CN110058329A - 一种气象要素智能网格预报产品空间降尺度方法 - Google Patents
一种气象要素智能网格预报产品空间降尺度方法 Download PDFInfo
- Publication number
- CN110058329A CN110058329A CN201910322146.0A CN201910322146A CN110058329A CN 110058329 A CN110058329 A CN 110058329A CN 201910322146 A CN201910322146 A CN 201910322146A CN 110058329 A CN110058329 A CN 110058329A
- Authority
- CN
- China
- Prior art keywords
- website
- smart grid
- meteorological element
- forecast
- forecast model
- 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
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- 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
一种气象要素智能网格预报产品空间降尺度方法,首先将气象要素智能网格预报产品插值到更高分辨率网格上,同时获取地面气象要素实况及预报值,确定偏差最优滑动统计期及最优偏差订正方式,进行实况点气象要素预报偏差统计,采用邻域法,将站点气象要素预报偏差订正值由实况点反馈到周围网格点上,实现气象要素智能网格预报产品空间降尺度。本发明通过对气象要素智能网格预报产品进行空间降尺度处理,利用地面加密气象观测站资料对高分辨率气象要素智能网格预报进行偏差订正,使高分辨率智能网格预报产品既精细又准确,确保提高网格产品空间分辨率的同时提高产品预报准确率,真正提供精准的网格预报产品,较目前使用的简单插值技术更为合理。
Description
技术领域
本发明属于天气预报技术领域,涉及一种气象要素智能网格预报产品空间降尺度方法。
背景技术
随着数值天气预报水平的提高和精细化天气预报业务的发展,天气预报已从传统的不规则站点预报转变成等经纬网格的智能网格预报,预报准确率和精细化水平显著提高。目前,全国范围的智能网格一张网业务产品分辨率为0.05oⅹ0.05 o,基本能够满足业务需求。但有些地区精细化预报需求比较高,希望能够得到更高分辨率(比如,1km分辨率)的智能网格预报产品。如何在保持跟业务一张网产品一致的前提下得到更高分辨率的智能网格预报产品,还没有很好的方法。为解决精细化服务需求,少数服务单位采用线性插值技术由0.05o×0.05 o智能网格预报产品降尺度得到0.01o×0.01 o网格预报产品。这种插值处理的高分辨率网格产品空间上比较均匀,相对0.05o×0.05 o网格预报产品没有更多的精细特征,在提高产品分辨率的同时,预报准确率没有提高,不能反映更精细局地特征差异。为此,迫切需要有效的智能网格预报产品空间降尺度方法,能够在生成高分辨率智能网格预报产品的同时,提高高分辨率智能网格预报产品对局地小尺度信息的预报能力。
发明内容
本发明针对传统技术中存在的问题提出一种新型的气象要素智能网格预报产品空间降尺度方法。
为了达到上述目的,本发明是采用下述的技术方案实现的:
一种气象要素智能网格预报产品空间降尺度方法,包括以下步骤:
(1)气象要素智能网格预报产品插值
获取研究区域范围内气象要素智能网格预报产品,采用反距离权重或双线性插值法将气象要素智能网格预报产品插值到更高分辨率的网格上(例如实施例1中将0.05o×0.05 o(约5km)日最高、最低气温智能网格预报产品空间降尺度到0.01o×0.01 o(约1km),也可以改变成其他分辨率网格,在此为了便于理解,只是列举其中一种);
(2)获取实况站点气象要素实况及预报值
获取地面加密气象观测站气象要素实况,基于更高分辨率的气象要素智能网格预报产品,通过邻域法获取实况点气象要素预报值;
(3)实况站点气象要素预报偏差最优滑动统计期及最优偏差订正方式确定:首先根据站点要素实况和预报值,对前期一段时间内气象要素预报误差进行逐日统计计算,获取不同滑动统计期内要素平均预报误差,通过与临近代表站及周围观测站点误差差异对比,结合不同季节特征确定各站点要素预报偏差订正方式;对订正前后的气象要素预报准确率进行评分,根据预报准确率大小选取订正预报效果最好的偏差滑动统计期及偏差订正方式;
(4)实况站点气象要素预报偏差订正:根据确定的最优滑动统计期逐日进行实况站点气象要素预报偏差滑动统计;
(5)采用邻域法,将站点气象要素预报偏差订正值由实况点反馈到周围网格点上,订正更高分辨率智能网格要素预报值,得到气象要素智能网格空间降尺度预报产品;
(6)建立业务化系统,逐日重复上述步骤,实现气象要素智能网格预报产品空间降尺度,获取更高分辨率的智能网格要素预报产品。
作为优选,所述智能网格为空间上均匀分布(等经纬度或等距离)的网格点预报产品。
作为优选,所述气象要素指气温、相对湿度、气压、风速、能见度等气象连续变量,不包括降水。
作为优选,所述空间降尺度指将空间上较低分辨率网格上的产品通过一定的方法加工处理到更高分辨率网格上。
作为优选,步骤(2)中所述实况站点为不规则分布的高密度地面观测站点。
作为优选,步骤(2)中获取地面加密气象观测站气象要素实况包括获取地面加密观测站点气象要素实况以及实况点的经纬度坐标。
作为优选,步骤(3)中所述前期一段时间内气象要素预报误差是指获取日前1-90天的气象要素智能网格预报误差。
作为优选,步骤(3)中所述临近代表站是指周围临近的具有较好区域代表性的气象观测站点,如国家级气象观测站。
作为优选,步骤(3)中所述订正后气象要素预报准确率为气象要素预报误差小于等于1或2的百分率。
作为优选,步骤(3)中所述预报误差是指预报值与实况值的差值。
作为优选,步骤(5)中所述采用邻域法,将站点气象要素预报偏差订正值由实况点反馈到周围网格点上。为保持高分辨率智能网格与原智能网格重合点预报的一致性,可对两个不同分辨率智能网格重合格点的值不做订正处理。
作为优选,步骤(5)中所述采用邻域法,将站点气象要素预报偏差订正值由实况点反馈到周围网格点上具体方法为:
a.数据准备:获取研究区域范围内所有网格点及实况站点海陆边界特征;
b.利用站点气象要素偏差订正值进行智能网格点气象要素预报订正,包括以下步骤:
b1.采用邻域法,以预报区域范围内的实况站点为基础,找到离站点最近的周围4个格点。如果站点与网格点重合,则为最近的1个格点及其周围8个格点;
b2.进行海陆下垫面特征判断:根据地形数据生成的海陆边界数据,判断实况站点的下垫面特征,以及周围4个格点的下垫面特征;如果下垫面特征与站点相同,则继续进行下一步操作;对于下垫面特征与站点不同的格点,不进行任何操作;
b3.进行网格点要素订正状态判断:每个格点订正前先进行订正状态判断,未订正时设为FALSE,订正后设为TRUE,同时记录该格点与订正站点的距离。如果该格点订正状态标记为TRUE,则先判断该格点到站点的距离d1,并与记录的该格点与上次订正站点的距离d2进行比较,如果d1>d2,则不订正该格点;如果d1<d2,则用该站点的要素预报偏差作为该格点的要素订正偏差,再次记录该站点与订正格点的距离;
b4.逐站进行循环,完成整个预报区域范围内所有站点向网格点订正值的反馈和相关格点的气象要素订正。
与现有技术相比,本发明的优点和积极效果在于:
本发明通过对气象要素智能网格预报产品进行空间降尺度处理,利用地面加密站资料对高分辨率智能网格要素预报进行偏差订正,使高分辨率智能网格预报产品既精细又准确,确保提高网格产品空间分辨率的同时提高产品预报准确率,真正提供精准的智能网格预报产品,较目前使用的简单插值技术更为合理。通过对2018年3月济南市0.05o×0.05 o(约5km)日最高、最低气温智能网格预报产品空间降尺度到0.01o×0.01 o(约1km)对比试验表明,经过空间订正降尺度后的1km产品预报准确率更高,更能反映地面气温局地差异特征。
附图说明
图1为2019年3月0.05o×0.05 o(约5km)智能网格气温预报产品空间降尺度到0.01o×0.01 o(约1km)时,直接线性插值产品(以1km表示)和空间降尺度订正产品(以1km_RT表示)对济南市地面2米日最高气温预报准确率评分对比。图2为2019年3月济南市0.05o×0.05 o(约5km)智能网格气温预报产品空间降尺度到0.01o×0.01 o(约1km)时,直接线性插值产品(以1km表示)和空间降尺度订正产品(以1km_RT表示)对济南市地面2米日最低气温预报准确率评分对比。
其中,横坐标为预报时效(天),纵坐标为预报准确率(%)。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合具体实施例对本发明做进一步说明。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用不同于在此描述的其他方式来实施,因此,本发明并不限于下面公开说明书的具体实施例的限制。
实施例1
本实施例基于0.05o×0.05 o日最高、最低气温智能网格预报产品,结合地面区域观测站点气温实况进行空间降尺度,获取0.01o×0.01 o分辨率的日最高、最低气温智能网格预报产品。
气温实况为不规则分布的站点资料,根据站点气温实况进行气温智能网格预报产品空间降尺度,采用如下步骤:
(1)以FORTRAN和NCL为主要编程语言,在WINDOWS环境下对0.05o×0.05 o日最高、最低气温智能网格预报产品进行处理,通过反距离权重法将0.05o×0.05 o日最高、最低气温智能网格预报产品插值到0.01o×0.01 o网格;
(2)基于气象CIMISS数据库,或地面观测站报文资料进行解码,获取地面气象观测站日最高、最低气温实况,基于0.01o×0.01 o日最高、最低气温智能网格预报产品,通过邻域法获取实况点日最高、最低气温预报值;
(3)以站点预报和实况为基础,采用不同的滑动统计期分别对前期一段时间(前1-90天)站点日最高、最低气温预报系统误差进行滑动统计,获取不同滑动统计期内日最高、最低气温平均预报误差;
(4)基于不同滑动统计期内日最高、最低气温预报偏差,通过与周边国家级代表站及区域内周围观测站平均预报误差对比,确定不同滑动统计期内各站点预报偏差订正方式,分别对站点日最高、最低气温预报进行偏差订正;
(5)对不同偏差订正前后的日最高、最低气温预报准确率进行检验,这里采用气温预报准确率(气温预报误差小于等于2℃算正确)进行检验,气温预报准确率检验公式如下:
式中:
AC——气温预报准确率;
NR——气温预报正确次数;
NF——气温预报总次数。
根据预报准确率大小选取预报订正效果最好(预报质量最优)的系统误差订正方式,确定偏差最优滑动统计期和最优偏差订正方式;
(6)基于站点日最高、最低气温预报偏差最优滑动统计期(比如,试验表明,过去2天的预报误差订正后日最高、最低气温预报准确率最高)逐日滑动统计过去一段时间(过去2天)日最高、最低气温的预报偏差(平均预报误差),并通过与周围国家级代表站预报偏差对比,获取各地面观测站点日最高、最低气温预报偏差订正值;
(7)采用邻域法,将日最高、最低气温预报偏差订正值由实况站点反馈到周围网格点上,订正更高分辨率日最高、最低气温智能网格预报值,具体方法为:1、数据准备:在http://srtm.csi.cgiar.org/srtmdata/网站上下载90米SRTM DEM文件,地形数据文件中陆地上为地形高度数据,海上为-9999,采用邻域法,逐网格点和实况点进行分析,直接选取临近点地形高度作为网格点以及实况站点地形高度,以此获取区域范围内所有网格点及实况站点地形高度和海陆边界特征;2、利用站点日最高、最低气温偏差订正值进行网格预报点日最高、最低气温订正,具体实施包括以下步骤:1)采用邻域法,以预报区域范围内的实况站点为基础,找到离站点最近的4个格点(如果站点与网格点重合,则为最近的1个格点及其周围8个格点);2)进行海陆下垫面特征判断:根据地形数据生成的海陆边界数据,判断实况站点的下垫面特征(海洋或陆地),及其周围4个格点的下垫面特征(海洋或陆地)。如果下垫面特征与站点相同,则继续进行下一步操作;对于下垫面特征与站点不同的格点,不进行任何操作;3)进行格点气温订正状态判断:每个格点订正前先进行订正状态判断,未订正时(默认值)设为FALSE,订正后设为TRUE,同时记录该格点与订正站点的距离。如果该格点订正状态标记为TRUE,则先判断该格点到站点的距离(d1),并与记录的该格点与上次订正站点的距离(d2)进行比较,如果d1>d2,则不订正该格点;如果d1<d2,则用该站点的气温预报偏差作为该格点的气温订正误差,再次记录该站点与订正格点的距离;4)依次循环,完成整个预报区域范围内所有站点向网格点订正值的反馈和相关格点的日最高、最低气温订正;
(8)WINDOWS环境下通过批处理定时运行,每天实时输出订正后的0.01o×0.01 o高分辨率日最高、最低气温智能网格预报产品。采用FTP进行下载和传输,实现预报产品共享。
对各产品预报准确率进行统计,结果见表1。
表1 2019年3月不同降尺度方法生成的济南市1km网格
日最高、最低气温预报准确率评分(%)
为了更直观表示各产品的准确率情况,将表1中的数据绘制成图形,从表1结合图1和图2得到的结果可知:经过空间订正降尺度后的0.01o×0.01 o(1km_RT)日最高、最低气温智能网格预报产品较直接插值生成的产品(1km)准确率更高,1-9天日最高、最低气温预报准确率评分总体都有提高。通过空间订正降尺度,有效提高了高分辨率智能网格产品预报准确率。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (8)
1.一种气象要素智能网格预报产品空间降尺度方法,其特征在于,包括如下步骤:
(1)气象要素智能网格预报产品插值
获取研究区域范围内气象要素智能网格预报产品,采用插值技术将气象要素智能网格预报产品插值到更高分辨率的网格上;
(2)获取实况站点气象要素实况及预报值
获取地面加密气象观测站气象要素实况,基于更高分辨率的气象要素智能网格预报产品,通过邻域法获取实况站点气象要素预报值;
(3)确定实况站点气象要素预报偏差最优滑动统计期及最优偏差订正方式
首先根据站点气象要素实况和预报值,对前期一段时间内气象要素预报误差进行逐日统计计算,获取不同滑动统计期内要素平均预报误差,通过与临近代表站及周围观测站点误差差异对比,结合不同季节特征确定各站点要素预报偏差订正方式;对订正前后的气象要素预报准确率进行评分,根据预报准确率大小选取订正效果最好的偏差滑动统计期及偏差订正方式;
(4)实况站点气象要素预报偏差统计
根据确定的最优滑动统计期及偏差订正方式逐日进行实况站点气象要素预报偏差滑动统计;
(5)气象要素智能网格预报订正降尺度
采用邻域法,将站点气象要素预报偏差订正值由实况点反馈到周围网格点上,订正更高分辨率智能网格要素预报值,得到气象要素智能网格空间降尺度预报产品。
2.根据权利要求1所述的气象要素智能网格预报产品空间降尺度方法,其特征在于,所述步骤(1)中的气象要素智能网格预报产品的智能网格在空间上均匀分布。
3.根据权利要求1所述的气象要素智能网格预报产品空间降尺度方法,其特征在于,所述步骤(1)中的气象要素为气温、相对湿度、气压、风速、能见度中的任意一种或几种,所述实况站点为不规则分布的高密度地面观测站点。
4.根据权利要求1所述的气象要素智能网格预报产品空间降尺度方法,其特征在于,所述步骤(2)中获取地面加密气象观测站的气象要素实况包括获取地面加密观测站点气象要素实况以及实况点的经纬度坐标。
5.根据权利要求1所述的气象要素智能网格预报产品空间降尺度方法,其特征在于,所述步骤(3)中对前期一段时间内气象要素预报误差进行逐日统计计算的选取时间期限为前1-90天。
6.根据权利要求1所述的气象要素智能网格预报产品空间降尺度方法,其特征在于,所述步骤(3)中临近代表站为周围临近的具有较好区域代表性的气象观测站点。
7.根据权利要求1所述的气象要素智能网格预报产品空间降尺度方法,其特征在于,所述步骤(3)预报准确率为气象要素预报误差小于等于1或2的百分率。
8.根据权利要求1所述的气象要素智能网格预报产品空间降尺度方法,其特征在于,所述步骤(5)的具体做法为:
a.数据准备:获取研究区域范围内所有网格点及实况站点海陆边界特征;
b.利用站点气象要素偏差订正值进行智能网格点气象要素预报订正,包括以下步骤:
b1.采用邻域法,以预报区域范围内的实况站点为基础,找到离站点最近的周围4个格点;
如果站点与网格点重合,则为最近的1个格点及其周围8个格点;
b2.进行海陆下垫面特征判断:根据地形数据生成的海陆边界数据,判断实况站点的海陆下垫面特征,以及周围4个格点的下垫面特征;选取与站点特征相同的下垫面,继续进行下一步;
b3.进行格点要素订正状态判断:每个格点订正前先进行订正状态判断,未订正时设为FALSE,订正后设为TRUE,同时记录该格点与订正站点的距离;如果该格点订正状态标记为TRUE,则先判断该格点到站点的距离d1,并与记录的该格点与上次订正站点的距离d2进行比较,如果d1>d2,则不订正该格点;如果d1<d2,则用该站点的要素预报偏差作为该格点的要素订正偏差,再次记录该站点与订正格点的距离;
b4.逐站进行循环,完成整个预报区域范围内所有站点向网格点订正值的反馈和相关格点的气象要素订正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910322146.0A CN110058329B (zh) | 2019-04-22 | 2019-04-22 | 一种气象要素智能网格预报产品空间降尺度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910322146.0A CN110058329B (zh) | 2019-04-22 | 2019-04-22 | 一种气象要素智能网格预报产品空间降尺度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110058329A true CN110058329A (zh) | 2019-07-26 |
CN110058329B CN110058329B (zh) | 2020-12-22 |
Family
ID=67319912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910322146.0A Active CN110058329B (zh) | 2019-04-22 | 2019-04-22 | 一种气象要素智能网格预报产品空间降尺度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110058329B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991717A (zh) * | 2019-11-22 | 2020-04-10 | 福建省海洋预报台 | 一种智能化海洋网格预报方法及终端 |
CN111007582A (zh) * | 2019-12-25 | 2020-04-14 | 象辑知源(武汉)科技有限公司 | 一种适用于多要素的高分辨率集合预报系统 |
CN111352174A (zh) * | 2020-03-20 | 2020-06-30 | 山东省气象科学研究所 | 一种数值天气预报及格点客观预报产品选优方法 |
CN112149365A (zh) * | 2020-09-29 | 2020-12-29 | 华能新能源股份有限公司 | 一种微尺度风模型系统及方法 |
CN112364300A (zh) * | 2020-11-10 | 2021-02-12 | 中国气象局上海台风研究所(上海市气象科学研究所) | 基于相对坡长的近地面风速统计降尺度订正方法 |
CN112558186A (zh) * | 2020-12-10 | 2021-03-26 | 山东省气象科学研究所 | 一种数值模式地面2米气温预报产品时间降尺度方法 |
CN113313291A (zh) * | 2021-05-06 | 2021-08-27 | 国网河南省电力公司电力科学研究院 | 一种基于初值扰动的电网风灾集合预报以及验证方法 |
CN115508917A (zh) * | 2022-11-22 | 2022-12-23 | 中国民用航空局空中交通管理局航空气象中心 | 机场气象要素预报方法、装置、设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408842A (zh) * | 2008-11-14 | 2009-04-15 | 山东省气象台 | 一种数字化天气预报制作的方法 |
US20160299255A1 (en) * | 2014-09-12 | 2016-10-13 | The Climate Corporation | Weather forecasts through post-processing |
CN107390298A (zh) * | 2017-07-19 | 2017-11-24 | 云南电网有限责任公司电力科学研究院 | 一种复杂山地下垫面大风的模拟方法及装置 |
CN107563554A (zh) * | 2017-08-30 | 2018-01-09 | 三峡大学 | 一种统计降尺度模型预报因子的筛选方法 |
CN107688906A (zh) * | 2017-09-04 | 2018-02-13 | 北京玖天气象科技有限公司 | 多方法融合的输电线路气象要素降尺度分析系统及方法 |
US20180156767A1 (en) * | 2014-08-19 | 2018-06-07 | Clearag, Inc. | Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery |
US20180196023A1 (en) * | 2017-01-11 | 2018-07-12 | International Business Machines Coporation | Air quality forecasting based on dynamic blending |
CN108375807A (zh) * | 2017-12-01 | 2018-08-07 | 国网北京市电力公司 | 气象数据的获取方法及装置 |
CN108846501A (zh) * | 2018-04-26 | 2018-11-20 | 北京建筑大学 | 一种雨水低影响开发设施建设规模确定方法 |
CN109085664A (zh) * | 2018-07-04 | 2018-12-25 | 山东省气象科学研究所 | 一种温度精细化预报偏差滑动订正方法 |
CN109189392A (zh) * | 2018-07-10 | 2019-01-11 | 武汉华信联创技术工程有限公司 | 一种提供格点天气预报接口服务的方法、系统及存储介质 |
-
2019
- 2019-04-22 CN CN201910322146.0A patent/CN110058329B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408842A (zh) * | 2008-11-14 | 2009-04-15 | 山东省气象台 | 一种数字化天气预报制作的方法 |
US20180156767A1 (en) * | 2014-08-19 | 2018-06-07 | Clearag, Inc. | Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery |
US20160299255A1 (en) * | 2014-09-12 | 2016-10-13 | The Climate Corporation | Weather forecasts through post-processing |
US20180196023A1 (en) * | 2017-01-11 | 2018-07-12 | International Business Machines Coporation | Air quality forecasting based on dynamic blending |
CN107390298A (zh) * | 2017-07-19 | 2017-11-24 | 云南电网有限责任公司电力科学研究院 | 一种复杂山地下垫面大风的模拟方法及装置 |
CN107563554A (zh) * | 2017-08-30 | 2018-01-09 | 三峡大学 | 一种统计降尺度模型预报因子的筛选方法 |
CN107688906A (zh) * | 2017-09-04 | 2018-02-13 | 北京玖天气象科技有限公司 | 多方法融合的输电线路气象要素降尺度分析系统及方法 |
CN108375807A (zh) * | 2017-12-01 | 2018-08-07 | 国网北京市电力公司 | 气象数据的获取方法及装置 |
CN108846501A (zh) * | 2018-04-26 | 2018-11-20 | 北京建筑大学 | 一种雨水低影响开发设施建设规模确定方法 |
CN109085664A (zh) * | 2018-07-04 | 2018-12-25 | 山东省气象科学研究所 | 一种温度精细化预报偏差滑动订正方法 |
CN109189392A (zh) * | 2018-07-10 | 2019-01-11 | 武汉华信联创技术工程有限公司 | 一种提供格点天气预报接口服务的方法、系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
荣艳敏: "山东大城市精细化气象要素数值预报产品检验", 《第33届中国气象学会年会》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991717A (zh) * | 2019-11-22 | 2020-04-10 | 福建省海洋预报台 | 一种智能化海洋网格预报方法及终端 |
CN110991717B (zh) * | 2019-11-22 | 2022-05-17 | 福建省海洋预报台 | 一种智能化海洋网格预报方法及终端 |
CN111007582A (zh) * | 2019-12-25 | 2020-04-14 | 象辑知源(武汉)科技有限公司 | 一种适用于多要素的高分辨率集合预报系统 |
CN111352174A (zh) * | 2020-03-20 | 2020-06-30 | 山东省气象科学研究所 | 一种数值天气预报及格点客观预报产品选优方法 |
CN112149365A (zh) * | 2020-09-29 | 2020-12-29 | 华能新能源股份有限公司 | 一种微尺度风模型系统及方法 |
CN112149365B (zh) * | 2020-09-29 | 2023-06-30 | 华能新能源股份有限公司 | 一种微尺度风模型系统及方法 |
CN112364300A (zh) * | 2020-11-10 | 2021-02-12 | 中国气象局上海台风研究所(上海市气象科学研究所) | 基于相对坡长的近地面风速统计降尺度订正方法 |
CN112364300B (zh) * | 2020-11-10 | 2023-06-27 | 中国气象局上海台风研究所(上海市气象科学研究所) | 基于相对坡长的近地面风速统计降尺度订正方法 |
CN112558186A (zh) * | 2020-12-10 | 2021-03-26 | 山东省气象科学研究所 | 一种数值模式地面2米气温预报产品时间降尺度方法 |
CN113313291A (zh) * | 2021-05-06 | 2021-08-27 | 国网河南省电力公司电力科学研究院 | 一种基于初值扰动的电网风灾集合预报以及验证方法 |
CN115508917A (zh) * | 2022-11-22 | 2022-12-23 | 中国民用航空局空中交通管理局航空气象中心 | 机场气象要素预报方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110058329B (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110058329A (zh) | 一种气象要素智能网格预报产品空间降尺度方法 | |
Kim et al. | Evaluation of precipitation extremes over the Asian domain: observation and modelling studies | |
Delle Monache et al. | Kalman filter and analog schemes to postprocess numerical weather predictions | |
Bieniek et al. | Dynamical downscaling of ERA-Interim temperature and precipitation for Alaska | |
Ratna et al. | Performance assessment of three convective parameterization schemes in WRF for downscaling summer rainfall over South Africa | |
Breivik et al. | Real time assimilation of HF radar currents into a coastal ocean model | |
Mounier et al. | Analysis of the dominant mode of convectively coupled Kelvin waves in the West African monsoon | |
Saito | The JMA nonhydrostatic model and its applications to operation and research | |
García-Medina et al. | An inner-shelf wave forecasting system for the US Pacific Northwest | |
Fonseca et al. | High-resolution temperature datasets in Portugal from a geostatistical approach: Variability and extremes | |
CN110068878A (zh) | 一种气温智能网格最优集成预报方法 | |
Turner et al. | Interpolation of tidal levels in the coastal zone for the creation of a hydrographic datum | |
Soares et al. | Assessing the climate change impact on the North African offshore surface wind and coastal low-level jet using coupled and uncoupled regional climate simulations | |
Gaughan et al. | Evaluating nighttime lights and population distribution as proxies for mapping anthropogenic CO2 emission in Vietnam, Cambodia and Laos | |
Jeong et al. | Links between atmospheric blocking and North American winter cold spells in two generations of Canadian Earth System Model large ensembles | |
Zhou et al. | Spatiotemporal divergence of the warming hiatus over land based on different definitions of mean temperature | |
Guo et al. | Improved performance of a PRECIS ensemble in simulating near-surface air temperature over China | |
Wei et al. | Spatial interpolation of PM2. 5 concentrations during holidays in south-central China considering multiple factors | |
Miles et al. | The influence of near-field fluxes on seasonal carbon dioxide enhancements: results from the Indianapolis Flux Experiment (INFLUX) | |
Tang et al. | A Clustering-Assisted Regression (CAR) approach for developing spatial climate data sets in China | |
Hou et al. | Improving the forecast accuracy of ECMWF 2-m air temperature using a historical dataset | |
Kwon et al. | Effect of model error representation in the Yellow and East China Sea modeling system based on the ensemble Kalman filter | |
Jung et al. | Impacts of the Arctic-midlatitude teleconnection on wintertime seasonal climate forecasts | |
Lussana et al. | Spatial interpolation of two‐metre temperature over Norway based on the combination of numerical weather prediction ensembles and in situ observations | |
Zhang et al. | Reconstruction of cropland spatial patterns and its spatiotemporal changes over the 20th century on the Songnen Plain, Northeast China |
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 |