CN111598300A - 一种台风风场预测方法、装置及可读存储介质 - Google Patents

一种台风风场预测方法、装置及可读存储介质 Download PDF

Info

Publication number
CN111598300A
CN111598300A CN202010300783.0A CN202010300783A CN111598300A CN 111598300 A CN111598300 A CN 111598300A CN 202010300783 A CN202010300783 A CN 202010300783A CN 111598300 A CN111598300 A CN 111598300A
Authority
CN
China
Prior art keywords
typhoon
prediction
wind field
correction
typhoons
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
Application number
CN202010300783.0A
Other languages
English (en)
Inventor
王振国
周象贤
刘黎
余晖
汤胜茗
方平治
薛文博
王少华
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.)
Shanghai Institute Of Typhoon Research China Meteorological Administration
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Shanghai Institute Of Typhoon Research China Meteorological Administration
Electric Power Research Institute of State Grid Zhejiang Electric Power 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 Shanghai Institute Of Typhoon Research China Meteorological Administration, Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd filed Critical Shanghai Institute Of Typhoon Research China Meteorological Administration
Priority to CN202010300783.0A priority Critical patent/CN111598300A/zh
Publication of CN111598300A publication Critical patent/CN111598300A/zh
Pending legal-status Critical Current

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"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physiology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种台风风场预测方法、装置及可读存储介质，所述方法包括如下步骤：根据台风强度对台风进行分类；根据所获得的分类结果，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测。本发明方法根据分类结果，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测，能够实现针对不同类别的台风采用不同的订正方法，利用不同订正方法的优势得到更好的台风风场订正效果，能够获得更加准确的台风风场预报。

Description

一种台风风场预测方法、装置及可读存储介质
技术领域
本发明属于大风灾害防治技术领域，具体地说是一种台风风场预测方法、装置及可读存储介质。
背景技术
目前国内外台风风场预报结果主要是由数值预报模式得到，数值模式预报结果的好坏主要受到两个关键因素的制约：一个是预报模式对大气物理过程的反映程度，即数值预报模式本身的准确程度；第二是用作模式积分的初始条件的好坏，即预报的初始同化资料场。由于资料误差和模式误差在现阶段是不可避免的，这就导致数值预报的结果在现阶段，乃至以后很长的时间里还不可能做到尽善尽美。
所以如何对数值预报的台风风场产品进行更好地释用，即对预报结果进行订正工作，减小预报误差的影响就成为了一项非常重要的工作。
常用的台风风场统计订正方法有两类：一类是传统的线性统计方法，包括比如模式输出统计方法、卡尔曼滤波方法、自适应偏最小二乘回归(Glahn et al.1972；肖擎曜等，2017)等。这些方法的缺点是需要大量的训练样本，而且对短期变化的天气过程订正效果不佳或存在卡尔曼滤波滞后现象(Malmberg A et al.2005)等。
另一类是非线性统计方法，主要是人工神经网络方法。国内神经网络方法的研究与国际上相比起步较晚，目前在气象领域方面的应用在主要是利用发展相对成熟的BP神经网络方法(BP Neural Network Algorithm),在订正方面主要用于气温、降水等方面。
上述两类统计订正方法在模式台风风场预报产品的订正方面应用均比较少，现有的一些研究也都仅使用其中一种订正方法，最终的订正效果还存在很大提升空间。
发明内容
有鉴于此，本发明的目的在于提供一种台风风场预测方法、装置及可读存储介质，以提高台风风场预报的准确率。
第一方面，本发明提供一种台风风场预测方法，所述方法包括如下步骤：
根据台风强度对台风进行分类；
根据所获得的分类结果，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测。
可选的，所述影响因子包括：站点信息、模式预报信息、预报时刻以及次网格地形标准差。
可选的，所述次网格地形标准差计算公式为：
Figure BDA0002453901910000021
其中，ter_std表示次网格地形标准差，N表示模式水平分辨率网格内的次网格数目，μ为所选取网格内的地形海拔高度均值，xi表示网格内更加精细的地形高度。
可选的，根据台风强度对台风进行分类，包括：将台风按照强度分为热带风暴及以下、强热带风暴、台风和强台风四类。
可选的，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测，所述方法还包括：
收集预设时间内不同类别台风的实测数据，并根据所述实测数据计算对应的模式数据。
可选的，对于强热带风暴和台风类别的样本，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测，包括：
通过所述影响因子和对应类别的模式数据利用逐步回归法训练获得对应类别的预报误差订正关系；
通过所获得的预报误差订正关系进行预测修正。
可选的，对于热带风暴及以下和强台风类别的样本，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测，包括：
通过对应类别的模式数据利用BP神经网络修正对应类别的预报风场误差以完成台风风场预测。
可选的，通过对应类别的模式数据利用BP神经网络修正对应类别的预报风场误差以完成台风风场预测之前，所述方法还包括：通过遗传算法对BP神经网络进行优化。
第二方面，本发明提供一种台风风场预测装置，所述装置包括：
分类模块，用于根据台风强度对台风进行分类；
数据处理模块，用于根据所述分类模块的分类结果，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测。
第三方面，本发明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信息传递的实现程序，所述程序被处理器执行时实现前述的方法的步骤。
本发明具有的有益效果在于：本发明方法根据分类结果，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测，能够实现针对不同类别的台风采用不同的订正方法，利用不同订正方法的优势得到更好的台风风场订正效果，能够获得更加准确的台风风场预报。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明方法流程图；
图2为本发明方法网格结构示意图；
图3为本发明方法风速误差影响因子示意图；
图4为本发明方法修正流程示意图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
实施例一
第一方面，本发明第一实施例提供一种台风风场预测方法，所述方法包括如下步骤：
根据台风强度对台风进行分类；
根据所获得的分类结果，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测。
可选的，所述影响因子包括：站点信息、模式预报信息、预报时刻以及次网格地形标准差。
在本实施例中，在统计方法的影响因子选取方面，除了站点信息、模式预报信息之外，本实施例中还加入了预报时刻hour_obs，次网格地形标准差ter_std，本实施例中，加入预报时刻hour_obs，可以有效订正模式由于可能存在的日变化所造成的误差。
本发明方法将预报时刻、次网格地形标准差作为影响因子加入后续订正方法中，考虑了模式的日变化和次网格地形效应对模式台风风场预报的影响，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测，能够实现针对不同类别的台风采用不同的订正方法，利用不同订正方法的优势得到更好的台风风场订正效果，能够获得更加准确的台风风场预报。
可选的，所述次网格地形标准差，满足：
Figure BDA0002453901910000041
其中，ter_std表示次网格地形标准差，N表示水平分辨率网格内的次网格数目，μ为所选取网格内的地形海拔高度均值，xi表示网格内更加精细的地形高度。
具体的，在本发明的一种实施方式中，如图2所示，次网格地形标准差ter_std作为一个地形相关参量，可以将次网格地形的拖曳作用体现在订正过程中，弥补模式对次网格地形考虑不足所造成的误差。
可选的，根据台风强度对台风进行分类，包括：将台风按照强度分为热带风暴及以下、强热带风暴、台风和强台风四类。
具体的说，在统计订正方面，在本发明一种可选的实施方式中，台风按照强度分为热带风暴及以下、强热带风暴、台风和强台风四类。
可选的，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测，所述方法还包括：
收集预设时间内不同类别台风的实测数据，并计算对应的模式数据。
具体的说，在本实施例中，收集预设时间段内不同分级台风的实测数据，如图3所示，可以是收集近十年各不同强度类别的台风实测数据，并计算对应的模式数据。
在一种可选的实施方式中，实测数据可以包括：测站经度：lon_obs；测站纬度：lat_obs；预报时刻：hour_obs。
模式数据可以包括：
台风相关：
台风中心经度：tc_lon；台风中心纬度：tc_lat；台风强度：v_max；slp_min。
地形相关：
次网格地形的标准差：ter_std。
其他：10-m风速：u10；10-m温度：tmp；10-m相对湿度：rh；10-m露点温度：dpt；
地表温度：tmp_sf；海平面气压：pres；850hPa风速：u_850；700hPa风速：u_700。
可选的，对于强热带风暴和台风类别的样本，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测，包括：
通过所述影响因子和对应类别的模式数据利用逐步回归法训练获得对应类别的预报误差订正关系；
通过所获得的预报误差订正关系进行预测修正。
具体的说，本实施例对应于强热带风暴和台风类别的样本，本发明方法的订正过程如图4所示，近年来影响并登陆我国的台风以强热带风暴和台风级别为主，故这两类的样本数较多，利用逐步回归方法训练出的线性关系就能得到较好的订正效果。
更为具体的，对于挑选出强热带风暴和台风级别的样本，利用前述选取的影响因子，通过逐步回归方法针对台风风场预报误差，训练出误差的订正关系式。利用该线性关系消除该机被风场预报产品中的误差。
综上，本发明方法将预报时刻、次网格地形标准差作为影响因子加入后续订正方法中，考虑了模式的日变化和次网格地形效应对模式台风风场预报的影响。针对不同类别的台风采用不同的订正方法，利用不同订正方法的优势得到更好的台风风场订正效果，能够获得更加准确的台风风场预报。
实施例二
本发明第二实施例提出一种台风风场预测方法，所述方法包括如下步骤：
根据台风强度对台风进行分类；
根据所获得的分类结果，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测。
可选的，所述影响因子包括：站点信息、模式预报信息、预报时刻以及次网格地形标准差。
在本实施例中，在统计方法的影响因子选取方面，除了站点信息、模式预报信息之外，本实施例中还加入了预报时刻hour_obs，次网格地形标准差ter_std，本实施例中，加入预报时刻hour_obs，可以有效订正模式由于可能存在的日变化所造成的误差。
本发明方法将预报时刻、次网格地形标准差作为影响因子加入后续订正方法中，考虑了模式的日变化和次网格地形效应对模式台风风场预报的影响，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测，能够实现针对不同类别的台风采用不同的订正方法，利用不同订正方法的优势得到更好的台风风场订正效果，能够获得更加准确的台风风场预报。
可选的，所述次网格地形标准差，满足：
Figure BDA0002453901910000051
其中，ter_std表示次网格地形标准差，N表示水平分辨率网格内的次网格数目，μ为所选取网格内的地形海拔高度均值，xi表示网格内更加精细的地形高度。
具体的，在本发明的一种实施方式中，如图2所示，次网格地形标准差ter_std作为一个地形相关参量，可以将次网格地形的拖曳作用体现在订正过程中，弥补模式对次网格地形考虑不足所造成的误差。
可选的，根据台风强度对台风进行分类，包括：将台风按照强度分为热带风暴及以下、强热带风暴、台风和强台风四类。
具体的说，在统计订正方面，在本发明一种可选的实施方式中，台风按照强度分为热带风暴及以下、强热带风暴、台风和强台风四类。
可选的，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测，所述方法还包括：
收集预设时间内不同类别台风的实测数据，并根据所述实测数据计算对应的模式数据。
具体的说，在本实施例中，收集预设时间段内不同分级台风的实测数据，如图3所示，可以是收集近十年各不同强度类别的台风实测数据，并计算对应的模式数据。
在一种可选的实施方式中，实测数据可以包括：测站经度：lon_obs；测站纬度：lat_obs；预报时刻：hour_obs。
模式数据可以包括：
台风相关：
台风中心经度：tc_lon；台风中心纬度：tc_lat；台风强度：v_max；slp_min。
地形相关：
次网格地形的标准差：ter_std。
其他：10-m风速：u10；10-m温度：tmp；10-m相对湿度：rh；10-m露点温度：dpt；
地表温度：tmp_sf；海平面气压：pres；850hPa风速：u_850；700hPa风速：u_700。
可选的，对于热带风暴及以下和强台风类别的样本，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测，包括：
通过对应类别的模式数据利用BP神经网络修正对应类别的预报风场误差以完成台风风场预测。
可选的，通过对应类别的模式数据利用BP神经网络修正对应类别的预报风场误差以完成台风风场预测之前，所述方法还包括：通过遗传算法对BP神经网络进行优化。
具体的说，如图3所示，本实施例中对应于热带风暴及以下和强台风类别的样本，由于热带风暴级别及以下和强台风两类的样本数则较少，本实施例中利用神经网络方法训练出的非线性关系可以达到更好的订正效果。
更具体的，对于热带风暴级别及以下和强台风级别的样本，利用神经网络方法，具体指遗传算法优化后的BP神经网络方法，训练关系并订正该级别的预报风场误差，得到更为准确的台风风场预报结果。
综上，本发明方法的优点包括：
1、将预报时刻、次网格地形标准差作为影响因子加入后续订正方法中，考虑了模式的日变化和次网格地形效应对模式台风风场预报的影响。
2、针对不同类别的台风采用不同的订正方法：样本数较多的类别采用传统线性订正方法，样本数较少的类别采用非线性神经网络方法，利用不同订正方法的优势得到更好的台风风场订正效果。
实施例三
本发明第三实施例提出一种台风风场预测装置，所述装置包括：
分类模块，用于根据台风强度对台风进行分类；
数据处理模块，用于根据所述分类模块的分类结果，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测。
实施例四
本发明第四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信息传递的实现程序，所述程序被处理器执行时实现前述的方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种台风风场预测方法，其特征在于，所述方法包括如下步骤：
根据台风强度对台风进行分类；
根据所获得的分类结果，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测。
2.如权利要求1所述的方法，其特征在于，所述影响因子包括：站点信息、模式预报信息、预报时刻以及次网格地形标准差。
3.如权利要求2所述的方法，其特征在于，所述次网格地形标准差计算公式为：
Figure FDA0002453901900000011
其中，ter_std表示次网格地形标准差，N表示模式水平分辨率网格内的次网格数目，μ为所选取网格内的地形海拔高度均值，xi表示网格内更加精细的地形高度。
4.如权利要求1所述的方法，其特征在于，根据台风强度对台风进行分类，包括：将台风按照强度分为热带风暴及以下、强热带风暴、台风和强台风四类。
5.如权利要求4所述的方法，其特征在于，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测，所述方法还包括：
收集预设时间内不同类别台风的实测数据，并根据所述实测数据计算对应的模式数据。
6.如权利要求5所述的方法，其特征在于，对于强热带风暴和台风类别的样本，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测，包括：
通过所述影响因子和对应类别的模式数据利用逐步回归法训练获得对应类别的预报误差订正关系；
通过所获得的预报误差订正关系进行预测修正。
7.如权利要求5所述的方法，其特征在于，对于热带风暴及以下和强台风类别的样本，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测，包括：
通过对应类别的模式数据利用BP神经网络修正对应类别的预报风场误差以完成台风风场预测。
8.如权利要求7所述的方法，其特征在于，通过对应类别的模式数据利用BP神经网络修正对应类别的预报风场误差以完成台风风场预测之前，所述方法还包括：通过遗传算法对BP神经网络进行优化。
9.一种台风风场预测装置，其特征在于，所述装置包括：
分类模块，用于根据台风强度对台风进行分类；
数据处理模块，用于根据所述分类模块的分类结果，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测。
10.一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信息传递的实现程序，所述程序被处理器执行时实现如权利要求1至8中任一项所述的方法的步骤。
CN202010300783.0A 2020-04-16 2020-04-16 一种台风风场预测方法、装置及可读存储介质 Pending CN111598300A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010300783.0A CN111598300A (zh) 2020-04-16 2020-04-16 一种台风风场预测方法、装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010300783.0A CN111598300A (zh) 2020-04-16 2020-04-16 一种台风风场预测方法、装置及可读存储介质

Publications (1)

Publication Number Publication Date
CN111598300A true CN111598300A (zh) 2020-08-28

Family

ID=72185007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010300783.0A Pending CN111598300A (zh) 2020-04-16 2020-04-16 一种台风风场预测方法、装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN111598300A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109444989A (zh) * 2018-12-28 2019-03-08 中山大学 台风预报方法、系统、可读存储介质和设备
CN109684649A (zh) * 2017-10-18 2019-04-26 中国电力科学研究院 一种基于地形的风速修订方法及系统
CN110263392A (zh) * 2019-06-01 2019-09-20 邯郸市气象局 基于多模式分区误差检验的风场预报方法及其系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684649A (zh) * 2017-10-18 2019-04-26 中国电力科学研究院 一种基于地形的风速修订方法及系统
CN109444989A (zh) * 2018-12-28 2019-03-08 中山大学 台风预报方法、系统、可读存储介质和设备
CN110263392A (zh) * 2019-06-01 2019-09-20 邯郸市气象局 基于多模式分区误差检验的风场预报方法及其系统

Similar Documents

Publication Publication Date Title
CN111507512B (zh) 一种光伏超短期预测功率的修正方法及装置
CN109325633B (zh) 一种天气预报集合成员选取方法和系统
KR101383617B1 (ko) 일사량 예측 방법 및 장치
CN108983324B (zh) 一种基于卡尔曼滤波的气温预报方法及系统
CN109583653A (zh) 基于统计模型的西北太平洋台风的延伸期预报方法
CN109143408B (zh) 基于mlp的动态区域联合短时降水预报方法
CN106845080B (zh) 基于差异修正的景区旅游气象灾害智能预测方法
CN113435630B (zh) 一种产流模式自适应的流域水文预报方法及系统
CN112965145B (zh) 一种环境空气臭氧预报方法
CN114254802B (zh) 气候变化驱动下植被覆盖时空变化的预测方法
CN114442198B (zh) 一种基于加权算法的森林火险气象等级预报方法
CN109783774B (zh) 一种温度集合预报方法及系统
CN116910041B (zh) 一种基于尺度分析的遥感降水产品的逐日订正方法
CN114325879A (zh) 一种基于分级概率的定量降水订正方法
CN115685396A (zh) 一种降水预报修正方法及装置
Zaw et al. Empirical statistical modeling of rainfall prediction over Myanmar
CN109543911B (zh) 一种日照辐射预测方法及系统
CN113946796B (zh) 一种基于条件概率高时空分辨率的干旱传播时间计算方法
CN113821895B (zh) 输电线路覆冰厚度预测模型的构建方法、装置及存储介质
CN117200223A (zh) 日前电力负荷预测方法和装置
CN111598300A (zh) 一种台风风场预测方法、装置及可读存储介质
CN116663787A (zh) 一种风光资源评估方法、装置、电子设备和存储介质
CN116643328A (zh) 一种基于网络预报的城市内涝预报方法
CN114004426B (zh) 一种短时暴雨预报释用模型的动态调整方法
CN115600142A (zh) 一种基于不同方法的大风融合集成预报方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200828

RJ01 Rejection of invention patent application after publication