技术领域
[0001] 本申请涉及气象校准领域，特别是涉及一种气象数据校准方法、装置、设备及气象站。
相关背景技术
[0002] 气象站用于实时监测气象数据和环境数据。传统多要素气象站的数据受其结构、材质以及传感器精度多种因素的影响。一方面，结构通风性及材质的保温隔热性能、导热系数对于温湿度的精度均有较大的影响。另一方面传感器存在漂移、偏差精度也会影响到数据的精度及稳定性。因此，通常需要对气象数据进行校准。
[0003] 而传统气象站数据校准涉及到一系列复杂的校准工作，且缺乏通用性。首先需要考虑传感器校准，涵盖零点和跨度校准，确保传感器输出与标准值一致。其次是环境校准，考虑温度、湿度、气压等环境因素对数据的影响，并建立校准模型消除这些误差。对比标准参考数据以验证和修正气象站数据。最后还需要建立校准曲线或模型有助于更准确地校准未来数据。且不同的气象站结构和材质均需要不同的校准方案。
具体实施方式
[0022] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
[0023] 使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
[0024] 在一个示例性的实施例中，如图1所示，本申请提供了一种气象数据校准方法，包括以下步骤101至步骤105。其中：
[0025] 步骤101：获取不同地域内标准气象站和未校准气象站在同一观测点的气象时序数据；所述标准气象站是已校订气象数据的气象站。
[0026] 步骤102：提取未校准气象站的气象时序数据的时间特征。
[0027] 步骤103：将未校准气象站的气象时序数据和提取的时间特征一起作为输入数据，标准气象站的气象时序数据作为标签，构成气象数据集。
[0028] 步骤104：采用所述气象数据集训练神经网络模型，获得气象数据校准模型；
[0029] 步骤105：将待校准气象站的气象时序数据和提取的时间特征一起输入所述气象数据校准模型，输出待校准气象站校准的气象时序数据。
[0030] 实施上述的步骤101至步骤105，本申请旨在通过机器训练模型对全季节的数据集的训练及预测实现多要素气象站的校准，通过数据简化校准复杂度，并具备通用性校准方案。
[0031] 本申请另一个示例性的实施例中，由于气象部门发布的标准数据均为校订后的数据，直接采用发布数据作为样本数据并不能反映真实的气象标准站数据。并且不同地域的样本数据在不同时间有着比较大的差异，即使同一城市内由于地形不同也存在差异。被校准设备考虑到校准成本及便利性一般部署统一的位置，其获得的气象数据无法反应将来部署的时空数据，需要提供一种数据训练方案解决差异化问题。所以，为了解决标准参考值的选择，以及训练数据的时空问题，则上述步骤101气象时序数据的采集方式为：考虑到数据的易获取性及准确性，将未校准设备与标准设备置于同一个场地(同一观测点)内进行数据样本获取，采用各区域内观测点的气象数据作为参考数据。
[0032] 气象时序数据可以为温度、湿度、风速等中的一种或多种。当气象时序数据为温度、湿度、风速等中的多种时，标准气象站、未校准气象站和被校准气象站为多要素气象站。所以，本申请的方法可以实现多要素气象站的校准。
[0033] 本申请另一个示例性的实施例中，为了确保数据的完整性和一致性，在上述步骤102之前，该方法还可以对未校准气象站的气象时序数据进行预处理；所述预处理包括：数据清洗、去除异常值和缺失值处理等。
[0034] 本申请另一个示例性的实施例中，步骤102从未校准气象站的气象时序数据中提取时间特征，时间特征包括：年、月、日、小时和分。除了提取时间特征，还可以进一步提取地点、季节等，以及其他可能影响气象数据的因素。
[0035] 本申请另一个示例性的实施例中，步骤104中的神经网络模型可以选用时序自回归移动平均模型，也可以选用其他神经网络模型。
[0036] 本申请另一个示例性的实施例中，步骤104中的神经网络模型包括：输入层、多个隐藏层和输出层，；多个隐藏层依次连接，依次连接后的多个隐藏层的输入端与输入层连接，依次连接后的多个隐藏层的输出端与输出层连接。图2示出神经网络模型仅包括两个隐藏层：第一隐藏层(Layer1)和第二隐藏层(Layer2)。
[0037] 输入层输入的数据为 X中包括6类数据，X元素上标为数据量，下标为数据类型。 ‑年， ‑月， ‑日， ‑小时， ‑分， ‑采集值。
[0038] 第一隐藏层和第二隐藏层的权重为 输出层输出的数据为
[0039] 训练神经网络模型的目的是通过学习气象数据的模式和关联性，将输入的气象数据映射到输出层。
[0040] 本申请另一个示例性的实施例中，步骤104训练神经网络模型的过程可以由步骤201～步骤203替代：
[0041] 步骤201：将所述气象数据集划分为训练集、测试集和验证集。
[0042] 步骤202：采用所述训练集和所述验证集，通过反向传播算法和梯度下降法，对神经网络模型进行训练。
[0043] 步骤203：利用所述测试集评估训练后的神经网络模型校准效果，并将通过评估的神经网络模型确定为气象数据校准模型。
[0044] 比较校准前后的数据差异和准确性，可以使用统计指标和可视化方法来评估校准效果。
[0045] 训练神经网络模型时，两个隐藏层的训练过程为：
[0046] 1、线性回归获得隐藏层layer1，如表1所示。
[0047] 表1隐藏层layer1线性回归
[0048]
[0049] 2、梯度下降和上升获得隐藏层layer2，如表2所示。
[0050] 表2隐藏层layer2的梯度下降和上升优化
[0051]
[0052] 本申请另一个示例性的实施例中，图4示出了气象数据校准模型应用时的流程。对应于图4，上述步骤105中待校准气象站的气象时序数据即为采集的数据，时间特征的提取即为前端程序数据处理，气象数据校准模型为后端模型，利用该后端模型可获得待校准气象站校准的气象时序数据，即校准数据。
[0053] 图5示出了本申请的气象数据校准方法的原理图。气象数据校准方法大致分为三个阶段：数据采集与处理阶段、模型训练阶段和模型应用阶段。在数据采集与处理阶段依次进行数据收集、数据预处理和特征提取，模型训练阶段包括神经网络模型、数据校准和数据评估。
[0054] 下面通过实际案例验证了本申请的气象数据校准方法的可行性和有效性。收集大量的气象数据，并使用神经网络模型进行校准。图6示出使用本申请的气象数据校准前的温度数据，图7示出使用本申请的气象数据校准方法校准后的温度数据。图6和图7的横坐标均表示采集点，纵坐标均表示温度。图6中的raw表示校准前的温度数据，standard表示标准温度数据，图7中的calibration表示校准后的温度数据。实验结果表明，使用本申请的气象数据校准方法能够显著提高气象数据的准确性和可靠性。
[0055] 本申请通过先进的机器学习技术，能够提高气象数据的准确性和可靠性。该方法具有广泛的应用前景，可用于气象预测、气候研究和相关领域，为气象学和气候学研究提供了一种有效的工具。
[0056] 本方法的优点如下：
[0057] 1.神经网络模型具有较高的灵活性和适应性，能够处理复杂的非线性关系。
[0058] 2.通过机器学习技术自动学习气象数据的模式和关联性，提高了校准的准确性和效果。
[0059] 3.校准后的气象数据可应用于气象预测、气候研究和其他相关领域，提供更准确和可靠的数据支持。
[0060] 4.该方案同样可用于环境类传感器的数据校订，具有普适性。
[0061] 基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的气象数据校准方法的气象数据校准装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个气象数据校准装置实施例中的具体限定可以参见上文中对于气象数据校准方法的限定，在此不再赘述。
[0062] 在一个示例性的实施例中，本申请提供了一种气象数据校准装置包括：数据收集模块、特征提取模块、数据集构成模块、训练模块和应用模块。
[0063] 数据收集模块，用于获取不同地域内标准气象站和未校准气象站在同一观测点的气象时序数据；所述标准气象站是已校订气象数据的气象站。
[0064] 特征提取模块，用于提取未校准气象站的气象时序数据的时间特征。
[0065] 数据集构成模块，用于将未校准气象站的气象时序数据和提取的时间特征一起作为输入数据，标准气象站的气象时序数据作为标签，构成气象数据集。
[0066] 训练模块，用于采用所述气象数据集训练神经网络模型，获得气象数据校准模型。
[0067] 应用模块，用于将待校准气象站的气象时序数据和提取的时间特征一起输入所述气象数据校准模型，输出待校准气象站校准的气象时序数据。
[0068] 作为一种可选的实施方式，气象数据校准装置还包括：数据预处理模块。数据预处理模块对收集到的气象时序数据进行清洗、异常值处理和缺失值处理等预处理操作。
[0069] 基于同样的发明构思，本申请实施例还提供了一种气象站，所述气象站采用上述的气象数据校准方法对气象时序数据进行校准。
[0070] 在一示例性的实施例中，提供了一种计算机设备，该计算机设备可以是服务器或者终端，其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待校准气象站校准的气象时序数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种气象数据校准方法。
[0071] 本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。在一个示例性的实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0072] 在一个示例性的实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0073] 在一个示例性的实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0074] 需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0075] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read‑OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive RandomAccess Memory，MRAM)、铁电存储器(Ferroelectric RandomAccess Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(RandomAccess Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static RandomAccess Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。
[0076] 本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0077] 以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0078] 本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。
