CN111352113B - 一种强对流天气短临预报方法及系统、存储介质和终端 - Google Patents
一种强对流天气短临预报方法及系统、存储介质和终端 Download PDFInfo
- Publication number
- CN111352113B CN111352113B CN202010248685.7A CN202010248685A CN111352113B CN 111352113 B CN111352113 B CN 111352113B CN 202010248685 A CN202010248685 A CN 202010248685A CN 111352113 B CN111352113 B CN 111352113B
- Authority
- CN
- China
- Prior art keywords
- data
- radar
- short
- extrapolation
- rainfall
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- 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
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Atmospheric Sciences (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Electromagnetism (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种强对流天气短临预报方法及系统、存储介质和终端,所述方法包括:获得预定时间段内的雷达数据;根据所述雷达数据构建雷达外推模型,并获得短时临近的雷达外推数据Z;确定所述短时临近的雷达外推数据Z与降雨强度R之间的转换关系;根据所述短时临近的雷达外推数据Z与降雨强度R之间的转换关系,获得短时临近的降水量。本发明可以有效的提高对强对流天气短临预报的准确性,降低虚警率、提高TS评分。
Description
技术领域
本发明涉及气象学天气预报技术领域,具体涉及一种强对流天气短临预报方法及系统、存储介质和终端。
背景技术
对流天气临近预报是指对未来几小时之内(一般指0~2h)的对流天气系统及其所伴随的灾害性天气的发生、发展、演变和消亡的预报。临近预报技术是在20世纪60~70年代在外推雷达回波的基础上发展起来的。近十多年来,随着天气雷达技术的进一步发展,特别是美国新一代多普勒天气雷达WSR88D在美国以及欧洲部分国家布网的完成,以雷达资料为基础的对流天气临近预报技术的研究进展很快。在当今国际上,发展出了许多先进的临近预报系统,对灾害性强天气的临近预报和预警起到了积极作用。有的临近预报系统不仅使用雷达资料,同时还融合了地面中尺度观测资料、探空资料、闪电资料、风廓线资料以及中尺度数值模式预报等,以试图提高临近预报的时空精度。
强降水外推预报主要使用雷达回波资料。为了预报雷达回波单体的运动,就必须确定它们移动的速度和方向。通过对风暴的强度和大小进行线性或者非线性外推,可以在一定的时间段内预报风暴单体和降水区的移动。许多基于雷达资料的临近预报方法使用了雷暴识别和追踪算法,除了最早的线性外推法外,一般还有两种算法可以确定回波单体的移动,即交叉相关追踪算法和回波特征追踪算法。现在业务上使用雷达回波追踪算法的临近预报系统主要依赖于三维的雷达资料,有的系统合成运用了上述几种算法。
目前的大多数外推预报算法没有考虑对流系统的生消、且预报时效较短、预报准确率不高、没有分类强对流天气预报;另外,传统方式的强对流气象预警中,不考虑本地化问题,只根据气象雷达基数据资料进行预报预警,其预警能力较弱,预警精度较低。
发明内容
为了解决背景技术中的技术问题,提高对天气短临的外推预测的准确性,降低虚警率、提高TS评分,本发明提供一种强对流天气短临预报方法及系统、存储介质和终端。
本发明所采用的技术方案具体如下:
一种强对流天气短临预报方法,包括:
获得预定时间段内的雷达数据;
根据雷达数据构建雷达外推模型,并获得短时临近的雷达外推数据Z;
确定短时临近的雷达外推数据Z与降雨强度R之间的转换关系;
根据短时临近的雷达外推数据Z与降雨强度R之间的转换关系,获得短时临近的降水量。
进一步地方案是,根据雷达数据构建雷达外推模型,并获得雷达外推数据之前还包括以下步骤:
对雷达数据进行滤波、归一化处理;
根据预设阈值分离出强降雨区域以及强降雨区域对应的雷达数据;
根据雷达数据制作训练数据集和测试数据集。
根据预设阈值分离出强降雨区域以及强降雨区域对应的雷达数据之后,还包括以下步骤:补全缺测的雷达数据。
进一步地方案是,还包括以下步骤:
获得与预定时间段的雷达数据相对应的地面观测数据;
将预定时间段的雷达数据与地面观测数据进行匹配,获取预定时间段的地面观测数据。
进一步地方案是,构建雷达外推模型包括:将雷达数据输入神经网络模型,构建雷达外推模型。
进一步地方案是,确定短时临近的雷达外推数据Z与降雨强度R之间的转换关系包括以下步骤:
设定雷达外推数据Z与降雨强度R之间的转换关系式Z=10 log a+10 b log R中的参数a和参数与b的初始值;
将预定时间段内的雷达外推数据带入转换关系式,获得预定时间段内的预测降水量数据;
将预定时间段内的预测降水量数据与预定时间段内的地面观测数据进行最优拟合,确定参数a、参数b的值。
进一步地方案是,还包括以下步骤:
对比短时临近的降水量与预警阈值;
当短时临近的降水量大于或等于预警阈值时,发出预警。
本发明还提供了一种强对流天气短临预报系统,包括:
数据获取单元,用于获取预定时间段内的雷达数据以及地面观测数据;
模型构建单元,用于根据雷达数据构建雷达外推模型,并获得短时临近的雷达外推数据Z;
数据处理单元,用于根据短时临近的雷达外推数据Z与降雨强度R之间的转换关系,获得短时临近的降水量。
进一步地方案是,数据获取单元还包括数据预处理模块,用于对雷达数据进行滤波、归一化处理,以及根据预设阈值分离出强降雨区域以及强降雨区域对应的雷达数据。
进一步地方案是,还包括预警单元,用于对比短时临近的降水量与预警阈值,并且在短时临近的降水量大于或等于预警阈值时,发出预警。
本发明还提供一种存储介质,所述存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述任一项的强对流天气短临预报方法。
本发明还提供了一种终端,包括:处理器及存储器;
存储器用于存储计算机程序;
处理器用于执行存储器存储的计算机程序,以使终端执行上述任一项的强对流天气短临预报方法。
与现有技术相比,本发明所述的强对流天气短临预报(强对流天气短时临近预报)方法及系统、存储介质和终端至少具备如下有益效果:
本发明所将预定时间内的雷达数据和地面观测数据进行预处理,将预处理的雷达数据输入到神经网络模型,进而得到雷达外推模型;将雷达外推模型所得的雷达外推数据代入短时临近的雷达外推数据Z与降雨强度R之间的转换关系中,进而计算出预测降水量数据;其中所述的雷达外推数据根据雷达外推模型获得,短时临近的雷达外推数据Z与降雨强度R之间的转换关系参数是通过雷达数据和地面观测数据通过多次优化确定,且融合了雷达数据和地面观测数据,提高了预测的准确性、TS评分,并降低了虚警率。
附图说明
图1为本发明实施例中的强对流天气短临预报方法的流程图;
图2为本发明实施例中的强对流天气短临预报方法的算法流程图;
图3为本发明实施例中雷达数据和地面观测数据的数据匹配示意图;
图4a-4c为本发明实施例中光流法补全缺测时刻雷达数据的补全示意图;
图4a为时刻1的雷达回波图(未缺测);
图4b为时刻2的雷达回波图(未缺测);
图4c为填补后时刻3的雷达回波图(缺测);
图5为本发明实施例中的实际降雨量、MIM模型降雨量预测结果与Optical Flow模型预测降雨量结果对比图;
图6为本发明实施例中雷达反射率外推EASY-CLOF模型示意图。
具体实施方式
下面结合附图详细描述本发明的实施例,实施例的示例在附图中示出。
本实施例公开了一种强对流天气短临预报方法,如图1所示,包括:获得预定时间段内的雷达数据;根据雷达数据构建雷达外推模型,并获得短时临近的雷达外推数据Z;确定短时临近的雷达外推数据Z与降雨强度R之间的转换关系;根据短时临近的雷达外推数据Z与降雨强度R之间的转换关系,获得短时临近的降水量。优选地,根据雷达数据构建雷达外推模型,并获得雷达外推数据之前还包括以下步骤:对雷达数据进行滤波、归一化处理;根据预设阈值分离出强降雨区域以及强降雨区域对应的雷达数据;根据雷达数据制作训练数据集和测试数据集。根据预设阈值分离出强降雨区域以及强降雨区域对应的雷达数据之后,还包括以下步骤:补全缺测的雷达数据。优选地,还包括以下步骤:获得与预定时间段的雷达数据相对应的地面观测数据;将预定时间段的雷达数据与地面观测数据进行匹配,获取预定时间段的地面观测数据。优选地,构建雷达外推模型包括:将雷达数据输入神经网络模型,构建雷达外推模型。优选地,确定短时临近的雷达外推数据Z与降雨强度R之间的转换关系包括以下步骤:设定雷达外推数据Z与降雨强度R之间的转换关系式Z=10 log a+10 blog R中的参数a和参数与b的初始值;将雷达外推数据通过Z-R转换关系式转换为预测的降水强度数据;将预测的降水强度数据与地面观测数据(此为真实值)计算TS评分;通过调节a、b的值,得到不同的TS评分,对应TS评分最高的a、b值为最优值;其中调节a、b的值是通过遍历组合的方式,即:设定a、b的取值范围,遍历整个范围,通过TS评分高低,选出最优a、b值。优选地,还包括以下步骤:对比短时临近的降水量与预警阈值;当短时临近的降水量大于或等于预警阈值时,发出预警。
在本实施例的一个优选实施例中,还提供了一种强对流天气短临预报系统,包括:数据获取单元,用于获取预定时间段内的雷达数据以及地面观测数据;模型构建单元,用于根据雷达数据构建雷达外推模型,并获得短时临近的雷达外推数据Z;数据处理单元,用于根据短时临近的雷达外推数据Z与降雨强度R之间的转换关系,获得短时临近的降水量。优选地,数据获取单元还包括数据预处理模块,用于对雷达数据进行滤波、归一化处理,以及根据预设阈值分离出强降雨区域以及强降雨区域对应的雷达数据。优选地,还包括预警单元,用于对比短时临近的降水量与预警阈值,并且在短时临近的降水量大于或等于预警阈值时,发出预警。
在本实施例的一个优选实施例中,还提供一种存储介质,该存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述强对流天气短临预报方法。其中所述存储介质包括:ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
在本实施例的一个优选实施例中,还提供了一种终端,包括:处理器及存储器;存储器用于存储计算机程序;所述存储器包括但是不限于:ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。处理器用于执行存储器存储的计算机程序,以使终端执行上述任一项的强对流天气短临预报方法。所述处理器可以是通用处理器,包括中央处理器(Central Processing Unit,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 Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(FieldProgrammable 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。
本实施例有效的提高了对短时临近天气预报的准确性,降低了虚警率、提高了TS评分。
下面结合具体的实施例对强对流天气短临预报方法进行详细的说明。
将上述强对流天气短临预报方法应用于华东地区强降水天气中,利用华东地区2017-2018年汛期的雷达、地面观测数据构建模型,预测未来2小时、间隔30分钟累积降水量;该方法的算法流程图如图2所示,具体步骤如下:
S1:获取华东地区8-9月汛期时的400个样例的雷达数据和地面观测数据,并对雷达数据和地面观测数据进行预处理。
其中预处理步骤如下:将获得的雷达数据进行滤波、归一化处理;根据阈值分离出强降雨区域和对应强降雨区域的雷达数据;制作雷达数据的训练数据集和测试数据集。将地面观测数据处理为半小时累计降水数据;对上述处理后的雷达数据和处理后的观测站数据进行匹配,获取对应2小时的地面观测数据,如图3所示。在此过程中,当存在缺测时刻的雷达数据时,利用光流法补全缺测时刻的雷达数据,如图4所示。
S2:采用预处理后的雷达数据构建雷达外推模型,并得到雷达外推数据。
将预处理后的雷达数据输入神经网络模型,进行建模,输出未来2小时、间隔6分钟的雷达外推数据。为了提升建模能力,将预处理后的雷达数据输入以下神经网络模型进行建模训练:Conv LSTM(深度学习网络Convolutional LSTM Network)、EASY-CLOF(EasyConvolutional LSTM and Optical Flow)、MIM(Memory In Memory)和Optical Flow(传统图像算法光流法)。其中所述的EASY-CLOF模型结合了ConvLSTM和光流法的优点,使用深度学习自适应学习雷达反射率变化的时空关系,该模型对雷达反射率外推预报准确性的改进效果较为显著,同时其训练过程平稳收敛速度较之ConvLSTM更快。本实施例中所述的EASY-CLOF模型如图6所示。
上述四种模型在雷达外推上的RMSE(Root Mean Square Error)、CSI(CriticalSuccess Index)评分结果如表1所示。
表1四种模型RMSE、CSI-30、CSI-40评分数据
RMSE | CSI-30 | CSI-40 | |
Conv LSTM | 5.999 | 0.258 | 0.051 |
EASY-CLOF | 6.135 | 0.369 | 0.166 |
Optical Flow | 7.177 | 0.424 | 0.257 |
MIM | 5.780 | 0.502 | 0.278 |
备注:
RMSE(Root Mean Square Error)的计算公式如下:
CSI-30是指将30dBZ设置为阈值,计算CSI得分;
CSI-40是指将40dBZ设置为阈值,计算CSI得分;
dBZ是指雷达回波强度;
CSI(Critical Success Index)评分计算公式如下:
式中:NA、NB、NC和ND的含义见表2。
表2 CSI评分计算
由表1可知,与其他三种神经网络模型的RMSE数据相比,Optical Flow模型的RMSE误差为7.177,误差较大;但是其CSI评分表现优于EASY-CLOF模型、conv LSTM模型。MIM模型的RMSE数据和CSI数据均优于其他三种模型。分别以Optical Flow和MIM为雷达外推模型,得到雷达外推数据。
S3:根据雷达外推数据和地面观测数据确定雷达数据和降水量数据的转换关系。
雷达反射率因子数据转换为降水强度数据的公式为:
Z=10 log a+10 b log R
式中:R为降水强度,单位为mm/h;Z为雷达反射率因子;a和b为常量。
在确定雷达数据和降水量数据的转换关系时,首先预设a和b的值,将雷达外推数据通过Z-R转换关系式转换为预测的降水强度数据;将预测的降水强度数据处理为2小时,逐30分钟的降水强度数据,并将处理后的预测的降水强度数据与地面观测数据(此为真实值)计算TS评分;通过调节a、b的值,得到不同的TS评分,对应TS评分最高的a、b值为最优值;其中调节a、b的值是通过遍历组合的方式,即:设定a、b的取值范围,遍历整个范围,通过TS评分高低,选出最优a、b值。
S4:根据雷达数据与降水量数据的转换关系,将雷达外推数据转换为预测降水量数据。
确定a和b的值后,根据雷达外推模型外推得到雷达外推数据,即未来的雷达反射因子Z,通过Z-R转换关系式,计算得到未来2小时,逐6分钟累积的降水强度数据R,将所得数据进行累加,计算未来2个小时,逐30分钟积累的降水强度数据R。采用MIM模型作为雷达外推模型进行降雨量预测可以得到MIM模型的降水强度数据;采用Optical Flow模型作为雷达外推模型进行降雨量预测可以得到Optical Flow模型的降水强度数据。
将MIM模型和Optical Flow模型所得预测降水强度数据与实况相对比,其中实际降雨量、MIM模型降雨量预测结果与Optical Flow模型预测降雨量结果对比图见图5;计算TS评分、虚警率、漏警率以及比较二者的运行时间和建模时间,结果如表3所示。
表3华东地区8-9月汛期时的400个测试样例的测试数据
备注:F:虚警概率(False Alarm);
M:漏警概率(Missing Alarm);
Run time(S):运行时间(秒)
Model build time(S):建模时间(秒)
其中TS的数据计算公式如下:
式中:NA、NB、NC和ND的含义见表4。
表4 TS评分计算
由表3可得,在采用本实施例的方法进行降雨量预测时,采用MIM模型与OpticalFlow模型相比,MIM模型的TS评分较高,虚警率较低,且在400个样例上的运算时间少于Optical Flow模型。可见,在本实施例方法的基础之上,采用MIM模型作为雷达外推模型进行降雨量的测试,可进一步提高预警的准确性和TS评分,降低虚警率。
本具体的实施例仅仅是对本发明的解释,而并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (11)
1.一种强对流天气短临预报方法,其特征在于,包括:
获得预定时间段内的雷达数据和与所述预定时间段的雷达数据相匹配的地面观测数据;
根据所述雷达数据构建雷达外推模型,并获得短时临近的雷达外推数据Z;
确定所述短时临近的雷达外推数据Z与降雨强度R之间的转换关系;根据所述短时临近的雷达外推数据Z与降雨强度R之间的转换关系,获得短时临近的降水量;
其中,确定所述短时临近的雷达外推数据Z与降雨强度R之间的转换关系,包括以下步骤:
设定雷达外推数据Z与降雨强度R之间的转换关系式Z=10log a+10b log R中的参数a和参数与b的初始值;
将所述预定时间段内的雷达外推数据带入所述转换关系式,获得所述预定时间段内的预测降水量数据;
将所述预定时间段内的预测降水量数据与所述地面观测数据计算TS评分,通过调节a、b的值,得到不同的TS评分,对应TS评分最高的a、b值为最优值,取最优值作为参数a、参数b的最终值。
2.根据权利要求1所述的强对流天气短临预报方法,其特征在于,根据所述雷达数据构建雷达外推模型,并获得雷达外推数据之前还包括以下步骤:
对所述雷达数据进行滤波、归一化处理;
根据预设阈值分离出强降雨区域以及所述强降雨区域对应的雷达数据;
根据所述雷达数据制作训练数据集和测试数据集。
3.根据权利要求2所述的强对流天气短临预报方法,其特征在于,根据预设阈值分离出强降雨区域以及所述强降雨区域对应的雷达数据之后,还包括以下步骤:补全缺测的雷达数据。
4.根据权利要求1所述的强对流天气短临预报方法,其特征在于,还包括以下步骤:
获得与所述预定时间段的雷达数据相对应的地面观测数据;
将所述预定时间段的雷达数据与所述地面观测数据进行匹配,获取所述预定时间段的地面观测数据。
5.根据权利要求1所述的强对流天气短临预报方法,其特征在于,所述构建雷达外推模型包括:将所述雷达数据输入神经网络模型,构建雷达外推模型。
6.根据权利要求1所述的强对流天气短临预报方法,其特征在于,还包括以下步骤:
对比所述短时临近的降水量与预警阈值;
当所述短时临近的降水量大于或等于所述预警阈值时,发出预警。
7.一种强对流天气短临预报系统,其特征在于,包括:
数据获取单元,用于获取预定时间段内的雷达数据以及地面观测数据;
模型构建单元,用于根据所述雷达数据构建雷达外推模型,并获得短时临近的雷达外推数据Z;
数据处理单元,用于根据所述短时临近的雷达外推数据Z与降雨强度R之间的转换关系,获得短时临近的降水量;其中,确定所述短时临近的雷达外推数据Z与降雨强度R之间的转换关系,包括以下步骤:
设定雷达外推数据Z与降雨强度R之间的转换关系式Z=10log a+10b log R中的参数a和参数与b的初始值;
将所述预定时间段内的雷达外推数据带入所述转换关系式,获得所述预定时间段内的预测降水量数据;
将所述预定时间段内的预测降水量数据与所述地面观测数据计算TS评分,通过调节a、b的值,得到不同的TS评分,对应TS评分最高的a、b值为最优值,取最优值作为参数a、参数b的最终值。
8.根据权利要求7所述的强对流天气短临预报系统,其特征在于,所述数据获取单元还包括数据预处理模块,用于对所述雷达数据进行滤波、归一化处理,以及根据预设阈值分离出强降雨区域以及所述强降雨区域对应的雷达数据。
9.根据权利要求7所述的强对流天气短临预报系统,其特征在于,还包括预警单元,用于对比所述短时临近的降水量与预警阈值,并且在所述短时临近的降水量大于或等于所述预警阈值时,发出预警。
10.一种存储介质,所述存储介质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中任一项所述的强对流天气短临预报方法。
11.一种终端,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所述计算机程序,以使所述终端执行权利要求1至6中任一项所述的强对流天气短临预报方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010248685.7A CN111352113B (zh) | 2020-04-01 | 2020-04-01 | 一种强对流天气短临预报方法及系统、存储介质和终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010248685.7A CN111352113B (zh) | 2020-04-01 | 2020-04-01 | 一种强对流天气短临预报方法及系统、存储介质和终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111352113A CN111352113A (zh) | 2020-06-30 |
CN111352113B true CN111352113B (zh) | 2022-08-26 |
Family
ID=71193117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010248685.7A Active CN111352113B (zh) | 2020-04-01 | 2020-04-01 | 一种强对流天气短临预报方法及系统、存储介质和终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111352113B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112180471B (zh) * | 2020-08-21 | 2022-07-12 | 远景智能国际私人投资有限公司 | 天气预报方法、装置、设备及存储介质 |
CN113239722B (zh) * | 2021-03-31 | 2022-08-30 | 成都信息工程大学 | 基于深度学习在多尺度下的强对流外推方法及系统 |
CN113642813B (zh) * | 2021-10-18 | 2022-02-11 | 江苏铨铨信息科技有限公司 | 一种基于物理方程的降水外推预报方法 |
CN115236770B (zh) * | 2022-06-29 | 2024-05-28 | 广西壮族自治区气象科学研究所 | 基于时空堆叠和样本重构的非线性短时临近降水预报方法 |
CN115755227B (zh) * | 2023-01-10 | 2023-04-14 | 南京信大气象科学技术研究院有限公司 | 一种基于深度神经网络模型的三维雷达外推方法 |
CN115877345B (zh) * | 2023-02-28 | 2023-05-30 | 航天宏图信息技术股份有限公司 | 一种风廓线雷达缺测数据的补齐方法和装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09257951A (ja) * | 1996-03-22 | 1997-10-03 | Nippon Telegr & Teleph Corp <Ntt> | 気象予測装置 |
GB2320830B (en) * | 1996-12-13 | 2000-10-18 | Nippon Telegraph & Telephone | Method and equipment for weather image prediction |
JPH11258360A (ja) * | 1998-03-13 | 1999-09-24 | Nippon Telegr & Teleph Corp <Ntt> | 筋状レーダエコー画像予測方法、装置、および筋状レーダエコー画像予測プログラムを記録した記録媒体 |
CN108535731B (zh) * | 2018-04-18 | 2020-12-29 | 青岛心中有数科技有限公司 | 短临降水预报方法与装置 |
CN109283505B (zh) * | 2018-09-03 | 2022-06-07 | 南京信息工程大学 | 一种修正雷达回波外推图像发散现象的方法 |
CN110579823B (zh) * | 2019-09-02 | 2022-08-19 | 中国电力科学研究院有限公司 | 一种强降雨短临预报方法及系统 |
CN110824481A (zh) * | 2019-10-28 | 2020-02-21 | 兰州大方电子有限责任公司 | 一种基于雷达反射率外推的定量降水预测方法 |
-
2020
- 2020-04-01 CN CN202010248685.7A patent/CN111352113B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111352113A (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111352113B (zh) | 一种强对流天气短临预报方法及系统、存储介质和终端 | |
CN113936142B (zh) | 一种基于深度学习的降水临近预报方法及装置 | |
CN108761574A (zh) | 基于多源信息融合的降雨量估算方法 | |
CN104931934B (zh) | 一种基于pam聚类分析的雷达点迹凝聚方法 | |
CN104237890B (zh) | 一种由“列车效应”引起的暴雨识别及预报方法 | |
Lee et al. | Applying machine learning methods to detect convection using Geostationary Operational Environmental Satellite-16 (GOES-16) advanced baseline imager (ABI) data | |
CN116128141B (zh) | 风暴潮预测方法、装置、存储介质及电子设备 | |
CN113900103A (zh) | 突发性强对流灾害天气自适应快速识别预警改进算法 | |
CN115220133B (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
CN117114374B (zh) | 一种基于天气预测的智慧农业灌溉管理系统 | |
CN114935759A (zh) | 基于高频地波雷达观测的波浪场缺失值填补方法及系统 | |
CN116148863A (zh) | 一种基于cnn的星载gnss-r海面风速反演的多模态深度学习方法 | |
CN113933845A (zh) | 一种基于双线偏振雷达的地面降雹识别和预警方法 | |
CN105678047A (zh) | 融合经验模态分解降噪和复杂网络分析的风场表征方法 | |
Mahmoodi et al. | Outlier detection in ocean wave measurements by using unsupervised data mining methods | |
CN116776238A (zh) | 一种基于多源信息水旱灾害动态风险评估方法和系统 | |
CN115840205A (zh) | 一种基于激光雷达技术的地形面积计量方法和系统 | |
Zhu et al. | A rain-type adaptive optical flow method and its application in tropical cyclone rainfall nowcasting | |
CN114218978A (zh) | 一种嵌入式轻量化的毫米波雷达目标识别方法 | |
CN116680604A (zh) | 强对流特征分类识别方法、电子设备及介质 | |
CN116879900A (zh) | 一种基于灰度处理的雷暴质心定位以及追踪预测方法 | |
Lee et al. | Applying machine learning methods to detect convection using GOES-16 ABI data | |
CN113936166A (zh) | 一种基于多普勒天气雷达数据的冰雹回波识别方法及系统 | |
CN113569786A (zh) | 基于多模态影像的作物病虫害检测方法及系统、设备、存储介质 | |
Yang et al. | Radar‐Derived Quantitative Precipitation Estimation Based on Precipitation Classification |
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 |