技术领域
[0001] 本发明涉及气象预报技术领域，尤其涉及一种短临降雨预报的校准方法及计算机可读存储介质。
相关背景技术
[0002] 近年来，极端天气事件频发，由降雨引发的气象灾害对社会危害巨大，天气预报的及时性、准确性对政府及相关行业具有实际意义。对于短临降雨预报，只能预报强对流天气出现的可能性，却无法预报其所带来的降雨具体落区，具有较大的不确定性。
[0003] 短临降雨预报传统的方法包括统计降水预报和基于气象雷达外推方法。降水预报统计是根据统计学原理用概率论和数理统计的方法所作的降雨预报。气象雷达外推法主要应用于临近降雨预报及风暴监测，通过探测回波信号的强度、频率和相位等特性来检测云和降水的位置、形态、强度和移动方向，雷达回波的强度可以反映云或降水的强度，回波的频率和相位可以反映云或降水的速度和方向，一般来说雨点越大越多，反射信号就越强。根据雷达在先前一个时刻和当时观测到的回波图像，计算出回波的移速和移向，然后依此移速和移向，外推而预告未来时刻回波位置。
[0004] 然而，采用统计预报法需要大量的历史资料进行支撑，存在公式化、规律化特征，需要将所选因子与预报量之间建立一定的联系，预报有效性受限与预报因子与预报量的关系与气象历史资料的符合程度，限制了短临降雨预报的稳定性。通过气象雷达外推法分析雷达回波数据，受地理因素和雷达数据的准确性影响，在天气系统变化较大的情况下，简单的线性外推预报方法会出现较大的预报误差，准确性不高。
具体实施方式
[0015] 为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图详予说明。
[0016] 请参阅图1，一种短临降雨预报的校准方法，包括：
[0017] 对待预报区域最新时间点的最新雷达回波数据与其各历史时间点的历史雷达回波数据进行相关性分析，确定与所述最新雷达回波数据相关的历史雷达回波数据对应的历史时间点，作为第一历史时间点；
[0018] 对待预报区域在最新时间点及其之前预设第一时长内的最新雷达回波序列数据与各第一历史时间点及其之前预设第一时长内的历史雷达回波序列数据进行相关性分析，确定与所述最新雷达回波序列数据相关的历史雷达回波序列数据对应的第一历史时间点，作为第二历史时间点；
[0019] 对待预报区域在最新时间点及其之前预设第一时长内的最新实测降雨序列数据与各第二历史时间点及其之前预设第一时长内的历史实测降雨序列数据进行相关性分析，确定与所述最新实测降雨序列数据相关性最高的历史实测降雨序列数据对应的第二历史时间点，作为第三历史时间点；
[0020] 根据待预报区域在所述第三历史时间点之后预设第二时长内的实测降雨数据，对待预报区域在最新时间点之后预设第二时长内的短临降雨预报数据进行校准。
[0021] 从上述描述可知，本发明的有益效果在于：通过融合历史实测降雨数据，对短临降雨预报数据进行校准，有效地减少短临降雨预报误差，提高短临降雨预报的准确性。
[0022] 进一步地，所述对待预报区域最新时间点的最新雷达回波数据与其各历史时间点的历史雷达回波数据进行相关性分析，确定与所述最新雷达回波数据相关的历史雷达回波数据对应的历史时间点，作为第一历史时间点，具体为：
[0023] 获取待预报区域最新时间点的雷达回波数据，作为最新雷达回波数据，并分别获取待预报区域各历史时间点的雷达回波数据，作为各历史时间点对应的历史雷达回波数据；
[0024] 分别计算所述最新雷达回波数据与各历史雷达回波数据之间的皮尔逊相关系数；
[0025] 若所述最新雷达回波数据与一历史时间点对应的历史雷达回波数据之间的皮尔逊相关系数大于或等于预设的第一阈值，则将所述一历史时间点作为第一历史时间点。
[0026] 由上述描述可知，通过对最新时间点与所有历史时间点的雷达回波数据进行相关性分析，筛选出与当前情况较相似的历史节点。
[0027] 进一步地，所述对待预报区域在最新时间点及其之前预设第一时长内的最新雷达回波序列数据与各第一历史时间点及其之前预设第一时长内的历史雷达回波序列数据进行相关性分析，确定与所述最新雷达回波序列数据相关的历史雷达回波序列数据对应的第一历史时间点，作为第二历史时间点，具体为：
[0028] 获取待预报区域在最新时间点及其之前预设第一时长内的雷达回波数据，作为最新雷达回波序列数据，并分别获取待预报区域在各第一历史时间点及其之前预设第一时长内的雷达回波数据，作为各第一历史时间点对应的历史雷达回波序列数据；
[0029] 分别计算所述最新雷达回波序列数据与各历史雷达回波序列数据之间的皮尔逊相关系数；
[0030] 若所述最新雷达回波序列数据与一第一历史时间点对应的历史雷达回波序列数据之间的皮尔逊相关系数大于或等于预设的第二阈值，则将所述一第一历史时间点作为第二历史时间点。
[0031] 由上述描述可知，通过对最新一段时间与之前初步筛选出的历史时间点对应的一段时间内的雷达回波序列数据进行相关性分析，进一步验证匹配度，缩小范围。
[0032] 进一步地，所述对待预报区域在最新时间点及其之前预设第一时长内的最新实测降雨序列数据与各第二历史时间点及其之前预设第一时长内的历史实测降雨序列数据进行相关性分析，确定与所述最新实测降雨序列数据相关性最高的历史实测降雨序列数据对应的第二历史时间点，作为第三历史时间点，具体为：
[0033] 分别获取待预报区域内的各测站在最新时间点及其之前预设第一时长内的实测降雨数据，作为各测站的最新实测降雨序列数据，并分别获取待预报区域内的各测站在各第二历史时间点及其之前预设第一时长内的实测降雨数据，作为各测站对应各第二历史时间点的历史实测降雨序列数据；
[0034] 分别计算同一测站的最新实测降雨序列数据与同一测站对应各第二历史时间点的历史实测降雨序列数据之间的皮尔逊相关系数；
[0035] 根据各测站的最新实测降雨序列数据与各测站对应同一第二历史时间点的历史实测降雨序列数据之间的皮尔逊相关系数，计算平均值，得到所述最新实测降雨序列数据与所述同一第二历史时间点对应的历史实测降雨序列数据之间的平均相关系数；
[0036] 若所述最新实测降雨序列数据与一第二历史时间点对应的历史实测降雨序列数据之间的平均相关系数最高，则将所述一第二历史时间点作为第三历史时间点。
[0037] 由上述描述可知，通过对当前的实测降雨序列数据与测站的历史实测降雨序列数据进行相关性分析，确定与当前情况相关性最高的历史时间点，便于后续基于该历史时间点之后的实测降雨数据，校正当前的短临降雨预报数据。
[0038] 进一步地，所述根据待预报区域在所述第三历史时间点之后预设第二时长内的实测降雨数据，对待预报区域在最新时间点之后预设第二时长内的短临降雨预报数据进行校准，具体为：
[0039] 获取待预报区域内的各测站在最新时间点之后预设第二时长内的短临降雨预报数据，作为各测站的最新短临降雨预报序列数据，并分别获取待预报区域内的各测站在所述第三历史时间点之后预设第二时长内的实测降雨数据，作为各测站对应的历史实测降雨序列数据；
[0040] 分别计算同一测站的最新短临降雨预报序列数据及其对应的历史实测降雨序列数据的差值，得到所述同一测站对应的降雨差值序列；
[0041] 若待预报区域内的各测站对应的降雨差值序列中的各降雨差值均小于预设的差值阈值，则输出待预报区域内各测站的最新短临降雨预报序列数据以及历史实测降雨序列数据，否则输出待预报区域内各测站对应的历史实测降雨序列数据以及降雨差值序列，并将所述历史实测降雨序列数据作为校准后的短临降雨预报数据。
[0042] 由上述描述可知，通过融合历史实测降雨数据，对短临降雨预报数据进行校准，有效地减少短临降雨预报误差，提高短临降雨预报的准确性。
[0043] 本发明还提出一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的方法。
[0044] 实施例一
[0045] 请参照图1，本发明的实施例一为：一种短临降雨预报的校准方法，可应用于基于气象雷达的降雨预报。
[0046] 本实施例中，采用皮尔逊相关系数(Pearson correlation coefficient)来衡量两组数据之间的相关程度。皮尔逊相关系数是一种常用的统计量，用于衡量两个变量之间的线性相关性强弱。它可以反映出两个变量之间的相关程度，它的取值范围在‑1到1之间。如果相关系数接近1，表明两个变量之间存在完全正向的线性关系；如果接近‑1，则说明存在完全负向的线性关系；如果接近0，则表示两个变量之间没有线性关系。皮尔逊相关系数的计算方法如下：
[0047] r＝Cov(X,Y)/(σX×σY)
[0048] 其中，Cov(X,Y)表示变量X和Y的协方差，σX和σY分别表示变量X和Y的标准差；通过计算协方差和标准差，可以得到两个变量之间的相关系数r。
[0049] 本实施例中，当两组数据的相关系数越趋近于1，则它们的相似性越强。
[0050] 如图1所示，本实施例的方法包括如下步骤：
[0051] S1：对待预报区域最新时间点的最新雷达回波数据与其各历史时间点的历史雷达回波数据进行相关性分析，确定与所述最新雷达回波数据相关的历史雷达回波数据对应的历史时间点，作为第一历史时间点。
[0052] 具体地，首先，获取待预报区域最新时间点的雷达回波数据，作为最新雷达回波数据，并分别获取待预报区域各历史时间点的雷达回波数据，作为各历史时间点对应的历史雷达回波数据。
[0053] 然后，分别计算最新雷达回波数据与各历史雷达回波数据之间的皮尔逊相关系数，确定与最新雷达回波数据之间的皮尔逊相关系数大于或等于预设的第一阈值的历史雷达回波数据，将这些历史雷达回波数据对应的历史时间点作为第一历史时间点。即如果某个历史时间点对应的历史雷达回波数据与最新雷达回波数据之间的皮尔逊相关系数大于或等于预设的第一阈值，则将该历史时间点作为第一历史时间点。
[0054] 本实施例中，第一阈值为0.9。
[0055] 例如，假设当前时间点2023.01.30 18:00:00(即2023年1月30日18点整)的雷达回波数据与历史时间点2022.01.10 15:30:00和2022.10.10 11:35:00的雷达回波数据之间的相关系数分别为0.97和0.95，均大于第一阈值，则将这两个历史时间点都作为第一历史时间点。
[0056] 如果所有的历史雷达回波数据与最新雷达回波数据之间的皮尔逊相关系数均小于或等于0.9，则结束此次流程。
[0057] 进一步地，在该步骤之前，根据雷达回波数据的网格信息，对待预报区域进行网格化，本实施例中，即将待预报区域划分为2km×2km的网格，获取待预报区域的雷达回波数据时，即获取待预报区域中所有网格的雷达回波数据。
[0058] S2：对待预报区域在最新时间点及其之前预设第一时长内的最新雷达回波序列数据与各第一历史时间点及其之前预设第一时长内的历史雷达回波序列数据进行相关性分析，确定与所述最新雷达回波序列数据相关的历史雷达回波序列数据对应的第一历史时间点，作为第二历史时间点。
[0059] 具体地，首先，获取待预报区域在最新时间点及其之前预设第一时长内的雷达回波数据，作为最新雷达回波序列数据，并分别获取待预报区域在各第一历史时间点及其之前预设第一时长内的雷达回波数据，作为各第一历史时间点对应的历史雷达回波序列数据。本实施例中，第一时长为1h。
[0060] 然后，分别计算最新雷达回波序列数据与各历史雷达回波序列数据之间的皮尔逊相关系数，确定与最新雷达回波序列数据之间的皮尔逊相关系数大于或等于预设的第二阈值的历史雷达回波序列数据，将这些历史雷达回波序列数据对应的第一历史时间点作为第二历史时间点。即如果某个第一历史时间点对应的历史雷达回波序列数据与最新雷达回波序列数据之间的皮尔逊相关系数大于或等于预设的第二阈值，则将该第一历史时间点作为第二历史时间点。
[0061] 本实施例中，第二阈值与第一阈值相同，也为0.9。
[0062] 例如，当前时间点为2023.01.30 18:00:00，第一历史时间点包括2022.01.1015:30:00和2022.10.10 11:35:00，则将2023.01.30 17:00:00‑2023.01.30 18:00:00这段时间内的雷达回波数据分别与2022.01.10 14:30:00‑2022.01.10 15:30:00以及2022.10.10
10:35:00‑2022.10.10 11:35:00这两段时间内的雷达回波数据进行相关性分析，假设
2023.01.30 17:00:00‑2023.01.30 18:00:00与2022.01.1014:30:00‑2022.01.10 15:30:
00这两个时段内的雷达回波数据之间的相关系数为0.93，则将2022.01.10 15:30:00作为第二历史时间点。
[0063] 如果所有的历史雷达回波序列数据与最新雷达回波序列数据之间的皮尔逊相关系数均小于或等于0.9，则结束此次流程。
[0064] S3：对待预报区域在最新时间点及其之前预设第一时长内的最新实测降雨序列数据与各第二历史时间点及其之前预设第一时长内的历史实测降雨序列数据进行相关性分析，确定与所述最新实测降雨序列数据相关性最高的历史实测降雨序列数据对应的第二历史时间点，作为第三历史时间点。
[0065] 具体地，首先，分别获取待预报区域内的各测站在最新时间点及其之前预设第一时长内的实测降雨数据，作为各测站的最新实测降雨序列数据，并分别获取待预报区域内的各测站在各第二历史时间点及其之前预设第一时长内的实测降雨数据，作为各测站对应各第二历史时间点的历史实测降雨序列数据。
[0066] 然后，分别计算同一测站的最新实测降雨序列数据与同一测站对应各第二历史时间点的历史实测降雨序列数据之间的皮尔逊相关系数，从而得到各测站的最新实测降雨序列数据与各测站对应各第二历史时间点的历史实测降雨序列数据之间的皮尔逊相关系数。
[0067] 接着，计算各测站的最新实测降雨序列数据与各测站对应同一第二历史时间点的历史实测降雨序列数据之间的皮尔逊相关系数的平均值，得到该第二历史时间点对应的平均相关系数，即最新实测降雨序列数据与该第二历史时间点对应的历史实测降雨序列数据之间的平均相关系数。
[0068] 最后，对各历史时间点对应的平均相关系数进行比较，将平均相关系数最高的第二历史时间点作为第三历史时间点。即如果最新实测降雨序列数据与一第二历史时间点对应的历史实测降雨序列数据之间的平均相关系数最高，则将该第二历史时间点作为第三历史时间点。
[0069] S4：根据待预报区域在所述第三历史时间点之后预设第二时长内的实测降雨数据，对待预报区域在最新时间点之后预设第二时长内的短临降雨预报数据进行校准。
[0070] 具体地，首先，获取待预报区域内的各测站在最新时间点之后预设第二时长内的短临降雨预报数据，作为各测站的最新短临降雨预报序列数据，并分别获取待预报区域内的各测站在所述第三历史时间点之后预设第二时长内的实测降雨数据，作为各测站对应的历史实测降雨序列数据。本实施例中，第二时长可以为1h、2h或3h。
[0071] 然后，对于待预报区域内的每个测站，都计算最新短临降雨预报序列数据与历史实测降雨序列数据之间的差值，得到每个测站对应的降雨差值序列。例如，假设A测站在当前时间点2023.01.30 18:00:00的短临降雨预报数据为1.4mm，在第三历史时间点2022.01.10 15:30:00的实测降雨数据为1.5mm，则A测站的降雨差值序列中的第一个降雨差值为0.1mm，以此类推。
[0072] 如果待预报区域内的所有测站的降雨差值序列中的降雨差值均小于预设的差值阈值，则输出待预报区域内各测站的最新短临降雨预报序列数据以及历史实测降雨序列数据，同时进行展示，否则输出待预报区域内各测站对应的历史实测降雨序列数据以及降雨差值序列，辅助人工校正当前时段的短临降雨预报数据，本实施例中，直接将历史实测降雨序列数据作为校准后的短临降雨预报数据。通过融合历史实测降雨数据，从而提高短临降雨预报的准确率。
[0073] 短临降雨预报需具备准确性和稳定性，采用统计预报法需要对大量的历史资料进行统计分析，投入成本大，统计关系稳定性不高，预报稳定性低。本实施例通过机器替代人工对雷达回波数据进行数据比对、相关性分析归纳，利用历史气象规律，辅助未来预报，提高预报稳定性。同时可在天气系统变化较大的情况下，充分融合历史实测数据去校准短临降雨预报数据，降低地理因素和雷达数据带来的影响，减少气象雷达外推法的误差，使校准后的数据更有参考意义。
[0074] 实施例二
[0075] 本实施例是对应上述实施例的一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中一种短临降雨预报的校准方法的各个步骤，且能达到相同的技术效果，此处不再累述。
[0076] 综上所述，本发明提供的一种短临降雨预报的校准方法及计算机可读存储介质，通过先对单个时间点之间的雷达回波数据进行比对，筛选出与当前情况相似度较高的历史记录，再进行时段之间的雷达回波序列数据的比对，验证匹配度，缩小范围，接着用当前实测降雨序列数据与测站历史实测降雨序列数据进行比对，确定与当前情况相关性最高的历史时间点，最后通过该历史时间点之后的实测降雨数据，来实现当前的短临降雨预报数据的校准。本发明通过融合历史实测降雨数据，对短临降雨预报数据进行校准，有效地减少短临降雨预报误差，提高短临降雨预报的准确性。
[0077] 以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。
