CN113761721B - 一种基于栅格数据快速识别极端高/低温事件的方法 - Google Patents
一种基于栅格数据快速识别极端高/低温事件的方法 Download PDFInfo
- Publication number
- CN113761721B CN113761721B CN202110941914.8A CN202110941914A CN113761721B CN 113761721 B CN113761721 B CN 113761721B CN 202110941914 A CN202110941914 A CN 202110941914A CN 113761721 B CN113761721 B CN 113761721B
- Authority
- CN
- China
- Prior art keywords
- low temperature
- event
- temperature
- data
- extreme
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000011160 research Methods 0.000 claims description 17
- 230000002045 lasting effect Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Measuring Temperature Or Quantity Of Heat (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于栅格数据快速识别极端高/低温事件的方法，所述的识别极端高低温事件的方法为：1)、导入逐日最低或最高气温栅格数据；2)、计算极端低温或高温阈值；3)、设定极端低温事件或极端高温事件最小影响面积阈值A0；4)、识别极端低温或高温事件并输出相关信息。本发明与现有技术相比的优点在于：通过函数raw2matrix，对数据进行批量处理，大大优化并减少了程序的运行时间，识别极端高低温事件函数id_tmin、id_tmax，以连通分量的形式来识别极端低温或高温事件，大大减少了程序的处理时间，效率高、精度高。
Description
技术领域
本发明涉及极端气候识别技术领域，具体是指—种基于栅格数据快速识别极端高/低温事件的方法。
背景技术
现有的识别极端低温事件的算法，大都基于站点数据，且处理步骤繁琐，运行时间久。鉴于此，本方案提出一种基于栅格数据的极端低温事件快速识别方法，运行速度快，识别精准。
本方案弹性大，可根据自己的研究需要进行改进，一方面，对于计算极端高低温阈值部分，可根据需要使用不同方法界定阈值，然后将数据在后续步骤中替换即可；另一方面，对于设定的最小影响面积阈值A0，可根据研究需要进行更改，方便快捷；对于识别极端低温事件，id_tmin、id_tmax函数已逐步注释，易于理解和更改，可根据需要改成计算持续多天的极端高低温事件。
本方法仅对极端高低温事件的发生位置(纬度-LAT、经度-LON)、日最低或最高气温、开始时间、结束时间和影响的格点面积进行统计；因为进行极端高低温事件时空变化研究的方法很多，本方案并未提出具体计算强度、频次等方法，因此，可根据自己研究需要在统计出来的各极端高低温事件参数的基础上进行进一步计算分析。
发明内容
本发明要解决的技术问题是以上所述的技术问题，提供一种运行速度快，识别精准的基于栅格数据的极端低温事件快速识别方法。
为解决上述技术问题，本发明提供的技术方案为：—种基于栅格数据快速识别极端高/低温事件的方法，所述的识别极端高低温事件的方法为：
步骤1：导入逐日最低或最高气温栅格数据，如果是点数据(行为时间，列为格点)，需运行matlab软件函数raw2matrix将其转为面数据(LAT×LON×TIME)；若导入数据为面数据，则直接进行步骤2；
步骤2：1)、计算极端低温阈值，剔除高温地区(格点年均日最低气温>研究区平均日最低气温)；选取逐年冬季(12-2月)日最低气温序列的第5百分位数的多年平均值作为极端低温的阈值，若界定极端低温阈值的方法为绝对阈值法或研究区无高温地区，则可无需剔除高温地区步骤直接进行步骤3；2)、计算极端高温阈值，剔除高寒地区(格点年均日最高气温<研究区平均最高气温)；选取逐年夏季(6-8月)日最高气温序列的第95百分位数的多年平均值作为极端高温的阈值，若界定极端高温阈值的方法为绝对阈值法或研究区无高寒地区，则可无需剔除高寒地区步骤直接进行步骤3；
步骤3：设定极端低温事件或极端高温事件最小影响面积阈值A0，剔除影响面积小于A0的事件。设定最小面积阈值A0，若一次低温或高温事件的影响面积小于A0则进行剔除。因此，此步骤首先对整个时间尺度进行扫描，剔除小于A0的极端低温事件。最小面积A0阈值可变，可根据研究区的大小来进行设定，最小面积A0阈值设为25000km2，若进行中国尺度研究，可设为150000km2，若进行全球尺度研究，可设为500000km2；
步骤4：通过matlab软件的核心函数id_tmin或id_tmax识别极端低温或高温事件并输出相关信息。
作为改进，所述的matlab软件函数raw2matrix表达式为：
[LON,LAT,OBS]＝raw2matrix(lon,lat,data)。
作为改进，所述的步骤4中的核心函数id_tmin、id_tmax为：
[tmin_event,day,days]＝id_tmin(TMIN,LAT,LON,p5,time,d,r)；
[tmax_event,day,days]＝id_tmax(TMAX,LAT,LON,p95,time,d,r)；
其中，输入变量：TMIN为逐日最低气温栅格数据(面数据，LAT×LON×TIME)，TMAX为逐日最高气温栅格数据(面数据，LAT×LON×TIME)，LAT、LON分别为步骤1中采用函数raw2matrix生成的经纬度面数据，p5为步骤2中计算得到的第5百分位阈值，p95为步骤2中计算得到的第95百分位阈值，time为日最低或最高气温数据对应的时间，d为识别极端高温或极端低温事件的持续天数，r为数据的空间分辨率；
输出变量：tmin_event为该时间段内所有发生的极端低温事件，tmax_event为该时间段内所有发生的极端高温事件，共有5行；每一列对应的为一次极端低温或极端高温事件，每一行分别对应每次极端低温或极端高温事件的：纬度(LAT)、经度(LON)、时间(page/time)、日最低气温(tmin)、持续天数。day和days分别对应的为持续d天及持续d天以上的极端低温事件，共有8行；每一列对应的为一次极端低温事件，每一行分别对应每次极端低温事件的：纬度(LAT)、经度(LON)、日最低气温(tmin)或日最高气温(tmax)、开始时间、结束时间、格点影响面积、总影响面积。
本发明与现有技术相比的优点在于：通过点数据转面数据函数raw2matrix，对数据进行批量处理，大大优化并减少了程序的运行时间，识别极端高低温事件函数id_tmin、id_tmax，此函数主要采用了matlab内置函数bwconncomp，以连通分量的形式来识别极端低温或高温事件，大大减少了程序的处理时间，能够快速识别极端低温或极端高温事件并统计不同持续事件内极端低温或极端高温事件的发生位置(纬度-LAT、经度-LON)、日最低或最高气温、开始时间、结束时间和影响的格点面积，效率高、精度高。
附图说明
图1是本发明—种基于栅格数据快速识别极端高/低温事件的方法极端高低温事件过程的示意图。
图2是本发明—种基于栅格数据快速识别极端高/低温事件的方法识别极端低温事件工作的流程图。
图3是本发明—种基于栅格数据快速识别极端高/低温事件的方法识别极端高温事件工作的流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
结合附图1～2，—种基于栅格数据快速识别极端高/低温事件的方法，所述的识别极端高低温事件的方法为：
步骤1：导入逐日最低或最高气温栅格数据，如果是点数据(行为时间，列为格点)，需运行matlab软件函数raw2matrix将其转为面数据(LAT×LON×TIME)；若导入数据为面数据，则直接进行步骤2；
步骤2：1)、计算极端低温阈值，剔除高温地区(格点年均日最低气温>研究区平均日最低气温)；选取逐年冬季(12-2月)日最低气温序列的第5百分位数的多年平均值作为极端低温的阈值，若界定极端低温阈值的方法为绝对阈值法或研究区无高温地区，则可无需剔除高温地区步骤直接进行步骤3，极端低温阈值计算方法可变，可根据研究需要界定极端低温阈值并把结果导入本程序进行识别极端低温事件；2)、计算极端高温阈值，剔除高寒地区(格点年均日最高气温<研究区平均最高气温)；选取逐年夏季(6-8月)日最高气温序列的第95百分位数的多年平均值作为极端高温的阈值，若界定极端高温阈值的方法为绝对阈值法或研究区无高寒地区，则可无需剔除高寒地区步骤直接进行步骤3，极端高温阈值计算方法可变，可根据研究需要界定极端高温阈值并把结果导入本程序进行识别极端高温事件；
步骤3：设定极端低温事件或极端高温事件最小影响面积阈值A0，剔除影响面积小于A0的事件。设定最小面积阈值A0，若一次低温或高温事件的影响面积小于A0则进行剔除。因此，此步骤首先对整个时间尺度进行扫描，剔除小于A0的极端低温事件。最小面积A0阈值可变，可根据研究区的大小来进行设定，最小面积A0阈值设为25000km2，若进行中国尺度研究，可设为150000km2，若进行全球尺度研究，可设为500000km2；
步骤4：通过matlab软件的核心函数id_tmin或id_tmax识别极端低温或高温事件并输出相关信息，一次极端低温或极端高温事件应包括发生、发展与消亡的过程。其中，发展过程包括极端低温或极端高温的移动、分裂与重新组合。由于同一极端低温或极端高温事件在短时间内移动距离较短，在发展这一过程中空间范围存在重叠，因此，对于相邻时间极端低温或极端高温对象，若其空间范围拓扑相交，则认为极端低温对象或极端高温对象属于同一次极端低温或极端高温事件，如图1所示。
所述的matlab软件函数raw2matrix表达式为：
[LON,LAT,OBS]＝raw2matrix(lon,lat,data)，将点数据转换成面数据。
所述的步骤4中的核心函数id_tmin、id_tmax为：
[tmin_event,day,days]＝id_tmin(TMIN,LAT,LON,p5,time,d,r)；
[tmax_event,day,days]＝id_tmax(TMAX,LAT,LON,p95,time,d,r)；
其中，输入变量：TMIN为逐日最低气温栅格数据(面数据，LAT×LON×TIME)，TMAX为逐日最高气温栅格数据(面数据，LAT×LON×TIME)，LAT、LON分别为步骤1中采用函数raw2matrix生成的经纬度面数据，p5为步骤2中计算得到的第5百分位阈值，p95为步骤2中计算得到的第95百分位阈值，time为日最低或最高气温数据对应的时间，d为识别极端高温或极端低温事件的持续天数，r为数据的空间分辨率；
输出变量：tmin_event为该时间段内所有发生的极端低温事件，tmax_event为该时间段内所有发生的极端高温事件，共有5行；每一列对应的为一次极端低温或极端高温事件，每一行分别对应每次极端低温或极端高温事件的：纬度(LAT)、经度(LON)、时间(page/time)、日最低气温(tmin)、持续天数。day和days分别对应的为持续d天及持续d天以上的极端低温事件，共有8行；每一列对应的为一次极端低温事件，每一行分别对应每次极端低温事件的：纬度(LAT)、经度(LON)、日最低气温(tmin)或日最高气温(tmax)、开始时间、结束时间、格点影响面积、总影响面积。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (3)
1.一种基于栅格数据快速识别极端高/低温事件的方法，其特征在于：所述的识别极端高低温事件的方法为：
步骤1：导入逐日最低或最高气温栅格数据，如果是点数据，行为时间，列为格点，需运行matlab软件函数raw2matrix将其转为面数据，面数据可以表示为LAT×LON×TIME；若导入数据为面数据，则直接进行步骤2；
步骤2：1)、计算极端低温阈值，剔除高温地区，高温地区界定标准为格点年均日最低气温>研究区平均日最低气温；选取逐年冬季日最低气温序列的第5百分位数的多年平均值作为极端低温的阈值，冬季取12-2月，若界定极端低温阈值的方法为绝对阈值法或研究区无高温地区，则可无需剔除高温地区步骤直接进行步骤3；2)、计算极端高温阈值，剔除高寒地区，高寒地区界定标准为格点年均日最高气温<研究区平均最高气温；选取逐年夏季日最高气温序列的第95百分位数的多年平均值作为极端高温的阈值，夏季取6-8月，若界定极端高温阈值的方法为绝对阈值法或研究区无高寒地区，则可无需剔除高寒地区步骤直接进行步骤3；
步骤3：设定极端低温事件或极端高温事件最小影响面积阈值A0，剔除影响面积小于A0的事件；设定最小面积阈值A0，若一次低温或高温事件的影响面积小于A0则进行剔除；因此，此步骤首先对整个时间尺度进行扫描，剔除小于A0的极端低温事件；最小面积A0阈值可变，可根据研究区的大小来进行设定，最小面积A0阈值设为25000km2，若进行中国尺度研究，可设为150000km2，若进行全球尺度研究，可设为500000km2；
步骤4：通过matlab软件的核心函数id_tmin或id_tmax识别极端低温或高温事件并输出相关信息。
2.根据权利要求1所述的基于栅格数据快速识别极端高/低温事件的方法，其特征在于：所述的matlab软件函数raw2matrix表达式为：
[LON,LAT,OBS]＝raw2matrix(lon,lat,data)。
3.根据权利要求1所述的基于栅格数据快速识别极端高/低温事件的方法，其特征在于：所述的步骤4中的核心函数id_tmin、id_tmax为：
[tmin_event,day,days]＝id_tmin(TMIN,LAT,LON,p5,time,d,r)；
[tmax_event,day,days]＝id_tmax(TMAX,LAT,LON,p95,time,d,r)；
其中，输入变量：TMIN为逐日最低气温栅格数据，即面数据，表示为LAT×LON×TIME，TMAX为逐日最高气温栅格数据，即面数据，表示为LAT×LON×TIME，LAT、LON分别为步骤1中采用函数raw2matrix生成的经纬度面数据，p5为步骤2中计算得到的第5百分位阈值，p95为步骤2中计算得到的第95百分位阈值，time为日最低或最高气温数据对应的时间，d为识别极端高温或极端低温事件的持续天数，r为数据的空间分辨率；
输出变量：tmin_event为该时间段内所有发生的极端低温事件，tmax_event为该时间段内所有发生的极端高温事件，共有5行；每一列对应的为一次极端低温或极端高温事件，每一行分别对应每次极端低温或极端高温事件的：纬度(LAT)、经度(LON)、时间(page/time)、日最低气温(tmin)、持续天数；day和days分别对应的为持续d天及持续d天以上的极端低温事件，共有8行；每一列对应的为一次极端低温事件，每一行分别对应每次极端低温事件的：纬度(LAT)、经度(LON)、日最低气温(tmin)或日最高气温(tmax)、开始时间、结束时间、格点影响面积、总影响面积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110941914.8A CN113761721B (zh) | 2021-08-17 | 2021-08-17 | 一种基于栅格数据快速识别极端高/低温事件的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110941914.8A CN113761721B (zh) | 2021-08-17 | 2021-08-17 | 一种基于栅格数据快速识别极端高/低温事件的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113761721A CN113761721A (zh) | 2021-12-07 |
| CN113761721B true CN113761721B (zh) | 2024-04-19 |
Family
ID=78789963
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110941914.8A Active CN113761721B (zh) | 2021-08-17 | 2021-08-17 | 一种基于栅格数据快速识别极端高/低温事件的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113761721B (zh) |
Citations (5)
| 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 |
| CN109934410A (zh) * | 2019-03-18 | 2019-06-25 | 河海大学 | 利用三维动态的干旱指标评估和预测大范围持续性干旱的方法 |
| CN110161591A (zh) * | 2019-06-04 | 2019-08-23 | 南京大学 | 群发性极端温度和极端降水耦合事件的识别方法 |
| CN112394424A (zh) * | 2020-09-28 | 2021-02-23 | 南京信息工程大学 | 一种区域极端降水事件的监测方法 |
| CN112559588A (zh) * | 2020-12-08 | 2021-03-26 | 天津市气象信息中心(天津市气象档案馆) | 地面气象站观测的百年均一化气温日值序列的构建方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011088473A2 (en) * | 2010-01-18 | 2011-07-21 | The Regents Of The University Of California | System and method for identifying patterns in and/or predicting extreme climate events |
-
2021
- 2021-08-17 CN CN202110941914.8A patent/CN113761721B/zh active Active
Patent Citations (5)
| 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 |
| CN109934410A (zh) * | 2019-03-18 | 2019-06-25 | 河海大学 | 利用三维动态的干旱指标评估和预测大范围持续性干旱的方法 |
| CN110161591A (zh) * | 2019-06-04 | 2019-08-23 | 南京大学 | 群发性极端温度和极端降水耦合事件的识别方法 |
| CN112394424A (zh) * | 2020-09-28 | 2021-02-23 | 南京信息工程大学 | 一种区域极端降水事件的监测方法 |
| CN112559588A (zh) * | 2020-12-08 | 2021-03-26 | 天津市气象信息中心(天津市气象档案馆) | 地面气象站观测的百年均一化气温日值序列的构建方法 |
Non-Patent Citations (2)
| Title |
|---|
| 景丞 ; 陶辉 ; 王艳君 ; 苏布达 ; 黄金龙 ; 姜彤 ; .基于区域气候模式CCLM的中国极端降水事件预估.自然资源学报.2017,(第02期),全文. * |
| 班春广 ; 陶辉 ; 董义阳 ; 赵成义 ; .未来气候情景下塔里木河干流日径流过程模拟研究.干旱区研究.2018,(第04期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113761721A (zh) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11520676B2 (en) | Method and system for power equipment diagnosis based on windowed feature and Hilbert visualization | |
| US20170371073A1 (en) | Prediction apparatus, prediction method, and non-transitory storage medium | |
| CN106960059A (zh) | 一种基于分段线性表示的时间序列流数据降维与简化表示方法 | |
| CN109978499B (zh) | 一种多测站事后遥测数据快速处理方法 | |
| CN114782970B (zh) | 一种表格提取方法、系统及可读介质 | |
| EP2377948B1 (en) | Error correcting method of test sequence, corresponding system and gene assembly equipment | |
| CN102117373A (zh) | 一种体征数据的录入方法及装置 | |
| CN108874296B (zh) | 一种基于并行架构的三维波形映射方法 | |
| CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
| CN113761721B (zh) | 一种基于栅格数据快速识别极端高/低温事件的方法 | |
| EP2725509A1 (en) | System and method for aligning genome sequence | |
| CN114662793A (zh) | 基于可解释分层模型的业务流程剩余时间预测方法与系统 | |
| CN109034462B (zh) | 玉米群体种植结构优化方法及装置 | |
| CN101826070A (zh) | 一种基于关键点的数据序列线性拟合方法 | |
| AU2021105987A4 (en) | Method for quickly identifying extreme high/low temperature events based on raster data | |
| CN115858613A (zh) | 一种基于时间顺序信息的风电数据显示方法和系统 | |
| CN109754159B (zh) | 一种电网运行日志的信息提取方法及系统 | |
| CN112686551A (zh) | 航班成本指数获取方法、装置、电子设备及存储介质 | |
| CN112129425B (zh) | 基于单调邻域均值的大坝混凝土浇筑光纤测温数据重采样方法 | |
| US20200042926A1 (en) | Analysis method and computer | |
| CN111209888A (zh) | 一种人机界面视觉识别系统及方法 | |
| CN111143477B (zh) | 一种空冷气象风速扇区相关快速统计的方法及装置 | |
| CN116956647B (zh) | 一种气动数据融合方法及系统 | |
| CN113886982B (zh) | 一种基于Isight优化平台的超静定约束方案寻优方法及装置 | |
| CN112395812B (zh) | 一种评价风速时移性的方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |