CN111126684A - 气候预测方法、装置、计算机可读存储介质和服务器 - Google Patents
气候预测方法、装置、计算机可读存储介质和服务器 Download PDFInfo
- Publication number
- CN111126684A CN111126684A CN201911284327.5A CN201911284327A CN111126684A CN 111126684 A CN111126684 A CN 111126684A CN 201911284327 A CN201911284327 A CN 201911284327A CN 111126684 A CN111126684 A CN 111126684A
- Authority
- CN
- China
- Prior art keywords
- day
- prediction
- data
- climate
- weather
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 13
- 238000012937 correction Methods 0.000 description 8
- 230000008878 coupling Effects 0.000 description 7
- 238000010168 coupling process Methods 0.000 description 7
- 238000005859 coupling reaction Methods 0.000 description 7
- 230000003203 everyday effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000001556 precipitation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012950 reanalysis Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000031018 biological processes and functions Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Environmental & Geological Engineering (AREA)
- Biodiversity & Conservation Biology (AREA)
- Environmental Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Ecology (AREA)
- Atmospheric Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请的实施例提供了一种气候预测方法、装置、计算机可读存储介质和服务器,涉及天气计算领域。方法包括:获取过去第一时间段内每一天的气候预测数据和天气观测数据,其中,在第K天对第K+i天的天气数据进行预测;获取未来第i天的气候预测数据;按照过去第一时间段内每一天的气候预测数据和天气观测数据,计算出预测误差;根据预测误差,对未来第i天的气候预测数据进行校正。由于历史数据包含着大量的误差特征,通过按照过去第一时间段内每一天的气候预测数据和天气观测数据,计算出预测误差,并将该预测误差用于校正未来气候预测数据,故而能够使得校正后的气候预测数据更加准确,提高对天气的预测能力。
Description
技术领域
本申请涉及天气计算领域,具体而言,涉及一种气候预测方法、装置、计算机可读存储介质和服务器。
背景技术
随着地球的气候变化,频发的极端天气给人民群众生命财产安全和经济社会可持续发展带来严重影响,因此实现对天气的提前预测,以提前做好应对措施非常重要。
在对天气的进行预测实践中,随着时间尺度的增加,现有的预测技术会出现较大偏差,从而导致对于较长时间尺度的气候预测能力不足。
因此如何提高对天气的预测能力是目前亟需解决的问题。
发明内容
本申请的目的包括,例如,提供了一种气候预测方法、装置、计算机可读存储介质和服务器,其能够提高对天气的预测能力。
本申请的实施例可以这样实现:
第一方面,实施例提供一种气候预测方法,应用于服务器,所述方法包括:获取过去第一时间段内每一天的气候预测数据和天气观测数据,其中,在第K天对第K+i天的天气数据进行预测;获取未来第i天的气候预测数据;按照过去第一时间段内每一天的气候预测数据和天气观测数据,计算出预测误差;根据所述预测误差,对未来第i天的气候预测数据进行校正,得到校正后的未来第i天的气候预测数据。
在可选的实施方式中,预测误差是过去第一时间段内每一天的气候预测数据和天气观测数据之间的平均误差;按照过去第一时间段内每一天的气候预测数据和天气观测数据,计算出预测误差的步骤,包括:计算过去第一时间段内每一天的气候预测数据和天气观测数据之间的差值,得到多个差值;计算所述多个差值的平均值作为所述预测误差;根据所述预测误差,对未来第i天的气候预测数据进行校正,得到校正后的未来第i天的气候预测数据的步骤,包括:根据所述平均值,对未来第i天的气候预测数据进行校正,得到校正后的未来第i天的气候预测数据。
在可选的实施方式中,预测误差是过去第K+1天的预测误差;按照过去第一时间段内每一天的气候预测数据和天气观测数据,计算出预测误差的步骤,包括:按照第一预设权重、第二预设权重、过去第K天的预测误差,算出过去第K+1天的预测误差;根据所述预测误差,对未来第i天的气候预测数据进行校正,得到校正后的未来第i天的气候预测数据的步骤,包括:根据所述过去第K+1天的预测误差,对未来第i天的气候预测数据进行校正,得到校正后的未来第i天的气候预测数据。
在可选的实施方式中,按照第一预设权重、第二预设权重、过去第K天的预测误差,算出过去第K+1天的预测误差的步骤,包括:根据如下计算公式确定过去第K+1天的预测误差:A=(a1×L1)+(a2×L2);其中,A表示过去第K+1天的预测误差,a1表示过去第K天的预测误差,a2表示第K+1天的气候预测数据和天气观测数据之间的差值,L1表示第一预设权重,L2表示第二预设权重。
在可选的实施方式中,所述方法还包括:获取未来M天的校正后的气候预测数据;获取往年与未来M天同日期的多个天气观测数据;根据所述往年与未来M天同日期的多个天气观测数据以及所述未来M天的校正后的气候预测数据生成同比气候变化情况。
第二方面,实施例提供一种气候预测装置,应用于服务器,包括:获取模块,用于获取过去第一时间段内每一天的气候预测数据和天气观测数据,其中,在第K天对第K+i天的天气数据进行预测;以及用于获取未来第i天的气候预测数据;预测模块,用于按照过去第一时间段内每一天的气候预测数据和天气观测数据,计算出预测误差;以及用于根据所述预测误差,对未来第i天的气候预测数据进行校正,得到校正后的未来第i天的气候预测数据。
第三方面,实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如前述实施方式任一所述方法的步骤。
第四方面,实施例提供一种服务器,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当所述服务器运行时,所述处理器与所述存储器之间通过总线通信,所述处理器执行所述机器可读指令,以执行如前述实施方式任一所述方法的步骤。
本申请实施例的有益效果包括,例如:
由于历史数据包含着大量的误差特征,通过按照过去第一时间段内每一天的气候预测数据和天气观测数据,计算出预测误差,并将该预测误差用于校正未来气候预测数据,故而能够使得校正后的气候预测数据更加准确,提高对天气的预测能力。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的服务器100的一种结构框图;
图2为本实施例提供的一种气候预测方法的流程示意图;
图3为时间数轴的一种示意图;
图4为本申请实施例提供的气候预测方法的另一种流程图;
图5为本申请实施例提供的气候预测方法的另一种流程图;
图6为本申请实施例提供的气候预测装置的一种功能模块图。
图标:100-服务器;110-存储器;120-处理器;130-总线;140-通信接口;200-气候预测装置;210-获取模块;220-预测模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本申请的实施例中的特征可以相互结合。
在实现本申请实施例的技术方案的过程中,本申请发明人发现:
目前,对一些极端天气的预测实践表明,随着时间尺度的增加,目前在较长时间尺度(如“周-月尺度”)下现有的预测技术会出现较大偏差。
其具体原因是:
“周-月尺度”的预测处于长期气候预测和短期气候预测之间,是目前十分困难的科学问题,它超过了逐日天气可预测时效的上限,天气数据中的初始信息的影响在不断地衰减;同时,气候系统中的一些缓慢变化的外界强迫(如海温、海冰、土壤湿度、积雪等)的作用还未完全显现。这表明延伸期的可预测性特征与短期天气和季节尺度的可预测源存在显著的不同,它既依赖于初始条件的信息,也依赖于边界条件的强迫。目前,利用丰富的地球系统观测数据,通过包含各种物理过程的数值模式来进行“周-月尺度”的预测是主要的预测手段,但受到观测误差和数值模式误差的影响(以及目前的预测技术存在着对过程的持续特征估计不足的缺点),现有技术对于天气变化的预测能力不足,如何提高对天气的预测能力是目前亟需解决的问题。
因此,为了改善上述缺陷,本申请实施例提出一种气候预测方法、装置、计算机可读存储介质和服务器,其能够提高对天气的预测能力。需要说明的是,以上现有技术中的方案所存在的缺陷,均是发明人在经过实践并仔细研究后得出的结果,因此,上述问题的发现过程以及下文中本申请实施例针对上述问题所提出的解决方案,都应该是发明人在本申请过程中对本申请做出的贡献。
请参照图1,为本申请实施例所提供的服务器100的一种结构框图。该服务器100可以包括存储器110、处理器120、总线130和通信接口140,该存储器110、处理器120和通信接口140相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条总线130或信号线实现电性连接。处理器120可以处理与气候预测有关的信息和/或数据,以执行本申请中描述的一个或多个功能。例如,处理器120可以通过网络获取过去第一时间段内每一天的气候预测数据和天气观测数据以及获取未来第i天的气候预测数据,并根据上述数据进行气候预测,进而实现本申请提供的气候预测方法。
存储器110可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(ReadOnlyMemory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器120可以是一种集成电路芯片,具有信号处理能力。该处理器120可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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。
可以理解,图1所示的结构仅为示意,该服务器100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
为了便于理解,本申请以下实施例将以图1所示的服务器100为例,结合附图,对本申请实施例提供的气候预测方法进行具体阐述。
请参考图2,本实施例提供了一种气候预测方法的流程示意图,该气候预测方法可以应用于上述服务器100,该气候预测方法包括以下步骤:
S100,获取过去第一时间段内每一天的气候预测数据和天气观测数据,其中,在第K天对第K+i天的天气数据进行预测。
首先,为了便于理解,请参照图3所示的数轴,在此约定:第0天为当前日期,第-N天为过去的日期,第N天为未来的日期,其中,N为整数。例如,当N为1时,第1天为明天,第-1天为昨天;当N为2时,第2天为后天,第-2天为前天。应理解,上述约定实际为便于介绍本申请所作,在实际应用中可以根据实际应用对上述约定做出改变,因此上述约定未对本申请提供的方法作出任何限定。
需要说明的是,由于在第K天对第K+i天的天气数据进行预测,也就是说,获取第K+i天的气候预测数据实际是通过“获取第K天对第K+i天的气候预测数据”得到。
在一些可能的实施例中,以获取第-100天至第-1天的时间段内每一天的气候预测数据和天气观测数据为例,并假设i为2。可以首先获取第-102天至第-3天内每天对第K+2天的天气数据进行预测的气候预测数据,然后获取第-100天至第-1天内每天的天气观测数据,进而获取到第-100天至第-1天(即过去第一时间段)内每一天的气候预测数据和天气观测数据。
由于本申请所提供的方式的本质是通过比较过去的预测数据与实际观测数据之间的差异,因此,上述的第一时间段既可以是过去的连续的多个日期,也可以是过去的不连续的多个日期。还需要说明的是,上述的第一时间段在实际应用中可以理解为过去一段时间,其中,过去一段时间可以为过去100天、过去200天等,本申请对此不做限定,在实际应用中,可以根据实际需求对过去一段时间的时间长度进行选择。
在可能的实际应用中,服务器可以:获取气象台站记录的天气的历史数据作为上述的天气观测数据,该历史数据可以包括:气象台站观测数据和再分析数据。并且,为了进一步提高对天气的预测能力,该历史数据可以是包括从当前到过去至少30年内每天的观测数据和再分析数据。
其中,上述的气象台站观测数据包括但不限于以下要素:气象台站的降水、平均气温、最高气温、最低气温、风场、地面气压;上述的再分析数据但不限于以下要素:850百帕高度场和风场、500百帕高度场和风场等。并且,上述的气象台站观测数据和再分析数据的时间分辨率均可以为逐日数据(即以天为单位的数据)。另外,再分析数据的空间分辨率可以为2.5°×2.5°。还需要补充的是,在获取气象台站记录的天气的历史数据作为上述的天气观测数据时,为了确保数据的正确性,还可以对气象台站观测数据和再分析数据进行清洗使其适合于后续的校正步骤,清洗后的数据需要满足无明显异常值、无缺失值条件,而且地面要素数据和再分析数据以天为单位更新。
S110,获取未来第i天的气候预测数据。
在一些可能的实施例中,本申请所述的气候预测数据可以是通过预设的数值模式对未来第i天的天气进行预测得到的,其中,预设的数值模式通常是使用大型计算机,通过求解一套描述气候系统中存在的各种物理、化学和生物过程及其相互作用的数学方程组而建立的,预设的数值模式通常包括能描述气候系统中各部分的圈层模式及相关的重要过程,最常用的气候预测是把大气与海洋耦合在一起的海气耦合模式,它包括大气模式、海洋模式、海冰模式等部分。并且,本申请所述的气候预测数据还可以是通过数值天气预报的方式对未来第i天的天气进行预测得到的,因此,本申请并未对气候预测数据的获取方式作出任何限定。
以通过预设的数值模式对未来第i天的天气进行预测得到的本申请所述的气候预测数据为例。在一些可能的实施例中,可以通过预设的数值模式获取未来第i天的气候预测数据,气候预测是使用大型计算机,通过求解一套描述气候系统中存在的各种物理、化学和生物过程及其相互作用的数学方程组而建立的。数值模式中必须包括能描述气候系统中各部分的圈层模式及相关的重要过程,最常用的气候预测是把大气与海洋耦合在一起的海气耦合模式,它包括大气模式、海洋模式、海冰模式等部分。
进一步的,在实际应用中,在通过预设的数值模式对未来第i天的天气进行预测得到的本申请所述的气候预测数据时,可以每日进行4次气候预测,每次得到4个预测数据成员,每天共计16个预测数据成员。可以理解的是,由于理论计算的格点与实际的气象台站的站点位置不同,在获取到预测数据成员后还需要作单个样本的插值处理,即:通过数据库中配置的需要计算的站号、站点名称、经纬度、计算标识,将地面要素的降水插值到全国县级以上站点,也可仅选择需要计算的站点,并且插值方法可以采用RBF插值法或双线性插值法。最后,由于每天的数据为16个预测数据成员,还可以将每6小时的预测数据转换为日平均的数据,并利用算术平均方法将16个成员处理成集合预测结果,即未来第i天的气候预测数据。
可以理解的是,为了实现在预设区域内的气候预测,在实际应用中,可以在每个站点的位置均获取一个未来第i天的气候预测数据,故本申请中的未来第i天的气候预测数据在实际应用中可以根据预设区域内的站点数量进行获取。
S120,按照过去第一时间段内每一天的气候预测数据和天气观测数据,计算出预测误差。
以通过预设的数值模式对未来第i天的天气进行预测得到的本申请所述的气候预测数据为例,由于气象台站的观测误差始终存在,以及数值模式本身的缺陷,现有的数值模式不可避免地存在预测误差,因此对数值模式的误差进行分析和订正,使得其更接近实际观测值是极为必要的。利用数值模式的历史回报资料,结合数值模式的非线性特性反映初边值条件演变过程和趋势的优点,以及历史数据包含着大量的误差特征,可以选取过去一段时间的预测个例,分析其对应实况的延伸期过程和数值模式预测的误差特征,并利用这些误差分布的特点,建立起了有针对性的误差校正方法,以达到扣除数值模式的系统性误差的目的。
在一些可能的实施例中,在获取到未来第i天的气候预测数据以及过去第一时间段内每一天的气候预测数据和天气观测数据之后,以获取第-100天至第-1天的时间段内每一天的气候预测数据和天气观测数据为例,并假设i为2。可以分别获取第-100天至第-1天内每一天的气候预测数据和天气观测数据的多个(100个)误差数据,然后根据该多个误差数据计算出预测误差。
在一些其他可能的实施例中,还可以结合之前某天已经获取的预测误差以及第一时间段内每一天的气候预测数据和天气观测数据确定出预测误差,因此,本申请对于“如何按照过去第一时间段内每一天的气候预测数据和天气观测数据,计算出预测误差”未作限定。
S130,根据预测误差,对未来第i天的气候预测数据进行校正,得到校正后的未来第i天的气候预测数据。
需要说明的是,本申请所提供的方法不仅可以对未来第i天的气候预测数据进行校正,还可以通过应用本申请提供的方法,对未来第i天至第j天的气候预测数据进行校正,也即是说,通过应用本申请提供的方法,可以对未来一段时间内的气候预测数据进行校正,例如,通过应用本申请提供的方法,可以对未来第1天至第45天的气候预测数据进行校正,并且,发明人通过大量的实验发现,本申请所提供的方法在对未来第1天至第45天的气候预测数据进行校正时,相较于现有的气候预测技术,能够非常准确的预测出未来45天的天气状况,能够进一步提升本申请对气候预测的能力。
还应理解,由于历史数据包含着大量的误差特征,通过按照过去第一时间段内每一天的气候预测数据和天气观测数据,计算出预测误差,并将该预测误差用于校正未来第i天的气候预测数据,故而能够使得校正后的气候预测数据更加准确,故本申请实施例所提供的方法能够提高对天气的预测能力。
进一步的,在图2的基础上,下面给出一种完整方案可能的实现方式,请参照图4,图4示出了本申请实施例提供的气候预测方法的另一种流程图。
其中,对于如何按照过去第一时间段内每一天的气候预测数据和天气观测数据,计算出预测误差,S120可以包括:
S120A,计算过去第一时间段内每一天的气候预测数据和天气观测数据之间的差值,得到多个差值。
在一些可能的实施例中,继续以获取第-100天至第-1天的时间段内每一天的气候预测数据和天气观测数据为例,可以:计算第-100天至第-1天的时间段内每一天的气候预测数据和天气观测数据之间的差值(例如,可以将每一天的气候预测数据减去天气观测数据),得到多个差值。
S120B,计算多个差值的平均值作为预测误差。
在一些可能的实施例中,继续以获取第-100天至第-1天的时间段内每一天的气候预测数据和天气观测数据为例,可以:计算多个差值的平均值作为预测误差。
对于如何根据预测误差,对未来第i天的气候预测数据进行校正,得到校正后的未来第i天的气候预测数据,S130可以包括:
S130A,根据平均值,对未来第i天的气候预测数据进行校正,得到校正后的未来第i天的气候预测数据。
在一些可能的实施例中,继续以获取第-100天至第-1天的时间段内每一天的气候预测数据和天气观测数据为例,并假设i为2,以及通过将每一天的气候预测数据减去天气观测数据得到差值时,则可以:将未来第2天的气候预测数据减去该平均值,以实现对未来第2天的气候预测数据进行校正,得到校正后的未来第2天的气候预测数据。
进一步的,在图2的基础上,为了减少计算量和存储空间,并具有更好的可用性和灵活性,本申请提出一种自适应的误差订正步骤,请参照图5,预测误差是过去第K+1天的预测误差,S120可以包括:
S120a,按照第一预设权重、第二预设权重、过去第K天的预测误差,算出过去第K+1天的预测误差。
在一些可能的实施例中,假设当前日期为第0天时,已经计算出了预测误差并根据该预测误差对未来第i天的气候预测数据进行了校正,随着时间的前进,当前日期为第1天时,此时可以该过去第0天的预测误差做简化计算,例如,按照第一预设权重、第二预设权重、过去第0天的预测误差,算出过去第1天的预测误差,进而实现减少本申请方法的计算量和存储空间,并具有更好的可用性和灵活性。
在此需要说明的是,在实际应用中,可以根据实际需要灵活运用上述步骤,例如,当需要通过获取第-10000天至第-1天内每一天的气候预测数据和天气观测数据,计算预测误差时,可以以连续的100天为间隔,首先计算出第-10000天至第-9901天的预测误差(即第-9901天的预测误差),然后根据该第-9901天的预测误差计算第-9900天的预测误差,以此类推,直到计算出第-1天的预测误差,进而实现在大量数据的情况下减少计算量和存储空间,并具有更好的可用性和灵活性。
进一步的,在一些可能的实施例中,对于如何按照第一预设权重、第二预设权重、过去第K天的预测误差,算出过去第K+1天的预测误差,S120a可以包括:根据如下计算公式确定过去第K+1天的预测误差:
A=(a1×L1)+(a2×L2);
其中,A表示过去第K+1天的预测误差,a1表示过去第K天的预测误差,a2表示第K+1天的气候预测数据和天气观测数据之间的差值,L1表示第一预设权重,L2表示第二预设权重。
经发明人通过大量实验,对大量样本进行分析比较后,发现当L1为0.98,L2为0.02时,能够在减少计算量和存储空间的情况下,进一步提升对未来第i天的气候预测数据进行校正的准确度,提升本申请对天气的预测能力。
S130a,根据过去第K+1天的预测误差,对未来第i天的气候预测数据进行校正,得到校正后的未来第i天的气候预测数据。
在一些可能的实施例中,继续以“当前日期为第0天时,已经计算出了预测误差并根据该预测误差对未来第i天的气候预测数据进行了校正,随着时间的前进,当前日期为第1天时,此时可以该过去第0天的预测误差做简化计算”为例,可以:根据过去第1天的预测误差,对未来第i天的气候预测数据进行校正,得到校正后的未来第i天的气候预测数据。
进一步的,在图2的基础上,本申请提供的方法还可以包括:获取未来M天的校正后的气候预测数据;获取往年与未来M天同日期的多个天气观测数据;根据往年与未来M天同日期的多个天气观测数据以及未来M天的校正后的气候预测数据生成同比气候变化情况。
在一些可能的实施例中,以M为42天(即六周),且该气候预测数据为降雨量为例,在获取到未来42天的校正后的气候预测数据后,可以获取往年与未来42天同日期的42个天气观测数据(即降雨量)。然后,以周为单位分别计算未来42天的校正后的气候预测数据中每周的平均降雨量(得到T1至T6),和往年的42个天气观测数据中每周的同期平均降雨量(得到t1至t6),然后比较T1与t1、T2与t2…T6与t6之间的大小,生成未来每周相较于同期的降雨量的偏多或偏少情况,即同比气候变化情况。其中,上述的往年与未来M天同日期的多个天气观测数据,可以是多年的平均数据(例如,对过去10年所有与未来M天同日期的多个天气观测数据取平均)。另外,该步骤可以每天运行一次,滚动更新对未来6周的同比气候变化情况。
需要说明的是,上述的气候预测数据可以但不限于是降雨量、平均气温、最高气温、最低气温等要素。
下面结合实际应用,对本申请所述的方法做进一步解释。
1.获取气象台站记录的天气的历史数据作为天气观测数据,其中,气象台站观测数据包括但不限于以下要素:气象台站的降水、平均气温、最高气温、最低气温、风场、地面气压;上述的再分析数据但不限于以下要素:850百帕高度场和风场、500百帕高度场和风场等,并且每天滚动更新历史数据。
2.通过CFS(Climate Forecast System,气候预测模型)对未来45天进行实时预测数据,每天4次预测,每次4个成员,预测数据每天02点、08点、14点和20点各进行获取一次,获取的数据空间分辨率为90KM×90KM,并插值形成一套全国2000多站的预测数据,进而获取到未来45天的气候预测数据。
3.利用获取到的气象台站记录的天气的历史数据,计算CFS预测和观测之间的误差,通过计算过去100天数值模式的评估误差,通过自适应的误差订正步骤计算出实时预测的误差,并将误差订正到数值模式的预测(即上述未来45天的气候预测数据)上,形成逐日的预测订正数据。
4.使用上述订正后的站点和格点预测数据,计算周平均结果相对于多年气候态的偏离程度,给出降水相对于气候态偏多或偏少程度、气温相对于气候态偏高或偏低程度的预测,形成未来1-6周逐周的距平预测产品,并且预测产品每天更新一次。
应理解,在实际应用中,本方案可以使用每天的县级台站观测数、再分析数据、CFS未来45天逐6小时预测数据等数据,通过分析CFS的预测误差,利用自适应的误差订正步骤,可以每天预测未来1-6周逐周的降水、气温等要素的预测结果。
本方案考虑了CFS预测的缺陷,通过分析其相对于实况的误差特征,通过自适应的误差订正步骤,减小CFS预测的误差,并充分考虑了高频率预测对计算条件的要求,自适应误差订正方案能有效减小计算量。
本方案充分考虑了气候预测的可预测性特征,虽然CFS给出了逐6小时的预测,但受到可预测性的限制,2周以后逐日的天气是不可预报的,因此采用滑动滤波的方式提取低频分量,并计算与多年平均的偏离程度,减少非线性部分的影响,形成降水、气温等要素的距平预测产品。
为了执行上述实施例及各个可能的方式中的相应步骤,下面给出一种气候预测装置的实现方式,请参阅图6,图6示出了本申请实施例提供的气候预测装置的一种功能模块图。需要说明的是,本实施例所提供的气候预测装置200,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及之处,可参考上述的实施例中相应内容。该气候预测装置200包括:获取模块210、预测模块220。
可选地,上述模块可以软件或固件(Firmware)的形式存储于存储器中或固化于本申请提供的服务器的操作系统(Operating System,OS)中,并可由服务器中的处理器执行。同时,执行上述模块所需的数据、程序的代码等可以存储在存储器中。
其中,获取模块210可以用于支持服务器执行上述S100、S110等,和/或用于本文所描述的技术的其他过程。
预测模块220可以用于支持服务器执行上述S120、S130、S120A、S120B、S120a、S130A、S130a等,和/或用于本文所描述的技术的其他过程。
基于上述方法实施例,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述气候预测方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述气候预测方法,从而解决如何提高对天气的预测能力是目前亟需解决的问题,进而达到提高对天气的预测能力。
综上所述,本申请实施例提供了一种气候预测方法、装置、计算机可读存储介质和服务器,由于历史数据包含着大量的误差特征,通过按照过去第一时间段内每一天的气候预测数据和天气观测数据,计算出预测误差,并将该预测误差用于校正未来气候预测数据,故而能够使得校正后的气候预测数据更加准确,提高对天气的预测能力。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,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以权利要求的保护范围为准。
Claims (10)
1.一种气候预测方法,其特征在于,应用于服务器,所述方法包括:
获取过去第一时间段内每一天的气候预测数据和天气观测数据,其中,在第K天对第K+i天的天气数据进行预测;
获取未来第i天的气候预测数据;
按照过去第一时间段内每一天的气候预测数据和天气观测数据,计算出预测误差;
根据所述预测误差,对未来第i天的气候预测数据进行校正,得到校正后的未来第i天的气候预测数据。
2.根据权利要求1所述的方法,其特征在于,预测误差是过去第一时间段内每一天的气候预测数据和天气观测数据之间的平均误差;
按照过去第一时间段内每一天的气候预测数据和天气观测数据,计算出预测误差的步骤,包括:
计算过去第一时间段内每一天的气候预测数据和天气观测数据之间的差值,得到多个差值;
计算所述多个差值的平均值作为所述预测误差;
根据所述预测误差,对未来第i天的气候预测数据进行校正,得到校正后的未来第i天的气候预测数据的步骤,包括:
根据所述平均值,对未来第i天的气候预测数据进行校正,得到校正后的未来第i天的气候预测数据。
3.根据权利要求1所述的方法,其特征在于,预测误差是过去第K+1天的预测误差;
按照过去第一时间段内每一天的气候预测数据和天气观测数据,计算出预测误差的步骤,包括:
按照第一预设权重、第二预设权重、过去第K天的预测误差,算出过去第K+1天的预测误差;
根据所述预测误差,对未来第i天的气候预测数据进行校正,得到校正后的未来第i天的气候预测数据的步骤,包括:
根据所述过去第K+1天的预测误差,对未来第i天的气候预测数据进行校正,得到校正后的未来第i天的气候预测数据。
4.根据权利要求3所述的方法,其特征在于,按照第一预设权重、第二预设权重、过去第K天的预测误差,算出过去第K+1天的预测误差的步骤,包括:
根据如下计算公式确定过去第K+1天的预测误差:
A=(a1×L1)+(a2×L2);
其中,A表示过去第K+1天的预测误差,a1表示过去第K天的预测误差,a2表示第K+1天的气候预测数据和天气观测数据之间的差值,L1表示第一预设权重,L2表示第二预设权重。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取未来M天的校正后的气候预测数据;
获取往年与未来M天同日期的多个天气观测数据;
根据所述往年与未来M天同日期的多个天气观测数据以及所述未来M天的校正后的气候预测数据生成同比气候变化情况。
6.一种气候预测装置,其特征在于,应用于服务器,包括:
获取模块,用于获取过去第一时间段内每一天的气候预测数据和天气观测数据,其中,在第K天对第K+i天的天气数据进行预测;以及用于获取未来第i天的气候预测数据;
预测模块,用于按照过去第一时间段内每一天的气候预测数据和天气观测数据,计算出预测误差;以及用于根据所述预测误差,对未来第i天的气候预测数据进行校正,得到校正后的未来第i天的气候预测数据。
7.根据权利要求6所述的装置,其特征在于,预测误差是过去第一时间段内每一天的气候预测数据和天气观测数据之间的平均误差;
所述预测模块,用于计算过去第一时间段内每一天的气候预测数据和天气观测数据之间的差值,得到多个差值;以及用于计算所述多个差值的平均值作为所述预测误差;
所述预测模块,还用于根据所述平均值,对未来第i天的气候预测数据进行校正,得到校正后的未来第i天的气候预测数据。
8.根据权利要求6所述的装置,其特征在于,预测误差是过去第K+1天的预测误差;
所述预测模块,用于按照第一预设权重、第二预设权重、过去第K天的预测误差,算出过去第K+1天的预测误差;
所述预测模块,还用于根据所述过去第K+1天的预测误差,对未来第i天的气候预测数据进行校正,得到校正后的未来第i天的气候预测数据。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至6任一所述的方法的步骤。
10.一种服务器,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当所述服务器运行时,所述处理器与所述存储器之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1至6任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911284327.5A CN111126684A (zh) | 2019-12-13 | 2019-12-13 | 气候预测方法、装置、计算机可读存储介质和服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911284327.5A CN111126684A (zh) | 2019-12-13 | 2019-12-13 | 气候预测方法、装置、计算机可读存储介质和服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111126684A true CN111126684A (zh) | 2020-05-08 |
Family
ID=70498772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911284327.5A Pending CN111126684A (zh) | 2019-12-13 | 2019-12-13 | 气候预测方法、装置、计算机可读存储介质和服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126684A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114609696A (zh) * | 2022-03-30 | 2022-06-10 | 国网福建省电力有限公司莆田供电公司 | 一种精确性好可实时监测的微观气象监测系统 |
CN115391069A (zh) * | 2022-10-27 | 2022-11-25 | 山东省计算中心(国家超级计算济南中心) | 基于海洋模式roms的并行通讯方法及系统 |
CN116562142A (zh) * | 2023-05-11 | 2023-08-08 | 南京信息工程大学 | 一种气象要素延伸期预报方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050159894A1 (en) * | 2000-04-18 | 2005-07-21 | Intriligator Devrie S. | Space weather prediction system and method |
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 |
CN106126483A (zh) * | 2016-06-21 | 2016-11-16 | 湖北天明气和网络科技有限公司 | 一种天气预测的方法及装置 |
CN106534587A (zh) * | 2016-12-20 | 2017-03-22 | 北京小米移动软件有限公司 | 提示天气的方法及装置 |
CN109543295A (zh) * | 2018-11-21 | 2019-03-29 | 国网青海省电力公司 | 数值天气预报的气象要素数据处理方法及装置 |
KR20190057013A (ko) * | 2017-11-17 | 2019-05-27 | 한국외국어대학교 연구산학협력단 | 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법 |
-
2019
- 2019-12-13 CN CN201911284327.5A patent/CN111126684A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050159894A1 (en) * | 2000-04-18 | 2005-07-21 | Intriligator Devrie S. | Space weather prediction system and method |
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 |
CN106126483A (zh) * | 2016-06-21 | 2016-11-16 | 湖北天明气和网络科技有限公司 | 一种天气预测的方法及装置 |
CN106534587A (zh) * | 2016-12-20 | 2017-03-22 | 北京小米移动软件有限公司 | 提示天气的方法及装置 |
KR20190057013A (ko) * | 2017-11-17 | 2019-05-27 | 한국외국어대학교 연구산학협력단 | 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법 |
CN109543295A (zh) * | 2018-11-21 | 2019-03-29 | 国网青海省电力公司 | 数值天气预报的气象要素数据处理方法及装置 |
Non-Patent Citations (2)
Title |
---|
张育贵等: "基于径向基神经网络的天气预测模型", 《贵州大学学报(自然科学版)》 * |
魏凤英: "我国短期气候预测的物理基础及其预测思路", 《应用气象学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114609696A (zh) * | 2022-03-30 | 2022-06-10 | 国网福建省电力有限公司莆田供电公司 | 一种精确性好可实时监测的微观气象监测系统 |
CN115391069A (zh) * | 2022-10-27 | 2022-11-25 | 山东省计算中心(国家超级计算济南中心) | 基于海洋模式roms的并行通讯方法及系统 |
CN115391069B (zh) * | 2022-10-27 | 2023-02-03 | 山东省计算中心(国家超级计算济南中心) | 基于海洋模式roms的并行通讯方法及系统 |
CN116562142A (zh) * | 2023-05-11 | 2023-08-08 | 南京信息工程大学 | 一种气象要素延伸期预报方法及装置 |
CN116562142B (zh) * | 2023-05-11 | 2023-12-01 | 南京信息工程大学 | 一种气象要素延伸期预报方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126684A (zh) | 气候预测方法、装置、计算机可读存储介质和服务器 | |
Lussana et al. | seNorge_2018, daily precipitation, and temperature datasets over Norway | |
US20170228743A1 (en) | Crop forecasting with incremental feature selection and spectrum constrained scenario generation | |
JP2014021555A (ja) | 自然エネルギー量予測装置 | |
CN113204061B (zh) | 一种构建格点风速订正模型的方法及装置 | |
EP3926818A1 (en) | Power generation amount prediction device, power generation amount prediction method, and program | |
JP2016161314A (ja) | 同化データ決定装置、気象予測装置、同化データ決定方法およびプログラム | |
CN111898093B (zh) | 适用于气象集合预报的多维后处理方法、装置以及系统 | |
García et al. | Dynamic Bayesian temporal modeling and forecasting of short-term wind measurements | |
JP2020134300A (ja) | 予測方法、予測プログラム及び情報処理装置 | |
CN115204495A (zh) | 一种电网沿线站点预测气象数据的修正方法及装置 | |
JP7231504B2 (ja) | 気象数値解析システム、予測対象データ生成システムおよび気象数値解析方法 | |
CN112580844A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
CN116186493B (zh) | 基于数值模式校正的气象预报方法、装置、设备和介质 | |
CN110991702B (zh) | 山区降水量的计算方法、装置、计算机设备和存储介质 | |
CN116796649A (zh) | 一种基于机器学习的spei粗分辨率数据空间降尺度方法及装置 | |
CN109299521A (zh) | 径流总量控制率的确定方法及装置 | |
CN110928973A (zh) | 一种降水量状况评估方法 | |
Jose et al. | Frequency-intensity-distribution bias correction and trend analysis of high-resolution CMIP6 precipitation data over a tropical river basin | |
CN111766646B (zh) | 一种基于活动区间的气温预报偏差订正方法和系统 | |
JP7206963B2 (ja) | 予測システム、予測方法 | |
Rezaiy et al. | Using the ARIMA/SARIMA Model for Afghanistan's Drought Forecasting Based on Standardized Precipitation Index | |
Dang et al. | IWRAM: A hybrid model for irrigation water demand forecasting to quantify the impacts of climate change | |
CN113222276A (zh) | 覆冰情况预测方法、装置、计算机设备和存储介质 | |
CN112580845A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 |
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 |
Application publication date: 20200508 |
|
RJ01 | Rejection of invention patent application after publication |