CN116167509B - 气温预测方法、装置、存储介质及电子设备 - Google Patents
气温预测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116167509B CN116167509B CN202310073816.6A CN202310073816A CN116167509B CN 116167509 B CN116167509 B CN 116167509B CN 202310073816 A CN202310073816 A CN 202310073816A CN 116167509 B CN116167509 B CN 116167509B
- Authority
- CN
- China
- Prior art keywords
- air temperature
- temperature prediction
- prediction result
- random forest
- target
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- 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)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Environmental & Geological Engineering (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (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)
- Air Conditioning Control Device (AREA)
Abstract
本公开涉及一种气温预测方法、装置、存储介质及电子设备,该气温预测方法通过根据该经纬度和该地形特征信息确定待测时间段内的待定气温预测结果,根据待测区域在该待测时间段内的天气状况特征数据和该待定气温预测结果通过预先训练的气温预测模型确定目标气温预测结果,再根据该目标气温预测结果确定该待测时间段内该待测区域的目标预测气温。这样,通过气温预测模型根据待测区域的地形特征信息以及天气状况特征数据确定目标气温预测结果,能够有效提升目标预测气温的准确性,并且由于充分考虑到了小地形因子和天气状况对气温的影响,因此能够有效满足小气候资源调查和精细农业对气温预测的需求。
Description
技术领域
本公开涉及气象技术领域,具体地,涉及一种气温预测方法、装置、存储介质及电子设备。
背景技术
随着生产力的发展和科学技术的进步,人类活动范围空前扩大,对大自然的影响也越来越大,为了进一步的提升生产力,准确地气象预测成为不可或缺的技术。其中,地面气温是人们日常生活最关注的气象要素之一,对农业、工业、服务业等领域有着重要的影响,准确地气温预测可以直接为工农业生产和群众生活服务提供更好的便利。然而,目前的气温预测方法在山区、荒漠等气象台站稀少的地区,只能构建气候的一般地带性,与较宏观的非地带性分异特征,通常无法满足小气候资源调查以及精细农业的实际需求。
发明内容
本公开的目的是提供一种气温预测方法、装置、存储介质及电子设备。
为了实现上述目的,本公开第一方面提供一种气温预测方法,所述方法包括:
获取待测区域的经纬度和地形特征信息;
根据所述经纬度和所述地形特征信息确定待测时间段内的待定气温预测结果;
获取所述待测区域在所述待测时间段内的天气状况特征数据;
将所述天气状况特征数据和所述待定气温预测结果输入预先训练的气温预测模型,以获取所述气温预测模型输出的目标气温预测结果,其中,所述气温预测模型包括多个弱分类器,不同的所述弱分类器用于根据不同维度的特征数据进行气温预测;
根据所述目标气温预测结果确定所述待测时间段内所述待测区域的目标预测气温。
可选地,所述地形特征信息包括所述待测区域的海拔高度、坡度和坡向,所述根据所述经纬度和所述地形特征信息确定待测时间段内的待定气温预测结果,包括:
根据所述经纬度和所述海拔高度通过预设回归函数确定基础气温预测结果;
根据所述经纬度确定平面太阳辐射量;
根据所述经纬度、所述坡度和所述坡向确定所述待测时间段内的坡面太阳辐射量;
根据所述平面太阳辐射量和所述坡面太阳辐射量对所述基础气温预测结果进行修正,以得到所述待测时间段内的所述待定气温预测结果。
可选地,所述天气状况特征数据包括降水量、风速和湿度,所述多个弱分类器包括降水量维度对应的第一随机森林分类器,风速维度对应的第二随机森林分类器,湿度维度对应的第三随机森林分类器以及预测结果维度对应的第四随机森林分类器;
所述第一随机森林分类器,用于根据所述天气状况特征数据中的所述降水量预测所述待测时间段对应的第一气温预测结果;
所述第二随机森林分类器,用于根据所述天气状况特征数据中的所述风速预测所述待测时间段对应的第二气温预测结果;
所述第三随机森林分类器,用于根据所述天气状况特征数据中的所述湿度预测所述待测时间段对应的第三气温预测结果;
所述第四随机森林分类器,用于根据所述待定气温预测结果预测所述待测时间段对应的第四气温预测结果。
可选地,所述将所述天气状况特征数据和所述待定气温预测结果输入气温预测模型,以获取所述气温预测模型输出的目标气温预测结果,包括:
将所述天气状况特征数据和所述待定气温预测结果同时输入所述第一随机森林分类器、所述第二随机森林分类器,所述第三随机森林分类器和所述第四随机森林分类器,以获取第一随机森林分类器输出的第一气温预测结果,所述第二随机森林分类器输出的第二气温预测结果,所述第三随机森林分类器输出的第三气温预测结果,以及所述第四随机森林分类器输出的第四气温预测结果;
获取所述第一随机森林分类器、所述第二随机森林分类器、所述第三随机森林分类器和所述第四随机森林分类器对应的目标权重;
根据所述目标权重对所述第一气温预测结果、所述第二气温预测结果、所述第三气温预测结果和所述第四气温预测结果进行加权求和,以得到所述目标气温预测结果。
可选地,所述气温预测模型通过以下方式训练得到:
获取所述待测区域在多个预设历史时间段内的多组样本数据,每组所述样本数据中包括降水量样本数据、风速样本数据、湿度样本数据和所述预设历史时间段内的待定气温预测结果,以及所述样本数据的标注数据;
以所述多组样本数据为模型训练数据对预设Adaboost模型进行训练,以得到所述气温预测模型,所述预设Adaboost模型包括第一初始随机森林分类器,第二初始随机森林分类器,第三初始随机森林分类器和第四初始随机森林分类器,所述第一初始随机森林分类器用于根据降水量样本数据预测气温,第二初始随机森林分类器用于根据风速样本数据预测气温,所述第三初始随机森林分类器用于根据湿度样本数据预测气温,所述第四初始随机森林分类器用于根据所述预设历史时间段内的待定气温预测结果预测气温。
可选地,所述获取所述待测区域在多个预设历史时间段内的多组样本数据,包括:
获取每个预设历史时间段内气象站点监测到的原始站点数据和所述预设历史时间段内的待定气温预测结果,所述原始站点数据包括降水量样本数据、风速样本数据和湿度样本数据;
将所述预设历史时间段内的待定气温预测结果与所述气象站点监测到的所述原始站点数据进行空间对应,以得到多个所述预设历史时间段中每个所述预设历史时间段对应的所述样本数据。
可选地,所述将所述预设历史时间段内的待定气温预测结果与所述气象站点监测到的所述原始站点数据进行空间对应,以得到多个所述预设历史时间段中每个所述预设历史时间段对应的所述样本数据,包括:
获取所述气象站点监测到的原始站点数据中的经纬度信息;
通过地理仿射矩阵,将所述经纬度信息中的经度和纬度转换为行列号,并以所述行列号为中心点,在原始站点数据中确定指定尺寸的网格中每个目标类别参数的参数平均值,并将所述参数平均值作为所述行列号对应的站点样本数值,所述目标类别参数包括站点温度参数、降水量参数、风速参数和湿度参数;
获取每个所述预设历史时间段内所述行列号对应的目标经纬度下的目标待定气温预测结果;
将所述预设历史时间段内所述行列号对应的站点样本数值和所述目标待定气温预测结果作为所述预设历史时间段对应的样本数据。
可选地,所述根据所述目标气温预测结果确定所述待测时间段内所述待测区域的目标预测气温,包括:
确定所述待测区域在所述待测时间段内的目标气温残差值;
获取所述目标气温预测结果与所述目标气温残差值的目标和值,并将所述目标和值作为所述目标预测气温。
可选地,在所述确定所述待测区域在所述待测时间段内的目标气温残差值之前,所述方法还包括:
通过所述气温预测模型确定多个目标历史时间段的历史样本数据对应的目标历史气温预测结果;
获取所述目标历史气温预测结果与实测气温的差值,以得到多个历史的气温残差值;
通过内插法对所述多个历史的气温残差值进行处理,以得到所述待测区域对应的气温残差分布图,所述气温残差分布图用于表征不同时刻的气温残差值;
相应地,所述确定所述待测区域在所述待测时间段内的目标气温残差值,包括:
从所述气温残差分布图中获取所述待测时间段对应的所述目标气温残差值。
本公开的第二方面提供一种气温预测装置,所述装置包括:
第一获取模块,被配置为获取待测区域的经纬度和地形特征信息;
第一确定模块,被配置为根据所述经纬度和所述地形特征信息确定待测时间段内的待定气温预测结果;
第二获取模块,被配置为获取所述待测区域在所述待测时间段内的天气状况特征数据;
第二确定模块,被配置为将所述天气状况特征数据和所述待定气温预测结果输入预先训练的气温预测模型,以获取所述气温预测模型输出的目标气温预测结果,其中,所述气温预测模型包括多个弱分类器,不同的所述弱分类器用于根据不同维度的特征数据进行气温预测;
第三确定模块,被配置为根据所述目标气温预测结果确定所述待测时间段内所述待测区域的目标预测气温。
可选地,所述地形特征信息包括所述待测区域的海拔高度、坡度和坡向,所述第一确定模块,被配置为:
根据所述经纬度和所述海拔高度通过预设回归函数确定基础气温预测结果;
根据所述经纬度确定平面太阳辐射量;
根据所述经纬度、所述坡度和所述坡向确定所述待测时间段内的坡面太阳辐射量;
根据所述平面太阳辐射量和所述坡面太阳辐射量对所述基础气温预测结果进行修正,以得到所述待测时间段内的所述待定气温预测结果。
可选地,所述天气状况特征数据包括降水量、风速和湿度,所述多个弱分类器包括降水量维度对应的第一随机森林分类器,风速维度对应的第二随机森林分类器,湿度维度对应的第三随机森林分类器以及预测结果维度对应的第四随机森林分类器;
所述第一随机森林分类器,用于根据所述天气状况特征数据中的所述降水量预测所述待测时间段对应的第一气温预测结果;
所述第二随机森林分类器,用于根据所述天气状况特征数据中的所述风速预测所述待测时间段对应的第二气温预测结果;
所述第三随机森林分类器,用于根据所述天气状况特征数据中的所述湿度预测所述待测时间段对应的第三气温预测结果;
所述第四随机森林分类器,用于根据所述待定气温预测结果预测所述待测时间段对应的第四气温预测结果。
可选地,所述第二确定模块,被配置为:
将所述天气状况特征数据和所述待定气温预测结果同时输入所述第一随机森林分类器、所述第二随机森林分类器,所述第三随机森林分类器和所述第四随机森林分类器,以获取第一随机森林分类器输出的第一气温预测结果,所述第二随机森林分类器输出的第二气温预测结果,所述第三随机森林分类器输出的第三气温预测结果,以及所述第四随机森林分类器输出的第四气温预测结果;
获取所述第一随机森林分类器、所述第二随机森林分类器、所述第三随机森林分类器和所述第四随机森林分类器对应的目标权重;
根据所述目标权重对所述第一气温预测结果、所述第二气温预测结果、所述第三气温预测结果和所述第四气温预测结果进行加权求和,以得到所述目标气温预测结果。
可选地,所述装置还可以包括模型训练模块,所述模型训练模块被配置为:
获取所述待测区域在多个预设历史时间段内的多组样本数据,每组所述样本数据中包括降水量样本数据、风速样本数据、湿度样本数据和所述预设历史时间段内的待定气温预测结果,以及所述样本数据的标注数据;
以所述多组样本数据为模型训练数据对预设Adaboost模型进行训练,以得到所述气温预测模型,所述预设Adaboost模型包括第一初始随机森林分类器,第二初始随机森林分类器,第三初始随机森林分类器和第四初始随机森林分类器,所述第一初始随机森林分类器用于根据降水量样本数据预测气温,第二初始随机森林分类器用于根据风速样本数据预测气温,所述第三初始随机森林分类器用于根据湿度样本数据预测气温,所述第四初始随机森林分类器用于根据所述预设历史时间段内的待定气温预测结果预测气温。
可选地,所述第三确定模块,被配置为:
确定所述待测区域在所述待测时间段内的目标气温残差值;
获取所述目标气温预测结果与所述目标气温残差值的目标和值,并将所述目标和值作为所述目标预测气温。
可选地,所述装置还包括:
第四确定模块,被配置为通过所述气温预测模型确定多个目标历史时间段的历史样本数据对应的目标历史气温预测结果;
第三获取模块,被配置为获取所述目标历史气温预测结果与实测气温的差值,以得到多个历史的气温残差值;
第五确定模块,被配置为通过内插法对所述多个历史的气温残差值进行处理,以得到所述待测区域对应的气温残差分布图,所述气温残差分布图用于表征不同时刻的气温残差值;
相应地,所述第三确定模块,被配置为:
从所述气温残差分布图中获取所述待测时间段对应的所述目标气温残差值。
本公开的第三方面提供一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以上第一方面所述方法的步骤。
本公开的第四方面提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现以上第一方面所述方法的步骤。
上述技术方案,通过根据所述经纬度和所述地形特征信息确定待测时间段内的待定气温预测结果,根据待测区域在所述待测时间段内的天气状况特征数据和所述待定气温预测结果通过预先训练的气温预测模型确定目标气温预测结果,再根据所述目标气温预测结果确定所述待测时间段内所述待测区域的目标预测气温。这样,通过气温预测模型根据待测区域的地形特征信息以及天气状况特征数据确定目标气温预测结果,根据目标气温预测结果确定最终的目标预测气温,能够有效提升目标预测气温的准确性,并且由于充分考虑到了小地形因子和天气状况对气温的影响,因此能够有效满足小气候资源调查和精细农业对气温预测的需求。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是本公开一示例性实施例示出的一种气温预测方法的流程图;
图2是根据图1所示实施例示出的一种气温预测方法的流程图;
图3是根据图1所示实施例示出的另一种气温预测方法的流程图;
图4是本公开一示例性实施例示出的一种气温预测模型的训练方法的流程图;
图5是根据图1所示实施例示出的又一种气温预测方法的流程图;
图6是本公开一示例性实施例示出的一种气温预测装置的框图;
图7是根据图6所示实施例示出的一种气温预测装置的框图;
图8是根据一示例性实施例示出的一种电子设备的框图;
图9是根据一示例性实施例示出的另一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
需要说明的是,本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
在详细介绍本公开的具体实施方式之前,首先对本公开的应用场景进行以下说明,本公开可以应用于气温预测过程,尤其是针对山区、荒漠、森林等人烟稀少,自然条件较恶劣,气象台站数量稀少的地区气温的预测。通常影响气温分布的因素可分为两大类:一是宏观地理因素,二是微观地理因素,宏观地理因素主要表现为气温随地理位置、大地形、大的自然地理环境而呈现有规律的变化;微观地理因素主要指坡度、坡向、小地形形态等。相关技术中的推算气温空间分布的方法主要有以下几种:第一种为内插法,例如反距离权重插值、克里金插值等方法,可以实现将离散点的气象站点数据转换为连续的数据曲面,该内插法缺点是:其结果受站点数量及其分布的显著影响,且大多未考虑温度的空间分布特性和受海拔、地形等的影响,难以反映在不同局地地形条件下温度的差异变化,故存在较大的误差,无法满足小气候资源调查、精细农业的实际需求。第二种为统计回归法,例如:基于离散气象点站数据的统计回归法,该统计回归法虽然考虑了经度、纬度、海拔高度对气温的影响,但是这种方法通常较为粗略,只能宏观地反映温度随地理纬度、海拔高度的增加而逐渐降低的大趋势,无法获得局地坡面地区的气温。第三种为基于DEM(DigitalElevationModel,数字高程模型)的温度地形修正模型,该方法虽然加入了小地形因子如坡度、坡向、地形遮蔽等,可以实现较为精细的温度分布,但是由于地形因素是常年不变,因此会导致同一地点在不同年份的同一时刻,气温是相同的,这显然不符合实际情况,因此该温度地形修正模型也存在预测不准确,无法满足实际需求的情况。显然,相关技术中的气温预测方法在山区、荒漠等气象台站稀少的情况下,只能构建气候的一般地带性与较宏观的非地带性分异特征,不能体现出局地气温的空间差异。
为了解决以上技术问题,本公开提供了一种气温预测方法、装置、存储介质及电子设备,该气温预测方法通过根据该经纬度和该地形特征信息确定待测时间段内的待定气温预测结果,根据待测区域在该待测时间段内的天气状况特征数据和该待定气温预测结果通过预先训练的气温预测模型确定目标气温预测结果,再根据该目标气温预测结果确定该待测时间段内该待测区域的目标预测气温。这样,通过气温预测模型根据待测区域的地形特征信息以及天气状况特征数据确定目标气温预测结果,能够有效提升目标预测气温的准确性,并且由于充分考虑了小地形因子和天气状况对气温的影响,因此能够有效满足小气候资源调查和精细农业对气温预测的需求。
图1是本公开一示例性实施例示出的一种气温预测方法的流程图;如题1所示,该气温预测方法可以包括:
步骤101,获取待测区域的经纬度和地形特征信息。
其中,该地形特征信息可以包括该待测区域的海拔高度、坡度和坡向。
步骤102,根据该经纬度和该地形特征信息确定待测时间段内的待定气温预测结果。
本步骤中,一种可能的实施方式为:根据该经纬度和该海拔高度通过预设回归函数确定基础气温预测结果;根据该经纬度确定平面太阳辐射量;根据该经纬度、该坡度和该坡向确定该待测时间段内的坡面太阳辐射量;根据该平面太阳辐射量和该坡面太阳辐射量对该基础气温预测结果进行修正,以得到该待测时间段内的该待定气温预测结果。
另一种可能的实施方式为:训练相应地机器学习模型,将该经纬度,该地形特征信息以及该待测时间段作为该机器学习模型的输入,以获取该机器学习模型输出的该待定气温预测结果。需要说明的是,该机器学习模型可以是神经网络模型,该机器学习模型的训练过程可以参考现有技术中的神经网络模型的训练过程,本公开对此不作限定。
步骤103,获取该待测区域在该待测时间段内的天气状况特征数据。
其中,该天气状况特征数据可以包括降水量、风速和湿度。
步骤104,将该天气状况特征数据和该待定气温预测结果输入预先训练的气温预测模型,以获取该气温预测模型输出的目标气温预测结果。
其中,该气温预测模型包括多个弱分类器,不同的该弱分类器用于根据不同维度的特征数据进行气温预测。
需要说明的是,该多个弱分类器包括降水量维度对应的第一随机森林分类器,风速维度对应的第二随机森林分类器,湿度维度对应的第三随机森林分类器以及预测结果维度对应的第四随机森林分类器;该第一随机森林分类器,用于根据该天气状况特征数据中的该降水量预测该待测时间段对应的第一气温预测结果;该第二随机森林分类器,用于根据该天气状况特征数据中的该风速预测该待测时间段对应的第二气温预测结果;该第三随机森林分类器,用于根据该天气状况特征数据中的该湿度预测该待测时间段对应的第三气温预测结果;该第四随机森林分类器,用于根据该待定气温预测结果预测该待测时间段对应的第四气温预测结果。目标气温预测结果可以通过对该第一气温预测结果、第二气温预测结果、第三气温预测结果以及第四气温预测结果进行加权求和得到。
步骤105,根据该目标气温预测结果确定该待测时间段内该待测区域的目标预测气温。
本步骤中,一种可能的实施方式为:将该目标气温预测结果作为该目标预测气温。
另一种可能的实施方式为:确定该待测区域在该待测时间段内的目标气温残差值;获取该目标气温预测结果与该目标气温残差值的目标和值,并将该目标和值作为该目标预测气温。
以上技术方案,通过气温预测模型根据待测区域的地形特征信息以及天气状况特征数据确定目标气温预测结果,根据目标气温预测结果确定最终的目标预测气温,能够有效提升目标预测气温的准确性,并且由于充分考虑小地形因子和天气状况对气温的影响,因此能够有效满足小气候资源调查和精细农业对气温预测的需求。
图2是根据图1所示实施例示出的一种气温预测方法的流程图;如图2所示,图1中步骤102中所述的根据该经纬度和该地形特征信息确定待测时间段内的待定气温预测结果,可以包括以下步骤:
步骤1021,根据该经纬度和该海拔高度通过预设回归函数确定基础气温预测结果。
示例地,该预设回归函数可以是通过对现有站点采集到的数据进行多元统计回归,构建反映一般地带性特征的宏观气温模型,例如,可以收集整理指定地区10年以上月平均气温数据,构建多元一次回归方程:
以上多元一次回归方程中,a0、a1、a2、a3为回归系数,为纬度,λ为经度,H为海拔高度,T为基础气温预测结果,可以将该月平均气温数据以及该指定地区的经度、纬度和海拔高度代入该多元一次回归方程,以求算出该回归系数,从而得出该预设回归函数为:
本步骤中,将该待测区域的经度、纬度和海拔高度代入以上预设回归函数,从而得到该待测区域对应的基础气温预测结果。
步骤1022,根据该经纬度确定平面太阳辐射量。
其中,该平面太阳辐射量S0flat可以通过以下公式1至公式4计算得到:
其中,公式1中,该为待测区域所在的纬度,ωS为平地的日落时角,δ为太阳赤纬,I0为太阳常数(4.9212MJ/m2·h),E0为地球轨道修正因子。该太阳赤纬δ可以通过以下公式2计算得到:
δ=0.006894-0.399512cosθ+0.072075sinθ-0.006799cos 2θ+0.00089sin 2θ 公式2
在该公式2中,θ为日角,θ=2πt/365.2422,t=N-1,N为积日。
该平地的日落时角ωS可以通过以下公式3计算得到:
在该公式3中,为待测区域所在的纬度,δ为太刚赤纬。
该地球轨道修征因子可以通过以下公式4计算得到:
E0=1.000109+0.033494cosθ+0.001472sinθ+0.000768cos 2θ+0.000079sin 2θ 公式4
在该公式4中,θ为日角。
步骤1023,根据该经纬度、该坡度和该坡向确定该待测时间段内的坡面太刚辐射量。
其中,该经纬度、该坡度和该坡向可以从DEM数据中抽取得到,该DEM数据是对地面地形的数字化模拟描述。该平面太阳辐射量S0slope可以通过公式4至公式8计算得到:
以上公式5至公式8中,α为坡度,β为坡向,n为该待测时间段内可照时角的离散数目,为待测区域所在的纬度,ωS为平地的日落时角,δ为太阳赤纬,I0为太刚常数,E0为地球轨道修正因于,ωr,i为该待测时间段中第i个微分时段对应的坡面的日出时角,ωS,i该待测时间段中第i个微分时段对应的坡面的日落时角,该日出时角ωr=-ωS,gi为该待测区域的地形遮蔽度,该di为该待测时间段中第i个微分时段的遮蔽度,该di可以参考现有技术中的相关公式计算得到。
步骤1024,根据该平面太阳辐射量和该坡面太阳辐射量对该基础气温预测结果进行修正,以得到该待测时间段内的该待定气温预测结果。
本步骤中,待定气温预测结果可以通过公式9计算得到:
S0slope为坡面太刚辐射量,S0flat为平面太刚辐射量,a0、a1、a2、a3为多元回归模型的回归系数,为观测站点的纬度,λ为经度,H为海拔高度。
通过以上步骤1021至步骤1024所述的技术方案,能够有效结合经度、纬度、海拔高度,局地坡度和坡向对气温影响,充分考虑小地形因子对气温的作用,能够为后续更准确地气温预测提供更为可靠地数据依据。
图3是根据图1所示实施例示出的另一种气温预测方法的流程图;如图3所示,图1中步骤104中所述的将该天气状况特征数据和该待定气温预测结果输入气温预测模型,以获取该气温预测模型输出的目标气温预测结果的实施方式,可以包括以下步骤:
步骤1041,将该天气状况特征数据和该待定气温预测结果同时输入该第一随机森林分类器、该第二随机森林分类器,该第三随机森林分类器和该第四随机森林分类器,以获取第一随机森林分类器输出的第一气温预测结果,该第二随机森林分类器输出的第二气温预测结果,该第三随机森林分类器输出的第三气温预测结果,以及该第四随机森林分类器输出的第四气温预测结果。
其中,该第一随机森林分类器可以根据该天气状况特征数据中的该降水量预测该待测时间段对应的第一气温预测结果;该第二随机森林分类器可以根据该天气状况特征数据中的该风速预测该待测时间段对应的第二气温预测结果;该第三随机森林分类器可以根据该天气状况特征数据中的该湿度预测该待测时间段对应的第三气温预测结果;该第四随机森林分类器可以根据该待定气温预测结果预测该待测时间段对应的第四气温预测结果。
步骤1042,获取该第一随机森林分类器、该第二随机森林分类器、该第三随机森林分类器和该第四随机森林分类器对应的目标权重。
其中,该目标权重,用于表征该第一随机森林分类器、该第二随机森林分类器、该第三随机森林分类器和该第四随机森林分类器的输出结果占该目标气温预测结果的比重。
步骤1043,根据该目标权重对该第一气温预测结果、该第二气温预测结果、该第三气温预测结果和该第四气温预测结果进行加权求和,以得到该目标气温预测结果。
以上技术方案,通过该气温预测模型中的多个弱分类器,分别对该天气状况特征数据中的降水量、风速、湿度和该待定气温预测结果进行预测,从而得到结合天气状况特征数据和该小地区因子的目标气温预测结果。
图4是本公开一示例性实施例示出的一种气温预测模型的训练方法的流程图;如图4所示,该气温预测模型可以通过以下S1至S2所示的步骤训练得到:
S1,获取该待测区域在多个预设历史时间段内的多组样本数据。
其中,每组该样本数据中包括降水量样本数据、风速样本数据、湿度样本数据和该预设历史时间段内的待定气温预测结果,以及该样本数据的标注数据,该标注数据可以是气象站点的监测数据。
需要说明的是,每组样本数据中的降水量样本数据、风速样本数据和湿度样本数据可以通过气象站点监测获取,将预设历史时间段内的待定气温预测结果与该气象站点获取到的原始站点数据进行空间对应即可得到该样本数据。从该气象站点获取到的原始站点数据为GeoTIFF格式的栅格数据,该原始站点数据包括:Time(待测时间段对应的时间)、Tmean(站点温度)、R20_20(降水量)、Fmean(风速)、Umean(湿度)、LON(经度)以及LAT(纬度),将该原始站点数据与待定气温预测结果进行空间对应的具体操作如下:
可以采用Python编程,提取气象站点数据的经纬度,使用GDAL(Geospatial DataAbstraction Library,开源栅格空间数据转换库)地理仿射矩阵,将经纬度转换为行列号,以该行列号为中心点,在GeoTIFF格式的栅格数据中取3×3的网格,并对该网格中的每个参数(站点温度、降水量、风速或湿度)求平均值,将该平均值作为经纬度对应的数值。最后将该数值添加至站点数据中,以得到新的站点数据(作为一组样本数据),样本数据包括:Time(时间)、Tmean(站点温度)、R20_20(降水量)、Fmean(风速)、Umean(湿度)、LON(经度)、LAT(纬度)、Tmodel_RF(待定气温预测结果),其中,该站点温度作为当前的该样本数据对应的标注数据。
S2,以所述多组样本数据为模型训练数据对预设Adaboost模型进行训练,以得到该气温预测模型。
其中,该预设Adaboost模型包括第一初始随机森林分类器,第二初始随机森林分类器,第三初始随机森林分类器和第四初始随机森林分类器,该第一初始随机森林分类器用于根据降水量样本数据预测气温,第二初始随机森林分类器用于根据风速样本数据预测气温,该第三初始随机森林分类器用于根据湿度样本数据预测气温,该第四初始随机森林分类器用于根据该预设历史时间段内的待定气温预测结果预测气温。
需要说明的是,该模型训练数据可以包括训练数据集和测试数据集,训练数据集中的每组样本数据还包括初始选中权重,该初始选中权重用于表征被选为第一目标训练数据集的概率。
在训练该气温预测模型时,可以先根据每组样本数据对应的初始选中权重从训练数据集中确定第一初始随机森林分类器对应的第一目标训练数据集;根据该第一目标训练数据集对该第一初始随机森林分类器训练,以得到第一待定随机森林分类器;通过该第一待定随机森林分类器对该第一目标训练数据集中每组样本数据进行预测,在预测结果与该标注数据不一致的情况下,增大该样本数据对应的初始选中权重,以得到每个样本数据的当前选中权重。
根据该当前选中权重从该训练数据集中抽取第二目标训练数据集;通过该第二目标训练数据集对该第一待定随机森林分类器和该第二初始随机森林分类器进行训练,以得到第一待定回归树模型,该第一待定回归树模型包括更新后的第一待定随机森林分类器和第二待定随机森林分类器,以及该更新后的第一待定随机森林分类器对应的第一分类器权重和该第二待定随机森林分类器对应的第二分类器权重;通过该第一待定回归模型对该第二目标训练数据集中的每组样本数据进行预测,在预测结果与标签数据不一致的情况下,增大该样本数据对应的该当前选中权重,以得到每组样本数据的目标选中权重。
根据每组样本数据对应的该目标选中权重从该训练数据集中确定第三目标训练数据集;通过该第三目标训练数据集对该第一待定回归树模型和该第三初始随机森林分类器进行训练,以得到第二待定回归树模型,该第二待定回归树模型包括更新后的第一待定回归模型和第三待定随机森林分类器,以及每个随机森林分类器对应的权重;通过该第二待定回归模型对该第目标训练数据集中的每组样本数据进行预测,在预测结果与标签数据不一致的情况下,增大该样本数据对应的该当前选中权重,以得到每组样本数据的指定选中权重。
通过该指定选中权重从该训练数据集中确定第三目标训练数据集,通过该第三目标训练数据集对该第二待定回归树模型和该第三初始随机森林分类器进行训练,以得到第三待定回归树模型,该第三待定回归树模型包括更新后的第二待定回归模型和第三待定随机森林分类器,以及每个随机森林分类器对应的权重;通过该第三待定回归模型对该第三目标训练数据集中的每组样本数据进行预测,在预测结果与标签数据不一致的情况下,增大该样本数据对应的该指定选中权重,以得到每组样本数据的最终选中权重,根据该最终选中权重,从该训练数据集中确定第四目标训练数据,通过该第三目标训练数据集对该第三待定回归树模型和该第四初始随机森林分类器进行训练,以得到该气温预测模型,该气温预测模型包括每个随机森林分类器对应的目标权重。
另外,在通过该训练数据集训练得到该气温预测模型之后,可以通过该测试数据集评价当前的气温预测模型,例如,可以计算模型在测试数据集上的拟合度、方差、解释度等信息,在确定该气温预测模型不满足拟合度、方差以及解释度的要求的情况下,可以重新训练,直至得到满足拟合度、方差以及解释度的要求的气温预测模型。
以上技术方案,通过训练基于Adaboost的气温预测模型,能够有效结合天气状况特征和该小地区因子高效准确地确定该目标气温预测结果,能够反映在不同局地地形条件下在不同天气状态下气温的差异变化。
图5是根据图1所示实施例示出的又一种气温预测方法的流程图;如图5所示,图1中步骤105中所示的根据该目标气温预测结果确定该待测时间段内该待测区域的目标预测气温,可以包括:
步骤1051,确定该待测区域在该待测时间段内的目标气温残差值。
本步骤中,可以通过该气温预测模型确定多个目标历史时间段的历史样本数据对应的目标历史气温预测结果;获取该目标历史气温预测结果与实测气温的差值,以得到多个历史的气温残差值;通过内插法对该多个历史的气温残差值进行处理,以得到该待测区域对应的气温残差分布图,该气温残差分布图用于表征不同时刻的气温残差值;从该气温残差分布图中获取该待测时间段对应的该目标气温残差值。
步骤1052,获取该目标气温预测结果与该目标气温残差值的目标和值,并将该目标和值作为该目标预测气温。
以上技术方案,能够结合实测站点数据对该气温预测模型输出的目标气温预测结果进行订正,从而能够得到更为准确的目标预测气温,可以更好的满足小气候资源调查和精细农业对气温预测的需求。
图6是本公开一示例性实施例示出的一种气温预测装置的框图;如图6所示,该装置可以包括:
第一获取模块601,被配置为获取待测区域的经纬度和地形特征信息;
第一确定模块602,被配置为根据该经纬度和该地形特征信息确定待测时间段内的待定气温预测结果;
第二获取模块603,被配置为获取该待测区域在该待测时间段内的天气状况特征数据;
第二确定模块604,被配置为将该天气状况特征数据和该待定气温预测结果输入预先训练的气温预测模型,以获取该气温预测模型输出的目标气温预测结果,其中,该气温预测模型包括多个弱分类器,不同的该弱分类器用于根据不同维度的特征数据进行气温预测;
第三确定模块605,被配置为根据该目标气温预测结果确定该待测时间段内该待测区域的目标预测气温。
以上技术方案,通过气温预测模型根据待测区域的地形特征信息以及天气状况特征数据确定目标气温预测结果,根据目标气温预测结果确定最终的目标预测气温,能够有效提升目标预测气温的准确性,并且由于充分考虑小地形因子和天气状况对气温的影响,因此能够有效满足小气候资源调查和精细农业对气温预测的需求。
可选地,该地形特征信息包括该待测区域的海拔高度、坡度和坡向,该第一确定模块602,被配置为:
根据该经纬度和该海拔高度通过预设回归函数确定基础气温预测结果;
根据该经纬度确定平面太阳辐射量;
根据该经纬度、该坡度和该坡向确定该待测时间段内的坡面太阳辐射量;
根据该平面太阳辐射量和该坡面太阳辐射量对该基础气温预测结果进行修正,以得到该待测时间段内的该待定气温预测结果。
可选地,该天气状况特征数据包括降水量、风速和湿度,该多个弱分类器包括降水量维度对应的第一随机森林分类器,风速维度对应的第二随机森林分类器,湿度维度对应的第三随机森林分类器以及预测结果维度对应的第四随机森林分类器;
该第一随机森林分类器,用于根据该天气状况特征数据中的该降水量预测该待测时间段对应的第一气温预测结果;
该第二随机森林分类器,用于根据该天气状况特征数据中的该风速预测该待测时间段对应的第二气温预测结果;
该第三随机森林分类器,用于根据该天气状况特征数据中的该湿度预测该待测时间段对应的第三气温预测结果;
该第四随机森林分类器,用于根据该待定气温预测结果预测该待测时间段对应的第四气温预测结果。
可选地,该第二确定模块604,被配置为:
将该天气状况特征数据和该待定气温预测结果同时输入该第一随机森林分类器、该第二随机森林分类器,该第三随机森林分类器和该第四随机森林分类器,以获取第一随机森林分类器输出的第一气温预测结果,该第二随机森林分类器输出的第二气温预测结果,该第三随机森林分类器输出的第三气温预测结果,以及该第四随机森林分类器输出的第四气温预测结果;
获取该第一随机森林分类器、该第二随机森林分类器、该第三随机森林分类器和该第四随机森林分类器对应的目标权重;
根据该目标权重对该第一气温预测结果、该第二气温预测结果、该第三气温预测结果和该第四气温预测结果进行加权求和,以得到该目标气温预测结果。
图7是根据图6所示实施例示出的一种气温预测装置的框图;如图7所示,该装置还可以包括模型训练模块606,该模型训练模块606被配置为:
获取该待测区域在多个预设历史时间段内的多组样本数据,每组该样本数据中包括降水量样本数据、风速样本数据、湿度样本数据和该预设历史时间段内的待定气温预测结果,以及该样本数据的标注数据;
以该多组样本数据为模型训练数据对预设Adaboost模型进行训练,以得到该气温预测模型,该预设Adaboost模型包括第一初始随机森林分类器,第二初始随机森林分类器,第三初始随机森林分类器和第四初始随机森林分类器,该第一初始随机森林分类器用于根据降水量样本数据预测气温,第二初始随机森林分类器用于根据风速样本数据预测气温,该第三初始随机森林分类器用于根据湿度样本数据预测气温,该第四初始随机森林分类器用于根据该预设历史时间段内的待定气温预测结果预测气温。
以上技术方案,通过训练基于Adaboost的气温预测模型,能够有效结合天气状况特征和该小地区因子高效准确地确定该目标气温预测结果,能够反映在不同局地地形条件下在不同天气状态下气温的差异变化。
可选地,该第三确定模块605,被配置为:
确定该待测区域在该待测时间段内的目标气温残差值;
获取该目标气温预测结果与该目标气温残差值的目标和值,并将该目标和值作为该目标预测气温。
可选地,该装置还包括:
第四确定模块607,被配置为通过该气温预测模型确定多个目标历史时间段的历史样本数据对应的目标历史气温预测结果;
第三获取模块608,被配置为获取该目标历史气温预测结果与实测气温的差值,以得到多个历史的气温残差值;
第五确定模块609,被配置为通过内插法对该多个历史的气温残差值进行处理,以得到该待测区域对应的气温残差分布图,该气温残差分布图用于表征不同时刻的气温残差值;
相应地,该第三确定模块605,被配置为:
从该气温残差分布图中获取该待测时间段对应的该目标气温残差值。
以上技术方案,能够结合实测站点数据对该气温预测模型输出的目标气温预测结果进行订正,从而能够得到更为准确的目标预测气温,可以更好的满足小气候资源调查和精细农业对气温预测的需求。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图8是根据一示例性实施例示出的一种电子设备的框图。如图8所示,该电子设备700可以包括:处理器701,存储器702。该电子设备700还可以包括多媒体组件703,输入/输出(I/O)接口704,以及通信组件705中的一者或多者。
其中,处理器701用于控制该电子设备700的整体操作,以完成上述的气温预测方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作,这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-OnlyMemory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(NearField Communication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件705可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的气温预测方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的气温预测方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器702,上述程序指令可由电子设备700的处理器701执行以完成上述的气温预测方法。
图9是根据一示例性实施例示出的另一种电子设备的框图。例如,电子设备1900可以被提供为一服务器。参照图9,电子设备1900包括处理器1922,其数量可以为一个或多个,以及存储器1932,用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器1922可以被配置为执行该计算机程序,以执行上述的气温预测方法。
另外,电子设备1900还可以包括电源组件1926和通信组件1950,该电源组件1926可以被配置为执行电子设备1900的电源管理,该通信组件1950可以被配置为实现电子设备1900的通信,例如,有线或无线通信。此外,该电子设备1900还可以包括输入/输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如WindowsServerTM,Mac OS XTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的气温预测方法的步骤。例如,该非临时性计算机可读存储介质可以为上述包括程序指令的存储器1932,上述程序指令可由电子设备1900的处理器1922执行以完成上述的气温预测方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的气温预测方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (11)
1.一种气温预测方法,其特征在于,所述方法包括:
获取待测区域的经纬度和地形特征信息;
根据所述经纬度和所述地形特征信息确定待测时间段内的待定气温预测结果;
获取所述待测区域在所述待测时间段内的天气状况特征数据;
将所述天气状况特征数据和所述待定气温预测结果输入预先训练的气温预测模型,以获取所述气温预测模型输出的目标气温预测结果,其中,所述气温预测模型包括多个弱分类器,不同的所述弱分类器用于根据不同维度的特征数据进行气温预测,所述天气状况特征数据包括降水量、风速和湿度,所述多个弱分类器包括降水量维度对应的第一随机森林分类器,风速维度对应的第二随机森林分类器,湿度维度对应的第三随机森林分类器以及预测结果维度对应的第四随机森林分类器;
根据所述目标气温预测结果确定所述待测时间段内所述待测区域的目标预测气温;
所述地形特征信息包括所述待测区域的海拔高度、坡度和坡向,所述根据所述经纬度和所述地形特征信息确定待测时间段内的待定气温预测结果,包括:
根据所述经纬度和所述海拔高度通过预设回归函数确定基础气温预测结果;
根据所述经纬度确定平面太阳辐射量;
根据所述经纬度、所述坡度和所述坡向确定所述待测时间段内的坡面太阳辐射量;
根据所述平面太阳辐射量和所述坡面太阳辐射量对所述基础气温预测结果进行修正,以得到所述待测时间段内的所述待定气温预测结果。
2.根据权利要求1所述的方法,其特征在于,
所述第一随机森林分类器,用于根据所述天气状况特征数据中的所述降水量预测所述待测时间段对应的第一气温预测结果;
所述第二随机森林分类器,用于根据所述天气状况特征数据中的所述风速预测所述待测时间段对应的第二气温预测结果;
所述第三随机森林分类器,用于根据所述天气状况特征数据中的所述湿度预测所述待测时间段对应的第三气温预测结果;
所述第四随机森林分类器,用于根据所述待定气温预测结果预测所述待测时间段对应的第四气温预测结果。
3.根据权利要求2所述的方法,其特征在于,所述将所述天气状况特征数据和所述待定气温预测结果输入气温预测模型,以获取所述气温预测模型输出的目标气温预测结果,包括:
将所述天气状况特征数据和所述待定气温预测结果同时输入所述第一随机森林分类器、所述第二随机森林分类器,所述第三随机森林分类器和所述第四随机森林分类器,以获取第一随机森林分类器输出的第一气温预测结果,所述第二随机森林分类器输出的第二气温预测结果,所述第三随机森林分类器输出的第三气温预测结果,以及所述第四随机森林分类器输出的第四气温预测结果;
获取所述第一随机森林分类器、所述第二随机森林分类器、所述第三随机森林分类器和所述第四随机森林分类器对应的目标权重;
根据所述目标权重对所述第一气温预测结果、所述第二气温预测结果、所述第三气温预测结果和所述第四气温预测结果进行加权求和,以得到所述目标气温预测结果。
4.根据权利要求1所述的方法,其特征在于,所述气温预测模型通过以下方式训练得到:
获取所述待测区域在多个预设历史时间段内的多组样本数据,每组所述样本数据中包括降水量样本数据、风速样本数据、湿度样本数据和所述预设历史时间段内的待定气温预测结果,以及所述样本数据的标注数据;
以所述多组样本数据为模型训练数据对预设Adaboost模型进行训练,以得到所述气温预测模型,所述预设Adaboost模型包括第一初始随机森林分类器,第二初始随机森林分类器,第三初始随机森林分类器和第四初始随机森林分类器,所述第一初始随机森林分类器用于根据降水量样本数据预测气温,第二初始随机森林分类器用于根据风速样本数据预测气温,所述第三初始随机森林分类器用于根据湿度样本数据预测气温,所述第四初始随机森林分类器用于根据所述预设历史时间段内的待定气温预测结果预测气温。
5.根据权利要求4所述的方法,其特征在于,所述获取所述待测区域在多个预设历史时间段内的多组样本数据,包括:
获取每个预设历史时间段内气象站点监测到的原始站点数据和所述预设历史时间段内的待定气温预测结果,所述原始站点数据包括降水量样本数据、风速样本数据和湿度样本数据;
将所述预设历史时间段内的待定气温预测结果与所述气象站点监测到的所述原始站点数据进行空间对应,以得到多个所述预设历史时间段中每个所述预设历史时间段对应的所述样本数据。
6.根据权利要求5所述的方法,其特征在于,所述将所述预设历史时间段内的待定气温预测结果与所述气象站点监测到的所述原始站点数据进行空间对应,以得到多个所述预设历史时间段中每个所述预设历史时间段对应的所述样本数据,包括:
获取所述气象站点监测到的原始站点数据中的经纬度信息;
通过地理仿射矩阵,将所述经纬度信息中的经度和纬度转换为行列号,并以所述行列号为中心点,在原始站点数据中确定指定尺寸的网格中每个目标类别参数的参数平均值,并将所述参数平均值作为所述行列号对应的站点样本数值,所述目标类别参数包括站点温度参数、降水量参数、风速参数和湿度参数;
获取每个所述预设历史时间段内所述行列号对应的目标经纬度下的目标待定气温预测结果;
将所述预设历史时间段内所述行列号对应的站点样本数值和所述目标待定气温预测结果作为所述预设历史时间段对应的样本数据。
7.根据权利要求1所述的方法,其特征在于,所述根据所述目标气温预测结果确定所述待测时间段内所述待测区域的目标预测气温,包括:
确定所述待测区域在所述待测时间段内的目标气温残差值;
获取所述目标气温预测结果与所述目标气温残差值的目标和值,并将所述目标和值作为所述目标预测气温。
8.根据权利要求7所述的方法,其特征在于,在所述确定所述待测区域在所述待测时间段内的目标气温残差值之前,所述方法还包括:
通过所述气温预测模型确定多个目标历史时间段的历史样本数据对应的目标历史气温预测结果;
获取所述目标历史气温预测结果与实测气温的差值,以得到多个历史的气温残差值;
通过内插法对所述多个历史的气温残差值进行处理,以得到所述待测区域对应的气温残差分布图,所述气温残差分布图用于表征不同时刻的气温残差值;
相应地,所述确定所述待测区域在所述待测时间段内的目标气温残差值,包括:
从所述气温残差分布图中获取所述待测时间段对应的所述目标气温残差值。
9.一种气温预测装置,其特征在于,所述装置包括:
第一获取模块,被配置为获取待测区域的经纬度和地形特征信息;
第一确定模块,被配置为根据所述经纬度和所述地形特征信息确定待测时间段内的待定气温预测结果;
第二获取模块,被配置为获取所述待测区域在所述待测时间段内的天气状况特征数据;
第二确定模块,被配置为将所述天气状况特征数据和所述待定气温预测结果输入预先训练的气温预测模型,以获取所述气温预测模型输出的目标气温预测结果,其中,所述气温预测模型包括多个弱分类器,不同的所述弱分类器用于根据不同维度的特征数据进行气温预测,所述天气状况特征数据包括降水量、风速和湿度,所述多个弱分类器包括降水量维度对应的第一随机森林分类器,风速维度对应的第二随机森林分类器,湿度维度对应的第三随机森林分类器以及预测结果维度对应的第四随机森林分类器;
第三确定模块,被配置为根据所述目标气温预测结果确定所述待测时间段内所述待测区域的目标预测气温;
所述地形特征信息包括所述待测区域的海拔高度、坡度和坡向,所述第一确定模块,被配置为:
根据所述经纬度和所述海拔高度通过预设回归函数确定基础气温预测结果;
根据所述经纬度确定平面太阳辐射量;
根据所述经纬度、所述坡度和所述坡向确定所述待测时间段内的坡面太阳辐射量;
根据所述平面太阳辐射量和所述坡面太阳辐射量对所述基础气温预测结果进行修正,以得到所述待测时间段内的所述待定气温预测结果。
10.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-8中任一项所述方法的步骤。
11.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-8中任一项所述方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210861686.8A CN115293410A (zh) | 2022-07-20 | 2022-07-20 | 气温预测方法、装置、存储介质及电子设备 |
CN2022108616868 | 2022-07-20 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116167509A CN116167509A (zh) | 2023-05-26 |
CN116167509B true CN116167509B (zh) | 2023-09-29 |
Family
ID=83824868
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210861686.8A Withdrawn CN115293410A (zh) | 2022-07-20 | 2022-07-20 | 气温预测方法、装置、存储介质及电子设备 |
CN202310073816.6A Active CN116167509B (zh) | 2022-07-20 | 2023-01-16 | 气温预测方法、装置、存储介质及电子设备 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210861686.8A Withdrawn CN115293410A (zh) | 2022-07-20 | 2022-07-20 | 气温预测方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN115293410A (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008120051A (ja) * | 2006-11-15 | 2008-05-29 | Mitsubishi Heavy Ind Ltd | シート状態予測方法 |
CN106485002A (zh) * | 2016-10-13 | 2017-03-08 | 云南省农业科学院甘蔗研究所 | 在复杂地形气候区域估算太阳辐射和甘蔗潜在产量的方法 |
CN110599789A (zh) * | 2019-09-17 | 2019-12-20 | 北京心中有数科技有限公司 | 一种道路气象预测方法、装置、电子设备及存储介质 |
CN110738354A (zh) * | 2019-09-18 | 2020-01-31 | 北京建筑大学 | 预测颗粒物浓度的方法、装置、存储介质及电子设备 |
CN111639803A (zh) * | 2020-05-29 | 2020-09-08 | 福州市规划设计研究院 | 一种应用于气候变化情景下区域未来植被指数的预估方法 |
WO2020209704A1 (ko) * | 2019-04-10 | 2020-10-15 | 임효혁 | 고해상도 해양 데이터를 생성하기 위한 방법 및 이를 이용한 장치 |
CN111929748A (zh) * | 2020-09-17 | 2020-11-13 | 南京浦蓝大气环境研究院有限公司 | 一种气象要素预报方法和系统 |
CN113159362A (zh) * | 2020-12-10 | 2021-07-23 | 西安天和防务技术股份有限公司 | 一种森林火灾等级的预测方法及装置 |
CN113222019A (zh) * | 2021-05-13 | 2021-08-06 | 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 | 输电线路杆塔的气象预报数据处理方法、装置、设备 |
CN113569488A (zh) * | 2021-08-04 | 2021-10-29 | 中国科学院地理科学与资源研究所 | 一种基于随机森林回归的体感温度预测方法及系统 |
CN113743013A (zh) * | 2021-09-08 | 2021-12-03 | 成都卡普数据服务有限责任公司 | 一种基于XGBoost气温预测数据修正的方法 |
CN113988477A (zh) * | 2021-11-26 | 2022-01-28 | 西安化奇数据科技有限公司 | 基于机器学习的光伏功率短期预测方法、装置及存储介质 |
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 |
CN114236643A (zh) * | 2021-12-17 | 2022-03-25 | 中国平安财产保险股份有限公司 | 基于天气预报系统的气象预测方法、装置、设备及介质 |
CN114444399A (zh) * | 2022-02-26 | 2022-05-06 | 华北水利水电大学 | 一种基于XGBoost的温室滴灌番茄腾发量计算方法 |
CN114444020A (zh) * | 2021-11-09 | 2022-05-06 | 国网北京市电力公司 | 一种针对电网杆塔点的气温预报订正系统 |
-
2022
- 2022-07-20 CN CN202210861686.8A patent/CN115293410A/zh not_active Withdrawn
-
2023
- 2023-01-16 CN CN202310073816.6A patent/CN116167509B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008120051A (ja) * | 2006-11-15 | 2008-05-29 | Mitsubishi Heavy Ind Ltd | シート状態予測方法 |
CN106485002A (zh) * | 2016-10-13 | 2017-03-08 | 云南省农业科学院甘蔗研究所 | 在复杂地形气候区域估算太阳辐射和甘蔗潜在产量的方法 |
WO2020209704A1 (ko) * | 2019-04-10 | 2020-10-15 | 임효혁 | 고해상도 해양 데이터를 생성하기 위한 방법 및 이를 이용한 장치 |
CN110599789A (zh) * | 2019-09-17 | 2019-12-20 | 北京心中有数科技有限公司 | 一种道路气象预测方法、装置、电子设备及存储介质 |
CN110738354A (zh) * | 2019-09-18 | 2020-01-31 | 北京建筑大学 | 预测颗粒物浓度的方法、装置、存储介质及电子设备 |
CN111639803A (zh) * | 2020-05-29 | 2020-09-08 | 福州市规划设计研究院 | 一种应用于气候变化情景下区域未来植被指数的预估方法 |
CN111929748A (zh) * | 2020-09-17 | 2020-11-13 | 南京浦蓝大气环境研究院有限公司 | 一种气象要素预报方法和系统 |
CN113159362A (zh) * | 2020-12-10 | 2021-07-23 | 西安天和防务技术股份有限公司 | 一种森林火灾等级的预测方法及装置 |
CN113222019A (zh) * | 2021-05-13 | 2021-08-06 | 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 | 输电线路杆塔的气象预报数据处理方法、装置、设备 |
CN113569488A (zh) * | 2021-08-04 | 2021-10-29 | 中国科学院地理科学与资源研究所 | 一种基于随机森林回归的体感温度预测方法及系统 |
CN113743013A (zh) * | 2021-09-08 | 2021-12-03 | 成都卡普数据服务有限责任公司 | 一种基于XGBoost气温预测数据修正的方法 |
CN114444020A (zh) * | 2021-11-09 | 2022-05-06 | 国网北京市电力公司 | 一种针对电网杆塔点的气温预报订正系统 |
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 |
CN113988477A (zh) * | 2021-11-26 | 2022-01-28 | 西安化奇数据科技有限公司 | 基于机器学习的光伏功率短期预测方法、装置及存储介质 |
CN114236643A (zh) * | 2021-12-17 | 2022-03-25 | 中国平安财产保险股份有限公司 | 基于天气预报系统的气象预测方法、装置、设备及介质 |
CN114444399A (zh) * | 2022-02-26 | 2022-05-06 | 华北水利水电大学 | 一种基于XGBoost的温室滴灌番茄腾发量计算方法 |
Non-Patent Citations (3)
Title |
---|
基于自适应Boosting组合模型的空气质量预测;徐海峰 等;网络安全与数据治理;第41卷(第12期);84-89 * |
基于随机森林和气象参数的PM2.5浓度等级预测;任才溶 等;计算机工程与应用;第55卷(第2期);213-220 * |
基于集成学习的不平衡数据分类算法应用研究;I140-23;中国优秀硕士学位论文全文数据库 信息科技辑(第4期);I140-23 * |
Also Published As
Publication number | Publication date |
---|---|
CN116167509A (zh) | 2023-05-26 |
CN115293410A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chao et al. | Research on real-time local rainfall prediction based on MEMS sensors | |
Delle Monache et al. | Kalman filter and analog schemes to postprocess numerical weather predictions | |
Chen et al. | Estimation of monthly solar radiation from measured temperatures using support vector machines–a case study | |
Wong et al. | Stochastic model output statistics for bias correcting and downscaling precipitation including extremes | |
CN112285807B (zh) | 一种气象信息预测方法及装置 | |
Winstral et al. | Statistical downscaling of gridded wind speed data using local topography | |
Veenhuis | Spread calibration of ensemble MOS forecasts | |
US20190139059A1 (en) | Demand forecasting device, demand forecasting method and non-transitory computer readable medium | |
CN114091764A (zh) | 气象预报要素订正方法、装置、计算机设备和存储介质 | |
CN113222019A (zh) | 输电线路杆塔的气象预报数据处理方法、装置、设备 | |
CN112585505A (zh) | 确定用于农学决策支持的位置特定的天气信息 | |
CN115951430A (zh) | 一种基于lstm的地磁指数预报方法 | |
Pegion et al. | Understanding predictability of daily southeast US precipitation using explainable machine learning | |
CN112285808B (zh) | 一种aphrodite降水数据的降尺度方法 | |
Díaz et al. | Statistical post‐processing of ensemble forecasts of temperature in Santiago de Chile | |
Reinhardt et al. | Comparison of different wind data interpolation methods for a region with complex terrain in Central Asia | |
Khouider et al. | A novel method for interpolating daily station rainfall data using a stochastic lattice model | |
CN116167509B (zh) | 气温预测方法、装置、存储介质及电子设备 | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
CN114418243B (zh) | 分布式新能源云端网格预测方法与系统 | |
Shin et al. | High-resolution wind speed forecast system coupling numerical weather prediction and machine learning for agricultural studies—a case study from South Korea | |
CN116341841A (zh) | 径流预报误差校正方法、装置、设备、介质和程序产品 | |
CN116340863A (zh) | 空气污染物预测方法、装置、电子设备及可读存储介质 | |
Irwin | Assessment of the regionalization of precipitation in two Canadian climate regions: A fuzzy clustering approach | |
Wu et al. | The transferability of random forest and support vector machine for estimating daily global solar radiation using sunshine duration over different climate zones |
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 |