CN115639625B - 一种高空间分辨率的精细化大气水平能见度自动预报*** - Google Patents
一种高空间分辨率的精细化大气水平能见度自动预报*** Download PDFInfo
- Publication number
- CN115639625B CN115639625B CN202211052183.2A CN202211052183A CN115639625B CN 115639625 B CN115639625 B CN 115639625B CN 202211052183 A CN202211052183 A CN 202211052183A CN 115639625 B CN115639625 B CN 115639625B
- Authority
- CN
- China
- Prior art keywords
- module
- visibility
- data
- forecasted
- atmospheric
- 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
- 230000008033 biological extinction Effects 0.000 claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000007405 data analysis Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000003915 air pollution Methods 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 11
- 239000007788 liquid Substances 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000008020 evaporation Effects 0.000 claims description 3
- 238000001704 evaporation Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 239000000443 aerosol Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于气象技术领域,公开了一种高空间分辨率的精细化大气水平能见度自动预报***,高空间分辨率的精细化大气水平能见度自动预报***包括:历史数据采集模块、实时数据采集模块、地理数据采集模块、数据预处理模块、中央控制模块、数据分析模块、空气质量分析模块、气象因子筛选模块、气象因子权重确定模块、污染因子筛选模块、消光系数确定模块、能见度预报模型构建模块、模型训练优化模块、预报模块以及结果输出模块。本发明利用基于气象因子构建的预报模型进行了能见度初步预报,再利用污染因子以及其他因子的消光系数对初步预报结果进行修正,实现了精细化、高准确的大气能见度预报。
Description
技术领域
本发明属于气象技术领域,尤其涉及一种高空间分辨率的精细化大气水平能见度自动预报***。
背景技术
目前,能见度是气象观测的常规项目,它反映了大气浑浊的程度。大气低能见度通常是重要危险天气,严重影响着航空、航海和道路交通等。据统计,80%以上的航空事故和海上碰撞事件是由低能见度引起的。低能见度的产生,是物理、化学、辐射过程在不同空间和时间尺度上活动的结果。研究认为气溶胶浓度改变、湍流混合、辐射等复杂过程及其在短时间、小尺度上的变化等因素的复杂非线性变化,是造成能见度预报困难的原因。
现有技术普遍使用WRF模式来预报未来的大气能见度,受到初始场误差和模式物理过程不完善,以及模式参数选取等因素的影响,利用WRF模式预报的大气能见度往往精度不高,不能很好地满足日常需求。
通过上述分析,现有技术存在的问题及缺陷为:现有的大气能见度预报精度不高、空间分辨率不够高、不能实现大气水平能见度的精细化、准确化预报。
发明内容
针对现有技术存在的问题,本发明提供了一种高空间分辨率的精细化大气水平能见度自动预报***。
本发明是这样实现的,一种高空间分辨率的精细化大气水平能见度自动预报***,所述高空间分辨率的精细化大气水平能见度自动预报***包括:历史数据采集模块,与中央控制模块连接,用于获取待预报区域的历史气象资料数据以及历史空气质量数据,所述历史数据采集模块设有表现层、逻辑处理层、驱动层和数据组态工具,所述逻辑层与表现层之间通过OPCUA接口进行连接,用于获取历史数据采集的操作指令,并提供给逻辑处理层,以及向用户提供实时数据;通过驱动层内置的前置处理机,用于向现场设备下发控制指令以及上传现场设备所采集的数据,以使所述逻辑处理层对所述数据进行分析处理,得到历史数据信息;
实时数据采集模块,与中央控制模块连接,用于获取待预报区域的实时气象与空气质量数据;
地理数据采集模块,与中央控制模块连接,用于获取待预报区域的地形、建筑分布以及地理环境数据;
数据预处理模块,与中央控制模块连接,用于对采集的历史气象资料数据以及历史空气质量数据进行预处理,所数据预处理模块进行数据预处理的逻辑为获取预处理的运算逻辑指令,读取历史空气质量地址通道上设置信号AR_INST的传输通道,在读取历史空气质量数据信号R_INST的传输通道;信号AR_INST随读请求通过读地址通道后,对历史空气质量进行数据的预先处理,数据预先处理完成后转发给信号R_INST,通过读数据通道传递到预处理模块,预处理模块基于信号R_INST对预处理后的数据进行运算处理,将处理后的读数据返回到请求模块。
中央控制模块,与历史数据采集模块、实时数据采集模块、地理数据采集模块、数据预处理模块、数据分析模块、空气质量分析模块、气象因子筛选模块、气象因子权重确定模块、污染因子筛选模块、消光系数确定模块、能见度预报模型构建模块、模型训练优化模块、预报模块以及结果输出模块连接,用于利用单片机或控制器控制各个模块正常工作;
中央控制模块基于FPGA控制逻辑的算法进行计算,算法组态软件参考PLC逻辑组态IEC61131-3标准中规定的FBD实现算法逻辑的组态,根据算法组态的逻辑映射生成逻辑上的映射文件,将算法组态中的变量、映射和转化关系通过FPGA算法执行器识别并且检索映射文件,并根据映射文件的维护协议的包头信息生成对应的下装文件,通过网卡驱动对网卡对下装文件进行分类管理,并将分类管理的下装文件输送至历史数据采集模块、实时数据采集模块、地理数据采集模块等各个模块之间实现数据的实时共享。
数据分析模块,与中央控制模块连接,用于对预处理的历史气象资料数据、采集的地理数据进行分析,得到气象特征分析结果,所述数据分析模块基于原始数据的矩阵归一化对数据进行处理分析,具体为将数据分成M个对象,之后设有N个评价指标,得到原始数据的数据阵为A=(aij)M*N,其中A为原始数据阵,aij为第i个评价对象,j为第j个评价对应的原始数据;
空气质量分析模块,与中央控制模块连接,用于基于预处理后的空气质量数据对待预报区域的空气质量进行分析;
气象因子筛选模块,与中央控制模块连接,用于基于气象特征分析结果确定本区域影响大气能见度的气象因子;
气象因子权重确定模块,与中央控制模块连接,用于采用相关性分析方法基于气象特征分析结果以及筛选得到的本区域影响大气能见度的气象因子确定各个气象因子的权重;
污染因子筛选模块,与中央控制模块连接,用于基于空气质量分析结果确定待预报区域的空气污染因子;
消光系数确定模块,与中央控制模块连接,用于基于确定的待预报区域的空气污染因子确定待预报区域的消光系数;
能见度预报模型构建模块,与中央控制模块连接,用于基于确定的本区域影响大气能见度的气象因子以及各个气象因子的权重构建大气能见度预报模型;
模型训练优化模块,与中央控制模块连接,用于对构建的大气能见度预报模型进行训练优化,得到优化后的大气能见度预报模型;
预报模块,与中央控制模块连接,用于利用优化后的大气能见度预报模型基于实时采集的气象数据以及空气质量数据进行待预报区域的大气水平能见度自动预报;
结果输出模块,与中央控制模块连接,用于输出实时气象数据、空气质量数据以及大气水平能见度预报结果。
进一步,所述气象资料数据包括:气温、相对湿度、水平能见度、风向、风速、降水量、雨量、气压、能见度、紫外线、云量、蒸发量、云高以及其他相关的气象要素数据。
进一步,所述数据分析模块对预处理的历史气象资料数据、采集的地理数据进行分析,得到气象特征分析结果包括:
首先,对预处理后的历史气象资料数据进行分析,得到待预报区域的能见度特征;
其次,基于确定的待预报区域的能见度特征采用主成分分析方法确定影响所述能见度特征的气象因素,并按照影响程度大小进行排列;
然后,基于预处理后的历史气象资料数据中的天气现象进行分析,确定带预报区域的天气现象特征;
再然后,对获取的待预报区域的地形、地理环境数据进行分析,确定待预报区域的地形特征;
最后,得到待预报区域包含所述能见度特征、影响所述能见度特征的气象因素、天气现象特征以及地形特征的气象特征分析结果。
进一步,所述气象因子筛选模块基于气象特征分析结果确定本区域影响大气能见度的气象因子包括:
获取气象特征分析结果,将获取的气象特征分析结果按照同一时间尺度进行划分,得到多个影响本区域大气能见度的因子;
构建影响大气能见度的回归方程,并逐一计算所述多个影响本区域大气能见度的因子对所述大气能见度的影响系数;
将所有影响本区域大气能见度的因子对所述大气能见度的影响系数按照从高到低排列,筛选所述影响系数超出预设阈值的因子作为本区域影响大气能见度的气象因子。
进一步,所述消光系数确定模块基于确定的待预报区域的空气污染因子确定待预报区域的消光系数包括:
1)获取确定的待预报区域的空气污染因子,并利用激光雷达通过测量大气中所述空气污染因子的后向散射回波信号,得到所述空气污染因子的消光系数;
2)获取待预报区域的湿度、液态水含量以及其他相关数据,并计算所述湿度、液态水含量以及其他相关数据的消光系数;
3)基于所述空气污染因子的消光系数以及湿度、液态水含量以及其他相关数据的消光系数得到待预报区域的消光系数。
进一步,所述预报模块利用优化后的大气能见度预报模型基于实时采集的气象数据以及空气质量数据进行待预报区域的大气水平能见度自动预报包括以下步骤:
(1)获取实时采集的待预报区域的气象数据,利用优化后的大气能见度预报模型基于所述待预报预期的气象数据输出初步预测结果;
(2)获取待预报区域的消光系数,并获取实时采集的待预报区域的空气质量数据,基于所述待预报区域的空气质量数据对所述待预报区域的消光系数进行修正,得到修正后的待预报区域的消光系数;
(3)利用所述修正后的待预报区域的消光系数对所述初步预测结果进行修正,得到待预报区域的大气水平能见度预报结果。
进一步,所述进行待预报区域的大气水平能见度自动预报还包括:
将所述待预报区域的大气水平能见度预报结果与能见度分级阈值进行匹配,确定所述待预报区域的大气水平能见度预报等级;
所述能见度预报按照GB/T 333673-2017国家标准,包括好、较好、较差、差、很差、极差共6个等级。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器实现所述高空间分辨率的精细化大气水平能见度自动预报***。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器实现所述高空间分辨率的精细化大气水平能见度自动预报***。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述高空间分辨率的精细化大气水平能见度自动预报***。
结合上述的技术方案和解决的技术问题,请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为:
第一、针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果。具体描述如下:
本发明全面分析和处理某区域的历史气象数据,并分析得到能见度的特征数据,再结合网络模型学***能见度。
第二,把技术方案看做一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:
本发明利用基于气象因子构建的预报模型进行了能见度初步预报,再利用污染因子以及其他因子的消光系数对初步预报结果进行修正,实现了精细化、高准确的大气能见度预报。
附图说明
图1是本发明实施例提供的数据分析模块对预处理的历史气象资料数据、采集的地理数据进行分析,得到气象特征分析结果的方法流程图;
图2是本发明实施例提供的消光系数确定模块基于确定的待预报区域的空气污染因子确定待预报区域的消光系数的方法流程图;
图3是本发明实施例提供的预报模块利用优化后的大气能见度预报模型基于实时采集的气象数据以及空气质量数据进行待预报区域的大气水平能见度自动预报的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现,该部分是对权利要求技术方案进行展开说明的解释说明实施例。
本发明实施例提供的高空间分辨率的精细化大气水平能见度自动预报***包括:
历史数据采集模块,与中央控制模块连接,用于获取待预报区域的历史气象资料数据以及历史空气质量数据,所述历史数据采集模块设有表现层、逻辑处理层、驱动层和数据组态工具,所述逻辑层与表现层之间通过OPCUA接口进行连接,用于获取历史数据采集的操作指令,并提供给逻辑处理层,以及向用户提供实时数据;通过驱动层内置的前置处理机,用于向现场设备下发控制指令以及上传现场设备所采集的数据,以使所述逻辑处理层对所述数据进行分析处理,得到历史数据信息;
实时数据采集模块,与中央控制模块连接,用于获取待预报区域的实时气象与空气质量数据;
地理数据采集模块,与中央控制模块连接,用于获取待预报区域的地形、建筑分布以及地理环境数据;
数据预处理模块,与中央控制模块连接,用于对采集的历史气象资料数据以及历史空气质量数据进行预处理,所数据预处理模块进行数据预处理的逻辑为获取预处理的运算逻辑指令,读取历史空气质量地址通道上设置信号AR_INST的传输通道,在读取历史空气质量数据信号R_INST的传输通道;信号AR_INST随读请求通过读地址通道后,对历史空气质量进行数据的预先处理,数据预先处理完成后转发给信号R_INST,通过读数据通道传递到预处理模块,预处理模块基于信号R_INST对预处理后的数据进行运算处理,将处理后的读数据返回到请求模块。
中央控制模块,与历史数据采集模块、实时数据采集模块、地理数据采集模块、数据预处理模块、数据分析模块、空气质量分析模块、气象因子筛选模块、气象因子权重确定模块、污染因子筛选模块、消光系数确定模块、能见度预报模型构建模块、模型训练优化模块、预报模块以及结果输出模块连接,用于利用单片机或控制器控制各个模块正常工作;
中央控制模块基于FPGA控制逻辑的算法进行计算,算法组态软件参考PLC逻辑组态IEC61131-3标准中规定的FBD实现算法逻辑的组态,根据算法组态的逻辑映射生成逻辑上的映射文件,将算法组态中的变量、映射和转化关系通过FPGA算法执行器识别并且检索映射文件,并根据映射文件的维护协议的包头信息生成对应的下装文件,通过网卡驱动对网卡对下装文件进行分类管理,并将分类管理的下装文件输送至历史数据采集模块、实时数据采集模块、地理数据采集模块等各个模块之间实现数据的实时共享。
数据分析模块,与中央控制模块连接,用于对预处理的历史气象资料数据、采集的地理数据进行分析,得到气象特征分析结果,所述数据分析模块基于原始数据的矩阵归一化对数据进行处理分析,具体为将数据分成M个对象,之后设有N个评价指标,得到原始数据的数据阵为A=(aij)M*N,;其中A为原始数据阵,aij为第i个评价对象,j为第j个评价对应的原始数据;
空气质量分析模块,与中央控制模块连接,用于基于预处理后的空气质量数据对待预报区域的空气质量进行分析;
气象因子筛选模块,与中央控制模块连接,用于基于气象特征分析结果确定本区域影响大气能见度的气象因子;
气象因子权重确定模块,与中央控制模块连接,用于采用相关性分析方法基于气象特征分析结果以及筛选得到的本区域影响大气能见度的气象因子确定各个气象因子的权重;
污染因子筛选模块,与中央控制模块连接,用于基于空气质量分析结果确定待预报区域的空气污染因子;
消光系数确定模块,与中央控制模块连接,用于基于确定的待预报区域的空气污染因子确定待预报区域的消光系数;
能见度预报模型构建模块,与中央控制模块连接,用于基于确定的本区域影响大气能见度的气象因子以及各个气象因子的权重构建大气能见度预报模型;
模型训练优化模块,与中央控制模块连接,用于对构建的大气能见度预报模型进行训练优化,得到优化后的大气能见度预报模型;
预报模块,与中央控制模块连接,用于利用优化后的大气能见度预报模型基于实时采集的气象数据以及空气质量数据进行待预报区域的大气水平能见度自动预报;
结果输出模块,与中央控制模块连接,用于输出实时气象数据、空气质量数据以及大气水平能见度预报结果。
本发明实施例提供的气象资料数据包括:气温、相对湿度、水平能见度、风向、风速、降水量、雨量、气压、能见度、紫外线、云量、蒸发量、云高以及其他相关的气象要素数据。
如图1所示,本发明实施例提供的数据分析模块对预处理的历史气象资料数据、采集的地理数据进行分析,得到气象特征分析结果包括:
S101,对预处理后的历史气象资料数据进行分析,得到待预报区域的能见度特征;
S102,基于确定的待预报区域的能见度特征采用主成分分析方法确定影响所述能见度特征的气象因素,并按照影响程度大小进行排列;
S103,基于预处理后的历史气象资料数据中的天气现象进行分析,确定带预报区域的天气现象特征;
S104,对获取的待预报区域的地形、地理环境数据进行分析,确定待预报区域的地形特征;
S105,得到待预报区域包含所述能见度特征、影响所述能见度特征的气象因素、天气现象特征以及地形特征的气象特征分析结果。
本发明实施例提供的气象因子筛选模块基于气象特征分析结果确定本区域影响大气能见度的气象因子包括:
获取气象特征分析结果,将获取的气象特征分析结果按照同一时间尺度进行划分,得到多个影响本区域大气能见度的因子;
构建影响大气能见度的回归方程,并逐一计算所述多个影响本区域大气能见度的因子对所述大气能见度的影响系数;
将所有影响本区域大气能见度的因子对所述大气能见度的影响系数按照从高到低排列,筛选所述影响系数超出预设阈值的因子作为本区域影响大气能见度的气象因子。
如图2所示,本发明实施例提供的消光系数确定模块基于确定的待预报区域的空气污染因子确定待预报区域的消光系数包括:
S201,获取确定的待预报区域的空气污染因子,并利用激光雷达通过测量大气中所述空气污染因子的后向散射回波信号,得到所述空气污染因子的消光系数;
S202,获取待预报区域的湿度、液态水含量以及其他相关数据,并计算所述湿度、液态水含量以及其他相关数据的消光系数;
S203,基于所述空气污染因子的消光系数以及湿度、液态水含量以及其他相关数据的消光系数得到待预报区域的消光系数。
如图3所示,本发明实施例提供的预报模块利用优化后的大气能见度预报模型基于实时采集的气象数据以及空气质量数据进行待预报区域的大气水平能见度自动预报包括以下步骤:
S301,获取实时采集的待预报区域的气象数据,利用优化后的大气能见度预报模型基于所述待预报预期的气象数据输出初步预测结果;
S302,获取待预报区域的消光系数,并获取实时采集的待预报区域的空气质量数据,基于所述待预报区域的空气质量数据对所述待预报区域的消光系数进行修正,得到修正后的待预报区域的消光系数;
S303,利用所述修正后的待预报区域的消光系数对所述初步预测结果进行修正,得到待预报区域的大气水平能见度预报结果。
本发明实施例提供的进行待预报区域的大气水平能见度自动预报还包括:
将所述待预报区域的大气水平能见度预报结果与能见度分级阈值进行匹配,确定所述待预报区域的大气水平能见度预报等级。
本发明实施例提供的能见度预报按照GB/T 333673-2017国家标准,包括好、较好、较差、差、很差、极差共6个等级。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值,该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
本发明将所述高空间分辨率的精细化大气水平能见度自动预报***应用于计算机设备,计算机设备包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行高空间分辨率的精细化大气水平能见度自动预报***。
本发明将所述高空间分辨率的精细化大气水平能见度自动预报***应用于计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行高空间分辨率的精细化大气水平能见度自动预报***。
本发明将所述高空间分辨率的精细化大气水平能见度自动预报***应用于信息数据处理终端。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行***,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种高空间分辨率的精细化大气水平能见度自动预报***,其特征在于,所述高空间分辨率的精细化大气水平能见度自动预报***包括:
数据分析模块,与中央控制模块连接,用于对预处理的历史气象资料数据、采集的地理数据进行分析,得到气象特征分析结果;
空气质量分析模块,与中央控制模块连接,用于基于预处理后的空气质量数据对待预报区域的空气质量进行分析;
消光系数确定模块,与中央控制模块连接,用于基于确定的待预报区域的空气污染因子确定待预报区域的消光系数;
能见度预报模型构建模块,与中央控制模块连接,用于基于确定的本区域影响大气能见度的气象因子以及各个气象因子的权重构建大气能见度预报模型;
模型训练优化模块,与中央控制模块连接,用于对构建的大气能见度预报模型进行训练优化,得到优化后的大气能见度预报模型;
预报模块,与中央控制模块连接,用于利用优化后的大气能见度预报模型基于实时采集的气象数据以及空气质量数据进行待预报区域的大气水平能见度自动预报;
所述高空间分辨率的精细化大气水平能见度自动预报***还包括:
历史数据采集模块,与中央控制模块连接,用于获取待预报区域的历史气象资料数据以及历史空气质量数据;
所述气象资料数据包括:气温、相对湿度、水平能见度、风向、风速、降水量、雨量、气压、能见度、紫外线、云量、蒸发量、云高以及其他相关的气象要素数据;
实时数据采集模块,与中央控制模块连接,用于获取待预报区域的实时气象与空气质量数据;
地理数据采集模块,与中央控制模块连接,用于获取待预报区域的地形、建筑分布以及地理环境数据;
数据预处理模块,与中央控制模块连接,用于对采集的历史气象资料数据以及历史空气质量数据进行预处理;
中央控制模块,与历史数据采集模块、实时数据采集模块、地理数据采集模块、数据预处理模块、数据分析模块、空气质量分析模块、气象因子筛选模块、气象因子权重确定模块、污染因子筛选模块、消光系数确定模块、能见度预报模型构建模块、模型训练优化模块、预报模块以及结果输出模块连接,用于利用单片机或控制器控制各个模块正常工作;
气象因子筛选模块,与中央控制模块连接,用于基于气象特征分析结果确定本区域影响大气能见度的气象因子;
气象因子权重确定模块,与中央控制模块连接,用于采用相关性分析方法基于气象特征分析结果以及筛选得到的本区域影响大气能见度的气象因子确定各个气象因子的权重;
污染因子筛选模块,与中央控制模块连接,用于基于空气质量分析结果确定待预报区域的空气污染因子;
结果输出模块,与中央控制模块连接,用于输出实时气象数据、空气质量数据以及大气水平能见度预报结果;
所述数据分析模块对预处理的历史气象资料数据、采集的地理数据进行分析,得到气象特征分析结果包括:
首先,对预处理后的历史气象资料数据进行分析,得到待预报区域的能见度特征;
其次,基于确定的待预报区域的能见度特征采用主成分分析方法确定影响所述能见度特征的气象因素,并按照影响程度大小进行排列;
然后,基于预处理后的历史气象资料数据中的天气现象进行分析,确定带预报区域的天气现象特征;
再然后,对获取的待预报区域的地形、地理环境数据进行分析,确定待预报区域的地形特征;
最后,得到待预报区域包含所述能见度特征、影响所述能见度特征的气象因素、天气现象特征以及地形特征的气象特征分析结果;
所述气象因子筛选模块基于气象特征分析结果确定本区域影响大气能见度的气象因子包括:
获取气象特征分析结果,将获取的气象特征分析结果按照同一时间尺度进行划分,得到多个影响本区域大气能见度的因子;
构建影响大气能见度的回归方程,并逐一计算所述多个影响本区域大气能见度的因子对所述大气能见度的影响系数;
将所有影响本区域大气能见度的因子对所述大气能见度的影响系数按照从高到低排列,筛选所述影响系数超出预设阈值的因子作为本区域影响大气能见度的气象因子;
所述消光系数确定模块基于确定的待预报区域的空气污染因子确定待预报区域的消光系数包括:
1)获取确定的待预报区域的空气污染因子,并利用激光雷达通过测量大气中所述空气污染因子的后向散射回波信号,得到所述空气污染因子的消光系数;
2)获取待预报区域的湿度、液态水含量以及其他相关数据,并计算所述湿度、液态水含量以及其他相关数据的消光系数;
3)基于所述空气污染因子的消光系数以及湿度、液态水含量以及其他相关数据的消光系数得到待预报区域的消光系数;
所述预报模块利用优化后的大气能见度预报模型基于实时采集的气象数据以及空气质量数据进行待预报区域的大气水平能见度自动预报包括以下步骤:
(1)获取实时采集的待预报区域的气象数据,利用优化后的大气能见度预报模型基于所述待预报区域的气象数据输出初步预测结果;
(2)获取待预报区域的消光系数,并获取实时采集的待预报区域的空气质量数据,基于所述待预报区域的空气质量数据对所述待预报区域的消光系数进行修正,得到修正后的待预报区域的消光系数;
(3)利用所述修正后的待预报区域的消光系数对所述初步预测结果进行修正,得到待预报区域的大气水平能见度预报结果。
2.如权利要求1所述高空间分辨率的精细化大气水平能见度自动预报***,其特征在于,所述进行待预报区域的大气水平能见度自动预报还包括:
将所述待预报区域的大气水平能见度预报结果与能见度分级阈值进行匹配,确定所述待预报区域的大气水平能见度预报等级;
所述能见度预报包括好、较好、较差、差、很差、极差共6个等级。
3.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器实现如权利要求1-2任意一项所述高空间分辨率的精细化大气水平能见度自动预报***。
4.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器实现如权利要求1-2任意一项所述高空间分辨率的精细化大气水平能见度自动预报***。
5.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现如权利要求1-2任意一项所述高空间分辨率的精细化大气水平能见度自动预报***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211052183.2A CN115639625B (zh) | 2022-08-31 | 2022-08-31 | 一种高空间分辨率的精细化大气水平能见度自动预报*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211052183.2A CN115639625B (zh) | 2022-08-31 | 2022-08-31 | 一种高空间分辨率的精细化大气水平能见度自动预报*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115639625A CN115639625A (zh) | 2023-01-24 |
CN115639625B true CN115639625B (zh) | 2024-07-09 |
Family
ID=84940271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211052183.2A Active CN115639625B (zh) | 2022-08-31 | 2022-08-31 | 一种高空间分辨率的精细化大气水平能见度自动预报*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115639625B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117269011B (zh) * | 2023-11-13 | 2024-01-30 | 珠海光焱科技有限公司 | 基于激光光路测量***的气象能见度判断方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110471131A (zh) * | 2019-08-16 | 2019-11-19 | 中国海洋大学 | 高空间分辨率的精细化大气水平能见度自动预报方法及*** |
CN112180472A (zh) * | 2020-09-28 | 2021-01-05 | 南京北极光智能科技有限公司 | 一种基于深度学习的大气能见度集成预报方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015125628A (ja) * | 2013-12-26 | 2015-07-06 | 大日本印刷株式会社 | フィルムセンサ、タッチ位置検出機能付き表示装置、およびフィルムセンサを作製するための積層体 |
JP6742019B2 (ja) * | 2016-08-25 | 2020-08-19 | 国立研究開発法人防災科学技術研究所 | 気象場の客観解析装置及び気象場の客観解析方法 |
US10330655B2 (en) * | 2017-01-11 | 2019-06-25 | International Business Machines Corporation | Air quality forecasting based on dynamic blending |
KR102002158B1 (ko) * | 2018-11-15 | 2019-07-19 | 주식회사 포디솔루션 | 시정 예측 시스템 |
-
2022
- 2022-08-31 CN CN202211052183.2A patent/CN115639625B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110471131A (zh) * | 2019-08-16 | 2019-11-19 | 中国海洋大学 | 高空间分辨率的精细化大气水平能见度自动预报方法及*** |
CN112180472A (zh) * | 2020-09-28 | 2021-01-05 | 南京北极光智能科技有限公司 | 一种基于深度学习的大气能见度集成预报方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115639625A (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112308292B (zh) | 一种火灾风险等级分布图的绘制方法 | |
US10330655B2 (en) | Air quality forecasting based on dynamic blending | |
CN110705115B (zh) | 一种基于深度置信网络的气象预报方法和*** | |
CN110426493B (zh) | 空气质量监测数据校准方法、装置、设备和存储介质 | |
CN115639625B (zh) | 一种高空间分辨率的精细化大气水平能见度自动预报*** | |
CN113537563B (zh) | 污染应急管控效果评估方法及装置 | |
CN116205541B (zh) | 评估本地污染源对环境空气质量影响的方法及装置 | |
Metia et al. | Urban air pollution estimation using unscented Kalman filtered inverse modeling with scaled monitoring data | |
CN111103405A (zh) | 空气质量预报预警*** | |
CN115879630A (zh) | 基于土地利用的碳排放即时表征与预测的方法及装置 | |
CN115239105A (zh) | 一种在役风电场的风资源的评估方法以及装置 | |
CN115600483A (zh) | 一种基于深度森林的降水反演方法 | |
Samanta et al. | Morphological and microphysical characteristics associated with the lifecycle of a stationary cloud cluster during the Indian Summer Monsoon: A comparative study with numerical simulations and radar observation | |
CN116485174B (zh) | 一种臭氧污染对作物减产风险评估方法和装置 | |
CN115453661B (zh) | 气象预报方法、装置、设备以及存储介质 | |
Becker et al. | Modeling hourly weather-related road traffic variations for different vehicle types in Germany | |
CN115980690A (zh) | 晴空回波识别模型构建方法、晴空回波滤波方法及装置 | |
CN115809728A (zh) | 大气污染扩散条件预测方法、装置、计算机设备 | |
Iliescu et al. | Monitoring noise pollution in urban area through SUNET system. | |
CN111812748A (zh) | 一种降水量预测方法及设备 | |
Rieutord et al. | Mixing height derivation from aerosol lidar using machine learning: KABL and ADABL algorithms | |
CN116631530B (zh) | 污染物扩散风险识别方法、装置及设备 | |
CN114018773B (zh) | Pm2.5浓度空间分布数据的获取方法、装置、设备及存储介质 | |
CN116176579B (zh) | 自动驾驶跟车车距测量计算装置及方法 | |
Gosav et al. | Artificial Neural Networks built for the rainfall estimation using a concatenated database. |
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 |