一种基于机器学习的气象地理分区方法与流程

摘要: 本发明涉及气象地理信息,具体为一种基于机器学习的气象地理分区方法。背景技术:1、气象地理分区是气象预报、气候分析、灾害预警、农业气象服务及区域气候资源评估的基础...
一种基于机器学习的气象地理分区方法与流程

本发明涉及气象地理信息,具体为一种基于机器学习的气象地理分区方法。

背景技术:

1、气象地理分区是气象预报、气候分析、灾害预警、农业气象服务及区域气候资源评估的基础核心技术,其核心目的是依据区域地形地貌、下垫面特征、气象要素分布规律及气候演变特征,将大范围地理区域划分为若干气象特征相对一致的子区域,从而实现精细化、差异化的区域气象服务与气候研究。精准的气象地理分区结果,能够有效提升中小尺度气象预报精度、极端天气识别能力以及区域气候资源开发利用水平,是现代精细化气象业务体系构建的重要前提。

2、目前,现有气象分区多基于行政边界或简单地理分区,缺乏对地形-气候相互作用机制的深入考量,难以构建一个多维度、高分辨率、动态自适应的气象分区模型。

3、为此,现提出一种基于机器学习的气象地理分区方法来解决上述提出的问题。

技术实现思路

1、本发明的目的在于提供一种基于机器学习的气象地理分区方法,以解决上述背景技术中提出的问题。

2、为实现上述目的,本发明提供如下技术方案:一种基于机器学习的气象地理分区方法,该气象地理分区方法的具体步骤如下:

3、步骤一、数据准备:收集涵盖了气象要素和地理信息的数据,对收集到的数据进行全面扫描,检查是否存在缺失值,对于缺失的数据点,采用相邻站点同期数据的平均值进行插补,识别出明显不合理的数据,将不同来源的数据转换为统一的格式,根据气象学上的通用标准,对春季、夏季、秋季和冬季内的每日温度数据进行统计,计算最高温度、最低温度和平均温度;

4、步骤二、数据标准化处理:首先采用z-score标准化数据变换方法,使各变量在同一尺度上进行比较和分析,将原始数据转换为均值为0,标准差为1的标准正态分布,消除数据的量纲和数量级差异;随后采用min-max标准化数据归一化方法,通过线性变换将数据映射到[0,1]区间,将原始数据的最小值映射为0,最大值映射为1,其他数据点则按照比例分布在这个区间内,所有的数据都被压缩到上述固定范围内;

5、步骤三、计算各个指标站点之间的距离:构建地理-气象距离矩阵;

6、步骤四、聚类分析与气象分区:选用k-means聚类算法进行站点聚类,通过迭代的方式将数据点划分为k个簇,使得每个簇内的平方误差最小,根据不同季节的数据特点和聚类结果,分别形成春季、夏季、秋季和冬季的气象分区。

7、优选的,所述步骤一中,收集的数据包括测站基本信息、气象要素数据和地形相关数据。

8、优选的,所述z-score标准化的计算公式为:;

9、其中是原始数据点,是样本均值,反映了数据的集中趋势;是样本标准差,衡量了数据的离散程度,通过这个公式,每个原始数据点都被转换为相对于均值的标准差个数,从而得到了标准化后的数据;

10、所述min-max标准化的计算公式为:;其中,是原始数据点,和分别是数据集中的最小值和最大值,通过这个公式,每个原始数据点都被转换为一个介于0和1之间的标准化数值。

11、优选的,每日高温距离计算具体公式如下:

12、;其中,和分别表示站点和站点在第天的最高温度,为计算周期内的天数,这个距离反映了两个站点在每日最高温度方面的相似程度,距离越小说明两个站点的每日最高温度越接近。

13、优选的,每日低温距离计算公式为:;其中,和分别表示站点和站点在第天的最低温度。

14、优选的,每日平均温距离计算公式为:;其中,和分别表示站点和站点在第天的平均温度,平均温度是反映一个地区气候状况的重要指标之一,每日平均温距离能够综合体现两个站点在温度方面的整体相似程度。

15、优选的,综合气象-地理距离最终用于聚类的距离是地理和气象距离的加权和:

16、;

17、其中,

18、权重系数、、根据预测目标的反馈优化调整。

19、优选的,所述步骤二中,当数据近似服从正态分布,且保留数据的分布特征,z-score标准化是一个选择;当对数据的范围有严格要求,或者简化计算过程,选用min-max标准化。

20、优选的,所述步骤三中,地理-气象距离矩阵包括地理空间距离、气象要素距离和综合气象-地理距离;气象要素距离包括温度距离、湿度距离、降水距离、风速距离和辐照度距离;所述温度距离包括每日高温距离计算、每日低温距离计算和每日平均温距离计算。

21、与现有技术相比,本发明的有益效果是:

22、本申请构建一个多维度、高分辨率、动态自适应的气象分区模型,该模型不仅整合温度、湿度、降雨、风速、辐照度等多种要素气象指标,更深度融合海拔、坡度、坡向等地理因子,构建兼顾地理空间异质性和气候动态特征的分区模型。这一方法将克服传统分区方式的部分不足,为电力、农业、水文等领域的精细化管理和决策提供有效的空间化数据支持;

23、采用多源数据融合-多维特征构建-动态聚类分区-综合效果验证的系统性方法框架。在数据预处理阶段,通过严格的质量控制措施确保数据的可靠性。特征工程阶段,对原始气象要素进行地形修正,构建更能反映局地气候本质的综合特征向量。聚类分析采用加权特征下的k-means算法,并引入动态时间规整(dtw)距离以捕捉气象序列的形态差异。验证环节采用内部有效性评估和外部有效性验证相结合的方式,对气象分区结果进行全面的评估,确保分区的科学性与实用性。

1.一种基于机器学习的气象地理分区方法,其特征在于,该气象地理分区方法的具体步骤如下:

2.根据权利要求1所述的一种基于机器学习的气象地理分区方法,其特征在于:所述步骤一中,收集的数据包括测站基本信息、气象要素数据和地形相关数据。

3.根据权利要求1所述的一种基于机器学习的气象地理分区方法,其特征在于:所述z-score标准化的计算公式为:;

4.根据权利要求1所述的一种基于机器学习的气象地理分区方法,其特征在于:每日高温距离计算具体公式如下:

5.根据权利要求1所述的一种基于机器学习的气象地理分区方法,其特征在于:每日低温距离计算公式为:;其中,和分别表示站点和站点在第天的最低温度。

6.根据权利要求1所述的一种基于机器学习的气象地理分区方法,其特征在于:每日平均温距离计算公式为:;其中,和分别表示站点和站点在第天的平均温度,平均温度是反映一个地区气候状况的重要指标之一,每日平均温距离能够综合体现两个站点在温度方面的整体相似程度。

7.根据权利要求1所述的一种基于机器学习的气象地理分区方法,其特征在于:综合气象-地理距离最终用于聚类的距离是地理和气象距离的加权和:

8.根据权利要求1所述的一种基于机器学习的气象地理分区方法,其特征在于:所述步骤二中,当数据近似服从正态分布,且保留数据的分布特征,z-score标准化是一个选择;当对数据的范围有严格要求,或者简化计算过程,选用min-max标准化。

9.根据权利要求1所述的一种基于机器学习的气象地理分区方法,其特征在于:所述步骤三中,地理-气象距离矩阵包括地理空间距离、气象要素距离和综合气象-地理距离;气象要素距离包括温度距离、湿度距离、降水距离、风速距离和辐照度距离;所述温度距离包括每日高温距离计算、每日低温距离计算和每日平均温距离计算。