CN112232674A - 一种气象灾害评估方法、装置和*** - Google Patents
一种气象灾害评估方法、装置和*** Download PDFInfo
- Publication number
- CN112232674A CN112232674A CN202011112096.2A CN202011112096A CN112232674A CN 112232674 A CN112232674 A CN 112232674A CN 202011112096 A CN202011112096 A CN 202011112096A CN 112232674 A CN112232674 A CN 112232674A
- Authority
- CN
- China
- Prior art keywords
- data
- thunderstorm
- weather
- clustering
- assessment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000002310 reflectometry Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000002790 cross-validation Methods 0.000 claims abstract description 14
- 238000002592 echocardiography Methods 0.000 claims abstract description 11
- 238000013213 extrapolation Methods 0.000 claims description 50
- 238000011156 evaluation Methods 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 10
- 238000011157 data evaluation Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication 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
- 238000012545 processing Methods 0.000 description 3
- 238000006424 Flood reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种气象灾害评估方法、装置和***,该方法包括:获取强对流气象实况数据,并基于强对流气象实况数据生成气象灾害评估数据包;通过交叉验证,对气象灾害评估数据包中设定时长的雷电聚类数据和雷达基本反射率因子拼图数据进行匹配分析,以设定间隔分析雷达回波与雷电聚类中心的相关关系数据;基于相关关系数据判断雷电实时聚类数据的准确性,并在判定准确性低于阈值时发出报警信号。从而解决了现有技术中气象灾害监测准确性较低的技术问题。
Description
技术领域
本申请实施例涉及天气预报技术领域,具体涉及一种气象灾害评估方法、装置和***。
背景技术
目前对天气预报已经进行了很多相关的研究。由于气象灾害的特殊性,对其预报的难度则相应增加。如何综合各项数据、持续优化改进气象灾害评估和预报的技术方案还有很大的提升空间。
发明内容
为此,本申请实施例提供一种气象灾害评估装置,对气象灾害进行分析和评估,并对评估中存在的问题进行改进,从而至少部分解决现有技术中气象灾害监测准确性较低的技术问题。
为了实现上述目的,本申请实施例提供如下技术方案:
一种气象灾害评估方法,所述方法包括:
获取强对流气象实况数据;
基于强对流气象实况数据生成气象灾害评估数据包;
通过交叉验证,对气象灾害评估数据包中设定时长的雷电聚类数据和雷达基本反射率因子拼图数据进行匹配分析,以设定间隔分析雷达回波与雷电聚类中心的相关关系数据;
基于相关关系数据判断雷电实时聚类数据的准确性,并在判定准确性低于阈值时发出报警信号。
进一步地,所述方法还包括:
对外推结果及实际发生的位置进行检验,对气象灾害评估数据包中雷暴外推数据与真实发生的定位数据做对比;
基于对比结果得到雷暴外推结果的命中率与虚警率。
进一步地,所述方法还包括:
基于当前气象实况数据生成评估阈值;
根据所述评估阈值评估冰雹指数在不同阈值区间的命中率、漏报率和虚警率。
进一步地,所述方法还包括:
将所述气象灾害评估数据包导入灾情直报***,以便所述灾情直报***能够自动收集台风、冰雹、中气旋、雾霾、降雪、洪涝天气的相关气象灾害数据;按照观测产品体系进行分类,描述每一次天气过程的影响,并列出每类产品的个例数据量信息。
本发明还提供一种气象灾害评估装置,所述装置包括:
产品检验模块,所述产品检验模块用于获取强对流气象实况数据,并基于强对流气象实况数据生成气象灾害评估数据包;
强对流气象实况数据评估模块,所述强对流气象实况数据评估模块用于通过交叉验证,对气象灾害评估数据包中设定时长的雷电聚类数据和雷达基本反射率因子拼图数据进行匹配分析,以设定间隔分析雷达回波与雷电聚类中心的相关关系数据;并基于相关关系数据判断雷电实时聚类数据的准确性,并在判定准确性低于阈值时发出报警信号。
进一步地,所述强对流气象实况数据评估模块包括雷暴模块,所述雷暴模块包括雷暴聚类评估模块,所述雷暴聚类评估模块用于通过交叉验证,应用设定时长的雷电聚类产品和雷达基本反射率因子拼图数据进行匹配分析,以设定间隔分析雷达回波与雷电聚类中心的相关关系,判断雷电实时聚类产品的准确性。
进一步地,所述雷暴模块还包括雷暴外推评估模块,所述雷暴外推评估模块用对外推结果及实际发生的位置进行检验,使用雷暴外推数据与真实发生的定位数据做对比,计算雷暴外推结果的命中率与虚警率。
进一步地,所述强对流气象实况数据评估模块还包括冰雹模块,所述冰雹模块用于利用不同的阈值评估冰雹指数在不同阈值区间的命中率、漏报率和虚警率。
进一步地,所述雷暴聚类评估模块还用于:当雷暴聚类中心无雷达基本反射率因子结果,判定为匹配失败,统计总体匹配成功率并画出雷暴聚类中心与雷达基本反射率因子匹配的统计结果;
且/或,所述雷暴外推评估模块具体用于:
在计算命中率与虚警率时,提取若干次质心雷暴外推数据结果,按0.1度为格距使雷暴外推结果网格化,对比对应时次的设定时长定位数据与雷暴外推网格的匹配情况,计算出每个雷暴外推结果数据的命中率与虚警率。
本发明还提供一种气象灾害评估***,所述***包括:数据采集装置、处理器和存储器;
所述数据采集装置用于采集数据;所述存储器用于存储一个或多个程序指令;所述处理器,用于执行一个或多个程序指令,用以执行如上所述的方法。
综上所述,本申请实施例提供了一种气象灾害评估方法、装置和***,通过获取强对流气象实况数据,并基于强对流气象实况数据生成气象灾害评估数据包;而后通过交叉验证,对气象灾害评估数据包中设定时长的雷电聚类数据和雷达基本反射率因子拼图数据进行匹配分析,以设定间隔分析雷达回波与雷电聚类中心的相关关系数据;基于相关关系数据判断雷电实时聚类数据的准确性,并在判定准确性低于阈值时发出报警信号。强对流气象实况数据评估模块这样,通过对强对流气象数据的实时采集,实现对雷暴、冰雹、降雪、洪涝等气象灾害的分析和评估,并对评估中存在的问题进行实时修正,以便及时改进相关产品算法,从而提高了气象灾害评估的准确性。从而解决了现有技术中气象灾害监测准确性较低的技术问题。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对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,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本申请实施例提供的一种气象灾害评估方法的流程图;
图2为本申请实施例提供的一种气象灾害评估方法在一种具体场景中的流程图;
图3为本申请实施例提供的一种气象灾害评估装置的结构框图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,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。
本发明所提供的气象灾害评估方法、装置和***,通过对强对流气象数据的实时采集,实现对雷暴、冰雹、降雪、洪涝等气象灾害的分析和评估,并对评估中存在的问题进行实时修正,以便及时改进相关数据,从而提高了气象灾害评估的准确性。
在一种具体实施方式中,如图1所示,本发明所提供的气象灾害评估方法,包括以下步骤:
S1:获取强对流气象实况数据;具体地,这些强对流气象实况数据可以为任何对流天气,例如暴雨、雷电、冰雹、台风等。
S2:基于强对流气象实况数据生成气象灾害评估数据包;在实际实施过程中,强对流气象实况数据可以为任一种对流天气,也可以为任意多种对流天气的组合,这些一种或多种对流天气的组合形成数据包,用于后续评估。应当理解的是,数据包中所包含的数据应该是基于当地气象条件确定的,需要具有针对性;例如在沿海地区,数据包可包含暴雨、台风等对流天气;在山区,数据包可包含容易引发泥石流的暴雨、雷电等对流天气。
S3:通过交叉验证,对气象灾害评估数据包中设定时长的雷电聚类数据和雷达基本反射率因子拼图数据进行匹配分析,以设定间隔分析雷达回波与雷电聚类中心的相关关系数据;或者,对外推结果及实际发生的位置进行检验,对气象灾害评估数据包中雷暴外推数据与真实发生的定位数据做对比,基于对比结果得到雷暴外推结果的命中率与虚警率。
S4:基于相关关系数据判断雷电实时聚类数据的准确性,并在判定准确性低于阈值时发出报警信号。
进一步地,所述方法还包括:
基于当前气象实况数据生成评估阈值;
根据所述评估阈值评估冰雹指数在不同阈值区间的命中率、漏报率和虚警率。
为了提升强对流监测产品的准确性,所述方法还包括:
将所述气象灾害评估数据包导入灾情直报***,以便所述灾情直报***能够自动收集台风、冰雹、中气旋、雾霾、降雪、洪涝天气的相关气象灾害数据;
按照观测产品体系进行分类,描述每一次天气过程的影响,并列出每类产品的个例数据量信息。
进一步地,在一个实现场景中,以雷暴聚类产品为例,如图2所示,该气象灾害评估方法包括以下步骤:
S100:获取雷暴聚类产品数据和全国天气雷达基本反射率拼图数据;
S200:建立雷暴聚类产品数据和雷达基本反射率拼图数据的时空匹配模型,通过交叉检验,生成雷暴聚类中心与雷达基本反射率因子匹配结果;
S300:根据雷电活动发生规律和产品质量情况,建立雷暴聚类产品质量评估标准,基于匹配结果判断雷暴聚类产品的准确性,出具产品质量评估报告,提出产品质量改进方法。
在上述具体实施方式中,本发明所提供的气象灾害评估方法,通过获取强对流气象实况数据,并基于强对流气象实况数据生成气象灾害评估数据包;而后通过交叉验证,对气象灾害评估数据包中设定时长的雷电聚类数据和雷达基本反射率因子拼图数据进行匹配分析,以设定间隔分析雷达回波与雷电聚类中心的相关关系数据;基于相关关系数据判断雷电实时聚类数据的准确性,并在判定准确性低于阈值时发出报警信号。这样,通过对强对流气象数据的实时采集,实现对雷暴、冰雹、降雪、洪涝等气象灾害的分析和评估,并对评估中存在的问题进行实时修正,以便及时改进相关产品算法,从而提高了气象灾害评估的准确性,进而解决了现有技术中气象灾害监测准确性较低的技术问题。
除了上述方法,本发明还提供一种气象灾害评估装置,在一种具体实施方式中,如图3所示,该装置包括:产品检验模块1和强对流气象实况数据评估模块2,其中,产品检验模块用于获取强对流气象实况数据,并基于强对流气象实况数据生成气象灾害评估数据包;所述强对流气象实况数据评估模块用于通过交叉验证,对气象灾害评估数据包中设定时长的雷电聚类数据和雷达基本反射率因子拼图数据进行匹配分析,以设定间隔分析雷达回波与雷电聚类中心的相关关系数据;并基于相关关系数据判断雷电实时聚类数据的准确性,并在判定准确性低于阈值时发出报警信号。
具体地,所述强对流气象实况数据评估模块12包括雷暴模块121和冰雹模块122,所述雷暴模块121包括雷暴聚类评估模块1211和雷暴外推评估模块1212,所述雷暴聚类评估模块1211用于通过交叉验证,应用设定时长的雷电聚类产品和雷达基本反射率因子拼图数据进行匹配分析,以设定间隔分析雷达回波与雷电聚类中心的相关关系,判断雷电实时聚类产品的准确性;所述雷暴外推评估模块1212用于通过类似TS评分方法对外推结果及实际发生的位置进行检验,使用雷暴外推数据与真实发生的定位数据做对比,计算雷暴外推结果的命中率与虚警率;所述冰雹模块用于利用不同的阈值评估冰雹在不同阈值区间的命中率、漏报率和虚警率。
在实际使用过程中,还可以根据当地气象情况,扩充实况数据的类型,以涵盖更多的气象灾害情况。例如,所述强对流气象实况数据评估模块2包括台风模块21、冰雹模块22、中气旋模块23、雾霾模块24、降雪模块25和洪涝模块26等。并且,为了实现及时预警,该***还可以接入灾情直报***,也就是说将将所述气象灾害评估数据包导入灾情直报***,使得数据包中收集的台风、冰雹、中气旋、雾霾、降雪、洪涝天气相关产品数据同步导入灾情直报***,并且按照观测产品体系进行分类,描述每一次天气过程的影响,列出每类产品的个例数据量信息。
在一种可能的实施方式中,具体地,所述雷暴聚类评估模块还1211用于:当雷暴聚类中心无雷达基本反射率因子结果,判定为匹配失败,统计总体匹配成功率并画出雷暴聚类中心与雷达基本反射率因子匹配的统计结果。所述雷暴外推评估模块1212具体用于:在计算命中率与虚警率时,提取若干次质心雷暴外推数据结果,按0.1度为格距使雷暴外推结果网格化,对比对应时次的设定时长定位数据与雷暴外推网格的匹配情况,计算出每个雷暴外推结果数据的命中率与虚警率。
为了便于理解,以下对本申请实施例提供的气象灾害评估方法适用的装置进行举例描述。
基于本申请实施例提供的气象灾害评估装置,包括、“产品检验”、“强对流气象实况数据评估模块”、两大主体功能区。对左侧分类选择切换时,可以将对应结果显示到展示区,并且操作区中显示对应的图例,通过时间选择功能可以同步切换地图上相关产品评估结果对应的时间,页面提供评估指标阈值选择、不同产品评估对比分析等功能。
其中,强对流气象实况数据,评估模块包括“雷暴”、“冰雹”等评估产品。其中,
(1)雷暴-聚类评估
评估方法采用交叉验证,应用实10分钟时雷电聚类产品和10分钟雷达基本反射率因子拼图数据进行匹配分析,以5dBZ为间隔分析雷达回波与雷电聚类中心的相关关系,判断雷电实时聚类产品的准确性,如果雷暴聚类中心无雷达基本反射率因子结果,视为匹配失败,统计总体匹配成功率并画出雷暴聚类中心与雷达基本反射率因子匹配的统计结果。
通过选择“雷暴”选项,默认打开“聚类评估”展示全国分省份匹配成功率。鼠标悬停时显示成功率、样本量、匹配样本量等信息。
鼠标单击省份时,展示“雷暴聚类与反射率因子相关性”,通过图表的形式显示时间范围内该省份的国家雷电监测网和中科院闪电数据过去12个月的月匹配成功率,通过调整时间展示不同时间范围该省份的匹配成功率信息。
鼠标单击“月份”时,展示“雷暴聚类与反射率因子相关性”,通过图表的形式显示时间范围内该省份的国家雷电监测网和中科院闪电数据该月每5dBZ的匹配量,通过调整时间展示不同时间范围该省份的匹配量信息。
(2)雷暴-外推评估
由于外推是属于预测类数据,故采用类似TS评分的方法对外推结果及实际发生的位置进行检验,使用雷暴外推数据与真实发生的定位数据做对比,计算雷暴外推结果的命中率与虚警率。
在计算命中率与虚警率时,提取三次质心雷暴外推数据结果,按0.1度为格距使雷暴外推结果网格化,对比对应时次的十分钟定位数据与雷暴外推网格的匹配情况,计算出每个雷暴外推结果数据的命中率与虚警率。
通过选择“雷暴”选项,再选择“外推评估”展示雷暴外推的TS评分,通过选择“命中”、“漏报”展示不同时次的命中率或漏报率。
选择“月评估”,展示分地区按自然月的命中率或漏报率。
单击地图上省份,弹出“外推评估”每天的评估评估情况。
通过单击“近实时”,再地图中展示最近时次的外推圈位置,显示命中率或漏报率。
(3)冰雹
利用不同的阈值,对冰雹监测产品预报评分(POD,MAR和FAR)。选择不同的冰雹指数作为“识别警报”,利用灾情直报数据与地面日值数据作为真实发生的冰雹过程,目前冰雹评估采用的指数阈值为15,评估冰雹指数不同阈值区间的命中率,漏报率和虚警率。
通过选择“冰雹”选项,默认展示一段时间内的“命中”、“漏报”、“虚警”评估信息。
在上述具体实施方式中,本发明所提供的气象灾害评估装置,通过获取强对流气象实况数据,并基于强对流气象实况数据生成气象灾害评估数据包;而后通过交叉验证,对气象灾害评估数据包中设定时长的雷电聚类数据和雷达基本反射率因子拼图数据进行匹配分析,以设定间隔分析雷达回波与雷电聚类中心的相关关系数据;基于相关关系数据判断雷电实时聚类数据的准确性,并在判定准确性低于阈值时发出报警信号。这样,通过对强对流气象数据的实时采集,实现对雷暴、冰雹、降雪、洪涝等气象灾害的分析和评估,并对评估中存在的问题进行实时修正,以便及时改进相关产品算法,从而提高了气象灾害评估的准确性,进而解决了现有技术中气象灾害监测准确性较低的技术问题。
基于相同的技术构思,本申请实施例还提供了一种气象灾害评估装置,所述装置包括:数据采集装置、处理器和存储器;所述数据采集装置用于采集数据;所述存储器用于存储一个或多个程序指令;所述处理器,用于执行一个或多个程序指令,用以执行上述方法。
本说明书中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。
需要说明的是,尽管在附图中以特定顺序描述了本发明方法的操作,但这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
虽然本申请提供了如实施例或流程图的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
上述实施例阐明的单元、装置或模块等,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置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***,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,装置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。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件装置的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,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,移动终端,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。本申请可用于众多通用或专用的计算机***环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。
以上所述的具体实施例,对本申请的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本申请的具体实施例而已,并不用于限定本申请的保护范围,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种气象灾害评估方法,其特征在于,所述方法包括:
获取强对流气象实况数据;
基于强对流气象实况数据生成气象灾害评估数据包;
通过交叉验证,对气象灾害评估数据包中设定时长的雷电聚类数据和雷达基本反射率因子拼图数据进行匹配分析,以设定间隔分析雷达回波与雷电聚类中心的相关关系数据;
基于相关关系数据判断雷电实时聚类数据的准确性,并在判定准确性低于阈值时发出报警信号。
2.根据权利要求1所述的气象灾害评估方法,其特征在于,所述方法还包括:
对外推结果及实际发生的位置进行检验,对气象灾害评估数据包中雷暴外推数据与真实发生的定位数据做对比;
基于对比结果得到雷暴外推结果的命中率与虚警率。
3.根据权利要求2所述的气象灾害评估方法,其特征在于,所述方法还包括:
基于当前气象实况数据生成评估阈值;
根据所述评估阈值评估冰雹指数在不同阈值区间的命中率、漏报率和虚警率。
4.根据权利要求3所述的气象灾害评估方法,其特征在于,所述方法还包括:
将所述气象灾害评估数据包导入灾情直报***,以便所述灾情直报***能够自动收集台风、冰雹、中气旋、雾霾、降雪、洪涝天气的相关气象灾害数据;
按照观测产品体系进行分类,描述每一次天气过程的影响,并列出每类产品的个例数据量信息。
5.一种气象灾害评估装置,其特征在于,所述装置包括:
产品检验模块,所述产品检验模块用于获取强对流气象实况数据,并基于强对流气象实况数据生成气象灾害评估数据包;
强对流气象实况数据评估模块,所述强对流气象实况数据评估模块用于通过交叉验证,对气象灾害评估数据包中设定时长的雷电聚类数据和雷达基本反射率因子拼图数据进行匹配分析,以设定间隔分析雷达回波与雷电聚类中心的相关关系数据;并基于相关关系数据判断雷电实时聚类数据的准确性,并在判定准确性低于阈值时发出报警信号。
6.根据权利要求5所述的气象灾害评估装置,其特征在于,强对流气象实况数据评估模块所述强对流气象实况数据评估模块包括雷暴模块,所述雷暴模块包括雷暴聚类评估模块,所述雷暴聚类评估模块用于通过交叉验证,应用设定时长的雷电聚类产品和雷达基本反射率因子拼图数据进行匹配分析,以设定间隔分析雷达回波与雷电聚类中心的相关关系,判断雷电实时聚类产品的准确性。
7.根据权利要求6所述的气象灾害评估装置,其特征在于,所述雷暴模块还包括雷暴外推评估模块,所述雷暴外推评估模块用对外推结果及实际发生的位置进行检验,使用雷暴外推数据与真实发生的定位数据做对比,计算雷暴外推结果的命中率与虚警率。
8.如权利要求8所述的气象灾害评估装置,其特征在于,所述雷暴聚类评估模块还用于:当雷暴聚类中心无雷达基本反射率因子结果,判定为匹配失败,统计总体匹配成功率并画出雷暴聚类中心与雷达基本反射率因子匹配的统计结果;
且/或,所述雷暴外推评估模块具体用于:
在计算命中率与虚警率时,提取若干次质心雷暴外推数据结果,按0.1度为格距使雷暴外推结果网格化,对比对应时次的设定时长定位数据与雷暴外推网格的匹配情况,计算出每个雷暴外推结果数据的命中率与虚警率。
9.根据权利要求8所述的气象灾害评估装置,其特征在于,所述强对流气象实况数据评估模块还包括冰雹模块,所述冰雹模块用于利用不同的阈值评估冰雹指数在不同阈值区间的命中率、漏报率和虚警率。
10.一种气象灾害评估***,其特征在于,所述***包括:数据采集装置、处理器和存储器;
所述数据采集装置用于采集数据;所述存储器用于存储一个或多个程序指令;所述处理器,用于执行一个或多个程序指令,用以执行如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011112096.2A CN112232674B (zh) | 2020-10-16 | 2020-10-16 | 一种气象灾害评估方法、装置和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011112096.2A CN112232674B (zh) | 2020-10-16 | 2020-10-16 | 一种气象灾害评估方法、装置和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232674A true CN112232674A (zh) | 2021-01-15 |
CN112232674B CN112232674B (zh) | 2021-12-07 |
Family
ID=74117780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011112096.2A Active CN112232674B (zh) | 2020-10-16 | 2020-10-16 | 一种气象灾害评估方法、装置和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232674B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114397636A (zh) * | 2022-03-25 | 2022-04-26 | 中国气象局气象探测中心 | 一种地基雷达反射率因子均一性评估方法、***及设备 |
CN117909703A (zh) * | 2024-03-18 | 2024-04-19 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 基于告警阈值触发的数据质量评估方法及*** |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102662172A (zh) * | 2012-03-29 | 2012-09-12 | 天津大学 | 一种基于多普勒雷达反射率图像的风暴云团的外推方法 |
CN102721987A (zh) * | 2012-06-12 | 2012-10-10 | 中国海洋大学 | 多普勒雷达遥感强风暴的预警方法 |
CN103337133A (zh) * | 2013-06-14 | 2013-10-02 | 广东电网公司中山供电局 | 基于识别预报技术的电网雷暴灾害预警***及方法 |
CN104977584A (zh) * | 2015-06-29 | 2015-10-14 | 深圳市气象台 | 一种对流天气的临近预报方法及*** |
CN106526708A (zh) * | 2016-09-21 | 2017-03-22 | 广东奥博信息产业有限公司 | 一种基于机器学习的气象强对流天气的智能预警分析方法 |
US20180031735A1 (en) * | 2016-08-01 | 2018-02-01 | International Business Machines Corporation | Temporal bias correction in wind forecasting |
CN109917394A (zh) * | 2019-03-13 | 2019-06-21 | 南京信息工程大学 | 一种基于天气雷达的短临智能外推方法 |
CN110346844A (zh) * | 2019-07-15 | 2019-10-18 | 南京恩瑞特实业有限公司 | Nriet基于云分类和机器学习的定量降水估测方法 |
US20190354888A1 (en) * | 2018-05-15 | 2019-11-21 | Medidata Solutions, Inc. | System and method for predicting subject enrollment |
CN110488297A (zh) * | 2019-08-30 | 2019-11-22 | 成都信息工程大学 | 一种复杂地形区域雹暴的预警方法 |
CN110501760A (zh) * | 2019-07-29 | 2019-11-26 | 中国气象局广州热带海洋气象研究所(广东省气象科学研究所) | 一种基于气象雷达的冰雹识别及临近预报方法 |
CN110967695A (zh) * | 2019-10-28 | 2020-04-07 | 兰州大方电子有限责任公司 | 一种基于深度学习的雷达回波外推短临预报方法 |
-
2020
- 2020-10-16 CN CN202011112096.2A patent/CN112232674B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102662172A (zh) * | 2012-03-29 | 2012-09-12 | 天津大学 | 一种基于多普勒雷达反射率图像的风暴云团的外推方法 |
CN102721987A (zh) * | 2012-06-12 | 2012-10-10 | 中国海洋大学 | 多普勒雷达遥感强风暴的预警方法 |
CN103337133A (zh) * | 2013-06-14 | 2013-10-02 | 广东电网公司中山供电局 | 基于识别预报技术的电网雷暴灾害预警***及方法 |
CN104977584A (zh) * | 2015-06-29 | 2015-10-14 | 深圳市气象台 | 一种对流天气的临近预报方法及*** |
WO2018025108A1 (en) * | 2016-08-01 | 2018-02-08 | International Business Machines Corporation | Temporal bias correction in wind forecasting |
US20180031735A1 (en) * | 2016-08-01 | 2018-02-01 | International Business Machines Corporation | Temporal bias correction in wind forecasting |
CN106526708A (zh) * | 2016-09-21 | 2017-03-22 | 广东奥博信息产业有限公司 | 一种基于机器学习的气象强对流天气的智能预警分析方法 |
US20190354888A1 (en) * | 2018-05-15 | 2019-11-21 | Medidata Solutions, Inc. | System and method for predicting subject enrollment |
CN109917394A (zh) * | 2019-03-13 | 2019-06-21 | 南京信息工程大学 | 一种基于天气雷达的短临智能外推方法 |
CN110346844A (zh) * | 2019-07-15 | 2019-10-18 | 南京恩瑞特实业有限公司 | Nriet基于云分类和机器学习的定量降水估测方法 |
CN110501760A (zh) * | 2019-07-29 | 2019-11-26 | 中国气象局广州热带海洋气象研究所(广东省气象科学研究所) | 一种基于气象雷达的冰雹识别及临近预报方法 |
CN110488297A (zh) * | 2019-08-30 | 2019-11-22 | 成都信息工程大学 | 一种复杂地形区域雹暴的预警方法 |
CN110967695A (zh) * | 2019-10-28 | 2020-04-07 | 兰州大方电子有限责任公司 | 一种基于深度学习的雷达回波外推短临预报方法 |
Non-Patent Citations (1)
Title |
---|
李雁等: "地面自动气象观测设备运行状态信息检测技术", 《气象科技》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114397636A (zh) * | 2022-03-25 | 2022-04-26 | 中国气象局气象探测中心 | 一种地基雷达反射率因子均一性评估方法、***及设备 |
CN114397636B (zh) * | 2022-03-25 | 2022-06-17 | 中国气象局气象探测中心 | 一种地基雷达反射率因子均一性评估方法、***及设备 |
CN117909703A (zh) * | 2024-03-18 | 2024-04-19 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 基于告警阈值触发的数据质量评估方法及*** |
CN117909703B (zh) * | 2024-03-18 | 2024-05-31 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 基于告警阈值触发的数据质量评估方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112232674B (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Casati et al. | Forecast verification: current status and future directions | |
Gagne II et al. | Interpretable deep learning for spatial analysis of severe hailstorms | |
Bedia et al. | Sensitivity of fire weather index to different reanalysis products in the Iberian Peninsula | |
CN112232674B (zh) | 一种气象灾害评估方法、装置和*** | |
Bruneau et al. | Estimation of global coastal sea level extremes using neural networks | |
Shashaani et al. | Multi-stage prediction for zero-inflated hurricane induced power outages | |
Fluixá-Sanmartín et al. | Searching for the optimal drought index and timescale combination to detect drought: a case study from the lower Jinsha River basin, China | |
Taylor et al. | Dynamic modeling of the effects of vegetation management on weather-related power outages | |
CN105425320A (zh) | 热带气旋引发沿海地区大风的概率预报方法和*** | |
Purves et al. | Nearest neighbours for avalanche forecasting in Scotland—development, verification and optimisation of a model | |
Haggag et al. | Infrastructure performance prediction under climate-induced disasters using data analytics | |
Ferreira et al. | The effect of time series distance functions on functional climate networks | |
Yang et al. | Critical transitions in the hydrological system: early-warning signals and network analysis | |
Campbell et al. | Structure and motion of severe-wind-producing mesoscale convective systems and derechos in relation to the mean wind | |
Zhao et al. | Extracting and classifying typhoon disaster information based on volunteered geographic information from Chinese Sina microblog | |
Ahn et al. | Evaluating precipitation distributions at regional scales: a benchmarking framework and application to CMIP5 and 6 models | |
CN113592265A (zh) | 一种基于层次分析法的地块风险测评方法及装置 | |
Shafer et al. | An assessment of areal coverage of severe weather parameters for severe weather outbreak diagnosis | |
Choi et al. | Seasonal forecasting of intense tropical cyclones over the North Atlantic and the western North Pacific basins | |
Miller et al. | A preliminary assessment of using spatiotemporal lightning patterns for a binary classification of thunderstorm mode | |
Lack et al. | Development of an automated approach for identifying convective storm type using reflectivity-derived and near-storm environment data | |
Deidda et al. | Causes of dependence between extreme floods | |
Ackermann et al. | Radar and environment-based hail damage estimates using machine learning | |
CN114664041B (zh) | 一种基于深度学习的多传感器融合预警预测方法 | |
Yun-qi et al. | Experiments with the improved dynamical-statistical-analog ensemble forecast model for landfalling typhoon precipitation over South China |
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 |