CN106326191B - 一种基于天气预报描述性数据量化日照时数的方法 - Google Patents

一种基于天气预报描述性数据量化日照时数的方法 Download PDF

Info

Publication number
CN106326191B
CN106326191B CN201610749607.9A CN201610749607A CN106326191B CN 106326191 B CN106326191 B CN 106326191B CN 201610749607 A CN201610749607 A CN 201610749607A CN 106326191 B CN106326191 B CN 106326191B
Authority
CN
China
Prior art keywords
weather
sunshine time
day
max
daily
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
Application number
CN201610749607.9A
Other languages
English (en)
Other versions
CN106326191A8 (zh
CN106326191A (zh
Inventor
徐俊增
刘博弈
刘文豪
王海渝
卫琦
杨士红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201610749607.9A priority Critical patent/CN106326191B/zh
Publication of CN106326191A publication Critical patent/CN106326191A/zh
Publication of CN106326191A8 publication Critical patent/CN106326191A8/zh
Application granted granted Critical
Publication of CN106326191B publication Critical patent/CN106326191B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Environmental Sciences (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Ecology (AREA)
  • Evolutionary Biology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Atmospheric Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于天气预报描述性数据量化日照时数的方法，根据天气预报的天气类型采用七分法得到未来的相对日照时数n/NPAR，将得到的n/NPAR和天气预报的日最高温度Tmax、日较差TR带入预测模型，计算得到相对日照时数预测值n/NPRE，基于待测站点的经纬度信息和预测当日对应的日序数J计算最大可能日时数N，将相对日照时数预测值n/NPRE与最大可能日时数N相乘即可得到日照时数的预测值nPRE。本发明减少了采用天气类型分类查表确定相对日照时数方法所导致的误差，在利用天气预报中天气描述信息基础上，充分利用天气预报中精度较高的温度等信息，改进了相对日照时数的量化方法，实现了更为精细的日照时数划分，进而显著地提高了日照时数的计算精度。

Description

一种基于天气预报描述性数据量化日照时数的方法
技术领域
本发明涉及一种日照时数的预测方法，具体涉及一种基于天气预报描述性数据量化日照时数的方法。
背景技术
辐射是计算作物需水量的关键因子，在辐射资料实测结果缺乏的地方，日照时数是计算太阳辐射的关键因子。在开展灌溉预报时，往往需要对未来的作物需水量进行预测，而未来的辐射数据是无法获得的，此时基于天气预报数据结果，将描述性的天气类型量化为日照时数可为基于天气预报数据的作物需水预测提供一个关键的输入因子。
目前基于天气预报数据大多采用天气类型分类查表的方法来确定相对日照时数(n/N)，再利用根据经纬度和日序数信息计算得到的最大可能日照时数N得到日照时数的估计值n。目前天气类型分类查表的方法主要有五分法和七分法两种分法，五分法将晴、晴见少云、多云、阴、雨五种天气类型分别以0.9，0.7，0.5，0.3和0.1赋予n/N值，而七分法将晴、晴转少云、晴转多云、多云、阴、阴霾和雨七种天气类型分别以0.92，0.775，0.65，0.525，0.375，0.225和0.075赋予n/N值。
从实际应用来看，上述存在如下两个问题，一种天气类型描述在现实中可能对应一个比较宽的n/N范围，但是按照分类法n/N将会赋予一个固定值；另一方面天气预报中天气类型经常为模糊性数据，预报精度较差，这会导致直接根据天气类型分类查表法确定的n/N值精度差，进而导致日照时数n预测精度不高。
发明内容
发明目的：本发明的目的在于针对现有技术的不足，提供一种基于天气预报描述性数据量化日照时数的方法，以解决现有技术存在的日照时数区分不够问题，提高日照时数的估值精度。
技术方案：本发明提供了一种基于天气预报描述性数据量化日照时数的方法，包括以下步骤：
(1)根据天气预报的天气类型采用七分法得到未来的相对日照时数n/NPAR；
(2)将得到的n/NPAR和天气预报的日最高温度Tmax、日较差TR带入预测模型n/N＝f(Tmax,TR,n/NPAR)，计算得到相对日照时数预测值n/NPRE；
所述预测模型的建立包括以下步骤：
①收集站点逐日的历史天气实测数据和历史天气预报数据，所述历史天气实测数据包括日最高温度Tmax、日最低温度Tmin和实际日照时数n，日较差TR为日最高温度减去日最低温度；
②按照七分法将站点的历史天气预报数据中的天气类型分类量化得到逐日的相对日照时数的查表值n/NPAR；
③基于站点经纬度信息和对应的日序数J计算该站点每天的最大可能日照时数N，并结合历史天气实测数据的实际日照时数n，计算历史逐日的相对日照时数n/NOBS；
④以n/NOBS为目标值，查表值n/NPAR、历史天气实测数据的日最高温度Tmax、日较差TR为输入因子，运用符号回归算法，建立n/NOBS与n/NPAR、Tmax、TR三个自变量之间的数据表达式n/N＝f(Tmax,TR,n/NPAR)，完成模型建模工作；
(3)基于待测站点的经纬度信息和预测当日对应的日序数J计算最大可能日照时数N；
(4)将相对日照时数预测值n/NPRE与最大可能日照时数N相乘即可得到日照时数的预测值nPRE。
进一步，步骤①对于天气预报中存在的天气类的模糊性描述“天气类型A转天气类型B”，分别赋予“转”前面的天气类型A与“转”后面的天气类型B 75％和25％的权重。
进一步，步骤③计算每天的最大可能日照时数N，计算公式为：
其中，J为日序数，J＝1,2…365或366，ωs为日落时角；而日落时角的计算公式为：
其中，为站点的纬度，δ为磁偏角，磁偏角由以下公式得到：
有益效果：1、本发明减少了采用天气类型分类查表确定相对日照时数方法所导致的误差，在利用天气预报中天气描述信息基础上，充分利用天气预报中精度较高的温度等信息，改进了相对日照时数的量化方法，实现了更为精细的日照时数划分，进而显著地提高了日照时数的计算精度；
2、本发明建立预测模型时，在基于天气类型划分定量化相对日照时数基础上，引入了最高气温Tmax、日较差TR作为修正因子可以提高相对日照时数预测的精度，一方面考虑了太阳辐射与最高温度Tmax、日较差TR之间存在着一定的联系，另一方面天气预报中气温预报精度较高；
3、本发明模型公式的建立采用智能公式挖掘类的符号回归算法实现，可以针对给出的自变量、因变量的数据，以及可能用到的运算符号，通过智能算法筛选出精度较高的公式。
附图说明
图1为基于天气预报描述性数据量化日照时数的流程图；
图2为模型计算得到的日照时数和七分法直接查表得到的日照时数与实际日照时数对比图(以典型站点南京为例)。
具体实施方式
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
实施例：本实施例收集了中国气象局数据库(http://cdc.cma.gov.cn)提供的南京站点2011-2014年逐日历史实测数据以及中国天气网(http://www.tianqi.com/)提供的2011-2014年逐日天气预报数据，另外还收集了南京站点的经纬度信息。中国气象局数据库所提供的历史实测数据包括日最高温度Tmax、日最低温度Tmin和实际日照时数n，日较差TR为日最高气温减去日最低气温计算得到。而中国天气网提供的天气预报数据包括日最高温度、日最低温度、天气类型以及风力等级。
如图1所示，具体实施方式步骤如下：
1、结合南京站的经纬度信息计算该段历史中逐日(J＝1,2…365或366)的最大可能日照时数N
最大可能日照时数N与日序数J、日落时角ωs存在函数关系，而日落时角ωs是纬度和磁偏角δ的函数，磁偏角δ是日序数J的函数，故先计算磁偏角δ，计算公式为：
由公式(1)可得到磁偏角δ，结合南京站点的纬度计算日落时角ωs，计算公式为：
结合公式(1)、(2)即可计算出逐日的最大可能日照时数N，计算公式为：
2、采用七分法量化天气预报的描述性数据，得到历史逐日的n/NPAR
根据收集的天气预报数据按七分法量化(见表1)的相对日照时数为n/NPAR。其中天气预报存在对天气类型的模糊性描述，例如晴转阴等此类不在七分法分类的描述，对于这些类型的量化，按“转”前面的天气类型与转后面的天气类型分别赋予75％和25％的权重。例如天气类型为晴转阴，该天气类型量化的相对日照时数n/NPAR为75％×0.92+25％×0.375＝0.784，采用75％和25％比重的原因是按天气预报中天气类型描述习惯，“转”前面的天气类型为白天，“转”后面的天气类型描述为晚上，对于辐射而言，白天的比重必大于晚上所占比重，因此分别赋予75％和25％比重。
表1七种天气类型划分的相对日照时数量化表
3、建立相对日照时数n/N的定量计算模型
基于历史实测的实际日照时数n和计算得到的最大可能日照时数N，计算得到每天的相对日照时数n/NOBS。以2011-2013年的n/NOBS作为率定期数据，据此建立n/N的计算模型，2014年数据用于模型验证期。
由于模型计算公式未知，该计算模型的广义表达式为：
n/N＝f(Tmax,TR,n/NPAR) (4)
以2011-2013年的n/NOBS为目标，采用符号回归的方法确定函数公式形式及其中的参数取值。符号回归能够自动将变量和运算符号进行组合，通过组合筛选得到具有较高计算精度的公式。本例采用EUREQA软件实现公式的选择，其中用到的运算包括C(常数)、x(输入变量)、eX、log(x)、+、－、×、÷等函数结构，输入自变量包括n/NPAR、TR和Tmax三个。经EUREQA软件得到的相对日照时数计算模型如下：
n/N＝0.0016+(0.566*n/NPAR+0.123*TR+0.000561*Tmax 2-0.267-0.0221*Tmax-0.00367*TR2)/
exp(0.0213*TR*n/NPAR) (5)
4、模型应用与验证
(1)根据天气预报数据确定每天的最大可能日照时数N和相对日照时数n/NPAR。
(2)将n/NPAR和天气预报数据代入到式(5)中计算相对日照时数n/NPRE，进而结合计算得到的最大可能日照时间N，两者相乘后得到经模型得到的日照时数nPRE。
(3)以2014年数据进行预测验证，将2014年根据七分法天气类型的查表方法确定的相对日照时数n/NPAR与之前计算得到的最大可能日照时间N相乘后得到查表量化的日照时数nPAR。具体计算结果对比见图2，七分法只能实现7种主分类，图中表现为7条不同的虚线，可以看出本发明提出的量化方法实现了更加精细的划分，是预测结果与实际日照时数更为接近，而且随时间的变化趋势也与实际日照时数变化趋势更为接近，模型计算得到的日照时数精度更高。
由于天气预报中温度预报精度较高，本发明根据n/N与最高温度和温度的日较差之间具有的一定关系，将预报精度较高的最高温度数据以及温度的日较差纳入到n/N的定量预测，利用智能算法函数挖掘法中的符号回归算法建立变量之间的模型，有助于提高n/N量化预测的精度，进而提高日照时数n预测的精度。

Claims (3)

1.一种基于天气预报描述性数据量化日照时数的方法，其特征在于：包括以下步骤：
(1)根据天气预报的天气类型采用七分法得到未来的相对日照时数n/NPAR；
(2)将得到的n/NPAR和天气预报的日最高温度Tmax、日较差TR带入预测模型n/N＝f(Tmax,TR,n/NPAR)，计算得到相对日照时数预测值n/NPRE；
所述预测模型的建立包括以下步骤：
①收集站点逐日的历史天气实测数据和历史天气预报数据，所述历史天气实测数据包括日最高温度Tmax、日最低温度Tmin和实际日照时数n，日较差TR为日最高温度减去日最低温度；
②按照七分法将站点的历史天气预报数据中的天气类型分类量化得到逐日的相对日照时数的查表值n/NPAR；
③基于站点经纬度信息和对应的日序数J计算该站点每天的最大可能日照时数N，并结合历史天气实测数据的实际日照时数n，计算历史逐日的相对日照时数n/NOBS；
④以n/NOBS为目标值，查表值n/NPAR、历史天气实测数据的日最高温度Tmax、日较差TR为输入因子，运用符号回归算法，建立n/NOBS与n/NPAR、Tmax、TR三个自变量之间的数据表达式n/N＝f(Tmax,TR,n/NPAR)，完成模型建模工作；
(3)基于待测站点的经纬度信息和预测当日对应的日序数J计算最大可能日照时数N；
(4)将相对日照时数预测值n/NPRE与最大可能日照时数N相乘即可得到日照时数的预测值nPRE。
2.根据权利要求1所述的基于天气预报描述性数据量化日照时数的方法，其特征在于：步骤①对于天气预报中存在的天气类的模糊性描述“天气类型A转天气类型B”，分别赋予“转”前面的天气类型A与“转”后面的天气类型B 75％和25％的权重。
3.根据权利要求1所述的基于天气预报描述性数据量化日照时数的方法，其特征在于：步骤③计算每天的最大可能日照时数N，计算公式为：
其中，J为日序数，J＝1,2…365或366，ωs为日落时角；而日落时角的计算公式为：
其中，为站点的纬度，δ为磁偏角，磁偏角由以下公式得到：
CN201610749607.9A 2016-08-26 2016-08-26 一种基于天气预报描述性数据量化日照时数的方法 Active CN106326191B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610749607.9A CN106326191B (zh) 2016-08-26 2016-08-26 一种基于天气预报描述性数据量化日照时数的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610749607.9A CN106326191B (zh) 2016-08-26 2016-08-26 一种基于天气预报描述性数据量化日照时数的方法

Publications (3)

Publication Number Publication Date
CN106326191A CN106326191A (zh) 2017-01-11
CN106326191A8 CN106326191A8 (zh) 2018-07-20
CN106326191B true CN106326191B (zh) 2018-09-21

Family

ID=57789733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610749607.9A Active CN106326191B (zh) 2016-08-26 2016-08-26 一种基于天气预报描述性数据量化日照时数的方法

Country Status (1)

Country Link
CN (1) CN106326191B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110100620B (zh) * 2019-03-29 2021-06-29 上海交通大学 光照精准预测的苗床调度方法、系统及介质
CN110174714B (zh) * 2019-05-24 2020-12-29 南京大学 基于机器学习的街道空间日照时数批量化测量方法及系统
CN112418558B (zh) * 2020-12-07 2022-03-11 天津大学 一种基于多源气象预报的总辐射修正方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1267775A (zh) * 1999-12-15 2000-09-27 邵尧明 建筑群内可照时数计算方法
CN101718880A (zh) * 2009-11-30 2010-06-02 苏州阿特斯阳光电力科技有限公司 一种峰值日照时数的测定方法
CN102721988A (zh) * 2012-06-14 2012-10-10 中国气象科学研究院 基于天空可见光图像的日照时数测量方法
KR101207925B1 (ko) * 2010-02-22 2012-12-04 공주대학교 산학협력단 지표면 온도 산출 방법
CN104090310A (zh) * 2014-07-30 2014-10-08 中国电力工程顾问集团西南电力设计院 一种藏南地区日照辐射值和日照时数关系的拟合方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1267775A (zh) * 1999-12-15 2000-09-27 邵尧明 建筑群内可照时数计算方法
CN101718880A (zh) * 2009-11-30 2010-06-02 苏州阿特斯阳光电力科技有限公司 一种峰值日照时数的测定方法
KR101207925B1 (ko) * 2010-02-22 2012-12-04 공주대학교 산학협력단 지표면 온도 산출 방법
CN102721988A (zh) * 2012-06-14 2012-10-10 中国气象科学研究院 基于天空可见光图像的日照时数测量方法
CN104090310A (zh) * 2014-07-30 2014-10-08 中国电力工程顾问集团西南电力设计院 一种藏南地区日照辐射值和日照时数关系的拟合方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
《一种估算辐射计算模型中参数as和bs的方法》;卫琦;《中国农村水利水电》;20131231(第10期);第1-5页； *
《呼伦贝尔市近40年太阳能资源空间分布特征》;白明 等；;《内蒙古农业科技》;20141231(第2期);第74-75页； *
《基于日照时数的光合有效辐射( PAＲ)时数估算方法》;张广奇 等；;《生态学杂志》;20151231;第34卷(第12期);第3560－3567页； *
《我国太阳日总辐射计算方法的研究》;曹雯 等；;《20 06 农业气象与生态环境年会》;20061231;第280-284页； *

Also Published As

Publication number Publication date
CN106326191A8 (zh) 2018-07-20
CN106326191A (zh) 2017-01-11

Similar Documents

Publication Publication Date Title
CN112070286B (zh) 复杂地形流域的降水预报预警系统
Shi et al. Physically based simulation of the streamflow decrease caused by sediment‐trapping dams in the middle Yellow River
Yuan et al. Validation of China-wide interpolated daily climate variables from 1960 to 2011
Das et al. Downscaling monsoon rainfall over river Godavari Basin under different climate-change scenarios
CN106326191B (zh) 一种基于天气预报描述性数据量化日照时数的方法
CN104715292A (zh) 基于最小二乘支持向量机模型的城市短期用水量预测方法
Guan et al. Past variations and future projection of runoff in typical basins in 10 water zones, China
CN112801342A (zh) 一种基于降雨径流相似性的自适应径流预报方法
Wang et al. Temporal and spatial evolution trends of drought in northern Shaanxi of China: 1960–2100
Hammouri et al. Climate change impacts on surface water resources in arid and semi-arid regions: a case study in northern Jordan
CN106803128B (zh) 光伏发电的预测方法和装置
Jin et al. Effects of land-use data resolution on hydrologic modelling, a case study in the upper reach of the Heihe River, Northwest China
CN102509173A (zh) 一种基于马尔科夫链的电力系统负荷准确预测方法
Tumsa Performance assessment of six bias correction methods using observed and RCM data at upper Awash basin, Oromia, Ethiopia
CN103440426B (zh) 基于多源数据的城镇用地空间信息识别方法
CN110598352A (zh) 一种流域来水的预报方法
Wu et al. Regional response of runoff in CMIP5 multi-model climate projections of Jiangsu Province, China
Collet et al. Integrated modelling to assess long-term water supply capacity of a meso-scale Mediterranean catchment
Liu et al. Assessing forecasting performance of daily reference evapotranspiration using public weather forecast and numerical weather prediction
Pan et al. Analysis of the variation characteristics of runoff and sediment in the Yellow River within 70 years
CN110135652B (zh) 一种长期汛期径流预测方法
Jia et al. Using a BP neural network for rapid assessment of populations with difficulties accessing drinking water because of drought
Yu et al. Prioritization of critical source areas for soil and water conservation by using a one‐at‐a‐time removal approach in the upper Huaihe River basin
Caihong et al. Real-time flood classification forecasting based on k-means++ clustering and neural network
CN111815043B (zh) 一种基于暴雨特征的洪水流量预测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CI02 Correction of invention patent application
CI02 Correction of invention patent application

Page: The title page

Correction item: Inventor

Correct: Xu Junzeng|Liu Boyi|Liu Wenhao|Wang Haiyu|Wei Qi|Yang Shihong

False: Xu Junzeng|Liu Wenhao|Wang Haiyu|Wei Qi|Yang Shihong

Number: 02

Volume: 33

GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20170111

Assignee: Zhejiang Hehai zhongkong Information Technology Co.,Ltd.

Assignor: HOHAI University

Contract record no.: X2022320000021

Denomination of invention: A method of quantifying sunshine hours based on descriptive data of weather forecast

Granted publication date: 20180921

License type: Common License

Record date: 20220121