CN116502151A - 基于多维度气象数据的气象预测方法、系统、设备及介质 - Google Patents
基于多维度气象数据的气象预测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116502151A CN116502151A CN202310781192.3A CN202310781192A CN116502151A CN 116502151 A CN116502151 A CN 116502151A CN 202310781192 A CN202310781192 A CN 202310781192A CN 116502151 A CN116502151 A CN 116502151A
- Authority
- CN
- China
- Prior art keywords
- weather
- data
- multidimensional
- dimensional
- meteorological
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 18
- 238000001556 precipitation Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000002310 reflectometry Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013477 bayesian statistics method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Environmental & Geological Engineering (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于多维度气象数据的气象预测方法、系统、设备及介质,该方法包括从气象观测站、卫星遥感和气象雷达多个数据源获取多维度气象数据;将采集到的多维度气象数据预处理;通过基于频域分析的特征提取方法提取多维度气象数据特征;通过多维度气象数据特征基于深度学习算法建立多维度气象预测模型;通过历史气象数据对多维度气象预测模型进行训练,并对多维度气象预测模型进行验证和评估,确定多维度气象预测模型的预测能力和预测精度;通过训练好的多维度气象预测模型进行气象预测。通过采集多维度的气象数据、基于频域分析的特征提取方法和深度学习算法建立多维度气象预测模型,可以获取全面、准确的气象信息,提高气象预测的准确率。
Description
技术领域
本发明涉及气象预测领域,具体为一种基于多维度气象数据的气象预测方法、系统、设备及介质。
背景技术
气象预测是指根据已有气象观测资料,利用数理统计、物理学、气象学、计算机科学等知识和方法,推算未来一段时间内的天气情况,包括气温、气压、降水量、风向风速、云量等气象参数。气象预测的原理是通过对已知的大气物理学规律和历史气象数据进行分析、统计和模拟,利用计算机模型模拟未来天气变化趋势和规律,以预测未来天气状况。气象预测对于人类的生产、生活、交通、安全等各个方面都具有重要意义。比如在农业生产中,气象预测可以为农民的种植、施肥、灌溉等工作提供重要的参考依据;在海上航行中,气象预测可以为船只的航行安全提供保障;在城市管理中,气象预测可以为交通管理、应急救援等提供支持。因此,气象预测的必要性不可忽视。
气象预测的基础是气象观测,观测数据的准确性和时效性对气象预测结果的准确性和实时性有很大影响。同时气象数据范围广、数据量大,不同维度的数据相互关联、相互影响,没有进行有效的处理和分析,往往会产生预测的气象数据不准确的问题。
发明内容
鉴于以上所述现有技术的缺点,本发明提供一种基于多维度气象数据的气象预测方法、系统、设备及介质,以解决上述技术问题。
本发明提供的一种基于多维度气象数据的气象预测方法,所述方法包括以下步骤:
S110:从气象观测站、卫星遥感和气象雷达多个数据源获取多维度气象数据;
S120:将采集到的多维度气象数据进行预处理,其中,所述预处理包括去噪、异常值处理和缺失值填补,用于确保多维度气象数据的质量和完整性;
S130:通过基于频域分析的特征提取方法提取多维度气象数据特征;
S140:通过多维度气象数据特征基于深度学习算法建立多维度气象预测模型;
S150:通过历史气象数据对多维度气象预测模型进行训练,并对多维度气象预测模型进行验证和评估,确定多维度气象预测模型的预测能力和预测精度;
S160:通过训练好的多维度气象预测模型进行气象预测。
于本发明中,所述多维度气象数据包括温度、湿度、风速和降水量。
于本发明中,步骤S130具体包括:
S210:将多维度气象数据进行傅里叶变换,得到频域上的幅度谱和相位谱;
S220:根据幅度谱和相位谱,计算得到信号的功率谱密度,用于反映信号在频域上的能量分布情况;
S230:根据功率谱密度,提取出信号的主要频率成分,用于分析气象数据的周期性和变化趋势;
S240:根据相位谱,计算信号的相位差,用于分析多维度气象数据之间的时间延迟和相关性。
于本发明中,步骤S210通过快速傅里叶变换算法实现。
于本发明中,所述气象雷达包括反射率雷达、多普勒雷达、相控阵雷达、大气激光雷达、电阻率探测雷达和闪电定位雷达。
于本发明中,步骤S140通过QPF时间滞后算法、主客观融合算法以及多普勒雷达三维风场反演实现。
于本发明中,步骤S160还包括:
S310:根据预测结果输出相应的气象预报报告;
S320:将最新的多维度气象数据更新至多维度气象预测模型;
S330:定时执行S160,按照固定的时间间隔更新气象预报报告,及时反映气象变化。
本发明还提供一种基于多维度气象数据的气象预测系统,包括:
数据采集模块:从气象观测站、卫星遥感和气象雷达多个数据源获取多维度气象数据;
数据预处理模块:将采集到的多维度气象数据进行预处理,其中,所述预处理包括去噪、异常值处理和缺失值填补,用于确保多维度气象数据的质量和完整性;
特征提取模块:通过基于频域分析的特征提取方法提取多维度气象数据的特征;
模型建立模块:通过多维度气象数据的特征和深度学习算法建立多维度气象预测模型;
模型训练和验证模块:通过历史气象数据对多维度气象预测模型进行训练,并对多维度气象预测模型进行验证和评估,确定模型的预测能力和精度;
气象预测模块:通过训练好的多维度气象预测模型进行气象预测。
本发明还提供一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现如上述任一项所述的一种基于多维度气象数据的气象预测方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被计算机的处理器执行时,使计算机执行如上述任一项所述的一种基于多维度气象数据的气象预测方法。
本发明的有益效果:本发明通过从气象观测站、卫星遥感和气象雷达多个数据源获取多维度气象数据;将采集到的多维度气象数据进行预处理,其中,所述预处理包括去噪、异常值处理和缺失值填补,用于确保多维度气象数据的质量和完整性;通过基于频域分析的特征提取方法提取多维度气象数据特征;通过多维度气象数据特征基于深度学习算法建立多维度气象预测模型;通过历史气象数据对多维度气象预测模型进行训练,并对多维度气象预测模型进行验证和评估,确定多维度气象预测模型的预测能力和预测精度;通过训练好的多维度气象预测模型进行气象预测。通过采集多维度的气象数据可以获取更全面、更准确的气象信息,进而提高气象预测的准确率,同时基于频域分析的特征提取方法能够在不丢失气象信息的情况下,将时域信号转化为频域信号,并且能够提取出不同频率下的特征信息,能够更好地提取出周期性特征,进而提高气象预测的准确性。通过深度学习算法建立的多维度气象预测模型具有更准确的预测、更广泛的应用、更强的泛化能力和更高的效率。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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。在附图中:
图1为本发明的一示例性实施例示出的一种基于多维度气象数据的气象预测方法的流程图;
图2为本发明的一示例性实施例示出的一种基于多维度气象数据的气象预测方法中步骤S130的流程图;
图3为本发明的一示例性实施例示出的一种基于多维度气象数据的气象预测系统结构示意图;
图4为本发明的一示例性实施例示出的电子设备的计算机系统的结构示意图。
具体实施方式
以下将参照附图和优选实施例来说明本发明的实施方式,本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
在下文描述中,探讨了大量细节,以提供对本发明实施例的更透彻的解释,然而,对本领域技术人员来说,可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的,在其他实施例中,以方框图的形式而不是以细节的形式来示出公知的结构和设备,以避免使本发明的实施例难以理解。
首先需要说明的是,气象预测是指根据已有气象观测资料,利用数理统计、物理学、气象学、计算机科学等知识和方法,推算未来一段时间内的天气情况,包括气温、气压、降水量、风向风速、云量等气象参数。气象预测的原理是通过对已知的大气物理学规律和历史气象数据进行分析、统计和模拟,利用计算机模型模拟未来天气变化趋势和规律,以预测未来天气状况。气象预测对于人类的生产、生活、交通、安全等各个方面都具有重要意义。比如在农业生产中,气象预测可以为农民的种植、施肥、灌溉等工作提供重要的参考依据;在海上航行中,气象预测可以为船只的航行安全提供保障;在城市管理中,气象预测可以为交通管理、应急救援等提供支持。因此,气象预测的必要性不可忽视。
图1为本发明的一示例性实施例示出的一种基于多维度气象数据的气象预测方法的流程图;
如图1所示,本发明提供的一种基于多维度气象数据的气象预测方法,所述方法包括:
步骤S110:从气象观测站、卫星遥感和气象雷达多个数据源获取多维度气象数据;
步骤S120:将采集到的多维度气象数据进行预处理,其中,所述预处理包括去噪、异常值处理和缺失值填补,用于确保多维度气象数据的质量和完整性;
步骤S130:通过基于频域分析的特征提取方法提取多维度气象数据特征;
步骤S140:通过多维度气象数据特征基于深度学习算法建立多维度气象预测模型;
步骤S150:通过历史气象数据对多维度气象预测模型进行训练,并对多维度气象预测模型进行验证和评估,确定多维度气象预测模型的预测能力和预测精度;
步骤S160:通过训练好的多维度气象预测模型进行气象预测。
在一示例性的实施例中,所述气象雷达包括反射率雷达、多普勒雷达、相控阵雷达、大气激光雷达、电阻率探测雷达和闪电定位雷达。上述气象雷达的原理和作用如下所示:
反射率雷达:测量大气中水滴或冰晶对雷达波的反射,用于探测降水。
多普勒雷达:测量大气中水滴或冰晶对雷达波的反射和散射,利用多普勒效应测量降水的速度和方向,用于探测强风暴和风切变等。
相控阵雷达:通过改变天线单元的相位和振幅来实现电波束的电子扫描,用于实现三维气象观测。
大气激光雷达:使用激光束穿过大气,测量散射光的时间延迟和强度,从而确定大气中的温度、湿度和风速等参数。
电阻率探测雷达:通过测量大气中电磁波的电阻率变化,可以反演出大气的温度和湿度等参数。
闪电定位雷达:通过测量闪电的电磁波信号,可以确定闪电的位置和强度,从而实现对雷暴活动的监测。
通过上述多维度气象雷达获取多维度气象数据,可以获取更全面、更准确的气象信息,通过对多维度气象数据进行分析,进而提高气象预测的准确率。
在一示例性的实施例中,所述多维度气象数据包括温度、湿度、风速和降水量。
在一示例性的实施例中,步骤S140通过QPF时间滞后算法、主客观融合算法以及多普勒雷达三维风场反演实现。
QPF(Quantitative Precipitation Forecasting)时间滞后算法是一种气象预测方法,用于预测降水的时间滞后效应。其原理是基于历史降水数据的统计分析,通过建立时间滞后模型来预测未来降水情况。该算法认为当前的降水量与之前若干个时间点的降水量存在一定的相关性,因此可以通过对历史数据的分析来预测未来的降水量。
具体实现时,可以利用回归分析、时间序列分析等方法来建立时间滞后模型。首先,根据历史数据中的降水量和时间信息,计算出不同时间点的降水量之间的相关系数,并找出相关性较强的时间点。然后,根据这些时间点的数据建立时间滞后模型,预测未来的降水量。最后,根据预测结果进行调整和修正,以提高预测准确性。
主客观融合算法是一种将主观判断和客观分析相结合的数据融合方法。它旨在利用专家的主观经验和机器算法的客观性来提高预测准确度。
主观部分是指人类专家基于经验和知识所做出的判断和预测,客观部分则是指基于数学和统计方法得出的分析结果。在主客观融合算法中,主观部分和客观部分通常各自对同一问题进行分析,并通过一定的权重或置信度进行综合。
主客观融合算法的具体原理包括:对主观判断和客观分析结果进行量化和标准化处理,以便进行合理的权重和置信度赋值;根据不同的问题和数据特点,选择合适的算法对主客观结果进行融合;利用历史数据和实际情况进行算法的调整和验证,不断提高融合算法的准确度和适用性。在气象预测方面,一些常用的方法包括基于神经网络、贝叶斯统计、模糊逻辑、灰色系统理论等的算法可以在主客观融合中得到应用。
多普勒雷达三维风场反演是利用多普勒雷达测量的大气散射回波信号来反演出大气中三维风场信息的一种技术。其基本原理是利用雷达测得的回波信号中的多普勒频移,计算出大气中散射体的径向风速,进而反演出三维风场信息。
具体来说,多普勒雷达将发射出去的微波信号通过天线发射至大气中,当微波与大气中的散射体相互作用时,部分微波能量被反射回来,称为回波信号。由于大气中散射体的运动会引起回波信号的多普勒频移,即回波信号频率发生变化,因此通过对回波信号的频率分析,可以计算出大气中散射体的径向速度。
在多普勒雷达三维风场反演中,首先需要对回波信号进行功率谱密度估计,得到回波信号在不同多普勒频移处的功率谱密度分布。然后,通过对功率谱密度分布进行谱展宽(Spectral Broadening)处理,可以得到散射体的径向速度分布。最后,结合雷达探测角度等参数,通过三维插值等方法,可以反演出大气中的三维风场信息。
通过QPF时间滞后算法、主客观融合算法以及多普勒雷达三维风场反演根据多维度气象数据特征建立多维度气象预测模型,使得多维度气象预测模型具有更准确的预测:深度学习算法能够利用多层次、非线性的特征提取方式,提高气象预测的精度和准确性;更广泛的应用:多维度气象数据包含了各种气象因素的信息,深度学习模型可以应用于各种气象预测场景,如降雨预测、气温预测、风速预测等;更强的泛化能力:深度学习模型具有更好的泛化能力,能够处理不同来源、不同类型的气象数据,适应不同的气象预测场景;更高的效率:深度学习算法在处理大规模数据时,具有较高的计算效率和并行处理能力,能够更快地进行气象预测。
图2为本发明的一示例性实施例示出的一种基于多维度气象数据的气象预测方法中步骤S130的流程图;
如图2所示,本发明提供的一种基于多维度气象数据的气象预测方法,所述方法中步骤S130具体包括:
步骤S210:将多维度气象数据进行傅里叶变换,得到频域上的幅度谱和相位谱;
步骤S220:根据幅度谱和相位谱,计算得到信号的功率谱密度,用于反映信号在频域上的能量分布情况;
步骤S230:根据功率谱密度,提取出信号的主要频率成分,用于分析气象数据的周期性和变化趋势;
步骤S240:根据相位谱,计算信号的相位差,用于分析多维度气象数据之间的时间延迟和相关性。
在一示例性的实施例中,步骤S210通过快速傅里叶变换算法实现。
快速傅里叶变换(Fast Fourier Transform,FFT)将傅里叶变换的计算分解成了许多小规模的傅里叶变换,然后通过递归的方式进行计算,从而加快了计算速度。具体实现逻辑为:
1.将待计算的n点序列按照时间抽样方式分成两部分,一部分为偶数下标点,一部分为奇数下标点;
2.对这两部分分别递归执行FFT;
3.利用旋转因子对FFT结果进行合并;
4.递归执行步骤2和3,直到最终得到n点FFT结果。
FFT可以通过迭代方法,避免递归所带来的额外开销。同时可以通过预处理旋转因子和采用位运算等方法进一步优化FFT算法,提高计算速度。通过傅里叶变换可以有效地提取气象数据的频率、相位、功率谱等特征,从而方便进行气象数据的分析和预测。
在一示例性的实施例中,步骤S160还包括:
S310:根据预测结果输出相应的气象预报报告;
S320:将最新的多维度气象数据更新至多维度气象预测模型;
S330:定时执行S160,按照固定的时间间隔更新气象预报报告,及时反映气象变化。
通过使用训练好的多维度气象预测模型进行定时气象预测并输出结果显示有以下优点:
预测精度高:利用多维度气象数据进行训练,结合深度学习算法建立的模型可以有效地提取气象数据中的特征,并准确预测未来的气象变化,从而提高预测的精度。
自动化程度高:模型能够自动地完成对气象数据的处理和分析,无需人工干预,大大降低了工作量和人为因素带来的误差。
及时性强:模型可以实时监测和分析气象数据,及时预测未来气象变化,为决策者提供及时的气象预警和预测结果,提高决策的及时性。
可视化效果好:输出结果显示清晰明了,直观地呈现了气象预测结果,使人们能够更加直观地了解气象变化情况,更好地应对气象灾害等问题。
综上所述,通过训练好的多维度气象预测模型进行定时气象预测并输出结果显示,可以提高气象预测的精度和自动化程度,加强预测的及时性和可视化效果。
图3为本发明的一示例性实施例示出的一种基于多维度气象数据的气象预测系统结构示意图;
如图3所示,该示例性的一种基于多维度气象数据的气象预测系统包括:
数据采集模块:从气象观测站、卫星遥感和气象雷达多个数据源获取多维度气象数据;
数据预处理模块:将采集到的多维度气象数据进行预处理,其中,所述预处理包括去噪、异常值处理和缺失值填补,用于确保多维度气象数据的质量和完整性;
特征提取模块:通过基于频域分析的特征提取方法提取多维度气象数据的特征;
模型建立模块:通过多维度气象数据的特征和深度学习算法建立多维度气象预测模型;
模型训练和验证模块:通过历史气象数据对多维度气象预测模型进行训练,并对多维度气象预测模型进行验证和评估,确定模型的预测能力和精度;
气象预测模块:通过训练好的多维度气象预测模型进行气象预测。
需要说明的是,上述实施例所提供的一种基于多维度气象数据的气象预测系统与上述实施例所提供的一种基于多维度气象数据的气象预测方法属于同一构思,其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述,此处不再赘述。上述实施例所提供的一种基于多维度气象数据的气象预测系统在实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将系统的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能,本处也不对此进行限制。
本申请的实施例还提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现上述各个实施例中提供的一种基于多维度气象数据的气象预测方法。
图4示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。需要说明的是,图4示出的电子设备的计算机系统400仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示,计算机系统400包括中央处理单元(Central Processing Unit,CPU)401,其可以根据存储在只读存储器(Read-Only Memory,ROM)402中的程序或者从储存部分408加载到随机访问存储器(Random Access Memory,RAM)403中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 403中,还存储有系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(Input/Output,I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分407;包括硬盘等的储存部分408;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入储存部分408。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请的另一方面还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如前所述的一种基于多维度气象数据的气象预测方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的,也可以是单独存在,而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各个实施例中提供的一种基于多维度气象数据的气象预测方法。
上述实施例仅示例性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于多维度气象数据的气象预测方法,其特征在于,所述方法包括以下步骤:
S110:从气象观测站、卫星遥感和气象雷达多个数据源获取多维度气象数据;
S120:将采集到的多维度气象数据进行预处理,其中,所述预处理包括去噪、异常值处理和缺失值填补,用于确保多维度气象数据的质量和完整性;
S130:通过基于频域分析的特征提取方法提取多维度气象数据特征;
S140:通过多维度气象数据特征基于深度学习算法建立多维度气象预测模型;
S150:通过历史气象数据对多维度气象预测模型进行训练,并对多维度气象预测模型进行验证和评估,确定多维度气象预测模型的预测能力和预测精度;
S160:通过训练好的多维度气象预测模型进行气象预测。
2.根据权利要求1所述的一种基于多维度气象数据的气象预测方法,其特征在于,所述多维度气象数据包括温度、湿度、风速和降水量。
3.根据权利要求1所述的一种基于多维度气象数据的气象预测方法,其特征在于,步骤S130具体包括:
S210:将多维度气象数据进行傅里叶变换,得到频域上的幅度谱和相位谱;
S220:根据幅度谱和相位谱,计算得到信号的功率谱密度,用于反映信号在频域上的能量分布情况;
S230:根据功率谱密度,提取出信号的主要频率成分,用于分析气象数据的周期性和变化趋势;
S240:根据相位谱,计算信号的相位差,用于分析多维度气象数据之间的时间延迟和相关性。
4.根据权利要求3所述的一种基于多维度气象数据的气象预测方法,其特征在于,步骤S210通过快速傅里叶变换算法实现。
5.根据权利要求1所述的一种基于多维度气象数据的气象预测方法,其特征在于,所述气象雷达包括反射率雷达、多普勒雷达、相控阵雷达、大气激光雷达、电阻率探测雷达和闪电定位雷达。
6.根据权利要求1所述的一种基于多维度气象数据的气象预测方法,其特征在于,步骤S140通过QPF时间滞后算法、主客观融合算法以及多普勒雷达三维风场反演实现。
7.根据权利要求1所述的一种基于多维度气象数据的气象预测方法,其特征在于,步骤S160还包括:
S310:根据预测结果输出相应的气象预报报告;
S320:将最新的多维度气象数据更新至多维度气象预测模型;
S330:定时执行S160,按照固定的时间间隔更新气象预报报告,及时反映气象变化。
8.一种基于多维度气象数据的气象预测系统,其特征在于,包括:
数据采集模块:从气象观测站、卫星遥感和气象雷达多个数据源获取多维度气象数据;
数据预处理模块:将采集到的多维度气象数据进行预处理,其中,所述预处理包括去噪、异常值处理和缺失值填补,用于确保多维度气象数据的质量和完整性;
特征提取模块:通过基于频域分析的特征提取方法提取多维度气象数据的特征;
模型建立模块:通过多维度气象数据的特征和深度学习算法建立多维度气象预测模型;
模型训练和验证模块:通过历史气象数据对多维度气象预测模型进行训练,并对多维度气象预测模型进行验证和评估,确定模型的预测能力和精度;
气象预测模块:通过训练好的多维度气象预测模型进行气象预测。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现如权利要求1至7中任一项所述的一种基于多维度气象数据的气象预测方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,当所述计算机程序被计算机的处理器执行时,使计算机执行权利要求1至7中任一项所述的一种基于多维度气象数据的气象预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310781192.3A CN116502151B (zh) | 2023-06-29 | 2023-06-29 | 基于多维度气象数据的气象预测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310781192.3A CN116502151B (zh) | 2023-06-29 | 2023-06-29 | 基于多维度气象数据的气象预测方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116502151A true CN116502151A (zh) | 2023-07-28 |
CN116502151B CN116502151B (zh) | 2023-09-12 |
Family
ID=87320662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310781192.3A Active CN116502151B (zh) | 2023-06-29 | 2023-06-29 | 基于多维度气象数据的气象预测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116502151B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5583972A (en) * | 1993-08-02 | 1996-12-10 | Miller; Richard L. | 3-D weather display and weathercast system |
JP2003344556A (ja) * | 2002-05-27 | 2003-12-03 | Toshiba Corp | 気象観測・予測システムと気象レーダ情報解析装置、気象予測モデル装置 |
JP2005189177A (ja) * | 2003-12-26 | 2005-07-14 | Mitsubishi Electric Corp | 風速ベクトル算出装置 |
JP2010060443A (ja) * | 2008-09-04 | 2010-03-18 | Japan Weather Association | 気象予測装置、方法及びプログラム |
US20100305916A1 (en) * | 2007-10-29 | 2010-12-02 | Japan Agency For Marine-Earth Science And Technology | Meteorological phenomena simulation device and method |
US20130013206A1 (en) * | 2011-07-05 | 2013-01-10 | International Business Machines Corporation | Meteorological Parameter Forecasting |
CN103163523A (zh) * | 2013-02-25 | 2013-06-19 | 中国民航大学 | 基于压缩感知的低空风切变风速估计方法 |
US20140362088A1 (en) * | 2013-06-06 | 2014-12-11 | Massachusetts Institute Of Technology | Graphical display of radar and radar-like meteorological data |
US20160104059A1 (en) * | 2014-10-10 | 2016-04-14 | The Penn State Research Foundation | Identifying visual storm signatures from satellite images |
CN108828691A (zh) * | 2018-04-18 | 2018-11-16 | 青岛心中有数科技有限公司 | 短临降水预报方法与装置 |
CN109031472A (zh) * | 2017-06-09 | 2018-12-18 | 阿里巴巴集团控股有限公司 | 一种用于气象预测的数据处理方法及装置 |
CN109447315A (zh) * | 2018-09-18 | 2019-03-08 | 中国电力科学研究院有限公司 | 一种基于多时空尺度的电力气象数值天气预报方法和装置 |
CN109884640A (zh) * | 2019-02-20 | 2019-06-14 | 北京市人工影响天气办公室 | 一种数据处理方法、装置及电子设备 |
CN110532944A (zh) * | 2019-08-28 | 2019-12-03 | 河北冀云气象技术服务有限责任公司 | 一种智能图像识别天气现象系统及方法 |
CN110618473A (zh) * | 2019-10-09 | 2019-12-27 | 北京北科融智云计算科技有限公司 | 一种即时气象情报保障方法 |
CN110705115A (zh) * | 2019-10-10 | 2020-01-17 | 北京北科融智云计算科技有限公司 | 一种基于深度置信网络的气象预报方法和系统 |
CN210534355U (zh) * | 2019-09-19 | 2020-05-15 | 内蒙古自治区大气探测技术保障中心 | 一种地面气象环境监测及预警设备 |
WO2021129909A1 (en) * | 2019-12-26 | 2021-07-01 | Vestas Wind Systems A/S | Calculating a return period wind speed |
CN113094638A (zh) * | 2021-03-08 | 2021-07-09 | 中国电力科学研究院有限公司 | 一种气象网格化数据的多源场融合方法和系统 |
CN114518612A (zh) * | 2022-02-14 | 2022-05-20 | 广东省气象公共安全技术支持中心 | 雷暴风险预警方法、系统及电子设备 |
-
2023
- 2023-06-29 CN CN202310781192.3A patent/CN116502151B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5583972A (en) * | 1993-08-02 | 1996-12-10 | Miller; Richard L. | 3-D weather display and weathercast system |
JP2003344556A (ja) * | 2002-05-27 | 2003-12-03 | Toshiba Corp | 気象観測・予測システムと気象レーダ情報解析装置、気象予測モデル装置 |
JP2005189177A (ja) * | 2003-12-26 | 2005-07-14 | Mitsubishi Electric Corp | 風速ベクトル算出装置 |
US20100305916A1 (en) * | 2007-10-29 | 2010-12-02 | Japan Agency For Marine-Earth Science And Technology | Meteorological phenomena simulation device and method |
JP2010060443A (ja) * | 2008-09-04 | 2010-03-18 | Japan Weather Association | 気象予測装置、方法及びプログラム |
US20130013206A1 (en) * | 2011-07-05 | 2013-01-10 | International Business Machines Corporation | Meteorological Parameter Forecasting |
CN103163523A (zh) * | 2013-02-25 | 2013-06-19 | 中国民航大学 | 基于压缩感知的低空风切变风速估计方法 |
US20140362088A1 (en) * | 2013-06-06 | 2014-12-11 | Massachusetts Institute Of Technology | Graphical display of radar and radar-like meteorological data |
US20160104059A1 (en) * | 2014-10-10 | 2016-04-14 | The Penn State Research Foundation | Identifying visual storm signatures from satellite images |
CN109031472A (zh) * | 2017-06-09 | 2018-12-18 | 阿里巴巴集团控股有限公司 | 一种用于气象预测的数据处理方法及装置 |
CN108828691A (zh) * | 2018-04-18 | 2018-11-16 | 青岛心中有数科技有限公司 | 短临降水预报方法与装置 |
CN109447315A (zh) * | 2018-09-18 | 2019-03-08 | 中国电力科学研究院有限公司 | 一种基于多时空尺度的电力气象数值天气预报方法和装置 |
CN109884640A (zh) * | 2019-02-20 | 2019-06-14 | 北京市人工影响天气办公室 | 一种数据处理方法、装置及电子设备 |
CN110532944A (zh) * | 2019-08-28 | 2019-12-03 | 河北冀云气象技术服务有限责任公司 | 一种智能图像识别天气现象系统及方法 |
CN210534355U (zh) * | 2019-09-19 | 2020-05-15 | 内蒙古自治区大气探测技术保障中心 | 一种地面气象环境监测及预警设备 |
CN110618473A (zh) * | 2019-10-09 | 2019-12-27 | 北京北科融智云计算科技有限公司 | 一种即时气象情报保障方法 |
CN110705115A (zh) * | 2019-10-10 | 2020-01-17 | 北京北科融智云计算科技有限公司 | 一种基于深度置信网络的气象预报方法和系统 |
WO2021129909A1 (en) * | 2019-12-26 | 2021-07-01 | Vestas Wind Systems A/S | Calculating a return period wind speed |
CN113094638A (zh) * | 2021-03-08 | 2021-07-09 | 中国电力科学研究院有限公司 | 一种气象网格化数据的多源场融合方法和系统 |
CN114518612A (zh) * | 2022-02-14 | 2022-05-20 | 广东省气象公共安全技术支持中心 | 雷暴风险预警方法、系统及电子设备 |
Non-Patent Citations (2)
Title |
---|
YAYAT RUHIAT: "Forecasting rainfall and potential for repeated events to predict flood areas in Banten province, Indonesia", 《HTTPS://DOI.ORG/10.21595/JME.2022.22363》 * |
唐健 等: "主客观融合定量降水预报方法及实现平台", 《气象》 * |
Also Published As
Publication number | Publication date |
---|---|
CN116502151B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135654B (zh) | 用于预测强对流天气的方法和装置 | |
Bouttier et al. | Impact of stochastic physics in a convection-permitting ensemble | |
Zhang et al. | Assimilation of precipitation-affected radiances in a cloud-resolving WRF ensemble data assimilation system | |
Poterjoy et al. | Convective-scale data assimilation for the weather research and forecasting model using the local particle filter | |
Krueger et al. | Evaluation of an air pressure–based proxy for storm activity | |
Ryu et al. | Improved rainfall nowcasting using Burgers’ equation | |
Colli et al. | Adjustments for wind-induced undercatch in snowfall measurements based on precipitation intensity | |
US20210080569A1 (en) | Systems and Methods for Weather Radar Processing | |
Zhao et al. | Estimation of atmospheric duct structure using radar sea clutter | |
CN116434485A (zh) | 基于多维度气象数据的灾害预警方法、系统、设备及介质 | |
Pfeifer et al. | A polarimetric radar forward operator for model evaluation | |
Wu et al. | Radiance-based assessment of bulk microphysics models with seven hydrometeor species in forecasting Super-typhoon Lekima (2019) near landfall | |
Peña et al. | Evaluation of idealized large-eddy simulations performed with the Weather Research and Forecasting model using turbulence measurements from a 250 m meteorological mast | |
CN115239105A (zh) | 一种在役风电场的风资源的评估方法以及装置 | |
Caron et al. | Evaluation of recent NCEP operational model upgrades for cool-season precipitation forecasting over the western conterminous United States | |
Li et al. | Object-based tracking of precipitation systems in western Canada: the importance of temporal resolution of source data | |
Schrom et al. | Radar-based Bayesian estimation of ice crystal growth parameters within a microphysical model | |
Lucero et al. | Characteristics of aggregation of daily rainfall in a middle-latitudes region during a climate variability in annual rainfall amount | |
Hoover et al. | Unshielded precipitation gauge collection efficiency with wind speed and hydrometeor fall velocity | |
CN116502151B (zh) | 基于多维度气象数据的气象预测方法、系统、设备及介质 | |
Zanella et al. | Internet of things for hydrology: Potential and challenges | |
Wang et al. | An approach for radar quantitative precipitation estimation based on spatiotemporal network | |
Hou et al. | Machine learning-based seeing estimation and prediction using multi-layer meteorological data at Dome A, Antarctica | |
Sivasubramaniam et al. | Estimating radar precipitation in cold climates: the role of air temperature within a non-parametric framework | |
Scheidegger et al. | Bayesian assimilation of rainfall sensors with fundamentally different integration characteristics |
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 |