CN109636032A - 基于多模式集成的降水预报方法、系统、终端及存储介质 - Google Patents
基于多模式集成的降水预报方法、系统、终端及存储介质 Download PDFInfo
- Publication number
- CN109636032A CN109636032A CN201811507381.7A CN201811507381A CN109636032A CN 109636032 A CN109636032 A CN 109636032A CN 201811507381 A CN201811507381 A CN 201811507381A CN 109636032 A CN109636032 A CN 109636032A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- forecast
- mode
- prediction
- integrated
- 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
- 238000001556 precipitation Methods 0.000 title claims abstract description 191
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 241000219094 Vitaceae Species 0.000 claims abstract description 25
- 235000021021 grapes Nutrition 0.000 claims abstract description 25
- 241001269238 Data Species 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 21
- 230000010354 integration Effects 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 241001365789 Oenanthe crocata Species 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
本发明公开了一种基于多模式集成的降水预报方法、系统、终端及存储介质，该方法包括：获取待预报地区的天气观测数据；分别通过ECMWF预报模式、JMA预报模式和GRAPES预报模式对天气观测数据进行处理，以预测未来的降水情况，得到三组预报数据；将三组预报数据按照概率匹配集合平均方法进行处理得到降水集成预报数据。本发明通过将几个独立的降水预报模式的预报结果按概率匹配集合平均的方法进行集成，从而得到集成预报结果，再跟了历史降水情况确认降水概率，从而得到降水预报结果，其降水预报的准确度更高，实现了一种新的降水预报模式。
Description
技术领域
本发明涉及天气预报技术领域，尤其涉及一种基于多模式集成的降水预报方法、系统、终端及存储介质。
背景技术
随着当前数值模式预报的发展，数值天气预报开始由单一数值模式预报向多模式集成数值预报的方向发展。在20世纪90年代初，国际上开始出现集合预报，并作为一种新数值天气预报品种被欧美许多国家气象届高度重视。研究表明，多模式集成预报能够充分利用各中心模式预报结果，综合考虑各个模式的优劣，是减少模式系统性偏差的一个有效途径，是目前数值预报技术发展的一个重要方向。
目前各个地区及的降水预报主要参考ECMWF(欧洲中期天气预报)、JMA(日本气象厅)，中国气象局开发的GRAPES(全球数值预报系统)，各模式预报结果不尽相同，需要依赖于预报员的主观经验判断，经集体会商决定预报结果，而没有对各数值模式结果进行综合分析，缺少一个基于数值模式比对及分析的高可信度共识预报系统。而且由于传统单一数值模式预报的局限性，导致传统单一模式预报的预报精度不高。
发明内容
本发明提供了一种基于多模式集成的降水预报方法、系统、终端及存储介质，以解决现有的单一降水预报模式的降水预报精度低的问题。
为了解决上述问题，本发明提供了一种基于多模式集成的降水预报方法，其包括：
获取待预报地区的天气观测数据；
分别通过ECMWF预报模式、JMA预报模式和GRAPES预报模式对天气观测数据进行处理，以预测未来的降水情况，得到三组预报数据；
将三组预报数据按照概率匹配集合平均方法进行处理得到降水集成预报数据；
根据所述天气观测数据结合历史观测数据进行统计，获得不同预设降水级别对应的预测降水概率；
结合所述降水集成预报数据和所述预测降水概率得到降水预报结果。
作为本发明的进一步改进，分别通过ECMWF预报模式、JMA预报模式和GRAPES预报模式对天气观测数据进行处理的步骤之前，还包括：
将ECMWF预报模式、JMA预报模式、GRAPES预报模式的格点场的精度统一调整为预设精度值。
作为本发明的进一步改进，预设精度值为0.125°(经度)×0.125°(纬度)。
作为本发明的进一步改进，将三组预报数据按照概率匹配集合平均方法进行处理得到降水集成预报数据的步骤，包括：
分别将三种预报模式的格点场划分为预设数量的网格，每个网格对应一个预测降水量，并将三个格点场所有网格的预测降水量进行排序，再将每三个相邻的预测降水量划分为一组，得到分组表；
根据三个格点场中互相对应的网格的预测降水量计算对应的网格的平均降水量，得到多个平均降水量，并将多个平均降水量进行排序，每个平均降水量对应一个级别；
将每个平均降水量的级别与分组表进行匹配，确认每个级别对应的分组，并将每个分组的中位数对应的预测降水量赋给每个级别对应的网格，从而得到降水集成预报数据。
作为本发明的进一步改进，所述预设降水级别包括1mm～10mm、10mm～25mm、25mm～50mm、50mm以上。
为了解决上述问题，本发明还提供了一种基于多模式集成的降水预报系统，其包括：
获取模块，用于获取待预报地区的天气观测数据；
预报模块，用于分别通过ECMWF预报模式、JMA预报模式和GRAPES预报模式对天气观测数据进行处理，以预测未来的降水情况，得到三组预报数据；
集成模块，用于将三组预报数据按照概率匹配集合平均方法进行处理得到降水集成预报数据；
概率预测模块，根据天气观测数据结合历史观测数据进行统计，获得不同预设降水级别对应的预测降水概率；
结果获取模块，用于结合降水集成预报数据和预测降水概率得到降水预报结果。
作为本发明的进一步改进，其还包括：
精度统一模块，用于将ECMWF预报模式、JMA预报模式、GRAPES预报模式的格点场的精度统一调整为预设精度值。
作为本发明的进一步改进，预设精度值为0.125°(经度)×0.125°(纬度)。
作为本发明的进一步改进，集成模块包括：
分组单元，用于分别将三种预报模式的格点场划分为预设数量的网格，每个网格对应一个预测降水量，并将三个格点场所有网格的预测降水量进行排序，再将每三个相邻的预测降水量划分为一组，得到分组表；
平均降水计算单元，用于根据三个格点场中互相对应的网格的预测降水量计算对应的网格的平均降水量，得到多个平均降水量，并将多个平均降水量进行排序，每个平均降水量对应一个级别；
降水集成单元，用于将每个平均降水量的级别与分组表进行匹配，确认每个级别对应的分组，并将每个分组的中位数对应的预测降水量赋给每个级别对应的网格，从而得到降水集成预报数据。
作为本发明的进一步改进，所述预设降水级别包括1mm～10mm、10mm～25mm、25mm～50mm、50mm以上。
为了解决上述问题，本发明还提供了一种终端，其包括存储器和处理器，处理器耦接存储器，存储器上存储有可在处理器上运行的计算机程序；
处理器执行计算机程序时，实现上述任一项基于多模式集成的降水预报方法中的步骤。
为了解决上述问题，本发明还提供了一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时，实现上述任一项基于多模式集成的降水预报方法中的步骤。
相比于现有技术，本发明通过将ECMWF预报模式、JMA预报模式和GRAPES预报模式三种模式的预报结果，按概率匹配集合平均方法进行集成处理，得到降水集成预报数据，并通过天气观测数据结合历史观测数据确认当前的天气预测数据的预测降水概率，从而得到降水预报结果，相对于采用单一预报模式预测的结果而言，该集成预报得到的结果更为精确，形成了一种全新的集成预报模式。
附图说明
图1为本发明基于多模式集成的降水预报方法第一个实施例的流程示意图；
图2为本发明基于多模式集成的降水预报方法第二个实施例的流程示意图；
图3为本发明基于多模式集成的降水预报方法第三个实施例的流程示意图；
图4为本发明基于多模式集成的降水预报方法概率匹配集合预测结果的示意图；
图5为本发明基于多模式集成的降水预报系统第一个实施例的功能模块示意图；
图6为本发明基于多模式集成的降水预报系统第二个实施例的功能模块示意图；
图7为本发明基于多模式集成的降水预报系统第三个实施例的功能模块示意图；
图8为本发明终端一个实施例的框架示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用来限定本发明。
图1展示了本发明一种基于多模式集成的降水预报方法的一个实施例。如图1所示，该基于多模式集成的降水预报方法包括以下步骤：
步骤S1，获取待预报地区的天气观测数据。
具体的，该天气观测数据可通过气象观测台或气象观测站观测获取。
步骤S2，分别通过ECMWF预报模式、JMA预报模式和GRAPES预报模式对天气观测数据进行处理，以预测未来的降水情况，得到三组预报数据。
需要说明的是，ECMWF预报模式是指欧洲中期天气预报中心开发的一种天气预报模式，欧洲中期天气预报中心是一个由30多个国家或州组成的国际官方组织，它吸收了全球的多种地面和卫星气象数据，并每6小时发布一次全球气象产品数据。JMA预报模式是日本气象厅开发的一种天气预报模式，用于气象观测，有气压，气温，湿度，风向，风速，雨量，积雪的深度，降雪的深度，日照时间，整个天空日照量，云，能见度，大气现象等。GRAPES预报模式是由中国气象局数值预报中心开发运行的全球数值预报系统。
具体地，在获取到天气观测数据后，分别通过ECMWF预报模式、JMA预报模式和GRAPES预报模式三种预报模式对该天气观测数据进行处理，从而得到ECMWF预报数据、JMA预报数据和GRAPES预报数据。
步骤S3，将三组预报数据按照概率匹配集合平均方法进行处理得到降水集成预报数据。
具体地，在获得三种预报模式预测得到的三组预报数据之后，将该三组预报数据按照概率匹配集合平均方法进行处理，从而得到降水集成预报数据。
步骤S4，根据天气观测数据结合历史观测数据进行统计，获得不同预设降水级别对应的预测降水概率。
需要说明的是，该历史观测数据存储于历史数据库，所有的历史观测数据均对应有降水概率。
优选地，该预设降水级别包括1mm～10mm、10mm～25mm、25mm～50mm、50mm以上，四个级别。
具体地，在获取天气观测数据之后，结合历史观测数据对应的降水概率确认当前的天气观测数据的预测降水概率。
步骤S5，结合降水集成预报数据和预测降水概率得到降水预报结果。
本发明通过将ECMWF预报模式、JMA预报模式和GRAPES预报模式三种模式的预报结果，按概率匹配集合平均方法进行集成处理，得到降水集成预报数据，并通过天气观测数据结合历史观测数据确认当前的天气预测数据的预测降水概率，从而得到降水预报结果，相对于采用单一预报模式预测的结果而言，该集成预报得到的结果更为精确，形成了一种全新的集成预报模式。
进一步的，由于ECMWF预报模式、JMA预报模式和GRAPES预报模式三种模式的分辨率和物理过程不相同，其得到的格点数据的精度也不相同，其中，ECMWF预报模式的精度为0.125°(经度)x 0.125°(纬度)，该精度是指经纬度范围为0.125°(经度)x 0.125°(纬度)，空间范围大约12km的格点场；JMA预报模式的精度为0.5°(经度)x 0.5°(纬度)；GRAPES预报模式的精度为0.09°(经度)x 0.09°(纬度)。因此，为了方便后续将三种预报模式的预报数据进行集成，在进行降水预报前，需要对该三种预报模式进行统一精度处理。因此，上述实施例的基础上，其他实施例中，如图2所示，在步骤S2之前，还包括以下步骤：
步骤S10，将ECMWF预报模式、JMA预报模式、GRAPES预报模式的格点场的精度统一调整为预设精度值。
具体地，例如，设定预设精度值为0.125°(经度)x 0.125°(纬度)，则ECMWF预报模式的精度不需要修改，JMA预报模式的精度则需要做降尺度处理，GRAPES预报模式则需要做升尺度处理，从而将三种预报模式的精度统一为0.125°(经度)x 0.125°(纬度)。
需要说明的是，精度的调整可以通过双线性插值的方法来实现。双线性插值，又称为双线性内插，在数学上，双线性插值是有两个变量的插值函数的线性插值扩展，其核心思想是在两个方向分别进行一次线性插值。
优选地，在一些实施例中，预设精度值优选为0.125°(经度)×0.125°(纬度)，该精度为目前能够实现的最高精度的降水数据预报，可以提高降水预报的准确率。
进一步的，如图3所示，该步骤S3包括以下步骤：
步骤S31，分别将三种预报模式的格点场划分为预设数量的网格，每个网格对应一个预测降水量，并将三个格点场所有网格的预测降水量进行排序，再将每三个相邻的预测降水量划分为一组，得到分组表。
具体地，如图4所示，以一组数据为例进行说明：图中a、b、c分别对应ECMWF预报模式、JMA预报模式、GRAPES预报模式的格点场，分别将a、b、c三个格点场按九宫格的模式划分为九个网格，每个网格对应一个预测降水量，再将a、b、c中所有网格对应的预测降水量进行排序，并且将每三个相邻的预测降水量划分为一组，得到一个分组表，如图中d所示。
步骤S32，根据三个格点场中互相对应的网格的预测降水量计算对应的网格的平均降水量，得到多个平均降水量，并将多个平均降水量进行排序，每个平均降水量对应一个级别。
具体的，如图4所示，将a、b、c中对应网格的预测降水量求和后，取平均数，从而得到平均降水量，如图中e所示，每个网格均对应一个平均降水量，再将多个平均降水量进行排序，每一个平均降水量对应一个级别，如图中f所示。
步骤S33，将每个平均降水量的级别与分组表进行匹配，确认每个级别对应的分组，并将每个分组的中位数对应的预测降水量赋给每个级别对应的网格，从而得到降水集成预报数据。
具体地，如图4所示，将f中每个网格对应的级别和分组表中的每个组进行对应，每一个级别对应一个分组，再取该分组的中位数对应的预测降水量的值，并赋予给该分组对应级别的网格，从而得到如图中g所示的最终预报结果，即降水集成预报数据。
图5展示了本发明一种基于多模式集成的降水预报系统的一个实施例。如图5所示，该基于多模式集成的降水预报系统包括获取模块10、预报模块11、集成模块12、概率预测模块13和结果获取模块14。
其中，获取模块10，用于获取待预报地区的天气观测数据；预报模块11，用于分别通过ECMWF预报模式、JMA预报模式和GRAPES预报模式对天气观测数据进行处理，以预测未来的降水情况，得到三组预报数据；集成模块12，用于将三组预报数据按照概率匹配集合平均方法进行处理得到降水集成预报数据；概率预测模块13，根据天气观测数据结合历史观测数据进行统计，获得不同预设降水级别对应的预测降水概率；结果获取模块14，用于结合降水集成预报数据和预测降水概率得到降水预报结果。
上述实施例的基础上，其他实施例中，如图6所示，该基于多模式集成的降水预报系统还包括精度统一模块20，用于将ECMWF预报模式、JMA预报模式、GRAPES预报模式的格点场的精度统一调整为预设精度值。
上述实施例的基础上，其他实施例中，预设精度值为0.125°(经度)×0.125°(纬度)。
上述实施例的基础上，其他实施例中，如图7所示，集成模块12包括分组单元121、平均降水计算单元122和降水集成单元123。
其中，分组单元121，用于分别将三种预报模式的格点场划分为预设数量的网格，每个网格对应一个预测降水量，并将三个格点场所有网格的预测降水量进行排序，再将每三个相邻的预测降水量划分为一组，得到分组表；平均降水计算单元122，用于根据三个格点场中互相对应的网格的预测降水量计算对应的网格的平均降水量，得到多个平均降水量，并将多个平均降水量进行排序，每个平均降水量对应一个级别；降水集成单元123，用于将每个平均降水量的级别与分组表进行匹配，确认每个级别对应的分组，并将每个分组的中位数对应的预测降水量赋给每个级别对应的网格，从而得到降水集成预报数据。
上述实施例的基础上，其他实施例中，预设降水级别包括1mm～10mm、10mm～25mm、25mm～50mm、大于50mm。
关于上述实施例中基于多模式集成的降水预报系统各模块实现技术方案的其他细节，可参见上述实施例中的基于多模式集成的降水预报方法中的描述，此处不再赘述。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于系统类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
图8展示了本发明又一个实施例提供的终端的示意框图，参见图8，该实施例中的终端包括：一个或至少两个处理器80、存储器81以及存储在该存储器81中并可在处理器80上运行的计算机程序810。处理器80执行计算机程序810时，实现上述实施例描述的基于多模式集成的降水预报方法中的步骤，例如：图1所示的步骤S1-步骤S5。或者，处理器80执行计算机程序810时，实现上述基于多模式集成的降水预报系统实施例中各模块/单元的功能，例如：图5所示模块10-模块14的功能。
计算机程序810可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器81中，并由处理器80执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序810在终端中的执行过程。
终端包括但不仅限于处理器80、存储器81。本领域技术人员可以理解，图8仅仅是终端的一个示例，并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端还可以包括输入设备、输出设备、网络接入设备、总线等。
处理器80可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器81可以是只读存储器、可存储静态信息和指令的静态存储设备、随机存取存储器、或者可存储信息和指令的动态存储设备，也可以是电可擦可编程只读存储器、只读光盘、或其他光盘存储、光碟存储、磁盘存储介质或者其他磁存储设备。存储器81与处理器80可以通过通信总线相连接，也可以和处理器80集成在一起。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本申请实施例还提供了一种存储介质，用于存储计算机程序，其包含用于执行本申请上述基于多模式集成的降水预报方法实施例所设计的程序数据。通过执行该存储介质中存储的计算机程序，可以实现本申请提供的基于多模式集成的降水预报方法。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序810来指令相关的硬件来完成，计算机程序810可存储于一计算机可读存储介质中，该计算机程序810在被处理器80执行时，可实现上述各个方法实施例的步骤。其中，计算机程序810包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上对发明的具体实施方式进行了详细说明，但其只作为范例，本发明并不限制于以上描述的具体实施方式。对于本领域的技术人员而言，任何对该发明进行的等同修改或替代也都在本发明的范畴之中，因此，在不脱离本发明的精神和原则范围下所作的均等变换和修改、改进等，都应涵盖在本发明的范围内。
Claims (12)
1.一种基于多模式集成的降水预报方法，其特征在于，其包括：
获取待预报地区的天气观测数据；
分别通过ECMWF预报模式、JMA预报模式和GRAPES预报模式对所述天气观测数据进行处理，以预测未来的降水情况，得到三组预报数据；
将所述三组预报数据按照概率匹配集合平均方法进行处理得到降水集成预报数据；
根据所述天气观测数据结合历史观测数据进行统计，获得不同预设降水级别对应的预测降水概率；
结合所述降水集成预报数据和所述预测降水概率得到降水预报结果。
2.根据权利要求1所述的多模式集成的降水预报方法，其特征在于，所述分别通过ECMWF预报模式、JMA预报模式和GRAPES预报模式对所述天气观测数据进行处理的步骤之前，还包括：
将所述ECMWF预报模式、所述JMA预报模式、所述GRAPES预报模式的格点场的精度统一调整为预设精度值。
3.根据权利要求2所述的多模式集成的降水预报方法，其特征在于，所述预设精度值为0.125°(经度)×0.125°(纬度)。
4.根据权利要求1所述的多模式集成的降水预报方法，其特征在于，所述将所述三组预报数据按照概率匹配集合平均方法进行处理得到降水集成预报数据的步骤，包括：
分别将三种预报模式的格点场划分为预设数量的网格，每个网格对应一个预测降水量，并将三个格点场所有网格的预测降水量进行排序，再将每三个相邻的预测降水量划分为一组，得到分组表；
根据三个格点场中互相对应的网格的预测降水量计算对应的网格的平均降水量，得到多个平均降水量，并将所述多个平均降水量进行排序，每个平均降水量对应一个级别；
将每个平均降水量的级别与所述分组表进行匹配，确认每个级别对应的分组，并将每个分组的中位数对应的预测降水量赋给每个级别对应的网格，从而得到降水集成预报数据。
5.根据权利要求1所述的多模式集成的降水预报方法，其特征在于，所述预设降水级别包括1mm～10mm、10mm～25mm、25mm～50mm、50mm以上。
6.一种基于多模式集成的降水预报系统，其特征在于，其包括：
获取模块，用于获取待预报地区的天气观测数据；
预报模块，用于分别通过ECMWF预报模式、JMA预报模式和GRAPES预报模式对所述天气观测数据进行处理，以预测未来的降水情况，得到三组预报数据；
集成模块，用于将所述三组预报数据按照概率匹配集合平均方法进行处理得到降水集成预报数据；
概率预测模块，根据所述天气观测数据结合历史观测数据进行统计，获得不同预设降水级别对应的预测降水概率；
结果获取模块，用于结合所述降水集成预报数据和所述预测降水概率得到降水预报结果。
7.根据权利要求6所述的多模式集成的降水预报系统，其特征在于，其还包括：
精度统一模块，用于将所述ECMWF预报模式、所述JMA预报模式、所述GRAPES预报模式的格点场的精度统一调整为预设精度值。
8.根据权利要求7所述的多模式集成的降水预报系统，其特征在于，所述预设精度值为0.125°(经度)×0.125°(纬度)。
9.根据权利要求6所述的多模式集成的降水预报系统，其特征在于，所述集成模块包括：
分组单元，用于分别将三种预报模式的格点场划分为预设数量的网格，每个网格对应一个预测降水量，并将三个格点场所有网格的预测降水量进行排序，再将每三个相邻的预测降水量划分为一组，得到分组表；
平均降水计算单元，用于根据三个格点场中互相对应的网格的预测降水量计算对应的网格的平均降水量，得到多个平均降水量，并将所述多个平均降水量进行排序，每个平均降水量对应一个级别；
降水集成单元，用于将每个平均降水量的级别与所述分组表进行匹配，确认每个级别对应的分组，并将每个分组的中位数对应的预测降水量赋给每个级别对应的网格，从而得到降水集成预报数据。
10.根据权利要求6所述的多模式集成的降水预报系统，其特征在于，所述预设降水级别包括1mm～10mm、10mm～25mm、25mm～50mm、大于50mm。
11.一种终端，其特征在于，其包括存储器和处理器，所述处理器耦接所述存储器，所述存储器上存储有可在所述处理器上运行的计算机程序；
所述处理器执行所述计算机程序时，实现权利要求1-5任一项所述基于多模式集成的降水预报方法中的步骤。
12.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1-5任一项所述基于多模式集成的降水预报方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811507381.7A CN109636032B (zh) | 2018-12-11 | 2018-12-11 | 基于多模式集成的降水预报方法、系统、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811507381.7A CN109636032B (zh) | 2018-12-11 | 2018-12-11 | 基于多模式集成的降水预报方法、系统、终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109636032A true CN109636032A (zh) | 2019-04-16 |
| CN109636032B CN109636032B (zh) | 2021-08-24 |
Family
ID=66072628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811507381.7A Active CN109636032B (zh) | 2018-12-11 | 2018-12-11 | 基于多模式集成的降水预报方法、系统、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109636032B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163426A (zh) * | 2019-05-09 | 2019-08-23 | 中国科学院深圳先进技术研究院 | 一种多模式集成降水预报方法及装置 |
| CN110619433A (zh) * | 2019-09-17 | 2019-12-27 | 国网湖南省电力有限公司 | 电网暴雨数值模式参数化方案的快速选择方法及系统 |
| CN111123410A (zh) * | 2019-12-26 | 2020-05-08 | 国网北京市电力公司 | 降水量监测系统及方法、存储介质、处理器 |
| 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 |
| CN113255962A (zh) * | 2021-04-16 | 2021-08-13 | 北京玖天气象科技有限公司 | 一种多模式海浪集成预报系统及方法 |
| CN113516303A (zh) * | 2021-06-25 | 2021-10-19 | 中国科学院大气物理研究所 | 一种提取多模式最优信息进行降水集合预测的方法、装置和介质 |
| CN113516290A (zh) * | 2021-05-18 | 2021-10-19 | 中科三清科技有限公司 | 空气质量集合预报方法及装置 |
| CN113962465A (zh) * | 2021-10-26 | 2022-01-21 | 国家气象中心(中央气象台) | 降水预报方法、设备、装置及存储介质 |
| CN114386654A (zh) * | 2021-11-29 | 2022-04-22 | 国家气象中心(中央气象台) | 一种多尺度数值天气预报模式融合的天气预报方法及装置 |
| CN115391745A (zh) * | 2022-10-27 | 2022-11-25 | 国能大渡河大数据服务有限公司 | 一种基于概率匹配平均法的降水预报订正方法及系统 |
| CN118228864A (zh) * | 2024-03-20 | 2024-06-21 | 国家气象中心(中央气象台) | 一种用于能见度订正集成预报的方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156773A (zh) * | 2013-05-14 | 2014-11-19 | 江阴美瑞泰海洋信息技术有限公司 | 风功率超级集合预测系统 |
| CN104298877A (zh) * | 2014-10-13 | 2015-01-21 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种可降低不确定性的气候变化情景修订方法 |
| US20170261646A1 (en) * | 2016-03-08 | 2017-09-14 | China Institute Of Water Resources And Hydropower Research | Self-correcting multi-model numerical rainfall ensemble forecasting method |
| CN108171007A (zh) * | 2018-01-15 | 2018-06-15 | 中国水利水电科学研究院 | 一种基于数值集合预报极值修正的中长期径流预报方法 |
| 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 |
-
2018
- 2018-12-11 CN CN201811507381.7A patent/CN109636032B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156773A (zh) * | 2013-05-14 | 2014-11-19 | 江阴美瑞泰海洋信息技术有限公司 | 风功率超级集合预测系统 |
| CN104298877A (zh) * | 2014-10-13 | 2015-01-21 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种可降低不确定性的气候变化情景修订方法 |
| US20170261646A1 (en) * | 2016-03-08 | 2017-09-14 | China Institute Of Water Resources And Hydropower Research | Self-correcting multi-model numerical rainfall ensemble forecasting method |
| CN108171007A (zh) * | 2018-01-15 | 2018-06-15 | 中国水利水电科学研究院 | 一种基于数值集合预报极值修正的中长期径流预报方法 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 吴启树等: "基于评分最优化的模式降水预报订正算法对比", 《应用气象学报》 * |
| 荣艳敏等: "概率匹配平均法在山东强降水预报中的应用", 《海洋气象学报》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163426A (zh) * | 2019-05-09 | 2019-08-23 | 中国科学院深圳先进技术研究院 | 一种多模式集成降水预报方法及装置 |
| CN110619433A (zh) * | 2019-09-17 | 2019-12-27 | 国网湖南省电力有限公司 | 电网暴雨数值模式参数化方案的快速选择方法及系统 |
| CN110619433B (zh) * | 2019-09-17 | 2023-07-21 | 国网湖南省电力有限公司 | 电网暴雨数值模式参数化方案的快速选择方法及系统 |
| CN111123410A (zh) * | 2019-12-26 | 2020-05-08 | 国网北京市电力公司 | 降水量监测系统及方法、存储介质、处理器 |
| 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 |
| CN113255962A (zh) * | 2021-04-16 | 2021-08-13 | 北京玖天气象科技有限公司 | 一种多模式海浪集成预报系统及方法 |
| CN113516290A (zh) * | 2021-05-18 | 2021-10-19 | 中科三清科技有限公司 | 空气质量集合预报方法及装置 |
| CN113516303A (zh) * | 2021-06-25 | 2021-10-19 | 中国科学院大气物理研究所 | 一种提取多模式最优信息进行降水集合预测的方法、装置和介质 |
| CN113516303B (zh) * | 2021-06-25 | 2024-03-19 | 中国科学院大气物理研究所 | 一种提取多模式最优信息进行降水集合预测的方法、装置和介质 |
| CN113962465A (zh) * | 2021-10-26 | 2022-01-21 | 国家气象中心(中央气象台) | 降水预报方法、设备、装置及存储介质 |
| CN113962465B (zh) * | 2021-10-26 | 2024-10-22 | 国家气象中心(中央气象台) | 降水预报方法、设备、装置及存储介质 |
| CN114386654A (zh) * | 2021-11-29 | 2022-04-22 | 国家气象中心(中央气象台) | 一种多尺度数值天气预报模式融合的天气预报方法及装置 |
| CN115391745A (zh) * | 2022-10-27 | 2022-11-25 | 国能大渡河大数据服务有限公司 | 一种基于概率匹配平均法的降水预报订正方法及系统 |
| CN118228864A (zh) * | 2024-03-20 | 2024-06-21 | 国家气象中心(中央气象台) | 一种用于能见度订正集成预报的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109636032B (zh) | 2021-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109636032A (zh) | 基于多模式集成的降水预报方法、系统、终端及存储介质 | |
| CN109615236A (zh) | 降水预报模式检验评分方法、系统、终端及存储介质 | |
| CN108364085A (zh) | 一种外卖配送时间预测方法和装置 | |
| CN106250403A (zh) | 用户流失预测方法及装置 | |
| CN110414731A (zh) | 订单分配的方法、装置、计算机可读存储介质及电子设备 | |
| CN103136270B (zh) | 一种获得数据插值的方法及系统 | |
| CN104598759B (zh) | 一种卫星数据接收系统的效能评估方法和装置 | |
| CN112308281A (zh) | 一种温度信息预测方法及装置 | |
| CN103870591B (zh) | 用于针对空间数据进行并行空间分析服务的方法及系统 | |
| CN109191408B (zh) | 快速循环地面气象融合方法、装置及服务器 | |
| CN111866776A (zh) | 一种基于手机信令数据的人口测算方法及装置 | |
| CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
| US9019122B2 (en) | Information retrieval for boundary reading processing | |
| EP3449267B1 (en) | A method for identifying the phases of a multi-phase distribution grid | |
| CN110850296A (zh) | 一种评估电池健康度的方法和装置 | |
| CN114461618A (zh) | 一种计量缺失数据补全方法、装置及终端设备 | |
| CN105590140A (zh) | 电力系统短期负荷的预测方法和装置 | |
| Zamo | Statistical post-processing of deterministic and ensemble wind speed forecasts on a grid | |
| CN109995549A (zh) | 一种评估流量价值的方法及装置 | |
| CN111178637A (zh) | 一种电网短期负荷预测方法和装置 | |
| US20230419106A1 (en) | Machine Learning Models Trained to Generate Household Predictions Using Energy Data | |
| CN109657854A (zh) | 一种作物需水量预测的方法、系统及设备 | |
| US9635441B2 (en) | Information retrieval for service point channels | |
| CN110851943B (zh) | 一种电池充电性能的建模方法和装置 | |
| CN111833088A (zh) | 一种供需预测方法及装置 |
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 |