CN104965993B - 一种基于尺度化集合变换的混合扰动方法 - Google Patents
一种基于尺度化集合变换的混合扰动方法 Download PDFInfo
- Publication number
- CN104965993B CN104965993B CN201510422181.1A CN201510422181A CN104965993B CN 104965993 B CN104965993 B CN 104965993B CN 201510422181 A CN201510422181 A CN 201510422181A CN 104965993 B CN104965993 B CN 104965993B
- Authority
- CN
- China
- Prior art keywords
- disturbance
- sized
- transform
- data processing
- prediction system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000009395 breeding Methods 0.000 claims abstract description 14
- 230000001488 breeding effect Effects 0.000 claims abstract description 14
- 239000000203 mixture Substances 0.000 claims abstract description 14
- 238000002156 mixing Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 230000027272 reproductive process Effects 0.000 claims abstract description 7
- 238000002474 experimental method Methods 0.000 claims abstract description 4
- 230000035945 sensitivity Effects 0.000 claims abstract description 4
- 239000006185 dispersion Substances 0.000 claims description 7
- 238000010183 spectrum analysis Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000013461 design Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于ETR的混合扰动方法，包括如下步骤：Ⅰ）每隔一段时间一次从网上下载最近的集合预报数据，通过对所述集合预报数据进行统计，以设定ETR的初始集合成员与尺度化系数；Ⅱ）设定繁殖过程中的循环的时间间隔与周期T；Ⅲ）通过敏感性实验以及根据使用者的运行环境确定不同类型风暴中能够快速增长的扰动的波长范围；Ⅳ）在确定了最优繁殖周期和最优扰动波长段后，得到滤波后的初始集合；Ⅴ）根据所述设定的循环间隔，使用所述初始集合进行集合预报，使用ETR技术和最优扰动波长更新集合，直至完成所述设定的繁殖周期；Ⅵ）进行blending混合，得到初始扰动ICblend。有益效果为：能够有机的结合大尺度扰动结构和区域集合预报系统中的小尺度扰动结构，并且使集合成员的扰动信息与侧边界扰动互相匹配。
Description
技术领域
本发明涉及气象预报领域，尤其涉及一种基于ETR的混合扰动方法。
背景技术
过去的一系列研究表明，风暴尺度集合预报是可行和有效的，但是目前各风暴尺度集合预报系统的扰动方法还有待完善。如美国风暴分析和预报中心(CAPS) 的风暴尺度集合预报系统，通过提高成员数和分辨率能够提高预报评分，但是其集合扰动方案是固定的，即各集合成员的初值扰动采用固定的扰动振幅，并且与特定的物理方案匹配；部分集合成员的侧边界条件由NAM模式短期预报提供，成员间相同的侧边界条件将在一定程度上限制离散度的发展；另一方面，该系统未考虑侧边界扰动与初值扰动间扰动尺度的不匹配问题。上述典型问题在各风暴尺度集合预报系统中均有所体现，初值扰动、物理(参数)扰动、侧边界扰动与初值扰动间的有机结合问题均对于风暴尺度集合预报的成功与否起到关键作用。
由于初始误差随时间的演变在斜压不稳定和对流不稳定中具有显著地差异，中期集合扰动方法构造的初始扰动无法在对流系统中快速的增长，也即初始扰动结构与风暴系统的发展不相适应，进而导致集合成员离散度低于合理的水平；另一方面，风暴尺度的初值扰动和侧边界扰动的尺度不相适应也将限制初始扰动和集合离散度的增长。多物理过程和多模式集合有助于改善离散度问题，但是模式的微物理方案中的降水预报变量和微物理过程的阈值条件判断是不同的，对降水强度和落区范围预报均有显著地影响，针对实时发生的不同类型风暴系统，采用固定不变的集合配置组合性地选取不同模式微物理方案是盲目的。
发明内容
本发明目的在于克服以上现有技术之不足，提供一种基于ETR的混合扰动方法，具体有以下技术方案实现：
所述基于尺度化集合变换的混合扰动方法，包括如下步骤：
Ⅰ)每隔一段时间一次从网上下载最近的集合预报数据，通过对所述集合预报数据进行统计，以设定尺度化集合变换的初始集合成员与尺度化系数；
Ⅱ)设定繁殖过程中的循环的时间间隔与最优周期T；
Ⅲ)通过敏感性实验以及根据使用者的运行环境确定不同类型风暴中能够快速增长的扰动的最优波长范围；
Ⅳ)在确定了最优繁殖周期和扰动最优波长段后，基于尺度化集合变换技术和谐波分析与谱分析的混合技术得到滤波后的初始集合；
Ⅴ)根据所述设定的循环时间间隔，使用所述初始集合进行集合预报，在每个循环中使用尺度化集合变换技术和最优扰动波长更新集合，直至完成所述设定的最优繁殖周期；
Ⅵ)根据ICblend＝R-Rlsp+Glsp进行blending混合后，得到初始扰动ICblend，其中，ICblend是混合后的初始扰动，R是区域扰动，Rlsp是区域集合预报较大尺度的扰动，Glsp是全球集合预报较大尺度的扰动。
所述基于尺度化集合变换的混合扰动方法的进一步设计在于，所述步骤Ⅰ) 中下载集合预报数据，仅需下载最新一个时次的21个成员的数据以及由这21 个成员预报得到的未来时刻的集合成员。
所述基于尺度化集合变换的混合扰动方法的进一步设计在于，所述步骤Ⅰ) 中，设定尺度化集合变换的尺度化系数γ，包括如下步骤：
首先设定参考均方根误差σ，水平风分量U、V的参考均方根误差为4m/s,温度T的参考均方根误差为3K，水汽的参考均方根误差为0.5g/kg；
接着，根据式(1)，设定当U、V、T、Q变量的集合离散度大于各自对应的σ时，γ＝σ/spread；当这些变量的spread小于σ时，γ＝1，
所述基于尺度化集合变换的混合扰动方法的进一步设计在于，所述繁殖的周期的确定：当对流区域平均的spread不再增长的时候，从这一时刻上溯至加入扰动的时刻，这一段时间设定为最优繁殖周期。
所述基于尺度化集合变换的混合扰动方法的进一步设计在于，所述步骤Ⅱ) 中，设置繁殖过程中的循环的时间间隔：当有观测的时候，以时间频率最高的观测的时间间隔作为循环的时间间隔；当没有观测的时候，以模式的集合平均作为观测，执行集合变换。
所述基于尺度化集合变换的混合扰动方法的进一步设计在于，所述步骤Ⅱ) 中，最小循环时间间隔设定为5分钟，当观测间隔小于5分钟时，以5分钟为间隔运行集合预报和尺度化集合变换操作。
所述基于尺度化集合变换的混合扰动方法的进一步设计在于，所述步骤Ⅲ) 中，最优扰动的最优波长范围的确定包括如下步骤：
1)进行二维功率谱分析，得到初始集合成员的平均场在各个高度层下每一个变量的功率谱，然后按功率贡献的大小从大到小进行排序；
2)接着，按照1)中从大到小的顺序，将每一个波长对应的贡献进行累加，当累加值达到设定值N时，停止累加，将剩余的没有被用于累加的波长标记为小功率的波长，其中N为自然数，且70<N<90。
所述基于尺度化集合变换的混合扰动方法的进一步设计在于，所述步骤Ⅳ) 中具体包括：先对每个集合成员执行尺度化集合变换,并在尺度化集合变换结束后，将所述标记的波长的傅立叶系数设为0，通过傅立叶逆变换得到滤波后的初始集合成员，最终得到滤波后的初始集合，接着在数值模式下使用初始集合进行数值预报。
所述基于尺度化集合变换的混合扰动方法的进一步设计在于，所述步骤Ⅵ) 中，数据集Glsp通过对G*lsp的数据进行插值，插值到步骤Ⅴ)中所述集合预报的网格上得到，所述G*lsp通过Barns滤波滤除集合预报中小于4倍格距的波动得到。
本发明的优点如下：
本发明能够有机的结合大尺度扰动结构和区域集合预报系统中的小尺度扰动结构，并且使集合成员的扰动信息与侧边界扰动互相匹配。大尺度扰动代表大范围大气环境的不确定性，为小尺度扰动提供不同的发展条件；小尺度扰动能够代表对流天气系统中的随机不确定性。有机结合这两种尺度的扰动能够是集合预报系统全面、充分的反映大气的多尺度不确定性，使小尺度扰动不会因相同的发展环境而最终趋于雷同。由于集合扰动中包含了大尺度的扰动信息，而这个大尺度的扰动与侧边界条件所用的数据同源，因此不存在不协调(如变量在边界梯度较大、切变较大)的问题，能够有效减小预报初始化(spin-up)的时间。
具体实施方式
下面对本发明方案进行详细说明。
本发明的基于ETR的混合扰动方法，具体包括如下步骤：
Ⅰ)每隔一段时间一次从网上下载最近的集合预报数据，通过对所述集合预报数据进行统计，以设定ETR的初始集合成员与尺度化系数。
Ⅱ)设定繁殖过程中的循环的时间间隔与周期T。
Ⅲ)通过敏感性实验以及根据使用者的运行环境确定不同类型风暴中能够快速增长的扰动的波长范围。
Ⅳ)在确定了最优繁殖周期和最优扰动波长段后，基于ETR技术和谐波分析与谱分析的混合技术得到滤波后的初始集合。
Ⅴ)根据所述设定的循环间隔，使用所述初始集合进行集合预报，直至完成所述设定的繁殖周期。
Ⅵ)根据ICblend＝R-Rlsp+Glsp进行blending混合后，得到初始扰动ICblend，其中，ICblend是混合后的初始扰动结构，R是区域扰动结构，Rlsp是区域集合预报较大尺度的扰动结构，Glsp是全球集合预报较大尺度的扰动结构。
以下给出一具体实施例：
(I.1)首先进入http://nomads.ncdc.noaa.gov/data.php？name＝access，查找GENS@NCDC的002格式的集合预报数据，水平分辨率1°，点击FTP或HTTP 进入http://nomads.ncdc.noaa.gov/data/gens/进行下载。网站内数据按年月日分目录存放。一共21个集合成员，每6小时一次。进行业务预报时，仅需下载最新一个时次的21个成员的数据以及从这一时次开始预报的集合成员(在同一网站下载，这些预报的集合成员作为侧边界条件使用)。例如，当前时刻是2015 年6月16日12时，用户需要预报到2015年6月16日18时的天气。那么需要下载当前2015年6月16日12时的21个成员，然后再下载由这21个成员预报得到的2015年6月16日15时至2015年6月16日18时的数据。
(I.2)设定ETR的初始集合成员：使用自适应敏感因子扰动技术生成的集合成员作为ETR初始集合成员。为与后面的blending相结合，共使用21个集合成员。若未来全球集合预报系统有新的成员增加进来，可以将ETR的初始集合成员数调整为与全球集合预报系统集合成员数相同的值。
(I.3)设定ETR的rescaling，即尺度化系数γ。首先设定参考均方根误差σ，水平风分量U、V的均方根误差为4m/s,温度T的误差为3K，水汽的误差为0.5g/kg。当U、V、T、Q变量的集合离散度，如下式所示：
大于其对应的σ时，γ＝σ/spread；当这些变量的spread小于σ时，γ＝1，参考Juhui Ma,Yuejian Zhu,Dingchen Hou,Xiaqiong Zhou,and Malaquias 2014:Ensemble Transform with 3D Rescaling Initialization Method.Mon. Wea.Rev.,142,4053–4073。这种设置的意义是当spread小于σ时让扰动自由发展，当spread大于σ时，限制spread的大小。
(I.4)设置繁殖过程中的循环的时间间隔：当有观测的时候，以时间频率最高的观测的时间间隔作为循环的时间间隔；当没有观测的时候，以模式的集合平均作为观测，参考现有观测中时间间隔最短的那样一种观测的时间间隔，执行 ET(ensemble transform)。因为ET可以独立更新集合扰动，因此使用上述虚拟观测并不会改变集合平均的状态，与使用真实观测时的情况一致。推荐最小循环间隔为5分钟，当观测间隔小于5分钟时，以5分钟为间隔运行集合预报和 ETR。
(I.5)繁殖的周期:当对流区域区域平均的spread不再增长的时候，从这一时刻上溯至加入扰动的时刻，这一段时间视为繁殖的周期。对流区内的全部格点，对流区通过反射率确定，阈值为15dBz，大于这一阈值的区域被视为对流区。
(I.6)设定不同类型的灾害性天气中能够快速增长的扰动的波长范围
进行二维功率谱分析，二维功率谱分析由二维傅立叶展开得到，得到初始集合成员的平均场上各个高度层的每一个变量的功率谱，然后按功率贡献(方差贡献百分率)的大小排序，从大到小。然后将每一个波长对应的贡献一个接一个地加起来，其中，当累加值达到70％(推荐值为70％，可调整为80％或更高)的时候，将停止累加。标记那些功率较小且没有被累加的波长。
(I.7)将(I.6)中标记的波的傅立叶系数设为0，即去除这些贡献小的波动，然后在通过傅立叶逆变换得到滤波后的初始集合成员。
对每个集合成员执行ETR,并在ETR结束后使用(I.6)-(I.7)的设定进行滤波，最终得到滤波后的初始集合。
(I.8)运行数值模式进行集合预报，即使用初始集合进行数值预报。推荐使用WRF。如果有21个集合成员，就分别要以这21个集合成员为初始场独立运行 21个数值预报。
(I.9)依据(I.4)设定的循环间隔，重复运行“集合预报”(I.8)-“ETR”(I.7) 直到完成(I.5)设定的繁殖周期。
(I.10)在(I.9)完成后，进行blending混合。
使用下载的全球集合预报数据以及21个集合成员得到的21个成员的区域集合预报的数据。再根据ICblend＝R-Rlsp+Glsp进行混合。
其中，ICblend是混合后的初始扰动结构，R是区域扰动结构，Rlsp是区域集合预报较大尺度的扰动结构，Glsp是全球集合预报较大尺度的扰动结构。混合的意义是保留全球集合预报系统在大尺度扰动方面的优势以及区域集合预报系统在小尺度方面的优势。
为保证波长的连续性，使用Barns滤波滤除全球集合预报中小于4倍格距的波动得到G*lsp。
然后对G*lsp的数据进行插值，插值到(I.9)中区域集合预报系统的网格上，得到数据集Glsp。
对(I.9)的数据集进行Barns滤波，去除超过全球集合预报网格的4倍格距的波动，得到Rlsp。
最后按照ICblend＝R-Rlsp+Glsp得到混合后的初始扰动ICblend。
本发明能够有机的结合大尺度扰动结构和区域集合预报系统中的小尺度扰动结构，并且使集合成员的扰动信息与侧边界扰动互相匹配。
Claims (9)
1.一种基于尺度化集合变换的混合扰动方法，其特征在于包括如下步骤：
Ⅰ)每隔一段时间一次从网上下载最近的集合预报数据，通过对所述集合预报数据进行统计，以设定尺度化集合变换的初始集合成员与尺度化系数；
Ⅱ)设定繁殖过程中的循环的时间间隔与最优周期T；
Ⅲ)通过敏感性实验以及根据使用者的运行环境确定不同类型风暴中能够快速增长的扰动的最优波长范围；
Ⅳ)在确定了最优繁殖周期和扰动最优波长段后，基于尺度化集合变换技术和谐波分析与谱分析的混合技术得到滤波后的初始集合；
Ⅴ)根据所述设定的循环时间间隔，使用所述初始集合进行集合预报，在每个循环中使用尺度化集合变换技术和最优扰动波长更新集合，直至完成所述设定的最优繁殖周期；
Ⅵ)根据ICblend＝R-Rlsp+Glsp进行blending混合后，得到初始扰动ICblend，其中，ICblend是混合后的初始扰动，R是区域扰动，Rlsp是区域集合预报较大尺度的扰动，Glsp是全球集合预报较大尺度的扰动。
2.根据权利要求1所述的基于尺度化集合变换的混合扰动方法，其特征在于所述步骤Ⅰ)中下载集合预报数据，仅需下载最新一个时次的21个成员的数据以及由这21个成员预报得到的未来时刻的集合成员。
3.根据权利要求1所述的基于尺度化集合变换的混合扰动方法，其特征在于所述步骤Ⅰ)中，设定尺度化集合变换的尺度化系数γ，包括如下步骤：
首先设定参考均方根误差σ，水平风分量U、V的参考均方根误差为4m/s,温度T的参考均方根误差为3K，水汽的参考均方根误差为0.5g/kg；
接着，根据式(1)，设定当U、V、T、Q变量的集合离散度大于各自对应的σ时，γ＝σ/spread；当这些变量的spread小于σ时，γ＝1，
4.根据权利要求3所述的基于尺度化集合变换的混合扰动方法，其特征在于所述繁殖的周期的确定：当对流区域平均的spread不再增长的时候，从这一时刻上溯至加入扰动的时刻，这一段时间设定为最优繁殖周期。
5.根据权利要求1所述的基于尺度化集合变换的混合扰动方法，其特征在于所述步骤Ⅱ)中，设置繁殖过程中的循环的时间间隔：当有观测的时候，以时间频率最高的观测的时间间隔作为循环的时间间隔；当没有观测的时候，以模式的集合平均作为观测，执行集合变换。
6.根据权利要求5所述的基于尺度化集合变换的混合扰动方法，其特征在于所述步骤Ⅱ)中，最小循环时间间隔设定为5分钟，当观测间隔小于5分钟时，以5分钟为间隔运行集合预报和尺度化集合变换操作。
7.根据权利要求1所述的基于尺度化集合变换的混合扰动方法，其特征在于所述步骤Ⅲ)中，扰动的最优波长范围的确定包括如下步骤：
1)进行二维功率谱分析，得到初始集合成员的平均场在各个高度层下每一个变量的功率谱，然后按功率贡献的大小从大到小进行排序；
2)接着，按照1)中从大到小的顺序，将每一个波长对应的贡献进行累加，当累加值达到设定值N时，停止累加，将剩余的没有被用于累加的波长标记为小功率的波长，其中N为自然数，且70<N<90。
8.根据权利要求7所述的基于尺度化集合变换的混合扰动方法，其特征在于所述步骤Ⅳ)中具体包括：先对每个集合成员执行尺度化集合变换,并在尺度化集合变换结束后，将所述标记的波长的傅立叶系数设为0，通过傅立叶逆变换得到滤波后的初始集合成员，最终得到滤波后的初始集合，接着在数值模式下使用初始集合进行数值预报。
9.根据权利要求1所述的基于尺度化集合变换的混合扰动方法，其特征在于所述步骤Ⅵ)中，数据集Glsp通过对G*lsp的数据进行插值，插值到步骤Ⅴ)中所述集合预报的网格上得到，所述G*lsp通过Barns滤波滤除集合预报中小于4倍格距的波动得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510422181.1A CN104965993B (zh) | 2015-07-17 | 2015-07-17 | 一种基于尺度化集合变换的混合扰动方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510422181.1A CN104965993B (zh) | 2015-07-17 | 2015-07-17 | 一种基于尺度化集合变换的混合扰动方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104965993A CN104965993A (zh) | 2015-10-07 |
| CN104965993B true CN104965993B (zh) | 2019-01-25 |
Family
ID=54220031
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510422181.1A Active CN104965993B (zh) | 2015-07-17 | 2015-07-17 | 一种基于尺度化集合变换的混合扰动方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104965993B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116881654B (zh) * | 2023-07-03 | 2024-03-15 | 中国气象局地球系统数值预报中心 | 针对冬季冰雪运动服务保障的天气概率预报方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1301971A (zh) * | 1999-12-24 | 2001-07-04 | 赵得秀 | 日食与地震效应的超长期天气预报方法 |
| US6356842B1 (en) * | 2000-04-18 | 2002-03-12 | Carmel Systems, Llc | Space weather prediction system and method |
| US7219015B2 (en) * | 2004-02-26 | 2007-05-15 | Swiss Reinsurance Company | Methods for generating data set |
-
2015
- 2015-07-17 CN CN201510422181.1A patent/CN104965993B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN104965993A (zh) | 2015-10-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rezaei et al. | Intensity of heat stress in winter wheat—phenology compensates for the adverse effect of global warming | |
| CN104992071B (zh) | 一种基于集合资料同化技术的初始扰动方法 | |
| Frank et al. | The role of tropical waves in tropical cyclogenesis | |
| Ahijevych et al. | Probabilistic forecasts of mesoscale convective system initiation using the random forest data mining technique | |
| Delle Monache et al. | Kalman filter and analog schemes to postprocess numerical weather predictions | |
| Gasparini et al. | To what extent can cirrus cloud seeding counteract global warming? | |
| Lan et al. | Effects of climate variability and climate change on the fishing conditions for grey mullet (Mugil cephalus L.) in the Taiwan Strait | |
| Diallo et al. | Evaluation of RegCM4 driven by CAM4 over Southern Africa: mean climatology, interannual variability and daily extremes of wet season temperature and precipitation | |
| Barrow et al. | Climate change scenarios with high spatial and temporal resolution for agricultural applications | |
| Remenyi et al. | Australia’s Wine Future—A Climate Atlas, University of Tasmania, Hobart, Tasmania. ISBN: 978-1-922352-06-4 (electronic) | |
| Bahn et al. | Energy policies avoiding a tipping point in the climate system | |
| Loridan et al. | Parametric modeling of transitioning cyclone wind fields for risk assessment studies in the western North Pacific | |
| Plenković et al. | Deterministic wind speed predictions with analog-based methods over complex topography | |
| Freychet et al. | Central-Eastern China persistent heat waves: evaluation of the AMIP models | |
| CN104965993B (zh) | 一种基于尺度化集合变换的混合扰动方法 | |
| Beltrán-Castro et al. | Rainfall forecasting based on ensemble empirical mode decomposition and neural networks | |
| Han et al. | Fengwu-ghr: Learning the kilometer-scale medium-range global weather forecasting | |
| Salinger et al. | Climate in Asia and the Pacific: climate variability and change | |
| Haiden et al. | The skill of ECMWF cloudiness forecasts | |
| Frogner et al. | Ensemble prediction with different spatial resolutions for the 2014 Sochi Winter Olympic Games: The effects of calibration and multimodel approaches | |
| Sitokonstantinou et al. | A Sentinel based agriculture monitoring scheme for the control of the CAP and food security | |
| Kratzenberg et al. | Identification and handling of critical irradiance forecast errors using a random forest scheme–A case study for southern Brazil | |
| Alvanitopoulos et al. | Solar radiation prediction model based on Empirical Mode Decomposition | |
| Kong et al. | 12.3 REAL-TIME STORM-SCALE ENSEMBLE FORECAST EXPERIMENT–ANALYSIS OF 2008 SPRING EXPERIMENT DATA | |
| Torvanger et al. | Climate change impacts on agricultural productivity in Norway |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP02 | Change in the address of a patent holder |
Address after: Room 420, block C, Kechuang headquarters building, 320 pubin Road, Jiangpu street, Pukou District, Nanjing City, Jiangsu Province, 211800 Patentee after: Nanjing University of Information Science and Technology Address before: 219 ningliu Road, Nanjing, Jiangsu 210012 Patentee before: Nanjing University of Information Science and Technology |
|
| CP02 | Change in the address of a patent holder | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20151007 Assignee: Wuxi Yunqi Technology Information Co.,Ltd. Assignor: Nanjing University of Information Science and Technology Contract record no.: X2023320000234 Denomination of invention: A hybrid perturbation method based on scaled set transformation Granted publication date: 20190125 License type: Common License Record date: 20231121 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20151007 Assignee: Nanjing Xinqihang Software Technology Co.,Ltd. Assignor: Nanjing University of Information Science and Technology Contract record no.: X2023980051736 Denomination of invention: A hybrid perturbation method based on scaled set transformation Granted publication date: 20190125 License type: Common License Record date: 20231213 Application publication date: 20151007 Assignee: Fujian Kailan Information Technology Co.,Ltd. Assignor: Nanjing University of Information Science and Technology Contract record no.: X2023980051725 Denomination of invention: A hybrid perturbation method based on scaled set transformation Granted publication date: 20190125 License type: Common License Record date: 20231213 |
|
| EC01 | Cancellation of recordation of patent licensing contract | ||
| EC01 | Cancellation of recordation of patent licensing contract |
Assignee: Nanjing Xinqihang Software Technology Co.,Ltd. Assignor: Nanjing University of Information Science and Technology Contract record no.: X2023980051736 Date of cancellation: 20240507 Assignee: Fujian Kailan Information Technology Co.,Ltd. Assignor: Nanjing University of Information Science and Technology Contract record no.: X2023980051725 Date of cancellation: 20240507 |