CN112364029B - 一种星地雨滴谱参数匹配及评估方法和*** - Google Patents
一种星地雨滴谱参数匹配及评估方法和*** Download PDFInfo
- Publication number
- CN112364029B CN112364029B CN202110032634.5A CN202110032634A CN112364029B CN 112364029 B CN112364029 B CN 112364029B CN 202110032634 A CN202110032634 A CN 202110032634A CN 112364029 B CN112364029 B CN 112364029B
- Authority
- CN
- China
- Prior art keywords
- data
- matching
- raindrop
- evaluation
- satellite
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
- G01S13/955—Radar or analogous systems specially adapted for specific applications for meteorological use mounted on satellite
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Computational Linguistics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Hydrology & Water Resources (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种星地雨滴谱参数匹配及评估方法和***,所述方法包括:步骤S1:从不同数据源获取数据;步骤S2:对不同数据源的数据进行匹配;步骤S3:进行雨滴谱参数数据评估。本发明能够将地基、空基和天基的雨滴谱数据产品进行分解,将不同设备观测到的同一要素进行梳理,将多种设备的单要素进行质量控制后,对于同种观测要素,将不同观测平台不同观测反演方法的直接观测和遥测数据进行匹配交叉验证分析,分析其异同,最终基于雨滴谱参数数据建立针对仪器级别的分析验证,从而为气象预报和决策服务提供高质量的雨滴谱参数数据及产品支撑。能够在对国家级地面气象站雨滴谱仪网数据质量做验证的基础上,不仅仅针对液态降水做分析,还能够针对固态降水作分析。
Description
技术领域
本发明属于地理信息管理技术领域,尤其涉及一种星地雨滴谱参数匹配及评估方法和***。
背景技术
目前,我国气象部门已部署完成2000多部的国家级地面气象站雨滴谱仪网,包括100型和200型,并于2019年初左右正式业务化应用,可以从地面雨滴谱仪设备反演得到雷达反射率因子(Z)、降水强度(R)、质量加权平均直径(Dm)、广义截距参数(LgNw),时间分辨率为1min。我国气象部门已部署完成2000多部的国家级地面气象站,可以直接获得小时降水量(R),时间分辨率为1hour。我国气象部门已部署完成200多部的新一代天气雷达,可以反演获得雷达反射率因子(Z),时间分辨率为5min。全球测雨卫星(GPM)携带Ka和Ku波段测雨雷达于2014年2月发射升空,继热带测雨卫星(TRMM)的单频测雨雷达探测后,实现双频测雨雷达(DPR)探测。可以提取二级产品中的SLV数据集,按照GPM卫星的运行轨迹,垂直空间覆盖0-22km高度(每125m一层,共176层),水平空间覆盖245km* 39675km,可以选定某一层与地基雨滴谱对比。面对上述现状,一方面,雨滴谱参数可以从国家级地面气象观测设备-雨滴谱仪、地面雨量计、新一代天气雷达和NASA-GPM卫星中直接或反演得到,目前缺乏从不同观测仪器设备和观测方法出发,对雨滴谱参数产品进行匹配及数据质量控制和分析验证的方法、装置和支持***。另一方面,各种类型的气象数据量大且繁多,如何对这些多而繁杂的信息做分解、分析、验证和有效的利用,如何进行支撑***的构建,使得能够快速有效的获取这些信息并支撑上述功能的完成,均是待解决的技术问题。本发明能够将地基、空基和天基的雨滴谱数据产品进行分解,将不同设备观测到的同一要素进行梳理,将多种设备的单要素进行质量控制后,对于同种观测要素,先对各种观测要素进行能够满足现有设备的处理能力要求以及数据精度要求的不同质数据处理,例如:对于雨量级别不同的数据的处理等;然后将不同观测平台不同观测反演方法的直接观测和遥测数据进行匹配交叉验证分析,分析其异同,最终基于雨滴谱参数数据建立针对仪器级别的分析验证,从而为气象预报和决策服务提供高质量的雨滴谱参数数据及产品支撑。能够在对国家级地面气象站雨滴谱仪网数据质量做验证的基础上,不仅仅针对液态降水做分析,还能够针对固态降水作分析。提出交叉混合评估方法,在基于数据参数进行评估的基础上,基于参量数据进行评估,在保障科学性的同时,使得评估方法更适合用于进行本发明中的不同气象数据的质量评估,实现差异化的数据评估,减少不必要的评估,提高评估的效率。
发明内容
为了解决现有技术中的上述问题,本发明提出了一种星地雨滴谱参数匹配及评估方法,所述方法包含:
步骤S1:从不同数据源获取数据;具体包括如下步骤:
步骤S11:采用雨滴谱仪获取雨滴谱数据;
步骤S12:针对GPM卫星数据源,采用全球测雨卫星GPM双频测雨雷达DPR获取数据;
步骤S13:针对地面累计降水量数据源,采用与雨滴谱仪对应的国家级台站雨量计的小时降水量;
步骤S14:针对新一代天气雷达数据源,采用新一代天气雷达单站数据;
步骤S2:对不同数据源的数据进行匹配;
步骤S21:基于雨滴谱仪与雨量计数据源对累计1小时降水量数据进行匹配;包括:将雨滴谱仪与雨量计数据源的数据进行一致化处理;将雨滴谱仪与地面雨量计数据进行对比以筛选数据;
步骤S22:雨滴谱仪与新一代天气雷达数据进行匹配;包括:采用新一代天气雷达数据的HBR产品数据,寻找和产品数据雷达对应的雨滴谱站,进行空间匹配和时间匹配,将雨滴谱仪和雷达数据结合形成匹配数据集;具体的包括如下步骤:
步骤S221:以雷达为基准,找探测范围内对应的雨滴谱站;其中:所述探测范围为30km-60km;
步骤S222:进行空间匹配,在空间上采用临近法、5点平均法和9点平均法形成样本数据,为了保证数据的可靠性;也就是利用雨滴谱仪经纬度查找其周围1个、5个和9个距离最近的雷达回波,然后分别进行平均以形成三组样本数据;
步骤S223:进行时间匹配,以雷达数据时间为准,查找前后5分钟,分别和距离所述雨滴谱站最近的样本、距离该格点最近的5个样本平均值和距离该点最近的9个样本平均值进行匹配,选取与雨滴谱站反演的反射率因子差值最小的格点样本值;
步骤S224:将经过步骤S221-SS223处理后的样本数据,按照同一时间和同一空间进行匹配结合,剔除雷达反射率因子超过预设值的样本数据作为最后形成的匹配数据集;
步骤S23:联合雨滴谱仪、地面雨量计和新一代天气雷达数据进行的匹配评估,筛选形成高质量样本数据;
步骤S24:将高质量样本数据与星基GPM数据基于两者的质量加权平均直径Dm、广义截距参数LgNw进行匹配结合;将两者的质量加权平均直径、广义截距参数相匹配的对应高质量样本数据与星基GPM数据进行结合;
步骤S3:进行雨滴谱参量数据的评估。
进一步的,采用国家级自动气象站雨滴谱仪获取雨滴谱数据。
进一步的,雨滴谱仪的型号为100型号和200型号。
进一步的,数据来源自经过质控后的数据产品,每1天生成一个TXT文件。
一种星地雨滴谱参数匹配及评估***,所述***包括:
获取模块:从不同数据源获取数据;
匹配模块:对不同数据源的数据进行匹配;
评估模块:进行雨滴谱参量数据的评估;
存储装置,用于将数据及其对应评估结果关联存储。
进一步的,获取模块通过通信装置进行数据获取。
进一步的,匹配模块基于处理器进行数据匹配。
进一步的,评估模块基于协处理器进行同步的数据评估。
一种计算机设备,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现星地雨滴谱参数匹配及评估方法。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现星地雨滴谱参数匹配及评估方法。
本发明的有益效果包括:将不同设备观测到的同一要素进行梳理,将多种设备的单要素进行质量控制后,对于同种观测要素,先对各种观测要素进行能够满足现有设备的处理能力要求以及数据精度要求的不同质数据处理,例如:对于雨量级别不同的数据的处理等;然后将不同观测平台不同观测反演方法的直接观测和遥测数据进行匹配交叉验证分析,分析其异同,最终基于雨滴谱参数数据建立针对仪器级别的分析验证,从而为气象预报和决策服务提供高质量的雨滴谱参数数据及产品支撑。能够在对国家级地面气象站雨滴谱仪网数据质量做验证的基础上,不仅仅针对液态降水做分析,还能够针对固态降水作分析。此外,提出交叉混合评估方法,在基于数据参数进行评估的基础上,基于参量数据进行评估,在保障科学性的同时,使得评估方法更适合用于进行本发明中的不同气象数据的质量评估,实现差异化的数据评估,减少不必要的评估,提高评估的效率。
附图说明
此处所说明的附图是用来提供对本发明的进一步理解,构成本申请的一部分,但并不构成对本发明的不当限定,在附图中:
图1为本发明的星地雨滴谱参数匹配及评估方法示意图。
图2为本发明的临近匹配示意图。
图3为本发明的评估流程示意图。
具体实施方式
下面将结合附图以及具体实施例来详细说明本发明,其中的示意性实施例以及说明仅用来解释本发明,但并不作为对本发明的限定。
本发明所述的星地雨滴谱参数匹配及评估方法,包含如下步骤:
步骤S1:从不同数据源获取数据;具体包括如下步骤:
步骤S11:采用雨滴谱仪获取雨滴谱数据;
优选的:采用国家级自动气象站雨滴谱仪获取雨滴谱数据;雨滴谱仪的型号为100型号和200型号;
优选的:数据来源自经过质控后的数据产品,每1天生成一个TXT文件,内含前一天20时01分至今天20时的逐分钟数据(北京时),时间分辨率为1分钟。雨滴谱仪的型号包括:CJY-2J、DSG1、DSG2、DSG3、DSG4、DSG5、HY-MPW11和MAWS110,其中DSG3为200型号共225个,其他均为100型号。
步骤S12:针对GPM卫星数据源,采用全球测雨卫星(GPM)双频测雨雷达(DPR)获取数据;
优选的:使用经过质控的二级GPM_2ADPR产品数据,约1.5小时(一次完整的轨道扫描)一个产品文件,具体运行时序轨迹可以结合产品文件中Longitude、Latitude、ScanTime数据集获取,所采用的扫描模式为NS(GPM DPR发射Ku、Ka波段电磁波进行探测,Ku波段探测、Ka波段探测、Ku和Ka联合探测分别得到常规(NS)模式、高灵敏度(HS)模式和匹配(MS)模式的产品,本次探测采用NS模式,其探测时有49个扫描点,每个扫描点直径均为5km,扫描带宽为245km,垂直分辨率为250m,每类扫描模式的产品被放入不同的模块,本次主要使用SLV模块下的paramDSD产品),数据产品为paramDSD(雨滴谱参量,该参量下包含雨滴谱Dm和10LgNw数据),在产品HDF文件中获取paramDSD数据的路径为:/NS扫描模式/SLV模块/paramDSD参量,下述简称数据集为:/NS/SLV/paramDSD,垂直高度采用了第176层数据,在匹配评估时使用,该数据集下分为两类数据广义截距参数(LgNw)和质量加权平均直径(Dm)。
步骤S13:针对地面累计降水量数据源,采用与雨滴谱仪对应的国家级台站雨量计的小时降水量;每1小时对应一条数据,含质控码。此地面累计降水量数据源数据为与雨滴谱反演的雨量匹配评估时使用。
步骤S14:针对新一代天气雷达数据源,采用新一代天气雷达单站数据;所述单站数据为经质控的HBR产品,每5分钟一个文件。此数据为与雨滴谱反演的反射率因子匹配评估时使用。
其中:HBR产品是经过质量控制的统一格式的雷达基数据作为输入,将最低4个仰角层的不同方位、不同仰角和不同距离的反射率集合在混合水平面上求出混合扫描反射率,输出的混合扫描反射率数据产品。
步骤S2:对不同数据源的数据进行匹配;具体包括如下步骤:
步骤S21:基于雨滴谱仪与雨量计数据源对累计1小时降水量数据进行匹配;包括:将雨滴谱仪与雨量计数据源的数据进行一致化处理;将雨滴谱仪与地面雨量计数据进行对比以筛选数据;
所述进行一致化处理,具体为:雨滴谱的逐分钟降水强度参量单位为mm/hr,将逐分钟的降水强度(R)处理成小时雨量后,再与地面雨量计进行对比;
所述将逐分钟的降水强度(R)处理成小时雨量,具体为:将01-00的逐分钟雨量累加和后除以60后得到;
空间匹配:因雨滴谱仪和雨量计同处一个测场,无需专门处理。
所述将雨滴谱仪与地面雨量计数据进行对比以筛选数据(小时雨量),具体为:
步骤A1:找出雨滴谱仪数据小时累计雨量>0.1(mm/hr)的数据;
步骤A2:分别计算雨量计和雨滴谱仪小时雨量数据对应的降水级别(见下表1);
表1 降水等级划分
级别 | 范围(mm/hr) |
零星小雨 | <0.1 |
小雨 | 0.1-1.5 |
中雨 | 1.6-3.5 |
中雨 | 3.6-7.9 |
暴雨 | 8.0-19.9 |
大暴雨 | 20.0-49.9 |
特大暴雨 | ≥50.0 |
步骤A3:保留雨量级别相同数据,并将所述相同数据分别和雨量级别对应保存;
步骤A4:对于雨量级别不同的数据,保留相对偏差在预设范围内的数据;例如:保留相对偏差在[-50,50]之内的数据,其中:相对偏差=(雨量计数据-雨滴谱仪数据)/雨量计数据×100%;
步骤A5:按照小时降水量质控流程对雨滴谱仪数据进行质控,标记质控码,剔除可疑数据;其中:所述质控流程为先进行范围值质控,然后进行界限值质控;
质控码用于标记可信数据,后续步骤中优选的需要先根据质控码判断数据为可信的才进行操作。
所述范围值质控,具体为:小时累计降水>2.5*MAXR;其中:MAXR为预设值,可以从质控参数文件获得,例如:设置为月最大小时降水量;若MAXR<3.0, MAXR = 3.0;若MAXR>80,则设置MAXR = 200.0/2.5 =80.0;
所述界限值质控,具体为:小时累计雨量>200.0mm/hr 或 小时累计雨量<0.0 mm/hr;
步骤A6:将雨滴谱仪与地面雨量数据结合形成匹配数据集,辅助与天气雷达匹配的情况进行判断,剔除可疑数据。天气雷达和地面雨量计会分别和雨滴谱仪进行匹配和评估,因地面雨量计为设备直接观测,较天气雷达的遥感观测可靠性更强,如天气雷达和雨滴谱仪在某一时刻评估效果较差时,需辅助同一时刻的地面雨量计和雨滴谱仪的评估效果,如两者评估效果均差,则说明雨滴谱仪有问题,如后者评估效果较好,则说明天气雷达数据存疑,需要将可疑数据剔除。
所述将雨滴谱仪与地面雨量数据结合形成匹配数据集,具体为:将同一站点同一时间的雨滴谱仪反演降水、地面雨量进行结合,形成匹配数据集;
步骤S22:雨滴谱仪与新一代天气雷达数据进行匹配;包括:采用新一代天气雷达数据的HBR产品数据,寻找和产品数据雷达对应的雨滴谱站,进行空间匹配和时间匹配,将雨滴谱仪和雷达数据结合形成匹配数据集;具体的包括如下步骤:
步骤S221:以雷达为基准,找探测范围内对应的雨滴谱站;其中:所述探测范围为30km-60km;
步骤S222:进行空间匹配,在空间上采用临近法、5点平均法和9点平均法形成样本数据,为了保证数据的可靠性;也就是利用雨滴谱仪经纬度查找其周围1个、5个和9个距离最近的雷达回波,然后分别进行平均以形成三组样本数据;
优选的:当GPM卫星DPR雨滴谱参量存在较多的无效值时,导致能同时满足5点或者9点都是有效数据的很少,采用临近法;限制匹配的最远空间距离为5公里,如图2所示的临近匹配方式中;条状的色斑带为GPM卫星DPR产品雨滴谱Dm参量格点数据,色斑点为雨滴谱仪站点以及该站点的质量加权平均直径(Dm)参量数据。
优选的;为了提升效果需提前剔除星基Dm和10LgNw值等于无效值-9999.9的数据;
步骤S223:进行时间匹配,以雷达数据时间为准,查找前后5分钟,分别和距离所述雨滴谱站最近的样本、距离该格点最近的5个样本平均值和距离该点最近的9个样本平均值进行匹配,选取与雨滴谱站反演的反射率因子差值最小的格点样本值。
步骤S224:将经过步骤S221-SS223处理后的样本数据,按照同一时间和同一空间进行匹配结合,剔除雷达反射率因子超过预设值的样本数据作为最后形成的匹配数据集;具体的:在进行匹配结合时,当雷达反射率因子Z≥30时,剔除另一方Z为0的样本;经过结合后的样本数据对应有天气雷达反射率因子和雨滴谱反射率因子,判断其中一方为0时,另一方是否大于30,如果一方是天气雷达反射率因子的话,另一方为雨滴谱反射率因子,反之,如一方是雨滴谱反射率因子,则另一方是天气雷达反射率因子。
天气雷达和地面雨量计会分别和雨滴谱仪进行匹配和评估,因地面雨量计为设备直接观测,较天气雷达的遥感观测可靠性更强,如天气雷达和雨滴谱仪在某一时刻评估效果较差时,需辅助同一时刻的地面雨量计和雨滴谱仪的评估效果,如两者评估效果均差,则说明雨滴谱仪有问题,如后者评估效果较好,则说明天气雷达数据存疑。
步骤S23:联合雨滴谱仪、地面雨量计和新一代天气雷达数据进行的匹配评估,筛选形成高质量样本数据;这里的匹配评估采用相关系数(R)、均方根误差(RMSE)、平均绝对误差(MAE)、相对误差(RE)的方法,对所有样本的整体情况、分月份变化、分雨滴谱设备型号、分雨滴谱设备厂家、分降水强度、分站点、分海拔高度、分天气雷达设备型号分别进行评估。
具体包括如下步骤:
步骤S231:将雨滴谱降水强度参量(R)与地面雨量计数据进行验证,将通过验证的数据形成第一组样本,单位为小时分辨率;也就是,将地面雨量计小时累计降水量作为真值,对雨滴谱降水强度(R)进行检验和评估。
步骤S232:将雷达反射率因子(Z)与天气雷达数据进行验证,将通过验证的数据形成第二组样本,单位为5分钟分辨率;也就是,将天气雷达HBR产品数据作为真值,对雷达反射率因子(Z)进行检验和评估。
步骤S233:将第一组样本和第二组样本按照时间和站点进行匹配结合,保留第一和第二组样本中相同时间和站点的数据,形成高质量样本数据;
步骤S24:将高质量样本数据与星基GPM数据基于两者的质量加权平均直径Dm、广义截距参数LgNw进行匹配结合;也就是说:将两者的质量加权平均直径、广义截距参数相匹配的对应高质量样本数据与星基GPM数据进行结合;
优选的:还需要基于时间和空间进行匹配;在进行空间匹配时,是以高质量样本数据对应的站点为基础,分别获取对应的地面数据、星基数据,并计算获取相应的质量加权平均直径、广义截距参数以进行匹配;在进行时间匹配时,是以高质量样本数据对应的站点为基础,与GPM的过境点同一分钟的数据进行匹配;这样,能够将地基雨滴谱站反演的质量加权平均直径和广义截距参数和GPM反演的质量加权平均直径和广义截距参数按照同一时间和空间进行匹配。
优选的:采用如下的步骤将高质量样本数据与星基GPM数据进行匹配结合,以得到雨滴谱参数数据;具体为:
步骤S2421:将星基GPM数据中['NS']['Longitude']、['NS']['Latitude']组合的坐标点作为后续数据所对应的各点观测空间位置,记为星基点集合。其中:['NS']['Longitude']是NS扫描模式下的每个扫描点所对应的地理位置经度,['NS']['Latitude']是指NS扫描模式下的每个扫描点所对应的地理位置纬度。由于['NS']['Longitude']、['NS']['Latitude'] 数据维度为(7936, 49),可组合成388864个坐标点(扫描点)作为后续数据产品所对应的各点观测空间位置,记为星基点集合。
步骤S2422:将星基GPM数据中通过NS扫描模式下记录扫描时间信息的ScanTime模块中记录每次扫描所对应的时间,记为星基扫描时间点集合。其中:['NS']['ScanTime']['SecondOfDay']是指记录扫描时间信息的ScanTime模块;SecondOfDay代表当前扫描时间位于该天的多少秒,DayOfYear代表当前扫描时间位于该年的第多少天、Year代表当前扫描时间位于哪一年。因每次扫描时每个扫描点时间均一致,且GPM卫星DPR卫星产品文件中['NS']['ScanTime']下的数据只记录了每次扫描对应的时间,故每个扫描点的时间应直接使用扫描点对应的那次扫描即可。
步骤S2423:获取星基GPM数据,进行维度合并得到雨滴谱星基数据集。例如:对于数据产品paramDSD(雨滴谱参量,该参量下包含雨滴谱Dm和10LgNw数据),对于['NS']['SLV']['paramDSD']数据集下数据,其数据维度为(7936, 49, 176, 2),维度具体的结构为(nscan,nray,nbin,nDSD)将前两维合并得到388864组176层2类雨滴谱相关参量,维度为(388864,176,2)数据,记为雨滴谱星基数据集。其中: “nscan” GPM卫星DPR雷达一次绕地球探测,会总计扫描7936次,扫描方向为从西向东,nscan代表这是第多少次扫描,n介于0到7935之间;“nray”GPM卫星DPR雷达一次绕地球探测,每次扫描时会有多个扫描点,本文档所使用的为NS扫描模式,总计有49个扫描点,其n介于0到48之间;“nbin”GPM卫星DPR雷达一次绕地球探测,每次扫描时在垂直高度上有多层,本文档所使用的NS扫描模式,总计有176层,其n介于0到175之间,其中0为最接近卫星高度层,175为最接近地面高度层。“nDSD”为['NS']['SLV']['paramDSD']数据集下的雨滴谱参量数据,包含Dm和10LgNw数据,其中nDSD中n等于0时代表10LgNw数据、n等于1时代表dm数据(单位mm)。
步骤S2424:对于高质量样本数据对应的站点和时间,按逐个站点进行星地匹配,根据站点的经纬度坐标分别在步骤S2421所得到的星基点集合中根据勾股定理公式计算空间距离,找到最接近的一个星基点,记录好该星基点所在星基点集合中的索引位置,记为站点索引位置,针对大批量的站点(>=10个站点),则采用快速近似匹配方法,将根据多个站点的经纬度坐标同时在步骤S2421所得到的星基点集合中同时和星地进行匹配,得出这些站点集的站点索引位置。
优先的:针对大批量的站点星地匹配时,使用快速近似匹配方法可高效率的计算出匹配结果,批量得出这些站点集的站点索引位置。
步骤S2425:从步骤S2423得出的雨滴谱星基数据集中,根据步骤S2424得出的站点索引位置去获取站点对应的雨滴谱数据;从步骤S2422得出的星基扫描时间点集合中,根据步骤S2424得出的站点索引位置除以每次扫描时涉及的扫描点得出舍弃小数后的整数值为站点时间索引;
优选的:每次扫描涉及的扫描点nray等于49个,直接用站点索引位置去除以每次扫描时涉及的扫描点49,可方便高效的得出站点时间索引;
步骤S2426:根据所述站点索引位置从雨滴谱星基数据集中获取雨滴谱参数数据,基于站点时间索引从星基扫描时间点集合中获取雨滴谱参数数据所对应的扫描时间;
例如:一次获取的GPM卫星DPR雷达['NS']['SLV']['paramDSD']数据集总计有176个垂直高度层,使用最接近地面的垂直高度层为第176层(对应的数组下标因从0开始,所以取值下标为175),所以雨滴谱Dm参量数据获取方式为:雨滴谱星基数据集(['NS']['SLV']['paramDSD'])[站点索引位置,175,1],10LgNw数据获取方式为:雨滴谱星基数据集(['NS']['SLV']['paramDSD']) [站点索引位置,175,0],对应的数据时间为:星基扫描时间点集合[站点索引位置/49] (通过除以49后再取整获取到的下标在星基扫描时间点集合中获取到的时间为扫描时间)。
步骤S2427:重复执行步骤S2424-步骤S2426直到所有站点均匹配完毕;
步骤S3:进行雨滴谱参量数据的评估;通过评估,对联合地面雨滴谱仪、地面雨量计和新一代天气雷达的匹配和评估结果,筛选形成高质量的地基雨滴谱参数进行有效性评估。通常的评估方法仅仅是进行一个层次的评估,本发明利用多源数据的不同质特性,提出交叉混合评估方法,在基于数据参数进行评估的基础上,基于参量数据进行评估,在保障科学性的同时,使得评估方法更适合用于进行本发明中的不同气象数据的质量评估,提高了评估效率。
步骤S31:参量单位对齐;
因GPM卫星DPR产品中的参量为Dm、10LgNw,而地基筛选得出的参量为Dm、LgNw,故需要将地面雨滴谱仪的LgNw乘以10得出与卫星参量单位一致的10LgNw。
步骤S32:进行参量瞬时值的评估;因在匹配阶段,已通过雨滴谱仪各站点的地理经纬度位置为基础,通过限定最大搜索半径5公里的限制,使用临近法得出了地基站点所对应的卫星格点,故可认为已满足空间一致性,又因雨滴谱仪数据为分钟数据,而地基为瞬时数据,通过舍弃卫星数据的时间精度到分钟,以满足时间一致性。
步骤S33:进行参量平均值的评估;因在匹配阶段,已通过地基站点的地理经纬度位置为基础,通过限定最大搜索半径5公里的限制,使用临近法得出了地基站点所对应的卫星格点,故可认为以满足空间一致性,又因地基数据为分钟数据,而地基为瞬时数据,所以以卫星数据的时间为基准(精度到分钟),找寻该分钟时间后5分钟(包括5分钟),共计6分钟站点所对应的参量有效数据,将所有有效数据累加再除以有效数据的个数,得出参量平均值,可满足时间一致性;
优选的:在步骤S32-S33的评估符合评估要求时,执行步骤S34,否则,进行数据的数据量调整,并重新进行数据评估;通过该混合的评估方式,能够提高评估有效性和数据利用效率,毕竟后续的评估方法会浪费大量的***时间;
所述调整为:增加数据量或者减少数据量;通过数据量的调整来使得数据中的有效部分能够被提取出来;
步骤S34:选择第一评估方法和/或第二评估方法进行评估;
优选的:基于数据特征有选择的采用第一评估方法和或第二评估方法;进行多种类型数据特征的计算,筛选所述特征类型中不满足相应类型的范围要求的数据特征作为目标数据特征,基于所述目标数据特征选择和所述数据特征对应的评估方式进行数据评估;
通过大数据分析,当数据在进行数据评估后不符合的一项评估要求时,一种类型的数据特征也相应的不满足相应类型的范围要求时,保存所述数据特征和评估要求之间的关联性,从而实现差异化的数据评估,减少不必要的评估,提高评估的效率;
第一评估方法为:将评估时间段内所有参量瞬时值或参量平均值,根据其设备的不同分为地基参量Dm和GPM卫星DPR雨滴谱参量Dm、地基参量10LgNw和GPM卫星DPR雨滴谱参量10LgNw,作为评估样本,计算样本数据和评估样本数据之间的评估参数;所述评估参数包括:相关系数(R)、均方根误差(RMSE)、平均绝对误差(MAE)、相对误差(RE);
第二评估方法为:整体评估、分区域评估、分省份评估、分海拔高度评估和/或分不同的季节评估;
其中:整体评估为:将全部的卫星数据样本和地基数据样本,按照评估公式计算得出整体评估结果。评估公式为相关系数(R)、均方根误差(RMSE)、平均绝对误差(MAE)、相对误差(RE)等评估公式。
分区域评估为:将全部的卫星数据样本,以地基站点所属的区域,分为西南、西北、东南、东北、华南、华北、华中 共7组不同的数据组,按照评估公式计算得出分区域评估结果。
分省份评估为:将全部的卫星数据,以地基站点所属的省份,共34组不同的数据组,按照评估公式计算得出分省份评估结果
分海拔高度评估为:将全部的卫星数据,以地基站点所在的地理海拔高度不同(精确到米),分为多组不同的数据组,按照评估公式计算得出分海拔高度评估结果。
分不同的季节评估为:将全部的卫星数据,以数据对应时间所属的季节不同,分为多组不同的数据组,按照评估公式计算得出分不同的季节评估结果。
优选的:所述评估公式为相关系数(R)、均方根误差(RMSE)、平均绝对误差(MAE)、相对误差(RE)等的计算公式;
季节规则如下表所示:
冬季:2018-12-01 00:00:00 2019-02-28 23:59:59 |
春季:2019-03-01 00:00:00 2019-05-31 23:59:59 |
夏季:2019-06-01 00:00:00 2019-08-31 23:59:59 |
秋季:2019-09-01 00:00:00 2019-11-30 23:59:59 |
所述方法还包括步骤S4:基于评估结果进行数据保存;将数据和其评估结果关联存储,
软件环境可以分为两类,包括在一个或多个硬件环境上执行的***软件和应用软件。在一个实施例中,在此公开的方法和过程可以实现为***软件、应用软件或它们的组合。***软件可以包括诸如操作***(OS)和信息管理***之类的控制程序,它们指示硬件环境中的一个或多个处理器(例如微处理器)如何运行和处理信息。应用软件可以包括但不限于程序代码、数据结构、固件、驻留软件、微代码,或者可以由处理器读取、分析或执行的任何其它形式的信息或例程。
换言之,应用软件可以实现为程序代码,其以机器可用或计算机可读存储介质的形式嵌入在计算机程序产品中,计算机程序产品提供程序代码以便由机器、计算机或任何指令执行***使用或者与其结合使用。此外,应用软件可以包括一个或多个计算机程序,这些计算机程序在从存储介质加载到本地存储器之后,在***软件之上执行。在客户端-服务器体系结构中,应用软件可以包括客户端软件和服务器软件。例如,在一个实施例中,客户端软件可以在客户端计算***上执行,该客户端计算***不同于并且独立于执行服务器软件的服务器计算***。
软件环境还可以包括浏览器软件以便访问通过本地或远程计算网络提供的数据。进一步,软件环境可以包括用户接口(例如图形用户接口(GUI))以便接收用户命令和数据。有必要重申,上面描述的硬件和软件体系结构和环境用于实例目的。因此,可以在任何类型的***体系结构、功能或逻辑平台或处理环境上实现一个或多个实施例。
以上所述仅是本发明的较佳实施方式,故凡依本发明专利申请范围所述的构造、特征及原理所做的等效变化或修饰,均包括于本发明专利申请范围内。
Claims (10)
1.一种星地雨滴谱参数匹配及评估方法,其特征在于,所述方法包含:
步骤S1:从不同数据源获取数据;具体包括如下步骤:
步骤S11:采用雨滴谱仪获取雨滴谱数据;
步骤S12:针对GPM卫星数据源,采用全球测雨卫星GPM双频测雨雷达DPR获取数据;
步骤S13:针对地面累计降水量数据源,采用与雨滴谱仪对应的国家级台站雨量计的小时降水量;
步骤S14:针对新一代天气雷达数据源,采用新一代天气雷达单站数据;
步骤S2:对不同数据源的数据进行匹配;
步骤S21:基于雨滴谱仪与地面累计降水量数据源对累计1小时降水量数据进行匹配;包括:将雨滴谱仪与地面累计降水量数据源的数据进行一致化处理;将雨滴谱仪与地面累计降水量数据源进行对比以筛选数据;
步骤S22:雨滴谱仪与新一代天气雷达数据进行匹配;包括:采用新一代天气雷达数据的HBR产品数据,寻找和产品数据雷达对应的雨滴谱站,进行空间匹配和时间匹配,将雨滴谱仪和雷达数据结合形成匹配数据集;具体的包括如下步骤:
步骤S221:以雷达为基准,找探测范围内对应的雨滴谱站;其中:所述探测范围为30km-60km;
步骤S222:进行空间匹配,在空间上采用临近法、5点平均法和9点平均法形成样本数据,为了保证数据的可靠性;也就是利用雨滴谱仪经纬度查找其周围1个、5个和9个距离最近的雷达回波,然后分别进行平均以形成三组样本数据;
步骤S223:进行时间匹配,以雷达数据时间为准,查找前后5分钟,分别和距离所述雨滴谱站最近的样本、距离格点最近的5个样本平均值和距离该格点最近的9个样本平均值进行匹配,选取与雨滴谱站反演的反射率因子差值最小的格点样本值;
步骤S224:将经过步骤S221-S223处理后的样本数据,按照同一时间和同一空间进行匹配结合,剔除雷达反射率因子超过预设值的样本数据作为最后形成的匹配数据集;
步骤S23:联合雨滴谱仪、地面雨量计和新一代天气雷达数据进行的匹配评估,筛选形成高质量样本数据;
步骤S24:将高质量样本数据与星基GPM数据基于两者的质量加权平均直径Dm、广义截距参数LgNw进行匹配结合;将两者的质量加权平均直径、广义截距参数相匹配的对应高质量样本数据与星基GPM数据进行结合;
步骤S3:进行雨滴谱参量数据的评估;具体包括如下步骤:
步骤S31:参量单位对齐;
步骤S32:进行参量瞬时值的评估;
步骤S33:进行参量平均值的评估;
在步骤S32-S33的评估符合评估要求时,执行步骤S34,否则,进行数据的数据量调整,并重新进行数据评估;
步骤S34:选择第一评估方法和/或第二评估方法进行评估;基于数据特征有选择的采用第一评估方法和或第二评估方法;进行多种类型数据特征的计算,筛选特征类型中不满足相应范围要求的数据特征作为目标数据特征,基于所述目标数据特征选择和所述数据特征对应的评估方式进行数据评估。
2.根据权利要求1所述的星地雨滴谱参数匹配及评估方法,其特征在于,采用国家级自动气象站雨滴谱仪获取雨滴谱数据。
3.根据权利要求2所述的星地雨滴谱参数匹配及评估方法,其特征在于,雨滴谱仪的型号为100型号和200型号。
4.根据权利要求3所述的星地雨滴谱参数匹配及评估方法,其特征在于,数据来源自经过质控后的数据产品,每1天生成一个TXT文件。
5.一种采用如权利要求1-4任一项所述星地雨滴谱参数匹配及评估方法的星地雨滴谱参数匹配及评估***,其特征在于,所述***包括:
获取模块:从不同数据源获取数据;
匹配模块:对不同数据源的数据进行匹配;
评估模块:进行雨滴谱参量数据的评估;
存储装置,用于将数据及其对应评估结果关联存储。
6.根据权利要求5所述的星地雨滴谱参数匹配及评估***,其特征在于,获取模块通过通信装置进行数据获取。
7.根据权利要求6所述的星地雨滴谱参数匹配及评估***,其特征在于,匹配模块基于处理器进行数据匹配。
8.根据权利要求7所述的星地雨滴谱参数匹配及评估***,其特征在于,评估模块基于协处理器进行同步的数据评估。
9.一种计算机设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的星地雨滴谱参数匹配及评估方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一所述的星地雨滴谱参数匹配及评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032634.5A CN112364029B (zh) | 2021-01-12 | 2021-01-12 | 一种星地雨滴谱参数匹配及评估方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032634.5A CN112364029B (zh) | 2021-01-12 | 2021-01-12 | 一种星地雨滴谱参数匹配及评估方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112364029A CN112364029A (zh) | 2021-02-12 |
CN112364029B true CN112364029B (zh) | 2021-04-02 |
Family
ID=74534780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110032634.5A Active CN112364029B (zh) | 2021-01-12 | 2021-01-12 | 一种星地雨滴谱参数匹配及评估方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112364029B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114545529B (zh) * | 2022-02-22 | 2022-12-20 | 长沙祥云瑞风信息技术有限公司 | 一种基于高频格点化雨量探测方法、***、介质及设备 |
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 |
CN114545417B (zh) * | 2022-04-25 | 2022-07-19 | 中国气象科学研究院 | 一种基于最优参数的雨滴谱反演方法和装置 |
CN115166875A (zh) * | 2022-08-09 | 2022-10-11 | 新疆维吾尔自治区气象技术装备保障中心 | 一种雨滴谱仪数据质量控制及评估*** |
CN115691229A (zh) * | 2022-10-13 | 2023-02-03 | 中国民航科学技术研究院 | 一种计算航段流量的方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106950614B (zh) * | 2017-02-28 | 2019-03-22 | 中船重工鹏力(南京)大气海洋信息***有限公司 | 一种区域自动气象站小时雨量数据质量控制方法 |
CN110019595B (zh) * | 2017-09-29 | 2023-09-22 | 中国电力科学研究院 | 一种多源气象数据集成方法及*** |
US10962680B2 (en) * | 2017-11-03 | 2021-03-30 | Climacell Inc. | Real-time weather forecasting for transportation systems |
CN110750516B (zh) * | 2019-09-29 | 2023-10-31 | 浪潮软件集团有限公司 | 基于雷达图的降雨分析模型构建方法、构建***及分析方法 |
CN110826231B (zh) * | 2019-11-08 | 2022-07-22 | 南京南瑞继保电气有限公司 | 一种气象站点多源数据整合方法 |
-
2021
- 2021-01-12 CN CN202110032634.5A patent/CN112364029B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112364029A (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112364029B (zh) | 一种星地雨滴谱参数匹配及评估方法和*** | |
Herrera et al. | Uncertainty in gridded precipitation products: Influence of station density, interpolation method and grid resolution | |
Næsset | Area-based inventory in Norway–from innovation to an operational reality | |
Román et al. | Use of in situ and airborne multiangle data to assess MODIS-and Landsat-based estimates of directional reflectance and albedo | |
Collis et al. | Statistics of storm updraft velocities from TWP-ICE including verification with profiling measurements | |
Rudlosky et al. | Documenting storm severity in the mid-Atlantic region using lightning and radar information | |
Luo et al. | Retrieving aboveground biomass of wetland Phragmites australis (common reed) using a combination of airborne discrete-return LiDAR and hyperspectral data | |
Liu et al. | Characteristics and performance of wind profiles as observed by the radar wind profiler network of China | |
McNicholl et al. | Evaluating the reliability of air temperature from ERA5 reanalysis data | |
EP3794386B1 (en) | Determination of location-specific weather information for agronomic decision support | |
Amitai et al. | Multiplatform comparisons of rain intensity for extreme precipitation events | |
CN111209533B (zh) | 道路层面细颗粒物反演方法、装置、计算设备及存储介质 | |
Derin et al. | Passive microwave rainfall error analysis using high-resolution X-band dual-polarization radar observations in complex terrain | |
Overeem et al. | EURADCLIM: the European climatological high-resolution gauge-adjusted radar precipitation dataset | |
CN116912690A (zh) | 一种基于数据融合的森林叶面积指数反演获取方法和*** | |
Hong et al. | Cloud phase characteristics over Southeast Asia from A-Train satellite observations | |
Wu et al. | Impacts and Contributors of Representativeness Errors of $ In~ Situ $ Albedo Measurements for the Validation of Remote Sensing Products | |
Kussul et al. | Fire danger assessment based on the improved fire weather index | |
Poelman et al. | Comparing lightning observations of the ground-based European lightning location system EUCLID and the space-based Lightning Imaging Sensor (LIS) on the International Space Station (ISS) | |
Fourrié et al. | Data assimilation impact studies with the AROME-WMED reanalysis of the first special observation period of the Hydrological cycle in the Mediterranean Experiment | |
Djibo et al. | High-resolution rainfall maps from commercial microwave links for a data-scarce region in West Africa | |
Tyndall et al. | Sensitivity of surface air temperature analyses to background and observation errors | |
D’Adderio et al. | Comparison of the GPM DPR single-and double-frequency products over the Mediterranean area | |
Tang et al. | Modeling and evaluating systematic and random errors in multiscale GPM IMERG summer precipitation estimates over the Sichuan Basin | |
Chiu et al. | Surface rain rates from tropical rainfall measuring mission satellite algorithms |
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 |