CN110286424A - 基于数值统计的客观天气分型方法 - Google Patents
基于数值统计的客观天气分型方法 Download PDFInfo
- Publication number
- CN110286424A CN110286424A CN201910300093.2A CN201910300093A CN110286424A CN 110286424 A CN110286424 A CN 110286424A CN 201910300093 A CN201910300093 A CN 201910300093A CN 110286424 A CN110286424 A CN 110286424A
- Authority
- CN
- China
- Prior art keywords
- weather
- day
- meteorological
- type
- days
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 239000000126 substance Substances 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims description 8
- 238000003205 genotyping method Methods 0.000 claims description 5
- 238000003915 air pollution Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002354 daily effect Effects 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000001932 seasonal effect Effects 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 5
- 238000010224 classification analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Environmental Sciences (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Atmospheric Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于数值统计的客观天气分型方法,包括如下步骤:(1)下载长时间的全球气象再分析资料,选取每日特定时次的850hPa高度层特定的气象要素作为判断因子;(2)在利用计算机对天气进行分型前,需要将气象格点数据进行标准化计算;(3)大载荷飞艇、无人机和机载大气理化参数集成监测;(4)计算选取典型天气类型的代表天;(5)对典型天气类型的代表天和某一天计算标准偏差指数,将所有天气类型归算为其中某一种典型天气类型;(6)重复上述客观天气分型步骤,将未来一周的天气类型分类。本发明的人工天气分型普适性强,时效性高,客观性强,能够快速准确的实现过去长期天气类型的客观分型和未来一周的天气分型预报。
Description
技术领域
本发明涉及计算机客观天气分型技术领域,具体涉及一种基于数值统计的客观天气分型方法。
背景技术
天气分型方法主要是将大量变化的天气环流类型根据一定的方法总结出几种出现频次较高的主导类型,从而有效针对分析大气变化和特定天气型下气象要素、空气污染等变化特征。目前主要用的是基于人为主观判断的天气分型方法,主观天气分型方法通常针对不同的天气特征,选择特定的目标气象参数,通过人工判断识别天气图,根据天气图中目标参数的变化特征进行分类。但是主观分型方法存在着分型结果普适性弱、主观性强、工作量大等缺点,不同的人员分型的结果差异较大,面对数年甚至数十年较长时间的天气类型分析几乎不可能完成。
鉴于以上所述现有技术的不足,目前,缺乏一种时效性高的基于数值统计的客观天气分型方法。
发明内容
本发明的目的是提供一种时效性高的基于数值统计的客观天气分型方法。
本发明的目的是通过下列技术方案实现的:本发明的基于数值统计的客观天气分型方法,包括如下步骤:
(1)下载长时间的全球气象再分析资料,选取每日特定时次的850hPa高度层特定的气象要素作为判断因子,根据分型区域选择合适的空间范围;
(2)在利用计算机对天气进行分型前,需要将气象格点数据进行标准化计算,标准化的过程可以有效地消除不同季节水平气压梯度的差异;
(3)大载荷飞艇、无人机和机载大气理化参数集成监测,优化试验平台利用标准化的气象因子计算每个时次选定区域的气象要素场的标准偏差指数,根据设定的阈值用于判断两种天气类型是否为同一种类型;
(4)利用计算的标准偏差指数和相应的阈值,计算选取典型天气类型的代表天;
(5)对典型天气类型的代表天和某一天计算标准偏差指数,将所有天气类型归算为其中某一种典型天气类型;
(6)利用新一代中尺度天气预报模式WRF模拟未来一周所需区域的气象场,提取WRF输出气象场850hPa高度的关键要素,并转换数据格式;重复上述客观天气分型步骤,将未来一周的天气类型分类。
进一步地,在步骤(2)中,采用标准化计算公式为其中Zi为第i个格点标准化值,Xi为第i个格点原始值,为研究区域平均值,S为研究区域标准差。
进一步地,在步骤(3)中,标准偏差指数为其中Zai和Zbi分别代表第a天和第b天第i个点的标准化之后的数据,N代表研究区域空间范围内的总的点数,在这一步中,每一天都会与其他天计算总共(N-1)个标准偏差指数;为了使分型结果更为严谨可靠,研究区域每一列,每一行,以及整个研究区域都要计算标准偏差指数,分别为SR,SC,ST;这一步的主要目的是为了确保整个区域的相似性;若SR,SC,ST均小于预先设定的阈值,则认定第a天和第b天为同一种天气类型。
更进一步地,在步骤(4)中,根据第二步计算的标准偏差指数以及给定的阈值,计算相似指数,这个指数代表与第a天为同一种天气类型的总天数。最大的天定义为第一种典型天气类型的代表天,与此同时这一天和所有与之类似的天将被剔除,剔除之后,对剩下的天重复以上工作,选取其他的典型天气类型的代表天。
进一步地,在步骤(5)中,公式为并根据指数将剩余其它天气归入若干种典型天气类型,其中Zki代表标准化之后的第k个代表天第i个格点值,Zbi代表标准化之后的第b天第i个格点值;最终根据标准偏差指数,将所有天数的天气环流形势归为其中一种天气类型。
进一步地,在步骤(6)中,根据历史天气类型总结的不同天气类型条件下气象条件、空气污染的变化,对未来气象和污染等要素做出研判。
有益效果:本发明的人工天气分型普适性强,时效性高,客观性强,工作量小,能够快速准确的实现过去长期天气类型的客观分型和未来一周的天气分型预报,直观快捷,有广阔的推广应用前景,本发明的于数值统计的客观天气分型方法,应用于区域、城市的长期天气类型识别统计,预报未来一周的天气类型。
与现有技术相比,本发明具有如下优点:
(1)本发明提高了用户对结果快速的判断能力,为政府和企事业相关部门提高了气象条件研判的科学性和针对性。而本发明采用气象再分析资料或者气象预报模型输出格点数据,根据数值统计方法,基于现代计算机平台的分型方法,具有适用性强,公正客观等优点。
(2)传统的人为主观判断的天气分型方法是通过人工判断识别天气图,根据天气图中目标参数的变化特征进行分类,分型结果普适性弱、主观性强、工作量大,不同的人员分型的结果差异较大,面对数年甚至数十年较长时间的天气类型分析几乎不可能完成。而本发明提供的客观天气分型方法是采用气象再分析资料或者气象预报模型输出格点数据,根据数值统计方法,基于现代计算机平台的分型方法,具有时效性高,适用性强,公正客观等优点,提高了天气类型预报的业务化。
附图说明
图1为本发明的流程图;
图2为本发明的第分型结果典型天气类型下平均850hPa高度场等值线和相对应的平均海平面气压场和风场的合成图。
具体实施方式
通过以下实施例进一步详细说明本发明,但应注意本发明的范围并不受这些实施例的任何限制。
实施例1
如图1所示,本发明的基于数值统计的客观天气分型方法,包括如下步骤:
(1)下载长时间的全球气象再分析资料,选取每日特定时次的850hPa高度层特定的气象要素作为判断因子,根据分型区域选择合适的空间范围;
(2)在利用计算机对天气进行分型前,需要将气象格点数据进行标准化计算,标准化的过程可以有效地消除不同季节水平气压梯度的差异。采用标准化计算公式为其中Zi为第i个格点标准化值,Xi为第i个格点原始值,为研究区域平均值,S为研究区域标准差。
(3)大载荷飞艇、无人机和机载大气理化参数集成监测,优化试验平台利用标准化的气象因子计算每个时次选定区域的气象要素场的标准偏差指数,根据设定的阈值用于判断两种天气类型是否为同一种类型;标准偏差指数为其中Zai和Zbi分别代表第a天和第b天第i 个点的标准化之后的数据,N代表研究区域空间范围内的总的点数,在这一步中,每一天都会与其他天计算总共(N-1)个标准偏差指数;为了使分型结果更为严谨可靠,研究区域每一列,每一行,以及整个研究区域都要计算标准偏差指数,分别为SR,SC,ST;这一步的主要目的是为了确保整个区域的相似性;若SR, SC,ST均小于预先设定的阈值,则认定第a天和第b天为同一种天气类型。
(4)利用计算的标准偏差指数和相应的阈值,计算选取典型天气类型的代表天;根据第二步计算的标准偏差指数以及给定的阈值,计算相似指数,这个指数代表与第a天为同一种天气类型的总天数。最大的天定义为第一种典型天气类型的代表天,与此同时这一天和所有与之类似的天将被剔除,剔除之后,对剩下的天重复以上工作,选取其他的典型天气类型的代表天。
(5)对典型天气类型的代表天和某一天计算标准偏差指数,将所有天气类型归算为其中某一种典型天气类型;公式为并根据指数将剩余其它天气归入若干种典型天气类型,其中Zki代表标准化之后的第k个代表天第i个格点值,Zbi代表标准化之后的第b天第i个格点值;最终根据标准偏差指数,将所有天数的天气环流形势归为其中一种天气类型。
(6)利用新一代中尺度天气预报模式WRF模拟未来一周所需区域的气象场,提取WRF输出气象场850hPa高度的关键要素,并转换数据格式;重复上述客观天气分型步骤,将未来一周的天气类型分类。根据历史天气类型总结的不同天气类型条件下气象条件、空气污染的变化,对未来气象和污染等要素做出研判。
实施例2
以京津冀地区的气象格点数据为例,侧重于对过去超过三十年京津冀地区主导天气类型进行分类研究,其中利用1980-2016年京津冀地区850hPa高度场数据将天气类型被归入五种主导环流形势,同时结合新一代中尺度天气预报模式WRF模拟未来一周所需区域的气象场,通过偏差指数和相似指数计算将未来7 天的天气形势归类分析出主导类型。
(1)下载1980-2016年的NCEP/NCAR全球气象再分析资料,因近地面气象场受到地表物理特征的显著影响,容易造成小尺度的环流扰动系统,高层的气象场与地表气象因子关联弱且算法区分度差,所以选取850hPa高度场作为计算因子。气象场的演变是连续的过程,单时次的资料较日均资料更能体现出不同天的气象场的区别,且00时的气象资料同化了当日时次的探空资料,因此选取世界时00时刻的气象资料作为当日的代表天气型来处理。资料空间分辨率为2.5 °×2.5°,针对京津冀地区的分型空间范围为以北京,天津,石家庄为中心的区域,空间范围为北纬15°-65°,东经90°-160°。
(2)在利用计算机对天气进行分型前,需要将气象格点数据进行标准化计算,标准化的过程可以有效地消除不同季节水平气压梯度的差异。采用标准化计算公式为其中Zi为第i个格点标准化值,Xi为第i个格点原始值,为研究区域平均值,S为研究区域标准差。通过计算获得了36年标准化的高度场。
(3)利用标准化的气象因子计算每个时次选定区域的气象要素场的标准偏差指数,根据设定的阈值用于判断两种天气类型是否为同一种类型。标准偏差指数为其中Zai和Zbi分别代表第a天和第b天第i个点的标准化之后的数据,N代表研究区域空间范围内的总的点数,在这一步中,每一天都会与其他天计算总共(N-1)个标准偏差指数。为了使分型结果更为严谨可靠,研究区域每一列,每一行,以及整个研究区域都要计算标准偏差指数,分别为SR,SC,ST。这一步的主要目的是为了确保整个区域的相似性。若SR,SC,ST均小于预先设定的阈值,则认定第a天和第b天为同一种天气类型。
(4)利用计算的标准偏差指数和相应的阈值,计算选取典型天气类型的代表天。根据第二步计算的标准偏差指数以及给定的阈值,计算相似指数,这个指数代表与第a天为同一种天气类型的总天数。最大的天定义为第一种典型天气类型的代表天,与此同时这一天和所有与之类似的天将被剔除。剔除之后,对剩下的天重复以上工作,选取其他的典型天气类型的代表天。通过大量计算获取1980-2016年间京津冀地区典型的5种天气类型,其中第1-3种天气类型和西伯利亚高压相关(西伯利亚高压相关型),第4-5种天气类型和西太平洋副高相关(西太平洋副热带高压相关型)。
(5)对典型天气类型的代表天和某一天计算标准偏差指数,将所有天气类型归算为其中某一种典型天气类型。公式为并根据指数将剩余其它天气归入若干种典型天气类型,其中Zki代表标准化之后的第k个代表天第i个格点值,Zbi代表标准化之后的第b天第i个格点值。最终根据标准偏差指数,将所有天数的天气环流形势归为其中一种天气类型。
1980-2016年京津冀地区850hPa高度场被归入五种主导环流形势。超过99%的天数被归入五种主导天气类型。其中第1种天气类型所占比例最高,达到33%。第2种天气类型次之,占26.5%。第3,4和5种天气类型分别占19.6%,13.8%和6.2%。表格1总结了五种天气类型所对应的气象条件。京津冀主导天气类型及气象因子特征统计如表1所示:
表1
如图2所示,图2为五种天气类型下的850hPa高度场,海平面气压场和风场。第1种天气类型下,欧亚大陆受西伯利亚高压控制,高压脊延伸至中国渤海附近。研究区域位于东亚大槽的后部和西伯利亚高压的东缘。此种天气类型对应着混合的气象条件,干冷稳定的气象条件控制着华北平原大部,同时西伯利亚高压东缘的偏北/东北气流控制着华北平原沿海地区。当西伯利亚高压增强东进,第3种天气类型开始控制华北平原。在第3种天气类型下,冷空气活动频繁。当东亚大槽强度减弱,西伯利亚高压的强度也相应减弱,第2种天气类型开始成为华北平原的主导天气类型。第4-5种天气类型主要发生在夏季,第5 种天气类型下,低压脊由东到西延伸到中国东部。暖湿的偏南/东南海洋性气团给华北带来不稳定的气象条件以及多雨的天气。第4种天气类型也是伴随着暖湿的气象条件,此时,低压单体的中心位于华北平原的北部,研究区域位于西太平洋副高的西脊。
(6)利用新一代中尺度天气预报模式WRF模拟未来一周所需区域的气象场,提取WRF输出气象场850hPa高度的关键要素,并转换数据格式。选取每个小时的气象资料分析其天气型。将模式输出的格点资料插值为空间分辨率2.5°×2.5 °,针对京津冀地区的分型空间范围为以北京,天津,石家庄为中心的区域,空间范围为北纬15°-65°,东经90°-160°。重复上述客观天气分型步骤,将未来一周的天气类型进行分类。根据历史天气类型总结的不同天气类型条件下气象条件、空气污染的变化等,对未来气象和污染等要素做出研判。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,本发明要求保护范围由所附的权利要求书、说明书及其等效物界定。
Claims (6)
1.基于数值统计的客观天气分型方法,其特征在于包括如下步骤:
(1)下载长时间的全球气象再分析资料,选取每日特定时次的850hPa高度层特定的气象要素作为判断因子,根据分型区域选择合适的空间范围;
(2)在利用计算机对天气进行分型前,需要将气象格点数据进行标准化计算,标准化的过程可以有效地消除不同季节水平气压梯度的差异;
(3)大载荷飞艇、无人机和机载大气理化参数集成监测,优化试验平台利用标准化的气象因子计算每个时次选定区域的气象要素场的标准偏差指数,根据设定的阈值用于判断两种天气类型是否为同一种类型;
(4)利用计算的标准偏差指数和相应的阈值,计算选取典型天气类型的代表天;
(5)对典型天气类型的代表天和某一天计算标准偏差指数,将所有天气类型归算为其中某一种典型天气类型;
(6)利用新一代中尺度天气预报模式WRF模拟未来一周所需区域的气象场,提取WRF输出气象场850hPa高度的关键要素,并转换数据格式,重复上述客观天气分型步骤,将未来一周的天气类型分类。
2.根据权利要求1所述的基于数值统计的客观天气分型方法,其特征在于:在步骤(2)中,采用标准化计算公式为其中Zi为第i个格点标准化值,Xi为第i个格点原始值,为研究区域平均值,S为研究区域标准差。
3.根据权利要求2所述的基于数值统计的客观天气分型方法,其特征在于:在步骤(3)中,标准偏差指数为其中Zai和Zbi分别代表第a天和第b天第i个点的标准化之后的数据,N代表研究区域空间范围内的总的点数,每一天都会与其他天计算总共(N-1)个标准偏差指数;为了使分型结果更为严谨可靠,研究区域每一列,每一行,以及整个研究区域都要计算标准偏差指数,分别为SR,SC,ST;若SR,SC,ST均小于预先设定的阈值,则认定第a天和第b天为同一种天气类型。
4.根据权利要求1所述的基于数值统计的客观天气分型方法,其特征在于:在步骤(4)中,根据第二步计算的标准偏差指数以及给定的阈值,计算相似指数,这个指数代表与第a天为同一种天气类型的总天数;最大的天定义为第一种典型天气类型的代表天,与此同时这一天和所有与之类似的天将被剔除,剔除之后,对剩下的天重复以上工作,选取其他的典型天气类型的代表天。
5.根据权利要求4所述的基于数值统计的客观天气分型方法,其特征在于:在步骤(5)中,公式为并根据指数将剩余其它天气归入若干种典型天气类型,其中Zki代表标准化之后的第k个代表天第i个格点值,Zbi代表标准化之后的第b天第i个格点值;最终根据标准偏差指数,将所有天数的天气环流形势归为其中一种天气类型。
6.根据权利要求1所述的基于数值统计的客观天气分型方法,其特征在于:在步骤(6)中,根据历史天气类型总结的不同天气类型条件下气象条件、空气污染的变化,对未来气象和污染要素做出研判。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300093.2A CN110286424A (zh) | 2019-04-15 | 2019-04-15 | 基于数值统计的客观天气分型方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300093.2A CN110286424A (zh) | 2019-04-15 | 2019-04-15 | 基于数值统计的客观天气分型方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110286424A true CN110286424A (zh) | 2019-09-27 |
Family
ID=68001737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910300093.2A Pending CN110286424A (zh) | 2019-04-15 | 2019-04-15 | 基于数值统计的客观天气分型方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110286424A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612245A (zh) * | 2020-05-18 | 2020-09-01 | 北京中科三清环境技术有限公司 | 大气污染状况预测方法、装置、电子设备及存储介质 |
CN112114384A (zh) * | 2020-08-27 | 2020-12-22 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种输电线覆冰发生概率预报方法 |
CN112596127A (zh) * | 2020-11-25 | 2021-04-02 | 中国人民解放军国防科技大学 | 一种计算台风潜在生成指数的新方法 |
CN112597237A (zh) * | 2020-12-16 | 2021-04-02 | 中科三清科技有限公司 | 基于b/s架构的天气分型可视化方法、系统、电子设备及介质 |
CN113723435A (zh) * | 2021-02-07 | 2021-11-30 | 成都信息工程大学 | 基于温度平流和锋生函数的强对流天气形势分类方法 |
CN113917566A (zh) * | 2021-09-28 | 2022-01-11 | 国网湖南省电力有限公司 | 考虑效率-资源最优平衡的微地形气象预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6424917B1 (en) * | 2000-02-08 | 2002-07-23 | Surveillance Data Inc. | Weather typing system and method with spatial synoptic classification by sliding seed days |
CN105738974A (zh) * | 2016-02-05 | 2016-07-06 | 北京市环境保护监测中心 | 空气重污染天气的预报方法和系统 |
CN106339775A (zh) * | 2016-08-23 | 2017-01-18 | 北京市环境保护监测中心 | 基于天气分型和气象要素聚类的空气重污染案例判别方法 |
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 |
CN108931826A (zh) * | 2018-04-16 | 2018-12-04 | 武汉中心气象台(长江流域水文气象预报台湖北省决策气象服务中心) | 一种基于分型配料法的暴雨预测方法 |
-
2019
- 2019-04-15 CN CN201910300093.2A patent/CN110286424A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6424917B1 (en) * | 2000-02-08 | 2002-07-23 | Surveillance Data Inc. | Weather typing system and method with spatial synoptic classification by sliding seed days |
CN105738974A (zh) * | 2016-02-05 | 2016-07-06 | 北京市环境保护监测中心 | 空气重污染天气的预报方法和系统 |
CN106339775A (zh) * | 2016-08-23 | 2017-01-18 | 北京市环境保护监测中心 | 基于天气分型和气象要素聚类的空气重污染案例判别方法 |
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 |
CN108931826A (zh) * | 2018-04-16 | 2018-12-04 | 武汉中心气象台(长江流域水文气象预报台湖北省决策气象服务中心) | 一种基于分型配料法的暴雨预测方法 |
Non-Patent Citations (1)
Title |
---|
YANG ZHANG ET AL.: "Impact of synoptic weather patterns and inter-decadal climate variability on air quality in the North China Plain during 1980-2013", 《ATMOSPHERIC ENVIRONMENT》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612245A (zh) * | 2020-05-18 | 2020-09-01 | 北京中科三清环境技术有限公司 | 大气污染状况预测方法、装置、电子设备及存储介质 |
CN112114384A (zh) * | 2020-08-27 | 2020-12-22 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种输电线覆冰发生概率预报方法 |
CN112596127A (zh) * | 2020-11-25 | 2021-04-02 | 中国人民解放军国防科技大学 | 一种计算台风潜在生成指数的新方法 |
CN112597237A (zh) * | 2020-12-16 | 2021-04-02 | 中科三清科技有限公司 | 基于b/s架构的天气分型可视化方法、系统、电子设备及介质 |
CN113723435A (zh) * | 2021-02-07 | 2021-11-30 | 成都信息工程大学 | 基于温度平流和锋生函数的强对流天气形势分类方法 |
CN113723435B (zh) * | 2021-02-07 | 2024-02-23 | 成都信息工程大学 | 基于温度平流和锋生函数的强对流天气形势分类方法 |
CN113917566A (zh) * | 2021-09-28 | 2022-01-11 | 国网湖南省电力有限公司 | 考虑效率-资源最优平衡的微地形气象预测方法及系统 |
CN113917566B (zh) * | 2021-09-28 | 2023-06-27 | 国网湖南省电力有限公司 | 考虑效率-资源最优平衡的微地形气象预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110286424A (zh) | 基于数值统计的客观天气分型方法 | |
Anderson-Frey et al. | Investigation of near-storm environments for tornado events and warnings | |
CN106339775B (zh) | 基于天气分型和气象要素聚类的空气重污染案例判别方法 | |
CN105205466B (zh) | 一种基于夜间灯光影像的能源碳排放量遥感估算方法 | |
CN108227041B (zh) | 基于站点实测数据和模式结果的水平能见度预报方法 | |
CN106485262A (zh) | 一种母线负荷预测方法 | |
CN108536908A (zh) | 基于非点源氮磷流失风险对流域水环境安全评估的方法 | |
CN103699903A (zh) | 基于图像识别的城市屋顶绿化面积计算方法及系统 | |
CN107632967A (zh) | 一种草地产草量估算方法 | |
CN114202103A (zh) | 一种基于机器学习的节假日景区客流预测方法 | |
CN110133755A (zh) | 基于gra-lmbp权重的多天气类型下直散分离建模预测控制方法 | |
CN107479065A (zh) | 一种基于激光雷达的林窗立体结构量测方法 | |
Kelleher et al. | Interseasonal connections between the timing of the stratospheric final warming and Arctic sea ice | |
CN110009385A (zh) | 一种基于多因素映射的光伏发电用户群划分方法 | |
CN105930805B (zh) | 一种基于ArcGIS的基本草原类型判断方法 | |
CN116310853A (zh) | 一种基于多源数据的中小城市边缘区提取方法 | |
CN108808671A (zh) | 一种风电场短期风速集合预报方法 | |
Saeedi et al. | A composite analysis of the morning cyclone in two Asian deserts | |
Huang et al. | Spatio-temporal variation of landscape heterogeneity under influence of human activities in Xiamen City of China in recent decade | |
CN109635865A (zh) | 一种基于分层表示学习的能见度预报方法 | |
CN105302980B (zh) | 一种基于sar数据的城区空气动力学粗糙度反演方法 | |
Vreča et al. | Comparison of monthly and daily isotopic composition of precipitation in the coastal area of Slovenia | |
Chen et al. | Sparkpr: An Efficient Parallel Inversion of Forest Canopy Closure | |
CN115619605A (zh) | 一种基于语义信息的传统民居环境质量评估方法 | |
Devis et al. | A height dependent evaluation of wind and temperature over Europe in the CMIP5 Earth System Models |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190927 |