CN109946762A - 一种基于概率分布短时预报降水的方法及*** - Google Patents
一种基于概率分布短时预报降水的方法及*** Download PDFInfo
- Publication number
- CN109946762A CN109946762A CN201910166319.4A CN201910166319A CN109946762A CN 109946762 A CN109946762 A CN 109946762A CN 201910166319 A CN201910166319 A CN 201910166319A CN 109946762 A CN109946762 A CN 109946762A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- data
- probability
- rainfall
- module
- 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.)
- Granted
Links
- 238000001556 precipitation Methods 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000005540 biological transmission Effects 0.000 claims abstract description 11
- 238000013480 data collection Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 108090000623 proteins and genes Proteins 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 241001365789 Oenanthe crocata Species 0.000 claims 1
- 230000004069 differentiation Effects 0.000 claims 1
- 239000011159 matrix material Substances 0.000 abstract description 12
- 238000011160 research Methods 0.000 abstract description 5
- 230000002123 temporal effect Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000475481 Nebula Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于预报降水技术领域,公开了一种基于概率分布短时预报降水的方法及***,所述基于概率分布短时预报降水的***包括:云图采集模块、气象数据采集模块、数据传输模块、主控模块、降水概率生成模块、降水量估算模块、降水特征确定模块、数据显示模块。本发明通过降水量估算模块可以发挥多源数据的优势,获得精度更高更加置信的降雨量数据;同时,通过降水特征确定模利用雨量站的降雨量雨型特征矩阵以及时间特征矩阵,从时间和空间上来描述场次降雨的降雨量和暴雨中心的移动情况,从而利用数学矩阵,定量的刻画了降雨的时空分布特征,后续基于定量的描述场次降雨的数学矩阵,研究降雨的特征,从而提高了研究降雨特征的准确性和全面性。
Description
技术领域
本发明属于预报降水技术领域,尤其涉及一种基于概率分布短时预报降水的方法及***。
背景技术
天气预报(测)或气象预报(测)是使用现代科学技术对未来某一地点地球大气层的状态进行预测。天气预报主要是使用收集大量的数据(气温、湿度、风向和风速、气压等等),然后使用目前对大气过程的认识(气象学)来确定未来空气变化。我国中央气象台的卫星云图,就是从“风云一号”等气象卫星摄取的。利用卫星云图照片进行分析,能提高天气预报的准确率。天气预报就时效的长短通常分为三种:短期天气预报(2~3天)、中期天气预报(4~9天),长期天气预报(10~15天以上)。然而,现有短时预报降水采用单独使用一类数据进行降雨量估算,易引起估算结果随观测数据的误差而产生偏差,从而不利于为地质灾害监控,防汛抗旱等工作提供准确的数据支持;同时,实际降雨过程中,雨量站所在的区域与城区的其他区域的降雨特征可能各有差别,也即是,该城区的实际降雨过程与上述方法确定的降雨特征并不相符,从而导致上述降雨特征研究方法的准确性较差。
综上所述,现有技术存在的问题是:
(1)现有短时预报降水采用单独使用一类数据进行降雨量估算,易引起估算结果随观测数据的误差而产生偏差,从而不利于为地质灾害监控,防汛抗旱等工作提供准确的数据支持;同时,实际降雨过程中,雨量站所在的区域与城区的其他区域的降雨特征可能各有差别,也即是,该城区的实际降雨过程与上述方法确定的降雨特征并不相符,从而导致上述降雨特征研究方法的准确性较差。
(2)现有技术中采用传统的算法进行去噪,不能完全抑制噪声,导致不能够较好地保存下来变现原来信号的特征尖峰点,降低了去噪效果。
(3)现有技术中采用传统的算法对地球云图的图像处理过程中,不能有效避免去除边缘和角点等细节信息,降低了图像细节的清晰度,得不到可靠精确的数据。
(4)现有技术中采用传统的算法进行概率预报,不能有效提高拟合的效果,并且不能显著提升数值模式的在单站的预报技巧,降低了预报的准确率。
发明内容
针对现有技术存在的问题,本发明提供了一种基于概率分布短时预报降水的方法及***。
本发明是这样实现的,一种基于概率分布短时预报降水的方法,所述基于概率分布短时预报降水的方法包括:
第一步,采集地球云图数据、天气温度、湿度、风向、风速、气压数据信息;
第二步,将采集的各种数据传递到监控中心;
第三步,对采集的各种数据进行处理和储存,根据采集的各种数据,判断出降水的概率和降水量,确定降雨的特征,得出结果;根据采集的数据进行概率预报采用降水概率预报分类算法,具体过程如下:
步骤一,计算先验概率;将气象站相应时间的降水样本分为无和有两类,它们的先验概率f1和f2分别为:
式中n1,n2分别为是无雨和有雨的样本量;
步骤二,计算条件概率,将样本中22个预报因子(X=[x1,x2,x3,…,x21,x22]),采用下式进行标准化,公式为:
式中,g=1,2.;μk,g,σk,g分别是第k个预报因子在g类样本中平均值和匀方差;
假定各预报因子服从正态分布,计算22个预报因子在降水有、无中的条件概率rk,1和rk,2;
步骤三,样本分类,在越样本集中,隨构建30个个体基因位串,每个个体中为“1”基因保持在4到6个,将个体基因位串,作为Bayes分类器的预报因子,依据下式建立判别方程组:
将上述步骤得到的f1,f2,rk,g分别代入
得到判别值q1和q2,比较两者的大小,进而判别此次样本是否有降水发生,样本集中全部样本分类完毕;
第四步,利用显示器显示采集的云图、气象、降水概率、降水量、降水特征数据信息。
进一步,所述基于概率分布短时预报降水的方法通过气象卫星采集地球云图数据,对采集的图像信息进行处理,采用基于LIP模型的图像增强算法,具体过程如下:
对灰度函数进行归一补变换简化算法,灰度函数归一补变换定义,如下:
其中函数中f的值域定义在[0,M]区间,对于8bit图像,M=256,简化后的算法为:
其中和分别是原始的和处理后的灰度函数,α和β是实数,另外
然后将当作代入并求的逆运算得到f(i,j),即为增强后的图像。
进一步,所述基于概率分布短时预报降水的方法数据传输通过无线基站接收采集的数据并发送,采用小波阈值去噪算法,具体包括以下步骤:
步骤一,信号的小波分解:包括选取一种确定的小波基函数和确定最佳的小波分解层数N,对含躁信号f(t)实行N层小波分解,得到一组小波系数ωj,k;
步骤二,小波分解高频系数的阈值量化:根据一致阈值的量化准则,对第一到第N层的每一层高频系数,确定一适当的阈值,通过对ωj,k实行阈值量化处理,获得了估计小波系数并使尽量小;
步骤三,小波重构:由阈值量化处理以后的第1到第N层的高频小波系数ωj,k和第N层的低频小波系数实行小波逆变换,得到估计信号为即为去噪之后的信号。
本发明的另一目的在于提供一种实现所述基于概率分布短时预报降水的方法的基于概率分布短时预报降水的***,所述基于概率分布短时预报降水的***包括:
云图采集模块,与主控模块连接,用于通过气象卫星采集地球云图数据;
气象数据采集模块,与主控模块连接,用于通过气象站设备采集天气温度、湿度、风向、风速、气压等数据信息;
数据传输模块,与主控模块连接,用于通过无线基站接收采集的数据并发送到主控模块;
主控模块,与云图采集模块、气象数据采集模块、数据传输模块、降水概率生成模块、降水量估算模块、降水特征确定模块、数据显示模块连接,用于通过单片机接收采集的云图、气象数据,并控制各个模块正常工作;
降水概率生成模块,与主控模块连接,用于通过概率分布程序将气象数据生成多个速率概率,其中,所述多个速率概率中的每一个速率概率表示降水将以多个降水速率中的相应的降水速率在所述区域中发生的可能性;
降水量估算模块,与主控模块连接,用于通过估算程序根据气象数据估算降水量数据;
降水特征确定模块,与主控模块连接,用于通过特征分析程序根据降水量确定降水特征;
数据显示模块,与主控模块连接,用于通过显示器显示采集的云图、气象、降水概率、降水量、降水特征数据信息。
本发明的另一目的在于提供一种应用所述基于概率分布短时预报降水的方法的降水预报***。
本发明的优点及积极效果为:本发明通过降水量估算模块可以发挥多源数据的优势,获得精度更高更加置信的降雨量数据;本发明多种数据源融合分析的结果减少了由于某单类降雨信息的不准确带来的区域降雨量估算不确定性;为加强区域高精度灾害预警、规避洪涝风险或小流域暴雨洪水估算提供更为可靠的数据输入以及更丰富更精细化的建模数据;同时,通过降水特征确定模利用雨量站的降雨量雨型特征矩阵以及时间特征矩阵,从时间和空间上来描述场次降雨的降雨量和暴雨中心的移动情况,从而利用数学矩阵,定量的刻画了降雨的时空分布特征,后续基于定量的描述场次降雨的数学矩阵,研究降雨的特征,从而提高了研究降雨特征的准确性和全面性。
本发明中数据传输模块通过无线基站接收采集的数据并发送到主控模块的过程中,采用小波阈值去噪算法对信号进行去噪,能够完全抑制噪声,能够较好地保存下来变现原来信号的特征尖峰点,取得良好的去噪效果。
本发明中云图采集模块通过气象卫星采集地球云图数据过程中,采用基于LIP模型的图像增强算法对采集的图像信息进行处理,能够有效避免去除边缘和角点等细节信息,增强图像细节的清晰度,得到可靠精确的数据,提高降水的预报准确率。
本发明中主控模块根据采集的数据进行概率预报的过程中,采用降水概率预报分类算法进行概率预报,能有效提高拟合的效果,并且能显著提升数值模式的在单站的预报技巧,提高预报的准确率。
附图说明
图1是本发明实施例提供的基于概率分布短时预报降水的方法流程图。
图2是本发明实施例提供的基于概率分布短时预报降水的***结构示意图;
图中:1、云图采集模块;2、气象数据采集模块;3、数据传输模块;4、主控模块;5、降水概率生成模块;6、降水量估算模块;7、降水特征确定模块; 8、数据显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示,本发明提供的基于概率分布短时预报降水的方法包括以下步骤:
S101:首先,采集地球云图数据、天气温度、湿度、风向、风速、气压等数据信息;
S102:将上述采集的各种数据传递到监控中心;
S103:对采集的各种数据进行处理和储存,根据采集的各种数据,判断出降水的概率和降水量,确定降雨的特征,得出结果;
S104:利用显示器显示采集的云图、气象、降水概率、降水量、降水特征数据信息。
如图2所示,本发明实施例提供的基于概率分布短时预报降水的***包括:云图采集模块1、气象数据采集模块2、数据传输模块3、主控模块4、降水概率生成模块5、降水量估算模块6、降水特征确定模块7、数据显示模块8。
云图采集模块1,与主控模块4连接,用于通过气象卫星采集地球云图数据;
气象数据采集模块2,与主控模块4连接,用于通过气象站设备采集天气温度、湿度、风向、风速、气压等数据信息;
数据传输模块3,与主控模块4连接,用于通过无线基站接收采集的数据并发送到主控模块;
主控模块4,与云图采集模块1、气象数据采集模块2、数据传输模块3、降水概率生成模块5、降水量估算模块6、降水特征确定模块7、数据显示模块 8连接,用于通过单片机接收采集的云图、气象数据,并控制各个模块正常工作;
降水概率生成模块5,与主控模块4连接,用于通过概率分布程序将气象数据生成多个速率概率,其中,所述多个速率概率中的每一个速率概率表示降水将以多个降水速率中的相应的降水速率在所述区域中发生的可能性;
降水量估算模块6,与主控模块4连接,用于通过估算程序根据气象数据估算降水量数据;
降水特征确定模块7,与主控模块4连接,用于通过特征分析程序根据降水量确定降水特征;
数据显示模块8,与主控模块4连接,用于通过显示器显示采集的云图、气象、降水概率、降水量、降水特征数据信息。
所述云图采集模块1通过气象卫星采集地球云图数据过程中,需要对采集的图像信息进行处理,为了避免去除边缘和角点等细节信息,增强图像细节的清晰度,得到可靠精确的数据,提高降水的预报准确率,采用基于LIP模型的图像增强算法,具体过程如下:
对灰度函数进行归一补变换简化算法,灰度函数归一补变换定义,如下:
其中函数中f的值域定义在[0,M)区间,对于8bit图像,M=256,简化后的算法为:
其中和分别是原始的和处理后的灰度函数,α和β是实数,另外
然后将当作代入并求的逆运算得到f(i,j),即为增强后的图像。
所述数据传输模块3通过无线基站接收采集的数据并发送到主控模块的过程中,为了能够完全抑制噪声,能够较好地保存下来变现原来信号的特征尖峰点,取得良好的去噪效果,采用小波阈值去噪算法,具体包括以下步骤:
步骤一,信号的小波分解:包括选取一种确定的小波基函数和确定最佳的小波分解层数N,对含躁信号f(t)实行N层小波分解,得到一组小波系数ωj,k;
步骤二,小波分解高频系数的阈值量化:根据一致阈值的量化准则,对第一到第N层的每一层高频系数,确定一适当的阈值,通过对ωj,k实行阈值量化处理,获得了估计小波系数并使尽量小;
步骤三,小波重构:由阈值量化处理以后的第1到第N层的高频小波系数ωj,k和第N层的低频小波系数实行小波逆变换,得到估计信号为即为去噪之后的信号。
所述主控模块4根据采集的数据进行概率预报的过程中,为了提高拟合的效果,并且能显著提升数值模式的在单站的预报技巧,提高预报的准确率,采用降水概率预报分类算法,具体过程如下:
步骤一,计算先验概率;将气象站相应时间的降水样本分为无和有两类,它们的先验概率f1和f2分别为:
式中n1,n2分别为是无雨和有雨的样本量;
步骤二,计算条件概率,将样本中22个预报因子 (X=[x1,x2,x3,…,x21,x22]),采用下式进行标准化,公式为:
式中,g=1,2;μk,g,σk,g分别是第k个预报因子在g类样本中平均值和匀方差;
假定各预报因子服从正态分布,计算22个预报因子在降水有、无中的条件概率rk,1和rk,2;
步骤三,样本分类,在越样本集中,隨构建30个个体基因位串,每个个体中为“1”基因保持在4到6个,将这些个体基因位串,作为Bayes分类器的预报因子,依据下式建立判别方程组:
将上述步骤得到的f1,f2,rk,g分别代入
得到判别值q1和q2,比较两者的大小,进而判别此次样本是否有降水发生,样本集中全部样本分类完毕。
本发明提供的降水量估算模块6估算方法如下:
(1)通过气象卫星获取多源卫星降雨数据和研究区域内的地面站观测降雨数据;
(2)对多源卫星降雨数据进行预处理,包括:对多源卫星降雨数据进行格式统一、区域裁剪和尺度匹配,形成研究区域多源卫星降雨量数据体;
(3)将研究区域内的地面站观测降雨数据和研究区域多源卫星降雨量数据体相结合,构成研究区域多源数据集;
(4)采用所述研究区域多源数据集,利用地面站观测降雨数据作为约束,体现不同来源的卫星降雨数据对研究区域降雨量的影响权重,进而建立基于动态贝叶斯理论的研究区域的贝叶斯降雨预测模型;其中,所述贝叶斯降雨预测模型是权重将作为先验概率的多源卫星降雨数据转化为作为后验概率的地面站观测降雨数据的过程;
(5)目标动态训练样本提取:针对步骤(4)建立的贝叶斯降雨预测模型,利用地面站观测降雨数据作为训练样本,对步骤(4)建立的贝叶斯降雨预测模型进行训练,得到训练后的贝叶斯降雨预测模型;
(6)利用最大熵方法求取步骤(5)得到的训练后的贝叶斯降雨预测模型的非线性最优解,进而确定各个卫星数据源的最佳权重和不确定性信息;其中,最佳权重和不确定性随空间位置、时间的变化而变化,呈现动态性;
(7)基于卫星数据源的最佳权重和不确定性,生成研究区域内应用多源信息融合降雨量的估算结果。
本发明提供的多源卫星降雨数据是指来自于不同平台不同卫星类型的降雨数据;在获得原始的多源卫星降雨数据后,剔除异常值后,再进行格式统一、区域裁剪和尺度匹配处理。
本发明提供的步骤(2)中,所述格式统一的具体过程为:将多源卫星降雨数据的格式统一为二进制格式;其中,头文件中包括坐标范围和数据来源,文件体中包括对应位置的降雨量数据矩阵;
所述区域裁剪的具体过程为:从多源卫星降雨数据中裁剪出属于研究区域范围的多源卫星降雨数据,裁剪出的数据空间范围为矩形,其坐标范围由研究区域坐标的极值决定,即裁剪出的区域为包含研究区域的最小矩形;
所述尺度匹配的具体过程为:尺度匹配过程包括时刻统一和空间尺度统一;由于各种卫星降雨数据的监测时刻和空间分辨能力存在区别,因此,将研究区域范围的多源卫星降雨数据转化为时刻统一,空间网格一致的数据;
经过格式统一、区域裁剪和尺度匹配,将多源卫星降雨数据转化为格式统一,时间间隔和空间位置一致的数据体,由此形成研究区域内标准网格中各个时刻降雨量的多源卫星降雨量数据体。
本发明提供的降水特征确定模块7确定方法如下:
1)通过气象站设备获取待研究城区的多个雨量站中每个雨量站的降雨量雨型特征矩阵,所述降雨量雨型特征矩阵由每个雨量站在多个预设降雨时段的雨型指标组成;
2)获取所述多个雨量站的时间特征矩阵,所述时间特征矩阵由降雨量最大的预设降雨时段中最大降雨量出现的相对时间组成,所述出现的相对时间为每个雨量站的最大降雨量的出现时间与所有雨量站中最大降雨量最早出现的时间之差;
3)根据所述多个样本雨量站的样本降雨量雨型特征矩阵,通过第一预设聚类算法,确定所述每个样本雨量站的样本降雨类型;
4)根据所述每个样本雨量站的样本降雨类型,对所述每个雨量站的降雨量雨型特征矩阵进行模糊识别,得出所述每个雨量站所属的降雨类型;
5)根据所述多个雨量站的时间特征矩阵,通过第二预设聚类算法,统计所述多个雨量站在聚类后的最大降雨量出现的相对时间;
6)根据所述多个雨量站在聚类后的最大降雨量出现的相对时间和所述多个雨量站所属的降雨类型,确定所述待研究城区的降雨类型。
本发明提供的根据所述多个样本雨量站的样本降雨量雨型特征矩阵,通过第一预设聚类算法,确定所述每个样本雨量站的样本降雨类型,包括:
根据所述多个样本雨量站的样本降雨量雨型特征矩阵,通过第一预设聚类算法,确定多个样本雨量站的降雨量雨型特征聚类中心;
根据所述多个样本雨量站的降雨量雨型特征聚类中心,将所述多个样本雨量站按照降雨量雨型特征聚类中心进行分类,取每种类目中的多个样本雨量站在该类目的降雨量雨型特征聚类中心下的包络,根据取包络后的多类样本雨量站降雨量雨型特征聚类中心,确定所述每个样本雨量站的样本降雨类型。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (5)
1.一种基于概率分布短时预报降水的方法,其特征在于,所述基于概率分布短时预报降水的方法包括:
第一步,采集地球云图数据、天气温度、湿度、风向、风速、气压数据信息;
第二步,将采集的各种数据传递到监控中心;
第三步,对采集的各种数据进行处理和储存,根据采集的各种数据,判断出降水的概率和降水量,确定降雨的特征,得出结果;根据采集的数据进行概率预报采用降水概率预报分类算法,具体过程如下:
步骤一,计算先验概率;将气象站相应时间的降水样本分为无和有两类,它们的先验概率f1和f2分别为:
式中n1,n2分别为是无雨和有雨的样本量;
步骤二,计算条件概率,将样本中22个预报因子X=[x1,x2,x3,…,x21,x22]),采用下式进行标准化,公式为:
式中,g=1,2;μk·g,σk·g分别是第k个预报因子在g类样本中平均值和匀方差;
假定各预报因子服从正态分布,计算22个预报因子在降水有、无中的条件概率rk·1和rk·2;
步骤三,样本分类,在越样本集中,隨构建30个个体基因位串,每个个体中为“1”基因保持在4到6个,将个体基因位串,作为Bayes分类器的预报因子,依据下式建立判别方程组:
将上述步骤得到的f1,f2,rk·g分别代入
得到判别值q1和q2,比较两者的大小,进而判别此次样本是否有降水发生,样本集中全部样本分类完毕;
第四步,利用显示器显示采集的云图、气象、降水概率、降水量、降水特征数据信息。
2.如权利要求1所述的基于概率分布短时预报降水的方法,其特征在于,所述基于概率分布短时预报降水的方法通过气象卫星采集地球云图数据,对采集的图像信息进行处理,采用基于LIP模型的图像增强算法,具体过程如下:
对灰度函数进行归一补变换简化算法,灰度函数归一补变换定义,如下:
其中函数中f的值域定义在[0,M)区间,对于8bit图像,M=256,简化后的算法为:
其中和分别是原始的和处理后的灰度函数,α和β是实数,另外
然后将当作代入并求的逆运算得到f(i,j),即为增强后的图像。
3.如权利要求1所述的基于概率分布短时预报降水的方法,其特征在于,所述基于概率分布短时预报降水的方法数据传输通过无线基站接收采集的数据并发送,采用小波阈值去噪算法,具体包括以下步骤:
步骤一,信号的小波分解:包括选取一种确定的小波基函数和确定最佳的小波分解层数N,对含躁信号f(t)实行N层小波分解,得到一组小波系数ωj,k;
步骤二,小波分解高频系数的阈值量化:根据一致阈值的量化准则,对第一到第N层的每一层高频系数,确定一适当的阈值,通过对ωj,k实行阈值量化处理,获得了估计小波系数并使尽量小;
步骤三,小波重构:由阈值量化处理以后的第1到第N层的高频小波系数ωj,k和第N层的低频小波系数实行小波逆变换,得到估计信号为即为去噪之后的信号。
4.一种实现权利要求1所述基于概率分布短时预报降水的方法的基于概率分布短时预报降水的***,其特征在于,所述基于概率分布短时预报降水的***包括:
云图采集模块,与主控模块连接,用于通过气象卫星采集地球云图数据;
气象数据采集模块,与主控模块连接,用于通过气象站设备采集天气温度、湿度、风向、风速、气压等数据信息;
数据传输模块,与主控模块连接,用于通过无线基站接收采集的数据并发送到主控模块;
主控模块,与云图采集模块、气象数据采集模块、数据传输模块、降水概率生成模块、降水量估算模块、降水特征确定模块、数据显示模块连接,用于通过单片机接收采集的云图、气象数据,并控制各个模块正常工作;
降水概率生成模块,与主控模块连接,用于通过概率分布程序将气象数据生成多个速率概率,其中,所述多个速率概率中的每一个速率概率表示降水将以多个降水速率中的相应的降水速率在所述区域中发生的可能性;
降水量估算模块,与主控模块连接,用于通过估算程序根据气象数据估算降水量数据;
降水特征确定模块,与主控模块连接,用于通过特征分析程序根据降水量确定降水特征;
数据显示模块,与主控模块连接,用于通过显示器显示采集的云图、气象、降水概率、降水量、降水特征数据信息。
5.一种应用权利要求1~3任意一项所述基于概率分布短时预报降水的方法的降水预报***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910166319.4A CN109946762B (zh) | 2019-03-06 | 2019-03-06 | 一种基于概率分布短时预报降水的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910166319.4A CN109946762B (zh) | 2019-03-06 | 2019-03-06 | 一种基于概率分布短时预报降水的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109946762A true CN109946762A (zh) | 2019-06-28 |
CN109946762B CN109946762B (zh) | 2021-05-18 |
Family
ID=67008500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910166319.4A Expired - Fee Related CN109946762B (zh) | 2019-03-06 | 2019-03-06 | 一种基于概率分布短时预报降水的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109946762B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826810A (zh) * | 2019-11-13 | 2020-02-21 | 吉林农业大学 | 一种空间推理与机器学习相结合的区域降雨预测方法 |
CN110865425A (zh) * | 2019-11-28 | 2020-03-06 | 中国有色金属长沙勘察设计研究院有限公司 | 一种基于先验信息的雨量计粗差探测方法 |
CN111159640A (zh) * | 2019-11-20 | 2020-05-15 | 北京玖天气象科技有限公司 | 适用于网格预报的小雨消空方法、消空***、电子设备及存储介质 |
CN112800634A (zh) * | 2021-04-07 | 2021-05-14 | 水利部交通运输部国家能源局南京水利科学研究院 | 耦合干湿状态辨识与多源信息融合的降水估计方法及*** |
CN113033957A (zh) * | 2021-02-26 | 2021-06-25 | 兰州中心气象台(兰州干旱生态环境监测预测中心) | 一种多模式降水预报及实时动态检验评估*** |
CN113050195A (zh) * | 2021-02-07 | 2021-06-29 | 国家气象中心(中央气象台) | 一种小时分辨率降水过程辨识方法 |
CN113095590A (zh) * | 2021-04-29 | 2021-07-09 | 中国人民解放军国防科技大学 | 微波水平降雨场高时空分辨率重构分析与短临预测方法 |
CN114677059A (zh) * | 2022-05-26 | 2022-06-28 | 水利部交通运输部国家能源局南京水利科学研究院 | 集成时空指标的反演降水产品精度综合评估方法及*** |
CN117033935A (zh) * | 2023-08-03 | 2023-11-10 | 北京市市政工程设计研究总院有限公司广东分院 | 基于贝叶斯融合的统计与监测下的场降雨特征的预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036330A (zh) * | 2014-05-22 | 2014-09-10 | 南京信息工程大学 | 一种基于MapReduce的降雨量分类预测方法 |
CN106991278A (zh) * | 2017-03-21 | 2017-07-28 | 武汉大学 | 一种集合降水预报与实时洪水概率预报的耦合方法 |
-
2019
- 2019-03-06 CN CN201910166319.4A patent/CN109946762B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036330A (zh) * | 2014-05-22 | 2014-09-10 | 南京信息工程大学 | 一种基于MapReduce的降雨量分类预测方法 |
CN106991278A (zh) * | 2017-03-21 | 2017-07-28 | 武汉大学 | 一种集合降水预报与实时洪水概率预报的耦合方法 |
Non-Patent Citations (1)
Title |
---|
韩焱红: "《基于贝叶斯理论的集合降水概率预报方法研究》", 《气象》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826810A (zh) * | 2019-11-13 | 2020-02-21 | 吉林农业大学 | 一种空间推理与机器学习相结合的区域降雨预测方法 |
CN110826810B (zh) * | 2019-11-13 | 2022-07-15 | 吉林农业大学 | 一种空间推理与机器学习相结合的区域降雨预测方法 |
CN111159640A (zh) * | 2019-11-20 | 2020-05-15 | 北京玖天气象科技有限公司 | 适用于网格预报的小雨消空方法、消空***、电子设备及存储介质 |
CN110865425B (zh) * | 2019-11-28 | 2021-10-26 | 中国有色金属长沙勘察设计研究院有限公司 | 一种基于先验信息的雨量计粗差探测方法 |
CN110865425A (zh) * | 2019-11-28 | 2020-03-06 | 中国有色金属长沙勘察设计研究院有限公司 | 一种基于先验信息的雨量计粗差探测方法 |
CN113050195B (zh) * | 2021-02-07 | 2022-07-15 | 国家气象中心(中央气象台) | 一种小时分辨率降水过程辨识方法 |
CN113050195A (zh) * | 2021-02-07 | 2021-06-29 | 国家气象中心(中央气象台) | 一种小时分辨率降水过程辨识方法 |
CN113033957A (zh) * | 2021-02-26 | 2021-06-25 | 兰州中心气象台(兰州干旱生态环境监测预测中心) | 一种多模式降水预报及实时动态检验评估*** |
CN113033957B (zh) * | 2021-02-26 | 2023-10-27 | 兰州中心气象台(兰州干旱生态环境监测预测中心) | 一种多模式降水预报及实时动态检验评估*** |
CN112800634B (zh) * | 2021-04-07 | 2021-06-25 | 水利部交通运输部国家能源局南京水利科学研究院 | 耦合干湿状态辨识与多源信息融合的降水估计方法及*** |
CN112800634A (zh) * | 2021-04-07 | 2021-05-14 | 水利部交通运输部国家能源局南京水利科学研究院 | 耦合干湿状态辨识与多源信息融合的降水估计方法及*** |
CN113095590A (zh) * | 2021-04-29 | 2021-07-09 | 中国人民解放军国防科技大学 | 微波水平降雨场高时空分辨率重构分析与短临预测方法 |
CN113095590B (zh) * | 2021-04-29 | 2022-04-29 | 中国人民解放军国防科技大学 | 微波水平降雨场高时空分辨率重构分析与短临预测方法 |
CN114677059A (zh) * | 2022-05-26 | 2022-06-28 | 水利部交通运输部国家能源局南京水利科学研究院 | 集成时空指标的反演降水产品精度综合评估方法及*** |
CN114677059B (zh) * | 2022-05-26 | 2022-08-23 | 水利部交通运输部国家能源局南京水利科学研究院 | 集成时空指标的反演降水产品精度综合评估方法及*** |
CN117033935A (zh) * | 2023-08-03 | 2023-11-10 | 北京市市政工程设计研究总院有限公司广东分院 | 基于贝叶斯融合的统计与监测下的场降雨特征的预测方法 |
CN117033935B (zh) * | 2023-08-03 | 2024-02-23 | 北京市市政工程设计研究总院有限公司 | 基于贝叶斯融合的统计与监测下的场降雨特征的预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109946762B (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109946762A (zh) | 一种基于概率分布短时预报降水的方法及*** | |
WO2022016884A1 (zh) | 一种基于K-means聚类算法的海面风速方法 | |
CN113936142B (zh) | 一种基于深度学习的降水临近预报方法及装置 | |
CN111666656A (zh) | 基于微波雨衰的降雨估算方法及降雨监测*** | |
Zhou et al. | Individual tree parameters estimation for plantation forests based on UAV oblique photography | |
CN111401602B (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
CN111210483B (zh) | 基于生成对抗网络和数值模式产品的仿真卫星云图生成方法 | |
CN109165693B (zh) | 一种适用于露、霜和结冰的天气现象的自动判识方法 | |
CN112232554A (zh) | 一种基于bp神经网络的局域短临降水预报模型的构建方法 | |
CN109255100A (zh) | 一种基于微波衰减特征响应指纹识别的城市降雨反演算法 | |
Gagne et al. | Day-ahead hail prediction integrating machine learning with storm-scale numerical weather models | |
CN105069295A (zh) | 基于卡尔曼滤波的卫星以及地面降水测量值同化方法 | |
CN103235890A (zh) | 卫星短时临近降水预报***及降水预报方法 | |
CN105974495A (zh) | 利用分类拟合法预判目标区域未来平均云量的方法 | |
CN115357847A (zh) | 一种基于误差分解的日尺度星地降水融合方法 | |
CN114880933A (zh) | 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及*** | |
CN117725448A (zh) | 气象导航信号特征的聚类分析方法 | |
CN110516552B (zh) | 一种基于时序曲线的多极化雷达图像分类方法及*** | |
CN116609858A (zh) | 一种基于可解释性XGBoost模型的热带气旋大气波导预测方法及*** | |
McCollum et al. | Microwave rainfall estimation over coasts | |
Guo et al. | Correction of sea surface wind speed based on SAR rainfall grade classification using convolutional neural network | |
CN110826526A (zh) | 一种测云雷达识别云类的方法 | |
CN117710508A (zh) | 基于改进条件生成对抗网络的近地表温度反演方法和装置 | |
CN114254692A (zh) | 基于多源闪电数据的多尺度的雷暴智能分类与识别方法 | |
CN112347926B (zh) | 基于建筑形态分布的高分辨率影像城中村检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP02 | Change in the address of a patent holder |
Address after: 401520 No.1 holiday Avenue, Hechuan District, Chongqing Patentee after: COLLEGE OF MOBILE TELECOMMUNICATIONS CHONGQING University OF POSTS AND TELECOMMUNICATIONS Address before: 401520 No.1 holiday Avenue, Hechuan District, Shapingba District, Chongqing Patentee before: COLLEGE OF MOBILE TELECOMMUNICATIONS CHONGQING University OF POSTS AND TELECOMMUNICATIONS |
|
CP02 | Change in the address of a patent holder | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210518 |
|
CF01 | Termination of patent right due to non-payment of annual fee |