CN113988466A - 一种预报降雨量数据的校正方法、装置及设备 - Google Patents
一种预报降雨量数据的校正方法、装置及设备 Download PDFInfo
- Publication number
- CN113988466A CN113988466A CN202111364973.XA CN202111364973A CN113988466A CN 113988466 A CN113988466 A CN 113988466A CN 202111364973 A CN202111364973 A CN 202111364973A CN 113988466 A CN113988466 A CN 113988466A
- Authority
- CN
- China
- Prior art keywords
- data
- precipitation
- error
- rainfall
- predicted
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012937 correction Methods 0.000 title claims abstract description 42
- 238000001556 precipitation Methods 0.000 claims abstract description 217
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims description 20
- 230000003287 optical effect Effects 0.000 claims description 14
- 238000005315 distribution function Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013519 translation Methods 0.000 description 5
- 238000004422 calculation algorithm 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
- 230000006870 function Effects 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007306 turnover Effects 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种预报降雨量数据的校正方法、装置及设备，该方法包括的步骤：获取某一区域的n个云团数据，采用含水量计算公式对n个云团数据进行处理，得到该区域的预测降水量；获取该区域的实际降水量，并通过预测降水量与实际降水量作差处理，得到误差降水数据；通过差降水数据对预测降水量进行校正分析，得到校正后的预测降水量。该预报降雨量数据的校正方法通过获取原始的预测降水量与实际降水量比较，得到误差降水数据，根据误差降水数据校正预测降水量，以使校正后的预测降水量与实际降水量之间误差可以忽略，提高预测降水量的准确度，得到校正后的预测降水量为以后准确的天气预测提供了指导方向。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种预报降雨量数据的校正方法、装置及设备。
背景技术
降雨量是一种重要的灾害数据，降雨量也是区域水资源量计算的重要依据，因此寻找一种准确简便的方法来预测降雨量是十分必要的，那么对降雨量的测量和预测的准确性是比较重要的。但是现有的对降雨量的测量的数据有时因天气因素会出现偏差，若不对得到的数据进行校正，导致保存的是历史数据为错误的数据，导致预测的降雨量也是错误。
发明内容
本发明实施例提供了一种预报降雨量数据的校正方法、装置及设备，用于解决现有测量的降雨量数据没有进行校正，使得获取的降雨量数据存在错误的技术问题。
为了实现上述目的，本发明实施例提供如下技术方案：
一种预报降雨量数据的校正方法，包括以下步骤：
获取某一区域的n个云团数据，采用含水量计算公式对n个所述云团数据进行处理，得到该区域的预测降水量；
获取该区域的实际降水量，并通过所述预测降水量与所述实际降水量作差处理，得到误差降水数据；
通过所述误差降水数据对所述预测降水量进行校正分析，得到校正后的预测降水量；
其中，所述含水量计算公式为：
式中，a为云团数据中每单位厚度面积内的含水量，s为区域的测量面积，n为区域的测量数量，i∈n，p为云团的移动概率，L为云团的移动距离，h3为云团顶层与底层之间的高度差，wx为区域x的预测降水量。
优选地，通过所述误差降水数据对所述预测降水量进行校正分析，得到校正后的预测降水量包括：采用傅里叶变换对所述误差降水数据和所述云团数据分析，得到校正后的高度差；通过所述校正后的高度差和所述含水量计算公式，得到校正后的预测降水量。
优选地，通过所述误差降水数据对所述预测降水量进行校正分析，得到校正后的预测降水量包括：基于所述误差降水数据，采用多尺度光流技术对所述云团数据分析，得到校正后的误差降水数据，若所述校正后的误差降水数据小于误差阈值，与该所述校正后的误差降水数据对应的预测降水量作为校正后的预测降水量。
优选地，通过所述误差降水数据对所述预测降水量进行校正分析，得到校正后的预测降水量包括：基于所述误差降水数据，采用累积分布函数对所述云团数据分析，得到校正后的误差降水数据，若所述校正后的误差降水数据小于误差阈值，与该所述校正后的误差降水数据对应的预测降水量作为校正后的预测降水量。
优选地，该预报降雨量数据的校正方法包括：采用雷达扫描获取某一区域的每个云团数据，每个所述云团数据包括每单位厚度面积内的含水量、测量面积、移动概率、移动距离、顶层高度和底层高度。
优选地，该预报降雨量数据的校正方法包括：从雨水测量***获取该区域的实际降水量。
本发明还提供一种预报降雨量数据的校正装置，包括预测数据获取模块、实际数据获取模块和校正模块；
所述预测数据获取模块，用于获取某一区域的n个云团数据，采用含水量计算公式对n个所述云团数据进行处理，得到该区域的预测降水量；
所述实际数据获取模块，用于获取该区域的实际降水量，并通过所述预测降水量与所述实际降水量作差处理，得到误差降水数据；
所述校正模块，用于通过所述误差降水数据对所述预测降水量进行校正分析，得到校正后的预测降水量；
其中，所述含水量计算公式为：
式中，a为云团数据中每单位厚度面积内的含水量，s为区域的测量面积，n为区域的测量数量，i∈n，p为云团的移动概率，L为云团的移动距离，h3为云团顶层与底层之间的高度差，wx为区域x的预测降水量。
优选地，所述校正模块用于采用傅里叶变换对所述误差降水数据和所述云团数据分析，得到校正后的高度差；通过所述校正后的高度差和所述含水量计算公式，得到校正后的预测降水量。
优选地，所述校正模块用于基于所述误差降水数据，采用多尺度光流技术或累积分布函数对所述云团数据分析，得到校正后的误差降水数据，若所述校正后的误差降水数据小于误差阈值，与该所述校正后的误差降水数据对应的预测降水量作为校正后的预测降水量。
本发明还提供一种预报降雨量数据的校正设备，包括处理器以及存储器；
所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器，用于根据所述程序代码中的指令执行上述所述的预报降雨量数据的校正方法。
从以上技术方案可以看出，本发明实施例具有以下优点：该预报降雨量数据的校正方法、装置及设备，该方法包括的步骤：获取某一区域的n个云团数据，采用含水量计算公式对n个云团数据进行处理，得到该区域的预测降水量；获取该区域的实际降水量，并通过预测降水量与实际降水量作差处理，得到误差降水数据；通过差降水数据对预测降水量进行校正分析，得到校正后的预测降水量。该预报降雨量数据的校正方法通过获取原始的预测降水量与实际降水量比较，得到误差降水数据，根据误差降水数据校正预测降水量，以使校正后的预测降水量与实际降水量之间误差可以忽略，提高预测降水量的准确度，得到校正后的预测降水量为以后准确的天气预测提供了指导方向，也为指导天气数据人员为后续天气数据测算提供了的方式，对天气数据进行分析和校正，解决了现有测量的降雨量数据没有进行校正，使得获取的降雨量数据存在错误的技术问题。
附图说明
为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例所述的预报降雨量数据的校正方法的步骤流程图；
图2为本发明实施例所述的预报降雨量数据的校正装置的框架图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
本申请实施例提供了一种预报降雨量数据的校正方法、装置及设备，用于解决了现有测量的降雨量数据没有进行校正，使得获取的降雨量数据存在错误的技术问题。
实施例一：
图1为本发明实施例所述的预报降雨量数据的校正方法的步骤流程图。
如图1所示，本发明实施例提供了一种预报降雨量数据的校正方法，包括以下步骤：
S1.获取某一区域的n个云团数据，采用含水量计算公式对n个云团数据进行处理，得到该区域的预测降水量。
需要说明的是，含水量计算公式为：
式中，a为云团数据中每单位厚度面积内的含水量，s为区域的测量面积，n为区域的测量数量，i∈n，p为云团的移动概率，L为云团的移动距离，h3为云团顶层与底层之间的高度差，wx为区域x的预测降水量。在本发明实施例中，在步骤S1主要是通过采用雷达扫描获取某一区域的每个云团数据，每个云团数据包括每单位厚度面积内的含水量、测量面积、移动概率、移动距离、顶层高度和底层高度等。
S2.获取该区域的实际降水量，并通过预测降水量与实际降水量作差处理，得到误差降水数据。
需要说明的是，在步骤S2中，主要是从现有的雨水测量***获取该区域的实际降水量。在本实施例中，雨水测量***测量该区域的实际降水量的内容是：当漏斗中装水达到一定的量后，会在重力的作用下失去均衡翻到，倾倒调整漏斗后继续盛装，雨水测量***再次记录下该部分的降雨量，如此依次类推，最终测出实际降水量。
在本发明实施例中，将预测降水量与实际降水量的大小比较，得到误差降水数据。误差降水数据的数值可以为正值、0或负值。
S3.通过误差降水数据对预测降水量进行校正分析，得到校正后的预测降水量。
需要说明的是，在步骤S3中主要是根据误差降水数据，对获取的云团数据进行校正，使得校正后的预测降水量与实际降水量之间的误差不超过误差阈值，说明该预测降水量是准确的。其中，误差阈值可以根据自身的需要自行定义，此处不作限定。
本发明提供的一种预报降雨量数据的校正方法，包括的步骤：获取某一区域的n个云团数据，采用含水量计算公式对n个云团数据进行处理，得到该区域的预测降水量；获取该区域的实际降水量，并通过预测降水量与实际降水量作差处理，得到误差降水数据；通过差降水数据对预测降水量进行校正分析，得到校正后的预测降水量。该预报降雨量数据的校正方法通过获取原始的预测降水量与实际降水量比较，得到误差降水数据，根据误差降水数据校正预测降水量，以使校正后的预测降水量与实际降水量之间误差可以忽略，提高预测降水量的准确度，得到校正后的预测降水量为以后准确的天气预测提供了指导方向，也为指导天气数据人员为后续天气数据测算提供了的方式，对天气数据进行分析和校正，解决了现有测量的降雨量数据没有进行校正，使得获取的降雨量数据存在错误的技术问题。
在本发明实施例中，该预报降雨量数据的校正方法通过得到误差降水数据能够对天气预报数据进行纠正，进而为以后天气预报提供指导性建议。通过误差降水数据校正得到准确的预测降水量数据，调整缩小预报误差降水数据，避免以后预报出现小的误差。
在本发明的一个实施例中，在步骤S3红，通过误差降水数据对预测降水量进行校正分析，得到校正后的预测降水量包括：
S31.采用傅里叶变换对误差降水数据和云团数据分析，得到校正后的高度差；通过校正后的高度差和含水量计算公式，得到校正后的预测降水量；或
S32.基于误差降水数据，采用多尺度光流技术对云团数据分析，得到校正后的误差降水数据，若校正后的误差降水数据小于误差阈值，与该校正后的误差降水数据对应的预测降水量作为校正后的预测降水量；或
S33.基于误差降水数据，采用累积分布函数对云团数据分析，得到校正后的误差降水数据，若校正后的误差降水数据小于误差阈值，与该校正后的误差降水数据对应的预测降水量作为校正后的预测降水量。
需要说明的是，误差阈值可以根据自行限定，此处不作限定。
在本发明实施例的步骤S31中，主要是从误差降水数据中获取雷达扫描的云团数据，用快速傅立叶变换(FFT)对雷达扫描的云团数据信号的频谱分析，对预报降水量数据进行校正，保证了预测降水量和实际降水量位移偏差得到修正。
需要说明的是，快速傅立叶变换算法可以有效地提取雷达扫描的云团数据信号中含有周期成分信号的频率幅值、相角等特征量，快速傅立叶变换算法主要是将时域内信号分解为多个具有不同幅值相位的正弦信号叠加的形式，从而实现对雷达扫描的云团数据信号的频谱分析，将这些正弦信号进行积分得出标准的云层数据，从而得到云层中的积水量，即预测降水量。在本实施例中，获取雷达扫描的云团数据信号，从信号中获取含有周期成分的频率幅值、相角等数据成分，对这些数据成分采用傅立叶变换算法进行位置转换，即在坐标轴上进行旋转，校正到正确的位置，然后从该位置获取对应的输入数据作为校正后的云团数据。
在本发明实施例中，采用傅里叶变换对误差降水数据和云团数据分析主要是对地区的时域内降雨数据(云层高度、根据降水量预测的云层厚度含有多少水量参数、还有雷达扫描出来的水量密集程度)信号分解为多个具有不同幅值相位的正弦信号叠加的形式，从而实现对雷达扫描的云团数据信号的频谱分析，将这些正弦信号进行积分得出校正的云团数据，从而得到云层中的积水量，即校正后的预测降水量。
在本发明实施例的步骤S32中，从误差降水数据中获取雷达扫描的云团数据，采用多尺度光流技术使预测降水量的走向和小范围降水区得到合理调整，并与实际降水量逐渐接近，让预报的降水落区与实况更吻合，达到校正的目的。
需要说明的是，通过多尺度光流技术可以得到云层在每个设定分辨率或尺度下的运动矢量，而其整体的群速和个别回波的相位速度亦能够在最终的分析场中反映出来；之后求取平移后的预报降水场和实际降水场的误差平方极小值来得到预报降水场的最佳平移位置，进而得到位相校正向量的值，最后得到校正后的预报降水量。其中，在多尺度光流技术中，一旦最优平移被确定，就可以将相同的映射集参数应用于具有相同初始场的下一个时次模式定量降水预报场的校正中。在本发明实施例中，采用的是多尺度光流变技术是将某一区域的云层分割成若干片，测出各个片区的云含雨量，根据误差降水数据使预测的降水量的走向和小范围降水区得到合理调整，使得预测降水量数据与实际降水量逐渐接近，让预报的降水落区与实况更吻合，达到校正的目的。
需要说明的是，通过这个多尺度光流技术可以得到云层在每个设定分辨率或尺度下的运动矢量，而其整体的群速和个别回波的相位速度亦能够在最终的分析场中反映出来；主要是通过求取平移后的预报降水场和实际降水场的误差平方极小值来得到预报降水场的最佳平移位置，进而得到位相校正向量的值，然后更新降雨量预报值。一旦最优平移被确定就可以将相同的映射集参数应用于具有相同初始场的下一个时次模式定量降水预报场的校正中。
在本实施例中，也可以通过多尺度光流技术分析某一区域的降水量，主要是采用多尺度光流技术获取云团数据以及对应的图片，图片包括中心区域、周边区域(各个区域对应不同路面上的位置)，对云团数据、图片作出分析处理，提取上边的数据，测取实际的降水数据，将实际的降水数据与预测降水量做差对比，得出误差降水数据。
在本发明实施例的步骤S33中，从误差数据中获取雷达扫描的云团数据，将预测降水量和实际降水量相关数据带入累积分布函数，调整造成误差数据的各个参数因子，使预测降水量不断地接近实际降水量，对预报降水场位强度校正。
需要说明的是，降水强度校正是通过预测降水量向实际降水量逼近来调整的。假设预测降水量预报与实际降水量满足韦伯分布，且预测降水量和实际降水量两个场的累计分布函数相同。其累积分布函数为：
。式中，x为大于0的降水量，α、β>0。其中，β为形状参数，α为尺度参数。形状参数决定降水量分布密度曲线的基本形状；尺度参数起放大或缩小曲线的作用，但不影响降水量分布的形状。每次校正过程中，通过测算数据的多样本运算求解，得到韦伯分布的参数α、β。值得注意的是在不同降水个例不同时校正过程中中，韦伯分布参数不同，每次调整造成误差降水数据的各个参数因子的强度情况也不一样，这样才能保证每次个例强度调整有效。
在本实施例中，也可以通过累积分布函数分析某一区域的降水量，其主要是将云层进行分片，获取云团数据，然后根据云团数据的规律(根据历史数据多次测算各个地区的云团数据值，得出的分布函数)，找出云团数据的概率分布函数，对云团数据进积分，求出整片云团的降雨数据，得出实际数据。
在本发明实施例中，在步骤S31至步骤S33中，均是基于误差降水数据查找出云图数据中出现预报降水量误差的数据点，并对查找的数据点进行调整，得到校正后的预报降水量。
需要说明的是，通过所述误差降水数据对所述预测降水量进行校正分析，得到校正后的预测降水量采用的方式可以是步骤S31、步骤S32、步骤S33中任意一种，也可以任意两种或两种以上结合使用。
实施例二：
图2为本发明实施例的预报降雨量数据的校正装置的框架图。
如图2所示，本发明实施例还提供一种预报降雨量数据的校正装置，包括预测数据获取模块101、实际数据获取模块102和校正模块103；
预测数据获取模块101，用于获取某一区域的n个云团数据，采用含水量计算公式对n个云团数据进行处理，得到该区域的预测降水量；
实际数据获取模块102，用于获取该区域的实际降水量，并通过预测降水量与实际降水量作差处理，得到误差降水数据；
校正模块103，用于通过误差降水数据对预测降水量进行校正分析，得到校正后的预测降水量；
其中，含水量计算公式为：
式中，a为云团数据中每单位厚度面积内的含水量，s为区域的测量面积，n为区域的测量数量，i∈n，p为云团的移动概率，L为云团的移动距离，h3为云团顶层与底层之间的高度差，wx为区域x的预测降水量。
在本发明实施例中，校正模块用于采用傅里叶变换对误差降水数据和云团数据分析，得到校正后的高度差；通过校正后的高度差和含水量计算公式，得到校正后的预测降水量。
在本发明实施例中，校正模块用于基于误差降水数据，采用多尺度光流技术或累积分布函数对云团数据分析，得到校正后的误差降水数据，若校正后的误差降水数据小于误差阈值，与该校正后的误差降水数据对应的预测降水量作为校正后的预测降水量。
需要说明的是，实施例二装置中的模块对应于实施例一方法中的步骤，实施例一方法中的步骤已在实施例一中详细阐述了，在此实施例二中不再对装置中的模块内容进行详细阐述。
实施例三：
本发明实施例提供了一种预报降雨量数据的校正设备，包括处理器以及存储器；
存储器，用于存储程序代码，并将程序代码传输给处理器；
处理器，用于根据程序代码中的指令执行上述的预报降雨量数据的校正方法。
需要说明的是，处理器用于根据所程序代码中的指令执行上述的一种预报降雨量数据的校正方法实施例中的步骤。或者，处理器执行计算机程序时实现上述各***/装置实施例中各模块/单元的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器中，并由处理器执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在终端设备中的执行过程。
终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，并不构成对终端设备的限定，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，例如终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以是终端设备的内部存储单元，例如终端设备的硬盘或内存。存储器也可以是终端设备的外部存储设备，例如终端设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及终端设备所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
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，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，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。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元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。
所述集成的单元如果以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全部或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-OnlyMemory)、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。
以上所述，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 (10)
1.一种预报降雨量数据的校正方法，其特征在于，包括以下步骤：
获取某一区域的n个云团数据，采用含水量计算公式对n个所述云团数据进行处理，得到该区域的预测降水量；
获取该区域的实际降水量，并通过所述预测降水量与所述实际降水量作差处理，得到误差降水数据；
通过所述误差降水数据对所述预测降水量进行校正分析，得到校正后的预测降水量；
其中，所述含水量计算公式为：
式中，a为云团数据中每单位厚度面积内的含水量，s为区域的测量面积，n为区域的测量数量，i∈n，p为云团的移动概率，L为云团的移动距离，h3为云团顶层与底层之间的高度差，wx为区域x的预测降水量。
2.根据权利要求1所述的预报降雨量数据的校正方法，其特征在于，通过所述误差降水数据对所述预测降水量进行校正分析，得到校正后的预测降水量包括：采用傅里叶变换对所述误差降水数据和所述云团数据分析，得到校正后的高度差；通过所述校正后的高度差和所述含水量计算公式，得到校正后的预测降水量。
3.根据权利要求1所述的预报降雨量数据的校正方法，其特征在于，通过所述误差降水数据对所述预测降水量进行校正分析，得到校正后的预测降水量包括：基于所述误差降水数据，采用多尺度光流技术对所述云团数据分析，得到校正后的误差降水数据，若所述校正后的误差降水数据小于误差阈值，与该所述校正后的误差降水数据对应的预测降水量作为校正后的预测降水量。
4.根据权利要求1所述的预报降雨量数据的校正方法，其特征在于，通过所述误差降水数据对所述预测降水量进行校正分析，得到校正后的预测降水量包括：基于所述误差降水数据，采用累积分布函数对所述云团数据分析，得到校正后的误差降水数据，若所述校正后的误差降水数据小于误差阈值，与该所述校正后的误差降水数据对应的预测降水量作为校正后的预测降水量。
5.根据权利要求1所述的预报降雨量数据的校正方法，其特征在于，包括：采用雷达扫描获取某一区域的每个云团数据，每个所述云团数据包括每单位厚度面积内的含水量、测量面积、移动概率、移动距离、顶层高度和底层高度。
6.根据权利要求1所述的预报降雨量数据的校正方法，其特征在于，包括：从雨水测量***获取该区域的实际降水量。
7.一种预报降雨量数据的校正装置，其特征在于，包括：预测数据获取模块、实际数据获取模块和校正模块；
所述预测数据获取模块，用于获取某一区域的n个云团数据，采用含水量计算公式对n个所述云团数据进行处理，得到该区域的预测降水量；
所述实际数据获取模块，用于获取该区域的实际降水量，并通过所述预测降水量与所述实际降水量作差处理，得到误差降水数据；
所述校正模块，用于通过所述误差降水数据对所述预测降水量进行校正分析，得到校正后的预测降水量；
其中，所述含水量计算公式为：
式中，a为云团数据中每单位厚度面积内的含水量，s为区域的测量面积，n为区域的测量数量，i∈n，p为云团的移动概率，L为云团的移动距离，h3为云团顶层与底层之间的高度差，wx为区域x的预测降水量。
8.根据权利要求7所述的预报降雨量数据的校正装置，其特征在于，所述校正模块用于采用傅里叶变换对所述误差降水数据和所述云团数据分析，得到校正后的高度差；通过所述校正后的高度差和所述含水量计算公式，得到校正后的预测降水量。
9.根据权利要求7所述的预报降雨量数据的校正装置，其特征在于，所述校正模块用于基于所述误差降水数据，采用多尺度光流技术或累积分布函数对所述云团数据分析，得到校正后的误差降水数据，若所述校正后的误差降水数据小于误差阈值，与该所述校正后的误差降水数据对应的预测降水量作为校正后的预测降水量。
10.一种预报降雨量数据的校正设备，其特征在于，包括处理器以及存储器；
所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器，用于根据所述程序代码中的指令执行如权利要求1-6任意一项所述的预报降雨量数据的校正方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111364973.XA CN113988466A (zh) | 2021-11-17 | 2021-11-17 | 一种预报降雨量数据的校正方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111364973.XA CN113988466A (zh) | 2021-11-17 | 2021-11-17 | 一种预报降雨量数据的校正方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113988466A true CN113988466A (zh) | 2022-01-28 |
Family
ID=79749176
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111364973.XA Pending CN113988466A (zh) | 2021-11-17 | 2021-11-17 | 一种预报降雨量数据的校正方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113988466A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115687876A (zh) * | 2022-10-11 | 2023-02-03 | 中国科学技术大学 | 一种基于雨团匹配的空间后处理方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110648007A (zh) * | 2018-06-26 | 2020-01-03 | 中国电力科学研究院有限公司 | 一种降雨预报指数校正方法和*** |
| CN111289983A (zh) * | 2020-04-16 | 2020-06-16 | 内蒙古工业大学 | 一种雷达垂直累积液态水含量反演方法 |
| CN111428676A (zh) * | 2020-04-01 | 2020-07-17 | 南京信息工程大学 | 一种基于稀疏对应和深度神经网络的短临降水预测方法 |
| CN113267834A (zh) * | 2020-11-30 | 2021-08-17 | 武汉超碟科技有限公司 | 一种基于多模型集成的融合降水预报方法 |
-
2021
- 2021-11-17 CN CN202111364973.XA patent/CN113988466A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110648007A (zh) * | 2018-06-26 | 2020-01-03 | 中国电力科学研究院有限公司 | 一种降雨预报指数校正方法和*** |
| CN111428676A (zh) * | 2020-04-01 | 2020-07-17 | 南京信息工程大学 | 一种基于稀疏对应和深度神经网络的短临降水预测方法 |
| CN111289983A (zh) * | 2020-04-16 | 2020-06-16 | 内蒙古工业大学 | 一种雷达垂直累积液态水含量反演方法 |
| CN113267834A (zh) * | 2020-11-30 | 2021-08-17 | 武汉超碟科技有限公司 | 一种基于多模型集成的融合降水预报方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115687876A (zh) * | 2022-10-11 | 2023-02-03 | 中国科学技术大学 | 一种基于雨团匹配的空间后处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11391569B2 (en) | Method and device for monitoring water volume change, computer device and storage medium | |
| CN111157965B (zh) | 车载毫米波雷达安装角度自校准方法、装置及存储介质 | |
| CN109543353B (zh) | 三维水汽反演方法、装置、设备和计算机可读存储介质 | |
| CN111259890A (zh) | 一种水位尺的水位识别方法、装置及设备 | |
| CN113450353B (zh) | 一种叶面积指数精度的优化方法和装置 | |
| CN112699951B (zh) | 降水数据融合方法、装置、终端设备及可读存储介质 | |
| CN112912932A (zh) | 一种车载摄像头的标定方法、装置及终端设备 | |
| CN114691661B (zh) | 一种基于同化的云导风、温湿廓线预处理分析方法及*** | |
| CN113988466A (zh) | 一种预报降雨量数据的校正方法、装置及设备 | |
| CN112526470A (zh) | 标定雷达参数的方法和装置、电子设备、存储介质 | |
| CN114240940A (zh) | 一种基于遥感影像的云及云阴影检测方法和装置 | |
| CN110162552B (zh) | 基于置信区间的时间序列特征提取方法及*** | |
| 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 | |
| CN111199191A (zh) | 基于刻度搜索的指针式仪表自动读取方法 | |
| CN115758717A (zh) | 模拟亮温偏差的估算方法、装置、电子设备及存储介质 | |
| CN115174761A (zh) | 调整相机的图像采集频率、图像采集的方法及装置 | |
| CN113723006A (zh) | 一种基于ls-svm的单台站地球变化磁场建模预测方法及*** | |
| CN112774181A (zh) | 雷达数据的处理方法、处理***以及计算机存储介质 | |
| CN114966601B (zh) | 基于毫米波雷达的山体滑坡预测方法和电子设备 | |
| CN116108338B (zh) | 一种针对粒子相态的动态集合识别方法和装置 | |
| CN117710833B (zh) | 基于云计算的测绘地理信息数据采集方法及相关装置 | |
| CN110726976B (zh) | 目标信息校准方法、装置和终端设备 | |
| CN113050057B (zh) | 一种人员检测方法、装置及终端设备 | |
| CN114548135B (zh) | 一种用于获取扫码图像的方法、装置和扫码设备 | |
| CN116176579B (zh) | 自动驾驶跟车车距测量计算装置及方法 |
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 |