CN114545529B - 一种基于高频格点化雨量探测方法、系统、介质及设备 - Google Patents

一种基于高频格点化雨量探测方法、系统、介质及设备 Download PDF

Info

Publication number
CN114545529B
CN114545529B CN202210162799.9A CN202210162799A CN114545529B CN 114545529 B CN114545529 B CN 114545529B CN 202210162799 A CN202210162799 A CN 202210162799A CN 114545529 B CN114545529 B CN 114545529B
Authority
CN
China
Prior art keywords
rainwater
generate
index
data
frequency
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
Application number
CN202210162799.9A
Other languages
English (en)
Other versions
CN114545529A (zh
Inventor
蒙航平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha Xiangyun Ruifeng Information Technology Co ltd
Original Assignee
Changsha Xiangyun Ruifeng Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changsha Xiangyun Ruifeng Information Technology Co ltd filed Critical Changsha Xiangyun Ruifeng Information Technology Co ltd
Priority to CN202210162799.9A priority Critical patent/CN114545529B/zh
Publication of CN114545529A publication Critical patent/CN114545529A/zh
Application granted granted Critical
Publication of CN114545529B publication Critical patent/CN114545529B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • G01S13/958—Theoretical aspects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/95—Lidar systems specially adapted for specific applications for meteorological use
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Electromagnetism (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Ecology (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Environmental Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Hydrology & Water Resources (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种基于高频格点化雨量探测方法、系统、介质及设备。该方案包括根据微波探测设备和激光探测设备生成采集数据；根据所述采集数据进行分频运算和同频校正，生成综合采集数据；对所述综合采集数据进行深度指数运算，生成平均深度指数；根据所述平均深度指数进行t时刻雨水强度的预测；获取所述t时刻雨水强度，进行目标雨水最大值预报；根据所述目标雨水最大值进行信息在线展示，生成雨水预测深度曲线。该方案采用微波和激光两类非接触式探测手段，将宏观扫描与微观采样的两维数据同频校正，覆盖范围广，监测过程连续，能大幅度提高降水监测的客观性。

Description

一种基于高频格点化雨量探测方法、系统、介质及设备
技术领域
本发明涉及气象灾害预报技术领域，更具体地，涉及一种基于高频格点化雨量探测方法、系统、介质及设备。
背景技术
随着科技的发展，越来越多的探测设备被用在气象预报领域，尤其是进行降雨、降雪等情况的预报，但是，目前仍然存在预测不准和预测信息采集缺失的情况。
在本发明技术之前，由于采集设备多，但是无法进行有效的相互校正，形成可靠的采集数据，且在进行分析过程中，多经过经验分析获得未来预估，难以可靠的进行单独范围，格点化的小区域的精确预估和展示。
发明内容
鉴于上述问题，本发明提出了一种基于高频格点化雨量探测方法、系统、介质及设备，采用微波和激光两类非接触式探测手段，将宏观扫描与微观采样的两维数据同频校正，覆盖范围广，监测过程连续，能大幅度提高降水监测的客观性。
根据本发明实施例第一方面，提供一种基于高频格点化雨量探测方法。
在一个或多个实施例中，优选地，所述一种基于高频格点化雨量探测方法包括：
根据微波探测设备和激光探测设备生成采集数据；
根据所述采集数据进行分频运算和同频校正，生成综合采集数据；
对所述综合采集数据进行深度指数运算，生成平均深度指数；
根据所述平均深度指数进行t时刻雨水强度的预测；
获取所述t时刻雨水强度，进行目标雨水最大值预报；
根据所述目标雨水最大值进行信息在线展示，生成雨水预测深度曲线。
在一个或多个实施例中，优选地，所述根据微波探测设备和激光探测设备生成采集数据，具体包括：
设置微波探测设备布点位置，并保存为第一布点；
设置激光探测设备布点位置，并保存为第二布点；
通过所述第一布点进行数据采集，生成第一采集数据；
通过所述第二布点进行数据采集，生成第二采集数据。
在一个或多个实施例中，优选地，所述根据所述采集数据进行分频运算和同频校正，生成综合采集数据，具体包括：
根据所述第一采集数据进行自动的分频运算，生成第一频带数据；
根据所述第二采集数据进行自动的分频运算，生成第二频带数据；
将所述第一频带数据和所述第二频带数据进行相同频率的互相校正，通过平均值替代方式，获得所述综合采集数据。
在一个或多个实施例中，优选地，所述对所述综合采集数据进行深度指数运算，生成平均深度指数，具体包括：
对所述综合采集数据的对于的采集位置进行地形分析，生成地形风险指数和路网风险指数；
利用第一计算公式计算布点分级指数；
根据所述布点分级指数进行判断，当超过预设分级定值时，发出分级格点化采集命令；
在收到所述分级格点化采集命令后，确定监测范围划分方式；
根据所述监测范围划分方式利用第二计算公式进行所述评价深度指数计算，生成所述平均深度指数；
所述第一计算公式为：
Figure BDA0003515495060000031
其中，A为所述布点分级指数，D为地形风险指数，L为路网风险指数，S1为地形指数，S2为路网指数，k1为第一裕度，k2为第二裕度；
所述第二计算公式为：
Figure BDA0003515495060000032
其中，Z为所述平均深度指数，△Ui为第i监测范围监测点总数，Dj为第j个监测节点的深度指数。
在一个或多个实施例中，优选地，所述根据所述平均深度指数进行t时刻雨水强度的预测，具体包括：
获得所述平均深度指数；
设置降雨强度和预测维度；
将第三计算公式设置为学习公式，进行的运算，求解预估所述降雨强度；
利用第四计算公式修正所述降雨强度和所述预测维度；
利用第五计算公式实时预测所述t时刻雨水强度；
所述第三计算公式为：
Z＝ARb
其中，A为预测系数，R为所述降雨强度，b为所述预测维度；
所述第四计算公式为：
Figure BDA0003515495060000033
其中，R’为实测值，n为i监测范围总数；
所述第五计算公式为：
Figure BDA0003515495060000041
其中，z(t)为t时刻深度指数，R(t)为所述t时刻雨水强度。
在一个或多个实施例中，优选地，所述获取所述t时刻雨水强度，进行目标雨水最大值预报，具体包括：
获取所述t时刻雨水强度，存储到预测数组；
根据所述预测数组全部信息，求取所述目标雨水最大值；
将所述目标雨水最大值对应的时间进行预报。
在一个或多个实施例中，优选地，所述根据所述目标雨水最大值进行信息在线展示，生成雨水预测深度曲线，具体包括：
根据所述目标雨水最大值，进行预警信息的放大显示；
将从当前时刻到t时刻的雨水强度的在线展示，生成为折线图；
对所述折线图进行高斯平滑处理，生成为雨水预测深度曲线。
根据本发明实施例第二方面，提供一种基于高频格点化雨量探测系统。
在一个或多个实施例中，优选地，所述一种基于高频格点化雨量探测系统包括：
第一采集模块，用于根据微波探测设备和激光探测设备生成采集数据；
第二采集模块，用于根据所述采集数据进行分频运算和同频校正，生成综合采集数据；
评价深度指数模块，用于对所述综合采集数据进行深度指数运算，生成平均深度指数；
雨水强度学习模块，用于根据所述平均深度指数进行t时刻雨水强度的预测；
信息预报模块，用于获取所述t时刻雨水强度，进行目标雨水最大值预报；
信息展示模块，用于根据所述目标雨水最大值进行信息在线展示，生成雨水预测深度曲线。
根据本发明实施例第三方面，提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
根据本发明实施例第四方面，提供一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现本发明实施例第一方面中任一项所述的方法。
本发明的实施例提供的技术方案可以包括以下有益效果：
本发明实施例中，通过微波和激光两类非接触式探测进行自动的融合数据校正，获得更加准确的探测数据。
本发明实施例中，通过自动的进行综合的数据处理，自动进行未来一定时间的格点化的区域范围雨量预测和展示。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对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发明的一些实施例，对于本领域技术人员来讲，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的附图。
图1是本发明一个实施例的一种基于高频格点化雨量探测方法的流程图。
图2是本发明一个实施例的一种基于高频格点化雨量探测方法中的根据微波探测设备和激光探测设备生成采集数据的流程图。
图3是本发明一个实施例的一种基于高频格点化雨量探测方法中的根据所述采集数据进行分频运算和同频校正，生成综合采集数据的流程图。
图4是本发明一个实施例的一种基于高频格点化雨量探测方法中的对所述综合采集数据进行深度指数运算，生成平均深度指数的流程图。
图5是本发明一个实施例的一种基于高频格点化雨量探测方法中的根据所述平均深度指数进行t时刻雨水强度的预测的流程图。
图6是本发明一个实施例的一种基于高频格点化雨量探测方法中的获取所述t时刻雨水强度，进行目标雨水最大值预报的流程图。
图7是本发明一个实施例的一种基于高频格点化雨量探测方法中的根据所述目标雨水最大值进行信息在线展示，生成雨水预测深度曲线的流程图。
图8是本发明一个实施例的一种基于高频格点化雨量探测系统的结构图。
图9是本发明一个实施例中一种电子设备的结构图。
具体实施方式
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域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，都属于本发明保护的范围。
随着科技的发展，越来越多的探测设备被用在气象预报领域，尤其是进行降雨、降雪等情况的预报，但是，目前仍然存在预测不准和预测信息采集缺失的情况。
在本发明技术之前，由于采集设备多，但是无法进行有效的相互校正，形成可靠的采集数据，且在进行分析过程中，多经过经验分析获得未来预估，难以可靠的进行单独范围，格点化的小区域的精确预估和展示。
本发明实施例中，提供了一种基于高频格点化雨量探测方法、系统、介质及设备。该方案采用微波和激光两类非接触式探测手段，将宏观扫描与微观采样的两维数据同频校正，覆盖范围广，监测过程连续，能大幅度提高降水监测的客观性。
根据本发明实施例第一方面，提供一种基于高频格点化雨量探测方法。
图1是本发明一个实施例的一种基于高频格点化雨量探测方法的流程图。
在一个或多个实施例中，优选地，所述一种基于高频格点化雨量探测方法包括：
S101、根据微波探测设备和激光探测设备生成采集数据；
S102、根据所述采集数据进行分频运算和同频校正，生成综合采集数据；
S103、对所述综合采集数据进行深度指数运算，生成平均深度指数；
S104、根据所述平均深度指数进行t时刻雨水强度的预测；
S105、获取所述t时刻雨水强度，进行目标雨水最大值预报；
S106、根据所述目标雨水最大值进行信息在线展示，生成雨水预测深度曲线。
在本发明实施例中，用微波和激光两类非接触式探测手段，在此基础上结合了人工智能的深度分析，进行了自动的降雨分析、展示和预测。
图2是本发明一个实施例的一种基于高频格点化雨量探测方法中的根据微波探测设备和激光探测设备生成采集数据的流程图。
如图2所示，在一个或多个实施例中，优选地，所述根据微波探测设备和激光探测设备生成采集数据，具体包括：
S201、设置微波探测设备布点位置，并保存为第一布点；
S202、设置激光探测设备布点位置，并保存为第二布点；
S203、通过所述第一布点进行数据采集，生成第一采集数据；
S204、通过所述第二布点进行数据采集，生成第二采集数据。
在本发明实施例中，采用微波和激光两类非接触式探测手段，将宏观扫描与微观采样的两维数据同频校正，覆盖范围广(单部探测器半径36KM)、分辨率高(≤60m*1°)。
图3是本发明一个实施例的一种基于高频格点化雨量探测方法中的根据所述采集数据进行分频运算和同频校正，生成综合采集数据的流程图。
如图3所示，在一个或多个实施例中，优选地，所述根据所述采集数据进行分频运算和同频校正，生成综合采集数据，具体包括：
S301、根据所述第一采集数据进行自动的分频运算，生成第一频带数据；
S302、根据所述第二采集数据进行自动的分频运算，生成第二频带数据；
S303、将所述第一频带数据和所述第二频带数据进行相同频率的互相校正，通过平均值替代方式，获得所述综合采集数据。
在本发明实施例中，在收集到微波和激光两类非接触式探测的第一采集数据和第二采集数据后，将宏观扫描与微观采样的两维数据同频校正，覆盖范围广(单部探测器半径36KM)、分辨率高(≤60m*1°)、雨滴谱系宽(0.2～5mm)、监测过程连续，能大幅度提高降水监测的客观性。
图4是本发明一个实施例的一种基于高频格点化雨量探测方法中的对所述综合采集数据进行深度指数运算，生成平均深度指数的流程图。
如图4所示，在一个或多个实施例中，优选地，所述对所述综合采集数据进行深度指数运算，生成平均深度指数，具体包括：
S401、对所述综合采集数据的对于的采集位置进行地形分析，生成地形风险指数和路网风险指数；
S402、利用第一计算公式计算布点分级指数；
S403、根据所述布点分级指数进行判断，当超过预设分级定值时，发出分级格点化采集命令；
S404、在收到所述分级格点化采集命令后，确定监测范围划分方式；
S405、根据所述监测范围划分方式利用第二计算公式进行所述评价深度指数计算，生成所述平均深度指数；
所述第一计算公式为：
Figure BDA0003515495060000091
其中，A为所述布点分级指数，D为地形风险指数，L为路网风险指数，S1为地形指数，S2为路网指数，k1为第一裕度，k2为第二裕度；
所述第二计算公式为：
Figure BDA0003515495060000092
其中，Z为所述平均深度指数，△Ui为第i监测范围监测点总数，Dj为第j个监测节点的深度指数。
在本发明实施例中，通过获取的综合采集数据进行了在线的自动的分析，获得分级指数，这个分级指数最终生成了能表征监测过程中风险情况的平均深度指数，这个评价深度指数用于进行单个区域的预估和分析。
图5是本发明一个实施例的一种基于高频格点化雨量探测方法中的根据所述平均深度指数进行t时刻雨水强度的预测的流程图。
如图5所示，在一个或多个实施例中，优选地，所述根据所述平均深度指数进行t时刻雨水强度的预测，具体包括：
S501、获得所述平均深度指数；
S502、设置降雨强度和预测维度；
S503、将第三计算公式设置为学习公式，进行的运算，求解预估所述降雨强度；
S504、利用第四计算公式修正所述降雨强度和所述预测维度；
S505、利用第五计算公式实时预测所述t时刻雨水强度；
所述第三计算公式为：
Z＝ARb
其中，A为预测系数，R为所述降雨强度，b为所述预测维度；
所述第四计算公式为：
Figure BDA0003515495060000101
其中，R’为实测值，n为i监测范围总数；
所述第五计算公式为：
Figure BDA0003515495060000102
其中，z(t)为t时刻深度指数，R(t)为所述t时刻雨水强度。
在本发明实施例中，设置了降雨强度模型，并通过学习自动确定最优的函数参数值，通过该参数值进行自动的预测，形成对于单个区域未来一定时间的降雨预测。
图6是本发明一个实施例的一种基于高频格点化雨量探测方法中的获取所述t时刻雨水强度，进行目标雨水最大值预报的流程图。
如图6所示，在一个或多个实施例中，优选地，所述获取所述t时刻雨水强度，进行目标雨水最大值预报，具体包括：
S601、获取所述t时刻雨水强度，存储到预测数组；
S602、根据所述预测数组全部信息，求取所述目标雨水最大值；
S603、将所述目标雨水最大值对应的时间进行预报。
在本发明实施例中，为了解决每次在进行分析过程中，无法快速的定位到具体的可能最大风险的情况，实时对于预测的雨量最大值进行分析，并定位到具体的时间节点上。
图7是本发明一个实施例的一种基于高频格点化雨量探测方法中的根据所述目标雨水最大值进行信息在线展示，生成雨水预测深度曲线的流程图。
如图7所示，在一个或多个实施例中，优选地，所述根据所述目标雨水最大值进行信息在线展示，生成雨水预测深度曲线，具体包括：
S701、根据所述目标雨水最大值，进行预警信息的放大显示；
S702、将从当前时刻到t时刻的雨水强度的在线展示，生成为折线图；
S703、对所述折线图进行高斯平滑处理，生成为雨水预测深度曲线。
在本发明实施例中，在进行展示方面，为了能够进行全面的信息展示，一方面展示了未来一段时间的雨量变化，另一方面展示了最大的雨量，通过折线图高斯平滑处理，更加接近真实的雨量变化的过程。
根据本发明实施例第二方面，提供一种基于高频格点化雨量探测系统。
图8是本发明一个实施例的一种基于高频格点化雨量探测系统的结构图。
在一个或多个实施例中，优选地，所述一种基于高频格点化雨量探测系统包括：
第一采集模块801，用于根据微波探测设备和激光探测设备生成采集数据；
第二采集模块802，用于根据所述采集数据进行分频运算和同频校正，生成综合采集数据；
评价深度指数模块803，用于对所述综合采集数据进行深度指数运算，生成平均深度指数；
雨水强度学习模块804，用于根据所述平均深度指数进行t时刻雨水强度的预测；
信息预报模块805，用于获取所述t时刻雨水强度，进行目标雨水最大值预报；
信息展示模块806，用于根据所述目标雨水最大值进行信息在线展示，生成雨水预测深度曲线。
在本发明实施例中，为了能够实现对于整个高频格点化雨量探测的过程，设置了具体的模块组成，通过各个模块之间的配合能够有效的进行雨量预测。
根据本发明实施例第三方面，提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
根据本发明实施例第四方面，提供一种电子设备。图9是本发明一个实施例中一种电子设备的结构图。图9所示的电子设备为通用基于高频格点化雨量探测装置。参照图9，该电子设备包括多个采集设备901以及处理设备902；其中，不同所述采集设备901针对目标场景的不同区域进行监控，多个所述采集设备的监控区域覆盖所述目标场景；
每一采集设备901，用于对目标场景采集图像，并识别所采集图像中的运动目标的位置信息；
所述处理设备902包括处理器903、通信接口904、存储器905和通信总线906，其中，处理器903，通信接口904，存储器905通过通信总线906完成相互间的通信，
存储器905，用于存放计算机程序；
处理器903，用于执行存储器905上所存放的计算机程序时，实现本发明实施例所提供的上述任一所述的基于高频格点化雨量探测的方法步骤。
上述处理设备提到的通信总线906可以是外设部件互连标准(PeripheralComponentInterconnect，PCI)总线或扩展工业标准结构(Extended IndustryStandardArchitecture，EISA)总线等。通信总线906可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口904用于上述处理设备与其他设备之间的通信。
存储器905可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器905还可以是至少一个位于远离前述处理器903的存储装置。
上述的处理器903可以是通用处理器，包括中央处理器(Central ProcessingUnit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DigitalSignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明的实施例提供的技术方案可以包括以下有益效果：
本发明实施例中，通过微波和激光两类非接触式探测进行自动的融合数据校正，获得更加准确的探测数据。
本发明实施例中，通过自动的进行综合的数据处理，自动进行未来一定时间的格点化的区域范围雨量预测和展示。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于高频格点化雨量探测方法，其特征在于，该方法包括：
根据微波探测设备和激光探测设备生成采集数据；
根据所述采集数据进行分频运算和同频校正，生成综合采集数据；
对所述综合采集数据进行深度指数运算，生成平均深度指数；
根据所述平均深度指数进行t时刻雨水强度的预测；
获取所述t时刻雨水强度，进行目标雨水最大值预报；
根据所述目标雨水最大值进行信息在线展示，生成雨水预测深度曲线。
2.如权利要求1所述的一种基于高频格点化雨量探测方法，其特征在于，所述根据微波探测设备和激光探测设备生成采集数据，具体包括：
设置微波探测设备布点位置，并保存为第一布点；
设置激光探测设备布点位置，并保存为第二布点；
通过所述第一布点进行数据采集，生成第一采集数据；
通过所述第二布点进行数据采集，生成第二采集数据。
3.如权利要求2所述的一种基于高频格点化雨量探测方法，其特征在于，所述根据所述采集数据进行分频运算和同频校正，生成综合采集数据，具体包括：
根据所述第一采集数据进行自动的分频运算，生成第一频带数据；
根据所述第二采集数据进行自动的分频运算，生成第二频带数据；
将所述第一频带数据和所述第二频带数据进行相同频率的互相校正，通过平均值替代方式，获得所述综合采集数据。
4.如权利要求1所述的一种基于高频格点化雨量探测方法，其特征在于，所述对所述综合采集数据进行深度指数运算，生成平均深度指数，具体包括：
对所述综合采集数据的对应的采集位置进行地形分析，生成地形风险指数和路网风险指数；
利用第一计算公式计算布点分级指数；
根据所述布点分级指数进行判断，当超过预设分级定值时，发出分级格点化采集命令；
在收到所述分级格点化采集命令后，确定监测范围划分方式；
根据所述监测范围划分方式利用第二计算公式进行所述平均深度指数计算，生成所述平均深度指数；
所述第一计算公式为：
Figure FDA0003907851020000021
其中，A为所述布点分级指数，D为地形风险指数，L为路网风险指数，S1为地形指数，S2为路网指数，k1为第一裕度，k2为第二裕度；
所述第二计算公式为：
Figure FDA0003907851020000022
其中，Z为所述平均深度指数，△Ui为第i监测范围监测点总数，Dj为第j个监测节点的深度指数。
5.如权利要求1所述的一种基于高频格点化雨量探测方法，其特征在于，所述根据所述平均深度指数进行t时刻雨水强度的预测，具体包括：
获得所述平均深度指数；
设置降雨强度和预测维度；
利用第三计算公式预估所述降雨强度；
利用第四计算公式修正所述降雨强度和所述预测维度；
利用第五计算公式实时预测所述t时刻雨水强度；
所述第三计算公式为：
Z＝ARb
其中，A为预测系数，R为所述降雨强度，b为所述预测维度；
所述第四计算公式为：
Figure FDA0003907851020000031
其中，R’为实测值，n为监测范围的总个数；
所述第五计算公式为：
Figure FDA0003907851020000032
其中，z(t)为t时刻深度指数，R(t)为所述t时刻雨水强度。
6.如权利要求1所述的一种基于高频格点化雨量探测方法，其特征在于，所述获取所述t时刻雨水强度，进行目标雨水最大值预报，具体包括：
获取所述t时刻雨水强度，存储到预测数组；
根据所述预测数组全部信息，求取所述目标雨水最大值；
将所述目标雨水最大值对应的时间进行预报。
7.如权利要求1所述的一种基于高频格点化雨量探测方法，其特征在于，所述根据所述目标雨水最大值进行信息在线展示，生成雨水预测深度曲线，具体包括：
根据所述目标雨水最大值，进行预警信息的放大显示；
将从当前时刻到t时刻的雨水强度的在线展示，生成为折线图；
对所述折线图进行高斯平滑处理，生成为雨水预测深度曲线。
8.一种基于高频格点化雨量探测系统，其特征在于，该系统包括：
第一采集模块，用于根据微波探测设备和激光探测设备生成采集数据；
第二采集模块，用于根据所述采集数据进行分频运算和同频校正，生成综合采集数据；
评价深度指数模块，用于对所述综合采集数据进行深度指数运算，生成平均深度指数；
雨水强度学习模块，用于根据所述平均深度指数进行t时刻雨水强度的预测；
信息预报模块，用于获取所述t时刻雨水强度，进行目标雨水最大值预报；
信息展示模块，用于根据所述目标雨水最大值进行信息在线展示，生成雨水预测深度曲线。
9.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1-7中任一项所述的方法。
10.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-7任一项所述的方法。
CN202210162799.9A 2022-02-22 2022-02-22 一种基于高频格点化雨量探测方法、系统、介质及设备 Active CN114545529B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210162799.9A CN114545529B (zh) 2022-02-22 2022-02-22 一种基于高频格点化雨量探测方法、系统、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210162799.9A CN114545529B (zh) 2022-02-22 2022-02-22 一种基于高频格点化雨量探测方法、系统、介质及设备

Publications (2)

Publication Number Publication Date
CN114545529A CN114545529A (zh) 2022-05-27
CN114545529B true CN114545529B (zh) 2022-12-20

Family

ID=81676831

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210162799.9A Active CN114545529B (zh) 2022-02-22 2022-02-22 一种基于高频格点化雨量探测方法、系统、介质及设备

Country Status (1)

Country Link
CN (1) CN114545529B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106324709A (zh) * 2016-10-21 2017-01-11 中国人民解放军理工大学 微波链路、雨滴谱仪、雨量计与天气雷达多源联合的降雨场重构方法
CN110488393A (zh) * 2019-09-24 2019-11-22 中国科学院大气物理研究所 X波段双偏振天气雷达定量测量降水方法及系统
CN112364029A (zh) * 2021-01-12 2021-02-12 中国气象局气象探测中心 一种星地雨滴谱参数匹配及评估方法和系统
KR20210062359A (ko) * 2019-11-21 2021-05-31 대한민국(산림청 국립산림과학원장) 강우 지속 시간별 산사태 위험예보 장치 및 방법
CN113742818A (zh) * 2021-08-12 2021-12-03 中交第四航务工程勘察设计院有限公司 市政道路积水多因素复合型预警预报方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106324709A (zh) * 2016-10-21 2017-01-11 中国人民解放军理工大学 微波链路、雨滴谱仪、雨量计与天气雷达多源联合的降雨场重构方法
CN110488393A (zh) * 2019-09-24 2019-11-22 中国科学院大气物理研究所 X波段双偏振天气雷达定量测量降水方法及系统
KR20210062359A (ko) * 2019-11-21 2021-05-31 대한민국(산림청 국립산림과학원장) 강우 지속 시간별 산사태 위험예보 장치 및 방법
CN112364029A (zh) * 2021-01-12 2021-02-12 中国气象局气象探测中心 一种星地雨滴谱参数匹配及评估方法和系统
CN113742818A (zh) * 2021-08-12 2021-12-03 中交第四航务工程勘察设计院有限公司 市政道路积水多因素复合型预警预报方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
泉州市高分辨率面雨量监测系统建设经验;鲍天降;《水利科技》;20180630(第02期);第5-9页 *

Also Published As

Publication number Publication date
CN114545529A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
US20220043182A1 (en) Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data
CN112308292B (zh) 一种火灾风险等级分布图的绘制方法
CN116822969B (zh) 基于模型组合的水利模型云计算方法与系统
CN107423546A (zh) 基于Copula函数的多变量水文不确定性处理方法
CN110646867A (zh) 一种城市排水监测预警方法和系统
CN110826231B (zh) 一种气象站点多源数据整合方法
CN105739575A (zh) 一种设施蔬菜环境参数的数据融合方法、装置及系统
CN116363601B (zh) 一种污染监测设备的数据采集与分析方法及系统
Ng et al. Uncertainty analysis of rainfall depth duration frequency curves using the bootstrap resampling technique
CN117291432B (zh) 一种基于人工智能的水资源调度监测系统
CN113821895B (zh) 输电线路覆冰厚度预测模型的构建方法、装置及存储介质
CN114429592A (zh) 一种基于人工智能的自动灌溉方法及设备
CN113593191A (zh) 一种基于大数据的可视化城市内涝监测预警系统
CN114091362A (zh) 一种水位预测方法、系统、存储介质及设备
CN114998746A (zh) 一种耕地土壤环境质量分区方法及系统
Liu et al. Rainfall estimation using measurement report data from time-division long term evolution networks
CN111159640A (zh) 适用于网格预报的小雨消空方法、消空系统、电子设备及存储介质
CN112016744B (zh) 一种基于土壤水分的森林火灾预测方法、装置及存储介质
CN114545529B (zh) 一种基于高频格点化雨量探测方法、系统、介质及设备
CN110441830B (zh) 基于自动气象站的小区域天气预测方法及存储介质
CN114283344A (zh) 一种森林生态水文过程自动实时监测方法及系统
CN116167211A (zh) 一种电网输电通道复杂地形区域的风场预测系统及方法
CN111948739B (zh) 一种洪水预报系统
CN111160608A (zh) 极端降水天气指数的应用方法、应用系统、电子设备及存储介质
Lussana et al. Evaluation of seNorge2, a conventional climatological datasets for snow-and hydrological modeling in Norway

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