CN117031584A - 一种霜冻预测预报方法及系统 - Google Patents
一种霜冻预测预报方法及系统 Download PDFInfo
- Publication number
- CN117031584A CN117031584A CN202311027120.6A CN202311027120A CN117031584A CN 117031584 A CN117031584 A CN 117031584A CN 202311027120 A CN202311027120 A CN 202311027120A CN 117031584 A CN117031584 A CN 117031584A
- Authority
- CN
- China
- Prior art keywords
- frost
- data
- target
- prediction
- observation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004458 analytical method Methods 0.000 claims abstract description 53
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000010276 construction Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 8
- 238000001556 precipitation Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000012098 association analyses Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 9
- 238000007405 data analysis Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Environmental & Geological Engineering (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Ecology (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Environmental Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Mathematical Physics (AREA)
- Atmospheric Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种霜冻预测预报方法及系统,涉及气象监测技术领域。该方法包括:获取并根据目标地区的基础情况信息构建目标气象观测架构;采集目标地区的不同历史时间段的基础观测资料;基于目标气象观测架构结合不同历史时间段的基础观测资料对目标地区的霜冻情况进行分析,生成霜冻分析数据;根据霜冻分析数据构建目标地区的初始霜冻预测模型;获取并根据历史气象数据对初始霜冻预测模型进行训练,以得到最终的霜冻预测模型;采集并将实时气象数据导入至霜冻预测模型中,生成霜冻预测数据,并进行实时霜冻预报。本发明采集全面的观测数据,进行关联分析,并结合历史霜冻特点数据构建针对性的霜冻预测模型,实现精准高效的霜冻灾害预测预报。
Description
技术领域
本发明涉及气象监测技术领域,具体而言,涉及一种霜冻预测预报方法及系统。
背景技术
霜冻,是指作物表面以及近地面空气层的温度迅速下降到作物生长的临界温度或以下时足以引起作物枯萎或死亡的现象,它是秋冬季发生范围广、危害作物种类多、造成经济损失较大的一种农业气象灾害。因此,精准有效的霜冻预测预报对于预防霜冻造成的灾害显得尤其重要。
现有技术中,一般是根据大气温湿度、土壤温度和风速等常规基础数据进行霜冻的预测,由于采集数据不够全面,数据分析不够精准,导致霜冻预测效果不好,无法实现精准高效的霜冻灾害预测预报。
发明内容
为了克服上述问题或者至少部分地解决上述问题,本发明提供一种霜冻预测预报方法及系统,采集全面的观测数据,进行关联分析,并结合历史霜冻特点数据构建针对性的霜冻预测模型,实现精准高效的霜冻灾害预测预报。
为解决上述技术问题,本发明采用的技术方案为:
第一方面,本发明提供一种霜冻预测预报方法,包括以下步骤:
获取并根据目标地区的基础情况信息构建目标气象观测架构;
采集目标地区的不同历史时间段的基础观测资料;
基于目标气象观测架构,结合不同历史时间段的基础观测资料,对目标地区的霜冻情况进行分析,生成霜冻分析数据;
根据霜冻分析数据构建目标地区的初始霜冻预测模型;
获取并根据历史气象数据对初始霜冻预测模型进行学习训练,以得到最终的霜冻预测模型;
采集并将实时气象数据导入至霜冻预测模型中,生成霜冻预测数据,并进行实时霜冻预报。
本发明通过采集全面的观测数据,进行关联分析,并结合历史霜冻特点数据构建针对性的霜冻预测模型,实现精准高效的霜冻灾害预测预报。首先,结合不同地区的实际情况构建一个针对性的气象观测架构,以便后续进行精准高效的数据分析;然后,结合目标地区不同时间段的相关基础观测资料,对目标地区的霜冻情况进行精准全面的分析,分布不同气象参数与霜冻之间的关系,生成全面的霜冻分析数据,确定出该目标地区的霜冻特征情况,进而构建一个符合该目标地区的初始霜冻预测模型,并结合大量的历史气象数据对该初始霜冻预测模型进行训练,以得到一个运算能力更高的霜冻预测模型,基于该霜冻预测模型针对实时气象情况进行霜冻预测,并及时的进行霜冻预报,以便更好的进行霜冻灾害防御。
基于第一方面,进一步地,上述根据目标地区的基础情况信息构建目标气象观测架构的方法包括以下步骤:
提取并根据目标地区的基础情况信息中的地理区域分布设定区域监测节点;
提取并根据目标地区的基础情况信息中的地质特征设定特征监测子节点;
基于区域监测和特征监测子节点构建目标气象观测架构。
基于第一方面,进一步地,上述基础观测资料包括日均温度、最低地表温度、天气现象数据、最低气温、湿度、降水量、霜冻情况数据、降雪情况数据、地理地质数据、地理海拔数据、大气环流数据。
基于第一方面,进一步地,上述基于目标气象观测架构,结合不同历史时间段的基础观测资料,对目标地区的霜冻情况进行分析的方法包括以下步骤:
基于目标气象观测架构依次提取并根据各个历史时间段的基础观测资料中各地理区域的日均温度、最低地表温度、天气现象数据、最低气温、湿度、降水量、霜冻日情况数据及降雪日情况数据对目标地区的霜冻情况进行分析,以得到气象参数与霜冻情况之间的关联信息;
基于目标气象观测架构依次提取并根据各个历史时间段的基础观测资料中各地理区域的霜冻情况数据和地理海拔数据,进行霜冻空间分布特点分析,以得到霜冻分布特征数据;
基于目标气象观测架构依次提取并根据各个历史时间段的基础观测资料中各地理区域的霜冻情况数据,进行霜冻年际变化和月频率变化分析,以得到对应的霜冻变化数据;
基于目标气象观测架构依次提取并根据各个历史时间段的基础观测资料中各地理区域的霜冻情况数据和天气现象数据,进行霜冻与气候关联性分析,以得到霜冻气候影响数据;
基于目标气象观测架构依次提取并根据各个历史时间段的基础观测资料中各地理区域的霜冻情况数据和大气环流数据,进行霜冻与环流关联性分析,以得到霜冻环流特征分析数据;
根据气象参数与霜冻情况之间的关联信息、霜冻分布特征数据、霜冻变化数据、霜冻气候影响数据和霜冻环流特征分析数据生成最终的霜冻分析数据。
基于第一方面,进一步地,上述基于目标气象观测架构依次提取并根据各个历史时间段的基础观测资料中各地理区域的霜冻情况数据和地理海拔数据,进行霜冻空间分布特点分析,以得到霜冻分布特征数据的方法包括以下步骤:
基于目标气象观测架构依次提取并根据各个历史时间段的基础观测资料中各地理区域的霜冻情况数据,进行霜日分级处理,以得到对应的霜日分级信息;
根据基于目标气象观测架构依次提取并根据各个历史时间段的基础观测资料中各地理区域的霜冻情况数据和地理海拔数据,进行霜冻分布与海拔的相关性分析,以得到霜冻海拔关联信息;
根据霜日分级信息和霜冻海拔关联信息生成最终的霜冻分布特征数据。
基于第一方面,进一步地,上述根据霜冻分析数据构建目标地区的初始霜冻预测模型的方法包括以下步骤:
提取并根据霜冻分析数据中的数据类别设定霜冻影响参数;
提取并根据霜冻分析数据中的霜冻与各参数之间的关联性设定预测系数;
基于霜冻影响参数和预测系数构建初始霜冻预测模型。
基于第一方面,进一步地,该霜冻预测预报方法还包括以下步骤:
获取并根据目标地区的农作物生长情况信息进行农作物生长与霜冻灾害影响分析,以得到对应的霜冻与农作物生长特征数据;
基于霜冻预测模型进行目标地区的霜冻灾害预测,并结合霜冻与农作物生长特征数据,生成并发送对应的农作物生长灾害预报信息。
第二方面,本发明提供一种霜冻预测预报系统,包括观测架构构建模块、历史资料采集模块、霜冻分析模块、预测模型构建模块、模型训练模块以及霜冻预测预报模块,其中:
观测架构构建模块,用于获取并根据目标地区的基础情况信息构建目标气象观测架构;
历史资料采集模块,用于采集目标地区的不同历史时间段的基础观测资料;
霜冻分析模块,用于基于目标气象观测架构,结合不同历史时间段的基础观测资料,对目标地区的霜冻情况进行分析,生成霜冻分析数据;
预测模型构建模块,用于根据霜冻分析数据构建目标地区的初始霜冻预测模型;
模型训练模块,用于获取并根据历史气象数据对初始霜冻预测模型进行学习训练,以得到最终的霜冻预测模型;
霜冻预测预报模块,用于采集并将实时气象数据导入至霜冻预测模型中,生成霜冻预测数据,并进行实时霜冻预报。
本系统通过观测架构构建模块、历史资料采集模块、霜冻分析模块、预测模型构建模块、模型训练模块以及霜冻预测预报模块等多个模块的配合,通过采集全面的观测数据,进行关联分析,并结合历史霜冻特点数据构建针对性的霜冻预测模型,实现精准高效的霜冻灾害预测预报。首先,结合不同地区的实际情况构建一个针对性的气象观测架构,以便后续进行精准高效的数据分析;然后,结合目标地区不同时间段的相关基础观测资料,对目标地区的霜冻情况进行精准全面的分析,分布不同气象参数与霜冻之间的关系,生成全面的霜冻分析数据,确定出该目标地区的霜冻特征情况,进而构建一个符合该目标地区的初始霜冻预测模型,并结合大量的历史气象数据对该初始霜冻预测模型进行训练,以得到一个运算能力更高的霜冻预测模型,基于该霜冻预测模型针对实时气象情况进行霜冻预测,并及时的进行霜冻预报,以便更好的进行霜冻灾害防御。
第三方面,本申请提供一种电子设备,其包括存储器,用于存储一个或多个程序;处理器;当一个或多个程序被处理器执行时,实现如上述第一方面中任一项的方法。
第四方面,本申请提供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上述第一方面中任一项的方法。
本发明至少具有如下优点或有益效果:
本发明提供一种霜冻预测预报方法及系统,通过采集全面的观测数据,进行关联分析,并结合历史霜冻特点数据构建针对性的霜冻预测模型,实现精准高效的霜冻灾害预测预报。首先,结合不同地区的实际情况构建一个针对性的气象观测架构,以便后续进行精准高效的数据分析;然后,结合目标地区不同时间段的相关基础观测资料,对目标地区的霜冻情况进行精准全面的分析,分布不同气象参数与霜冻之间的关系,生成全面的霜冻分析数据,确定出该目标地区的霜冻特征情况,进而构建一个符合该目标地区的初始霜冻预测模型,并结合大量的历史气象数据对该初始霜冻预测模型进行训练,以得到一个运算能力更高的霜冻预测模型,基于该霜冻预测模型针对实时气象情况进行霜冻预测,并及时的进行霜冻预报,以便更好的进行霜冻灾害防御。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例一种霜冻预测预报方法的流程图;
图2为本发明实施例中某段时间内某省级地区地面最低温度与日最低气温的预报模型散点图;
图3为本发明实施例中某段时间内某市级地区地面最低温度与日最低气温的预报模型散点图;
图4为本发明实施例一种霜冻预测预报系统的原理框图;
图5为本发明实施例提供的一种电子设备的结构框图。
附图标记说明:100、观测架构构建模块;200、历史资料采集模块;300、霜冻分析模块;400、预测模型构建模块;500、模型训练模块;600、霜冻预测预报模块;101、存储器;102、处理器;103、通信接口。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本发明实施例的描述中,“多个”代表至少2个。
实施例:
如图1所示,第一方面,本发明提供一种霜冻预测预报方法,包括以下步骤:
S1、获取并根据目标地区的基础情况信息构建目标气象观测架构;
进一步地,包括:提取并根据目标地区的基础情况信息中的地理区域分布设定区域监测节点;提取并根据目标地区的基础情况信息中的地质特征设定特征监测子节点;基于区域监测和特征监测子节点构建目标气象观测架构。
在本发明的一些实施例中,为了更好的实现目标地区的霜冻情况的精准监测,结合地区的实际情况,分区域分特征的进行对应数据的监测分析,构建一个合理的目标气象观测架构,该观测架构包括多个区域监测节点和多个特征监测子节点,每个区域监测节点下对应至少一个特征监测子节点,基于区域监测节点针对不同区域的数据进行分类,并基于特征监测子节点对区域内的不同数据进行分析处理,实现更为精准高效的数据分析,以便更好的掌握霜冻特征,为后续模型的构建提供有效支撑。
S2、采集目标地区的不同历史时间段的基础观测资料;上述基础观测资料包括日均温度、最低地表温度、天气现象数据、最低气温、湿度、降水量、霜冻情况数据、降雪情况数据、地理地质数据、地理海拔数据、大气环流数据。
S3、基于目标气象观测架构,结合不同历史时间段的基础观测资料,对目标地区的霜冻情况进行分析,生成霜冻分析数据;
进一步地,包括:基于目标气象观测架构依次提取并根据各个历史时间段的基础观测资料中各地理区域的日均温度、最低地表温度、天气现象数据、最低气温、湿度、降水量、霜冻日情况数据及降雪日情况数据对目标地区的霜冻情况进行分析,以得到气象参数与霜冻情况之间的关联信息;
为了更好研究各气象要素对霜冻的影响,选取了某省1980-2019年全年的月平均气温以及月平均最低气温,秋季平均温度和降水等因子与初霜期进行相关分析。
见公式
上式中的和/>分别表示2个要素样本值的多年平均值,即/> n为年样本总数rxy为要素x与y之间的相关系数,也就是表示两个要素之间的相关程度,其值介于[-1,1]区间rxy>0表示正相关,rxy<0,表示负相关。
最后其结果采用,检验法对相关系数进行显著性水平检验其计算见公式:式中,n为样本数,m为自由度。将0.05和0.01分别作为明显相关和显著相关的评判标准。
基于目标气象观测架构依次提取并根据各个历史时间段的基础观测资料中各地理区域的霜冻情况数据和地理海拔数据,进行霜冻空间分布特点分析,以得到霜冻分布特征数据;
进一步地,包括:基于目标气象观测架构依次提取并根据各个历史时间段的基础观测资料中各地理区域的霜冻情况数据,进行霜日分级处理,以得到对应的霜日分级信息;根据基于目标气象观测架构依次提取并根据各个历史时间段的基础观测资料中各地理区域的霜冻情况数据和地理海拔数据,进行霜冻分布与海拔的相关性分析,以得到霜冻海拔关联信息;根据霜日分级信息和霜冻海拔关联信息生成最终的霜冻分布特征数据。
为了更好的定性初霜日出现的早晚,将初霜日期和终霜日期划分为5级,划分为最早(符号为“-2”)、较早(“-1”)、正常(“0”)、偏晚(“1”)、最晚(“2”)5个等级,通过等级划分更好的展示霜降情况。
为了更好的研究贵州的霜冻空间分布特点,结合历史的观测情况数据对霜冻与海拔高度关系进行分析,以便更为细致精准的精准霜冻预测。
基于目标气象观测架构依次提取并根据各个历史时间段的基础观测资料中各地理区域的霜冻情况数据,进行霜冻年际变化和月频率变化分析,以得到对应的霜冻变化数据;对每年每月的初霜期、终霜期和无霜期的变化情况进行分析统计,确定各地理区域不同年份月份的霜冻情况,为后续构建霜冻预测模型提供数据支撑。为了进一步分析某地区的霜期变化情况,对突变情况进行M-K分析检测,更好的掌握霜期变化情况。
基于目标气象观测架构依次提取并根据各个历史时间段的基础观测资料中各地理区域的霜冻情况数据和天气现象数据,进行霜冻与气候关联性分析,以得到霜冻气候影响数据;
基于目标气象观测架构依次提取并根据各个历史时间段的基础观测资料中各地理区域的霜冻情况数据和大气环流数据,进行霜冻与环流关联性分析,以得到霜冻环流特征分析数据;
根据气象参数与霜冻情况之间的关联信息、霜冻分布特征数据、霜冻变化数据、霜冻气候影响数据和霜冻环流特征分析数据生成最终的霜冻分析数据。
S4、根据霜冻分析数据构建目标地区的初始霜冻预测模型;
进一步地,包括:提取并根据霜冻分析数据中的数据类别设定霜冻影响参数;提取并根据霜冻分析数据中的霜冻与各参数之间的关联性设定预测系数;基于霜冻影响参数和预测系数构建初始霜冻预测模型。
在本发明的一些实施例中,结合霜冻分析数据,利用散点图建立霜冻预报回归模型,如图2所示;为了更好更细致的进行目标区域针对性的霜冻预测,结合不同市级地区的霜冻分析数据构建更具针对性的市级地区的霜冻预报模型,地温做因变量,低温作为自变量,利用散点图建立回归模型,如图3所示。
S5、获取并根据历史气象数据对初始霜冻预测模型进行学习训练,以得到最终的霜冻预测模型;
S6、采集并将实时气象数据导入至霜冻预测模型中,生成霜冻预测数据,并进行实时霜冻预报。
本发明通过采集全面的观测数据,进行关联分析,并结合历史霜冻特点数据构建针对性的霜冻预测模型,实现精准高效的霜冻灾害预测预报。首先,结合不同地区的实际情况构建一个针对性的气象观测架构,以便后续进行精准高效的数据分析;然后,结合目标地区不同时间段的相关基础观测资料,对目标地区的霜冻情况进行精准全面的分析,分布不同气象参数与霜冻之间的关系,生成全面的霜冻分析数据,确定出该目标地区的霜冻特征情况,进而构建一个符合该目标地区的初始霜冻预测模型,并结合大量的历史气象数据对该初始霜冻预测模型进行训练,以得到一个运算能力更高的霜冻预测模型,基于该霜冻预测模型针对实时气象情况进行霜冻预测,并及时的进行霜冻预报,以便更好的进行霜冻灾害防御。
基于第一方面,进一步地,该霜冻预测预报方法还包括以下步骤:
获取并根据目标地区的农作物生长情况信息进行农作物生长与霜冻灾害影响分析,以得到对应的霜冻与农作物生长特征数据;该霜冻与农作物生长特征数据包括霜冻等级与农作物生长对应关系数据、霜冻天数与农作物生长对应关系数据。
基于霜冻预测模型进行目标地区的霜冻灾害预测,并结合霜冻与农作物生长特征数据,生成并发送对应的农作物生长灾害预报信息。该农作物生长灾害预报信息包括预估霜冻日、预估霜冻日气象数据、预估农作物生长情况等。
为了有效保证农作物生长效果,结合将霜冻情况与不同地区的不同类别农作物的生长情况进行关联分析,确定霜冻与农作物生长特征关系,结合农作物生长周期和霜冻灾害预测,提前进行农作物生长灾害预报,提前进行霜冻灾害防御,保证农作物正在生长。
如图4所示,第二方面,本发明实施例提供一种霜冻预测预报系统,包括观测架构构建模块100、历史资料采集模块200、霜冻分析模块300、预测模型构建模块400、模型训练模块500以及霜冻预测预报模块600,其中:
观测架构构建模块100,用于获取并根据目标地区的基础情况信息构建目标气象观测架构;
历史资料采集模块200,用于采集目标地区的不同历史时间段的基础观测资料;
霜冻分析模块300,用于基于目标气象观测架构,结合不同历史时间段的基础观测资料,对目标地区的霜冻情况进行分析,生成霜冻分析数据;
预测模型构建模块400,用于根据霜冻分析数据构建目标地区的初始霜冻预测模型;
模型训练模块500,用于获取并根据历史气象数据对初始霜冻预测模型进行学习训练,以得到最终的霜冻预测模型;
霜冻预测预报模块600,用于采集并将实时气象数据导入至霜冻预测模型中,生成霜冻预测数据,并进行实时霜冻预报。
本系统通过观测架构构建模块100、历史资料采集模块200、霜冻分析模块300、预测模型构建模块400、模型训练模块500以及霜冻预测预报模块600等多个模块的配合,通过采集全面的观测数据,进行关联分析,并结合历史霜冻特点数据构建针对性的霜冻预测模型,实现精准高效的霜冻灾害预测预报。首先,结合不同地区的实际情况构建一个针对性的气象观测架构,以便后续进行精准高效的数据分析;然后,结合目标地区不同时间段的相关基础观测资料,对目标地区的霜冻情况进行精准全面的分析,分布不同气象参数与霜冻之间的关系,生成全面的霜冻分析数据,确定出该目标地区的霜冻特征情况,进而构建一个符合该目标地区的初始霜冻预测模型,并结合大量的历史气象数据对该初始霜冻预测模型进行训练,以得到一个运算能力更高的霜冻预测模型,基于该霜冻预测模型针对实时气象情况进行霜冻预测,并及时的进行霜冻预报,以便更好的进行霜冻灾害防御。
如图5所示,第三方面,本申请实施例提供一种电子设备,其包括存储器101,用于存储一个或多个程序;处理器102。当一个或多个程序被处理器102执行时,实现如上述第一方面中任一项的方法。
还包括通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器101可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请所提供的实施例中,应该理解到,所揭露的方法及系统,也可以通过其它的方式实现。以上所描述的方法及系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的方法及系统、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。在这点上,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,所述模块、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方式中,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,两个连续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,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动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。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
第四方面,本申请实施例提供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102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种霜冻预测预报方法,其特征在于,包括以下步骤:
获取并根据目标地区的基础情况信息构建目标气象观测架构;
采集目标地区的不同历史时间段的基础观测资料;
基于目标气象观测架构,结合不同历史时间段的基础观测资料,对目标地区的霜冻情况进行分析,生成霜冻分析数据;
根据霜冻分析数据构建目标地区的初始霜冻预测模型;
获取并根据历史气象数据对初始霜冻预测模型进行学习训练,以得到最终的霜冻预测模型;
采集并将实时气象数据导入至霜冻预测模型中,生成霜冻预测数据,并进行实时霜冻预报。
2.根据权利要求1所述的一种霜冻预测预报方法,其特征在于,所述根据目标地区的基础情况信息构建目标气象观测架构的方法包括以下步骤:
提取并根据目标地区的基础情况信息中的地理区域分布设定区域监测节点;
提取并根据目标地区的基础情况信息中的地质特征设定特征监测子节点;
基于区域监测和特征监测子节点构建目标气象观测架构。
3.根据权利要求1所述的一种霜冻预测预报方法,其特征在于,所述基础观测资料包括日均温度、最低地表温度、天气现象数据、最低气温、湿度、降水量、霜冻情况数据、降雪情况数据、地理地质数据、地理海拔数据、大气环流数据。
4.根据权利要求2所述的一种霜冻预测预报方法,其特征在于,所述基于目标气象观测架构,结合不同历史时间段的基础观测资料,对目标地区的霜冻情况进行分析的方法包括以下步骤:
基于目标气象观测架构依次提取并根据各个历史时间段的基础观测资料中各地理区域的日均温度、最低地表温度、天气现象数据、最低气温、湿度、降水量、霜冻日情况数据及降雪日情况数据对目标地区的霜冻情况进行分析,以得到气象参数与霜冻情况之间的关联信息;
基于目标气象观测架构依次提取并根据各个历史时间段的基础观测资料中各地理区域的霜冻情况数据和地理海拔数据,进行霜冻空间分布特点分析,以得到霜冻分布特征数据;
基于目标气象观测架构依次提取并根据各个历史时间段的基础观测资料中各地理区域的霜冻情况数据,进行霜冻年际变化和月频率变化分析,以得到对应的霜冻变化数据;
基于目标气象观测架构依次提取并根据各个历史时间段的基础观测资料中各地理区域的霜冻情况数据和天气现象数据,进行霜冻与气候关联性分析,以得到霜冻气候影响数据;
基于目标气象观测架构依次提取并根据各个历史时间段的基础观测资料中各地理区域的霜冻情况数据和大气环流数据,进行霜冻与环流关联性分析,以得到霜冻环流特征分析数据;
根据气象参数与霜冻情况之间的关联信息、霜冻分布特征数据、霜冻变化数据、霜冻气候影响数据和霜冻环流特征分析数据生成最终的霜冻分析数据。
5.根据权利要求4所述的一种霜冻预测预报方法,其特征在于,所述基于目标气象观测架构依次提取并根据各个历史时间段的基础观测资料中各地理区域的霜冻情况数据和地理海拔数据,进行霜冻空间分布特点分析,以得到霜冻分布特征数据的方法包括以下步骤:
基于目标气象观测架构依次提取并根据各个历史时间段的基础观测资料中各地理区域的霜冻情况数据,进行霜日分级处理,以得到对应的霜日分级信息;
根据基于目标气象观测架构依次提取并根据各个历史时间段的基础观测资料中各地理区域的霜冻情况数据和地理海拔数据,进行霜冻分布与海拔的相关性分析,以得到霜冻海拔关联信息;
根据霜日分级信息和霜冻海拔关联信息生成最终的霜冻分布特征数据。
6.根据权利要求1所述的一种霜冻预测预报方法,其特征在于,所述根据霜冻分析数据构建目标地区的初始霜冻预测模型的方法包括以下步骤:
提取并根据霜冻分析数据中的数据类别设定霜冻影响参数;
提取并根据霜冻分析数据中的霜冻与各参数之间的关联性设定预测系数;
基于霜冻影响参数和预测系数构建初始霜冻预测模型。
7.根据权利要求1所述的一种霜冻预测预报方法,其特征在于,还包括以下步骤:
获取并根据目标地区的农作物生长情况信息进行农作物生长与霜冻灾害影响分析,以得到对应的霜冻与农作物生长特征数据;
基于霜冻预测模型进行目标地区的霜冻灾害预测,并结合霜冻与农作物生长特征数据,生成并发送对应的农作物生长灾害预报信息。
8.一种霜冻预测预报系统,其特征在于,包括观测架构构建模块、历史资料采集模块、霜冻分析模块、预测模型构建模块、模型训练模块以及霜冻预测预报模块,其中:
观测架构构建模块,用于获取并根据目标地区的基础情况信息构建目标气象观测架构;
历史资料采集模块,用于采集目标地区的不同历史时间段的基础观测资料;
霜冻分析模块,用于基于目标气象观测架构,结合不同历史时间段的基础观测资料,对目标地区的霜冻情况进行分析,生成霜冻分析数据;
预测模型构建模块,用于根据霜冻分析数据构建目标地区的初始霜冻预测模型;
模型训练模块,用于获取并根据历史气象数据对初始霜冻预测模型进行学习训练,以得到最终的霜冻预测模型;
霜冻预测预报模块,用于采集并将实时气象数据导入至霜冻预测模型中,生成霜冻预测数据,并进行实时霜冻预报。
9.一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311027120.6A CN117031584A (zh) | 2023-08-15 | 2023-08-15 | 一种霜冻预测预报方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311027120.6A CN117031584A (zh) | 2023-08-15 | 2023-08-15 | 一种霜冻预测预报方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117031584A true CN117031584A (zh) | 2023-11-10 |
Family
ID=88638738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311027120.6A Pending CN117031584A (zh) | 2023-08-15 | 2023-08-15 | 一种霜冻预测预报方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117031584A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117872510A (zh) * | 2024-03-11 | 2024-04-12 | 成都润联科技开发有限公司 | 一种气象数据分析方法、装置、设备及介质 |
-
2023
- 2023-08-15 CN CN202311027120.6A patent/CN117031584A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117872510A (zh) * | 2024-03-11 | 2024-04-12 | 成都润联科技开发有限公司 | 一种气象数据分析方法、装置、设备及介质 |
CN117872510B (zh) * | 2024-03-11 | 2024-05-17 | 成都润联科技开发有限公司 | 一种气象数据分析方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Comparison of three remotely sensed drought indices for assessing the impact of drought on winter wheat yield | |
Zin et al. | Analysis of drought condition and risk in Peninsular Malaysia using Standardised Precipitation Index | |
Cheng et al. | Possible impacts of climate change on freezing rain using downscaled future climate scenarios: updated for eastern Canada | |
Xu et al. | A parametric multivariate drought index for drought monitoring and assessment under climate change | |
Beyer et al. | Rainfall characteristics and their implications for rain-fed agriculture: a case study in the Upper Zambezi River Basin | |
Niaz et al. | A novel spatially weighted accumulative procedure for regional drought monitoring | |
Pal et al. | Hurst exponent approach through rescaled range analysis to study the time series of summer monsoon rainfall over northeast India | |
CN117031584A (zh) | 一种霜冻预测预报方法及系统 | |
Wang et al. | Uncertainty in SPI calculation and its impact on drought assessment in different climate regions over China | |
Wang et al. | Bivariate copula function-based spatial–temporal characteristics analysis of drought in Anhui Province, China | |
Gu et al. | Temporal clustering of floods and impacts of climate indices in the Tarim River basin, China | |
Raja et al. | Monitoring of meteorological drought and its impact on rice (Oryza sativa L.) productivity in Odisha using standardized precipitation index | |
Shrivastava et al. | Identification of drought occurrences using ensemble predictions up to 20-days in advance | |
Beharry et al. | A 35-year meteorological drought analysis in the Caribbean Region: case study of the small island state of Trinidad and Tobago | |
Kang et al. | Examining the Impact of Weather Factors on Yield Industry Vitalization on Big Data Foundation Technique | |
Joo et al. | Hydrological responses to climate shifts for a minimally disturbed mountainous watershed in northwestern China | |
Fu et al. | Assessing the impacts of natural disasters on rice production in Jiangxi, China | |
Bayable et al. | Spatiotemporal variability of agricultural drought and its association with climatic variables in the Upper Awash Basin, Ethiopia | |
Arab et al. | Near-real-time drought monitoring and assessment for vineyard production on a regional scale with standard precipitation and vegetation indices using Landsat and CHIRPS datasets | |
Liu et al. | Variations of extreme precipitation events with sub-daily data: a case study in the Ganjiang River basin | |
Nury et al. | Analysis and prediction of time series variations of rainfall in North-Eastern Bangladesh | |
Amburn et al. | Precipitation forecasting with gamma distribution models for gridded precipitation events in eastern Oklahoma and northwestern Arkansas | |
Yao et al. | Analyzing the effects of rainfall on the urban traffic congestion bottlenecks by using floating car data | |
Smail | Bayesian network model for temperature forecasting in Dubai | |
Karadirek | Drought Management |
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 |