CN110555554A - 一种基于客观定量化的智能气候预测技术 - Google Patents
一种基于客观定量化的智能气候预测技术 Download PDFInfo
- Publication number
- CN110555554A CN110555554A CN201910799663.7A CN201910799663A CN110555554A CN 110555554 A CN110555554 A CN 110555554A CN 201910799663 A CN201910799663 A CN 201910799663A CN 110555554 A CN110555554 A CN 110555554A
- Authority
- CN
- China
- Prior art keywords
- prediction
- objective
- data
- result
- quantification
- 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
- 238000011002 quantification Methods 0.000 title claims abstract description 37
- 238000005516 engineering process Methods 0.000 title claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 16
- 238000012950 reanalysis Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 8
- 238000007619 statistical method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000004836 empirical method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000003066 decision tree Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 claims 1
- 239000002243 precursor Substances 0.000 claims 1
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000001556 precipitation Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于客观定量化的智能气候预测技术,包括以下步骤:S1、气象大数据的预处理;S2、利用常规和机器学习算法得到定量客观化预测结果;S3、基于多个评估规则对不同资料不同算法的客观化结果进行评估;S4、基于评估结果利用机器学习对预测结果进行再分析得到再分析客观化结果;以及S5、从近期、同期等多个角度智能推荐客观化预测。该技术可以有效高效的提高预测精确度,有效提高质量预测的稳定度,有效提高诊断预测成因的广度和深度。
Description
技术领域
本发明涉及气候预测技术领域,更具体的说是涉及一种基于客观定量化的智能气候预测技术。
背景技术
近年来,国内外对气候预测研究空前重视,气候预测研究不仅具有重要的社会和经济意义,而且有重要的科学价值,它是目前国际上科学研究的大热点,已成为本世纪末和下纪初各国优先发展的科技领域之一。短期气候预测虽有其坚实的科学基础,但是因为气候系统的非线性和混沌性,不同的时空背景,影响气候的情况各不相同,因而在预测方法以及预测资料上存在动态差异的情况,而当前无论是依赖经验统计方法、气候模式预测,还是基于动力或统计降尺度的短期气候预测方法还不能较好的进行动态判别,还存在以定性预测为主,预测准确性低、预测效果不稳定、预测范围的精细化不足等问题。
因此,如何提供一种以动态预测思路,通过大数据的梳理统计,再利用经验统计方法和人工智能技术,对前期气候背景、环流指数、再分析场、多模式预测产品进行客观定量化预测,并以此为依据,从众多的预测信息中,动态选择方法、动态选择影响系统,能够智能推荐预测结果,能使预测准确率稳定准确的智能气候预测技术是本领域技术人员亟需解决的问题。
发明内容
本发明的目的在于提出一种基于客观定量化的智能气候预测技术。
为实现上述目的,本发明提供如下技术方案:一种基于客观定量化的智能气候预测技术,包括以下步骤:
S1、气象大数据的预处理:对全球大气再分析资料、全球海洋再分析资料等全球资料进行距平场提取、经向场、纬向场以及时间演变场的扩展;对ECMWF、CFS2、CSM、DERF2等模式预测资料提取基于不同起报时间的大气和地面预报场;环流指数距平和时间变化的处理;全国地面台站观测资料基本气象要素和气候事件的统计;
S2、利用常规和机器学习算法得到定量客观化预测结果:根据所述包括针对不同时间的地面气象要素、环流指数、大气和海洋观测数据、多模式预测数据等气象大数据及其扩展数据与预测区域的预测对象单独以及多模式、多要素、多时间尺度等融合方式建立模型,并采用区域匹配域投影、EOF迭代、相似年替代等经验方法以及随机森林、支持向量机等机器学习算法预测得到客观化预测结果;
S3、基于多个评估规则对客观化结果进行评估:根据一致率评分(PC)、趋势异常综合评分(Ps)、相关系数(Cc)以及标准误差(RMSE)和标准差(Stdev)对客观定量预测结果采用单独和权重组合进行评估;
S4、基于评估结果利用机器学习对预测结果进行再分析得到再分析定量化结果:对评估得到的优势定量预测方法和数据集成学习,得到基于不同情况的集合预报、概率预报等再分析定量化预测;
S5、从近期、同期等多个角度智能推荐客观化预测:从近期时段、同期时段的一致率评分(PC)、趋势异常综合评分(Ps)、相关系数(Cc)以及标准误差(RMSE)和标准差(Stdev)对再分析的客观定量预测结果采用单独和权重组合进行评估后智能推荐最优的客观化预测。
另外,根据本发明基于客观定量化的智能气候预测技术还可以具有以下附加的技术特征:
进一步地,所述的基于客观定量化的智能气候预测技术,可以包括但不局限于现有的资料和算法,不断增加模式预测要素、海冰、积雪等大尺度变量,增加和优化侧重预测机理的经验统计方法和机器学习算法进行客观化预测,增加和优化侧重数理统计的机器学习算法和评估规则进行智能推荐都将进一步提高气候预测的准确性和稳定性,逐步达到以“量变到质变”的预测效果。
进一步地,本发明实施例中,所述预测对象是重庆地区的气温和降水,但本发明预测对象不局限于气温、降水,预测区域也不局限于重庆地区。
与现有技术相比,本发明的有益效果如下:该技术可以有效高效的提高预测精确度,有效提高质量预测的稳定度,有效提高诊断预测成因的广度和深度。
附图说明
图1为本发明实施例提供的基于客观定量化的智能气候预测技术的流程图。
图2为本发明实施例提供的基于客观定量化的智能气候预测技术智能推荐得到的2019年3月重庆气温和降水预测及实况对比图。
图3为本发明实施例提供的基于客观定量化的智能气候预测技术得到的2014-2018年是逐月历年最好的客观定量化和再分析定量化的Ps、Cc和PC得分图。
图4为本发明实施例提供的基于客观定量化的智能气候预测技术得到的2014-2018年预测回报检验与发布预报的Ps评分对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面将参照附图描述根据本发明实施例提出的基于客观定量化的智能气候预测技术,首先将参照附图描述本发明实施例提出的基于客观定量化的智能气候预测技术。
如图1所示:本发明实施例的基于客观定量化的智能气候预测技术,包括以下步骤:
S1、气象大数据的预处理:对全球大气再分析资料、全球海洋再分析资料等全球资料进行距平场提取、经向场、纬向场以及时间演变场的扩展;对ECMWF、CFS2、CSM、DERF2等模式预测资料提取基于不同起报时间的大气和地面预报场;环流指数距平和时间变化的处理;全国地面台站观测资料基本气象要素和气候事件的统计。
S2、利用常规和机器学习算法得到定量客观化预测结果:根据所述包括针对不同时间的地面气象要素、环流指数、大气和海洋观测数据、多模式预测数据等气象大数据及其扩展数据与预测区域的预测对象单独以及多模式、多要素、多时间尺度等融合方式建立模型,并采用区域匹配域投影、EOF迭代、相似年替代等经验方法以及随机森林、支持向量机等机器学习算法预测得到客观化预测结果。
S3、基于多个评估规则对客观化结果进行评估:根据一致率评分(PC)、趋势异常综合评分(Ps)、相关系数(Cc)以及标准误差(RMSE)和标准差(Stdev)对客观定量预测结果采用单独和权重组合进行评估。
S4、基于评估结果利用机器学习对预测结果进行再分析得到再分析定量化结果:对评估得到的优势定量预测方法和数据集成学习,得到基于不同情况的集合预报、概率预报等再分析定量化预测。
S5、从近期同期等多个角度智能推荐客观化预测:从近期时段、同期时段的一致率评分(PC)、趋势异常综合评分(Ps)、相关系数(Cc)以及标准误差(RMSE)和标准差(Stdev)对再分析的客观定量预测结果采用单独和权重组合进行评估后智能推荐最优的客观化预测。
本发明实施例提供的基于客观定量化的智能气候预测技术具体操作流程如下:一、数据预处理。
1-1、研究对象确定:3月重庆34个国家地面气象观测站的气温距平和降水距平率。
1-2、下载环流指数、月尺度大气、海洋再分析资料、ECMWF、CFS2和CSM的月尺度模式预测资料、重庆市34个国家地面气象观测站的月地面气象观测资料。
1-3、对环流指数、再分析资料进行数据扩展。
二、得到客观化预测结果。
分别采用实际预测时(在2月下旬进行3月的气候预测)能得到的提前2-7个月即头一年8月到1月的环流指数、地面观测资料和500hpa高度场、海平面气压场、850hpa风场、全球海温等再分析资料及其扩展变量;提前1-6个月即头一年9月到当年2月起报的3月的ECMWF、CFS2、BCC-CSM等模式产品的500hpa高度场、2米气温和降水量与重庆市34个气象台站的气温降水建立模型,采用经验统计方法、机器学习方法以及融合释用得到6416个客观化预测结果。
三、评估客观化预测结果。
我们分别从Ps、Cc、Stdev、RSME等四个方面对同期(历年3月预测)、近期(前面3个月的预测)每种客观化结果进行评估推荐。同期、近期各自标准及综合四个标准下的最好的评估结果表明,评估好的资料基本集中在模式和再分析场的解释应用上,预测算法基本就是模式的解读、EOF重构以及回归分析。其中,多模式场融合、单一模式多物理场融合以及单一场多变量融合释用在推荐结果中都有较好的体现。
四、基于评估结果利用机器学习对预测结果进行再分析得到再分析定量化结果。
对评估得到的优势定量预测方法和数据集成学习,得到基于不同情况的集合预报、概率预报等101个再分析定量化预测。
五、从近期、同期等多个角度智能推荐客观化预测。
对包括再分析的客观定量化结果在内的所有6517个客观化预测中,采用RI=2×Ps+100×Cc推荐最优预测。
图2是智能推荐预测和实况对比图。根据本发明实施例提供的基于客观定量化的智能气候预测技术对重庆市2014-2018年历年1-12月预测回报检验,图3是逐月历年评估得分最好的客观定量化和再分析定量化的Ps、Cc和PC得分的平均值。图4是历年平均发布与智能推荐Ps评分的统计情况。结果表明,无论是气温还是降水,定量客观化结果都有与实况非常吻合的结果,且智能推荐的客观化预测的效果也明显优于发布预报。由此可见,本发明能稳定提高预测准确率,也能更好的提高诊断预测成因的广度和深度,因而能够更好的为社会经济服务,能够更好的为政府决策提供保障。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于客观定量化的智能气候预测技术,其特征在于:所述的智能气候预测技术,包括以下步骤:S1、气象大数据的预处理:对全球大气再分析资料、全球海洋再分析资料等全球资料进行距平场提取、经向场、纬向场以及时间演变场的扩展;对ECMWF、CFS2、CSM、DERF2等模式预测资料提取基于不同起报时间的大气和地面预报场;环流指数距平和时间变化的处理;全国地面台站观测资料基本气象要素和气候事件的统计;
S2、利用常规和机器学习算法得到定量客观化预测结果:根据所述包括针对不同时间的地面气象要素、环流指数、大气和海洋观测数据、多模式预测数据等气象大数据及其扩展数据与预测区域的预测对象单独以及多模式、多要素、多时间尺度等融合方式建立模型,并采用区域匹配域投影、EOF迭代、相似年替代等经验方法以及随机森林、支持向量机等机器学习算法预测得到客观化预测结果;
S3、基于多个评估规则对客观化结果进行评估:根据一致率评分(PC)、趋势异常综合评分(Ps)、相关系数(Cc)以及标准误差(RMSE)和标准差(Stdev)对客观定量预测结果采用单独和权重组合进行评估;
S4、基于评估结果利用机器学习对预测结果进行再分析得到再分析定量化结果:对评估得到的优势定量预测方法和数据集成学习,得到基于不同情况的集合预报、概率预报等再分析定量化预测;
S5、从近期、同期等多个角度智能推荐客观化预测:从近期时段、同期时段的一致率评分(PC)、趋势异常综合评分(Ps)、相关系数(Cc)以及标准误差(RMSE)和标准差(Stdev)对再分析的客观定量预测结果采用单独和权重组合进行评估后智能推荐最优的客观化预测。
2.根据权利要求1所述的一种基于客观定量化的智能气候预测技术,其特征在于:所述的基于客观定量化的智能气候预测技术,可以包括但不局限于现有的资料和算法,不断增加模式预测要素、海冰、积雪等大尺度变量,增加和优化侧重预测机理的经验统计方法和机器学习算法进行客观化预测,增加和优化侧重数理统计的机器学习算法和评估规则进行智能推荐都将进一步提高气候预测的准确性和稳定性,逐步达到以“量变到质变”的预测效果。
3.根据权利要求1所述的一种基于客观定量化的智能气候预测技术,其特征在于,X(i,j,t)是格点(i,j)上的大尺度变量,即预报因子,通过X(i,j,t)-X(i-1,j,t)、X(i,j,t)-X(i,j-1,t)、X(i,j,t)-X(i,j,t-1)扩展经向变化、纬向变化和时间变化作为预报因子;对于所述环流指数X(i,t)通过X(i,t)-X(i,t-1)和Xa(i,t)-Xa(i,t-1)扩展指数变化和指数的距平变化作为预报因子。
4.根据权利要求1所述的一种基于客观定量化的智能气候预测技术,其特征在于,Y(t)是预测对象,X(k,t)是格点k(i,j)上的或者第k个大尺度变量及扩展变量,即预报因子,则Y(t)=αXp(t)+β,式中,Xp(t)为预报因子在一个优化窗口的投影。此优化窗口是指预报因子在某一个区域上与预报对象在回报期的相关性满足一定条件的区域,这里的条件包括相关系数通过显著性检验的区域、符号一致率高于65和小于35以及前2条件都满足的区域;
Xp(t)=∑i,jR(i,j)X(k,t),式中,基于前面的3个条件,R(k)分别为回报期的相关系数、符号一致率-50以及相关系数*abs(符号一致率-50)。
5.根据权利要求1所述的一种基于客观定量化的智能气候预测技术,其特征在于:X(k,t0)是可任意选择范围k的大尺度变量及扩展变量,即需要比较的相似因子,X(k,t)是要该变量的历史序列,通过Sim=s Eu+sR+sXiang,智能查找相似年,并以相似年的相应对象作为预测值,式中,sEu是欧式相似度,sR是相关系数,,sX是汉明相似度的改进版, 其中kx表示|X(i,t0)-X(i,tj)|>0.5×Std的范围,Std为X(k,t0)的标准差。
6.根据权利要求5所述的一种基于客观定量化的智能气候预测技术,其特征在于,所述X(k,t0)是可任意选择范围k的大尺度变量及扩展变量,即需要比较的相似因子,X(k,t)是要包含X(k,t0)的历史序列,通过基于数据划分的无监督聚类算法K-Means,得到包含X(k,t0)所属的类别,并以此类别的要素合成作为预测值。
7.根据权利要求1所述的一种基于客观定量化的智能气候预测技术,其特征在于,Y(t)是预测对象,X(i,t)包含环流指数、指数变化和距平变化,即预报因子,基于机器学习的决策树、随机森林、支持向量机等算法建模,并以此模型为基础,得到客观定量化的预测结果。
8.根据权利要求7所述的一种基于客观定量化的智能气候预测技术,其特征在于:Y(t)是预测对象,X1(k,t),X2(k,t),…,Xn(k,t)分别是格点k(i,j)或第k个大尺度变量及扩展变量,即预报因子,分别对X1(k,t),X2(k,t),…,Xn(k,t)进行标准化处理得到x1(k,t),x2(k,t),…,xn(k,t),通过x(kx,t)=x1(k1,t)∪x2(k2,t)∪…∪xn(kn,t)以及x(kx,t)=x1(k1,t)∩x2(k2,t)∩…∩xn(kn,t),(k1,k2,…,kn)表示满足不同条件的预测因子,即相关性通过显著性检验,符号一致率高于65和小于35以及前2条件都满足的因子。在融合和优势因子提取后,再基于x(kx,t)与Y(t)建立模型,通过权利要求3-6的方法得到客观化预测结果。
9.根据权利要求1所述的一种基于客观定量化的智能气候预测技术,其特征在于:1(t),Y2(t),…,Yn(t)是权利要求3-7得到的所有客观定量化预测结果,Ps1(t),Ps2(t),…,Psn(t)分别是基于所有回算客观化预测得到的趋势异常综合评分,Cc1(t),Cc2(t),…,Ccn(t)是对应的相关系数,RMSE1(t),RMSE2(t),…,RMSEn(t)是标准误差,Stdev1(t),Stdev2(t),…,Stdevn(t)是标准差,分别评估预测年t+1前3年和前3个月所有回算客观化预测的Ps、Cc、RMSE、Stdev,再从评估结果中提取基于不同算法不同资料的前20种和100种预测结果,MAE1,MAE2,…,MAEn是近3年所有客观化定量化结果的平均绝对误差,则得到超级集合;
得到概率预报的结果。
10.根据权利要求1所述的基于客观定量化的智能气候预测技术,其特征在于:Ys1(t),Ys2(t),…,Ysn(t)是权利要求8得到的超级集合预测结果,Yp1(t),Yp2(t),…,Ypn(t)是权利要求8得到的概率预报结果,评估t+1前3年和前3个月的超级集合和概率预报结果的Ps,Cc,RMSE,PC和Stdev,再综合权利要求3-7的客观化结果的评估结果,分别以评估变量或者组合多个评估变量(默认为RI=4×Ps+100×Cc-Stdev-RMSE)为推荐指数,继而以推荐指数的大小推荐最优客观化预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910799663.7A CN110555554A (zh) | 2019-08-28 | 2019-08-28 | 一种基于客观定量化的智能气候预测技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910799663.7A CN110555554A (zh) | 2019-08-28 | 2019-08-28 | 一种基于客观定量化的智能气候预测技术 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110555554A true CN110555554A (zh) | 2019-12-10 |
Family
ID=68738110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910799663.7A Pending CN110555554A (zh) | 2019-08-28 | 2019-08-28 | 一种基于客观定量化的智能气候预测技术 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555554A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113742929A (zh) * | 2021-09-08 | 2021-12-03 | 成都卡普数据服务有限责任公司 | 一种针对格点气象实况的数据质量评价方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740991A (zh) * | 2016-02-26 | 2016-07-06 | 河海大学 | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 |
CN106251022A (zh) * | 2016-08-08 | 2016-12-21 | 南京信息工程大学 | 一种基于多因子的多参数相似集合的短期气候预测方法 |
CN107103396A (zh) * | 2017-06-13 | 2017-08-29 | 南京大学 | 基于主要svd模态建模的中国季节气候预测方法 |
-
2019
- 2019-08-28 CN CN201910799663.7A patent/CN110555554A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740991A (zh) * | 2016-02-26 | 2016-07-06 | 河海大学 | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 |
CN106251022A (zh) * | 2016-08-08 | 2016-12-21 | 南京信息工程大学 | 一种基于多因子的多参数相似集合的短期气候预测方法 |
CN107103396A (zh) * | 2017-06-13 | 2017-08-29 | 南京大学 | 基于主要svd模态建模的中国季节气候预测方法 |
Non-Patent Citations (2)
Title |
---|
是杰夫呀: "机器学习中如何对模型进行选择、评估、优化", 《HTTPS://BLOG.CSDN.NET/SINAT_26811377/ARTICLE/DETAILS/99675830》 * |
许炳南: "五种短期气候预测统计模型的研制", 《中低纬山地气象》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113742929A (zh) * | 2021-09-08 | 2021-12-03 | 成都卡普数据服务有限责任公司 | 一种针对格点气象实况的数据质量评价方法 |
CN113742929B (zh) * | 2021-09-08 | 2024-01-26 | 成都卡普数据服务有限责任公司 | 一种针对格点气象实况的数据质量评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666918B (zh) | 一种基于多因素的海岸线变化识别方法 | |
CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
CN103034858B (zh) | 一种卫星云图的二次聚类分割方法 | |
CN109063754B (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
CN112394424B (zh) | 一种区域极端降水事件的监测方法 | |
CN110543987A (zh) | 一种智能气候预测系统 | |
Dupuy et al. | ARPEGE cloud cover forecast postprocessing with convolutional neural network | |
CN113592132A (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 | |
CN115936490A (zh) | 一种基于shap的城市暴雨内涝影响因子量化分析方法 | |
CN114494909B (zh) | 一种大豆生长季空间分布图的生成方法和系统 | |
CN111461427A (zh) | 热带气旋强度预报信息的生成方法及系统 | |
CN112084842A (zh) | 一种基于深度语义模型的水文遥感图像目标识别方法 | |
CN108549961A (zh) | 一种基于cmip5预估海浪有效波高的方法 | |
CN110555554A (zh) | 一种基于客观定量化的智能气候预测技术 | |
CN114386654A (zh) | 一种多尺度数值天气预报模式融合的天气预报方法及装置 | |
CN116091801B (zh) | 一种基于深度学习的降雨图像相似性搜索方法 | |
CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
CN114332546B (zh) | 一种物候匹配策略的大尺度迁移学习作物分类方法及系统 | |
CN115063437A (zh) | 一种红树林冠层可见光图像指数特征分析方法及系统 | |
CN114022782A (zh) | 一种基于modis卫星数据的海雾探测方法 | |
Wen et al. | Research on risk assessment of natural disaster based on cloud fuzzy clustering algorithm in Taihang Mountain | |
Sun et al. | Heuristic decision tree model for ecological urban green space network construction | |
CN117434624B (zh) | 一种基于语义分割的强对流天气识别和发展预判方法 | |
CN117828312B (zh) | 一种流域水文环境的管理方法及相关设备 | |
Qin et al. | Building classification extraction from remote sensing images combining hyperpixel and maximum interclass variance |
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 |