CN117033935B - 基于贝叶斯融合的统计与监测下的场降雨特征的预测方法 - Google Patents
基于贝叶斯融合的统计与监测下的场降雨特征的预测方法 Download PDFInfo
- Publication number
- CN117033935B CN117033935B CN202310968059.9A CN202310968059A CN117033935B CN 117033935 B CN117033935 B CN 117033935B CN 202310968059 A CN202310968059 A CN 202310968059A CN 117033935 B CN117033935 B CN 117033935B
- Authority
- CN
- China
- Prior art keywords
- target
- data
- rainfall
- monitoring
- water level
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 167
- 230000004927 fusion Effects 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000010586 diagram Methods 0.000 claims abstract description 26
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 123
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 238000010219 correlation analysis Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000012512 characterization method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000002310 reflectometry Methods 0.000 claims description 10
- 238000002592 echocardiography Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000010365 information processing Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000010276 construction Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供基于贝叶斯融合的统计与监测下的场降雨特征的预测方法及系统，其中，方法包括：步骤1：根据目标天气数据，获取目标时刻的降雨先验概率；步骤2：根据雷达数据，获取当前云层特征；步骤3：获取预设的监测井分布图，确定监测井分布图中的目标监测井的监测数据；步骤4：根据贝叶斯融合技术，统计降雨先验概率、当前云层特征和监测数据，预测目标时刻的场降雨特征。本发明的基于贝叶斯融合的统计与监测下的场降雨特征的预测方法及系统，引入贝叶斯融合技术，根据降雨先验概率、当前云层特征和监测数据共同确定目标时刻的场降雨特征，在拓展了预测的时间跨度的同时，也提高了降雨预测的精度。
Description
技术领域
本发明涉及智慧水务技术领域，特别涉及基于贝叶斯融合的统计与监测下的场降雨特征的预测方法及系统。
背景技术
目前，在智慧水务平台中，降雨是影响机理模型运行的重要条件之一。天气预报的降雨存在空间范围广阔以及时间的跨度长的特点，但也存在精度低以及准确度不高的问题。与此同时，通过雨量计观察的降雨数据精确，但降雨数据具有区域局部性和时间滞后性。不同的降雨特征(例如：降雨量、降雨历时、降雨峰值等)，会使得机理模型的运行结果出现偏差，从而影响运营人员的决策制定。
有鉴于此，亟需一种基于贝叶斯融合的统计与监测下的场降雨特征的预测方法。
发明内容
本发明目的之一在于提供了基于贝叶斯融合的统计与监测下的场降雨特征的预测方法，引入贝叶斯融合技术，根据降雨先验概率、当前云层特征和监测数据共同确定目标时刻的场降雨特征，在拓展了预测的时间跨度的同时，也提高了降雨预测的精度。
本发明实施例提供的基于贝叶斯融合的统计与监测下的场降雨特征的预测方法，包括：
步骤1：根据目标天气数据，获取目标时刻的降雨先验概率；
步骤2：根据雷达数据，获取当前云层特征；
步骤3：获取预设的监测井分布图，确定监测井分布图中的目标监测井的监测数据；
步骤4：根据贝叶斯融合技术，统计降雨先验概率、当前云层特征和监测数据，预测目标时刻的场降雨特征。
优选的，步骤1：根据目标天气数据，获取目标时刻的降雨先验概率，包括：
获取本地平台的历史数据和目标平台的目标数据，将历史数据和目标数据共同作为待处理数据；
根据预设的天气数据预处理规则，对待处理数据进行预处理，获得目标天气数据；
获取目标天气数据的特征化规则；
基于特征化规则，将目标天气数据特征化，获得目标天气特征；
获取预设的估测模型；
将目标天气特征输入估测模型，获得目标时刻的降雨先验概率。
优选的，步骤2：根据雷达数据，获取当前云层特征，包括：
基于预设的雷达数据预处理规则，根据雷达数据，确定处理数据；
解析处理数据，获取反射率强度和垂直延伸特征；
根据反射率强度和垂直延伸特征，将雷达数据中的回波分割为不同的目标云层；
获取云层特征提取模板；
根据云层特征提取模板，确定目标云层的云层特征。
优选的，步骤3：获取预设的监测井分布图，确定监测井分布图中的目标监测井的监测数据，包括：
确定监测井分布图中的多个第一监测井；
获取第一监测井的历史水位数据；
根据目标天气数据和历史水位数据，进行目标天气数据影响第一监测井的历史水位数据的变化速率的相关性分析，获得相关性分析结果；
根据相关性分析结果，确定第二监测井，并作为目标监测井；
获取目标监测井的目标水位数据，并作为监测数据。
优选的，获取目标监测井的目标水位数据，包括：
获取目标监测井的巡视人员节点提供的第一水位数据；
获取预先设置在目标监测井内的水位传感器自动上传的第二水位数据；
将第一水位数据和第二水位数据共同作为目标水位数据。
优选的，获取预先设置在目标监测井内的水位传感器自动上传的第二水位数据，包括：
获取水位传感器的水位数据上传记录；
解析水位数据上传记录，确定多个第一时刻上传的第三水位数据；
基于预设的异常数据判定规则，确定第三水位数据中的异常水位数据；
确定异常水位数据对应的第一时刻，并作为第二时刻；
根据第二时刻，确定目标监测井对应设置的目标摄像头的拍摄视频；
根据拍摄视频，确定异常水位数据的异常原因；
根据异常原因，确定第三水位数据中有效的第三水位数据，并作为第二水位数据。
优选的，步骤4：根据贝叶斯融合技术，统计降雨先验概率、当前云层特征和监测数据，预测目标时刻的场降雨特征，包括：
根据当前云层特征和降雨先验概率，确定估计概率；
根据估计概率和监测数据，更新估计概率，获得目标时刻的场降雨特征。
本发明实施例提供的基于贝叶斯融合的统计与监测下的场降雨特征的预测方法，还包括：
步骤5：根据场降雨特征，确定降雨等级，根据降雨等级，对目标人员进行相应提醒。
优选的，根据降雨等级，对目标人员进行相应提醒，包括：
获取目标人员所在的生活区域的地貌信息；
基于预设的地貌信息参数化规则，根据地貌信息，确定地貌参数；
基于预设的三维模型构建模板，根据地貌参数，构建生活区域的第一三维模型；
根据降雨等级，在第一三维模型中进行降雨推演，获得第二三维模型；
获取第二三维模型的推演结果；
解析推演结果，确定提醒因子；
基于预设的提醒规则，根据提醒因子，对目标人员进行相应提醒。
本发明实施例提供的基于贝叶斯融合的统计与监测下的场降雨特征的预测系统，包括：
信息处理模块，用于根据目标天气数据，获取目标时刻的降雨先验概率；
雷达降雨模块，用于根据雷达数据，获取当前云层特征；
监测模块，用于获取预设的监测井分布图，确定监测井分布图中的目标监测井的监测数据；
状态预测模块，用于根据贝叶斯融合技术，统计降雨先验概率、当前云层特征和监测数据，预测目标时刻的场降雨特征。
本发明的有益效果为：
本发明引入贝叶斯融合技术，根据降雨先验概率、当前云层特征和监测数据共同确定目标时刻的场降雨特征，在拓展了预测的时间跨度的同时，也提高了降雨预测的精度。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中基于贝叶斯融合的统计与监测下的场降雨特征的预测方法的示意图；
图2为本发明实施例中基于贝叶斯融合的统计与监测下的场降雨特征的预测方法中的场降雨特征的获取过程示意图；
图3为本发明实施例中基于贝叶斯融合的统计与监测下的场降雨特征的预测系统的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了基于贝叶斯融合的统计与监测下的场降雨特征的预测方法，如图1所示，包括：
步骤1：根据目标天气数据，获取目标时刻的降雨先验概率；目标天气数据为：日期、雷达数据、监测点的水位和历史降雨数据；目标天气数据通过数据接口与气象局进行数据获取；对历史降雨数据进行特征值提取，制作关于降雨量与降雨规模的累积频率曲线，利用累积频率曲线作为贝叶斯框架中的降雨先验概率；
步骤2：根据雷达数据，获取当前云层特征；当前云层特征为：云层的高度、类型以及厚度等；
步骤3：获取预设的监测井分布图，确定监测井分布图中的目标监测井的监测数据；预设的监测井分布图为：用于监测地下水位、水质以及水温等水文地质参数的监测设备的设备分布图；目标监测井为：监测井分布图中能够辅助预测降雨区域的降雨概率的监测井；
步骤4：根据贝叶斯融合技术，统计降雨先验概率、当前云层特征和监测数据，预测目标时刻的场降雨特征。贝叶斯融合技术属于现有技术，基本思想是将多个数据源的信息进行融合，得到更加准确和可靠的结果；场降雨特征为：某一时空范围内的降雨过程中，不同位置和不同时间的降雨量、降雨强度以及降雨频率等性质，场降雨特征的获取过程如图2所示。
上述技术方案的工作原理及有益效果为：
本申请根据目标天气数据，获取目标时刻的降雨先验概率；另外，分别根据雷达数据确定当前云层特征以及获取监测井分布图中的目标监测井的监测数据，引入贝叶斯融合技术，统计降雨先验概率、当前云层特征和监测数据，预测目标时刻的场降雨特征。
本申请引入贝叶斯融合技术，根据降雨先验概率、当前云层特征和监测数据共同确定目标时刻的场降雨特征，在拓展了预测的时间跨度的同时，也提高了降雨预测的精度。
在一个实施例中，步骤1：根据目标天气数据，获取目标时刻的降雨先验概率，包括：
获取本地平台的历史数据和目标平台的目标数据，将历史数据和目标数据共同作为待处理数据；本地平台为：本地气象局；目标平台为：本地平台的关联气象局；目标数据为：目标平台的历史气象数据；
根据预设的天气数据预处理规则，对待处理数据进行预处理，获得目标天气数据；预设的天气数据预处理规则由人工预先设置；
获取目标天气数据的特征化规则；特征化规则为：将目标天气数据特征化的规则，基于特征化技术实现；
基于特征化规则，将目标天气数据特征化，获得目标天气特征；目标天气特征为：气温、降水、云量以及风力；
获取预设的估测模型；估测模型为：预先设置的用于根据天气特征自动绘制关于降雨量与降雨规模的累积频率曲线的智能模型；
将目标天气特征输入估测模型，获得目标时刻的降雨先验概率。降雨先验概率为：关于降雨量与降雨规模的累积频率曲线。
上述技术方案的工作原理及有益效果为：
本申请获取本地平台的历史数据和目标平台的目标数据共同作为待处理数据，引入天气数据预处理规则对待处理数据进行预处理，获得目标天气数据。引入估测模型，将目标天气数据特征化后的目标天气特征输入估测模型获得目标时刻的降雨先验概率，降雨先验概率的获取更精准。
在一个实施例中，步骤2：根据雷达数据，获取当前云层特征，包括：
基于预设的雷达数据预处理规则，根据雷达数据，确定处理数据；预设的雷达数据预处理规则为：滤波、去噪以及分离；
解析处理数据，获取反射率强度和垂直延伸特征；反射率强度为：雷达接收到的回波信号的强度；垂直延伸特征为：雷达回波在垂直方向上的分布特征；
根据反射率强度和垂直延伸特征，将雷达数据中的回波分割为不同的目标云层；目标云层为，例如：流云层，又例如：层状云层；
获取云层特征提取模板；云层特征提取模板为：预先设置的用于提取云层特征的模板；
根据云层特征提取模板，确定目标云层的云层特征。云层特征为：云层的形状、厚度以及高度等。
上述技术方案的工作原理及有益效果为：
本申请引入雷达数据预处理规则，确定雷达数据对应的处理数据，解析处理数据获取反射率强度和垂直延伸特征，并将雷达数据中的回波分割为不同的目标云层；引入云层特征提取模板确定目标云层的云层特征，提升了云层特征获取的合理性。
在一个实施例中，步骤3：获取预设的监测井分布图，确定监测井分布图中的目标监测井的监测数据，包括：
确定监测井分布图中的多个第一监测井；第一监测井为：监测井分布图中记录的监测井；
获取第一监测井的历史水位数据；历史水位数据为：第一监测井的历史水位记录；
根据目标天气数据和历史水位数据，进行目标天气数据影响第一监测井的历史水位数据的变化速率的相关性分析，获得相关性分析结果；相关性分析包括但不限于：Pearson相关性分析、时间滞后互相关性分析、动态时间扭曲分析以及瞬时相位同步分析等；相关性分析结果为：相关性系数；
根据相关性分析结果，确定第二监测井，并作为目标监测井；根据相关性分析结果，确定第二监测井时，若相关性分析结果大于等于对应相关性分析结果阈值，将对应的第一监测井作为第二监测井，第二监测井为：目标天气数据影响的第一监测井；
获取目标监测井的目标水位数据，并作为监测数据。
上述技术方案的工作原理及有益效果为：
本申请获取监测井分布图中的第一监测井的历史水位数据，根据目标天气数据和历史水位数据，进行目标天气数据影响第一监测井的历史水位数据的变化速率的相关性分析，获得相关性分析结果，确定相关的第二监测井，将第二监测井对应的目标水位数据作为监测数据，提升了监测数据获取的适宜性。
在一个实施例中，获取目标监测井的目标水位数据，包括：
获取目标监测井的巡视人员节点提供的第一水位数据；巡视人员节点为：目标监测井的巡视人员的通讯节点；第一水位数据为：巡视人员记录的目标监测井的水位数据；
获取预先设置在目标监测井内的水位传感器自动上传的第二水位数据；
将第一水位数据和第二水位数据共同作为目标水位数据。
上述技术方案的工作原理及有益效果为：
本申请引入人工巡视获取的第一水位数据和水位传感器自动上传的第二水位数据共同作为目标水位数据，目标水位数据的获取更全面。
在一个实施例中，获取预先设置在目标监测井内的水位传感器自动上传的第二水位数据，包括：
获取水位传感器的水位数据上传记录；水位数据上传记录为：何时水位为多高；
解析水位数据上传记录，确定多个第一时刻上传的第三水位数据；
基于预设的异常数据判定规则，确定第三水位数据中的异常水位数据；异常数据判定规则由人工预先设置，例如：一段时间内减少的水量远大于预测的蒸发量和排出量，则用于计算一段时间内减少的水量的第三水位数据异常；
确定异常水位数据对应的第一时刻，并作为第二时刻；第二时刻为：水位异常的时间；
根据第二时刻，确定目标监测井对应设置的目标摄像头的拍摄视频；目标摄像头为：预先设置在目标监测井周边用于监控目标监测井的摄像装置；拍摄视频为：目标摄像头第二时刻的录制视频；
根据拍摄视频，确定异常水位数据的异常原因；异常原因为异常水位数据的产生原因；
根据异常原因，确定第三水位数据中有效的第三水位数据，并作为第二水位数据。确定第三水位数据中有效的第三水位数据时，基于预设的异常水位数据剔除规则确定，例如：若拍摄视频中存在人为因素影响导致的异常水位数据，则对应剔除。
上述技术方案的工作原理及有益效果为：
本申请解析获取的水位传感器的水位数据上传记录并确定第一时刻上传的第三水位数据，引入异常数据判定规则，确定第三水位数据中的异常水位数据和异常水位数据对应的第二时刻，异常时刻的确定更精确。根据第二时刻，确定目标监测井对应设置的目标摄像头的拍摄视频并确定异常原因，根据异常原因，确定第三水位数据中有效的第三水位数据作为第二水位数据，提高了第二水位数据获取的精准性，进一步提高了后续降雨预测的精确程度。
在一个实施例中，步骤4：根据贝叶斯融合技术，统计降雨先验概率、当前云层特征和监测数据，预测目标时刻的场降雨特征，包括：
根据当前云层特征和降雨先验概率，确定估计概率；
根据估计概率和监测数据，更新估计概率，获得目标时刻的场降雨特征。更新估计概率时，将监测数据作为观测资料对估计概率进行更新，获取场降雨特征。
上述技术方案的工作原理及有益效果为：
本申请引入当前云层特征和降雨先验概率，计算估计概率，再根据估计概率和监测数据，更新估计概率，获得场降雨特征，在拓展了预测的时间跨度的同时，也提高了降雨预测的精度。
本发明实施例提供了基于贝叶斯融合的统计与监测下的场降雨特征的预测方法，还包括：
步骤5：根据场降雨特征，确定降雨等级，根据降雨等级，对目标人员进行相应提醒。降雨等级为，例如：暴雨、中雨以及小雨；对目标人员进行相应提醒为，例如：当降雨等级为暴雨时，提醒地势低洼的目标人员转移。
上述技术方案的工作原理及有益效果为：
本申请根据场降雨特征确定降雨等级，根据降雨等级对目标人员进行相应提醒。
在一个实施例中，根据降雨等级，对目标人员进行相应提醒，包括：
获取目标人员所在的生活区域的地貌信息；目标人员所在的生活区域为：目标人员所在区县；地貌信息为：地形信息；
基于预设的地貌信息参数化规则，根据地貌信息，确定地貌参数；预设的地貌信息参数化规则由人工预先设置；地貌参数为：地形特征的量化指标；
基于预设的三维模型构建模板，根据地貌参数，构建生活区域的第一三维模型；预设的三维模型构建模板约束只进行三维模型的构建，基于三维构建技术实现；第一三维模型为：生活区域的三维模型；
根据降雨等级，在第一三维模型中进行降雨推演，获得第二三维模型；第二三维模型为：根据降雨等级在第一三维模型中进行降雨推演获得的动态三维模型；
获取第二三维模型的推演结果；推演结果为，例如：淹没某某范围的居民区；
解析推演结果，确定提醒因子；提醒因子为：推演结果中的淹没特征，例如：某某区域以及淹没程度等；
基于预设的提醒规则，根据提醒因子，对目标人员进行相应提醒。预设的提醒规则由人工预先设置。
上述技术方案的工作原理及有益效果为：
本申请引入地貌信息参数化规则，根据目标人员所在的生活区域的地貌信息，确定地貌参数。引入三维模型构建模板，根据地貌参数，构建第一三维模型。根据降雨等级，在第一三维模型中进行降雨推演，获得第二三维模型，根据第二三维模型的推演结果确定提醒因子，并对目标人员进行相应提醒，提高了气象提醒的适宜性。
本发明实施例提供了基于贝叶斯融合的统计与监测下的场降雨特征的预测系统，如图3所示，包括：
信息处理模块1，用于根据目标天气数据，获取目标时刻的降雨先验概率；
雷达降雨模块2，用于根据雷达数据，获取当前云层特征；
监测模块3，用于获取预设的监测井分布图，确定监测井分布图中的目标监测井的监测数据；
状态预测模块4，用于根据贝叶斯融合技术，统计降雨先验概率、当前云层特征和监测数据，预测目标时刻的场降雨特征。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (6)
1.基于贝叶斯融合的统计与监测下的场降雨特征的预测方法，其特征在于，包括：
步骤1：根据目标天气数据，获取目标时刻的降雨先验概率；
步骤2：根据雷达数据，获取当前云层特征；
步骤3：获取预设的监测井分布图，确定监测井分布图中的目标监测井的监测数据；
步骤4：根据贝叶斯融合技术，统计降雨先验概率、当前云层特征和监测数据，预测目标时刻的场降雨特征；
其中，步骤1：根据目标天气数据，获取目标时刻的降雨先验概率，包括：
获取本地平台的历史数据和目标平台的目标数据，将历史数据和目标数据共同作为待处理数据；
根据预设的天气数据预处理规则，对待处理数据进行预处理，获得目标天气数据；
获取目标天气数据的特征化规则；
基于特征化规则，将目标天气数据特征化，获得目标天气特征；
获取预设的估测模型；
将目标天气特征输入估测模型，获得目标时刻的降雨先验概率；
其中，步骤2：根据雷达数据，获取当前云层特征，包括：
基于预设的雷达数据预处理规则，根据雷达数据，确定处理数据；
解析处理数据，获取反射率强度和垂直延伸特征；
根据反射率强度和垂直延伸特征，将雷达数据中的回波分割为不同的目标云层；
获取云层特征提取模板；
根据云层特征提取模板，确定目标云层的云层特征；
其中，步骤3：获取预设的监测井分布图，确定监测井分布图中的目标监测井的监测数据，包括：
确定监测井分布图中的多个第一监测井；
获取第一监测井的历史水位数据；
根据目标天气数据和历史水位数据，进行目标天气数据影响第一监测井的历史水位数据的变化速率的相关性分析，获得相关性分析结果；
根据相关性分析结果，确定第二监测井，并作为目标监测井；
获取目标监测井的目标水位数据，并作为监测数据；
其中，步骤4：根据贝叶斯融合技术，统计降雨先验概率、当前云层特征和监测数据，预测目标时刻的场降雨特征，包括：
根据当前云层特征和降雨先验概率，确定估计概率；
根据估计概率和监测数据，更新估计概率，获得目标时刻的场降雨特征。
2.如权利要求1所述的基于贝叶斯融合的统计与监测下的场降雨特征的预测方法，其特征在于，获取目标监测井的目标水位数据，包括：
获取目标监测井的巡视人员节点提供的第一水位数据，巡视人员节点为：目标监测井的巡视人员的通讯节点；
获取预先设置在目标监测井内的水位传感器自动上传的第二水位数据；
将第一水位数据和第二水位数据共同作为目标水位数据。
3.如权利要求2所述的基于贝叶斯融合的统计与监测下的场降雨特征的预测方法，其特征在于，获取预先设置在目标监测井内的水位传感器自动上传的第二水位数据，包括：
获取水位传感器的水位数据上传记录；
解析水位数据上传记录，确定多个第一时刻上传的第三水位数据；
基于预设的异常数据判定规则，确定第三水位数据中的异常水位数据；
确定异常水位数据对应的第一时刻，并作为第二时刻；
根据第二时刻，确定目标监测井对应设置的目标摄像头的拍摄视频；
根据拍摄视频，确定异常水位数据的异常原因；
根据异常原因，确定第三水位数据中有效的第三水位数据，并作为第二水位数据。
4.如权利要求1所述的基于贝叶斯融合的统计与监测下的场降雨特征的预测方法，其特征在于，还包括：
步骤5：根据场降雨特征，确定降雨等级，根据降雨等级，对目标人员进行相应提醒。
5.如权利要求4所述的基于贝叶斯融合的统计与监测下的场降雨特征的预测方法，其特征在于，根据降雨等级，对目标人员进行相应提醒，包括：
获取目标人员所在的生活区域的地貌信息；
基于预设的地貌信息参数化规则，根据地貌信息，确定地貌参数；
基于预设的三维模型构建模板，根据地貌参数，构建生活区域的第一三维模型；
根据降雨等级，在第一三维模型中进行降雨推演，获得第二三维模型；
获取第二三维模型的推演结果；
解析推演结果，确定提醒因子；
基于预设的提醒规则，根据提醒因子，对目标人员进行相应提醒。
6.基于贝叶斯融合的统计与监测下的场降雨特征的预测系统，其特征在于，包括：
信息处理模块，用于根据目标天气数据，获取目标时刻的降雨先验概率；
雷达降雨模块，用于根据雷达数据，获取当前云层特征；
监测模块，用于获取预设的监测井分布图，确定监测井分布图中的目标监测井的监测数据；
状态预测模块，用于根据贝叶斯融合技术，统计降雨先验概率、当前云层特征和监测数据，预测目标时刻的场降雨特征；
其中，信息处理模块执行如下操作：
获取本地平台的历史数据和目标平台的目标数据，将历史数据和目标数据共同作为待处理数据；
根据预设的天气数据预处理规则，对待处理数据进行预处理，获得目标天气数据；
获取目标天气数据的特征化规则；
基于特征化规则，将目标天气数据特征化，获得目标天气特征；
获取预设的估测模型；
将目标天气特征输入估测模型，获得目标时刻的降雨先验概率；
其中，雷达降雨模块执行如下操作：
基于预设的雷达数据预处理规则，根据雷达数据，确定处理数据；
解析处理数据，获取反射率强度和垂直延伸特征；
根据反射率强度和垂直延伸特征，将雷达数据中的回波分割为不同的目标云层；
获取云层特征提取模板；
根据云层特征提取模板，确定目标云层的云层特征；
其中，监测模块执行如下操作：
确定监测井分布图中的多个第一监测井；
获取第一监测井的历史水位数据；
根据目标天气数据和历史水位数据，进行目标天气数据影响第一监测井的历史水位数据的变化速率的相关性分析，获得相关性分析结果；
根据相关性分析结果，确定第二监测井，并作为目标监测井；
获取目标监测井的目标水位数据，并作为监测数据；
其中，状态预测模块执行如下操作：
根据当前云层特征和降雨先验概率，确定估计概率；
根据估计概率和监测数据，更新估计概率，获得目标时刻的场降雨特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310968059.9A CN117033935B (zh) | 2023-08-03 | 2023-08-03 | 基于贝叶斯融合的统计与监测下的场降雨特征的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310968059.9A CN117033935B (zh) | 2023-08-03 | 2023-08-03 | 基于贝叶斯融合的统计与监测下的场降雨特征的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117033935A CN117033935A (zh) | 2023-11-10 |
| CN117033935B true CN117033935B (zh) | 2024-02-23 |
Family
ID=88636531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310968059.9A Active CN117033935B (zh) | 2023-08-03 | 2023-08-03 | 基于贝叶斯融合的统计与监测下的场降雨特征的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117033935B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117574270B (zh) * | 2024-01-19 | 2024-03-26 | 东营鸿德新能源有限公司 | 一种勘探数据采集及测井数据异常检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108761574A (zh) * | 2018-05-07 | 2018-11-06 | 中国电建集团北京勘测设计研究院有限公司 | 基于多源信息融合的降雨量估算方法 |
| CN109146187A (zh) * | 2018-08-30 | 2019-01-04 | 昆明理工大学 | 一种基于自适应贝叶斯模型平均的降雨预测方法 |
| CN109946762A (zh) * | 2019-03-06 | 2019-06-28 | 重庆邮电大学移通学院 | 一种基于概率分布短时预报降水的方法及系统 |
| CN110263838A (zh) * | 2019-06-13 | 2019-09-20 | 南京信息工程大学 | 一种多传感器降水估计融合方法 |
| CN110472762A (zh) * | 2018-05-11 | 2019-11-19 | 中国电力科学研究院有限公司 | 一种网格化降水的订正方法及系统 |
| WO2020038848A1 (en) * | 2018-08-20 | 2020-02-27 | DynaEnergetics Europe GmbH | System and method to deploy and control autonomous devices |
| CN111144631A (zh) * | 2019-12-19 | 2020-05-12 | 南京航空航天大学 | 基于贝叶斯网络算法的航班延误实时概率预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPWO2015182142A1 (ja) * | 2014-05-28 | 2017-06-15 | メトロウェザー株式会社 | 気象予報システム |
-
2023
- 2023-08-03 CN CN202310968059.9A patent/CN117033935B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108761574A (zh) * | 2018-05-07 | 2018-11-06 | 中国电建集团北京勘测设计研究院有限公司 | 基于多源信息融合的降雨量估算方法 |
| CN110472762A (zh) * | 2018-05-11 | 2019-11-19 | 中国电力科学研究院有限公司 | 一种网格化降水的订正方法及系统 |
| WO2020038848A1 (en) * | 2018-08-20 | 2020-02-27 | DynaEnergetics Europe GmbH | System and method to deploy and control autonomous devices |
| CN109146187A (zh) * | 2018-08-30 | 2019-01-04 | 昆明理工大学 | 一种基于自适应贝叶斯模型平均的降雨预测方法 |
| CN109946762A (zh) * | 2019-03-06 | 2019-06-28 | 重庆邮电大学移通学院 | 一种基于概率分布短时预报降水的方法及系统 |
| CN110263838A (zh) * | 2019-06-13 | 2019-09-20 | 南京信息工程大学 | 一种多传感器降水估计融合方法 |
| CN111144631A (zh) * | 2019-12-19 | 2020-05-12 | 南京航空航天大学 | 基于贝叶斯网络算法的航班延误实时概率预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Probabilistic Rainfall Estimation from Automotive Lidar;Robin Karlsson 等;《2022 IEEE Intelligent Vehicles Symposium (IV)》;全文 * |
| 基于增量贝叶斯的双偏振气象雷达降水粒子分类方法;李海 等;《雷达科学与技术》;第20卷(第3期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117033935A (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110321853B (zh) | 基于视频智能检测的分布式电缆防外破系统 | |
| CN117033935B (zh) | 基于贝叶斯融合的统计与监测下的场降雨特征的预测方法 | |
| CN104613892B (zh) | 融合视频检测技术和激光测距技术的复合雪深监测系统 | |
| CN110929946A (zh) | 基于地表水文过程的农业洪涝灾害监测预报系统及方法 | |
| CN113593191A (zh) | 一种基于大数据的可视化城市内涝监测预警系统 | |
| CN115422766B (zh) | 一种基于数字孪生技术的泥石流监测方法及系统 | |
| CN115014299B (zh) | 基于物联网和大数据的洪峰预警方法 | |
| CN116227752A (zh) | 一种基于物联网的园区设施管理系统 | |
| CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
| CN114021766A (zh) | 一种基于物联网和大数据的城市水安全预测方法 | |
| CN116227362A (zh) | 一种基于图与深度学习的市政排水管网状态预测方法 | |
| CN117372629A (zh) | 一种基于数字孪生的水库可视化数据监管控制系统及方法 | |
| CN117390378B (zh) | 一种双碳平台数据智能管理方法及系统 | |
| CN114565603A (zh) | 一种一体化洪涝灾害精准监测预警方法 | |
| CN111753408B (zh) | 一种顾及天气的gnss大气加权平均温度计算方法 | |
| KR102582180B1 (ko) | Ai를 활용한 소하천 스마트 예측 관리 시스템 및 그방법 | |
| CN109471205A (zh) | 一种基于网格化气象数据在电网运行中的监测预警方法 | |
| CN116895134A (zh) | 一种基于5g技术的水电站下游水位突涨预警方法及系统 | |
| CN116028660A (zh) | 一种基于权重值的图像数据筛选方法、系统及介质 | |
| CN107886049B (zh) | 一种基于摄像探头的能见度识别预警方法 | |
| CN114283344A (zh) | 一种森林生态水文过程自动实时监测方法及系统 | |
| CN113961623A (zh) | 一种基于短历时数据的降雨特征指标统计方法 | |
| CN117608005B (zh) | 一种对区域暴雨频次的研判方法及系统 | |
| JP5320041B2 (ja) | 降雨情報配信システム | |
| CN113257000B (zh) | 一种道路黑冰智能化检测预警系统及方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240123 Address after: Building 3, No. 32 Xizhimen North Street, Haidian District, Beijing, 100080 Applicant after: BEIJING GENERAL MUNICIPAL ENGINEERING DESIGN & RESEARCH INSTITUTE Co.,Ltd. Country or region after: China Address before: Rooms 07, 08, 09, and 10, 9th Floor, "Xingguang Yingjing", No. 117 Shuiyin Road, Yuexiu District, Guangzhou City, Guangdong Province, 510030 Applicant before: Guangdong Branch of Beijing Municipal Engineering Design and Research Institute Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |