CN117152919A - 一种基于多源异构综合数据库的气象灾害预警系统 - Google Patents
一种基于多源异构综合数据库的气象灾害预警系统 Download PDFInfo
- Publication number
- CN117152919A CN117152919A CN202311295632.0A CN202311295632A CN117152919A CN 117152919 A CN117152919 A CN 117152919A CN 202311295632 A CN202311295632 A CN 202311295632A CN 117152919 A CN117152919 A CN 117152919A
- Authority
- CN
- China
- Prior art keywords
- module
- early warning
- disaster
- data
- geological
- 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
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 230000007613 environmental effect Effects 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims abstract description 7
- 238000001228 spectrum Methods 0.000 claims abstract description 7
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000001556 precipitation Methods 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 32
- 238000005516 engineering process Methods 0.000 claims description 15
- 239000002689 soil Substances 0.000 claims description 15
- 238000013473 artificial intelligence Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000005192 partition Methods 0.000 claims description 12
- 238000013499 data model Methods 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 238000011160 research Methods 0.000 claims description 9
- 230000035945 sensitivity Effects 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 7
- 108010014173 Factor X Proteins 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 101710154918 Trigger factor Proteins 0.000 description 1
- 239000005442 atmospheric precipitation Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及气象灾害预警技术领域，公开了一种基于多源异构综合数据库的气象灾害预警系统，包括数据采集模块、数据处理模块、预测预警模块和输出模块，数据采集模块用于采集各种气象数据，还用于收集地质灾害的相关数据，数据处理模块用于接收来自数据采集模块的数据，对数据进行清洗、预处理和解析，将数据转化为可使用的格式，预测预警模块包括但不限于天气尺度系统分析模块、环境参数分析模块、数值预报模块、人工订正模块、雷达回波分析模块、机器学习模块、人工智能模块、多普勒雷达数据处理模块、速度频谱宽度数据处理模块和地质灾害风险等级预报预警模块。多源数据采集能够提供更全面的信息，有助于准确预测和预警气象灾害。
Description
技术领域
本发明涉及气象灾害预警技术领域，具体为一种基于多源异构综合数据库的气象灾害预警系统。
背景技术
地处副热带地区，年雨量充沛，极易诱发滑坡、崩塌、泥石流等地质灾害。随着我国气象观测站网的精密程度不断提升以及数值模拟水平的提高，对风的观测和预报都有了长足进步，然而复杂地形风的状况和预报仍是热点和难点。风速大于17.2m/s的风定义为大风，大风的出现大致可以分为两种，雷暴大风和热低压大风。雷暴大风是指大气对流活动导致的地面及近地面强风事件，主要由雷暴强下沉气流造成，有时伴随冷池密度流、高空动量下传等作用。雷暴大风具有突发性强、持续时间短、致灾性强等特点。热低压大风多出现于春季，为区域性大风过程。
分析雷暴大风发生的天气尺度系统和环境参数，提高对雷暴大风形成的环流背景和环境条件的认识，是准确预报预警雷暴大风的前提，雷暴大风的中短期预报。
降水是地质灾害的主要诱因，地质灾害气象风险主要是降水诱发地质灾害导致的人员伤亡、财产破坏和经济活动中断的预期损失。近年来随着灾害管理和防灾减灾决策服务的发展，地质灾害气象风险评价越来越得到重视，服务需求更多集中在地质灾害能造成多大风险，即发生地质灾害可能会影响多少人员和造成怎样的经济损失程度。暴雨型地质灾害具有突发性强的特点，降雨是地质灾害的触发因素，根据降雨量进行地质灾害预警预报减少地质灾害损失，地质灾害气象预警是以地质环境条件为基础，根据前期实际降雨量和未来1～3天预报降雨量，对降雨可能诱发的突发性地质灾害在空间、时间和危险性等级上进行预测。
以往的普通天气雷达的探测原理是借助于云雨目标对雷达发射的电磁波的散射回波来分析判断其空间区域、垂直结构、强弱分布情况等。新一代天气雷达的应用不但可以发挥过去普通天气雷达的作用，同时还能够凭借物理多普勒效应来对降水粒子的径向移动速度进行有效把控，然后掌握降水云的移动速度、垂直气流速度以及风场的结构特征。
在江流域范围内的预报格点非常密集，因此实况和预报均可以精细化的针对每个光伏电厂，结合地质灾害隐患点的调查数据，可以提供高时空分辨率的地质灾害检测、预报和预警产品。
目前存在对复杂地形风状况预报不准确、对地质灾害预警不够精细化的问题，并且难以提供更全面的气象信息数据和参数，导致气象灾害、地质灾害预测预警准确性和可靠性降低。为此，需要设计相应的技术方案给予解决。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于多源异构综合数据库的气象灾害预警系统，解决了存在对复杂地形风状况预报不准确、对地质灾害预警不够精细化的技术问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于多源异构综合数据库的气象灾害预警系统，包括数据采集模块、数据处理模块、预测预警模块和输出模块，所述数据采集模块：用于采集各种气象数据，包括但不限于风速、风向、温度、湿度、气压、降雨量；还用于收集地质灾害的相关数据，包括但不限于土壤含水率和地层位移；
所述数据处理模块：用于接收来自数据采集模块的数据，对数据进行清洗、预处理和解析，将数据转化为可使用的格式；
所述预测预警模块：包括但不限于天气尺度系统分析模块、环境参数分析模块、数值预报模块、人工订正模块、雷达回波分析模块、机器学习模块、人工智能模块、多普勒雷达数据处理模块、速度频谱宽度数据处理模块和地质灾害风险等级预报预警模块；
所述天气尺度系统和环境参数分析模块，用于分析雷暴大风发生的天气尺度系统和环境参数；
所述数值预报和人工订正模块，用于中短期预报雷暴大风，通过数值预报结合人工订正的方式进行预报；
所述短时临近预报模块，通过结合雷达回波特征判定，进行短时临近预报；
所述机器学习和人工智能模块，用于对雷暴大风进行预报预警；
所述多普勒雷达数据处理模块，用于多普勒雷达高质量显示强降雨、雷电、大风和冰雹强的对流天气的发生发展趋势，并提供定量评估降水和测量回波强度的性能；
所述速度频谱宽度数据处理模块，用于观察湍流、风切变以及速度质量而引起的平均径向速度的动态趋势，判断湍流的大小以及检查径向量的有效性，为雷暴大风的预报服务提供指导；
所述地质灾害风险等级预报预警模块，用于进行地质灾害易发分区、计算临界有效降水量、建立地质灾害预报模型，并对降雨可能诱发的突发性地质灾害在空间、时间和危险性等级上进行预测；
所述输出模块：用于将预测预警模块的输出以可视化方式呈现给用户，利用计算机图形学技术，创建气象灾害预警的3D模型或场景。
优选的，所述地质灾害风险等级预报预警模块包括有进行地质灾害易发分区、临界有效降水量计算模块和地质灾害预报模型建立模块；
所述地质灾害易发分区模块，采用地质灾害综合发育程度指数法和信息量法进行地质灾害易发分区；
所述临界有效降水量计算模块，包括静态临界有效降水量和动态临界有效降水量的计算；
所述地质灾害预报模型建立模块，包括确定性模型和不确定性模型，所述不确定性模型包括可拓模型、Logistic模型和概率论模型。
优选的，所述信息量法模块用于进行地质灾害易发分区，并计算动态临界有效降水量；
所述概率论模型模块用于建立地质灾害预报模型，进行地质灾害等级预报预警。
优选的，所述地质灾害易发分区模块选择了7个因素用以反映地质灾害敏感性，分别是地震、地层、断层、土地利用、坡度、距河流的远近和距主要道路的远近，不同的状态组合，构成了地面不同滑坡敏感性分布状态；
这种分布状态可用评价单元内总的信息量来Ij表达：
式中，Ij为j单元总的信息量值，n为参评因子数，S为研究区评价单元总数，N为研究区有滑坡分布的单元总数，Si为研究区内含有评价因素Xi的单元数，Ni为分布在因素Xi内特定类别内的滑坡单元数；
i值越大，滑坡发生敏感性越高，越有利于滑坡的发生。
优选的，所述临界有效降水量计算模块，采用API方法：
式中：R为有效降水量，Ri为地质灾害发生前第i天的降水量，n为灾害发生当日往前推算天数，k为衰减系数，一般取0.8。
优选的，所述地质灾害预报模型建立模块，包括江流域强降水诱发的地质灾害，为强降水诱发的地质灾害总体中的一个抽样，江流域范围内光伏电站诱发地质灾害的降水与对应的地灾之间的概率分布服从总体的分布形式：
式中，σ为方差，μ为期望，x为有效雨量。
优选的，采集风速、风向、温度、湿度、气压、降雨量和土壤含水率的气象数据采用以下传感器进行监测：
风速和风向传感器：采用风速计和风向标用于测量风速和风向；
温度和湿度传感器：用于测量空气的温度和测量空气中的水分含量；
压力传感器：用于测量大气压的变化；
降雨量传感器：用于测量降落在一定范围内的雨水量；
土壤含水率传感器插入土壤中，并用于测量土壤的导电性或重量变化来确定含水率；
地层位移传感器：用于监测地质灾害的相关数据，采用地质传感器或地震检波器来检测地层位移和地质灾害的发生。
优选的，所述数值预报模块利用数值预报方法生成初步的预报结果，预报结果包括雷暴大风可能发生的时间、地点、强度信息，所述人工订正模块根据系统对数值预报结果进行修正。
优选的，所述机器学习模块利用历史数据和实时数据，通过机器学习方法对雷暴大风进行预报预警，包括使用支持向量机和随机森林监督学习算法，对气象数据进行训练和模型构建，预测雷暴大风的发生概率或风速参数；
所述人工智能模块利用人工智能方法对雷暴大风进行预报预警，包括使用知识图谱或推理引擎技术，结合领域专家的知识和规则，对气象数据进行分析和推理，以提供对雷暴大风的预测和预警。
优选的，利用计算机图形学技术来创建气象灾害预警的3D模型或场景具体的方法包括以下步骤：
利用计算机图形学软件进行建模：使用3ds Max、Maya的计算机图形学软件创建气象灾害预警的3D模型或场景，创建各种形态的气象灾害模型，包括有龙卷风和暴雨；
利用虚拟现实技术进行模拟：虚拟现实技术创建逼真的三维虚拟环境，，通过模拟气象灾害发生的过程和影响范围；
三维数据模型：利用三维数据模型来呈现气象灾害预警数据，通过将气象数据集成到三维数据模型中。
(三)有益效果
与现有技术相比，本发明的有益效果：多源数据采集能够提供更全面的信息，有助于准确预测和预警气象灾害；可以确保数据的准确性和一致性，为后续的预测和预警模块提供高质量的输入；综合分析不同的数据和参数，利用数值预报、机器学习和人工智能方法进行预测和预警，多模块的组合能够提高预测的准确性和可靠性；通过对降雨可能诱发的地质灾害进行预测，可以提前采取措施减轻灾害风险；用户可以更直观地了解灾害的威胁和影响，有助于做出相应的决策和应对措施，从而减轻灾害带来的损失和影响。
附图说明
图1为本发明的系统连接示意图。
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。
请参阅图1，本发明实施例提供一种技术方案：一种基于多源异构综合数据库的气象灾害预警系统，包括数据采集模块、数据处理模块、预测预警模块和输出模块，
所述数据采集模块：用于采集各种气象数据，包括但不限于风速、风向、温度、湿度、气压、降雨量；还用于收集地质灾害的相关数据，包括但不限于土壤含水率和地层位移；
所述数据处理模块：用于接收来自数据采集模块的数据，对数据进行清洗、预处理和解析，将数据转化为可使用的格式；
所述预测预警模块：包括但不限于天气尺度系统分析模块、环境参数分析模块、数值预报模块、人工订正模块、雷达回波分析模块、机器学习模块、人工智能模块、多普勒雷达数据处理模块、速度频谱宽度数据处理模块和地质灾害风险等级预报预警模块；
所述天气尺度系统和环境参数分析模块，用于分析雷暴大风发生的天气尺度系统和环境参数；
所述数值预报和人工订正模块，用于中短期预报雷暴大风，通过数值预报结合人工订正的方式进行预报；
所述短时临近预报模块，通过结合雷达回波特征判定，进行短时临近预报；
所述机器学习和人工智能模块，用于对雷暴大风进行预报预警；
所述多普勒雷达数据处理模块，用于多普勒雷达高质量显示强降雨、雷电、大风和冰雹强的对流天气的发生发展趋势，并提供定量评估降水和测量回波强度的性能；
所述速度频谱宽度数据处理模块，用于观察湍流、风切变以及速度质量而引起的平均径向速度的动态趋势，判断湍流的大小以及检查径向量的有效性，为雷暴大风的预报服务提供指导；
所述地质灾害风险等级预报预警模块，用于进行地质灾害易发分区、计算临界有效降水量、建立地质灾害预报模型，并对降雨可能诱发的突发性地质灾害在空间、时间和危险性等级上进行预测；
所述输出模块：用于将预测预警模块的输出以可视化方式呈现给用户，利用计算机图形学技术，创建气象灾害预警的3D模型或场景，让用户更加直观地感受灾害的威胁和影响。
天气尺度系统分析模块和环境参数分析模块负责对气象数据进行深入分析，以识别可能产生雷暴大风的天气尺度和环境参数。
数值预报模块结合天气尺度系统分析模块和环境参数分析模块的输出，利用数值预报方法进行中短期预报。
雷达回波分析模块根据多普勒雷达的回波特征判定短时临近预报。
进一步改进地，所述地质灾害风险等级预报预警模块包括有进行地质灾害易发分区、临界有效降水量计算模块和地质灾害预报模型建立模块；
所述地质灾害易发分区模块，采用地质灾害综合发育程度指数法和信息量法进行地质灾害易发分区；
所述临界有效降水量计算模块，包括静态临界有效降水量和动态临界有效降水量的计算；
所述地质灾害预报模型建立模块，包括确定性模型和不确定性模型，所述不确定性模型包括可拓模型、Logistic模型和概率论模型。
静态临界有效降水量计算：该模块能够通过对地基GPS数据和降水数据的对比，找出大气可降水量(PWV)转化为有效降水发生的幂函数规律。这种规律可以作为形成有效降水的临界阈值，从而提高降水预报的准确率。
确定性模型能够建立地质灾害的确定性预报模型，通过对地质灾害相关因素的分析和建模，预测地质灾害的发生概率和可能的影响范围。
不确定性模型能够建立地质灾害的不确定性预报模型，包括可拓模型、Logistic模型和概率论模型，这些模型可以考虑不确定性因素，如地质条件、降水量等，提供更全面和可靠的地质灾害预报结果。
进一步改进地，所述信息量法模块，用于进行地质灾害易发分区，并计算动态临界有效降水量；
所述概率论模型模块，用于建立地质灾害预报模型，进行地质灾害等级预报预警。
进一步改进地，所述地质灾害易发分区模块选择了7个因素用以反映地质灾害敏感性，分别是地震、地层、断层、土地利用、坡度、距河流的远近和距主要道路的远近，不同的状态组合，构成了地面不同滑坡敏感性分布状态；
这种分布状态可用评价单元内总的信息量来Ij表达：
式中，Ij为j单元总的信息量值，n为参评因子数，S为研究区评价单元总数，N为研究区有滑坡分布的单元总数，Si为研究区内含有评价因素Xi的单元数，Ni为分布在因素Xi内特定类别内的滑坡单元数；
i值越大，滑坡发生敏感性越高，越有利于滑坡的发生。
进一步改进地，所述临界有效降水量计算模块，采用API方法：
式中：R为有效降水量(mm)，Ri为地质灾害发生前第i天的降水量(mm)，n(一般取14)为灾害发生当日往前推算天数，k为衰减系数，一般取0.8；
公式有2个基本假设前提：①地质灾害发生前每天的降水量衰减是独立的；②每次衰减过程遵循相同的衰减规律，即衰减系数相同，灾害发生当天降水不做衰减处理。
进一步改进地，所述地质灾害预报模型建立模块，江流域强降水诱发的地质灾害是全省强降水诱发的地质灾害这个总体中的一个抽样，那么江流域范围内光伏电站诱发地质灾害的降水与对应的地灾之间的概率分布服从总体的分布形式：
式中，σ为方差，μ为期望，x为有效雨量。
参数估计及拟合优度检验表
在地灾风险区划的基础上，对三个易发等级的区域分别建模。有效雨量和地灾的概率密度分布函数满足上式，三个等级的参数估计如上表所示，那么对于任意一个有效雨量，其对应的地质灾害概率可以由关键因子为有效雨量的概率密度函数求出。
进一步改进地，采集风速、风向、温度、湿度、气压、降雨量和土壤含水率的气象数据采用以下传感器进行监测：
风速和风向传感器：采用风速计和风向标用于测量风速和风向；
温度和湿度传感器：用于测量空气的温度和测量空气中的水分含量；
压力传感器：用于测量大气压的变化；
降雨量传感器：用于测量降落在一定范围内的雨水量；
土壤含水率传感器：插入土壤中，并用于测量土壤的导电性或重量变化来确定含水率；
地层位移传感器：用于监测地质灾害的相关数据，采用地质传感器或地震检波器来检测地层位移和地质灾害的发生。
以上传感器类型可以用于采集各种气象数据和地质灾害数据，以提供准确的气象预报和地质灾害预警。
进一步改进地，数值预报模块利用数值预报方法生成初步的预报结果，预报结果包括雷暴大风可能发生的时间、地点、强度信息，人工订正模块根据系统对数值预报结果进行修正，以提高预报的准确性。
进一步改进地，所述机器学习模块利用历史数据和实时数据，通过机器学习方法对雷暴大风进行预报预警，包括使用支持向量机和随机森林监督学习算法，对气象数据进行训练和模型构建，预测雷暴大风的发生概率或风速参数；
所述人工智能模块利用人工智能方法对雷暴大风进行预报预警，包括使用知识图谱或推理引擎技术，结合领域专家的知识和规则，对气象数据进行分析和推理，以提供对雷暴大风的预测和预警。
通过对大量的气象数据进行训练和学习，从而提高对雷暴大风的预测准确性和预警效果，可以自动地从数据中学习和发现模式，识别出可能导致雷暴大风的天气特征，并根据这些特征进行预测和预警。
具体改进地，利用计算机图形学技术来创建气象灾害预警的3D模型或场景具体的方法包括以下步骤：
利用计算机图形学软件进行建模：使用3ds Max、Maya的计算机图形学软件创建气象灾害预警的3D模型或场景，创建各种形态的气象灾害模型，包括有龙卷风和暴雨；
利用虚拟现实技术进行模拟：虚拟现实技术创建逼真的三维虚拟环境，让用户身临其境地感受气象灾害的影响，通过模拟气象灾害发生的过程和影响范围，让用户更加直观地了解灾害的威胁和影响，从而更好地进行预警和防范；
三维数据模型：利用三维数据模型来呈现气象灾害预警数据，三维数据模型是一种用三维图形方式呈现数据的工具，可以清晰地展示数据的分布和相互关系，通过将气象数据集成到三维数据模型中，用于帮助用户更加深入地了解气象灾害预警的情况。
综述，多源数据采集能够提供更全面的信息，有助于准确预测和预警气象灾害；可以确保数据的准确性和一致性，为后续的预测和预警模块提供高质量的输入；综合分析不同的数据和参数，利用数值预报、机器学习和人工智能方法进行预测和预警，多模块的组合能够提高预测的准确性和可靠性；通过对降雨可能诱发的地质灾害进行预测，可以提前采取措施减轻灾害风险；用户可以更直观地了解灾害的威胁和影响，有助于做出相应的决策和应对措施，从而减轻灾害带来的损失和影响。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。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，本发明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发明内。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。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种基于多源异构综合数据库的气象灾害预警系统，包括数据采集模块、数据处理模块、预测预警模块和输出模块，其特征在于：
所述数据采集模块：用于采集各种气象数据，包括但不限于风速、风向、温度、湿度、气压、降雨量；还用于收集地质灾害的相关数据，包括但不限于土壤含水率和地层位移；
所述数据处理模块：用于接收来自数据采集模块的数据，对数据进行清洗、预处理和解析，将数据转化为可使用的格式；
所述预测预警模块：包括但不限于天气尺度系统分析模块、环境参数分析模块、数值预报模块、人工订正模块、雷达回波分析模块、机器学习模块、人工智能模块、多普勒雷达数据处理模块、速度频谱宽度数据处理模块和地质灾害风险等级预报预警模块；
所述天气尺度系统和环境参数分析模块，用于分析雷暴大风发生的天气尺度系统和环境参数；
所述数值预报和人工订正模块，用于中短期预报雷暴大风，通过数值预报结合人工订正的方式进行预报；
所述短时临近预报模块，通过结合雷达回波特征判定，进行短时临近预报；
所述机器学习和人工智能模块，用于对雷暴大风进行预报预警；
所述多普勒雷达数据处理模块，用于多普勒雷达高质量显示强降雨、雷电、大风和冰雹强的对流天气的发生发展趋势，并提供定量评估降水和测量回波强度的性能；
所述速度频谱宽度数据处理模块，用于观察湍流、风切变以及速度质量而引起的平均径向速度的动态趋势，判断湍流的大小以及检查径向量的有效性，为雷暴大风的预报服务提供指导；
所述地质灾害风险等级预报预警模块，用于进行地质灾害易发分区、计算临界有效降水量、建立地质灾害预报模型，并对降雨可能诱发的突发性地质灾害在空间、时间和危险性等级上进行预测；
所述输出模块：用于将预测预警模块的输出以可视化方式呈现给用户，利用计算机图形学技术，创建气象灾害预警的3D模型或场景。
2.根据权利要求1所述的一种基于多源异构综合数据库的气象灾害预警系统，其特征在于：所述地质灾害风险等级预报预警模块包括有进行地质灾害易发分区、临界有效降水量计算模块和地质灾害预报模型建立模块；
所述地质灾害易发分区模块，采用地质灾害综合发育程度指数法和信息量法进行地质灾害易发分区；
所述临界有效降水量计算模块，包括静态临界有效降水量和动态临界有效降水量的计算；
所述地质灾害预报模型建立模块，包括确定性模型和不确定性模型，所述不确定性模型包括可拓模型、Logistic模型和概率论模型。
3.根据权利要求2所述的一种基于多源异构综合数据库的气象灾害预警系统，其特征在于：所述信息量法模块用于进行地质灾害易发分区，并计算动态临界有效降水量；
所述概率论模型模块用于建立地质灾害预报模型，进行地质灾害等级预报预警。
4.根据权利要求2所述的一种基于多源异构综合数据库的气象灾害预警系统，其特征在于：所述地质灾害易发分区模块选择了7个因素用以反映地质灾害敏感性，分别是地震、地层、断层、土地利用、坡度、距河流的远近和距主要道路的远近，不同的状态组合，构成了地面不同滑坡敏感性分布状态；
这种分布状态可用评价单元内总的信息量来Ij表达：
式中，Ij为j单元总的信息量值，n为参评因子数，S为研究区评价单元总数，N为研究区有滑坡分布的单元总数，Si为研究区内含有评价因素Xi的单元数，Ni为分布在因素Xi内特定类别内的滑坡单元数；
i值越大，滑坡发生敏感性越高，越有利于滑坡的发生。
5.根据权利要求2所述的一种基于多源异构综合数据库的气象灾害预警系统，其特征在于：所述临界有效降水量计算模块，采用API方法：
式中：R为有效降水量，Ri为地质灾害发生前第i天的降水量，n为灾害发生当日往前推算天数，k为衰减系数，一般取0.8。
6.根据权利要求2所述的一种基于多源异构综合数据库的气象灾害预警系统，其特征在于：所述地质灾害预报模型建立模块，包括江流域强降水诱发的地质灾害，为强降水诱发的地质灾害总体中的一个抽样，江流域范围内光伏电站诱发地质灾害的降水与对应的地灾之间的概率分布服从总体的分布形式：
式中，σ为方差，μ为期望，x为有效雨量。
7.根据权利要求1所述的一种基于多源异构综合数据库的气象灾害预警系统，其特征在于：采集风速、风向、温度、湿度、气压、降雨量和土壤含水率的气象数据采用以下传感器进行监测：
风速和风向传感器：采用风速计和风向标用于测量风速和风向；
温度和湿度传感器：用于测量空气的温度和测量空气中的水分含量；
压力传感器：用于测量大气压的变化；
降雨量传感器：用于测量降落在一定范围内的雨水量；
土壤含水率传感器插入土壤中，并用于测量土壤的导电性或重量变化来确定含水率；
地层位移传感器：用于监测地质灾害的相关数据，采用地质传感器或地震检波器来检测地层位移和地质灾害的发生。
8.根据权利要求1所述的一种基于多源异构综合数据库的气象灾害预警系统，其特征在于：所述数值预报模块利用数值预报方法生成初步的预报结果，预报结果包括雷暴大风可能发生的时间、地点、强度信息，所述人工订正模块根据系统对数值预报结果进行修正。
9.根据权利要求1所述的一种基于多源异构综合数据库的气象灾害预警系统，其特征在于：所述机器学习模块利用历史数据和实时数据，通过机器学习方法对雷暴大风进行预报预警，包括使用支持向量机和随机森林监督学习算法，对气象数据进行训练和模型构建，预测雷暴大风的发生概率或风速参数；
所述人工智能模块利用人工智能方法对雷暴大风进行预报预警，包括使用知识图谱或推理引擎技术，结合领域专家的知识和规则，对气象数据进行分析和推理，以提供对雷暴大风的预测和预警。
10.根据权利要求1所述的一种基于多源异构综合数据库的气象灾害预警系统，其特征在于：利用计算机图形学技术来创建气象灾害预警的3D模型或场景具体的方法包括以下步骤：
利用计算机图形学软件进行建模：使用3ds Max、Maya的计算机图形学软件创建气象灾害预警的3D模型或场景，创建各种形态的气象灾害模型，包括有龙卷风和暴雨；
利用虚拟现实技术进行模拟：虚拟现实技术创建逼真的三维虚拟环境，，通过模拟气象灾害发生的过程和影响范围；
三维数据模型：利用三维数据模型来呈现气象灾害预警数据，通过将气象数据集成到三维数据模型中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311295632.0A CN117152919A (zh) | 2023-10-09 | 2023-10-09 | 一种基于多源异构综合数据库的气象灾害预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311295632.0A CN117152919A (zh) | 2023-10-09 | 2023-10-09 | 一种基于多源异构综合数据库的气象灾害预警系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117152919A true CN117152919A (zh) | 2023-12-01 |
Family
ID=88906233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311295632.0A Pending CN117152919A (zh) | 2023-10-09 | 2023-10-09 | 一种基于多源异构综合数据库的气象灾害预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117152919A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117849907A (zh) * | 2024-03-07 | 2024-04-09 | 江苏省气象台 | 基于多源数据的气象灾害靶向预警方法及系统 |
-
2023
- 2023-10-09 CN CN202311295632.0A patent/CN117152919A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117849907A (zh) * | 2024-03-07 | 2024-04-09 | 江苏省气象台 | 基于多源数据的气象灾害靶向预警方法及系统 |
| CN117849907B (zh) * | 2024-03-07 | 2024-05-24 | 江苏省气象台 | 基于多源数据的气象灾害靶向预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023061039A1 (zh) | 基于物联网的尾矿库风险监测预警系统 | |
| Liu et al. | Analysis on land ecological security change and affect factors using RS and GWR in the Danjiangkou Reservoir area, China | |
| Quan et al. | GIS-based landslide susceptibility mapping using analytic hierarchy process and artificial neural network in Jeju (Korea) | |
| Solari et al. | Detection, simulation, modelling and loading of thunderstorm outflows to design wind-safer and cost-efficient structures | |
| CN112070286B (zh) | 复杂地形流域的降水预报预警系统 | |
| Brocca et al. | Application of a model-based rainfall-runoff database as efficient tool for flood risk management | |
| CN113222283B (zh) | 一种基于数字孪生的山洪预报预警方法及系统 | |
| CN107316095A (zh) | 一种耦合多源数据的区域气象干旱等级预测方法 | |
| Mohanty et al. | Role of sea surface temperature in modulating life cycle of tropical cyclones over Bay of Bengal | |
| CN112561274A (zh) | 基于多要素情境的台风诱发地质灾害风险评估方法 | |
| CN110646867A (zh) | 一种城市排水监测预警方法和系统 | |
| CN111144656A (zh) | 一种基于gis的灾害评价分析方法 | |
| CN113327022B (zh) | 一种防雷安全风险管理系统及方法 | |
| CN113762090B (zh) | 一种特高压密集输电通道灾害监测预警方法 | |
| CN117152919A (zh) | 一种基于多源异构综合数据库的气象灾害预警系统 | |
| CN116777079A (zh) | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 | |
| CN115422766A (zh) | 一种基于数字孪生技术的泥石流监测方法及系统 | |
| CN113296072B (zh) | 一种基于YOLOv3模型的雷暴大风自动识别方法及系统 | |
| Li | Evaluation method of ecological vulnerability of scenic spots based on entropy weight TOPSIS model | |
| Besson et al. | Links between weather phenomena and characteristics of refractivity measured by precipitation radar | |
| CN116110210B (zh) | 复杂环境下数据驱动的滑坡灾害辅助决策方法 | |
| CN113075751A (zh) | 一种观测资料在短临预报中的融合方法和系统 | |
| Hui et al. | Eco-Environment Evaluation of Grassland Based on Remote Sensing Ecological Index: A Case in Hulunbuir Area, China | |
| Lyu et al. | Estimation of PM2. 5 concentrations over Beijing with MODIS AODs using an artificial neural network | |
| Janál et al. | Fuzzy logic based flash flood forecast |
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 |