获取最优地表类型数据集配置的方法和设备
文献发布时间:2023-06-19 10:29:05
技术领域
本发明总体来说涉及地表下垫面分类数据集的处理领域,更具体地讲,涉及一种获取最优地表类型数据集配置的方法和设备。
背景技术
在新能源电场功率预测、新能源资源评估、气象灾害预报等领域中,准确的数值天气模拟是解决问题的关键之一。在现有的技术中,可通过中尺度数值天气模式来进行对区域以及全球的气象场的数值天气模拟计算,目前,常用的中尺度数值天气模式是天气搜索和预报(WRF,Weather Research and Forecast)模式。
WRF模式仅可直接识别MODIS(Moderate Resolution ImagingSpectroradiometer)地表下垫面分类数据集或者USGS(U.S.GeologicalSurvey)地表下垫面分类数据集。具体说来,MODIS地表下垫面分类数据集包括21种地表类型,空间分辨率为15arcsec;USGS地表下垫面分类数据集包括24种地表类型,空间分辨率为30arcsec,此外,MODIS地表下垫面分类数据集或者USGS地表下垫面分类数据集代表的时间较为久远。由于MODIS地表下垫面分类数据集和USGS地表下垫面分类数据集的分辨率较低、所包括的地表类型较少,代表时间较为久远等原因,目前,MODIS地表下垫面分类数据集和USGS地表下垫面分类数据集无法准确代表当前地表下垫面的实际情况。
随着勘探技术的发展,市面上逐渐出现了具有更高分辨率、更准确的地表类型数据集,例如欧洲航天局(European Space Agency,ESA)发布了Climate Change Initiative(CCI)地表下垫面分类数据集,该地表下垫面数据集具有300m高空间分辨率,并且具有很长的代表年份(1992-2015),如果能应用在WRF模式的下边界条件中,将改善WRF模式的模拟效果。但是,由于数据分类系统的不同,在将该地表下垫面数据集应用到WRF模式的过程中,工作人员仅能依据经验和当地的地理气候特征对其进行大致分类,由于通过这种方式获取的分类结果准确性较差,因此会导致数据使用不当或效率低下等问题的发生。
发明内容
本发明的示例性实施例在于提供一种获取最优地表类型数据集配置的方法和设备,其能够克服将新地表下垫面分类数据集应用到WRF模式的过程中,对新地表下垫面分类数据集进行人工分类时,分类结果准确性较差的缺陷,以及还能够克服使用当前的MODIS地表下垫面分类数据集或者USGS地表下垫面分类数据集进行数值天气模拟时得到的数值天气模拟结果不准确的缺陷。
根据本发明示例性实施例的一方面,提供一种获取最优地表类型数据集配置的方法,所述方法包括:
根据地表粗糙度对地表类型进行粗分类,获取粗分类地表类别;
根据所述粗分类地表类别的划分标准,分别将第一地表分类数据集和第二地表分类数据集归类到相应的粗分类地表类别中,得到第一分类结果和第二分类结果;
针对每个所述粗分类地表类别,将所述第二分类结果中落入该粗分类地表类别的地表类型,以遍历的方式与所述第一分类结果中落入该粗分类地表类别的地表类型进行配对,得到多种地表类型配对方案;
基于各所述地表类型配对方案中与第一地表分类数据集对应的第二地表分类数据集,对目标区域在预定时间段内的天气进行WRF模拟,得到与各地表类型配对方案对应的数值天气模拟结果;
根据所述目标区域在预定时间段内的天气实测值及所述数值天气模拟结果,确定最优地表类型数据集;
其中,所述第一地表分类数据集为WRF模式可直接识别的地表分类数据集,第二地表分类数据集为WRF模式不可直接识别的地表分类数据集。
可选地,针对每个所述粗分类地表类别,将所述第二分类结果中落入该粗分类地表类别的地表类型,以遍历的方式与所述第一分类结果中落入该粗分类地表类别的地表类型进行配对,得到多种地表类型配对方案,包括:
针对所述粗分类地表类别中的第i个类别,将所述第二分类结果中落入第i个类别的每个地表类型,以遍历的方式与所述第一分类结果中落入第i个类别的每个地表类型数据进行配对,得到Ni种地表类型配对方案;
将遍历得到的所有粗分类地表类别对应的地表类型配对方案进行组合,得到N种地表类型数据配置;
其中,Ni=Xi
可选地,基于各所述地表类型配对方案中与第一地表分类数据集对应的第二地表分类数据集,对目标区域在预定时间段内的天气进行WRF模拟,得到与各地表类型配对方案对应的数值天气模拟结果,包括:
对各所述地表类型配对方案中与第一地表分类数据集对应的第二地表分类数据集进行格式转换,并插值到所述目标区域中,得到所述目标区域对应于各个地表类型配对方案的多组地表数据;
获取所述目标区域的气象初始场数据,所述气象初始场数据的格式可被WRF识别;
将所述气象初始场数据分别与所述多组地表数据进行匹配,得到多组匹配输入数据;
基于每组匹配输入数据对所述目标区域在预定时间段内的天气进行WRF模拟,得到与所述多组匹配输入数据对应的多种数值天气模拟结果。
可选地,根据所述目标区域在预定时间段内的天气实测值及所述数值天气模拟结果,确定最优地表类型数据集,包括:
获取所述目标区域在预定时间段内的第一天气实测值,根据所述第一天气实测值对所述多种数值天气模拟结果进行初筛选,得到初筛后的数值天气模拟结果;
获取所述目标区域在预定时间段内的第二天气实测值,根据第二天气实测值对所述初筛得到的数值天气模拟结果进行复筛选,以确定最优地表类型数据集。
可选地,根据所述第一天气实测值对所述N种数值天气模拟结果进行初筛选,得到初筛后的数值天气模拟结果,包括:
从所述多种数值天气模拟结果中分别提取第一天气指数模拟值;
将各所述第一天气指数模拟值中分别与所述第一天气指数实测值进行比较;
剔除不满足第一条件的第一天气指数模拟值所对应的数值天气模拟结果,得到初筛后的数值天气模拟结果。
可选地,根据第二天气实测值对所述初筛得到的数值天气模拟结果进行复筛选,以确定最优地表类型数据集,包括:
从所述初筛得到的数值天气模拟结果中提取第二天气指数模拟值;
分别计算每各第二天气数值模拟值与所述第二天气指数实测值的均方根误差;
获取所求得的均方根误差中的最小均方根误差,将所述最小均方根误差所对应的地表类型配对方案作为最优地表类型数据集。
可选地,所述第一天气指数包括以下项中的任意一项:降水量、降雪量;所述第二天气指数包括以下项中的任意一项:风速、气温、湿度、风力、风向、气压。
可选地,所述第一地表分类数据集包括MODIS地表下垫面分类数据集或者USGS地表下垫面分类数据集,所述第二地表分类数据集包括ESA-CCI地表下垫面分类数据集。
根据本发明的示例性实施例的另一方面,提供一种获取最优地表类型数据集配置的设备,所述设备包括:
粗分类单元,用于根据地表粗糙度对地表类型进行粗分类,获取粗分类地表类别;
细分类单元,用于根据所述粗分类地表类别的划分标准,分别将第一地表分类数据集和第二地表分类数据集归类到相应的粗分类地表类别中,得到第一分类结果和第二分类结果;
配对单元,用于针对每个所述粗分类地表类别,将所述第二分类结果中落入该粗分类地表类别的地表类型,以遍历的方式与所述第一分类结果中落入该粗分类地表类别的地表类型进行配对,得到多种地表类型配对方案;
数值模拟单元,用于基于各所述地表类型配对方案中与第一地表分类数据集对应的第二地表分类数据集,对目标区域在预定时间段内的天气进行WRF模拟,得到与各地表类型配对方案对应的数值天气模拟结果;
确定单元,用于根据所述目标区域在预定时间段内的天气实测值及所述数值天气模拟结果,确定最优地表类型数据集;
其中,所述第一地表分类数据集为WRF模式可直接识别的地表分类数据集,第二地表分类数据集为WRF模式不可直接识别的地表分类数据集。
可选地,所述配对单元包括:
遍历模块,针对所述粗分类地表类别中第i个类别,用于将所述第二分类结果中落入第i个类别的每个地表类型,以遍历的方式与所述第一分类结果中落入第i个类别的每个地表类型数据进行配对,得到Ni种地表类型配对方案;
组合模块,用于将遍历得到的所有粗分类地表类别对应的地表类型配对方案进行组合,得到N种地表类型数据配置;
其中,Ni=Xi
另一方面,本发明实施例还提供了一种获取最优地表类型数据集配置的设备,所述设备包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述处理器执行所述计算机程序时实现所述获取最优地表类型数据集配置的方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现所述获取最优地表类型数据集配置的方法。
利用本发明实施例提供的获取最优地表类型数据集配置的方法和设备,能够自动获取最优地表类型数据集配置,克服了将新地表下垫面分类数据集应用到WRF模式的过程中,对新地表下垫面分类数据集进行人工分类时准确性较差的缺陷,有效提高了地表分类的分辨率和准确率。并且,采用本发明得到的最优地表类型数据集进行数值天气预报得到的数值天气预报结果准确率明显提高。
将在接下来的描述中部分阐述本发明总体构思另外的方面和/或优点,还有一部分通过描述将是清楚的,或者可以经过本发明总体构思的实施而得知。
附图说明
通过下面结合示例性地示出实施例的附图进行的详细描述,本发明示例性实施例的上述和其他目的将会变得更加清楚,其中:
图1示出根据本发明示例性实施例的获取最优地表类型数据集配置的方法的流程图;
图2示出根据本发明示例性实施例的得到与各地表类型配对方案对应的数值天气模拟结果的步骤的流程图;
图3和图4分别示出新疆某地区在MODIS地表下垫面分类数据集下的地表类型图和在本发明示例中得到的最优地表类型数据集下的地表参数图;
图5至图7分别示出224风电场、226风电场和227风电场分别采用MODIS地表下垫面分类数据集和本发明得到的最优地表类型数据集时预报风速日均方根误差对比图;
图8示出根据本发明示例性实施例的获取最优地表类型数据集配置的设备的框图。
具体实施方式
现将详细参照本发明的示例性实施例,所述实施例的示例在附图中示出,其中,相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例,以便解释本发明。
图1示出根据本发明示例性实施例的获取最优地表类型数据集配置的方法的流程图。
如图1所示,在步骤S100,根据地表粗糙度对地表类型进行粗分类,获取粗分类地表类别。
这里,粗分类地表类别可以是针对地表类型数据的一个划分标准。例如,假设粗分类地表类别为A,可将B地表下垫面分类数据集中符合粗分类地表类别A的划分标准的地表类型数据划分到粗分类地表类别A中。
在本发明的一个示例中,可根据地表粗糙度将地表类型划分为五个粗分类的类别,该五个粗分类地表类别可如下表1所示:
表1
应注意的是,上述划分得到的粗分类类别仅是示例性的,具体实施时还可基于实际情况根据地表粗糙度将地表类型划分为其他更多或更少的类别,本发明并不以此为限。
在步骤S200,根据所述粗分类地表类别的划分标准,分别将第一地表分类数据集和第二地表分类数据集归类到相应的粗分类地表类别中,得到第一分类结果和第二分类结果。
作为示例性的,所述第一地表分类数据集为WRF模式可直接识别的地表分类数据集,第二地表分类数据集为WRF模式不可直接识别的地表分类数据集。例如,第一地表分类数据集可以为MODIS地表下垫面分类数据集或者USGS地表下垫面分类数据集,第二地表分类数据集可以为ESA-CCI地表下垫面分类数据集。
例如,在本发明的一个示例中,假设根据地表粗糙度将地表类型划分为上表1所示的五个粗分类类别,第一地表分类数据集为USGS地表下垫面分类数据集,第二地表分类数据集为ESA-CCI地表下垫面分类数据集。可按照上表1所示的五个粗分类类别,将USGS地表下垫面分类数据集和ESA-CCI地表下垫面分类数据集归类到相应的粗分类地表类别中。例如,按照粗分类地表类别“无植被或平均植被高度<0.1m”的划分标准,将USGS地表下垫面分类数据集中的“贫瘠或稀疏的植被”、“草本苔原地表类型”、“树木繁茂的苔原地表类型”、“混合苔原地表类型”、“裸露苔原地表类型”和“雪或冰”的地表类型划分到第2个粗分类地表类别“无植被或平均植被高度<0.1m”中。按照这种归类方式,USGS地表下垫面分类数据集和ESA-CCI地表下垫面分类数据集归类后的得到的第一分类结果和第二分类结果可如下表2所示:
表2
在获取了第一分类结果和第二分类结果之后,在步骤S300,针对每个所述粗分类地表类别,将所述第二分类结果中落入该粗分类地表类别的地表类型,以遍历的方式与所述第一分类结果中落入该粗分类地表类别的地表类型进行配对,得到多种地表类型配对方案。
在一个实施例中,关于步骤S300,可针对所述粗分类地表类别中第i个类别,将第二分类结果中落入第i个类别的每个地表类型,以遍历的方式与第一分类结果中落入第i个类别的每个地表类型数据进行配对,得到Ni种地表类型配对方案。其中,Ni=Xi
例如,接上文表2所涉及的示例,在该示例中,由于风电场通常不会建立在人类活动区或者水体中,在对USGS地表下垫面分类数据集和ESA-CCI地表下垫面分类数据集进行归类的过程中,USGS地表下垫面分类数据集和ESA-CCI地表下垫面分类数据集归类到“人类影响活动地区”和“水体”中的地表类型可以剔除。因此,在地表类型配对时可仅对第二分类结果和第一分类结果中落入剩余三种粗分类地表类别的地表类型进行配对。
例如,针对表2中的第2个类别“无植被或平均植被高度<0.1m”,将第二分类结果中落入第2个类别的每个地表类型,以遍历的方式与第一分类结果中落入第2个类别的每个地表类型进行配对,得到N2种地表类型配对方案。其中,第一分类结果中落入第2个类别中的地表类型的数量为6,第二分类结果中落入第2个类别中的地表类型的数量为9,则N2=6
此外,由于在ESA-CCI地表下垫面分类数据集中还存在一种“no data”(即“无数据”)的地表类型,如果后续的目标区域中包括了“无数据”的地表类型所对应的区域,则需要将所得到N再乘以24。这里的“无数据”可以是粗分类地表类型“水体”或者“人类影响活动区域”。
在步骤S400中,基于各地表类型配对方案中与第一地表分类数据集对应的第二地表分类数据集,对目标区域在预定时间段内的天气进行WRF模拟,得到与各地表类型配对方案对应的数值天气模拟结果。
下面,将结合图2来详细描述得到与各地表类型配对方案对应的数值天气模拟结果的步骤。
如图2所示,在步骤S410中,对各地表类型配对方案中与第一地表分类数据集对应的第二地表分类数据集进行格式转换,并插值到选定的目标区域中,得到目标区域中对应于各个地表类型配对方案的多组地表数据。
在本发明的一个示例中,可将各地表类型配对方案中与第一地表分类数据集对应的第二地表分类数据集的格式转换为WPS二进制格式。
首先,将各地表类型配对方案中与第一地表分类数据集对应的第二地表分类数据集矩阵按照tile_x×tile_y的大小,切片为多个子矩阵块。其中,tile_x为沿X(例如,经度)方向划分得到网格数,tile_y为沿Y(例如,纬度)方向划分得到的网格数。然后,按照每个网格点为一个字节大小的整型数据格式,将切片得到的多个子矩阵块保存为WPS二进制格式,存放在用于存放WPS二进制格式文件目录中的地表类型数据库目录中。
上述转换后得到WPS二进制格式文件可按照“xstart-xend.ystart-yend”的格式命名,xstart为该WPS二进制格式文件对应的子矩阵块的X方向起始下标,xend为X方向结束下标,ystart为Y方向起始下标,yend为Y方向结束下标。
例如,假设tile_x,tile_y均设置为1200,按照上述命名格式,该WPS二进制格式文件的文件名为:000001-001200.000001-001200,代表该子矩阵块的X和Y方向的矩阵下标都是从1到1200,即沿X和Y方向都是第一个子矩阵块。假设WPS二进制格式文件的文件名000001-001200.001201-002400,代表该子矩阵块的X方向下标从1到1200,是沿X方向的第一个子矩阵块,而Y方向下标则是从1201到2400,是沿Y方向的第二个子矩阵块。
对于沿对X方向第m个、Y方向第n个子矩阵块所对应的WPS二进制格式文件,起始和结束下标的值可按照下面的公式得到:
xstart
xend
ystart
yend
在步骤S420中,获取目标区域的气象初始场数据,其中该气象初始场数据的格式可被WRF识别。
在步骤S430中,将气象初始场数据分别与步骤410得到的多组地表数据进行匹配,得到多组匹配输入数据。
在步骤S440中,基于每组匹配输入数据对目标区域在预定时间段内的天气进行WRF模拟,分别得到与各组匹配输入数据对应的多种数值天气模拟结果。
上述的预定时间段可以是根据实际情况设置的模拟时段。例如,考虑到后续处理中需要使用降水数据,为了排除初始场不准确带来的误差,可在设置预定时间段时使得设置的预定时间段包括1-2次的降雨过程。此外,在进行WRF模拟之前,提前设置好分辨率、域分布等参数。
参照图1,在获取到与多组匹配输入数据对应的多种数值天气模拟结果之后,在步骤S500中,根据目标区域在预定时间段内的天气实测值及所述数值天气模拟结果,确定最优地表类型数据集。
在本发明的一个示例中,可通过将数值天气模拟结果进行初筛选和复筛选的方式来确定最优地表类型数据集。
在一个实施例中,首先获取目标区域在预定时间段内的第一天气实测值,根据所述第一天气实测值对多种数值天气模拟结果进行初筛选,得到初筛后的数值天气模拟结果。然后,获取目标区域在预定时间段内的第二天气实测值,根据第二天气实测值对所述初筛得到的数值天气模拟结果进行复筛选,以确定最优地表类型数据集。上述的第一天气指数可以是降水量,也可以是降雪量;第二天气指数可以是以下内容中的任意一项:风速、气温、湿度、风力、风向、气压。
作为示例,关于根据第一天气实测值对多种数值天气模拟结果进行初筛,选得到初筛后的数值天气模拟结果这一步骤,具体实施时,首先可从所得到的多种数值天气模拟结果中分别提取第一天气指数模拟值,然后可将各第一天气指数模拟值中分别与第一天气指数实测值进行比较;最后剔除不满足预设条件的第一天气指数模拟值所对应的数值天气模拟结果,得到初筛后的数值天气模拟结果。这里,预设条件可以是根据实际情况设置的条件,例如可以是将各第一天气指数模拟值中分别与第一天气指数实测值进行比较得到的比较结果的评分中大于预定评分阈值的情况。
作为示例,关于根据第二天气实测值对所述初筛得到的数值天气模拟结果进行复筛选以确定最优地表类型数据集这一步骤,具体实施时,首先可从初筛得到的数值天气模拟结果中提取第二天气指数模拟值;然后分别计算每个第二天气数值模拟值与第二天气指数实测值的均方根误差;最后获取所求得均方根误差中的最小均方根误差,将该最小均方根误差所对应的地表类型配对方案作为最优地表类型数据集。
应注意,第一天气指数和第二天气指数还可根据实际情况包括除了上述示例性示出的天气指数之外的天气指数,本发明并不以此为限。
下面将结合具体的示例来说明如何通过初筛选和复筛选来确定最优地表类型数据集。
上接表2所涉及的示例,假设表2所涉及的示例中,在进行粗分类时,仅考虑了粗分类对风速的影响,并未考虑植被页面大小导致的蒸腾作用以及湿地生态等对气候产生的影响。但是在数值天气模拟时,辐射、水汽等均为重要的影响因素,但是高空水汽等资料并非常规资料,可靠性有待考证。因此,在选择第一天气指数时,可将选用观测到的地面降水(资料可靠)作为初筛选时用于评判的标准,并且在该示例中,假设第一天气指数为连续6小时的累计降水。通过第一天气指数来剔除部分数值天气模拟结果来得到初筛后的数值天气模拟结果。此外,在该示例中,第二天气指数可以是风速。
在作了上述假设后,下面以具体的例子描述初筛和复筛的过程。
首先,从多种数值天气模拟结果中分别提取连续6小时的累计降水模拟值;然后,将与多种数值天气模拟结果对应的各连续6小时的累计降水模拟值分别与气象站获取的目标区域在预定时间段连续6小时的累计降水实测值进行比较。对上述得到的比较结果进行评分,根据评分剔除不满足预设条件的连续6小时的累计降水模拟值所对应的数值天气模拟结果,得到初筛后的数值天气模拟结果。这里,预设条件可以是根据比较结果得到的评分中分数大于预定分数阈值的情况。
在得到初筛后的数值天气模拟结果后,可从初筛得到的数值天气模拟结果中提取风速模拟值。然后,分别计算每个风速模拟值与风电场获得的目标区域的风速实测值的均方根误差。最后,获取所求得的均方根误差中的最小均方根误差,将该最小均方根误差所对应的地表类型配对方案作为最优地表类型数据集。
基于上述获取最优地表类型数据集配置的方法,以新疆某地区作为目标区域进行了最优地表类型数据集的确定实验。
图3和图4分别示出新疆某地区在MODIS地表下垫面分类数据集下的地表类型图和在本发明示例中得到的最优地表类型数据集下的地表参数图。在图3和图4中,分别用不同的线条填充来代表不同的地表类型在该新疆某区域的分布,可以看出,该新疆某地区在本发明示例中得到的最优地表类型数据集下的地表参数图中示出的结果与在MODIS地表下垫面分类数据集下的地表参数图示出的结果不同。
此外,以该新疆某区域的三个风电场为例,编号分别是224、226和227,在WRF模拟时,使得该三个风电场完全包含在WRF模拟的目标区域中,该目标区域的空间分辨率为3公里,东经87到91度,北纬42.3到44.8度。用于模拟的预定时间段为2019年8月1日至2019年8月28日,设定的预报时间间隔为15分钟,预报时长为28天,天气数值模拟对象为风速。
图5至图7分别示出224风电场、226风电场和227风电场分别采用MODIS地表下垫面分类数据集和本发明得到的最优地表类型数据集时预报风速日均方根误差对比图。可以看出,采用本发明得到的最优地表类型数据集得到的预报风速日均方根误差明显低于采用MODIS地表下垫面分类数据集得到的预报风速日均方根误差。换言之,采用本发明得到的最优地表类型数据集后进行数值天气预报得到的数值天气预报结果准确率明显提高。
由此可见,利用本发明实施例提供的最优地表类型数据集配置的方法,能够自动获取最优地表类型数据集配置,克服了将新地表下垫面分类数据集应用到WRF模式的过程中,对新地表下垫面分类数据集进行人工分类时准确性较差的缺陷,有效提高了地表分类的分辨率和准确率。并且,采用本发明得到的最优地表类型数据集进行数值天气预报得到的数值天气预报结果准确率明显提高。
图8示出根据本发明示例性实施例的获取最优地表类型数据集配置的设备的框图。
如图8所示,根据本发明示例性实施例的获取最优地表类型数据集配置的设备包括:粗分类单元100、细分类单元200、配对单元300、数值模拟单元400和确定单元500。
具体说来,粗分类单元100用于根据地表粗糙度对地表类型进行粗分类,获取粗分类地表类别。
细分类单元200用于根据所述粗分类地表类别的划分标准,分别将第一地表分类数据集和第二地表分类数据集归类到相应的粗分类地表类别中,得到第一分类结果和第二分类结果。其中,所述第一地表分类数据集为WRF模式可直接识别的地表分类数据集,第二地表分类数据集为WRF模式不可直接识别的地表分类数据集。
配对单元300用于针对每个所述粗分类地表类别,将所述第二分类结果中落入该粗分类地表类别的地表类型,以遍历的方式与所述第一分类结果中落入该粗分类地表类别的地表类型进行配对,得到多种地表类型配对方案。
作为示例,配对单元300可包括遍历模块和组合模块(图8中未示出),遍历模块针对所述粗分类地表类别中的第i个类别,将第二分类结果中落入第i个类别的每个地表类型,以遍历的方式与第一分类结果中落入第i个类别的每个地表类型数据进行配对,得到Ni种地表类型配对方案,其中,Ni=Xi
数值模拟单元400用于基于各地表类型配对方案中与第一地表分类数据集对应的第二地表分类数据集,对目标区域在预定时间段内的天气进行WRF模拟,得到与各地表类型配对方案对应的数值天气模拟结果。
确定单元500用于根据目标区域在预定时间段内的天气实测值及上述的数值天气模拟结果,确定最优地表类型数据集。
应该理解,根据本发明示例性实施例的获取最优地表类型数据集配置的设备的具体实现方式可参照结合图1至图7描述的相关具体实现方式来实现,在此不再赘述。
此外,应该理解,根据本发明示例性实施例的获取最优地表类型数据集配置的设备中的各个单元可被实现硬件组件和/或软件组件。本领域技术人员根据限定的各个单元所执行的处理,可以例如使用现场可编程门阵列(FPGA)或专用集成电路(ASIC)来实现各个单元。
根据本发明的另一示例性实施例的获取最优地表类型数据集配置的设备包括:处理器(未示出)和存储器(未示出)及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述处理器执行所述计算机程序时实现如上述示例性实施例的获取最优地表类型数据集配置的方法。
根据本发明的示例性实施例的计算机可读存储介质,存储有当被处理器执行时使得处理器执行上述示例性实施例的获取最优地表类型数据集配置的方法的计算机程序。该计算机可读存储介质是可存储由计算机系统读出的数据的任意数据存储装置。计算机可读存储介质的示例包括:只读存储器、随机存取存储器、只读光盘、磁带、软盘、光数据存储装置和载波(诸如经有线或无线传输路径通过互联网的数据传输)。
利用根据本发明示例性实施例的获取最优地表类型数据集配置的方法和设备,能够自动获取最优地表类型数据集配置,克服了将新地表下垫面分类数据集应用到WRF模式的过程中,对新地表下垫面分类数据集进行人工分类时准确性较差的缺陷,有效提高了地表分类的分辨率和准确率。并且,采用本发明得到的最优地表类型数据集进行数值天气预报得到的数值天气预报结果准确率明显提高。
尽管已经参照其示例性实施例具体显示和描述了本发明,但是本领域的技术人员应该理解,在不脱离权利要求所限定的本发明的精神和范围的情况下,可以对其进行形式和细节上的各种改变。
- 获取最优地表类型数据集配置的方法和设备
- 地物类型对地表温度的影响关系获取方法