CN107609713B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN107609713B CN107609713B CN201710925098.5A CN201710925098A CN107609713B CN 107609713 B CN107609713 B CN 107609713B CN 201710925098 A CN201710925098 A CN 201710925098A CN 107609713 B CN107609713 B CN 107609713B
- Authority
- CN
- China
- Prior art keywords
- data
- rainfall
- runoff
- assimilation
- forecast
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 47
- 230000008878 coupling Effects 0.000 title claims abstract description 24
- 238000010168 coupling process Methods 0.000 title claims abstract description 24
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 24
- 238000013277 forecasting method Methods 0.000 title claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims description 31
- 238000002310 reflectometry Methods 0.000 claims description 10
- 238000011160 research Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims 3
- 238000004364 calculation method Methods 0.000 description 4
- 241000334161 Cercis chinensis Species 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000004800 variational method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Radar Systems Or Details Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及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，包括以下步骤：步骤1、数据准备；步骤2、数据同化校正下的降雨预报；步骤3、陆气耦合；步骤4、实时校正下的径流预报；步骤5、系统结果发布。本发明在大幅延长“降雨—径流”预报预见期的基础上，对预报降雨利用数据同化技术，对预报径流利用实时校正技术，通过“降雨—径流”双要素校正，从而获得精准的降雨预报和径流预报。
Description
技术领域
本发明涉及一个“降雨—径流”双要素校正的陆气耦合实时预报方法，属于气象水文预报领域，主要用于水利部门实时发布水文预报信息工作。
背景技术
长期以来，延长预见期和提高预报精度是“降雨—径流”预报的研究重点，而如何同时获得较长预见期且具有一定预报精度的“降雨—径流”预报信息是研究的难点。自数值大气模式出现发展至今，降雨预报的预见期已可达一周左右，为延长径流预报的预见期提供了可能。但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，导致预报降雨的精度较低。另一方面，降雨—径流转化通常由水文模型完成，而水文模型是对流域产汇流的概化，在进行降雨—径流转化中也难免产生计算误差。目前，气象领域普遍采用数据同化技术，来提高数值降雨预报的精度，而在水文预报领域，水文模型的实时校正技术可用于改善径流预报的误差。然而，在当前陆气耦合预报系统的研究与实践中，受技术与资料所限，并没有同时考虑降雨和径流双要素的实时校正，无法获得既具有较长预见期又具有一定精度的“降雨—径流”预报结果。
发明内容
本发明设计了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，其解决的技术问题是实现对降雨、径流双要素校正，在延长预见期的基础上，提高降雨、径流预报的精度。
为了解决上述存在的技术问题，本发明采用了以下方案：
一种通过降雨和径流双要素校正的陆气耦合实时预报方法，包括以下步骤：
步骤1、数据准备；
步骤2、数据同化校正下的降雨预报；
步骤3、陆气耦合；
步骤4、实时校正下的径流预报；
步骤5、系统结果发布。
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）。
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，步骤2中的数据同化方法可以是三维变分、四维变分、集合卡尔曼滤波、混合同化等。
进一步，步骤2中的同化数据是地面和高空的常规气象观测资料，以及雷达、卫星等非常规气象观测资料，可单独同化一种数据，也可同时同化多种类型的数据。通过数据同化对数值大气模式的初始场和侧边界条件进行校正，从而达到提高降雨预报精度的目的。
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Weather Research 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。
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。
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。
进一步，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（WRF-3DVar）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。
进一步，步骤3中陆气耦合，不仅考虑以降雨为纽带的时间尺度的耦合，同时考虑以降雨为纽带的空间尺度的耦合。
进一步，步骤3中实现数据同化、WRF模式以及水文模型在时间尺度上的耦合。
进一步，步骤4中实时校正下的径流预报是通过水文模型将经过数据同化校正的预报降雨转化为径流，并利用实测的径流数据结合实时校正方法，对预报径流进行实时校正。
进一步，步骤5中系统发布的预报结果是逐小时滚动预报。
本发明通过降雨和径流双要素校正的陆气耦合实时预报方法具有以下有益效果：
（1）本发明引入数据同化技术和实时校正技术，分别对数值大气模式和水文模型的预报结果进行校正，从而提高降雨预报和径流预报的精度。由于水文模型的输入是由数值大气模式提供的预报降雨，有效延长了径流预报的预见期。
（2）本发明融合了数据同化技术和实时校正技术，实现了以降雨为纽带的时间尺度和空间尺度的陆气耦合，使系统能够进行实时预报，有助于推广应用。
附图说明
图1：本发明实例实时预报系统的运行流程示意图；
图2：本发明实例选择的研究区位置及相关数据覆盖范围；
图3：本发明实例的实测降雨—径流过程；
图4：本发明实例数据同化前后的累积降雨过程线；
图5：本发明实例不同情境下的径流预报。
具体实施方式
本发明所采用的技术方案是通过数据同化技术和实时校正技术，分别对数值大气模式和水文模型进行校正，从而提高降雨预报和径流预报的精度。数值大气模式和水文模型两个模块是以降雨为纽带进行耦合的，由于水文模型的输入是由数值大气模式提供的预报降雨，可有效延长径流预报的预见期。按照以下步骤实施：
（1）数据准备：为保证该系统的正常运行，需准备包括数值大气模式的驱动数据GFS（Global Forecast System）、数据同化资料、雨量站和水文站逐小时的观测数据。其中GFS数据可用于未来192h的降雨预报，大大延长了预见期。
（2）数据同化校正下的降雨预报：由GFS数据为数值大气模式Weather Researchand Forecasting (WRF) 提供初始场和侧边界条件，再选择合适的数据同化方法，如三维变分数据同化，同化常规气象观测资料（地面和高空观测的气温、气压、风速、相对湿度等）和非常规气象观测资料（雷达、卫星影像等），达到提高降雨预报精度的目的，并依据同化资料的获取频率确定数据同化的时间间隔。由于不同同化资料的获取频率不同，在数据同化时可针对不同来源的同化资料采用不同的同化时间间隔，也可综合考虑资料的获取频率选择某一固定的同化时间间隔。降雨预报结果采用累积面雨量的误差进行评价，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。通过泰森多边形法，基于各雨量站的实测雨量，求流域实测面雨量，作为预报降雨的评价参照。
（3）陆气耦合：实现数据同化、WRF模式以及水文模型在时间尺度上的耦合，数据同化的时间间隔由获取到同化资料的时间间隔确定，当某种同化资料已经传输至系统，随即进行同化，当某几种同化资料同时传输至系统，则对几种同化资料同时同化。根据水利部门的实际需要，明确WRF模式输出降雨的时间间隔为t（t＞0）或1h，与水文模型输出径流的时间间隔保持一致。根据研究流域面积的大小，确定水文模型类型，中小流域采用集总式水文模型，而大流域采用分布式水文模型。对于集总式水文模型，需将WRF模式输出的栅格降雨进行面平均处理，并将逐小时的面平均雨量作为水文模型的输入，而对于分布式水文模型，则依据水文模型在空间上对子流域或栅格的划分，再对WRF模式输出的栅格降雨进行处理，如果分布式水文模型按照子流域划分，则将WRF模式输出的栅格降雨在子流域内分别进行面平均处理，作为水文模型在每个子流域上的输入，如果分布式水文模型按照栅格划分，则WRF模式输出的栅格与水文模型划分的栅格的位置和大小都一一对应。
（4）实时校正下的径流预报：实时校正下的径流预报是通过水文模型将经过数据同化校正的预报降雨转化为径流，并利用实测的径流数据结合实时校正方法，实现对预报径流的实时校正。实时校正方法一般采用独立于水文模型、不改变模型参数和变量的误差趋势预测法，即根据水文模型的径流预报误差的趋势规律，对未来径流误差进行预测，从而实现对模型预报径流的校正。
（5）系统结果发布：随着WRF模式的不断运行以及数据同化的不断校正，输出的预报降雨不断更新，而且随着实测径流数据的不断传输，预报径流也在不断进行实时校正，结合实际需要，系统发布的预报结果是逐小时滚动预报。
应用实例：
下面以我国北方半湿润半干旱地区的小流域（紫荆关流域）发生在2012年7月21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36h），介绍一个“降雨—径流”双要素校正的陆气耦合实时预报系统的实施与应用。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。National Centers for Environmental Prediction（NCEP）每6h发布一次空间分辨率为1°×1°的GFS数据，为WRF模式提供初始场和侧边界条件，常规气象观测资料来自Global Telecommunication System（GTS），每6h发布一次，非常规观测资料仅采用雷达反射率，由石家庄多普勒天气雷达提供，每6min发布一次。实测逐小时降雨和径流数据分别来自紫荆关流域内11个雨量站和1个水文站。
数据同化校正下的降雨预报。由GFS数据为数值大气模式Weather Research andForecasting (WRF) 提供初始场和侧边界条件，选择三维变分方法，同化GTS数据和雷达反射率，达到提高降雨预报精度的目的。本实例为了减少同化计算量，提高计算效率，同化时间间隔确定为6h，即每6h同时同化GTS数据和雷达反射率。对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。数据同化前后面累积雨量过程线见图4。累积面雨量由同化前的128.36mm提升至148.12mm，预报误差降低了11.48%。
陆气耦合。确定数据同化的时间间隔是6h，WRF模式输出降雨的时间间隔是1h，与水文模型输出径流的时间间隔保持一致。由于紫荆关流域面积较小，选择河北模型（集总式水文模型）与WRF模式耦合。将WRF模式输出的栅格降雨进行面平均处理，并将逐小时的面平均雨量作为河北模型的输入。
实时校正下的径流预报。利用河北模型将经过数据同化校正的预报降雨转化为径流，并通过自回归滑动平均模型AutoRegressive-moving Model（ARMA），通过预测水文模型的径流预报误差，对预报径流实时校正。ARMA（p,q）模型结构取决于阶数p和q，本实例取p=3，q=1，即ARMA（3,1）模型。
AutoRegressive-moving Model（ARMA）模型是本领域常用的校正模型，由回归项和平滑项组合而成，p的阶数代表回归项的个数，q的阶数代表平滑项的个数。因此，p和q决定了ARMA的结构。
系统结果发布。由于预报降雨和预报径流的不断更新，系统发布的预报结果是逐小时滚动预报。双要素校正前后不同情境下的径流预报结果见图5。采用洪峰流量的相对误差评价预报结果。
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。数据同化前，未经过ARMA校正的误差为-60.60%，经过ARMA校正的误差为35.66%，数据同化后，未经过ARMA校正的误差为18.99%，经过ARMA校正的误差为6.98%。经过数据同化和实时校正技术对“降雨—径流”双要素校正，误差从-60.60%降低到6.98%，表明该预报系统能够获得较高精度的“降雨—径流”预报结果。
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 (6)
1.一种通过降雨和径流双要素校正的陆气耦合实时预报方法，包括以下步骤： 步骤1、数据准备； 步骤2、数据同化校正下的降雨预报； 步骤3、陆气耦合； 步骤4、实时校正下的径流预报； 步骤5、系统结果发布； 步骤1中准备的数据包括数值大气模式的驱动数据、数据同化资料、雨量站和水文站观测数据; 所述步骤2中选用三维变分数据同化方法，实现对常规气象观测资料和非常规气象观测资料的同化，对数值大气模式的预报降雨进行校正,依据同化资料的获取频率确定数据同化的时间间隔，由于不同同化资料的获取频率不同，在数据同化时可针对不同来源的同化资料采用不同的同化时间间隔，也可综合考虑资料的获取频率选择某一固定的同化时间间隔；降雨预报结果采用累积面雨量的误差进行评价，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;通过泰森多边形法，基于各雨量站的实测雨量，求流域实测面雨量，作为预报降雨的评价参照； 所述步骤3中不仅考虑以降雨为纽带的时间尺度的耦合，同时考虑以降雨为纽带的空间尺度的耦合； 所述步骤3中实现数据同化、WRF模式以及水文模型在时间尺度上的耦合，数据同化的时间间隔由获取到同化资料的时间间隔确定，当某种同化资料已经传输至系统，随即进行同化，根据水利部门的实际需要，明确WRF模式输出降雨的时间间隔为t（t＞0）或1h，与水文模型输出径流的时间间隔保持一致； 根据研究流域面积的大小，确定水文模型类型，中小流域采用集总式水文模型，而大流域采用分布式水文模型； 对于集总式水文模型，需将WRF模式输出的栅格降雨进行面平均处理，并将逐小时的面平均雨量作为水文模型的输入； 而对于分布式水文模型，则依据水文模型在空间上对子流域或栅格的划分，再对WRF模式输出的栅格降雨进行处理，如果分布式水文模型按照子流域划分，则将WRF模式输出的栅格降雨在子流域内分别进行面平均处理，作为水文模型在每个子流域上的输入，如果分布式水文模型按照栅格划分，则WRF模式输出的栅格与水文模型划分的栅格的位置和大小都一一对应。
2.根据权利要求1所述通过降雨和径流双要素校正的陆气耦合实时预报方法，其特征在于：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Weather Research 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。
3.根据权利要求2所述通过降雨和径流双要素校正的陆气耦合实时预报方法，其特征在于：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（WRF-3DVar）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。
4.根据权利要求3所述通过降雨和径流双要素校正的陆气耦合实时预报方法，其特征在于：步骤1中的雨量站和水文站观测数据用于评价步骤2所得出的预报结果。
5.根据权利要求1-3中任何一项所述通过降雨和径流双要素校正的陆气耦合实时预报方法，其特征在于：步骤4中的径流预报是通过水文模型将经过数据同化校正的预报降雨转化为径流，并利用实测的径流数据结合实时校正方法，对预报径流进行实时校正，实时校正方法采用独立于水文模型、不改变模型参数和变量的误差趋势预测法，即根据水文模型的径流预报误差的趋势规律，对未来径流误差进行预测，从而实现对模型预报径流的校正。
6.根据权利要求1-3中任何一项所述通过降雨和径流双要素校正的陆气耦合实时预报方法，其特征在于：步骤5中随着WRF模式的不断运行以及数据同化的不断校正，输出的预报降雨不断更新，而且随着实测径流数据的不断传输，预报径流也在不断进行实时校正，结合实际需要，系统发布的预报结果是逐小时滚动预报。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110204054.XA CN112926775B (zh) | 2017-10-03 | 2017-10-03 | 一种中小流域陆气耦合实时预报方法 |
| CN201710925098.5A CN107609713B (zh) | 2017-10-03 | 2017-10-03 | 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 |
| CN202110204059.2A CN112926776B (zh) | 2017-10-03 | 2017-10-03 | 一种陆气耦合实时预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710925098.5A CN107609713B (zh) | 2017-10-03 | 2017-10-03 | 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 |
Related Child Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110204059.2A Division CN112926776B (zh) | 2017-10-03 | 2017-10-03 | 一种陆气耦合实时预报方法 |
| CN202110204054.XA Division CN112926775B (zh) | 2017-10-03 | 2017-10-03 | 一种中小流域陆气耦合实时预报方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107609713A CN107609713A (zh) | 2018-01-19 |
| CN107609713B true CN107609713B (zh) | 2021-03-02 |
Family
ID=61067727
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710925098.5A Active CN107609713B (zh) | 2017-10-03 | 2017-10-03 | 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 |
| CN202110204059.2A Active CN112926776B (zh) | 2017-10-03 | 2017-10-03 | 一种陆气耦合实时预报方法 |
| CN202110204054.XA Active CN112926775B (zh) | 2017-10-03 | 2017-10-03 | 一种中小流域陆气耦合实时预报方法 |
Family Applications After (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110204059.2A Active CN112926776B (zh) | 2017-10-03 | 2017-10-03 | 一种陆气耦合实时预报方法 |
| CN202110204054.XA Active CN112926775B (zh) | 2017-10-03 | 2017-10-03 | 一种中小流域陆气耦合实时预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (3) | CN107609713B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109165795A (zh) * | 2018-10-11 | 2019-01-08 | 南昌工程学院 | 一种基于群智能算法的集合径流预测系统与方法 |
| CN109783884B (zh) * | 2018-12-25 | 2022-10-11 | 河海大学 | 基于面雨量和模型参数同时校正的实时洪水预报误差修正方法 |
| 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 |
| CN112766531B (zh) * | 2019-11-06 | 2023-10-31 | 中国科学院国家空间科学中心 | 一种基于卫星微波观测资料的径流预测系统及方法 |
| CN112884223A (zh) * | 2021-02-19 | 2021-06-01 | 大连理工大学 | 基于多源卫星降水信息和产流约束校正的无资料地区洪水实时预报方法 |
| CN114862073B (zh) * | 2022-07-08 | 2022-10-14 | 长江水利委员会水文局 | 一种气陆库水四维耦合的中长期径流预报方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100131902A (ko) * | 2009-06-08 | 2010-12-16 | 부경대학교 산학협력단 | 고해상도고빈도 사이클 홍수 정보 예측 시스템 및 방법 |
| CN104992071A (zh) * | 2015-07-17 | 2015-10-21 | 南京信息工程大学 | 一种基于集合资料同化技术的初始扰动方法 |
| CN105912770A (zh) * | 2016-04-08 | 2016-08-31 | 中山大学 | 水文实时预报系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006092058A (ja) * | 2004-09-22 | 2006-04-06 | Fuji Electric Systems Co Ltd | 流量予測装置 |
| CN102314554B (zh) * | 2011-08-08 | 2013-12-25 | 大唐软件技术股份有限公司 | 一种基于陆气耦合的小流域洪水预报方法及系统 |
| CN109272186B (zh) * | 2016-07-20 | 2021-03-23 | 中国水利水电科学研究院 | 一种水资源调度方法 |
| CN106991278B (zh) * | 2017-03-21 | 2021-01-01 | 武汉大学 | 一种集合降水预报与实时洪水概率预报的耦合方法 |
-
2017
- 2017-10-03 CN CN201710925098.5A patent/CN107609713B/zh active Active
- 2017-10-03 CN CN202110204059.2A patent/CN112926776B/zh active Active
- 2017-10-03 CN CN202110204054.XA patent/CN112926775B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100131902A (ko) * | 2009-06-08 | 2010-12-16 | 부경대학교 산학협력단 | 고해상도고빈도 사이클 홍수 정보 예측 시스템 및 방법 |
| CN104992071A (zh) * | 2015-07-17 | 2015-10-21 | 南京信息工程大学 | 一种基于集合资料同化技术的初始扰动方法 |
| CN105912770A (zh) * | 2016-04-08 | 2016-08-31 | 中山大学 | 水文实时预报系统 |
Non-Patent Citations (1)
| Title |
|---|
| 天气雷达多源数据同化支持下的陆气耦合水文预报;田济扬;《中国博士学位论文全文数据库基础科学辑》;20170915(第09期);论文第1、3、18-27、48-54、62-78、91-103、111、118-120页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112926776A (zh) | 2021-06-08 |
| CN112926776B (zh) | 2022-04-01 |
| CN112926775B (zh) | 2022-04-01 |
| CN112926775A (zh) | 2021-06-08 |
| CN107609713A (zh) | 2018-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| 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 | |
| CN110298115B (zh) | 一种基于简化地形气动参数的风场动力降尺度方法 | |
| 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 | |
| CN111898660B (zh) | 一种基于贝叶斯模式平均融合多源数据的水文模拟方法 | |
| CN109063083B (zh) | 一种多源气象信息数据同化方法 | |
| CN110781259A (zh) | 一种基于地貌单位线的水文模型 | |
| 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 | |
| CN110427594A (zh) | 适合小型实验室的气象要素数据获取系统 | |
| CN112558188B (zh) | 一种通过同化闪电资料改进强对流预报的方法 | |
| CN109033543A (zh) | 一种地表异质区植被覆盖度估算方法、装置及设备 | |
| CN110909447B (zh) | 一种高精度电离层区域短期预报方法 | |
| CN112381337B (zh) | 一种多源气象数据融合处理方法、系统、终端及介质 | |
| 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 | |
| CN112100922A (zh) | 一种基于wrf和cnn卷积神经网络的风资源预测方法 | |
| CN116822185A (zh) | 基于hasm的日降水数据空间模拟方法和系统 | |
| CN113553782B (zh) | 一种用于预报风速的降尺度方法 | |
| CN114483485A (zh) | 一种Nudging风电场观测资料改进风速预测的方法 | |
| CN106546958B (zh) | 一种优化的雷达数据同化方法 | |
| CN109241212A (zh) | 基于中尺度数值大气模式与高分辨率历史降雨反演方法 | |
| CN112541655A (zh) | 一种针对区域风能资源精细化评估需求的大气再分析方法 | |
| CN115795402B (zh) | 一种基于变分法的多源降水数据融合方法和系统 | |
| CN110110410A (zh) | 一种基于wrf模式与sebs模型耦合的蒸散量估算方法 | |
| CN110031841A (zh) | 基于ECMWF的InSAR大气延迟改正的方法和系统 | |
| Sen Roy et al. | Diurnal variability of convection over northwest Indian subcontinent observed by the Doppler weather radar data |
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 |