CN116226606A - 无人值守自动气象站雨量数据质控方法及系统 - Google Patents
无人值守自动气象站雨量数据质控方法及系统 Download PDFInfo
- Publication number
- CN116226606A CN116226606A CN202310493602.4A CN202310493602A CN116226606A CN 116226606 A CN116226606 A CN 116226606A CN 202310493602 A CN202310493602 A CN 202310493602A CN 116226606 A CN116226606 A CN 116226606A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- error analysis
- analysis result
- monitoring data
- deviation
- 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
- 238000003908 quality control method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 138
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 23
- 238000009736 wetting Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 9
- 238000007417 hierarchical cluster analysis Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 238000010521 absorption reaction Methods 0.000 description 10
- 239000002245 particle Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000001556 precipitation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Atmospheric Sciences (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Hydrology & Water Resources (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Environmental Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Selective Calling Equipment (AREA)
Abstract
本发明提供了一种无人值守自动气象站雨量数据质控方法及系统，涉及数据处理领域，包括：获取雨量监测数据；对第i个翻斗式雨量计进行固定误差分析，获取起始误差分析结果；获取第一变量误差分析结果；获取第二变量误差分析结果；对所述雨量监测数据进行误差拟合，获取雨量监测数据拟合结果；根据雨量监测数据拟合结果对N个翻斗式雨量计的第一时刻的N个雨量监测数据拟合结果进行偏离度分析；若偏离度分析结果满足预设要求，将雨量监测数据拟合结果设为质控合格数据，上传至雨量监测日志存储器。解决现有技术中由于仪器内部结构、外部高影响因素等噪音干扰影响，导致雨量监测信息准确度较低的技术问题。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种无人值守自动气象站雨量数据质控方法及系统。
背景技术
安徽省已建设近5000个具备降水监测功能的野外无人值守自动气象站，降水采集多数使用翻斗雨量传感器，具有结构简单、价格低廉、维护方便等特点，被广泛应用于全国地面气象观测站。但翻斗雨量传感器也有缺点，由于仪器内部结构、外部高影响因素等噪音干扰影响导致数据出现异常，如平常易堵建而引起数据偏小甚至缺测、出现连跳而明显偏大，其中因连跳现象严重时，将使得采集的降水量记录异常偏大，影响气象服务效果和决策指挥。
发明内容
本申请提供了一种无人值守自动气象站雨量数据质控方法及系统，用于针对解决现有技术中由于噪音干扰，导致雨量监测信息准确度较低的技术问题。
鉴于上述问题，本申请提供了一种无人值守自动气象站雨量数据质控方法及系统。
本申请的第一个方面，提供了一种无人值守自动气象站雨量数据质控方法，其中，包括：获取预设边界范围内均匀分布的N个翻斗式雨量计的第i个翻斗式雨量计的第一时刻的雨量监测数据；对所述第i个翻斗式雨量计进行固定误差分析，获取起始误差分析结果；对所述第i个翻斗式雨量计进行降雨量误差分析，获取第一变量误差分析结果；对所述第i个翻斗式雨量计进行器口尺寸误差分析，获取第二变量误差分析结果；根据所述起始误差分析结果、所述第一变量误差分析结果和所述第二变量误差分析结果对所述雨量监测数据进行误差拟合，获取雨量监测数据拟合结果；根据所述雨量监测数据拟合结果对所述N个翻斗式雨量计的所述第一时刻的N个雨量监测数据拟合结果进行偏离度分析；若偏离度分析结果满足预设要求，将所述雨量监测数据拟合结果设为质控合格数据，上传至雨量监测日志存储器。
本申请的另一个方面，提供了一种无人值守自动气象站雨量数据质控系统，其中，包括：雨量监测获取模块，用于获取预设边界范围内均匀分布的N个翻斗式雨量计的第i个翻斗式雨量计的第一时刻的雨量监测数据；起始误差分析模块，用于对所述第i个翻斗式雨量计进行固定误差分析，获取起始误差分析结果；第一变量误差分析模块，用于对所述第i个翻斗式雨量计进行降雨量误差分析，获取第一变量误差分析结果；第二变量误差分析模块，用于对所述第i个翻斗式雨量计进行器口尺寸误差分析，获取第二变量误差分析结果；误差分析拟合模块，用于根据所述起始误差分析结果、所述第一变量误差分析结果和所述第二变量误差分析结果对所述雨量监测数据进行误差拟合，获取雨量监测数据拟合结果；偏离度分析模块，用于根据所述雨量监测数据拟合结果对所述N个翻斗式雨量计的所述第一时刻的N个雨量监测数据拟合结果进行偏离度分析；数据质检模块，用于若偏离度分析结果满足预设要求，将所述雨量监测数据拟合结果设为质控合格数据，上传至雨量监测日志存储器。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请提供的技术方案通过获取预设边界范围内均匀分布的N个翻斗式雨量计的第i个翻斗式雨量计的第一时刻的雨量监测数据；对所述第i个翻斗式雨量计进行固定误差分析，获取起始误差分析结果；对所述第i个翻斗式雨量计进行降雨量误差分析，获取第一变量误差分析结果；对所述第i个翻斗式雨量计进行器口尺寸误差分析，获取第二变量误差分析结果；根据所述起始误差分析结果、所述第一变量误差分析结果和所述第二变量误差分析结果对所述雨量监测数据进行误差拟合，获取雨量监测数据拟合结果；根据所述雨量监测数据拟合结果对所述N个翻斗式雨量计的所述第一时刻的N个雨量监测数据拟合结果进行偏离度分析；若偏离度分析结果满足预设要求，将所述雨量监测数据拟合结果设为质控合格数据，上传至雨量监测日志存储器。通过自动化拟合单点雨量计的计量误差，再分析群体点位的偏离度进行二次筛选，从而实现了提高数据准确性、客观性以及代表性的技术效果。
附图说明
图1为本申请提供的一种无人值守自动气象站雨量数据质控方法流程示意图；
图2为本申请提供的一种无人值守自动气象站雨量数据质控方法中的起始误差分析流程示意图；
图3为本申请提供的一种无人值守自动气象站雨量数据质控方法中的起始误差的湿润误差分析流程示意图；
图4为本申请提供了一种无人值守自动气象站雨量数据质控系统结构示意图。
附图标记说明：雨量监测获取模块11，起始误差分析模块12，第一变量误差分析模块13，第二变量误差分析模块14，误差分析拟合模块15，偏离度分析模块16，数据质检模块17。
具体实施方式
本申请通过提供了一种无人值守自动气象站雨量数据质控方法及系统，用于针对解决现有技术中由于噪音干扰，导致雨量监测信息准确度较低的技术问题。
实施例一
如图1所示，本申请提供了一种无人值守自动气象站雨量数据质控方法，其中，包括：
S100：获取预设边界范围内均匀分布的N个翻斗式雨量计的第i个翻斗式雨量计的第一时刻的雨量监测数据；
具体而言，预设边界范围指的是部署气象雷达的区域边界，通常由工作人员限定，在预设边界范围内禁止各类干扰气象雷达电磁波的活动发生。N个翻斗式雨量计指的是均匀部署于预设边界范围的N个翻斗式雨量计。第i个翻斗式雨量计指的是N个翻斗式雨量计的任意一个。第一时刻的雨量监测数据指的是特定时间节点的第i个翻斗式雨量计的雨量监测数据。
S200：对所述第i个翻斗式雨量计进行固定误差分析，获取起始误差分析结果；
具体而言，起始误差分析结果指的是第i个翻斗式雨量计无法避免的误差类型，例如：进水漏斗、管道、仪器集水面等处残留的水珠，导致降水不会立即进入翻斗计量，因此造成误差；以及由于翻斗计量计自身分辨率造成误差等，此类误差优选的通过如下方式确定：
进一步的，如图2所示，对所述第i个翻斗式雨量计进行固定误差分析，获取起始误差分析结果，步骤S200包括：
S210：对所述第i个翻斗式雨量计进行湿润误差分析，获取湿润误差分析结果；
S220：对所述第i个翻斗式雨量计进行分辨率误差分析，获取分辨率误差分析结果；
S230：将所述湿润误差分析结果和所述分辨率误差分析结果加和，设为所述起始误差分析结果。
在一个优选实施例中，分辨率误差分析如下：将多个第i个翻斗式雨量计分辨率最大值对应的降水统计误差求取均值作为分辨率误差，存储为分辨率误差分析结果，发送至云端数据中心进行存储，等待后步直到误差拟合。
进一步的，如图3所示，对所述第i个翻斗式雨量计进行湿润误差分析，获取湿润误差分析结果，步骤S200还包括：
S240：根据降雨前空气湿度对进水漏斗、管道、仪器集水面进行干燥度评估，获取干燥度等级评估结果；
S250：当所述干燥度等级评估结果大于或等于干燥等级阈值，对所述进水漏斗、所述管道、所述仪器集水面进行湿润误差统计，获取所述湿润误差分析结果。
在一个优选实施例中，湿润误差分析过程如下：在降雨前空气湿度对进水漏斗、管道、仪器集水面进行干燥度评估，干燥度优选的以进水漏斗、管道、仪器集水面的湿度倒数表征，则湿度越大，则干燥度越低，由专家组针对不同的湿度倒数区间，划分一一对应的干燥度等级。
进一步的，统计进水漏斗、管道、仪器集水面在预设时间内多次降水统计的吸水量均值，得到进水漏斗吸水量均值、管道吸水量均值、仪器集水面吸水量均值；对进水漏斗吸水量均值、管道吸水量均值、仪器集水面吸水量均值进行加和，并分别求取进水漏斗吸水量均值、管道吸水量均值、仪器集水面吸水量均值与加和结果的比值分别作为进水漏斗干燥度等级、管道干燥度等级、仪器集水面干燥度等级的权重，对水漏斗干燥度等级、管道干燥度等级、仪器集水面干燥度等级进行加权求和，即为干燥度等级评估结果。
由于湿度过高时，不会对降水进行吸附，因此误差较小不计入误差拟合，当干燥度等级评估结果大于或等于表征最低干燥度的干燥等级阈值时，对进水漏斗、管道、仪器集水面进行预设时区内的多次湿润误差统计，计算均值作为湿润误差分析结果，存储入云端数据中心，与分辨率误差分析结果加和，设为所述起始误差分析结果。
S300：对所述第i个翻斗式雨量计进行降雨量误差分析，获取第一变量误差分析结果；
具体而言，不同的降雨量对第i个翻斗式雨量计造成的误差不同，将降雨量造成的监测误差作为第一变量误差分析结果，其中，第一变量为降雨量。进行降雨量误差分析具体流程如下：
进一步的，对所述第i个翻斗式雨量计进行降雨量误差分析，获取第一变量误差分析结果，步骤S300包括：
S310：获取所述第一时刻的气象预测信息，所述气象预测信息包括降雨量等级；
S320：获取降雨量记录数据和计量误差标记数据构建计量误差预测模型；
S330：将所述降雨量等级输入所述计量误差预测模型，获取所述第一变量误差分析结果。
具体而言，气象预测信息指的是第一时刻的天气预报，由天气预报可以确定降雨记录数据，从而确定降雨量等级，此处降雨量优选以降雨密度和降雨颗粒平均粒径表征。进一步的，降雨量记录数据是用于训练计量误差预测模型的训练数据，优选的，基于神经网络模型，从降雨量记录数据中提取降雨密度记录数据、降雨颗粒平均粒径记录数据以及由专家组标识的计量误差标记数据。将降雨密度记录数据输入第一输入层后进入与第一输入层串联的第一注意力网络进行特征提取，输入误差分析层，将降雨颗粒平均粒径记录数据输入与所述第一输入层并行的第二输入层后进入与第二输入层串联的第一注意力网络进行特征提取，输入误差分析层，从输出层输出一个误差预测结果，根据输入数据对应的计量误差标记数据进行监督学习。当计量误差标记数据与模型输出误差偏差在连续预设次都小于或等于预设值，则收敛。将降雨量等级表征的降雨密度和降雨颗粒平均粒径输入计量误差预测模型，获取所述第一变量误差分析结果，传输至云端数据中心进行存储，等待后步调用。
通过基于人工智能训练的计量误差预测模型对非线性关系的降雨量与第一变量误差分析结果进行处理，准确度较高，且相比于传统手段不依赖于专家经验，客观性、处理效率得到提升。
S400：对所述第i个翻斗式雨量计进行器口尺寸误差分析，获取第二变量误差分析结果；
具体而言，第i个翻斗式雨量的第二变量优选为器口尺寸，器口尺寸理论承雨面积与实际承雨面积常常存在误差。第二变量误差分析结果指的是针对器口尺寸误差进行统计分析确定的第i个翻斗式雨量计的器口尺寸误差。具体流程优选的如下：
进一步的，对所述第i个翻斗式雨量计进行器口尺寸误差分析，获取第二变量误差分析结果，步骤S400包括：
S410：根据第i个翻斗式雨量计型号信息采集雨量计检测记录数据，所述雨量计检测记录数据包括M个承雨面积偏差参数；
S420：对所述M个承雨面积偏差参数进行层次聚类分析，获取多组承雨面积偏差参数；
S430：对所述多组承雨面积偏差参数的聚类数量大于或等于预设数量的组别求取均值，获取多个承雨面积偏差均值；
S440：对所述多个承雨面积偏差均值再求均值，获取承雨面积偏差综合均值；
S450：根据所述承雨面积偏差综合均值匹配所述第二变量误差分析结果。
进一步的，根据所述承雨面积偏差综合均值匹配所述第二变量误差分析结果，步骤S450包括：
S451：根据所述承雨面积偏差综合均值和所述第i个翻斗式雨量计型号信息采集雨量监测记录数据，所述雨量监测记录数据包括多个器口尺寸误差和误差触发频率；
S452：对所述误差触发频率大于或等于触发频率阈值的所述多个器口尺寸误差求取均值，设为所述第二变量误差分析结果。
具体而言，第i个翻斗式雨量计型号信息指的是第i个翻斗式雨量计的型号数据，雨量计检测记录数据指的是根据第i个翻斗式雨量计型号信息匹配的同类型号数据的雨量计质检的历史检测记录，其中，多个历史检测记录都包括对第i个翻斗式雨量计型号的承雨面积偏差参数，数量以M代指，记为M个承雨面积偏差参数；进一步的，由用户自定义设定承雨面积偏差参数之间的聚类偏差阈值，比对M个承雨面积偏差参数的任意两个承雨面积偏差参数的偏差，若小于或等于聚类偏差阈值，则视为一类，否则视为两类。重复聚类，直到任意两个非一类的承雨面积偏差参数的偏差都大于聚类偏差阈值，则视为聚类完成，将最终的聚类结果记为多组承雨面积偏差参数，一组对应一类，剔除承雨面积偏差参数数量小于预设数量的组别，因为数量过小不具备代表性。对所述多组承雨面积偏差参数的聚类数量大于或等于预设数量的组别求取均值，记为多个承雨面积偏差均值。进一步的，对所述多个承雨面积偏差均值再求均值，记为承雨面积偏差综合均值。
进一步，将承雨面积偏差综合均值和所述第i个翻斗式雨量计型号信息作为新的约束参数采集第i个翻斗式雨量计型号信息的雨量监测历史记录，记为雨量监测记录数据，任意一条雨量监测记录数据包括一个器口尺寸误差；设定误差聚类阈值，根据误差聚类阈值对多条雨量监测记录数据的多个器口尺寸初始误差进行层次聚类分析，聚类过程与上述聚类过程完全相同，得到表征多组聚类结果器口尺寸初始误差均值的多个器口尺寸误差，以及对应组别的器口尺寸误差聚类数量的误差触发频率。提取小于触发频率阈值的组别数据，对留存的大于或等于触发频率阈值的所述多个器口尺寸误差求取均值，设为第二变量误差分析结果。
通过层次聚类分析以及数据统计方法，对大数据进行分析确定第i个翻斗式雨量计型号的最相关承雨面积偏差综合均值，进一步基于承雨面积偏差综合均值结合第i个翻斗式雨量计型号，再通过层次聚类分析以及数据统计方法分析确定第i个翻斗式雨量计型号的最相关第二变量误差分析结果，代表性较强，准确度较高。
S500：根据所述起始误差分析结果、所述第一变量误差分析结果和所述第二变量误差分析结果对所述雨量监测数据进行误差拟合，获取雨量监测数据拟合结果；
具体而言，将所述起始误差分析结果、所述第一变量误差分析结果和所述第二变量误差分析结果，依次对雨量监测数据进行拟合，例如起始误差分析结果若为+a，则将a值对应的降水统计数据误差与雨量监测数据相加，记为拟合结果；若为-a，则将a值对应的的降水统计数据作为被减数与雨量监测数据进行运算，对第一变量误差分析结果和所述第二变量误差分析结果做相同处理，得到第i个翻斗式雨量计的雨量监测数据拟合结果。
S600：根据所述雨量监测数据拟合结果对所述N个翻斗式雨量计的所述第一时刻的N个雨量监测数据拟合结果进行偏离度分析；
S700：若偏离度分析结果满足预设要求，将所述雨量监测数据拟合结果设为质控合格数据，上传至雨量监测日志存储器。
进一步的，根据所述雨量监测数据拟合结果对所述N个翻斗式雨量计的所述第一时刻的N个雨量监测数据拟合结果进行偏离度分析，步骤S700包括：
S710：获取偏离度分析公式：
其中，
表征偏离度，/>
表征翻斗式雨量计总数，/>
表征第i个翻斗式雨量计的雨量监测数据拟合结果，/>
表征N个雨量监测数据拟合结果均值，/>
表征删除待评估偏离度的雨量监测数据拟合结果的第j个雨量监测数据拟合结果，/>
表征删除待评估偏离度的N-1个雨量监测数据拟合结果的均值；
S720：根据所述偏离度分析公式根据所述雨量监测数据拟合结果对所述N个翻斗式雨量计的所述第一时刻的N个雨量监测数据拟合结果进行偏离度分析。
具体而言，由于即使是相同区域，单点监测的数据准确度仍然无法保证，因此对于任意一点拟合后的雨量监测数据拟合结果都需要与其他全部点进行整体的偏离度分析，通过方可视为数据质量通过。具体流程如下：
获取偏离度分析公式：
其中，
表征偏离度，/>
表征翻斗式雨量计总数，/>
表征第i个翻斗式雨量计的雨量监测数据拟合结果，/>
表征N个雨量监测数据拟合结果均值，/>
表征删除待评估偏离度的雨量监测数据拟合结果的第j个雨量监测数据拟合结果，/>
表征删除待评估偏离度的N-1个雨量监测数据拟合结果的均值，根据所述偏离度分析公式根据所述雨量监测数据拟合结果对所述N个翻斗式雨量计的所述第一时刻的N个雨量监测数据拟合结果进行偏离度分析。
以第i个翻斗式雨量计的雨量监测数据拟合结果为例：
通过分析任意点位数据与其它点位监测的偏离状态，确定其是否为离散量，保证最终的质控合格数据的代表性、客观性较强。
综上所述，本申请实施例至少具有如下技术效果：
本申请提供的技术方案通过获取预设边界范围内均匀分布的N个翻斗式雨量计的第i个翻斗式雨量计的第一时刻的雨量监测数据；对所述第i个翻斗式雨量计进行固定误差分析，获取起始误差分析结果；对所述第i个翻斗式雨量计进行降雨量误差分析，获取第一变量误差分析结果；对所述第i个翻斗式雨量计进行器口尺寸误差分析，获取第二变量误差分析结果；根据所述起始误差分析结果、所述第一变量误差分析结果和所述第二变量误差分析结果对所述雨量监测数据进行误差拟合，获取雨量监测数据拟合结果；根据所述雨量监测数据拟合结果对所述N个翻斗式雨量计的所述第一时刻的N个雨量监测数据拟合结果进行偏离度分析；若偏离度分析结果满足预设要求，将所述雨量监测数据拟合结果设为质控合格数据，上传至雨量监测日志存储器。通过自动化拟合单点雨量计的计量误差，再分析群体点位的偏离度进行二次筛选，从而实现了提高数据准确性、客观性以及代表性的技术效果。
实施例二
基于与前述实施例中一种无人值守自动气象站雨量数据质控方法相同的发明构思，如图4所示，本申请提供了一种无人值守自动气象站雨量数据质控系统，其中，包括：
雨量监测获取模块11，用于获取预设边界范围内均匀分布的N个翻斗式雨量计的第i个翻斗式雨量计的第一时刻的雨量监测数据；
起始误差分析模块12，用于对所述第i个翻斗式雨量计进行固定误差分析，获取起始误差分析结果；
第一变量误差分析模块13，用于对所述第i个翻斗式雨量计进行降雨量误差分析，获取第一变量误差分析结果；
第二变量误差分析模块14，用于对所述第i个翻斗式雨量计进行器口尺寸误差分析，获取第二变量误差分析结果；
误差分析拟合模块15，用于根据所述起始误差分析结果、所述第一变量误差分析结果和所述第二变量误差分析结果对所述雨量监测数据进行误差拟合，获取雨量监测数据拟合结果；
偏离度分析模块16，用于根据所述雨量监测数据拟合结果对所述N个翻斗式雨量计的所述第一时刻的N个雨量监测数据拟合结果进行偏离度分析；
数据质检模块17，用于若偏离度分析结果满足预设要求，将所述雨量监测数据拟合结果设为质控合格数据，上传至雨量监测日志存储器。
进一步的，所述起始误差分析模块12执行步骤包括：
对所述第i个翻斗式雨量计进行湿润误差分析，获取湿润误差分析结果；
对所述第i个翻斗式雨量计进行分辨率误差分析，获取分辨率误差分析结果；
将所述湿润误差分析结果和所述分辨率误差分析结果加和，设为所述起始误差分析结果。
进一步的，所述起始误差分析模块12执行步骤包括：
根据降雨前空气湿度对进水漏斗、管道、仪器集水面进行干燥度评估，获取干燥度等级评估结果；
当所述干燥度等级评估结果大于或等于干燥等级阈值，对所述进水漏斗、所述管道、所述仪器集水面进行湿润误差统计，获取所述湿润误差分析结果。
进一步的，所述第一变量误差分析模块13执行步骤包括：
获取所述第一时刻的气象预测信息，所述气象预测信息包括降雨量等级；
获取降雨量记录数据和计量误差标记数据构建计量误差预测模型；
将所述降雨量等级输入所述计量误差预测模型，获取所述第一变量误差分析结果。
进一步的，所述第二变量误差分析模块14执行步骤包括：
根据第i个翻斗式雨量计型号信息采集雨量计检测记录数据，所述雨量计检测记录数据包括M个承雨面积偏差参数；
对所述M个承雨面积偏差参数进行层次聚类分析，获取多组承雨面积偏差参数；
对所述多组承雨面积偏差参数的聚类数量大于或等于预设数量的组别求取均值，获取多个承雨面积偏差均值；
对所述多个承雨面积偏差均值再求均值，获取承雨面积偏差综合均值；
根据所述承雨面积偏差综合均值匹配所述第二变量误差分析结果。
进一步的，所述第二变量误差分析模块14执行步骤包括：
根据所述承雨面积偏差综合均值和所述第i个翻斗式雨量计型号信息采集雨量监测记录数据，所述雨量监测记录数据包括多个器口尺寸误差和误差触发频率；
对所述误差触发频率大于或等于触发频率阈值的所述多个器口尺寸误差求取均值，设为所述第二变量误差分析结果。
进一步的，所述偏离度分析模块16执行步骤包括：
获取偏离度分析公式：
其中，
表征偏离度， />
表征翻斗式雨量计总数， />
表征第i个翻斗式雨量计的雨量监测数据拟合结果， />
表征N个雨量监测数据拟合结果均值， />
表征删除待评估偏离度的雨量监测数据拟合结果的第j个雨量监测数据拟合结果， />
表征删除待评估偏离度的N-1个雨量监测数据拟合结果的均值；
根据所述偏离度分析公式根据所述雨量监测数据拟合结果对所述N个翻斗式雨量计的所述第一时刻的N个雨量监测数据拟合结果进行偏离度分析。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。
进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种无人值守自动气象站雨量数据质控方法，其特征在于，包括：
获取预设边界范围内均匀分布的N个翻斗式雨量计的第i个翻斗式雨量计的第一时刻的雨量监测数据；
对所述第i个翻斗式雨量计进行固定误差分析，获取起始误差分析结果；
对所述第i个翻斗式雨量计进行降雨量误差分析，获取第一变量误差分析结果；
对所述第i个翻斗式雨量计进行器口尺寸误差分析，获取第二变量误差分析结果；
根据所述起始误差分析结果、所述第一变量误差分析结果和所述第二变量误差分析结果对所述雨量监测数据进行误差拟合，获取雨量监测数据拟合结果；
根据所述雨量监测数据拟合结果对所述N个翻斗式雨量计的所述第一时刻的N个雨量监测数据拟合结果进行偏离度分析；
若偏离度分析结果满足预设要求，将所述雨量监测数据拟合结果设为质控合格数据，上传至雨量监测日志存储器。
2.如权利要求1所述的方法，其特征在于，对所述第i个翻斗式雨量计进行固定误差分析，获取起始误差分析结果，包括：
对所述第i个翻斗式雨量计进行湿润误差分析，获取湿润误差分析结果；
对所述第i个翻斗式雨量计进行分辨率误差分析，获取分辨率误差分析结果；
将所述湿润误差分析结果和所述分辨率误差分析结果加和，设为所述起始误差分析结果。
3.如权利要求2所述的方法，其特征在于，对所述第i个翻斗式雨量计进行湿润误差分析，获取湿润误差分析结果，包括：
根据降雨前空气湿度对进水漏斗、管道、仪器集水面进行干燥度评估，获取干燥度等级评估结果；
当所述干燥度等级评估结果大于或等于干燥等级阈值，对所述进水漏斗、所述管道、所述仪器集水面进行湿润误差统计，获取所述湿润误差分析结果。
4.如权利要求1所述的方法，其特征在于，对所述第i个翻斗式雨量计进行降雨量误差分析，获取第一变量误差分析结果，包括：
获取所述第一时刻的气象预测信息，所述气象预测信息包括降雨量等级；
获取降雨量记录数据和计量误差标记数据构建计量误差预测模型；
将所述降雨量等级输入所述计量误差预测模型，获取所述第一变量误差分析结果。
5.如权利要求1所述的方法，其特征在于，对所述第i个翻斗式雨量计进行器口尺寸误差分析，获取第二变量误差分析结果，包括：
根据第i个翻斗式雨量计型号信息采集雨量计检测记录数据，所述雨量计检测记录数据包括M个承雨面积偏差参数；
对所述M个承雨面积偏差参数进行层次聚类分析，获取多组承雨面积偏差参数；
对所述多组承雨面积偏差参数的聚类数量大于或等于预设数量的组别求取均值，获取多个承雨面积偏差均值；
对所述多个承雨面积偏差均值再求均值，获取承雨面积偏差综合均值；
根据所述承雨面积偏差综合均值匹配所述第二变量误差分析结果。
6.如权利要求5所述的方法，其特征在于，根据所述承雨面积偏差综合均值匹配所述第二变量误差分析结果，包括：
根据所述承雨面积偏差综合均值和所述第i个翻斗式雨量计型号信息采集雨量监测记录数据，所述雨量监测记录数据包括多个器口尺寸误差和误差触发频率；
对所述误差触发频率大于或等于触发频率阈值的所述多个器口尺寸误差求取均值，设为所述第二变量误差分析结果。
7.如权利要求1所述的方法，其特征在于，根据所述雨量监测数据拟合结果对所述N个翻斗式雨量计的所述第一时刻的N个雨量监测数据拟合结果进行偏离度分析，包括：
获取偏离度分析公式：
其中，
表征偏离度，/>
表征翻斗式雨量计总数，/>
表征第i个翻斗式雨量计的雨量监测数据拟合结果，/>
表征N个雨量监测数据拟合结果均值，/>
表征删除待评估偏离度的雨量监测数据拟合结果的第j个雨量监测数据拟合结果，/>
表征删除待评估偏离度的N-1个雨量监测数据拟合结果的均值；
根据所述偏离度分析公式根据所述雨量监测数据拟合结果对所述N个翻斗式雨量计的所述第一时刻的N个雨量监测数据拟合结果进行偏离度分析。
8.一种无人值守自动气象站雨量数据质控系统，其特征在于，包括：
雨量监测获取模块，用于获取预设边界范围内均匀分布的N个翻斗式雨量计的第i个翻斗式雨量计的第一时刻的雨量监测数据；
起始误差分析模块，用于对所述第i个翻斗式雨量计进行固定误差分析，获取起始误差分析结果；
第一变量误差分析模块，用于对所述第i个翻斗式雨量计进行降雨量误差分析，获取第一变量误差分析结果；
第二变量误差分析模块，用于对所述第i个翻斗式雨量计进行器口尺寸误差分析，获取第二变量误差分析结果；
误差分析拟合模块，用于根据所述起始误差分析结果、所述第一变量误差分析结果和所述第二变量误差分析结果对所述雨量监测数据进行误差拟合，获取雨量监测数据拟合结果；
偏离度分析模块，用于根据所述雨量监测数据拟合结果对所述N个翻斗式雨量计的所述第一时刻的N个雨量监测数据拟合结果进行偏离度分析；
数据质检模块，用于若偏离度分析结果满足预设要求，将所述雨量监测数据拟合结果设为质控合格数据，上传至雨量监测日志存储器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310493602.4A CN116226606B (zh) | 2023-05-05 | 2023-05-05 | 无人值守自动气象站雨量数据质控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310493602.4A CN116226606B (zh) | 2023-05-05 | 2023-05-05 | 无人值守自动气象站雨量数据质控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116226606A true CN116226606A (zh) | 2023-06-06 |
| CN116226606B CN116226606B (zh) | 2023-07-04 |
Family
ID=86569790
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310493602.4A Active CN116226606B (zh) | 2023-05-05 | 2023-05-05 | 无人值守自动气象站雨量数据质控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116226606B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030030279A (ko) * | 2001-10-09 | 2003-04-18 | 주식회사 포스코 | 산성비의 산성도 측정기 |
| CN104237975A (zh) * | 2014-09-11 | 2014-12-24 | 河海大学 | 一种具有误差修正功能的高分辨率翻斗雨量计装置 |
| CN106291770A (zh) * | 2016-07-28 | 2017-01-04 | 无锡信大气象传感网科技有限公司 | 一种可以深层次清除杂质的翻斗式雨量计量器 |
| CN108647805A (zh) * | 2018-04-03 | 2018-10-12 | 郑州大学 | 一种山洪灾害临界雨量综合检验方法 |
| CN109239813A (zh) * | 2018-10-12 | 2019-01-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 翻斗式雨量计的多计量特性检定方法及装置 |
| CN109407184A (zh) * | 2018-12-26 | 2019-03-01 | 福州小草科技有限公司 | 基于斗参数和雨强的翻斗式雨量传感器修正方法 |
| CN109444996A (zh) * | 2018-12-26 | 2019-03-08 | 福州小草科技有限公司 | 精确降雨数据的获得方法及装置 |
| CN109444995A (zh) * | 2018-12-26 | 2019-03-08 | 福州小草科技有限公司 | 基于斗参数和雨强的精确降雨数据的获得方法 |
| CN112099109A (zh) * | 2020-09-11 | 2020-12-18 | 安徽省大气探测技术保障中心 | 一种气象观测站的智能控制系统 |
| CN112965146A (zh) * | 2021-04-14 | 2021-06-15 | 中国水利水电科学研究院 | 一种结合气象雷达与雨量桶观测数据的定量降水估算方法 |
| WO2022064084A1 (es) * | 2020-09-25 | 2022-03-31 | Universidad Politécnica de Madrid | Método para la corrección de errores de medición causados por la intensidad de precipitación en pluviómetros de cazoletas basculantes |
| WO2022165303A1 (en) * | 2021-02-01 | 2022-08-04 | Roof Asset Management Usa Ltd. | System for monitoring conditions at a location |
| CN115494564A (zh) * | 2022-08-31 | 2022-12-20 | 三峡大学 | 一种双量筒高精度智能雨量计及方法 |
| CN115755221A (zh) * | 2022-10-22 | 2023-03-07 | 天津大学 | 一种基于数理不确定性分析的多源降水数据融合方法 |
| CN115793106A (zh) * | 2022-12-13 | 2023-03-14 | 西安新汇泽测控技术有限公司 | 一种称重式雨量检测装置及其方法 |
-
2023
- 2023-05-05 CN CN202310493602.4A patent/CN116226606B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030030279A (ko) * | 2001-10-09 | 2003-04-18 | 주식회사 포스코 | 산성비의 산성도 측정기 |
| CN104237975A (zh) * | 2014-09-11 | 2014-12-24 | 河海大学 | 一种具有误差修正功能的高分辨率翻斗雨量计装置 |
| CN106291770A (zh) * | 2016-07-28 | 2017-01-04 | 无锡信大气象传感网科技有限公司 | 一种可以深层次清除杂质的翻斗式雨量计量器 |
| CN108647805A (zh) * | 2018-04-03 | 2018-10-12 | 郑州大学 | 一种山洪灾害临界雨量综合检验方法 |
| CN109239813A (zh) * | 2018-10-12 | 2019-01-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 翻斗式雨量计的多计量特性检定方法及装置 |
| CN109407184A (zh) * | 2018-12-26 | 2019-03-01 | 福州小草科技有限公司 | 基于斗参数和雨强的翻斗式雨量传感器修正方法 |
| CN109444996A (zh) * | 2018-12-26 | 2019-03-08 | 福州小草科技有限公司 | 精确降雨数据的获得方法及装置 |
| CN109444995A (zh) * | 2018-12-26 | 2019-03-08 | 福州小草科技有限公司 | 基于斗参数和雨强的精确降雨数据的获得方法 |
| CN112099109A (zh) * | 2020-09-11 | 2020-12-18 | 安徽省大气探测技术保障中心 | 一种气象观测站的智能控制系统 |
| WO2022064084A1 (es) * | 2020-09-25 | 2022-03-31 | Universidad Politécnica de Madrid | Método para la corrección de errores de medición causados por la intensidad de precipitación en pluviómetros de cazoletas basculantes |
| WO2022165303A1 (en) * | 2021-02-01 | 2022-08-04 | Roof Asset Management Usa Ltd. | System for monitoring conditions at a location |
| CN112965146A (zh) * | 2021-04-14 | 2021-06-15 | 中国水利水电科学研究院 | 一种结合气象雷达与雨量桶观测数据的定量降水估算方法 |
| US11333797B1 (en) * | 2021-04-14 | 2022-05-17 | China Institute Of Water Resources And Hydropower Research | Method for estimating quantitative precipitation by combining observation data of weather radar and rain gauges |
| CN115494564A (zh) * | 2022-08-31 | 2022-12-20 | 三峡大学 | 一种双量筒高精度智能雨量计及方法 |
| CN115755221A (zh) * | 2022-10-22 | 2023-03-07 | 天津大学 | 一种基于数理不确定性分析的多源降水数据融合方法 |
| CN115793106A (zh) * | 2022-12-13 | 2023-03-14 | 西安新汇泽测控技术有限公司 | 一种称重式雨量检测装置及其方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王展宏;: "翻斗式雨量计的误差分析与改进", 水利信息化, no. 04 * |
| 陈凯等: "翻斗式、压电式雨量计测量原理及误差分析", 科学技术创新, pages 10 - 11 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116226606B (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108985260B (zh) | 一种遥感及气象一体化水稻估产方法 | |
| CN113919231B (zh) | 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统 | |
| CN109918364B (zh) | 一种基于二维概率密度估计和四分位法的数据清洗方法 | |
| US20060173623A1 (en) | System and method for enhanced measure-correlate-predict for a wind farm location | |
| CN115311828B (zh) | 基于数字孪生的水下工程结构智能检测方法及系统 | |
| CN117371337B (zh) | 一种基于数字孪生的水利模型构建方法及系统 | |
| CN110930048A (zh) | 一种基于成灾机理过程的农作物干旱风险评估系统及方法 | |
| CN108920429A (zh) | 一种水位动态监测的异常数据分析方法 | |
| CN115495991A (zh) | 一种基于时间卷积网络的降水区间预测方法 | |
| CN117932501A (zh) | 一种电能表运行状态管理方法和系统 | |
| CN116823067B (zh) | 管网水质清污状态的确定方法、装置及电子设备 | |
| CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
| CN116882587A (zh) | 一种基于雷电灾害情况下电力电网系统故障预测分析方法 | |
| CN113157684B (zh) | 一种水利海量数据的查错方法 | |
| CN117688464B (zh) | 一种基于多源传感器数据的隐患分析方法及系统 | |
| CN118052326A (zh) | 一种基于神经网络的校园供水管网用水量预测方法 | |
| CN114372047A (zh) | 基于速度关联约束的风电机组风速感知异常数据识别方法 | |
| CN114330120A (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
| CN116226606B (zh) | 无人值守自动气象站雨量数据质控方法及系统 | |
| CN117824588A (zh) | 一种建筑安全监测倾斜传感器采样优化与预警方法 | |
| CN117454282A (zh) | 一种基于故障树的自动气象站故障诊断方法 | |
| CN116702588A (zh) | 一种基于多源数据的风电场关键气象因子预报方法及系统 | |
| CN114283344A (zh) | 一种森林生态水文过程自动实时监测方法及系统 | |
| CN113836813A (zh) | 一种基于数据分析的高炉风口漏水检测方法 | |
| CN109765149B (zh) | 一种基于总悬浮颗粒物确定降尘量的方法及装置 |
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 |