CN110618473A - 一种即时气象情报保障方法 - Google Patents
一种即时气象情报保障方法 Download PDFInfo
- Publication number
- CN110618473A CN110618473A CN201910955785.0A CN201910955785A CN110618473A CN 110618473 A CN110618473 A CN 110618473A CN 201910955785 A CN201910955785 A CN 201910955785A CN 110618473 A CN110618473 A CN 110618473A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction model
- forecasting
- observation
- model
- 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- 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
本申请公开了一种即时气象情报保障方法，用于对指定区域进行气象预测，包括同化多源资料并实现覆盖指定区域的中尺度数值预报模型的建立，所述中尺度数值预报模型是基于WRF和RFDA模型；在指定区域内设置若干个观测点，用于获取指定区域内流体的场内观测数据；采用流体力学模型对所述中尺度数值预报模型进行预报降尺度处理，以场内观测数据为真实值构建训练数据集，通过人工神经网络对经预报降尺度处理后的中尺度数值预报模型进行深度学习，形成小尺度的精细化的短临预报模型。本发明对气象综合判断更有依据，采集范围更广泛，填补小范围、高频次精确短临预报方面的技术空白，实现对特定小区域的精确短临预报。
Description
技术领域
本申请涉及气象预报技术领域，特别是涉及一种即时气象情报保障方法。
背景技术
随着全球新一轮科技革命和产业变革蓄势待发，科学技术从微观到宏观各个尺度向纵深发展，一系列原创性突破正在开辟新前沿、新方向、新需求，信息网络、人工智能、生物技术、清洁能源、新型材料、先进制造等领域呈现群体跃进态势。气象科技创新及现代化也在不断发展，但面对日新月异的科技创新革命，大型特殊活动都会在特定时期内提出的高要求高标准的服务目标，气象服务保障能力和科技水平与社会广大需求之间的差距仍十分明显，尤其是在高科技网络化、数字化、信息化、智慧化快速发展催动下，面对重要业务活动和对气象部门气象智慧化服务的科技创新挑战就显得十分突出。
因此，如何实现小区域范围内的精细化气象预报，就是目前急需解决的一个问题。
发明内容
本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。
根据本申请的一个方面，提供了一种即时气象情报保障方法，用于对指定区域进行气象预测，包括：
同化多源资料并实现覆盖指定区域的中尺度数值预报模型的建立，所述中尺度数值预报模型是基于WRF和WRFDA模型；
在指定区域内设置若干个观测点，用于获取指定区域内流体的场内观测数据；
采用流体力学模型对所述中尺度数值预报模型进行预报降尺度处理，以场内观测数据为真实值构建训练数据集，通过人工神经网络对经预报降尺度处理后的中尺度数值预报模型进行深度学习，形成小尺度的精细化的短临预报模型。
优选地，同化多源资料并实现覆盖指定区域的中尺度数值预报模型的建立，所述中尺度数值预报模型是基于WRF和WRFDA模型中，多源资料包括常规气象观测数据、雷达资料、卫星观测资料、大尺度气象模式网格数据、地形勘测数据和地标粗糙度数据。
优选地，多源资料同化及中尺度预报需要全球范围内的模式场数据为区域模型提供初始值和侧边界条件，实现对场所特定区域的1km分辨率嵌套区域模拟，系统定时下载GFS全球预报等所需数据，获取起报时间的观测数据后，自动开始数据处理流程，并实现WRFDA的数据同化，将分析场数据提供给WRF模型作为预报的初始场，实现逐小时的自动更新同化预报循环。
优选地，在指定区域内设置若干个观测点，用于获取指定区域内流体的场内观测数据，包括：
在所述指定区域的关键点建立地面观测站，采集风速、风向、气温、气压、相对湿度的常规观测数据，以用于构建场所小区域的训练数据集，同时对所述常规观测数据进行质量控制。
优选地，采用流体力学模型对所述中尺度数值预报模型进行预报降尺度处理，是将空间分辨率在公里量级的中尺度数值预报模型，以数值预报结果为边界条件，采用流体力学模型通过精确的地形、地标粗糙度数据，模拟出在一定来流条件下比所述指定区域内更加精细的空间流场分布，达到米级精细化预报的中尺度数值预报模型。
优选地，通过人工神经网络对经预报降尺度处理后的中尺度数值预报模型进行深度学习，形成小尺度的精细化的短临预报模型中，实现基于深度学习的统计预测，包括：
在所述若干个观测点上利用历史观测数据训练预报函数，体现出各个气象要素的日内变化、季节变化的周期特征；
在空间上对观测点数据进行平滑和约束，同时考虑在各天气现象中气象要素的空间相关性和特征；
搭建多层神经网络模拟各气象要素之间的关联关系，通过设置对比试验，以场内观测数据为真实值构建训练数据集，确定神经网络隐藏层数、各层神经元数量、训练学习率、迭代次数参数的最佳配置，进而训练得出预报函数；
最后，利用所得到的预报函数来构建出所述短临预报模型。
优选地，在得到精细化的短临预报模型后，基于此进行气象情报监控，所述气象情报监控实现对多源资料同化及中尺度数值预报和基于深度学习的精细化短临气象预报中包含的原始数据、中间数据、预测数据和评估分析数据的多维展示、情报监控和管理。
优选地，对多源资料同化进行的情报监控时同化预报业务系统，同化预报业务系统展示需要实现对常规观测数据、雷达观测资料、卫星辐射率观测资料在同化前后的质控订正效果诊断分析和对模式预报数据的多角度、多维度地评估和展示。
根据本申请的另一个方面，提供了一种计算设备，包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现上述任一实施例中所述的方法。
根据本申请的另一个方面，提供了一种计算机可读存储介质，优选为非易失性可读存储介质，其内存储有计算机程序，所述计算机程序在由处理器执行时实现上述任一实施例中所述的方法。
根据本申请的另一个方面，提供了一种计算机程序产品，包括计算机可读代码，当所述计算机可读代码由计算机设备执行时，导致所述计算机设备执行上述任一实施例中所述的方法。
本申请的即时气象情报保障方法，实现了对指定项目的指定区域进行密集的观测点布置来获取活动的实时观测，通过深度学习来建立好气象模型，实现小区域空间范围的逐时循环的短临时间内的风速、风向预报，使气象情报数据更精准，综合判断更有依据，采集范围更广泛，填补小范围、高频次精确短临预报方面的技术空白，实现对特定小区域的精确短临预报。
根据下文结合附图对本申请的具体实施例的详细描述，本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
图1是根据本申请一个实施例的即时气象情报保障方法流程图；
图2是根据本申请另一个实施例的即时气象情报保障方法流程图；
图3为一个实施例中计算机设备的结构图；
图4为一个实施例中计算机可读存储介质的结构图。
具体实施方式
本实施例描述了一种即时气象情报保障方法，用于对指定区域进行气象预测，如图1所示，包括：
101：同化多源资料并实现覆盖指定区域的中尺度数值预报模型的建立，所述中尺度数值预报模型是基于WRF和WRFDA模型；
102：在指定区域内设置若干个观测点，用于获取指定区域内流体的场内观测数据；
103：采用流体力学模型对所述中尺度数值预报模型进行预报降尺度处理，以场内观测数据为真实值构建训练数据集，通过人工神经网络对经预报降尺度处理后的中尺度数值预报模型进行深度学习，形成小尺度的精细化的短临预报模型。
优选地，同化多源资料并实现覆盖指定区域的中尺度数值预报模型的建立，所述中尺度数值预报模型是基于WRF和WRFDA模型中，多源资料包括常规气象观测数据、雷达资料、卫星观测资料、大尺度气象模式网格数据、地形勘测数据和地标粗糙度数据。
其中，具体说来，在本实施例中：
常规气象观测数据主要是场所及周边区域布设的观测站点数据，包括地面观测及探空观测等；
雷达资料包括覆盖场所的多普勒气象雷达数据，其中主要观测要素为径向风和雷达反射率；风廓线雷达数据资料主要为在场所布置的风廓线雷达所观测的垂直风场数据；
卫星观测资料包括Himawari-8静止卫星观测的16个通道的辐射率资料；由于大气辐射传输模型不能精确模拟有云条件下的卫星辐射率观测，在数据同化前，需要经过云检测利用卫星数据对有云区域进行甄别并筛除，得到可进入同化模型的质控后的观测数据；
大尺度气象模式网格数据选择美国的全球预报模型(GFS)0.5度分辨率数据，每天分4个时间段定时下载全球预报数据的未来5天预报，即每天下载大约10GB模式网格数据；
地形勘测数据用于计算流体力学模型模拟小区域内的三维流场分布，使用专业测绘部门实地踏勘得到的地形CAD数据。地表粗糙度是影响气流分布另一个重要因素，实际踏勘后根据现场的地表性质、植被情况构建地表粗糙度分布数据集，用于计算流体力学仿真模拟。
优选地，多源资料同化及中尺度预报需要全球范围内的模式场数据为区域模型提供初始值和侧边界条件，实现对场所特定区域的1km分辨率嵌套区域模拟，系统定时下载GFS全球预报等所需数据，获取起报时间的观测数据后，自动开始数据处理流程，并实现WRFDA的数据同化，将分析场数据提供给WRF模型作为预报的初始场，实现逐小时的自动更新同化预报循环。
优选地，在指定区域内设置若干个观测点，用于获取指定区域内流体的场内观测数据，包括：
在所述指定区域的关键点建立地面观测站，采集风速、风向、气温、气压、相对湿度的常规观测数据，以用于构建场所小区域的训练数据集，同时对所述常规观测数据进行质量控制。
优选地，采用流体力学模型对所述中尺度数值预报模型进行预报降尺度处理，是将空间分辨率在公里量级的中尺度数值预报模型，以数值预报结果为边界条件，采用流体力学模型通过精确的地形、地标粗糙度数据，模拟出在一定来流条件下比所述指定区域内更加精细的空间流场分布，达到米级精细化预报的中尺度数值预报模型。
优选地，通过人工神经网络对经预报降尺度处理后的中尺度数值预报模型进行深度学习，形成小尺度的精细化的短临预报模型中，实现基于深度学习的统计预测，包括：
在所述若干个观测点上利用历史观测数据训练预报函数，体现出各个气象要素的日内变化、季节变化的周期特征；
在空间上对观测点数据进行平滑和约束，同时考虑在各天气现象中气象要素的空间相关性和特征；
搭建多层神经网络模拟各气象要素之间的关联关系，通过设置对比试验，以场内观测数据为真实值构建训练数据集，确定神经网络隐藏层数、各层神经元数量、训练学习率、迭代次数参数的最佳配置，进而训练得出预报函数；
最后，利用所得到的预报函数来构建出所述短临预报模型。
在另一实施中，如图2所示，本实施例的即时气象情报保障方法，用于对指定区域进行气象预测，包括：
201：同化多源资料并实现覆盖指定区域的中尺度数值预报模型的建立，所述中尺度数值预报模型是基于WRF和WRFDA模型；
202：在指定区域内设置若干个观测点，用于获取指定区域内流体的场内观测数据；
203：采用流体力学模型对所述中尺度数值预报模型进行预报降尺度处理，以场内观测数据为真实值构建训练数据集，通过人工神经网络对经预报降尺度处理后的中尺度数值预报模型进行深度学习，形成小尺度的精细化的短临预报模型；
204：在得到精细化的短临预报模型后，基于这一短临预报模型进行气象情报监控，所述气象情报监控实现对多源资料同化及中尺度数值预报和基于深度学习的精细化短临气象预报中包含的原始数据、中间数据、预测数据和评估分析数据的多维展示、情报监控和管理。
优选地，对多源资料同化进行的情报监控时同化预报业务系统，同化预报业务系统展示需要实现对常规观测数据、雷达观测资料、卫星辐射率观测资料在同化前后的质控订正效果诊断分析和对模式预报数据的多角度、多维度地评估和展示。
即时气象情报保障方法主要实现对指定区域进行气象数据采集，利用中尺度预报模式、气象数据同化方法、计算流体动力学即使记忆人工神经网络的深度学习等技术，为指定区域提供小范围、高频次精确的短临气象预报服务。即时气象情报保障系统的建设将依据以下几点原则：
1、气象预报的时效性
即时气象情报保障系统的时效性要求较高，基于人工神经网络的深度学习技术，以长时间的学习锻炼期算法，对10m*10m*10m这一小区域空间范围进行气象预报，保障气象预报速度达到每10秒更新一次，精确预报未来两分钟的详细气象数据。
2、气象预报的精确性
即时气象情报保障系统所服务的行业，对气象预报的精确性，要求预报数据包含未来两分钟的详细气象数据信息，并通过不断地算法锻炼，提高数据的准确度。在生成的气象数据中不仅包含每一项详细的气象信息，还包含该气象信息的准确度说明，提高数据的参考价值。
3、高度可扩展性
即时气象情报保障系统应具有高度可扩展性，随着即时气象情报保障系统小范围精确短临预报功能的不断完产，所服务的行业也会随之增多，如漕运、航空、桥梁、场所等使用场景。因此，即时气象情报保障系统要相应的具备高度的可扩展性。伴随服务行业的增多，使用场景的多样化，在扩展硬件环境为基础前提下，小范围高频次精确短临预报的预报模式、同化方法等工作内容也要具备高度的可扩展性，满足将来的新需求。
4、标准化设计
即时气象情报保障系统的建设包含了物联网、大数据、人工智能、高性能计算、地理信息系统等多个当今先进的技术领域，本着科技服务未来的理念下，开发过程中也要严格遵循这些技术领域的标准化规则。即时气象情报保障系统设计的通用性和标准化有利于实现整个系统的互联互通，保障系统的完整性及后期的可扩展性。系统的设计拟采用标准的计算机协议，严格遵循软件工程规范化的设计原则，不同的设计阶段进行严格的设计评审及完成相应的设计文档等，对整个设计过程进行规范化的管理和控制。使系统更加模块化和标准化，并具有二次开发的能力。
即时气象情报保障方法综合了硬件数据采集、模式数据加工、平台数据输出三方面功能，以一套完整的系统体系，达成最终的项目目标。综合分析以上三点，即时气象情报保障系统项目中包含了物联网、大数据、人工智能、高性能计算、地理信息系统等相关技术。在平台方案设计中，严格遵循27项物联网安全技术国家标准、人工智能标准化白皮书(2018版)、计算机软件工程规范国家标准汇编GB/T16398-96中国家对物联网、人工智能、软件开发所指定的相关法律法规和行业标准规范。
根据下文结合附图对本申请的具体实施例的详细描述，本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。
本申请实施例还提供了一种计算设备，参照图3，该计算设备包括存储器1120、处理器1110和存储在所述存储器1120内并能由所述处理器1110运行的计算机程序，该计算机程序存储于存储器1120中的用于程序代码的空间1130，该计算机程序在由处理器1110执行时实现用于执行任一项根据本发明的方法步骤1131。
本申请实施例还提供了一种计算机可读存储介质。参照图4，该计算机可读存储介质包括用于程序代码的存储单元，该存储单元设置有用于执行根据本发明的方法步骤的程序1131′，该程序被处理器执行。
本申请实施例还提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机上运行时，使得计算机执行根据本发明的方法步骤。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、获取其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令处理器完成，所述的程序可以存储于计算机可读存储介质中，所述存储介质是非短暂性(英文：non-transitory)介质，例如随机存取存储器，只读存储器，快闪存储器，硬盘，固态硬盘，磁带(英文：magnetic tape)，软盘(英文：floppy disk)，光盘(英文：optical disc)及其任意组合。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种即时气象情报保障方法，用于对指定区域进行气象预测，包括：
同化多源资料并实现覆盖指定区域的中尺度数值预报模型的建立，所述中尺度数值预报模型是基于WRF和WRFDA模型；
在指定区域内设置若干个观测点，用于获取指定区域内流体的场内观测数据；
采用流体力学模型对所述中尺度数值预报模型进行预报降尺度处理，以场内观测数据为真实值构建训练数据集，通过人工神经网络对经预报降尺度处理后的中尺度数值预报模型进行深度学习，形成小尺度的精细化的短临预报模型。
2.根据权利要求1所述的方法，其特征在于，同化多源资料并实现覆盖指定区域的中尺度数值预报模型的建立，所述中尺度数值预报模型是基于WRF和WRFDA模型中，多源资料包括常规气象观测数据、雷达资料、卫星观测资料、大尺度气象模式网格数据、地形勘测数据和地标粗糙度数据。
3.根据权利要求2所述的方法，其特征在于，多源资料同化及中尺度预报需要全球范围内的模式场数据为区域模型提供初始值和侧边界条件，实现对场所特定区域的1km分辨率嵌套区域模拟，系统定时下载GFS全球预报等所需数据，获取起报时间的观测数据后，自动开始数据处理流程，并实现WRFDA的数据同化，将分析场数据提供给WRF模型作为预报的初始场，实现逐小时的自动更新同化预报循环。
4.根据权利要求1所述的方法，其特征在于，在指定区域内设置若干个观测点，用于获取指定区域内流体的场内观测数据，包括：
在所述指定区域的关键点建立地面观测站，采集风速、风向、气温、气压、相对湿度的常规观测数据，以用于构建场所小区域的训练数据集，同时对所述常规观测数据进行质量控制。
5.根据权利要求2所述的方法，其特征在于，采用流体力学模型对所述中尺度数值预报模型进行预报降尺度处理，是将空间分辨率在公里量级的中尺度数值预报模型，以数值预报结果为边界条件，采用流体力学模型通过精确的地形、地标粗糙度数据，模拟出在一定来流条件下比所述指定区域内更加精细的空间流场分布，达到米级精细化预报的中尺度数值预报模型。
6.根据权利要求5所述的方法，其特征在于，通过人工神经网络对经预报降尺度处理后的中尺度数值预报模型进行深度学习，形成小尺度的精细化的短临预报模型中，实现基于深度学习的统计预测，包括：
在所述若干个观测点上利用历史观测数据训练预报函数，体现出各个气象要素的日内变化、季节变化的周期特征；
在空间上对观测点数据进行平滑和约束，同时考虑在各天气现象中气象要素的空间相关性和特征；
搭建多层神经网络模拟各气象要素之间的关联关系，通过设置对比试验，以场内观测数据为真实值构建训练数据集，确定神经网络隐藏层数、各层神经元数量、训练学习率、迭代次数参数的最佳配置，进而训练得出预报函数；
最后，利用所得到的预报函数来构建出所述短临预报模型。
7.根据权利要求1所述的方法，其特征在于，在得到精细化的短临预报模型后，基于此进行气象情报监控，所述气象情报监控实现对多源资料同化及中尺度数值预报和基于深度学习的精细化短临气象预报中包含的原始数据、中间数据、预测数据和评估分析数据的多维展示、情报监控和管理。
8.根据权利要求7所述的方法，其特征在于，对多源资料同化进行的情报监控时同化预报业务系统，同化预报业务系统展示需要实现对常规观测数据、雷达观测资料、卫星辐射率观测资料在同化前后的质控订正效果诊断分析和对模式预报数据的多角度、多维度地评估和展示。
9.一种计算设备，包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如权利要求1-8中任一项所述的方法。
10.一种计算机可读存储介质，优选为非易失性可读存储介质，其内存储有计算机程序，所述计算机程序在由处理器执行时实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910955785.0A CN110618473A (zh) | 2019-10-09 | 2019-10-09 | 一种即时气象情报保障方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910955785.0A CN110618473A (zh) | 2019-10-09 | 2019-10-09 | 一种即时气象情报保障方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110618473A true CN110618473A (zh) | 2019-12-27 |
Family
ID=68925262
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910955785.0A Pending CN110618473A (zh) | 2019-10-09 | 2019-10-09 | 一种即时气象情报保障方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110618473A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111208586A (zh) * | 2020-01-20 | 2020-05-29 | 山东超越数控电子股份有限公司 | 基于中尺度海气耦合模式的天气预报方法及系统 |
| CN111488974A (zh) * | 2020-04-14 | 2020-08-04 | 四川北控清洁能源工程有限公司 | 基于深度学习神经网络的海洋风能降尺度方法 |
| CN111505738A (zh) * | 2020-03-17 | 2020-08-07 | 上海眼控科技股份有限公司 | 数值天气预报中气象因素的预测方法及设备 |
| CN111913236A (zh) * | 2020-07-13 | 2020-11-10 | 上海眼控科技股份有限公司 | 气象数据处理方法、装置、计算机设备和存储介质 |
| CN113313291A (zh) * | 2021-05-06 | 2021-08-27 | 国网河南省电力公司电力科学研究院 | 一种基于初值扰动的电网风灾集合预报以及验证方法 |
| CN113592132A (zh) * | 2021-04-29 | 2021-11-02 | 山东省气象科学研究所(山东省海洋气象科学研究所、山东省气象局培训中心) | 一种基于数值天气预报和人工智能的降水客观预报方法 |
| CN113627096A (zh) * | 2021-07-14 | 2021-11-09 | 哈尔滨工业大学 | 一种基于空间相关性和监测数据的精细风场模拟方法 |
| 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 |
| WO2022039675A1 (en) * | 2020-08-21 | 2022-02-24 | Envision Digital International Pte. Ltd. | Method and apparatus for forecasting weather, electronic device and storage medium thereof |
| CN115113303A (zh) * | 2022-06-21 | 2022-09-27 | 天津大学 | 基于元学习的厄尔尼诺极端天气预警方法及装置 |
| CN116502151A (zh) * | 2023-06-29 | 2023-07-28 | 深圳市千百炼科技有限公司 | 基于多维度气象数据的气象预测方法、系统、设备及介质 |
| CN117492110A (zh) * | 2023-10-12 | 2024-02-02 | 香港大学深圳研究院 | 一种基于人工智能增强的数值模式预报方法 |
| CN118365498A (zh) * | 2024-06-17 | 2024-07-19 | 航天宏图信息技术股份有限公司 | 时空精细化太阳能资源短临预报方法、装置、设备及介质 |
| CN118365498B (zh) * | 2024-06-17 | 2024-09-24 | 航天宏图信息技术股份有限公司 | 时空精细化太阳能资源短临预报方法、装置、设备及介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106326625A (zh) * | 2015-07-09 | 2017-01-11 | 中国电力科学研究院 | 一种耦合WRF与OpenFOAM模式的风场模拟方法 |
| CN106526709A (zh) * | 2016-09-26 | 2017-03-22 | 北京无线电测量研究所 | 一种基于多源设备组网的机场云雾综合预警系统及方法 |
| CN106547840A (zh) * | 2016-10-13 | 2017-03-29 | 国家卫星气象中心 | 一种全球三维大气数据的解析及管理方法 |
| CN106842368A (zh) * | 2017-03-14 | 2017-06-13 | 北京维艾思气象信息科技有限公司 | 一种基于北斗定位的单点降水预报方法 |
| CN107390298A (zh) * | 2017-07-19 | 2017-11-24 | 云南电网有限责任公司电力科学研究院 | 一种复杂山地下垫面大风的模拟方法及装置 |
| CN108983320A (zh) * | 2018-04-08 | 2018-12-11 | 浙江大学 | 一种沿海台风极值风速的数值天气预报-人工智能耦合预测方法 |
| CN109447315A (zh) * | 2018-09-18 | 2019-03-08 | 中国电力科学研究院有限公司 | 一种基于多时空尺度的电力气象数值天气预报方法和装置 |
| CN109858657A (zh) * | 2017-11-30 | 2019-06-07 | 江苏金风科技有限公司 | 海上风电场的预报预警系统 |
| CN110275224A (zh) * | 2019-05-24 | 2019-09-24 | 兰州大学 | 精细化近地层气象要素预报系统及其预报方法 |
| CN110298115A (zh) * | 2019-07-02 | 2019-10-01 | 中国气象局上海台风研究所 | 一种基于简化地形气动参数的风场动力降尺度方法 |
| CN110298114A (zh) * | 2019-07-02 | 2019-10-01 | 中国气象局上海台风研究所 | 一种风场动力降尺度方法及存储介质 |
-
2019
- 2019-10-09 CN CN201910955785.0A patent/CN110618473A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106326625A (zh) * | 2015-07-09 | 2017-01-11 | 中国电力科学研究院 | 一种耦合WRF与OpenFOAM模式的风场模拟方法 |
| CN106526709A (zh) * | 2016-09-26 | 2017-03-22 | 北京无线电测量研究所 | 一种基于多源设备组网的机场云雾综合预警系统及方法 |
| CN106547840A (zh) * | 2016-10-13 | 2017-03-29 | 国家卫星气象中心 | 一种全球三维大气数据的解析及管理方法 |
| CN106842368A (zh) * | 2017-03-14 | 2017-06-13 | 北京维艾思气象信息科技有限公司 | 一种基于北斗定位的单点降水预报方法 |
| CN107390298A (zh) * | 2017-07-19 | 2017-11-24 | 云南电网有限责任公司电力科学研究院 | 一种复杂山地下垫面大风的模拟方法及装置 |
| CN109858657A (zh) * | 2017-11-30 | 2019-06-07 | 江苏金风科技有限公司 | 海上风电场的预报预警系统 |
| CN108983320A (zh) * | 2018-04-08 | 2018-12-11 | 浙江大学 | 一种沿海台风极值风速的数值天气预报-人工智能耦合预测方法 |
| CN109447315A (zh) * | 2018-09-18 | 2019-03-08 | 中国电力科学研究院有限公司 | 一种基于多时空尺度的电力气象数值天气预报方法和装置 |
| CN110275224A (zh) * | 2019-05-24 | 2019-09-24 | 兰州大学 | 精细化近地层气象要素预报系统及其预报方法 |
| CN110298115A (zh) * | 2019-07-02 | 2019-10-01 | 中国气象局上海台风研究所 | 一种基于简化地形气动参数的风场动力降尺度方法 |
| CN110298114A (zh) * | 2019-07-02 | 2019-10-01 | 中国气象局上海台风研究所 | 一种风场动力降尺度方法及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 程雪玲,胡非,曾庆存: "《复杂地形风场的精细数值模拟》", 《气候与环境研究》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111208586A (zh) * | 2020-01-20 | 2020-05-29 | 山东超越数控电子股份有限公司 | 基于中尺度海气耦合模式的天气预报方法及系统 |
| CN111505738A (zh) * | 2020-03-17 | 2020-08-07 | 上海眼控科技股份有限公司 | 数值天气预报中气象因素的预测方法及设备 |
| CN111488974A (zh) * | 2020-04-14 | 2020-08-04 | 四川北控清洁能源工程有限公司 | 基于深度学习神经网络的海洋风能降尺度方法 |
| CN111488974B (zh) * | 2020-04-14 | 2023-05-02 | 四川北控清洁能源工程有限公司 | 基于深度学习神经网络的海洋风能降尺度方法 |
| CN111913236A (zh) * | 2020-07-13 | 2020-11-10 | 上海眼控科技股份有限公司 | 气象数据处理方法、装置、计算机设备和存储介质 |
| WO2022039675A1 (en) * | 2020-08-21 | 2022-02-24 | Envision Digital International Pte. Ltd. | Method and apparatus for forecasting weather, electronic device and storage medium thereof |
| CN113592132A (zh) * | 2021-04-29 | 2021-11-02 | 山东省气象科学研究所(山东省海洋气象科学研究所、山东省气象局培训中心) | 一种基于数值天气预报和人工智能的降水客观预报方法 |
| CN113313291A (zh) * | 2021-05-06 | 2021-08-27 | 国网河南省电力公司电力科学研究院 | 一种基于初值扰动的电网风灾集合预报以及验证方法 |
| CN113627096B (zh) * | 2021-07-14 | 2022-04-29 | 哈尔滨工业大学 | 一种基于空间相关性和监测数据的精细风场模拟方法 |
| CN113627096A (zh) * | 2021-07-14 | 2021-11-09 | 哈尔滨工业大学 | 一种基于空间相关性和监测数据的精细风场模拟方法 |
| 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 |
| CN115113303A (zh) * | 2022-06-21 | 2022-09-27 | 天津大学 | 基于元学习的厄尔尼诺极端天气预警方法及装置 |
| CN115113303B (zh) * | 2022-06-21 | 2023-10-31 | 天津大学 | 基于元学习的厄尔尼诺极端天气预警方法及装置 |
| CN116502151A (zh) * | 2023-06-29 | 2023-07-28 | 深圳市千百炼科技有限公司 | 基于多维度气象数据的气象预测方法、系统、设备及介质 |
| CN116502151B (zh) * | 2023-06-29 | 2023-09-12 | 深圳市千百炼科技有限公司 | 基于多维度气象数据的气象预测方法、系统、设备及介质 |
| CN117492110A (zh) * | 2023-10-12 | 2024-02-02 | 香港大学深圳研究院 | 一种基于人工智能增强的数值模式预报方法 |
| CN118365498A (zh) * | 2024-06-17 | 2024-07-19 | 航天宏图信息技术股份有限公司 | 时空精细化太阳能资源短临预报方法、装置、设备及介质 |
| CN118365498B (zh) * | 2024-06-17 | 2024-09-24 | 航天宏图信息技术股份有限公司 | 时空精细化太阳能资源短临预报方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110618473A (zh) | 一种即时气象情报保障方法 | |
| Wu et al. | Depth prediction of urban flood under different rainfall return periods based on deep learning and data warehouse | |
| JP6770125B2 (ja) | 建築物改装に伴う損害防止の推定 | |
| Kazemzadeh-Zow et al. | A spatial zoning approach to calibrate and validate urban growth models | |
| Wang et al. | Fast domain-aware neural network emulation of a planetary boundary layer parameterization in a numerical weather forecast model | |
| Dezhkam et al. | Simulating the urban growth dimensions and scenario prediction through sleuth model: A case study of Rasht County, Guilan, Iran | |
| Mallick et al. | Risk assessment of resources exposed to rainfall induced landslide with the development of GIS and RS based ensemble metaheuristic machine learning algorithms | |
| AU2020356806A1 (en) | Historical city protection and development cooperative control scheme aided design system | |
| García et al. | A comparative analysis of cellular automata models for simulation of small urban areas in Galicia, NW Spain | |
| CN110232471B (zh) | 一种降水传感网节点布局优化方法及装置 | |
| CN110705115B (zh) | 一种基于深度置信网络的气象预报方法和系统 | |
| CN104239706A (zh) | 一种地面观测气温时空数据集的制备方法 | |
| CN112308292A (zh) | 一种火灾风险等级分布图的绘制方法 | |
| CN114091764A (zh) | 气象预报要素订正方法、装置、计算机设备和存储介质 | |
| Fonte et al. | VGI quality control | |
| CN116595121B (zh) | 一种基于遥感技术数据显示监测系统 | |
| Bununu | Integration of Markov chain analysis and similarity-weighted instance-based machine learning algorithm (SimWeight) to simulate urban expansion | |
| Falcone et al. | From architectural survey to continuous monitoring: graph-based data management for cultural heritage conservation with digital twins | |
| CN112241844B (zh) | 饮用水水源地环境风险源本底清单确定及更新方法和装置 | |
| Anselin et al. | Open source software for spatial data science | |
| Brun et al. | A high performance computing framework for continental-scale forest fire spread prediction | |
| Charlton-Perez et al. | Do AI models produce better weather forecasts than physics-based models? A quantitative evaluation case study of Storm Ciarán | |
| Ceccaroni et al. | Artificial intelligence and earth observation to explore water quality in the Wadden Sea | |
| Omar et al. | Modelling land-use and land-cover changes using Markov-CA, and multiple decision making in Kirkuk city | |
| Abily et al. | Global sensitivity analysis with 2D hydraulic codes: application on uncertainties related to high-resolution topographic data |
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: 20191227 |