CN111538935A - 基于地形特征和多源模式产品的精细化降水融合方法、系统、电子设备及存储介质 - Google Patents

基于地形特征和多源模式产品的精细化降水融合方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN111538935A
CN111538935A CN201911369303.XA CN201911369303A CN111538935A CN 111538935 A CN111538935 A CN 111538935A CN 201911369303 A CN201911369303 A CN 201911369303A CN 111538935 A CN111538935 A CN 111538935A
Authority
CN
China
Prior art keywords
mode
precipitation
site
forecast
data
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
CN201911369303.XA
Other languages
English (en)
Other versions
CN111538935B (zh
Inventor
唐娴
何晓凤
郭鹏
武正天
王洁
黄凤新
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.)
Beijing Jiutian Jiutian Meteorological Technology Co ltd
Original Assignee
Beijing Jiutian Jiutian Meteorological Technology Co ltd
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 Beijing Jiutian Jiutian Meteorological Technology Co ltd filed Critical Beijing Jiutian Jiutian Meteorological Technology Co ltd
Priority to CN201911369303.XA priority Critical patent/CN111538935B/zh
Publication of CN111538935A publication Critical patent/CN111538935A/zh
Application granted granted Critical
Publication of CN111538935B publication Critical patent/CN111538935B/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
    • 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)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Ecology (AREA)
  • Atmospheric Sciences (AREA)
  • Computational Mathematics (AREA)
  • Environmental Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及气象预测技术领域，尤其涉及一种基于地形特征和多源模式产品的精细化降水融合方法、系统、电子设备及存储介质；本发明所公开了基于地形特征和多源模式产品的精细化降水融合方法、电子设备及存储介质，融合方法包括以下步骤：根据计算的站点无偏平均绝对误差,计算模式成员在每个国家站和区域自动气象站上的权重系数；将计算所求的每个模式产品的站点权重系数平面化到水平网格点上得到每个网格点上的权重系数；利用模式成员在网格点上各自的权重系数，加权求和，从而引入每个模式成员的优势，实现网格化降水预报的集成；该方法引入每个模式预报降水场的优势，能够获得具有更高分辨率和准确性的精细化降水预报。

Description

基于地形特征和多源模式产品的精细化降水融合方法、系统、 电子设备及存储介质
技术领域
本发明涉及气象预测技术领域，尤其涉及一种基于地形特征和多源模式产 品的精细化降水融合方法、系统、电子设备及存储介质。
背景技术
提高降水预报准确性一直是气象业务与科研工作的重点，也是关系到我国人民生命财产安全和经济发展的重要研究领域。然而，此项工作颇具困难和挑战性， 因为降水是不同尺度天气系统相互影响的结果，其时空分布比较复杂，在不同 时间尺度上其统计特征不同，如年降水量或季降水量可能服从正态分布，而日 降水量或更短时间尺度内降水则呈偏态分布。近年来数值天气预报技术飞速发 展，传统的单一确定性预报逐渐发展到采用多预报数据源进行集成预测来减小 模式预测的不确定性。由于不同预报数据是基于不同的模式动力框架、初始场、 分辨率、资料同化技术以及云微物理参数化方案等方面生成的，基于多种数值 预报产品的集成预报技术正是在此基础上研发出来，成为合理利用各模式预报 结果来降低单一模式预报系统性偏差和随机误差的有效方法，逐渐成为提高预 报水平研究和应用的热点。
多模式集成预报本质上是利用统计学、人工智能等方法,对子模式进行进 一步地分析与订正,从而获得更为准确的预报结果的一种数值预报产品释用技 术。目前较为常用的多模式集成预报方法主要包括加权平均集成法、多元回归 集成法、集合平均法、权重分布集成法及神经网络集成法等。其本质是对各个 预报结果做统计分析处理,从而充分利用各个成员模式或方法的优势,进一步 改进预报薄弱环节,提高预报质量。例如：
多元回归集成法是以各模式预报产品作为回归集成的预报因子,将预报对 的实况值作为预报量,通过建立多元回归分析方程进行集成预报的方法。
权重分布集成法的基本思想是对参与集成的不同方法或不同模式,赋予不 同的权重,将历史预报效果好的成员赋予较髙的权重系数,相反则赋予较小的 权重系数,从而综合各预报成员的预报能力、预报特点,集中各成员的预报优势, 提高预报水平。
因此，为了解决上述问题，急需发明一种基于地形特征和多源模式产品精 细化降水融合方法、系统、电子设备及存储介质。
发明内容
本发明的目的在于：提供一种基于地形特征和多源模式产品的精细化降水 融合方法、电子设备及存储介质，
本发明提供了下述方案：
一种基于地形特征和多源模式产品的精细化降水融合方法，包括以下步 骤：
接入多套模式成员原始的降水预报数据，并统一插值到同一套精细的水平 网格上；
将训练期的模式成员预报值分别插值到选取的国家自动气象站点上，然后 与各站点上降水观测数据共同计算无偏平均绝对误差；
根据计算的无偏平均绝对误差,计算模式成员在每个国家自动气象站点 上的权重系数；
将计算所求的站点权重系数平面化到降水预报产品的整张网格上得到每 个网格点上的权重系数；
利用模式成员在网格点上各自的权重系数，加权求和，实现网格化降水预 报的集成。该方法引入了每个模式成员的优势，提供了一种更为稳定可靠的优 质精细化降水预报产品。
优选地，多套模式成员原始的降水预报数据，并统一到同一套精细的水平 网格上的步骤，具体为：
已知数据点Q11(x1,y1),Q12(x1,y2),Q21(x2,y1),Q22(x2,y2)的值计算 待插点P＝(x,y)的值：
X方向的线性插值，在点Q12,Q22中插入点R2；点Q11，Q21中插入点R1；
Y方向的线性插值,通过第一步计算出的R1与R2在y方向上插值计算出 P点。
优选地，无偏平均绝对误差的计算公式如下：
Figure RE-GDA0002571490780000031
bi,k＝(Q1+2Q2+Q3)/4；
UMAEi,k代表第k个模式成员在第i个站点上的无偏平均绝对误差，bi,k代 表第k个模式成员在第i个站点上的系统误差，Fi,k代表第k个模式成员在第 i个站点上的预报值，Oi代表第i个站点上的观测值，(Fi,k-Oi)代表第k个模 式成员在第i个站点上的偏差，Q1、Q2、Q3代表(Fi,k-Oi)偏差样本总数N中的 第25、第50、第75百分位数。
优选地，根据计算的无偏平均绝对误差,计算模式成员在每个国家自动 气象站点上的权重系数，具体公式为：
Figure RE-GDA0002571490780000032
Figure RE-GDA0002571490780000033
其中，wi,k代表第k个模式成员在第i个站点上的权重系数，n为参与集合的 模式成员的个数，并且为了保证计算的连续性，如果UMAE＝0，那么UMAE＝0.01。
优选地，利用模式成员在网格点上各自的权重系数，加权求和，从而引入 每个模式成员的优势，实现网格化降水预报的集成，具体公式为：
Figure RE-GDA0002571490780000034
其中，F`i,j为水平网格点上的集成的降水预报值，Fi,j，k自模式成员在网 格点上的预报值，K表示参与集成集成的模式成员总数。
优选地，还包括：
采集模式降水预报数据和国家自动气象站点降水观测数据并分别用于模 式数据前处理网格化和站点权重计算。
进一步地，本发明还提供了一种实现基于地形特征和多源模式产品精细化 降水融合方法的基于地形特征和多源模式产品精细化降水融合系统，包括：
模式数据前处理网格化模块，用于接入多套模式成员原始的降水预报数 据，并统一插值到同一套精细的水平网格上；
模式成员误差计算模块，用于将训练期的模式成员预报值分别插值到选取 的国家自动气象站点上，然后与各站点上降水观测数据共同计算无偏平均绝对 误差；
站点权重计算模块，用于根据计算的无偏平均绝对误差,计算模式成员在 每个国家自动气象站点上的权重系数；
基于地形影响的权重系数网格化模块，用于将计算所求的站点权重系数平 面化到水平网格点上得到每个网格点上的权重系数；
多模式降水集成模块，用于利用模式成员在网格点上各自的权重系数，加 权求和，从而引入每个模式成员的优势，实现网格化降水预报的集成。
优选地，还包括：
降水数据采集模块，用于采集模式降水预报数据和国家自动气象站点降水 观测数据并分别发送至模式数据前处理网格化模块和站点权重计算模块。
进一步地，本发明还提供了一种电子设备，包括存储器和处理器；所述存 储器用于存储计算机程序；所述处理器执行所述存储器中的计算机程序，以实 现所述的基于地形特征和多源模式产品精细化降水融合方法。
进一步地，本发明还提供了一种计算机可读存储介质，存储有计算机程序， 该计算机程序被处理器执行时，用于实现所述的基于地形特征和多源模式产品 精细化降水融合方法。
本发明产生的有益效果：
本发明所公开的基于地形特征和多源模式产品精细化降水融合方法、电子 设备及存储介质，融合方法包括以下步骤：接入多套模式成员原始的降水预报 数据，并统一插值到同一套精细的水平网格上；将训练期的模式成员预报值分 别插值到选取的全国国家自动气象站点上，然后与各站点上降水观测数据共同 计算无偏平均绝对误差；根据计算的无偏平均绝对误差,计算模式成员在每个 国家自动气象站点上的权重系数；将计算所求的站点权重系数平面化到水平网 格点上得到每个网格点上的权重系数；利用模式成员在网格点上各自的权重系 数，加权求和，从而引入每个模式成员的优势，实现网格化降水预报的集成； 该方法引入每个模式预报降水场的优势，能够获得具有更高分辨率和准确性的精细化降水预报。
附图说明
图1为本发明的基于地形特征和多源模式产品精细化降水融合方法的流 程框图。
图2为本发明的基于地形特征和多源模式产品精细化降水融合系统的结 构框图。
图3为本发明的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了 本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被 这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本 公开，并且能够将本公开的范围完整地传达给本领域的技术人员。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包 括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理 解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理 解为具有与现有技术的上下文中的意义一致的意义，并且除非被特定定义，否 则不会用理想化或过于正式的含义来解释。
参见图1所示，一种基于地形特征和多源模式产品精细化降水融合方法， 包括以下步骤：
接入多套模式成员原始的降水预报数据，并统一插值到同一套精细的水平 网格上；
将训练期的模式成员预报值分别插值到选取的国家自动气象站点上，然后 与各站点上降水观测数据共同计算无偏平均绝对误差；
根据计算的无偏平均绝对误差,计算模式成员在每个国家自动气象站点 上的权重系数；
将计算所求的站点权重系数平面化到水平网格点上得到每个网格点上的 权重系数；
利用模式成员在网格点上各自的权重系数，加权求和，从而引入每个模式 成员的优势，实现网格化降水预报的集成。
多套模式成员原始的降水预报数据，并统一到同一套精细的水平网格上的 步骤，具体为：
已知数据点Q11(x1,y1),Q12(x1,y2),Q21(x2,y1),Q22(x2,y2)的值计算 待插点P＝(x,y)的值：
X方向的线性插值，在点Q12,Q22中插入点R2；点Q11，Q21中插入点R1；
Y方向的线性插值,通过第一步计算出的R1与R2在y方向上插值计算出 P点。
优选地，无偏平均绝对误差的计算公式如下：
Figure RE-GDA0002571490780000061
bi,k＝(Q1+2Q2+Q3)/4；
UMAEi,k代表第k个模式成员在第i个站点上的无偏平均绝对误差，bi,k代 表第k个模式成员在第i个站点上的系统误差，Fi,k代表第k个模式成员在第 i个站点上的预报值，Oi代表第i个站点上的观测值，(Fi,k-Oi)代表第k个模 式成员在第i个站点上的偏差，Q1、Q2、Q3代表(Fi,k-Oi)偏差样本总数N中的 第25、第50、第75百分位数。
根据计算的无偏平均绝对误差,计算模式成员在每个国家自动气象站点 上的权重系数，具体公式为：
Figure RE-GDA0002571490780000071
Figure RE-GDA0002571490780000072
其中，wi,k代表第k个模式成员在第i个站点上的权重系数，n为参与集合的 模式成员的个数，并且为了保证计算的连续性，如果UMAE＝0，那么UMAE＝0.01。
利用模式成员在网格点上各自的权重系数，加权求和，从而引入每个模式 成员的优势，实现网格化降水预报的集成，具体公式为：
Figure RE-GDA0002571490780000073
其中，F`i,j为水平网格点上的集成的降水预报值，Fi,j，k自模式成员在网 格点上的预报值，K表示参与集成集成的模式成员总数。
还包括：
采集模式降水预报数据和国家自动气象站点降水观测数据并分别用于模 式数据前处理网格化和站点权重计算。
参见图2所示，一种实现基于地形特征和多源模式产品精细化降水融合方 法的基于地形特征和多源模式产品精细化降水融合系统，包括：
模式数据前处理网格化模块，用于接入多套模式成员原始的降水预报数 据，并统一到同一套精细的水平网格上；
模式成员误差计算模块，用于将训练期的模式成员预报值分别插值到选取 的全国国家自动气象站点上，然后与各站点上降水观测数据共同计算无偏平均 绝对误差；
站点权重计算模块，用于根据计算的无偏平均绝对误差,计算模式成员在 每个国家自动气象站点上的权重系数；
基于地形影响的权重系数网格化模块，用于将计算所求的站点权重系数平 面化到水平网格点上得到每个网格点上的权重系数；
多模式降水集成模块，用于利用模式成员在网格点上各自的权重系数，加 权求和，从而引入每个模式成员的优势，实现网格化降水预报的集成。
还包括：
降水数据采集模块，用于采集模式降水预报数据和国家自动气象站点降水 观测数据并分别发送至模式数据前处理网格化模块和站点权重计算模块。
参见图3所示，本发明还提供了一种电子设备，包括存储器501和处理器 502；所述存储器用于存储计算机程序；所述处理器执行所述存储器中的计算 机程序，以实现所述的基于地形特征和多源模式产品精细化降水融合方法。
本发明还提供了一种计算机可读存储介质，存储有计算机程序，该计算机 程序被处理器执行时，用于实现所述的基于地形特征和多源模式产品精细化降 水融合方法。
本实施例中所述的基于地形特征和多源模式产品精细化降水融合方法、 电子设备及存储介质，融合方法包括以下步骤：接入多套模式成员原始的降水 预报数据，并统一到同一套精细的水平网格上；将训练期的模式成员预报值分 别插值到选取的全国国家自动气象站点上，然后与各站点上降水观测数据共同 计算无偏平均绝对误差；根据计算的无偏平均绝对误差,计算模式成员在每个 国家自动气象站点上的权重系数；根据《一种考虑地形影响的离散点数据格点 化方法》中发明的离散点数据格点化的方法，将计算所求的站点权重系数平面 化到水平网格点上得到每个网格点上的权重系数；利用模式成员在网格点上各 自的权重系数，加权求和，从而引入每个模式成员的优势，实现网格化降水预 报的集成；该方法引入每个模式预报降水场的优势，能够获得具有更高分辨率 和准确性的精细化降水预报。
本实施例中所述的基于地形特征和多源模式产品精细化降水融合方法、电 子设备及存储介质，模式数据网格化模块，用于接入3套模式成员原始的降水 预报数据，由于各模式时空分辨率各不相同，需要分别采取双线性插值处理， 统一到同一套精细的水平网格上；基于多模式成员的降水集成预报产品，可引 入每个模式成员预报降水场的优势，又可避免预报员在多个模式之间的对比， 还可提供一个更为稳定可靠的具有更高分辨率的优质精细化降水预报产品。
对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但 是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制， 因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本 领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉 及的动作并不一定是本发明实施例所必须的。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限 制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员 应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其 中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的 本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于地形特征和多源模式产品的精细化降水融合方法，其特征在于：包括以下步骤：
接入多套模式成员原始的降水预报数据，并统一到同一套精细的水平网格上；
将训练期的模式成员预报值分别插值到选取的全国国家自动气象站点上，然后与各站点上降水观测数据共同计算无偏平均绝对误差；
根据计算的无偏平均绝对误差,计算模式成员在每个国家自动气象站点上的权重系数；
将计算所求的站点权重系数平面化到水平网格点上得到每个网格点上的权重系数；
利用模式成员在网格点上各自的权重系数，加权求和，从而引入每个模式成员的优势，实现网格化降水预报的集成。
2.根据权利要求1所述的基于地形特征和多源模式产品的精细化降水融合方法，其特征在于：多套模式成员原始的降水预报数据，并统一到同一套精细的水平网格上的步骤，具体为：
已知数据点Q11(x1,y1),Q12(x1,y2),Q21(x2,y1),Q22(x2,y2)的值计算待插点P＝(x,y)的值：
X方向的线性插值，在点Q12,Q22中插入点R2；点Q11，Q21中插入点R1；
Y方向的线性插值,通过第一步计算出的R1与R2在y方向上插值计算出P点。
3.根据权利要求2所述的基于地形特征和多源模式产品的精细化降水融合方法，其特征在于：无偏平均绝对误差的计算公式如下：
Figure RE-FDA0002571490770000011
bi，k＝(Q1+2Q2+Q3)/4；
UMAEi，k代表第k个模式成员在第i个站点上的无偏平均绝对误差，bi，k代表第k个模式成员在第i个站点上的系统误差，Fi，k代表第k个模式成员在第i个站点上的预报值，Oi代表第i个站点上的观测值，(Fi，k-Oi)代表第k个模式成员在第i个站点上的偏差，Q1、Q2、Q3代表(Fi，k-Oi)偏差样本总数N中的第25、第50、第75百分位数。
4.根据权利要求3所述的基于地形特征和多源模式产品的精细化降水融合方法，其特征在于：根据计算的无偏平均绝对误差,计算模式成员在每个国家自动气象站点上的权重系数，具体公式为：
Figure RE-FDA0002571490770000021
Figure RE-FDA0002571490770000022
其中，Wi，k代表第k个模式成员在第i个站点上的权重系数，n为参与集合的模式成员的总数，并且为了保证计算的连续性，如果UMAE＝0，那么UMAE＝0.01。
5.根据权利要求4所述的基于地形特征和多源模式产品的精细化降水融合方法，其特征在于：利用模式成员在网格点上各自的权重系数，加权求和，从而引入每个模式成员的优势，实现网格化降水预报的集成，具体公式为：
Figure RE-FDA0002571490770000023
其中，F`i，j为水平网格点上集成的降水预报值，Fi，j，k为模式成员在网格点上的预报值，K表示参与集成的模式成员总数。
6.根据权利要求5所述的基于地形特征和多源模式产品的精细化降水融合方法，其特征在于：还包括：
采集模式降水预报数据和国家自动气象站点降水观测数据并分别用于模式数据前处理网格化和站点权重计算。
7.一种实现如权利要求1所述的基于地形特征和多源模式产品精细化降水融合方法的基于地形特征和多源模式产品的精细化降水融合系统，其特征在于：包括：
模式数据前处理网格化模块，用于接入多套模式成员原始的降水预报数据，并统一到同一套精细的水平网格上；
模式成员误差计算模块，用于将训练期的模式成员预报值分别插值到选取的全国国家气象站和区域自动气象站点上，然后与各站点上降水观测数据共同计算无偏平均绝对误差；
站点权重计算模块，用于根据计算的无偏平均绝对误差,计算模式成员在每个国家自动气象站点上的权重系数；
基于地形影响的权重系数网格化模块，用于将计算所求的站点权重系数平面化到水平网格点上得到每个网格点上的权重系数；
多模式降水集成模块，用于利用模式成员在网格点上各自的权重系数，加权求和，从而引入每个模式成员的优势，实现网格化降水预报的集成。
8.根据权利要求7所述的基于地形特征和多源模式产品的精细化降水融合方法，其特征在于：还包括：
降水数据采集模块，用于采集模式降水预报数据和国家自动气象站点降水观测数据并分别发送至模式数据前处理网格化模块和站点权重计算模块。
9.一种电子设备，其特征在于：包括存储器和处理器；所述存储器用于存储计算机程序、多源模式数据、观测资料和生成的融合预报产品；所述处理器执行所述存储器中的计算机程序，以实现如权利要求1-6中任一所述的基于地形特征和多源模式产品的精细化降水融合方法。
10.一种计算机可读存储介质，其特征在于：存储有计算机程序，该计算机程序被处理器执行时，用于实现如权利要求1-6中任一所述的基于地形特征和多源模式产品的精细化降水融合方法。
CN201911369303.XA 2019-12-26 2019-12-26 基于地形特征和多源模式产品的精细化降水融合方法、系统、电子设备及存储介质 Active CN111538935B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911369303.XA CN111538935B (zh) 2019-12-26 2019-12-26 基于地形特征和多源模式产品的精细化降水融合方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911369303.XA CN111538935B (zh) 2019-12-26 2019-12-26 基于地形特征和多源模式产品的精细化降水融合方法、系统、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111538935A true CN111538935A (zh) 2020-08-14
CN111538935B CN111538935B (zh) 2023-08-25

Family

ID=71978473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911369303.XA Active CN111538935B (zh) 2019-12-26 2019-12-26 基于地形特征和多源模式产品的精细化降水融合方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111538935B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255962A (zh) * 2021-04-16 2021-08-13 北京玖天气象科技有限公司 一种多模式海浪集成预报系统及方法
CN113642223A (zh) * 2021-10-13 2021-11-12 中科三清科技有限公司 空气质量预报方法、装置、设备和计算机可读存储介质
CN116047546A (zh) * 2022-07-07 2023-05-02 北京玖天气象科技有限公司 基于多源卫星数据的山火监测方法
CN117349795A (zh) * 2023-12-04 2024-01-05 水利部交通运输部国家能源局南京水利科学研究院 基于ann和gwr耦合的降水融合方法和系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127242A (zh) * 2016-06-21 2016-11-16 河海大学 基于集成学习的年极端降水预测系统及其预测方法
WO2018118986A1 (en) * 2016-12-20 2018-06-28 Estia, Inc. Multi-source modeling for network predictions
CN107367773A (zh) * 2017-03-14 2017-11-21 北京维艾思气象信息科技有限公司 一种基于北斗定位的单点气象要素确定方法
CN106842368B (zh) * 2017-03-14 2019-05-10 北京维艾思气象信息科技有限公司 一种基于北斗定位的单点降水预报方法
CN110472762A (zh) * 2018-05-11 2019-11-19 中国电力科学研究院有限公司 一种网格化降水的订正方法及系统
CN108647740A (zh) * 2018-05-16 2018-10-12 河海大学 利用高分辨率地形和气象因子进行多源降水融合的方法
CN109783774B (zh) * 2018-12-18 2023-05-23 深圳市气象局 一种温度集合预报方法及系统
CN110275224A (zh) * 2019-05-24 2019-09-24 兰州大学 精细化近地层气象要素预报系统及其预报方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255962A (zh) * 2021-04-16 2021-08-13 北京玖天气象科技有限公司 一种多模式海浪集成预报系统及方法
CN113642223A (zh) * 2021-10-13 2021-11-12 中科三清科技有限公司 空气质量预报方法、装置、设备和计算机可读存储介质
CN113642223B (zh) * 2021-10-13 2022-05-06 中科三清科技有限公司 空气质量预报方法、装置、设备和计算机可读存储介质
CN116047546A (zh) * 2022-07-07 2023-05-02 北京玖天气象科技有限公司 基于多源卫星数据的山火监测方法
CN116047546B (zh) * 2022-07-07 2024-02-27 北京玖天气象科技有限公司 基于多源卫星数据的山火监测方法
CN117349795A (zh) * 2023-12-04 2024-01-05 水利部交通运输部国家能源局南京水利科学研究院 基于ann和gwr耦合的降水融合方法和系统
CN117349795B (zh) * 2023-12-04 2024-02-02 水利部交通运输部国家能源局南京水利科学研究院 基于ann和gwr耦合的降水融合方法和系统

Also Published As

Publication number Publication date
CN111538935B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN110738252B (zh) 空间自相关的机器学习卫星降水数据降尺度方法、系统
CN111538935A (zh) 基于地形特征和多源模式产品的精细化降水融合方法、系统、电子设备及存储介质
CN107316095B (zh) 一种耦合多源数据的区域气象干旱等级预测方法
CN107292098A (zh) 基于前期气象因子与数据挖掘技术的中长期径流预报方法
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
CN111027175A (zh) 基于耦合模型集成模拟的洪水对社会经济影响的评估方法
CN102254239A (zh) 基于微地形风场分布及台风叠加效应的电网风灾预警系统
CN112200377A (zh) 基于sarimax模型的光伏中长期发电量预报方法及装置
Papaefthymiou et al. Modeling of spatial dependence in wind power forecast uncertainty
CN112819237B (zh) 降水多尺度融合预报方法和装置
CN110659448A (zh) 一种非正交集合预报初值扰动算法
CN114254802B (zh) 气候变化驱动下植被覆盖时空变化的预测方法
CN113344291A (zh) 城市内涝淹没范围的预报方法、装置、介质和设备
CN112801332B (zh) 一种基于灰度共生矩阵的短期风速预测方法
Bosisio et al. Improving DTR assessment by means of PCA applied to wind data
CN105974495A (zh) 利用分类拟合法预判目标区域未来平均云量的方法
CN115935809A (zh) 一种基于地基云图云量特征的光伏发电功率区间预测方法
CN114417623A (zh) Grapes-reps区域集合预报方法及系统
CN114819264A (zh) 一种基于时空依赖的光伏电站辐照度超短期预测方法及存储介质
CN115544889A (zh) 基于深度学习的数值模式降水偏差校正方法
CN115755221A (zh) 一种基于数理不确定性分析的多源降水数据融合方法
CN116029419A (zh) 基于深度学习的长期新能源日均发电功率预测方法及系统
CN114692981A (zh) 基于Seq2Seq模型的中长期径流预报方法和系统
CN113704695A (zh) 一种适用于区域数值模式集合模拟预报的初值小扰动法
CN116316615B (zh) 基于数据增强的分布式光伏群短期功率预测方法及系统

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