CN107403073B - 一种基于数据同化改进预报降雨的集合洪水预报方法 - Google Patents
一种基于数据同化改进预报降雨的集合洪水预报方法 Download PDFInfo
- Publication number
- CN107403073B CN107403073B CN201710925097.0A CN201710925097A CN107403073B CN 107403073 B CN107403073 B CN 107403073B CN 201710925097 A CN201710925097 A CN 201710925097A CN 107403073 B CN107403073 B CN 107403073B
- Authority
- CN
- China
- Prior art keywords
- data
- rainfall
- forecasting
- flood
- assimilation
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于数据同化改进预报降雨的集合洪水预报方法,包括以下步骤:步骤1、数据准备;步骤2、基于数据同化的降雨集合预报;步骤3、降雨数据的后处理;步骤4、集合洪水预报;步骤5、发布洪水预报结果与评价。本发明不仅延长了洪水预报的预见期,还提高了洪水预报的预报精度,相比选用落地雨进行的传统洪水预报,该系统利用数据同化技术校正数值大气模式,从而提前获得高分辨率的精准的预报降雨,以其作为水文模型的输入进行洪水预报,此外,为了降低预报的不确定性,引入集合预报的思想,进行降雨预报和洪水预报。
Description
技术领域
本发明涉及一种基于数据同化改进预报降雨的集合洪水预报方法,属于实时洪水预报领域,主要用于水利部门开展洪水预报预警工作。
背景技术
长期以来,我国洪涝灾害频发,经济社会发展和人民生命财产安全受到严重威胁。洪水预报在应对洪涝灾害中发挥着重要作用,延长预见期和提高预报精度是关键。但传统的洪水预报是以“落地雨”为预报基础,预见期非常有限,特别是对于汇流时间较短的中小流域,预报往往不具有及时性,是我国目前防洪工作的薄弱环节。延长洪水预报预见期的有效手段是首先通过数值大气模式获得降水在未来一段时间的信息,然后将其作为水文模型的输入,进行洪水预报。但由于数值大气模式中的物理参数化方案众多,使降雨预报具有很大不确定性,此外,由于驱动数值大气模式的初始场和侧边界条件存在一定的误差,直接采用数值大气模式获得的预报降雨质量较差。而水文模型本身是对流域产汇流过程的概化,预报降雨的误差很可能在水文模型中被进一步放大,导致洪水预报不准确。因此洪水预报方法获得具有一定预见期且具有一定预报精度的预报结果难度较大。
发明内容
本发明设计了一种基于数据同化改进预报降雨的集合洪水预报方法,其解决的技术问题是降低洪水预报的不确定性,提高洪水预报的精度,延长洪水预报的预见期。
为了解决上述存在的技术问题,本发明采用了以下方案:
一种基于数据同化改进预报降雨的集合洪水预报方法,包括以下步骤:
步骤1、数据准备,所述数据包括驱动数据、数据同化资料以及地面观测数据;
步骤2、基于数据同化的降雨集合预报;
步骤3、降雨数据的后处理;
步骤4、集合洪水预报;
步骤5、发布洪水预报结果与评价。
进一步,步骤1中的数据包括数值大气模式的驱动数据全球预报方法GFS(GlobalForecast System)、数据同化资料(传统气象观测资料和天气雷达资料)和地面观测数据(水文站数据和雨量站数据)。
进一步,所述步骤1中的全球预报方法数据GFS数据来源于美国国家环境预报中心National Centers for Environmental Prediction (NCEP),是全球模式运行的结果,是覆盖全球的栅格化的气象要素合集,用于描述大气的状态,包括风场、温度场、辐射场、气压场以及湿度场,每6h发布一次并传输至计算机集群,为数值大气模式提供初始场和侧边界条件,是WRF模式的驱动数据,是覆盖全球的规则的栅格化数据,空间分辨率为1°×1°,可驱动数值大气模式向前进行192h的降雨预报;
所述数据同化资料中的传统气象观测资料来源于全球电信传输系统GlobalTelecommunication System (GTS),包括近地面和高空的气象观测数据,包括风速、温度、气压、湿度和降雨中的一种或多种,数据的主要来源是近地面观测站、飞机报、航空报、船舶报、气球探空和火箭探空中的一种或多种;上述数据的空间分布是不规则的点状分布,具有数据覆盖范围广、空间密度小的特点;
所述数据同化资料中的天气雷达资料选用雷达反射率,来源于雷达站,具有数据覆盖范围小,空间密度高的特点;
所述地面观测数据中的水文站数据和雨量站的数据,前者是降雨量,来源于雨量站;后者是流量,来源于水文站;这两种数据分别被作为降雨和洪水的真值;水文站和雨量站可提供逐小时的观测数据。
进一步,基于上述步骤1中的数据,步骤2中选择不同的微物理过程方案、积云对流方案、边界层方案,形成不同的物理参数化方案组合,在此基础上,采用GFS驱动WeatherResearch and Forecasting (WRF)模式基于同化技术分别获得各组方案的预报结果,进而形成降雨集合预报集;其中GFS可用于进行未来192h的降雨预报,大大延长了预见期。
微物理过程方案、积云对流方案、边界层方案都是对WRF模式降雨预报结果有较大影响的物理参数化方案。
其中,微物理过程主要是指云粒子的形成、增长以及产生降水的微观物理过程,涉及相变潜热的释放与吸收,其选取结果影响积云对流发生发展条件,从而影响降雨过程;
积云对流过程伴随着云团生成、发展、旺盛以及由于温度不同时形成的对流,云团消失则降水结束,因此其与降水过程联系紧密,不同的积云对流方案对不同地区、不同场次的降水模拟效果不同;
在WRF模式中,边界层主要影响低层大气运动的模拟,也可通过大气的垂直输送对高层大气产生影响,从而影响WRF模式对温度、风速、湿度等气象要素的模拟。这些方案都可以通过WRF模式进行设置。如表1中所示的几个方案,均可通过WRF设置,实现其在降雨预报中的作用。
步骤2不仅包括GFS数据,还包括传统气象观测资料(GTS)和天气雷达资料,甚至包括雨量站获得的降雨观测值。GFS是用于驱动WRF模式正常运行,获得降雨预报结果的,GTS和雷达资料是用于数据同化,提高降雨预报精度的。雨量站对降雨的观测结果用于评价WRF模式对降雨的预报结果。在步骤5中提到了水文站的观测值,即流量。
进一步,步骤2中各方案的降雨预报结果都是经过三维变分数据同化技术同化后的WRF模式的预报值,三维变分数据同化技术由WRF模式的三维变分数据同化系统(WRF-3DVar)支撑;WRF模式采用双层嵌套网格,内层网格仅同化覆盖范围小而空间密度大的雷达反射率,外层网格仅同化覆盖范围大而空间密度小的GTS数据;通过同化GTS数据和雷达反射率来校正WRF模式的初始场和侧边界条件,提高降雨预报的精度;采用雨量站的雨量观测值来评价降雨预报结果。
进一步,步骤3中降雨数据的后处理,是按照水文模型对降雨输入格式的要求,确定输出降雨的时间间隔和空间分辨率,并对WRF模式输出的栅格化预报降雨数据进行处理。
进一步,步骤4中选用适合研究区的水文模型,利用WRF模式输出的经过数据同化校正的降雨集合预报结果作为水文模型的输入,通过运行率定好的水文模型,获得集合洪水预报的结果。
进一步,步骤5中发布的洪水预报结果是一个区间值,当获得水文站观测值后,对洪水预报的发布结果进行评价。
本发明基于数据同化改进预报降雨的集合洪水预报方法具有以下有益效果:
(1)本发明引入数据同化技术,实现了在数值大气模式中同时同化传统气象观测资料和雷达反射率,可大幅提高降雨预报精度,从而提高洪水预报的精度。而数值大气模式输出的预报降雨代替传统洪水预报中的“落地雨”,有效延长了洪水预报的预见期。
(2)本发明是将传统气象观测资料(GTS)和天气雷达资料作为需要同化的多源数据,通过三维变分同化方法,同化到数值大气模式WRF中,以改善WRF模式的初始场和侧边界条件,从而获得更加精准的降雨预报结果。
(3)本发明采用集合预报的形式降低降雨预报和洪水预报的不确定性。
附图说明
图1:本发明基于数据同化改进预报降雨的集合洪水预报方法的运行流程示意图;
图2:本发明阜平流域位置与雷达覆盖范围示意图;
图3:本发明实测降雨-径流过程示意图;
图4:本发明数据同化前后的累积降雨过程线比照图;
图5:本发明数据同化前后的洪水过程线比照图。
具体实施方式
本发明所采用的技术方案是以降雨为纽带,耦合了数值大气模式WRF和水文模型的计算方法进行洪水预报。该方法包括降雨预报过程和洪水预报两个模块,实现了由数据同化校正后的数值大气模式预报降雨驱动水文模型,完成降雨径流转化并进行洪水预报,延长预见期的同时,提高了预报精度。按照以下步骤实施:
(1)数据准备:需准备的数据包括数值大气模式的驱动数据GFS(Global ForecastSystem)、数据同化资料(传统气象观测资料和天气雷达资料)、地面观测数据(水文站和雨量站数据)。
(2)基于数据同化的降雨集合预报:选择不同的微物理过程方案、积云对流方案、边界层方案,形成不同的物理参数化方案组合,在此基础上,采用GFS驱动WeatherResearch and Forecasting (WRF) 模式分别获得各组方案的预报结果,进而形成降雨集合预报集。其中GFS可用于进行未来192h的降雨预报,大大延长了预见期。
最终各组方案的降雨预报结果都经过了三维变分数据同化的校正。WRF模式采用双层嵌套网格,内层网格仅同化覆盖范围小而空间密度大的雷达反射率,外层网格仅同化覆盖范围大而空间密度小的GTS数据。通过同化GTS数据和雷达反射率来校正WRF模式的初始场和侧边界条件,提高降雨预报的精度。
(3)降雨数据的后处理:按照水文模型对降雨输入格式的要求,确定输出降雨的时间间隔为1h,并将WRF模式输出的栅格化预报降雨数据在流域范围内取平均值,作为流域面雨量的预报值。预报结果采用累积面雨量的误差进行评价。
(4)集合洪水预报:选择适用于研究区降雨产流特性的水文模型,利用WRF模式输出的经过数据同化校正的降雨集合预报结果作为水文模型的输入,完成降雨—径流的转化,从而获得集合洪水预报的结果。
(5)发布洪水预报结果与评价:将集合洪水预报结果采用区间的方式发布,当获得水文站观测值后,采用洪峰流量误差指标对洪水预报的发布结果进行评价。
应用实例:
下面以我国北方半湿润半干旱地区的阜平流域发生在2012年7月30日的一次降雨—径流事件为例(实际降雨历时24h,完整的洪水涨落过程72h),介绍一种基于数据同化改进预报降雨的集合洪水预报方法的实施与应用。流域地理位置及雷达覆盖范围见图2,实测降雨径流过程见图3。
首先进行数据准备。NCEP每6小时发布一次空间分辨率为1°×1°的GFS数据,用于驱动WRF模式,为之提供初始场和侧边界条件,传统气象观测资料来自GTS,雷达反射率由石家庄多普勒天气雷达提供。来自雨量站和水文站的小时观测数据分别用于检验降雨预报和洪水预报的精度。
基于数据同化的降雨集合预报。选择不同的微物理过程方案、积云对流方案、边界层方案,形成5组不同的物理参数化方案组合,见表1:
KF和GD都是积云对流方案,Lin和WSM6都是微物理过程方案,YSU和MYJ都是边界层方案。
KF(Kain-Fritsch)方案简单考虑了气流上升与下降对云微物理过程的影响;GD(Grell-Devenyi)方案采用准平衡假设,形成集合积云方案,可使模式在每个网格上运行多种积云方案,适合用于高分辨率的降雨模拟。
Lin方案是一种二维的云雨模型,描述了6种水汽凝结体及相互间的转化,包括云水、云冰、雨、雪、霰和水汽,更接近大气云雨物理变化过程的真实情况,适合于高分辨率下的模拟。WSM6 (WRF Single-Moment 6-class)方案水汽凝结体的描述与Lin相似,但计算过程和部分经验参数的选择与Lin不同,特别是相态转化时步长较小,有利于提高加热项的计算精度。
MYJ(Mellor-Yama-da-Janjic)是典型的局地边界层方案,而YSU是典型的非局地边界层方案。MYJ方案采用湍流闭合方法计算边界层的湍流运动,适合于较稳定或弱不稳定的边界层;YSU(Yonsei University)方案则采用非局地K理论,解决了不稳定边界层中逆梯度项过大导致计算不稳定的问题。
采用GFS驱动WRF模式分别获得5组方案的预报结果,形成降雨集合预报集。而各方案的降雨预报结果也都经过三维变分数据同化进行了校正,由于WRF模式采用双层嵌套网格,内层网格仅同化覆盖范围小而空间密度大的雷达反射率,外层网格仅同化覆盖范围大而空间密度小的GTS数据。
降雨数据的后处理。按照河北模型对降雨输入的格式要求,确定WRF模式输出降雨的时间间隔为1h,并将落在阜平流域内的WRF模式输出的栅格化预报降雨数据取平均值,形成每一个小时的阜平流域面雨量的预报值。阜平流域实测面雨量是基于各雨量站的观测值,依据泰森多边形法求得,累积面雨量在数据同化前后的计算结果见图4。数据同化前,累积面雨量的集合预报结果为35.58—45.36mm,数据同化后,累积面雨量的集合预报结果为47.31—52.18mm。
集合洪水预报。选择适用于北方半湿润半干旱地区的河北模型作为水文模型,利用WRF模式输出的经过数据同化校正的降雨集合预报结果作为水文模型的输入,通过河北模型,完成降雨—径流的转化,从而获得集合洪水预报的结果。数据同化前(作为对照)和数据同化后的降雨分别作为河北模型的输入,集合预报结果见图5。
发布洪水预报结果与评价。将集合洪水预报结果采用区间的方式发布,当获得水文站观测值后,采用洪峰流量误差指标对洪水预报的发布结果进行评价。5组不同的物理参数化方案的同化前后洪峰流量误差及经过数据同化后洪峰流量的改进效果见表2:
误差计算方法如下:
其中,Q表示洪峰流量的实测值,Q’表示洪峰流量的预报值。由表2知,经过数据同化后,集合预报洪峰流量的平均误差仅11.03%,比同化前降低了26%,洪水预报得到明显改善。
上面结合附图对本发明进行了示例性的描述,显然本发明的实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围内。
Claims (2)
1.一种基于数据同化改进预报降雨的集合洪水预报方法,包括以下步骤:
步骤1、数据准备,所述数据包括驱动数据、数据同化资料以及地面观测数据;其中驱动数据包括数值大气模式的驱动数据GFS;数据同化资料包括:传统气象观测资料和天气雷达资料;地面观测数据包括:雨量站和水文站数据;
步骤2、基于数据同化的降雨集合预报;
基于上述步骤1中的数据,步骤2中选择不同的微物理过程方案、积云对流方案或边界层方案,形成不同的物理参数化方案组合,在此基础上,采用步骤1中的驱动数据GFS驱动WRF模式基于同化技术分别获得各组方案的预报结果,进而形成降雨集合预报集;
所述步骤2中集合预报结果是采用三维变分数据同化技术同化后的WRF模式的预报值,三维变分数据同化技术由WRF模式的三维变分数据同化系统支撑;
所述WRF模式采用双层嵌套网格,内层网格仅同化覆盖范围小而空间密度大的雷达反射率,雷达反射率数据来自步骤1中的数据同化资料;外层网格仅同化覆盖范围大而空间密度小的GTS数据,GTS数据也来自步骤1中的数据同化资料;通过同化GTS数据和雷达反射率来校正WRF模式的初始场和侧边界条件,提高降雨预报的精度;
步骤3、降雨数据的后处理;步骤3中降雨数据的后处理是按照水文模型对降雨输入格式的要求,确定输出降雨的时间间隔和空间分辨率,并对WRF模式输出的栅格化预报降雨数据进行处理;
步骤4、集合洪水预报;步骤4中选用的是经过数据同化校正的数值大气模式输出的集合预报降雨作为水文模型的输入;
步骤5、发布洪水预报结果与评价;步骤5中评价是根据步骤1中地面观测数据,包括雨量站和水文站数据,来评价降雨集合洪水预报结果。
2.根据权利要求1所述基于数据同化改进预报降雨的集合洪水预报方法,其特征在于:步骤5发布的洪水预报结果是一个区间值,当获得水文站观测值后,对洪水预报的发布结果进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710925097.0A CN107403073B (zh) | 2017-10-03 | 2017-10-03 | 一种基于数据同化改进预报降雨的集合洪水预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710925097.0A CN107403073B (zh) | 2017-10-03 | 2017-10-03 | 一种基于数据同化改进预报降雨的集合洪水预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107403073A CN107403073A (zh) | 2017-11-28 |
CN107403073B true CN107403073B (zh) | 2020-07-21 |
Family
ID=60388502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710925097.0A Active CN107403073B (zh) | 2017-10-03 | 2017-10-03 | 一种基于数据同化改进预报降雨的集合洪水预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107403073B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182492B (zh) * | 2017-12-29 | 2020-09-25 | 中科赛诺(北京)科技有限公司 | 一种资料同化方法及装置 |
CN108629452A (zh) * | 2018-04-28 | 2018-10-09 | 智慧天气风险管理(深圳)有限公司 | 一种基于多模式多参数集合预报的气象风险决策方法 |
CN109241212B (zh) * | 2018-07-25 | 2020-08-11 | 中国水利水电科学研究院 | 基于中尺度数值大气模式与高分辨率历史降雨反演方法 |
CN109061776B (zh) * | 2018-10-08 | 2020-12-01 | 中国气象局广州热带海洋气象研究所(广东省气象科学研究所) | 一种短时临近数值天气预报系统及方法 |
CN111257970B (zh) * | 2018-11-30 | 2023-11-03 | 中国电力科学研究院有限公司 | 一种基于集合预报的降水预报订正方法及系统 |
CN110705796A (zh) * | 2019-10-09 | 2020-01-17 | 国网湖南省电力有限公司 | 电网暴雨数值预报的量级频率订正集合预报方法及系统 |
CN111104640A (zh) * | 2019-11-14 | 2020-05-05 | 河海大学 | 一种基于层次分析法的降雨观测评价方法及系统 |
CN111027223A (zh) * | 2019-12-18 | 2020-04-17 | 上海眼控科技股份有限公司 | 集合预报结果的生成方法、系统、电子设备及存储介质 |
CN111812748A (zh) * | 2020-03-16 | 2020-10-23 | 上海眼控科技股份有限公司 | 一种降水量预测方法及设备 |
CN113281754B (zh) * | 2021-07-26 | 2021-10-01 | 中国水利水电科学研究院 | 一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法 |
CN116842737B (zh) * | 2023-07-06 | 2024-02-23 | 上海勘测设计研究院有限公司 | 基于数值模式的地形云模拟方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106546958A (zh) * | 2016-11-02 | 2017-03-29 | 中国水利水电科学研究院 | 一种优化的雷达数据同化方法 |
CN107169258A (zh) * | 2016-07-20 | 2017-09-15 | 中国水利水电科学研究院 | 一种多源气象信息数据同化方法及其在降雨预报中的应用 |
-
2017
- 2017-10-03 CN CN201710925097.0A patent/CN107403073B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169258A (zh) * | 2016-07-20 | 2017-09-15 | 中国水利水电科学研究院 | 一种多源气象信息数据同化方法及其在降雨预报中的应用 |
CN106546958A (zh) * | 2016-11-02 | 2017-03-29 | 中国水利水电科学研究院 | 一种优化的雷达数据同化方法 |
Non-Patent Citations (2)
Title |
---|
An assimilation test of Doppler radar reflectivity and radial velocity from different height layers in improving the WRF rainfall forecasts;Jiyang Tian等;《网页在线公开:https://www.researchgate.net/publication/318918008》;20170831;第1-6节,图7 * |
multiple doppler radar data assimilation with WRF 3D-var:IOP4 of hymex campaign retrospective studies;I.MAIELLO等;《ERAD2014-THE EIGHTH EUROPEAN CONFERENCE ON RADAR IN METEOROLOGY AND HYDROLOGY》;20140718;第1-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107403073A (zh) | 2017-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107403073B (zh) | 一种基于数据同化改进预报降雨的集合洪水预报方法 | |
CN107609713B (zh) | 一种通过降雨和径流双要素校正的陆气耦合实时预报方法 | |
CN108983320B (zh) | 一种沿海台风极值风速的数值天气预报-人工智能耦合预测方法 | |
Luo et al. | Initiation and organizational modes of an extreme-rain-producing mesoscale convective system along a mei-yu front in East China | |
Green et al. | Isentropic relative‐flow analysis and the parcel theory | |
CN110927827B (zh) | 一种应用于降雨预报的数据同化方法 | |
CN107330086B (zh) | 一种提高无资料高海拔流域水文过程模拟精度的方法 | |
CN102254239A (zh) | 基于微地形风场分布及台风叠加效应的电网风灾预警系统 | |
CN105069295B (zh) | 基于卡尔曼滤波的卫星以及地面降水测量值同化方法 | |
CN112700068B (zh) | 基于机器学习融合多源遥感数据的水库调度规则优化方法 | |
CN115795399B (zh) | 一种多源遥感降水数据自适应融合方法和系统 | |
CN103235890A (zh) | 卫星短时临近降水预报系统及降水预报方法 | |
CN103823254A (zh) | 道路气象预报方法及系统、道路气象预报显示方法及系统 | |
CN106169024A (zh) | 南支槽对中长期径流预报的影响研究方法 | |
CN108808671A (zh) | 一种风电场短期风速集合预报方法 | |
CN114779370B (zh) | 一种结合卫星云图与数值评估的降水预报方法及系统 | |
CN115470684A (zh) | 一种极端降水水汽来源及输送路径的确定方法及系统 | |
Yamada et al. | Thermodynamic impact of the heated landmass on the nocturnal evolution of a cloud cluster over a Meiyu-Baiu front | |
CN113032510B (zh) | 一种基于高斯权重的lbgm法初值扰动生成方法 | |
Eroshenko et al. | Weather data errors analysis in solar power stations generation forecasting | |
Sen Roy et al. | Diurnal variability of convection over northwest Indian subcontinent observed by the Doppler weather radar data | |
Zhang et al. | Quantitative estimation and fusion optimization of radar rainfall in the Duanzhuang watershed at the eastern foot of the Taihang Mountains | |
CN112766580B (zh) | 基于动态启发式算法的多源降水产品的融合方法 | |
Zhou | Study on the mesoscale structure of the heavy rainfall on Meiyu front with dual-Doppler RADAR | |
Wang et al. | A Rapidly Updated Numerical Model for Power Grid Rainstorm Forecast |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |