买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：苏州科技大学;河海大学

摘要：本发明公开了一种融合雨量站、监控图像和数值天气预报的实时降雨场同化方法，所述技术通过分解监控图像中降雨层，建立深度学习模型求解降雨强度，将点状分布的地面雨量站和监控图像降雨数据进行空间插值，得到两种独立源降雨的空间分布；并结合数值天气预报中降雨空间分布数据，利用贝叶斯融合技术得到同化后的更精确的实时降雨场结果。本发明提供的用于获取更为精确的实时降雨场同化方法，克服了目前气象水文领域中独立来源降雨数据难以同时保证“准确的点估计、可靠的空间变化”的弊端或者是多种来源降雨信息同化时难以考虑监控图像测雨的问题，适用于城市暴雨洪涝实时预报预警，为城市防洪减灾与应急管理提供技术依据。

主权项：1.一种融合雨量站、监控图像和数值天气预报的实时降雨场同化方法，其特征在于，确定待研究区域范围，其中设有若干监控视频点、地面雨量站，并针对该区域内某场降雨事件、搜集数值天气预报中的网格降雨预报数据，所述方法包括以下步骤：步骤1，分解监控图像，获得降雨层将由监控视频点获得的监控图像分解为背景层B、降雨层R和噪声层N；其中，背景层代表图像的主体；降雨层代表雨滴；噪声层代表由于包括风或亮度变化在内的因素所导致的图像随机扰动；步骤2，从监控图像降雨层中提取雨滴信息，估计降雨强度S201，建立降雨强度I与降雨图像Z·中雨滴数量d、雨滴大小s的函数关系，具体的：I＝fZd,s其中，f·表示降雨强度与降雨图像之间的非线性关系；S202，采用深度学习模型，建立步骤S201中函数I＝fZd,s的求解模型；以公开开源的海量图像数据集为预训练输入，得到深度学习模型的参数值；S203，以步骤1获得的降雨层R为输入，验证步骤S202中确定的深度学习模型，并对其参数取值进行微调，最终得到适用的深度学习模型的参数值；S204，采用步骤S203中确定的深度学习模型，以监控视频点实时拍摄的监控图像为输入，获得待研究区域监控视频点的实时降雨强度；步骤3，建立基于监控图像的降雨空间场选定降雨空间场的空间分辨率，采用降雨空间插值方法，将步骤2获得的点状分布的监控视频点的实时降雨强度数据进行空间插值，得到基于监控图像的降雨空间场数据Ω1；步骤4，建立基于地面雨量站的降雨空间场选用与步骤3相同的空间分辨率，同样采用降雨空间插值方法，将点状分布的雨量站降雨强度数据进行空间插值，得到基于雨量站的降雨空间场数据Ω2；步骤5，融合监控图像与雨量站的降雨场同化采用贝叶斯融合方法，将步骤3、4中获得的两种独立源降雨空间场数据Ω1和Ω2进行数据同化，得到同化后新的降雨空间场数据Ω1+2；贝叶斯融合方法的具体方法为：S501：分别计算基于监控图像的降雨空间场数据Ω1和基于雨量站的降雨空间场数据Ω2的概率密度函数，以基于雨量站的降雨空间场数据Ω2的概率密度函数为基准，采用概率密度函数匹配技术，消除基于监控图像的降雨空间场数据Ω1的系统误差，得到数据精度校正后的降雨空间场数据S502：采用动态贝叶斯模型平均技术，将步骤S501中的两种降雨空间场数据Ω2和进行融合，得到同化后新的降雨空间场数据Ω1+2；步骤6，融合雨量站、监控图像和数值天气预报信息的降雨场同化S601，选定针对待研究场次降雨事件的数值天气预报中的网格降水预报数据，将其数据空间分辨率处理成与降雨空间场数据Ω1和Ω2的空间分辨率一致，记为Ω3；S602，采用贝叶斯融合方法，将不同来源的两种降雨空间场数据Ω1+2和Ω3进行数据同化，得到同化后新的降雨空间场数据Ω1+2+3，从而得到融合雨量站、监控图像和数值天气预报三种独立源的实时降雨场同化数据。

全文数据：

权利要求：

百度查询： 苏州科技大学 河海大学 一种融合雨量站、监控图像和数值天气预报的实时降雨场同化方法