CN110068878B - 一种气温智能网格最优集成预报方法 - Google Patents
一种气温智能网格最优集成预报方法 Download PDFInfo
- Publication number
- CN110068878B CN110068878B CN201910322114.0A CN201910322114A CN110068878B CN 110068878 B CN110068878 B CN 110068878B CN 201910322114 A CN201910322114 A CN 201910322114A CN 110068878 B CN110068878 B CN 110068878B
- Authority
- CN
- China
- Prior art keywords
- forecast
- forecasting
- air temperature
- optimal
- grid
- 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
- 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
一种气温智能网格最优集成预报方法,包括如下步骤:数值预报产品加工处理,获取观测站点气温实况及预报值,选择最优的数值预报产品,开展气温预报订正释用,分析不同客观释用方法预报效果,研究适合的最优集成预报方法,生成气温智能网格最优集成预报产品,实现业务化运行。本发明立足于寻找最优预报的思路,首先是寻找最优数值模式,在最优数值模式的基础上开展气温预报订正释用,寻找预报较好且互为补充的客观释用方法,通过对不同释用方法的最优集成预报,进一步提高气温预报准确率。
Description
技术领域
本发明属于天气预报技术领域,涉及一种气温智能网格最优集成预报方法。
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均匀网格(等经纬或等距离)的智能网格预报,预报准确率和精细化水平不断提高。结合先进的数值预报产品和MOS等数值预报产品释用技术,气温预报准确率显著提高,当前气温客观预报准确率已达到甚至超过预报员主观预报水平。但由于不同的数值模式及不同统计释用方法的差异,对气温客观预报准确率也各有所长,难以找到一个稳定第一的预报方法。即使总体评分相当的情况下,不同预报方法在不同天气、不同地区的预报效果也不尽相同。例如,基于ECMWF细网格模式气温预报,采用吴启树等(吴启树等,MOS温度预报中最优训练期方案. 应用气象学报,2016,27(4):426-434)准对称最优滑动训练期方法进行气温智能网格客观预报,气温预报准确率较数值模式直接预报显著提高;采用温度预报偏差滑动订正方法进行气温客观预报(专利号:CN201810723060),预报准确率较数值模式直接预报也有明显改进。但从实际业务应用看,即使都是基于相同的数值预报进行订正释用,由于不同的方法考虑的预报因子和订正方法差异,没有哪一种预报产品绝对最优。而基于不同数值预报产品进行气温预报订正释用或集成,由于不同数值模式预报差异,对释用结果影响也很大,难以取得较好的预报效果。在当前背景下,如何研发合理的客观预报方法,能够集成不同客观预报方法的优势,进一步提高预报准确率,是气温等要素智能网格客观预报的一项重要内容。
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温智能网格最优集成预报方法。
为了达到上述目的,本发明是采用下述的技术方案实现的:
一种气温智能网格最优集成预报方法,包括以下步骤:
(1)数值预报产品加工处理:获取天气预报业务上常用的数值预报产品,通过插值技术将数值预报产品插值到均匀网格(等经纬或等距离)上,生成气温智能网格预报产品;
(2)获取地面气象观测站点气温实况及预报值:获取地面气象观测站气温实况,通过邻域法获取实况点气温预报值;
(3)选择最优的数值预报产品:对当前天气预报业务上使用的不同数值模式气温预报准确率进行评分对比,择优选择预报准确率较高且预报误差相对稳定的数值预报产品;
(4)开展气温预报订正释用,建立统计释用方法:基于选取的最优数值模式气温预报产品及地面气温实况,采用气温预报偏差滑动订正、MOS统计释用等方法,建立不同的气温客观预报释用方法;
(5)分析不同客观释用方法预报效果:对不同气温客观释用方法的预报效果进行检验评估,挑选出预报准确率较高且预报各有所长的预报方法,作为最优集成的基础产品;
(6)研究适合的最优集成预报方法:基于所选的几种客观预报方法,分析评估这些预报方法在不同季节、不同地区的预报准确率和预报误差特征,采用集成平均、单点预报最优集成、总体预报最优集成等方法进行集成预报对比,采用逐日滑动检验法确定最优预报产品,研发适合的最优集成方法,生成站点气温最优集成预报产品;
(7)生成气温智能网格最优集成预报产品:基于插值后的数值模式气温智能网格预报产品,采用邻域法,将站点气温最优集成预报值反馈到周围网格点上,生成气温智能网格最优集成预报产品;
(8)实现业务化运行:确定最优集成预报方法,建立最优集成预报业务系统,逐日实时业务运行,提供气温智能网格最优集成预报产品。
作为优选,所述最优的数值预报产品是指气温预报准确率总体较高且预报误差相对稳定的数值预报产品。气温预报准确率为气温预报误差小于等于1℃或2℃的百分率;预报气温和实况气温绝对误差小于等于1℃,则为小于等于1℃气温预报正确。预报气温和实况气温绝对误差小于等于2℃,则为小于等于2℃气温预报正确。
作为优选,所述最优的数值预报产品是指气温预报准确率总体较高且预报误差相对稳定的数值预报产品,预报误差相对稳定是指在某地气温预报误差总体稳定,如稳定偏高N℃或稳定偏低N℃。
作为优选,所述基于选取的最优数值模式气温预报产品,是指基于预报总体最好或预报误差相对稳定的数值模式气温预报开展不同的释用方法研究,不主张基于不同的数值预报产品进行释用。
作为优选,所述开展气温预报订正释用,建立统计释用方法是指采用气温预报偏差滑动订正技术、MOS客观预报等数值预报产品统计释用方法。
作为优选,所述偏差滑动订正方法,是指基于过去一段时间的数值预报产品和气温实况,统计确定数值模式预报误差,并进行滑动订正,消除数值模式气温预报偏差(参见专利CN201810723060)。
作为优选,所述MOS统计释用方法,是指基于过去一段时间的数值预报产品和站点气温实况,取预报日之前1-360天及前1年或前2年预报日之后相同天数的样本和地面观测实况混合训练,以不同周期对比确定最佳滑动训练期日数,建立站点气温预报方程,对每个站点的模式预报值进行订正释用,再采用一定的方法将站点气温预报值反馈到智能网格点。
作为优选,所述集成平均预报方法指在某几种气温客观释用预报产品的基础上进行加权平均或根据不同预报方法差异分别取不同权重平均,形成最新的气温智能网格集成预报产品。
作为优选,所述单点预报最优集成方法指逐个点上取预报最优的产品,形成最新的气温智能网格集成预报产品。
作为优选,所述总体预报最优集成方法指选取一定范围内所有点上预报准确率总体最高的预报产品,形成最新的气温智能网格集成预报产品。
作为优选,所述逐日滑动检验法指对过去1-90天不同气温客观预报产品的平均绝对预报误差或预报准确率进行滑动检验,确定误差最小或预报准确率最高的产品为最优预报产品。
作为优选,所述采用邻域法,将站点气温最优集成预报值反馈到周围网格点上,具体方法为:
a.数据准备:获取与智能网格经纬度点以及实况站点相匹配的海陆边界数据;
b.将站点气温预报值反馈到周围网格点上,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,找到离站点最近的格点及其周围8个格点;
b2.进行海陆下垫面特征判断:根据获取的海陆边界数据,判断实况站点的下垫面特征,以及最近格点及其周围8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;对于下垫面特征与站点不同的格点,不进行任何操作;
b3.进行格点气温订正状态判断:每个格点预报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,则用该站点的气温预报值作为该格点的气温预报值,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预报值向网格点的反馈。
与现有技术相比,本发明的优点和积极效果在于:
本发明立足于寻找最优预报的思路,首先是寻找最优数值模式,在最优数值模式的基础上开展气温预报订正释用,寻找预报较好且互为补充的客观释用方法,通过对不同释用方法的最优预报集成,进一步提高气温预报准确率。通过对2018年1-6月山东区域气温智能网格预报产品最优集成预报试验表明,基于山东省气象科学研究所目前业务运行的准对称混合滑动训练期气温客观预报和气温偏差滑动订正预报进行最优集成预报,集成后的气温预报准确率更高,达到了最优集成预报的目的,提高了气温智能网格客观预报准确率。
附图说明
图1为2018年1-6月准对称混合滑动训练气温MOS预报(以MOS表示)、最优集成预报、气温偏差滑动订正预报(以RT表示)对山东省地面2米最高气温预报准确率情况。图2为2018年1-6月准对称混合滑动训练气温MOS预报(以MOS表示)、最优集成预报、气温偏差滑动订正预报(以RT表示)对山东省地面2米最低气温预报准确率情况。
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
如图1和图2,所示基于山东省气象科学研究所目前业务运行的准对称混合滑动训练期气温智能网格客观预报和气温偏差滑动订正预报进行集成,生成最优集成的智能网格气温客观预报产品,产品分辨率为0.05oⅹ0.05o。采用如下步骤:
(1)以FORTRAN和NCL为主要编程语言,在WINDOWS或LINUX环境下获取天气预报业务上常用的数值预报产品,采用反距离权重插值技术将数值预报气温预报产品插值到0.05oⅹ0.05o网格上,生成等经纬网格预报产品;
(2)基于气象信息CIMISS数据库,或共享的地面气象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,通过邻域法获取实况点日最高最低气温智能网格预报值;
(3)选择最优的数值预报产品:对当前天气预报业务上常用的ECMWF细网格、GRAPES、华东区域WRF、山东WRF等不同数值模式在过去一段时间(比如,过去1年)的日最高最低气温预报准确率进行评分对比,根据预报准确率较高且预报误差相对稳定的原则选取最优的数值预报产品。预报准确率(气温预报误差小于等于2℃算正确)计算公式如下:
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。
气温预报误差包括平均误差、平均绝对误差。
平均误差为预报气温与实况之间误差的平均值,检验公式如下:
式中:
ME——气温预报平均误差;
NF——气温预报总次数;
i——气温预报次数标识;
Fi——第i次气温预报值;
Oi——第i次气温实况值。
平均绝对误差为预报气温与实况气温之间的误差绝对值的平均值,检验公式如下:
式中:
MAE——气温预报平均绝对误差;
NF——气温预报总次数;
i——气温预报次数标识;
Fi——第i次气温预报值;
Oi——第i次气温实况值。
(4)开展气温预报订正释用,建立统计释用方法:基于最优的数值模式气温预报产品,采用准对称混合滑动训练期方法开发气温智能网格MOS客观预报产品(以MOS表示)。所述准对称混合滑动训练期气温客观预报方法,是指选取预报日之前N天(比如60天)以及去年相同预报日之后N天的模式和观测历史资料,针对每个观测站点,通过选取的历史资料利用线性回归建立预报模型,对每个站点的模式预报值进行订正,得到订正后的站点预报(吴启树等,MOS温度预报中最优训练期方案. 应用气象学报,2016,27(4):426-434)。采用邻域法,将站点预报值反馈到周围网格点上,得到订正后的网格预报产品;
(5)开展气温预报订正释用,建立统计释用方法:基于最优的数值模式气温预报产品,采用气温预报偏差滑动订正法开发订正释用产品(以RT表示),即针对每个观测站点,根据过去N天数值模式预报误差进行气温预报偏差滑动订正,采用邻域法将订正值反馈到周围网格点上,得到订正后的网格预报产品(参见专利CN201810723060);
(6)分析不同客观释用方法预报效果:分别对最优数值模式预报、MOS、RT客观预报产品对日最高最低气温预报进行检验评估,分析评估这些预报方法在不同季节、不同地区的预报准确率和预报误差特征,挑选出预报准确率较高且预报各有所长的预报方法,作为最优集成的基础产品;这里采用预报准确率和气温预报平均绝对误差最小相结合的方法进行选优,检验方法计算公式见步骤(3);
(7)研究适合的最优集成预报方法:基于所选的几种客观预报方法,分别采用集成平均、单站网格预报最优、总体预报最优等集成方法进行集成预报对比,采用逐日滑动检验法确定最优预报产品,研发适合的最优集成方法,生成站点气温最优集成预报产品;
(8)生成气温智能网格最优集成预报产品:基于插值后的数值模式气温智能网格预报产品,采用邻域法,将站点气温最优集成预报值反馈到周围网格点上,生成气温智能网格最优集成预报产品。具体步骤为:
a.数据准备:在http://srtm.csi.cgiar.org/srtmdata/网站上下载90米SRTMDEM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;
b.将站点气温预报值反馈到周围网格点上,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,找到离站点最近的格点及其周围8个格点;
b2.进行海陆下垫面特征判断:根据获取的海陆边界数据,判断实况站点的下垫面特征,以及最近格点及其周围8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;对于下垫面特征与站点不同的格点,不进行任何操作;
b3.进行格点气温订正状态判断:每个格点预报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,则用该站点的气温预报值作为该格点的气温预报值,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预报值向网格点的反馈。
(9)实现业务化运行:根据不同的集成预报结果确定最优集成预报方案,建立最优集成预报业务系统,WINDOWS或LINUX环境下定时运行,每天08、20时2次实时输出气温智能网格最优集成预报产品。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 2018年1-6月准对称混合滑动训练气温MOS预报(MOS)、最优集成预报、气温偏差滑动订正预报(RT)三种方法
对山东省地面2米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:通过对2018年1-6月山东省气温智能网格预报产品最优集成预报试验表明,基于山东省气象科学研究所目前业务运行的准对称混合滑动训练期气温客观预报(MOS)和气温偏差滑动订正预报(RT)进行集成预报,集成后的气温预报准确率更高,达到了最优集成的目的,提高了气温智能网格客观预报准确率。
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 (7)
1.一种气温智能网格最优集成预报方法,其特征在于,包括如下步骤:
(1)数值预报产品加工处理
获取天气预报业务上常用的数值预报产品,通过插值技术将数值预报产品插值到等经纬或等距离的均匀网格上,生成气温智能网格预报产品;
(2)获取地面气象观测站点气温实况及预报值
获取地面气象观测站气温实况,通过邻域法获取实况点气温预报值;
(3)选择最优的数值预报产品
对当前天气预报业务上使用的不同数值模式气温预报准确率进行评分对比,择优选择预报准确率高且预报误差稳定的数值预报产品;
(4)开展气温预报订正释用,建立统计释用方法
基于选取的最优数值模式气温预报产品及地面气温实况,采用气温预报偏差滑动订正、MOS统计释用方法,建立不同的气温客观预报释用方法;
(5)分析不同客观释用方法预报效果
对不同气温客观释用方法的预报效果进行检验评估,挑选出预报准确率高的预报方法,作为最优集成的基础产品;
(6)研究适合的最优集成预报方法
基于所选的几种客观预报方法,分析评估这些预报方法在不同季节、不同地区的预报准确率和预报误差特征,采用集成平均、单点预报最优集成、总体预报最优集成方法进行集成预报对比,采用逐日滑动检验法确定最优预报产品,研发适合的最优集成预报方法,生成站点气温最优集成预报产品;
(7)生成气温智能网格最优集成预报产品
基于插值后的数值模式气温智能网格预报产品,采用邻域法,将站点气温最优集成预报值反馈到周围网格点上,生成气温智能网格最优集成预报产品;
(8)实现业务化运行
建立最优集成预报业务系统,逐日实时业务运行,提供气温智能网格最优集成预报产品。
2.根据权利要求1所述的气温智能网格最优集成预报方法,其特征在于,所述步骤(3)中最优数值预报产品为气温预报误差小于等于1℃或2℃的正确率总体高且预报误差稳定的数值预报产品。
3.根据权利要求1所述的气温智能网格最优集成预报方法,其特征在于,所述步骤(4)中气温预报偏差滑动订正方法为基于预报日之前1-90天的数值预报产品和气温实况,统计确定数值模式预报误差,并进行滑动订正,消除数值模式气温预报偏差。
4.根据权利要求1所述的气温智能网格最优集成预报方法,其特征在于,所述步骤(4)中MOS统计释用方法为取预报日之前1-360天及前1年或前2年预报日之后相同天数的样本和地面观测实况混合训练,确定最佳滑动训练期日数,建立站点气温预报方程,对每个站点的模式预报值进行订正释用。
5.根据权利要求1所述的气温智能网格最优集成预报方法,其特征在于,所述步骤(6)中集成平均预报方法为在气温客观释用预报产品的基础上进行加权平均或根据不同预报方法差异分别取不同权重平均,形成最新的气温智能网格集成预报产品;所述单点预报最优集成方法为逐个点上取预报最优的产品,形成最新的气温智能网格集成预报产品;总体预报最优集成方法为选取研究范围内所有点上预报准确率总体最优的预报产品,形成最新的气温智能网格集成预报产品。
6.根据权利要求1所述的气温智能网格最优集成预报方法,其特征在于,所述步骤(6)中采用逐日滑动检验法确定最优预报产品,逐日滑动检验法为对过去1-90天不同气温客观预报产品的平均绝对预报误差或预报准确率进行滑动检验,确定误差最小或预报准确率最高的产品为最优预报产品。
7.根据权利要求1所述的气温智能网格最优集成预报方法,其特征在于,所述步骤(7)中采用邻域法,将站点气温最优集成预报值反馈到周围网格点上,生成气温智能网格最优集成预报产品,具体步骤如下:
a.数据准备:获取与智能网格经纬度点以及实况站点相匹配的海陆边界数据;
b.将站点气温预报值反馈到周围网格点上,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,找到离站点最近的格点及其周围8个格点;
b2.进行海陆下垫面特征判断:根据获取的海陆边界数据,判断实况站点的下垫面特征,以及最近格点及其周围8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;对于下垫面特征与站点不同的格点,不进行任何操作;
b3.进行格点气温订正状态判断:每个格点预报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,则用该站点的气温预报值作为该格点的气温预报值,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预报值向网格点的反馈。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910322114.0A CN110068878B (zh) | 2019-04-22 | 2019-04-22 | 一种气温智能网格最优集成预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910322114.0A CN110068878B (zh) | 2019-04-22 | 2019-04-22 | 一种气温智能网格最优集成预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110068878A CN110068878A (zh) | 2019-07-30 |
CN110068878B true CN110068878B (zh) | 2021-04-09 |
Family
ID=67368379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910322114.0A Active CN110068878B (zh) | 2019-04-22 | 2019-04-22 | 一种气温智能网格最优集成预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110068878B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111209968B (zh) * | 2020-01-08 | 2023-05-12 | 浙江师范大学 | 基于深度学习的多气象因子模式预报温度订正方法及系统 |
CN113988351A (zh) * | 2020-07-27 | 2022-01-28 | 海南省气象科学研究所 | 一种基于时空局部模型的数值模式气温预报产品释用方法 |
CN113988349A (zh) * | 2020-07-27 | 2022-01-28 | 海南省气象科学研究所 | 一种基于时空局部模型的数值模式预报产品客观释用方法 |
CN113988350A (zh) * | 2020-07-27 | 2022-01-28 | 海南省气象科学研究所 | 一种基于时空局部模型的数值模式降水预报产品释用方法 |
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 |
CN114280696A (zh) * | 2021-12-23 | 2022-04-05 | 无锡九方科技有限公司 | 一种海雾等级智能预报方法及系统 |
CN115291303B (zh) * | 2022-07-21 | 2023-08-29 | 山东省气象科学研究所 | 一种基于数值天气预报mos滑动订正的大风客观预报方法 |
CN115600142B (zh) * | 2022-10-20 | 2024-03-08 | 山东省气象科学研究所 | 一种基于不同方法的大风融合集成预报方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013186703A1 (en) * | 2012-06-12 | 2013-12-19 | Eni S.P.A. | Short- to long-term temperature forecasting system for the production, management and sale of energy resources |
CN104849776A (zh) * | 2014-12-08 | 2015-08-19 | 国家电网公司 | 一种结合动态修正的电网高低温精细化预警方法 |
CN107341134A (zh) * | 2017-06-27 | 2017-11-10 | 洛阳市气象局 | 一种对数值预报格点温度预报数据精细化处理的方法 |
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 |
CN108983324A (zh) * | 2018-08-09 | 2018-12-11 | 深圳市雅码科技有限公司 | 一种基于卡尔曼滤波的气温预报方法及系统 |
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 |
-
2019
- 2019-04-22 CN CN201910322114.0A patent/CN110068878B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013186703A1 (en) * | 2012-06-12 | 2013-12-19 | Eni S.P.A. | Short- to long-term temperature forecasting system for the production, management and sale of energy resources |
CN104849776A (zh) * | 2014-12-08 | 2015-08-19 | 国家电网公司 | 一种结合动态修正的电网高低温精细化预警方法 |
CN107341134A (zh) * | 2017-06-27 | 2017-11-10 | 洛阳市气象局 | 一种对数值预报格点温度预报数据精细化处理的方法 |
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 |
CN108983324A (zh) * | 2018-08-09 | 2018-12-11 | 深圳市雅码科技有限公司 | 一种基于卡尔曼滤波的气温预报方法及系统 |
Non-Patent Citations (3)
Title |
---|
两种数值模式在丹东夏季温度预报中的误差分析订正对比;李瑞晗 等;《河南科技》;20181130;第140-142页 * |
基于多模式集成技术的地面气温精细化预报;冯慧敏 等;《气象与环境科学》;20161130;第73-79页 * |
多模式温度集成预报的检验分析;张玉荣;《中低纬山地气象》;20181031;第47-51页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110068878A (zh) | 2019-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110068878B (zh) | 一种气温智能网格最优集成预报方法 | |
CN110058329B (zh) | 一种气象要素智能网格预报产品空间降尺度方法 | |
CN109085664B (zh) | 一种温度精细化预报偏差滑动订正方法 | |
CN110555561B (zh) | 一种中长期径流集合预报方法 | |
Webb et al. | Climate change and winegrape quality in Australia | |
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 | |
Zhao et al. | Ensemble forecasting of monthly and seasonal reference crop evapotranspiration based on global climate model outputs | |
Hassan | Climate change impact on groundwater recharge of Umm er Radhuma unconfined aquifer Western Desert, Iraq | |
CN110826231B (zh) | 一种气象站点多源数据整合方法 | |
CN113159714A (zh) | 一种面向电网的气象数据订正方法 | |
CN107748933B (zh) | 气象要素报文数据误差修正方法、雾、日出、云海、雾凇预测方法 | |
Nouri et al. | Moroccan wind farm potential feasibility. Case study | |
CN113592132B (zh) | 一种基于数值天气预报和人工智能的降水客观预报方法 | |
Linderson et al. | Statistical downscaling and scenario construction of precipitation in Scania, southern Sweden | |
CN116306215A (zh) | 一种基于集成学习的降水预测方法及系统 | |
CN109543911B (zh) | 一种日照辐射预测方法及系统 | |
CN114444020A (zh) | 一种针对电网杆塔点的气温预报订正系统 | |
CN112558186B (zh) | 一种数值模式地面2米气温预报产品时间降尺度方法 | |
Sanders et al. | Solar radiation prediction improvement using weather forecasts | |
CN115936238B (zh) | 一种全域风电中长期出力预测方法、系统、设备及介质 | |
Murphy et al. | UKCP additional land products: probabilistic projections of climate extremes | |
KR101870743B1 (ko) | 갯벌체험 지수 예보 장치 및 그 방법 | |
CN115600142A (zh) | 一种基于不同方法的大风融合集成预报方法 | |
CN113821895B (zh) | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 | |
CN116109031A (zh) | 一种考虑生态服务价值的可再生能源选址方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |