CN117593657A - 一种精细化气象预报数据处理方法、系统及可读存储介质 - Google Patents
一种精细化气象预报数据处理方法、系统及可读存储介质 Download PDFInfo
- Publication number
- CN117593657A CN117593657A CN202311522490.7A CN202311522490A CN117593657A CN 117593657 A CN117593657 A CN 117593657A CN 202311522490 A CN202311522490 A CN 202311522490A CN 117593657 A CN117593657 A CN 117593657A
- Authority
- CN
- China
- Prior art keywords
- data
- weather
- rainfall
- target area
- weather forecast
- 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 114
- 238000012545 processing Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000012937 correction Methods 0.000 claims abstract description 58
- 230000008859 change Effects 0.000 claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 238000011161 development Methods 0.000 claims abstract description 13
- 238000009499 grossing Methods 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims description 45
- 238000005520 cutting process Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 19
- 238000001556 precipitation Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 4
- MCSXGCZMEPXKIW-UHFFFAOYSA-N 3-hydroxy-4-[(4-methyl-2-nitrophenyl)diazenyl]-N-(3-nitrophenyl)naphthalene-2-carboxamide Chemical compound Cc1ccc(N=Nc2c(O)c(cc3ccccc23)C(=O)Nc2cccc(c2)[N+]([O-])=O)c(c1)[N+]([O-])=O MCSXGCZMEPXKIW-UHFFFAOYSA-N 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000004422 calculation algorithm 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
- 230000001788 irregular Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Environmental & Geological Engineering (AREA)
- Evolutionary Computation (AREA)
- Astronomy & Astrophysics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本申请提供了一种精细化气象预报数据处理方法、系统及可读存储介质，涉及气象精细预报技术领域，该方法包括：获取气象预报数据，将获取到的气象预报数据处理为空间地理信息数据，并进行空间插值；获取地面气象自动站点观测数据，得到降雨量修正参数图；将获取的气象雷达回波图处理后输入至地理信息系统中，获得气象雷达回波数据图；获取卫星云图数据，计算雨云的运动轨迹和发展趋势，获取雨云轨迹和强度变化预测图；基于进行空间插值后的空间地理信息数据，将目标区域的降雨量修正参数图、气象雷达回波数据图、雨云轨迹和强度变化预测图进行叠加计算，并对叠加计算的结果进行重分类以及边界的平滑处理，以得到目标区域的精细化的气象预报数据。
Description
技术领域
本申请涉及气象精细预报技术领域，具体涉及一种精细化气象预报数据处理方法、系统及可读存储介质。
背景技术
随着气象科学技术的发展以及对气象预报精度要求的提高，格点预报作为精细化预报的趋势，越来越多地应用于气象预报中，2016年，中国气象局印发了《全国精细化网格气象预报业务建设实施方案》，许多地方相继开始进行基于格点的精细化要素预报。
格点预报数据是通过地面站点所收集的气象资料转化而来，但是，由于各气象观测台站的空间分布不规则，加之各气象观测台站之间的地理条件的影响，可能出现局部地区的天气预报数据准确度不高的问题(例如，当某两个气象观测台站之间存在山地、丘陵等地质情况时，可能天气预报该区域为晴天，而实际在某些山地或丘陵地区会出现降雨)。同时，对于用户来说，其实际所在位置并不总落在某个固定的格点之上，也无法从格点预报数据中获取其所在位置的具体天气预报数据。
有鉴于此，如何建立合理、有效的格点到用户感兴趣位置的预报要素解析方法则成为目前面临的重要现实问题，即如何对现有的气象预报数据进行精细化处理成为目前天气预报中亟待解决的问题。
发明内容
为了解决相关技术中的技术问题，本申请提供了一种精细化气象预报数据处理方法、系统及可读存储介质。通过本申请的方法，能够有效地对现有的气象预报数据进行精细化处理，以合理且有效地预报用户感兴趣位置的天气状况。
为了达到上述目的，本申请采用的技术方案包括：
根据本申请的第一方面，提供了一种精细化气象预报数据处理方法，包括如下步骤：
获取气象预报数据，将获取到的气象预报数据处理为空间地理信息数据，并对得到的空间地理信息数据进行空间插值；其中，气象预报数据包括以下数据中的任意一种或多种：文字类气象预报数据、栅格图片气象预报数据和格点气象预报数据；
连续获取地面气象自动站点观测数据，记录其降雨量数据，并按照时间段为统计区间，计算每一统计区间内降雨量数据变化曲线的斜率，以该斜率为该自动站点的降雨量预报修正参数，将地面气象自动站点的地理坐标和所得到的降雨量预报修正参数输入地理信息系统并进行空间插值，以得到目标区域内的降雨量修正参数图；
获取目标区域附近雷达站的气象雷达回波图，将获取的气象雷达回波图处理后输入至地理信息系统中，利用图像识别技术对气象雷达回波图中不同颜色区域进行识别提取并对不同颜色区域进行降雨量赋值，再以目标区域的边界线为基准进行数据裁减，以获得目标区域的气象雷达回波数据图；
每间隔预设时间获取卫星云图数据，提取其雨云分布，计算雨云的运动轨迹和发展趋势，并以目标区域的边界线为基准进行数据裁减，获取目标区域内的雨云轨迹和强度变化预测图；
基于进行空间插值后的空间地理信息数据，将目标区域的降雨量修正参数图、气象雷达回波数据图、雨云轨迹和强度变化预测图进行叠加计算，并对叠加计算的结果进行重分类以及边界的平滑处理，以得到目标区域的精细化的气象预报数据。
可选地，将获取到的气象预报数据处理为空间地理信息数据具体包括：
对于文字类气象预报数据，将其输入语言识别模型，识别其中的气象预报数据，并将其输入至地理信息系统中，以转化为空间地理信息数据；
对于栅格图片气象预报数据和格点气象预报数据，则通过空间校正、格式转化之后输入地理信息系统中，以转化为空间地理信息数据，并根据目标区域的边界线进行数据裁减。
可选地，对得到的空间地理信息数据进行空间插值具体包括：
对得到的空间地理信息数据中的格点预报气象产品采用双线性插值法进行空间插值。
可选地，在将地面气象自动站点的地理坐标和所得到的降雨量预报修正参数输入地理信息系统并进行空间插值的过程中，其空间插值方法为以下方法中的任意一种：
克里金插值法、随机森林-克里金混合插值法、反距离权重插值法和自然邻点插值法。
可选地，将获取的气象雷达回波图处理后输入至地理信息系统中具体包括：
将获取的气象雷达回波图通过空间校正、格式转化之后输入至地理信息系统中。
可选地，利用图像识别技术对气象雷达回波图中不同颜色区域进行识别提取并对不同颜色区域进行降雨量赋值具体包括：
利用监督分类图像识别技术对气象雷达回波图中不同颜色区域进行识别提取，并依据以下标准对不同颜色区域进行降雨量赋值：
蓝色：该区域被降水云系笼罩，但尚未出现降雨；
绿色：该区域内的降雨量为：0.1毫米/小时-8毫米/小时；
黄色：该区域内的降雨量为：8毫米/小时-18毫米/小时；
橙色：该区域内的降雨量为：18毫米/小时-28毫米/小时；
朱红色：该区域内的降雨量为：28毫米/小时-48毫米/小时；
大红色：该区域内的降雨量为：58毫米/小时-99毫米/小时；
深红色：该区域内的降雨量为：120毫米/小时-200毫米/小时；
紫色：该区域内的降雨量为：200毫米/小时以上。
可选地，获取目标区域内的雨云轨迹和强度变化预测图的具体过程为：
每间隔预设时间获取卫星云图数据，利用支持向量机的监督分类方法，依据人工观测云分类标准，分别提取其雨云分布；
根据多次获取的雨云分布，获取雨云的运动轨迹和发展趋势，绘制未来某一时间段的雨云的运动轨迹和强度变化预测图，并根据目标区域的边界线进行数据裁减，以获取目标区域的雨云的运动轨迹和强度变化预测图。
可选地，叠加计算的具体过程为：
基于进行空间插值后的空间地理信息数据，将目标区域的降雨量修正参数图、气象雷达回波数据图、雨云轨迹和强度变化预测图依据下式进行栅格计算：
E＝0.8*(A*B*D)+0.2*C
式中，E为目标区域的精细化的气象预报数据；
A为进行空间插值后的空间地理信息数据的格点预报产品图所对应的图层；
B为目标区域的降雨量修正参数图所对应的图层；
C为目标区域的气象雷达回波数据图所对应的图层；
D为目标区域的雨云轨迹和强度变化预测图所对应的图层。
根据本申请的第二方面，提供了一种精细化气象预报数据处理系统，用于执行本申请第一方面中任一项技术方案所述的精细化气象预报数据处理方法，该系统包括：
数据获取模块，用于获取气象预报数据；并用于获取地面气象自动站点观测数据，记录其降雨量数据；并用于获取目标区域附近雷达站的气象雷达回波图；并用于每间隔预设时间获取卫星云图数据；
数据处理模块，用于将获取到的气象预报数据处理为空间地理信息数据，并对得到的空间地理信息数据进行空间插值；并用于按照时间段为统计区间，计算每一统计区间内降雨量数据变化曲线的斜率，以该斜率为该自动站点的降雨量预报修正参数，将地面气象自动站点的地理坐标和所得到的降雨量预报修正参数输入地理信息系统并进行空间插值，以得到目标区域内的降雨量修正参数图；并用于将获取的气象雷达回波图处理后输入至地理信息系统中，利用图像识别技术对气象雷达回波图中不同颜色区域进行识别提取并对不同颜色区域进行降雨量赋值，再以目标区域的边界线为基准进行数据裁减，以获得目标区域的气象雷达回波数据图；并提取卫星云图数据中的雨云分布，计算雨云的运动轨迹和发展趋势，并以目标区域的边界线为基准进行数据裁减，获取目标区域内的雨云轨迹和强度变化预测图；并用于基于进行空间插值后的空间地理信息数据，将目标区域的降雨量修正参数图、气象雷达回波数据图、雨云轨迹和强度变化预测图进行叠加计算，并对叠加计算的结果进行重分类以及边界的平滑处理，以得到目标区域的精细化的气象预报数据。
根据本申请的第三方面，提供了一种可读存储介质，可读存储介质中存储有指令，当指令在终端上运行时，使得终端执行本申请第一方面中任一项技术方案所述的精细化气象预报数据处理方法。
有益效果：
1、通过上述技术方案，先将气象预报数据进行空间化，并对空间化的格点预报数据进行空间插值，以提高其空间分辨率，然后在进行空间插值后的空间地理信息数据的基础之上，结合感兴趣区域内的降雨量修正参数图、气象雷达回波数据图、雨云轨迹和强度变化预测图进行叠加计算，并对叠加计算结果进行重分类和边界的平滑处理，从而就可以有效且准确地得到感兴趣区域内的精细化的气象预报数据。
相对于现有相关技术中仅通过插值的方式提高格点预报数据的空间分辨率的方式而言，本申请在进行空间插值后的空间地理信息数据的基础之上，结合目标区域内的降雨量修正参数图、雷达反演结果(即气象雷达回波数据图)和站点实时观测数据(即雨云轨迹和强度变化预测图)的融合处理分析，能够更加有效且准确地输出实时的(即可以实时修正滚动预报)、更精细化(即更高空间分辨率)的气象预报数据。
2、本申请的其他有益效果或优势将在具体实施方式中进行详细描述。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例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申请的一些实施方式，对于本领域技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。其中：
图1是本申请的一种示例性实施方式提供的精细化气象预报数据处理方法的步骤流程示意图；
图2是本申请的一种示例性实施方式提供的处理后xx市的降水量预报图；
图3是本申请的一种示例性实施方式提供的处理前xx市的区域降水量10km格点预报数据图；
图4是本申请的一种示例性实施方式提供的双线性插值原理示意图；
图5是本申请的一种示例性实施方式提供的处理后xx市的区域降水量5km格点预报数据图；
图6是本申请的一种示例性实施方式提供的目标区域内的降雨量修正参数图；
图7是本申请的一种示例性实施方式提供的单站雷达组合反射率图；
图8是本申请的一种示例性实施方式提供的目标区域的气象雷达回波数据降雨量预测图；
图9是本申请的一种示例性实施方式提供的某地区的风云FY4A卫星云图；
图10是本申请的一种示例性实施方式提供的目标区域未来三小时的雨云轨迹和强度变化预测图；
图11是本申请的一种示例性实施方式提供的目标区域的精细化的气象预报数据图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
此外，本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
以下，对本申请实施例中所涉及的一些相关术语和技术进行解释说明。
1)、地理信息系统(Geographic Information System或Geo－Informationsystem，GIS)，又可称为“地学信息系统”。是一种特定的十分重要的空间信息系统。其是在计算机硬、软件系统支持下，对整个或部分地球表层(包括大气层)空间中的有关地理分布数据进行采集、储存、管理、运算、分析、显示和描述的技术系统。
2)、雨云，是天空中的低积云，形态呈现出密集状，表示天气潮湿，可能伴有雨。
3)、克里金插值法，是一种基于统计学的插值方法，又称空间局部插值法，原理是利用区域化变量为基础，以变异函数为基本工具，对未知样点进行线性无偏、最优化估计。主要包括计算样本变异函数、根据变异函数对待估计数据建模、利用所建模型进行克里金插值估计和估计方差四大部分。
4)、随机森林-克里金法，是随机森林插值算法和克里金插值法的混合插值算法。
5)、反距离权重插值法，反距离权重(Inverse Distance Weighting，IDW)插值是指彼此距离较近的事物要比彼此距离较远的事物更相似。当为任何未测量的位置预测值时，反距离权重法会采用预测位置周围的测量值。与距离预测位置较远的测量值相比，距离预测位置最近的测量值对预测值的影响更大。反距离权重法假定每个测量点都有一种局部影响，而这种影响会随着距离的增大而减小。由于这种方法为距离预测位置最近的点分配的权重较大，而权重却作为距离的函数而减小，因此称之为反距离权重法。
6)、自然邻点插值法，与反距离权重插值法类似，自然邻点插值法是一种权重平均算法。然而，不同于利用所有输入点的距离加权来计算插值点的值，自然近邻法对样本点生成Delauney三角形，选择最近的点形成一个凸集，然后利用所占面积的比例计算权重。这种方法最适于样本点分布不均的情况。这个插值技术较为常用，因为其无需定义半径、邻域数目或者权重等参数。
为便于相关技术人员对本申请的技术方案有更清晰和准确的理解，以下先对现有相关技术进行较为详细的说明。
目前，格点预报数据是通过地面站点所收集的气象资料转化而来，但是，由于各气象观测台站空间分布很不规则，这就会造成相邻两个气象观测台站之间的地区天气状况难以准确确定，同时，由于局部地址条件的不同，例如，相邻两个气象观测台站之间存在山地或丘陵等地址地形，将会导致局地性天气差别很大。例如，以一种实际情况为例，某相邻两个气象观测台站的存在多处山地和丘陵，该两个气象观测台站所收集的气象资料显示其附近均为晴天，但该两个气象观测台站之间的某处山地或丘陵存在降雨。也就是说，由于各气象观测台站的空间分布不规则，再加之各气象观测台站之间的地理条件的影响，可能出现局部地区的天气预报数据准确度不高的问题。
同时，对于某一确定的用户来说，其感兴趣的位置并不一定落在某个固定的格点之上，也就无法通过现有的天气预报数据准确地判断其所感兴趣的位置的天气状况。因此，如何建立合理、有效的格点到用户感兴趣位置的预报要素解析方法则成为目前面临的重要现实问题。
目前,在相关技术中，用于业务系统的预报方法主要包括DMO方法、PP法、人工神经网络方法、MOS方法、相似预报方法、动力方法及卡尔曼滤波方法等等。但是，上述方法都存在预报精度完全依赖于模式,相对于形势场预报模式对要素预报的精度往往不是很高，如果仅仅利用插值方法将站点预报结果插值为格点格式，其结果仅是数字上的计算结果，无法体现出精细化预报的本质。
有鉴于此，本申请提供了一种全新的解决方案，即精细化气象预报数据处理方法，该方法是基于先将提高空间化的格点预报数据的空间分辨率，然后在此基础之上，结合感兴趣区域内的降雨量修正参数图、气象雷达回波数据图、雨云轨迹和强度变化预测图进行叠加计算，从而就可以有效且准确地得到感兴趣区域内的精细化的气象预报数据。
以下结合附图对本申请的技术方案进行详细表述。
实施例1
请参阅图1，根据本申请的第一方面，本实施例提供了一种精细化气象预报数据处理方法，包括如下步骤：
获取气象预报数据，将获取到的气象预报数据处理为空间地理信息数据，并对得到的空间地理信息数据进行空间插值；其中，气象预报数据包括以下数据中的任意一种或多种：文字类气象预报数据、栅格图片气象预报数据和格点气象预报数据。
在此实施方式中，气象预报数据可以是多类型的公开发布的气象预报，例如，文字、栅格图片和格点产品等。这样，在获取到气象预报数据之后，即可将其处理为空间地理信息数据，然后对空间化的格点预报气象产品进行空间插值，达到细化格网的目标，也就是能够提高格点预报数据的空间分辨率。
连续获取地面气象自动站点观测数据，记录其降雨量数据，并按照时间段为统计区间，计算每一统计区间内降雨量数据变化曲线的斜率，以该斜率为该自动站点的降雨量预报修正参数，将地面气象自动站点的地理坐标和所得到的降雨量预报修正参数输入地理信息系统并进行空间插值，以得到目标区域内的降雨量修正参数图。
在此实施方式中，通过连续记录地面气象自动站点观测的降雨量数据，按照统计区间的降雨量数据来计算降雨量数据变化曲线的斜率，这样，以该斜率为该自动站点的降雨量预报修正参数就可以有效地提升该地面气象自动站点的降雨量变化的预测准确性。同时，将地面气象自动站点的地理坐标和对应的降雨量预报修正参数输入至地理信息系统中并进行空间插值，就可以有效地获取更加准确的目标区域内的降雨量修正参数图。
获取目标区域附近雷达站的气象雷达回波图，将获取的气象雷达回波图处理后输入至地理信息系统中，利用图像识别技术对气象雷达回波图中不同颜色区域进行识别提取并对不同颜色区域进行降雨量赋值，再以目标区域的边界线为基准进行数据裁减，以获得目标区域的气象雷达回波数据图。
在此实施方式中，利用图像识别计算对获取的气象雷达回波图中不同颜色区域进行识别提取并对不同颜色区域进行降雨量赋值，可以有效地提升目标区域及其周围区域的气象雷达回波数据的准确性。同时，再以目标区域的边界线为基准进行数据裁减，就可以获得更加准确的目标区域的气象雷达回波数据图。
每间隔预设时间获取卫星云图数据，提取其雨云分布，计算雨云的运动轨迹和发展趋势，并以目标区域的边界线为基准进行数据裁减，获取目标区域内的雨云轨迹和强度变化预测图。
在此实施方式中，根据间隔预设时间获取的卫星云图数据，可以有效地提取目标区域及其附近区域的雨云分布，通过多次获取雨云分布，就可以按照雨云的运动轨迹和发展趋势绘制目标区域及其附近区域在未来一段时间内的雨云运动轨迹和强度变化情况图，即雨云轨迹和强度变化预测图。同时，再以目标区域的边界线为基准进行数据裁减，就可以获得更加准确的目标区域内的雨云轨迹和强度变化预测图。
基于进行空间插值后的空间地理信息数据，将目标区域的降雨量修正参数图、气象雷达回波数据图、雨云轨迹和强度变化预测图进行叠加计算，并对叠加计算的结果进行重分类以及边界的平滑处理，以得到目标区域的精细化的气象预报数据。
通过上述技术方案，先将气象预报数据进行空间化，并对空间化的格点预报数据进行空间插值，以提高其空间分辨率，然后在进行空间插值后的空间地理信息数据的基础之上，结合感兴趣区域内的降雨量修正参数图、气象雷达回波数据图、雨云轨迹和强度变化预测图进行叠加计算，并对叠加计算结果进行重分类和边界的平滑处理，从而就可以有效且准确地得到感兴趣区域内的精细化的气象预报数据。
相对于现有相关技术中仅通过插值的方式提高格点预报数据的空间分辨率的方式而言，本申请在进行空间插值后的空间地理信息数据的基础之上，结合目标区域内的降雨量修正参数图、雷达反演结果(即气象雷达回波数据图)和站点实时观测数据(即雨云轨迹和强度变化预测图)的融合处理分析，能够更加有效且准确地输出实时的(即可以实时修正滚动预报)、更精细化(即更高空间分辨率)的气象预报数据。
在本申请的一种实施方式中，将获取到的气象预报数据处理为空间地理信息数据具体包括：
对于文字类气象预报数据，将其输入语言识别模型，识别其中的气象预报数据，并将其输入至地理信息系统中，以转化为空间地理信息数据；
对于栅格图片气象预报数据和格点气象预报数据，则通过空间校正、格式转化之后输入地理信息系统中，以转化为空间地理信息数据，并根据目标区域的边界线进行数据裁减。
以一种具体的实施方式为例，对于文字类气象预报数据，就可以利用AI大数据语言识别模型进行模糊识别。例如，获取到的文字类气象预报数据为：
xx市气象台2023年09月10日发布气象预报：09月10日20时至11日07时，我市普降中雨，部分地方大到暴雨。全市共计暴雨9站，大雨145站，最大降水量出现在A区B镇86.4毫米。预计未来6小时，我市C区、D区、E区、F区、G区、H区和I区的大部分镇(街道)降雨量将达50毫米以上。
请参阅图2，将上述文字类气象预报数据输入到AI大数据语言识别模型中，将所列县(区)及乡镇的降雨预报数据由逻辑语言转换为固定格式数据，并输入到地理信息系统系统中，以转换为空间信息数据；
对于栅格图片气象预报数据和格点气象预报数据，则可以通过空间校正、格式转换等方式输入到地理信息系统系统中，以转化为空间信息数据，并依据目标区域的界线进行裁剪处理，获取该区域气象预报产品。
在本申请的一种实施方式中，对得到的空间地理信息数据进行空间插值具体可以包括：对得到的空间地理信息数据中的格点预报气象产品采用双线性插值法进行空间插值。
以一种具体的实施方式为例，请参阅图3至图5，其中，图3是目标区域降水量10km格点预报数据图，图4是双线性插值法的原理示意图，图5是图3经过双线性插值法之后所得到的目标区域降水量5km格点预报数据图。
具体的，请参阅4，双线性插值法的核心思想是在欲插值点位的x，y方向上分别进行一次线性插值，能够利用有限的数据进行缺值预测。双线性插值法的具体步骤可以为：
步骤S1，请参阅3,图3中的A、B、C、D四点的值已知，分别为QA、QB、QC、QD，点A与B、C两点之间的距离都可以利用坐标值计算而来,对需要计算的P点，首先在X方向上进行一次线性插值，计算QP1:
QP1＝(X2-X)×QA/(X2-X1)+(X-X1)×QB/(X2-X1)；
步骤S2，计算QP2：
QP2＝(X2-X)×QC/(X2-X1)+(X-X1)×QD/(X2-X1)；
步骤S3，在Y方向上进行一次线性插值,经过两个方向的插值则得到P点值：
QP＝(Y2-Y)×QP2/(Y2-Y1)+(Y-Y1)×QP1/(Y2-Y1)。
经过以上步骤，则可以由A、B、C、D四点的值求得矩形ABCD内部其他特定点位的值，以达到细化格网的目的，从而就可以提高格点预报数据的空间分辨率。
步骤S4，将图3中目标区域降水量10km格点预报数据图经由上述方法处理后，即可得到如图5所示的目标区域降水量5km格点预报数据图。
在本申请的一种实施方式中，在将地面气象自动站点的地理坐标和所得到的降雨量预报修正参数输入地理信息系统并进行空间插值的过程中，其空间插值方法为以下方法中的任意一种：克里金插值法、随机森林-克里金混合插值法、反距离权重插值法和自然邻点插值法。
以一种具体的实施方式为例，请参阅图6，连续获取地面气象自动站点观测数据，记录其降雨量数据，并以3小时为一时间间隔，计算该段时间内降雨量数据变化曲线的斜率，以该斜率为该自动站点的降雨量预报修正参数，将地面气象自动站点的地理坐标和所得到的降雨量预报修正参数输入地理信息系统，并通过克里金插值法(或随机森林-克里金混合插值法、或反距离权重插值法、或自然邻点插值法)进行空间插值，以得到目标区域内的降雨量修正参数图。
在本申请的一种实施方式中，获取的气象雷达回波图如图7所示，将该图通过空间校正、格式转化之后输入至地理信息系统中，转化为空间地理信息数据，然后利用监督分类等图像识别技术对该气象雷达回波图中不同颜色区域进行识别提取，并依据以下标准对不同颜色区域进行降雨量赋值：
蓝色：该区域被降水云系笼罩，但尚未出现降雨；
绿色：该区域内的降雨量为：0.1毫米/小时-8毫米/小时；
黄色：该区域内的降雨量为：8毫米/小时-18毫米/小时；
橙色：该区域内的降雨量为：18毫米/小时-28毫米/小时；
朱红色：该区域内的降雨量为：28毫米/小时-48毫米/小时；
大红色：该区域内的降雨量为：58毫米/小时-99毫米/小时；
深红色：该区域内的降雨量为：120毫米/小时-200毫米/小时；
紫色：该区域内的降雨量为：200毫米/小时以上，并有可能伴随有雷电、大风甚至冰雹等剧烈天气。
如此，经识别提取并赋值后，所获取的目标区域的气象雷达回波数据图可参阅图8所示。
在本申请的一种实施方式中，获取目标区域内的雨云轨迹和强度变化预测图的具体过程为：每间隔预设时间获取卫星云图数据，利用支持向量机的监督分类方法，依据人工观测云分类标准，分别提取其雨云分布；根据多次获取的雨云分布，获取雨云的运动轨迹和发展趋势，绘制未来某一时间段的雨云的运动轨迹和强度变化预测图，并根据目标区域的边界线进行数据裁减，以获取目标区域的雨云的运动轨迹和强度变化预测图。
以一种具体的实施方式为例，基于我国“风云”系列气象卫星，获取30分钟间隔的卫星云图数据(请参阅图9，即某地区的风云FY4A卫星云图)，利用支持向量机的监督分类方法，参考人工观测云分类标准，提取其雨云的分布。在3小时连续6次的观测记录的基础上，根据雨云的运动轨迹和发展趋势，绘制未来3小时雨云的运动轨迹和强度变化预测图，然后根据目标区域的边界线进行数据裁减，以获取目标区域的雨云的运动轨迹和强度变化预测图。最终获得的目标区域的雨云的运动轨迹和强度变化预测图可参阅图10(即目标区域未来三小时的雨云轨迹和强度变化预测图)。
在本申请的一种实施方式中，叠加计算的具体过程为：基于进行空间插值后的空间地理信息数据，将目标区域的降雨量修正参数图、气象雷达回波数据图、雨云轨迹和强度变化预测图依据下式进行栅格计算：
E＝0.8*(A*B*D)+0.2*C
式中，E为目标区域的精细化的气象预报数据；
A为进行空间插值后的空间地理信息数据的格点预报产品图所对应的图层；
B为目标区域的降雨量修正参数图所对应的图层；
C为目标区域的气象雷达回波数据图所对应的图层；
D为目标区域的雨云轨迹和强度变化预测图所对应的图层。
对栅格计算的结果进行重分类以及边界的平滑处理后，即可获得的目标区域的精细化的气象预报数据图可参阅图11所示，其具有实时修正滚动预报以及高空间分辨率两方面的优势。
根据本申请的第二方面，提供了一种精细化气象预报数据处理系统，用于执行本申请第一方面中任一项技术方案所述的精细化气象预报数据处理方法，该系统包括：
数据获取模块，用于获取气象预报数据；并用于获取地面气象自动站点观测数据，记录其降雨量数据；并用于获取目标区域附近雷达站的气象雷达回波图；并用于每间隔预设时间获取卫星云图数据；
数据处理模块，用于将获取到的气象预报数据处理为空间地理信息数据，并对得到的空间地理信息数据进行空间插值；并用于按照时间段为统计区间，计算每一统计区间内降雨量数据变化曲线的斜率，以该斜率为该自动站点的降雨量预报修正参数，将地面气象自动站点的地理坐标和所得到的降雨量预报修正参数输入地理信息系统并进行空间插值，以得到目标区域内的降雨量修正参数图；并用于将获取的气象雷达回波图处理后输入至地理信息系统中，利用图像识别技术对气象雷达回波图中不同颜色区域进行识别提取并对不同颜色区域进行降雨量赋值，再以目标区域的边界线为基准进行数据裁减，以获得目标区域的气象雷达回波数据图；并提取卫星云图数据中的雨云分布，计算雨云的运动轨迹和发展趋势，并以目标区域的边界线为基准进行数据裁减，获取目标区域内的雨云轨迹和强度变化预测图；并用于基于进行空间插值后的空间地理信息数据，将目标区域的降雨量修正参数图、气象雷达回波数据图、雨云轨迹和强度变化预测图进行叠加计算，并对叠加计算的结果进行重分类以及边界的平滑处理，以得到目标区域的精细化的气象预报数据。
通过上述技术方案，通过本申请的精细化气象预报数据处理系统，可以先将气象预报数据进行空间化，并对空间化的格点预报数据进行空间插值，以提高其空间分辨率，然后在进行空间插值后的空间地理信息数据的基础之上，结合感兴趣区域内的降雨量修正参数图、气象雷达回波数据图、雨云轨迹和强度变化预测图进行叠加计算，并对叠加计算结果进行重分类和边界的平滑处理，从而就可以有效且准确地得到感兴趣区域内的精细化的气象预报数据。
本申请实施例可以根据上述方法示例对精细化气象预报数据处理系统进行功能模块或者功能单元的划分，例如，可以对应各个功能划分各个功能模块或者功能单元，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块或者功能单元的形式实现。其中，本申请实施例中对模块或者单元的划分是示意性的，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。
根据本申请的第三方面，提供了一种可读存储介质，可读存储介质中存储有指令，当指令在终端上运行时，使得终端执行本申请第一方面中任一项技术方案所述的精细化气象预报数据处理方法。
其中，可读存储介质，例如可以是但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RandomAccess Memory，RAM)、只读存储器(Read-Only Memory，ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、寄存器、硬盘、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、或者本领域熟知的任何其它形式的计算机可读存储介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于特定用途集成电路(Application Specific Integrated Circuit，ASIC)中。在本申请实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
根据本申请的第四方面，本申请还提供了一种电子设备，包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行计算机程序或指令，以实现如本申请第一方面任一项技术方案中的面向社交平台的少样本多领域用户意图识别方法。
上述处理器可以是实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。该处理器可以是中央处理器，通用处理器，数字信号处理器，专用集成电路，现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。该处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
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、模块和方法，可以通过其它的方式实现。例如，以上所描述的系统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，设备或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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，即可以位于一个地方，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。
以上，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，任何在本申请揭露的技术范围内的变化或替换，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该以权利要求的保护范围为准。
Claims (10)
1.一种精细化气象预报数据处理方法，其特征在于，包括如下步骤：
获取气象预报数据，将获取到的气象预报数据处理为空间地理信息数据，并对得到的空间地理信息数据进行空间插值；其中，气象预报数据包括以下数据中的任意一种或多种：文字类气象预报数据、栅格图片气象预报数据和格点气象预报数据；
连续获取地面气象自动站点观测数据，记录其降雨量数据，并按照时间段为统计区间，计算每一统计区间内降雨量数据变化曲线的斜率，以该斜率为该自动站点的降雨量预报修正参数，将地面气象自动站点的地理坐标和所得到的降雨量预报修正参数输入地理信息系统并进行空间插值，以得到目标区域内的降雨量修正参数图；
获取目标区域附近雷达站的气象雷达回波图，将获取的气象雷达回波图处理后输入至地理信息系统中，利用图像识别技术对气象雷达回波图中不同颜色区域进行识别提取并对不同颜色区域进行降雨量赋值，再以目标区域的边界线为基准进行数据裁减，以获得目标区域的气象雷达回波数据图；
每间隔预设时间获取卫星云图数据，提取其雨云分布，计算雨云的运动轨迹和发展趋势，并以目标区域的边界线为基准进行数据裁减，获取目标区域内的雨云轨迹和强度变化预测图；
基于进行空间插值后的空间地理信息数据，将目标区域的降雨量修正参数图、气象雷达回波数据图、雨云轨迹和强度变化预测图进行叠加计算，并对叠加计算的结果进行重分类以及边界的平滑处理，以得到目标区域的精细化的气象预报数据。
2.根据权利要求1所述的精细化气象预报数据处理方法，其特征在于，将获取到的气象预报数据处理为空间地理信息数据具体包括：
对于文字类气象预报数据，将其输入语言识别模型，识别其中的气象预报数据，并将其输入至地理信息系统中，以转化为空间地理信息数据；
对于栅格图片气象预报数据和格点气象预报数据，则通过空间校正、格式转化之后输入地理信息系统中，以转化为空间地理信息数据，并根据目标区域的边界线进行数据裁减。
3.根据权利要求1所述的精细化气象预报数据处理方法，其特征在于，对得到的空间地理信息数据进行空间插值具体包括：
对得到的空间地理信息数据中的格点预报气象产品采用双线性插值法进行空间插值。
4.根据权利要求1所述的精细化气象预报数据处理方法，其特征在于，在将地面气象自动站点的地理坐标和所得到的降雨量预报修正参数输入地理信息系统并进行空间插值的过程中，其空间插值方法为以下方法中的任意一种：
克里金插值法、随机森林-克里金混合插值法、反距离权重插值法和自然邻点插值法。
5.根据权利要求1所述的精细化气象预报数据处理方法，其特征在于，将获取的气象雷达回波图处理后输入至地理信息系统中具体包括：
将获取的气象雷达回波图通过空间校正、格式转化之后输入至地理信息系统中。
6.根据权利要求1所述的精细化气象预报数据处理方法，其特征在于，利用图像识别技术对气象雷达回波图中不同颜色区域进行识别提取并对不同颜色区域进行降雨量赋值具体包括：
利用监督分类图像识别技术对气象雷达回波图中不同颜色区域进行识别提取，并依据以下标准对不同颜色区域进行降雨量赋值：
蓝色：该区域被降水云系笼罩，但尚未出现降雨；
绿色：该区域内的降雨量为：0.1毫米/小时-8毫米/小时；
黄色：该区域内的降雨量为：8毫米/小时-18毫米/小时；
橙色：该区域内的降雨量为：18毫米/小时-28毫米/小时；
朱红色：该区域内的降雨量为：28毫米/小时-48毫米/小时；
大红色：该区域内的降雨量为：58毫米/小时-99毫米/小时；
深红色：该区域内的降雨量为：120毫米/小时-200毫米/小时；
紫色：该区域内的降雨量为：200毫米/小时以上。
7.根据权利要求1所述的精细化气象预报数据处理方法，其特征在于，获取目标区域内的雨云轨迹和强度变化预测图的具体过程为：
每间隔预设时间获取卫星云图数据，利用支持向量机的监督分类方法，依据人工观测云分类标准，分别提取其雨云分布；
根据多次获取的雨云分布，获取雨云的运动轨迹和发展趋势，绘制未来某一时间段的雨云的运动轨迹和强度变化预测图，并根据目标区域的边界线进行数据裁减，以获取目标区域的雨云的运动轨迹和强度变化预测图。
8.根据权利要求1所述的精细化气象预报数据处理方法，其特征在于，叠加计算的具体过程为：
基于进行空间插值后的空间地理信息数据，将目标区域的降雨量修正参数图、气象雷达回波数据图、雨云轨迹和强度变化预测图依据下式进行栅格计算：
E＝0.8*(A*B*D)+0.2*C
式中，E为目标区域的精细化的气象预报数据；
A为进行空间插值后的空间地理信息数据的格点预报产品图所对应的图层；
B为目标区域的降雨量修正参数图所对应的图层；
C为目标区域的气象雷达回波数据图所对应的图层；
D为目标区域的雨云轨迹和强度变化预测图所对应的图层。
9.一种精细化气象预报数据处理系统，其特征在于，用于执行如权利要求1-8中任一项所述的精细化气象预报数据处理方法，该系统包括：
数据获取模块，用于获取气象预报数据；并用于获取地面气象自动站点观测数据，记录其降雨量数据；并用于获取目标区域附近雷达站的气象雷达回波图；并用于每间隔预设时间获取卫星云图数据；
数据处理模块，用于将获取到的气象预报数据处理为空间地理信息数据，并对得到的空间地理信息数据进行空间插值；并用于按照时间段为统计区间，计算每一统计区间内降雨量数据变化曲线的斜率，以该斜率为该自动站点的降雨量预报修正参数，将地面气象自动站点的地理坐标和所得到的降雨量预报修正参数输入地理信息系统并进行空间插值，以得到目标区域内的降雨量修正参数图；并用于将获取的气象雷达回波图处理后输入至地理信息系统中，利用图像识别技术对气象雷达回波图中不同颜色区域进行识别提取并对不同颜色区域进行降雨量赋值，再以目标区域的边界线为基准进行数据裁减，以获得目标区域的气象雷达回波数据图；并提取卫星云图数据中的雨云分布，计算雨云的运动轨迹和发展趋势，并以目标区域的边界线为基准进行数据裁减，获取目标区域内的雨云轨迹和强度变化预测图；并用于基于进行空间插值后的空间地理信息数据，将目标区域的降雨量修正参数图、气象雷达回波数据图、雨云轨迹和强度变化预测图进行叠加计算，并对叠加计算的结果进行重分类以及边界的平滑处理，以得到目标区域的精细化的气象预报数据。
10.一种可读存储介质，其特征在于，可读存储介质中存储有指令，当指令在终端上运行时，使得终端执行如权利要求1-8中任一项所述的精细化气象预报数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311522490.7A CN117593657A (zh) | 2023-11-15 | 2023-11-15 | 一种精细化气象预报数据处理方法、系统及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311522490.7A CN117593657A (zh) | 2023-11-15 | 2023-11-15 | 一种精细化气象预报数据处理方法、系统及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117593657A true CN117593657A (zh) | 2024-02-23 |
Family
ID=89910715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311522490.7A Pending CN117593657A (zh) | 2023-11-15 | 2023-11-15 | 一种精细化气象预报数据处理方法、系统及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117593657A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117950088A (zh) * | 2024-03-26 | 2024-04-30 | 南京满星数据科技有限公司 | 基于多模式的降水预报数据融合订正方法 |
-
2023
- 2023-11-15 CN CN202311522490.7A patent/CN117593657A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117950088A (zh) * | 2024-03-26 | 2024-04-30 | 南京满星数据科技有限公司 | 基于多模式的降水预报数据融合订正方法 |
| CN117950088B (zh) * | 2024-03-26 | 2024-06-04 | 南京满星数据科技有限公司 | 基于多模式的降水预报数据融合订正方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Urban morphology detection and computation for urban climate research | |
| Schumann et al. | The utility of spaceborne radar to render flood inundation maps based on multialgorithm ensembles | |
| Guan et al. | Integration of orthoimagery and lidar data for object-based urban thematic mapping using random forests | |
| Cobby et al. | Image processing of airborne scanning laser altimetry data for improved river flood modelling | |
| Wu et al. | A localized contour tree method for deriving geometric and topological properties of complex surface depressions based on high-resolution topographical data | |
| CN113344291B (zh) | 城市内涝淹没范围的预报方法、装置、介质和设备 | |
| CN110750516B (zh) | 基于雷达图的降雨分析模型构建方法、构建系统及分析方法 | |
| CN112926468B (zh) | 一种潮滩高程自动提取方法 | |
| CN110569733B (zh) | 基于遥感大数据平台的湖泊长时序连续水域变化重建方法 | |
| CN117593657A (zh) | 一种精细化气象预报数据处理方法、系统及可读存储介质 | |
| Lee et al. | Solar radiation over the urban texture: LIDAR data and image processing techniques for environmental analysis at city scale | |
| CN111191673A (zh) | 一种地表温度降尺度方法及系统 | |
| Metz et al. | Accurate stream extraction from large, radar-based elevation models. | |
| CN115758856A (zh) | 一种景观格局及气候变化对流域未来水质影响的研究方法 | |
| CN113610873B (zh) | 夜光遥感影像数据处理方法及装置 | |
| Pandey et al. | Urban built-up area assessment of Ranchi township using Cartosat-I stereopairs satellite images | |
| Lin et al. | WinBasin: Using improved algorithms and the GIS technique for automated watershed modelling analysis from digital elevation models | |
| Shao et al. | Automated searching of ground points from airborne lidar data using a climbing and sliding method | |
| CN113901348A (zh) | 一种基于数学模型的钉螺分布影响因素识别与预测方法 | |
| CN114842356B (zh) | 一种高分辨率地表类型样本自动生成方法、系统及设备 | |
| Heckmann et al. | Sample size matters: investigating the effect of sample size on a logistic regression debris flow susceptibility model | |
| Venteris et al. | A comparison between contour elevation data sources for DEM creation and soil carbon prediction, Coshocton, Ohio | |
| CN113138431A (zh) | 一种智慧城市气象观测方法及系统 | |
| CN108597013B (zh) | 一种特定区域气象水文资料抽点填图方法 | |
| Gaurav et al. | RainRoof: Automated Shared Rainwater Harvesting Prediction |
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 |