CN115508917A - 机场气象要素预报方法、装置、设备和存储介质 - Google Patents
机场气象要素预报方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN115508917A CN115508917A CN202211463489.7A CN202211463489A CN115508917A CN 115508917 A CN115508917 A CN 115508917A CN 202211463489 A CN202211463489 A CN 202211463489A CN 115508917 A CN115508917 A CN 115508917A
- Authority
- CN
- China
- Prior art keywords
- meteorological
- historical
- airport
- meteorological element
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (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
本发明涉及气象预测技术领域,公开了一种机场气象要素预报方法、装置、设备和存储介质。该方法包括:在预设数值模式下,获取机场周边预设区域在预报时刻之前第一预设时间范围内的数值模式预报数据;在数值模式预报数据中提取关联气象要素对应的关联气象要素数值模式预报数据,其中,关联气象要素为与目标气象要素具有关联关系的机场周边气象要素;基于关联气象要素数值模式预报数据和预先训练好的气象要素预报模型,对目标气象要素进行预报,得到目标气象要素预报结果,气象要素预报模型基于关联气象要素历史数值模式预报数据和目标气象要素历史机场观测数据训练得到。本实施例能够提高机场气象要素的预报效率以及预报准确度。
Description
技术领域
本发明涉及气象预测技术领域,尤其涉及一种机场气象要素预报方法、装置、设备和存储介质。
背景技术
近年来,我国航空运输业务急速发展,天气对空域内航空器飞行安全影响越来越大,由此引发的经济效益越来越凸显,因此航空气象用户对航空气象服务产品的精细化、集约化和辅助决策能力等方面的需求日益增长。
国内的机场气象要素预报主要是以主观预报为主,预报员解读天气形势变化,结合数值模式对机场气象要素的直接预报,根据经验进行机场要素的预报。这样的方式随着预报员经验水平不同预报效果起伏不定。另一方面,人工处理数据能力有限,数值预报的种类与精度不断提高,目前的方式很难由预报员去处理越来越多的数据,切实提高预报效果。
发明内容
为了解决上述技术问题,本发明提供了一种机场气象要素预报方法、设备和存储介质,提高机场气象要素的预报效率以及预报准确度。
本发明实施例提供了一种机场气象要素预报方法,该方法包括:
在预设数值模式下,获取机场周边预设区域在预报时刻之前第一预设时间范围内的数值模式预报数据;
在所述数值模式预报数据中提取关联气象要素对应的关联气象要素数值模式预报数据,其中,所述关联气象要素为与目标气象要素具有关联关系的机场周边气象要素;
基于所述关联气象要素数值模式预报数据和预先训练好的气象要素预报模型,对所述目标气象要素进行预报,得到目标气象要素预报结果,所述气象要素预报模型基于关联气象要素历史数值模式预报数据和目标气象要素历史机场观测数据训练得到。
本发明实施例提供了一种机场气象要素预报装置,包括:
数值模式预报数据获取模块,用于在预设数值模式下,获取机场周边预设区域在预报时刻之前第一预设时间范围内的数值模式预报数据;
关联气象要素数据提取模块,用于在所述数值模式预报数据中提取关联气象要素对应的关联气象要素数据,其中,所述关联气象要素为与目标气象要素具有关联关系的机场周边气象要素;
目标气象要素预报结果获取模块,用于基于所述关联气象要素数据和预先训练好的气象要素预报模型,对所述目标气象要素进行预报,得到目标气象要素预报结果。
本发明实施例提供了一种电子设备,所述电子设备包括:
处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行任一实施例所述的机场气象要素预报方法的步骤。
本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行任一实施例所述的机场气象要素预报方法的步骤。
本发明实施例具有以下技术效果:
通过考虑机场周边区域内的不同气象要素对机场范围内目标气象要素的影响,确定与目标气象要素具有关联关系的关联气象要素,并利用关联气象要素历史数值模式预报数据和目标气象要素历史机场观测数据训练用于预报目标气象要素的气象要素预报模型,在具体应用时,通过获取预报时刻之前预设时间范围内的数值模式预报数据,确定关联气象要素数值模式预报数据,并利用关联气象要素数值模式预报数据和预先训练好的气象要素预报,对目标气象要素进行预报,提高了机场气象要素的预报效率以及预报准确度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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的附图。
图1是本发明实施例提供的一种机场气象要素预报方法的流程图;
图2是本发明实施例提供的一种气象要素预报模型训练方法的流程图;
图3是本发明实施例提供的一种机场气象要素预报装置的结构示意图;
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行清楚、完整的描述。显然,所描述的实施例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做出创造性劳动的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
本发明实施例提供的机场气象要素预报方法可适用于需要对机场范围内的目标气象要素进行快速准确地预报的情况,该方法可以由机场气象要素预报装置来执行,该装置可以采用软件和/或硬件的方式实现,该装置可以配置于由电子设备执行。
图1是本发明实施例提供的一种机场气象要素预报方法的流程图。参见图1,该机场气象要素预报方法具体包括:
S110、在预设数值模式下,获取机场周边预设区域在预报时刻之前第一预设时间范围内的数值模式预报数据。
优选的,本实施例中的预设数值模式可以包括两种,分别是0.25度分辨率(即每个网格范围为0.25度×0.25度,约650平方公里范围)的全球模式与0.05度分辨率(即每个网格范围为0.05度×0.05度,约25平方公里范围)的区域模式,其中,两种数值模式对应网格的中心点位置以及覆盖范围完全不同。
由于局地性的模式偏差或天气到来的时间偏差,会导致机场本地的气象要素观测与周边数值模式网格对应的气象要素预报数据更为契合,即基于机场周边数值模式预报数据对机场范围内目标气象要素进行预报,较基于机场范围内数值模式预报数据对机场范围内目标气象要素进行预报的预报结果较准确。因此本实施例优选可以获取机场周边预设范围内所有气象要素对应的数值模式预报数据,基于该数值模式预报数据,对机场本地的气象要素进行预报。其中,机场周边预设范围可以根据实际情况进行选择,示例性的,机场周边预设范围可以是机场所在网格周边4×4格点、5×5格点或6×6格点等,此处不做特殊限定。其中,数值模式预报数据优选可以是在预报时刻之前第一预设时间范围内的数据,例如,第一预设时间范围可以是36小时,即该数值模式预报数据可以是在预报时刻之前36小时内的数据,第一预设时间范围也可以是24小时或者72小时等。此外,预报间隔时间可以根据实际情况确定,示例性的,预报间隔时间可以是3小时,例如可以将每日世界时00时、03时、06时、09时、12时、15时、18时、21时作为预报时刻,当然预报间隔时间也可以是半个小时、10分钟等,此处不做特殊限定。
S120、在所述数值模式预报数据中提取关联气象要素对应的关联气象要素数值模式预报数据,其中,所述关联气象要素为与目标气象要素具有关联关系的机场周边气象要素。
示例性的,目标气象要素为机场范围内待预报的气象要素,其至少可以包括风速、温度、湿度、能见度以及最底层云高。关联气象要素为机场周边预设范围内,能够对目标气象要素的预报结果产生影响的气象要素,关联气象要素优选可以根据历史数值模式预报数据和目标气象要素历史机场观测数据确定,其中,历史数值模式预报数据可以分别从全球模式历史数据和区域模式历史数据中获取到,目标气象要素历史机场观测数据可以从机场常规观测历史报文中获取到。关联气象要素数值模式预报数据为关联气象要素对应的数值模式预报数据。本实施例中,数值模式预报数据包括所有机场周边气象要素对应的数值模式预报数据,当然也包括关联气象要素对应的数值模式预报数据,因此,优选可以在数值模式预报数据中提取关联气象要素对应的关联气象要素数值模式预报数据。
S130、基于所述关联气象要素数值模式预报数据和预先训练好的气象要素预报模型,对所述目标气象要素进行预报,得到目标气象要素预报结果,所述气象要素预报模型基于关联气象要素历史数值模式预报数据和目标气象要素历史机场观测数据训练得到。
本实施例中,将关联气象数值模式预报数据作为气象要素预报模型的输入,经过气象要素预报模型的预报,得到目标气象要素预报结果。其中,用于训练气象要素预报模型的关联气象要素历史数值模式预报数据优选可以从历史数值模式预报数据中提取得到。
本实施例具有以下技术效果:通过考虑机场周边区域内的不同气象要素对机场范围内目标气象要素的影响,确定与目标气象要素具有关联关系的关联气象要素,并利用关联气象要素历史数值模式预报数据和目标气象要素历史机场观测数据训练用于预报目标气象要素的气象要素预报模型,在具体应用时,通过获取预报时刻之前预设时间范围内的数值模式预报数据,确定关联气象要素数值模式预报数据,并利用关联气象要素数值模式预报数据和预先训练好的气象要素预报,对目标气象要素进行预报,提高了机场气象要素的预报效率以及预报准确度。
图2是本发明实施例提供的一种气象要素预报模型训练方法的流程图。在上述各实施例的基础上,进一步的,在基于所述关联气象要素数据和预先训练好的气象要素预报模型,对所述目标气象要素进行预报,得到目标气象要素预报结果之前,还包括:在预设数值模式下,获取机场周边预设区域内的历史数值模式预报数据,所述历史数值模式预报数据为机场周边气象要素在不同时刻对应的历史数值模式预报数据;在历史机场气象观测数据中,获取目标气象要素历史机场观测数据;基于所述历史数值模式预报数据和所述目标气象要素历史机场观测数据,确定所述关联气象要素;在所述历史数值模式预报数据中提取所述关联气象要素对应的关联气象要素历史数值模式预报数据;将第一关联气象要素历史数值模式预报数据作为初始气象要素预报模型的输入,将第一目标气象要素历史机场观测数据作为所述初始气象要素预报模型的输出,对所述初始气象要素预报模型进行训练,得到所述气象要素预报模型,其中,所述第一关联气象要素历史数值模式预报数据为所述关联气象要素在历史预报时刻之前第一预设时间范围内的历史数值模式预报数据,所述第一目标气象要素历史机场观测数据为目标气象要素在历史预报时刻经过机场观测得到的目标气象要素历史机场观测数据,相邻两个历史预报时刻之间的时间间隔为预设时长。参见图2,气象要素预报模型训练方法具体包括:
S210、在预设数值模式下,获取机场周边预设区域内的历史数值模式预报数据,所述历史数值模式预报数据为机场周边气象要素在不同时刻对应的历史数值模式预报数据。
本实施例中,在不同时刻,机场周边气象要素对应的历史数值模式预报数据不同,其中,每个时刻对应的历史数值模式预报数据为在该时刻之前第一预设时间范围内的数值模式预报数据。示例性的,历史数值模式预报数据可以包括机场周边气象要素在当前时刻前一天对应时刻之前36小时内的数值模式预报数据,也可以包括机场周边气象要素在当前时刻前30天对应时刻之前36小时内的数值模式预报数据,也可以包括机场周边气象要素在当前时刻前60天对应时刻之前36小时内的数值模式预报数据,还可以包括机场周边气象要素在当前时刻前180天对应时刻之前36小时内的数值模式预报数据等,其可以根据实际模型训练需求进行获取,此处不作具体限定。
示例性的,预设数值模式为0.25度分辨率的全球模式与0.05度分辨率的区域模式,则历史数值模式预报数据可以分别从全球模式历史数据和区域模式历史数据中获取到。
S220、在历史机场气象观测数据中,获取目标气象要素历史机场观测数据。
本实施例中,历史机场气象观测数据优选可以是机场常规观测历史报文,相应的,目标气象要素历史机场观测数据可以从机场常规观测历史报文中获取到,其中,机场常规观测历史报文为METAR报文。目标气象要素历史机场观测数据的时序与历史数值模式预报数据的时序相同,示例性的,历史数值模式预报数据包括机场周边气象要素在当前时刻前一天对应时刻之前36小时内的数值模式预报数据,则目标气象要素历史机场观测数据可以包括当前时刻前一天对应时刻的目标气象要素机场观测数据;又示例性的,机场周边气象要素在当前时刻前30天对应时刻之前36小时内的数值模式预报数据,则目标气象要素历史机场观测数据可以包括当前时刻前30天对应时刻的目标气象要素机场观测数据;又示例性的,机场周边气象要素在当前时刻前60天对应时刻之前36小时内的数值模式预报数据,则目标气象要素历史机场观测数据可以包括当前时刻前60天对应时刻的目标气象要素机场观测数据;又示例性的,机场周边气象要素在当前时刻前180天对应时刻之前36小时内的数值模式预报数据,则目标气象要素历史机场观测数据可以包括当前时刻前180天对应时刻的目标气象要素机场观测数据等。
S230、基于所述历史数值模式预报数据和所述目标气象要素历史机场观测数据,确定所述关联气象要素。
由于历史数值模式预报数据为机场周边气象要素在不同时刻对应的历史数值模式预报数据,因此,可以通过不同时刻对应的历史数值模式预报数据和目标气象要素历史机场观测数据,确定每个机场周边气象要素与目标气象要素之间的关联关系,并将符合预设关联关系的机场周边气象要素确定为关联气象要素。可选的,确定每个机场周边气象要素与目标气象要素之间的关联关系的方法可以是计算每个机场周边气象要素与目标气象要素之间的相关系数,可选的,通过相关系数确定每个机场周边气象要素与目标气象要素之间的关联关系,确定每个机场周边气象要素与目标气象要素之间的关联关系的方法还可以是通过历史经验确定等,具体采用何种方法确定每个机场周边气象要素与目标气象要素之间的关联关系,可以根据实际情况进行确定,此处不作具体限定。
S240、在所述历史数值模式预报数据中提取所述关联气象要素对应的关联气象要素历史数值模式预报数据。
本实施例中,历史数值模式预报数据包括所有机场周边气象要素对应的历史数值模式预报数据,而关联气象要素属于机场周边气象要素,因此,历史数值模式预报数据中包括关联气象要素对应的历史数值模式预报数据,因此,优选可以在历史数值模式预报数据中提取关联气象要素对应的关联气象要素历史数值模式预报数据。
S250、将第一关联气象要素历史数值模式预报数据作为初始气象要素预报模型的输入,将第一目标气象要素历史机场观测数据作为所述初始气象要素预报模型的输出,对所述初始气象要素预报模型进行训练,得到所述气象要素预报模型,其中,所述第一关联气象要素历史数值模式预报数据为所述关联气象要素在历史预报时刻之前第一预设时间范围内的历史数值模式预报数据,所述第一目标气象要素历史机场观测数据为目标气象要素在历史预报时刻经过机场观测得到的目标气象要素历史机场观测数据,相邻两个历史预报时刻之间的时间间隔为预设时长。
本实施例中,关联气象要素历史数值模式预报数据可以包括多个第一关联气象要素历史数值模式预报数据,目标气象要素历史机场观测数据也可以包括多个第一目标气象要素历史机场观测数据。第一关联气象要素历史数值模式预报数据和第一目标气象要素历史机场观测数据可以成为样本对,一个样本对对应一个历史预报时刻。为了增加样本的多样性和丰富度,相邻两个历史预报时刻之间的时间间隔优选为预设时长,其中,预设时长可以是3小时,6小时或9小时等。示例性的,相邻两个历史预报时刻之间的时间间隔为3小时,第一历史预报时刻为当前时刻前三小时,则相邻第二历史预报时刻可以为当前时刻前六小时。
示例性的,历史预报时刻为当前时刻前一天对应时刻,则样本对中的第一关联气象要素历史数值模式预报数据为在当前时刻前一天对应时刻之前36小时内的数值模式预报数据,样本对中的第一目标气象要素历史机场观测数据为当前时刻前一天对应时刻的目标气象要素机场观测数据;又示例性的,历史预报时刻为当前时刻前30天对应时刻,则样本对中的第一关联气象要素历史数值模式预报数据为在当前时刻前30天对应时刻之前36小时内的数值模式预报数据,样本对中的第一目标气象要素历史机场观测数据为当前时刻前30天对应时刻的目标气象要素机场观测数据;又示例性的,历史预报时刻为当前时刻前60天对应时刻,则样本对中的第一关联气象要素历史数值模式预报数据为在当前时刻前60天对应时刻之前36小时内的数值模式预报数据,样本对中的第一目标气象要素历史机场观测数据为当前时刻前60天对应时刻的目标气象要素机场观测数据;又示例性的,历史预报时刻为当前时刻前180天对应时刻,则样本对中的第一关联气象要素历史数值模式预报数据为在当前时刻前180天对应时刻之前36小时内的数值模式预报数据,样本对中的第一目标气象要素历史机场观测数据为当前时刻前180天对应时刻的目标气象要素机场观测数据。
本实施例具有以下技术效果:通过考虑机场周边区域内的不同气象要素对机场范围内目标气象要素的影响,结合历史数值模式预报数据和目标气象要素历史机场观测数据,确定与目标气象要素具有关联关系的关联气象要素,并利用关联气象要素历史数值模式预报数据和目标气象要素历史机场观测数据训练用于预报目标气象要素的气象要素预报模型,提高了气象要素预报模型的预报效率以及预报准确度。
在上述各实施例的基础上,进一步的,在预设数值模式下,获取机场周边预设区域内的历史数值模式预报数据,包括:
根据机场经纬度信息和相应数值模式网格经纬度信息,确定机场在全球模式下对应的第一网格点,以及在区域模式下对应的第二网格点,其中,所述预设数值模式包括全球模式和区域模式;
基于第一网格点和第二网格点,分别确定在全球模式下第一网格点周边预设数目的第三网格点,以及,在区域模式下每个第三网格点中心值所在的第四网格点,其中,所述机场周边预设范围在所述预设模式下分别对应所述第三网格点和所述第四网格点;
分别提取第三网格点内的历史第一数值模式预报数据和第四网格点内的历史第二数值模式预报数据,其中,所述历史数值模式预报数据包括历史第一数值模式预报数据和历史第二数值模式预报数据。
在上述各实施例的基础上,进一步的,基于所述历史数值模式预报数据和所述目标气象要素历史机场观测数据,确定所述关联气象要素,包括:
针对第一目标气象要素历史机场观测数据中的每个目标气象要素历史机场观测值,分别计算相应目标气象要素历史机场观测值与每个第一机场周边气象要素历史数值模式预报数据之间的相关系数,其中,第一机场周边气象要素历史数值模式预报数据为在历史数值模式预报数据中,机场周边气象要素在历史预报时刻之前第二预设时间范围内所对应的历史数值模式预报数据;
将大于第一预设系数阈值的相关系数所对应的机场周边气象要素作为相应目标气象要素的强关联气象要素;
以及,将温度、相对湿度与露点温度、风速、最低云层高度以及能见度作为相应目标气象要素的强关联气象要素,所述关联气象要素包括所述强关联气象要素。
优选的,本实施例中的第二预设时间范围可以是180天,即第一机场周边气象要素历史数值模式预报数据为在历史数值模式预报数据中,机场周边气象要素在历史预报时刻之前180天内所对应的历史数值模式预报数据,示例性的,历史预报时刻为当前时刻前三小时,则第一机场周边气象要素历史数值模式预报数据为机场周边气象要素在当前时刻前三小时以前180天内所对应的历史数值模式预报数据。
本实施例中,第一预设系数阈值可以设置为0.6,即将大于0.6的相关系数所对应的机场周边气象要素作为相应目标气象要素的强关联气象要素。同时,还可以根据历史经验将温度、相对湿度与露点温度、风速、最低云层高度以及能见度作为相应目标气象要素的强关联气象要素。上述仅通过计算相关系数以及历史经验即可确定强关联气象要素,无需通过筛选算法逐步筛选,简化了强关联气象要素确定的过程,同时也降低了后续其他关联气象要素筛选的复杂度。
在上述各实施例的基础上,进一步的,基于所述历史数值模式预报数据和所述目标气象要素历史机场观测数据,确定所述关联气象要素,还包括:
针对第一目标气象要素历史机场观测数据中的每个目标气象要素历史机场观测值,分别计算相应目标气象要素历史机场观测值与每个第二机场周边气象要素历史数值模式预报数据之间的相关系数,其中,第二机场周边气象要素历史数值模式预报数据为在历史数值模式预报数据中,非强关联气象要素在历史预报时刻之前第三预设时间范围内所对应的历史数值模式预报数据,所述非强关联气象要素为在机场周边气象要素中,除所述强关联气象要素之外的气象要素;
将小于第二预设系数阈值的相关系数所对应的机场周边气象要素滤除,得到滤除后的非强关联气象要素;
将滤除后的非强关联气象要素作为自变量,将相应的目标气象要素作为因变量,利用逐步回归算法,筛选出具有显著性的显著非强关联气象要素,并将所述显著非强关联气象要素作为所述关联气象要素。
优选的,本实施例中的第三预设时间范围可以是60天,即第二机场周边气象要素历史数值模式预报数据为在历史数值模式预报数据中,非强关联气象要素在历史预报时刻之前60天内所对应的历史数值模式预报数据,示例性的,历史预报时刻为当前时刻前三小时,则第二机场周边气象要素历史数值模式预报数据为非强关联气象要素在当前时刻前三小时以前60天内所对应的历史数值模式预报数据。
本实施例中,第二预设系数阈值可以设置为0.2,即将小于0.2的相关系数所对应的机场周边气象要素滤除,得到滤除后的非强关联气象要素。本实施例在进行气象要素筛选之前,不仅剔除了强关联气象要素,还剔除了相关系数比较小的气象要素,进一步降低了显著非强关联气象要素筛选的复杂度,提高了关联气象要素的确定速率。
本实施例中,优选可以使用matlab中的stepwise函数完成利用逐步回归算法进行显著非强关联气象要素的筛选工作,其中,矩阵列数指标优选为全部自变量(即全部滤除后的非强关联气象要素),显著性水平设置优选可以设置为0.05。逐步回归算法的基本思想是将变量逐个引入模型,每引入一个预测变量(解释变量)后都要进行F检验,并对已经选入的预测变量逐个进行t检验,当原来引入的预测变量由于后面预测变量的引入变得不再显著时,则将其删除,以确保每次引入新的变量之前回归方程中只包含显著性变量。这是一个反复的过程,直到既没有显著的预测变量选入回归方程,也没有不显著的预测变量从回归方程中剔除为止。以保证最后所得到的预测变量集(本实施例中的预测变量集为显著非强关联气象要素)是最优的。
在上述各实施例的基础上,进一步的,在所述历史数值模式预报数据中提取所述关联气象要素对应的关联气象要素历史数值模式预报数据,包括:
在所述历史数值模式预报数据中提取所述强关联气象要素对应的关联气象要素历史数值模式预报数据,其中,在所述历史数值模式预报数据中分别提取2米、地表、1000百帕、925百帕以及850百帕处的温度历史数值模式预报数据,在所述历史数值模式预报数据中提取2米、地表、1000百帕、925百帕以及850百帕处的相对湿度与露点温度,在所述历史数值模式预报数据中提取10米、100米、1000百帕、925百帕以及850百帕处的风速;
在所述历史数值模式预报数据中提取所述显著非强关联气象要素对应的显著非强关联气象要素历史数值模式预报数据;
采用WR95算法对最低云层高度进行解释应用,得到最低云层高度历史数值模式预报数据;
本实施例中,最低云层高度使用WR95算法,WR95算法为J.Wang和Rossow 对利用相对湿度廓线判定云的垂直结构提出的具体的阈值标准,具体如下:
从地表向上,当相对湿度(RH)≥87%时即为入云,以此判断为第一个云层的云底;当84%≤RH<87%且高度层RH的变化大于3%时,也判断为第一个云层的云底;当RH<84%即为出云,以此判断为第一个云层的云顶。第N(N≥2)个云的相对湿度阈值为84%,当RH≥84%时即为入云,以此判断为云底。
采用K84算法和SW99算法对能见度进行解释应用,得到能见度历史数值模式预报数据。
本实施例中,能见度使用K84算法与SW99算法,具体如下:
K84算法(即简称8-4算法)即Kunkel在1984年提出的以柯什密得定律(Koschmieder’s Law)为基础,通过大气消光系数来计算能见度,并使用雾中液态水含量LWC来计算消光系数β的方案。
SW99算法是1999年,Stoelinga与Warner在以上基础上综合考虑了云水、雨水、云冰晶、雪等多种水成物微粒对能见度的影响,提出的一种计算水平能见度的参数化方案。消光系数β由云水消光系数βcw、雨水消光系数βrw、云冰晶消光系数βci、雪消光系数βsn四部分组成,Ccw、Crw、Cci、Csn分别表示含有云水、雨水、云冰晶、雪的空气密度(g/m3)。在中尺度模式中,预报量一般包括云水、雨水、云冰晶、雪等水成物的混合比,因此SW99算法可用于中尺度模式中能见度的计算。
在上述各实施例的基础上,进一步的,所述预先训练好的气象要素预报模型包括多元线性回归气象要素预报模型、长短期记忆气象要素预报模型、支持向量机气象要素预报模型和决策树气象要素预报模型中的至少一种。
若气象要素预报模型为多元线性回归气象要素预报模型,具体如下:
多元线性回归是较为经典与简单的统计预测方法,线性回归方程的形式为:
利用最小二乘法,根据预先确定的样本对求解系数b,即完成多元线性回归气象要素预报模型训练。
若气象要素预报模型为长短期记忆气象要素预报模型,具体如下:
长短期记忆网络(LSTM,Long Short-Term Memory)是一种循环神经网络 (RNN),可以学习序列数据的时间步之间的长期依存关系。LSTM 网络的核心组件是序列输入层和LSTM 层。序列输入层将序列或时间序列数据输入网络中。LSTM 层学习序列数据的时间步之间的长期相关性。创建LSTM 网络的结构,包含一个序列输入层、一个 LSTM 层、一个全连接层、一个 softmax 层和一个分类输出层。将序列输入层的大小设置为输入数据的特征数量。将全连接层的大小设置为类的数量。将 LSTM 层的输出模式设置为序列输出。将LSTM层学习时间序列和序列数据中时间步之间的长期相关性设置为1。将双向 LSTM (BiLSTM)层学习时间序列或序列数据的时间步之间的双向长期相关性设定为1。将GRU 层学习时间序列和序列数据中时间步之间的相关性设定为1。将滑动卷积滤波器宽度设定为11。将一维平均池化层池化区域宽度设定为3。将预先确定的样本对放入长短期记忆气象要素预报模型中,进行归一化变换,进行长短期记忆气象要素预报模型训练。
若气象要素预报模型为支持向量机气象要素预报模型,具体如下:
支持向量机模型又称SVM(Support Vector Machine)模型,本实施例中,优选将SVM向量机核函数设定为高斯函数。对所有样本对进行归一化变换,针对每一个历史预报时刻,对目标气象要素历史机场观测数据进行k-means聚类,聚类成K个类中心,所述类中心为关键词,聚类过程为:计算每个目标气象要素历史机场观测值与每个类中心距离;将每个目标气象要素历史机场观测值归入距离最近类中心;更新类中心;迭代直到达到指定的精度,获得K个类中心。初始化K维计数器向量为0,每一维对应一个关键词的权重;然后将每个目标气象要素历史机场观测值与K个类中心进行距离比较,在对应最小距离的那一维权重加1得到K个关键词及其权重;用选取的时间序列样本来训练多类SVM:每个样本的输入是K个关键词及其权重,即完成支持向量机气象预报模型训练。
若气象要素预报模型为决策树气象要素预报模型,具体如下:
将树最大深度设置为10层,将最小枝叶数与最小父节点树都设置为1。将预先确定的样本对放入决策树,进行归一化变换,进行决策树气象要素预报模型训练。
在上述各实施例的基础上,进一步的,在基于所述关联气象要素数据和预先训练好的气象要素预报模型,对所述目标气象要素进行预报,得到目标气象要素预报结果之后,还包括:
利用预设预报超量判断方法,分别判断每个目标气象要素预报结果是否预报超量;
若确定存在目标气象要素预报结果预报超量,则将相应目标气象要素预报结果删除。
本实施例中,可以基于36小时的模式预报时长与3小时时间间隔,利用气象要素预报模型对机场目标气象要素进行预报。具体的,预报每3小时启动一次,每次在3小时过5分钟时间左右收到最新观测数据后启动,每次预报时长可以是27-36小时。
优选的,可以对目标气象要素预报结果进行质量控制,优选的,可以计算当前日期前后30天,近三年内的最高值与最低值,对风速、湿度、能见度、最低云层高度而言,若目标气象要素预报结果超过其过去3年当前日期前后30天内最高值的110%或者低于最低值的90%则认为预报超量,此时可以将相应目标气象要素预报结果删除。对于温度而言,若预报结果超过过去3年当前日期前后30天内最高温3度者低于最低温3度则认为预报超量,此时可以将相应温度预报结果删除,通过质量控制,可提高机场目标气象要素预报的准确率。
图3为本发明实施例提供的一种机场气象要素预报装置的结构示意图。本实施例可适用于需要对机场范围内的目标气象要素进行快速准确地预报的情况。该装置可以采用软件和/或硬件的方式实现,该装置可以配置于电子设备中。如图3所示,该装置可以包括:
数值模式预报数据获取模块310,用于在预设数值模式下,获取机场周边预设区域在预报时刻之前第一预设时间范围内的数值模式预报数据;
关联气象要素数据提取模块320,用于在所述数值模式预报数据中提取关联气象要素对应的关联气象要素数据,其中,所述关联气象要素为与目标气象要素具有关联关系的机场周边气象要素;
目标气象要素预报结果获取模块330,用于基于所述关联气象要素数据和预先训练好的气象要素预报模型,对所述目标气象要素进行预报,得到目标气象要素预报结果。
本实施例具有以下技术效果:通过考虑机场周边区域内的不同气象要素对机场范围内目标气象要素的影响,确定与目标气象要素具有关联关系的关联气象要素,并利用关联气象要素历史数值模式预报数据和目标气象要素历史机场观测数据训练用于预报目标气象要素的气象要素预报模型,在具体应用时,通过获取预报时刻之前预设时间范围内的数值模式预报数据,确定关联气象要素数值模式预报数据,并利用关联气象要素数值模式预报数据和预先训练好的气象要素预报,对目标气象要素进行预报,提高了机场气象要素的预报效率以及预报准确度。
在上述技术方案的基础上,可选的,机场气象要素预报装置还可以包括历史数值模式预报数据获取模块、目标气象要素历史机场观测数据获取模块,关联气象要素确定模块、关联气象要素历史数值模式预报数据提取模块以及气象要素预报模型训练模块,其中:
历史数值模式预报数据获取模块用于在基于所述关联气象要素数据和预先训练好的气象要素预报模型,对所述目标气象要素进行预报,得到目标气象要素预报结果之前,在预设数值模式下,获取机场周边预设区域内的历史数值模式预报数据,所述历史数值模式预报数据为机场周边气象要素在不同时刻对应的历史数值模式预报数据;
目标气象要素历史机场观测数据获取模块用于在历史机场气象观测数据中,获取目标气象要素历史机场观测数据;
关联气象要素确定模块用于基于所述历史数值模式预报数据和所述目标气象要素历史机场观测数据,确定所述关联气象要素;
关联气象要素历史数值模式预报数据提取模块用于在所述历史数值模式预报数据中提取所述关联气象要素对应的关联气象要素历史数值模式预报数据;
气象要素预报模型训练模块用于将第一关联气象要素历史数值模式预报数据作为初始气象要素预报模型的输入,将第一目标气象要素历史机场观测数据作为所述初始气象要素预报模型的输出,对所述初始气象要素预报模型进行训练,得到所述气象要素预报模型,其中,所述第一关联气象要素历史数值模式预报数据为所述关联气象要素在历史预报时刻之前第一预设时间范围内的历史数值模式预报数据,所述第一目标气象要素历史机场观测数据为目标气象要素在历史预报时刻经过机场观测得到的目标气象要素历史机场观测数据,相邻两个历史预报时刻之间的时间间隔为预设时长。
在上述技术方案的基础上,可选的,历史数值模式预报数据获取模块具体用于:根据机场经纬度信息和相应数值模式网格经纬度信息,确定机场在全球模式下对应的第一网格点,以及在区域模式下对应的第二网格点,其中,所述预设数值模式包括全球模式和区域模式;
基于第一网格点和第二网格点,分别确定在全球模式下第一网格点周边预设数目的第三网格点,以及,在区域模式下每个第三网格点中心值所在的第四网格点,其中,所述机场周边预设范围在所述预设模式下分别对应所述第三网格点和所述第四网格点;
分别提取第三网格点内的历史第一数值模式预报数据和第四网格点内的历史第二数值模式预报数据,其中,所述历史数值模式预报数据包括历史第一数值模式预报数据和历史第二数值模式预报数据。
在上述技术方案的基础上,可选的,关联气象要素确定模块具体用于:
针对第一目标气象要素历史机场观测数据中的每个目标气象要素历史机场观测值,分别计算相应目标气象要素历史机场观测值与每个第一机场周边气象要素历史数值模式预报数据之间的相关系数,其中,第一机场周边气象要素历史数值模式预报数据为在历史数值模式预报数据中,机场周边气象要素在历史预报时刻之前第二预设时间范围内所对应的历史数值模式预报数据;
将大于第一预设系数阈值的相关系数所对应的机场周边气象要素作为相应目标气象要素的强关联气象要素;
以及,将温度、相对湿度与露点温度、风速、最低云层高度以及能见度作为相应目标气象要素的强关联气象要素,所述关联气象要素包括所述强关联气象要素。
在上述技术方案的基础上,可选的,关联气象要素确定模块具体还用于:
针对第一目标气象要素历史机场观测数据中的每个目标气象要素历史机场观测值,分别计算相应目标气象要素历史机场观测值与每个第二机场周边气象要素历史数值模式预报数据之间的相关系数,其中,第二机场周边气象要素历史数值模式预报数据为在历史数值模式预报数据中,非强关联气象要素在历史预报时刻之前第三预设时间范围内所对应的历史数值模式预报数据,所述非强关联气象要素为在机场周边气象要素中,除所述强关联气象要素之外的气象要素;
将小于第二预设系数阈值的相关系数所对应的机场周边气象要素滤除,得到滤除后的非强关联气象要素;
将滤除后的非强关联气象要素作为自变量,将相应的目标气象要素作为因变量,利用逐步回归算法,筛选出具有显著性的显著非强关联气象要素,并将所述显著非强关联气象要素作为所述关联气象要素。
在上述技术方案的基础上,可选的,关联气象要素历史数值模式预报数据提取模块具体用于:
在所述历史数值模式预报数据中提取所述强关联气象要素对应的关联气象要素历史数值模式预报数据,其中,在所述历史数值模式预报数据中分别提取2米、地表、1000百帕、925百帕以及850百帕处的温度历史数值模式预报数据,在所述历史数值模式预报数据中提取2米、地表、1000百帕、925百帕以及850百帕处的相对湿度与露点温度,在所述历史数值模式预报数据中提取10米、100米、1000百帕、925百帕以及850百帕处的风速;
在所述历史数值模式预报数据中提取所述显著非强关联气象要素对应的显著非强关联气象要素历史数值模式预报数据;
采用WR95算法对最低云层高度进行解释应用,得到最低云层高度历史数值模式预报数据;
采用K84算法和SW99算法对能见度进行解释应用,得到能见度历史数值模式预报数据。
在上述技术方案的基础上,可选的,所述预先训练好的气象要素预报模型包括多元线性回归气象要素预报模型、长短期记忆气象要素预报模型、支持向量机气象要素预报模型和决策树气象要素预报模型中的至少一种。
在上述技术方案的基础上,可选的,机场气象要素预报装置还包括目标气象要素预报结果质量判断模块,用于在基于所述关联气象要素数据和预先训练好的气象要素预报模型,对所述目标气象要素进行预报,得到目标气象要素预报结果之后,利用预设预报超量判断方法,分别判断每个目标气象要素预报结果是否预报超量;若确定存在目标气象要素预报结果预报超量,则将相应目标气象要素预报结果删除。本发明实施例所提供的机场气象要素预报装置可执行本发明实施例所提供的机场气象要素预报方法,具备执行方法相应的功能模块和有益效果。
图4为本发明实施例提供的一种电子设备的结构示意图。如图4所示,电子设备400包括一个或多个处理器401和存储器402。
处理器401可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备400中的其他组件以执行期望的功能。
存储器402可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器401可以运行所述程序指令,以实现上文所说明的本发明任意实施例的机场气象要素预报方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始外参、阈值等各种内容。
在一个示例中,电子设备400还可以包括:输入装置403和输出装置404,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。该输入装置403可以包括例如键盘、鼠标等等。该输出装置404可以向外部输出各种信息,包括预警提示信息、制动力度等。该输出装置404可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图4中仅示出了该电子设备400中与本发明有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备400还可以包括任何其他适当的组件。
除了上述方法和设备以外,本发明的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的机场气象要素预报方法的步骤。
所述计算机程序产品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发明实施例操作的程序代码,所述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。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本发明的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的机场气象要素预报方法的步骤。
所述计算机可读存储介质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包括但不限于电、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。
需要说明的是,本发明所用术语仅为了描述特定实施例,而非限制本申请范围。如本发明说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
还需说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”等应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案。
Claims (11)
1.一种机场气象要素预报方法,其特征在于,包括:
在预设数值模式下,获取机场周边预设区域在预报时刻之前第一预设时间范围内的数值模式预报数据;
在所述数值模式预报数据中提取关联气象要素对应的关联气象要素数值模式预报数据,其中,所述关联气象要素为与目标气象要素具有关联关系的机场周边气象要素;
基于所述关联气象要素数值模式预报数据和预先训练好的气象要素预报模型,对所述目标气象要素进行预报,得到目标气象要素预报结果,所述气象要素预报模型基于关联气象要素历史数值模式预报数据和目标气象要素历史机场观测数据训练得到。
2.根据权利要求1所述的方法,其特征在于,在基于所述关联气象要素数据和预先训练好的气象要素预报模型,对所述目标气象要素进行预报,得到目标气象要素预报结果之前,还包括:
在预设数值模式下,获取机场周边预设区域内的历史数值模式预报数据,所述历史数值模式预报数据为机场周边气象要素在不同时刻对应的历史数值模式预报数据;
在历史机场气象观测数据中,获取目标气象要素历史机场观测数据;
基于所述历史数值模式预报数据和所述目标气象要素历史机场观测数据,确定所述关联气象要素;
在所述历史数值模式预报数据中提取所述关联气象要素对应的关联气象要素历史数值模式预报数据;
将第一关联气象要素历史数值模式预报数据作为初始气象要素预报模型的输入,将第一目标气象要素历史机场观测数据作为所述初始气象要素预报模型的输出,对所述初始气象要素预报模型进行训练,得到所述气象要素预报模型,其中,所述第一关联气象要素历史数值模式预报数据为所述关联气象要素在历史预报时刻之前第一预设时间范围内的历史数值模式预报数据,所述第一目标气象要素历史机场观测数据为目标气象要素在历史预报时刻经过机场观测得到的目标气象要素历史机场观测数据,相邻两个历史预报时刻之间的时间间隔为预设时长。
3.根据权利要求2所述的方法,其特征在于,在预设数值模式下,获取机场周边预设区域内的历史数值模式预报数据,包括:
根据机场经纬度信息和相应数值模式网格经纬度信息,确定机场在全球模式下对应的第一网格点,以及在区域模式下对应的第二网格点,其中,所述预设数值模式包括全球模式和民区域模式;
基于第一网格点和第二网格点,分别确定在全球模式下第一网格点周边预设数目的第三网格点,以及,在区域模式下每个第三网格点中心值所在的第四网格点,其中,所述机场周边预设范围在预设模式下分别对应所述第三网格点和所述第四网格点;
分别提取第三网格点内的历史第一数值模式预报数据和第四网格点内的历史第二数值模式预报数据,其中,所述历史数值模式预报数据包括历史第一数值模式预报数据和历史第二数值模式预报数据。
4.根据权利要求2或3所述的方法,其特征在于,基于所述历史数值模式预报数据和所述目标气象要素历史机场观测数据,确定所述关联气象要素,包括:
针对第一目标气象要素历史机场观测数据中的每个目标气象要素历史机场观测值,分别计算相应目标气象要素历史机场观测值与每个第一机场周边气象要素历史数值模式预报数据之间的相关系数,其中,第一机场周边气象要素历史数值模式预报数据为在历史数值模式预报数据中,机场周边气象要素在历史预报时刻之前第二预设时间范围内所对应的历史数值模式预报数据;
将大于第一预设系数阈值的相关系数所对应的机场周边气象要素作为相应目标气象要素的强关联气象要素;
以及,将温度、相对湿度与露点温度、风速、最低云层高度以及能见度作为相应目标气象要素的强关联气象要素,所述关联气象要素包括所述强关联气象要素。
5.根据权利要求4所述的方法,其特征在于,基于所述历史数值模式预报数据和所述目标气象要素历史机场观测数据,确定所述关联气象要素,还包括:
针对第一目标气象要素历史机场观测数据中的每个目标气象要素历史机场观测值,分别计算相应目标气象要素历史机场观测值与每个第二机场周边气象要素历史数值模式预报数据之间的相关系数,其中,第二机场周边气象要素历史数值模式预报数据为在历史数值模式预报数据中,非强关联气象要素在历史预报时刻之前第三预设时间范围内所对应的历史数值模式预报数据,所述非强关联气象要素为在机场周边气象要素中,除所述强关联气象要素之外的气象要素;
将小于第二预设系数阈值的相关系数所对应的机场周边气象要素滤除,得到滤除后的非强关联气象要素;
将滤除后的非强关联气象要素作为自变量,将相应的目标气象要素作为因变量,利用逐步回归算法,筛选出具有显著性的显著非强关联气象要素,并将所述显著非强关联气象要素作为所述关联气象要素。
6.根据权利要求5所述的方法,其特征在于,在所述历史数值模式预报数据中提取所述关联气象要素对应的关联气象要素历史数值模式预报数据,包括:
在所述历史数值模式预报数据中提取所述强关联气象要素对应的关联气象要素历史数值模式预报数据,其中,在所述历史数值模式预报数据中分别提取2米、地表、1000百帕、925百帕以及850百帕处的温度历史数值模式预报数据,在所述历史数值模式预报数据中提取2米、地表、1000百帕、925百帕以及850百帕处的相对湿度与露点温度,在所述历史数值模式预报数据中提取10米、100米、1000百帕、925百帕以及850百帕处的风速;
在所述历史数值模式预报数据中提取所述显著非强关联气象要素对应的显著非强关联气象要素历史数值模式预报数据;
采用WR95算法对最低云层高度进行解释应用,得到最低云层高度历史数值模式预报数据;
采用K84算法和SW99算法对能见度进行解释应用,得到能见度历史数值模式预报数据。
7.根据权利要求1-3任一项所述的方法,其特征在于,所述预先训练好的气象要素预报模型包括多元线性回归气象要素预报模型、长短期记忆气象要素预报模型、支持向量机气象要素预报模型和决策树气象要素预报模型中的至少一种。
8.根据权利要求1-3任一项所述的方法,其特征在于,在基于所述关联气象要素数据和预先训练好的气象要素预报模型,对所述目标气象要素进行预报,得到目标气象要素预报结果之后,还包括:
利用预设预报超量判断方法,分别判断每个目标气象要素预报结果是否预报超量;
若确定存在目标气象要素预报结果预报超量,则将相应目标气象要素预报结果删除。
9.一种机场气象要素预报装置,其特征在于,包括:
数值模式预报数据获取模块,用于在预设数值模式下,获取机场周边预设区域在预报时刻之前第一预设时间范围内的数值模式预报数据;
关联气象要素数据提取模块,用于在所述数值模式预报数据中提取关联气象要素对应的关联气象要素数据,其中,所述关联气象要素为与目标气象要素具有关联关系的机场周边气象要素;
目标气象要素预报结果获取模块,用于基于所述关联气象要素数据和预先训练好的气象要素预报模型,对所述目标气象要素进行预报,得到目标气象要素预报结果。
10.一种电子设备,其特征在于,所述电子设备包括:
处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行如权利要求1至8任一项所述的机场气象要素预报方法的步骤。
11.一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存储程序或指令,所述程序或指令使计算机执行如权利要求1至8任一项所述的机场气象要素预报方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211463489.7A CN115508917B (zh) | 2022-11-22 | 2022-11-22 | 机场气象要素预报方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211463489.7A CN115508917B (zh) | 2022-11-22 | 2022-11-22 | 机场气象要素预报方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115508917A true CN115508917A (zh) | 2022-12-23 |
CN115508917B CN115508917B (zh) | 2023-04-28 |
Family
ID=84514446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211463489.7A Active CN115508917B (zh) | 2022-11-22 | 2022-11-22 | 机场气象要素预报方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115508917B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307153A (zh) * | 2023-03-07 | 2023-06-23 | 广东热矩智能科技有限公司 | 用于制冷制热系统节能的气象预测方法、装置及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016161314A (ja) * | 2015-02-27 | 2016-09-05 | 三菱重工業株式会社 | 同化データ決定装置、気象予測装置、同化データ決定方法およびプログラム |
CN110058329A (zh) * | 2019-04-22 | 2019-07-26 | 山东省气象科学研究所 | 一种气象要素智能网格预报产品空间降尺度方法 |
CN110908014A (zh) * | 2019-12-11 | 2020-03-24 | 国网湖南省电力有限公司 | 舞动精细化订正预报方法及系统 |
CN112182822A (zh) * | 2020-10-22 | 2021-01-05 | 国网湖南省电力有限公司 | 输电线路覆冰厚度预测校正预报方法及系统 |
CN112612781A (zh) * | 2019-12-11 | 2021-04-06 | 北京金风慧能技术有限公司 | 数据修正方法、装置、设备及介质 |
CN113420939A (zh) * | 2021-07-15 | 2021-09-21 | 上海眼控科技股份有限公司 | 云图预报方法、设备及存储介质 |
CN115220133A (zh) * | 2022-07-19 | 2022-10-21 | 海南大学 | 一种多气象要素降雨预测方法、装置、设备及存储介质 |
-
2022
- 2022-11-22 CN CN202211463489.7A patent/CN115508917B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016161314A (ja) * | 2015-02-27 | 2016-09-05 | 三菱重工業株式会社 | 同化データ決定装置、気象予測装置、同化データ決定方法およびプログラム |
CN110058329A (zh) * | 2019-04-22 | 2019-07-26 | 山东省气象科学研究所 | 一种气象要素智能网格预报产品空间降尺度方法 |
CN110908014A (zh) * | 2019-12-11 | 2020-03-24 | 国网湖南省电力有限公司 | 舞动精细化订正预报方法及系统 |
CN112612781A (zh) * | 2019-12-11 | 2021-04-06 | 北京金风慧能技术有限公司 | 数据修正方法、装置、设备及介质 |
CN112182822A (zh) * | 2020-10-22 | 2021-01-05 | 国网湖南省电力有限公司 | 输电线路覆冰厚度预测校正预报方法及系统 |
CN113420939A (zh) * | 2021-07-15 | 2021-09-21 | 上海眼控科技股份有限公司 | 云图预报方法、设备及存储介质 |
CN115220133A (zh) * | 2022-07-19 | 2022-10-21 | 海南大学 | 一种多气象要素降雨预测方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
周俊等: "浅谈航空气象要素预报及其发布平台的建立", 《科技信息》 * |
张星等: "深度学习方法在农业产业园区气象要素预报中的应用", 《江西农业学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307153A (zh) * | 2023-03-07 | 2023-06-23 | 广东热矩智能科技有限公司 | 用于制冷制热系统节能的气象预测方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115508917B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11635545B2 (en) | Real-time weather forecasting for transportation systems | |
Fabbian et al. | Application of artificial neural network forecasts to predict fog at Canberra International Airport | |
CN109117883B (zh) | 基于长短时记忆网络的sar影像海冰分类方法及系统 | |
CN110705115B (zh) | 一种基于深度置信网络的气象预报方法和系统 | |
Cornejo-Bueno et al. | Efficient prediction of low-visibility events at airports using machine-learning regression | |
CN108805337A (zh) | 航空运行控制风险管控方法及系统 | |
CN110363333A (zh) | 一种基于渐进梯度回归树的天气影响下空中通行能力的预测方法 | |
Yang et al. | Airport arrival flow prediction considering meteorological factors based on deep‐learning methods | |
CN115508917B (zh) | 机场气象要素预报方法、装置、设备和存储介质 | |
CN115220133B (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
CN115857059B (zh) | 一种积冰预报管理方法、系统、可读存储介质和设备 | |
CN113962465A (zh) | 降水预报方法、设备、装置及存储介质 | |
CN103840985A (zh) | 基于用户邻域的Web Service服务质量预测方法及装置 | |
Otsuka et al. | Nowcasting with data assimilation: A case of global satellite mapping of precipitation | |
CN116021981A (zh) | 配电网线路覆冰故障预测方法、装置、设备及存储介质 | |
Bouchard et al. | Comparison of different forecasting tools for short-range lightning strike risk assessment | |
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 | |
CN115293366B (zh) | 模型训练方法、信息预测方法、装置、设备及介质 | |
Melnik et al. | Component of decision support subsystem for monitoring and predicting of hazardous processes at the base of analysis of macro zoobenthos communities of azov sea | |
CN113128769A (zh) | 基于深度学习的智能航班延误预测方法 | |
CN117034090A (zh) | 模型参数调整、模型应用方法、装置、设备及介质 | |
CN110852322A (zh) | 感兴趣区域的确定方法及装置 | |
Uribe | Predictive model of the enso phenomenon based on regression trees | |
CN115980690A (zh) | 晴空回波识别模型构建方法、晴空回波滤波方法及装置 | |
CN112733728A (zh) | 一种能见度边缘计算方法、装置、电子设备及存储介质 |
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 |