CN115391746A - 针对气象要素数据的插值方法、装置、电子设备及介质 - Google Patents
针对气象要素数据的插值方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN115391746A CN115391746A CN202211341352.4A CN202211341352A CN115391746A CN 115391746 A CN115391746 A CN 115391746A CN 202211341352 A CN202211341352 A CN 202211341352A CN 115391746 A CN115391746 A CN 115391746A
- Authority
- CN
- China
- Prior art keywords
- meteorological
- time sequence
- data
- sequence data
- station
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 49
- 230000007547 defect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000012217 deletion Methods 0.000 description 5
- 230000037430 deletion Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
Abstract
本申请提供一种针对气象要素数据的插值方法、装置、电子设备及介质。该方法在基于目标区域内全部气象站在预设时间段内的气象要素时序数据，确定目标气象站和第一缺失时间后，在其他气象站中筛选满足预设相关条件的气象站构建相关气象站集合，以得到其中各相关气象站对应的第一气象要素时序数据；删除第一气象要素时序数据和目标气象站的气象要素时序数据中相应缺失时间对应的数据，得到第二气象要素时序数据和第三气象要素时序数据，以对待训练的回归模型进行训练，并将第一气象要素时序数据中与第一缺失时间对应的数据输入训练后的回归模型，以对目标气象站中缺失的气象要素时序数据进行插值，提高了预测气象要素数据的准确性。
Description
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种针对气象要素数据的插值方法、装置、电子设备及介质。
背景技术
随着当代科技的发展，气象站获取的气象要素数据（温度、湿度、降水、风速、风向等）作为各行业的基础支持信息，已与电力、航空、农业、交通等各个行业的经营发展密不可分，同时也与人们的日常生活密不可分，针对气象要素的科研、分析就显得尤为重要；目前在遇到气象站数据缺失的情况下，通常会根据其它有数据的气象站的气象要素数据进行该站点缺失数据的空间插值填充，或是根据该站点的历史数据进行时间序列预测填充，以分析该气象站的气象要素变化等。
区域级气象站的数据获取并不稳定，由于设备故障、恶劣环境或人为操作失误等种种原因，常会出现气象要素数据缺失/异常的情况，此时通常会根据其它有数据的气象站的气象要素数据或该站点的历史数据，进行该站点缺失数据的空间插值填充或时间序列预测，以分析该气象站的气象要素变化。在现有技术中，对气象站缺失要素分析方法包括：
空间插值方法：针对缺失的气象站数据使用经度，纬度和高程作为指标变量进行插值填充，并未考虑以上影响因素对气象要素的影响。
时间序列预测方法：采用了单站点的历史气象要素时序特征作为指标变量对气象要素进行预测，这种方式对于发生强对流小尺度的转折性天气时应用效果堪忧。
可见，上述常规空间插值方法和时间序列预测方法得到的结果误差较大，并不能真实反映站点气象要素值。
发明内容
本申请实施例的目的在于提供一种针对气象要素数据的插值方法、装置、电子设备及介质，用以解决了现有技术存在的上述问题，提高了预测气象要素数据的准确性。
第一方面，提供了一种针对气象要素数据的插值方法，该方法可以包括：
基于目标区域内全部气象站在预设时间段内的气象要素时序数据，确定一个目标气象站和所述目标气象站中数据缺失的第一缺失时间，所述目标气象站为存在数据缺失的气象站；
在除目标气象站外的其他气象站中筛选满足预设相关条件的气象站，构建相关气象站集合；所述相关气象站集合包括与所述目标气象站相关的至少一个相关气象站；所述预设相关条件包括各相关气象站记录的气象要素时序数据在所述第一缺失时间处不存在数据缺失的条件；
基于所述至少一个相关气象站的气象要素时序数据与配置的相应距离加权系数，得到第一气象要素时序数据；
删除所述第一气象要素时序数据中与所述第一缺失时间对应的数据，得到第二气象要素时序数据；
删除所述目标气象站的气象要素时序数据中与第二缺失时间对应的数据，得到第三气象要素时序数据，所述第二缺失时间为所述各相关气象站存在数据缺失的时间点；
根据所述第三气象要素时序数据和所述第二气象要素时序数据对待训练的回归模型进行训练，得到训练后的回归模型；
将所述第一气象要素时序数据中与所述第一缺失时间对应的数据输入所述训练后的回归模型，以对所述目标气象站中缺失的气象要素时序数据进行插值。
在一个可选的实现中，所述预设相关条件还包括：
所述各相关气象站与所述目标气象站的地理距离小于预设距离阈值，所述地理距离基于预设距离算法计算得到。
在一个可选的实现中，所述预设相关条件还包括：
所述各相关气象站记录的气象要素时序数据与所述目标气象站的气象要素时序数据的相关性系数大于预设相关系数阈值。
在一个可选的实现中，所述根据所述第三气象要素时序数据和所述第二气象要素时序数据对待训练的回归模型进行训练，得到训练后的回归模型，包括：
确定所述第一缺失时间对应的时序周期；
针对气象要素时序数据的时序周期，对所述第二气象要素时序数据和所述第三气象要素时序数据进行筛选，得到第四气象要素时序数据和第五气象要素时序数据，所述第四气象要素时序数据为所述第二气象要素时序数据与所述时序周期相匹配的数据，第五气象要素时序数据为所述第三气象要素时序数据与所述时序周期相匹配的数据；
将所述第四气象要素时序数据作为标签数据，所述第五气象要素时序数据作为特征数据，对待训练的回归模型进行训练，得到训练后的回归模型。
在一个可选的实现中，所述基于所述至少一个相关气象站的气象要素时序数据与配置的相应距离加权系数，得到第一气象要素时序数据，包括：
将所述各相关气象站的气象要素时序数据与配置的相应距离加权系数相乘，将相应乘积确定为所述第一气象要素时序数据。
在一个可选的实现中，所述距离加权系数是基于高斯加权算法，对相应相关气象站与所述目标气象站间的距离值进行处理后得到的。
在一个可选的实现中，所述基于目标区域内全部气象站在预设时间段内的气象要素时序数据，确定一个目标气象站和所述目标气象站中数据缺失的第一缺失时间，包括：
基于目标区域内全部气象站在预设时间段内的气象要素时序数据，确定目标气象站集合；
基于所述全部气象站中各气象站的气象要素时序数据的缺失数量，遍历所述目标气象站集合，确定一个目标气象站和所述目标气象站中数据缺失的第一缺失时间；
所述方法还包括：
基于所述目标气象站插值后的气象要素时序数据，对所述全部气象站中所述目标气象站的气象要素时序数据进行更新。
第二方面，提供了一种针对气象要素数据的插值装置，该装置可以包括：
确定单元，用于基于目标区域内全部气象站在预设时间段内的气象要素时序数据，确定一个目标气象站和所述目标气象站中数据缺失的第一缺失时间，所述目标气象站为存在数据缺失的气象站；
构建单元，用于在除目标气象站外的其他气象站中筛选满足预设相关条件的气象站，构建相关气象站集合；所述相关气象站集合包括与所述目标气象站相关的至少一个相关气象站；所述预设相关条件包括各相关气象站记录的气象要素时序数据在所述第一缺失时间处不存在数据缺失的条件；
获取单元，用于基于所述至少一个相关气象站的气象要素时序数据与配置的相应距离加权系数，得到第一气象要素时序数据；
删除单元，用于删除所述第一气象要素时序数据中与所述第一缺失时间对应的数据，得到第二气象要素时序数据；以及，删除所述目标气象站的气象要素时序数据中与第二缺失时间对应的数据，得到第三气象要素时序数据，所述第二缺失时间为所述各相关气象站存在数据缺失的时间点；
训练单元，用于根据所述第三气象要素时序数据和所述第二气象要素时序数据对待训练的回归模型进行训练，得到训练后的回归模型；
插值单元，用于将所述第一气象要素时序数据中与所述第一缺失时间对应的数据输入所述训练后的回归模型，以对所述目标气象站中缺失的气象要素时序数据进行插值。
第三方面，提供了一种电子设备，该电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面中任一所述的方法步骤。
第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一所述的方法步骤。
本申请实施例提供的针对气象要素数据的插值方法在基于目标区域内全部气象站在预设时间段内的气象要素时序数据，确定一个目标气象站和目标气象站中数据缺失的第一缺失时间后，目标气象站为存在数据缺失的气象站；在除目标气象站外的其他气象站中筛选满足预设相关条件的气象站，构建相关气象站集合；相关气象站集合包括与目标气象站相关的至少一个相关气象站；预设相关条件包括各相关气象站记录的气象要素时序数据在第一缺失时间处不存在数据缺失的条件；基于至少一个相关气象站的气象要素时序数据与配置的相应距离加权系数，得到第一气象要素时序数据；删除第一气象要素时序数据中与第一缺失时间对应的数据，得到第二气象要素时序数据；删除目标气象站的气象要素时序数据中与第二缺失时间对应的数据，得到第三气象要素时序数据，第二缺失时间为各相关气象站存在数据缺失的时间点；根据第三气象要素时序数据和第二气象要素时序数据对待训练的回归模型进行训练，得到训练后的回归模型；将第一气象要素时序数据中与第一缺失时间对应的数据输入训练后的回归模型，以对目标气象站中缺失的气象要素时序数据进行插值。该方法使用多个站点的气象要素时序特征作为指标变量进行模型训练，且将预测气象站周边的具有相同或相似影响因素的气象站纳入预测影响条件，提高了预测气象要素数据的准确性。
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申请的某些实施例，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为本申请实施例提供的一种应用针对气象要素数据的插值方法的系统架构图；
图2为本申请实施例提供的一种针对气象要素数据的插值方法的流程示意图；
图3为本申请实施例提供的另一种针对气象要素数据的插值方法的流程示意图；
图4为本申请实施例提供的一种针对气象要素数据的插值装置的结构示意图；
图5为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，所描述的实施例仅是本申请一部分实施例，并不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供的针对气象要素数据的插值方法可以应用在图1所示的系统架构中，如图1所示，该系统可以包括：服务器和目标区域内的多个气象站。其中，服务器与多个气象站通信连接。该服务器可以是物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络（Content Delivery Network，CDN），以及大数据和人工智能平台等基础云计算服务的云服务器。
多个气象站，用于采集各自观测范围内的气象要素数据，气象要素可以包括各气象站观测范围内的环境温度、环境湿度、风速、风向、气压、太阳总辐射、降雨量、地温、土壤湿度、土壤水势、土壤热通量等气象数据指标，并将采集的气象要素通过通信连接传输至服务器。
服务器，用于基于多个气象站采集的气象要素执行本申请针对气象要素数据的插值方法，以实现气象站中缺失的气象要素数据的预测。
本申请提供的针对气象要素数据的插值方法通过使用多个气象站的气象要素时序特征作为指标变量进行模型训练，通过将异常气象站（或称“需要进行气象要素数据插值的气象站”）周边的具有相同或相似的影响因素的气象站点纳入影响条件，从而可以实现通过自主学习的方式将影响因素的影响程度纳入预测能力。另一方面，使用与异常气象站距离和相关性都较近的相关气象站实测气象要素数据作为模型输入，能够很好地在面对突发转折性天气时准确插值异常气象站的气象要素值，可见，该方法提高了气象要素数据的插值准确性，也提高了插值效率。
以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
图2为本申请实施例提供的一种针对气象要素数据的插值方法的流程示意图。如图2所示，该方法可以包括：
步骤S210、基于目标区域内全部气象站在预设时间段内的气象要素时序数据，确定一个目标气象站和所述目标气象站中数据缺失的第一缺失时间。
其中，目标气象站为存在数据缺失的气象站。
具体实施中，基于目标区域内全部气象站在预设时间段内的气象要素时序数据，确定目标气象站集合。具体的，获取目标区域内全部气象站在预设时间段内的气象要素时序数据，其中，目标气象站集合可表示为L={sm}，
，M为目标区域内全部气象站数量，预设时间段内的时间点集合T={tn}，
，N为该时间段内采集时间点总数量。
为了便于计算，全部气象站中各气象站在预设时间段内气象要素时序数据的时间精度相同；时间精度可以包括日最高温度、日均温度或小时平均温度等。其中，相同时间精度的气象要素时序数据可以包括逐日最高温度数据、逐日温度数据或逐小时温度数据等。
之后，基于全部气象站中各气象站的气象要素时序数据的缺失数量，遍历该目标气象站集合，确定一个目标气象站和目标气象站中数据缺失的第一缺失时间。具体的，检测目标气象站集合中各气象站在预设时间段内的时间点是否存在气象要素时序数据的缺失；
若存在，获取相应气象站中数据缺失的时间点数量；将存在最少时间点数量的气象站确定为目标气象站，将缺失的时间点确定为第一缺失时间。
步骤S220、在除目标气象站外的其他气象站中筛选满足预设相关条件的气象站，构建相关气象站集合。
相关气象站集合可以包括与目标气象站相关的至少一个相关气象站。预设相关条件可以包括各相关气象站记录的气象要素时序数据在第一缺失时间处不存在数据缺失的条件，以及各相关气象站与目标气象站的地理距离小于预设距离阈值（如100公里、300公里等）的条件和/或各相关气象站记录的气象要素时序数据与目标气象站的气象要素时序数据间的相关性系数大于预设相关系数阈值（如0.95、0.9等）的条件。其中，相关性系数可以为皮尔逊相关系数、斯皮尔曼相关系数或肯德尔相关系数等。
（1）在预设相关条件仅包括各相关气象站记录的气象要素时序数据在第一缺失时间处不存在数据缺失的条件时，需要检测其他气象站中各气象站的气象要素时序数据在第一缺失是否存在数据缺失，若不存在，则将相应气象站确定为相关气象站，并构建相关气象站集合。
（2）在预设相关条件包括各相关气象站记录的气象要素时序数据在第一缺失时间处不存在数据缺失的条件和各相关气象站与目标气象站的地理距离小于预设距离阈值的条件时，需要检测其他气象站中各气象站的气象要素时序数据在第一缺失是否存在数据缺失，以及各气象站与目标气象站的地理距离是否小于预设距离阈值；
将检测出的气象要素时序数据在第一缺失时间处不存在数据缺失，且与目标气象站的地理距离小于预设距离阈值对应的气象站确定为相关气象站，构建相关气象站集合。
在一些实施例中，两个气象站之间的地理距离可以根据两个气象站各自的经纬度进行计算得到，计算公式如下：
其中，
；d为两个气象站之间距离，R为地球半径，可取平均值6371km；φ1、φ2分别表示两气象站的纬度，Δλ表示两气象站经度差值。
（3）在预设相关条件包括各相关气象站记录的气象要素时序数据在第一缺失时间处不存在数据缺失的条件和各相关气象站记录的气象要素时序数据与目标气象站的气象要素时序数据间的相关性系数大于预设相关系数阈值的条件时，需要检测其他气象站中各气象站的气象要素时序数据在第一缺失是否存在数据缺失，以及各气象站记录的气象要素时序数据与目标气象站的气象要素时序数据间的相关性系数是否大于预设相关系数阈值；
将检测出的气象要素时序数据在第一缺失时间处不存在数据缺失，且相关性系数大于预设相关系数阈值对应的气象站确定为相关气象站，构建相关气象站集合。
（4）在预设相关条件包括各相关气象站记录的气象要素时序数据在第一缺失时间处不存在数据缺失的条件、各相关气象站与目标气象站的地理距离小于预设距离阈值的条件和各相关气象站记录的气象要素时序数据与目标气象站的气象要素时序数据间的相关性系数大于预设相关系数阈值的条件时，需要检测其他气象站中各气象站的气象要素时序数据在第一缺失是否存在数据缺失，各气象站与目标气象站的地理距离是否小于预设距离阈值，以及各气象站记录的气象要素时序数据与目标气象站的气象要素时序数据间的相关性系数是否大于预设相关系数阈值；
将检测出的气象要素时序数据在第一缺失时间处不存在数据缺失，与目标气象站的地理距离小于预设距离阈值，且相关性系数大于预设相关系数阈值对应的气象站确定为相关气象站，构建相关气象站集合。
需要说明的是，可以根据实际业务要求，采用上述4种情况中的任一情况构建相关气象站集合，本申请在此不做限定。
步骤S230、基于至少一个相关气象站的气象要素时序数据与配置的相应距离加权系数，得到第一气象要素时序数据。
具体实施中，根据至少一个相关气象站与目标气象站的地理距离，为各相关气象站分配距离加权系数，由此获取各相关气象站的第一气象要素时序数据，具体的，将各相关气象站记录的气象要素时序数据与配置的相应距离加权系数相乘，将相应乘积确定为第一气象要素时序数据。
在一些实施例中，距离加权系数可以是基于高斯加权算法，对相应相关气象站与所述目标气象站间的距离值进行处理后得到的。其中，高斯加权算法的计算公式可以表示为：
；其中，w为加权系数，d为归一化后的地理距离。
或者，可以预先配置的包含不同地理距离与不同距离加权系数对应关系的映射表；基于该映射表，查找到任一相关气象站与目标气象站的地理距离对应的距离加权系数。
步骤S240、删除第一气象要素时序数据中与第一缺失时间对应的数据，得到第二气象要素时序数据，并删除目标气象站的气象要素时序数据中与第二缺失时间对应的数据，得到第三气象要素时序数据。
针对各相关气象站的第一气象要素时序数据，删除第一气象要素时序数据中与第一缺失时间对应的数据，得到各相关气象站对应的第二气象要素时序数据；
针对目标气象站记录的气象要素时序数据，确定各相关气象站是否存在数据缺失的时间点，即第二缺失时间；若存在，则删除目标气象站记录的气象要素时序数据中与第二缺失时间对应的数据，得到目标气象站对应的第三气象要素时序数据。
步骤S250、根据第三气象要素时序数据和第二气象要素时序数据对待训练的回归模型进行训练，得到训练后的回归模型。
具体实施中，可以将第三气象要素时序数据作为标签数据，将第二气象要素时序数据特征数据，对待训练的回归模型进行训练，得到训练后的回归模型。其中，回归模型可以为XGBoost模型。
依据上述标签数据和新的特征数据，以及网格搜索或随机搜索对回归模型进行调参，主要调整的参数有基本学习器的最大深度(max_depth)、学习器的数量(n_estimators)、学习率(learning_rate)、损失减少阈值(gamma)等，可以通过随机搜索调整上述参数，并对结果方差进行评分accuracy_score(y_test,y_pred)，依据此评分进行排名，选用得分最高的模型参数确定最后的优化参数模型。以沈阳及周边62个气象观测站历史数据为例，提取整理得到训练数据集数量共计12633条，进行训练循环优化后，得到最优参数信息为：基本学习器的最大深度为4、学习器的数量为500、学习率为0.1、损失减少阈值为0.2。
进一步的，为了提高插值的效率与准确性，可以寻找目标气象站的气象要素时序数据与各相关气象站的气象要素时序数据的数据规律的一致性，从而对第三气象要素时序数据和第二气象要素时序数据进行进一步筛选，以提高模型训练的效率与准确性。
具体的，确定第一缺失时间对应的时序周期，如温度时序数据的周期变化规律；
针对气象要素时序数据的时间属性，即时序周期，对第二气象要素时序数据和第三气象要素时序数据进行筛选，得到第四气象要素时序数据和第五气象要素时序数据，其中，第气象要素时序数据为第二气象要素时序数据与时序周期相匹配的数据，第五气象要素时序数据为第三气象要素时序数据与时序周期相匹配的数据；
之后，将第四气象要素时序数据作为标签数据，将第五气象要素时序数据作为特征数据，对待训练的回归模型进行训练，得到训练后的回归模型。
步骤S260、将第一气象要素时序数据中与第一缺失时间对应的数据输入训练后的回归模型，以对目标气象站中缺失的气象要素时序数据进行插值。
进一步的，对目标气象站中缺失的气象要素时序数据进行插值之后，基于目标气象站插值后的气象要素时序数据，对全部气象站中目标气象站的气象要素时序数据进行更新，即将目标气象站的原气象要素时序数据中第一缺失时间缺失的数据补全，之后基于包含了更新后的目标气象站的全部气象站在返回执行步骤S210。
在一个具体的例子中，以气象时序数据为温度时序数据为例，如图3所示，本申请实施例提供的另一种针对气象要素数据的插值方法，可以具体包括：
步骤S300、将全部气象站中各气象站中缺失温度时序数据数量最少的气象站，确定为气象站sdefect和相应数据缺失的第一缺失时间。
步骤S301、从除气象站sdefect外的其他气象站中筛选出与气象站sdefect的地理距离小于100公里，以及与气象站sdefect的相关性系数大于预设相关系数阈值对应的气象站，构建初级相关气象站集合Lnear_corr。
其中，初级相关气象站集合Lnear_corr可以包括多个初级相关气象站。多个初级相关气象站与气象站sdefect的温度时序数据如表1所示。
表1
| 时间 | 气象站 s <sub>defect </sub> | L <sub>near_ corr </sub>中第 1 个 气象站 | L <sub>near_ corr </sub>中第 2 个 气象站 | …… |
| 2 000-01-01 | 1 | 2 | 5 | …… |
| 2 000-01-02 | 2 | 3 | 3 | …… |
| …… | …… | …… | …… | …… |
| 2 000-03-01 | 1 0 | 1 4 | 1 1 | …… |
| 2 000-03-02 | 7 | 缺失 | 8 | …… |
| 2 000-03-03 | 9 | 缺失 | 12 | …… |
| 2 000-03-04 | 9 | 1 2 | 1 0 | …… |
| …… | …… | …… | …… | …… |
| 2 002-03-01 | 9 | 7 | 8 | …… |
| 2 002-03-02 | 缺失 | 8 | 缺失 | …… |
| 2 002-03-03 | 缺失 | 6 | 7 | …… |
| 2 002-03-04 | 1 0 | 1 0 | 9 | …… |
| …… | …… | …… | …… | …… |
| 2 022-07-13 | 2 7 | 2 5 | 2 5 | …… |
| 2 022-07-14 | 2 8 | 2 7 | 2 5 | …… |
表中，第一缺失时间为2002-03-02和2002-03-03。初级相关气象站集合Lnear_corr中各初级相关气象站存在缺失数据的时间点为第二缺失时间，即2000-03-02，2000-03-03和2002-03-02。
步骤S302、在初级相关气象站集合Lnear_corr中各初级相关气象站的温度时序数据中删除在第一缺失时间处出现温度数据缺失的气象站，得到相关气象站集合Lnear_corr_usable。
相关气象站集合Lnear_corr_usable可以包括多个相关气象站。多个相关气象站与气象站sdefect的温度时序数据如表2所示。
表2
| 时间 | s <sub>defect </sub>气象站 | L <sub>near_corr_ usable </sub>中第 1 个 气象站 | L <sub>near_corr_ usable </sub>中第 2 个 气象站 | …… |
| 2 000-01-01 | 1 | 2 | 6 | …… |
| 2 000-01-02 | 2 | 3 | 4 | …… |
| …… | …… | …… | …… | …… |
| 2 000-03-01 | 1 0 | 1 4 | 1 2 | …… |
| 2 000-03-02 | 7 | 缺失 | 9 | …… |
| 2 000-03-03 | 9 | 缺失 | 13 | …… |
| 2 000-03-04 | 9 | 1 2 | 1 1 | …… |
| …… | …… | …… | …… | …… |
| 2 002-03-01 | 9 | 7 | 9 | …… |
| 2 002-03-02 | 缺失 | 8 | 10 | …… |
| 2 002-03-03 | 缺失 | 6 | 8 | …… |
| 2 002-03-04 | 1 0 | 1 0 | 10 | …… |
| …… | …… | …… | …… | …… |
| 2 022-07-13 | 2 7 | 2 5 | 2 6 | …… |
| 2 022-07-14 | 2 8 | 2 7 | 2 6 | …… |
表中，相关气象站集合Lnear_corr_usable中各相关气象站存在缺失数据的时间点为第二缺失时间，即2000-03-02，2000-03-03。
步骤S303、将Lnear_corr_usable集合中各相关气象站与气象站sdefect的距离进行归一化，并各相关气象站的温度时序数据与配置的距离加权系数相乘，得到各相关气象站的第一温度时序数据。
步骤S304、删除各相关气象站的第一温度时序数据中与第一缺失时间对应的数据，得到第二温度时序数据，并删除气象站sdefect的温度时序数据中与第二缺失时间对应的数据，得到第三温度时序数据。
步骤S305、确定第一缺失时间对应的时序周期，并针对温度时序数据的时序属性，从第二温度时序数据和第三温度时序数据中筛选出与第一缺失时间存在时序周期的数据，得到第四温度时序数据和第五温度时序数据。
由于温度变化的时间序列具有周期性，可再针对每行数据的时间属性进行筛选，选取与第一缺失时间对应周期的部分时序特征，例如第一缺失时间为2002-03-02、2002-03-03的日均温度，可以从以第二温度时序数据和第三温度时序数据中对时间列进行条件筛选，筛选出其中每年的3月份或春季（3、4、5月）的温度时序数据，得到新的温度数据集，包括第四温度时序数据和第五温度时序数据。
步骤S306、将第四温度时序数据作为标签数据，将第五温度时序数据作为特征数据，对待训练的XGBoost模型进行训练，得到训练后的XGBoost模型。
步骤S307、将第一温度时序数据中与第一缺失时间对应的数据输入训练后的XGBoost模型，得到第一缺失时间对应的预测温度时序数据。
步骤S308、基于得到的预测温度时序数据对气象站sdefect的温度时序数据进行更新，得到全部气象站对应的新的温度时序数据，并返回执行步骤S300。
方法验证阶段：
为保证预测精度，使用平均绝对误差（Mean Absolute Error，MAE）作为验证模型的预测性能的指标：
其中，Ŷ表示模型的预测值，Y表示真实值，n为样本数量。
将特征数据和标签数据进行训练集和测试集的划分，其中训练集占比0.75，测试集占比0.25，使用平均绝对误差（MAE）评价模型的预测性能，MAE越小则模型的预测经度越高，取某个省内十个有数据缺失的气象站数据进行模型评估，本申请方法与普通梯度增强算法XGBoost方法的预测性能对比如下：
验证结论：
相较于普通XGBoost方法，本申请方法的平均绝对误差提升了6.24%，插值精度显著提升，应用效果良好，能够更真实地反应出各站点的气象要素时序数据的实际情况。
与上述方法对应的，本申请实施例还提供一种针对气象要素数据的插值装置，如图4所示，该装置包括：
确定单元410，用于基于目标区域内全部气象站在预设时间段内的气象要素时序数据，确定一个目标气象站和所述目标气象站中数据缺失的第一缺失时间，所述目标气象站为存在数据缺失的气象站；
构建单元420，用于在除目标气象站外的其他气象站中筛选满足预设相关条件的气象站，构建相关气象站集合；所述相关气象站集合包括与所述目标气象站相关的至少一个相关气象站；所述预设相关条件包括各相关气象站记录的气象要素时序数据在所述第一缺失时间处不存在数据缺失的条件；
获取单元430，用于基于所述至少一个相关气象站的气象要素时序数据与配置的相应距离加权系数，得到第一气象要素时序数据；
删除单元440，用于删除所述第一气象要素时序数据中与所述第一缺失时间对应的数据，得到第二气象要素时序数据；以及，删除所述目标气象站的气象要素时序数据中与第二缺失时间对应的数据，得到第三气象要素时序数据，所述第二缺失时间为所述各相关气象站存在数据缺失的时间点；
训练单元450，用于根据所述第三气象要素时序数据和所述第二气象要素时序数据对待训练的回归模型进行训练，得到训练后的回归模型；
插值单元460，用于将所述第一气象要素时序数据中与所述第一缺失时间对应的数据输入所述训练后的回归模型，以对所述目标气象站中缺失的气象要素时序数据进行插值。
本申请上述实施例提供的针对气象要素数据的插值装置的各功能单元的功能，可以通过上述各方法步骤来实现，因此，本申请实施例提供的针对气象要素数据的插值装置中的各个单元的具体工作过程和有益效果，在此不复赘述。
下面参照图5来描述根据本公开的这种实施方式的电子设备130。如图5所示，电子设备130以通用计算装置的形式表现。电子设备130的组件可以包括但不限于：上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件（包括存储器132和处理器131）的总线133。
总线133表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器132可以包括易失性存储器形式的可读介质，例如随机存取存储器（RAM）1321和/或高速缓存存储器1322，还可以进一步包括只读存储器（ROM）1323。
存储器132还可以包括具有一组（至少一个）程序模块1324的程序/实用工具1325，这样的程序模块1324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备130也可以与一个或多个外部设备134（例如键盘、指向设备等）通信，和/或与使得该电子设备130能与一个或多个其它计算装置进行通信的任何设备（例如路由器、调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口135进行。并且，电子设备130还可以通过网络适配器136与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。如图所示，网络适配器136通过总线133与用于电子设备130的其它模块通信。应当理解，尽管图中未示出，可以结合电子设备130使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中，本公开提供的针对气象要素数据的插值方法的各个方面还可以实现为一种程序产品的形式，其包括计算机程序，当程序产品在计算机设备上行驶时，计算机程序用于使计算机设备执行本说明书上述描述的根据本公开各种示例性实施方式的针对气象要素数据的插值方法的步骤，例如，电子设备可以执行图2中的方法步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本公开的实施方式的用于数据处理的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括计算机程序，并可以在计算装置上行驶。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读计算机程序。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的计算机程序可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的计算机程序，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。计算机程序可以完全地在目标对象计算装置上执行、部分地在目标对象设备上执行、作为一个独立的软件包执行、部分在目标对象计算装置上部分在远程计算装置上执行、或者完全在远程计算装置或服务器上执行。在涉及远程计算装置的情形中，远程计算装置可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）—连接到目标对象计算装置，或者，可以连接到外部计算装置（例如利用因特网服务提供商来通过因特网连接）。
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开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，本公开可采用在一个或多个其中包含有计算机可用计算机程序的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、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。
尽管已描述了本公开的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本公开范围的所有变更和修改。
显然，本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种针对气象要素数据的插值方法，其特征在于，所述方法包括：
基于目标区域内全部气象站在预设时间段内的气象要素时序数据，确定一个目标气象站和所述目标气象站中数据缺失的第一缺失时间，所述目标气象站为存在数据缺失的气象站；
在除目标气象站外的其他气象站中筛选满足预设相关条件的气象站，构建相关气象站集合；所述相关气象站集合包括与所述目标气象站相关的至少一个相关气象站；所述预设相关条件包括各相关气象站记录的气象要素时序数据在所述第一缺失时间处不存在数据缺失的条件；
基于所述至少一个相关气象站的气象要素时序数据与配置的相应距离加权系数，得到第一气象要素时序数据；
删除所述第一气象要素时序数据中与所述第一缺失时间对应的数据，得到第二气象要素时序数据；
删除所述目标气象站的气象要素时序数据中与第二缺失时间对应的数据，得到第三气象要素时序数据，所述第二缺失时间为所述各相关气象站存在数据缺失的时间点；
根据所述第三气象要素时序数据和所述第二气象要素时序数据对待训练的回归模型进行训练，得到训练后的回归模型；
将所述第一气象要素时序数据中与所述第一缺失时间对应的数据输入所述训练后的回归模型，以对所述目标气象站中缺失的气象要素时序数据进行插值。
2.如权利要求1所述的方法，其特征在于，所述预设相关条件还包括：
所述各相关气象站与所述目标气象站的地理距离小于预设距离阈值，所述地理距离基于预设距离算法计算得到。
3.如权利要求1或2所述的方法，其特征在于，所述预设相关条件还包括：
所述各相关气象站记录的气象要素时序数据与所述目标气象站的气象要素时序数据的相关性系数大于预设相关系数阈值。
4.如权利要求1所述的方法，其特征在于，所述根据所述第三气象要素时序数据和所述第二气象要素时序数据对待训练的回归模型进行训练，得到训练后的回归模型，包括：
确定所述第一缺失时间对应的时序周期；
针对气象要素时序数据的时序周期，对所述第二气象要素时序数据和所述第三气象要素时序数据进行筛选，得到第四气象要素时序数据和第五气象要素时序数据，所述第四气象要素时序数据为所述第二气象要素时序数据与所述时序周期相匹配的数据，第五气象要素时序数据为所述第三气象要素时序数据与所述时序周期相匹配的数据；
将所述第四气象要素时序数据作为标签数据，所述第五气象要素时序数据作为特征数据，对待训练的回归模型进行训练，得到训练后的回归模型。
5.如权利要求1所述的方法，其特征在于，所述基于所述至少一个相关气象站的气象要素时序数据与配置的相应距离加权系数，得到第一气象要素时序数据，包括：
将所述各相关气象站的气象要素时序数据与配置的相应距离加权系数相乘，将相应乘积确定为所述第一气象要素时序数据。
6.如权利要求1或5所述的方法，其特征在于，所述距离加权系数是基于高斯加权算法，对相应相关气象站与所述目标气象站间的距离值进行处理后得到的。
7.如权利要求1所述的方法，其特征在于，所述基于目标区域内全部气象站在预设时间段内的气象要素时序数据，确定一个目标气象站和所述目标气象站中数据缺失的第一缺失时间，包括：
基于目标区域内全部气象站在预设时间段内的气象要素时序数据，确定目标气象站集合；
基于所述全部气象站中各气象站的气象要素时序数据的缺失数量，遍历所述目标气象站集合，确定一个目标气象站和所述目标气象站中数据缺失的第一缺失时间；
所述方法还包括：
基于所述目标气象站插值后的气象要素时序数据，对所述全部气象站中所述目标气象站的气象要素时序数据进行更新。
8.一种针对气象要素数据的插值装置，其特征在于，所述装置包括：
确定单元，用于基于目标区域内全部气象站在预设时间段内的气象要素时序数据，确定一个目标气象站和所述目标气象站中数据缺失的第一缺失时间，所述目标气象站为存在数据缺失的气象站；
构建单元，用于在除目标气象站外的其他气象站中筛选满足预设相关条件的气象站，构建相关气象站集合；所述相关气象站集合包括与所述目标气象站相关的至少一个相关气象站；所述预设相关条件包括各相关气象站记录的气象要素时序数据在所述第一缺失时间处不存在数据缺失的条件；
获取单元，用于基于所述至少一个相关气象站的气象要素时序数据与配置的相应距离加权系数，得到第一气象要素时序数据；
删除单元，用于删除所述第一气象要素时序数据中与所述第一缺失时间对应的数据，得到第二气象要素时序数据；以及，删除所述目标气象站的气象要素时序数据中与第二缺失时间对应的数据，得到第三气象要素时序数据，所述第二缺失时间为所述各相关气象站存在数据缺失的时间点；
训练单元，用于根据所述第三气象要素时序数据和所述第二气象要素时序数据对待训练的回归模型进行训练，得到训练后的回归模型；
插值单元，用于将所述第一气象要素时序数据中与所述第一缺失时间对应的数据输入所述训练后的回归模型，以对所述目标气象站中缺失的气象要素时序数据进行插值。
9.一种电子设备，其特征在于，所述电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存储的程序时，实现权利要求1-7任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211341352.4A CN115391746B (zh) | 2022-10-28 | 2022-10-28 | 针对气象要素数据的插值方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211341352.4A CN115391746B (zh) | 2022-10-28 | 2022-10-28 | 针对气象要素数据的插值方法、装置、电子设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115391746A true CN115391746A (zh) | 2022-11-25 |
| CN115391746B CN115391746B (zh) | 2023-01-31 |
Family
ID=84115258
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211341352.4A Active CN115391746B (zh) | 2022-10-28 | 2022-10-28 | 针对气象要素数据的插值方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115391746B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116701371A (zh) * | 2023-06-09 | 2023-09-05 | 中国科学院地理科学与资源研究所 | 协方差分析下大气温度数据缺失值插补方法及其插补装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111443163A (zh) * | 2020-03-10 | 2020-07-24 | 中国科学院深圳先进技术研究院 | 一种臭氧缺失数据的插补方法、装置及插补设备 |
| CN111830595A (zh) * | 2020-06-09 | 2020-10-27 | 上海眼控科技股份有限公司 | 气象要素的预测方法及设备 |
| CN114091764A (zh) * | 2021-11-24 | 2022-02-25 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 气象预报要素订正方法、装置、计算机设备和存储介质 |
| CN114240719A (zh) * | 2021-12-24 | 2022-03-25 | 西安交通大学 | 一种基于多元逐步回归的空气质量缺失数据填充方法及系统 |
| CN114723166A (zh) * | 2022-04-27 | 2022-07-08 | 中国科学院地理科学与资源研究所 | 一种基于XGBoost模型的地表温度重建方法 |
| CN114925047A (zh) * | 2022-04-21 | 2022-08-19 | 中国科学院国家天文台南京天文光学技术研究所 | 南极视宁度缺失值在线填补方法 |
-
2022
- 2022-10-28 CN CN202211341352.4A patent/CN115391746B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111443163A (zh) * | 2020-03-10 | 2020-07-24 | 中国科学院深圳先进技术研究院 | 一种臭氧缺失数据的插补方法、装置及插补设备 |
| CN111830595A (zh) * | 2020-06-09 | 2020-10-27 | 上海眼控科技股份有限公司 | 气象要素的预测方法及设备 |
| CN114091764A (zh) * | 2021-11-24 | 2022-02-25 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 气象预报要素订正方法、装置、计算机设备和存储介质 |
| CN114240719A (zh) * | 2021-12-24 | 2022-03-25 | 西安交通大学 | 一种基于多元逐步回归的空气质量缺失数据填充方法及系统 |
| CN114925047A (zh) * | 2022-04-21 | 2022-08-19 | 中国科学院国家天文台南京天文光学技术研究所 | 南极视宁度缺失值在线填补方法 |
| CN114723166A (zh) * | 2022-04-27 | 2022-07-08 | 中国科学院地理科学与资源研究所 | 一种基于XGBoost模型的地表温度重建方法 |
Non-Patent Citations (2)
| Title |
|---|
| B. M. FRANCO等: "Virtual weather stations for meteorological data estimations", 《NEURAL COMPUTING AND APPLICATIONS》 * |
| 樊子德等: "顾及时空异质性的缺失数据时空插值方法", 《测绘学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116701371A (zh) * | 2023-06-09 | 2023-09-05 | 中国科学院地理科学与资源研究所 | 协方差分析下大气温度数据缺失值插补方法及其插补装置 |
| CN116701371B (zh) * | 2023-06-09 | 2024-03-22 | 中国科学院地理科学与资源研究所 | 协方差分析下大气温度数据缺失值插补方法及其插补装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115391746B (zh) | 2023-01-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6929927B2 (ja) | 強対流天気を予測するための方法及び装置 | |
| CN114280696B (zh) | 一种海雾等级智能预报方法及系统 | |
| US10877012B2 (en) | Automatic siting for air quality monitoring stations | |
| CN106651036A (zh) | 空气质量预报系统 | |
| CN115220133B (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
| CN112668238B (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
| Liu et al. | A comprehensive risk analysis of transportation networks affected by rainfall‐induced multihazards | |
| CN115391746B (zh) | 针对气象要素数据的插值方法、装置、电子设备及介质 | |
| Das et al. | Two decades of ensemble flood forecasting: a state-of-the-art on past developments, present applications and future opportunities | |
| Wijnands et al. | Variable selection for tropical cyclogenesis predictive modeling | |
| US11488083B2 (en) | Risk failure prediction for line assets | |
| CN114330110A (zh) | 模型训练方法、光伏发电功率预测方法及系统 | |
| CN117852975B (zh) | 基于数字化设计的城市更新行动可视化评估方法及系统 | |
| CN115239105A (zh) | 一种在役风电场的风资源的评估方法以及装置 | |
| Liu et al. | Uncertainty quantification of machine learning models to improve streamflow prediction under changing climate and environmental conditions | |
| Agarwal et al. | Forecasting PM2. 5 concentrations using statistical modeling for Bengaluru and Delhi regions | |
| CN116148951B (zh) | 空气目标污染物组分预报模型训练方法、预报方法及装置 | |
| Hong et al. | Probabilistic simulations for seasonal typhoon genesis over the South China Sea | |
| CN113344290B (zh) | 基于U-Net网络的次季节降水气象预报订正方法 | |
| Hong et al. | Forecasting experiments of a dynamical–statistical model of the sea surface temperature anomaly field based on the improved self-memorization principle | |
| Wu et al. | Hierarchical Bayesian network based incremental model for flood prediction | |
| CN113723712A (zh) | 风电功率预测方法、系统、设备及介质 | |
| Zhang et al. | Industrial water consumption forecasting based on combined CEEMD-ARIMA model for Henan province, central chain: A case study | |
| WO2020105151A1 (ja) | 設備保守点検支援システム及び点検順序決定方法 | |
| Grady et al. | Assessment of the benefits of climate model weights for ensemble analysis in three urban precipitation frequency studies |
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 |