CN116702586A - 一种基于多空间尺度数值的天气预报方法及系统 - Google Patents

Abstract

一种基于多空间尺度数值的天气预报方法及系统，属于气象领域，其中包括：通过对空间尺度按照距离进行区域划分，确定N个空间尺度集合，通过经纬采集单元对N个空间尺度集合进行等级标识；对N个空间尺度集合分别进行数据采集，获得N个数据采集结果；根据等级标识对N个数据采集结果进行聚类分析，获取M个聚类分析结果；对M个聚类分析结果进行覆盖遍历，获取覆盖遍历结果；将覆盖遍历结果输入天气数值模型中，获得天气数值；基于天气数值对N个空间尺度集合进行天气预报。本申请解决了现有技术中天气预报准确性低、不全面的技术问题，达到了提高天气预报准确度和全面性的技术效果。

Description

一种基于多空间尺度数值的天气预报方法及系统

技术领域

本发明涉及气象领域，具体涉及一种基于多空间尺度数值的天气预报方法及系统。

背景技术

随着社会经济的快速发展，人们对天气预报的需求也越来越高，同时气候变化和灾害天气的频发也对天气预报提出了更高的要求。目前天气预报的方式采用数值预报，但是由于气象系统的复杂性和不确定性，通过单一数值模拟难以全面反映天气的动态变化，因此，如何提高气象预报的准确性和全面性，成为当前需要解决的重要问题。

发明内容

本申请通过提供了一种基于多空间尺度数值的天气预报方法及系统，旨在解决现有技术中天气预报准确性低、不全面的技术问题。

鉴于上述问题，本申请实施例提供了一种基于多空间尺度数值的天气预报方法及系统。

本申请公开的第一个方面，提供了一种基于多空间尺度数值的天气预报方法，该方法包括：通过对空间尺度按照距离进行区域划分，确定N个空间尺度集合，其中，N为大于1的正整数；通过经纬采集单元对N个空间尺度集合进行等级标识，其中，N个空间尺度集合与等级标识为一一对应关系；对N个空间尺度集合分别进行数据采集，获得N个数据采集结果；根据等级标识对N个数据采集结果进行聚类分析，获取M个聚类分析结果；对M个聚类分析结果进行覆盖遍历，获取覆盖遍历结果；将覆盖遍历结果输入天气数值模型中，获得天气数值；基于天气数值对N个空间尺度集合进行天气预报。

本申请公开的另一个方面，提供了一种基于多空间尺度数值的天气预报系统，该系统包括：空间区域划分模块，用于通过对空间尺度按照距离进行区域划分，确定N个空间尺度集合，其中，N为大于1的正整数；标识集合等级模块，用于通过经纬采集单元对N个空间尺度集合进行等级标识，其中，N个空间尺度集合与等级标识为一一对应关系；数据采集结果模块，用于对N个空间尺度集合分别进行数据采集，获得N个数据采集结果；数据聚类分析模块，用于根据等级标识对N个数据采集结果进行聚类分析，获取M个聚类分析结果；覆盖遍历结果模块，用于对M个聚类分析结果进行覆盖遍历，获取覆盖遍历结果；天气数值获取模块，用于将覆盖遍历结果输入天气数值模型中，获得天气数值；集合天气预报模块，用于基于天气数值对N个空间尺度集合进行天气预报。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

由于采用了通过空间尺度的区域划分和等级标识，将天气数据分为不同的空间尺度集合，并对每个集合进行数据采集和等级划分，采用聚类分析对不同等级的空间尺度集合进行分类，对聚类分析结果进行覆盖遍历，剔除相同数据，将覆盖遍历结果输入到天气数值模型中获取天气数值，基于多个天气数值进行天气预报的技术方案，解决了现有技术中存在的天气预报准确性、不全面的技术问题，达到了提高天气预报准确度和全面性的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为本申请实施例提供了一种基于多空间尺度数值的天气预报方法可能的流程示意图；

图2为本申请实施例提供了一种基于多空间尺度数值的天气预报方法中对集合进行等级标识可能的流程示意图；

图3为本申请实施例提供了一种基于多空间尺度数值的天气预报方法中获取聚类分析结果可能的流程示意图；

图4为本申请实施例提供了一种基于多空间尺度数值的天气预报系统可能的结构示意图。

附图标记说明：空间区域划分模块11，标识集合等级模块12，数据采集结果模块13，数据聚类分析模块14，覆盖遍历结果模块15，天气数值获取模块16，集合天气预报模块17。

具体实施方式

本申请提供的技术方案总体思路如下：

通过空间尺度的区域划分和等级标识，将预报区域分为N个不同的空间尺度集合，并对每个集合进行数据采集和等级划分。之后，采用聚类分析对不同等级的空间尺度集合进行分类，得到M个聚类分析结果。接着，对这些聚类分析结果进行覆盖遍历，获取最终的覆盖遍历结果。最后，将覆盖遍历结果输入到天气数值模型中获得多个天气数值，基于多个天气数值进行天气预报。

在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。

实施例一

如图1所示，本申请实施例提供了一种基于多空间尺度数值的天气预报方法，该方法应用于天气预报系统，天气预报系统与经纬采集单元通信连接；

具体而言，基于多空间尺度数值的天气预报方法被用于天气预报系统中，系统与经纬采集单元通过有线方式和无线方式进行通信，经纬采集单元是由一组传感器、数据采集器等组成，用于获取指定区域内的气象数据，如温度、湿度、经度、纬度、风向、气压等。其中，无线通信的方式包括蓝牙、Wi-Fi、ZigBee、LoRa等方式；有线通信的方式包括RS232、RS485、Ethernet等。经纬采集单元对经纬信息进行采集，将数据传入天气预报系统中，天气预报系统根据数据进行计算，为天气预报情况提供支持。

其中，天气预报方法包括：

步骤S100：通过对空间尺度按照距离进行区域划分，确定N个空间尺度集合，其中，N为大于1的正整数；

具体而言，首先，确定预报区域的经度和纬度范围，选择WGS84坐标系，在整个预报区域内进行均匀采样，采样点要覆盖整个预报区域。根据每个采样点的经纬度坐标，采用曼哈顿距离的方法计算出各点之间的距离，得到距离矩阵。其次，采用层次聚类的方法对距离矩阵进行聚类分析，将距离较近的点聚为一个簇，逐步将点进行合并得到N个簇。然后，根据簇的个数将空间尺度进行划分，得到N个空间尺度集合。其中，N为大于1的正整数是指N的取值范围为正整数，并且只考虑N大于1的情况，因为只有在N大于1时，才能实现空间尺度的层次划分，构建多尺度模型。

通过对空间尺度按照距离进行区域划分可以全面了解区域内的时空演化规律，为后续天气预报提供依据，提高预报的精度和全面性。

步骤S200：通过所述经纬采集单元对所述N个空间尺度集合进行等级标识，其中，所述N个空间尺度集合与所述等级标识为一一对应关系；

具体而言，通过层次聚类的方法对预报区域中的采样点进行聚类分析，获取N个空间尺度集合，对N个空间尺度集合进行质点定位，通过经纬采集单元获取N个空间尺度集合的经度信息和纬度信息，即每个空间尺度集合在地球表面的位置信息，根据该位置信息获取该位置信息的历史天气信息，这些信息包括温度、降雨量、气压和风向风力等不同天气要素的数据。

根据历史天气数据和空间尺度集合的位置信息，确定天气要素等级标准，根据等级标准计算出每个空间尺度集合在不同天气要素上的变化幅度，使用计算出的天气要素变化幅度对N个空间尺度集合进行等级标识。根据变化幅度的大小设置不同的等级，例如，变化幅度较小的空间尺度集合设置为低等级，而变化幅度较大的空间尺度集合则设置为高等级。最终，每个空间尺度集合将对应一个等级标识，从而确立了与空间尺度集合一一对应的关系。

对N个空间尺度集合进行等级划分，将不同空间尺度集合在天气要素上的变化幅度进行分类，并生成不同等级的空间尺度集合。有助于更好地区分不同等级的空间尺度集合，使得后续的数据采集和处理更加精准，提升天气预报的准确度和精度。

步骤S300：对所述N个空间尺度集合分别进行数据采集，获得N个数据采集结果；

具体而言，确定N个空间尺度集合的位置，根据位置信息连接相应的气象站点，使用相应的传感器或仪器采集相应空间尺度集合的温度、降雨量、气压、风向风力等天气要素数据。对采集到的天气要素数据进行预处理，处理数据中的缺失值、异常值等，然后采用线性归一化或非线性归一化的方式对天气要素数据进行归一化处理，使不同天气要素数据之间具有可比性。通过对N个空间尺度集合一一进行数据采集、数据预处理和数据归一化处理，获得相应的N个数据采集结果，为后续进行天气预报提供数据支持。

步骤S400：根据所述等级标识对所述N个数据采集结果进行聚类分析，获取M个聚类分析结果；

具体而言，对N个数据采集结果进行预处理，包括去除离群值、填补缺失值、特征标准化等操作。根据等级标识将N个数据采集结果划分为多个子集，每个子集中包含等级标识相同的数据，从而把数据分成了不同的等级。从N个数据采集结果中选择用于聚类分析的特征，选择具有重要意义、相关性高、区分度强的特征，如湿度、温度等，以提高聚类分析的准确性和有效性。采用合适的聚类算法对各子集进行分析获取M个聚类分析结果，其中聚类算法包括层次聚类、K-means聚类、DBSCAN聚类等。通过等级标识对N个数据采集结果进行聚类分析，可以更好地挖掘数据中的差异和特征，并为天气预报提供更准确、可信的数据信息，有利于提高数据采集结果的决策参考性。

步骤S500：对所述M个聚类分析结果进行覆盖遍历，获取覆盖遍历结果；

具体而言，首先，构建覆盖矩阵。将M个聚类分析结果构建一个M×M的覆盖矩阵，矩阵中的第i行第j列的元素表示第i个聚类分析结果是否能覆盖第j个聚类分析结果。如果能够覆盖，则第i行第j列的元素的值为1，否则为0。其中，覆盖矩阵可以是稀疏矩阵或稠密矩阵形式。其次，采用覆盖遍历算法对覆盖矩阵进行分析和遍历，从而找到一组覆盖各聚类分析结果的子集，其中，覆盖遍历算法包括贪心算法、深度优先搜索算法、广度优先搜索算法等。然后，根据覆盖遍历算法找到的覆盖子集，获取覆盖遍历结果。最后，采用热力图、散点图、网络图等方法将覆盖遍历结果进行可视化分析和展示。

对M个聚类分析结果进行覆盖遍历，获取覆盖遍历结果，可以剔除相同天气数值，简化天气数值模型的计算，同时提升模型结果输出的准确性。

步骤S600：将所述覆盖遍历结果输入天气数值模型中，获得天气数值；

具体而言，将覆盖遍历结果进行预处理，提取需要的特征，并将它们转换为数字形式，方便输入到天气数值模型中，例如，覆盖遍历结果中可能包含的特征有：温度、湿度、能见度、风向风力等，这些特征需要数值化。将数值化后的特征数据输入到构建好的天气数值模型中，运行模型以获取天气数值。模型的输出层将根据输入的特征计算出天气数值，其中数值的最大值、最小值、平均值等可根据需要进行选择。

同时，对天气数值进行后续处理。例如，通过图表等方式直观地表达出天气变化趋势，并与历史天气数据进行比较，以验证结果的准确性。或者，当天气数据需要更新时，重新将新数据输入天气数值模型中，不断优化模型的准确性和实用性。通过天气数值模型将多个空间尺度的数据转化为相应的天气数值，为后续通过具体天气数值进行天气预报提供数据支持。

步骤S700：基于所述天气数值对所述N个空间尺度集合进行天气预报。

具体而言，将模型输出数据与实际数据进行比较，计算误差。误差评估指标包括平均误差(ME)、均方根误差(RMSE)、平均绝对误差(MAE)等。通过计算误差指标，评估天气预报的准确性，并对天气数值进行分类和认证。对于准确性高的天气数值，可以整合后直接发布给用户，对于准确性低的天气数值，需要进行进一步的优化和调整后进行发布。基于多个天气数值的天气预报能够在不同空间尺度之间进行衔接，从而提高了天气预报的准确性和全面性。

进一步的，如图2所示，本申请实施例还包括：

步骤S210：通过所述经纬采集单元确定所述N个空间尺度集合的N个经度信息、N个维度信息；

步骤S220：通过连接气象台，获取所述N个空间尺度集合对应的历史天气信息；

步骤S230：基于所述历史天气信息、所述N个经度信息、所述N个维度信息，获取所述N个空间尺度集合区域的天气变化幅度；

步骤S240：基于天气变化幅度对所述N个空间尺度集合进行等级标识。

具体而言，通过层次聚类将采样点分为N个簇，为N个空间尺度集合，计算N个簇的质心，通过经纬采集单元对N个簇的质心进行定位，获取N个簇的质心的经纬度，得到N个空间尺度集合的N个经度信息、N个维度信息。天气预报系统与气象局提供的API进行连接，根据N个空间尺度集合经纬度信息获取预报区域的历史天气信息，该历史天气信息为两年内的天气信息。

将历史天气信息和经纬度信息合并，形成一个数据集合，并按照时间和空间尺度集合进行排序，根据空间尺度集合划分历史天气数据，把数据分为若干组，并从若干组数据中划分不同的数据类型，包括温度、气压、湿度、风速、风力、降雨量等。计算各数据的平均值和标准差，以及最大值和最小值，将计算得到的数据使用地图、折线图等形式进行可视化展示，呈现不同空间尺度集合的天气变化幅度。

获取不同空间尺度集合的天气变化幅度后，明确等级标识的定义和含义。以温度变化幅度为例，将天气变化幅度分为五个等级标识，分别为“非常大”“大”“中”“小”“微小”，对应的变化幅度分别为：大于20℃、15℃-20℃、10℃-15℃、5℃-10℃、小于5℃，以空间尺度集合区域的平均温度为等级标准进行判断，确定空间尺度等级标识。遍历所有的历史天气数据类型与N个空间尺度集合区域，将计算得到的等级标识以不同颜色或符号的形式呈现出来，获取N个空间尺度集合区域的天气变化幅度。

按照空间尺度集合和不同数据类型对历史天气信息划分，制定等级标准，划分等级标准，为分析不同空间尺度集合的天气变化情况提供数据支持，使分析结果准确全面，提升对天气预报的精度。

进一步的，本申请实施例还包括：

步骤S310：对所述N个空间尺度集合进行温度数据采集，获取N个温度数据采集结果；

步骤S320：对所述N个空间尺度集合进行降雨量数据采集，获取N个降雨量数据采集结果；

步骤S330：对所述N个空间尺度集合进行气压数据采集，获取N个气压数据采集结果；

步骤S340：对所述N个空间尺度集合进行风向风力数据采集，获取N个风向风力数据采集结果；

步骤S350：将所述N个温度数据采集结果、所述N个降雨量数据采集结果、所述N个气压数据采集结果、所述N个风向风力数据采集结果进行归一化处理，并将所述处理结果添加至所述N个数据采集结果中。

具体而言，确定N个空间尺度集合的位置，组成位置集合数据，该位置集合数据包含预报区间中所有的空间尺度集合，将该集位置集合数据传输给天气预报系统。天气预报系统根据给定的位置集合连接相应的气象站点，发出温度数据采集指令、降雨量数据采集指令、气压数据采集指令、风向风力数据采集指令，使用相应的传感器或仪器根据指令进行数据采集，遍历位置集合，直到所有空间尺度集合的数据都被采集完，反馈到天气预报系统。

采集完数据后，首先，对缺失值、离群值、数据偏态等数据异常情况进行处理，增强数据可靠性。其次，确定归一化处理的方法和范围，可以采用线性归一化、对数归一化等归一化方法进行处理，确定每个因素可以取到的范围值，比如温度的范围为-40℃到50℃之间，降雨量的范围为0到500mm之间等。然后，对每个因素的采集结果进行归一化处理。

以线性归一化为例，对于每个因素x，假设其范围在[min，max]之间，将其归一化到[0，1]之间的数值x'的计算公式为：

其中，其中，x'是归一化后的结果，min和max是该因素可能取到的最小值和最大值。计算出x'后将其存储到相应的数据采集结果中。遍历所有的空间尺度集合，对每个空间尺度集合的温度、降雨量、气压、风向风力等数据进行归一化处理，将处理结果添加至N个数据采集结果中，以备后续的数据处理和分析使用。

通过对温度、降雨量、气压、风向风力等数据进行归一化处理，使得温度、降雨量、气压、风向风力等数据具有可比性，方便后续的数据处理和分析。

进一步的，如图3所示，本申请实施例还包括：

步骤S410：基于所述等级标识对所述N个数据采集结果通过主成分分析算法进行数据降维；

步骤S420：通过对降维后的所述N个数据采集结果进行聚类分析，获取所述M个聚类分析结果。

具体而言，设定等级标准，采用等级评分的方法将每个因素评分为1到5个级别，对N个数据采集结果进行等级标识，通过主成分分析算法对等级标识后的N个数据采集结果进行降维，保留累计贡献率达到80％—90％的主成分，通过矩阵分解的方法将多个相关变量转化为少量的无关主成分，获取降维后的N个数据采集结果。

获取降维后的N个数据采集结果后，采用肘部法、轮廓系数等方法确定聚类数目M，利用K-means聚类分析算法将降维后的N个数据采集结果聚成M个簇，将相似的数据归为一类，并将不相似的数据归为不同的类别。根据聚类分析的结果，将每一组数据采集结果归为相应的簇，并为每一组数据采集结果打上簇的标识，获取M个聚类分析结果。

通过主成分分析算法进行数据降维，将数据集转化为低维数据集，并对降维后的数据集进行聚类分析，消除特征之间的相关性和共线性，避免处理过程中出现噪声和干扰，提高后续天气预报的准确性。

进一步的，本申请实施例还包括：

步骤S411：对所述N个数据采集结果进行去中心化处理，获得V个数据采集结果；

步骤S412：获得所述V个数据采集结果的协方差矩阵；

步骤S413：对所述协方差矩阵进行运算，获得所述协方差矩阵的特征值对应的特征向量；

步骤S414：将所述N个数据采集结果投影到所述特征向量上，获得降维数据集，其中所述降维数据集为所述N个数据采集结果降维之后获得的特征数据集。

具体而言，确定预报区域的温度、气压、降雨量、风向风力的平均值，在N个数据采集结果中，从其中的温度、气压、降雨量、风向风力的归一化数据中减去预报区域中相应天气元素的平均值，实现对N个数据采集结果进行去中心化处理，获取V各数据采集结果。计算其中每个因素之间的协方差，并将多有的协方差填入一个V×V的矩阵中，形成V个数据采集结果的协方差矩阵。利用线性代数方法计算协方差矩阵的特征值和特征向量。根据特征向量的对应特征值的大小对所有特征向量进行排序，选择前K个对应特征值最大的特征向量作为保留的特征向量，其中K是确定的降维的目标维度。采用矩阵乘法或向量内积的方式将N个数据采集结果投影到保留的K个特征向量上，投影后的数据点组成一个新的降维数据集。这个新的数据集包含K个维度，每个维度对应一个特征向量，用于代表原始数据集的结构和特征，为降维后的特征数据集。

通过对N个数据采集结果进行去中心化处理和数据降维处理，避免后续出现模型过拟合的问题，并提高模型的准确性和泛化性能，从而提升天气预报的准确性和全面性。

进一步的，本申请实施例还包括：

步骤S610：采用所述覆盖遍历结果中具有等级标识的空间尺度数据作为构建数据；

步骤S620：基于BP神经网络，构建训练获得所述天气数值模型；

步骤S630：所述天气数值模型包含数据输入层、天气演变计算层、数值等级输出层；

步骤S640：将所述覆盖遍历结果中具有等级标识的空间尺度数据输入所述天气数值模型中，输出所述天气数值。

具体而言，将空间尺度区域分为N个空间尺度集合，为这些集合分配等级标识，进行聚类分析后获得M个聚类分析结果，通过覆盖遍历剔除相同的集合，将具有等级标识的空间尺度数据作为构建数据。从历史天气数据记录中选择具有等级标识的空间尺度数据，并对这些数据进行标定处理。设置BP神经网络架构，其中包括数据输入层、天气演变计算层、数值等级输出层，初始化天气演变计算层权重和偏置值，使用历史天气数据记录，包括过去的时间和空间数据，进一步训练神经网络，不断调整节点权重和偏置值以提高模型的准确性，使用误差反向传播算法进行监督训练，以计算时间序列中每个时间点上的天气变化。

将具有等级标识的空间尺度数据输入到已训练好的BP神经网络模型中，输入层接收这些数据，并将其传递到天气演变计算层中，该层使用历史数据记录结合输入数据计算天气结果。输出层将计算层的天气结果转换为数字形式，并将其输出为天气数值结果，每个时间点上的天气数值都可以计算并输出。

通过BP神经网络实现从大量的历史天气数据中学习天气变化规律，构建述天气数值模型，对输入数据去重和标识可以提高模型的精确性和实际可实施性，有助于提高天气预报的准确度。

综上所述，本申请实施例所提供的一种基于多空间尺度数值的天气预报方法具有如下技术效果：

通过对空间尺度按照距离进行区域划分，确定N个空间尺度集合，其中，N为大于1的正整数，有效地将大范围的天气数据划分为不同的小区域，进行针对性的分析和处理。通过经纬采集单元对N个空间尺度集合进行等级标识，其中，N个空间尺度集合与等级标识为一一对应关系，为后续按照不同等级的天气数据进行分析和处理提供基础；对N个空间尺度集合分别进行数据采集，获得N个数据采集结果，将相似性较高的数据进行分类，有助于进一步提高天气预报的准确性。根据等级标识对N个数据采集结果进行聚类分析，获取M个聚类分析结果，确定不同数据集合之间的联系，以便进行更加准确的分析和计算。对M个聚类分析结果进行覆盖遍历，获取覆盖遍历结果，剔除相同的天气数据，简化模型计算，提升预报准确度。将覆盖遍历结果输入天气数值模型中，获得天气数值，针对每个区域进行计算，使后续天气预报更加全面准确，基于天气数值对N个空间尺度集合进行天气预报，基于多个天气数值的天气预报能够在不同空间尺度之间进行衔接，提高了天气预报的准确性和全面性。

实施例二

基于与前述实施例中一种基于多空间尺度数值的天气预报方法相同的发明构思，如图4所示，本申请实施例提供了一种基于多空间尺度数值的天气预报系统，该天气预报系统与经纬采集单元通信连接，包括：

空间区域划分模块11，所述空间区域划分模块用于通过对空间尺度按照距离进行区域划分，确定N个空间尺度集合，其中，N为大于1的正整数；

标识集合等级模块12，所述标识集合等级模块用于通过所述经纬采集单元对所述N个空间尺度集合进行等级标识，其中，所述N个空间尺度集合与所述等级标识为一一对应关系；

数据采集结果模块13，所述数据采集结果模块用于对所述N个空间尺度集合分别进行数据采集，获得N个数据采集结果；

数据聚类分析模块14，所述数据聚类分析模块用于根据所述等级标识对所述N个数据采集结果进行聚类分析，获取M个聚类分析结果；

覆盖遍历结果模块15，所述覆盖遍历结果模块用于对所述M个聚类分析结果进行覆盖遍历，获取覆盖遍历结果；

天气数值获取模块16，所述天气数值获取模块用于将所述覆盖遍历结果输入天气数值模型中，获得天气数值；

集合天气预报模块17，所述集合天气预报模块用于基于所述天气数值对所述N个空间尺度集合进行天气预报。

进一步的，本申请实施例还包括：

确定集合信息模块，通过所述经纬采集单元确定所述N个空间尺度集合的N个经度信息、N个维度信息；

历史天气信息模块，通过连接气象台，获取所述N个空间尺度集合对应的历史天气信息；

天气变化幅度模块，基于所述历史天气信息、所述N个经度信息、所述N个维度信息，获取所述N个空间尺度集合区域的天气变化幅度；

等级标识模块，基于天气变化幅度对所述N个空间尺度集合进行等级标识。

进一步的，本申请实施例还包括：

温度数据采集模块，用于对所述N个空间尺度集合进行温度数据采集，获取N个温度数据采集结果；

降雨量数据采集模块，用于对所述N个空间尺度集合进行降雨量数据采集，获取N个降雨量数据采集结果；

气压数据采集模块，用于对所述N个空间尺度集合进行气压数据采集，获取N个气压数据采集结果；

风向风力数据模块，用于对所述N个空间尺度集合进行风向风力数据采集，获取N个风向风力数据采集结果；

数据归一处理模块，用于将所述N个温度数据采集结果、所述N个降雨量数据采集结果、所述N个气压数据采集结果、所述N个风向风力数据采集结果进行归一化处理，并将所述处理结果添加至所述N个数据采集结果中。

进一步的，本申请实施例还包括：

主成分分析模块，基于所述等级标识对所述N个数据采集结果通过主成分分析算法进行数据降维；

聚类分析模块，通过对降维后的所述N个数据采集结果进行聚类分析，获取所述M个聚类分析结果。

进一步的，本申请实施例还包括：

去中心化处理模块，用于对所述N个数据采集结果进行去中心化处理，获得V个数据采集结果；

协方差矩阵模块，用于获得所述V个数据采集结果的协方差矩阵；

特征向量模块，用于对所述协方差矩阵进行运算，获得所述协方差矩阵的特征值对应的特征向量；

降维数据集模块，用于将所述N个数据采集结果投影到所述特征向量上，获得降维数据集，其中所述降维数据集为所述N个数据采集结果降维之后获得的特征数据集。

进一步的，本申请实施例还包括：

空间尺度数据模块，采用所述覆盖遍历结果中具有等级标识的空间尺度数据作为构建数据；

天气数值模型模块，基于BP神经网络，构建训练获得所述天气数值模型；

数值模型层级模块，所述天气数值模型包含数据输入层、天气演变计算层、数值等级输出层；

天气数值输出模块，用于将所述覆盖遍历结果中具有等级标识的空间尺度数据输入所述天气数值模型中，输出所述天气数值。

综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (7)

1.一种基于多空间尺度数值的天气预报方法，其特征在于，所述方法应用于天气预报系统，所述天气预报系统与经纬采集单元通信连接，包括：

通过对空间尺度按照距离进行区域划分，确定N个空间尺度集合，其中，N为大于1的正整数；

通过所述经纬采集单元对所述N个空间尺度集合进行等级标识，其中，所述N个空间尺度集合与所述等级标识为一一对应关系；

对所述N个空间尺度集合分别进行数据采集，获得N个数据采集结果；

根据所述等级标识对所述N个数据采集结果进行聚类分析，获取M个聚类分析结果；

对所述M个聚类分析结果进行覆盖遍历，获取覆盖遍历结果；

将所述覆盖遍历结果输入天气数值模型中，获得天气数值；

基于所述天气数值对所述N个空间尺度集合进行天气预报。

2.如权利要求1所述的方法，其特征在于，进行所述等级标识，包括：

通过所述经纬采集单元确定所述N个空间尺度集合的N个经度信息、N个维度信息；

通过连接气象台，获取所述N个空间尺度集合对应的历史天气信息；

基于所述历史天气信息、所述N个经度信息、所述N个维度信息，获取所述N个空间尺度集合区域的天气变化幅度；

基于天气变化幅度对所述N个空间尺度集合进行等级标识。

3.如权利要求1所述的方法，其特征在于，获得所述N个数据采集结果，包括：

对所述N个空间尺度集合进行温度数据采集，获取N个温度数据采集结果；

对所述N个空间尺度集合进行降雨量数据采集，获取N个降雨量数据采集结果；

对所述N个空间尺度集合进行气压数据采集，获取N个气压数据采集结果；

对所述N个空间尺度集合进行风向风力数据采集，获取N个风向风力数据采集结果；

将所述N个温度数据采集结果、所述N个降雨量数据采集结果、所述N个气压数据采集结果、所述N个风向风力数据采集结果进行归一化处理，并将所述处理结果添加至所述N个数据采集结果中。

4.如权利要求1所述的方法，其特征在于，获取所述M个聚类分析结果，包括：

基于所述等级标识对所述N个数据采集结果通过主成分分析算法进行数据降维；

通过对降维后的所述N个数据采集结果进行聚类分析，获取所述M个聚类分析结果。

5.如权利要求4所述的方法，其特征在于，所述，包括：

对所述N个数据采集结果进行去中心化处理，获得V个数据采集结果；

获得所述V个数据采集结果的协方差矩阵；

对所述协方差矩阵进行运算，获得所述协方差矩阵的特征值对应的特征向量；

将所述N个数据采集结果投影到所述特征向量上，获得降维数据集，其中所述降维数据集为所述N个数据采集结果降维之后获得的特征数据集。

6.如权利要求1所述的方法，其特征在于，获得所述天气数值，包括：

采用所述覆盖遍历结果中具有等级标识的空间尺度数据作为构建数据；

基于BP神经网络，构建训练获得所述天气数值模型；

所述天气数值模型包含数据输入层、天气演变计算层、数值等级输出层；

将所述覆盖遍历结果中具有等级标识的空间尺度数据输入所述天气数值模型中，输出所述天气数值。

7.一种基于多空间尺度数值的天气预报系统，其特征在于，所述天气预报系统与经纬采集单元通信连接，包括：

空间区域划分模块，所述空间区域划分模块用于通过对空间尺度按照距离进行区域划分，确定N个空间尺度集合，其中，N为大于1的正整数；

标识集合等级模块，所述标识集合等级模块用于通过所述经纬采集单元对所述N个空间尺度集合进行等级标识，其中，所述N个空间尺度集合与所述等级标识为一一对应关系；

数据采集结果模块，所述数据采集结果模块用于对所述N个空间尺度集合分别进行数据采集，获得N个数据采集结果；

数据聚类分析模块，所述数据聚类分析模块用于根据所述等级标识对所述N个数据采集结果进行聚类分析，获取M个聚类分析结果；

覆盖遍历结果模块，所述覆盖遍历结果模块用于对所述M个聚类分析结果进行覆盖遍历，获取覆盖遍历结果；

天气数值获取模块，所述天气数值获取模块用于将所述覆盖遍历结果输入天气数值模型中，获得天气数值；

集合天气预报模块，所述集合天气预报模块用于基于所述天气数值对所述N个空间尺度集合进行天气预报。