CN110555616B - 一种数值天气模式同化系统的稠密观测资料优化调度方法 - Google Patents
一种数值天气模式同化系统的稠密观测资料优化调度方法 Download PDFInfo
- Publication number
- CN110555616B CN110555616B CN201910836832.XA CN201910836832A CN110555616B CN 110555616 B CN110555616 B CN 110555616B CN 201910836832 A CN201910836832 A CN 201910836832A CN 110555616 B CN110555616 B CN 110555616B
- Authority
- CN
- China
- Prior art keywords
- observation
- value
- station
- array
- matrix
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
Abstract
一种数值天气模式同化系统的稠密观测资料优化调度方法,包括如下步骤:对区域格点、观测站点、格点矩阵、关系矩阵以及选取数组进行初始化操作;通过调度算法对所有观测站点进行取出操作,通过对观测站点影响范围以及站点之间的相互影响因素进行计算,使观测站点得到最优的调度,从而提升系统的性能。该调度方法在保证每一批调度的观测站点尽可能多的情况下,克服了传统随机调度算法中选取的观测站点之间可能相互冲突的缺陷。
Description
技术领域
本发明涉及数值天气科学领域,尤其涉及一种数值天气模式同化系统的稠密观测资料优化调度方法。
背景技术
数值天气模式同化系统中主要影响系统性能的问题在于通过调度算法对观测站点进行多轮调度,每一轮从给定数量的观测站点中取出一批互不冲突的观测站点进行并行化计算处理,处理完毕后再取出一批进行计算,直到所有的观测站点都处理完毕。
在该问题中,每一轮观测站点之间是否冲突取决于观测站点的经度差值和纬度差值是否都小于一定阈值,若一批站点中有冲突的站点,则在后续过程中无法对它们进行并行化计算,只能进行串行计算,从而影响系统的性能。
随机调度算法在每一轮选择观测站点的过程中,并不判断站点之间是否冲突,导致系统无法在每一轮观测站点的计算中高度并行化,从而降低系统的性能。由于该算法的随机性,每一轮可能会有大量的观测站点之间相互冲突,在极端情况下,该算法选取的一批观测站点之间可能全部相互冲突,这会导致同化系统的性能降到最低,在该极端情况下,所有站点都必须串行处理。
该问题的关键在于通过调度算法使每一批互不冲突的观测站点数量尽量多,使处理批次尽量少,就可以在尽量短的时间内完成所有观测站点的计算,即通过每一轮的调度保证观测站点的密集程度逐步降低,且每一批取出的站点互不冲突,因此关键点在于采用何种调度算法。
目前尚无一个简易的算法能够完美地解决该问题,如何从分布不均的观测站点中取出最合适的一批站点是该算法的重中之重。
解决该问题的传统调度算法有随机调度算法,该算法每一轮随机选取一定数量的观测站点,在这个过程中不管选取的观测站点之间是否冲突,只要是未被选取都可以作为该轮次选择的站点。
发明内容
针对上述缺陷或不足,本发明的目的在于提供一种数值天气模式同化系统稠密观测资料优化调度方法,通过对观测站点影响范围以及站点之间的相互影响因素进行计算,使观测站点得到最优的调度,从而提升系统的性能。该调度方法在保证每一批调度的观测站点尽可能多的情况下,克服了传统随机调度算法中选取的观测站点之间可能相互冲突的缺陷。
为达到以上目的,本发明的技术方案为:
一种数值天气模式同化系统的稠密观测资料优化调度方法,包括如下步骤:
S1、对区域格点、观测站点、格点矩阵、关系矩阵以及选取数组进行初始化操作,即该初始化的过程即存入对应矩阵的过程,具体操作为:
S11、初始化一块地图区域,该区域将所有站点都包含在内,读取文件,获取观测站经纬度;
S12、设定观测站点结构的属性,分别为id、lat、lon、qty,其中id代表序号,lat代表纬度值,lon代表经度值,qty代表与该站点冲突的站点数量值;将所有观测站点的数值复制成三个副本,分别为lat副本、lon副本和qty副本,其中lat副本按lat值升序排序,lon副本按lon值升序排序,qty副本按qty值降序排序;
S13、初始化格点矩阵G,将观测站点放置在地图区域中,根据站点影响的范围,给地图区域上的格点赋值,该值为影响该格点的观测站点数量;
S14、初始化关系矩阵R,其中rij为R中行为i且列为j的值,该值代表id为i的观测站点是否受到id为j的观测站点的影响,若受到影响则该值为真,否则该值为假;
S15、初始化选取数组C,其中Ci为R中索引为i的值,该值代表id为i的观测站点是否已被选取,若已被选取则该值为真,否则该值为假;
S2、通过调度算法对所有观测站点进行取出操作,其中每一轮的观测站点调度的具体步骤如下:
S21、根据选取数组C初始化可选数组O,其中Oi若为真表示id为i的观测站点已被选取,若为假则表示该站点未被选取;
S22、根据格点矩阵G的格点值由大到小进行调度;
S23、根据格点矩阵G的格点值和qty值均为最大的观测站点,并更新可选数组O和选取数组C;
S24、根据可选数组O,在可选观测站点之中选择qty值最大的观测站点作为下一个观测站点,更新可选数组O和选取数组C;
S25、重复S22直到得到该轮需要的站点数量或者该轮已无可选取站点;
S26、这一轮结束,更新格点矩阵G和qty副本,进行下一轮调度。
优选地,S11中,需要设定该区域的分辨率,该分辨率为0.01度。
进一步地,格点矩阵G是根据分辨率将目标地图区域切分而成的一个网格,格点数=(经度/纬度跨度)/分辨率+1;初始化格点矩阵G则为所有站点对其影响范围的所有格点值加1的结果。
其中,关系矩阵R是描述站点之间的影响关系的矩阵。
进一步地,S2中所述可选数组O代表的是该轮次的可选数组,该轮不可选的观测站点在下一轮可选。
进一步地,S23的具体操作为,根据格点矩阵G中的最大格点值获取对应所有可被选取的观测站点中qty值最高的观测站点作为该批选取的第一个站点,并通过关系矩阵R更新可选数组O以及通过已选观测站点更新选取数组C,其中Oi若为真表示id为i的观测站点已被选取或者与该批已选取的观测站点之间相互冲突。
优选地,所述可选数组O都要清空重置之后再由选取数组C进行初始化。
与现有技术比较,本发明的有益效果为:
1、与传统的随机调度算法相比,本发明提出的调度算法在每一轮选取观测站点的时候,考虑了站点之间的冲突关系,并保证每一次调度完成后,观测站点整体的密集程度得到有效的降低,从而使整体的调度轮数维持在较低的水平。
2、通过该调度算法对观测站点进行调度,每一轮调度观测站点的可并行化程度明显上升,系统的整体性能也得到较大增强。
附图说明
图1为本发明的流程图;
图2为实施例中实验观测站点的分布情况图;
图3为随机调度算法的第一轮调度站点分布图;
图4为随机调度算法的第二轮调度站点分布图;
图5为随机调度算法的第三轮调度站点分布图;
图6为随机调度算法的第四轮调度站点分布图;
图7为随机调度算法的第五轮调度站点分布图;
图8为发明的调度算法的第一轮调度站点分布图;
图9为发明的调度算法的第二轮调度站点分布图;
图10为发明的调度算法的第三轮调度站点分布图;
图11为发明的调度算法的第四轮调度站点分布图;
图12为发明的调度算法的第四五轮调度站点分布图;
图13为使用随机调度算法调度的同化系统所用时间示意图;
图14为使用本发明的调度算法调度的同化系统所用时间示意图。
具体实施方式
下面将结合附图对本发明做详细描述,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,都属于本发明的保护范围。
参照附图1,本发明提出的一种数值天气模式同化系统稠密观测资料优化调度方法将整体步骤分为两步,第一步为“发牌”步骤,第二步为“揭牌”步骤。
这里将每个站点所覆盖的范围视为一张“牌”,其中“发牌”是将所有站点放置在对应的地图格点区域之上,“揭牌”是将站点取出的步骤,其中两个步骤的详细描述如下:
“发牌”步骤:对区域格点、观测站点、格点矩阵和关系矩阵等进行初始化操作:
(1) 初始化一块地图区域将所有站点包含在内,设定该区域的分辨率,一般该分辨率为0.01度(约1km);
(2) 设定观测站点结构的属性,分别为id、lat、lon、qty,其中id代表序号,lat代表纬度值,lon代表经度值,qty代表与该站点冲突的站点数量值;
(3)将所有观测站点复制成三个副本,分别为lat副本、lon副本和qty副本,其中lat副本按lat值升序排序,lon副本按lon值升序排序,qty副本按qty值降序排序;
(4)初始化格点矩阵G,根据站点影响的范围,给地图区域上的格点赋值,该值为影响该格点的观测站点数量;
其中,格点矩阵G是根据分辨率将目标地图区域切分而成的一个网格,如经度在东经100~101度之间并且纬度在北纬20~21度之间的地图区域,分辨率为0.01时,根据“格点数=(经度/纬度跨度)/分辨率+1”计算得到一个100×100的网格,其中经度格点101个,纬度格点101个,将经度视为矩阵的行,纬度视为矩阵的列,则可得到一个初始值为0的格点矩阵G,其中G[0][0]表示地图区域上经度为100.00,纬度为20.00的一个点。
假设某站点的位置为东经100.5度,北纬20.5度,影响范围为0.2度,利用该站点对G进行初始化即将其影响范围内的格点值全部加1,根据影响范围和站点位置可知该站点影响区域的经度在东经100.3~100.7之间且纬度在北纬20.3~20.7之间,对应格点矩阵G的行列索引均在30~70之间的值,即G行列索引均在30~70之间的值全部加1。
初始化格点矩阵G则为所有站点对其影响范围的所有格点值加1的结果,如某一格点值为10,则表示有10个站点的影响范围覆盖到了该点。
(5)初始化关系矩阵R,其中rij为R中行为i且列为j的值,该值代表id为i的观测站点是否受到id为j的观测站点的影响,若受到影响则该值为真,否则该值为假;
其中,关系矩阵R是描述站点之间的影响关系的矩阵,站点之间是否相互影响取决于站点的影响区域是否有重叠。
如:id为1的站点经纬度为东经100.0度、北纬20.0度, id为2的站点经纬度为东经100.3度、北纬20.3度,id为3的站点经纬度为东经100.5度、北纬20.5度,影响范围为0.2度,则对应站点1的影响范围为东经99.8~100.2度、北纬19.8~20.2度,对应站点2的影响范围为东经100.1~100.5度、北纬20.1~20.5度,对应站点3的影响范围为东经100.3~100.7度、北纬20.3~20.7度。明显站点1和站点2的影响区域有部分重叠,重叠部分为东经100.1~100.2度、北纬20.1~20.2度,而站点1和站点3影响区域完全无重叠。因此对于关系矩阵R而言,有R[1][2] = 1(true),R[1][3] = 0(false)。
(6)初始化选取数组C,其中Ci为R中索引为i的值,该值代表id为i的观测站点是否已被选取,若已被选取则该值为真,否则该值为假;
“揭牌”步骤:通过调度算法对所有观测站点进行取出操作,调度算法即对站点取出顺序的调度,通过调度算法得到每一轮应取出的对应站点的序号,调度的目的就是将站点按一定的顺序取出,调度算法的作用在于以某种顺序取出站点,站点之间互不干涉,从而可以并行运行,进而达到提高效率。
其中每一轮的观测站点调度如下:
(1)根据选取数组C初始化可选数组O,其中Oi若为真表示id为i的观测站点已被选取,若为假则表示该站点未被选取;
(2)根据格点矩阵G中的最大格点值获取对应所有可被选取的观测站点中qty值最高的观测站点作为该批选取的第一个站点,并通过关系矩阵R更新可选数组O以及通过已选观测站点更新选取数组C,其中Oi若为真表示id为i的观测站点已被选取或者与该批已选取的观测站点之间相互冲突;
(3)根据可选数组O,在可选观测站点之中选择qty值最大的观测站点作为下一个观测站点,更新可选数组O和选取数组C;
(4)重复(3)直到得到该轮需要的站点数量或者该轮已无可选取站点;
(5)这一轮结束,更新格点矩阵G和qty副本,进行下一轮调度;
“发牌”过程中,格点矩阵G的值越高,表示该区域的密集程度越高,关系矩阵R则由按lat和lon值排序的两个全观测站点副本快速初始化。
“揭牌”过程中,可选数组O代表的是该轮次的可选数组,该轮不可选的观测站点可能在下一轮可选,因此每一轮开始前,可选数组O都要清空重置之后再由选取数组C进行初始化。
参照附图2~12,其中,图2为实验观测站点的分布,通过使用传统调度算法和本发明的调度算法对相同的观测站点数据分别进行调度测试,得到前五轮调度效果如图3至图7所示;使用随机调度算法调度的同化系统的整体时间输出如图13所示,总时长约为34200秒,而使用本发明的调度算法调度测试,前五轮调度效果如图8至图12所示,使用本发明的调度算法调度算法同化系统的整体时间输出如图14所示,总时长约为4300秒,加速比为7.95。
通过对比可以发现,与传统的随机调度算法相比,本发明提出的调度算法在每一轮选取观测站点的时候,考虑了站点之间的冲突关系,并保证每一次调度完成后,观测站点整体的密集程度得到有效的降低,从而使整体的调度轮数维持在较低的水平。通过该调度算法对观测站点进行调度,每一轮调度观测站点的可并行化程度明显上升,系统的整体性能也得到较大增强。
对于本领域技术人员而言,显然能了解到上述具体事实例只是本发明的优选方案,因此本领域的技术人员对本发明中的某些部分所可能作出的改进、变动,体现的仍是本发明的原理,实现的仍是本发明的目的,均属于本发明所保护的范围。
Claims (6)
1.一种数值天气模式同化系统的稠密观测资料优化调度方法,其特征在于,包括如下步骤:
S1、对区域格点、观测站点、格点矩阵、关系矩阵以及选取数组进行初始化操作,即该初始化的过程即存入对应矩阵的过程,具体操作为:
S11、初始化一块地图区域,该区域将所有站点都包含在内,读取文件,获取观测站经纬度;
S12、设定观测站点结构的属性,分别为id、lat、lon、qty,其中id代表序号,lat代表纬度值,lon代表经度值,qty代表与该站点冲突的站点数量值;将所有观测站点的数值复制成三个副本,分别为lat副本、lon副本和qty副本,其中lat副本按lat值升序排序,lon副本按lon值升序排序,qty副本按qty值降序排序;
S13、初始化格点矩阵G,将观测站点放置在地图区域中,根据站点影响的范围,给地图区域上的格点赋值,该值为影响该格点的观测站点数量;
S14、初始化关系矩阵R,其中rij为R中行为i且列为j的值,该值代表id为i的观测站点是否受到id为j的观测站点的影响,若受到影响则该值为真,否则该值为假;
S15、初始化选取数组C,其中Ci为R中索引为i的值,该值代表id为i的观测站点是否已被选取,若已被选取则该值为真,否则该值为假;
S2、通过调度算法对所有观测站点进行取出操作,其中每一轮的观测站点调度的具体步骤如下:
S21、根据选取数组C初始化可选数组O,其中Oi若为真表示id为i的观测站点已被选取,若为假则表示该站点未被选取;
S22、根据格点矩阵G的格点值由大到小进行调度;
S23、根据格点矩阵G的格点值和qty值均为最大的观测站点,并更新可选数组O和选取数组C;
S24、根据可选数组O,在可选观测站点之中选择qty值最大的观测站点作为下一个观测站点,更新可选数组O和选取数组C;
S25、重复S22直到得到该轮需要的站点数量或者该轮已无可选取站点;
S26、这一轮结束,更新格点矩阵G和qty副本,进行下一轮调度;
其中,格点矩阵G是根据分辨率将目标地图区域切分而成的一个网格,格点数=(经度/纬度跨度)/分辨率+1;初始化格点矩阵G则为所有站点对其影响范围的所有格点值加1的结果。
2.根据权利要求1所述的一种数值天气模式同化系统的稠密观测资料优化调度方法,其特征在于,S11中,需要设定该区域的分辨率,该分辨率为0.01度。
3.根据权利要求1所述的一种数值天气模式同化系统的稠密观测资料优化调度方法,其特征在于,关系矩阵R是描述站点之间的影响关系的矩阵。
4.根据权利要求1所述的一种数值天气模式同化系统的 稠密观测资料优化调度方法,其特征在于,S2中所述可选数组O代表的是该轮次的可选数组,该轮不可选的观测站点在下一轮可选。
5.根据权利要求1所述的一种数值天气模式同化系统的稠密观测资料优化调度方法,其特征在于,S23的具体操作为,根据格点矩阵G中的最大格点值获取对应所有可被选取的观测站点中qty值最高的观测站点作为该批选取的第一个站点,并通过关系矩阵R更新可选数组O以及通过已选观测站点更新选取数组C,其中Oi若为真表示id为i的观测站点已被选取或者与该批已选取的观测站点之间相互冲突。
6.根据权利要求1或4所述的一种数值天气模式同化系统的稠密观测资料优化调度方法,其特征在于,所述可选数组O都要清空重置之后再由选取数组C进行初始化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910836832.XA CN110555616B (zh) | 2019-09-05 | 2019-09-05 | 一种数值天气模式同化系统的稠密观测资料优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910836832.XA CN110555616B (zh) | 2019-09-05 | 2019-09-05 | 一种数值天气模式同化系统的稠密观测资料优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110555616A CN110555616A (zh) | 2019-12-10 |
CN110555616B true CN110555616B (zh) | 2021-12-14 |
Family
ID=68739202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910836832.XA Active CN110555616B (zh) | 2019-09-05 | 2019-09-05 | 一种数值天气模式同化系统的稠密观测资料优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555616B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739790A (zh) * | 2009-12-09 | 2010-06-16 | 中国人民解放军防化指挥工程学院 | 一种多个固定化学风险源预测预警和应急控制方法 |
CN104361234A (zh) * | 2014-11-15 | 2015-02-18 | 北京理工大学 | 一种复杂约束条件下多星多任务观测调度优化方法 |
KR20150057025A (ko) * | 2013-11-18 | 2015-05-28 | 재단법인 한국형수치예보모델개발사업단 | 테스트 주도 개발법에 기반한 수치일기예보모델의 자동화된 입출력 모듈 검증 방법 및 이를 수행하는 하드웨어 장치 |
CN106443833A (zh) * | 2015-08-06 | 2017-02-22 | 中国电力科学研究院 | 一种基于云计算的数值天气预报方法 |
CN107679553A (zh) * | 2017-09-14 | 2018-02-09 | 深圳大学 | 基于密度峰值的聚类方法及装置 |
CN107784165A (zh) * | 2017-09-29 | 2018-03-09 | 国网青海省电力公司 | 基于光伏电站的地表温度场多尺度资料同化方法 |
US10083607B2 (en) * | 2007-09-07 | 2018-09-25 | Green Driver, Inc. | Driver safety enhancement using intelligent traffic signals and GPS |
CN109033029A (zh) * | 2018-06-29 | 2018-12-18 | 中国人民解放军国防科技大学 | 基于逆向局地化的确定性分析集合生成方法及系统 |
CN109061776A (zh) * | 2018-10-08 | 2018-12-21 | 中国气象局广州热带海洋气象研究所(广东省气象科学研究所) | 一种短时临近数值天气预报系统及方法 |
CN109444892A (zh) * | 2017-10-16 | 2019-03-08 | 内蒙古工业大学 | 雷达定量测量降水的校准方法 |
KR102041960B1 (ko) * | 2019-03-22 | 2019-11-07 | 한국과학기술정보연구원 | 병렬 처리 방법 및 병렬 처리 장치 |
-
2019
- 2019-09-05 CN CN201910836832.XA patent/CN110555616B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10083607B2 (en) * | 2007-09-07 | 2018-09-25 | Green Driver, Inc. | Driver safety enhancement using intelligent traffic signals and GPS |
CN101739790A (zh) * | 2009-12-09 | 2010-06-16 | 中国人民解放军防化指挥工程学院 | 一种多个固定化学风险源预测预警和应急控制方法 |
KR20150057025A (ko) * | 2013-11-18 | 2015-05-28 | 재단법인 한국형수치예보모델개발사업단 | 테스트 주도 개발법에 기반한 수치일기예보모델의 자동화된 입출력 모듈 검증 방법 및 이를 수행하는 하드웨어 장치 |
CN104361234A (zh) * | 2014-11-15 | 2015-02-18 | 北京理工大学 | 一种复杂约束条件下多星多任务观测调度优化方法 |
CN106443833A (zh) * | 2015-08-06 | 2017-02-22 | 中国电力科学研究院 | 一种基于云计算的数值天气预报方法 |
CN107679553A (zh) * | 2017-09-14 | 2018-02-09 | 深圳大学 | 基于密度峰值的聚类方法及装置 |
CN107784165A (zh) * | 2017-09-29 | 2018-03-09 | 国网青海省电力公司 | 基于光伏电站的地表温度场多尺度资料同化方法 |
CN109444892A (zh) * | 2017-10-16 | 2019-03-08 | 内蒙古工业大学 | 雷达定量测量降水的校准方法 |
CN109033029A (zh) * | 2018-06-29 | 2018-12-18 | 中国人民解放军国防科技大学 | 基于逆向局地化的确定性分析集合生成方法及系统 |
CN109061776A (zh) * | 2018-10-08 | 2018-12-21 | 中国气象局广州热带海洋气象研究所(广东省气象科学研究所) | 一种短时临近数值天气预报系统及方法 |
KR102041960B1 (ko) * | 2019-03-22 | 2019-11-07 | 한국과학기술정보연구원 | 병렬 처리 방법 및 병렬 처리 장치 |
Non-Patent Citations (5)
Title |
---|
Application of optimal interpolation to vertical current data in the Ieo Island of Korea using unstructured grid ocean numerical model(FVCOM);Bon-Ho Gu;《2012 Oceans - Yeosu》;20120809;第1-4页 * |
SMOS Data Assimilation for Numerical Weather Prediction;Patricia de Rosnay;《IGARSS 2018 - 2018 IEEE International Geoscience and Remote Sensing Symposium》;20181105;第1447-1450页 * |
基于SMS的华中区域中尺度数值天气预报系统设计和实现;赖安伟;《气象科技》;20170215;第45卷(第1期);第51-57页 * |
基于随机观测法的气象数据质量控制关键技术研究;田森;《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》;20190215(第02期);第A009-6页 * |
天气雷达多源数据同化支持下的陆气耦合水文预报;田济扬;《中国优秀博硕士学位论文全文数据库(博士)基础科学辑》;20170915(第9期);第A012-9页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110555616A (zh) | 2019-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388958B (zh) | 一种二维姿态机动卫星任务规划技术研究的方法及装置 | |
Norman et al. | A genetic algorithm methodology for complex scheduling problems | |
US7269570B2 (en) | Survey assignment method | |
US9977804B2 (en) | Index updates using parallel and hybrid execution | |
CN111191952A (zh) | 加入空间众包工作者评分要素的空间众包任务分配方法 | |
CN103345504A (zh) | 单星调度的算子构建方法 | |
CN106291764A (zh) | 基于大数据和气象分析场的气象预报方法和系统 | |
CN110555616B (zh) | 一种数值天气模式同化系统的稠密观测资料优化调度方法 | |
Manne et al. | Building indicator groups based on species characteristics can improve conservation planning | |
CN114756591B (zh) | 一种基于双向链表的数据筛选方法和系统 | |
CN113064449A (zh) | 一种无人机调度方法及系统 | |
CN109919378B (zh) | 一种卫星星载自主规划系统 | |
CN111179071A (zh) | 一种基于拓扑排序的区块链交易依赖分析方法 | |
Hopkinson et al. | A preliminary assessment of the contribution of nature reserves to biodiversity conservation in Great Britain | |
CN113919122A (zh) | 基于模拟退火算法的多星任务调度方法和系统 | |
CN112203324A (zh) | 一种基于位置指纹库的mr定位方法及装置 | |
CN116151424B (zh) | 一种多园区下料车间方法 | |
RU80604U1 (ru) | Автоматизированная система распределения ресурсов для оптимального решения целевых задач | |
CN108271178B (zh) | 一种物理小区标识pci优化方法及装置 | |
CN113139563B (zh) | 一种图像分类模型的优化方法及装置 | |
CN114781508A (zh) | 基于聚类的卫星测控调度方法及系统 | |
CN114490799A (zh) | 单个图的频繁子图挖掘方法及装置 | |
CN115840752A (zh) | 一种全球航空导航数据的存储及查询方法 | |
CN111950869A (zh) | 改进航天测控网调度问题初始解的迭代求解方法及系统 | |
CN101154266A (zh) | 分类器动态选择与循环集成方法 |
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 |