CN109614744B - 一种基于大数据的降水量检测方法及*** - Google Patents
一种基于大数据的降水量检测方法及*** Download PDFInfo
- Publication number
- CN109614744B CN109614744B CN201811617914.7A CN201811617914A CN109614744B CN 109614744 B CN109614744 B CN 109614744B CN 201811617914 A CN201811617914 A CN 201811617914A CN 109614744 B CN109614744 B CN 109614744B
- Authority
- CN
- China
- Prior art keywords
- detection
- optimization
- space
- model
- time
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Hydrology & Water Resources (AREA)
- Computer Hardware Design (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于大数据的降水量检测方法及***,该控制方法包括:获取检测数据,并根据检测数据建立时空检测模型;判断时空检测模型中的检测参数是否存在奇异值,并当判断到检测参数中存在奇异值时,对检测参数进行校正;根据预设优化规则对时空检测模型进行数据优化,以得到时空优化模型;针对时空优化模型进行模型损失计算,以得到损失函数,并当判断到损失函数小于损失阈值时,输出时空优化模型,以得到检测结果。本发明通过建立时空检测模型的设计,以使将检测数据转化为具体模型参数,方便了后续对数据的处理和计算,通过对时空检测模型进行数据优化的设计,防止了干扰因素对时空检测模型的影响,以提高检测结果的准确性。
Description
技术领域
本发明涉及降水量检测技术领域,具体而言,涉及一种基于大数据的降水量检测方法及***。
背景技术
降水的时空分布异常是引发洪涝灾害、山体滑坡、泥石流等自然灾害的重要因素,我国每年由洪涝灾害引发的直接经济损失超过千亿元,平均受灾人口超过1.2亿人。虽然雨量计、天气雷达和气象卫星等多种降水测量手段已经广泛应用,但是降水在城市、山区等重点区域存在极为复杂的时空变化,雨量计站点分布不均匀,即使在城市等站点相对密集的地区,仍难以监测到降水的精细时空变化;天气雷达在高仰角条件下只能测量到部分降水体或云体,在低仰角条件下易受地物回波影响,因而在城市和山区的测量效果有限;测雨卫星只能自上而下测量云顶或穿透云顶,与降落到地表附近的实际降水之间存在较大差别,难以根据回波反演和检测到准确的降水分布。
现有的针对降水量的检测所采用的方法为基于雷达的降水量检测,而由于现有的基于雷达的降水量的检测方式使用过程中,其检测精准度较低,并能有效的针对降水量进行检测。
发明内容
基于此,本发明实施例的目的在于解决现有技术中,针对降雨量的检测精准度低的问题。
第一方面,本发明提供了一种基于大数据的降水量检测方法,所述方法包括:
获取检测数据,并根据所述检测数据建立时空检测模型;
判断所述时空检测模型中的检测参数是否存在奇异值,并当判断到所述检测参数中存在所述奇异值时,对所述检测参数进行校正;
根据本地预设优化规则对所述时空检测模型进行数据优化,以得到时空优化模型;
针对所述时空优化模型进行模型损失计算,以得到损失函数,并当判断到所述损失函数小于损失阈值时,输出所述时空优化模型,以得到检测结果。
进一步地,在本发明较佳的实施例中,所述根据所述检测数据建立时空检测模型的步骤包括:
获取所述检测数据中存储的雷达反射率因子组合,并以MSE为优化目标,以建立降水空间依赖映射关系;
获取所述检测数据中存储的降水过程的相关性,并以所述降水过程的相关性为目标,以建立降水时间序列映射关系。
进一步地,在本发明较佳的实施例中,所述判断所述时空检测模型中的检测参数是否存在奇异值的步骤包括:
分别计算相邻所述检测参数之间的参数差值,并判断所述参数差值是否大于差值阈值;
若是,则判定所述参数差值对应的所述检测参数为奇异值。
进一步地,在本发明较佳的实施例中,所述对所述检测参数进行校正的步骤包括:
删除所述检测参数,并获取所述检测参数相邻参数之间的参数和;
计算所述参数和的平均值,以得到替换值,并将所述替换值对所述检测参数进行替换。
进一步地,在本发明较佳的实施例中,所述根据本地预设优化规则对所述时空检测模型进行数据优化的步骤包括:
对所述时空检测模型进行方差计算,以得到方差值,并将所述方差值与本地预存储的优化表进行匹配,以得到第一优化波动;
根据所述第一优化波动对所述时空检测模型进行波动优化;
对所述时空检测模型进行滤波计算,以得到滤波值,并将所述滤波值与所述优化表进行匹配,以得到第二优化波动;
根据所述第二优化波动对所述时空检测模型进行波动优化;
对所述时空检测模型进行滤波方差计算,以得到滤波方差值,并将所述滤波方差值与所述优化表进行匹配,以得到第三优化波动;
根据所述第三优化波动对所述时空检测模型进行波动优化。
进一步地,在本发明较佳的实施例中,所述针对所述时空优化模型进行模型损失计算所采用的计算公式为:
上述基于大数据的降水量检测方法,通过建立所述时空检测模型的设计,以使将所述检测数据转化为具体模型参数,进而有效的方便了后续对数据的处理和计算,通过判断所述检测参数中是否存在所述奇异值的设计,以使有效及时的针对异常数据进行校正,以提高检测结果的准确性,通过对所述时空检测模型进行数据优化的设计,进而有效防止了干扰因素对所述时空检测模型的影响,进一步提高了所述检测结果的精准度,通过对所述时空优化模型进行模型损失计算,以判定所述时空优化模型的准确性,并当判断到所述时空优化模型正确时,输出结果。
第二方面,本发明提供了一种基于大数据的降水量检测***,包括:
建模模块,用于获取检测数据,并根据所述检测数据建立时空检测模型;
判断模块,用于判断所述时空检测模型中的检测参数是否存在奇异值,并当判断到所述检测参数中存在所述奇异值时,对所述检测参数进行校正;
优化模块,用于根据本地预设优化规则对所述时空检测模型进行数据优化,以得到时空优化模型;
计算模块,用于针对所述时空优化模型进行模型损失计算,以得到损失函数,并当判断到所述损失函数小于损失阈值时,输出所述时空优化模型,以得到检测结果。
进一步地,在本发明较佳的实施例中,所述建模模块包括:
第一建模单元,用于获取所述检测数据中存储的雷达反射率因子组合,并以MSE为优化目标,以建立降水空间依赖映射关系;
第二建模单元,用于获取所述检测数据中存储的降水过程的相关性,并以所述降水过程的相关性为目标,以建立降水时间序列映射关系。
进一步地,在本发明较佳的实施例中,所述判断模块包括:
第一计算单元,用于分别计算相邻所述检测参数之间的参数差值;
判断单元,用于判断所述参数差值是否大于差值阈值;若是,则判定所述参数差值对应的所述检测参数为奇异值。
进一步地,在本发明较佳的实施例中,所述判断模块还包括:
获取单元,用于删除所述检测参数,并获取所述检测参数相邻参数之间的参数和;
第二计算单元,用于计算所述参数和的平均值,以得到替换值,并将所述替换值对所述检测参数进行替换。
上述基于大数据的降水量检测***,通过所述建模模块建立所述时空检测模型的设计,以使将所述检测数据转化为具体模型参数,进而有效的方便了后续对数据的处理和计算,通过所述判断模块判断所述检测参数中是否存在所述奇异值的设计,以使有效及时的针对异常数据进行校正,以提高检测结果的准确性,通过所述优化模块对所述时空检测模型进行数据优化的设计,进而有效防止了干扰因素对所述时空检测模型的影响,进一步提高了所述检测结果的精准度,通过所述计算模块对所述时空优化模型进行模型损失计算,以判定所述时空优化模型的准确性,并当判断到所述时空优化模型正确时,输出结果。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明第一实施例提供的基于大数据的降水量检测方法的流程图;
图2为本发明第二实施例提供的基于大数据的降水量检测方法的流程图;
图3为图2中步骤S61的具体实施步骤的流程图;
图4为本发明第三实施例提供的基于大数据的降水量检测***的结构示意图:
具体实施方式
为了便于更好地理解本发明,下面将结合相关实施例附图对本发明进行进一步地解释。附图中给出了本发明的实施例,但本发明并不仅限于上述的优选实施例。相反,提供这些实施例的目的是为了使本发明的公开面更加得充分。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
请参阅图1,为本发明第一实施例提供的基于大数据的降水量检测方法的流程图,包括步骤S10至S60。
步骤S10,获取检测数据,并根据所述检测数据建立时空检测模型;
其中,该检测数据的监测获取方法可以为地面气象站监测、卫星监测或雷达监测,卫星监测主要通过卫星云图的方式进行检测,主要反映的是云顶信息,而雷达监测可以在数分钟内完成空域扫面。空间分辨率约为1公里,每个雷达每个时次可以产生数百万组空间监测数据,且雷达反射因此与降水有直接的相关关系,因此,该步骤中通过采用雷达监测的方式以进行所述检测数据的获取,优选的,该步骤中通过建立所述时空检测模型的设计,以使将所述检测数据转化为具体模型参数,进而有效的方便了后续对数据的处理和计算;
步骤S20,判断所述时空检测模型中的检测参数是否存在奇异值;
其中,通过判断所述检测参数中是否存在所述奇异值的设计,以使有效及时的针对异常数据进行校正,以提高检测结果的准确性;
当步骤S20判断到所述检测参数中存在所述奇异值时,执行步骤S30;
步骤S30,对所述检测参数进行校正;
其中,该步骤中所采用的校正方法可以为参数替换、参数波动修改或参数删除的方式进行校正,继而有效的防止了由于错误参数导致的检测错误,进一步提高了所述基于大数据的降水量检测方法的准确性;
步骤S40,根据本地预设优化规则对所述时空检测模型进行数据优化,以得到时空优化模型;
其中,所述预设优化规则中存储有多个优化条件,该优化条件可以根据用户的需求自主进行设置,该优化条件可以为数据方差优化、数据波动优化等,通过对所述时空检测模型进行数据优化的设计,进而有效防止了干扰因素对所述时空检测模型的影响,进一步提高了所述检测结果的精准度;
步骤S50,针对所述时空优化模型进行模型损失计算,以得到损失函数;
其中,通过对所述时空优化模型进行模型损失计算,以判定所述时空优化模型的准确性;
步骤S60,当判断到所述损失函数小于损失阈值时,输出所述时空优化模型,以得到检测结果;
其中,所述检测结果中存储有各个区域对应的降水量信息,用户可以基于该降水量信息以进行降水量的预测;
本实施例中,通过建立所述时空检测模型的设计,以使将所述检测数据转化为具体模型参数,进而有效的方便了后续对数据的处理和计算,通过判断所述检测参数中是否存在所述奇异值的设计,以使有效及时的针对异常数据进行校正,以提高检测结果的准确性,通过对所述时空检测模型进行数据优化的设计,进而有效防止了干扰因素对所述时空检测模型的影响,进一步提高了所述检测结果的精准度,通过对所述时空优化模型进行模型损失计算,以判定所述时空优化模型的准确性,并当判断到所述时空优化模型正确时,输出结果。
请参阅图2,为本发明第二实施例提供的基于大数据的降水量检测方法的流程图,所述方法包括步骤S11至S81。
步骤S11,获取检测数据,获取所述检测数据中存储的雷达反射率因子组合,并以MSE为优化目标,以建立降水空间依赖映射关系;
其中,本实施例中为了防止空间相关系对检测结果的影响,该步骤通过引入空间差值方法以建立所述降水空间依赖映射关,进而有效的降低了空间相关系对检测结果的影响,提高了所述基于大数据的降水量检测方法的精准度;
步骤S21,获取所述检测数据中存储的降水过程的相关性,并以所述降水过程的相关性为目标,以建立降水时间序列映射关系,得到时空检测模型;
其中,本实施例中为了防止时间时序对检测结果的影响,该步骤通过引入条件随机场的方式以建立所述降水空间依赖映射关,进而有效的降低了时间时序对检测结果的影响,提高了所述基于大数据的降水量检测方法的精准度;
步骤S31,分别计算所述时空检测模型中相邻检测参数之间的参数差值,并判断所述参数差值是否大于差值阈值;
其中,该步骤中通过计算所述参数差值的方式,以判断对应所述检测参数的准确性,进而有效的所述时空检测模型中的所述检测参数的数据准确性进行判定,提高了检测方法的准确性,优选的,该步骤中可以采用比较器的方式进行所述参数差值与所述差值阈值之间的大小计算,且本实施例中所述差值阈值可以根据用户的需求自主进行设置,进而有效满足了用户数据多样性的需求;
当步骤S31判断到所述参数差值大于所述差值阈值时,执行步骤S41;
步骤S41,判定所述参数差值对应的所述检测参数为奇异值,删除所述检测参数,并获取所述检测参数相邻参数之间的参数和;
其中,该步骤中采用删除的方式以防止错误参数导致的检测错误,提高了检测方法的准确性;
步骤S51,计算所述参数和的平均值,以得到替换值,并将所述替换值对所述检测参数进行替换;
其中,该步骤中通过采用平均值替换的方式补充数据,使得数据完整,进而提高了数据的完整性,提高了用户体验;
步骤S61,根据本地预设优化规则对所述时空检测模型进行数据优化,以得到时空优化模型;
其中,通过对所述时空检测模型进行数据优化的设计,进而有效防止了干扰因素对所述时空检测模型的影响,进一步提高了所述检测结果的精准度;
请参阅图3,为图2中步骤S61的具体实施步骤流程图:
步骤S610,对所述时空检测模型进行方差计算,以得到方差值,并将所述方差值与本地预存储的优化表进行匹配,以得到第一优化波动;
步骤S611,根据所述第一优化波动对所述时空检测模型进行波动优化;
步骤S612,对所述时空检测模型进行滤波计算,以得到滤波值,并将所述滤波值与所述优化表进行匹配,以得到第二优化波动;
步骤S613,根据所述第二优化波动对所述时空检测模型进行波动优化;
步骤S614,对所述时空检测模型进行滤波方差计算,以得到滤波方差值,并将所述滤波方差值与所述优化表进行匹配,以得到第三优化波动;
步骤S615,根据所述第三优化波动对所述时空检测模型进行波动优化;
请继续参阅图2,步骤S71,针对所述时空优化模型进行模型损失计算,以得到损失函数;
其中,通过对所述时空优化模型进行模型损失计算,以判定所述时空优化模型的准确性;
步骤S81,当判断到所述损失函数小于损失阈值时,输出所述时空优化模型,以得到检测结果;
其中,所述检测结果中存储有各个区域对应的降水量信息,用户可以基于该降水量信息以进行降水量的预测;
优选的,本实施例中,所述针对所述时空优化模型进行模型损失计算所采用的计算公式为:
本实施例中,通过建立所述时空检测模型的设计,以使将所述检测数据转化为具体模型参数,进而有效的方便了后续对数据的处理和计算,通过判断所述检测参数中是否存在所述奇异值的设计,以使有效及时的针对异常数据进行校正,以提高检测结果的准确性,通过对所述时空检测模型进行数据优化的设计,进而有效防止了干扰因素对所述时空检测模型的影响,进一步提高了所述检测结果的精准度,通过对所述时空优化模型进行模型损失计算,以判定所述时空优化模型的准确性,并当判断到所述时空优化模型正确时,输出结果。
请参阅图4,为本发明第三实施例提供的基于大数据的降水量检测***100的结构示意图,包括:
建模模块10,用于获取检测数据,并根据所述检测数据建立时空检测模型,其中,该检测数据的监测获取方法可以为地面气象站监测、卫星监测或雷达监测,卫星监测主要通过卫星云图的方式进行检测,主要反映的是云顶信息,而雷达监测可以在数分钟内完成空域扫面。空间分辨率约为1公里,每个雷达每个时次可以产生数百万组空间监测数据,且雷达反射因此与降水有直接的相关关系,因此,该模块中通过采用雷达监测的方式以进行所述检测数据的获取,优选的,该模块中通过建立所述时空检测模型的设计,以使将所述检测数据转化为具体模型参数,进而有效的方便了后续对数据的处理和计算。
判断模块20,用于判断所述时空检测模型中的检测参数是否存在奇异值,并当判断到所述检测参数中存在所述奇异值时,对所述检测参数进行校正,其中,通过判断所述检测参数中是否存在所述奇异值的设计,以使有效及时的针对异常数据进行校正,以提高检测结果的准确性,优选的,该模块中所采用的校正方法可以为参数替换、参数波动修改或参数删除的方式进行校正,继而有效的防止了由于错误参数导致的检测错误,进一步提高了所述基于大数据的降水量检测方法的准确性。
优化模块30,用于根据本地预设优化规则对所述时空检测模型进行数据优化,以得到时空优化模型,其中,所述预设优化规则中存储有多个优化条件,该优化条件可以根据用户的需求自主进行设置,该优化条件可以为数据方差优化、数据波动优化等,通过对所述时空检测模型进行数据优化的设计,进而有效防止了干扰因素对所述时空检测模型的影响,进一步提高了所述检测结果的精准度。
计算模块40,用于针对所述时空优化模型进行模型损失计算,以得到损失函数,并当判断到所述损失函数小于损失阈值时,输出所述时空优化模型,以得到检测结果,其中,通过对所述时空优化模型进行模型损失计算,以判定所述时空优化模型的准确性,所述检测结果中存储有各个区域对应的降水量信息,用户可以基于该降水量信息以进行降水量的预测。
优选的,所述计算模块40中针对所述时空优化模型进行模型损失计算所采用的计算公式为:
具体的,本实施例中,所述建模模块10包括:
第一建模单元11,用于获取所述检测数据中存储的雷达反射率因子组合,并以MSE为优化目标,以建立降水空间依赖映射关系,其中,本实施例中为了防止空间相关系对检测结果的影响,该单元通过引入空间差值方法以建立所述降水空间依赖映射关,进而有效的降低了空间相关系对检测结果的影响,提高了所述基于大数据的降水量检测方法的精准度。
第二建模单元12,用于获取所述检测数据中存储的降水过程的相关性,并以所述降水过程的相关性为目标,以建立降水时间序列映射关系,其中,本实施例中为了防止时间时序对检测结果的影响,该单元通过引入条件随机场的方式以建立所述降水空间依赖映射关,进而有效的降低了时间时序对检测结果的影响,提高了所述基于大数据的降水量检测方法的精准度。
进一步地,所述判断模块20包括:
第一计算单元21,用于分别计算相邻所述检测参数之间的参数差值;
判断单元22,用于判断所述参数差值是否大于差值阈值;若是,则判定所述参数差值对应的所述检测参数为奇异值,其中,该单元中通过计算所述参数差值的方式,以判断对应所述检测参数的准确性,进而有效的所述时空检测模型中的所述检测参数的数据准确性进行判定,提高了检测方法的准确性,优选的,该单元中可以采用比较器的方式进行所述参数差值与所述差值阈值之间的大小计算,且本实施例中所述差值阈值可以根据用户的需求自主进行设置,进而有效满足了用户数据多样性的需求。
优选的,所述判断模块20还包括:
获取单元23,用于删除所述检测参数,并获取所述检测参数相邻参数之间的参数和,其中,该单元中采用删除的方式以防止错误参数导致的检测错误,提高了检测方法的准确性。
第二计算单元24,用于计算所述参数和的平均值,以得到替换值,并将所述替换值对所述检测参数进行替换,其中,该单元中通过采用平均值替换的方式补充数据,使得数据完整,进而提高了数据的完整性,提高了用户体验。
具体的,所述优化模块30包括:
第一优化单元31,用于对所述时空检测模型进行方差计算,以得到方差值,并将所述方差值与本地预存储的优化表进行匹配,以得到第一优化波动,根据所述第一优化波动对所述时空检测模型进行波动优化;
第二优化单元32,用于对所述时空检测模型进行滤波计算,以得到滤波值,并将所述滤波值与所述优化表进行匹配,以得到第二优化波动,根据所述第二优化波动对所述时空检测模型进行波动优化;
第三优化单元33,用于对所述时空检测模型进行滤波方差计算,以得到滤波方差值,并将所述滤波方差值与所述优化表进行匹配,以得到第三优化波动,根据所述第三优化波动对所述时空检测模型进行波动优化。
上述基于大数据的降水量检测***100,通过所述建模模块10建立所述时空检测模型的设计,以使将所述检测数据转化为具体模型参数,进而有效的方便了后续对数据的处理和计算,通过所述判断模块20判断所述检测参数中是否存在所述奇异值的设计,以使有效及时的针对异常数据进行校正,以提高检测结果的准确性,通过所述优化模块30对所述时空检测模型进行数据优化的设计,进而有效防止了干扰因素对所述时空检测模型的影响,进一步提高了所述检测结果的精准度,通过所述计算模块40对所述时空优化模型进行模型损失计算,以判定所述时空优化模型的准确性,并当判断到所述时空优化模型正确时,输出结果。
本实施例还提供了一种移动终端,包括存储设备以及处理器,所述存储设备用于存储计算机程序,所述处理器运行所述计算机程序以使所述移动终端执行上述的基于大数据的降水量检测方法。
本实施例还提供了一种存储介质,其上存储有上述移动终端中所使用的计算机程序,该程序在执行时,包括如下步骤:
获取检测数据,并根据所述检测数据建立时空检测模型;
判断所述时空检测模型中的检测参数是否存在奇异值,并当判断到所述检测参数中存在所述奇异值时,对所述检测参数进行校正;
根据本地预设优化规则对所述时空检测模型进行数据优化,以得到时空优化模型;
针对所述时空优化模型进行模型损失计算,以得到损失函数,并当判断到所述损失函数小于损失阈值时,输出所述时空优化模型,以得到检测结果。所述的存储介质,如:ROM/RAM、磁碟、光盘等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元或模块完成,即将存储装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施方式中的各功能单元、模块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,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。
本领域技术人员可以理解,图4中示出的组成结构并不构成对本发明的基于大数据的降水量检测***的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置,而图1-3中的基于大数据的降水量检测方法亦采用图4中所示的更多或更少的部件,或者组合某些部件,或者不同的部件布置来实现。本发明所称的单元、模块等是指一种能够被所述基于大数据的降水量检测***中的处理器(图未示)所执行并功能够完成特定功能的一系列计算机程序,其均可存储于所述基于大数据的降水量检测***的存储设备(图未示)内。
上述实施例描述了本发明的技术原理,这些描述只是为了解释本发明的原理,而不能以任何方式解释为本发明保护范围的限制。基于此处的解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其他具体实施方式,这些方式都将落入本发明的保护范围内。
Claims (5)
1.一种基于大数据的降水量检测方法,其特征在于,所述方法包括:
获取检测数据,并根据所述检测数据建立时空检测模型;
判断所述时空检测模型中的检测参数是否存在奇异值,并当判断到所述检测参数中存在所述奇异值时,对所述检测参数进行校正;
根据本地预设优化规则对所述时空检测模型进行数据优化,以得到时空优化模型;
针对所述时空优化模型进行模型损失计算,以得到损失函数,并当判断到所述损失函数小于损失阈值时,输出所述时空优化模型,以得到检测结果;
所述根据所述检测数据建立时空检测模型的步骤包括:
获取所述检测数据中存储的雷达反射率因子组合,并以MSE为优化目标,以建立降水空间依赖映射关系;
获取所述检测数据中存储的降水过程的相关性,并以所述降水过程的相关性为目标,以建立降水时间序列映射关系;
所述判断所述时空检测模型中的检测参数是否存在奇异值的步骤包括:
分别计算相邻所述检测参数之间的参数差值,并判断所述参数差值是否大于差值阈值;
若是,则判定所述参数差值对应的所述检测参数为奇异值。
2.根据权利要求1所述的基于大数据的降水量检测方法,其特征在于,所述对所述检测参数进行校正的步骤包括:
删除所述检测参数,并获取所述检测参数相邻参数之间的参数和;
计算所述参数和的平均值,以得到替换值,并将所述替换值对所述检测参数进行替换。
3.根据权利要求1所述的基于大数据的降水量检测方法,其特征在于,所述根据本地预设优化规则对所述时空检测模型进行数据优化的步骤包括:
对所述时空检测模型进行方差计算,以得到方差值,并将所述方差值与本地预存储的优化表进行匹配,以得到第一优化波动;
根据所述第一优化波动对所述时空检测模型进行波动优化;
对所述时空检测模型进行滤波计算,以得到滤波值,并将所述滤波值与所述优化表进行匹配,以得到第二优化波动;
根据所述第二优化波动对所述时空检测模型进行波动优化;
对所述时空检测模型进行滤波方差计算,以得到滤波方差值,并将所述滤波方差值与所述优化表进行匹配,以得到第三优化波动;
根据所述第三优化波动对所述时空检测模型进行波动优化。
4.一种基于大数据的降水量检测***,其特征在于,包括:
建模模块,用于获取检测数据,并根据所述检测数据建立时空检测模型;
判断模块,用于判断所述时空检测模型中的检测参数是否存在奇异值,并当判断到所述检测参数中存在所述奇异值时,对所述检测参数进行校正;
优化模块,用于根据本地预设优化规则对所述时空检测模型进行数据优化,以得到时空优化模型;
计算模块,用于针对所述时空优化模型进行模型损失计算,以得到损失函数,并当判断到所述损失函数小于损失阈值时,输出所述时空优化模型,以得到检测结果;
所述建模模块包括:
第一建模单元,用于获取所述检测数据中存储的雷达反射率因子组合,并以MSE为优化目标,以建立降水空间依赖映射关系;
第二建模单元,用于获取所述检测数据中存储的降水过程的相关性,并以所述降水过程的相关性为目标,以建立降水时间序列映射关系;
所述判断模块包括:
第一计算单元,用于分别计算相邻所述检测参数之间的参数差值;
判断单元,用于判断所述参数差值是否大于差值阈值;若是,则判定所述参数差值对应的所述检测参数为奇异值。
5.根据权利要求4所述的基于大数据的降水量检测***,其特征在于,所述判断模块还包括:
获取单元,用于删除所述检测参数,并获取所述检测参数相邻参数之间的参数和;
第二计算单元,用于计算所述参数和的平均值,以得到替换值,并将所述替换值对所述检测参数进行替换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811617914.7A CN109614744B (zh) | 2018-12-28 | 2018-12-28 | 一种基于大数据的降水量检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811617914.7A CN109614744B (zh) | 2018-12-28 | 2018-12-28 | 一种基于大数据的降水量检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109614744A CN109614744A (zh) | 2019-04-12 |
CN109614744B true CN109614744B (zh) | 2022-11-22 |
Family
ID=66011595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811617914.7A Active CN109614744B (zh) | 2018-12-28 | 2018-12-28 | 一种基于大数据的降水量检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109614744B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111123410A (zh) * | 2019-12-26 | 2020-05-08 | 国网北京市电力公司 | 降水量监测***及方法、存储介质、处理器 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101647215A (zh) * | 2007-03-29 | 2010-02-10 | 索尼株式会社 | 用于信号处理***中分析噪声的方法和装置 |
CN103948393A (zh) * | 2014-05-21 | 2014-07-30 | 华侨大学 | 一种血液成分含量的近红外无创检测方法及装置 |
CN104656163A (zh) * | 2015-02-04 | 2015-05-27 | 中国人民解放军理工大学 | 一种基于大数据的移动通信网降水分布及动态测量方法 |
CN104751580A (zh) * | 2015-04-08 | 2015-07-01 | 武汉理工光科股份有限公司 | 分布式光纤传感信号模式识别方法及*** |
CN105425319A (zh) * | 2015-09-16 | 2016-03-23 | 河海大学 | 基于地面测量数据校正的降雨卫星暴雨同化方法 |
CN106127242A (zh) * | 2016-06-21 | 2016-11-16 | 河海大学 | 基于集成学习的年极端降水预测***及其预测方法 |
CN107423190A (zh) * | 2017-04-19 | 2017-12-01 | 国家电网公司 | 一种日志数据异常指向识别方法及装置 |
CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、***及电子设备 |
CN108009632A (zh) * | 2017-12-14 | 2018-05-08 | 清华大学 | 对抗式时空大数据预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103792524A (zh) * | 2014-03-06 | 2014-05-14 | 兰州大学 | 基于云分类的雷达定量降水估计方法 |
CN104398271A (zh) * | 2014-11-14 | 2015-03-11 | 西安交通大学 | 血管与斑块的三维力学及组织特性成像检测方法 |
CN104820222B (zh) * | 2014-12-25 | 2017-08-29 | 邓勇 | 雨量雷达实时动态衰减订正与降水计算方法 |
US10509868B2 (en) * | 2016-01-29 | 2019-12-17 | Fujitsu Limited | Operating a solar power generating system |
-
2018
- 2018-12-28 CN CN201811617914.7A patent/CN109614744B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101647215A (zh) * | 2007-03-29 | 2010-02-10 | 索尼株式会社 | 用于信号处理***中分析噪声的方法和装置 |
CN103948393A (zh) * | 2014-05-21 | 2014-07-30 | 华侨大学 | 一种血液成分含量的近红外无创检测方法及装置 |
CN104656163A (zh) * | 2015-02-04 | 2015-05-27 | 中国人民解放军理工大学 | 一种基于大数据的移动通信网降水分布及动态测量方法 |
CN104751580A (zh) * | 2015-04-08 | 2015-07-01 | 武汉理工光科股份有限公司 | 分布式光纤传感信号模式识别方法及*** |
CN105425319A (zh) * | 2015-09-16 | 2016-03-23 | 河海大学 | 基于地面测量数据校正的降雨卫星暴雨同化方法 |
CN106127242A (zh) * | 2016-06-21 | 2016-11-16 | 河海大学 | 基于集成学习的年极端降水预测***及其预测方法 |
CN107423190A (zh) * | 2017-04-19 | 2017-12-01 | 国家电网公司 | 一种日志数据异常指向识别方法及装置 |
CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、***及电子设备 |
CN108009632A (zh) * | 2017-12-14 | 2018-05-08 | 清华大学 | 对抗式时空大数据预测方法 |
Non-Patent Citations (1)
Title |
---|
"基于"3σ法则"的显著误差检测";李九龙等;《计算机与现代化》;20120131(第1期);第10-13页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109614744A (zh) | 2019-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108761576B (zh) | 一种x波段气象雷达与雨量站数据融合方法及*** | |
CN112965146B (zh) | 一种结合气象雷达与雨量桶观测数据的定量降水估算方法 | |
CN109029368B (zh) | 像方补偿的遥感影像/sar影像高精度几何定位后处理方法 | |
Sun et al. | Evaluation and correction of GPM IMERG precipitation products over the capital circle in Northeast China at multiple spatiotemporal scales | |
CN108230375B (zh) | 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法 | |
CN112197749B (zh) | 一种波浪浮标有效波高的交叉校准方法及装置 | |
CN113610729B (zh) | 高光谱遥感影像星地协同大气校正方法、***及存储介质 | |
CN112762888A (zh) | 一种桥梁空间变位监测方法和***、可读存储介质 | |
CN109614744B (zh) | 一种基于大数据的降水量检测方法及*** | |
CN114549616A (zh) | 土方工程量的计算方法、装置及电子设备 | |
CN115656989A (zh) | 外参标定方法、装置、电子设备及存储介质 | |
Zhong et al. | Cross-evaluation of reflectivity from the space-borne precipitation radar and multi-type ground-based weather radar network in China | |
CN113742927B (zh) | 一种气象预报数据质量检测的方法 | |
Crombaghs et al. | Assessing height precision of laser altimetry DEMs | |
CN116029162B (zh) | 利用星载gnss-r数据的洪涝灾害淹没范围监测方法和*** | |
CN110532969B (zh) | 基于多尺度图像分割的斜坡单元划分方法 | |
JP2005017266A (ja) | レーダ雨量測定装置及びその測定方法 | |
CN108919264B (zh) | 一种InSAR干涉相位真值确定及差分干涉测量方法 | |
CN114091562A (zh) | 多传感数据融合方法、装置、***、设备和存储介质 | |
CN111915570A (zh) | 基于反向传播神经网络的大气延迟估计方法 | |
CN115685127A (zh) | 一种基于点云数据分析目标物沉降风险的方法及装置 | |
CN114646933B (zh) | 一种4d毫米波雷达俯仰安装误差静态测量方法 | |
CN110907984A (zh) | 一种基于自回归移动平均模型的震前红外长波辐射异常信息探测方法 | |
CN113558536B (zh) | 智能扫地机器人的智能校准方法、装置及*** | |
CN110866942B (zh) | 一种多源目标融合的在轨辐射响应跟踪方法及*** |
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: 20200918 Address after: Hangzhou City, Zhejiang province 310018 Xiasha Higher Education Park No. 2 Street No. 928 Applicant after: ZHEJIANG SCI-TECH University Address before: 330013 Jiangxi Province, Nanchang Qingshan Lake East Shuanggang Street No. 808 South Campus of East China Jiaotong University Applicant before: East China Jiaotong University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |