CN111027223A - 集合预报结果的生成方法、系统、电子设备及存储介质 - Google Patents
集合预报结果的生成方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111027223A CN111027223A CN201911310044.3A CN201911310044A CN111027223A CN 111027223 A CN111027223 A CN 111027223A CN 201911310044 A CN201911310044 A CN 201911310044A CN 111027223 A CN111027223 A CN 111027223A
- Authority
- CN
- China
- Prior art keywords
- physical process
- generating
- initial state
- physical
- forecasting
- 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
Images
Classifications
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供集合预报结果的生成方法、系统、电子设备及存储介质,应用于WRF模式,所述方法包括:S1,从大气的初始状态集中选取一种大气的初始状态输入到WRF模式;S2,从至少两个物理过程集中分别选取物理过程,形成一物理过程组合;S3,令WRF模式运行所述物理过程组合和预设物理过程,获得一预报结果;选取不同的大气的初始状态和/或不同的物理过程组合,重复S1至S3,得到多个预报结果,形成集合预报结果。本发明将多种跟降水密切相关的物理过程的多个参数化方案排列组合,每种组合又与多个大气的初始状态配合,以此得到集合预报结果,可以有效减小模式预报结果的不确定性,提供更丰富的预报产品,提高预报的准确性。
Description
技术领域
本申请涉及气象研究技术领域,特别是涉及气象数据分析处理技术领域,具体为一种集合预报结果的生成方法、系统、电子设备及存储介质。
背景技术
WRF(Weather Research Forecast,天气研究和预报模式)模式是由许多美国研究部门及大学的科学家共同参与进行开发研究的新一代中尺度预报模式,其目的是提高我们对中尺度天气系统的认识和预报水平,以及促进研究成果向业务应用的转化。它集科研与业务预报为一体,为理想化的动力学研究、业务天气预报以及区域气候模拟等提供了一个公用的模式框架。
较之其它数值模式,WRF模式物理过程考虑更为细致,每种物理过程都有多种参数化方案以供选择,复杂程度不等,使得其可以用于诸多用途,但与此同时,随着这些选项的增多,选择合适的物理过程参数化组合变得越来越困难。对于不同的地区、不同的变量、不同的时间尺度而言,不存在某种固定的组合必定优于其它组合,因此必须针对欲研究的问题具体分析考虑。
此外,由于大气是一个高度非线性的系统,因而数值天气预报的结果对初始条件(即初值,意为大气的初始状态)的微小误差非常敏感,这意味着从两个差别很小的初始条件出发制作预报,在积分一定的时间后两者的结果可能会变得面目全非,因此单次预报的结果具有很大的不确定性。
集合预报最初是针对大气初始条件的不确定性而提出,而实际上,数值模式仅是对真实大气运动过程的近似反映,模式中的许多物理过程都不可能完美,同样具有不确定性,也即模式本身具有不确定性,也应当在预报中予以充分考虑,WRF模式丰富的物理过程参数化选项为开展多物理过程组合的集合预报提供了可能。因此兼顾初始条件和物理过程的不确定性,发展基于WRF模式的多初值、多物理过程组合的集合预报方案,不仅有必要性,也具有可操作性。
申请内容
鉴于以上所述现有技术的缺点,本申请的目的在于提供集合预报结果的生成方法、系统、电子设备及存储介质,用于解决现有技术中WRF模式单次预报的结果不确定性大的技术问题。
为实现上述目的及其他相关目的,本申请的第一方面提供一种集合预报结果的生成方法,应用于WRF模式,所述集合预报结果的生成方法包括:S1,从大气的初始状态集中选取一种大气的初始状态输入到WRF模式;S2,从至少两个物理过程集中分别选取物理过程,形成一物理过程组合;S3,令WRF模式运行所述物理过程组合和预设物理过程,获得一预报结果;选取不同的大气的初始状态和/或不同的物理过程组合,重复S1至S3,得到多个预报结果,形成集合预报结果。
于本申请的第一方面的一些实施例中,所述大气的初始状态集的一种获取方式包括:获取一预报时刻大气的初始状态;对所述预报时刻大气的初始状态进行初始扰动,产生多个大气的初始状态。
于本申请的第一方面的一些实施例中,所述初始扰动产生的方法包括随机方法、时间滞后法或奇异向量法。
于本申请的第一方面的一些实施例中,所述预设物理过程为所述WRF模式中默认的一个或多个物理过程。
于本申请的第一方面的一些实施例中,所述从至少两个物理过程集中分别选取物理过程,形成一物理过程组合的一种实现方式包括:分别从第一物理过程集中选取一种第一物理过程、从第二物理过程集中选取一种第二物理过程,从第三物理过程集中选取一种第三物理过程,形成所述物理过程组合。
于本申请的第一方面的一些实施例中,所述第一物理过程为微物理过程;所述第二物理过程为积云对流;所述第三物理过程为边界层过程。
为实现上述目的及其他相关目的,本申请的第二方面提供一种集合预报结果的生成系统,所述集合预报结果的生成系统包括:初始状态选取模块,用于从大气的初始状态集中选取一种大气的初始状态输入到WRF模式;物理过程选取模块,用于从至少两个物理过程集中分别选取物理过程,形成一物理过程组合;模式运行模块,用于令WRF模式运行所述物理过程组合和预设物理过程,获得一预报结果;集合模块,在初始状态选取模块选取不同的大气的初始状态和/或所述物理过程选取模块选取不同的物理过程组合时,获取所述模式运行模块得到多个预报结果,形成集合预报结果。
于本申请的第二方面的一些实施例中,所述集合预报结果的生成系统还包括:初始状态集生成模块,用于获取一预报时刻大气的初始状态,并对所述预报时刻大气的初始状态进行初始扰动,产生多个大气的初始状态。
为实现上述目的及其他相关目的,本申请的第三方面提供一种电子终端,包括:处理器及存储器;所述存储器用于存储计算机程序;所述处理器用于执行所述存储器存储的计算机程序,以使所述电子终端执行如上所述的集合预报结果的生成方法。
为实现上述目的及其他相关目的,本申请的第四方面一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的集合预报结果的生成方法。
如上所述,本申请的集合预报结果的生成方法、系统、电子设备及存储介质,具有以下有益效果:
本发明将多种跟降水密切相关的物理过程的多个参数化方案排列组合,每种组合又与多个大气的初始状态配合,进行一次模式积分,以此得到集合预报结果,可以有效减小模式预报结果的不确定性,提供更丰富的预报产品,提高预报的准确性。
附图说明
图1显示为本申请一实施例中的集合预报结果的生成方法的整体流程示意图。
图2显示为本申请一实施例中的集合预报结果的生成方法中集合预报结果的生成方法的一种流程示意图。
图3显示为本申请一实施例中的集合预报结果的生成方法中形成一物理过程组合的一种示例图。
图4显示为本申请一实施例中的集合预报结果的生成系统的原理框图。
图5显示为本申请一实施例中的集合预报结果的生成系统的一种优选原理框图。
图6显示为本申请一实施例中的电子终端的结构示意图。
元件标号说明
100 集合预报结果的生成系统
110 初始状态选取模块
120 物理过程选取模块
130 模式运行模块
140 集合模块
150 初始状态集生成模块
1101 处理器
1102 存储器
S1~S3 步骤
S11~S12 步骤
具体实施方式
以下通过特定的具体实例说明本申请的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本申请的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
如同在本文中所使用的,单数形式“一”、“一个”和“该”旨在也包括复数形式,除非上下文中有相反的指示。应当进一步理解,术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组,但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的,或意味着任一个或任何组合。因此,“A、B或C”或者“A、B和/或C”味着“以下任一个:A;B;C;A和B;A和C;B和C;A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时,才会出现该定义的例外。
本实施例提供集合预报结果的生成方法、系统、电子设备及存储介质,用于解决现有技术中WRF模式单次预报的结果不确定性大的技术问题。
本实施例针对初始条件和物理过程的不确定性给模式预报结果带来的不确定性,设计了一种基于WRF模式的多初值、多物理过程组合的集合预报方案。
以下将详细阐述本实施例的一种集合预报结果的生成方法、系统、电子设备及存储介质的原理及实施方式,使本领域技术人员不需要创造性劳动即可理解本实施例的一种集合预报结果的生成方法、系统、电子设备及存储介质。
如图1所示展示本发明一实施例中的集合预报结果的生成方法的流程示意图。
需说明的是,所述集合预报结果的生成方法可应用于多种类型的硬件设备。所述硬件设备例如是控制器,具体如ARM(Advanced RISC Machines)控制器、FPGA(FieldProgrammable Gate Array)控制器、SoC(System on Chip)控制器、DSP(Digital SignalProcessing)控制器、或者MCU(Micorcontroller Unit)控制器等等。所述硬件设备例如也可以是包括存储器、存储控制器、一个或多个处理单元(CPU)、外设接口、RF电路、音频电路、扬声器、麦克风、输入/输出(I/O)子系统、显示屏、其他输出或控制设备,以及外部端口等组件的计算机;所述计算机包括但不限于如台式电脑、笔记本电脑、平板电脑、智能手机、智能电视、个人数字助理(Personal Digital Assistant,简称PDA)等个人电脑。在另一些实施方式中,所述硬件设备还可以是服务器,所述服务器可以根据功能、负载等多种因素布置在一个或多个实体服务器上,也可以由分布的或集中的服务器集群构成,本实施例不作限定。
如图1所示,在本实施例中,所述集合预报结果的生成方法包括步骤S1至步骤S3。
S1,从大气的初始状态集中选取一种大气的初始状态输入到WRF模式;
S2,从至少两个物理过程集中分别选取物理过程,形成一物理过程组合;
S3,令WRF模式运行所述物理过程组合和预设物理过程,获得一预报结果;
选取不同的大气的初始状态和/或不同的物理过程组合,重复S1至S3,得到多个预报结果,形成集合预报结果。
以下对本实施例中所述集合预报结果的生成方法的步骤S1至步骤S3进行详细说明。
S1,从大气的初始状态集中选取一种大气的初始状态输入到WRF模式。
于本些实施例中,如图2所示,所述大气的初始状态集的一种获取方式包括:
S11,获取一预报时刻大气的初始状态;
S12,对所述预报时刻大气的初始状态进行初始扰动,产生多个大气的初始状态。
其中,所述初始扰动产生的方法包括但不限于随机方法、时间滞后法或奇异向量法。
具体地,于本实施例中,用WRF模式制作预报时,首先需要输入预报时刻大气的初始条件,即大气的初始状态。假设预报时刻为2019年10月20日08:00时,则需要将2019年10月20日08:00时观测的大气状态作为初始条件输入WRF模式。但由于观测本身有一定的误差,而WRF模式对初始条件的微小误差非常敏感,因此有必要对观测的大气状态加入一些初始扰动,形成多个初值,每次预报选取其中的某一个大气的初始状态输入WRF模式。初始扰动产生的方法包括但不限于随机方法、时间滞后法和奇异向量法等。
S2,从至少两个物理过程集中分别选取物理过程,形成一物理过程组合。
于本实施例中,如图3所示,所述从至少两个物理过程集中分别选取物理过程,形成一物理过程组合的一种实现方式包括:
分别从第一物理过程集中选取一种第一物理过程、从第二物理过程集中选取一种第二物理过程,从第三物理过程集中选取一种第三物理过程,形成所述物理过程组合。
其中,所述第一物理过程为微物理过程;所述第二物理过程为积云对流;所述第三物理过程为边界层过程。
例如,选取WRF模式中的微物理方案1、积云对流方案1和边界层方案的某个组合,1其余物理过程使用模式默认方案,完成对WRF模式的配置。
WRF模式包含数量众多的大气运动涉及的物理过程,每种物理过程又提供多种方案供用户选择。在使用WRF时,需要指定每种物理过程使用哪一种方案。由于不存在物理过程的某种组合优于其它组合,本专利选择与降水关系较为密切的三种物理过程即微物理、积云对流和边界层过程,以三者不同方案的组合来体现模式本身的不确定性
微物理过程主要描述水汽的凝结、云水向雨水的转换、雨水与云水的碰并、雨水的蒸发和降落过程。以WRF模式V4.1.2版本(下称WRF V4.1.2)为例,包含微物理过程方案27种,选择其中的一种,例如微物理方案1。
积云对流是积云内的对流运动。它是大气受热不均造成密度水平差异而引起的小尺度局地热对流,也是大气中最重要的又是最复杂的天气过程之一。在其发展过程中还受大气层结、凝结潜热释放、云内外空气的混合、环境气流状况等的重要影响。WRF V4.1.2包含积云对流方案17种,选择其中的一种,例如积云对流方案1。
边界层过程是直接受下垫面影响的那部分大气,它在自由大气和下垫面的动力和热力相互作用中起着十分重要的作用。边界层方案主要描述边界层内湍流运动,WRFV4.1.2包含边界层方案15种,选择其中的一种,例如边界层方案1。
S3,令WRF模式运行所述物理过程组合和预设物理过程,获得一预报结果。
于本实施例中,所述预设物理过程为所述WRF模式中默认的一个或多个物理过程。
其中,所述预报结果包含但不限于温度、气压、降水、风速等气象要素。
例如,以大气的初始状态1输入WRF模式,三种物理过程分别微物理方案1、积云对流方案1和边界层方案1,得到的WRF模式输出记为预报结果1。
选取不同的大气的初始状态和/或不同的物理过程组合,重复S1至S3,得到多个预报结果,形成集合预报结果。集合预报结果平均值的预报技巧高于集合成员的的预报技巧,其方差是预报可靠程度的度量,同时集合预报结果可以确定某一天气现象发生的概率,增加了对极端事件的预报能力。
此外,生成集合预报结果的各元素之间的差异提供了预报量的概率分布信息,可以客观地评估天气预报的不确定性,提高预报的准确度。
如前所述,WRF模式V4.1.2版本包含微物理过程方案27种,积云对流方案17种,边界层方案15种,排列组合共有6885种组合,如果考虑有4个初始条件,集合成员的个数将达到27540,这势必需要海量的计算资源。在实际运用时,根据计算资源的情况,可以适量选择每种物理过程参数化方案的个数,增加可行性。
模式预报结果的不确定性来源于初始条件和物理过程的不确定性,本实施例的集合预报方案基于WRF模式的多初值、多物理过程组合。考虑到多次运行模式需要耗费的计算成本以及降水是人们公众最为关心的气象要素,选取模式中与降水关系最为密切的三种物理过程,包括微物理过程、积云对流和边界层过程,对这三种物理过程各自的多种参数化方案排列组合,配合不同的初始条件逐一进行数值积分,得到集合预报结果,减少单个初值或单一物理过程组合的预报结果不确定性。
由上可见,本实施例针对初始条件(大气的初始状态)和物理过程的不确定性给模式预报结果带来的不确定性,设计了一种基于WRF模式的多初值、多物理过程组合的集合预报方法。该方法将三种跟降水密切相关的物理过程的多个参数化方案排列组合,每种组合又与多个初值配合,进行一次模式积分,以此得到集合预报结果,因此可以有效减小模式预报结果的不确定性,提供更丰富的预报产品,提高预报的准确性。
如图4所示,本实施例还提供一种集合预报结果的生成系统100,所述集合预报结果的生成系统100包括:初始状态选取模块110,物理过程选取模块120,模式运行模块130以及集合模块140。
于本实施例中,所述初始状态选取模块110用于从大气的初始状态集中选取一种大气的初始状态输入到WRF模式;所述物理过程选取模块120用于从至少两个物理过程集中分别选取物理过程,形成一物理过程组合;所述模式运行模块130用于令WRF模式运行所述物理过程组合和预设物理过程,获得一预报结果;所述集合模块140在初始状态选取模块110选取不同的大气的初始状态和/或所述物理过程选取模块120选取不同的物理过程组合时,获取所述模式运行模块130得到多个预报结果,形成集合预报结果。
如图5所示,于本实施例中,所述集合预报结果的生成系统100还包括:初始状态集生成模块150,用于获取一预报时刻大气的初始状态,并对所述预报时刻大气的初始状态进行初始扰动,产生多个大气的初始状态。
本实施例的集合预报结果的生成系统100具体实现的技术特征与前述实施例中的集合预报结果的生成方法基本相同,实施例间可以通用的技术内容不作重复赘述。
需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,初始状态选取模块110可以为单独设立的处理元件,也可以集成在电子终端的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述终端的存储器中,由上述终端的某一个处理元件调用并执行以上追踪计算模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(digital singnal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
如图6所示,展示本申请一实施例中的电子终端的结构示意图,所述电子终端包括处理器1101和存储器1102;存储器1102通过系统总线与处理器1101连接并完成相互间的通信,存储器1102用于存储计算机程序,处理器1101用于运行计算机程序,以使所述电子终端执行所述的集合预报结果的生成方法。上述已经对所述集合预报结果的生成方法进行了详细说明,在此不再赘述。
另需说明的是,上述提到的系统总线可以是外设部件互连标准(PeripheralComponent Interconnect,简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture,简称EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问系统与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述的处理器1101可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
此外,本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的集合预报结果的生成方法。上述已经对所述集合预报结果的生成方法进行了详细说明,在此不再赘述。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述,本发明将多种跟降水密切相关的物理过程的多个参数化方案排列组合,每种组合又与多个大气的初始状态配合,进行一次模式积分,以此得到集合预报结果,可以有效减小模式预报结果的不确定性,提供更丰富的预报产品,提高预报的准确性。所以,本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本申请的原理及其功效,而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本申请的权利要求所涵盖。
Claims (10)
1.一种集合预报结果的生成方法,应用于WRF模式,其特征在于:所述集合预报结果的生成方法包括:
S1,从大气的初始状态集中选取一种大气的初始状态输入到WRF模式;
S2,从至少两个物理过程集中分别选取物理过程,形成一物理过程组合;
S3,令WRF模式运行所述物理过程组合和预设物理过程,获得一预报结果;
选取不同的大气的初始状态和/或不同的物理过程组合,重复S1至S3,得到多个预报结果,形成集合预报结果。
2.根据权利要求1所述的集合预报结果的生成方法,其特征在于:所述大气的初始状态集的一种获取方式包括:
获取一预报时刻大气的初始状态;
对所述预报时刻大气的初始状态进行初始扰动,产生多个大气的初始状态。
3.根据权利要求2所述的集合预报结果的生成方法,其特征在于:所述初始扰动产生的方法包括随机方法、时间滞后法或奇异向量法。
4.根据权利要求1所述的集合预报结果的生成方法,其特征在于:所述预设物理过程为所述WRF模式中默认的一个或多个物理过程。
5.根据权利要求1所述的集合预报结果的生成方法,其特征在于:所述从至少两个物理过程集中分别选取物理过程,形成一物理过程组合的一种实现方式包括:
分别从第一物理过程集中选取一种第一物理过程、从第二物理过程集中选取一种第二物理过程,从第三物理过程集中选取一种第三物理过程,形成所述物理过程组合。
6.根据权利要求5所述的集合预报结果的生成方法,其特征在于:所述第一物理过程为微物理过程;所述第二物理过程为积云对流;所述第三物理过程为边界层过程。
7.一种集合预报结果的生成系统,其特征在于:所述集合预报结果的生成系统包括:
初始状态选取模块,用于从大气的初始状态集中选取一种大气的初始状态输入到WRF模式;
物理过程选取模块,用于从至少两个物理过程集中分别选取物理过程,形成一物理过程组合;
模式运行模块,用于令WRF模式运行所述物理过程组合和预设物理过程,获得一预报结果;
集合模块,在初始状态选取模块选取不同的大气的初始状态和/或所述物理过程选取模块选取不同的物理过程组合时,获取所述模式运行模块得到多个预报结果,形成集合预报结果。
8.根据权利要求7所述的集合预报结果的生成系统,其特征在于:所述集合预报结果的生成系统还包括:
初始状态集生成模块,用于获取一预报时刻大气的初始状态,并对所述预报时刻大气的初始状态进行初始扰动,产生多个大气的初始状态。
9.一种电子终端,其特征在于:包括:处理器及存储器;
所述存储器用于存储计算机程序;
所述处理器用于执行所述存储器存储的计算机程序,以使所述电子终端执行如权利要求1至6中任一项所述的集合预报结果的生成方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的集合预报结果的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911310044.3A CN111027223A (zh) | 2019-12-18 | 2019-12-18 | 集合预报结果的生成方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911310044.3A CN111027223A (zh) | 2019-12-18 | 2019-12-18 | 集合预报结果的生成方法、系统、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111027223A true CN111027223A (zh) | 2020-04-17 |
Family
ID=70210459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911310044.3A Pending CN111027223A (zh) | 2019-12-18 | 2019-12-18 | 集合预报结果的生成方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027223A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403073A (zh) * | 2017-10-03 | 2017-11-28 | 中国水利水电科学研究院 | 一种基于数据同化改进预报降雨的集合洪水预报方法 |
CN108808671A (zh) * | 2018-07-03 | 2018-11-13 | 南京信息工程大学 | 一种风电场短期风速集合预报方法 |
-
2019
- 2019-12-18 CN CN201911310044.3A patent/CN111027223A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403073A (zh) * | 2017-10-03 | 2017-11-28 | 中国水利水电科学研究院 | 一种基于数据同化改进预报降雨的集合洪水预报方法 |
CN108808671A (zh) * | 2018-07-03 | 2018-11-13 | 南京信息工程大学 | 一种风电场短期风速集合预报方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8504556B1 (en) | System and method for diminishing workload imbalance across multiple database systems | |
Wang et al. | Multi-user web service selection based on multi-QoS prediction | |
Xie et al. | Real-time prediction of docker container resource load based on a hybrid model of ARIMA and triple exponential smoothing | |
WO2019141133A1 (zh) | 任务处理方法、装置和机器可读介质 | |
AU2017268629A1 (en) | Collaborative filtering method, apparatus, server and storage medium in combination with time factor | |
CN114816711A (zh) | 批量任务处理方法、装置、计算机设备和存储介质 | |
Amirthakodi et al. | An inventory system with service facility and finite orbit size for feedback customers | |
CN116263701A (zh) | 算力网络任务调度方法、装置、计算机设备及存储介质 | |
US20220138557A1 (en) | Deep Hybrid Graph-Based Forecasting Systems | |
Zhou et al. | A Hadoop-based visualization and diagnosis framework for earth science data | |
CN112905596B (zh) | 数据处理的方法、装置、计算机设备以及存储介质 | |
CN108021941B (zh) | 药物肝毒性预测方法及装置 | |
CN114089921A (zh) | 电力系统数据存储方法、装置、计算机设备和存储介质 | |
US11693867B2 (en) | Time series forecasting | |
CN111027223A (zh) | 集合预报结果的生成方法、系统、电子设备及存储介质 | |
CN110048886B (zh) | 一种大数据分析任务的高效云配置选择算法 | |
Tarplee et al. | Robust performance-based resource provisioning using a steady-state model for multi-objective stochastic programming | |
Zhang et al. | Optimization and application of clustering algorithm in community discovery | |
Almomani et al. | Selecting a good stochastic system for the large number of alternatives | |
CN116894721A (zh) | 一种指标预测方法、装置、计算机设备 | |
CN116737373A (zh) | 负载均衡方法、装置、计算机设备、存储介质 | |
CN116089367A (zh) | 动态分桶方法、装置、电子设备和介质 | |
Zhang et al. | Monitoring-based task scheduling in large-scale SaaS cloud | |
CN106293890A (zh) | 一种基于复杂度的业务处理方法和装置 | |
Chen et al. | BSPADMM: block splitting proximal ADMM for sparse representation with strong scalability |
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 |