CN111382507B - 一种基于深度学习的全球对流层延迟建模方法 - Google Patents

一种基于深度学习的全球对流层延迟建模方法 Download PDF

Info

Publication number
CN111382507B
CN111382507B CN202010142840.7A CN202010142840A CN111382507B CN 111382507 B CN111382507 B CN 111382507B CN 202010142840 A CN202010142840 A CN 202010142840A CN 111382507 B CN111382507 B CN 111382507B
Authority
CN
China
Prior art keywords
water vapor
delay
hour
tropospheric
deep learning
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
Application number
CN202010142840.7A
Other languages
English (en)
Other versions
CN111382507A (zh
Inventor
徐天河
王帅民
聂文锋
江楠
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202010142840.7A priority Critical patent/CN111382507B/zh
Publication of CN111382507A publication Critical patent/CN111382507A/zh
Application granted granted Critical
Publication of CN111382507B publication Critical patent/CN111382507B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Neurology (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明涉及焊接技术领域，具体涉及一种基于深度学习的全球对流层延迟建模方法，包括以下步骤：步骤S1、水汽递减因子和加权平均温度生成；步骤S2、建立深度学习对流层大气延迟气象参数模型；步骤S3、生成对流层延迟计算需要的气象参数；步骤S4、天顶对流层延迟的生成；同时对压缩机壳体进行自动定位并锁紧，能确保压缩机壳体上焊接位置一致性；本发明用ERA5提供的最新数据源精度较高，时间分辨率可达到一小时，采用深度学习的方法，可以获得高精度的小时对流层延迟值，为高精度定位事后解算和实时PPP解算提供可靠先验值，可以提高事后定位解算的精度和实时PPP的解算精度，缩短实时PPP的收敛时间。

Description

一种基于深度学习的全球对流层延迟建模方法
技术领域
本发明涉及焊接技术领域，具体涉及一种基于深度学习的全球对流层延迟建模方法。
背景技术
随着全球导航卫星系统(GNSS，Global Navigation Satellite System)技术的不断发展，它可以广泛地应用到大地测量、工程测量、气象学、空间物理学当中。对流层延迟是卫星定位中一个重要的误差源，但是现在的经验对流层延迟模型只能提供天解对流层延迟值，影响定位精度，因此，提供高精度的对流层延迟先验值，有利于提高GNSS的定位精度，促进GNSS技术更加广泛地应用。
Johannes
Figure BDA0002399690050000011
等针对对流层延迟先验值精度不高问题，建立了全球气压温度模型，采用ERA-Interim提供的气压、温度数据月平均值，利用球谐函数模型建立全球对流层延迟模型，为事后精密定位解算提供了对流层先验值，提高了卫星精密定位的精度；Schüler等利用美国环境预报中心提供的九年多的再分析资料气象数据，考虑了季节和年周期项，使用球谐函数建立了全球对流层延迟模型。武汉大学的姚宜斌使用全球大地观测系统(GGOS，Global Geodetic Observing System)提供的格网对流层产品，基于球谐函数模型建立一种全球非气象参数的对流层延迟模型，它可以提供天解对流层延迟值，该模型具有使用简单、改正效果好、所需参数少的优势；毛健等分析了国际GNSS服务(IGS，International GNSS Service)提供的对流层延迟数据在水平方向和垂直方向的变化规律，建立了一种新的全球对流层延迟模型，无须输入气象参数，只需要输入坐标和时间就可以得到天解对流层延迟值。李薇等利用美国环境预报中心数据和IGS对流层延迟时间序列，分析了全球对流层延迟时空变化特征，以美国环境预报中心的再分析资料数据为基础，建立全球对流层延迟模型IGGtrop。
总体来说，利用再分析资料提供气象数据、或者GGOS提供的对流层数据、或者IGS提供的对流层数据利用球谐函数模型建立全球对流层延迟模型，可以获得天解对流层延迟值，用于精密定位解算。
尽管目前有许多对流层大气延迟模型，但是存在着两个主要的缺点，一是数据源的精度不高和建模方法的限制，导致对流层大气延迟模型的精度不够高；二是大气延迟对流层模型提供的对流层延迟的时间分辨率不够高，只能每天提供一个对流层值。
现有的经验对流层延迟模型不能提供高精度的小时对流层延迟，对流层延迟是实时精密单点定位(PPP，Precise Point Positioning)中一个重要的误差源，一是影响事后定位精度解算，二是影响实时PPP定位的收敛时间和精度。
发明内容
本发明针对背景技术所提出的问题设计了一种基于深度学习的全球对流层延迟建模方法，可以克服常见经验对流层延迟模型只能提供天解对流层延迟的缺点和不足；提高GNSS在卫星导航和定位中的精度，缩短实时PPP的收敛时间。
本发明是通过以下技术方案实现的：
一种基于深度学习的全球对流层延迟建模方法，包括以下步骤：
步骤S1、水汽递减因子和加权平均温度生成
使用ERA5每小时剖面水汽压、剖面气压数据并利用水汽递减因子公式(1)生成小时水汽递减因子；使用ERA5每小时剖面温度、剖面气压数据并利用加权平均温度公式(2)生成小时加权平均温度；
Figure BDA0002399690050000021
其中，λ水汽递减因子，es表面水汽压，ps表面气压，e和p某一层的水汽压和气压；
Figure BDA0002399690050000022
其中，Tm表示加权平均温度，T表示某一层的温度，z表示垂直距离；
步骤S2、建立深度学习对流层大气延迟气象参数模型
坐标值和时间参数作为训练样本的输入层，利用生成的小时水汽递减因子、加权平均温度、ERA5再分析资料提供的小时表面气压和ERA5提供的小时表面水汽压作为训练样本输出层，使用自动编码器的深度学习方法建立可以提供大气参数的大气延迟模型；
步骤S3、生成对流层延迟计算需要的气象参数
通过输入时间参数和坐标值就可以获得任意地点的小时水汽递减因子、小时加权平均温度、小时表面水汽压和小时表面气压；
步骤S4、天顶对流层延迟的生成
利生成的加权平均温度、水汽压和水汽递减因子使用Askne and Nordius提出的湿延迟模型可以获得小时对流层湿延迟值；利用生成的气压值结合纬度和大地高，使用Saastamoinen模型可以获得小时对流层静力学延迟值；把生成的小时对流层湿延迟值和小时对流层静力学延迟值相加即可得到小时天顶对流层延迟值。
作为上述方案的进一步改进，所述步骤S2中坐标值包括纬度lat、经度lng和大地高hs，时间参数包括年积日year0和小时t。
作为上述方案的进一步改进，所述步骤S2中自动编码器是一种无监督的神经网络模型，可以学习到输入数据的隐含特征，同时用学习到的新特征可以重构出原始输入数据；编码过程具体如下：坐标值参数、时间参数、水汽递减因子、加权平均温度、表面气压和表面水汽压作为训练样本，其中坐标值参数和时间参数作为输入层，水汽递减因子、加权平均温度、表面气压和表面水汽压作为输出层，确定输入神经元个数、输出神经元个数和隐含层的个数，建立可以提供大气参数的大气延迟模型。
作为上述方案的进一步改进，所述步骤S4中Askne and Nordius提出的湿延迟模型采用的公式为：
Figure BDA0002399690050000031
其中，式中ZWD为小时对流层湿延迟值；gm为全球平均重力加速度；k'2、k3以及Rd均为模型中的经验常数。
作为上述方案的进一步改进，所述步骤S4中Saastamoinen模型采用的公式为：
Figure BDA0002399690050000041
其中，式中ZHD为小时对流层静力学延迟值；lat为纬度，hs为大地高。
作为上述方案的进一步改进，所述步骤S4中小时天顶对流层延迟值为小时对流层湿延迟值和小时对流层静力学延迟值之和，即ZTD＝ZHD+ZWD。
与现有技术相比，本发明的有益效果是：
本发明用ERA5提供的最新数据源精度较高，时间分辨率可达到一小时，采用深度学习的方法，可以获得高精度的小时对流层延迟值，为高精度定位事后解算和实时PPP解算提供可靠先验值，可以提高事后定位解算的精度和实时PPP的解算精度，缩短实时PPP的收敛时间。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本发明的详细流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
下面结合附图对本发明的技术方案进一步说明。
如图1所示，本发明为：
一种基于深度学习的全球对流层延迟建模方法，包括以下步骤：
步骤S1、水汽递减因子和加权平均温度生成
使用ERA5每小时剖面水汽压、剖面气压数据并利用水汽递减因子公式(1)生成小时水汽递减因子；使用ERA5每小时剖面温度、剖面气压数据并利用加权平均温度公式(2)生成小时加权平均温度；
Figure BDA0002399690050000051
其中，λ水汽递减因子，es表面水汽压，ps表面气压，e和p某一层的水汽压和气压；
Figure BDA0002399690050000052
其中，Tm表示加权平均温度，T表示某一层的温度，z表示垂直距离；
步骤S2、建立深度学习对流层大气延迟气象参数模型
坐标值和时间参数作为训练样本的输入层，利用生成的小时水汽递减因子、加权平均温度、ERA5再分析资料提供的小时表面气压和ERA5提供的小时表面水汽压作为训练样本输出层，使用自动编码器的深度学习方法建立可以提供大气参数的大气延迟模型；
步骤S3、生成对流层延迟计算需要的气象参数
通过输入时间参数和坐标值就可以获得任意地点的小时水汽递减因子、小时加权平均温度、小时表面水汽压和小时表面气压；
步骤S4、天顶对流层延迟的生成
利生成的加权平均温度、水汽压和水汽递减因子使用Askne and Nordius提出的湿延迟模型可以获得小时对流层湿延迟值；利用生成的气压值结合纬度和大地高，使用Saastamoinen模型可以获得小时对流层静力学延迟值；把生成的小时对流层湿延迟值和小时对流层静力学延迟值相加即可得到小时天顶对流层延迟值。
优选地，所述步骤S2中坐标值包括纬度lat、经度lng和大地高hs，时间参数包括年积日year0和小时t。
优选地，所述步骤S2中自动编码器是一种无监督的神经网络模型，可以学习到输入数据的隐含特征，同时用学习到的新特征可以重构出原始输入数据；编码过程具体如下：坐标值参数、时间参数、水汽递减因子、加权平均温度、表面气压和表面水汽压作为训练样本，其中坐标值参数和时间参数作为输入层，水汽递减因子、加权平均温度、表面气压和表面水汽压作为输出层，确定输入神经元个数、输出神经元个数和隐含层的个数，建立可以提供大气参数的大气延迟模型。
优选地，所述步骤S4中Askne and Nordius提出的湿延迟模型采用的公式为：
Figure BDA0002399690050000061
其中，式中ZWD为小时对流层湿延迟值；gm为全球平均重力加速度；k'2、k3以及Rd均为模型中的经验常数。
优选地，所述步骤S4中Saastamoinen模型采用的公式为：
Figure BDA0002399690050000062
其中，式中ZHD为小时对流层静力学延迟值；lat为纬度，hs为大地高。
优选地，所述步骤S4中小时天顶对流层延迟值为小时对流层湿延迟值和小时对流层静力学延迟值之和，即ZTD＝ZHD+ZWD。
本实施例的一个具体应用为：
生成水汽递减因子和加权平均温度：使用ERA5每小时剖面水汽压、剖面气压数据并利用水汽递减因子公式(1)生成小时水汽递减因子；使用ERA5每小时剖面温度、剖面气压数据并利用加权平均温度公式(2)生成小时加权平均温度；
Figure BDA0002399690050000063
其中，λ水汽递减因子，es表面水汽压，ps表面气压，e和p某一层的水汽压和气压；
Figure BDA0002399690050000064
其中，Tm表示加权平均温度，T表示某一层的温度，z表示垂直距离；
建立一个深度学习对流层大气延迟气象参数模型：坐标值和时间参数作为训练样本的输入层，其中坐标值包括纬度lat、经度lng和大地高hs，时间参数包括年积日year0和小时t；利用生成的小时水汽递减因子、加权平均温度、ERA5再分析资料提供的小时表面气压和ERA5提供的小时表面水汽压作为训练样本输出层，使用自动编码器的深度学习方法建立可以提供大气参数的大气延迟模型；其中自动编码器是一种无监督的神经网络模型，可以学习到输入数据的隐含特征，同时用学习到的新特征可以重构出原始输入数据；编码过程具体如下：坐标值参数、时间参数、水汽递减因子、加权平均温度、表面气压和表面水汽压作为训练样本，其中坐标值参数和时间参数作为输入层，水汽递减因子、加权平均温度、表面气压和表面水汽压作为输出层，确定输入神经元个数、输出神经元个数和隐含层的个数，建立可以提供大气参数的大气延迟模型。
生成对流层延迟计算需要的气象参数：通过输入时间参数和坐标值就可以获得任意地点的小时水汽递减因子、小时加权平均温度、小时表面水汽压和小时表面气压；
步骤S4、天顶对流层延迟的生成
利生成的加权平均温度、水汽压和水汽递减因子使用Askne and Nordius提出的湿延迟模型可以获得小时对流层湿延迟值，采用的公式为：
Figure BDA0002399690050000071
式中ZWD为小时对流层湿延迟值；gm为全球平均重力加速度；k'2、k3以及Rd均为模型中的经验常数。
利用生成的气压值结合纬度和大地高，使用Saastamoinen模型可以获得小时对流层静力学延迟值，采用的公式为：
Figure BDA0002399690050000072
其中，式中ZHD为小时对流层静力学延迟值；lat为纬度，hs为大地高。
把生成的小时对流层湿延迟值和小时对流层静力学延迟值相加即可得到小时天顶对流层延迟值，即ZTD＝ZHD+ZWD。
由具体应用结果可以看出，时间分辨率可达到一小时，采用深度学习的方法，可以获得高精度的小时对流层延迟值，为高精度定位事后解算和实时PPP解算提供可靠先验值，可以提高事后定位解算的精度和实时PPP的解算精度，缩短实时PPP的收敛时间
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于深度学习的全球对流层延迟建模方法，其特征在于，包括以下步骤：
步骤S1、水汽递减因子和加权平均温度生成
使用ERA5每小时剖面水汽压、剖面气压数据并利用水汽递减因子公式(1)生成小时水汽递减因子；使用ERA5每小时剖面温度、剖面气压数据并利用加权平均温度公式(2)生成小时加权平均温度；
Figure FDA0002998461390000011
其中，λ水汽递减因子，es表面水汽压，ps表面气压，e和p某一层的水汽压和气压；
Figure FDA0002998461390000012
其中，Tm表示加权平均温度，T表示某一层的温度，z表示垂直距离；
步骤S2、建立深度学习对流层大气延迟气象参数模型
坐标值和时间参数作为训练样本的输入层，所述坐标值包括纬度lat、经度lng和大地高hs，所述时间参数包括年积日year0和小时t；
利用生成的小时水汽递减因子、加权平均温度、ERA5再分析资料提供的小时表面气压和ERA5提供的小时表面水汽压作为训练样本输出层，使用自动编码器的深度学习方法建立提供大气参数的大气延迟模型；
步骤S3、生成对流层延迟计算需要的气象参数
通过所述输入时间参数和所述坐标值获得任意地点的小时水汽递减因子、小时加权平均温度、小时表面水汽压和小时表面气压；
步骤S4、天顶对流层延迟的生成
利生成的加权平均温度、水汽压和水汽递减因子使用Askne and Nordius提出的湿延迟模型获得小时对流层湿延迟值；利用生成的气压值结合纬度和大地高，使用Saastamoinen模型获得小时对流层静力学延迟值；把生成的小时对流层湿延迟值和小时对流层静力学延迟值相加得到小时天顶对流层延迟值。
2.根据权利要求1所述的一种基于深度学习的全球对流层延迟建模方法，其特征在于：所述步骤S2中自动编码器是一种无监督的神经网络模型，学习到输入数据的隐含特征，同时用学习到的新特征重构出原始输入数据；编码过程具体如下：坐标值参数、时间参数、水汽递减因子、加权平均温度、表面气压和表面水汽压作为训练样本，其中坐标值参数和时间参数作为输入层，水汽递减因子、加权平均温度、表面气压和表面水汽压作为输出层，确定输入神经元个数、输出神经元个数和隐含层的个数，建立提供大气参数的大气延迟模型。
3.根据权利要求1所述的一种基于深度学习的全球对流层延迟建模方法，其特征在于：所述步骤S4中Askne and Nordius提出的湿延迟模型采用的公式为：
其中，式中ZWD为小时对流层湿延迟值；gm为全球平均重力加速度；k'2、k3以及Rd均为
Figure FDA0002998461390000021
模型中的经验常数。
4.根据权利要求1所述的一种基于深度学习的全球对流层延迟建模方法，其特征在于：所述步骤S4中Saastamoinen模型采用的公式为：
Figure FDA0002998461390000022
其中，式中ZHD为小时对流层静力学延迟值；lat为纬度，hs为大地高。
5.根据权利要求1所述的一种基于深度学习的全球对流层延迟建模方法，其特征在于：所述步骤S4中小时天顶对流层延迟值为小时对流层湿延迟值和小时对流层静力学延迟值之和，即ZTD＝ZHD+ZWD。
CN202010142840.7A 2020-03-04 2020-03-04 一种基于深度学习的全球对流层延迟建模方法 Active CN111382507B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010142840.7A CN111382507B (zh) 2020-03-04 2020-03-04 一种基于深度学习的全球对流层延迟建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010142840.7A CN111382507B (zh) 2020-03-04 2020-03-04 一种基于深度学习的全球对流层延迟建模方法

Publications (2)

Publication Number Publication Date
CN111382507A CN111382507A (zh) 2020-07-07
CN111382507B true CN111382507B (zh) 2021-06-01

Family

ID=71217055

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010142840.7A Active CN111382507B (zh) 2020-03-04 2020-03-04 一种基于深度学习的全球对流层延迟建模方法

Country Status (1)

Country Link
CN (1) CN111382507B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NL2032589B1 (en) * 2022-07-25 2023-06-28 Naval University Eng Pla Method for constructing zenith troposphere delay database based on era-5

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113609757B (zh) * 2021-07-13 2024-03-08 中国科学院国家空间科学中心 基于随机森林回归的gnss掩星对流层参数的修正方法
CN114297939B (zh) * 2021-12-31 2022-09-16 山东大学 适用于南极地区的对流层延迟预测方法及系统
CN116029177B (zh) * 2023-03-14 2023-06-09 中国科学院空天信息创新研究院 一种融合球谐函数和精细网格的对流层延迟建模方法
CN117933145B (zh) * 2024-03-22 2024-05-24 长江三峡集团实业发展(北京)有限公司 基于gnss的面向沙戈荒干旱区域的对流层延迟建模方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103323888A (zh) * 2013-04-24 2013-09-25 东南大学 Gnss大气探测数据中对流层延迟误差的消除方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105182366A (zh) * 2015-09-02 2015-12-23 东南大学 一种基于实测气象参数的对流层天顶延迟改正方法
CN105787556B (zh) * 2016-02-23 2018-02-02 东南大学 一种基于Saastamoinen模型的BP神经网络对流层延迟改正方法
CN106324620A (zh) * 2016-08-02 2017-01-11 中国人民解放军空军工程大学 一种不依赖地表气象数据实时测量的对流层天顶延迟方法
CN108920414B (zh) * 2018-05-18 2022-03-29 中国人民解放军61540部队 一种利用气象资料计算局部天顶对流层湿延迟的新方法
CN109116385A (zh) * 2018-08-14 2019-01-01 厦门理工学院 一种基于bp神经网络的长距离网络rtk对流层延迟估计方法
CN109902346B (zh) * 2019-01-24 2023-04-07 东南大学 基于神经网络的区域加权平均温度信息获取方法
CN110031877B (zh) * 2019-04-17 2020-05-26 山东科技大学 一种基于grnn模型的区域nwp对流层延迟改正方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103323888A (zh) * 2013-04-24 2013-09-25 东南大学 Gnss大气探测数据中对流层延迟误差的消除方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NL2032589B1 (en) * 2022-07-25 2023-06-28 Naval University Eng Pla Method for constructing zenith troposphere delay database based on era-5

Also Published As

Publication number Publication date
CN111382507A (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
CN111382507B (zh) 一种基于深度学习的全球对流层延迟建模方法
CN109902346B (zh) 基于神经网络的区域加权平均温度信息获取方法
CN113344149B (zh) 一种基于神经网络的pm2.5逐小时预测方法
Anderson et al. Regional simulation of the low‐level monsoon winds over the Gulf of California and southwestern United States
CN110909447B (zh) 一种高精度电离层区域短期预报方法
CN110031877A (zh) 一种基于grnn模型的区域nwp对流层延迟改正方法
CN109978275B (zh) 一种混合cfd和深度学习的极端大风风速预测方法及系统
CN109117555A (zh) 一种区域加权平均温度的Bevis模型改进方法
CN109145344A (zh) 一种基于探空数据的经验ztd模型改进方法
Moore et al. The historical global sea-level budget
Vassallo et al. Utilizing physics-based input features within a machine learning model to predict wind speed forecasting error
CN108680268A (zh) 一种基于探空数据的区域加权平均温度的Bevis模型改进方法
Ding A second generation of the neural network model for predicting weighted mean temperature
CN116205541B (zh) 评估本地污染源对环境空气质量影响的方法及装置
CN109917424A (zh) 多因子约束下的nwp反演对流层延迟的残差改正方法
CN113639893B (zh) 一种基于多气象因子的近地加权平均温度信息获取方法
CN116609859A (zh) 一种气象灾害高分辨率区域模式预报系统及方法
Medeiros et al. A Random Forest model based on lidar and field measurements for parameterizing surface roughness in coastal modeling
CN113627096A (zh) 一种基于空间相关性和监测数据的精细风场模拟方法
CN117113828A (zh) 一种基于船基走航式观测的数值预报订正方法
CN117219183A (zh) 多云雨地区的高覆盖度近地面no2浓度估算方法及系统
Wilgan Zenith total delay short-term statistical forecasts for GNSS precise point positioning
CN117010546A (zh) 一种云南省次季节尺度温度异常的预测方法和装置
KR102002593B1 (ko) 특정공간에서의 유해기체 확산 해석 방법 및 장치
CN110110410A (zh) 一种基于wrf模式与sebs模型耦合的蒸散量估算方法

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