CN117610940B - 大风灾害危险性评估区划方法、装置、设备及介质 - Google Patents
大风灾害危险性评估区划方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117610940B CN117610940B CN202410070584.3A CN202410070584A CN117610940B CN 117610940 B CN117610940 B CN 117610940B CN 202410070584 A CN202410070584 A CN 202410070584A CN 117610940 B CN117610940 B CN 117610940B
- Authority
- CN
- China
- Prior art keywords
- data
- wind field
- grid data
- field grid
- wind
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000008030 elimination Effects 0.000 claims abstract description 79
- 238000003379 elimination reaction Methods 0.000 claims abstract description 79
- 230000001932 seasonal effect Effects 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 49
- 238000012502 risk assessment Methods 0.000 claims abstract description 31
- 238000012937 correction Methods 0.000 claims abstract description 29
- 238000011160 research Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000007613 environmental effect Effects 0.000 claims description 5
- 230000007547 defect Effects 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 238000010606 normalization Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000035935 pregnancy Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种大风灾害危险性评估区划方法、装置、设备及介质，包括：获取研究区域的初始风场格网数据和气象站点数据；基于时间匹配关系，采用滑动窗口对初始风场格网数据进行季节性差异消除处理和异常值消除处理，得到中间风场格网数据；基于空间匹配关系，利用气象站点数据对中间风场格网数据进行站点订正，得到目标风场格网数据；利用目标风场格网数据，对研究区域进行大风灾害危险性评估区划，得到大风灾害危险性评估区划结果。本发明可以有效消除季节性噪声，提升数据质量，兼顾数据高覆盖范围与高精度，使大风灾害风险评估区划算法的精度不再过度受输入数据缺陷与季节性差异的影响。
Description
技术领域
本发明涉及气象防灾减灾技术领域，尤其是涉及一种大风灾害危险性评估区划方法、装置、设备及介质。
背景技术
现已有的大风灾害风险评估区划算法主要包括相关数据处理、致灾因子计算、叠合孕灾环境、危险性评估四大步骤。在大风灾害风险评估区划中，相关输入数据的处理是大风灾害风险评估与区划的首要步骤。数据的完整性与质量的高低对于大风事件识别的准确性与完整性至关重要，因此对现有数据进行订正，提高数据质量是大风风险评估区划的重点之一。
现阶段相关技术中大风灾害风险评估区划所选用的数据多为地面站点观测数据，小部分采用遥感格点观测数据。以上方法均存在输入数据单一精度不高的缺陷，以及受大气环流和气压系统在不同季节中的变化的影响，风速和风向的季节性变化造成的大风数据季节性差异的问题；另外，数据本身存在的缺陷将会影响整体风险评估，使得风险评估结果产生较大误差。
发明内容
有鉴于此，本发明的目的在于提供一种大风灾害危险性评估区划方法、装置、设备及介质，可以有效消除季节性噪声，提升数据质量，兼顾数据高覆盖范围与高精度，使大风灾害风险评估区划算法的精度不再过度受输入数据缺陷与季节性差异的影响。
第一方面，本发明实施例提供了一种大风灾害危险性评估区划方法，包括：
获取研究区域的初始风场格网数据和气象站点数据；
确定所述初始风场格网数据和所述气象站点数据之间的时间匹配关系，并基于所述时间匹配关系，采用滑动窗口对所述初始风场格网数据进行季节性差异消除处理和异常值消除处理，得到中间风场格网数据；
确定所述中间风场格网数据与所述气象站点数据之间的空间匹配关系，并基于所述空间匹配关系，利用所述气象站点数据对所述中间风场格网数据进行站点订正，得到目标风场格网数据；
利用所述目标风场格网数据，对所述研究区域进行大风灾害危险性评估区划，得到大风灾害危险性评估区划结果。
在一种实施方式中，采用滑动窗口对所述初始风场格网数据进行季节性差异消除处理和异常值消除处理，得到中间风场格网数据的步骤，包括：
将所述初始风场格网数据按照季节进行划分，得到每个季节对应的风场格网数据分组；
确定每个所述风场格网数据分组的差异消除参数，并利用所述差异消除参数对所述风场格网数据分组中每个所述初始风场格网数据进行季节性差异消除处理，得到差异消除后风场格网数据；
采用滑动窗口对所述差异消除后风场格网数据进行异常值消除处理，得到中间风场格网数据；其中，所述中间风场格网数据用于表征所述初始风场格网数据的波动特征。
在一种实施方式中，确定每个所述风场格网数据分组的差异消除参数，并利用所述差异消除参数对所述风场格网数据分组中每个所述初始风场格网数据进行季节性差异消除处理，得到差异消除后风场格网数据的步骤，包括：
对于每个所述风场格网数据分组，将该风场格网数据分组中每个所述初始风场格网数据的平均值，作为该风场格网数据分组的差异消除参数；
对于该风场格网数据分组中每个所述初始风场格网数据，将该初始风场格网数据与所述差异消除参数的差值，作为差异消除后风场格网数据。
在一种实施方式中，采用滑动窗口对所述差异消除后风场格网数据进行异常值消除处理，得到中间风场格网数据的步骤，包括：
按照每个所述差异消除后风场格网数据的时间信息构造时间序列；
控制滑动窗口在所述时间序列上滑动，以使当前待处理的差异消除后风场格网数据位于所述滑动窗口内指定位置处；
利用位于所述滑动窗口内的每个差异消除后风场格网数据的平均值，替换当前待处理的差异消除后风场格网数据，以得到中间风场格网数据。
在一种实施方式中，确定所述中间风场格网数据与所述气象站点数据之间的空间匹配关系，基于所述空间匹配关系，利用所述气象站点数据对所述中间风场格网数据进行站点订正，得到目标风场格网数据的步骤，包括：
从所述中间风场格网数据中，确定与所述气象站点数据之间存在空间匹配关系的风场格点数据；
对所述气象站点数据和所述气象站点数据存在空间匹配关系的所述风场格点数据进行线性拟合，得到拟合关系式；
利用所述拟合关系式对所述中间风场格网数据中每个所述风场格点数据进行站点订正，得到目标风场格网数据。
在一种实施方式中，利用所述拟合关系式对所述中间风场格网数据中每个所述风场格点数据进行站点订正，得到目标风场格网数据的步骤，包括：
对于所述中间风场格网数据中每个所述风场格点数据，判断是否存在与该风场格点数据邻近的所述气象站点数据；
如果是，将该风场格点数据邻近的所述气象站点数据，作为目标风场格网数据；
如果否，将该风场格点数据代入至所述拟合关系式，以得到目标风场格网数据。
在一种实施方式中，利用所述目标风场格网数据，对所述研究区域进行大风灾害危险性评估区划，得到大风灾害危险性评估区划结果的步骤，包括：
利用所述目标风场格网数据，对所述研究区域进行大风灾害事件识别与致灾因子计算，得到所述研究区域内每个格网对应的目标致灾因子；
对所述目标致灾因子赋予权重系数，并利用所述权重系数对所述目标致灾因子进行加权求和，得到每个所述格网对应的致灾因子危险性指数；
确定每个所述格网对应的孕灾环境数据；
将每个所述格网对应的所述致灾因子危险性指数和所述孕灾环境数据的乘积，作为每个所述格网对应的目标危险性指数；
采用自然断点法，对所述目标危险性指数进行大风灾害危险性评估区划，得到大风灾害危险性评估区划结果。
第二方面，本发明实施例还提供一种大风灾害危险性评估区划装置，包括：
数据获取模块，用于获取研究区域的初始风场格网数据和气象站点数据；
差异及异常消除模块，用于确定所述初始风场格网数据和所述气象站点数据之间的时间匹配关系，并基于所述时间匹配关系，采用滑动窗口对所述初始风场格网数据进行季节性差异消除处理和异常值消除处理，得到中间风场格网数据；
站点订正模块，用于确定所述中间风场格网数据与所述气象站点数据之间的空间匹配关系，并基于所述空间匹配关系，利用所述气象站点数据对所述中间风场格网数据进行站点订正，得到目标风场格网数据；
危险性评估区划模块，用于利用所述目标风场格网数据，对所述研究区域进行大风灾害危险性评估区划，得到大风灾害危险性评估区划结果。
第三方面，本发明实施例还提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现第一方面提供的任一项所述的方法。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现第一方面提供的任一项所述的方法。
本发明实施例提供的一种大风灾害危险性评估区划方法、装置、设备及介质，首先获取研究区域的初始风场格网数据和气象站点数据；然后确定初始风场格网数据和气象站点数据之间的时间匹配关系，并基于时间匹配关系，采用滑动窗口对初始风场格网数据进行季节性差异消除处理和异常值消除处理，得到中间风场格网数据；再确定中间风场格网数据与气象站点数据之间的空间匹配关系，并基于空间匹配关系，利用气象站点数据对中间风场格网数据进行站点订正，得到目标风场格网数据；最后利用目标风场格网数据，对研究区域进行大风灾害危险性评估区划，得到大风灾害危险性评估区划结果。上述方法与传统大风灾害危险性评估区划方法的区别在于，本发明实施例中相关数据处理的过程中不再选取单一数据作为输入，首先采用滑动窗口消除风场格网数据中存在的季节性差异，最后采用气象站点数据对风场格网数据进行订正，融合多源数据并处理，本发明实施例可有效消除季节性噪声，提升数据质量，兼顾数据高覆盖范围与高精度，使大风灾害风险评估区划算法的精度不再过度受输入数据缺陷与季节性差异的影响。
本发明的其他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在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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。
图1为本发明实施例提供的一种大风灾害危险性评估区划方法的流程示意图；
图2为本发明实施例提供的另一种大风灾害危险性评估区划方法的流程示意图；
图3为本发明实施例提供的一种大风灾害危险性评估区划装置的结构示意图；
图4为本发明实施例提供的一种电子设备的结构示意图。
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，下面将结合实施例对本发明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。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。
大风灾害风险评估区划的意义在于有效地识别和划定不同地区在面临大风灾害时的风险程度，从而为风险管理和灾害防范提供科学依据和决策支持，以最大程度地减轻灾害造成的损失和影响。
目前，地面大风观测站点数据精度较高，但空间覆盖范围有限，尤其在青藏高原、沙漠、沼泽等等地面难以到达的区域，成本高且受限于安装位置导致数据不完整。风场观测遥感格点观测数据覆盖范围广，可以覆盖至地面站点无法观测的地方，数据完整不受限于地理条件，但地表复杂性等原因导致该数据准确性较低。而长期气候趋势分析、预测和数据比较中，大风数据存在的季节性差异与噪声会导致对趋势的误解、不稳定性以及掩盖真正的变化信号。
基于此，本发明实施提供了一种大风灾害危险性评估区划方法、装置、设备及介质，可以有效消除季节性噪声，提升数据质量，兼顾数据高覆盖范围与高精度，使大风灾害风险评估区划算法的精度不再过度受输入数据缺陷与季节性差异的影响。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种大风灾害危险性评估区划方法进行详细介绍，参见图1所示的一种大风灾害危险性评估区划方法的流程示意图，该方法主要包括以下步骤S102至步骤S108：
步骤S102，获取研究区域的初始风场格网数据和气象站点数据。
在一种实施方式中，可以逐格点读取事件范围内逐小时风场格点数据，包含u分量与v分量，基于逐日24h的风速数据，选取各格点最大值作为日最大风速，该日最大风速也即初始风场格网数据；还可以读取气象站点数据，包含每年有效的无人站与有人站数据、省级上报数据中的历次大风事件致灾因子调查表与大风气候特征调查表，并根据事件范围选择对应数据。
步骤S104，确定初始风场格网数据和气象站点数据之间的时间匹配关系，并基于时间匹配关系，采用滑动窗口对初始风场格网数据进行季节性差异消除处理和异常值消除处理，得到中间风场格网数据。
其中，中间风场格网数据也即经过季节性差异消除处理和异常值消除处理后的风场格网数据，中间风场格网数据用于表征初始风场格网数据的波动特征。在一种实施方式中，可以将初始风场格网数据与气象站点数据进行时间匹配，以使初始风场格网数据与气象站点数据逐日对应，提高初始风场格网数据的日期的精度，便于更为准确地确定出初始风场格网数据所属的季节，进而采用移动平均（也即，滑动窗口）的方式对风场格网数据进行季节性差异消除和异常值消除处理，得到中间风场格网数据。
步骤S106，确定中间风场格网数据与气象站点数据之间的空间匹配关系，并基于空间匹配关系，利用气象站点数据对中间风场格网数据进行站点订正，得到目标风场格网数据。
其中，目标风场格网数据也即经过站点订正后的风场格网数据。在一种实施方式中，可以选取出与气象站点数据之间存在空间匹配关系的中间风场格网数据，利用气象站点数据和选取的中间气象格网数据进行线性拟合得到拟合关系式，利用该拟合关系式对所有中间风场格网数据中每个风场格点数据进行站点订正，得到目标风场格网数据。
步骤S108，利用目标风场格网数据，对研究区域进行大风灾害危险性评估区划，得到大风灾害危险性评估区划结果。
在一种实施方式中，大风灾害危险性评估区划的过程包括：利用目标风场格网数据进行大风灾害事件识别、大风致灾因子计算、大风危险性评估和大风危险性分区，最终即可得到大风灾害危险性评估区划结果。其中，大风灾害危险性评估区划结果可以包括大风危险性等级图。
本发明实施例提供的大风灾害危险性评估区划方法，与传统大风灾害危险性评估区划方法的区别在于，本发明实施例中相关数据处理的过程中不再选取单一数据作为输入，首先采用滑动窗口消除风场格网数据中存在的季节性差异，最后采用气象站点数据对风场格网数据进行订正，融合多源数据并处理，本发明实施例可有效消除季节性噪声，提升数据质量，兼顾数据高覆盖范围与高精度，使大风灾害风险评估区划算法的精度不再过度受输入数据缺陷与季节性差异的影响。
为便于理解，本发明实施例提供了一种大风灾害危险性评估区划方法的具体实施方式。
对于前述步骤S102，本发明实施例提供了一种获取研究区域的初始风场格网数据和气象站点数据的实施方式。
在一例中，对于初始风场格网数据：可以逐格点读取事件范围内逐小时风场格点数据，包含u分量与v分量，基于逐日24h的风速数据，选取各格点最大值作为日最大风速，该日最大风速也即初始风场格网数据。
在一例中，对于气象站点数据：还可以读取气象站点数据，包含每年有效的无人站与有人站数据、省级上报数据中的历次大风事件致灾因子调查表与大风气候特征调查表，并根据事件范围选择对应数据。
对于前述步骤S104，本发明实施例提供了一种确定初始风场格网数据和气象站点数据之间的时间匹配关系，并基于时间匹配关系，采用滑动窗口对初始风场格网数据进行季节性差异消除处理和异常值消除处理，得到中间风场格网数据的实施方式，参见如下步骤A1至步骤A4：
步骤A1，确定初始风场格网数据和气象站点数据之间的时间匹配关系。
在一例中，对逐日的气象站点数据与初始风场格网数据进行时间匹配，逐日对应，以便后续订正。
步骤A2，将初始风场格网数据按照季节进行划分，得到每个季节对应的风场格网数据分组。
在一例中，将初始风场格网数据按照季节分组，一般季节分为春季（1-3月）、夏季（4-6月）、秋季（7-9月）和冬季（10-12月），从而得到每个季节对应的风场格网数据分组。
步骤A3，确定每个风场格网数据分组的差异消除参数，并利用差异消除参数对风场格网数据分组中每个初始风场格网数据进行季节性差异消除处理，得到差异消除后风场格网数据；
其中，差异消除参数可以为季节平均值。在一例中，可以参见如下步骤A3-1至步骤A3-2：
步骤A3-1，对于每个风场格网数据分组，将该风场格网数据分组中每个初始风场格网数据的平均值，作为该风场格网数据分组的差异消除参数。
其中，每个初始风场格网数据的平均值也即季节平均值。在一例中，针对每个季节对应的风场格网数据分组，计算该风场格网数据分组中的所有初始风场格网数据的平均值，并将该平均值作为差异消除参数。
步骤A3-2，对于该风场格网数据分组中每个初始风场格网数据，将该初始风场格网数据与差异消除参数的差值，作为差异消除后风场格网数据。
在一例中，通过使初始风场格网数据减去季节平均值，即可消除季节性差异，计算结果即为差异消除后风场格网数据。
步骤A4，采用滑动窗口对差异消除后风场格网数据进行异常值消除处理，得到中间风场格网数据。
在一例中，可以按照如下步骤A4-1至步骤A4-3执行采用滑动窗口对差异消除后风场格网数据进行异常值消除处理的步骤：
步骤A4-1，按照每个差异消除后风场格网数据的时间信息构造时间序列。
步骤A4-2，控制滑动窗口在时间序列上滑动，以使当前待处理的差异消除后风场格网数据位于滑动窗口内指定位置处。
其中，指定位置可以为滑动窗口内首位、中间或末端中的一种或多种，滑动窗口的尺寸和指定位置均可以基于实际需求进行设置，本发明对此不进行限制。
步骤A4-3，利用位于滑动窗口内的每个差异消除后风场格网数据的平均值，替换当前待处理的差异消除后风场格网数据，以得到中间风场格网数据。
示例性的，假设滑动窗口的尺寸为3个月，指定位置为首位，也即当前待处理的差异消除后风场格网数据为滑动窗口内的第一个数据，则求滑动窗口内三个月份内每个差异消除后风场格网数据的平均值，利用该平均值替换当前待处理的差异消除后风场格网数据，也即将该平均值作为中间风场格网数据。
对于前述步骤S106，本发明实施例还提供了一种确定中间风场格网数据与气象站点数据之间的空间匹配关系，基于空间匹配关系，利用气象站点数据对中间风场格网数据进行站点订正，得到目标风场格网数据的实施方式，参见如下步骤B1至步骤B3：
步骤B1，从中间风场格网数据中，确定与气象站点数据之间存在空间匹配关系的风场格点数据。
在一例中，提取各个站点的经纬度坐标与消除季节性差异后的中间风场格网数据中各格点的经纬度坐标，进行空间匹配。空间匹配采用就近原则，提取与气象站点数据最邻近、且同时间段的中间风场格网数据，将历年逐日的中间风场格网数据和气象站点数据构成待订正数据集和真值数据集，二者数据量一致。具体的，气象站点数据作为真值数据集，与气象站点数据之间存在空间匹配关系的风场格点数据作为待订正数据集。
步骤B2，对气象站点数据和气象站点数据存在空间匹配关系的风场格点数据进行线性拟合，得到拟合关系式。
在一例中，对上述两个待订正数据集和真值数据集进行拟合，以真值数据集作为y，待订正数据集作为x，进行线性拟合，得到二者间的拟合关系式。
步骤B3，利用拟合关系式对中间风场格网数据中每个风场格点数据进行站点订正，得到目标风场格网数据。
在一例中，可以参见如下步骤B3-1至步骤B3-3：
步骤B3-1，对于中间风场格网数据中每个风场格点数据，判断是否存在与该风场格点数据邻近的气象站点数据。如果是，执行步骤B3-2；如果否，执行步骤B3-3。
在一例中，可以基于经纬度数据计算风场格点数据与每个气象站点数据之间的距离，并将距离小于预设距离阈值的气象站点数据，作为该风场格点数据邻近的气象站点数据。
步骤B3-2，将该风场格点数据邻近的气象站点数据，作为目标风场格网数据。
在一例中，在存在与风场格点数据之间的距离小于预设距离阈值的气象站点数据的情况下，可以直接利用气象站点数据替换风场格点数据，也即直接将气象站点数据作为目标风场格网数据，获得最终可开展大风危险评估的数据集。
步骤B3-3，将该风场格点数据代入至拟合关系式，以得到目标风场格网数据。
在一例中，在不存在与风场格点数据之间的距离小于预设距离阈值的气象站点数据的情况下，则可以将风场格点数据代入至拟合关系式，进行格点的偏差订正，获得订正后的风场格网数据（也即，目标风场格网数据）。
对于前述步骤S108，本发明实施例还提供了一种利用目标风场格网数据，对研究区域进行大风灾害危险性评估区划，得到大风灾害危险性评估区划结果的实施方式，参见如下步骤C1至步骤C5：
步骤C1，利用目标风场格网数据，对研究区域进行大风灾害事件识别与致灾因子计算，得到研究区域内每个格网对应的目标致灾因子。
在一例中，具体包括如下步骤C1-1至步骤C1-3：
步骤C1-1，以极大风速值大于等于17.2m/s为阈值条件对经过订正与季节性差异消除后的格网数据中每格点的大风事件进行筛选，筛选出符合时间范围内的数据;
步骤C1-2，选择发生大风的年平均次数（也即大风频次，日/年）和极大风速大小（也即大风强度，m/s）作为大风灾害的致灾因子，致灾因子的计算过程如下:
对订正与季节性差异消除后的目标风场格网数据进行筛选和大风事件判别后，得到各格点大风灾害事件的开始时间、结束时间、持续天数和大风灾害事件过程中的极大风速。各点大风的年平均次数等于各点大风事件持续天数之和除以总年数；各点极大风速大小等于各点大风事件极大风速平均值之和除以发生大风事件的总次数。
步骤C1-3，对致灾因子进行归一化处理得到目标致灾因子，目标致灾因子包括大风频次和大风强度。归一化是将有量纲的数值经过变换，化为无量纲的数值，进而消除各指标的量纲差异.设m个格点n个致灾因子的数据矩阵为，对其归一化后得到，则归一化公式为：
。
步骤C2，对目标致灾因子赋予权重系数，并利用权重系数对目标致灾因子进行加权求和，得到每个格网对应的致灾因子危险性指数。
在一例中，对大风致灾因子进行归一化处理，并采用信息熵赋权法，对归一化处理后的大风频次和大风强度分别赋予权重，且确保，其中/>为大风频次的权重，/>为大风强度的权重。
计算各点的致灾因子危险性指数，逐点计算后得到研究区域的致灾因子危险性指数。为大风强度，/>为年平均次数（频次，日/年），致灾因子危险性指数/>的计算公式为：
。
步骤C3，确定每个格网对应的孕灾环境数据。
在一例中，影响大风危险性的孕灾环境数据包括DEM数据与NDVI数据，结合行政区格网文件，获取研究区域的DEM数据与NDVI数据并进行归一化。采用信息熵赋权法对归一化后DEM数据与NDVI数据进行加权求和，得到整体孕灾环境数据。孕灾环境计算公式如下：
；
式中，为孕灾环境数据，/>为DEM数据的权重，/>为归一化后的DEM数据，/>为NDVI数据的权重，/>为归一化后的NDVI数据。
步骤C4，将每个格网对应的致灾因子危险性指数和孕灾环境数据的乘积，作为每个格网对应的目标危险性指数。
在一例中，致灾因子危险性指数和孕灾环境数据计算得到大风灾害的危险性指数，计算公式如下所示:
；
式中，为目标危险性指数。
步骤C5，采用自然断点法，对目标危险性指数进行大风灾害危险性评估区划，得到大风灾害危险性评估区划结果。
在一例中，根据目标危险性指数，写出危险性指数文件。之后采用自然断点法，对目标危险性指数进行等级划分，得到危险性等级数据并写出危险性区划文件，并根据分级结果制成大风危险性等级图。
本发明实施例提供的大风灾害危险性评估区划方法，在原有基本流程的区别在于相关数据处理的过程中不再选取单一数据作为输入，首先利用遥感格点数据计算得到日最大风速，然后采用移动平均的方法消除大风数据中存在的季节性差异，最后采用地面观测站点数据对遥感格点数据进行订正，融合多源数据并处理。该方法可有效消除季节性噪声，提升数据质量，兼顾数据高覆盖范围与高精度，使大风灾害风险评估区划算法的精度不再过度受输入数据缺陷与季节性差异的影响。
本发明实施例还提供了如图2所示的另一种大风灾害危险性评估区划方法的流程示意图，包括：
（1）数据读取与时间匹配，也即读取气象站点数据与ERA5逐小时风场格网数据进行日最大风速计算与时间匹配；
（2）季节差异性消除，也即采用移动平均的方式对风场格网数据进行季节性差异消除，通过季度均值计算、移动窗口平均得到季节性调整后数据；
（3）空间匹配与订正，也即对站点数据与格网数据进行空间匹配，利用气象站点数据对消除季节性差异后的风场格网数据进行订正，包括空间匹配、线性拟合和线性订正；
（4）大风灾害识别与致灾因子计算，也即利用消除季节性差异的订正后格网数据进行大风灾害事件识别与致灾因子计算，包括格点大风事件识别和大风致灾因子计算两部分，格点大风事件识别需要提取出大风事件开始时间、大风事件结束时间、大风事件持续时间、大风事件极大风速，大风致灾因子计算需要计算大风年平均次数和极大风速大小；
（5）危险性评估，也即叠合孕灾环境后进行大风危险性评估，包括致灾因子归一化、栅格危险性指数（也即致灾因子危险性指数）计算、孕灾环境计算、孕灾环境归一化，以得到危险性指数；
（6）危险性等级区域，也即大风危险性分区，包括写出危险性指数、等级划分方法选择、写出危险性等级、危险性等级区划结果。
本发明实施例还提供了一种大风灾害危险性评估区划方法的应用示例，基于站点订正与消除季节性差异后再分析数据的大风灾害危险性评估区划方法对1978-2020年西藏自治区进行了大风灾害危险性评估，结果显示，在西藏自治区地形地貌复杂、存在季节性差异且站点稀少的情况下，该方法有良好的适用性，经专家评定后证明该方法计算得到的大风危险性评估区划结果更准确，具有更好的适用性。
综上所述，本发明实施例提供的大风灾害危险性评估区划方法至少具有以下特点：
（1）融合多源数据处理，充分利用站点数据与格网数据的优点，提高了大风灾害危险性评估输入数据的质量，使得适用性更广泛，结果更可靠；
（2）考虑季节性差异对于大风灾害危险性计算结果的影响，消除季节噪声，提高了大风危险性计算结果的准确性。
在前述实施例的基础上，本发明实施例提供了一种大风灾害危险性评估区划装置，参见图3所示的一种大风灾害危险性评估区划装置的结构示意图，该装置主要包括以下部分：
数据获取模块302，用于获取研究区域的初始风场格网数据和气象站点数据；
差异及异常消除模块304，用于确定初始风场格网数据和气象站点数据之间的时间匹配关系，并基于时间匹配关系，采用滑动窗口对初始风场格网数据进行季节性差异消除处理和异常值消除处理，得到中间风场格网数据；
站点订正模块306，用于确定中间风场格网数据与气象站点数据之间的空间匹配关系，并基于空间匹配关系，利用气象站点数据对中间风场格网数据进行站点订正，得到目标风场格网数据；
危险性评估区划模块308，用于利用目标风场格网数据，对研究区域进行大风灾害危险性评估区划，得到大风灾害危险性评估区划结果。
本发明实施例提供的大风灾害危险性评估区划装置，与传统大风灾害危险性评估区划方法的区别在于，本发明实施例中相关数据处理的过程中不再选取单一数据作为输入，首先采用滑动窗口消除风场格网数据中存在的季节性差异，最后采用气象站点数据对风场格网数据进行订正，融合多源数据并处理，本发明实施例可有效消除季节性噪声，提升数据质量，兼顾数据高覆盖范围与高精度，使大风灾害风险评估区划算法的精度不再过度受输入数据缺陷与季节性差异的影响。
在一种实施方式中，差异及异常消除模块304还用于：
将初始风场格网数据按照季节进行划分，得到每个季节对应的风场格网数据分组；
确定每个风场格网数据分组的差异消除参数，并利用差异消除参数对风场格网数据分组中每个初始风场格网数据进行季节性差异消除处理，得到差异消除后风场格网数据；
采用滑动窗口对差异消除后风场格网数据进行异常值消除处理，得到中间风场格网数据；其中，中间风场格网数据用于表征初始风场格网数据的波动特征。
在一种实施方式中，差异及异常消除模块304还用于：
对于每个风场格网数据分组，将该风场格网数据分组中每个初始风场格网数据的平均值，作为该风场格网数据分组的差异消除参数；
对于该风场格网数据分组中每个初始风场格网数据，将该初始风场格网数据与差异消除参数的差值，作为差异消除后风场格网数据。
在一种实施方式中，差异及异常消除模块304还用于：
按照每个差异消除后风场格网数据的时间信息构造时间序列；
控制滑动窗口在时间序列上滑动，以使当前待处理的差异消除后风场格网数据位于滑动窗口内指定位置处；
利用位于滑动窗口内的每个差异消除后风场格网数据的平均值，替换当前待处理的差异消除后风场格网数据，以得到中间风场格网数据。
在一种实施方式中，站点订正模块306还用于：
从中间风场格网数据中，确定与气象站点数据之间存在空间匹配关系的风场格点数据；
对气象站点数据和气象站点数据存在空间匹配关系的风场格点数据进行线性拟合，得到拟合关系式；
利用拟合关系式对中间风场格网数据中每个风场格点数据进行站点订正，得到目标风场格网数据。
在一种实施方式中，站点订正模块306还用于：
对于中间风场格网数据中每个风场格点数据，判断是否存在与该风场格点数据邻近的气象站点数据；
如果是，将该风场格点数据邻近的气象站点数据，作为目标风场格网数据；
如果否，将该风场格点数据代入至拟合关系式，以得到目标风场格网数据。
在一种实施方式中，危险性评估区划模块308还用于：
利用目标风场格网数据，对研究区域进行大风灾害事件识别与致灾因子计算，得到研究区域内每个格网对应的目标致灾因子；
对目标致灾因子赋予权重系数，并利用权重系数对目标致灾因子进行加权求和，得到每个格网对应的致灾因子危险性指数；
确定每个格网对应的孕灾环境数据；
将每个格网对应的致灾因子危险性指数和孕灾环境数据的乘积，作为每个格网对应的目标危险性指数；
采用自然断点法，对目标危险性指数进行大风灾害危险性评估区划，得到大风灾害危险性评估区划结果。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明实施例提供了一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法 。
图4为本发明实施例提供的一种电子设备的结构示意图，该电子设备100包括：处理器40，存储器41，总线42和通信接口43，所述处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。
其中，存储器41可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatilememory），例如至少一个磁盘存储器。通过至少一个通信接口43（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器41用于存储程序，所述处理器40在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。
处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见前述方法实施例，在此不再赘述。
所述功能如果以软件功能单元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，本发明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）执行本发明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 Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (5)
1.一种大风灾害危险性评估区划方法，其特征在于，包括：
获取研究区域的初始风场格网数据和气象站点数据；
确定所述初始风场格网数据和所述气象站点数据之间的时间匹配关系，并基于所述时间匹配关系，采用滑动窗口对所述初始风场格网数据进行季节性差异消除处理和异常值消除处理，得到中间风场格网数据；
确定所述中间风场格网数据与所述气象站点数据之间的空间匹配关系，并基于所述空间匹配关系，利用所述气象站点数据对所述中间风场格网数据进行站点订正，得到目标风场格网数据；
利用所述目标风场格网数据，对所述研究区域进行大风灾害危险性评估区划，得到大风灾害危险性评估区划结果；
采用滑动窗口对所述初始风场格网数据进行季节性差异消除处理和异常值消除处理，得到中间风场格网数据的步骤，包括：将所述初始风场格网数据按照季节进行划分，得到每个季节对应的风场格网数据分组；确定每个所述风场格网数据分组的差异消除参数，并利用所述差异消除参数对所述风场格网数据分组中每个所述初始风场格网数据进行季节性差异消除处理，得到差异消除后风场格网数据；采用滑动窗口对所述差异消除后风场格网数据进行异常值消除处理，得到中间风场格网数据；其中，所述中间风场格网数据用于表征所述初始风场格网数据的波动特征；
确定每个所述风场格网数据分组的差异消除参数，并利用所述差异消除参数对所述风场格网数据分组中每个所述初始风场格网数据进行季节性差异消除处理，得到差异消除后风场格网数据的步骤，包括：对于每个所述风场格网数据分组，将该风场格网数据分组中每个所述初始风场格网数据的平均值，作为该风场格网数据分组的差异消除参数；对于该风场格网数据分组中每个所述初始风场格网数据，将该初始风场格网数据与所述差异消除参数的差值，作为差异消除后风场格网数据；
采用滑动窗口对所述差异消除后风场格网数据进行异常值消除处理，得到中间风场格网数据的步骤，包括：按照每个所述差异消除后风场格网数据的时间信息构造时间序列；控制滑动窗口在所述时间序列上滑动，以使当前待处理的差异消除后风场格网数据位于所述滑动窗口内指定位置处；利用位于所述滑动窗口内的每个差异消除后风场格网数据的平均值，替换当前待处理的差异消除后风场格网数据，以得到中间风场格网数据；
确定所述中间风场格网数据与所述气象站点数据之间的空间匹配关系，基于所述空间匹配关系，利用所述气象站点数据对所述中间风场格网数据进行站点订正，得到目标风场格网数据的步骤，包括：从所述中间风场格网数据中，确定与所述气象站点数据之间存在空间匹配关系的风场格点数据；
对所述气象站点数据和所述气象站点数据存在空间匹配关系的所述风场格点数据进行线性拟合，得到拟合关系式；利用所述拟合关系式对所述中间风场格网数据中每个所述风场格点数据进行站点订正，得到目标风场格网数据；
利用所述拟合关系式对所述中间风场格网数据中每个所述风场格点数据进行站点订正，得到目标风场格网数据的步骤，包括：对于所述中间风场格网数据中每个所述风场格点数据，判断是否存在与该风场格点数据邻近的所述气象站点数据；如果是，将该风场格点数据邻近的所述气象站点数据，作为目标风场格网数据；如果否，将该风场格点数据代入至所述拟合关系式，以得到目标风场格网数据。
2.根据权利要求1所述的大风灾害危险性评估区划方法，其特征在于，利用所述目标风场格网数据，对所述研究区域进行大风灾害危险性评估区划，得到大风灾害危险性评估区划结果的步骤，包括：
利用所述目标风场格网数据，对所述研究区域进行大风灾害事件识别与致灾因子计算，得到所述研究区域内每个格网对应的目标致灾因子；
对所述目标致灾因子赋予权重系数，并利用所述权重系数对所述目标致灾因子进行加权求和，得到每个所述格网对应的致灾因子危险性指数；
确定每个所述格网对应的孕灾环境数据；
将每个所述格网对应的所述致灾因子危险性指数和所述孕灾环境数据的乘积，作为每个所述格网对应的目标危险性指数；
采用自然断点法，对所述目标危险性指数进行大风灾害危险性评估区划，得到大风灾害危险性评估区划结果。
3.一种采用权利要求1所述的大风灾害危险性评估区划方法的装置，其特征在于，包括：
数据获取模块，用于获取研究区域的初始风场格网数据和气象站点数据；
差异及异常消除模块，用于确定所述初始风场格网数据和所述气象站点数据之间的时间匹配关系，并基于所述时间匹配关系，采用滑动窗口对所述初始风场格网数据进行季节性差异消除处理和异常值消除处理，得到中间风场格网数据；
站点订正模块，用于确定所述中间风场格网数据与所述气象站点数据之间的空间匹配关系，并基于所述空间匹配关系，利用所述气象站点数据对所述中间风场格网数据进行站点订正，得到目标风场格网数据；
危险性评估区划模块，用于利用所述目标风场格网数据，对所述研究区域进行大风灾害危险性评估区划，得到大风灾害危险性评估区划结果。
4.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至2任一项所述的方法。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至2任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410070584.3A CN117610940B (zh) | 2024-01-18 | 2024-01-18 | 大风灾害危险性评估区划方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410070584.3A CN117610940B (zh) | 2024-01-18 | 2024-01-18 | 大风灾害危险性评估区划方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117610940A CN117610940A (zh) | 2024-02-27 |
| CN117610940B true CN117610940B (zh) | 2024-04-16 |
Family
ID=89958162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410070584.3A Active CN117610940B (zh) | 2024-01-18 | 2024-01-18 | 大风灾害危险性评估区划方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117610940B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929776A (zh) * | 2019-11-18 | 2020-03-27 | 杭州师范大学 | 一种基于海面风场稳定度统计区划的遥感风场数据质量评估方法及装置 |
| CN113420458A (zh) * | 2021-07-14 | 2021-09-21 | 广东电网有限责任公司广州供电局 | 一种风场数据精细化处理方法、装置、终端及介质 |
| CN114021504A (zh) * | 2021-11-22 | 2022-02-08 | 深圳市赑玄阁科技有限公司 | 一种城市台风轨迹预测方法及装置 |
| CN115545543A (zh) * | 2022-10-28 | 2022-12-30 | 中国电建集团北京勘测设计研究院有限公司 | 多灾种集成的自然灾害风险评估分析系统 |
| CN115878689A (zh) * | 2022-11-14 | 2023-03-31 | 上海市气象灾害防御技术中心(上海市防雷中心) | 基于网格化管理的气象与城市运行体征关联规则挖掘方法 |
| CN115953034A (zh) * | 2023-03-14 | 2023-04-11 | 南京航天宏图信息技术有限公司 | 大风灾害危险性的评估区划方法、装置、电子设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10296981B2 (en) * | 2016-09-14 | 2019-05-21 | Swiss Reinsurance Company Ltd. | Method and system for automated location-dependent recognition of storm risks and exposure-based parametric risk-transfer |
-
2024
- 2024-01-18 CN CN202410070584.3A patent/CN117610940B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929776A (zh) * | 2019-11-18 | 2020-03-27 | 杭州师范大学 | 一种基于海面风场稳定度统计区划的遥感风场数据质量评估方法及装置 |
| CN113420458A (zh) * | 2021-07-14 | 2021-09-21 | 广东电网有限责任公司广州供电局 | 一种风场数据精细化处理方法、装置、终端及介质 |
| CN114021504A (zh) * | 2021-11-22 | 2022-02-08 | 深圳市赑玄阁科技有限公司 | 一种城市台风轨迹预测方法及装置 |
| CN115545543A (zh) * | 2022-10-28 | 2022-12-30 | 中国电建集团北京勘测设计研究院有限公司 | 多灾种集成的自然灾害风险评估分析系统 |
| CN115878689A (zh) * | 2022-11-14 | 2023-03-31 | 上海市气象灾害防御技术中心(上海市防雷中心) | 基于网格化管理的气象与城市运行体征关联规则挖掘方法 |
| CN115953034A (zh) * | 2023-03-14 | 2023-04-11 | 南京航天宏图信息技术有限公司 | 大风灾害危险性的评估区划方法、装置、电子设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| ECMWF细网格10m风场在"天兔"大风预报中的释用;林中鹏;周顺武;温继昌;;气象水文海洋仪器;20150915(第03期);7-12页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117610940A (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Infanti et al. | North American rainfall and temperature prediction response to the diversity of ENSO | |
| Paulo et al. | Influence of precipitation changes on the SPI and related drought severity. An analysis using long-term data series | |
| Guo et al. | Spatial and temporal variation of extreme precipitation indices in the Yangtze River basin, China | |
| Barcikowska et al. | Euro-Atlantic winter storminess and precipitation extremes under 1.5 C vs. 2 C warming scenarios | |
| Yang et al. | Analyzing big time series data in solar engineering using features and PCA | |
| Tsarouchi et al. | Historical and future land-cover changes in the Upper Ganges basin of India | |
| Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
| Badosa et al. | Day-ahead probabilistic forecast of solar irradiance: a Stochastic Differential Equation approach | |
| WO2016036806A1 (en) | Method and system for hours-ahead and day-ahead forecasting of solar energy | |
| Camus et al. | An atmospheric-to-marine synoptic classification for statistical downscaling marine climate | |
| Monjo et al. | Probabilistic correction of RCM precipitation in the Basque Country (Northern Spain) | |
| Jiang et al. | Principal component analysis for extremes and application to US precipitation | |
| Skoufias et al. | Can we rely on VIIRS nightlights to estimate the short-term impacts of natural hazards? Evidence from five South East Asian countries | |
| Killinger et al. | A tuning routine to correct systematic influences in reference PV systems’ power outputs | |
| Lafferty et al. | Statistically bias-corrected and downscaled climate models underestimate the adverse effects of extreme heat on US maize yields | |
| Raggad | Stationary and non-stationary extreme value approaches for modelling extreme temperature: the Case of Riyadh City, Saudi Arabia | |
| CN116450700A (zh) | 极轨卫星地表温度时间归一化方法、装置及电子设备 | |
| Samantaray et al. | Assessment of impacts of potential climate change on meteorological drought characteristics at regional scales | |
| Deline et al. | PV fleet performance data initiative (March 2020 methodology report) | |
| Vandeskog et al. | Quantile based modeling of diurnal temperature range with the five‐parameter lambda distribution | |
| CN110619291A (zh) | 一种植被覆盖度与气候因子非线性响应关系的识别方法 | |
| CN117610940B (zh) | 大风灾害危险性评估区划方法、装置、设备及介质 | |
| Pegion et al. | Understanding predictability of daily southeast US precipitation using explainable machine learning | |
| Bourscheidt et al. | Methods to overcome lightning location system performance limitations on spatial and temporal analysis: Brazilian case | |
| CN116011879B (zh) | 生态系统稳定性评估方法、装置、电子设备及存储介质 |
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 |