CN113177702B - 一种气象输入数据匹配方法及*** - Google Patents
一种气象输入数据匹配方法及*** Download PDFInfo
- Publication number
- CN113177702B CN113177702B CN202110413972.3A CN202110413972A CN113177702B CN 113177702 B CN113177702 B CN 113177702B CN 202110413972 A CN202110413972 A CN 202110413972A CN 113177702 B CN113177702 B CN 113177702B
- Authority
- CN
- China
- Prior art keywords
- meteorological
- sub
- basin
- data
- virtual
- 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 76
- 230000007613 environmental effect Effects 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 28
- 238000005259 measurement Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 101100311330 Schizosaccharomyces pombe (strain 972 / ATCC 24843) uap56 gene Proteins 0.000 description 9
- 101150018444 sub2 gene Proteins 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 4
- 108020001568 subdomains Proteins 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 239000003643 water by type Substances 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
- G06Q10/0639—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Evolutionary Computation (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Mining & Mineral Resources (AREA)
- General Engineering & Computer Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种气象输入数据匹配方法及***,包括:将目标流域划分为多个子流域,并获取在所述目标流域中气象站点的分布信息;在每个所述子流域的几何中心生成一个虚拟气象站点;获取每个所述子流域的虚拟气象站点的虚拟气象数据,作为每个所述子流域的气象输入数据,输入至流域面源污染模型。本发明提供的气象输入数据匹配方法及***,针对流域尺度的农业面源污染模型的气象数据匹配问题,基于影响气象数据指标的环境特征,将气象输入数据匹配至计算单元尺度,提高面源污染模型的输入数据精度,最终提升整个流域面源污染模型的计算精度。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种气象输入数据匹配方法及***。
背景技术
采用模型对流域农业面源污染排放负荷量或动态过程进行模拟,是进行农业面源污染研究和实践的重要技术手段。模型的基本工作流程主要为先划分计算单元,然后在每个计算单元内进行计算,最后汇总到整个流域。面源模型中的计算公式和流程只能保证计算过程合理性,而输入数据的精度则很大程度上决定了模拟结果的数值精度,准确提取输入数据是模型模拟的前提。当输入数据的观测尺度与计算单元的尺度不匹配时,就需要对输入数据进行尺度转化,使得计算单元内提取的参数尽可能真实反映现实状态。
现有技术中,如在SWAT(Soil and Water Assessment Tool)模型中,一般采用以下方法对输入数据进行匹配:先将目标流域划分为子流域(Sub-Watersheds),再进一步划分出水文响应单元作为计算单元(Hydrologic Response Unit,HRU),针对子流域往往选择距其最近的气象站点作为输入气象数据,子流域内的HRU统一采用子流域确定的气象数据。而在基于遥感分布式面源污染计算模型(Diffuse Pollution estimation With RemoteSensing,DPeRS)中,一般是以遥感像元为基本计算单元,采用空间插值方法将气象站点数据推算到像元。
由于直接采用距离最近的气象站点数据的方法对输入数据的提取进行很大程度的近似,在计算单元与气象站点两者距离较远或环境特征差异较大时,会导致提取的气象数据有很大的不确定性。对站点数据进行空间插值的方法也面临以下缺陷:站点数据密度低导致插值结果不确定性高;当待插值的气象指标存在较强空间异质性时,不符合插值方法的适用条件。栅格气象数能够覆盖全部计算单元,但其数值精度通常明显低于实测站点数据。另一方面,栅格气象数据的空间分辨率较低,单个栅格可能覆盖多个子流域,导致不同计算单元的数据差异被平均化。
由于现有的输入数据的观测尺度与计算单元的尺度不匹配,使得计算单元内提取的气象数据均存在一定程度的误差,从而直接影响了流域农业面源污染排放负荷量或动态过程的计算精度,故亟需提供一种新的气象输入数据匹配方法。
发明内容
针对现有技术存在的缺陷,本发明实施例提供一种气象输入数据匹配方法及***。
本发明提供一种气象输入数据匹配方法,包括:将目标流域划分为多个子流域,并获取在所述目标流域中气象站点的分布信息;在每个所述子流域的几何中心生成一个虚拟气象站点;获取每个所述子流域的虚拟气象站点的虚拟气象数据,作为每个所述子流域的气象输入数据,输入至流域面源污染模型。
根据本发明提供的一种气象输入数据匹配方法,在气象数据仅包含气象站点的实测气象数据的情况下,所述获取每个所述子流域的虚拟气象站点的虚拟气象数据,包括:根据预设的环境特征相似性指标,分别提取每个所述子流域的环境特征值,以构建特征描述向量;在确定任一目标子流域为一类子流域的情况下,根据所述目标子流域中每个所述气象站点的实测气象数据,确定所述目标子流域中虚拟气象站点的虚拟气象数据;在确定任一目标子流域为二类子流域的情况下,根据所有一类子流域的虚拟气象数据的加权平均值,确定所述目标子流域中虚拟气象站点的虚拟气象数据;所述加权平均值的权重为所述目标子流域的特征描述向量与相应的一类子流域的特征描述向量的余弦距离;所述一类子流域为具有至少一个气象站点的子流域;所述二类子流域为子流域不具有气象站点的子流域。
根据本发明提供的一种气象输入数据匹配方法,在确定任一目标子流域为一类子流域的情况下,根据所述目标子流域中每个所述气象站点的实测气象数据,确定所述目标子流域中虚拟气象站点的虚拟气象数据,包括:在确定所述目标子流域中仅具有一个气象站点的情况下,将所述气象站点的实测气象数据作为所述目标子流域中虚拟气象站点的虚拟气象数据;在确定所述子流域具有多个气象站点的情况下,获取所有气象站点的实测气象均值数据作为所述目标子流域中虚拟气象站点的虚拟气象数据。
根据本发明提供的一种气象输入数据匹配方法,所述加权平均值的权重的表达式为:
其中,目标子流域Y与一类子流域X之间的余弦距离;BYi为目标子流域Y的特征描述向量;BXi为一类子流域X的特征描述向量;n为一类子流域X的数量。
根据本发明提供的一种气象输入数据匹配方法,所述环境特征相似性指标为高程、坡度、坡向、坡长、起伏度、植被覆盖度中的至少一种。
根据本发明提供的一种气象输入数据匹配方法,在所述气象数据还包含气象站点的栅格气象数据的情况下,所述获取每个所述子流域的虚拟气象站点的虚拟气象数据之后,还包括:在确定任一目标子流域为一类子流域的情况下,确定所述目标子流域中虚拟气象站点的修正气象数据;所述修正气象数据是根据所述虚拟气象站点的虚拟气象数据与所述目标子流域的栅格气象数据综合确定的;所述目标子流域的栅格气象数据为与所述目标子流域相交的格栅重叠部分面积加权的方式所获取的加权平均值;在确定任一目标子流域为二类子流域的情况下,根据所有一类子流域修正气象数据的加权平均值,确定所述目标子流域中虚拟气象站点的修正气象数据;所述加权平均值的权重为所述目标子流域的特征描述向量与相应的一类子流域的特征描述向量的余弦距离;将所述目标子流域的虚拟气象站点的虚拟气象数据与所述修正气象数据相加,确定最终气象数据。
根据本发明提供的一种气象输入数据匹配方法,在确定任一目标子流域为一类子流域的情况下,确定所述目标子流域中虚拟气象站点的修正气象数据的计算公式为:
其中,为目标子流域的虚拟气象数据;/>为目标子流域的栅格气象数据,/>为目标子流域为一类子流域时的修正气象数据;在确定任一目标子流域为二类子流域的情况下,所述确定最终气象数据的计算公式为:
其中,为目标子流域为二类子流域时的修正气象数据,/>为目标子流域的最终气象数据。
本发明还提供一种气象输入数据匹配***,包括:信息获取单元用于将目标流域划分为多个子流域,并获取在所述目标流域中气象站点的分布信息;站点虚拟单元用于在每个所述子流域的几何中心生成一个虚拟气象站点;数据转换单元用于获取每个所述子流域的虚拟气象站点的虚拟气象数据,作为每个所述子流域的气象输入数据,输入至流域面源污染模型。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述气象输入数据匹配方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述气象输入数据匹配方法的步骤。
本发明提供的气象输入数据匹配方法及***,针对流域尺度的农业面源污染模型的气象数据匹配问题,基于影响气象数据指标的环境特征,将气象输入数据匹配至计算单元尺度,提高面源污染模型的输入数据精度,最终提升整个流域面源污染模型的计算精度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明提供的气象输入数据匹配方法的流程示意图;
图2是本发明提供的目标流域中子流域和气象站点的分布示意图;
图3是本发明提供的包含有栅格数据的目标流域中子流域和气象站点的分布示意图;
图4是本发明提供的气象输入数据匹配***的结构示意图;
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中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作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。
需要说明的是,在本发明实施例的描述中,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、物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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合图1-图5描述本发明实施例所提供的气象输入数据匹配方法和***。
图1是本发明提供的气象输入数据匹配方法的流程示意图,如图1所示,包括但不限于以下步骤:
步骤S1:将目标流域划分为多个子流域,并获取在所述目标流域中气象站点的分布信息;
步骤S2:在每个所述子流域的几何中心生成一个虚拟气象站点;
步骤S3:获取每个所述子流域的虚拟气象站点的虚拟气象数据,作为每个所述子流域的气象输入数据,输入至流域面源污染模型。
在步骤S1中,将目标流域划分为多个子流域,即划分出计算单元可以依据是单元内部的基础特性的一致性,包括地形、土壤和管理措施等,还可以包括但不限于高程、坡度、坡向、坡长、起伏度、植被覆盖度等,计算单元的尺度则由上述基础特性相关的基础数据决定。
图2是本发明提供的目标流域中子流域和气象站点的分布示意图,作为一种可选实施例,可以基于影响气象数据指标的环境特征,将某一目标流域划分为sub1-sub8等8个不同的子流域。
在确定各子流域后,进一步确定目标流域中气象站点的分布信息,即获取到目标流域至各个预先设定的气象站点的空间分布情况。以图2为例,可以获知在整个目标流域中共有station1-station3等三个气象站点,分别分布于子流域sub2、sub3和sub8中。
气象数据作为流域农业面源污染模型驱动型输入数据,气象数据的空间表达尺度与计算单元的尺度并不匹配,故本发明通过在每个子流域的几何中心生成一个虚拟气象站,并以该虚拟气象站的气象数据作为计算单元,对气象输入数据进行精度优化,以实现气象输入数据匹配计算单元尺度,确保提升面源污染模型的输入数据精度的提升。
其中,流域面源污染模型中的气象输入数据可以包括降水、最高最低气温、湿度、太阳辐射和风速等。
气象输入数据一般存在两种类型,包括:实测站点数据和栅格数据。其中,实测站点数据由人工或自动气象站直接测量获得,精度高,获取成本高,布设数量有限;而栅格数据通常由遥感方式直接观测或反演获得,也有通过气象站点和遥感数据进行同化得到的栅格数据,其特点是成本低,可实现连续覆盖,但空间分辨率较低,数值精度低于实测站点数据。在流域尺度下,气象输入数据的空间差异主要受局部的地形和植被等环境特征影响,也表现出一定的空间异质性,本发明提供的气象输入数据匹配方法,采用基于环境特征的相似性,将气象输入数据匹配到计算单元,可以较大程度地提高计算单元的输入数据精度。
具体地,在每个子流域的几何中心为每个子流域生成一个虚拟气象站点,并分别获取每个虚拟气象站点的虚拟气象站点,其具体方法可以包括:
在有气象站点分布的子流域中(如图2中的sub2、sub3和sub8中),其虚拟气象站点的虚拟气象数据直接采用对应的实测站点(station2、station3和station1)的气象数据。
可选地,在没有气象站点分布的子流域中,(如图2中的sub1等),其虚拟站点的虚拟气象数据,则可以根据该子流域与其它具有气象站点分布的子流域之间的环境特征相似性指标关系,并结合具有气象站点分布的子流域所采集的实测气象数据进行估算。
例如:在需要获取sub1的虚拟气象站点的虚拟气象数据时,可以根据sub1与其它所有具有气象站点的子区域sub2、sub3和sub8之间的环境特征相似性指标关系综合估算出来。
在确定了每个子区域的虚拟气象站点,以及确定了每个虚拟气象站点的虚拟气象数据之后,即实现了气象输入数据的空间表达尺度与计算单元的尺度匹配。最后,将每个虚拟气象站点的空间位置以及各自的虚拟气象数据输入至流域面源污染模型,即可以实现流域农业面源污染排放负荷量或动态过程的更准确模拟。
本发明提供的气象输入数据匹配方法,针对流域尺度的农业面源污染模型的气象数据匹配问题,基于影响气象数据指标的环境特征,将气象输入数据并匹配到计算单元尺度,提高面源污染模型的输入数据精度,最终提升整个流域面源污染模型的计算精度。
基于上述实施例的内容,作为一种可选实施例,在气象数据仅包含气象站点的实测气象数据的情况下,所述获取每个所述子流域的虚拟气象站点的虚拟气象数据,包括但不限于:
根据预设的环境特征相似性指标,分别提取每个所述子流域的环境特征值,以构建特征描述向量;在确定任一目标子流域为一类子流域的情况下,根据所述目标子流域中每个所述气象站点的实测气象数据,确定所述目标子流域中虚拟气象站点的虚拟气象数据;在确定任一目标子流域为二类子流域的情况下,根据所有一类子流域的虚拟气象数据的加权平均值,确定所述目标子流域中虚拟气象站点的虚拟气象数据;所述加权平均值的权重为所述目标子流域的特征描述向量与相应的一类子流域的特征描述向量的余弦距离;所述一类子流域为具有至少一个气象站点的子流域;所述二类子流域为子流域不具有气象站点的子流域。
由于气象数据一般有两种类型,包括实测站点数据和栅格数据,加之实测站点数据和栅格数据的不同采集方式,故本发明提供的气象输入数据匹配方法,依据可获得气象数据的不同,将其应用情景分为两类:情景1是气象数据仅包含气象站点的实测气象数据的情况(即目标流域仅设置有气象站点,但没有相关的遥感监测装置协同获取气象数据),情景2是气象数据中不仅包括实测气象数据还包括栅格气象数据(即在目标流域中不仅设置有气象站点,还可以借助遥感监测装置,以同时采集实测站点数据和栅格数据)。
SWAT模型是一个物理基础的模型,可以进行连续时间序列的模拟,是采用日为时间连续计算。SWAT模型是一种基于GIS基础之上的分布式流域水文模型,模拟的流域水文过程包括如水量、水质、以及杀虫剂的输移与转化过程。在后续实施例中,均以SWAT模型应用为例进行说明,但其不视为对本发明保护范围的具体限定。
以图2所示的目标流域中各子流域以及各气象站点的分布情况为例,目标流域被划分为8个子流域sub1-sub8,整个目标流域内有3个气象站点station1-station3,分别分布在子流域sub8、sub2和sub3中,在情景1的情况下,所述获取每个所述子流域的虚拟气象站点的虚拟气象数据的方法,主要包括:
一)、根据目标流域的特点,选取若干环境特征相似性指标,包括但不限于高程、坡度、坡向、坡长、起伏度、植被覆盖度,对每个子流域提取环境特征值,得到对应的特征描述向量:
其中,为第i个子流域的环境特征相似性指标数据,n为环境特征相似性指标的种类,/>为子流域/>的特征描述向量。
二、为了便于描述,本发明将具有至少一个气象站点的子流域简称为一类子流域,如:sub8、sub2和sub3;将不具有气象站点的子流域简称为二类子流域,如:sub1、sub4、sub5、sub6和sub7。
针对sub8、sub2和sub3等一类子流域,确定其虚拟气象站点的虚拟气象数据为其区域内气象站点的实际测量的气象数据,如:
sub8中虚拟气象站点的虚拟气象数据则为气象站点station1所实际测量的气象数据;sub2中虚拟气象站点的虚拟气象数据则为气象站点station2所实际测量的气象数据;sub3中虚拟气象站点的虚拟气象数据则为气象站点station3所实际测量的气象数据。
需要说明的是,由于在一个目标子流域内具有气象站点也包括不同的情况,即该目标子流域中可能仅具有一个气象站点,但也可以同时具有两个或两个以上气象站点。有鉴于此,本发明针对上述不同情况,分别提供了虚拟气象站点的虚拟气象数据的确定方法:
1)、在确定所述目标子流域中仅具有一个气象站点的情况下,将所述气象站点的实测气象数据作为目标子流域中虚拟气象站点的虚拟气象数据。
如:图2中的sub8、sub2和sub3等子流域中均仅具有一个气象站点,则分别将各自区域内的气象站点的实测气象数据作为各自虚拟气象站点的虚拟气象数据。
2)、在确定所述子流域具有多个气象站点的情况下,获取所有气象站点的实测气象均值数据作为所述目标子流域中虚拟气象站点的虚拟气象数据。
假设子流域sub8中不仅具有气象站点station1还具有气象站点station4,那么可以分别获取气象站点station1和气象站点station4的实测气象数据,然后计算两组实测气象数据的平均值(即实测气象均值数据),以作为子流域sub8中虚拟气象站点的虚拟气象数据。
进一步地,针对sub1、sub4、sub5、sub6和sub7等二类子区域,其虚拟站点气象数据则为所有一类子流域的虚拟气象数据的加权平均值,其权重为该目标子流域与对应的一类子流域的环境特征向量的余弦距离。
可选地,所述环境特征向量的余弦距离(即加权平均值的权重)的计算方法为:
其中,目标子流域Y与一类子流域X之间的余弦距离;BYi为目标子流域Y的特征描述向量;BXi为一类子流域X的特征描述向量;n为一类子流域X的数量。
例如:以图2所示的情景为例,要确定子流域sub1中虚拟气象站点的虚拟气象数据,可以采用以下步骤:
首先。分别计算所有一类子流域的虚拟气象数据,即分别计算出sub2、sub3、sub8的虚拟气象数据,分别表示为:value_sub2、value_sub3和value_sub8.
然后,分别计算子流域sub1与所有一类子流域的特征描述向量的余弦距离,分别记为:dist1_2、dist1_3和dist1_8,其中:
dist1_2=dist(sub1,susb2);
dist1_3=dist(sub1,susb3);
dist1_8=dist(sub1,susb8)。
最后,计算sub1中虚拟气象站点的虚拟气象数据value_sub1:
value_sub1=(dist1_2*value_sub2+dist1_3*value_sub3+dist1_8*value_sub8)/(dist1_2+dist1_3+dist1_8)。
本发明提供的气象输入数据匹配方法,采用环境特征向量来描述子流域的气象指标的背景差异,使用向量余弦距离来度量子流域间的气象数据相似性,依据相似性指标来推算气象数据或修正值,有效的提高了气象数据匹配的精度。
上述实施例均是在情景1的情况下,所述获取每个所述子流域的虚拟气象站点的虚拟气象数据的方法,后续实施例将针对情景2的情况下,如何获取每个所述子流域的虚拟气象站点的虚拟气象数据进行说明。
图3是本发明提供的包含有栅格数据的目标流域中子流域和气象站点的分布示意图,如图3所示,在所述气象数据还包含气象站点的栅格气象数据的情况下,所述获取每个所述子流域的虚拟气象站点的虚拟气象数据之后,还包括:
在确定任一目标子流域为一类子流域的情况下,确定所述目标子流域中虚拟气象站点的修正气象数据;所述修正气象数据是根据所述虚拟气象站点的虚拟气象数据与所述目标子流域的栅格气象数据综合确定的;所述目标子流域的栅格气象数据为与所述目标子流域相交的格栅重叠部分面积加权的方式所获取的加权平均值;
在确定任一目标子流域为二类子流域的情况下,根据所有一类子流域修正气象数据的加权平均值,确定所述目标子流域中虚拟气象站点的修正气象数据;所述加权平均值的权重为所述目标子流域的特征描述向量与相应的一类子流域的特征描述向量的余弦距离;将所述目标子流域的虚拟气象站点的虚拟气象数据与所述修正气象数据相加,确定最终气象数据。
具体地,本发明提供的气象输入数据匹配方法,在情景1的站点数据基础上增加了栅格数据,以结合栅格数据的连续覆盖和站点实测数据精度高的优势,提高气象输入数据的整体精度,包括但不限于以下步骤:
1)、根据目标流域的特点,选取若干环境特征相似性指标,包括但不限于高程、坡度、坡向、坡长、起伏度、植被覆盖度,对每个子流域提取环境特征值,得到对应的特征描述向量,在此不作赘述。
2)、在每个子流域的几何中心,为每个子流域生成一个虚拟气象站点。针对任一目标子流域,分别提取与其相交的栅格,并按照重叠部分面积加权的方式计算加权平均值,以作为该目标子流域的虚拟站点的栅格气象数据记为:
其中,目标子流域与j个栅格数据单元相交;为对应栅格的值,如:子流域与栅格1、2…j栅格相交,对应的栅格值是/> 为标子流域与第j个栅格数据单元的重叠面积。
如图3所示,子流域sub1分别以格栅cell4、cell5、cell7和cell8相交,则可以计算sub1与每个格栅的重叠面积,以及每个格栅对应的气象数据(简称栅格值),并通过加权平均值的方法,计算出子流域sub1的栅格气象数据
3)、有气象站点分布的一类子流域中,提取其中的气象站点的气象数据到该子流域并结合该子流域相关的栅格气象数据/>共同确定对应虚拟站点的虚拟气象数据(称为:修正气象数据/>):
其中,为目标子流域的虚拟气象数据;/>为目标子流域的栅格气象数据,/>为目标子流域为一类子流域时的修正气象数据。
4)、在没有气象站点分布的二类子流域,根据其他所有一类子流域的修正气象数据以及该子流域自身的栅格数据,确定对应虚拟站点的虚拟气象数据(为区别记为最终气象数据vsubi):
其中,为目标子流域为二类子流域时的修正气象数据,/>为目标子流域的最终气象数据。
最后,以所有虚拟气象站点的空间位置和向虚拟气象数据,输出站点文件和站点数据文件,作为SWAT模型的气象输入数据。
本发明提供的气象输入数据匹配方法,充分考虑目标流域内的气象数据的空间差异很大程度上受局部环境特征影响,根据背景特征相似度估算缺少站点数据子流域的气象数据值或修正值,能充分反映子流域之间的差异,同时充分利用输入数据的信息,提高计算单元输入数据的精度。
图4是本发明提供的气象输入数据匹配***的结构示意图,如图4所示,包括但不限于信息获取单元401、站点虚拟单元402和数据转换单元403,其中:
信息获取单元401主要用于将目标流域划分为多个子流域,并获取在所述目标流域中气象站点的分布信息;
站点虚拟单元402主要用于在每个所述子流域的几何中心生成一个虚拟气象站点;
数据转换单元403主要用于获取每个所述子流域的虚拟气象站点的虚拟气象数据,作为每个所述子流域的气象输入数据,输入至流域面源污染模型。
需要说明的是,本发明实施例提供的气象输入数据匹配***,在具体执行时,可以基于上述任一实施例所述的气象输入数据匹配方法来实现,对此本实施例不作赘述。
本发明提供的气象输入数据匹配***,针对流域尺度的农业面源污染模型的气象数据匹配问题,基于影响气象数据指标的环境特征,将气象输入数据匹配到计算单元尺度,提高面源污染模型的输入数据精度提升,最终提升整个流域面源污染模型的计算精度。
图5是本发明提供的电子设备的结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行气象输入数据匹配方法,该方法包括:将目标流域划分为多个子流域,并获取在所述目标流域中气象站点的分布信息;在每个所述子流域的几何中心生成一个虚拟气象站点;获取每个所述子流域的虚拟气象站点的虚拟气象数据,作为每个所述子流域的气象输入数据,输入至流域面源污染模型。
此外,上述的存储器530中的逻辑指令可以通过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。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的气象输入数据匹配方法,该方法包括:将目标流域划分为多个子流域,并获取在所述目标流域中气象站点的分布信息;在每个所述子流域的几何中心生成一个虚拟气象站点;获取每个所述子流域的虚拟气象站点的虚拟气象数据,作为每个所述子流域的气象输入数据,输入至流域面源污染模型。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的气象输入数据匹配方法,该方法包括:将目标流域划分为多个子流域,并获取在所述目标流域中气象站点的分布信息;在每个所述子流域的几何中心生成一个虚拟气象站点;获取每个所述子流域的虚拟气象站点的虚拟气象数据,作为每个所述子流域的气象输入数据,输入至流域面源污染模型。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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计算机可读存储介质中,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,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种气象输入数据匹配方法,其特征在于,包括:
将目标流域划分为多个子流域,并获取在所述目标流域中气象站点的分布信息;
在每个所述子流域的几何中心生成一个虚拟气象站点;
获取每个所述子流域的虚拟气象站点的虚拟气象数据,作为每个所述子流域的气象输入数据,输入至流域面源污染模型;
在气象数据仅包含气象站点的实测气象数据的情况下,所述获取每个所述子流域的虚拟气象站点的虚拟气象数据,包括:
根据预设的环境特征相似性指标,分别提取每个所述子流域的环境特征值,以构建特征描述向量;
在确定任一目标子流域为一类子流域的情况下,根据所述目标子流域中每个所述气象站点的实测气象数据,确定所述目标子流域中虚拟气象站点的虚拟气象数据;
在确定任一目标子流域为二类子流域的情况下,根据所有一类子流域的虚拟气象数据的加权平均值,确定所述目标子流域中虚拟气象站点的虚拟气象数据;所述加权平均值的权重为所述目标子流域的特征描述向量与相应的一类子流域的特征描述向量的余弦距离;
所述一类子流域为具有至少一个气象站点的子流域;
所述二类子流域为子流域不具有气象站点的子流域;
所述加权平均值的权重的表达式为:
;
其中,目标子流域Y与一类子流域X之间的余弦距离;为目标子流域Y的特征描述向量;/>为一类子流域X的特征描述向量;n为一类子流域X的数量。
2.根据权利要求1所述的气象输入数据匹配方法,其特征在于,在确定任一目标子流域为一类子流域的情况下,根据所述目标子流域中每个所述气象站点的实测气象数据,确定所述目标子流域中虚拟气象站点的虚拟气象数据,包括:
在确定所述目标子流域中仅具有一个气象站点的情况下,将所述气象站点的实测气象数据作为所述目标子流域中虚拟气象站点的虚拟气象数据;
在确定所述子流域具有多个气象站点的情况下,获取所有气象站点的实测气象均值数据作为所述目标子流域中虚拟气象站点的虚拟气象数据。
3.根据权利要求1所述的气象输入数据匹配方法,其特征在于,所述环境特征相似性指标为高程、坡度、坡向、坡长、起伏度、植被覆盖度中的至少一种。
4.根据权利要求1-3任一所述的气象输入数据匹配方法,其特征在于,在所述气象数据还包含气象站点的栅格气象数据的情况下,所述获取每个所述子流域的虚拟气象站点的虚拟气象数据之后,还包括:
在确定任一目标子流域为一类子流域的情况下,确定所述目标子流域中虚拟气象站点的修正气象数据;所述修正气象数据是根据所述虚拟气象站点的虚拟气象数据与所述目标子流域的栅格气象数据综合确定的;所述目标子流域的栅格气象数据为与所述目标子流域相交的格栅重叠部分面积加权的方式所获取的加权平均值;
在确定任一目标子流域为二类子流域的情况下,根据所有一类子流域修正气象数据的加权平均值,确定所述目标子流域中虚拟气象站点的修正气象数据;所述加权平均值的权重为所述目标子流域的特征描述向量与相应的一类子流域的特征描述向量的余弦距离;将所述目标子流域的虚拟气象站点的栅格气象数据与所述修正气象数据相加,确定最终气象数据。
5.根据权利要求4所述的气象输入数据匹配方法,其特征在于,在确定任一目标子流域为一类子流域的情况下,确定所述目标子流域中虚拟气象站点的修正气象数据的计算公式为:
;
其中,为目标子流域的虚拟气象数据;/>为目标子流域的栅格气象数据,为目标子流域为一类子流域时的修正气象数据;
在确定任一目标子流域为二类子流域的情况下,所述确定最终气象数据的计算公式为:
;
其中,为目标子流域为二类子流域时的修正气象数据,/>为目标子流域的最终气象数据。
6.一种气象输入数据匹配***,其特征在于,包括:
信息获取单元,用于将目标流域划分为多个子流域,并获取在所述目标流域中气象站点的分布信息;
站点虚拟单元,用于在每个所述子流域的几何中心生成一个虚拟气象站点;
数据转换单元,用于获取每个所述子流域的虚拟气象站点的虚拟气象数据,作为每个所述子流域的气象输入数据,输入至流域面源污染模型;
所述信息获取单元、所述站点虚拟单元以及所述数据转换单元能够实现如权利要求1至5任一项所述气象输入数据匹配方法步骤。
7.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述气象输入数据匹配方法步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述气象输入数据匹配方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110413972.3A CN113177702B (zh) | 2021-04-16 | 2021-04-16 | 一种气象输入数据匹配方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110413972.3A CN113177702B (zh) | 2021-04-16 | 2021-04-16 | 一种气象输入数据匹配方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113177702A CN113177702A (zh) | 2021-07-27 |
CN113177702B true CN113177702B (zh) | 2024-02-06 |
Family
ID=76923472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110413972.3A Active CN113177702B (zh) | 2021-04-16 | 2021-04-16 | 一种气象输入数据匹配方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177702B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11160452A (ja) * | 1997-11-28 | 1999-06-18 | Toshiba Corp | 気象データ表示装置 |
JP3131559U (ja) * | 2007-01-30 | 2007-05-17 | 財団法人日本気象協会 | メッシュ気象情報作成装置 |
CN102663267A (zh) * | 2012-05-15 | 2012-09-12 | 南京大学 | 一种半湿润区流域面源污染负荷的确定方法 |
CN102819677A (zh) * | 2012-07-30 | 2012-12-12 | 河海大学 | 基于单场降雨类型的降雨站点相似性评价方法 |
CN107403036A (zh) * | 2017-07-04 | 2017-11-28 | 河海大学 | 基于swat模型的流域天然径流计算方法 |
CN109213837A (zh) * | 2018-08-27 | 2019-01-15 | 北京师范大学 | 一种流域多模型集成数据处理方法 |
CN110427594A (zh) * | 2019-07-18 | 2019-11-08 | 北京中科资环信息技术研究院 | 适合小型实验室的气象要素数据获取*** |
CN111175444A (zh) * | 2018-11-13 | 2020-05-19 | 西藏神州瑞霖环保科技股份有限公司 | 一种用于复杂地形可实时监测污染物浓度的监测车 |
KR102223161B1 (ko) * | 2019-10-11 | 2021-03-03 | 노주현 | 기상데이터에 기초한 시기성상품 예측 시스템 및 방법 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AR109623A1 (es) * | 2018-02-16 | 2019-01-09 | Pescarmona Enrique Menotti | Proceso y sistema de análisis y gestión hidrológica para cuencas |
-
2021
- 2021-04-16 CN CN202110413972.3A patent/CN113177702B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11160452A (ja) * | 1997-11-28 | 1999-06-18 | Toshiba Corp | 気象データ表示装置 |
JP3131559U (ja) * | 2007-01-30 | 2007-05-17 | 財団法人日本気象協会 | メッシュ気象情報作成装置 |
CN102663267A (zh) * | 2012-05-15 | 2012-09-12 | 南京大学 | 一种半湿润区流域面源污染负荷的确定方法 |
CN102819677A (zh) * | 2012-07-30 | 2012-12-12 | 河海大学 | 基于单场降雨类型的降雨站点相似性评价方法 |
CN107403036A (zh) * | 2017-07-04 | 2017-11-28 | 河海大学 | 基于swat模型的流域天然径流计算方法 |
CN109213837A (zh) * | 2018-08-27 | 2019-01-15 | 北京师范大学 | 一种流域多模型集成数据处理方法 |
CN111175444A (zh) * | 2018-11-13 | 2020-05-19 | 西藏神州瑞霖环保科技股份有限公司 | 一种用于复杂地形可实时监测污染物浓度的监测车 |
CN110427594A (zh) * | 2019-07-18 | 2019-11-08 | 北京中科资环信息技术研究院 | 适合小型实验室的气象要素数据获取*** |
KR102223161B1 (ko) * | 2019-10-11 | 2021-03-03 | 노주현 | 기상데이터에 기초한 시기성상품 예측 시스템 및 방법 |
Non-Patent Citations (5)
Title |
---|
Application of SWAT Model considering Spatial Distribution of Rainfall;WON, JANG DAE 等;Journal of Wetlands Researh;第20卷(第1期);第94-103页 * |
气象相似性网络构建及缺失气象数据的插补;余威;中国优秀硕士学位论文全文数据库 基础科学辑(第12期);第A009-3页 * |
胡远安 等.遥感与GIS辅助下的非点源模型空间参数提取.重庆环境科学.2003,第25卷(第10期),第7-9/20/90页. * |
遥感与GIS辅助下的非点源模型空间参数提取;胡远安 等;重庆环境科学;第25卷(第10期);第7-9/20/90页 * |
黄河上中游管理局 编著.淤地坝监测.中国计划出版社,2005,(第第1版版),第217-218页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113177702A (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nipen et al. | Adopting citizen observations in operational weather prediction | |
US20220043182A1 (en) | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data | |
CN111078678B (zh) | 一种基于多源信息融合与降尺度的卫星降水数据校正方法 | |
US10439594B2 (en) | Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation | |
CN114254561A (zh) | 一种内涝预测方法、***及存储介质 | |
Gong et al. | Extreme learning machine for reference crop evapotranspiration estimation: Model optimization and spatiotemporal assessment across different climates in China | |
CN110597873A (zh) | 降水数据估计方法、装置、设备及存储介质 | |
Xu et al. | A kriging and entropy-based approach to raingauge network design | |
CN113222019B (zh) | 输电线路杆塔的气象预报数据处理方法、装置、设备 | |
CN114819737B (zh) | 公路路域植被的碳储量估算方法、***及存储介质 | |
CN112699951A (zh) | 降水数据融合方法、装置、终端设备及可读存储介质 | |
Junk et al. | Comparison of postprocessing methods for the calibration of 100-m wind ensemble forecasts at off-and onshore sites | |
CN111985421A (zh) | 基于地理加权回归模型的耕地田坎系数估算方法及装置 | |
CN115983511A (zh) | 基于改进统计降尺度方法的降水预估方法和*** | |
Chen et al. | A high speed method of SMTS | |
de Aquino Ferreira et al. | Validation of the representativeness of wind speed time series obtained from reanalysis data for Brazilian territory | |
Beaucage et al. | Synthetic aperture radar satellite data for offshore wind assessment: A strategic sampling approach | |
CN113177702B (zh) | 一种气象输入数据匹配方法及*** | |
Wardah et al. | Radar rainfall estimates comparison with kriging interpolation of gauged rain | |
CN116796649A (zh) | 一种基于机器学习的spei粗分辨率数据空间降尺度方法及装置 | |
CN115166874A (zh) | 基于机器学习的气象干旱指数spi构建方法 | |
CN116258023B (zh) | 风电场的风速预测方法及终端设备 | |
Alidoost et al. | Three novel copula-based bias correction methods for daily ECMWF air temperature data | |
CN118245770B (zh) | 多气象要素分布特征的生成方法、装置、设备及介质 | |
Maity et al. | Alternative approach for estimation of precipitation using Doppler weather radar data |
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 |