CN109583653B - 基于统计模型的西北太平洋台风的延伸期预报方法 - Google Patents
基于统计模型的西北太平洋台风的延伸期预报方法 Download PDFInfo
- Publication number
- CN109583653B CN109583653B CN201811464300.XA CN201811464300A CN109583653B CN 109583653 B CN109583653 B CN 109583653B CN 201811464300 A CN201811464300 A CN 201811464300A CN 109583653 B CN109583653 B CN 109583653B
- Authority
- CN
- China
- Prior art keywords
- typhoon
- forecasting
- days
- typhoons
- statistical
- 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
- 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"
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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
本发明涉及基于统计模型的西北太平洋台风的延伸期预报方法,包括如下步骤:步骤1)计算历史阶段旬台风的个数;步骤2)提取历史再分析场中的次季节分量,得到与旬台风日期对应的次季节海气环境场;分别计算相对于台风生成不同提前时间的大尺度场;步骤3)建立统计预报模型:将不同提前时间的大尺度场分别与历史阶段旬台风个数进行相关分析,分别建立预报旬台风个数的统计预报方程;步骤4)利用观测所得的实时大尺度场求出的预报因子,带入统计预报方程,即可得到旬台风生成的平均频次与不同生成个数的发生概率形成预报量。有益效果:建立西北太平洋台风延伸期预报的统计预报模型,提前2–3周对西北太平洋上台风生成个数及其概率进行预报。
Description
技术领域
本发明涉及大气科学技术领域,尤其涉及一种基于统计模型的西北太平洋台风的延伸期预报方法。
背景技术
由于西北太平洋地区暖池区具有充足的水汽,夏季时季风槽的气旋性环流盘据在热带西北太平洋,使得西北太平洋是全球台风生成频次最多的海域,约占全球海域台风总数的30%。西北太平洋上的台风多生成于热带中西太平洋和菲律宾海附近,受到太平洋副热带高压引导气流的影响,逐渐向西/西北方向移动至我国东南沿海、日本、韩国等地。登陆的台风往往会对我国沿海地区造成严重的自然灾害,其引起的狂风、暴雨、巨浪、风暴潮和间接造成的滑坡、泥石流等地质灾害,对人民的生产和生活造成严重的经济损失。提高和增强的台风预报技巧成为国家防灾减灾和社会经济政策制定等的重大需求。
台风的业务预报集中在短期天气预报和长期季节预测,短期台风预测主要使用高分辨率数值天气预报模式对未来一周以内台风的路径、强度等进行预报,而台风的季节预测关注于每年台风季生成的台风总数、平均强度和登陆区域,除了采用高分辨率全球气候模式进行动力预报外,也有部分预报业务单位基于大尺度海气状态与台风生成的统计关系建立的统计预测模型(Gray 1984;Chan et al.1998;Fan and Wang 2009),即利用影响台风年际变化的物理因子,例如:台风季前期的海表温度异常、大尺度环流场等变化,寻找它们和台风季中台风活动的统计关系,以此建立统计预报方程,对每年台风季在西北太平洋上发生台风的总数、强度进行预报。
除了短期天气预报和长期气候预测之外,延伸期(10~30天)尺度天气预报开始越来越受到业务单位的关注。发展和改进延伸期尺度预报模式,进而完成无缝隙预报系统,是当今全球天气与气候预报研究的首要任务(Waliser 2005)。与台风的短期和季节预报相比,台风的延伸期预报还处于初始发展阶段,缺乏较为成熟的预报方法。延伸期预报的可预报性来源主要来自于大气内的季节内振荡(Madden and Julian 1994;李崇银等2003;Waliser 2005),热带地区的季节内振荡活动对于热带天气系统(包括台风)也会产生明显影响,因此有可能根据季节内振荡与天气系统活动的关联性,对天气系统进行季节内尺度的预报。许多研究指出热带气旋活动的周期变化与季节内振荡有关(Liebmann etal.1994;Maloney and Hartmann 2000;祝从文等2004;Kim et al.2008;孙长等2009;李崇银等2012;何洁琳等2013),季节内振荡处于对流位相时,低频气旋性环流和辐合区均有利于天气尺度扰动从季节内振荡获得动能,因此有较多的台风发生并且增强(陈光华和黄荣辉2009;Hsu et al.2011)。Camargo et al.(2009)和Zhao et al.(2015)也指出季节内尺度的中层水汽场和低层涡度场与台风活动的低频变化密切相关。虽然过去的研究已发现季节内振荡活动对台风活动发生和发展的重要性,但将两者的相关性应用至西北太平洋台风活动延伸期预报的方法尚未建立,目前的文献仅有对南半球热带气旋每周变化的统计预报(Leroy and Wheeler 2008)和动力模式评估(Vitart et al.2010),以及部分对台风个例的数值模式研究,其结果显示若模式能模拟出正确的季节内振荡信号,有可能在提前2–4周预报台风生成(Fu and Hsu 2011;Wu and Duan 2015;Xiang et al.2015)。
发明内容
本发明目的在于克服上述现有技术的不足,提供了一种基于统计模型的西北太平洋台风的延伸期预报方法,具体由以下技术方案实现:
所述基于统计模型的西北太平洋台风的延伸期预报方法,包括如下步骤:
步骤1)计算历史阶段旬台风的个数;
步骤2)提取历史再分析场中的次季节分量,将潜在预报因子进行十天平均,滤除天气尺度信号,得到与旬台风日期对应的次季节海气环境场;分别计算相对于台风生成不同提前时间的大尺度场;
步骤3)建立统计延伸期预报模型:将所述不同提前时间的大尺度场分别与所述历史阶段旬台风个数进行相关分析,分别建立预报旬台风个数的统计预报方程;步骤4)利用观测所得的实时大尺度场求出的预报因子,带入所述统计预报方程,即可得到旬台风生成的平均频次与不同生成个数的发生概率形成预报量。
所述基于统计模型的西北太平洋台风的延伸期预报方法的进一步设计在于,所述潜在预报因子为六个包括历史GPI与影响GPI的五项大尺度环境场变量。
所述基于统计模型的西北太平洋台风的延伸期预报方法的进一步设计在于,所述步骤3)中将台风生成个数与不同提前时间的六个潜在预报因子进行多元逐步回归分析,建立泊松回归方程,作为不同提前时间的预报方程。
所述基于统计模型的西北太平洋台风的延伸期预报方法的进一步设计在于,步骤3)建立泊松回归方程时,基于泊松分布的假设,设定西北太平洋台风在i时间点生成个数Yi为不同值时(=y)的发生的概率p为:
其中,λi为平均概率,y=0,1,2,…,∞;
预报台风生成个数的多元泊松回归方程可写为:
其中,j为预报因子的序号,p为通过逐步回归分析之后挑选的因子,β0~βp为预报方程的回归系数,xi,j是第i时次的第j个预报因子。
本发明的优点如下:
本发明的基于统计模型的西北太平洋台风的延伸期预报方法利用季节内振荡自身的演化规律及其对台风生成的显著调控作用,建立西北太平洋台风延伸期预报的统计预报模型。该预报模型可以提前2–3周对西北太平洋上台风生成个数及其概率进行预报,可以得到不同生成个数台风的发生概率,对我国东南沿海地区台风预警和防灾减灾具有重要意义。
附图说明
图1为基于统计模型的西北太平洋台风的延伸期预报方法流程图。
图2为(a–f)旬台风的个数与(a)提前0天,(b)提前10天,(c)提前15天,(d)提前20天,(e)提前25天和(f)提前30天的低频GPI之间的时间相关系数图。
图3为(a–f)2002–2011年6月1日–11月27日观测实际旬台风个数(灰色线)和(a)提前0天,(b)提前10天,(c)提前15天,(d)提前20天,(e)提前25天和(f)提前30天预报的旬台风平均生成频次比较示意图。
图4为不同提前预报时间的预报和观测旬台风个数之间的(a)时间相关系数和(b)均方根误差示意图。
图5为观测、泊松预报平均值以及泊松预报25~75%预报概率的旬台风个数在(a)提前0天,(b)提前10天,(c)提前15天,(d)提前20天,(e)提前25天和(f)提前30天的预报结果示意图。
图6为预报的寻台风个数在不同提前时间:(a)提前0天,(b)提前10天,(c)提前15天,(d)提前20天,(e)提前25天和(f)提前30天预报结果的ROC曲线结果示意图。
具体实施方式
下面结合附图对本发明进行详细说明。
如图1,本实施例提供的基于统计模型的西北太平洋台风的预报方法,该方法的预报对象为未来10~30天每一旬西北太平洋上生成台风个数(0个、1个、2个、3个...)的概率以及平均台风生成频率(mean frequency)。为了评估模型的模拟能力,利用1982–2001年数据进行建模,针对2002–2011年进行回报试验,预报时间为每年6月1日–11月27日共18个旬,为了连续预报每十天台风的生成个数,有些旬的日期会跨月,即预报时次为每年6月1日–10日,6月11日–20日,……,11月8–17日,11月18–27日。统计预报模型建立主要分为四步(如图1所示),主要包括如下步骤:
步骤1)计算历史阶段旬台风的个数:即1982-2001年6-11月的西北太平洋上台风在每一旬中的生成个数。
步骤2)提取历史再分析场中的次季节分量:为了对应旬台风数据,将计算得到的历史GPI及影响GPI的五项大尺度环境场变量(总共六个潜在预报因子)也进行十天平均,滤除天气尺度信号,得到与旬台风日期对应的次季节海气环境场。为了对台风进行提前预报,寻找旬台风个数与大尺度场之间的前期统计关系,分别计算相对于台风生成日期提前0天,提前10天,……,提前30天的大尺度场。比如:为了预报6月1日–11月27日每旬中台风生成的个数,提前0天预报时建模的大尺度场日期为6月1日–11月27日,提前10天预报时建模的大尺度场日期为5月22日–11月17日,提前15天的大尺度场为5月17日–11月12日,……,提前30天的大尺度场为5月2日–10月28日。
GPI为台风生成指数,GPI可用来估计台风生成区域和数量,为了挑选季节内振荡调控TC生成的关键因子作为潜在预报因子,本实施例采用Murakami and Wang(2010)提出的GPI,参加式(1):
式(1)中,ζ为850-hPa的绝对涡度(s-1),IRH为700-hPa的相对湿度(%),Vpot是TC最大潜在强度(m s-1),Vs为850hPa和200hPa之间的垂直风切变(m s-1),ω是500hPa的垂直速度(Pa s-1)。
步骤3)建立统计延伸期预报模型:将不同提前时间(提前0天,提前10天,……,提前30天)的大尺度场分别与第一步得到的1982-2001年6月1日-11月27日的历史旬台风个数进行相关分析,不同提前时间的相关系数图体现了台风生成前期各大尺度场与台风生成关系密切区域位置的变化。如图2为历史的旬台风个数分别与GPI,垂直风切变(VWS)和700hPa相对湿度(RH)的低频大尺度场在不同提前时间的超前相关系数图,其中绿色的点代表历史台风生成的位置,红色区域代表正相关区域(大尺度场与台风生成呈正相关),蓝色代表负相关区域(大尺度场与台风生成呈正相关),打网格的区域代表了通过95%显著性检验的区域。虽然随着预报时间的提前,旬台风个数与大尺度场之间的相关关系逐渐减弱,但是一直到提前30天时,二者的相关系数依然很大(图2f,2l,2r)。
为了挑选具有预报能力且稳定的预报因子,本实施例将西北太平洋(100°E–200°E,10°S–40°N)区域内所有通过95%显著性检验的格点(图2网格区域)进行平均,为了保留正负相关区的信号,将通过95%显著性检验的正相关格点相加后,减去所有通过5%显著性检验的负相关格点,再除以区域内通过检验的总格点数,以这个数值作为潜在预报因子。因此针对西北太平洋台风生成的不同提前时间(提前10天,提前15天,提前20天,提前25天,提前30天),分别得到6个潜在预报因子,分别为GPI、850hPa绝对涡度、700hPa相对湿度、与海温和垂直气温分布有关的潜在强度以及垂直风切变和垂直运动。
由于台风生成为不连续、且属于小概率事件,符合泊松分布的假设,本实施例将台风生成个数与不同提前时间的六个潜在预报因子进行多元逐步回归分析,建立泊松回归方程,作为不同提前时间(例如:提前10天,提前15天,提前20天,提前25天,提前30天)的预报方程:
基于泊松分布的假设,西北太平洋台风在i时间点生成个数Yi为不同值时(=y)的发生的概率p为:
其中,λi为平均概率(mean frequency or rate),y=0,1,2,…,∞。预报台风生成个数的多元泊松回归方程可写为:
其中,j为预报因子的序号,p为通过逐步回归分析之后挑选的因子,共有p个预报因子和p+1个参数(βj),β0~βp为预报方程的回归系数,xi,j是第i时次的第j个预报因子。
因此,针对不同预报提前时间(提前10天,15天,20天,25天,30天)分别建模,分别得到每个提前预报时间的预报方程。也就是利用提前10天、提前15天、提前20天、提前25天、提前30天的大尺度场与预报时次的旬台风个数建立这5个不同预报提前时间的预报方程。预报时,将不同提前时间的大尺度场格点平均值(预报因子)带入预报方程中,即可得到预报时次的台风生成平均个数(λ)及不同生成个数(0个、1个、2个、3个...等)的发生概率[p(Y=y),y=0,1,2,...∞]。
步骤4)将观测所得的实时预报因子代入提前10天的预报方程中,即可得到未来1–10天这10天内台风生成平均频次及不同生成个数的发生概率,若将预报因子代入提前15天的预报方程中,即可得到未来6–15天这10天内台风生成的预报结果。
本实施例的基于统计模型的西北太平洋台风的延伸期预报方法利用季节内振荡自身的演化规律及其对台风生成的显著调控作用,建立西北太平洋台风延伸期预报的统计预报模型。该预报模型可以提前2–3周对西北太平洋上台风生成个数及其概率进行预报。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (1)
1.一种基于统计模型的西北太平洋台风的延伸期预报方法,其特征在于包括如下步骤:
步骤1)计算历史阶段旬台风的个数;
步骤2)提取历史再分析场中的次季节分量,将潜在预报因子进行十天平均,滤除天气尺度信号,得到与旬台风日期对应的次季节海气环境场;分别计算相对于台风生成不同提前时间的大尺度场;
步骤3)建立统计预报模型:将所述不同提前时间的大尺度场分别与所述历史阶段旬台风个数进行相关分析,分别建立预报旬台风个数的统计预报方程;
步骤4)利用观测所得的实时大尺度场求出的预报因子,带入所述统计预报方程,即可得到旬台风生成的平均频次与不同生成个数的发生概率形成预报量;所述潜在预报因子为六个包括历史GPI与影响GPI的五项大尺度环境场变量;所述步骤3)中将台风生成个数与不同提前时间的六个潜在预报因子进行多元逐步回归分析,建立泊松回归方程,作为不同提前时间的预报方程;步骤3)建立泊松回归方程时,基于泊松分布的假设,设定西北太平洋台风在i时间点生成个数Yi为不同值时(=y)的发生的概率p为:
其中,λi为平均概率,y=0,1,2,…,∞;
预报台风生成个数的多元泊松回归方程可写为:
其中,j为预报因子的序号,p为通过逐步回归分析之后挑选的因子,β0~βp为预报方程的回归系数,xi,j是第i时次的第j个预报因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811464300.XA CN109583653B (zh) | 2018-11-30 | 2018-11-30 | 基于统计模型的西北太平洋台风的延伸期预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811464300.XA CN109583653B (zh) | 2018-11-30 | 2018-11-30 | 基于统计模型的西北太平洋台风的延伸期预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109583653A CN109583653A (zh) | 2019-04-05 |
CN109583653B true CN109583653B (zh) | 2022-06-21 |
Family
ID=65926649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811464300.XA Active CN109583653B (zh) | 2018-11-30 | 2018-11-30 | 基于统计模型的西北太平洋台风的延伸期预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109583653B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472781B (zh) * | 2019-07-31 | 2021-02-19 | 南京大学 | 台风多变量集合敏感性分析方法、台风预报方法及其系统 |
CN111221819B (zh) * | 2019-12-27 | 2023-10-10 | 中国电子科技集团公司第十四研究所 | 一种基于多维数据空间分割的相似台风快速匹配方法 |
CN112596127A (zh) * | 2020-11-25 | 2021-04-02 | 中国人民解放军国防科技大学 | 一种计算台风潜在生成指数的新方法 |
CN112835946B (zh) * | 2021-03-10 | 2024-01-23 | 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) | 数值天气预报数据获取方法、装置和计算机设备 |
CN113592165B (zh) * | 2021-07-23 | 2023-08-22 | 南京大学 | 基于旬倾向和物理模态建模的次季节气候预测方法与系统 |
CN113627683B (zh) * | 2021-08-25 | 2023-06-06 | 天气在线(无锡)科技有限公司 | 一种面向单模式次季节预报订正的邻域迭代映射方法 |
CN114200548B (zh) * | 2021-12-15 | 2023-07-18 | 南京信息工程大学 | 基于SE-Resnet模型的延伸期气象要素预报方法 |
CN114330850B (zh) * | 2021-12-21 | 2023-11-17 | 南京大学 | 一种用于气候预测的异常相对倾向生成方法与系统 |
CN114580711B (zh) * | 2022-01-29 | 2023-06-27 | 国家气候中心 | 一种基于模式关键环流系统的华北雨季开始日期预测方法 |
CN115857062B (zh) * | 2023-02-28 | 2023-06-13 | 南京信息工程大学 | 一种基于多通道卷积神经网络的次季节台风生成预报方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101026071B1 (ko) * | 2010-10-07 | 2011-04-04 | 서울대학교산학협력단 | 군집별 태풍 개수 예측 방법 및 여름철 태풍 진로 예측 방법 |
CN104200081A (zh) * | 2014-08-22 | 2014-12-10 | 清华大学 | 基于历史数据的登陆台风特征因子的预报方法及系统 |
CN104932035A (zh) * | 2015-05-26 | 2015-09-23 | 中国科学院深圳先进技术研究院 | 一种台风强度预报方法及系统 |
CN108196314A (zh) * | 2017-12-22 | 2018-06-22 | 南京大学 | 一种西北太平洋环状台风自动识别系统 |
CN108647806A (zh) * | 2018-04-04 | 2018-10-12 | 南京信息工程大学 | 一种考虑大尺度环流背景场的延伸期预报方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9230219B2 (en) * | 2010-08-23 | 2016-01-05 | Institute Of Nuclear Energy Research Atomic Energy Council, Executive Yuan | Wind energy forecasting method with extreme wind speed prediction function |
-
2018
- 2018-11-30 CN CN201811464300.XA patent/CN109583653B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101026071B1 (ko) * | 2010-10-07 | 2011-04-04 | 서울대학교산학협력단 | 군집별 태풍 개수 예측 방법 및 여름철 태풍 진로 예측 방법 |
CN104200081A (zh) * | 2014-08-22 | 2014-12-10 | 清华大学 | 基于历史数据的登陆台风特征因子的预报方法及系统 |
CN104932035A (zh) * | 2015-05-26 | 2015-09-23 | 中国科学院深圳先进技术研究院 | 一种台风强度预报方法及系统 |
CN108196314A (zh) * | 2017-12-22 | 2018-06-22 | 南京大学 | 一种西北太平洋环状台风自动识别系统 |
CN108647806A (zh) * | 2018-04-04 | 2018-10-12 | 南京信息工程大学 | 一种考虑大尺度环流背景场的延伸期预报方法 |
Non-Patent Citations (3)
Title |
---|
《基于BP神经网络技术的西北太平洋热带气旋年频数预测》;尹宜舟 等;《热带气象学报》;20101030;第26卷(第5期);615-618 * |
《海上大风延伸期预报研究进展》;商舜 等;《中国农学通报》;20160430;全文 * |
尹宜舟 等.《基于BP神经网络技术的西北太平洋热带气旋年频数预测》.《热带气象学报》.2010,第26卷(第5期), * |
Also Published As
Publication number | Publication date |
---|---|
CN109583653A (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583653B (zh) | 基于统计模型的西北太平洋台风的延伸期预报方法 | |
Zhao et al. | Modulation of northwest Pacific tropical cyclone genesis by the intraseasonal variability | |
CN111027175B (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
Brönnimann et al. | Extreme winds at northern mid-latitudes since 1871 | |
Duan et al. | The Tibetan Plateau summer monsoon in the CMIP5 simulations | |
Lin et al. | Effects of future climate and biogenic emissions changes on surface ozone over the United States and China | |
KR101383617B1 (ko) | 일사량 예측 방법 및 장치 | |
Li et al. | Response of energy consumption for building heating to climatic change and variability in Tianjin City, China | |
CN113128758B (zh) | 基于近海浮标海浪观测数据构建的最大浪高预报系统 | |
CN108983324A (zh) | 一种基于卡尔曼滤波的气温预报方法及系统 | |
Ayoub et al. | ANN model for energy demand and supply forecasting in a hybrid energy supply system | |
Troy et al. | Comparison and evaluation of gridded radiation products across northern Eurasia | |
Liu et al. | Estimation of precipitation induced by tropical cyclones based on machine‐learning‐enhanced analogue identification of numerical prediction | |
Adib et al. | Prediction of meteorological and hydrological phenomena in different climatic scenarios in the Karkheh watershed (southwest of Iran) | |
CN112884601B (zh) | 一种基于天气区划策略的电力系统运行风险评估方法 | |
Kutty et al. | A Systematic Review of Climate Change Implications on Building Energy Consumption: Impacts and Adaptation Measures in Hot Urban Desert Climates | |
AlMutairi et al. | Climate model projections for future seasonal rainfall cycle statistics in Northwest Costa Rica | |
Wang et al. | Climatic factors and their availability in estimating long‐term variations of fine particle distributions over East China | |
Narvaez et al. | Climate change impact on photovoltaic power potential in South America | |
Jayasankar et al. | High‐resolution climate change projection of northeast monsoon rainfall over peninsular India | |
CN114707687A (zh) | 基于热带大气次季节振荡信号的旬降水预测方法和系统 | |
Aghaei et al. | PV plant planning and operations by neural network analysis and validation | |
Eames et al. | Quantile regression ensemble for summer temperatures time series and its impact on built environment studies | |
CN112883577A (zh) | 一种海上风电场出力典型场景生成方法及存储介质 | |
CN111338005A (zh) | 月尺度西北太平洋热带气旋生成频数的预测方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 210044 No. 219 Ningliu Road, Jiangbei New District, Nanjing City, Jiangsu Province Applicant after: Nanjing University of Information Science and Technology Address before: 211500 Yuting Square, 59 Wangqiao Road, Liuhe District, Nanjing City, Jiangsu Province Applicant before: Nanjing University of Information Science and Technology |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |