CN110750516A - 基于雷达图的降雨分析模型构建方法、构建系统及分析方法 - Google Patents
基于雷达图的降雨分析模型构建方法、构建系统及分析方法 Download PDFInfo
- Publication number
- CN110750516A CN110750516A CN201910931683.5A CN201910931683A CN110750516A CN 110750516 A CN110750516 A CN 110750516A CN 201910931683 A CN201910931683 A CN 201910931683A CN 110750516 A CN110750516 A CN 110750516A
- Authority
- CN
- China
- Prior art keywords
- radar
- rainfall
- analysis model
- map
- echo data
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 114
- 238000010276 construction Methods 0.000 title claims abstract description 13
- 239000012634 fragment Substances 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 38
- 238000003908 quality control method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/2291—User-Defined Types; Storage management thereof
-
- 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
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于雷达图的降雨分析模型构建方法、构建系统及分析方法，属于降雨分析领域，要解决的问题为如何结合实测降雨和雷达图精确的进行降雨分析。构建方法包括：通过多点配准方法对雷达图和GIS地图进行地理位置配准；将碎片雷达图对应的雷达回波数据以及实际降雨量各存储为一组；构建降雨分析模型；所述碎片雷达图对应的不同时间的雷达回波数据以及实际降雨量为训练样本，得到区域降雨分析模型；以时间对应的雷达回波数据以及实际降雨量为训练样本，得到时段降雨分析模型。系统包括坐标匹配模块、区域划分模块、数据采集模块、存储模块、模型构建模块以及模型训练模块。通过上述方法得到区域降雨分析模型和时段降雨分析模型。
Description
技术领域
本发明涉及降雨分析领域，具体地说是一种基于雷达图的降雨分析模型构建方法、构建系统及分析方法。
背景技术
自动雨量站资料向来都是能够准确反映实际降雨量的主要依据，然而我国自动雨量站布设密度目前尚无具体标准，对已设置的数以万计的雨量站的合理性也未进行过科学的论证，很多自动雨量站经历几次迁移后，地理位置信息已经不准确。另外，雨量的测量受风场影响很大，特别是翻斗式雨量计在大雨时，由于翻斗翻动的惯性，致使另一翻斗盛满水时还来不及翻转，造成雨量流失，使得测定的雨量有较大的误差，记录失真，以及翻斗上的沾水或泥沙的影响都会阻碍翻斗的翻动，都有可能造成雨量的测量误差。
近年来，国家在2004年出台了由气象站，到省级、国家级资料部门的地面自动站观测资料三级质量控制业务系统，其中各级质量控制方法仍以传统方法为主，如：格式检查-极值检查-内部一致性检查-时间一致性检查-空间一致性检查-人机交互检查。国外，尤其北欧各国在气象资料的质量控制规范化和技术上都处于世界先进行列，所用的空间质量控制方法主要有：Madsen-Allerup方法(丹麦)、DEC-WIM方法(挪威)、数值预报模式(HIRLAM)插值方法(挪威)、Kriging统计差值模式(芬兰)、MESAN方法(瑞典)等。但自然降雨具有时空分布不均匀、降水面积和强度变化大的特点，常规的质量控制方法并不能很好地对其进行判别。而雷达能实时探测云和降水结构及系统发生、发展演变情况，能迅速提供一定区域的实时降水情况。雷达站测的数据空间分布合理的优点，已经被广泛地应用于科研及业务应用各领域。
多普勒天气雷达测量降雨一般使用Z＝ARb(Z-雷达反射率，R-降雨强度)，这是根据实测降雨强度和雨滴谱资料统计的结果得到的经验公式。但由于参数和降雨的类型以及季节、地域等关系很大，致使参数A、b在较大的范围内变动。新一代多普勒天气雷达采用单一的Z-R关系而忽略了这些降雨细节特征，造成局部区域降雨量测量值误差较大。
可见，现有技术主要集中应用在雷达信息对雨量观测点数据的质量控制以及雷达信息预测降雨方向，在结合实测降雨和雷达信息率定参数的方面研究得极少。
基于上述分析，如何结合实测降雨和雷达图精确的进行降雨分析，是需要解决的技术问题。
发明内容
本发明的技术任务是针对以上不足，提供一种基于雷达图的降雨分析模型构建方法、构建系统及分析方法，来解决如何结合实测降雨和雷达图精确的进行降雨分析的问题。
第一方面，本发明提供一种基于雷达图的降雨分析模型构建方法，包括：
获取不同时间的雷达图，对于每个雷达图，通过多点配准方法对雷达图和GIS地图进行地理位置配准，配准后雷达图中每个点的坐标与GIS地图坐标匹配；
将每个配准后雷达图网格划分为多个碎片雷达图，每个碎片雷达图匹配有至少一个雨量测量站；
对于每个碎片雷达图，提取所述碎片雷达图的雷达回波数据，并采集所述碎片雷达图对应的所有雨量测量站测得的实际降雨量，分别按照时间顺序将所述碎片雷达图对应的雷达回波数据以及实际降雨量各存储为一组；
构建降雨分析模型，所述降雨分析模型为Z-R关系模型，Z-R关系模型的表达式为：
Z＝ARb
其中，Z表示雷达回波数据，R为降雨量，A和b为待测参数；
对于每个碎片雷达图，以所述碎片雷达图对应的不同时间的雷达回波数据以及实际降雨量为训练样本，训练所述降雨分析模型并优化参数A和b，得到所述区域的区域降雨分析模型；
对于每个时间，以所述时间对应的各个碎片雷达图的雷达回波数据以及实实际降雨量际降雨量为训练样本，训练所述降雨分析模型并优化参数A和b，得到所述时段的时段降雨分析模型。
作为优选，通过ArcGIS的clip工具对雷达图进行网格划分。
作为优选，对于每个碎片雷达图，基于雷达图中颜色与雷达回波强度的不同，提取所述碎片雷达图的雷达回波数据，包括如下步骤：
通过opencv对碎片雷达图像进行图片色彩识别，将像素点的RGB值转换为Lab颜色模型表示值；
计算像素点的Lab颜色模型表示值与标准颜色值之间的差值，并选取差值最小的像素点的颜色作为所述碎片雷达图的标准色；
以所述标准色对应的雷达回波数据作为所述碎片雷达图像的雷达回波数据。
作为优选，上述每组雷达回波数据以及每组实际降雨量均存储于分布式存储系统；
以上述雷达回波数据以及实际降雨量作为训练样本之前，通过分布式存储系统对所述每组雷达回波数据以及每组实际降雨量进行预处理，所述预处理包括：
设定雷达回波阈值范围，对于每组雷达回波数据中超出雷达回波阈值范围的异常数据，进行删除；
设定降雨量阈值范围，对于每组实际降雨量中超出降雨量阈值范围的异常数据，进行删除。
第二方面，本发明提供一种基于雷达图的降雨分析模型构建系统，包括：
坐标匹配模块，所述坐标匹配模块用于通过多点配准方法对雷达图和GIS地图进行地理位置配准，配准后雷达图中每个点的坐标与GIS地图坐标匹配；
区域划分模块，所述区域划分模块用于将每个配准后雷达图网格划分为多个碎片雷达图，每个碎片雷达图匹配有至少一个雨量测量站；
数据采集模块，所述数据采集模块用于提取碎片雷达图的雷达回波数据，并采集碎片雷达图对应的所有雨量测量站测得的实际降雨量，分别按照时间顺序将碎片雷达图对应的雷达回波数据以及实际降雨量各存储为一组；
存储模块，所述存储模块用于存储上述每组雷达回波数据以及每组实际降雨量；
模型构建模块，所述模型构建模块用于构建降雨分析模型，所述降雨分析模型为Z-R关系模型，Z-R关系模型的表达式为：
Z＝ARb
其中，Z表示雷达回波数据，R为降雨量，A和b为待测参数；
模型训练模块，所述模型训练模块用于对于每个碎片雷达图，以所述碎片雷达图对应的不同时间的雷达回波数据以及实际降雨量为训练样本，训练所述降雨分析模型并优化参数A和b，得到所述区域的区域降雨分析模型；并用于对于每个时间，以所述时间对应的各个碎片雷达图的雷达回波数据以及实际降雨量为训练样本，训练所述降雨分析模型并优化参数A和b，得到所述时段的时段降雨分析模型。
作为优选，区域划分模块通过ArcGIS的clip工具对雷达图进行网格划分。
作为优选，数据采集模块用于基于雷达图中颜色与雷达回波强度的不同，提取所述碎片雷达图的雷达回波数据，包括如下步骤：
通过opencv对碎片雷达图像进行图片色彩识别，将像素点的RGB值转换为Lab颜色模型表示值；
计算像素点的Lab颜色模型表示值与标准颜色值之间的差值，并选取差值最小的像素点的颜色作为所述碎片雷达图的标准色；
以所述标准色对应的雷达回波数据作为所述碎片雷达图像的雷达回波数据。
作为优选，所述存储模块为分布式存储系统；
分布式存储系统用于对每组雷达回波数据以及每组实际降雨量进行预处理，所述预处理包括：
设定雷达回波阈值范围，对于每组雷达回波数据中超出雷达回波阈值范围的异常数据，进行删除；
设定降雨量阈值范围，对于每组实际降雨量中超出降雨量阈值范围的异常数据，进行删除。
第三方面，本发明提供一种基于雷达图的降雨分析方法，包括如下步骤：
通过如第一方面任一项所述的基于雷达图的降雨分析模型构建方法构建降雨分析模型，得到区域降雨分析模型和时段降雨分析模型；
基于区域降雨分析模型，获取所述区域降雨分析模型对应的雷达回波数据和实际降雨量为测试样本，以所述测试样本输入对应的区域降雨分析模型，得到所述区域对应的降雨分析；
基于时段降雨分析模型，获取所述时段降雨分析模型对应的雷达回波数据和实际降雨量为测试样本，以所述测试样本输入对应的时段降雨分析模型，得到所述时段对应的降雨分析。
本发明的基于雷达图的降雨分析模型构建方法、构建系统及分析方法具有以下优点：通过网格划分将雷达图划分为多个碎片雷达图，每个碎片雷达图对应至少一个雨量测量站，从而通过精细化区域切分定点划定测站点监测区域，同时可将该碎片雷达图对应的雷达回波数据以及相应的雨量测量站实时提取的实际降雨量进行全局性关联分析，实现Z-R关系模型在不同条件(区域及时段)下参数的有效率定，提高实测雨量数据的质量控制以及利用雷达资料对未来短时降雨预测的可靠性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，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。
下面结合附图对本发明进一步说明。
附图1为实施例1基于雷达图的降雨分析模型构建方法的流程框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互结合。
本发明实施例提供一种基于雷达图的降雨分析模型构建方法、构建系统及分析方法，用于解决如何结合实测降雨和雷达图精确的进行降雨分析的技术问题。
实施例1：
本发明的一种基于雷达图的降雨分析模型构建方法，包括如下步骤：
S100、获取不同时间的雷达图，对于每个雷达图，通过多点配准方法对雷达图和GIS地图进行地理位置配准，配准后雷达图中每个点的坐标与GIS地图坐标匹配；
S200、将每个配准后雷达图网格划分为多个碎片雷达图，每个碎片雷达图匹配有至少一个雨量测量站；
S300、对于每个碎片雷达图，提取所述碎片雷达图的雷达回波数据，并采集所述碎片雷达图对应的所有雨量测量站测得的实际降雨量，分别按照时间顺序将所述碎片雷达图对应的雷达回波数据以及实际降雨量各存储为一组；
S400、构建降雨分析模型，所述降雨分析模型为Z-R关系模型，Z-R关系模型的表达式为：
Z＝ARb
其中，Z表示雷达回波数据，R为降雨量，A和b为待测参数；
S500、对于每个碎片雷达图，以所述碎片雷达图对应的不同时间的雷达回波数据以及实际降雨量为训练样本，训练所述降雨分析模型并优化参数A和b，得到所述区域的区域降雨分析模型；
对于每个时间，以所述时间对应的各个碎片雷达图的雷达回波数据以及实际降雨量为训练样本，训练所述降雨分析模型并优化参数A和b，得到所述时段的时段降雨分析模型。
具体方法为在雷达图上选取多个点，然后进行X坐标和Y坐标确定，通过多个点与地图坐标进行匹配，选择的点越多，匹配的精度就越高。
其中，雷达图更新频率为6分钟一张，基于该频率，获取不同时间的雷达图，通过ArcGIS的clip工具对雷达图进行网格划分。
雷达图中，从蓝色到紫色逐渐变化，代表回波强度有小到大变化，基于雷达图中颜色与雷达回波强度的不同，获取碎片雷达图的颜色以得到对应的雷达回波数据。基于上述原理，对于每个碎片雷达图，基于雷达图中颜色与雷达回波强度的不同，提取该碎片雷达图的雷达回波数据，具体包括如下步骤：
(1)通过opencv对碎片雷达图像进行图片色彩识别，将像素点的RGB值转换为Lab颜色模型表示值；
(2)计算像素点的Lab颜色模型表示值与标准颜色值之间的差值，并选取差值最小的像素点的颜色作为该碎片雷达图的标准色；
(3)以标准色对应的雷达回波数据作为该碎片雷达图像的雷达回波数据。
步骤S300中，上述每组雷达回波数据以及每组实际降雨量均存储于分布式存储系统。
上述雷达回波数据以及实际降雨量作为训练样本之前，通过分布式存储系统对每组雷达回波数据以及每组实际降雨量进行预处理，预处理包括如下步骤：
(1)设定雷达回波阈值范围，对于每组雷达回波数据中超出雷达回波阈值范围的异常数据，进行删除；
(2)设定降雨量阈值范围，对于每组实际降雨量中超出降雨量阈值范围的异常数据，进行删除。
本发明公开的降雨分析模型构建方法，通过网格划分将雷达图划分为多个碎片雷达图，并将提取的雷达回波数据和实际降雨量按照时间和区域分布存储，并以上述数据为训练样本，得到区域降雨分析模型和时段降雨分析模型，通过区域降雨分析模型和时段降雨分析模型可对未来短时降雨进行可靠预测。
实施例2：
本发明提供一种基于雷达图的降雨分析模型构建系统，包括坐标匹配模块、区域划分模块、数据采集模块、存储模块、模型构建模块以及模型训练模块。
坐标匹配模块用于通过多点配准方法对雷达图和GIS地图进行地理位置配准，配准后雷达图中每个点的坐标与GIS地图坐标匹配。
区域划分模块用于将每个配准后雷达图网格划分为多个碎片雷达图，每个碎片雷达图匹配有至少一个雨量测量站。区域划分模块通过ArcGIS的clip工具对雷达图进行网格划分。
雷达图中，从蓝色到紫色逐渐变化，代表回波强度有小到大变化，基于雷达图中颜色与雷达回波强度的不同，获取碎片雷达图的颜色以得到对应的雷达回波数据。基于上述原理，对于每个碎片雷达图，基于雷达图中颜色与雷达回波强度的不同，提取该碎片雷达图的雷达回波数据，具体包括如下步骤：
(1)通过opencv对碎片雷达图像进行图片色彩识别，将像素点的RGB值转换为Lab颜色模型表示值；
(2)计算像素点的Lab颜色模型表示值与标准颜色值之间的差值，并选取差值最小的像素点的颜色作为该碎片雷达图的标准色；
(3)以标准色对应的雷达回波数据作为该碎片雷达图像的雷达回波数据。
数据采集模块用于提取碎片雷达图的雷达回波数据，并采集碎片雷达图对应的所有雨量测量站测得的实际降雨量，分别按照时间顺序将碎片雷达图对应的雷达回波数据以及实际降雨量各存储为一组。
存储模块为分布式数据库，用于存储上述每组雷达回波数据以及每组实际降雨量。该存储模块用于对每组雷达回波数据以及每组实际降雨量进行预处理，预处理包括如下步骤：
(1)设定雷达回波阈值范围，对于每组雷达回波数据中超出雷达回波阈值范围的异常数据，进行删除；
(2)设定降雨量阈值范围，对于每组实际降雨量中超出降雨量阈值范围的异常数据，进行删除。
模型构建模块用于构建降雨分析模型，该降雨分析模型为Z-R关系模型，Z-R关系模型的表达式为：
Z＝ARb
其中，Z表示雷达回波数据，R为降雨量，A和b为待测参数；
模型训练模块用于对于每个碎片雷达图，以碎片雷达图对应的不同时间的雷达回波数据以及实际降雨量为训练样本，训练降雨分析模型并优化参数A和b，得到该区域的区域降雨分析模型；并用于对于每个时间，以时间对应的各个碎片雷达图的雷达回波数据以及实际降雨量为训练样本，训练该降雨分析模型并优化参数A和b，得到该时段的时段降雨分析模型。
上述系统可实现实施例1公开的基于雷达图的降雨分析模型构建方法。
实施例3：
本发明的一种基于雷达图的降雨分析方法，包括如下步骤：
(1)通过实施例1公开的基于雷达图的降雨分析模型构建方法构建降雨分析模型，得到区域降雨分析模型和时段降雨分析模型；
(2)基于区域降雨分析模型，获取该区域降雨分析模型对应的雷达回波数据和实际降雨量为测试样本，以该测试样本输入对应的区域降雨分析模型，得到该区域对应的降雨分析；
基于时段降雨分析模型，获取该时段降雨分析模型对应的雷达回波数据和实际降雨量为测试样本，以该测试样本输入对应的时段降雨分析模型，得到该时段对应的降雨分析。
其中，上述获取雷达回波数据的方法同实施例1公开的方法一致。
雷达图中，从蓝色到紫色逐渐变化，代表回波强度有小到大变化，基于雷达图中颜色与雷达回波强度的不同，获取碎片雷达图的颜色以得到对应的雷达回波数据。基于上述原理，对于每个碎片雷达图，基于雷达图中颜色与雷达回波强度的不同，提取该碎片雷达图的雷达回波数据，具体包括如下步骤：
(1)通过opencv对碎片雷达图像进行图片色彩识别，将像素点的RGB值转换为Lab颜色模型表示值；
(2)计算像素点的Lab颜色模型表示值与标准颜色值之间的差值，并选取差值最小的像素点的颜色作为该碎片雷达图的标准色；
(3)以标准色对应的雷达回波数据作为该碎片雷达图像的雷达回波数据。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (9)
1.基于雷达图的降雨分析模型构建方法，其特征在于包括：
获取不同时间的雷达图，对于每个雷达图，通过多点配准方法对雷达图和GIS地图进行地理位置配准，配准后雷达图中每个点的坐标与GIS地图坐标匹配；
将每个配准后雷达图网格划分为多个碎片雷达图，每个碎片雷达图匹配有至少一个雨量测量站；
对于每个碎片雷达图，提取所述碎片雷达图的雷达回波数据，并采集所述碎片雷达图对应的所有雨量测量站测得的实际降雨量，分别按照时间顺序将所述碎片雷达图对应的雷达回波数据以及实际降雨量各存储为一组；
构建降雨分析模型，所述降雨分析模型为Z-R关系模型，Z-R关系模型的表达式为：
Z＝ARb
其中，Z表示雷达回波数据，R为降雨量，A和b为待测参数；
对于每个碎片雷达图，以所述碎片雷达图对应的不同时间的雷达回波数据以及实际降雨量为训练样本，训练所述降雨分析模型并优化参数A和b，得到所述区域的区域降雨分析模型；
对于每个时间，以所述时间对应的各个碎片雷达图的雷达回波数据以及实际降雨量为训练样本，训练所述降雨分析模型并优化参数A和b，得到所述时段的时段降雨分析模型。
2.根据权利要求1所述的基于雷达图的降雨分析模型构建方法，其特征在于通过ArcGIS的clip工具对雷达图进行网格划分。
3.根据权利要求1所述的基于雷达图的降雨分析模型构建方法，其特征在于对于每个碎片雷达图，基于雷达图中颜色与雷达回波强度的不同，提取所述碎片雷达图的雷达回波数据，包括如下步骤：
通过opencv对碎片雷达图像进行图片色彩识别，将像素点的RGB值转换为Lab颜色模型表示值；
计算像素点的Lab颜色模型表示值与标准颜色值之间的差值，并选取差值最小的像素点的颜色作为所述碎片雷达图的标准色；
以所述标准色对应的雷达回波数据作为所述碎片雷达图像的雷达回波数据。
4.根据权利要求1所述的基于雷达图的降雨分析模型构建方法，其特征在于上述每组雷达回波数据以及每组实际降雨量均存储于分布式存储系统；
以上述雷达回波数据以及实际降雨量作为训练样本之前，通过分布式存储系统对所述每组雷达回波数据以及每组实际降雨量进行预处理，所述预处理包括：
设定雷达回波阈值范围，对于每组雷达回波数据中超出雷达回波阈值范围的异常数据，进行删除；
设定降雨量阈值范围，对于每组实际降雨量中超出降雨量阈值范围的异常数据，进行删除。
5.基于雷达图的降雨分析模型构建系统，其特征在于包括：
坐标匹配模块，所述坐标匹配模块用于通过多点配准方法对雷达图和GIS地图进行地理位置配准，配准后雷达图中每个点的坐标与GIS地图坐标匹配；
区域划分模块，所述区域划分模块用于将每个配准后雷达图网格划分为多个碎片雷达图，每个碎片雷达图匹配有至少一个雨量测量站；
数据采集模块，所述数据采集模块用于提取碎片雷达图的雷达回波数据，并采集碎片雷达图对应的所有雨量测量站测得的实际降雨量，分别按照时间顺序将碎片雷达图对应的雷达回波数据以及实际降雨量各存储为一组；
存储模块，所述存储模块用于存储上述每组雷达回波数据以及每组实际降雨量；
模型构建模块，所述模型构建模块用于构建降雨分析模型，所述降雨分析模型为Z-R关系模型，Z-R关系模型的表达式为：
Z＝ARb
其中，Z表示雷达回波数据，R为降雨量，A和b为待测参数；
模型训练模块，所述模型训练模块用于对于每个碎片雷达图，以所述碎片雷达图对应的不同时间的雷达回波数据以及实际降雨量为训练样本，训练所述降雨分析模型并优化参数A和b，得到所述区域的区域降雨分析模型；并用于对于每个时间，以所述时间对应的各个碎片雷达图的雷达回波数据以及实际降雨量为训练样本，训练所述降雨分析模型并优化参数A和b，得到所述时段的时段降雨分析模型。
6.根据权利要求5所述的基于雷达图的降雨分析模型构建系统，其特征在于区域划分模块通过ArcGIS的clip工具对雷达图进行网格划分。
7.根据权利要求5所述的基于雷达图的降雨分析模型构建系统，其特征在于数据采集模块用于基于雷达图中颜色与雷达回波强度的不同，提取所述碎片雷达图的雷达回波数据，包括如下步骤：
通过opencv对碎片雷达图像进行图片色彩识别，将像素点的RGB值转换为Lab颜色模型表示值；
计算像素点的Lab颜色模型表示值与标准颜色值之间的差值，并选取差值最小的像素点的颜色作为所述碎片雷达图的标准色；
以所述标准色对应的雷达回波数据作为所述碎片雷达图像的雷达回波数据。
8.根据权利要求5所述的基于雷达图的降雨分析模型构建系统，其特征在于所述存储模块为分布式存储系统；
分布式存储系统用于对每组雷达回波数据以及每组实际降雨量进行预处理，所述预处理包括：
设定雷达回波阈值范围，对于每组雷达回波数据中超出雷达回波阈值范围的异常数据，进行删除；
设定降雨量阈值范围，对于每组实际降雨量中超出降雨量阈值范围的异常数据，进行删除。
9.基于雷达图的降雨分析方法，其特征在于包括如下步骤：
通过如权利要求1-4任一项所述的基于雷达图的降雨分析模型构建方法构建降雨分析模型，得到区域降雨分析模型和时段降雨分析模型；
基于区域降雨分析模型，获取所述区域降雨分析模型对应的雷达回波数据和实际降雨量为测试样本，以所述测试样本输入对应的区域降雨分析模型，得到所述区域对应的降雨分析；
基于时段降雨分析模型，获取所述时段降雨分析模型对应的雷达回波数据和实际降雨量为测试样本，以所述测试样本输入对应的时段降雨分析模型，得到所述时段对应的降雨分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910931683.5A CN110750516B (zh) | 2019-09-29 | 2019-09-29 | 基于雷达图的降雨分析模型构建方法、构建系统及分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910931683.5A CN110750516B (zh) | 2019-09-29 | 2019-09-29 | 基于雷达图的降雨分析模型构建方法、构建系统及分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110750516A true CN110750516A (zh) | 2020-02-04 |
| CN110750516B CN110750516B (zh) | 2023-10-31 |
Family
ID=69277352
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910931683.5A Active CN110750516B (zh) | 2019-09-29 | 2019-09-29 | 基于雷达图的降雨分析模型构建方法、构建系统及分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110750516B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111397686A (zh) * | 2020-02-24 | 2020-07-10 | 广州风雨雷科技有限公司 | 一种城市内涝预警方法 |
| CN111650572A (zh) * | 2020-07-23 | 2020-09-11 | 浪潮云信息技术股份公司 | 一种减小短时降水估测偏差的方法及系统 |
| CN112364029A (zh) * | 2021-01-12 | 2021-02-12 | 中国气象局气象探测中心 | 一种星地雨滴谱参数匹配及评估方法和系统 |
| CN112731403A (zh) * | 2021-03-17 | 2021-04-30 | 北京墨迹风云科技股份有限公司 | 一种降水预测方法以及装置 |
| CN114488351A (zh) * | 2022-02-10 | 2022-05-13 | 中国民用航空华东地区空中交通管理局 | 一种机场强回波监控预警系统及方法 |
| CN116468737A (zh) * | 2023-04-10 | 2023-07-21 | 华能澜沧江水电股份有限公司 | 降雨信息获取方法及装置 |
| CN118859213A (zh) * | 2024-09-23 | 2024-10-29 | 四创科技有限公司 | 一种基于雷达回波的区域降水预测的方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101533095A (zh) * | 2009-04-16 | 2009-09-16 | 福州四创软件开发有限公司 | 基于gis的雷达预警方法 |
| JP2010197185A (ja) * | 2009-02-25 | 2010-09-09 | National Research Institute For Earth Science & Disaster Provention | 降水分布の推定システムおよび降水分布の推定方法 |
| US20170357029A1 (en) * | 2016-06-14 | 2017-12-14 | The Climate Corporation | Supervised neural network to predict unlabeled rain rates |
-
2019
- 2019-09-29 CN CN201910931683.5A patent/CN110750516B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010197185A (ja) * | 2009-02-25 | 2010-09-09 | National Research Institute For Earth Science & Disaster Provention | 降水分布の推定システムおよび降水分布の推定方法 |
| CN101533095A (zh) * | 2009-04-16 | 2009-09-16 | 福州四创软件开发有限公司 | 基于gis的雷达预警方法 |
| US20170357029A1 (en) * | 2016-06-14 | 2017-12-14 | The Climate Corporation | Supervised neural network to predict unlabeled rain rates |
Non-Patent Citations (1)
| Title |
|---|
| 何健;王春林;毛夏;孙向明;: "利用雷达回波与GIS技术反演面雨量研究" * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111397686A (zh) * | 2020-02-24 | 2020-07-10 | 广州风雨雷科技有限公司 | 一种城市内涝预警方法 |
| CN111650572A (zh) * | 2020-07-23 | 2020-09-11 | 浪潮云信息技术股份公司 | 一种减小短时降水估测偏差的方法及系统 |
| CN111650572B (zh) * | 2020-07-23 | 2023-02-24 | 浪潮云信息技术股份公司 | 一种减小短时降水估测偏差的方法及系统 |
| CN112364029A (zh) * | 2021-01-12 | 2021-02-12 | 中国气象局气象探测中心 | 一种星地雨滴谱参数匹配及评估方法和系统 |
| CN112731403A (zh) * | 2021-03-17 | 2021-04-30 | 北京墨迹风云科技股份有限公司 | 一种降水预测方法以及装置 |
| CN114488351A (zh) * | 2022-02-10 | 2022-05-13 | 中国民用航空华东地区空中交通管理局 | 一种机场强回波监控预警系统及方法 |
| CN116468737A (zh) * | 2023-04-10 | 2023-07-21 | 华能澜沧江水电股份有限公司 | 降雨信息获取方法及装置 |
| CN116468737B (zh) * | 2023-04-10 | 2024-07-26 | 华能澜沧江水电股份有限公司 | 降雨信息获取方法及装置 |
| CN118859213A (zh) * | 2024-09-23 | 2024-10-29 | 四创科技有限公司 | 一种基于雷达回波的区域降水预测的方法及系统 |
| CN118859213B (zh) * | 2024-09-23 | 2024-12-03 | 四创科技有限公司 | 一种基于雷达回波的区域降水预测的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110750516B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110750516A (zh) | 基于雷达图的降雨分析模型构建方法、构建系统及分析方法 | |
| CN110363327B (zh) | 基于ConvLSTM和3D-CNN的短临降水预测方法 | |
| US20220043182A1 (en) | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data | |
| Kääb et al. | The new remote-sensing-derived Swiss glacier inventory: II. First results | |
| CN118470550B (zh) | 一种自然资源资产数据采集方法及平台 | |
| CN106780091B (zh) | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 | |
| CN110033132B (zh) | 基于深度目标检测和数值天气预报的热带气旋预报方法 | |
| CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
| CN103034858B (zh) | 一种卫星云图的二次聚类分割方法 | |
| Matasci et al. | Mapping tree canopies in urban environments using airborne laser scanning (ALS): A Vancouver case study | |
| GB2620469A (en) | Spatial prediction and evaluation method of soil organic matter content based on partition algorithm | |
| CN110930048A (zh) | 一种基于成灾机理过程的农作物干旱风险评估系统及方法 | |
| CN116486031B (zh) | 时序遥感数据与地理大数据融合的城市更新区域识别方法 | |
| CN114219847A (zh) | 基于物候特征的作物种植面积确定方法、系统及存储介质 | |
| CN108981616A (zh) | 一种由无人机激光雷达反演人工林有效叶面积指数的方法 | |
| CN116663764A (zh) | 人工影响天气效果评估系统 | |
| CN115575601A (zh) | 基于水汽通量散度的植被旱灾指数评估方法和系统 | |
| Rich et al. | Detecting wind disturbance severity and canopy heterogeneity in boreal forest by coupling high-spatial resolution satellite imagery and field data | |
| Rempel et al. | Object-based metrics for forecast verification of convective development with geostationary satellite data | |
| LU503276B1 (en) | Construction method of canopy interception model based on ground-based lidar point cloud data | |
| KR20230167856A (ko) | 트리 기반 기계학습 알고리즘과 기상 예측 자료를 이용한 시정 예측 방법 | |
| CN119251697A (zh) | 一种基于ICESat-2和多源遥感数据的大尺度森林冠层高度反演方法 | |
| Ma et al. | Spatial pattern of urban forest diversity and its potential drivers in a snow climate city, Northeast China | |
| CN118038289A (zh) | 人造地表集成估测方法及装置 | |
| CN118115333A (zh) | 一种基于多源异构数据的区域碳排放估算方法 |
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 |