CN110427594A - 适合小型实验室的气象要素数据获取系统 - Google Patents
适合小型实验室的气象要素数据获取系统 Download PDFInfo
- Publication number
- CN110427594A CN110427594A CN201910648296.0A CN201910648296A CN110427594A CN 110427594 A CN110427594 A CN 110427594A CN 201910648296 A CN201910648296 A CN 201910648296A CN 110427594 A CN110427594 A CN 110427594A
- Authority
- CN
- China
- Prior art keywords
- data
- meteorological
- exe
- program
- user
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种适合小型实验室的气象要素数据获取系统,由至少一台高性能计算平台、数据预处理系统、WRF数值天气预报模式、数据后处理系统和数据库系统组成,创新性的提出了高性能计算硬件平台在缺乏气象资料地区获取气象数据和对粗分辨率的格点化气象数据降尺度系统,在用户需要的特定区域,输出用户需要的气象数据变量,制作高时空分辨率、高精度的格点化气象数据,进行中长期城市群尺度的高空间分辨率天气预报,可以为大气污染、陆面水文过程、城市气候和城市交通等学科提供基础气象数据,为未来气候变化情景预估(CMIP5)提供更加精细的区域尺度气候变化数据。
Description
技术领域
本发明涉及格点化气象数据生成制作领域,特别涉及一种适合小型实验室的气象要素数据获取系统。
背景技术
在科学精细化管理的需求下,设计、规划和运营就更加需要高时间和高空间分辨率的气象数据。目前,中国气象局、水利部和农业部等部门不遗余力的建设地面气象观测网。在近60年的建设下,中国地面自动气象观测网台站数量已经超过了30万个。在中国东部地区,气象站的空间分布密度已经达到1 个/10km2。在中国西部地区,气象站主要部署在生态环境较好的地区,而空间异质性较大的复杂山区(如新疆天山山脉、青藏高原等),大面积地区尚无自动气象站的密集监测。而这些地区是流经下游荒漠地区河流的发源地。像西部山区这样生态环境重要的地区,缺乏高时空分辨率气象数据,成为了生态、水文、气象等领域科学研究和工程建设的瓶颈问题。
针对上述问题,现有技术中人们进行了种种探索和方法改进,但是效果都不好,如下所示:
一种多功能气候数据获取方法,申请号:201410303156.7 申请日:2014-06-27,其主要技术特征在于,由以下各步骤构建而成:
(1)通过逐步回归的方法,构建在基准时期内气温栅格(格点)数据与数字高程模型(Digital Elevation Model, DEM)在月尺度上建立多元回归模型(线性模型),并分别对回归模型对海拔求一阶偏导数,获得气温变量对海拔调整方程;
(2)利用双线性距离加权插值算法将原始基准时期降水格点数据转换为任意空间分辨率的基准时期(一般指1961~1990年)格点化降水数据Pd;结合步骤(1)的气温海拔调整方程及双线性插值算法,将原始基准时期格点化气温栅格数据转化为任意分辨率格点化气温数据Tbe;
(3)不同时期气候数据的生成:数据包括1961-2012年及IPCC AR4中预测的未来2010-2039年、2040-2069年和2070-2099年三个时期逐月气候数据;对于任意一点P,在距平偏差基础气候数据上搜索其四个最临近像元,并采用双线性距离加权插值获得An,即该点的距平值,与步骤(2)中获得的对应位置Tbe或Pd相加,从而得到最终的基础气候变量模拟值;
(4)结合步骤(3)中生成的月平均基础气温变量,通过谐波拟合方程产生每日2m气温变量,生成三个新的派生气温变量,日均气温、日最高气温及日最低气温。
在该专利中,申请人将气候变量(气温)等与海拔地形之间关系假设为衡量,不发生变化,因此可以根据气温随高程变化的统计进行外推。然而本发明的缺点是显而易见的:
第一,没有考虑到地表覆盖的空间异质性,如迎风坡的气温随高程的变化和背风坡气温随高程的变化是完全不同;
第二,本发发明需要在地面站点相对密集,或者直接使用粗网格数据充当站点,但在中国西部或缺气象观测地区,可能普遍存在没有足够站点拟合公式系数的情况,使得该方法不具备通用性;
第三,除了气温外,其他变量在日尺度与高程的变化关系是否存在,这是需要重点讨论的缺陷,而这正是本发明的理论与研究基础。
第四,降水的概率分布是gamma分布,在步骤3中不能叠加,否则降水的量级强度精度会受到影响。
基于Delaunay三角网的气象要素插值评估方法,申请号:201410485014.7,申请日:2014-09-22,其主要技术特征为,具体包括如下步骤:
步骤A,采集气象要素数据,包括温度、降水量、气压、湿度;
步骤B,使用二维凸壳并行算法构建Delaunay三角网;
步骤C,将气象要素数据填充到Delaunay三角网的各网格点中,使得Delaunay三角网成为三维空间上的分段线性曲面;
步骤D,采用Delaunay三角网的气象要素空间插值方法,得到气象要素的空间分布;
步骤E,逆向求得气象要素的时空分布,从而得到区域尺度上的气象要素数据。
可是,在实际使用时,由于该专利使用Delaunay网格对站点气象数据插值到空间化网格上,构建的Delaunay网格会跟随站点空间位置对网格稀疏程度进行调整。当站点分布较为密集时,Delaunay网格划分较为密集;当站点分布较为稀疏时,Delaunay网格划分也较为稀疏。这样空间化的格点数据仍然受到站点空间分布的影响。同时站点分布稀疏的地区,气象要素值受到最邻近的气象站点数据影响,而这个站点实际距离较远。这使得数据精度存在较大的不确定性。更为重要的是,在中国西部地区地形复杂,然而站点空间分布稀少,这样原本应该需要Delaunay三角形进行加密的地区,反而由于气象站点稀少,导致网格稀疏,影响了外推插值后气象数据的精度。
一种基于多规则算法的遥感数据降尺度方法,申请号:201610305772.5,申请日:2016-05-10,其主要技术特征在于,包括以下步骤:
步骤A,数据获取:获取待测区域的TMPA 3B43 v7降水数据、MODIS卫星遥感影像数据以及ASTER GDEM数字地形模型数据,同时收集待测区域内地面观测站点的日降水量观测数据;其中MODIS卫星遥感影像数据包括MOD11A2地表温度数据产品和MOD13A2植被指数数据产品;
步骤B,数据预处理:将步骤A获取的TRMM 3B43 v7降水数据的时间分辨率处理为月尺度;将ASTER GDEM卫星遥感影像数据进行重采样分别得到为1km和25km空间分辨率的DEM数据;从MOD11A2数据产品中提取白天地表温度和晚上地表温度数据,并通过重采样得到空间分辨率为1km和25km的白天地表温度数据以及晚上地表温度数据;从MOD13A2数据产品中提取植被指数参量,经过异常值剔除处理后,通过重采样得到空间分辨率为1km和25km的植被指数数据;从ASTER GDEM的1km和25km分辨率高程数据上计算坡度、坡向指数、坡长、谷底平坦指数、地表粗糙度和地表反射率数据;
步骤C,进行建模及参数率定:将步骤B处理后的25km TRMM 3B43 v7降水数据作为因变量,以空间分辨率为25km的植被指数、数字高程模型、白天地表温、晚上地表温、坡向指数、坡度、地表粗糙度、地表反射率和谷底平坦指数9个数据作为自变量进行建模及参数率定;
步骤D,基于多规则算法的遥感数据降尺度方法;基于步骤C在25km空间分辨率下建立的统计模型应用到空间分辨率1km的环境变量(GDEM、MOD11和MOD13数据)中进行预测,从而得到1km的高精度降水数据;同时将空间分辨率为25km的降水残差值进行重采样得到空间分辨率为1km,并将其与空间分辨率为1km地面降水量预测值数据相加,得到空间分辨率为1m的高精度降水数据。
上述技术方案主要对遥感降水数据进行降尺度获得高空间分辨率、月尺度的降水数据,该技术的思路是,利用地形要素(高程、坡度等)、植被要素(MODIS的MOD13中NDVI数据)和地表温度数据(MODIS的MOD11)建立和TRMM 3B43降水数据的统计关系模型。而这种月尺度的关系,在中国复杂地形地区有非常好的关系,然而对于中国东部地区土地主要为农田,NDVI信息是受到农田灌溉影响,因此与降水的统计模型精度不是很好。其次,降水与NDVI和地形信息的关系一般存在在月尺度上,对于日尺度和小时尺度的信息,目前没有现有的统计分布函数进行拟合。因此该模型在时间上,仅能应用在月尺度上,应用局限性较大。
发明内容
针对上述背景内容中提出的实质性缺陷和不足,本发明提供一种适合小型实验室的气象要素数据获取系统,可以解决背景技术中所指出的问题,利用再分析数据,在用户需要的特定区域,按照一定时间分辨率和空间分辨率输出用户需要的气象数据变量,为当代气候和未来气候变化情景预估(CMIP5)提供更加精细的区域尺度气候变化数据。
一种适合小型实验室的气象要素数据获取系统,由系统数据、至少一台高性能计算平台、数据预处理系统、数值天气预报模块、数据后处理系统和数据库系统组成;其中,安装有Linux操作系统和MPICH并行环境的高性能计算机平台为本系统高性能计算平台硬件部分;数据预处理系统包括wrfdomain小工具和WPS前处理模块,数值天气预报模块主要包括WRF程序下namelist.wrf程序配置文件、real.exe垂直插值程序和wrf.exe求解程序;数据后处理系统包括格点到站点插值模块;数据预处理系统所能处理的系统数据,包括全球/区域大气再分析数据、全球/区域静态数据的地形数据、土地利用数据、土壤数据、地表反照率和植被叶面指数等数据。
在上述技术方案中,WPS前处理模块包括namelist.wps程序配置文件、geogrid.exe地形相关静态数据插值程序、link_grib.csh连接驱动数据脚本、Vtable.GFS驱动数据编码文件、ungrib.exe驱动数据解压程序和metgrid.exe水平插值程序。
本发明同时提供适合小型实验室的气象要素数据获取系统的使用方法,步骤如下:
Q1:在开始运行前,用户明确自己要获得所需气象数据的区域及分辨率,一般所需数据水平分辨率在25 km以上,用户可以直接确定区域,保证东西和南北两个方向的格点数在100个以上。若所需气象数据水平分辨率在25 km以内,用户需要工具wrfdomain小工具,对模拟区域进行嵌套才能获得高分辨的合适的东西和南北两个方向的格点数;
Q2:在数据预处理阶段,在WPS工具包目录下,按照自己的需求修改东西和南北方向的格点数、分辨率和自己需要的数据起至日期,配置好目录内namelist.wps文件后,运行目录内的geogrid.exe程序,生成geo_em.d01.nc文件;
Q3:用户将全球/区域静态数据通过目录内link_grib.csh脚本软链接到当前目录,随后从WPS的子目录ungrib/Variable_Tables/中复制Vtable.GFS到当前目录,并重命名为Vtable;
Q4:根据用户实际需求,用ungrib.exe程序解压当代气候再分析数据或未来气候预估数据(CMIP5)的定时数据的grib文件为wps内置格式;
Q5:运行metgrid.exe程序,生成met_em.d01.yyyy-mm-dd_hh:00:00(y代表年,m代表月,d代表日,h代表小时),完成驱动数据(当代再分析数据、天气预报数据或未来气候预估数据)在数据特定高度层上的水平插值工作;
Q6:将Q5步骤最终生成的文件拷贝至WRF程序中运行目录下,修改目录中的namelist.input文件的起止时间、水平分辨率、输出变量时间间隔;
Q7:在WRF运行目录下,运行目录中的real.exe进行垂直方向的插值,生成wrfbdy_d01和wrfinput_d01两个文件;
Q8:用户直接运行模式下运行wrf.exe,用并行的方式执行:mpirun –n 20 ./wrf.exe),当程序顺利运行完,获得用户在特定区域的气象数据。
Q9:当用户也需要具体某一个地点的数据,此时需要后处理模块,具体命令如下:cdo -s -output -remapbil,lon=84_lat=43 -selname,T2 wrfout_d01_yyyy-mm-dd_hh:00:00 >51355.txt这样用户只需要将自己需要的经度(如84°)、纬度(如43°)和需要的变量(如T2,2m高度气温)输入之后便能得到具体坐标下指定气象变量的时间序列。此时数据可以直接使用或存入数据库中。
在上述技术方案中,数据预处理系统中的数据,可以使用多种来源的驱动数据,如来源于下载和美国NOAA的GFS全球预报数据,中国气象局的全球大气再分析数据40年数据(CRA40)和对于未来区域气候预估(由CMIP5中的GCM数据提供)。
本发明提供的一种适合小型实验室的气象要素数据获取系统,通过巧妙的设计,创新性的提出了高性能计算硬件平台在缺乏气象资料地区获取气象数据和对粗分辨率的格点化气象数据降尺度系统,有以下功能:
1、在本平台上,可以进行高性能的科学计算。
2、在缺高时空分辨率气象数据地区,使用WRF数值天气预报系统进行计算模拟,按照一定时间分辨率和空间分辨率输出用户需要的气象数据变量。
3、根据用户的实际需求,本系统通过更换驱动数据,可以利用全球大气再分析数据(如CRA40)进行当代的气象数据的制作,可以利用预报数据(如T639和GFS)进行天气预报,可以利用未来气候预估数据(CMIP5)进行气候预估,为相关学科提供区域尺度高时空分辨率、高精度格点化的气象数据。
它具有的优点如下:
A、提高气象数据时间和空间分辨率,传统的统计模型采用各种方法降尺度或者外推获得的气象数据,这样获得的空间化的格点数据时间分辨率受到原始站点气象观测数据的影响。而本系统可以人为设定时间输出不受原始再分析时间分辨率的影响。在传统统计模型虽然可以获得高分辨率的格点化的数据,但是受到站点空间分布的位置的影响,存在最优分辨率(一般保证600 km2应有一个站点,所以分辨率一般为0.25°约27 km)。而本系统可以1 km分辨率,最高甚至可以获得100 m分辨率的气象数据。
B、考虑更加复杂的土地利用和大气过程,传统外推方式获得气象数据,主要按照距离权重和DEM高程数据对空间数据进行外推,这样就有很多不确定性。而本系统不仅使用高程,还使用遥感数据反演的土地利用数据,这样更能体现真实环境下垫面异质性下的气象变量空间分布。因为本系统以计算流体力学的方程为基础,同时考虑大气辐射和边界层,这样气象变量更能体现气象变量真实的空间分布。
C、输出的大气变量更多,符合物理机制,而非传统的统计学模型输出,传统外推只能够输出单一变量。而本系统可以基于大气科学理论进行多大气变量输出。这是传统外推方式无法实现的。
附图说明
图1为本发明提供的一种适合小型实验室的气象要素数据获取系统的整体结构示意图。
具体实施方式
下面结合附图,对本发明的一个具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
本发明实施例涉及缩略语和关键术语定义
外推
在已观测点的区域外估算未观测点的数据的过程称为外推。
内插
在已观测点的区域内估算未观测点的数据的过程称为内插。
WRF
英文全称The Weather Research and Forecasting Model,即天气预报模式。WRF模式为完全可压缩以及非静力模式,采用F90 语言编写。水平方向采用Arakawa C网格点,垂直方向则采用地形跟随质量坐标。WRF 模式在时间积分方面采用三阶或四阶的Runge-Kutta算法。WRF模式不仅可以用于真实天气的个案模拟,也可以用其包含的模块组作为基本物理过程探讨的理论根据再分析数据。
再分析数据采用了全球资料同化系统和完善的数据库,对各种来源(地面、船舶、无线电探空、测风气球、飞机、卫星等)的观测资料进行质量控制和同化处理,获得了一套完整的再分析资料集,它不仅包含的要素多,范围广,而且延伸的时段长,是一个综合的数据集。
CRA40
中国气象局制作的全球大气再分析。
地面数据
由地面气象观测仪器在指定时间、指定位置进行观测所获得的数据。
CMIP5
英文全称the Coupled Model Inter-comparison Project, Phase 5,即第5次耦合模式比较计划。是将大气模式、海洋模式等全球模式,在相同的边界条件下,相同的模拟时间内运行的结果进行归档。目前,主要应用在未来气候变化研究中。
DEM
数字高程模型(Digital Elevation Model)。
GCM
广义通用环流(大气或海洋)模式,是使用Navier–Stokes在旋转的球面上和热动力项进行计算。这样就能对地球大气和海洋环流进行模拟。目前,主要应用在气候预报和气候变化研究中。
GFS
英文全称The Global Forecast System (GFS),即全球天气预报系统。这是用美国National Centers for Environmental Prediction (NCEP)负责业务化运行的模式。这个模式可以进行长达384小时的中期天气预报,空间分辨率最高可以达到28km,并能够输出大量大气、陆面过程的变量。
时空分辨率
时间分辨率和空间分辨率的简写。时间分辨率是指,数据能够反映时间尺度的最小间隔,如天、小时、分钟等。空间分辨率是指格点化数据,格点与格点之间的间隔,如km。
如图1所示,在全球/区域预报数据的基础上,本系统可以进行240小时至384小时的中长期城市群尺度的高空间分辨率天气预报,可以为大气污染、陆面水文过程、城市气候和城市交通等学科提供基础气象数据,本系统可以为未来气候变化情景预估(CMIP5)提供更加精细的区域尺度气候变化数据。
以上公开的仅为本发明的几个具体实施例,但是,本发明实施例并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (4)
1.一种适合小型实验室的气象要素数据获取系统,其特征在于,由系统数据、至少一台高性能计算平台、数据预处理系统、数值天气预报模块、数据后处理系统和数据库系统组成;其中,安装有Linux操作系统和MPICH并行环境的高性能计算机平台为本系统高性能计算平台硬件部分;数据预处理系统包括wrfdomain小工具、WPS前处理模块,数值天气预报模块包括WRF程序下namelist.wrf程序配置文件、real.exe垂直插值程序和wrf.exe求解程序;数据后处理系统包括格点到站点插值模块、评估模块和可视化模块;数据预处理系统所能处理的系统数据,包括传统定时气象观测数据的气温、风速、气压、全球/区域大气再分析数据、全球/区域静态数据的地形数据、土地利用数据、土壤数据、地表反照率和植被叶面指数。
2.根据权利要求1所述的一种适合小型实验室的气象要素数据获取系统,其特征在于,WPS前处理模块包括namelist.wps程序配置文件、geogrid.exe地形相关静态数据插值程序、link_grib.csh连接驱动数据脚本、Vtable.GFS驱动数据编码文件、ungrib.exe驱动数据解压程序和metgrid.exe水平插值程序。
3.根据权利要求1所述的一种适合小型实验室的气象要素数据获取系统的使用方法,其特征在于,步骤如下:
Q1:在开始运行前,用户明确自己要获得所需气象数据的区域及分辨率,一般所需数据水平分辨率在25km以上,用户可以直接确定区域,保证东西和南北两个方向的格点数在100个以上。若所需气象数据水平分辨率在25km以内,用户需要工具wrfdomain小工具,对模拟区域进行嵌套才能获得高分辨的合适的东西和南北两个方向的格点数;
Q2:在数据预处理阶段,在WPS工具包目录下,按照自己的需求修改东西和南北方向的格点数、分辨率和自己需要的数据起至日期,配置好目录内namelist.wps文件后,运行目录内的geogrid.exe程序,生成geo_em.d01.nc文件;
Q3:用户将全球/区域静态数据通过目录内link_grib.csh脚本软链接到当前目录,随后从WPS的子目录ungrib/Variable_Tables/中复制Vtable.GFS到当前目录,并重命名为Vtable;
Q4:根据用户实际需求,用ungrib.exe程序解压当代气候再分析数据或未来气候预估数据(CMIP5)的定时数据的grib文件为wps内置格式;
Q5:运行metgrid.exe程序,生成met_em.d01.yyyy-mm-dd_hh:00:00(y代表年,m代表月,d代表日,h代表小时),完成驱动数据(当代再分析数据、天气预报数据或未来气候预估数据)在数据特定高度层上的水平插值工作;
Q6:将Q5步骤最终生成的文件拷贝至WRF程序中运行目录下,修改目录中的namelist.input文件的起止时间、水平分辨率、输出变量时间间隔;
Q7:在WRF运行目录下,运行目录中的real.exe进行垂直方向的插值,生成wrfbdy_d01和wrfinput_d01两个文件;
Q8:用户直接运行模式下运行wrf.exe,用并行的方式执行:mpirun–n20./wrf.exe),当程序顺利运行完,获得用户在特定区域的气象数据;
Q9:当用户也需要具体某一个地点的数据,此时需要后处理模块,具体命令如下:cdo-s-output-remapbil,lon=84_lat=43-selname,T2wrfout_d01_yyyy-mm-dd_hh:00:00>51355.txt这样用户只需要将自己需要的经度(如84°)、纬度(如43°)和需要的变量(如T2,2m高度气温)输入之后便能得到具体坐标下指定气象变量的时间序列。此时数据可以直接使用或存入数据库中。
4.根据权利要求3所述的一种适合小型实验室的气象要素数据获取系统的使用方法,其特征在于,数据预处理系统中的数据,来源于下载美国NOAA的GFS全球预报数据中国气象局的全球大气再分析数据40年数据(CRA40)和对于未来区域气候的预估(由CMIP5中的GCM数据提供)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910648296.0A CN110427594A (zh) | 2019-07-18 | 2019-07-18 | 适合小型实验室的气象要素数据获取系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910648296.0A CN110427594A (zh) | 2019-07-18 | 2019-07-18 | 适合小型实验室的气象要素数据获取系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110427594A true CN110427594A (zh) | 2019-11-08 |
Family
ID=68410923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910648296.0A Pending CN110427594A (zh) | 2019-07-18 | 2019-07-18 | 适合小型实验室的气象要素数据获取系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110427594A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111123409A (zh) * | 2019-12-20 | 2020-05-08 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于中尺度数值模式wrf的大气湍流结构常数预报方法 |
CN111178635A (zh) * | 2019-12-31 | 2020-05-19 | 上海眼控科技股份有限公司 | 天气预报方法、装置、计算机设备和计算机可读存储介质 |
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 |
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 |
CN113177702A (zh) * | 2021-04-16 | 2021-07-27 | 北京农业信息技术研究中心 | 一种气象输入数据匹配方法及系统 |
CN113553785A (zh) * | 2021-07-14 | 2021-10-26 | 海博泰科技(青岛)有限公司 | 一种开敞式码头及港池波浪预报方法 |
CN113705928A (zh) * | 2021-09-15 | 2021-11-26 | 中国农业科学院农业资源与农业区划研究所 | 基于大气再分析数据对植被生长季顶峰时间的预测方法 |
CN114117341A (zh) * | 2020-09-01 | 2022-03-01 | 石河子大学 | 一种天山北坡任意区域年均气温的推算方法 |
TWI800004B (zh) * | 2020-12-04 | 2023-04-21 | 國立氣象科學院 | 用以產生全球氣候變遷預測模型用地表植被輸入資料之方法及裝置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020369A (zh) * | 2012-12-21 | 2013-04-03 | 浙江农林大学 | 高分辨率森林火灾预报方法 |
-
2019
- 2019-07-18 CN CN201910648296.0A patent/CN110427594A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020369A (zh) * | 2012-12-21 | 2013-04-03 | 浙江农林大学 | 高分辨率森林火灾预报方法 |
Non-Patent Citations (1)
Title |
---|
黄建强 等: "基于高性能计算平台和WRF环境实验的教学改革", 《实验室研究与探索》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111123409A (zh) * | 2019-12-20 | 2020-05-08 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于中尺度数值模式wrf的大气湍流结构常数预报方法 |
CN111178635A (zh) * | 2019-12-31 | 2020-05-19 | 上海眼控科技股份有限公司 | 天气预报方法、装置、计算机设备和计算机可读存储介质 |
CN114117341A (zh) * | 2020-09-01 | 2022-03-01 | 石河子大学 | 一种天山北坡任意区域年均气温的推算方法 |
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 |
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 |
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 |
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 |
TWI800004B (zh) * | 2020-12-04 | 2023-04-21 | 國立氣象科學院 | 用以產生全球氣候變遷預測模型用地表植被輸入資料之方法及裝置 |
CN113177702A (zh) * | 2021-04-16 | 2021-07-27 | 北京农业信息技术研究中心 | 一种气象输入数据匹配方法及系统 |
CN113177702B (zh) * | 2021-04-16 | 2024-02-06 | 北京农业信息技术研究中心 | 一种气象输入数据匹配方法及系统 |
CN113553785A (zh) * | 2021-07-14 | 2021-10-26 | 海博泰科技(青岛)有限公司 | 一种开敞式码头及港池波浪预报方法 |
CN113553785B (zh) * | 2021-07-14 | 2023-12-26 | 海博泰科技(青岛)有限公司 | 一种开敞式码头及港池波浪预报方法 |
CN113705928A (zh) * | 2021-09-15 | 2021-11-26 | 中国农业科学院农业资源与农业区划研究所 | 基于大气再分析数据对植被生长季顶峰时间的预测方法 |
CN113705928B (zh) * | 2021-09-15 | 2023-09-12 | 中国农业科学院农业资源与农业区划研究所 | 基于大气再分析数据对植被生长季顶峰时间的预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427594A (zh) | 适合小型实验室的气象要素数据获取系统 | |
Wang et al. | Evaluation of the GPM IMERG satellite-based precipitation products and the hydrological utility | |
CN104239706B (zh) | 一种地面观测气温时空数据集的制备方法 | |
Zhao et al. | High-resolution daily AOD estimated to full coverage using the random forest model approach in the Beijing-Tianjin-Hebei region | |
Zeng et al. | Daily global solar radiation in China estimated from high‐density meteorological observations: a random forest model framework | |
Nguyen-Xuan et al. | The Vietnam gridded precipitation (VnGP) dataset: construction and validation | |
Clark et al. | Continental runoff into the oceans (1950–2008) | |
Hassan | Climate change impact on groundwater recharge of Umm er Radhuma unconfined aquifer Western Desert, Iraq | |
Hirahara et al. | 26 sea surface temperature and sea ice concentration for ERA5 | |
Wang et al. | Performance of three reanalysis precipitation datasets over the qinling-daba mountains, eastern fringe of tibetan plateau, China | |
CN114019579B (zh) | 高时空分辨率近地表空气温度重构方法、系统、设备 | |
CN112699959B (zh) | 基于能量泛函模型的多源多尺度降水数据融合方法和装置 | |
CN105912836A (zh) | 一种纯遥感数据驱动的流域水循环模拟方法 | |
Kopf et al. | Using maps of city analogues to display and interpret climate change scenarios and their uncertainty | |
Wang et al. | Added-value of GEO-hyperspectral infrared radiances for local severe storm forecasts using the hybrid OSSE method | |
CN115203934A (zh) | 一种基于Logistic回归的山区降水降尺度方法 | |
Feng et al. | Evaluating applicability of multi-source precipitation datasets for runoff simulation of small watersheds: A case study in the United States | |
He et al. | Impact of 4D-Var data assimilation on modelling of the East China Sea dynamics | |
Liu et al. | Evaluating the performance of satellite-based precipitation products using gauge measurement and hydrological modeling: A case study in a dry basin of Northwest China | |
CN117219183A (zh) | 多云雨地区的高覆盖度近地面no2浓度估算方法及系统 | |
Matkan et al. | Flood early warning with integration of hydrologic and hydraulic models, RS and GIS (Case Study: Madarsoo Basin, Iran) | |
Sun et al. | Corrected ERA5 precipitation by machine learning significantly improved flow simulations for the third pole basins | |
Šúri et al. | Requirements and standards for bankable DNI data products in CSP projects | |
Heyvaert et al. | Impact of design factors for ESA CCI satellite soil moisture data assimilation over Europe | |
Zhang et al. | Simulation of daily precipitation from CMIP5 in the Qinghai-Tibet Plateau |
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 |