CN109871986A - 一种用于中尺度模式cnop求解识别观测敏感区的架构及方法 - Google Patents
一种用于中尺度模式cnop求解识别观测敏感区的架构及方法 Download PDFInfo
- Publication number
- CN109871986A CN109871986A CN201910073868.7A CN201910073868A CN109871986A CN 109871986 A CN109871986 A CN 109871986A CN 201910073868 A CN201910073868 A CN 201910073868A CN 109871986 A CN109871986 A CN 109871986A
- Authority
- CN
- China
- Prior art keywords
- cnop
- module
- mesoscale model
- sensitizing range
- mode
- 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.)
- Pending
Links
- 230000001235 sensitizing effect Effects 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000011160 research Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000000513 principal component analysis Methods 0.000 claims abstract description 8
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 230000005283 ground state Effects 0.000 claims description 28
- 238000003672 processing method Methods 0.000 claims description 25
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012805 post-processing Methods 0.000 claims description 9
- 241000282461 Canis lupus Species 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 23
- 238000005457 optimization Methods 0.000 abstract description 9
- 239000002245 particle Substances 0.000 description 5
- 238000010845 search algorithm Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种用于中尺度模式CNOP求解识别观测敏感区的架构及方法，属于计算机科学与大气科学交叉学科的研究领域，可用于求解中尺度模式CNOP以识别台风目标观测敏感区。本发明中的中尺度模式包括第五代中尺度模式(The Fifth‑Generation Mesoscale Model，MM5)与天气预报模式科研版(Advanced Research the Weather Research and Forecast，WRF‑ARW)，为避免使用MM5模式与WRF‑ARW模式的伴随模式，与现有技术相比，本发明设计并实现了四种基于主成分分析降维的并行化改进智能算法来优化求解CNOP，同时提供了CNOP数据后处理与分析脚本，实现对不同台风个例目标观测敏感区的有效识别。
Description
技术领域
本发明涉及计算机科学与大气科学交叉学科的研究领域，可用于求解中尺度模式CNOP以识别台风目标观测敏感区，尤其是涉及一种用于中尺度模式CNOP(ConditionalNonlinear Optimal Perturbation，CNOP)求解识别观测敏感区的架构及方法。
背景技术
中尺度模式是天气现象可预报性研究的主要数值模式，条件非线性最优扰动方法是研究天气现象可预报性的有效方法。
一般求解CNOP的方法需要数值模式相应的伴随模式提供梯度信息，但不是所有的中尺度模式都开发了伴随模式，而且由于中尺度天气现象物理过程较为复杂，具有多种物理参数化方案，开发所有物理参数化的伴随模式需耗费巨大的人力物力，且存在由于物理过程的不可导、不可微导致伴随模式计算梯度信息错漏的现象。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种用于中尺度模式CNOP求解识别观测敏感区的架构及方法，本发明为实现中尺度模式CNOP的免伴随求解，识别台风目标观测敏感区，提高台风预报技巧，增强台风可预报性，需要设计一种不使用伴随模式来进行CNOP求解寻优的高效算法。智能算法作为一种对求解问题的连续性和可微性无要求的、具有先天并行性的算法能够实现免伴随的CNOP高效求解。
本发明的目的可以通过以下技术方案来实现：
一种用于中尺度模式CNOP求解识别观测敏感区的架构，其采用模块化框架结构，该系统包括前处理模块、智能数据处理方法模块、CNOP求解模块和后处理模块，其中，所述前处理模块包括第五代中尺度模式(The Fifth-Generation Mesoscale Model，MM5)和天气预报模式科研版(Advanced Research the Weather Research and Forecast，WRF-ARW)，所述第五代中尺度模式和所述天气预报模式科研版，均用于产生所述CNOP求解模块所需的基态场，所述智能数据处理方法模块，用于利用免伴随的、基于降维的智能数据处理方法求解CNOP，免伴随表示不需要使用中尺度模式的伴随模式提供梯度信息；基于降维是指利用主成分分析方法对中尺度模式产生的误差数据样本集进行降维，产生由特征向量组成的特征空间；在特征空间内利用改进的智能算法求解CNOP，所述CNOP求解模块，用于将所有与CNOP求解有关的主程序与子程序编译后整合到一个模块中运行，所述后处理模块，用于利用绘图软件提供绘图脚本。
进一步地，前处理模块根据中尺度模式的选择，有两套处理方法：对于MM5模式，所述的第五代中尺度模式，其输入包括由欧洲中期天气预报中心(European Centre forMedium-Range Weather Forecasts，ECMWF)提供的Surface与Pressure数据文件、经MM5V3中的TERRAIN、REGRID、INTERPF模块产生所选台风个例的初值文件和边界条件文件(BDYOUT_DOMAIN1、LOWBDY_DOMAIN1、MMINPUT_DOMAIN1)，其输出为所述CNOP求解模块所需的基态场。
进一步地，对于WRF-ARW模式，依据所选台风个例，所述的天气预报模式科研版，其输入包括由美国国家环境预报中心机构(National Centers for EnvironmentalPrediction，NCEP)提供的再分析资料FNL数据及其本身进一步所产生的WRF-ARW模式运行所需的初值文件wrfinput_d01和边界条件文件wrfbdy_d01，d01表示WRF-ARW模式仅采用1层结构，不采用嵌套结构，随后将初值wrfinput_d01与边界wrfbdy_d01这两个文件输入到WRF-ARW模式，其输出为所述CNOP求解模块所需的基态场。
进一步地，所述智能数据处理方法模块包括多个智能数据处理方法，所述智能数据处理方法包括：基于主成分分析的遗传数据处理方法PCAGA(Principal ComponentAnalysis based Genetic Algorithm)、基于主成分分析的粒子群数据处理方法PPSO(PCAbased Particle Swarm Optimization)、基于Sine映射与分段策略的禁忌搜索数据处理方法CTS-SS(Continuous Tabu Search Algorithm with Sine Maps and Staged Strategy)和基于PCA的粒子群与狼群搜索的自适应混合协同进化数据处理方法ACPW(AdaptiveCooperation Co-Evolution of Parallel Particle Swarm Optimization and WolfSearch Algorithm)。
进一步地，所述CNOP求解模块的编译过程由cnop.sh文件完成，包括中尺度模式水平网格数与垂直层数的设置、基态场与各种所需文件的拷贝、文件的链接、中尺度模式非线性模式的编译(mm5.exe，wrf.exe)、智能算法参数的设置以及主程序与子程序的编译，即可运行cnop.exe进行CNOP的优化求解，其求解过程包括以下步骤：
S1：第一次调用mm5.exe或wrf.exe以对所述CNOP求解模块输入基态场；
S2：第二次调用mm5.exe或wrf.exe以对所述CNOP求解模块输入叠加有误差的基态场；
S3：将两次所述CNOP求解模块输出结果做差并确定差值场的二范数以获得适应度函数值；
S4：利用适应度函数值以寻找全局CNOP结果。
智能算法求解CNOP的适应度函数需要调用两次mm5.exe或wrf.exe，第一次的输入是基态场；第二次的输入是叠加了误差的基态场，两次输出结果做差，再求差值场的二范数，从而获得适应度函数值。智能算法利用适应度函数值来寻找全局CNOP。
进一步地，所述绘图软件包括GRADS和NCL。
进一步地，对于MM5模式与WRF-ARW模式，分别基于GRADS与NCL绘图软件提供了绘图脚本，所述绘图脚本包括CNOP风场与温度场模态绘图脚本、CNOP垂直总能量积分绘图脚本、目标观测敏感区绘图脚本、MM5模式模拟台风路径绘图脚本。
一种采用所述用于中尺度模式CNOP求解识别观测敏感区的架构的识别方法，包括以下步骤：
步骤1：根据所选择的研究台风个例获取用于产生基态场所需的再分析数据文件；
步骤2：利用所述前处理模块中的第五代中尺度MM5模式和天气预报模式科研版WRF-ARW模式产生所需的基态场；
步骤3：利用所述智能数据处理方法模块选择求解CNOP的智能数据处理方法并利用所述CNOP求解模块进行编译求解获得全局CNOP；
步骤4：利用相应中尺度模式的后处理模块中的绘图软件脚本对CNOP进行分析处理以识别确定所研究台风个例的目标感测敏感区。
与现有技术相比，本发明具有以下优点：
(1)效率高，本发明避免使用伴随模式，本发明设计了一种用改进智能算法求解中尺度模式条件非线性最优扰动(Conditional Nonlinear Optimal Perturbation，CNOP)识别台风目标观测敏感区系统，设计并实现了四种基于主成分分析降维的并行化改进智能算法来优化求解CNOP，同时提供了CNOP数据后处理与分析脚本，实现对不同台风个例目标观测敏感区的有效识别。
(2)准确度高，本发明通过在中尺度模式MM5模式与WRF-ARW模式中进行条件非线性最优扰动(CNOP)的优化求解，实现台风目标观测敏感区的识别，提高台风的可预报性。首先选择要研究的台风个例，获得产生基态场所需的再分析数据文件，利用中尺度模式MM5模式或WRF-ARW模式的前处理模块产生CNOP求解所需的基态场，再选择求解CNOP的智能算法，在CNOP求解模块进行统一编译，高效求解CNOP，获得全局CNOP，利用相应中尺度模式的后处理模块中的绘图软件脚本对CNOP进行分析处理，获得所研究台风个例的目标感测敏感区。
附图说明
图1为本发明的整体框架图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例
本实施例如附图1所示，由上至下由四大模块组成，前处理模块、智能算法模块、CNOP求解模块、后处理模块。除智能算法模块，其他三大模块中均包括两部分，即MM5模式的相关程序与WRF-ARW模式的相关程序。
前处理模块包括利用MM5V3中的TERRAIN、REGRID、INTERPF模块产生MM5模式CNOP求解所需的基态场，与利用WPS_ARW产生WRF-ARW模式CNOP求解所需的基态场。
对于MM5模式，TERRAIN、REGRID、INTERPF模块的输入是由欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts，ECMWF)提供的Surface与Pressure数据，会产生所选台风个例的初值、边界条件(BDYOUT_DOMAIN1、LOWBDY_DOMAIN1、MMINPUT_DOMAIN1)共三个文件，再将这三个文件作为MM5模式非线性模式的输入，产生CNOP求解模块所需的基态场。
对于WRF-ARW模式，依据所选台风个例，WPS_ARW模块的输入是美国国家环境预报中心(National Centers for Environmental Prediction，NCEP)机构提供的再分析资料FNL数据，会产生初值wrfinput_d01与边界wrfbdy_d01两个文件，d01表示WRF-ARW模式仅采用1层结构，不采用嵌套结构，再将上述两个文件输入到WRF-ARW模式，产生CNOP求解模块所需的基态场。
智能算法模块是本发明的核心，包括四个改进的智能算法：基于主成分分析的遗传算法(Principal Component Analysis based Genetic Algorithm，PCAGA)、基于主成分分析的粒子群算法(PCA based Particle Swarm Optimization，PPSO)、基于Sine映射与分段策略的禁忌搜索算法(Continuous Tabu Search Algorithm with Sine Maps andStaged Strategy，CTS-SS)、基于PCA的粒子群与狼群搜索的自适应混合协同进化算法(Adaptive Cooperation Co-Evolution of Parallel Particle Swarm Optimizationand Wolf Search Algorithm，ACPW)。所有智能算法求解CNOP均不需要使用MM5与WRF-ARW模式的伴随模式，而且上述四个算法均是基于主成分分析方法对MM5或WRF-ARW模式产生的误差数据样本集进行降维后所产生的特征空间进行CNOP求解。
CNOP求解模块是将所有与CNOP求解有关的主程序与子程序编译后整合到一个模块中运行，编译过程由cnop.sh文件完成，包括中尺度模式水平网格数与垂直层数的设置、基态场与各种所需文件的拷贝、文件的链接、中尺度模式非线性模式的编译(mm5.exe或wrf.exe)、智能算法参数的设置以及主程序与子程序的编译，即可运行cnop.exe进行CNOP的优化求解。在求解过程中，智能算法是利用适应度函数值来寻找全局CNOP，其适应度函数需要调用两次mm5.exe或wrf.exe，第一次的输入是基态场；第二次的输入是叠加了误差的基态场，两次输出结果做差，再求差值场的二范数，从而获得适应度函数值。
本实施例的后处理模块使用了两种绘图软件：GRADS与NCL。对于MM5模式与WRF-ARW模式，分别基于GRADS与NCL绘图软件提供了CNOP风场与温度场模态绘图脚本、CNOP垂直总能量积分绘图脚本、目标观测敏感区绘图脚本、MM5模式模拟台风路径绘图脚本。
综上所述，本实施例的识别步骤如下：
步骤01：根据所选择的研究台风个例获取用于产生基态场所需的再分析数据文件；
步骤02：利用所述前处理模块中的第五代中尺度MM5模式和天气预报模式科研版WRF-ARW模式产生所需的基态场；
步骤03：利用所述智能数据处理方法模块选择求解CNOP的智能数据处理方法并利用所述CNOP求解模块进行编译求解获得全局CNOP；
步骤04：利用相应中尺度模式的后处理模块中的绘图软件脚本对CNOP进行分析处理以识别确定所研究台风个例的目标感测敏感区。
以上所述，仅为本发明的具体实施方式，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，可轻易想到各种等效的修改或替换，这些修改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以权利要求的保护范围为准。
Claims (8)
1.一种用于中尺度模式CNOP求解识别观测敏感区的架构，其特征在于，该系统包括前处理模块、智能数据处理方法模块、CNOP求解模块和后处理模块，其中，所述前处理模块包括第五代中尺度模式和天气预报模式科研版，所述第五代中尺度模式和所述天气预报模式科研版，均用于产生所述CNOP求解模块所需的基态场，所述智能数据处理方法模块，用于利用免伴随的、基于降维的智能数据处理方法求解CNOP，所述CNOP求解模块，用于将所有与CNOP求解有关的主程序与子程序编译后整合到一个模块中运行，所述后处理模块，用于利用绘图软件提供绘图脚本。
2.根据权利要求1所述的一种用于中尺度模式CNOP求解识别观测敏感区的架构，其特征在于，所述的第五代中尺度模式，其输入包括由欧洲中期天气预报中心提供的Surface与Pressure数据文件、经MM5V3中的TERRAIN、REGRID、INTERPF模块产生所选台风个例的初值文件和边界条件文件，其输出为所述CNOP求解模块所需的基态场。
3.根据权利要求1所述的一种用于中尺度模式CNOP求解识别观测敏感区的架构，其特征在于，所述的天气预报模式科研版，其输入包括由美国国家环境预报中心机构提供的再分析资料FNL数据及其本身进一步所产生的初值文件和边界条件文件，其输出为所述CNOP求解模块所需的基态场。
4.根据权利要求1所述的一种用于中尺度模式CNOP求解识别观测敏感区的架构，其特征在于，所述智能数据处理方法模块包括多个智能数据处理方法，所述智能数据处理方法包括：基于主成分分析的遗传数据处理方法PCAGA、基于主成分分析的粒子群数据处理方法PPSO、基于Sine映射与分段策略的禁忌搜索数据处理方法CTS-SS和基于PCA的粒子群与狼群搜索的自适应混合协同进化数据处理方法ACPW。
5.根据权利要求1所述的一种用于中尺度模式CNOP求解识别观测敏感区的架构，其特征在于，所述CNOP求解模块的求解过程包括以下步骤：
S1：第一次调用mm5.exe或wrf.exe以对所述CNOP求解模块输入基态场；
S2：第二次调用mm5.exe或wrf.exe以对所述CNOP求解模块输入叠加有误差的基态场；
S3：将两次所述CNOP求解模块输出结果做差并确定差值场的二范数以获得适应度函数值；
S4：利用适应度函数值以寻找全局CNOP结果。
6.根据权利要求1所述的一种用于中尺度模式CNOP求解识别观测敏感区的架构，其特征在于，所述绘图软件包括GRADS和NCL。
7.根据权利要求1所述的一种用于中尺度模式CNOP求解识别观测敏感区的架构，其特征在于，所述绘图脚本包括CNOP风场与温度场模态绘图脚本、CNOP垂直总能量积分绘图脚本、目标观测敏感区绘图脚本、MM5模式模拟台风路径绘图脚本。
8.一种采用如权利要求1～7其中任意一项所述的用于中尺度模式CNOP求解识别观测敏感区的架构的识别方法，其特征在于，包括以下步骤：
步骤1：根据所选择的研究台风个例获取用于产生基态场所需的再分析数据文件；
步骤2：利用所述前处理模块中的第五代中尺度MM5模式和天气预报模式科研版WRF-ARW模式产生所需的基态场；
步骤3：利用所述智能数据处理方法模块选择求解CNOP的智能数据处理方法并利用所述CNOP求解模块进行编译求解获得全局CNOP；
步骤4：利用相应中尺度模式的所述后处理模块中的绘图软件脚本对CNOP进行分析处理以识别确定所研究台风个例的目标感测敏感区。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910073868.7A CN109871986A (zh) | 2019-01-25 | 2019-01-25 | 一种用于中尺度模式cnop求解识别观测敏感区的架构及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910073868.7A CN109871986A (zh) | 2019-01-25 | 2019-01-25 | 一种用于中尺度模式cnop求解识别观测敏感区的架构及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109871986A true CN109871986A (zh) | 2019-06-11 |
Family
ID=66918062
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910073868.7A Pending CN109871986A (zh) | 2019-01-25 | 2019-01-25 | 一种用于中尺度模式cnop求解识别观测敏感区的架构及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109871986A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112540748A (zh) * | 2020-11-09 | 2021-03-23 | 华能新能源股份有限公司 | 一种基于Linux系统bash脚本控制的中尺度风能资源分析自动化运行系统 |
-
2019
- 2019-01-25 CN CN201910073868.7A patent/CN109871986A/zh active Pending
Non-Patent Citations (3)
| Title |
|---|
| BIN MU: "Parallel dynamic search fireworks algorithm with linearly decreased dimension number strategy for solving conditional nonlinear optimal perturbation", 《2017 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS》 * |
| BIN MU: "Principal component analysis based genetic algorithm for solving conditional nonlinear optimal perturbation", 《2015 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS》 * |
| 王晓雷: "条件非线性最优扰动在南海台风中的应用研究", 《成都信息工程学院学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112540748A (zh) * | 2020-11-09 | 2021-03-23 | 华能新能源股份有限公司 | 一种基于Linux系统bash脚本控制的中尺度风能资源分析自动化运行系统 |
| CN112540748B (zh) * | 2020-11-09 | 2024-02-27 | 华能新能源股份有限公司 | 一种中尺度风能资源分析自动化运行系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Boosting slime mould algorithm for parameter identification of photovoltaic models | |
| Huang et al. | Explorations of the implementation of a parallel IDW interpolation algorithm in a Linux cluster-based parallel GIS | |
| Yu et al. | LSTM-EFG for wind power forecasting based on sequential correlation features | |
| He et al. | Will rapid urban expansion in the drylands of northern China continue: A scenario analysis based on the Land Use Scenario Dynamics-urban model and the Shared Socioeconomic Pathways | |
| Fuhrer et al. | Towards a performance portable, architecture agnostic implementation strategy for weather and climate models | |
| Qin et al. | Parallelizing flow-accumulation calculations on graphics processing units—From iterative DEM preprocessing algorithm to recursive multiple-flow-direction algorithm | |
| Talavera-Llames et al. | Big data time series forecasting based on nearest neighbours distributed computing with Spark | |
| Li et al. | Pattern of spatial evolution of rural settlements in the Jizhou District of China during 1962–2030 | |
| Refice et al. | SIGNUM: A Matlab, TIN-based landscape evolution model | |
| CN102222313A (zh) | 基于核主成分分析的城市演化模拟元胞模型处理方法 | |
| Hofmeyer et al. | Automated design studies: topology versus one-step evolutionary structural optimisation | |
| Jiang et al. | Parallel contributing area calculation with granularity control on massive grid terrain datasets | |
| CN105868540A (zh) | 应用智能支持向量机对多环芳烃性质/毒性的预测方法 | |
| Sun et al. | Privileged information-driven random network based non-iterative integration model for building energy consumption prediction | |
| Verdone et al. | Explainable Spatio-Temporal Graph Neural Networks for multi-site photovoltaic energy production | |
| CN109871986A (zh) | 一种用于中尺度模式cnop求解识别观测敏感区的架构及方法 | |
| Ding et al. | Fruit fly optimization algorithm based on a novel fluctuation model and its application in band selection for hyperspectral image | |
| CN107644143B (zh) | 一种基于向量化和并行计算的高性能城市ca模型构建方法 | |
| Wang et al. | Toward Ultrahigh-Resolution E3SM Land Modeling on Exascale Computers | |
| Fenech et al. | Selecting a global climate model for understanding future projections of climate change | |
| CN115392137B (zh) | 一种基于岩溶塌陷水土耦合作用的三维模拟系统 | |
| CN117408503A (zh) | 一种结合生态系统服务的湿地生态风险评估方法 | |
| Dong et al. | A hybrid prediction model for wind speed using support vector machine and genetic programming in conjunction with error compensation | |
| Bhattacharya et al. | A Tensor Based Framework for Large Scale Spatio-Temporal Raster Data Processing | |
| CN112784477A (zh) | 一种基于WRF-LES和BP-PSO-Bagging相结合的风功率预测方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190611 |
|
| WD01 | Invention patent application deemed withdrawn after publication |