CN117057610B - 基于区域的多行业对象全局气象风险预警方法及*** - Google Patents
基于区域的多行业对象全局气象风险预警方法及*** Download PDFInfo
- Publication number
- CN117057610B CN117057610B CN202311039887.0A CN202311039887A CN117057610B CN 117057610 B CN117057610 B CN 117057610B CN 202311039887 A CN202311039887 A CN 202311039887A CN 117057610 B CN117057610 B CN 117057610B
- Authority
- CN
- China
- Prior art keywords
- data
- weather
- meteorological
- grid
- industry
- 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 58
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000005096 rolling process Methods 0.000 claims abstract description 8
- 238000013058 risk prediction model Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 17
- 238000001556 precipitation Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 7
- 229910000831 Steel Inorganic materials 0.000 claims description 4
- 239000010959 steel Substances 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000012937 correction 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
- 230000002123 temporal effect Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013507 mapping 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Emergency Management (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于区域的多行业对象全局气象风险预警方法及***,该方法包括:获取目标区域的边界数据及某个时间点上的所有气象因子数据;根据边界数据及标定空间分辨率将目标区域划分为多个网格区域、将气象因子数据处理为气象因子网格化数据;构建每个气象因子在某个时间点上的网格化时间数据层;获取目标区域多行业对象的位置信息及其对应的气象因子的风险阈值;根据位置信息分别确定所属网格区域,调用不同气象因子相同时间的网格化时间数据层中的与网格区域对应的网格化数据,与对应的行业对象气象因子风险阈值进行比较,对多行业对象同时进行气象风险预警。本发明能够对目标区域的多行业对象进行面向全局的实时滚动更新气象风险预警。
Description
技术领域
本发明属于气象预警领域,尤其涉及一种基于区域的多行业对象全局气象风险预警方法及***。
背景技术
目前,按照不同的分类标准,我国的行业一般可以划分为第一产业(包括农业、林业、渔业、畜牧业等)、第二产业(包括工业、制造业、建筑业等)、第三产业(包括零售业、批发业、交通运输业、金融业、教育业、医疗保健业、旅游业、娱乐业等)、第四产业(包括互联网、软件开发、电子商务、人工智能、大数据等)以及公共事业、金融业、文化创意产业、教育科研等行业。而在进行气象风险分析时,由于气象条件的影响在不同行业、不同区域(省、市等)具有较大的差异,并且,不同区域(省、市等)的行业产业分布及具体的气象条件的敏感性也不同,针对整个区域内所有的行业企业,一直以来缺少既能高效,又能具有全面行业针对性的全局化气象风险预警服务。
发明内容
为了解决现有技术存在的不足,本发明提供了一种基于区域的多行业对象全局气象风险预警方法及***,通过将所有气象因子数据按标定空间分辨率分别处理为气象因子网格化数据、构建每个气象因子在某个时间点上的网格化时间数据层,对目标区域的不同地理位置的多行业对象同时进行面向全局的实时滚动更新的气象风险预警。
为了实现上述目的,本发明的一个实施方式的一种基于区域的多行业对象全局气象风险预警方法,其包括:
S1、获取目标区域的边界数据;
S2、根据所述边界数据及标定空间分辨率将所述目标区域划分为多个网格区域;
S3、获取所述目标区域某个时间点上的所有气象因子数据;
S4、将获取的所有气象因子数据按所述标定空间分辨率分别处理为气象因子网格化数据;
S5、将气象因子网格化数据按位置匹配入所述网格区域,构建每个气象因子在某个时间点上的网格化时间数据层;
S6、对不同气象因子的网格化时间数据层中的相同时间的网格化数据建立统一的存储和索引策略进行管理,以便调用;
S7、获取所述目标区域的多行业对象的多个位置信息及多行业对象对应的不同气象因子的风险阈值;
S8、根据所述多行业对象的多个位置信息,分别确定所述多行业对象所在的多个网格区域;
S9、根据所述确定的多个网格区域,调用不同气象因子的相同时间的网格化时间数据层中的与网格区域对应的网格化数据;
S10、将所述对应的网格化数据与对应的所述多行业对象的不同气象因子的风险阈值进行比较,对所述目标区域的多行业对象同时进行气象风险预警。
作为本发明实施的一个方面,所述方法还包括:S11、逐标定时间间隔,重复执行步骤S3至步骤S10,通过构建每个气象因子在多个时间点上的多个网格化时间数据层1,对所述目标区域的多行业对象进行面向全局的实时滚动更新的气象风险预警。
作为本发明实施的一个方面,所述步骤S3中的气象因子数据包括但不限于气温气象因子数据,降水气象因子数据,湿度气象因子数据、风力气象因子数据、能见度气象因子数据、雷达气象因子数据、雷电气象因子数据及台风气象因子数据。
作为本发明实施的一个方面,所述步骤S2中的标定空间分辨率为100m*100m。
作为本发明实施的一个方面,所述步骤S4、将获取的某个时间点上的所有气象因子数据按所述标定空间分辨率分别处理为气象因子网格化数据,具体为:
S41、将气温气象数据,降水气象数据,湿度气象数据、风力气象数据及能见度气象数据按相同的标定空间分辨率分别进行插值处理,得到气温气象数据,降水气象数据,湿度气象数据、风力气象数据及能见度气象数据的标定空间分辨率的网格化数据;
S42、将雷电气象数据按目标分辨率网格进行落区统计,得到雷电气象数据的标定空间分辨率的网格化数据;
S43、将雷达气象数据进行双线性插值处理成目标分辨率,得到雷达气象数据标定空间分辨率的网格化数据;
S44、将台风气象数据按目标分辨率采用线性插值处理,得到台风气象数据的标定空间分辨率的网格化数据。
作为本发明实施的一个方面,所述网格化时间数据层上的数据包括位置数据、时间数据及气象因子数据多维数据信息。
作为本发明实施的一个方面,所述步骤S7还可以为:
获取所述目标区域的多行业对象的多个位置信息及对应的行业对象的气象风险预测模型。
作为本发明实施的一个方面,所述步骤S10还可以为:
将所述对应的网格化数据代入对应的行业对象的气象风险预测模型,对所述目标区域的多行业对象同时进行气象风险预警。
作为本发明实施的另一个方面,本发明还提供一种基于区域的多行业对象全局气象风险预警***,其包括:
获取单元:用于获取目标区域的边界数据、获取所述目标区域某个时间点上的所有气象因子数据、获取所述目标区域内的多行业对象的多个位置信息及其对应的不同气象因子的风险阈值或气象风险预测模型;
处理单位:用于将所述目标区域根据所述边界数据及标定空间分辨率处理为多个网格区域;将获取的某个时间点上的所有气象因子数据按所述标定空间分辨率分别处理为气象因子网格化数据;
构建单元:用于构建每个气象因子在某个时间点上的网格化时间数据层;
存储单元:用于存储所有网格化时间数据层的数据及所述目标区域的多行业对象的多个位置信息及其对应的不同气象因子的风险阈值或气象风险预测模型;
预警单元:用于根据目标区域内多行业对象的多个位置信息及其对应的不同气象因子的风险阈值或气象风险预测模型,调用不同气象因子的网格化时间数据层中的网格化数据,对目标区域的多行业对象同时进行面向全局的实时滚动更新的气象风险预警。
作为本发明实施的一个方面,所述***还包括反馈单元:用于根据对推送的风险预警基于界面操作感知确认用户有包括点击、滚动界面操作反馈风险预警已经送达。
本发明的有益效果为:
1、本发明根据气象数据的特点,在气象数据预处理阶段将所有气象因子数据处理成具有相同空间分辨率的网格化,实现了多维的数据网格,每种气象要素具有一个三维数据,包括二维空间数据和一维时间,以便后续的风险分析快速提取使用气象数据;
2、本发明为每个气象因子构建在某个时间点上的网格化时间数据层,并对不同气象因子的网格化时间数据层中的相同时间的网格化数据建立统一的存储和索引策略进行管理,从而可以一次性计算出整个区域内所有网格的气象风险,只需要一次配置好各行业企业地理位置,及对不同时间点不同气象要素因子的风险阈值,后续业务即可快速实时滚动更新气象风险。
附图说明
图1是本发明基于区域的多行业对象全局气象风险预警方法的一个实施例的流程图;
图2是本发明基于区域的多行业对象全局气象风险预警***的一个实施例的结构示意图;
图3是本发明的一个实施例构建的气象因子在某个时间点上的网格化时间数据层示意图。
图中:
1-网格化时间数据层;2-不同气象因子的网格化时间数据层中的相同时间的网格化数据。
具体实施方式
为使本发明的目的、技术方案和优点更为清楚,下面结合附图和实施例作进一步说明。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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。
如附图1,本发明提供一种基于区域的多行业对象全局气象风险预警方法,其包括:
S1、获取目标区域的边界数据;
目标区域可以为省、市、区、县等,边界数据包括目标区域的省、市、区、县等的边界的地理位置坐标。
S2、根据边界数据及标定空间分辨率将目标区域划分为多个网格区域;
本发明提供的标定空间分辨率为100m*100m,根据目标区域的省、市、区、县等的边界的地理位置坐标及标定空间分辨率将目标区域划分为多个100m*100m网格区域。
S3、获取目标区域某个时间点上的所有气象因子数据;
气象因子数据包括气温气象因子数据,降水气象因子数据,湿度气象因子数据、风力气象因子数据、能见度气象因子数据、雷达气象因子数据、雷电气象因子数据及台风气象因子数据。
S4、将获取的所有气象因子数据按标定空间分辨率分别处理为气象因子网格化数据,具体为:
S41、将气温气象数据,降水气象数据,湿度气象数据、风力气象数据及能见度气象数据按相同的标定空间分辨率分别进行插值处理,得到气温气象数据,降水气象数据,湿度气象数据、风力气象数据及能见度气象数据的标定空间分辨率的网格化数据;
按照空间分辨率100m*100m分别对气温气象数据,降水气象数据,湿度气象数据、风力气象数据及能见度气象数据进行插值处理生成连续的气象分布图数据。以气温气象数据进行空间插值处理为例,包括步骤:
收集具有不同空间位置(经度、纬度)的气温数据(确保数据点的分布尽可能均匀,并且覆盖需要插值的区域),根据气温数据特点和需求,选择适合的插值方法,可以包括线性插值、反距离加权插值、克里金插值等。将插值区域划分为网格或栅格,确定每个网格或栅格的中心点位置;对每个网格或栅格的中心点根据选择的插值方法和已知数据点的数值进行插值计算估计。该插值计算结果能够可视化为连续的气温分布图或温度表面进行展示。
S42、将雷电气象数据按目标分辨率网格进行落区统计,得到雷电气象数据的标定空间分辨率的网格化数据;
将雷电数据按目标分辨率网格进行落区统计包括步骤:收集包含雷电事件信息的数据,如雷达闪电定位***记录的闪电事件数据(确保数据中包含雷电事件的时间、位置(经度、纬度)等信息);根据目标分辨率100m*100m确定网格大小和范围,对每个网格进行插值计算统计,计算该网格内雷电事件的数量,将统计结果可视化为雷电活动热度图或雷电密度图。该插值计算结果能够可视化为不同网格中的雷电频率或密度。
将雷电数据按目标分辨率网格进行落区统计可以得到雷电数据的网格化数据。通过将雷电事件位置映射到预定义的网格或栅格中,并统计每个网格中雷电事件的数量或密度,可以将连续的雷电数据转换为离散的网格化数据。这种网格化处理有助于更好地理解和分析雷电活动的空间分布特征。
S43、将雷达气象数据进行双线性插值处理成目标分辨率,得到雷达气象数据标定空间分辨率的网格化数据;
对于雷达数据进行双线性插值处理以获得目标分辨率按照以下步骤进行:获取原始雷达数据(包括经纬度坐标和对应的数据值(如回波强度),确保数据中包含足够的点覆盖需要插值的区域);根据目标分辨率100m*100m确定新网格的大小和范围。计算出新网格的经纬度坐标;对于新网格中的每个网格点,根据周围已知数据点的值进行双线性插值计算,双线性插值基于四个最近的已知数据点进行估算,并根据距离和权重进行插值计算;将插值计算得到的新网格数据保存为目标分辨率的数据,确保新网格数据与原始数据在空间范围和分辨率上一致。
S44、将台风气象数据按目标分辨率采用线性插值处理,得到台风气象数据的标定空间分辨率的网格化数据。
将台风气象数据按目标分辨率采用线性插值处理按照以下步骤进行:首先确定台风气象数据的原始数据点,包括经度、纬度和对应的数值;根据原始数据的经纬度范围和目标分辨率100m*100m,创建一个新的网格,即目标分辨率100m*100m下的经纬度网格;在新的经纬度网格上,确定需要进行插值的数据点,这些点可能是原始数据点周围的位置;对于每个插值点,根据其距离原始数据点的距离来计算该点与原始数据点的权重。通常,离插值点越近的原始数据点权重越大;根据权重和原始数据点的数值,使用线性插值公式计算插值点的数值。线性插值公式可以根据两个最近的原始数据点进行计算,具体公式为:插值点数值=第一个原始数据点数值*第一个原始数据点权重+第二个原始数据点数值*第二个原始数据点权重;重复步骤4和步骤5,对所有插值点进行计算,得到目标分辨率下的台风气象数据。
S5、将气象因子网格化数据按位置匹配入网格区域,构建每个气象因子在某个时间点上的网格化时间数据层1;
如附图3所示,将多种气象因子数据格式统一为相同的空间分辨率100m*100m网格后,对于每一种的气象因子网格化数据,按位置匹配入目标区域划分得到的多个网格区域,构建每个气象因子在某个时间点上的网格化时间数据层1;网格化时间数据层1上的数据包括位置数据、时间数据及气象因子数据多维数据信息。相当于每种气象因子数据还具有一个三维数据,包括二维空间数据和一维时间,后续风险分析可基于思维网格数据快速提取气象数据。
S6、对不同气象因子的网格化时间数据层中的相同时间的网格化数据2建立统一的存储和索引策略进行管理,以便调用;
对于将不同类型的多种气象数据采用统一的存储和索引策略,可以考虑采用如NetCDF(Network Common Data Form)或HDF5(Hierarchical Data Format)格式,支持多维数组和元数据的存储,适合存储各种气象数据类型;另外根据气象数据的特点和使用需求,可以使用时间、空间、参数等字段进行索引,以便快速检索和查询数据。通过以上方法,可以实现不同类型的气象数据的统一存储和索引。对不同气象因子的网格化时间数据层中的相同时间的网格化数据2建立统一的存储和索引策略进行管理,提高数据的可管理性、可访问性和查询效率,方便进行后续数据分析和应用开发。
S7、获取目标区域的多行业对象的多个位置信息及多行业对象对应的不同气象因子的风险阈值;
以一个省为例,其多行业对象可分类为:钢铁、石化、建筑工地、教育服务、航空、政府机关等。气象风险影响因子包括气温、降水、湿度、能见度、雷电、台风、雷达回波范围等。在进行气象风险分析时,不同行业对象(企业)分布在不同的地理位置,又因为不同气象风险因子对不同企业的影响程度也不同,不同行业关注的气象风险具有明显的差别,相同行业的气象风险又具有相似性。行业内的不同企业又存在着个性化的风险分析需求。因此本发明引入面向对象的思想,即一个企业的风险分析可以与所在行业风险类型相同,并引用相关风险因子的触发条件。进一步地,也可以根据企业自身的生产作业情况,根据情况重写其自己的行业气象风险因子,丰富自身的气象风险因子,形成定制化风险因子的触发条件。同时,根据不同企业的风险影响因子,按时间维度也可生成即时风险预警和短临风险预警。目标区域内的钢铁行业对象的不同气象因子的风险阈值举例如下表一:
表一:钢铁行业对象的不同气象因子的风险阈值表
其中,表中的参数r20m:20分钟雨量;r01h:1小时雨量;dbz15:15公里内雷达回波;dbz05_10:5到10公里雷达回波;temp:温度;qpf:雷达外推雨量。“&&”是逻辑“且”的意思,“||”:是逻辑“或”的意思。
进一步地,步骤S7还可以为:获取目标区域的多行业对象的多个位置信息及对应的行业对象的气象风险预测模型。
对于不同的行业对象,除了输入不同气象因子的风险阈值外,也可以输入气象风险模型,如某行业企业的气象风险模型为:
其中,I为雷达范围,d为雷电范围,t为台风范围,v为能见度,r为降雨,w为气温,c为风力。函数为f(χ,s)为气象要素计算函数,接受两个参数,x为气象要素,s为运算表达式,如x≥30等。模型中不同气象要素的f(χ,s)函数可以通过∨(或)、∧(且)运算组合。
S8、根据多行业对象的多个位置信息,分别确定多行业对象所在的多个网格区域;
多个行业对象分别对应多个位置信息,通过位置信息可以分别确定多个行业对象所在的多个网格区域。
S9、根据确定的多个网格区域,调用不同气象因子的相同时间的网格化时间数据层中的与网格区域对应的网格化数据;
根据每一个行业对象确定的网格区域,调用不同气象因子的相同时间的网格化时间数据层中的与网格区域对应的网格化数据,以备后用。
进一步地,也可通过行业对象(企业)的厂区平面图,获取其区域边界数据,(也可根据需要,输入(或不输入)不同厂区场景专门的气象因子风险阈值),从而对于企业内部多个不同厂区场景分别进行更加精细化的预警,提供个性化预警服务。
S10、将对应的网格化数据与对应的多行业对象的不同气象因子的风险阈值进行比较,对目标区域的多行业对象同时进行气象风险预警。
调用不同气象因子的相同时间的网格化时间数据层中的与网格区域对应的网格化数据,将对应的网格化数据与对应的多行业对象的不同气象因子的风险阈值进行比较,对目标区域的多行业对象同时进行气象风险预警。
进一步地,步骤S10还可以为:将对应的网格化数据代入对应的行业对象的气象风险预测模型,对目标区域的多行业对象同时进行气象风险预警。
作为本发明实施的一个方面,方法还包括:
S11、逐标定时间间隔,重复执行步骤S3至步骤S10,通过构建每个气象因子在多个时间点上的多个网格化时间数据层,对目标区域的多行业对象进行面向全局的实时滚动更新的气象风险预警。
气象数据的时效性较高,如自动站气温、降水5分钟更新一次,雷达回波6分钟更新一次。对风险分析结论输出有较高的时效要求,快速的分析方式才能满足一个地市所有行业企业的气象风险分析提醒需求。本发明逐标定时间间隔,重复执行步骤S3至步骤S10,通过构建每个气象因子在多个时间点上的多个网格化时间数据层,调用不同气象因子的相同时间的网格化时间数据层中的与网格区域对应的网格化数据,将对应的网格化数据与对应的多行业对象的不同气象因子的风险阈值进行比较,对目标区域的多行业对象进行面向全局的实时滚动更新的气象风险预警。
本发明方法也同时支持对目标区域的地图进行预警结果展示,并支持在地图上进行位置点击获得预警结果、支持通过点击对地图进行局部放大,对目标区域的某个行业对象或行业对象厂区平面图中的不同厂区场景分别获得气象风险预警结果。
传统的气象风险分析方法只对气象数据做了简单缓存处理就开始引入风险模型进行分析,在风险分析过程中会根据不同的企业所在位置,反复多次调用周边不同气象站点数据、不同空间的密度的网格数据(如:1km网格、5公里网格等)。此过程会消耗大量的计算。在面向上千家企业的服务场景中,难以满足同时快速分析所有企业的气象风险的时效性需求。本发明方法在气象数据预处理阶段,将不同类型、不同网格分辨率的多种气象数据采用统一分辨率,以要素维度、时间维度、空间经度、纬度,多个维度采用统一的存储和索引策略。在进行风险分析时,可直接用网格数据进行运算。如附图3所示,此方法可一次性计算出整个区域内所有网格的气象风险,只需要一次配置好各企业位置,对不同时间点不同气象要素的风险阈值。后续业务即可快速实时滚动更新气象风险。
相较于传统的分析方法,例如服务10000家企业,5种气象要素,数据时次10次,传统方法需要为每家企业的分析,单独完成每个气象要素数据匹配、求临近点,时次匹配等计算工作。假设该过程的计算消耗为1个单位,则10000家企业的气象风险分析则消耗10000个单位的计算量。而本方法只需要消耗1个单位的等量计算和一次网格检索即可完成10000家企业的气象风险分析。
另外,***或方法建立后,对于已有行业,可直接加入企业地址进行预测,不需进行研发,解决了传统预警方法速度慢,数据传输量大,承载企业少的技术问题。
进一步地,本发明方法还支持实时对比风险预警内容与最新气象要素的观测值,当风险预警内容与当前实况值偏差较大时,触发服务订正。服务订正包括对气象因子的风险阈值或气象风险预测模型的订正。
作为本发明的另一个方面,本发明还提供一种基于区域的多行业对象全局气象风险预警***,如附图2所示,其包括:
获取单元101:用于获取目标区域的边界数据、获取目标区域某个时间点上的所有气象因子数据、获取目标区域内的多行业对象的多个位置信息及其对应的不同气象因子的风险阈值或气象风险预测模型;
获取的目标区域可以为省、市、区、县等,边界数据包括目标区域的省、市、区、县等的边界的地理位置坐标。气象因子数据包括气温气象因子数据,降水气象因子数据,湿度气象因子数据、风力气象因子数据、能见度气象因子数据、雷达气象因子数据、雷电气象因子数据及台风气象因子数据;获取目标区域内的多行业对象的多个位置信息及其对应的不同气象因子的风险阈值或气象风险预测模型,即作为一个实施例,一个行业对象对应一个位置信息、一个对应的不同气象因子的风险阈值表及一个气象风险预测模型;作为另一个实施例,一个行业对象对应多个位置信息(厂区区域内包括多个网格区域)、每个网格区域对应一个不同气象因子的风险阈值表(也可根据需要设置为相同)及一个不同的气象风险预测模型;作为另一个实施例,多个风险预警结果以风险危害等级为优先级先后进行依次预警。
处理单位102:用于将目标区域根据边界数据及标定空间分辨率处理为多个网格区域;将获取的某个时间点上的所有气象因子数据按标定空间分辨率分别处理为气象因子网格化数据;
根据目标区域的省、市、区、县等的边界的地理位置坐标及标定空间分辨率将目标区域划分为多个100m*100m网格区域。将获取的所有气象因子数据按标定空间分辨率分别处理为气象因子网格化数据,具体为:将气温气象数据,降水气象数据,湿度气象数据、风力气象数据及能见度气象数据按相同的标定空间分辨率分别进行插值处理,得到气温气象数据,降水气象数据,湿度气象数据、风力气象数据及能见度气象数据的标定空间分辨率的网格化数据;将雷电气象数据按目标分辨率网格进行落区统计,得到雷电气象数据的标定空间分辨率的网格化数据;将雷达气象数据进行双线性插值处理成目标分辨率,得到雷达气象数据标定空间分辨率的网格化数据;将台风气象数据按目标分辨率采用线性插值处理,得到台风气象数据的标定空间分辨率的网格化数据。
构建单元103:用于构建每个气象因子在某个时间点上的网格化时间数据层;
将多种气象因子数据格式统一为相同的空间分辨率100m*100m网格后,对于每一种的气象因子网格化数据,按位置匹配入目标区域划分得到的多个网格区域,构建每个气象因子在某个时间点上的网格化时间数据层;网格化时间数据层上的数据包括位置数据、时间数据及气象因子数据多维数据信息。相当于每种气象因子数据还具有一个三维数据,包括二维空间数据和一维时间,后续风险分析可基于思维网格数据快速提取气象数据。
存储单元104:用于存储所有网格化时间数据层的数据及目标区域的多行业对象的多个位置信息及其对应的不同气象因子的风险阈值或气象风险预测模型;
对不同气象因子的网格化时间数据层中的相同时间的网格化数据建立统一的存储和索引策略进行管理,以便调用;存储目标区域的多行业对象的多个位置信息及多行业对象对应的不同气象因子的风险阈值或者对应的行业对象的气象风险预测模型,以备调用。
预警单元105:用于根据目标区域内多行业对象的多个位置信息及其对应的不同气象因子的风险阈值或气象风险预测模型,调用不同气象因子的网格化时间数据层中的网格化数据,对目标区域的多行业对象同时进行面向全局的实时滚动更新的气象风险预警。
根据多行业对象的多个位置信息,分别确定多行业对象所在的多个网格区域;根据确定的多个网格区域,调用不同气象因子的相同时间的网格化时间数据层中的与网格区域对应的网格化数据;将对应的网格化数据与对应的多行业对象的不同气象因子的风险阈值进行比较,对目标区域的多行业对象同时进行气象风险预警。
反馈单元106:用于根据对推送的风险预警基于界面操作感知确认用户有包括点击、滚动界面操作反馈风险预警已经送达。
展示单元107:用于对目标区域在地图上进行展示预警结果,并支持在地图上进行位置点击获得具体预警结果、支持通过点击对地图进行局部放大,对目标区域的某个行业对象或行业对象厂区平面图中的不同厂区场景分别获得预警结果。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述实施例中的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,可以存储在上述计算机可读取的存储介质中。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存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其他的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,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,单元或单元的间接耦合或通信连接,可以是电性或其他的形式。
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。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (7)
1.一种基于区域的多行业对象全局气象风险预警方法,其特征在于,其包括:
S1、获取目标区域的边界数据;
所述目标区域能够为省、市、区或县,边界数据包括目标区域边界的地理位置坐标;
S2、根据所述边界数据及标定空间分辨率将所述目标区域划分为多个网格区域;
S3、获取所述目标区域某个时间点上的所有气象因子数据;
所述气象因子数据包括气温气象因子数据,降水气象因子数据,湿度气象因子数据、风力气象因子数据、能见度气象因子数据、雷达气象因子数据、雷电气象因子数据及台风气象因子数据;
S4、将获取的所有气象因子数据按所述标定空间分辨率分别处理为气象因子网格化数据;
S5、将气象因子网格化数据按位置匹配入所述网格区域,构建每个气象因子在某个时间点上的网格化时间数据层;
所述网格化时间数据层上的数据包括位置数据、时间数据及气象因子数据的多维数据信息;
S6、对不同气象因子的网格化时间数据层中的相同时间的网格化数据建立统一的存储和索引策略进行管理,以便调用;
S7、获取所述目标区域的多行业对象的多个位置信息及多行业对象对应的不同气象因子的风险阈值;
所述多行业对象包括钢铁、石化、建筑工地、教育服务、航空及政府机关;
S8、根据所述多行业对象的多个位置信息,分别确定所述多行业对象所在的多个网格区域;
S9、根据确定的多个网格区域,调用不同气象因子的相同时间的网格化时间数据层中的与网格区域对应的网格化数据;
S10、将对应的网格化数据与对应的所述多行业对象的不同气象因子的风险阈值进行比较,对所述目标区域的多行业对象同时进行气象风险预警;
所述方法还包括:
S11、逐标定时间间隔,重复执行步骤S3至步骤S10,通过构建每个气象因子在多个时间点上的多个网格化时间数据层,对所述目标区域的多行业对象进行面向全局的实时滚动更新的气象风险预警。
2.根据权利要求1所述的基于区域的多行业对象全局气象风险预警方法,其特征在于,所述步骤S2中的标定空间分辨率为100m*100m。
3.根据权利要求1所述的基于区域的多行业对象全局气象风险预警方法,其特征在于,所述步骤S4、将获取的某个时间点上的所有气象因子数据按所述标定空间分辨率分别处理为气象因子网格化数据,具体为:
S41、将气温气象数据、降水气象数据、湿度气象数据、风力气象数据及能见度气象数据按相同的标定空间分辨率分别进行插值处理,得到气温气象数据、降水气象数据、湿度气象数据、风力气象数据及能见度气象数据的标定空间分辨率的网格化数据;
S42、将雷电气象数据按目标分辨率网格进行落区统计,得到雷电气象数据的标定空间分辨率的网格化数据;
S43、将雷达气象数据进行双线性插值处理成目标分辨率,得到雷达气象数据标定空间分辨率的网格化数据;
S44、将台风气象数据按目标分辨率采用线性插值处理,得到台风气象数据的标定空间分辨率的网格化数据。
4.根据权利要求1所述的基于区域的多行业对象全局气象风险预警方法,其特征在于,所述步骤S7还能够为:
获取所述目标区域的多行业对象的多个位置信息及对应的行业对象的气象风险预测模型。
5.根据权利要求4所述的基于区域的多行业对象全局气象风险预警方法,其特征在于,所述步骤S10还能够为:
将对应的网格化数据代入对应的行业对象的气象风险预测模型,对所述目标区域的多行业对象同时进行气象风险预警。
6.一种基于区域的多行业对象全局气象风险预警***,其特征在于,其用于实施权利要求1-5之一所述的方法,其包括:
获取单元:用于获取目标区域的边界数据、获取所述目标区域某个时间点上的所有气象因子数据、获取所述目标区域内的多行业对象的多个位置信息及其对应的不同气象因子的风险阈值或气象风险预测模型;
处理单位:用于将所述目标区域根据所述边界数据及标定空间分辨率处理为多个网格区域;将获取的某个时间点上的所有气象因子数据按所述标定空间分辨率分别处理为气象因子网格化数据;
构建单元:用于构建每个气象因子在某个时间点上的网格化时间数据层;
存储单元:用于存储所有网格化时间数据层的数据及所述目标区域的多行业对象的多个位置信息及其对应的不同气象因子的风险阈值或气象风险预测模型;
预警单元:用于根据目标区域内多行业对象的多个位置信息及其对应的不同气象因子的风险阈值或气象风险预测模型,调用不同气象因子的网格化时间数据层中的网格化数据,对目标区域的多行业对象同时进行面向全局的实时滚动更新的气象风险预警。
7.根据权利要求6所述的基于区域的多行业对象全局气象风险预警***,其特征在于,所述***还包括:
反馈单元:用于根据对推送的风险预警基于界面操作感知确认用户有包括点击、滚动界面操作反馈风险预警已经送达。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311039887.0A CN117057610B (zh) | 2023-08-17 | 2023-08-17 | 基于区域的多行业对象全局气象风险预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311039887.0A CN117057610B (zh) | 2023-08-17 | 2023-08-17 | 基于区域的多行业对象全局气象风险预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117057610A CN117057610A (zh) | 2023-11-14 |
CN117057610B true CN117057610B (zh) | 2024-06-04 |
Family
ID=88654850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311039887.0A Active CN117057610B (zh) | 2023-08-17 | 2023-08-17 | 基于区域的多行业对象全局气象风险预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117057610B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003021687A (ja) * | 2001-07-06 | 2003-01-24 | Digital Weather Platform Kk | 狭域天気予報方法、狭域天気予報配信方法、商品販売促進方法、天気予報装置及び天気予報情報提供システム |
CN110806606A (zh) * | 2019-11-14 | 2020-02-18 | 国网山东省电力公司聊城供电公司 | 一种电力气象精细化预报预警***及方法 |
CN111680862A (zh) * | 2020-04-23 | 2020-09-18 | 南方电网科学研究院有限责任公司 | 基于时空网格关联的配电网多源数据融合风险预警方法 |
CN114518612A (zh) * | 2022-02-14 | 2022-05-20 | 广东省气象公共安全技术支持中心 | 雷暴风险预警方法、***及电子设备 |
CN116468154A (zh) * | 2023-03-24 | 2023-07-21 | 广东省气象服务中心(广东气象影视宣传中心) | 基于5g的港口生产作业综合气象风险智能预警*** |
-
2023
- 2023-08-17 CN CN202311039887.0A patent/CN117057610B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003021687A (ja) * | 2001-07-06 | 2003-01-24 | Digital Weather Platform Kk | 狭域天気予報方法、狭域天気予報配信方法、商品販売促進方法、天気予報装置及び天気予報情報提供システム |
CN110806606A (zh) * | 2019-11-14 | 2020-02-18 | 国网山东省电力公司聊城供电公司 | 一种电力气象精细化预报预警***及方法 |
CN111680862A (zh) * | 2020-04-23 | 2020-09-18 | 南方电网科学研究院有限责任公司 | 基于时空网格关联的配电网多源数据融合风险预警方法 |
CN114518612A (zh) * | 2022-02-14 | 2022-05-20 | 广东省气象公共安全技术支持中心 | 雷暴风险预警方法、***及电子设备 |
CN116468154A (zh) * | 2023-03-24 | 2023-07-21 | 广东省气象服务中心(广东气象影视宣传中心) | 基于5g的港口生产作业综合气象风险智能预警*** |
Also Published As
Publication number | Publication date |
---|---|
CN117057610A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446293A (zh) | 一种基于城市多源异构数据构建城市画像的方法 | |
CN109522603B (zh) | 基于云平台的车载拉格朗日实时大气污染溯源***及方法 | |
US9183221B2 (en) | Component and method for overlying information bearing hexagons on a map display | |
CN111862292B (zh) | 输电线路走廊的数据渲染方法、装置和计算机设备 | |
CN106557869B (zh) | 一种基于poi点的大气污染物排放清单空间分配方法及装置 | |
CN113344291B (zh) | 城市内涝淹没范围的预报方法、装置、介质和设备 | |
CN102147807A (zh) | 基于gis的海量雷电数据时空分析方法 | |
Wisniewski et al. | Noizcrowd: A crowd-based data gathering and management system for noise level data | |
KR101102812B1 (ko) | Web-gis기반 해양예보 정보 제공 시스템 | |
CN104166549A (zh) | 气象要素等值面分析平台及构建方法 | |
CN115293570A (zh) | 一种基于gis国土空间规划***及方法 | |
CN112085250A (zh) | 一种人口空间分布模拟方法、终端设备及存储介质 | |
CN116341773A (zh) | 车辆需求预测方法、装置、计算机设备和存储介质 | |
Desjardins et al. | A space–time parallel framework for fine-scale visualization of pollen levels across the Eastern United States | |
CN115291774A (zh) | 一种综合气象观测产品服务*** | |
CN116796904A (zh) | 一种轨道交通新线客流预测方法、***、电子设备及介质 | |
Ge et al. | Realizing the box-counting method for calculating fractal dimension of urban form based on remote sensing image | |
Dhanaraj et al. | Analysis of urban expansion patterns through landscape metrics in an emerging metropolis of Mangaluru Community Development Block, India, During 1972–2018 | |
CN117057610B (zh) | 基于区域的多行业对象全局气象风险预警方法及*** | |
CN113326339A (zh) | 一种基于gis的精细化电力气象预报数据展示方法及*** | |
CN114418243B (zh) | 分布式新能源云端网格预测方法与*** | |
CN115455018A (zh) | 一种基于地理空间网格的地名地址可视化方法及*** | |
Tan et al. | Spatiotemporal data organization and application research | |
Li et al. | Quality control framework of big data for early warning of agricultural meteorological disasters | |
CN112446155A (zh) | 一种目标农作物的空间格局模拟模型获取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |