CN110909447A - 一种高精度电离层区域短期预报方法 - Google Patents

一种高精度电离层区域短期预报方法 Download PDF

Info

Publication number
CN110909447A
CN110909447A CN201910996582.6A CN201910996582A CN110909447A CN 110909447 A CN110909447 A CN 110909447A CN 201910996582 A CN201910996582 A CN 201910996582A CN 110909447 A CN110909447 A CN 110909447A
Authority
CN
China
Prior art keywords
observation
ionosphere
region
station
short
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.)
Granted
Application number
CN201910996582.6A
Other languages
English (en)
Other versions
CN110909447B (zh
Inventor
冯静
齐东玉
蔚娜
李雪
娄鹏
华彩成
鲁转侠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Research Institute of Radio Wave Propagation CRIRP
Original Assignee
China Research Institute of Radio Wave Propagation CRIRP
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Research Institute of Radio Wave Propagation CRIRP filed Critical China Research Institute of Radio Wave Propagation CRIRP
Priority to CN201910996582.6A priority Critical patent/CN110909447B/zh
Publication of CN110909447A publication Critical patent/CN110909447A/zh
Application granted granted Critical
Publication of CN110909447B publication Critical patent/CN110909447B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种高精度电离层区域短期预报方法，包括如下步骤：步骤1：对所选区域按照经度、纬度和高度进行三维网格划分，其中经度步进2°，纬度步进2°，高度步进20km；步骤2：建立电离层区域同化模型；步骤3：采用电离层参数短期预报的综合模型建立电离层单站短期预报方法；步骤4：建立电离层区域现报和提前2h内预报方法：采用基于Kalman滤波的电离层区域同化预报技术实现电离层区域现报和提前2h内预报。本发明所公开的高精度电离层区域短期预报方法，将电离层区域数据同化模型与单站短期预报技术相结合，提升了数据同化的短期预报能力，实现了电离层参数的高精度大区域预报功能，突破了这一技术难题。

Description

一种高精度电离层区域短期预报方法
技术领域
本发明属于电离层研究及应用领域，特别涉及该领域中的一种高精度电离层区域短期预报方法。
背景技术
目前电离层参数单站短期预报技术得到了较好的发展，具有较高的预报精度，但是与电离层参数区域短期预报技术相关的研究成果还比较少，预报精度也较差。
发明内容
本发明所要解决的技术问题就是提供一种将电离层区域同化模型与经验短期预报方法相结合的高精度电离层区域短期预报方法。
本发明采用如下技术方案：
一种高精度电离层区域短期预报方法，其改进之处在于，包括如下步骤：
步骤1：对所选区域按照经度、纬度和高度进行三维网格划分，其中经度步进2°，纬度步进2°，高度步进20km；
步骤2：建立电离层区域同化模型；
步骤21：电离层背景场重构，以国际参考电离层IRI模型为背景约束，以区域内垂测站电离图判读获得的F2层临界频率foF2为数据驱动，运用kriging插值方法建立区域电离层背景场，具体步骤包括：
步骤211：根据IRI模型，得到R12＝0，R12＝100时，12个月一天24小时的foF2值模型图，R12是IRI模型的一个输入参数，表示太阳黑子数13个月滑动平均值；
步骤212：根据R12与foF2之间的线性关系，获得所重构区域内任一点与R12之间的关系，上述点对应的即为月中值；
步骤213：给定垂测站位置某一天某时刻的foF2值，根据上面得到的该站R12与foF2值之间的关系，获得等效太阳黑子数；
步骤214：判断各个垂测站得到的等效太阳黑子数是否相同，如相同则将等效太阳黑子数代入IRI模型计算区域重构结果，如不同则利用kriging插值方法获得区域内任一点的等效太阳黑子数；
步骤215：利用foF2与R12之间的关系获得区域内任一点的foF2值，完成重构；
步骤22：误差协方差矩阵建立；
步骤221：建立观测误差协方差矩阵R，其表达式如下：
Figure BDA0002239918240000021
其中，Rij为观测误差协方差矩阵元素，i和j表示观测点，yi和yj表示在第i点和第j点的观测值，ηo表示比例系数，取ηo＝0.043；
步骤222：建立背景场误差协方差矩阵P，假定背景场误差协方差在水平经度、纬度方向和高度方向误差都是高斯分布且可以分离，其表达式如下：
Figure BDA0002239918240000022
其中，Pij为背景场误差协方差矩阵元素，i和j表示观测点，
Figure BDA0002239918240000023
和
Figure BDA0002239918240000024
表示在第i点和第j点的背景值，φij、λij和hij分别表示第i点和第j点在经度、纬度和高度上的距离，Lφ、Lλ和Lh分别是模式在这三个方向的相关距离，在水平经度方向取10°、纬度方向取5°、高度方向取60km，ηb是模式误差与模式值的线性系数，取ηb＝0.43；
步骤23：数据同化建模；
采用基于Kalman滤波的数据同化技术进行同化建模，获得分析场Xa，即最终的电离层区域同化模型结果，其计算公式如下：
Figure BDA0002239918240000025
K＝Pt bHT(HPt bHT+R)-1
其中，xb表示背景场向量，使用步骤21建立的电离层背景场作为背景场向量；y表示观测向量，使用垂测站电离图反演得到的电子浓度剖面数据作为观测向量；H表示观测算子，使得模式向量向观测向量转换，完成背景场向观测点的空间插值和物理量转化，对于电子浓度剖面数据而言，观测算子仅进行空间插值；Pb表示背景误差协方差矩阵，使用步骤222建立的背景误差协方差矩阵；R表示观测误差协方差矩阵，使用步骤221建立的观测误差协方差矩阵；矩阵K称作增益矩阵；
步骤3：采用电离层参数短期预报的综合模型建立电离层单站短期预报方法，该方法的输入为单个观测站前30天电离层数据，输出为该观测站未来24h以内的短期预报值；
步骤4：建立电离层区域现报和提前2h内预报方法：采用基于Kalman滤波的电离层区域同化预报技术实现电离层区域现报和提前2h内预报，其计算公式如下：
Figure BDA0002239918240000031
Figure BDA0002239918240000032
其中L是对角矩阵，表示先前的观测数据随着时间的推移对同化结果的影响呈指数衰减；△T表示时间步长，0≤△T<2h；τ表示电离层的时间相关尺度，τ取5h；背景场向量xb、观测向量y、观测算子H和增益矩阵K的计算方法同步骤2；
步骤5：建立电离层区域提前2h—24h预报方法：首先利用步骤3的电离层单站短期预报方法对区域内观测站数据进行短期预报，获得任一站未来2h—24h的预报值，然后对于未来2h—24h中某一时刻的区域预报，利用步骤2建立的电离层区域同化模型进行计算，其中背景场向量xb、观测算子H和增益矩阵K的计算方法同步骤2，而观测向量y则使用该时刻观测站数据的预报值。
进一步的，在步骤3中，24h以内包括24h，h代表小时。
进一步的，在步骤5中，区域内观测站数据包括但不限于垂测站电离图反演得到的电子浓度剖面数据。
本发明的有益效果是：
本发明所公开的高精度电离层区域短期预报方法，将电离层区域数据同化模型与单站短期预报技术相结合，提升了数据同化的短期预报能力，实现了电离层参数的高精度大区域预报功能，突破了这一技术难题。
附图说明
图1是本发明实施例1所公开方法的流程示意图；
图2是本发明实施例1所公开方法中步骤21的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1，本实施例公开了一种高精度电离层区域短期预报方法，其技术方案为：建立电离层区域同化模型与经验短期预报方法相结合的高精度电离层区域短期预报模型，针对不同的预报时长采用不同的输入数据及预报模型。其中现报和2h内预报，输入数据为区域内观测站(例如垂测站)实时数据，利用建立的电离层同化模型完成现报和提前2h内预报；提前2h—24h预报，输入数据为区域内观测站前30天历史数据，首先利用单站经验电离层短期预报方法完成各观测站24h内预报，然后利用预报值和电离层同化模型完成2h—24h预报。
具体的说，如图1所示，本实施例公开了一种高精度电离层区域短期预报方法，包括如下步骤：
步骤1：对所选区域按照经度、纬度和高度进行三维网格划分，其中经度步进2°，纬度步进2°，高度步进20km；
步骤2：建立电离层区域同化模型；
步骤21：电离层背景场重构，以国际参考电离层IRI模型为背景约束，以区域内垂测站电离图判读获得的F2层临界频率foF2为数据驱动，运用kriging插值方法建立区域电离层背景场，如图2所示，其具体步骤包括：
步骤211：根据IRI模型，得到R12＝0，R12＝100时，12个月一天24小时的foF2值模型图，R12是IRI模型的一个输入参数，表示太阳黑子数13个月滑动平均值；
步骤212：根据R12与foF2之间的线性关系，获得所重构区域内任一点与R12之间的关系，上述点对应的即为月中值；
步骤213：给定垂测站位置某一天某时刻的foF2值，根据上面得到的该站R12与foF2值之间的关系，获得等效太阳黑子数；
步骤214：判断各个垂测站得到的等效太阳黑子数是否相同，如相同则将等效太阳黑子数代入IRI模型计算区域重构结果，如不同则利用kriging插值方法获得区域内任一点的等效太阳黑子数；
步骤215：利用foF2与R12之间的关系获得区域内任一点的foF2值，完成重构；
步骤22：误差协方差矩阵建立；
步骤221：建立观测误差协方差矩阵R，其表达式如下：
Figure BDA0002239918240000041
其中，Rij为观测误差协方差矩阵元素，i和j表示观测点，yi和yj表示在第i点和第j点的观测值，ηo表示比例系数，取ηo＝0.043；
步骤222：建立背景场误差协方差矩阵P，假定背景场误差协方差在水平经度、纬度方向和高度方向误差都是高斯分布且可以分离，其表达式如下：
Figure BDA0002239918240000051
其中，Pij为背景场误差协方差矩阵元素，i和j表示观测点，
Figure BDA0002239918240000052
和
Figure BDA0002239918240000053
表示在第i点和第j点的背景值，φij、λij和hij分别表示第i点和第j点在经度、纬度和高度上的距离，Lφ、Lλ和Lh分别是模式在这三个方向的相关距离，在水平经度方向取10°、纬度方向取5°、高度方向取60km，ηb是模式误差与模式值的线性系数，取ηb＝0.43；
步骤23：数据同化建模；
采用基于Kalman滤波的数据同化技术进行同化建模，获得分析场Xa，即最终的电离层区域同化模型结果，其计算公式如下：
Figure BDA0002239918240000054
K＝Pt bHT(HPt bHT+R)-1
其中，xb表示背景场向量，使用步骤21建立的电离层背景场作为背景场向量；y表示观测向量，使用垂测站电离图反演得到的电子浓度剖面数据作为观测向量；H表示观测算子，使得模式向量向观测向量转换，完成背景场向观测点的空间插值和物理量转化，对于电子浓度剖面数据而言，观测算子仅进行空间插值；Pb表示背景误差协方差矩阵，使用步骤222建立的背景误差协方差矩阵；R表示观测误差协方差矩阵，使用步骤221建立的观测误差协方差矩阵；矩阵K称作增益矩阵；
步骤3：采用柳文等2010年发展的电离层参数短期预报的综合模型(柳文,冯静,孔庆颜等.电离层参数短期预报的综合模型.电波科学学报，25(3):491-498.)建立电离层单站短期预报方法，该方法的输入为单个观测站前30天电离层数据，输出为该观测站未来24h以内的短期预报值；24h以内包括24h，h代表小时。
步骤4：建立电离层区域现报和提前2h内预报方法：采用基于Kalman滤波的电离层区域同化预报技术实现电离层区域现报和提前2h内预报，其计算公式如下：
Figure BDA0002239918240000055
Figure BDA0002239918240000056
其中L是对角矩阵，表示先前的观测数据随着时间的推移对同化结果的影响呈指数衰减；△T表示时间步长，0≤△T<2h；τ表示电离层的时间相关尺度，τ取5h；背景场向量xb、观测向量y、观测算子H和增益矩阵K的计算方法同步骤2；
步骤5：建立电离层区域提前2h—24h预报方法：首先利用步骤3的电离层单站短期预报方法对区域内观测站数据(包括但不限于垂测站电离图反演得到的电子浓度剖面数据)进行短期预报，获得任一站未来2h—24h的预报值，然后对于未来2h—24h中某一时刻的区域预报，利用步骤2建立的电离层区域同化模型进行计算，其中背景场向量xb、观测算子H和增益矩阵K的计算方法同步骤2，而观测向量y则使用该时刻观测站数据的预报值。

Claims (3)

1.一种高精度电离层区域短期预报方法，其特征在于，包括如下步骤：
步骤1：对所选区域按照经度、纬度和高度进行三维网格划分，其中经度步进2°，纬度步进2°，高度步进20km；
步骤2：建立电离层区域同化模型；
步骤21：电离层背景场重构，以国际参考电离层IRI模型为背景约束，以区域内垂测站电离图判读获得的F2层临界频率foF2为数据驱动，运用kriging插值方法建立区域电离层背景场，具体步骤包括：
步骤211：根据IRI模型，得到R12＝0和R12＝100时，12个月一天24小时的foF2值模型图，R12是IRI模型的一个输入参数，表示太阳黑子数13个月滑动平均值；
步骤212：根据R12与foF2之间的线性关系，获得所重构区域内任一点与R12之间的关系，上述点对应的即为月中值；
步骤213：给定垂测站位置某一天某时刻的foF2值，根据上面得到的该站R12与foF2值之间的关系，获得等效太阳黑子数；
步骤214：判断各个垂测站得到的等效太阳黑子数是否相同，如相同则将等效太阳黑子数代入IRI模型计算区域重构结果，如不同则利用kriging插值方法获得区域内任一点的等效太阳黑子数；
步骤215：利用foF2与R12之间的关系获得区域内任一点的foF2值，完成重构；
步骤22：误差协方差矩阵建立；
步骤221：建立观测误差协方差矩阵R，其表达式如下：
Figure FDA0002239918230000011
其中，Rij为观测误差协方差矩阵元素，i和j表示观测点，yi和yj表示在第i点和第j点的观测值，ηo表示比例系数，取ηo＝0.043；
步骤222：建立背景场误差协方差矩阵P，假定背景场误差协方差在水平经度、纬度方向和高度方向误差都是高斯分布且可以分离，其表达式如下：
Figure FDA0002239918230000012
其中，Pij为背景场误差协方差矩阵元素，i和j表示观测点，
Figure FDA0002239918230000013
和
Figure FDA0002239918230000014
表示在第i点和第j点的背景值，φij、λij和hij分别表示第i点和第j点在经度、纬度和高度上的距离，Lφ、Lλ和Lh分别是模式在这三个方向的相关距离，在水平经度方向取10°、纬度方向取5°、高度方向取60km，ηb是模式误差与模式值的线性系数，取ηb＝0.43；
步骤23：数据同化建模；
采用基于Kalman滤波的数据同化技术进行同化建模，获得分析场Xa，即最终的电离层区域同化模型结果，其计算公式如下：
Figure FDA0002239918230000021
K＝Pt bHT(HPt bHT+R)-1
其中，xb表示背景场向量，使用步骤21建立的电离层背景场作为背景场向量；y表示观测向量，使用垂测站电离图反演得到的电子浓度剖面数据作为观测向量；H表示观测算子，使得模式向量向观测向量转换，完成背景场向观测点的空间插值和物理量转化，对于电子浓度剖面数据而言，观测算子仅进行空间插值；Pb表示背景误差协方差矩阵，使用步骤222建立的背景误差协方差矩阵；R表示观测误差协方差矩阵，使用步骤221建立的观测误差协方差矩阵；矩阵K称作增益矩阵；
步骤3：采用电离层参数短期预报的综合模型建立电离层单站短期预报方法，该方法的输入为单个观测站前30天电离层数据，输出为该观测站未来24h以内的短期预报值；
步骤4：建立电离层区域现报和提前2h内预报方法：采用基于Kalman滤波的电离层区域同化预报技术实现电离层区域现报和提前2h内预报，其计算公式如下：
Figure FDA0002239918230000022
Figure FDA0002239918230000023
其中L是对角矩阵，表示先前的观测数据随着时间的推移对同化结果的影响呈指数衰减；△T表示时间步长，0≤△T<2h；τ表示电离层的时间相关尺度，τ取5h；背景场向量xb、观测向量y、观测算子H和增益矩阵K的计算方法同步骤2；
步骤5：建立电离层区域提前2h—24h预报方法：首先利用步骤3的电离层单站短期预报方法对区域内观测站数据进行短期预报，获得任一站未来2h—24h的预报值，然后对于未来2h—24h中某一时刻的区域预报，利用步骤2建立的电离层区域同化模型进行计算，其中背景场向量xb、观测算子H和增益矩阵K的计算方法同步骤2，而观测向量y则使用该时刻观测站数据的预报值。
2.根据权利要求1所述的高精度电离层区域短期预报方法，其特征在于：在步骤3中，24h以内包括24h，h代表小时。
3.根据权利要求1所述的高精度电离层区域短期预报方法，其特征在于：在步骤5中，区域内观测站数据包括但不限于垂测站电离图反演得到的电子浓度剖面数据。
CN201910996582.6A 2019-10-19 2019-10-19 一种高精度电离层区域短期预报方法 Active CN110909447B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910996582.6A CN110909447B (zh) 2019-10-19 2019-10-19 一种高精度电离层区域短期预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910996582.6A CN110909447B (zh) 2019-10-19 2019-10-19 一种高精度电离层区域短期预报方法

Publications (2)

Publication Number Publication Date
CN110909447A true CN110909447A (zh) 2020-03-24
CN110909447B CN110909447B (zh) 2022-11-29

Family

ID=69815440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910996582.6A Active CN110909447B (zh) 2019-10-19 2019-10-19 一种高精度电离层区域短期预报方法

Country Status (1)

Country Link
CN (1) CN110909447B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111830596A (zh) * 2020-07-30 2020-10-27 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） 一种未来半小时内单站uhf频段电离层闪烁事件发生时长的预测方法
CN111932017A (zh) * 2020-08-13 2020-11-13 江苏师范大学 一种适合于单站电离层tec的短期预报方法
CN112649899A (zh) * 2020-11-19 2021-04-13 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） 一种全球电离层数据同化和预报方法
CN113109767A (zh) * 2021-03-27 2021-07-13 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） 一种基于宽波束高频返回散射探测实现电离层区域重构的方法
CN118348560A (zh) * 2024-06-18 2024-07-16 武汉大学 基于聚类的多维自适应电离层延迟建模改正方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108462545A (zh) * 2018-01-29 2018-08-28 武汉小石科技有限公司 一种基于单接收站的电离层foF2参数重构方法
CN110211325A (zh) * 2019-06-27 2019-09-06 上海同望信息技术有限公司 一种基于气象大数据的区域道路结冰高精度监测预警系统
CN110288117A (zh) * 2019-05-10 2019-09-27 中国人民解放军31007部队 一种电离层参数临界频率的区域重构方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108462545A (zh) * 2018-01-29 2018-08-28 武汉小石科技有限公司 一种基于单接收站的电离层foF2参数重构方法
CN110288117A (zh) * 2019-05-10 2019-09-27 中国人民解放军31007部队 一种电离层参数临界频率的区域重构方法
CN110211325A (zh) * 2019-06-27 2019-09-06 上海同望信息技术有限公司 一种基于气象大数据的区域道路结冰高精度监测预警系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111830596A (zh) * 2020-07-30 2020-10-27 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） 一种未来半小时内单站uhf频段电离层闪烁事件发生时长的预测方法
CN111830596B (zh) * 2020-07-30 2021-12-03 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） 一种未来半小时内单站uhf频段电离层闪烁事件发生时长的预测方法
CN111932017A (zh) * 2020-08-13 2020-11-13 江苏师范大学 一种适合于单站电离层tec的短期预报方法
CN112649899A (zh) * 2020-11-19 2021-04-13 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） 一种全球电离层数据同化和预报方法
CN112649899B (zh) * 2020-11-19 2023-01-24 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） 一种全球电离层数据同化和预报方法
CN113109767A (zh) * 2021-03-27 2021-07-13 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） 一种基于宽波束高频返回散射探测实现电离层区域重构的方法
CN113109767B (zh) * 2021-03-27 2022-02-01 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） 一种基于宽波束高频返回散射探测实现电离层区域重构的方法
CN118348560A (zh) * 2024-06-18 2024-07-16 武汉大学 基于聚类的多维自适应电离层延迟建模改正方法及装置

Also Published As

Publication number Publication date
CN110909447B (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
CN110909447B (zh) 一种高精度电离层区域短期预报方法
US20220043182A1 (en) Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data
CN113297528B (zh) 一种基于多源大数据的no2高分辨率时空分布计算方法
CN109344865B (zh) 一种多数据源的数据融合方法
Sachindra et al. Statistical downscaling of general circulation model outputs to precipitation—part 1: calibration and validation
CN111651941A (zh) 一种全球电离层电子总含量预测的算法
CN113379107B (zh) 基于lstm和gcn的区域电离层tec预报方法
CN107688906B (zh) 多方法融合的输电线路气象要素降尺度分析系统及方法
Kim et al. Statistical downscaling for daily precipitation in Korea using combined PRISM, RCM, and quantile mapping: Part 1, methodology and evaluation in historical simulation
CN116050163B (zh) 一种基于气象站的生态系统碳水通量计算方法及系统
CN113344149B (zh) 一种基于神经网络的pm2.5逐小时预测方法
CN115357847B (zh) 一种基于误差分解的日尺度星地降水融合方法
CN117592005B (zh) Pm2.5浓度卫星遥感估算方法、装置、设备及介质
CN113553782A (zh) 一种用于预报风速的降尺度方法
CN116108761B (zh) 一种耦合深度学习和hasm的区域气候模拟方法和系统
CN112100922A (zh) 一种基于wrf和cnn卷积神经网络的风资源预测方法
CN116609859A (zh) 一种气象灾害高分辨率区域模式预报系统及方法
Wood The University of Washington Surface Water Monitor: An experimental platform for national hydrologic assessment and prediction
CN117251989A (zh) 一种气象站点的碳水通量信息确定方法、系统及电子设备
Li et al. Enhancing deep learning soil moisture forecasting models by integrating physics-based models
CN115952743A (zh) 耦合随机森林和hasm的多源降水数据协同降尺度方法和系统
CN116165728A (zh) 大气可降水量的估算方法、装置、计算机设备和存储介质
Forootan et al. Empirical data assimilation for merging total electron content data with empirical and physical models
Deng et al. Assimilation of Argo temperature and salinity profiles using a bias-aware localized EnKF system for the Pacific Ocean
Neykov et al. Linking atmospheric circulation to daily precipitation patterns over the territory of Bulgaria

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