CN108983320B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN108983320B
CN108983320B CN201810306812.7A CN201810306812A CN108983320B CN 108983320 B CN108983320 B CN 108983320B CN 201810306812 A CN201810306812 A CN 201810306812A CN 108983320 B CN108983320 B CN 108983320B
Authority
CN
China
Prior art keywords
wind speed
wrf
target position
weather forecast
artificial intelligence
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
CN201810306812.7A
Other languages
English (en)
Other versions
CN108983320A (zh
Inventor
黄铭枫
徐卿
王义凡
楼文娟
吴列阳
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201810306812.7A priority Critical patent/CN108983320B/zh
Publication of CN108983320A publication Critical patent/CN108983320A/zh
Application granted granted Critical
Publication of CN108983320B publication Critical patent/CN108983320B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft

Landscapes

  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了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。本发明所提供的预测方法建立了基于数值天气预报的模型，通过实测数据和基于数值天气预报的模型一起训练深度神经网络，得到训练后的深度神经网络模型，再以中尺度气象数值模式模拟方法再次降尺度计算，预测未来24 h内的风速与摩擦风速，并结合优选的峰值因子，得到未来24 h内的极值风速。本发明提出的方法能够以中尺度气象数值模式分析数据和真实客观的地理信息作为输入，同时综合考虑大气复杂物理过程，通过求解大气运动方程模拟预测出有实际物理意义的特定目标位置的平均风速和均方根风速等，克服了统计预测和人工智能类预测方法中完全依赖数学统计方法的不足。

Description

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
技术领域
本发明属于气象预报领域，尤其是涉及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。
背景技术
在沿海台风多发区域，风灾是威胁建筑物安全的重要因素，为了减少风灾带来的损失，在强风天气到来前对风速进行预测并提前做好准备有着重要的意义。但是，风速往往具有极大的随机性，尤其在台风情形下，台风的风速风向具有不确定性，风速的不平稳性尤为显著，对风速及其极值的超前预测带来了极大的挑战。
目前，风速预测方法大致可分为以下4类：(1)基于物理模型的数值天气预报(NWP)预测方法；(2)基于历史风速数据的统计预测方法；(3)基于历史数据的人工智能类预测方法；(4)基于数值天气预报与历史风速数据的混合预测方法。这些预测方法中数值天气预报方法能够考虑多种物理要素，能够对大气运动控制方程进行准确描述，能够实现较长时段的预测，但同时由于物理模型方案仍有待改善、时间空间分辨率受计算时间影响较大、模拟采用的地形难以精确地描述目标区域等因素，在预测具体目标位置的风速时仍有较大的误差存在。而第2种与第3种方法均基于历史数据，无法考虑未来大气运动等因素的影响，因此，预报的时限往往非常有限。第4种方法中：首先，采用数值天气预报模拟计算历史风速信息，然后，根据历史实测数据采用统计或人工智能方法寻找误差规律，最后，对数值天气预报的未来预测风速进行修订，从而提高风速预报的精度。因此，基于数值天气预报与历史风速数据的混合方法的预测方法得到越来越多研究人员的青睐。
在实际工程应用中，通常将风荷载分为平均风与脉动风的共同作用。而目前的风速预测往往针对数值天气预报输出的平均风速进行修正，因此，也无法对未来极值风速的发生进行有效预测，如CA 106971032A公开了一种结合非参数核密度估计与数值天气预报的风速预测方法，同时结合Chebyshev神经网络模型对数值天气预报的预测风速进行修正，仅能够针对未来平均风速做出相应的预测。因此，如何开展对建筑物安全计算有着重要意义的极值风速预测，仍有待解决。
发明内容
本发明的目的在于，针对现有技术中存在的不足，提供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。
为此，本发明的上述目的通过以下技术方案来实现：
首先，通过实测风速仪测得目标位置在台风来临前的风速数据，统计分析平均风速与均方根风速，并计算根据极值风速计算相应的峰值因子。随后利用美国环境预报中心(NCEP)的全球预报系统(GFS)提供的精度为1°×1°的气象数据，通过中尺度气象数值模式WRF(Weather Research and Forecasting)进行物理降尺度模拟计算，得到目标位置附近的历史风速、风向和摩擦速度等气象要素。然后采用人工智能中的深度神经网络模型(DNN)，分别以WRF降尺度计算得到的目标位置附近的平均风速与摩擦风速等数据为输入量，以实测时间段t内的平均风速与均方根风速为输出量，采用误差反向传播算法(BP)进行训练，通过试算确定神经网络模型中神经元个数与隐含层层数，最终得到WRF降尺度的风速数据uwrf与实测时间段t内的平均风速
Figure GDA0002508011120000021
WRF降尺度的摩擦风速数据σ*wrf与实测均方根风速σmeas的深度神经网络模型。最后，通过中尺度数值模式模拟方法(WRF)继续进行降尺度预测计算，得到目标位置附近的预测的24h风速与摩擦风速数据，并代入已训练完成的深度神经网络中，得到预测目标位置的时间段t内的平均风速与均方根风速，进而根据实测计算得到的峰值因子进一步可计算对应的极值风速。
本发明提供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，该方法包括以下步骤：
(1)首先在目标位置布置风速仪，获取目标位置台风来临前的风速时程，以时间段t为基本时距，计算平均风速
Figure GDA0002508011120000031
与均方根风速σmeas，并统计该时间段内峰值因子p的分布。
(2)随后采用中尺度气象数值模式WRF进行目标位置近地面风场的降尺度模拟计算，考虑局部区域的实际地形地貌对近地面风场的影响，以目标位置为中心通过设计WRF三重网格单向嵌套方案进行目标位置近地面风场的降尺度模拟，得到目标位置附近的风速uwrf与摩擦风速σ*wrf气象要素变量，其中目标位置局部区域模型的最外层网格的初始和边界输入条件采用美国环境预报中心的全球预报系统提供的精度为1°×1°的气象数据，地形高程来自由美国太空总署和美国国防部国家测绘局联合测量的SRTM90米分辨率数据库。
WRF三重网格单向嵌套的方案为：沿着水平方向按照网格精度将计算域划分为三层，从大到小分别记为：d01、d02和d03；且d01对d02、d02对d03提供随时间变化的侧向边界条件以实现不同网格尺度间的信息单侧交换；
WRF三重网格单向嵌套的方案在水平方向上：d01计算域、d02计算域和d03计算域的范围分别为：4300km×3775km、830km×655km和186km×161km；对应地，水平网格精度分别为：25km、5km和1km；
WRF三重网格单向嵌套的方案在垂直方向上：采用地形跟随的静力平衡的气压垂直坐标，三层网格计算域d01、d02和d03的模拟范围最高达到10km，垂直方向采用双曲线网格间距划分方式，并沿着垂直方向依次将d01计算域、d02计算域和d03计算域划分为36层、36层和40层，最内层地形高程来自由美国太空总署(NASA)和美国国防部国家测绘局(NIMA)联合测量的SRTM(Shuttle Radar Topography Mission)90米分辨率数据，且使得d03计算域在近地面2km高度内加密成27层，从而更精细化求解近地面的风场结构。
(3)采用人工智能中的深度神经网络模型，分别以WRF降尺度计算得到的目标位置附近的uwrf与摩擦风速σ*wrf为输入量，以实测时间段t内的平均风速
Figure GDA0002508011120000032
与均方根风速σmeas为输出量，采用误差反向传播算法的Levenberg-Marquardt神经网络训练函数进行训练，采用神经网络的均方误差(MSE)作为性能函数，通过试算确定神经网络模型中神经元个数与隐含层层数，最终分别得到WRF降尺度的风速数据uwrf与实测时间段t内的平均风速
Figure GDA0002508011120000041
WRF降尺度的摩擦风速数据σ*wrf与实测均方根风速σmeas的深度神经网络模型。
Figure GDA0002508011120000042
σ*wrf＝f2(σmeas) (2)
(4)通过中尺度气象数值模式WRF再次进行降尺度计算，预测出目标位置附近未来24h内的风速
Figure GDA0002508011120000043
与摩擦风速
Figure GDA0002508011120000044
数据，将预测的24h内的风速
Figure GDA0002508011120000045
与摩擦风速
Figure GDA0002508011120000046
数据输入已训练好的深度神经网络中，得到修正预测的时间段t内的平均风速
Figure GDA0002508011120000047
与均方根风速
Figure GDA0002508011120000048
Figure GDA0002508011120000049
Figure GDA00025080111200000410
(5)根据实测得到的峰值因子p的分布，采用0.95分位点处的峰值因子p，基于修正预测目标位置的时间段t内的平均风速
Figure GDA00025080111200000411
与均方根风速
Figure GDA00025080111200000412
根据式(5)可计算得到未来24h台风作用下的极值风速。
Figure GDA00025080111200000413
(6)采用三种误差评价指标对预测得到的平均风速、均方根风速、极值风速
Figure GDA00025080111200000414
与实测的平均风速、均方根风速、极值风速
Figure GDA00025080111200000415
的差异进行对比，三种误差评价指标分别为：(1)平均绝对值偏差MAE；(2)相对平均绝对值偏差rMAE；(3)均方根误差RMSE；三种误差评价指标的公式分别如下所示：
Figure GDA0002508011120000051
Figure GDA0002508011120000052
Figure GDA0002508011120000053
本发明提供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，与现有风速预测方法相比，具有如下优点：
(1)本发明以中尺度气象数值模式WRF分析数据和真实客观的地理信息作为输入，同时综合考虑大气复杂物理过程，通过求解大气运动方程模拟预测出有实际物理意义的特定目标位置的平均风速和均方根风速等，克服了统计预测和人工智能类预测方法中完全依赖数学统计方法的不足；
(2)本发明通过耦合人工智能方法，克服中尺度气象数值模式WRF在时间空间精度的局限性，可以明显减少基于物理模型的数值天气预报技术的物理和数值误差，提高风速预报的精度和效率，能对台风来临时的极值风速信息作出有效预测。
附图说明
图1为本发明的流程图；
图2中，(a)为某连续120h实测风速的10min平均风速的绘制图；(b)为某连续120h实测风速的10min主导风向角的绘制图；(c)为某连续120h实测风速的10min均方根风速的绘制图；(d)为某连续120h实测风速的10min峰值因子的绘制图；
图3为实测峰值因子分布累积概率分布图；
图4中，(a)为WRF三重网格单向嵌套方案在水平方向上的网格划分示意图；(b)为WRF目标位置实际地形高程；(c)为WRF三重网格单向嵌套方案在垂直方向上近地面2km范围内的网格划分示意图；
图5为采用的深度神经网络模型(DNN)的示意图；
图6为预测的极值风速与实测极值风速的对比图。
具体实施方式
下面参照附图和具体实施例对本发明作进一步详细地描述。
本发明提供一种基于数值天气预报与人工智能的沿海台风极值风速预测方法，其流程如图1所示，下面例举一个实施例：
针对舟山某沿海地区，以2017年第18号超强台风“泰利”影响下的极值风速预测为例，具体实施步骤如下：
(1)在舟山某沿海地区提前安装了风速风向仪，记录下9月11日至9月15日内120小时风速风向等气象数据。以10min为基本时距，计算得到平均风速
Figure GDA0002508011120000061
均方根风速σmeas，风向角以及峰值因子p，见图2。对该时段内峰值因子进行统计分析，并采用广义极值分布进行拟合，得到峰值因子累积概率分布图，见图3。计算得到该时段内峰值因子的均值为2.88，0.95分位点处峰值因子为4.05。在本实施例中，采用10min作为基本时距，当然在其他的实施例中，可以采用其他时间段作为基本时距。
(2)利用中尺度气象数值模式WRF(V 3.7版本)对舟山群岛位置风场近地面风场进行数值模拟，考虑局部区域的实际地形地貌对近地面风场的影响，以目标位置为中心通过设计WRF三重网格单向嵌套方案进行目标位置近地面风场的降尺度模拟，得到目标位置9月11日至9月15日中的每10min输出的风速uwrf与摩擦风速数据σmeas。目标位置局部区域模型的最外层网格的初始和边界输入条件采用美国环境预报中心的全球预报系统提供的精度为1°×1°的气象数据，地形高程来自由美国太空总署和美国国防部国家测绘局联合测量的SRTM90米分辨率数据库。三重网格单向嵌套方案详述如下：
沿着水平方向按照网格精度将计算域划分为三层，从大到小分别记为：d01、d02和d03，网格参数设置详见表1；且d01对d02、d02对d03提供随时间变化的侧向边界条件以实现不同网格尺度间的信息单侧交换；
WRF三重网格单向嵌套的方案在水平方向上：d01计算域、d02计算域和d03计算域的范围分别为：4300km×3775km、830km×655km和186km×161km，详见图4中(a)，；对应地，水平网格精度分别为：25km、5km和1km。25km和5km网格每小时输出模拟结果一次，1km网格每10分钟输出模拟结果一次；各个计算域，即是d01计算域、d02计算域和d03计算域的时间积分步长依次为120s、24s和4.8s。该方案中d01计算域包括了中国东南沿海在内的绝大部分西北太平洋区域，目的是为了尽可能地再现影响台风发展的大气环境，外两层网格计算域(d01和d02)的地形高程数据分辨率精度为1km。d03计算域用于解析舟山群岛附近的近地面风场特性，其地形高程则来自由美国太空总署(NASA)和美国国防部国家测绘局(NIMA)联合测量的SRTM(Shuttle Radar Topography Mission)90米分辨率数据，最内层网格地形高程图如图4中(b)所示。
WRF三重网格单向嵌套的方案在垂直方向上：采用地形跟随的静力平衡的气压垂直坐标，三层网格计算域d01、d02和d03的模拟范围最高达到10km，足够工程建筑结构应用的需要，采用双曲线网格间距划分方式，沿着垂直方向依次划分为36层、36层和40层，最内层地形高程来自由美国太空总署(NASA)和美国国防部国家测绘局(NIMA)联合测量的SRTM(Shuttle Radar Topography Mission)90米分辨率数据，且使得d03计算域在近地面2km高度内加密成27层，见图4中(c)，从而更精细化求解近地面的风场结构。
表1三层嵌套网格参数设置
Figure GDA0002508011120000071
Figure GDA0002508011120000081
(3)建立深度神经网络模型(DNN)，分别以WRF降尺度计算得到的目标位置附近的风速与摩擦风速数据为输入量，以实测10min平均风速与均方根风速为输出量。训练模型中首先对输入风速数据进行标准化处理，采用极大极小插值法进行归一化，采用误差反向传播算法的Levenberg-Marquardt神经网络训练函数进行训练，采用神经网络的均方误差(MSE)作为性能函数，采用tansig传递函数。通过前5日输入数据进行试算，确定神经网络模型中神经元个数为10与隐含层层数为3，神经网络模型示意见图5。最终得到WRF降尺度的风速数据uwrf与实测10min平均风速
Figure GDA0002508011120000082
WRF降尺度的摩擦风速数据σ*wrf与实测均方根风速σmeas的深度神经网络模型。
Figure GDA0002508011120000083
σ*wrf＝f2(σmeas) (2)
(4)通过中尺度气象数值模式模拟方法(WRF)再次进行降尺度计算，预测目标位置附近未来24h，即2017年9月16日，风速
Figure GDA0002508011120000084
与摩擦风速
Figure GDA0002508011120000085
数据，将预测的24h风速
Figure GDA0002508011120000086
与摩擦风速
Figure GDA0002508011120000087
数据输入已训练好的深度神经网络中，得到修正预测的10min平均风速
Figure GDA0002508011120000088
与均方根风速
Figure GDA0002508011120000089
Figure GDA00025080111200000810
Figure GDA00025080111200000811
(5)根据实测得到的峰值因子p的分布，采用0.95分位点处峰值因子4.05，基于修正预测目标位置的10min平均风速与均方根风速，根据式(5)计算得到未来24h内台风作用下的极值风速，见图6。
Figure GDA0002508011120000091
(6)采用三种误差评价指标对预测得到的平均风速、均方根风速、极值风速与实测数据的差异进行对比，三种误差评价指标分别为：(1)平均绝对值偏差MAE；(2)相对平均绝对值偏差rMAE；(3)均方根误差RMSE；三种误差评价指标的公式，见式(6)至式(8)。误差评价结果列于表2，从表格中可见，采用深度神经网络修正后，平均风速与均方根风速与实测数据的误差有明显减小。通过图6和表2可见，采用本发明提出的方法，能对台风来临前时极值风速做出有效预测，但预测的极值风速与实测结果仍有一定差异，这主要受限于WRF计算精度与深度神经网络训练误差影响。
Figure GDA0002508011120000092
Figure GDA0002508011120000093
Figure GDA0002508011120000094
表2预测风速误差对比
Figure GDA0002508011120000095
上述具体实施方式用来解释说明本发明，仅为本发明的优选实施例，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改、等同替换、改进等，都落入本发明的保护范围。

Claims (6)

1.一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，其特征在于，所述预测方法包括如下步骤：
(1)首先在目标位置布置风速仪，获取目标位置台风来临前的风速时程，以时间段t为基本时距，计算平均风速
Figure FDA0002508011110000011
与均方根风速σmeas，并统计该时间段内峰值因子p的分布；
(2)随后采用中尺度气象数值模式WRF进行目标位置近地面风场的降尺度模拟计算，考虑局部区域的实际地形地貌对近地面风场的影响，以目标位置为中心通过设计WRF三重网格单向嵌套方案进行目标位置近地面风场的降尺度模拟，得到目标位置附近的风速uwrf与摩擦风速σ*wrf的气象要素变量，其中目标位置局部区域模型的最外层网格的初始和边界输入条件采用美国环境预报中心的全球预报系统提供的精度为1°×1°的气象数据，地形高程来自由美国太空总署和美国国防部国家测绘局联合测量的SRTM90米分辨率数据库；
(3)采用人工智能中的深度神经网络模型，分别以WRF降尺度计算得到的目标位置附近的风速uwrf与摩擦风速σ*wrf为输入量，以实测时间段t内平均风速
Figure FDA0002508011110000012
与均方根风速σmeas为输出量，采用误差反向传播算法的Levenberg-Marquardt神经网络训练函数进行训练，采用神经网络的均方误差MSE作为性能函数，通过试算确定神经网络模型中神经元个数与隐含层层数，最终分别得到WRF降尺度的风速数据uwrf与实测时间段t内平均风速
Figure FDA0002508011110000013
WRF降尺度的摩擦风速σ*wrf与实测均方根风速σmeas的深度神经网络模型：
Figure FDA0002508011110000014
σ*wrf＝f2(σmeas) (2)
(4)通过中尺度气象数值模式WRF再次进行降尺度计算，预测出目标位置附近未来24h内的风速
Figure FDA0002508011110000015
与摩擦风速
Figure FDA0002508011110000016
数据，将预测的24h内的风速
Figure FDA0002508011110000017
与摩擦风速
Figure FDA0002508011110000018
数据输入已训练好的深度神经网络中，得到修正预测的时间段t内平均风速
Figure FDA0002508011110000019
与均方根风速
Figure FDA00025080111100000110
Figure FDA0002508011110000021
Figure FDA0002508011110000022
(5)根据实测得到的峰值因子p的分布，采用0.95分位点处的峰值因子p，基于修正预测目标位置的时间段t内的平均风速
Figure FDA0002508011110000023
与均方根风速
Figure FDA0002508011110000024
根据式(5)可计算得到未来24h内台风作用下的极值风速：
Figure FDA0002508011110000025
2.根据权利要求1所述的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，其特征在于，时间段t选取为10min。
3.根据权利要求1所述的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，其特征在于，步骤(1)中：峰值因子p的分布统计为采用广义极值分布进行拟合并得到峰值因子p的累积概率分布图。
4.根据权利要求1所述的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，其特征在于，步骤(2)中，WRF三重网格单向嵌套的方案为：沿着水平方向按照网格精度将计算域划分为三层，从大到小分别记为：d01、d02和d03；且d01对d02、d02对d03提供随时间变化的侧向边界条件以实现不同网格尺度间的信息单侧交换；
WRF三重网格单向嵌套的方案在水平方向上：d01计算域、d02计算域和d03计算域的范围分别为：4300km×3775km、830km×655km和186km×161km；对应地，水平网格精度分别为：25km、5km和1km。
5.根据权利要求4所述的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，其特征在于，WRF三重网格单向嵌套的方案在垂直方向上：采用地形跟随的静力平衡的气压垂直坐标，三层网格计算域d01、d02和d03的模拟范围最高达到10km，垂直方向采用双曲线网格间距划分方式，并沿着垂直方向依次将d01计算域、d02计算域和d03计算域划分为36层、36层和40层，最内层地形高程来自由美国太空总署和美国国防部国家测绘局联合测量的SRTM90米分辨率数据，且使得d03计算域在近地面2km高度内加密成27层，从而更精细化求解近地面的风场结构。
6.根据权利要求1所述的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，其特征在于，步骤(4)中：还包括采用三种误差评价指标对预测得到的平均风速、均方根风速、极值风速
Figure FDA0002508011110000031
与实测的平均风速、均方根风速、极值风速
Figure FDA0002508011110000032
的差异进行对比，三种误差评价指标分别为：(1)平均绝对值偏差MAE；(2)相对平均绝对值偏差rMAE；(3)均方根误差RMSE；三种误差评价指标的公式分别如下所示：
Figure FDA0002508011110000033
Figure FDA0002508011110000034
Figure FDA0002508011110000035
CN201810306812.7A 2018-04-08 2018-04-08 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 Active CN108983320B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810306812.7A CN108983320B (zh) 2018-04-08 2018-04-08 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810306812.7A CN108983320B (zh) 2018-04-08 2018-04-08 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

Publications (2)

Publication Number Publication Date
CN108983320A CN108983320A (zh) 2018-12-11
CN108983320B true CN108983320B (zh) 2020-09-01

Family

ID=64541792

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810306812.7A Active CN108983320B (zh) 2018-04-08 2018-04-08 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

Country Status (1)

Country Link
CN (1) CN108983320B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740195B (zh) * 2018-12-13 2023-01-13 宁波市电力设计院有限公司 一种基于气象站观测数据的极值台风风速概率分布模型及设计台风风速的评估方法
CN111325376A (zh) * 2018-12-14 2020-06-23 北京金风科创风电设备有限公司 风速预测方法及装置
CN109840634B (zh) * 2019-01-29 2019-09-03 宁波市气象台 登陆福建台风外围环流中宁波强对流天气的概率预报方法
CN110941790A (zh) * 2019-09-27 2020-03-31 成都信息工程大学 基于高分辨率数值的无人机低空飞行气象信息处理方法
CN110618473A (zh) * 2019-10-09 2019-12-27 北京北科融智云计算科技有限公司 一种即时气象情报保障方法
CN111208586B (zh) * 2020-01-20 2022-03-22 超越科技股份有限公司 基于中尺度海气耦合模式的天气预报方法及系统
CN111598301A (zh) * 2020-04-16 2020-08-28 国网浙江省电力有限公司电力科学研究院 多算法结合的台风风场修正方法、装置及可读存储介质
CN111932400B (zh) * 2020-08-06 2021-04-30 南通大学 风/储一体功率调度计划优化实现方法
CN112231979B (zh) * 2020-10-16 2022-06-24 中国船舶重工集团海装风电股份有限公司 基于计算流体力学和机器学习的山区瞬时风况预报方法
CN113553782B (zh) * 2021-02-04 2024-03-26 华风气象传媒集团有限责任公司 一种用于预报风速的降尺度方法
CN113917566B (zh) * 2021-09-28 2023-06-27 国网湖南省电力有限公司 考虑效率-资源最优平衡的微地形气象预测方法及系统
CN115293393B (zh) * 2022-04-11 2023-04-18 北京城市气象研究院 结合湍流物理模型和历史数据优化的近地面风速预测方法
CN116384127B (zh) * 2023-04-10 2024-01-02 中国科学院青藏高原研究所 用于气象生态环境的数值模拟预报方法及装置
CN116738769B (zh) * 2023-08-14 2023-10-20 长江三峡集团实业发展(北京)有限公司 一种风光数据生成模型构建方法及风光数据生成方法
CN117829010A (zh) * 2023-12-01 2024-04-05 华东交通大学 基于wrf和cfd数据耦合的中期风速预测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0949884A (ja) * 1995-08-04 1997-02-18 Aasu Uezaa:Kk ニューラルネットワークを用いた局地的気象予測方法
CN101634721B (zh) * 2009-04-15 2011-08-31 华东师范大学第二附属中学 一种基于历史数据的台风水灾智能预警系统
CN102664409B (zh) * 2012-05-14 2014-04-16 东北电力大学 一种基于实测数据风电场风电功率实时预测的计算方法
CN104036135B (zh) * 2014-06-06 2017-12-19 南京大学 一种基于wrf模式的台风动力平衡约束下的变分同化方法
CN106326982B (zh) * 2016-08-16 2019-02-15 国能日新科技股份有限公司 一种基于神经网络和模式搜索优化的多气象风速融合方法

Also Published As

Publication number Publication date
CN108983320A (zh) 2018-12-11

Similar Documents

Publication Publication Date Title
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
CN110298115B (zh) 一种基于简化地形气动参数的风场动力降尺度方法
He et al. High-resolution dataset of urban canopy parameters for Beijing and its application to the integrated WRF/Urban modelling system
CN107316095B (zh) 一种耦合多源数据的区域气象干旱等级预测方法
CN102930177B (zh) 一种基于精细边界层模式的复杂地形风电场风速预测方法
Camelo et al. Projected climate change impacts on hurricane storm surge inundation in the coastal United States
CN110598290B (zh) 考虑气候变化的流域未来水电发电能力预测方法和系统
CN113158542B (zh) 适用于缺资料地区的多变量设计洪水估计方法
CN113553782B (zh) 一种用于预报风速的降尺度方法
CN117390894B (zh) 一种预测极端风暴潮位的方法
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
CN112100922A (zh) 一种基于wrf和cnn卷积神经网络的风资源预测方法
Squitieri et al. On the forecast sensitivity of MCS cold pools and related features to horizontal grid spacing in convection-allowing WRF simulations
CN108808671A (zh) 一种风电场短期风速集合预报方法
Kwok et al. Tracking emission sources of sulfur and elemental carbon in Hong Kong/Pearl River Delta region
Fan Simulation of land-cover change in Jing-Jin-Ji region under different scenarios of SSP-RCP
Yang et al. Hourly wind data for aeolian vibration analysis of overhead transmission line conductors
Burlando et al. Preliminary estimate of the large-scale wind energy resource with few measurements available: The case of Montenegro
Gadgay et al. Novel ensemble neural network models for better prediction using variable input approach
CN115912334A (zh) 风电场出力保证率的预测模型创建方法及预测方法
CN110298114B (zh) 一种风场动力降尺度方法及存储介质
Nemes Statistical analysis of wind speed profile: a case study from Iasi Region, Romania
Zhang et al. Spatial Distribution of High-temperature Risk with a Return Period of Different Years in the Yangtze River Delta Urban Agglomeration
CN117807917B (zh) 基于场次洪涝灾害的损失函数构建方法和系统
Sīle et al. Applying Numerical Weather Prediction Models to the Production of New European Wind Atlas: Sensitivity studies of the wind climate to the planetary boundary layer parametrization

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