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！

龙图腾网获悉长江水利委员会水文局;武汉大学;河海大学申请的专利一种基于关键影响因子滑动聚类的降雨预报方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120891564B 。

龙图腾网通过国家知识产权局官网在2026-02-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511415279.4，技术领域涉及：G01W1/10；该发明授权一种基于关键影响因子滑动聚类的降雨预报方法及系统是由牛文静;夏军;程海云;冯宝飞;陈瑜彬;李玉荣;冯仲恺;许银山;王乐设计研发完成，并于2025-09-30向国家知识产权局提交的专利申请。

本一种基于关键影响因子滑动聚类的降雨预报方法及系统在说明书摘要公布了：本发明提供一种基于关键影响因子滑动聚类的降雨预报方法及系统，通过收集研究区域的自然地理和水文气象数据，构建长序列气象数据库；其次，构建降雨影响因子矩阵，并对量级偏离较大的因子进行归一化处理，筛选出关键影响因子；采用统计方法分析降雨量与关键因子之间的时空相关性，确定显著相关的关键因子；对历史降雨过程进行聚类分析，统计各类降雨过程的关键因子特征，建立降雨过程与影响因子的配套关系；最后，基于未来NN天的关键因子匹配相应的降雨过程类别，确定预报结果的倾向值、下限和上限，并以日为步长滚动更新预报结果。该方法通过数据驱动与统计分析相结合，实现了降雨过程的精细刻画和滚动预报，具有较高的适用性和预报精度。

本发明授权一种基于关键影响因子滑动聚类的降雨预报方法及系统在权利要求书中公布了：1.一种基于关键影响因子滑动聚类的降雨预报方法，其特征在于，包括： S1、基础数据准备：选定研究区域，根据自然地理特性和水文气象特征确定精细化分区情况，收集整理长序列气象历史数据，包括雨量站降雨量、区域天气系统特征指标、区域遥相关气候因子； S2、影响因子确定：建立研究区域的降雨影响因子矩阵，并针对量级偏离较大的因子进行归一化处理，降雨影响因子矩阵表达式如下： ； 其中，表示第个分区第个影响因子的数值；表示第个分区第个影响因子的数值； 归一化公式如下： ； 其中，为各分区第个影响因子的最小值；为各分区第个影响因子的最大值；为归一化后的因子数据，在[0,1]范围内， 归一化后得到降雨影响因子矩阵表达式为： ； S3、相关性分析：采用统计方法分析降雨量与影响因子矩阵中不同因子之间的关系强度，选定在时间、空间上显著相关的为关键影响因子，记各分区关键影响因子构成矩阵，表达式为： ； 其中，为第个分区第个影响因子归一化后的数值； S4、以任意时间为起点，对于任意分区，将未来N天的逐日降雨量记作向量，其中，为第天的日降雨量，针对未来N天的逐日降雨量进行聚类分析，聚类类别总数记作，类别编号记作，其中，得到不同类别的未来N天降雨过程，并统计相应未来N天关键影响因子特征，建立各类降雨过程与关键影响因子的配套关系并标记； S5、开展降雨预报时，以未来N天的关键影响因子为基础，匹配相应的降雨过程类别，以第一类别下未来N天中第天的平均日降雨量作为此次预报第天的结果倾向值，以第一类别下的未来N天中第天的日降雨量的最小值和最大值分别作为此次预报第天结果的下限和上限，计算公式为： ； ； ； 其中，为第一类别下样本数量；为第一类别下第个样本，；为第个样本第天的日降雨量；为第天的日降雨量倾向值；为第天的日降雨量最大值，即为第天的日降雨量上限；为第天的日降雨量最小值，即为第天的日降雨量下限； S6、以计算开始时间为起点，输出未来N天逐日降雨预报结果倾向值作为此次降雨过程的预报结果，输出未来N天逐日降雨预报结果的下限和上限作为降雨过程的预报区间，并随着时间推移，以日为步长向前滑动，逐日开展预报作业，输出相应预报结果，实现降雨滚动预报； 所述S2中，影响因子的选择方法是： 针对雨量站降雨量，根据监测站网密度和站点分布情况，采用泰森多边形法计算分区面雨量； 针对区域天气系统特征指标，选择温度、湿度、风速、风向等影响气象要素空间结构的因子； 针对区域遥相关气候因子，选择大气环流指数、海冰、海温、太阳辐射、印度洋偶极子； 所述S3中，统计方法采用路径分析和改进的Lasso回归相结合的分析方法，确定不同影响因子与降雨量之间的直接和间接影响关系，分析多个因子对降雨量的综合影响，并通过正则化方法筛选关键因子，建立降雨量与影响因子之间的定量关系模型，具体为： S31、采用路径分析方法，分析不同影响因子与降雨量之间的影响关系，计算公式为： ； 其中， ；；；； 其中，为研究区域日降雨量矩阵，记作，、均为临时变量，，；为影响因子矩阵；为误差项矩阵；表示第个影响因子的路径系数；为任一分区任一次降雨过程降雨量矩阵；表示第一分区任一次降雨过程第天的降雨量； 第个分区第天的表达式为： ； 式中，为第个分区的影响因子矩阵；表示第个分区第天的日降雨量； S32、通过改进的Lasso回归，采用正则化方法筛选关键影响因子，以预报任一分区未来N天降雨过程为例，具体为： ； 其中，表示任一分区第个降雨过程任一天的降雨量；为第个降雨过程的第个影响因子；表示回归模型的截距项，即常数项；表示回归模型中第个影响因子的回归系数，表示该影响因子对降雨量的影响程度；表示降雨过程数量；表示影响因子数量；表示正则化参数；表示控制正则化比例的参数，；为需要优化的变量，为一组参数的集合，包括回归模型的截距项和回归模型中第个影响因子的回归系数；为影响因子的路径系数矩阵； S33、建立降雨量与影响因子之间的定量关系模型，确定关键影响因子，包括数目和所属类别，其中，； 所述S4中，以任意时间为起点，预报未来N天的逐日降雨量，根据作业需求，预报未来月不同时间尺度的降雨量，相应地，聚类分析和滑动步长的单位也为月。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人长江水利委员会水文局;武汉大学;河海大学，其通讯地址为：430000 湖北省武汉市江岸区解放大道1863号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。