CN116228500B - 气象软件的数据处理方法 - Google Patents
气象软件的数据处理方法 Download PDFInfo
- Publication number
- CN116228500B CN116228500B CN202310504965.3A CN202310504965A CN116228500B CN 116228500 B CN116228500 B CN 116228500B CN 202310504965 A CN202310504965 A CN 202310504965A CN 116228500 B CN116228500 B CN 116228500B
- Authority
- CN
- China
- Prior art keywords
- data
- weather
- meteorological
- correlation coefficient
- temperature
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 239000003344 environmental pollutant Substances 0.000 claims description 9
- 231100000719 pollutant Toxicity 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000003915 air pollution Methods 0.000 claims description 5
- 230000006837 decompression Effects 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 239000010419 fine particle Substances 0.000 claims description 3
- 238000006552 photochemical reaction Methods 0.000 claims description 3
- 239000002243 precursor Substances 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 239000012855 volatile organic compound Substances 0.000 claims description 3
- 238000013499 data model Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Human Resources & Organizations (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及气象数据处理技术领域，且气象软件的数据处理方法，包括以下步骤：S1、获取来自若干个气象软件的气象监测数据包进行预处理；S2、依据获取到的气象分类数据建立气象监测数据集，进行识别获取气候特征，并进行标记；S3、建立运动数字孪生模型；S4、依据运动数字孪生模型，获取不同气候特征的运动状态之间的相关性系数xg，依据相关性系数xg判断当期的气候是否属于极端现象；S5、依据运动数字孪生模型，关联相关性系数xg，并计算获得未来演变规律。本发明具备在数据处理过程中减少重复率，在建立运动数字孪生模型的过程中，获取不同气候特征的运动状态之间的相关性系数xg，依据相关性系数xg判断当期的气候是否属于极端污染气象的优点。
Description
技术领域
本发明涉及气象数据处理技术领域，具体为气象软件的数据处理方法。
背景技术
自动气象站观测报表是在全月自动和人工观测数据的基础上汇总而成，要求数据正确，对降水、温度、湿度、气压、风等数据进行分析判断，将多年的预审、互审中易出现的问题进行总结。对认定疑误记录及容易出现的故障提出处理意见。
然而对于大批量的气象数据，如遇到要大批量生成数据模型的问题时，会大大降低数据模型的生成效率，这样一来就会需要消耗大量的时间来生成数据模型，且数据重复率较多，处理难度较大，如何对大批量数据进行处理和拟合，生成相关系数，便于后期预测气象规律记忆演变规律，起到了重大的作用。
发明内容
本发明提供了气象软件的数据处理方法，具备在预处理的过程中减少重复率，并统一转换设置周期生成符合统一的数据存储格式，促进后期进行相关系数计算时的精准度，在数据处理后进行计算拟合，生成相关性系数xg，便于在强降雨、高温极端过程天气发挥重要的作用，为政府处理应急减灾工作提供科学的气象参考数据，解决了上述背景技术中所提到然而对于大批量的气象数据，然而如遇到要大批量生成数据模型的问题时，会大大降低数据模型的生成效率，这样一来就会需要消耗大量的时间来生成数据模型，且数据重复率较多，处理难度较大，如何对大批量数据进行处理和拟合，生成相关系数，便于后期预测气象规律记忆演变规律的问题。
本发明提供如下技术方案：气象软件的数据处理方法，包括以下步骤：
S1、获取来自若干个气象软件的气象监测数据包，对所述气象监测数据包进行预处理，得到气象分类数据；
S2、依据获取到的气象分类数据建立气象监测数据集，对获取处理后的若干个气象分类数据维度进行分类，进行识别获取气候特征，并进行标记；
S3、匹配相同气候特征的气象数据，并根据预设阈值进行对比及分析，在处理气象监测数据时，当气候值高于预设历史阈值时，依据气象数据的曲线变化趋势，建立运动数字孪生模型；
S4、依据运动数字孪生模型，获取不同气候特征的运动状态之间的相关性系数xg，依据相关性系数xg判断当期的气候是否属于极端污染气象；
所述S4步骤中具体包括，建立运动数字孪生模型，获取不同气候特征的运动状态之间的相关性系数xg，提取不同气候特征中的气候因子，包括风向因子和湿度因子；
将风向因子和湿度因子进行拟合，获取到气象拟合因子m，并研究拟合因子m与pm2.5的关系，pm2.5是指细颗粒物，也就是空气污染浓度，计算得到相关性系数xg；
其中：所述气象拟合因子m通过以下公式进行获得：
式中，f表示为相对湿度值，e为当时温度值空气中的水汽压，E为当时干球温度下的饱和水汽压；Et'为基于温度因子下的饱和水汽压；A为干湿表测湿系数；y表示为风速值；P为当时气压值；
所述相关性系数xg通过以下计算公式获得：
式中，n表示气象因子所对应的污染物浓度数据；
x为空间样本数量；其中0.52≤xg≤0.79；
其中，相关性系数xg是通过气象拟合因子与pm2.5的浓度之间有相关关系，环境湿度日均值与pm25浓度日均值之间存在显著的正相关关系，湿度越大，pm2.5浓度越高，相关性系数xg为0.68～0.79；风速日均值与pm2.5浓度日均值之间存在负相关关系，风速日均值越大，pm2.5浓度越低，相关性系数xg为0.52～0.62；
S5、依据运动数字孪生模型，关联相关性系数xg，并计算获得未来演变规律。
作为本发明所述气象软件的数据处理方法的一种可选方案，其中：所述S1中对气象数据包进行解压，并对气象监测数据进行数据读取；
将读取后的气象数据简单分析，对气象数据进行处理，查看异常值以及重复值；
对数据进行行查重和列数据查重；
防止数据缺失，进行浅拷贝；
对气象数据中的时间格式进行转换，进行降噪，并设置一天为一个周期；
对获取的气象参数进行整理后，获得气象分类数据。
作为本发明所述气象软件的数据处理方法的一种可选方案，其中：采用记录数据格式进行数据预处理，其中，原处理数据解压之后进行处理的数据格式为布尔型数据格式；
在数据处理过程中，将温度、天气、风向、风力划分为多个区间；
其中在温度方面：以10个单位为1个划分区间；
在天气部分：分为晴天、阴天和雨天，多云和阴天同属于阴天；
在风向方面：以方位划分，在风力方面：以一个单位为划分区间，在处理数据过程后，L代表列数，J代表记录数，对列数和记录数进行表格转换后进行分类区间转换。
作为本发明所述气象软件的数据处理方法的一种可选方案，其中：所述S2步骤中具体包括，依据获取到的气象分类数据建立气象监测数据集；
识别若干个气象分类数据，并分类为以下的维度，包括时间、风力、风向、湿度和温度；
识别时间特征、风力特征、风向特征、湿度特征和温度特征，并进行相应的标记符号和文字进行标记；
其中气象分类数据，根据多维度的气候特征，根据预设阈值进行对比和分析，把接收到的数据以曲线形式显示，便于发现数据变化规律；
设置曲线跳变周期为10分钟，处断处理软件在时间轴上以10分钟的整数倍数作为一个曲线点，把相邻曲线点相连呈现，以天为单位得到数据日曲线图，此时，生成间隔时间为10分钟。
作为本发明所述气象软件的数据处理方法的一种可选方案，其中：根据相关性系数xg判断极端污染天气的判断方法包括：
平均温度与主要污染物的相关性最强，与污染物PM2.5、PM10、NO2、CO和SO2呈现出显著的负相关性，而与O3则表现出正相关；
一方面气温升高使大气的不稳定性增强，从而提升了污染物的扩散能力，另一方面由于夏季温度高、辐射强、光化学反应强烈，前体物NOx和VOCs极易形成O3；
通过关联相关性系数xg数值，计算O3数值；
当O3污染大于0.728时，判断为极端污染气象；
当数值0.528≤O3≤0.728时，判断为重度污染气象；
当数值0.203≤O3≤0.528时，判断为中度污染气象；
当数值0.025≤O3≤0.203时，判断为低度污染气象。
本发明具备以下有益效果：
1、该气象软件的数据处理方法，获得若干个气象站监测数据包后，进行预处理，在处理的过程中查看异常值和查重之后，为防止数据丢失，进行浅拷贝，并对气象中的时间格式进行统一转换，设置周期后，获得气象分类数据，在预处理的过程中，减少重复率，统一转换设置周期，形成符合统一的数据存储格式，促进后期进行相关性系数xg计算时的精准度。
2、该气象软件的数据处理方法，根据多维度的气候特征，根据预设阈值进行对比和分析，把接收到的数据以曲线形式显示，在设置跳变周期为10分钟的具体时间，时间过长，规律变化容易形成浅显的曲线，促进快速发现数据变化规律，也便于工作人员对曲线图的理解。
3、该气象软件的数据处理方法，在获取到运动数字模型后，获取不同气候特征的运动状态之间的相关性系数xg，提取不同气候特征中的气候因子，将提取后的风向因子和湿度因子进行拟合，获取到气象拟合因子m，联合pm.2.5空气污染浓度计算得到相关性系数xg，在获得相关性系数xg后计算O3数值后进行判断污染气象，便于在强降雨、高温极端过程天气发挥重要的作用，为政府处理应急减灾工作提供科学的气象参考数据。
附图说明
图1为本发明气象软件的数据处理方法步骤示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。
实施例1
自动气象站观测报表是在全月自动和人工观测数据的基础上汇总而成，要求数据正确，而且要符合一定的存储格式。对降水、温度、湿度、气压、风等数据进行分析判断，将多年的预审、互审中易出现的问题进行总结。对认定疑误记录及容易出现的故障提出处理意见。
然而对于大批量的气象数据，然而如遇到要大批量生成数据模型的问题时，会大大降低数据模型的生成效率，这样一来就会需要消耗大量的时间来生成数据模型，且数据重复率较多，处理难度较大。
本发明提供如下技术方案：气象软件的数据处理方法，请参阅图1，包括以下步骤：
S1、获取来自若干个气象软件的气象监测数据包，对所述气象监测数据包进行预处理，得到气象分类数据；
预处理的步骤包括对气象数据包进行解压，并对气象监测数据进行数据读取；
将读取后的气象数据简单分析，对气象数据进行处理，查看异常值以及重复值；
对数据进行行查重和列数据查重；
防止数据缺失，进行浅拷贝，一份用于后期步骤的阈值对比，一份留存备份；
对气象数据中的时间格式进行转换，进行降噪，并设置一天为一个周期；
对获取的气象参数进行整理后，获得气象分类数据。
S2、依据获取到的气象分类数据建立气象监测数据集，对获取处理后的若干个气象分类数据维度进行分类，进行识别获取气候特征，并进行标记；
S3、匹配相同气候特征的气象数据，并根据预设阈值进行对比及分析，在处理气象监测数据时，当气候值高于预设历史阈值时，依据气象数据的曲线变化趋势，建立运动数字孪生模型；
S4、依据运动数字孪生模型，获取不同气候特征的运动状态之间的相关性系数xg，依据相关性系数xg判断当期的气候是否属于极端污染气象；
S5、依据运动数字孪生模型，关联相关性系数xg，并计算获得未来演变规律。
本实施例中，在获得若干个气象站监测数据包后，进行预处理，在处理的过程中查看异常值和查重之后，为防止数据丢失，进行浅拷贝，并对气象中的时间格式进行统一转换，设置周期后，获得气象分类数据，在预处理的过程中，减少重复率，统一转换设置周期，形成符合统一的数据存储格式，促进后期进行相关性系数xg计算时的精准度。
预处理后的气象数据，再进行气象分类后，识别获得气候特征，并再和阈值对比过后，此时对处理后的气象数据的曲线变化趋势，建立的运动数字孪生模型，相较之前未处理未和阈值对比分析过的运动数字孪生模型，第一促进了聚焦度，第二减少了运动数字孪生模型的数量，第三因和阈值对比分析过后的，气候高于预设历史阈值才会生成新的运动数字孪生模型，那在阈值内的范围不经显现，减小了运动数字孪生模型运动曲线的范围。
实施例2
本实施例是在实施例1中进行的解释说明，请参阅图1，其中：采用记录数据格式进行数据预处理，其中，原处理数据解压之后进行处理的数据格式为布尔型数据格式；
在数据处理过程中，将温度、天气、风向、风力划分为多个区间；
其中在温度方面：以10个单位为1个划分区间；
在天气部分：分为晴天、阴天和雨天，多云和阴天同属于阴天；
在风向方面：以方位划分，在风力方面：以一个单位为划分区间，在处理数据过程后，L代表列数，J代表记录数，对列数和记录数进行表格转换后进行分类区间转换。
本实施例中，对于数据处理生成布尔型数据格式，相比EXL、TXT，WORD文档，更方便进行数据转换。
实施例3
本实施例是在实施例1中进行的解释说明，请参阅图1，其中：所述S2步骤中具体包括，依据获取到的气象分类数据建立气象监测数据集；
识别若干个气象分类数据，并分类为以下的维度，包括时间、风力、风向、湿度和温度；
识别时间特征、风力特征、风向特征、湿度特征和温度特征，并进行相应的标记符号和文字进行标记；
其中气象分类数据，根据多维度的气候特征，根据预设阈值进行对比和分析，把接收到的数据以曲线形式显示，便于发现数据变化规律；
设置曲线跳变周期为10分钟，处断处理软件在时间轴上以10分钟的整数倍数作为一个曲线点，把相邻曲线点相连呈现，以天为单位得到数据日曲线图，此时，生成间隔时间为10分钟。
本实施例中，根据多维度的气候特征，根据预设阈值进行对比和分析，把接收到的数据以曲线形式显示，在设置跳变周期为10分钟的具体时间，时间过长，规律变化容易形成浅显的曲线，促进快速发现数据变化规律，也便于工作人员对曲线图的理解。
实施例4
本实施例是在实施例1中进行的解释说明，请参阅图1，其中：所述S4步骤中具体包括，建立运动数字孪生模型，获取不同气候特征的运动状态之间的相关性系数xg，提取不同气候特征中的气候因子，包括风向因子和湿度因子；
将风向因子和湿度因子进行拟合，获取到气象拟合因子m，并研究拟合因子m与pm2.5的关系，pm2.5是指细颗粒物，也就是空气污染浓度，计算得到相关性系数xg。
其中：所述气象拟合因子m通过以下公式进行获得：
式中，f表示为相对湿度值，e为当时温度值空气中的水汽压，E为当时干球温度下的饱和水汽压；Et'为基于温度因子下的饱和水汽压；A为干湿表测湿系数；y表示为风速值；P为当时气压值。
所述相关性系数xgxg通过以下计算公式获得：
式中，n表示气象因子所对应的污染物浓度数据；
x为空间样本数量；其中0.52≤xg≤0.79；
其中，相关性系数xg是通过气象拟合因子与pm2.5的浓度之间有相关关系，环境湿度日均值与pm25浓度日均值之间存在显著的正相关关系，湿度越大，pm2.5浓度越高，相关性系数xg为0.68～0.79；风速日均值与pm2.5浓度日均值之间存在负相关关系，风速日均值越大，pm2.5浓度越低，相关性系数xg为0.52～0.62。
其中：根据相关性系数xg判断极端污染天气的判断方法包括：
平均温度与主要污染物的相关性最强，与污染物PM2.5、PM10、NO2、CO和SO2呈现出显著的负相关性，而与O3则表现出正相关；
一方面气温升高使大气的不稳定性增强，从而提升了污染物的扩散能力，另一方面由于夏季温度高、辐射强、光化学反应强烈，前体物NOx和VOCs极易形成O3；
通过关联相关性系数xg数值，计算O3数值；
当O3污染大于0.728时，判断为极端污染气象；
当数值0.528≤O3≤0.728时，判断为重度污染气象；
当数值0.203≤O3≤0.528时，判断为中度污染气象；
当数值0.025≤O3≤0.203时，判断为低度污染气象。
本实施例中，在获取到运动数字模型后，获取不同气候特征的运动状态之间的相关性系数xg，提取不同气候特征中的气候因子，将提取后的风向因子和湿度因子进行拟合，获取到气象拟合因子m，联合pm.2.5空气污染浓度计算得到相关性系数xg，在获得相关性系数xg后计算O3数值后进行判断污染气象，便于在强降雨、高温极端过程天气发挥重要的作用，为政府处理应急减灾工作提供科学的气象参考数据。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络，或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)，或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-onlymemory，ROM)、随机存取存储器(randomaccessmemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.气象软件的数据处理方法，其特征在于：包括以下步骤：
S1、获取来自若干个气象软件的气象监测数据包，对所述气象监测数据包进行预处理，得到气象分类数据；
S2、依据获取到的气象分类数据建立气象监测数据集，对获取处理后的若干个气象分类数据维度进行分类，进行识别获取气候特征，并进行标记；
S3、匹配相同气候特征的气象数据，并根据预设阈值进行对比及分析，在处理气象监测数据时，当气候值高于预设历史阈值时，依据气象数据的曲线变化趋势，建立运动数字孪生模型；
S4、依据运动数字孪生模型，获取不同气候特征的运动状态之间的相关性系数xg，依据相关性系数xg判断当期的气候是否属于极端污染气象；
所述S4步骤中具体包括，建立运动数字孪生模型，获取不同气候特征的运动状态之间的相关性系数xg，提取不同气候特征中的气候因子，包括风向因子和湿度因子；
将风向因子和湿度因子进行拟合，获取到气象拟合因子m，并研究拟合因子m与pm2.5的关系，pm2.5是指细颗粒物，也就是空气污染浓度，计算得到相关性系数xg；
所述气象拟合因子m通过以下公式进行获得：
式中，f表示为相对湿度值，e为当时温度值空气中的水汽压，E为当时干球温度下的饱和水汽压；Et'为基于温度因子下的饱和水汽压；A为干湿表测湿系数；y表示为风速值；P为当时气压值；
所述相关性系数xg通过以下计算公式获得：
式中，n表示气象因子所对应的污染物浓度数据；
x为空间样本数量；其中0.52≤xg≤0.79；
其中，相关性系数xg是通过气象拟合因子与pm2.5的浓度之间有相关关系，环境湿度日均值与pm25浓度日均值之间存在显著的正相关关系，湿度越大，pm2.5浓度越高，相关性系数xg为0.68～0.79；风速日均值与pm2.5浓度日均值之间存在负相关关系，风速日均值越大，pm2.5浓度越低，相关性系数xg为0.52～0.62；
S5、依据运动数字孪生模型，关联相关性系数xg，并计算获得未来演变规律。
2.根据权利要求1所述的气象软件的数据处理方法，其特征在于：所述S1中对气象数据包进行解压，并对气象监测数据进行数据读取；
将读取后的气象数据简单分析，对气象数据进行处理，查看异常值以及重复值；
对数据进行行查重和列数据查重；
防止数据缺失，进行浅拷贝；
对气象数据中的时间格式进行转换，进行降噪，并设置一天为一个周期；
对获取的气象参数进行整理后，获得气象分类数据。
3.根据权利要求2所述的气象软件的数据处理方法，其特征在于：采用记录数据格式进行数据预处理，其中，原处理数据解压之后进行处理的数据格式为布尔型数据格式；
在数据处理过程中，将温度、天气、风向、风力划分为多个区间；
其中在温度方面：以10个单位为1个划分区间；
在天气部分：分为晴天、阴天和雨天，多云和阴天同属于阴天；
在风向方面：以方位划分，在风力方面：以一个单位为划分区间，在处理数据过程后，L代表列数，J代表记录数，对列数和记录数进行表格转换后进行分类区间转换。
4.根据权利要求1所述的气象软件的数据处理方法，其特征在于：所述S2步骤中具体包括，依据获取到的气象分类数据建立气象监测数据集；
识别若干个气象分类数据，并分类为以下的维度，包括时间、风力、风向、湿度和温度；
识别时间特征、风力特征、风向特征、湿度特征和温度特征，并进行相应的标记符号和文字进行标记；
其中气象分类数据，根据多维度的气候特征，根据预设阈值进行对比和分析，把接收到的数据以曲线形式显示，便于发现数据变化规律；
设置曲线跳变周期为10分钟，处断处理软件在时间轴上以10分钟的整数倍数作为一个曲线点，把相邻曲线点相连呈现，以天为单位得到数据日曲线图，此时，生成间隔时间为10分钟。
5.根据权利要求1所述的气象软件的数据处理方法，其特征在于：根据相关性系数xg判断极端污染天气的判断方法包括：
平均温度与主要污染物的相关性最强，与污染物PM2.5、PM10、NO2、CO和SO2呈现出显著的负相关性，而与O3则表现出正相关；
一方面气温升高使大气的不稳定性增强，从而提升了污染物的扩散能力，另一方面由于夏季温度高、辐射强、光化学反应强烈，前体物NOx和VOCs极易形成O3；
通过关联相关性系数xg数值，计算O3数值；
当O3污染大于0.728时，判断为极端污染气象；
当数值0.528≤O3≤0.728时，判断为重度污染气象；
当数值0.203≤O3≤0.528时，判断为中度污染气象；
当数值0.025≤O3≤0.203时，判断为低度污染气象。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310504965.3A CN116228500B (zh) | 2023-05-08 | 2023-05-08 | 气象软件的数据处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310504965.3A CN116228500B (zh) | 2023-05-08 | 2023-05-08 | 气象软件的数据处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116228500A CN116228500A (zh) | 2023-06-06 |
| CN116228500B true CN116228500B (zh) | 2023-07-25 |
Family
ID=86584645
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310504965.3A Active CN116228500B (zh) | 2023-05-08 | 2023-05-08 | 气象软件的数据处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116228500B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113011674A (zh) * | 2021-03-31 | 2021-06-22 | 电子科技大学中山学院 | 一种光伏发电预测方法、装置、电子设备及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105738974B (zh) * | 2016-02-05 | 2018-09-11 | 北京市环境保护监测中心 | 空气重污染天气的预报方法和系统 |
| CN108280131A (zh) * | 2017-12-22 | 2018-07-13 | 中山大学 | 一种气象影响下的大气污染转变关系定量估计方法 |
| CN110555561B (zh) * | 2019-09-06 | 2022-04-01 | 清华大学 | 一种中长期径流集合预报方法 |
| CN115327666A (zh) * | 2022-08-01 | 2022-11-11 | 新疆兴农网信息中心 | 一种新型气象站用参考作物蒸散量测定方法及设备 |
| CN115905997B (zh) * | 2022-10-28 | 2023-07-07 | 安徽省国家电投和新电力技术研究有限公司 | 基于预测偏差优化的风电机组气象灾害预警方法及系统 |
-
2023
- 2023-05-08 CN CN202310504965.3A patent/CN116228500B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113011674A (zh) * | 2021-03-31 | 2021-06-22 | 电子科技大学中山学院 | 一种光伏发电预测方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116228500A (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8255522B2 (en) | Event detection from attributes read by entities | |
| CN110990393A (zh) | 一种行业企业数据异常行为的大数据识别方法 | |
| CN104281779A (zh) | 一种异常数据判定与处理方法及装置 | |
| US20240068907A1 (en) | Optimization algorithm for automatically determining variational mode decomposition parameters based on bearing vibration signals | |
| CN117113235B (zh) | 一种云计算数据中心能耗优化方法及系统 | |
| CN116402117B (zh) | 图像分类卷积神经网络剪枝方法及芯粒器件数据分配方法 | |
| CN113645182B (zh) | 一种基于二次特征筛选的拒绝服务攻击随机森林检测方法 | |
| CN112288597A (zh) | 一种基于层次聚类和直方图算法的能耗在线异常检测方法 | |
| CN116228500B (zh) | 气象软件的数据处理方法 | |
| CN110779843B (zh) | 一种大气二次颗粒物污染过程的分型分析系统 | |
| CN115879670A (zh) | 高耗电量企业碳排量提取方法及提取系统 | |
| CN116307212A (zh) | 一种新型空气质量预测方法及系统 | |
| CN115037543A (zh) | 一种基于双向时间卷积神经网络的异常网络流量检测方法 | |
| CN115329880A (zh) | 气象特征提取方法、装置、计算机设备和存储介质 | |
| CN117150283A (zh) | 一种基于大数据分析的突发环境事件安全预警方法 | |
| CN117170979B (zh) | 一种大规模设备的能耗数据处理方法、系统、设备及介质 | |
| CN112634113B (zh) | 一种基于动态滑窗的污染废气关联分析方法 | |
| Jiang et al. | Summarising climate and air quality (ozone) data on self-organising maps: a Sydney case study | |
| CN112037106B (zh) | 一种基于特征互相关性和概率密度的数据异常分析方法 | |
| CN112883577B (zh) | 一种海上风电场出力典型场景生成方法及存储介质 | |
| CN117649123A (zh) | 一种智慧园区管理系统 | |
| CN116506273A (zh) | 新型mpsk调制信号识别分类方法 | |
| CN112925827B (zh) | 一种基于电力采集物联数据的用户性质异常分析方法 | |
| CN111343165B (zh) | 基于birch和smote的网络入侵检测方法及系统 | |
| CN114238287A (zh) | 基于监测装置运行状态的油色谱监测数据质量评价方法 |
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 |