CN110058328A - 东北夏季降水多模式组合降尺度预测方法 - Google Patents
东北夏季降水多模式组合降尺度预测方法 Download PDFInfo
- Publication number
- CN110058328A CN110058328A CN201910090461.5A CN201910090461A CN110058328A CN 110058328 A CN110058328 A CN 110058328A CN 201910090461 A CN201910090461 A CN 201910090461A CN 110058328 A CN110058328 A CN 110058328A
- Authority
- CN
- China
- Prior art keywords
- mode
- prediction
- field
- emissions reduction
- precipitation
- 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (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
以提高中国东北地区夏季降水预测准确率进而提升气候服务能力为目标,研发了东北夏季降水多模式组合降尺度预测方法。该方法兼顾国内外先进的气候模式预报信息和前期实况因子信息,结合模式误差订正技术,并采用奇异值分解方法,分别建立小尺度的东北夏季降水场与大尺度的模式夏季环流预报场及大尺度的前期外强迫实况场的耦合型关系,进而建立东北夏季降水预报模型。并通过对多模式、多方案预测效果的对比检验,得到最优的、具有区域特色的东北夏季降水多模式组合降尺度预报模型。本发明可有效提高国内外气候模式东北夏季降水预测准确率,更好地为政府防灾减灾决策提供技术支撑。
Description
技术领域
本发明属于气候预测领域,具体涉及一种东北夏季降水多模式组合降尺度预测方法。
背景技术
月、季节(尤其是夏季及各月)气候趋势预测一直是短期气候预测的重点和难点,也是政府防汛抗旱工作部署的重要参考。几十年来,为提高气候预测准确率,气象学者开展了大量工作,取得了许多有意义的成果。
目前,短期气候预测总体思路主要有两种,一种是依靠历史资料分析演变规律的统计方法,另一种是依靠物理机制建立数值模式的动力学方法,两种方法各有优势,也均有自身的缺陷。丑纪范(1986)认为:在长期预报中,将统计学方法与动力学方法有机结合,取长补短,通过利用历史统计信息达到修正动力学方法的误差,这不失为一种合理的方法。围绕如何将两种方法更有效结合的问题,国外学者开展了相应的研究(Mo,et al,2002;Tippett,et al,2005),随后,国内气象学家将动力-统计相结合的思路应用于中国的气候预测应用中,基于气候预测模式的历史回报结果,对长江流域(王启光等,2011)、东北区域(Xiong et al.,2011;熊开国等,2012;Fang et al.,2017)、华北区域(杨杰等,2012)等地的订正和预测方法进行了相应研究。此外,基于模式高技巧输出信息的降尺度方法可以明显改进气候预测的效果,因此,基于模式的统计降尺度方法也得到了广泛应用(贾小龙等,2010;顾伟宗等,2012;Sun and Chen,2012)。降尺度能够从模式预报效果较好的大尺度环流场中提取关键信息,进而推算出降水,较模式直接预测降水更加准确。此外,前期外强迫场的实况也是建立降尺度模型的关键因素,因此,同时考虑模式同期环流场和前期外强迫实况来建立降尺度模型即组合降尺度(Hybrid Statistical Downscaling,简称HSD),对改进模式降水预测效果可能有更大帮助,我国学者近年来在这方面取得了一些进展(Liu andFan,2012;2013;Liu and Ren,2015;刘颖等,2017)。
通过总结以往研究发现:首先,前人大都将东北夏季降水作为一个整体进行预测,但初夏和盛夏影响因子不同,有必要开展区分初夏和盛夏降水的降尺度预测工作;其次,降尺度预测过程中,往往单纯基于模式预测技巧较高的大气环流信息进行预测,且建立降尺度关系时往往直接应用未订正的模式环流场输出结果,而兼顾订正后的模式环流预测信息和外强迫实况信息的东北初夏和盛夏降水组合降尺度预测工作更不多见;最后,对模式的解释应用大都基于某个单独模式进行研究,多模式集成预测效果和单模式技巧对比的工作略少。因此,为进一步提高模式东北雨季降水预测能力,有必要以国内外多家气候预测模式(BCC_CSM、CFSv2和ECMWF等)输出结果为基础,通过对模式环流预测结果的订正工作,结合前期外强迫实况信息(均由前文诊断分析得到),进行东北雨季降水的组合降尺度预报研究十分必要。
发明内容
本发明针对现有技术中的不足,提供一种东北夏季降水多模式组合降尺度预测方法。
为实现上述目的,本发明采用以下技术方案:
步骤一、确定预测对象和预测因子,并对其进行滤噪,预测对象是东北夏季降水场,预测因子是多家模式环流预测场和前期海温实况场,
步骤二、由于模式对中高纬环流预测技巧较低,建模前,首先对多家模式环流预测场进行误差订正;
步骤三、采用SVD方法建立东北夏季降水场与多家模式环流预测场的关系;
步骤四、采用SVD方法建立东北夏季降水场与前期海温实况场的关系;
步骤五、基于SVD左场和右场的时间系数,采用回归方法,建立多个降尺度预报方程,并得到多家模式环流预测场的预测结果和前期海温实况场的预测结果,其中,左场是各家模式环流预测场和前期海温实况场,右场是东北夏季降水场;
步骤六、将前期海温实况场的预测结果分别和各家模式环流预测场的预测结果进行合成,得到各家模式下的组合降尺度预测结果,再将各家模式下的组合降尺度预测结果进行集成,得到多模式集成的组合降尺度预测结果。
为优化上述技术方案,采取的具体措施还包括:
所述多家模式环流预测场为BCC同期环流场、EC同期环流场和CFS同期环流场。
所述前期海温实况场为3月北大西洋海温场和3月北太平洋海温场。
所述步骤一中,滤噪音采用EOF分解方法,分别对预测对象和预测因子进行分解,根据EOF分解得到的两个场的时间系数和空间向量,分别保留两个场EOF前10个主要模态,将预测对象和预测因子回算到原始变量场形式。
所述步骤二中,对多家模式环流预测场进行订正,具体如下:用各格点历年模式预报误差与各格点预报值建立回归方程,将订正年各格点的预报值带入回归方程,从而得到预报误差,最后用订正年各格点预报值减去回归得到的预报误差,便得出订正年的订正结果。
所述步骤五中,根据SVD左场和右场的时间系数建立降尺度方程,即右场SVD时间系数作为因变量,左场SVD时间系数作为自变量,建立一元回归方程,取SVD前5个模态,将SVD各模态方差贡献率作为权重系数,将各模态预报方程的预测结果进行权重平均,并将自变量最新一年的时间系数值带入方程,得到最终的降水预测结果。
所述步骤六中,将前期海温实况场的预测结果分别和各家模式环流预测场的预测结果进行加权平均,得到基于各家模式的组合降尺度预测结果;将基于各家模式的组合降尺度预测结果再进行加权平均,得到多模式集成组合降尺度预测结果。
本发明的有益效果是:能够提高国内外气候模式东北夏季降水预测准确率,采用本发明的预测方法,东北夏季降水预测准确率在距平相关系数(ACC)和均方根误差(RMSE)均较气候模式东北夏季降水预测结果有所提高,从而更好地为政府防灾减灾决策提供技术支撑。
附图说明
图1是东北夏季降水多模式组合降尺度预测方法的技术路线框图。
图2a是订正前EC模式初夏500hPa高度预测场和东北初夏降水场第一模态左场(500hPa高度场)异类相关分布。
图2b是订正后EC模式初夏500hPa高度预测场和东北初夏降水场第一模态左场(500hPa高度场)异类相关分布。
图2c是东北初夏降水与同期500hPa高度场相关分布(点区代表通过0.1信度显著性检验的区域)。
图3a是订正前EC模式盛夏500hPa高度预测场和东北盛夏降水场第一模态左场(500hPa高度场)异类相关分布。
图3b是订正后EC模式盛夏500hPa高度预测场和东北盛夏降水场第一模态左场(500hPa高度场)异类相关分布。
图3c是东北盛夏降水与同期500hPa高度场相关分布(点区代表通过0.1信度显著性检验的区域)。
图4是3月北大西洋海温实况场与东北初夏降水场SVD第一模态左场异类相关分布(点区代表通过0.1信度显著性检验的区域)。
图5是3月北太平洋海温实况场与东北盛夏降水场SVD第一模态左场异类相关分布(点区代表通过0.1信度显著性检验的区域)。
图6是初夏降水各种预报方案对应的7个独立样本年平均PS评分结果(纵坐标为PS评分值,横坐标为各种预测方案)。
图7是盛夏降水各种预报方案对应的7个独立样本年平均PS评分结果(纵坐标为PS评分值,横坐标为各种预测方案)。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
如图1所示的多模式组合降尺度预测方法,采用两个变量场信息耦合型方法建立组合降尺度预测模型,该方法较以往单点相关等方法的优势在于:可基于预测因子和预测对象场的主要空间信息,通过提取两个场的最优耦合变化型,从而建立降尺度模型。包括以下步骤:
1、预测对象和预测因子滤噪:在建模的拟合时段(1981-2010年)内,采用EOF分解方法,分别对预测因子(模式环流预测场和前期海温实况场)和预测对象场(东北初夏和盛夏降水场)进行分解,根据EOF分解得到的两个场的时间系数和空间向量,分别保留两个场EOF前10个主要模态,将预测因子和预测量回算到原始变量场形式,从而将变量场中的噪音滤掉。
2、模式环流预测场订正:虽然模式对大尺度环流预测效果较降水要素预测效果更好,但仍存在预报误差,因此在降尺度预测之前有必要对1981-2010年逐年初夏和盛夏模式500hPa高度预测场进行订正。订正某年500hPa高度场时,用各格点历年(在1981-2010年中去掉订正这一年)模式预报误差与各格点预报值建立回归方程,将订正年各格点的预报值带入回归方程,从而得到预报误差,最后用订正年各格点预报值减去回归得到的预报误差,便得出订正年500hPa高度场的订正结果。
3、用SVD方法建立两个场的耦合关系:将滤噪之后的预测因子场和预测量场进行SVD分解,获得两场间的耦合型。
4、回归建模:利用得到的预测因子和预测量的SVD主模态对应的时间系数,采用线性回归法计算得出降尺度方程。预测年的预测因子场对应的时间系数通过预测因子场及其对应的SVD空间向量,采用回归方法计算得出,将预测年的预测因子场时间系数带入降尺度方程,即可得到最终预测量的预测结果。
5、多模式集成组合降尺度预测:将模式环流降尺度预测结果和前期海温降尺度预测结果进行加权平均,得到组合降尺度预测结果;再将各家模式的组合降尺度结果进行加权平均,得到最终的多模式集成组合降尺度预测结果。
6、多模式组合降尺度预测效果的检验:独立样本检验方法是对各种预测结果的空间距平相关系数(ACC)、均方根误差(RMSE)和国家、各省气候中心短期气候预测业务PS评分(Prediction Score)方法进行检验。即用1981-2010年建模,分别对2011-2017年的预测结果进行效果检验,由于检验年是独立于建模时段的,即预报模型中不包含检验年的模式预报和实况信息,使得检验结果更具说服力。其中,每年的检验对象(预报方案)包括:三家模式的模式环流降尺度预测结果、前期海温降尺度预测结果、三家模式的单模式组合降尺度预测结果、多模式集成组合降尺度预测结果和三家模式降水直接预测结果。
ACC的计算方法如下公式:
X(j)为ACC值,F(i,j)为预报值,A(i,j)为实况,C(i,j)为气候平均态,N为样本数量。ACC的值处于-1到1之间,其值越大则预报效果越好。
RMSE和RMSEP的计算标准如下:
RMSEModel表示模式降水场的直接输出结果的均方根误差,即未经组合降尺度的结果,RMSEHSD表示组合降尺度预测降水结果的均方根误差。RMSE越小,表示预报的效果越好,当预报值与实况完全一致时,RMSE值为0。RMSEP表征降尺度预测结果较模式直接输出结果均方根提高的百分比,RMSEP的正(负)值表示组合降尺度预测技巧较模式直接预测技巧更高(低)。
PS评分方法考察站点气象要素预测结果与实况趋势和异常量级的关联程度,即各站气象要素的预测准确率,分值在0-100分之间。计算方法如下公式:
a、b和c分别为气候趋势项、一级异常(降水距平百分率在20-50%和-50-20%之间)项和二级异常(降水距平百分率大于50%或小于-50%)项的权重系数,分别取a=2,b=2,c=4。逐站判定预报的趋势是否正确,N0为趋势预测正确的总站数;逐站判定一级异常预报是否正确,N1为一级异常预测正确的总站数;逐站判定二级异常预报是否正确,N2为二级异常预测正确的总站数;M为异常漏报站数,即没有预报二级异常而实况出现降水距平百分率≥100%或等于-100%称异常漏报;N为实际参加评估的站数。
以下结合实例对本发明的东北夏季降水多模式组合降尺度预测方法进行说明。
首先,确定预测对象和预测因子。
由于每年雨季的起止日期不同,但气候模式输出的是逐月的预测结果,并且东北冷涡降水集中期和盛夏雨季的气候平均时段分别集中在6月和7-8月。因此,本发明对东北冷涡降水集中期和盛夏雨季降水的预测暂且归结为对初夏(6月)和盛夏(7-8月)降水的预测。
将模式同期环流预测场和前期外强迫实况信息作为预测因子,由于东北初夏和盛夏降水的主要环流影响因子均在500hPa高度场上有较明显的体现,因此,将模式对东亚及其周围区域(40°E-150°W,0°-90°N)500hPa高度场的预测结果作为预报因子(同期模式环流预测因子)。此外,前期3月北大西洋海温(北大西洋三极子)与东北初夏冷涡降水关系密切,前期3月北太平洋海温(北太平洋偶极子)和东北盛夏强降水相关显著,因此,分别将前期3月北大西洋区域(90°W-0°,10°S-70°N)和3月北太平洋区域(100°E-120°W,30°S-70°N)的海温场作为东北初夏和盛夏降水的预报因子(前期外强迫实况因子)。
然后,对模式环流预测场和东北降水场耦合关系进行分析。
采用SVD方法揭示预测因子场(模式同期500hPa高度预测场和前期3月北大西洋海温实况场)和预测对象场的关系。降尺度建模时采用累积方差贡献率达到70%以上的前几个模态进行计算,但是这里分析时仅给出能体现出主要特征的第一模态空间型。
考察模式500hPa高度预测场订正前、后与降水场的耦合关系,图2分别给出订正前、后EC模式初夏500hPa高度预测场和东北初夏降水场第一模态左场(500hPa高度场)异类相关分布及东北初夏降水与同期500hPa高度场相关分布图,由图2a可见,订正前第一模态左场异类相关显著区空间分布无明显规律,而图2b对应的订正后第一模态左场异类相关显著区体现出以50°N为中心,北正南负的显著相关分布,该分部与图2c的分布形势基本一致,说明对模式500hPa高度预测场进行订正后,较订正前更接近两个场相关分布的观测事实。此外,订正后的SVD左场分布型基本体现了东亚中高纬500hPa高度场“北正南负”(即东北冷涡环流异常)型对东北初夏降水的影响,具有较明确的物理意义。CFS和BCC模式的订正同理。
图3同图2但为盛夏的情况,由图3a可见,订正前第一模态左场异类相关显著区空间分布无明显规律。订正后,图3b体现出从北到南依次为“+-+”的显著相关分布,左场的分部形式与图3c基本一致,说明EC订正后与观测事实更为接近。其中,EC订正后左场的“+-+”的显著相关分布较好地反映出高纬的阻塞高压、中纬(东北地区所在纬度)的低值系统和中低纬度的西太副高的配合对东北盛夏降水的影响,只是各系统具体位置与观测有所差异。综上所述,订正后的左场分布形势具有较明确的物理意义。CFS和BCC模式的订正同理。
同样地,再对前期海温实况场和东北降水场耦合关系进行分析。
图4给出前期3月北大西洋海表温度场和东北初夏降水场第一模态左场(海温场)异类相关分布图,可见,第一模态左场异类相关显著区体现出北大西洋海区由北向南依次为“+-+”的显著相关分布,体现出东北初夏降水场主模态与北大西洋海温三极子的密切关系。
图5给出前期3月北太平洋海表温度场和东北盛夏降水场第一模态左场(海温场)异类相关分布图,可见,第一模态左场异类相关显著区体现出北太平洋海区由北向南依次为“+-+”的显著相关分布,其中北部的“+-”显著相关分布表现为北太平洋偶极子型,该分布形势与暖期(1981-2013年)盛夏强降水与北太平洋偶极子相关显著的结论基本一致。因此,采用前期3月北太平洋海温作为东北初夏降水的预测因子之一具备明确的物理意义。
接下来,建立预测对象和预测因子的降尺度关系。采用回归方法,根据SVD左场和右场的时间系数建立降尺度方程。将右场(预报对象)SVD时间系数作为因变量,左场(海温实况场或模式环流预测场)SVD时间系数作为自变量,建立一元回归方程,取SVD前5个模态,将SVD各模态方差贡献率作为权重系数,将各模态预报方程的预测结果进行权重平均。并将自变量最新一年的时间系数值带入方程,得到最终的降水预测结果。例如:预测2018年降水,将2018年3月海温实况场SVD时间系数带入方程即可;涉及到模式同期环流预测场2018年时间系数时,根据2018年环流场预测结果和环流预测场SVD空间向量回归出2018年环流预测场SVD时间系数,并带入方程即可。得到由前期海温降尺度得到的预测结果和各家模式环流预测场降尺度得到的预测结果后,将海温降尺度结果分别和各家模式环流降尺度结果进行算数平均,即得到的组合降尺度预测结果。将各家模式与海温的组合降尺度结果再进行算数平均,即得到多模式集成的组合降尺度预测结果。
最后,对东北夏季降水组合降尺度预测效果进行检验。采用前文所述的独立样本检验,每年的检验对象包括:三家模式的模式环流降尺度预测结果(分别简称:BCC降尺度、EC降尺度和CFS降尺度)、前期海温降尺度预测结果(简称:海温降尺度)、三家模式的单模式组合降尺度预测结果(分别简称:BCC组合降尺度、EC组合降尺度和CFS组合降尺度)、多模式集成组合降尺度预测结果(简称:多模式组合降尺度)和三家模式降水原始预测结果(分别简称:BCC原始降水、EC原始降水和CFS原始降水)。选取PS评分方式,对比模式原始降水预测效果、海温降尺度效果、模式降尺度效果、组合降尺度效果和多模式组合降尺度效果的优劣。此处还可采用ACC、RMSE评分方式,结论相似。
图6给出初夏降水各种预报方案对应的7个独立样本年平均PS评分结果,可见,三家模式直接初夏降水预测结果的PS评分均未超过70分(EC最高,CFS其次,BCC再次);海温降尺度结果为70.8,较模式直接预测效果略有提升;三家模式降尺度的结果均在70分以上,优于模式直接预测效果;三家模式组合降尺度预测结果的PS评分均高于75分,较模式直接预测和基于单独信息的降尺度预测效果有一定提高;多模式组合降尺度预测的PS评分为80.4,是所有预测方案中PS评分最高的方案,体现了多模式集合预测在提高气候预测效果上的优势。
图7给出盛夏降水各种预报方案对应的7个独立样本年平均PS评分结果,可见,CFS和EC模式直接盛夏降水预测结果的PS评分均低于70分;基于海温降尺度预测结果的PS评分为73.7分,较模式直接盛夏降水预测结果有一定提升;三家模式组合降尺度预测结果的PS评分均高于70分,也较模式直接盛夏降水预测结果有一定提升;三家模式的组合降尺度预测结果PS评分分别为75.5(BCC)、72.9(CFS)和71.7(EC),均较对应的单纯考虑模式环流预测信息的降尺度预测结果PS评分略有提升;从PS评分的角度分析,多模式组合降尺度预测结果的PS评分为77.7,是各种预报方案中的最优方案。
综上所述,本发明兼顾了气候预测模式的环流预报结果和前期外强迫实况信息,有针对性地确定东北地区夏季降水的前期外强迫因子和同期大气环流因子;同时,结合对气候模式同期环流场预报误差的订正工作,利用场信息耦合型建模新方法,将诊断分析得到的因子融入预测过程中,研发得到具有东北区域特色的、动力-统计相结合的东北地区夏季降水组合降尺度预测方法。通过多种预测方案的预测效果检验,证明了所研发的多模式集成组合降尺度预测方法较原始模式预报准确率的有所提升。
需要注意的是,发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (7)
1.东北夏季降水多模式组合降尺度预测方法,其特征在于,包括以下步骤:
步骤一、确定预测对象和预测因子,并对其进行滤噪,预测对象是东北夏季降水场,预测因子是多家模式环流预测场和前期海温实况场,
步骤二、由于模式对中高纬环流预测技巧较低,建模前,首先对多家模式环流预测场进行误差订正;
步骤三、采用SVD方法建立东北夏季降水场与多家模式环流预测场的关系;
步骤四、采用SVD方法建立东北夏季降水场与前期海温实况场的关系;
步骤五、基于SVD左场和右场的时间系数,采用回归方法,建立多个降尺度预报方程,并得到多家模式环流预测场的预测结果和前期海温实况场的预测结果,其中,左场是各家模式环流预测场和前期海温实况场,右场是东北夏季降水场;
步骤六、将前期海温实况场的预测结果分别和各家模式环流预测场的预测结果进行合成,得到各家模式下的组合降尺度预测结果,再将各家模式下的组合降尺度预测结果进行集成,得到多模式集成的组合降尺度预测结果。
2.如权利要求1所述的东北夏季降水多模式组合降尺度预测方法,其特征在于:所述多家模式环流预测场为BCC同期环流场、EC同期环流场和CFS同期环流场。
3.如权利要求1所述的东北夏季降水多模式组合降尺度预测方法,其特征在于:所述前期海温实况场为3月北大西洋海温场和3月北太平洋海温场。
4.如权利要求1所述的东北夏季降水多模式组合降尺度预测方法,其特征在于:所述步骤一中,滤噪音采用EOF分解方法,分别对预测对象和预测因子进行分解,根据EOF分解得到的两个场的时间系数和空间向量,分别保留两个场EOF前10个主要模态,将预测对象和预测因子回算到原始变量场形式。
5.如权利要求1所述的东北夏季降水多模式组合降尺度预测方法,其特征在于:所述步骤二中,对多家模式环流预测场进行订正,具体如下:用各格点历年模式预报误差与各格点预报值建立回归方程,将订正年各格点的预报值带入回归方程,从而得到预报误差,最后用订正年各格点预报值减去回归得到的预报误差,便得出订正年的订正结果。
6.如权利要求1所述的东北夏季降水多模式组合降尺度预测方法,其特征在于:所述步骤五中,根据SVD左场和右场的时间系数建立降尺度方程,即右场SVD时间系数作为因变量,左场SVD时间系数作为自变量,建立一元回归方程,取SVD前5个模态,将SVD各模态方差贡献率作为权重系数,将各模态预报方程的预测结果进行权重平均,并将自变量最新一年的时间系数值带入方程,得到最终的降水预测结果。
7.如权利要求1所述的东北夏季降水多模式组合降尺度预测方法,其特征在于:所述步骤六中,将前期海温实况场的预测结果分别和各家模式环流预测场的预测结果进行加权平均,得到基于各家模式的组合降尺度预测结果;将基于各家模式的组合降尺度预测结果再进行加权平均,得到多模式集成组合降尺度预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910090461.5A CN110058328B (zh) | 2019-01-30 | 2019-01-30 | 东北夏季降水多模式组合降尺度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910090461.5A CN110058328B (zh) | 2019-01-30 | 2019-01-30 | 东北夏季降水多模式组合降尺度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110058328A true CN110058328A (zh) | 2019-07-26 |
CN110058328B CN110058328B (zh) | 2021-02-26 |
Family
ID=67316421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910090461.5A Expired - Fee Related CN110058328B (zh) | 2019-01-30 | 2019-01-30 | 东北夏季降水多模式组合降尺度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110058328B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555191A (zh) * | 2019-09-06 | 2019-12-10 | 自然资源部第一海洋研究所 | 一种海水剖面观测数据的距平求取方法 |
CN110703358A (zh) * | 2019-09-26 | 2020-01-17 | 南京信息工程大学 | 一种计算海表面温度对沿海地区降水影响的方法 |
CN111638564A (zh) * | 2020-05-27 | 2020-09-08 | 中国水利水电科学研究院 | 降雨预报的方法、装置、设备以及存储介质 |
CN111856621A (zh) * | 2020-07-17 | 2020-10-30 | 中国气象科学研究院 | 一种基于模式与观测数据融合的集成演变svd转换方法 |
CN112053005A (zh) * | 2020-09-15 | 2020-12-08 | 江苏省气象台 | 一种主客观降水预报的机器学习融合方法 |
CN113033957A (zh) * | 2021-02-26 | 2021-06-25 | 兰州中心气象台(兰州干旱生态环境监测预测中心) | 一种多模式降水预报及实时动态检验评估系统 |
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 |
CN113536576A (zh) * | 2021-07-20 | 2021-10-22 | 中国气象局气象干部培训学院四川分院(四川省信息工程学校) | 一种数值预报产品距平积分动力统计订正方法和系统 |
CN113627683A (zh) * | 2021-08-25 | 2021-11-09 | 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 |
CN113779760A (zh) * | 2021-08-10 | 2021-12-10 | 南京大学 | 基于可预测气候模态的动力-统计结合季节气候预测方法 |
CN113837620A (zh) * | 2021-09-26 | 2021-12-24 | 华北电力大学 | 一种用于评估温度极值变化的方法 |
CN114002760A (zh) * | 2021-11-01 | 2022-02-01 | 南京信息工程大学 | 一种温湿复合型热浪预测方法、装置及存储介质 |
CN114580711A (zh) * | 2022-01-29 | 2022-06-03 | 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 |
CN114910981A (zh) * | 2022-06-15 | 2022-08-16 | 中山大学 | 一种相邻预见期降水预报重叠与新增信息的量化评估方法及系统 |
CN116307278A (zh) * | 2023-05-18 | 2023-06-23 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种风能和太阳能月尺度资源的预报方法 |
CN118348617A (zh) * | 2024-06-18 | 2024-07-16 | 贵州省气象台 | 一种基于气象信息的短临实况预警方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102221714A (zh) * | 2011-03-11 | 2011-10-19 | 钱维宏 | 基于大气变量物理分解的低温雨雪冰冻天气的中期预报系统和方法 |
WO2015148887A1 (en) * | 2014-03-28 | 2015-10-01 | Northeastern University | System for multivariate climate change forecasting with uncertainty quantification |
CN106716479A (zh) * | 2014-03-31 | 2017-05-24 | 英皇创新有限公司 | 从局部模型导出性能的计算机实现方法 |
US20170357920A1 (en) * | 2016-06-09 | 2017-12-14 | Douglas Stewart | Method and system for estimating and mapping weather risk |
CN108229735A (zh) * | 2017-12-29 | 2018-06-29 | 国网青海省电力公司 | 基于气候因子的流域丰枯预测方法及系统 |
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 |
CN108830167A (zh) * | 2018-04-19 | 2018-11-16 | 哈尔滨工程大学 | 一种基于k-svd字典学习的海水温度场数据重构方法 |
-
2019
- 2019-01-30 CN CN201910090461.5A patent/CN110058328B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102221714A (zh) * | 2011-03-11 | 2011-10-19 | 钱维宏 | 基于大气变量物理分解的低温雨雪冰冻天气的中期预报系统和方法 |
WO2015148887A1 (en) * | 2014-03-28 | 2015-10-01 | Northeastern University | System for multivariate climate change forecasting with uncertainty quantification |
CN106716479A (zh) * | 2014-03-31 | 2017-05-24 | 英皇创新有限公司 | 从局部模型导出性能的计算机实现方法 |
US20170357920A1 (en) * | 2016-06-09 | 2017-12-14 | Douglas Stewart | Method and system for estimating and mapping weather risk |
CN108229735A (zh) * | 2017-12-29 | 2018-06-29 | 国网青海省电力公司 | 基于气候因子的流域丰枯预测方法及系统 |
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 |
CN108830167A (zh) * | 2018-04-19 | 2018-11-16 | 哈尔滨工程大学 | 一种基于k-svd字典学习的海水温度场数据重构方法 |
Non-Patent Citations (2)
Title |
---|
YING LIU: "A hybrid statistical downscaling model for prediction", 《ROYAL METEOROLOGICAL SOCIETY》 * |
苏海晶: "基于奇异值分解对中国夏季降水模式误差订正的研究", 《物理学报》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555191A (zh) * | 2019-09-06 | 2019-12-10 | 自然资源部第一海洋研究所 | 一种海水剖面观测数据的距平求取方法 |
CN110555191B (zh) * | 2019-09-06 | 2022-10-25 | 自然资源部第一海洋研究所 | 一种海水剖面观测数据的距平求取方法 |
CN110703358A (zh) * | 2019-09-26 | 2020-01-17 | 南京信息工程大学 | 一种计算海表面温度对沿海地区降水影响的方法 |
CN111638564B (zh) * | 2020-05-27 | 2022-03-18 | 中国水利水电科学研究院 | 降雨预报的方法、装置、设备以及存储介质 |
CN111638564A (zh) * | 2020-05-27 | 2020-09-08 | 中国水利水电科学研究院 | 降雨预报的方法、装置、设备以及存储介质 |
CN111856621A (zh) * | 2020-07-17 | 2020-10-30 | 中国气象科学研究院 | 一种基于模式与观测数据融合的集成演变svd转换方法 |
CN112053005A (zh) * | 2020-09-15 | 2020-12-08 | 江苏省气象台 | 一种主客观降水预报的机器学习融合方法 |
CN112053005B (zh) * | 2020-09-15 | 2024-04-02 | 江苏省气象台 | 一种主客观降水预报的机器学习融合方法 |
CN113033957A (zh) * | 2021-02-26 | 2021-06-25 | 兰州中心气象台(兰州干旱生态环境监测预测中心) | 一种多模式降水预报及实时动态检验评估系统 |
CN113033957B (zh) * | 2021-02-26 | 2023-10-27 | 兰州中心气象台(兰州干旱生态环境监测预测中心) | 一种多模式降水预报及实时动态检验评估系统 |
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 |
CN113536576B (zh) * | 2021-07-20 | 2022-04-22 | 中国气象局气象干部培训学院四川分院(四川省信息工程学校) | 一种数值预报产品距平积分动力统计订正方法和系统 |
CN113536576A (zh) * | 2021-07-20 | 2021-10-22 | 中国气象局气象干部培训学院四川分院(四川省信息工程学校) | 一种数值预报产品距平积分动力统计订正方法和系统 |
CN113779760A (zh) * | 2021-08-10 | 2021-12-10 | 南京大学 | 基于可预测气候模态的动力-统计结合季节气候预测方法 |
CN113779760B (zh) * | 2021-08-10 | 2023-08-04 | 南京大学 | 基于可预测气候模态的动力-统计结合季节气候预测方法 |
CN113627683A (zh) * | 2021-08-25 | 2021-11-09 | 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 |
CN113837620A (zh) * | 2021-09-26 | 2021-12-24 | 华北电力大学 | 一种用于评估温度极值变化的方法 |
CN113837620B (zh) * | 2021-09-26 | 2024-02-02 | 华北电力大学 | 一种用于评估温度极值变化的方法 |
CN114002760A (zh) * | 2021-11-01 | 2022-02-01 | 南京信息工程大学 | 一种温湿复合型热浪预测方法、装置及存储介质 |
CN114580711A (zh) * | 2022-01-29 | 2022-06-03 | 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 |
CN114910981A (zh) * | 2022-06-15 | 2022-08-16 | 中山大学 | 一种相邻预见期降水预报重叠与新增信息的量化评估方法及系统 |
CN116307278B (zh) * | 2023-05-18 | 2023-08-08 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种风能和太阳能月尺度资源的预报方法 |
CN116307278A (zh) * | 2023-05-18 | 2023-06-23 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种风能和太阳能月尺度资源的预报方法 |
CN118348617A (zh) * | 2024-06-18 | 2024-07-16 | 贵州省气象台 | 一种基于气象信息的短临实况预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110058328B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110058328A (zh) | 东北夏季降水多模式组合降尺度预测方法 | |
Chinchilla et al. | Worldwide annual optimum tilt angle model for solar collectors and photovoltaic systems in the absence of site meteorological data | |
Hirabayashi et al. | Global projections of changing risks of floods and droughts in a changing climate | |
García et al. | Trends in block-seasonal extreme rainfall over the Iberian Peninsula in the second half of the twentieth century | |
Kunkel et al. | Assessment of potential effects of climate change on heavy lake-effect snowstorms near Lake Erie | |
Hong et al. | Basis for recommending an update of wind velocity pressures in Canadian design codes | |
Ng et al. | Defining standard skies for Hong Kong | |
Sun et al. | Comparisons of surface meteorology and turbulent heat fluxes over the Atlantic: NWP model analyses versus moored buoy observations | |
CN113779760B (zh) | 基于可预测气候模态的动力-统计结合季节气候预测方法 | |
CN113591572A (zh) | 基于多源数据和多时相数据的水土流失定量监测方法 | |
Benchrifa et al. | Development of new models for the estimation of hourly components of solar radiation: tests, comparisons, and application for the generation of a solar database in Morocco | |
Guo et al. | Evaluation and comparison of CMIP6 and CMIP5 model performance in simulating the runoff | |
Gong et al. | Methods for improving the prediction skill of summer precipitation over East Asia–West Pacific | |
Otache et al. | ARMA modelling of Benue River flow dynamics: comparative study of PAR model | |
Zeng et al. | Accuracy validation of TRMM Multisatellite Precipitation Analysis daily precipitation products in the Lancang River Basin of China | |
Huang et al. | Non-stationary statistical modeling of extreme wind speed series with exposure correction | |
Kim et al. | Wind-driven rain exposure on building envelopes taking into account frequency distribution and correlation with different wall orientations | |
CN113592186A (zh) | 一种基于实测径流数据的水文预报状态变量实时修正方法 | |
Camberlin et al. | Inter-relationships between groundnut yield in Senegal, interannual rainfall variability and sea-surface temperatures | |
Gouda et al. | Empirical models for estimating global solar radiation in Wuhan City, China | |
Nahmani et al. | Sensitivity of GPS tropospheric estimates to mesoscale convective systems in West Africa | |
Kingston et al. | Atmospheric circulation drivers of lake inflow for the Waitaki River, New Zealand. | |
Glowacki et al. | Mesoscale surface analysis system for the Australian domain: Design issues, development status, and system validation | |
Huang et al. | Prediction of sea fog of Guangdong coastland using the variable factors output by GRAPES model | |
Ioannidou et al. | Forecasting of surface winds over eastern Canada using the Canadian offline land surface modeling system |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210226 Termination date: 20220130 |