CN107748933A - 气象要素报文数据误差修正方法、雾、日出、云海、雾凇预测方法 - Google Patents
气象要素报文数据误差修正方法、雾、日出、云海、雾凇预测方法 Download PDFInfo
- Publication number
- CN107748933A CN107748933A CN201710996151.0A CN201710996151A CN107748933A CN 107748933 A CN107748933 A CN 107748933A CN 201710996151 A CN201710996151 A CN 201710996151A CN 107748933 A CN107748933 A CN 107748933A
- Authority
- CN
- China
- Prior art keywords
- landscape
- probability
- day
- rime
- happening
- 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.)
- Granted
Links
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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
针对现有气象要素预测方法存在对局部环境特殊性考虑不足而使预测的数值越容易出现误差的缺陷,本发明提供了一种气象要素报文数据误差修正方法,用于在起报日修正气象台对公发布的气象报文数据Ay得到预测日气象要素修正值A。本发明还提供由该气象要素报文数据误差修正方法实现的一种雾发生预测方法用于在起报日测算预测日预报时次的雾发生概率、一种日出景观预测方法用于在起报日测算预测日发生日出景观的概率、一种云海景观预测方法用于在起报日测算预测日预报时次发生云海景观的概率、一种雾凇景观预测方法用于在起报日测算预测日发生雾凇景观的概率,以及峨眉山景区雾发生预测方法、日出景观预测方法、云海景观预测方法、雾凇景观预测方法。
Description
技术领域
本发明涉及一种对气象要素的报文数据进行误差修正的方法,以及雾、日出、云海、雾凇四种气象景观预测方法,属于气象测量观测、预报领域。
背景技术
气象要素是表明一定地点和特定时刻大气物理状态、物理现象、物理过程的各项物理量。主要有气温、气压、风、湿度、云、降水以及各种天气现象。
气象预报(测)是使用现代科学技术对未来某一地点地球大气层的状态进行预测。目前的气象预报以报文数据发布预测值,预测值的获得是基于“数值天气模式”预测的结果。要进行数值天气预测,首先需将地表上方的大气空间划分成很多个小格子,并利用各种观测工具,取得大气三维空间的分布数据,再分析并计算出每一格中的各种大气数据,接着将这些数据输入超级计算机,由计算机根据已经设定好的大气方程式进行极为复杂的运算,算出未来可能的天气变化。实务上为了减少计算负荷,气象单位会依距离远近,对地球上的不同位置采用不同的分格方式。现在技术的基本思路是使用收集大量的数据(气温、湿度、风向和风速、气压等等),然后使用目前对大气过程的认识(气象学)来确定未来空气变化。由于大气过程的混乱以及现有科学技术并没有最终透彻地了解大气过程,因此天气预报总是有一定误差。
根据现有技术的气象预测原理,由于局部地区的环境条件(如某一城区人口数量的变化、该地区植被覆盖率的影响、各气象观测站对该地区空间距离以及该地区山脉、湖泊等因素)直接影响到该局部地区的气象要素值,因而在局部环境特殊性越高的地区(如各类自然风景区),气象预测的数值越容易出现误差。目前国内基本上达到每一个县级以上的城市均建有气象自动观测站,每一个气象观测站负责收集、上传该地区的气象要素数据,但在风景区内则缺少功能相对齐全的自动观测站。如何对公共播报的气象预报数值误差加以修正,使自然风景区能够利用气象播报数值建立预测模型,较准确预测各气象要素与各类气象景观(如日出、云海、雾凇、雨凇等),既具有科学研究价值,又具有实际应用价值。
发明内容
本发明的目的就是针对现有技术的不足,提供一种气象要素报文数据误差修正方法,该方法能够对气象要素报文数据的预报值进行误差修正,提高局部区域的预测值准确度。在此基础上,本发明再提供针对雾、日出、云海、雾凇四种气象景观预测方法,针对性解决提高局部地区(如自然景区)的气象景观发生预测准确度的问题。
为实现上述目的,本发明首先提供一种气象要素报文数据误差修正方法,其技术方案如下:
一种气象要素报文数据误差修正方法,用于在起报日修正气象台对公发布的气象报文数据Ay得到预测日气象要素修正值A,其特征在于:预测日气象要素修正值A依式1计算确定:
A=Ay-ΔA 式1
式中,A——预测日气象要素修正值,
Ay——起报日气象要素报文数据,
ΔA——误差修正值,依式2计算确定;
式中,i——自起报日前24h起向前用于误差修正的天数,根据历史报文数据确定;
ΔAi——用于误差修正的天数中,每一气象要素报文数据Ay与对应实况观测值Az的误差。
上述气象要素报文数据误差修正方法是在起报日对气象台对公发布的预测日气象要素报文数据的气象要素预测值进行误差修正,并获取预测日气象要素修正值的方法。预测日气象要素修正值A是起报日气象要素报文数据Ay与误差修正值ΔA之差,方法的关键是利用历史报文数据与对应的实况观测数据计算确定误差修正值ΔA。ΔA是在历史报文数据与实况观测值数据的基础上,采用历史数据统计经验确定。
上述方法中,气象要素可以是温度、相对湿度、低云量或总云量。用于计算误差修正值ΔA的历史数据天数一般包括起报日前5日。
以上述气象要素报文数据误差修正方法为基础,本发明进一步提供一种雾发生预测方法,其技术方案如下:
一种利用上述气象要素报文数据误差修正方法实现的雾发生预测方法,用于在起报日测算预测日预报时次的雾发生概率F,其特征在于:依如下步骤实施:
步骤S1、计算预测日预报时次的相对湿度修正值RH;
采用权利要求1所述气象要素报文数据误差修正方法计算预测日预报时次的相对湿度修正值RH,所述气象要素是相对湿度、所述气象报文数据Ay是气象台在起报日发布的预测日预报时次的报文数据、所述i=5;
步骤S2、确定统计最小值RHzmin
分月统计近5年内每日预报时次有雾发生日在预报时次的相对湿度实况观测值RHz,得到每月该预报时次统计最小值RHzmin;
步骤S3、确定雾发生统计概率F′
分月统计近5年每日预报时次的相对湿度实况观测值RHz达到RHzmin的天数;根据RHz划分统计区间,确定每月各RHz区间内有雾发生的天数,得到每月预报时次雾发生统计概率F′;
步骤S4、确定实况观测最小值RH′zmin
查询起报日前30日内每日预报时次有雾发生日在预报时次的相对湿度实况观测值RHz的最小值RH′zmin,记录每日最小值;若30日内雾发生大于5次则记录近5次的最小值;
步骤S5、依如下方式判断预测日雾发生概率F
若步骤S1所得预报时次相对湿度修正值RH<统计最小值RHzmin与实况观测最小值RH′zmin的较小者,判断预测日在预报时次的雾发生概率F=0%;
若步骤S1所得预报时次相对湿度修正值RH≥统计最小值RHzmin与实况观测最小值RH′zmin的较小者,判断预测日在预报时次的雾发生概率F是预测日所在月RHz统计区间对应的雾发生统计概率F′。
上述雾发生预测方法,是在起报日测算预测日预报时次的雾发生概率的方法。方法的基本原理在于:其一、雾是由于相对湿度较大形成。本方法首先确定需要预测雾发生概率的预报时次(即需要对预测日的哪个时间的雾发生概率进次预测),再采用本发明气象要素报文数据误差修正方法对起报日公布的预测日相对湿度报文数据加以修正,得到相对湿度修正值RH作为准确预测的基础。其二、采用统计最小值RHzmin与实况观测最小值RH′zmin两者共同作为确定预测日在预报时次的雾发生概率零概率的阈值。采用两项阈值的原因在于相对湿度是决定雾的一个重要气象因子,相对湿度越大,越容易形成雾,反之亦然。因此,将相对湿度的历史统计最小值和最近有雾的5天实况观测最小值作为发生雾的临界条件。其三、在排除零概率以后,对于雾发生概率大于零的情况,依据由相对湿度历史实况观测值统计得出的雾发生统计概率F′确定预测日预报时次的雾发生概率F。原因在于将相对湿度划分成一系列区间,通过历史大量数据,统计出各个月份各相对湿度区间发生雾的概率。基于该统计规律,估测预测日发生雾的概率。
根据上述雾发生预测方法的技术构思可见,采用本发明气象要素报文数据误差修正方法对预测日预报时次的相对湿度进行修正的目的是为使报文数据与实况值更为接近,由此提高预测精度。因而,本发明提供的雾发生预测方法在不对相对湿度预报值进行修正的情况下,依然是一个完整的技术方案。进一步地,对于相对湿度的预报值与实况值间误差本就较小的地区,可直接以预报值为基础预测雾发生概率。即,对于上述雾发生预测方法,在步骤S1中直接获取预测日预报时次的相对湿度预报值,在步骤S5中采用相对湿度预报值与统计最小值RHzmin、实况观测最小值RH′zmin加以比较。
以上述气象要素报文数据误差修正方法、雾发生预测方法为基础,本发明提供一种日出景观预测方法,其技术方案如下:
一种利用上述气象要素报文数据误差修正方法、上述雾发生预测方法实现的日出景观预测方法,用于在起报日测算预测日发生日出景观的概率S,其特征在于:依如下步骤实施:
步骤S1、计算预测日在08时的雾发生概率F08
采用上述雾发生预测方法计算预测日在08时次的雾发生概率F08,所述预报时次是气象预报的08时次;
步骤S2、计算总云量影响下日出景观发生的统计概率E
步骤S21、计算预测日总云量修正值TC;
采用上述气象要素报文数据误差修正方法计算预测日08时次的总云量修正值TC,所述气象要素是总云量、所述气象报文数据Ay是气象台在起报日发布的预测日在08时次的报文数据、所述i=5;
步骤S22、确定总云量统计最小值TCzmin
分月统计近5年内有日出景观发生日在08时的总云量实况观测值TCz08,得到每月统计最小值TCzmin;
步骤S23、确定总云量影响下日出景观发生的统计概率E
分月统计近5年内每日08时无雾且08时总云量实况观测值TCz08≥TCzmin的天数;根据TCz08划分区间,确定每月各TCz08区间内有日出景观发生的天数,得到总云量影响下日出景观发生的统计概率E;
步骤S3、判断预测日日出景观发生概率S
依如下方式判断预测日日出景观发生概率S:
若预测日雾发生概率F08=0%且总云量修正值TC<预测日所在月的统计最小值TCzmin,判断日出景观发生概率S=100%;
若预测日总云量修正值TC≥10,判断日出景观发生概率S=0%;
若预测日雾发生概率F08≠0%且预测日所在月的统计最小值TCzmin≤总云量修正值TC<10,依式3计算日出景观发生概率S:
S=St×(1-F08) 式3
式中,S——预测日日出景观发生概率,
St——日出景观发生统计概率,取预测日当月相应的总云量影响下日出景观发生的统计概率E,
F08——预测日雾的发生概率,步骤S15确定。
上述日出景观预测方法是用于在起报日测算预测日当日发生日出景观的概率S的方法。日出景观发生与否受两项因素影响,一是日出时段是否有雾,二是在日出时段总云量的大小。本发明日出景观预测方法首先利用本发明上述雾发生预测方法预测在起报日预测预测日的08时段(即预报时次是气象预报的08时次)的雾发生概率F08。其次计算总云量影响下日出景观发生的统计概率E;在预测总云量影响时,以采用本发明上述气象要素报文数据误差修正方法计算得到的预测日08时次的总云量修正值TC为基础。最后,在共同考虑雾发生概率F08与总云量修正值TC影响的情况下判断日出景观发生概率S。一般地,预测方法采用的数据基础是起报日08或20时次的发布的预测日气象预报数据,这样可以使本方法与气象台发布气象预报产品的规则相衔接,有效利用气象台的对公预报产品,提高方法的适用性。
以上述气象要素报文数据误差修正方法、雾发生预测方法为基础,本发明提供一种云海景观预测方法,其技术方案如下:
一种利用上述的气象要素报文数据误差修正方法、上述的雾发生预测方法实现的云海景观预测方法,用于在起报日测算预测日预报时次发生云海景观的概率R,所述预报时次是气象预报的时次;其特征在于:依如下步骤实施:
步骤S1、计算预测日在预报时次的雾发生概率M
采用上述雾发生预测方法计算预测日在预报时次的雾发生概率M,所述预报时次是气象预报时次;
步骤S2、计算预报时次低云量影响下云海景观发生的统计概率N
步骤S21、计算预测日预报时次低云量修正值LC;
采用上述气象要素预报误差修正方法计算预测日预报时次的低云量修正值LC,所述气象要素是低云量、所述气象报文数据Ay是气象台在起报日发布的预测日在预报时次的报文数据、所述i=5;
步骤S3、判断预测日预报时次的云海景观发生概率R
若预测日预报时次低云量修正值LC=0,判断云海景观发生概率值R=0%,
若预测日预报时次低云量修正值LC>0,判断云海景观发生概率值R=1-M。
上述云海景观预测方法是用于在起报日测算预测日预报时次发生云海景观的概率R。云海景观是否发生是首先受低云量影响,因此在预测日预报时次的低云量为零的情况,可以直接确定云海景观发生概率为零。排除云海景观零概率以后,云海景观发生概率则主要受是否有雾(雾发生概率)的影响。
上述云海景观预测方法中的预报时次一般是预测日的任一气象预报时次,只能获得该时次的各气象要素预报值便可完成该时次云海概率的测算。一般地,针对预测日全天的云海景观发生预测可以设计在三个独立的时段,即气象预报的08时次、14时次、20时次,也就是完成针对一天的早晨、中午、傍晚三个时间点加以预测,同时也与气象台做出的气象预报产品相配合,方便获得有效气象要素数据,提高预测方法适用性。
进一步根据低云量修正值可判断云海景观壮观程度:若8<LC≤10,判断为1级非常壮观云海、若5<LC≤8,判断为2级壮观云海、若2<LC≤5,判断为3级少量云海、若0<LC≤2,判断为4级微量云海。
以上述气象要素报文数据误差修正方法、雾发生预测方法为基础,本发明提供一种雾凇景观预测方法,其技术方案如下:
一种利用上述的气象要素报文数据误差修正方法、上述雾发生预测方法实现的雾凇景观预测方法,用于在起报日测算预测日发生雾凇景观的概率P,其特征在于:所述预测日是所述起报日的未来24h;依如下步骤实施:
步骤S1、依时间段判断雾凇景观发生概率P
步骤S11、确定雾凇景观发生时间段
根据预测地近5年内的雾凇景观记录数据,统计确定预测地每年雾凇景观发生时间段t;
步骤S12、依时间段判断雾凇景观发生概率P
若预测日不在t时间段内,判断雾凇景观发生概率P=0,否则进入步骤S2;
步骤S2、计算预测日Tmin、温度修正值、Tavg
步骤S21、计算预测日最低温修正值Tmin
获取报文数据Ay,所述气象报文数据Ay是气象台在起报日发布的未来24h内温度报文数据;记录报文数据温度最小值为最低温度报文数据Tymin;
采用上述气象要素预报误差修正方法计算预测日最低温度报文数据Tymin的最低温修正值Tmin;
步骤S22、计算预测日温度修正值、Tavg
采用上述气象要素预报误差修正方法分别计算预测日在不同时次的温度修正值T,所述气象要素是温度、所述气象报文数据Ay是气象台在起报日发布的未来24h内在不同时次的温度报文数据、所述i=5;
将不同时次的温度修正值T的平均值记录为预测日平均温度Tavg;
步骤S3、确定统计最低温度临界值Tzmin、平均温度临界值Tzavg、雾凇景观发生统计概率P′1、P′2
分月统计近5年的t时间段内每次雾凇景观过程的实况观测最低温度T′zmin、平均温度T′zavg,将每月内最低温度最高值记为当月最低温度临界值Tzmin、将每月平均温度最高值记为当月平均温度临界值Tzavg;
根据每次雾凇景观过程实况观测平均温度T′zavg划分区间,确定每月各T′zavg区间内有雾凇景观发生的天数,得到雾凇景观发生统计概率P′1;
根据每次雾凇景观过程实况观测最低温度T′zmin划分区间,确定每月各T′zmin区间内有雾凇景观发生的天数,得到雾凇景观发生统计概率P′2;
步骤S4、依预测日最低温度Tmin判断雾凇景观发生概率P
若预测日最低温度Tmin大于所在月Tzmin,判断雾凇景观发生概率P=0,否则,若起报日发生雾凇景观,进入步骤S5、若起报日未发生雾凇景观,进入步骤S6;
步骤S5、依预测日平均温度Tavg判断雾凇景观发生概率P
若预测日平均温度Tavg大于所在月Tzavg,判断雾凇景观发生概率P=0,否则雾凇景观发生概率P是Tavg所在的T′zavg区间对应的雾凇发生统计概率P′1;
步骤S6、依预测日雾发生概率判断雾凇景观发生概率P
步骤S61、计算预测日雾发生概率
采用上述雾发生预测方法分别计算预测日不同时次的雾发生的概率,记录雾发生概率最大值为Fmax;
步骤S62、依预测日雾发生概率判断雾凇景观发生概率P
若预测日不同时次雾发生概率均为0,判断雾凇景观发生概率P=0,否则进入步骤S7;
步骤S7、依预测日最低温度Tmin判断雾凇景观发生概率P
分月统计近5年内的t时间段内每月第一次发生雾凇景观的实况观测日最低温度T″zmin,若预测日最低温度Tmin>所在月T″zmin,判断雾凇景观发生概率P=0,否则依式4计算确定雾凇景观发生概率P:
P=Fmax×K 式4
式中,K—预测日Tmin所在的T′zmin区间对应的雾凇发生统计概率P′2。
上述雾凇景观预测方法,用于在起报日测算预测日(起报日的未来24h)发生雾凇景观的概率S。雾凇景观的发生受温度(尤其是均温与最低温)与是否有雾两项因素影响。上述雾凇景观采用从历史数据中分析统计得到温度因素影响雾松景观发生的统计概率,再同时考虑雾发生概率,由此得到雾凇景观发生概率。为有效与气象台的气象预报产品相配合,本方法步骤S2中,在考虑温度因素时,可以同时涉及02、08、14、20四个时次的温度特征作为全天温度指标,即以02、08、14、20四个时次的平均温度为全天平均温度。步骤S6中,在考虑雾影响时,需要同时涉及08、14、20三个时次的雾发生概率作为全天雾发生概率指标。
与现有技术相比,本发明的有益效果是:(1)本发明提供了一种在起报日对气象台对公发布的预测日预报时次的气象要素报文数据进行修正的方法,所得修正值与实况观测值更为接近,预测误差更小。方法能够解决由于气象台的发出的气象要素预测值只能以较大区域的气象变化模拟为基础,无法利用局部地区的环境条件对模型运算结果加以调整,因而造成的局部地区接收的气象台预测值与实况观测值误差较大的问题。(2)本发明提供了雾发生预测方法、日出景观预测方法、云海景观预测方法、雾凇景观预测方法四种气象景观预测方法。(3)本发明提供的四种气象景观预测方法都是以气象台对公发布的气象预报产品为数据基础,是利用气象台针对大区域做出的气象预报产品实现对既定小地区的气象景观发生概率的测算,能够有效利用公共服务数据,具有较高实用性。
具体实施方式
下面结合优选实施例,对本发明技术方案作进一步的描述。
实施例一
第1组:起报2017041020(2017年4月10日20时,下同),预报20170411 08
用本发明气象要素报文数据误差修正方法对四川省峨眉山景区地2017年4月11日08时的相对湿度气象台预报值进行修正。
气象要素A是相对湿度RH,起报日2017年4月10日(具体在20时),预测日2017年4月11日、预报时次08时。即在2017年4月10日20时测算2017年4月11日08时的相对湿度RH修正值。
根据历史报文数据量,采用自起报日前24h起向前5日(用于误差修正的天数i=5)的相对湿度实况观测值用于本次误差修正。
误差修正的天数中气象要素报文数据RHy及对应实况观测值RHz数据见表1.1,依式2计算每对RHy与RHz的误差ΔRHi、计算得到ΔRH见表1.1。
表1.1误差修正的天数中RHy、RHz、ΔRHi、ΔRH
2017年4月10日20时气象台对公发布的预报时效为12小时的相对湿度报文数据RHy=98.8。
将RHy=98.8、ΔRH=1.5代入式1,有2017年4月11日08时(预测日)相对湿度修正值RH=97.3。
结果验证:2017年4月11日08时的实况观测值是97.9,修正值更接近实况观测值。
第2组:起报2017021820,预报2017021908
同样对四川省峨眉山景区相对湿度值预报值进行修正。
采用与第1组相同的计算方法:根据起报时次为2017年2月18日20时的报文数据在2017年2月19日08时的预测值RHy=95.3,计算得到ΔRH=-1.9,依式1得到2017年2月19日08时的相对湿度修正值RH=97.2。
结果验证:2017年2月19日08时的实况观测值是RH=96.9,修正值更接近实况观测值。
实施例二
第1组:起报2017041020,预报:2017041108
用本发明雾发生预测方法在起报日2017年4月10日起报时次20时预测四川省峨眉山景区在预测日2017年4月11日预报时次08时的雾发生概率F。
步骤S1、计算预测日预报时次的相对湿度修正值RH
根据实施例一第1组完成计算,2017年4月11日08时相对湿度修正值RH=97.3。
步骤S2、确定统计最小值RHzmin
分月统计近5年内每日08时(预报时次)有雾发生日在08时的相对湿度实况观测值RHz,得到每月08时统计最小值RHzmin,见表2.1。
表2.1近5年每月08、14时有雾发生时的相对湿度最小值RHzmin
月份 | RHzmin(08时) | RHzmin(14时) |
1 | 87 | 93 |
2 | 90 | 89 |
3 | 85 | 85 |
4 | 96 | 89 |
5 | 94 | 90 |
6 | 96 | 88 |
7 | 98 | 90 |
8 | 97 | 89 |
9 | 91 | 85 |
10 | 98 | 94 |
11 | 86 | 89 |
12 | 87 | 88 |
步骤S3、确定雾发生统计概率F′
分月统计近5年每日08时(预报时次)的相对湿度实况观测值RHz达到RHzmin的天数;根据RHz划分统计区间,确定每月各RHz区间内有雾发生的天数,得到每月该预报时次雾发生统计概率F′。结果见表2.2。
表2.2 08时各档相对湿度下雾出现的概率
月份 | 81≤RHz≤85 | 85<RHz≤90 | 90<RHz≤95 | 95<RHz≤99 | RHz>99 |
1 | 0.0% | 66.7% | 72.0% | 62.5% | 75.0% |
2 | 0.0% | 40.0% | 66.7% | 88.2% | 72.7% |
3 | 25.0% | 25.0% | 37.5% | 67.2% | 74.5% |
4 | 0.0% | 0.0% | 0.0% | 41.9% | 72.9% |
5 | 0.0% | 0.0% | 19.4% | 0.0% | 94.7% |
6 | 0.0% | 0.0% | 8.3% | 78.9% | 82.6% |
7 | 0.0% | 0.0% | 9.1% | 68% | 73.1% |
8 | 0.0% | 0.0% | 0.0% | 57.4% | 77.8% |
9 | 0.0% | 0.0% | 100.0% | 64.3% | 80.8% |
10 | 0.0% | 0.0% | 0.0% | 67.4% | 79.7% |
11 | 0.0% | 20.0% | 65.7% | 82.3% | 100.0% |
12 | 0.0% | 20.0% | 65.7% | 82.3% | 100.0% |
步骤S4、确定实况观测最小值RH′zmin
查询2017年4月10日(起报日)前30日内每日08时(预报时次)有雾发生日在08时(预报时次)的相对湿度实况观测值RHz的最小值RH′zmin,记录每日最小值。依查询结果记录近5天,结果见表2.3。
表2.3 08时有雾发生时实况观测相对湿度最小值RH′zmin
序号 | 日期 | RH′zmin |
1 | 20170408 | 98 |
2 | 20170407 | 96 |
3 | 20170328 | 90 |
4 | 20170326 | 95 |
5 | 20170321 | 88 |
步骤S5、依如下方式判断预测日雾发生概率F
统计出的4月08时有雾发生时的相对湿度最小值RHzmin是96,最近5天08时有雾发生时实况观测的相对湿度最小值RH′zmin为88。
2017年4月11日08时的相对湿度修正值RH=97.3,大于RHzmin=96与RH′zmin=88的较小者,故2017年4月11日(预测日)08时(预报时次)雾发生概率F是4月RH(=97.3)所在区间95<RHz≤99的雾发生统计概率F′=41.9%。雾发生可能性较小。
结果验证:经过2017年4月11日08时的实际观测,该时刻没有出现雾,与预测结果吻合。
第2组:起报2017021820,预报2017021908
根据实施例一第2组完成计算,2017年2月19日08时的相对湿度修正值RH=97.2。
采用与第1组相同的计算方法,确定2017年2月19日08时雾发生概率F是2月RH(=97.2)所在区间95<RHz≤99的雾发生统计概率F′=88.2%。雾发生可能性较大。
结果验证:2017年2月19日14时出现了雾,与预测值相吻合。
实施例三
第1组:起报2017041020,预报2017041108
用本发明日出景观预测方法预测预测四川省峨眉山景区2017年4月11日的日出景观发生概率S。
步骤S1、计算预测日在08时的雾发生概率F08
根据实施例二第1组计算结果,可以预测峨眉山景区在2017年4月11日08时的雾发生概率F08=41.9%。
步骤S2、计算总云量影响下日出景观发生的统计概率E
步骤S21、计算预测日总云量修正值TC
采用本发明气象要素报文数据误差修正方法计算2017年4月11日08时的总云量修正值TC。修改计算中涉及的TCy、TCz、ΔTCi、ΔTC、TC见表
3.1。表3.1误差修正的天数中TC、TCz、ΔTCi、ΔTC、TC(i=5)
2017年4月10日20时发布的2017年4月11日08时(预报时效为12小时)总云量为6.9,总云量的修正值TC=6.9-1.2=5.7(2017年4月11日08时的总云量实际观测值是6.0)。
步骤S22、确定总云量统计最小值TCzmin
分月统计近5年内有日出景观发生日在08时的总云量实况观测值TCz08,得到每月统计最小值TCzmin。见表3.2
表3.2有日出时总云量最小值TCzmin
月份 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 |
TCzmin | 5.6 | 5.2 | 4.7 | 4.0 | 4.2 | 4.5 | 3.9 | 6.2 | 3.6 | 3.7 | 3.1 | 3.5 |
步骤S23、确定总云量影响下日出景观发生的统计概率E
分月统计近5年内每日08时无雾且08时总云量实况观测值TCz08≥TCzmin的天数;根据TCz08划分区间,确定每月各TCz08区间内有日出景观发生的天数,得到总云量影响下日出景观发生的统计概率E。见表3.3。
表3.3总云量与日出统计概率E的关系
月份 | 0<TCz08≤3 | 3<TCz08≤6 | 6<TCz08≤8 | 8<TCz08≤10 |
1 | 100.0% | 87.5% | 0.0% | 50.0% |
2 | 100.0% | 100.0% | 50.0% | 50.0% |
3 | 88.9% | 60.0% | 60.0% | 28.6% |
4 | 100.0% | 91.7% | 33.3% | 33.3% |
5 | 100.0% | 80.0% | 44.4% | 33.3% |
6 | 100.0% | 100.0% | 33.3% | 38.8% |
7 | 100.0% | 100.0% | 66.7% | 38.1% |
8 | 94.1% | 92.9% | 70.6% | 14.3% |
9 | 100.0% | 60.0% | 50.0% | 36.4% |
10 | 100.0% | 85.7% | 50.0% | 30.0% |
11 | 100.0% | 75.0% | 75.0% | 50.0% |
12 | 100.0% | 66.7% | 80.0% | 0.0% |
步骤S3、判断预测日日出景观发生概率S
步骤S1计算确定2017年4月11日08时雾发生概率F08=41.9%、步骤S21计算确定总云量修正值TC=5.7、4月统计最小值TCzmin=4.0,即雾发生概率F08≠0%且统计最小值TCzmin≤总云量修正值TC<10,依式3计算日出景观发生概率S。
总云量修正值TC=5.7位于区间3~6,对应的日出景观发生的统计概率E=91.7%,即St=91.7%,雾的发生概率F08=41.9%,故依式3有日出景观发生概率S=0.917*(1-0.419)=0.53。
结果验证:经实际观测验证,2017年4月11日早晨存在日出景观,与预测结果较吻合。
第2组:起报2017021820,预报2017021908
根据实施例二第2组计算结果,可以预测峨眉山景区在2017年2月19日08时的雾发生概率F08=88.2%。
采用与第1组相同的计算方法,确定2017年2月19日08时总云量的修正值TC=6.5,2017年2月18日20时发布的2017年2月19日08时的总云量预报值是6.1,2017年2月19日08时的总云量实际观测值是6.8)。
2月统计最小值TCzmin=5.2,即雾发生概率F08≠0%且统计最小值TCzmin≤总云量修正值TC<10,依式3计算日出景观发生概率S。
总云量修正值TC=6.5位于区间6~8,对应的日出景观发生的统计概率E=50.0%,即St=50.0%,雾的发生概率F08=88.2%,故依式3有日出景观发生概率S=0.5*(1-0.882)=0.06
结果验证:经实际观测验证,2017年2月19日早晨没有出现日出景观,与预测结果较吻合。
实施例四
第1组:起报2017041020,预报2017041108
用本发明云海景观预测方法预测预测四川省峨眉山景区2017年4月11日08时的云海景观发生概率R。
步骤S1、计算预测日在预报时次的雾发生概率M
根据实施例二第1组计算结果,峨眉山景区2017年4月11日08时的雾发生概率M是=41.9%。
步骤S2、计算预测时刻低云量影响下云海景观发生的统计概率N
步骤S21、计算预测日预报时次低云量修正值LC
采用本发明气象要素报文数据误差修正方法计算2017年4月11日08时的低云量修正值LC。修改计算中涉及的LCy、LCz、ΔLCi、ΔLC、LC见表4.1。
表4.1误差修正的天数中LCy、LCz、ΔLCi、ΔLC、LC(i=5)
2017年4月10日20时(起报时次)发布的2017年4月11日08时(预测时次,预报时效为12小时)低云量为10。计算得到低云量修正值LC=10.0-1.1=8.9(2017年4月11日08时的低云量实际观测值是8.1)。
步骤S3、判断预测日预报时次的云海景观发生概率R
步骤S1确定2017年4月11日08时雾发生概率M=41.9%,步骤S21确定低云量修正值LC=8.9>8,依式判断云海景观发生概率R=1-M=1-41.9%=58.1%,故发生云海可能性较大,且为1级非常壮观云海。
结果验证:经过实际观测,2017年4月11日08时出现了较为壮观的云海景观,与预测结果相吻合。
第2组:起报2017021820,预报2017021908
根据起报时次为2017年2月18日20时的报文数据,在2017年2月19日14时的低云量报文数据LCy=7.8,采用与第1组相同方法计算确定ΔLC=1.4,则有2017年2月19日14时的低云量修正值LC=6.4(2017年2月19日08时的低云量实际观测值是6.7)。
实施例三第2组确定2017年2月19日08时雾发生概率M=88.2%,步骤S21确定低云量修正值LC=6.4>0,依式判断云海景观发生概率R=1-M=1-88.2=11.8%,故发生云海可能性很小。
结果验证:2017年2月19日08时没有出现云海景观,与预测值较为吻合。
实施例五
用本发明雾凇景观预测方法分别测算四川省峨眉山景区在2017年4月11日、2017年2月19日两日的雾凇景观发生概率P。
第1组:起报2017041020,预报20170411
步骤S1、依时间段判断雾凇景观发生概率P
步骤S11、确定雾凇景观发生时间段
根据峨眉山景区近5年内的雾凇景观记录数据,统计确定峨眉山景区每年雾凇景观发生时间段t在1、2、3、4、11、12月份。
步骤S12、依时间段判断雾凇景观发生概率P
预测日2017年4月11日属于t时间段,进入步骤S2。
步骤S2、计算预测日温度修正值、Tmin、Tavg
步骤S21、计算预测日最低温修正值Tmin
采用报文数据Ay是气象台在2017年4月10日20时发布的未来24h内温度预测值(温度报文数据Ty)。首先,获取预测日的最低温度预测值,相关计算数据见表5.1。
表5.1温度报文数据Ty
2017年4月10日20时发布的未来24h内的最低温度报文数据Tymin=2.96。接下来利用误差修正方法对最低温度预测值进行修正,得到最低温度修正值Tmin。
预报时次为2017年4月11日08时,起报时次为2017年4月10日20时,预报时效为12小时,修正计算中涉及的Ty、Tz、ΔTi、ΔT、Tmin见表5.2。
表5.2误差修正的天数中Ty、Tz、ΔTi、ΔT、Tmin(i=5)
预测日2017年4月11日的最低温度修正值Tmin=2.49。
步骤S22、计算预测日温度修正值、Tavg
采用本发明气象要素预报误差修正方法分别计算2017年4月11日在02时、08时、14时、20时四个时次的温度修正值T02、T08、T14、T20,采用报文数据Ay是气象台在2017年4月10日20时发布的未来24h内在02时、08时、14时、20时四个时次的报文数据。按照误差修正方法对这四个时次的温度预测值进行修正,得到温度修正值T02=2.93、T08=3.12、T14=3.35、T20=3.25。
将T02、T08、T14、T20的平均值记录为预测日2017年4月11日平均温度Tavg=3.16。
步骤S3、确定统计最低温度临界值Tzmin、平均温度最高临界值Tzavg、雾凇景观发生统计概率P′1、P′2
分月统计近5年的1、2、3、4、11、12月份(t时间段内)每次雾凇景观过程的实况观测最低温度T′zmin、平均温度T′zavg,将每月内最低温度最高值记为当月最低温度临界值Tzmin、将每月内平均温度最高值记为当月平均温度临界值Tzavg。结果见表5.3。
表53雾凇景观温度临界值统计
根据每次雾凇景观过程平均温度T′zavg划分区间,确定每月各T′zavg区间内有雾凇景观发生的天数,得到雾凇景观发生统计概率P′1;根据每次雾凇景观过程最低温度T′zmin划分区间,确定每月各T′zmin区间内有雾凇景观发生的天数,得到雾凇景观发生统计概率P′2。结果见表5.4。
表5.4最低温度及平均温度与雾凇的关系
步骤S4、依预测日最低温度Tmin判断雾凇景观发生概率P
预测日2017年4月11日最低温度Tmin=2.49≤所在月Tzmin=5.2,起报日2017年4月10日发生雾凇景观,此后计算进入步骤S5。
步骤S5、依预测日平均温度Tavg判断雾凇景观发生概率P
预测日2017年4月11日平均温度修正值Tavg=3.16≤所在月Tzavg=9.5,判断雾凇景观发生概率P是Tavg所在的T′zavg区间对应的雾凇发生统计概率P′1=0.4。雾凇发生概率偏小。
结果验证:经实际观测,2017年4月11日未出现雾凇。
第2组:起报2017021820,预报20170219
步骤S1同第1组。
步骤S2、计算预测日温度修正值、Tmin、Tavg
采用与第1组同样的计算方法,计算得到预测日2017年2月19日的最低温度修正值Tmin=-3.78。计算得到预测日2017年2月19日在02时、08时、14时、20时四个时次的预报温度修正值T02=-3.23、T08=-1.85、T14=8.24、T20=7.68,将T02、T08、T14、T20的平均值记录为预测日2017年2月19日的平均温度Tavg=2.71。
步骤S3同第1组。
步骤S4、依预测日最低温度Tmin判断雾凇景观发生概率P
预测日2017年2月19日最低温度Tmin=-3.78≤所在月Tzmin=4.4,起报日2017年2月18日未发生雾凇景观,此后计算进入步骤S6。
步骤S6、依预测日雾发生概率判断雾凇景观发生概率P
步骤S61、计算预测日雾发生概率
采用本发明雾发生预测方法分别计算预测日2017年2月19日在08时次、14时次、20时次的雾发生的概率,得到F08=0.4、F14=0.892、F20=0,最大概率Fmax=0.892。
步骤S62、依预测日雾发生概率判断雾凇景观发生概率P
由于预测日不同时次雾发生概率F08、F14、F20非均为0,进入步骤S7。
步骤S7、依预测日最低温度Tmin判断雾凇景观发生概率P
分月统计近5年内的1、2、3、4、11、12月份(t时间段内)每月第一次发生雾凇景观过程的实况观测日最低温度T″zmin。结果见表5.5。
表5.5每月第一次雾凇过程的最低温度统计T″zmin
月份 | 1 | 2 | 3 | 4 | 11 | 12 |
T″zmin | -4.6 | -3.9 | -2.9 | -2.5 | -3.4 | -4.0 |
预测日2017年2月19日最低温度Tmin=-3.78≤2月T″zmin=-3.9,预测日Tmin所在的T′zmin区间对应的雾凇发生统计概率P′2=0.8,则K=0.8,所以判断雾凇景观发生概率P=Fmax×K=0.892*0.8=0.714。雾凇景观发生概率较高。
结果验证:经实际观测2017年2月19日下午出现了雾凇。
Claims (10)
1.气象要素报文数据误差修正方法,用于在起报日修正气象台对公发布的气象报文数据Ay得到预测日气象要素修正值A,其特征在于:预测日气象要素修正值A依式1计算确定:
A=Ay-ΔA 式1
式中,A——预测日气象要素修正值,
Ay——起报日气象要素报文数据,
ΔA——误差修正值,依式2计算确定;
式中,i——自起报日前24h起向前用于误差修正的天数,根据历史报文数据确定;
ΔAi——用于误差修正的天数中,每一气象要素报文数据Ay与对应实况观测值Az的误差。
2.根据权利要求1所述的方法,其特征在于:所述气象要素是温度、相对湿度、低云量或总云量;所述i=5。
3.利用权利要求1所述的气象要素报文数据误差修正方法实现的雾发生预测方法,用于在起报日测算预测日预报时次的雾发生概率F,其特征在于:依如下步骤实施:
步骤S1、计算预测日预报时次的相对湿度修正值RH;
采用权利要求1所述气象要素报文数据误差修正方法计算预测日预报时次的相对湿度修正值RH,所述气象要素是相对湿度、所述气象报文数据Ay是气象台在起报日发布的预测日预报时次的报文数据、所述i=5;
步骤S2、确定统计最小值RHzmin
分月统计近5年内每日预报时次有雾发生日在预报时次的相对湿度实况观测值RHz,得到每月该预报时次统计最小值RHzmin;
步骤S3、确定雾发生统计概率F′
分月统计近5年每日预报时次的相对湿度实况观测值RHz达到RHzmin的天数;根据RHz划分统计区间,确定每月各RHz区间内有雾发生的天数,得到每月预报时次雾发生统计概率F′;
步骤S4、确定实况观测最小值RH′zmin
查询起报日前30日内每日预报时次有雾发生日在预报时次的相对湿度实况观测值RHz的最小值RH′zmin,记录每日最小值;若30日内雾发生大于5次则记录近5次的最小值;
步骤S5、依如下方式判断预测日雾发生概率F
若步骤S1所得预报时次相对湿度修正值RH<统计最小值RHzmin与实况观测最小值RH′zmin的较小者,判断预测日在预报时次的雾发生概率F=0%;
若步骤S1所得预报时次相对湿度修正值RH≥统计最小值RHzmin与实况观测最小值RH′zmin的较小者,判断预测日在预报时次的雾发生概率F是预测日所在月RHz统计区间对应的雾发生统计概率F′。
4.根据权利要求3所述的雾发生预测方法,其特征在于:预测地是峨眉山景区;所述步骤S3中,RHz区间与每月预报时次雾发生统计概率F′关系如下:
表1
5.利用权利要求1所述的气象要素报文数据误差修正方法、权利要求3或4所述的雾发生预测方法实现的日出景观预测方法,用于在起报日测算预测日发生日出景观的概率S,其特征在于:依如下步骤实施:
步骤S1、计算预测日在08时的雾发生概率F08
采用权利要求4所述雾发生预测方法计算预测日在08时次的雾发生概率F08,所述预报时次是气象预报的08时次;步骤S2、计算总云量影响下日出景观发生的统计概率E
步骤S21、计算预测日总云量修正值TC;
采用权利要求1所述气象要素报文数据误差修正方法计算预测日08时次的总云量修正值TC,所述气象要素是总云量、所述气象报文数据Ay是气象台在起报日发布的预测日在08时次的报文数据、所述i=5;
步骤S22、确定总云量统计最小值TCzmin
分月统计近5年内有日出景观发生日在08时的总云量实况观测值TCz08,得到每月统计最小值TCzmin;
步骤S23、确定总云量影响下日出景观发生的统计概率E
分月统计近5年内每日08时无雾且08时总云量实况观测值TCz08≥TCzmin的天数;根据TCz08划分区间,确定每月各TCz08区间内有日出景观发生的天数,得到总云量影响下日出景观发生的统计概率E;
步骤S3、判断预测日日出景观发生概率S
依如下方式判断预测日日出景观发生概率S:
若预测日雾发生概率F08=0%且总云量修正值TC<预测日所在月的统计最小值TCzmin,判断日出景观发生概率S=100%;
若预测日总云量修正值TC≥10,判断日出景观发生概率S=0%;
若预测日雾发生概率F08≠0%且预测日所在月的统计最小值TCzmin≤总云量修正值TC<10,依式3计算日出景观发生概率S:
S=St×(1-F08) 式3
式中,S——预测日日出景观发生概率,
St——日出景观发生统计概率,取预测日当月相应的总云量影响下日出景观发生的统计概率E,
F08——预测日雾的发生概率,步骤S15确定。
6.根据权利要求5所述的日出景观预测方法,其特征在于:预测地是峨眉山景区,所述步骤S23中,TCz08区间对应的总云量影响下日出景观发生的统计概率E关系如下:
表2
7.利用权利要求1所述的气象要素报文数据误差修正方法、权利要求3或4所述的雾发生预测方法实现的云海景观预测方法,用于在起报日测算预测日预报时次发生云海景观的概率R,所述预报时次是气象预报的时次;其特征在于:依如下步骤实施:
步骤S1、计算预测日在预报时次的雾发生概率M
采用权利要求4所述雾发生预测方法计算预测日在预报时次的雾发生概率M,所述预报时次是气象预报的时次;
步骤S2、计算预测时刻低云量影响下云海景观发生的统计概率N
步骤S21、计算预测日预报时次低云量修正值LC;
采用权利要求1所述气象要素预报误差修正方法计算预测日预报时次的低云量修正值LC,所述气象要素是低云量、所述气象报文数据Ay是气象台在起报日发布的在预报时次的预测日报文数据、所述i=5;
步骤S3、判断预测日预报时次的云海景观发生概率R
若预测日预报时次低云量修正值LC=0,判断云海景观发生概率值R=0%,
若预测日预报时次低云量修正值LC>0,判断云海景观发生概率值R=1-M。
8.利用权利要求1所述的气象要素报文数据误差修正方法、权利要求3或4所述的雾发生预测方法实现的雾凇景观预测方法,用于在起报日测算预测日发生雾凇景观的概率P,其特征在于:所述预测日是所述起报日的未来24h;依如下步骤实施:
步骤S1、依时间段判断雾凇景观发生概率P
步骤S11、确定雾凇景观发生时间段
根据预测地近5年内的雾凇景观记录数据,统计确定预测地每年雾凇景观发生时间段t;
步骤S12、依时间段判断雾凇景观发生概率P
若预测日不在t时间段内,判断雾凇景观发生概率P=0,否则进入步骤S2;
步骤S2、计算预测日Tmin、温度修正值、Tavg
步骤S21、计算预测日最低温修正值Tmin
获取报文数据Ay,所述气象报文数据Ay是气象台在起报日发布的未来24h内在温度报文数据;记录报文数据温度最小值为最低温度报文数据Tymin;
采用权利要求1所述气象要素预报误差修正方法计算预测日最低温度报文数据Tymin的最低温修正值Tmin;
步骤S22、计算预测日温度修正值、Tavg
采用权利要求1所述气象要素预报误差修正方法分别计算预测日在不同时次的温度修正值T,所述气象要素是温度、所述气象报文数据Ay是气象台在起报日发布的未来24h内不同时次的报文数据、所述i=5;
将不同时次的温度修正值T平均值记录为预测日平均温度Tavg;
步骤S3、确定统计最低温度临界值Tzmin、平均温度临界值Tzavg、雾凇景观发生统计概率P′1、P′2
分月统计近5年的t时间段内每次雾凇景观过程的实况观测最低温度T′zmin、平均温度T′zavg,将每月内最低温度最高值记为当月最低温度临界值Tzmin、将每月平均温度最高值记为当月平均温度临界值Tzavg;
根据每次雾凇景观过程平均温度T′zavg划分区间,确定每月各T′zavg区间内有雾凇景观发生的天数,得到雾凇景观发生统计概率P′1;
根据每次雾凇景观过程最低温度T′zmin划分区间,确定每月各T′zmin区间内有雾凇景观发生的天数,得到雾凇景观发生统计概率P′2;
步骤S4、依预测日最低温度Tmin判断雾凇景观发生概率P
若预测日最低温度Tmin大于所在月Tzmin,判断雾凇景观发生概率P=0,否则,若起报日发生雾凇景观,进入步骤S5、若起报日未发生雾凇景观,进入步骤S6;
步骤S5、依预测日平均温度Tavg判断雾凇景观发生概率P
若预测日平均温度Tavg大于所在月Tzavg,判断雾凇景观发生概率P=0,否则雾凇景观发生概率P是Tavg所在的T′zavg区间对应的雾凇发生统计概率P′1;
步骤S6、依预测日雾发生概率判断雾凇景观发生概率P
步骤S61、计算预测日雾发生概率
采用权利要求4所述雾发生预测方法分别计算预测日不同时次的雾发生的概率,记录雾发生概率最大值为Fmax;
步骤S62、依预测日雾发生概率F08、F14、F20判断雾凇景观发生概率P
若预测日不同时次雾发生概率均为0,判断雾凇景观发生概率P=0,否则进入步骤S7;
步骤S7、依预测日最低温度Tmin判断雾凇景观发生概率P
分月统计近5年内的t时间段内每月第一次发生雾凇景观的实况观测日最低温度T″zmin,若预测日最低温度Tmin>T″zmin,判断雾凇景观发生概率P=0,否则依式4计算确定雾凇景观发生概率P:
P=Fmax×K 式4
式中,K-预测日Tmin所在的T′zmin区间对应的雾凇发生统计概率P′2。
9.根据权利要求8所述的雾凇景观预测方法,其特征在于:所述气象报文数据Ay是气象台在起报日20时发布的未来24h内温度报文数据;所述步骤S22中,所述不同时次是02时、08时、14时、20时;所述步骤S6中,所述不同时次08时、14时、20时。
10.根据权利要求8所述的雾凇景观预测方法,其特征在于:预测地是峨眉山景区,所述步骤S3中,T′zavg区间与雾凇景观发生统计概率P′1关系、T′zmin区间与雾凇景观发生统计概率P′2关系如下:
表3
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710996151.0A CN107748933B (zh) | 2017-10-23 | 2017-10-23 | 气象要素报文数据误差修正方法、雾、日出、云海、雾凇预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710996151.0A CN107748933B (zh) | 2017-10-23 | 2017-10-23 | 气象要素报文数据误差修正方法、雾、日出、云海、雾凇预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107748933A true CN107748933A (zh) | 2018-03-02 |
CN107748933B CN107748933B (zh) | 2020-07-14 |
Family
ID=61253012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710996151.0A Active CN107748933B (zh) | 2017-10-23 | 2017-10-23 | 气象要素报文数据误差修正方法、雾、日出、云海、雾凇预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107748933B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670642A (zh) * | 2018-12-18 | 2019-04-23 | 北京无线电测量研究所 | 一种基于气象观测数据的雾预报方法、系统、介质及设备 |
CN112218061A (zh) * | 2020-11-16 | 2021-01-12 | 云南腾云信息产业有限公司 | 直播提醒方法、装置、服务器及介质 |
CN113156546A (zh) * | 2021-03-12 | 2021-07-23 | 重庆市气象台 | 一种日出日落景观预报方法及系统 |
CN114244873A (zh) * | 2022-02-28 | 2022-03-25 | 深圳市千百炼科技有限公司 | 一种基于分布式任务调度的gfs气象数据分发、传输方法 |
CN115508916A (zh) * | 2022-10-17 | 2022-12-23 | 重庆市气象台 | 一种星空景观预报方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930356A (zh) * | 2012-11-16 | 2013-02-13 | 广东电网公司电力调度控制中心 | 基于气象因素敏感度的短期负荷预测方法 |
CN105095667A (zh) * | 2015-08-18 | 2015-11-25 | 国家电网公司 | 基于雨雾凇判识的最大连续覆冰日数计算方法 |
CN106408223A (zh) * | 2016-11-30 | 2017-02-15 | 华北电力大学(保定) | 基于气象相似日及误差校正的短期负荷预测方法 |
US20170075035A1 (en) * | 2015-09-11 | 2017-03-16 | Kabushiki Kaisha Toshiba | Probabilistic weather forecasting device, probabilistic weather forecasting method, and non-transitory computer readable medium |
CN106772697A (zh) * | 2016-11-21 | 2017-05-31 | 元江哈尼族彝族傣族自治县气象局 | 云海自然景观预报方法及系统 |
-
2017
- 2017-10-23 CN CN201710996151.0A patent/CN107748933B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930356A (zh) * | 2012-11-16 | 2013-02-13 | 广东电网公司电力调度控制中心 | 基于气象因素敏感度的短期负荷预测方法 |
CN105095667A (zh) * | 2015-08-18 | 2015-11-25 | 国家电网公司 | 基于雨雾凇判识的最大连续覆冰日数计算方法 |
US20170075035A1 (en) * | 2015-09-11 | 2017-03-16 | Kabushiki Kaisha Toshiba | Probabilistic weather forecasting device, probabilistic weather forecasting method, and non-transitory computer readable medium |
CN106772697A (zh) * | 2016-11-21 | 2017-05-31 | 元江哈尼族彝族傣族自治县气象局 | 云海自然景观预报方法及系统 |
CN106408223A (zh) * | 2016-11-30 | 2017-02-15 | 华北电力大学(保定) | 基于气象相似日及误差校正的短期负荷预测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670642A (zh) * | 2018-12-18 | 2019-04-23 | 北京无线电测量研究所 | 一种基于气象观测数据的雾预报方法、系统、介质及设备 |
CN112218061A (zh) * | 2020-11-16 | 2021-01-12 | 云南腾云信息产业有限公司 | 直播提醒方法、装置、服务器及介质 |
CN112218061B (zh) * | 2020-11-16 | 2023-04-07 | 云南腾云信息产业有限公司 | 直播提醒方法、装置、服务器及介质 |
CN113156546A (zh) * | 2021-03-12 | 2021-07-23 | 重庆市气象台 | 一种日出日落景观预报方法及系统 |
CN113156546B (zh) * | 2021-03-12 | 2023-02-17 | 重庆市气象台 | 一种日出日落景观预报方法及系统 |
CN114244873A (zh) * | 2022-02-28 | 2022-03-25 | 深圳市千百炼科技有限公司 | 一种基于分布式任务调度的gfs气象数据分发、传输方法 |
CN115508916A (zh) * | 2022-10-17 | 2022-12-23 | 重庆市气象台 | 一种星空景观预报方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107748933B (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107748933A (zh) | 气象要素报文数据误差修正方法、雾、日出、云海、雾凇预测方法 | |
Xu et al. | Projected changes in temperature and precipitation extremes over China as measured by 50-yr return values and periods based on a CMIP5 ensemble | |
Hannah et al. | An approach to hydrograph classification | |
Hart et al. | An evaluation of mesoscale-model-based model output statistics (MOS) during the 2002 Olympic and Paralympic Winter Games | |
CN107067683B (zh) | 一种输电线路山火聚类定量预报方法及系统 | |
Allen et al. | Evaluating changes in season length, onset, and end dates across the United States (1948-2012). | |
CN112114384B (zh) | 一种输电线覆冰发生概率预报方法 | |
CN111897030A (zh) | 一种雷暴预警系统及方法 | |
CN107765348A (zh) | 降水量气象报文数据误差修正方法、雨凇景观预测方法 | |
CN103683274A (zh) | 区域中长期风电发电量概率预测方法 | |
CN110059915A (zh) | 一种冬小麦气象灾害综合风险动态评价方法及装置 | |
Gardner et al. | Influence of the Arctic circumpolar vortex on the mass balance of Canadian High Arctic glaciers | |
Miao et al. | A fuzzy logic fog forecasting model for Perth Airport | |
CN114442198B (zh) | 一种基于加权算法的森林火险气象等级预报方法 | |
CN108983324A (zh) | 一种基于卡尔曼滤波的气温预报方法及系统 | |
Kober et al. | Aspects of short‐term probabilistic blending in different weather regimes | |
CN108734278A (zh) | 一种基于多重神经网络逐步逼近法的低能见度预报方法 | |
Hart et al. | Model forecast improvements with decreased horizontal grid spacing over finescale intermountain orography during the 2002 Olympic Winter Games | |
KR20160074325A (ko) | 기상변화에 따른 전력수요지수 예측 시스템 및 그 방법 | |
CN114004514A (zh) | 一种大气臭氧污染发生气象条件等级判别方法 | |
Yu et al. | Incorporating accumulated temperature and algorithm of snow cover calculation into the snowmelt runoff model | |
Guo et al. | Climatic drivers and ecological implications of variation in the time interval between leaf-out and flowering | |
Li et al. | Spatio-temporal forecasting of weather-driven damage in a distribution system | |
Cannon et al. | Determining the bounds of skilful forecast range for probabilistic prediction of system-wide wind power generation | |
CN108154259A (zh) | 热泵的负荷预测方法及装置、存储介质、处理器 |
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 |