信息进行聚类处理，获得站点信息簇；
从所述多个属性信息中的卫星降水信息中滤除所述站点信息簇的卫星降水信息。
6.根据权利要求1所述的雨量站选址信息输出方法，其特征在于，所述根据多个簇心信息所对应的坐标信息，在所述目标区域确定雨量站的选址信息的步骤，包括：
根据预设的地形筛分条件和交通筛分条件，对所述多个簇心信息所对应的坐标信息进行筛分，以获得所述选址信息。
7.一种雨量站选址信息输出装置，其特征在于，所述站点信息输出装置包括：
划分模块，用于将目标区域划分为多个网格对象；
提取模块，用于提取每个网格对象的属性信息，所述属性信息包括坐标信息以及卫星降水信息，所述卫星降水信息为从卫星获取的降水信息；
聚类模块，用于对多个属性信息中的卫星降水信息进行聚类处理，以获得多个相互独立的信息簇，每一信息簇包括一簇心信息，所述簇心信息为某一属性信息中的卫星降水信息；
确定模块，用于根据多个簇心信息所对应的坐标信息，在所述目标区域确定雨量站的选址信息；
输出模块，用于输出所述选址信息。
8.根据权利要求7所述的雨量站选址信息输出装置，其特征在于，所述聚类模块用于：
获取第一卫星降水信息和第二卫星降水信息，所述第一卫星降水信息和所述第二卫星降水信息为所述多个网格对象中不同网格对象的卫星降水信息；
根据所述第一卫星降水信息和所述第二卫星降水信息，获得均值相似指标和极值相似指标；
若所述均值相似指标大于第一阈值且所述极值相似指标大于第二阈值，则判定所述第一卫星降水信息和所述第二卫星降水信息属于同一信息簇，否则判定所述第一卫星降水信息和所述第二卫星降水信息不属于同一信息簇。
9.一种电子设备，其特征在于，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-6中任一项所述方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有程序或指令，所述程序或指令被处理器执行时实现如权利要求1-6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110533048.9A CN113269240A (zh) | 2021-05-17 | 2021-05-17 | 一种雨量站选址信息输出方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110533048.9A CN113269240A (zh) | 2021-05-17 | 2021-05-17 | 一种雨量站选址信息输出方法、装置、电子设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113269240A true CN113269240A (zh) | 2021-08-17 |
Family
ID=77231139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110533048.9A Pending CN113269240A (zh) | 2021-05-17 | 2021-05-17 | 一种雨量站选址信息输出方法、装置、电子设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113269240A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114814995A (zh) * | 2022-03-31 | 2022-07-29 | 武汉达梦数据技术有限公司 | 一种城市雨量异常的预警方法及装置 |
| CN115630741A (zh) * | 2022-10-31 | 2023-01-20 | 中国电建集团成都勘测设计研究院有限公司 | 基于工程量的山地风电开发区域规划方法 |
| CN116047546A (zh) * | 2022-07-07 | 2023-05-02 | 北京玖天气象科技有限公司 | 基于多源卫星数据的山火监测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0026329A2 (en) * | 1979-09-28 | 1981-04-08 | International Business Machines Corporation | Communications controller for a time division multiple access satellite communication network |
| US20130222179A1 (en) * | 2012-02-27 | 2013-08-29 | Electronics And Telecommunications Research Institute | Apparatus and method for estimating rainfall attenuation, and apparatus for compensating for rainfall attenuation |
| CN105068153A (zh) * | 2015-06-19 | 2015-11-18 | 中国气象科学研究院 | 一种区域自动雨量站小时降水数据质量控制系统及方法 |
| CN105512750A (zh) * | 2015-11-27 | 2016-04-20 | 清华大学 | 基于卫星降雨数据的雨量站网布设方法及装置 |
| CN106651052A (zh) * | 2016-12-30 | 2017-05-10 | 中国地质大学（武汉） | 一种地面雨量站优化布局的方法及装置 |
| CN110222911A (zh) * | 2019-06-20 | 2019-09-10 | 中国水利水电科学研究院 | 一种卫星遥感与地面数据协同的雨量站网优化布局方法 |
| CN110597873A (zh) * | 2019-08-23 | 2019-12-20 | 北京师范大学 | 降水数据估计方法、装置、设备及存储介质 |
| US20200050826A1 (en) * | 2015-09-21 | 2020-02-13 | The Climate Corporation | Ponding water detection on satellite imagery |
| CN111695088A (zh) * | 2020-06-12 | 2020-09-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 卫星降水空间降尺度最优回归窗口筛选方法与装置 |
| CN112308029A (zh) * | 2020-11-24 | 2021-02-02 | 国网湖南省电力有限公司 | 雨量站与卫星的降水数据融合方法及系统 |
-
2021
- 2021-05-17 CN CN202110533048.9A patent/CN113269240A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0026329A2 (en) * | 1979-09-28 | 1981-04-08 | International Business Machines Corporation | Communications controller for a time division multiple access satellite communication network |
| US20130222179A1 (en) * | 2012-02-27 | 2013-08-29 | Electronics And Telecommunications Research Institute | Apparatus and method for estimating rainfall attenuation, and apparatus for compensating for rainfall attenuation |
| CN105068153A (zh) * | 2015-06-19 | 2015-11-18 | 中国气象科学研究院 | 一种区域自动雨量站小时降水数据质量控制系统及方法 |
| US20200050826A1 (en) * | 2015-09-21 | 2020-02-13 | The Climate Corporation | Ponding water detection on satellite imagery |
| CN105512750A (zh) * | 2015-11-27 | 2016-04-20 | 清华大学 | 基于卫星降雨数据的雨量站网布设方法及装置 |
| CN106651052A (zh) * | 2016-12-30 | 2017-05-10 | 中国地质大学（武汉） | 一种地面雨量站优化布局的方法及装置 |
| CN110222911A (zh) * | 2019-06-20 | 2019-09-10 | 中国水利水电科学研究院 | 一种卫星遥感与地面数据协同的雨量站网优化布局方法 |
| CN110597873A (zh) * | 2019-08-23 | 2019-12-20 | 北京师范大学 | 降水数据估计方法、装置、设备及存储介质 |
| CN111695088A (zh) * | 2020-06-12 | 2020-09-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 卫星降水空间降尺度最优回归窗口筛选方法与装置 |
| CN112308029A (zh) * | 2020-11-24 | 2021-02-02 | 国网湖南省电力有限公司 | 雨量站与卫星的降水数据融合方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| FABIO SAGGESE: ""A Novel Approach to Rainfall Rate Estimation based on Fusing Measurements from Terrestrial Microwave and Satellite Links"", 《 2020 XXXIIIRD GENERAL ASSEMBLY AND SCIENTIFIC SYMPOSIUM OF THE INTERNATIONAL UNION OF RADIO SCIENCE》 * |
| 刘硕: ""TRMM卫星与地面雨量站网的降水数据融合及其水文模拟应用"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
| 唐国强;李哲;薛显武;胡庆芳;雍斌;洪阳;: "赣江流域TRMM遥感降水对地面站点观测的可替代性", 水科学进展, no. 03 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114814995A (zh) * | 2022-03-31 | 2022-07-29 | 武汉达梦数据技术有限公司 | 一种城市雨量异常的预警方法及装置 |
| CN114814995B (zh) * | 2022-03-31 | 2022-11-22 | 武汉达梦数据技术有限公司 | 一种城市内涝的预警方法及装置 |
| CN116047546A (zh) * | 2022-07-07 | 2023-05-02 | 北京玖天气象科技有限公司 | 基于多源卫星数据的山火监测方法 |
| CN116047546B (zh) * | 2022-07-07 | 2024-02-27 | 北京玖天气象科技有限公司 | 基于多源卫星数据的山火监测方法 |
| CN115630741A (zh) * | 2022-10-31 | 2023-01-20 | 中国电建集团成都勘测设计研究院有限公司 | 基于工程量的山地风电开发区域规划方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113269240A (zh) | 一种雨量站选址信息输出方法、装置、电子设备和介质 | |
| CN110222911B (zh) | 一种卫星遥感与地面数据协同的雨量站网优化布局方法 | |
| CN109031472B (zh) | 一种用于气象预测的数据处理方法及装置 | |
| CN109544690B (zh) | 共享单车出行影响因素识别方法、系统及存储介质 | |
| CN110020224B (zh) | 地图兴趣点数据的关联方法、装置、设备及介质 | |
| CN105974418B (zh) | 基于天气雷达反射率特征匹配的降水估测方法 | |
| CN104422451A (zh) | 一种道路识别方法及装置 | |
| CN110134907B (zh) | 一种降雨缺失数据填补方法、系统及电子设备 | |
| CN111479321B (zh) | 一种网格构建方法、装置、电子设备和存储介质 | |
| CN110853347A (zh) | 一种短时交通路况预测方法、装置及终端设备 | |
| CN103955583A (zh) | 一种确定夜晚灯光数据提取城市建成区阈值的方法 | |
| CN111008255A (zh) | 违章地点识别方法、装置、电子设备及存储介质 | |
| CN115203625A (zh) | 一种旱涝指数数据缺失值插补方法及其插补装置 | |
| CN116703132B (zh) | 共享车辆动态调度的管理方法、装置及计算机设备 | |
| CN114004950A (zh) | 一种基于BIM与LiDAR技术的路面病害智能识别与管理方法 | |
| Karume et al. | Use of remote sensing for population number determination | |
| CN115271332A (zh) | 一种旱情监测方法 | |
| CN116028660A (zh) | 一种基于权重值的图像数据筛选方法、系统及介质 | |
| CN108597013B (zh) | 一种特定区域气象水文资料抽点填图方法 | |
| CN113505188A (zh) | 一种基于大数据的城市地图测绘更新系统及方法 | |
| CN113742929A (zh) | 一种针对格点气象实况的数据质量评价方法 | |
| CN113408867A (zh) | 基于手机用户和poi数据的城市入室盗窃犯罪风险评估方法 | |
| CN111352964A (zh) | 获取兴趣点信息的方法、装置、设备及存储介质 | |
| CN117251520B (zh) | 生物多样性关键区域识别方法、装置和电子设备 | |
| CN115146705B (zh) | 遥感和地表雷击火环境相结合识别森林雷击火的方法 |
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 |