一种多源异构气象数据融合处理方法及系统

技术领域

本发明属于数据融合技术领域，具体是一种多源异构气象数据融合处理方法及系统。

背景技术

进入21世纪以来,随着国民经济和社会的快速发展,气象灾害对经济建设和人民生活造成的损害和影响与日俱增。为防御气象灾害,提高灾害性天气的监测和预报水平,自20世纪90年代后期,我国开始建设新一代天气雷达网并投入业务应用。新一代天气雷达观测资料的应用,提高了对台风、暴雨、冰雹、雷暴、龙卷等灾害性天气的监测和预警能力。新一代天气雷达以联网探测为目标,实现对灾害性天气的监测和预警。各国伴随着天气雷达网的建成,纷纷对其观测资料或产品进行了组网处理和应用。我国在雷达组网产品应用上也进行了一些研究工作。雷达组网产品的研究,主要涉及到雷达基数据和天气雷达组网估算降水等应用。中国气象局发展的短时临近预报系统,也在全国范围内推广应用了雷达基数据组网及基于组网产品的降水估算、临近预报等。

目前对于利用大数据及三维展示等现代化技术手段,将雷达组网产品与多源观测数据融合,提供丰富的产品展示、三维分析及冰雹、多源组合风场、台风定位定强等强天气监测精准分析的应用研究还很少。将数据融合、大数据、三维展示等技术与雷达组网产品相结合,可进一步提高观测产品的精度、时效和准确性,改善强天气监测产品在应用上的准确率,减小误报率和空报率。

为此随着气象观测系统的迅猛发展，利用地面自动气象站、雷达、卫星等获取的观测数据越来越多，多种数值模式模拟数据质量也在不断提高，同时，各行业对格点化的时、空连续的气象数据产品要求越来越高。利用数据融合与数据同化技术，综合多种来源观测资料及多模式模拟数据，获得高精度、高质量、时空连续的多源数据融合气象格点产品是行之有效的手段。为此有必要提出一种多源异构气象数据融合处理方法及系统，以改善强天气监测产品在应用上的准确率,减小误报率和空报率。

发明内容

本发明的目的是提供一种多源异构气象数据融合处理方法及系统，通过对采集的数据的多次可信性判断，能够使所采集的数据具有一定的准确性，进而达到后续减小误报率和空报率的作用。

为了实现上述目的，本发明的技术方案如下：一种多源异构气象数据融合处理系统，包括采集模块、关联数据模块、数据返回模块、数据处理模块、传送模块和数据汇合端；

采集模块，用于采集若干个气象站采集点处的多源参数，包括温度、风速、风向、湿度、气压、降雨量和能见度；

关联数据模块，用于接收采集模块处的多源参数，并将单个气象站采集点处的各参数进行关联性对比，以判断某一数据发生变化时其他数据是否产生关联性变化；

其中关联数据模块包括数据分类单元、数据交互单元、关联对比单元和判断输出单元；

数据分类单元，用于接收采集模块所采集的温度、风速、风向、湿度、气压、降雨量和能见度信息，并根据不同数据信息进行分类存储；

数据交互单元，用于将不同数据进行一一交互匹配并组成不同的匹配组，匹配组包括温度与湿度组、风速和风向组、气压和风速组、降雨量及湿度组和能见度和降雨量组；

关联对比单元，用于实时采集各匹配组之间的交互变化，并根据不同匹配组之间是否出现正向影响，以判断采集数据的准确性；

判断输出单元，用于根据对比后的信息进行处理和判断，并输出此时采集的数据信息是否准确的判断指令；

数据返回模块，用于接收关联数据模块信息，根据判断输出单元的判断指令，对问题数据进行重新采集和无问题数据继续传送至下一级；

数据处理模块，用于接收对比后的数据，并对数据进行协调匹配、提取过滤、聚类、分类、关联、降噪和合成处理，并传送至下一级；

传送模块，用于接收处理后的数据，并将数据进行排序过滤、分流、订正反馈和筛选并传送至下一级；

数据汇合端，用于接收采集处理后的数据，并进行数据融合传送至后端。

基础方案的原理是：对气象数据进行处理时，首先通过采集模块采集气象站处的各气象数据，然后关联数据模块内的数据分类单元将会对各气象数据进行对应的分类，然后通过数据交互单元对各数据依照实际的影响因素进行匹配，匹配后分为温度与湿度组、风速和风向组、气压和风速组、降雨量及湿度组和能见度和降雨量组；

关联对比单元将会对各组进行对比，在进行对比时，当采集到的温度升高时，当气温升高时，空气中的水分也会增加，湿度会增加，由此若是此次采集的气象数据为湿度升高，那就说明此时温湿度数据具有一定的科学性，若是此时湿度数据出现下降情况时，代表此时具有采集数据不准确或者出现异常天气的情况，然后判断输出单元将会对应的对所检测的对比信息进行对应的采集，并根据各组的数据是否匹配进行判断，并输出对应的信息，若是各组匹配值不呈科学方向上升和降低，判断输出单元则输出需出现采集的指令；

数据返回模块接收该指令，并进行对应的出现采集，而未出现异常的数据将会传输至数据处理模块，数据处理模块将会对应为所采集的数据进行对应的降噪清洗等处理，以便于后续进行对应的数据融合，传送模块则对处理后的数据进一步进行排序过滤、分流、订正反馈和筛选等操作再传输至数据汇合端，数据汇合端则对该多源气象数据进行对应的融合处理，以实现对气象数据的融合。

基础方案的有益效果是：1、本系统设有关联数据模块，能够预先对所采集的数据进行对应的初步的判断和对比，进而能够预先的对所采集的数据进行初步的可信性进行判断，由此以保证后续所进行数据融合所用的数据能够更加科学性，从而使融合后的数据更加准确，进而为后续的气象播报等操作出现问题的可能性。

2、在对比数据是否具有可信性时，利用气象数据的变化过程中具有密切关联的特性，由此通过分别对比某气象数据进行变化时，其他气象数据例如温度、风速、风向、湿度、气压、降雨量和能见度等数据进行关联性的变化时，能够更加准确的判断此时采集的数据是否具有可信性。

进一步，还包括时间对比模块，时间对比模块用于接收采集模块处的多源参数，并将各参数值与其历史参数值进行对比，以判断采集时的数据是否准确。

基础方案的有益效果是：通过时间对比模块的设计，能够对同一气象数据的历史数据进行对应的对比，进而以判断此时所采集的数据是否具有相应的科学，例如当此时所采集的温度数据为25摄氏度时，若是对比历史数据此时的温度数据为30摄氏度，因为数据相差较大，根据每年的实际情况，能够对所采集的数据进行判断是否具有科学性和可信性，从而增加后续数据融合的准确性。

进一步，还包括空间对比模块，空间对比模块用于接收采集模块处的多源参数，并将每个采集点与其周围的采集点进行各数据对比，以判断采集时的数据是否准确。

基础方案的有益效果是：通过空间对比模块的设计，能够对同一区域内的所采集得数据进行科学的对比，例如当某一个气象站所采集的风向为东侧时，但是在该同一区域内的其他气象站所采集的风向与此不同时，此时应对该数据进行重新采集，以使采集数据保持一定准确性。

进一步，数据处理模块中的降噪时利用小波去噪技术进行去噪，去噪过程为，数据处理模块接收原始信号，并进行小波分解，得到各尺度系数，选取阈值函数，进行阈值处理，然后小波逆变换，小波重构，得到去噪后的去噪信号；

其中阈值函数的选取包括固定阈值、无偏风险估计阈值和极大极小阈值，固定阈值如下式；

式中，N为信号长度，σ为信号的标准方差；

无偏风险估计阈值选取为，对信号进行小波分解，将分解后得到的各层尺度系数所对应的阈值进行量化处理，并对该层小波系数的平方值降序排列，得到数列X＝[x

极大极小阈值计算式如下；

基础方案的有益效果是：数据融合时，不同传感器采集的数据可能受到噪声的干扰，这会影响数据的准确性和可靠性。小波降噪可以通过分析信号的频域特性，将噪声和信号分离，并将噪声部分进行抑制，从而有效地去除噪声，提高数据的质量；小波降噪在去除噪声的同时，尽可能地保留原始信号的有用特征。相比于传统的滤波方法，小波降噪可以更好地保持信号的细节信息，避免信号过度平滑或失真，从而更准确地还原原始信号；在数据融合过程中，通过对传感器数据进行小波降噪，可以提高信号处理的效果。降低数据中的噪声干扰可以减少误差，提高数据的精度和可靠性，从而提高数据融合算法的性能和结果的准确性。

进一步，采集模块包括数据采集单元、风速风向判断单元、温度风速判断单元和数据前处理单元；

数据采集单元，用于采集多源参数，包括温度、风速、风向、湿度、气压、降雨量和能见度；

风速风向判断单元，用于在风速采集点位处设计风向采集点，并结合接收两个采集点位的数据，且同步对两采集数据进行对比和判断，以对数据进行初步筛选；

温度风速判断单元，用于在风速采集点位设计温度采集点，并结合接收两个采集点位的数据，且同步对两采集数据进行对比和判断，以对数据进行初步筛选；

数据前处理单元，用于对风速风向判断单元和温度风速判断单元处采集的数据进行初步分析，并自证得到准确的采集数据。

基础方案的有益效果是：在进行气象数据的采集时，采集单元进行采集，同时风速风向判断单元则进行风向风速的辅助采集，且在进行采集风速采集时能够同步实现对风向的采集，由此根据两数据的对比，能够预先对风速风向进行采集和筛选；同时温度风速判断单元也能够实现采集风速的同时采集此时的温度，并根据数据之间的关联性，进而实现预先对所采集的数据进行筛选，进而减少后续的工作量，从而实现后续融合后的准确性。

进一步，风速风向判断单元包括风环，风环一侧转动连接有磁棒盘，磁棒盘远离风环一侧固定连接有连接轴，连接轴上设有旋转码柱，旋转码柱顶端设有通槽，连接轴位于通槽内，且连接轴和旋转码柱通过通槽转动连接，旋转码柱底端固定连接有底座，底座内设有脉冲件，脉冲件与磁棒盘和旋转码柱信号连接；

风环内设有连接环块，连接环块内壁环设有压力传感采集点，连接环块内顶壁固定连接有拉簧，拉簧远离连接环一端固定连接有接触片，接触片部分位于连接环块内且能够与连接环块内壁接触。

基础方案的有益效果是：当风速风向判断单元进行风向风速采集时，风环将会在风的作用下进行转动，当风环进行转动后，磁棒盘的转动方向将会相反进行转动；这是由于磁力线在旋转时，会按照右手定则确定的方向进行反转。具体来说，当风环转动时，磁棒盘上的磁力线也会跟着旋转，但是由于磁力线的反转效应，磁棒盘的转动方向会与主风杯风环的转动方向相反；

然后所得风力观测数据会在旋转码柱的传输作用下，进入底部脉冲装置，并由风力信号转变为光电脉冲信号，进而得到风速的采集，同时在风环受到风力的影响时，拉簧将会在风力的影响下被吹动，进而接触片将会随着拉簧的运动方向进行对应的运动，由此接触片将会接触到连接环的内壁，进而在压力传感采集点的采集下，能够采集到此时是哪个方向接收到对应的压力，由此能够实现对风向的判断，进而实现风速风向的同步数据采集，由此能够对后续两数据进行对应的对比。

例如在实际的遇到台风等天气时，通过本装置能够对台风的风速和风向进行快速且直接的采集，进而利用本装置的直接变化，能够对台风风速等进行具象化的展示；同时也能避免若是单独采集风速等情况时，若是该风力不是自然产生的而是人为产生的，通过对比风速和风向的是否处于科学合理的变化范围内，进行判断该区域内是否为自然气象信息，减少人为等制造的情况影响气象站数据的采集，进而导致后续整合后的数据不够准确的问题。

进一步，温度风速判断单元包括温度传感器，温度传感器安装在连接轴顶端。

基础方案的有益效果是：通过温度传感器的设计，由此在进行风速采集的同时还能实现对温度进行同步采集，进而实现高效数据采集。

进一步，一种多源异构气象数据融合处理方法，包括以下步骤，

S1，采集数据：利用采集模块对数据进行采集，其中数据采集单元对应采集温度、风速、风向、湿度、气压、降雨量和能见度数据，风速风向判断单元对所采集的风速风向数据进行交互判断，温度风速判断单元对所采集的温度风速信息进行交互判断，数据前处理单元接收判断后的信息进行对比分类筛选处理，以传送至下一级；

S2，数据可行性判断：关联数据模块接收采集数据，并利用数据交互单元依次对温度与湿度组、风速和风向组、气压和风速组、降雨量及湿度组和能见度和降雨量组所采集的数据进行一一匹配和判断是否为正向影响，以判断所采集的数据的可行性；

S3，数据预处理：利用数据处理模块和传送模块对数据进行预处理，并使数据处理为标准化，便于后续进行数据融合；

S4，多源异构数据融合：利用数据汇合端，对采集及处理后的数据进行汇合及处理，并对数据进行多源融合处理，以输出数据融合后的气象数据。

基础方案的有益效果是：本方法中，通过对数据进行两次筛选，能够实现对数据的较为准确性的采集，进而实现后续数据融合后的数据准确，且提高气象播报等的可信度。

进一步，S4中，多源异构数据融合的步骤如下；

S4-1，对多源异构数据属性子集展开概率初始化处理，将R设定为多源异构数据融合模型的框架，则函数u:2

式中，u(A)为多源异构数据之间的信任程度；

S4-2，根据S4-1设定的约束条件能够获取信任函数Bel(A)，如下式；

式中，u(B)代表全部子集分配概率值之和，A和B代表不同的多源异构数据融合集合；

S4-3，设定多源异构数据融合似然函数，以此为依据确定全部数据特征属性的信任程度值，其中数据属性成分对应的可信度计算式如下；

S4-4，计算多源异构数据融合的信任空间，进而获取信任函数和似然函数之间的关系表达式,如下式；

式中，τ(a)代表信任函数，pζ(a)代表多源异构数据的特征度量结果，

S4-5，通过构建的多源异构数据融合框架确定数据合成规则，根据不同源中数据特征属性索引完成特征级数据融合处理，最终完成数据融合处理。

基础方案的有益效果是：气象数据的可靠性对于气象预报和气候研究非常重要。多源异构数据融合可以将来自不同观测站点、传感器或数据源的数据进行整合，通过对比和校正不同数据源的差异，提高数据的准确性和一致性，从而提高数据的可靠性；气象现象的空间分布广泛且复杂，单一数据源的覆盖范围可能有限。多源异构数据融合可以将来自不同数据源的数据进行融合，扩大数据的覆盖范围。通过融合具有不同空间分布的数据，可以更全面地观测和分析气象现象，提高对大范围气象事件的监测和预测能力；同时不同数据源的观测方法和技术可能存在差异，具有不同的优势和局限性。多源异构数据融合可以综合利用不同数据源的优势，增强数据的多样性。通过融合多样化的数据，可以提供更全面、全面的气象信息，为气象预报、气候研究和灾害监测等提供更准确和全面的数据支持。

附图说明

图1为本发明实施例中多源异构气象数据融合处理系统的系统示意图。

图2为本发明实施例中多源异构气象数据融合处理方法的方法示意图。

图3为本发明实施例中多源异构气象数据融合处理系统中的风速风向判断单元轴测图。

具体实施方式

下面通过具体实施方式进一步详细说明：

说明书附图中的附图标记包括：旋转码柱1、底座2、风环3、磁棒盘4、温度传感器5、连接环块6、拉簧7、接触片8、连接轴9。

实施例1

基本如附图1所示：一种多源异构气象数据融合处理系统，包括采集模块、关联数据模块、时间对比模块、空间对比模块、数据返回模块、数据处理模块、传送模块和数据汇合端；

采集模块，用于采集若干个气象站采集点处的多源参数，包括温度、风速、风向、湿度、气压、降雨量和能见度；

关联数据模块，用于接收采集模块处的多源参数，并将单个气象站采集点处的各参数进行关联性对比，以判断某一数据发生变化时其他数据是否产生关联性变化；

其中关联数据模块包括数据分类单元、数据交互单元、关联对比单元和判断输出单元；

数据分类单元，用于接收采集模块所采集的温度、风速、风向、湿度、气压、降雨量和能见度信息，并根据不同数据信息进行分类存储；

数据交互单元，用于将不同数据进行一一交互匹配并组成不同的匹配组，匹配组包括温度与湿度组、风速和风向组、气压和风速组、降雨量及湿度组和能见度和降雨量组；

关联对比单元，用于实时采集各匹配组之间的交互变化，并根据不同匹配组之间是否出现正向影响，以判断采集数据的准确性；

判断输出单元，用于根据对比后的信息进行处理和判断，并输出此时采集的数据信息是否准确的判断指令；

时间对比模块，用于接收采集模块处的多源参数，并将各参数值与其历史参数值进行对比，以判断采集时的数据是否准确；

空间对比模块，用于接收采集模块处的多源参数，并将每个采集点与其周围的采集点进行各数据对比，以判断采集时的数据是否准确；

数据返回模块，用于接收关联数据模块信息，根据判断输出单元的判断指令，对问题数据进行重新采集和无问题数据继续传送至下一级；

数据处理模块，用于接收对比后的数据，并对数据进行协调匹配、提取过滤、聚类、分类、关联、降噪和合成处理，并传送至下一级；

传送模块，用于接收处理后的数据，并将数据进行排序过滤、分流、订正反馈和筛选并传送至下一级；

数据汇合端，用于接收采集处理后的数据，并进行数据融合传送至后端。

具体实施过程如下：首先通过采集模块采集气象站处的各气象数据，然后关联数据模块内的数据分类单元将会对各气象数据进行对应的分类，然后通过数据交互单元对各数据依照实际的影响因素进行匹配，匹配后分为温度与湿度组、风速和风向组、气压和风速组、降雨量及湿度组和能见度和降雨量组；

各组之间的关联性包括温度与湿度组：通常情况下，温度和湿度呈现正相关关系。当气温升高时，空气中的水分也会增加，湿度会增加；反之，当气温下降时，湿度会减少；风速和风向组：风速和风向之间存在密切的关系。通常情况下，风速较大时，风向相对稳定；而风速较小时，风向可能会发生变化。例如，在暴风雨或台风等极端天气情况下，风速会显著增加，并且风向可能会发生剧烈的变化；气压和风速组：气压和风速之间存在反相关关系。当气压升高时，风速通常会减小；当气压下降时，风速通常会增加。这是因为气压梯度越大，风速越大；降雨量及湿度组：湿度是降雨的重要因素之一。当湿度较高时，空气中的水分含量较大，容易形成云和降雨。因此，通常情况下，湿度较高的地区降雨量较大；能见度和降雨量组：降雨量的增加通常会导致能见度的下降。降雨会导致空气中悬浮的水滴增多，使得光线散射和吸收增强，降低了能见度。

关联对比单元将会对各组进行对比，在进行对比时，若是当气压升高时，风速通常会减小；当气压下降时，风速通常会增加。这是因为气压梯度越大，风速越大，由此实际采集时，在采集到对应的风速并未降低时，代表此时具有采集数据不准确或者出现异常天气的情况，然后判断输出单元将会对应的对所检测的对比信息进行对应的采集，并根据各组的数据是否匹配进行判断，并输出对应的信息，若是各组匹配值不呈科学方向上升和降低，判断输出单元则输出需出现采集的指令；

同时，时间对比模块能够对同一气象数据的历史数据进行对应的对比，进而以判断此时所采集的数据是否具有相应的科学，例如当此时所采集的温度数据为25摄氏度时，若是对比历史数据此时的温度数据为30摄氏度，因为数据相差较大，根据每年的实际情况，能够对所采集的数据进行判断是否具有科学性和可信性，空间对比模块能够对同一区域内的所采集得数据进行科学的对比，例如当某一个气象站所采集的风向为东侧时，但是在该同一区域内的其他气象站所采集的风向与此不同时，此时应对该数据进行重新采集，以使采集数据保持一定准确性；

数据返回模块接收上述指令，并进行对应的出现采集，而未出现异常的数据将会传输至数据处理模块，数据处理模块将会对应为所采集的数据进行对应的降噪清洗等处理，以便于后续进行对应的数据融合，传送模块则对处理后的数据进一步进行排序过滤、分流、订正反馈和筛选等操作再传输至数据汇合端，数据汇合端则对该多源气象数据进行对应的融合处理，以实现对气象数据的融合。

实施例2

与上述实施例不同之处在于，数据处理模块中的降噪时利用小波去噪技术进行去噪，去噪过程为，数据处理模块接收原始信号，并进行小波分解，得到各尺度系数，选取阈值函数，进行阈值处理，然后小波逆变换，小波重构，得到去噪后的去噪信号；

其中阈值函数的选取包括固定阈值、无偏风险估计阈值和极大极小阈值，固定阈值如下式；

式中，N为信号长度，σ为信号的标准方差；

无偏风险估计阈值选取为，对信号进行小波分解，将分解后得到的各层尺度系数所对应的阈值进行量化处理，并对该层小波系数的平方值降序排列，得到数列X＝[x

极大极小阈值计算式如下；

实施例3

与上述实施例不同之处在于，采集模块包括数据采集单元、风速风向判断单元、温度风速判断单元和数据前处理单元；

数据采集单元，用于采集多源参数，包括温度、风速、风向、湿度、气压、降雨量和能见度；

风速风向判断单元，用于在风速采集点位处设计风向采集点，并结合接收两个采集点位的数据，且同步对两采集数据进行对比和判断，以对数据进行初步筛选；

温度风速判断单元，用于在风速采集点位设计温度采集点，并结合接收两个采集点位的数据，且同步对两采集数据进行对比和判断，以对数据进行初步筛选；

数据前处理单元，用于对风速风向判断单元和温度风速判断单元处采集的数据进行初步分析，并自证得到准确的采集数据。

具体实施过程如下：采集单元进行采集，同时风速风向判断单元则进行风向风速的辅助采集，且在进行采集风速采集时能够同步实现对风向的采集，由此根据两数据的对比，能够预先对风速风向进行采集和筛选；同时温度风速判断单元也能够实现采集风速的同时采集此时的温度，并根据数据之间的关联性，进而实现预先对所采集的数据进行筛选。

实施例4

与上述实施例不同之处在于，如图3所示，风速风向判断单元包括风环3，一侧转动连接有磁棒盘4，磁棒盘4远离风环3一侧固定连接有连接轴9，连接轴9上设有旋转码柱1，旋转码柱1顶端设有通槽，连接轴9位于通槽内，且连接轴9和旋转码柱1通过通槽转动连接，旋转码柱1底端固定连接有底座2，底座2内设有脉冲件，脉冲件与磁棒盘4和旋转码柱1信号连接；

风环3内设有连接环块6，连接环块6内壁环设有压力传感采集点，连接环块6内顶壁固定连接有拉簧7，拉簧7远离连接环一端固定连接有接触片8，接触片8部分位于连接环块6内且能够与连接环块6内壁接触；

温度风速判断单元包括温度传感器5，温度传感器5安装在连接轴9顶端。

具体实施过程如下：风速风向判断单元进行风向风速采集时，风环3将会在风的作用下进行转动，当风环3进行转动后，磁棒盘4的转动方向将会相反进行转动；这是由于磁力线在旋转时，会按照右手定则确定的方向进行反转；所得风力观测数据会在旋转码柱1的传输作用下，进入底部脉冲装置，并由风力信号转变为光电脉冲信号，进而得到风速的采集，同时在风环3受到风力的影响时，拉簧7将会在风力的影响下被吹动，进而接触片8将会随着拉簧7的运动方向进行对应的运动，由此接触片8将会接触到连接环的内壁，进而在压力传感采集点的采集下，能够采集到此时是哪个方向接收到对应的压力，由此能够实现对风向的判断；同时温度传感器5的设计，由此在进行风速采集的同时还能实现对温度进行同步采集，进而实现高效数据采集。

实施例5

与上述实施例不同之处在于，如图2所示，一种多源异构气象数据融合处理方法，包括以下步骤，

S1，采集数据：利用采集模块对数据进行采集，其中数据采集单元对应采集温度、风速、风向、湿度、气压、降雨量和能见度数据，风速风向判断单元对所采集的风速风向数据进行交互判断，温度风速判断单元对所采集的温度风速信息进行交互判断，数据前处理单元接收判断后的信息进行对比分类筛选处理，以传送至下一级；

S2，数据可行性判断：关联数据模块接收采集数据，并利用数据交互单元依次对温度与湿度组、风速和风向组、气压和风速组、降雨量及湿度组和能见度和降雨量组所采集的数据进行一一匹配和判断是否为正向影响，以判断所采集的数据的可行性；

S3，数据预处理：利用数据处理模块和传送模块对数据进行预处理，并使数据处理为标准化，便于后续进行数据融合；

S4，多源异构数据融合：利用数据汇合端，对采集及处理后的数据进行汇合及处理，并对数据进行多源融合处理，以输出数据融合后的气象数据。

其中多源异构数据融合的步骤如下；

S4-1，对多源异构数据属性子集展开概率初始化处理，将R设定为多源异构数据融合模型的框架，则函数u:2

式中，u(A)为多源异构数据之间的信任程度；

S4-2，根据S4-1设定的约束条件能够获取信任函数Bel(A)，如下式；

式中，u(B)代表全部子集分配概率值之和，A和B代表不同的多源异构数据融合集合；

S4-3，设定多源异构数据融合似然函数，以此为依据确定全部数据特征属性的信任程度值，其中数据属性成分对应的可信度计算式如下；

S4-4，计算多源异构数据融合的信任空间，进而获取信任函数和似然函数之间的关系表达式,如下式；

式中，τ(a)代表信任函数，pζ(a)代表多源异构数据的特征度量结果，

S4-5，通过构建的多源异构数据融合框架确定数据合成规则，根据不同源中数据特征属性索引完成特征级数据融合处理，最终完成数据融合处理。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。