CN111753469A - 台风风暴潮情景模拟方法及装置 - Google Patents

台风风暴潮情景模拟方法及装置 Download PDF

Info

Publication number
CN111753469A
CN111753469A CN202010610920.0A CN202010610920A CN111753469A CN 111753469 A CN111753469 A CN 111753469A CN 202010610920 A CN202010610920 A CN 202010610920A CN 111753469 A CN111753469 A CN 111753469A
Authority
CN
China
Prior art keywords
target
storm surge
storm
surge
historical
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
CN202010610920.0A
Other languages
English (en)
Other versions
CN111753469B (zh
Inventor
柳玉梅
朱梓铭
李宇宁
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.)
Suzhou University of Science and Technology
Original Assignee
Suzhou University of Science and Technology
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 Suzhou University of Science and Technology filed Critical Suzhou University of Science and Technology
Priority to CN202010610920.0A priority Critical patent/CN111753469B/zh
Publication of CN111753469A publication Critical patent/CN111753469A/zh
Application granted granted Critical
Publication of CN111753469B publication Critical patent/CN111753469B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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"
    • 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

Abstract

一种台风风暴潮情景模拟方法及装置，所述方法包括：获取目标风暴潮的参数；根据所述目标风暴潮的参数，确定与所述目标风暴潮对应的历史风暴潮类别，并获取所述历史风暴潮类别对应的历史数据；获取与所述历史数据对应的目标BP神经网络模型，所述目标BP神经网络模型由所述历史数据训练得到；根据所述风暴潮位与已知的堤坝高度，确定所述风暴潮位的淹没高度以及淹没范围；将所述风暴潮位的淹没高度以及淹没范围可视化展示。上述方案能够提高台风风暴潮的预测精确度和效率，并能够可视化地展现台风风暴潮的波及范围。

Description

台风风暴潮情景模拟方法及装置
技术领域
本发明涉及气象技术领域，尤其涉及一种台风风暴潮情景模拟方法及装置。
背景技术
沿海城市容易受到自然灾害的影响，特别是台风的侵袭，且台风往往伴随着风暴潮给沿海城市造成巨大的经济财产损失。目前，通常由气象工作人员对风暴潮的路径等进行预测，预测精度较低且效率低下，并且无法直观地将台风风暴场的波及范围进行演示。
发明内容
本发明实施例解决的问题是台风风暴潮预测的精度较低且效率低下。
为解决上述问题，本发明实施例提供了一种台风风暴潮情景模拟方法，包括：获取目标风暴潮的参数；根据所述目标风暴潮的参数，确定与所述目标风暴潮对应的历史风暴潮类别，并获取所述历史风暴潮类别对应的历史数据；获取与所述历史数据对应的目标BP神经网络模型，所述目标BP神经网络模型由所述历史数据训练得到；将所述目标风暴潮的参数输入至所述目标BP神经网络模型中，获取所述目标风暴潮对应的风暴潮位；根据所述风暴潮位与已知的堤坝高度，确定所述风暴潮位的淹没高度以及淹没范围；将所述风暴潮位的淹没高度以及淹没范围可视化展示。
可选地，所述获取目标风暴潮的参数，包括：获取所述目标风暴潮的气压场以及所述目标风暴潮的风压场。
可选地，所述获取与所述历史数据对应的目标BP神经网络模型，包括：将所述历史数据中的风暴潮的气压场、风压场、GIS地理数据以及海水水位作为输入值，将所述历史数据中的风暴潮的风暴潮位作为输出值，传输至预设的BP神经网络模型中进行训练，得到所述目标BP神经网络模型。
可选地，所述目标风暴潮的参数还包括：GIS地理数据、海水水位；所述将所述目标风暴潮的参数输入至所述目标BP神经网络模型中，获取所述目标风暴潮对应的风暴潮位数值，包括：将所述目标风暴潮的气压场、风压场、GIS地理数据以及海水水位输入至所述目标BP神经网络模型中，获取所述目标风暴潮对应的风暴潮位数值。
可选地，所述根据所述风暴潮位与已知的堤坝高度，确定所述风暴潮位的淹没高度以及淹没范围，包括：根据所述风暴潮位与所述堤坝高度，确定所述风暴潮位的淹没高度；根据所述目标风暴潮的风压场与所述风暴潮位的淹没高度，确定所述淹没范围。
可选地，所述根据所述目标风暴潮的参数，确定与所述目标风暴潮对应的历史风暴潮类别，包括：在预设的历史数据库中，采用聚类算法确定所述目标风暴潮对应的历史风暴潮类别。
可选地，所述采用聚类算法确定所述目标风暴潮的参数对应的历史风暴潮类别，包括：采用kmeans聚类算法，将所述目标风暴潮的参数输入至所述历史数据库中；根据预先定义的k个类和每个类的质心，计算所述目标风暴潮的参数所属的候选类；重新计算所述候选类的质心至收敛，确定所述目标风暴潮对应的历史风暴潮类别。
可选地，所述目标风暴潮的风压场为所述目标风暴潮的移动速度；所述目标风暴潮的气压场采用如下公式确定：P＝P1-P2；其中，P为所述目标风暴潮的气压场，P1为所述目标风暴潮的中心气压，P2为所述目标风暴潮的边缘气压。
为解决上述技术问题，本发明实施例还提供了一种台风风暴潮情景模拟装置，包括：参数获取单元，用户获取目标风暴潮的参数；第一确定单元，用于根据所述目标风暴潮的参数，确定与所述目标风暴潮对应的历史风暴潮类别，并获取所述历史风暴潮类别对应的历史数据；模型获取单元，用于获取与所述历史数据对应的目标BP神经网络模型，所述目标BP神经网络模型由所述历史数据训练得到；风暴潮位获取单元，用于将所述目标风暴潮的参数输入至所述目标BP神经网络模型中，获取所述目标风暴潮对应的风暴潮位；第二确定单元，用于根据所述风暴潮位与已知的堤坝高度，确定所述风暴潮位的淹没高度以及淹没范围；展示单元，用于将所述风暴潮位的淹没高度以及淹没范围可视化展示。
与现有技术相比，本发明实施例的技术方案具有以下优点：
根据目标风暴潮的参数，确定与之对应的历史风暴潮类别；根据历史风暴潮类别对应的历史数据，获取目标BP神经网络模型。将目标风暴潮的参数输入至目标BP神经网络模型中，得到目标风暴潮对应的风暴潮位数值。将风暴潮位数值与堤坝高度进行比较，确定风暴潮位的淹没高度和淹没范围，进而将淹没高度和淹没范围进行可视化展示，从而可以提高台风风暴潮的预测精确度和效率，并能够可视化地展现台风风暴潮的波及范围。
附图说明
图1是本发明实施例中的一种台风风暴潮情景模拟方法的流程图；
图2是本发明实施例中的一种台风风暴潮情景模拟装置的结构示意图。
具体实施方式
在本发明实施例中，根据目标风暴潮的参数，确定与之对应的历史风暴潮类别；根据历史风暴潮类别对应的历史数据，获取目标BP神经网络模型。将目标风暴潮的参数输入至目标BP神经网络模型中，得到目标风暴潮对应的风暴潮位数值。将风暴潮位数值与堤坝高度进行比较，确定风暴潮位的淹没高度和淹没范围，进而将淹没高度和淹没范围进行可视化展示，从而可以提高台风风暴潮的预测精确度和效率，并能够可视化地展现台风风暴潮的波及范围。
为使本发明实施例的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
本发明实施例提供了一种台风风暴潮情景模拟方法，参照图1，以下通过具体步骤进行详细说明。
步骤S101，获取目标风暴潮的参数。
在具体实施中，可以通过预先设定的气象测量工具实时获取目标风暴潮的参数。在本发明实施例中，目标风暴潮的参数可以包括目标风暴潮的气压场以及目标风暴潮的风压场，目标风暴潮的参数还可以包括目标风暴潮的GIS地理数据以及当前测量时间段的海水水位。
在具体实施中，目标风暴潮的参数可以通过不同的气象测量工具分别进行测量得到，之后将测量得到的不同的参数分别发送至运行该台风风暴潮情景模拟方法的服务器或终端中，由所述的服务器或终端获取目标风暴潮的参数。
步骤S102，根据所述目标风暴潮的参数，确定与所述目标风暴潮对应的历史风暴潮类别，并获取所述历史风暴潮类别对应的历史数据。
在具体实施中，可以根据目标风暴潮的参数，在历史数据库中，确定与目标风暴潮对应的历史风暴潮类别。在确定了历史风暴潮类别之后，可以获取历史风暴潮类别对应的历史数据。
在本发明实施例中，可以计算得到目标风暴潮的气压场与目标风暴潮的风压场的比值，在历史数据库中采用计算得到的比值查找对应的历史分包超类别，从而确定目标风暴潮对应的是哪一类别的历史风暴潮。
在具体实施中，可以预先建立历史数据库，历史数据库中可以包括近些年来收集的台风风暴潮的数据。在历史数据库中，可以预先建立历史数据、类别、气压场和风压场的比值之间的映射关系，从而可以根据气压场和风压场的比值，确定历史风暴潮的类别，进而确定该类别对应的历史数据。
在具体实施中，也可以在预设的历史数据库中，采用聚类算法确定目标风暴潮对应的历史风暴潮类别。
在本发明实施例中，可以采用kmeans聚类算法，将目标风暴潮的气压场与风压场的比值输入至历史数据库中；根据预先定义的k个类和每个类的质心，计算目标风暴潮的参数所属的候选类，重新计算候选类的质心至收敛，从而确定目标风暴潮对应的历史风暴类别。
例如，设目标风暴潮中的气压场与风压场的比值为x(m+1)，将该比值输入至历史数据库{x(1)、x(2)……x(m)}中，得到训练样本集{x(1)、x(2)……x(m+1)}，再预先设定好k个类和每个类的质心为μ1，μ2，...，μk，重复下面过程直到收敛
Figure BDA0002560895470000051
x(i)属于训练样本集{x(1)、x(2)……x(m+1)}，c(i)代表样例i与k个类中距离最近的那个类，c(i)的值是1到k中的一个。质心μj代表对属于同一个类的样本中心点的猜测。
由上述计算可以得到C(m+1)，即样例m+1(目标风暴潮)与k个类中距离最近的那个类，并输出类别历史库中的全部数据。
可以理解的是，在实际应用中，还可以存在其他的方法，来从历史数据库中查找与目标风暴潮对应的历史风暴潮类别，本发明实施例不做赘述。
在具体实施中，根据目标风暴潮的参数，从历史数据库中选择对应的历史风暴潮类别，实质上是从历史数据库中选择与目标风暴潮较为相近的历史风暴潮类别，从而根据所选取的历史风暴潮类别，获知其对应的历史数据，进而推测目标风暴潮对应的一些参数。
步骤S103，获取与所述历史数据对应的目标BP神经网络模型。
在具体实施中，可以针对历史数据库中的每一个历史风暴潮类别，预先建立对应的目标BP神经网络模型；也可以根据所选择的历史数据，实时进行训练得到目标BP神经网络模型。
在具体实施中，历史数据库中的每一个历史风暴潮类别可能会包括多个历史风暴潮，每一个历史风暴潮都包括与之一一对应的历史数据。
在具体实施中，可以将历史数据中的风暴潮的气压场、风压场、GIS地理数据以及海水水位作为输入值，将历史数据中的风暴潮的风暴潮位作为输出值，传输至预设的BP神经网络模型中进行训练，得到目标BP神经网络模型。
在本发明实施例中，可以采用如下步骤训练得到BP神经网络模型：
A1：初始化神经网络，对每个神经元的w和b赋予随机值；
A2：输入所选取的历史数据，对于所选取的历史数据，将历史数据中的风暴潮的气压场、风压场、GIS地理数据以及海水水位作为输入值输入到神经网络的输入层，进行一次正向传播得到输出层各个神经元的输出值；每个神经元的输出为历史数据中风暴潮的风暴潮位；
A3：求出输出层的误差，再通过反向传播算法，向后求出每一层的每个神经元的误差；
A4：通过误差可以得出每个神经元的
Figure BDA0002560895470000061
再乘上负的学习率-η，就得到了Δw、Δb，将每个神经元的w和b更新为w+Δw、b+Δb，从而完成对目标BP神经网络模型的训练。
步骤S104，将所述目标风暴潮的参数输入至所述目标BP神经网络模型中，获取所述目标风暴潮对应的风暴潮位。
在具体实施中，在获取到目标BP神经网络模型后，可以将目标风暴潮的参数输入至目标BP神经网络模型中，从而可以确定目标风暴潮对应的风暴潮位。
在本发明实施例中，在获取到目标BP神经网络模型后，可以将目标风暴潮的气压场、目标风暴潮的风压场、目标风暴潮的GIS地理数据以及当前海水水位等作为输入值，输入至目标BP神经网络模型中。
由上述步骤S103可知，在训练目标BP神经网络模型时，目标BP神经网络模型的输出值为风暴潮位。因此，将上述输入值输入至目标BP神经网络模型中后，目标BP神经网络模型即可输出与输入值对应的风暴潮位。
步骤S105，根据所述风暴潮位与已知的堤坝高度，确定所述风暴潮位的淹没高度以及淹没范围。
在具体实施中，可以根据目标风暴潮的GIS地理数据，确定相关区域的堤坝高度。根据上述步骤S104计算得到的风暴潮位以及已知的堤坝高度，可以确定风暴潮位的淹没高度以及淹没范围。
在本发明实施例中，可以根据风暴潮位以及已知的堤坝高度，将二者进行比较，可以确定风暴潮位的淹没高度。根据目标风暴潮的风压场和目标风暴潮的淹没高度，可以确定目标风暴潮的淹没范围。
步骤S106，将所述风暴潮位的淹没高度以及淹没范围可视化展示。
在具体实施中，在获取到风暴潮位的淹没高度以及淹没范围后，可以在地图数据上将淹没高度以及淹没范围进行可视化展示，从而可以直观地显示出台风风暴潮的威力以及波及范围。
例如，在地图数据上，显示淹没高度为2米，淹没范围为A镇B村的部分区域，从而能够更好地对台风风暴潮进行预警，提醒相关区域的居民提前做好相应的防范。
在本发明实施例中，目标风暴潮的风压场可以为目标风暴潮的移动速度，目标风暴潮的气压场可以采用如下公式确定：P＝P1-P2，其中：P为目标风暴潮的气压场，P1为目标风暴潮的中心气压，P2为目标风暴潮的边缘气压。
相应地，历史风暴潮的风压场可以为历史风暴潮的移动速度，历史风暴潮的气压场可以采用如下公式确定：P＝P1-P2，此时，公式中的P为历史风暴潮的气压场，P1为历史风暴潮的中心气压，P2为历史风暴潮的边缘气压。
本发明实施例还提供了一种台风风暴潮情景模拟装置20，包括：参数获取单元201、第一确定单元202、模型获取单元203、风暴潮位获取单元204、第二确定单元205以及展示单元206，其中：
参数获取单元201，用户获取目标风暴潮的参数；
第一确定单元202，用于根据所述目标风暴潮的参数，确定与所述目标风暴潮对应的历史风暴潮类别，并获取所述历史风暴潮类别对应的历史数据；
模型获取单元203，用于获取与所述历史数据对应的目标BP神经网络模型，所述目标BP神经网络模型由所述历史数据训练得到；
风暴潮位获取单元204，用于将所述目标风暴潮的参数输入至所述目标BP神经网络模型中，获取所述目标风暴潮对应的风暴潮位；
第二确定单元205，用于根据所述风暴潮位与已知的堤坝高度，确定所述风暴潮位的淹没高度以及淹没范围；
展示单元206，用于将所述风暴潮位的淹没高度以及淹没范围可视化展示
在具体实施中，上述台风风暴潮情景模拟装置的具体工作流程以及工作原理可以参照上述的台风风暴潮情景模拟方法，本发明实施例不做赘述。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (9)

1.一种台风风暴潮情景模拟方法，其特征在于，包括：
获取目标风暴潮的参数；
根据所述目标风暴潮的参数，确定与所述目标风暴潮对应的历史风暴潮类别，并获取所述历史风暴潮类别对应的历史数据；
获取与所述历史数据对应的目标BP神经网络模型，所述目标BP神经网络模型由所述历史数据训练得到；
将所述目标风暴潮的参数输入至所述目标BP神经网络模型中，获取所述目标风暴潮对应的风暴潮位；
根据所述风暴潮位与已知的堤坝高度，确定所述风暴潮位的淹没高度以及淹没范围；
将所述风暴潮位的淹没高度以及淹没范围可视化展示。
2.如权利要求1所述的台风风暴潮情景模拟方法，其特征在于，所述获取目标风暴潮的参数，包括：
获取所述目标风暴潮的气压场以及所述目标风暴潮的风压场。
3.如权利要求2所述的台风风暴潮情景模拟方法，其特征在于，所述获取与所述历史数据对应的目标BP神经网络模型，包括：
将所述历史数据中的风暴潮的气压场、风压场、GIS地理数据以及海水水位作为输入值，将所述历史数据中的风暴潮的风暴潮位作为输出值，传输至预设的BP神经网络模型中进行训练，得到所述目标BP神经网络模型。
4.如权利要求2所述的台风风暴潮情景模拟方法，其特征在于，所述目标风暴潮的参数还包括：GIS地理数据、海水水位；将所述目标风暴潮的参数输入至所述目标BP神经网络模型中，获取所述目标风暴潮对应的风暴潮位，包括：
将所述目标风暴潮的气压场、风压场、GIS地理数据以及海水水位输入至所述目标BP神经网络模型中，获取所述目标风暴潮对应的风暴潮位。
5.如权利要求4所述的台风风暴潮情景模拟方法，其特征在于，所述根据所述风暴潮位与已知的堤坝高度，确定所述风暴潮位的淹没高度以及淹没范围，包括：
根据所述风暴潮位与所述堤坝高度，确定所述风暴潮位的淹没高度；
根据所述目标风暴潮的风压场与所述风暴潮位的淹没高度，确定所述淹没范围。
6.如权利要求1所述的台风风暴潮情景模拟方法，其特征在于，所述根据所述目标风暴潮的参数，确定与所述目标风暴潮对应的历史风暴潮类别，包括：
在预设的历史数据库中，采用聚类算法确定所述目标风暴潮对应的历史风暴潮类别。
7.如权利要求6所述的台风风暴潮情景模拟方法，其特征在于，所述采用聚类算法确定所述目标风暴潮的参数对应的历史风暴潮类别，包括：
采用kmeans聚类算法，将所述目标风暴潮的参数输入至所述历史数据库中；
根据预先定义的k个类和每个类的质心，计算所述目标风暴潮的参数所属的候选类；
重新计算所述候选类的质心至收敛，确定所述目标风暴潮对应的历史风暴潮类别。
8.如权利要求1所述的台风风暴潮情景模拟方法，其特征在于，所述目标风暴潮的风压场为所述目标风暴潮的移动速度；所述目标风暴潮的气压场采用如下公式确定：P＝P1-P2；其中，P为所述目标风暴潮的气压场，P1为所述目标风暴潮的中心气压，P2为所述目标风暴潮的边缘气压。
9.一种台风风暴潮情景模拟装置，其特征在于，包括：
参数获取单元，用户获取目标风暴潮的参数；
第一确定单元，用于根据所述目标风暴潮的参数，确定与所述目标风暴潮对应的历史风暴潮类别，并获取所述历史风暴潮类别对应的历史数据；
模型获取单元，用于获取与所述历史数据对应的目标BP神经网络模型，所述目标BP神经网络模型由所述历史数据训练得到；
风暴潮位获取单元，用于将所述目标风暴潮的参数输入至所述目标BP神经网络模型中，获取所述目标风暴潮对应的风暴潮位；
第二确定单元，用于根据所述风暴潮位与已知的堤坝高度，确定所述风暴潮位的淹没高度以及淹没范围；
展示单元，用于将所述风暴潮位的淹没高度以及淹没范围可视化展示。
CN202010610920.0A 2020-06-29 2020-06-29 台风风暴潮情景模拟方法及装置 Active CN111753469B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010610920.0A CN111753469B (zh) 2020-06-29 2020-06-29 台风风暴潮情景模拟方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010610920.0A CN111753469B (zh) 2020-06-29 2020-06-29 台风风暴潮情景模拟方法及装置

Publications (2)

Publication Number Publication Date
CN111753469A true CN111753469A (zh) 2020-10-09
CN111753469B CN111753469B (zh) 2023-05-30

Family

ID=72676584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010610920.0A Active CN111753469B (zh) 2020-06-29 2020-06-29 台风风暴潮情景模拟方法及装置

Country Status (1)

Country Link
CN (1) CN111753469B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112231979A (zh) * 2020-10-16 2021-01-15 中国船舶重工集团海装风电股份有限公司 基于计算流体力学和机器学习的山区瞬时风况预报方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102109619A (zh) * 2009-12-23 2011-06-29 栗小东 一种基于人工智能的台风增水预测系统和方法
US20140344209A1 (en) * 2010-08-23 2014-11-20 Institute Of Nuclear Energy Research, Atomic Energy Council, Executive Yuan Wind energy forecasting method with extreme wind speed prediction function
CN107729656A (zh) * 2017-10-19 2018-02-23 福建四创软件有限公司 基于台风过程风场作用下的风暴潮漫堤风险预警方法
CN110163254A (zh) * 2019-04-19 2019-08-23 淮阴工学院 一种基于递归神经网络的黄瓜温室产量智能化预测装置
CN110874765A (zh) * 2019-10-22 2020-03-10 腾讯科技（深圳）有限公司 一种数据处理方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102109619A (zh) * 2009-12-23 2011-06-29 栗小东 一种基于人工智能的台风增水预测系统和方法
US20140344209A1 (en) * 2010-08-23 2014-11-20 Institute Of Nuclear Energy Research, Atomic Energy Council, Executive Yuan Wind energy forecasting method with extreme wind speed prediction function
CN107729656A (zh) * 2017-10-19 2018-02-23 福建四创软件有限公司 基于台风过程风场作用下的风暴潮漫堤风险预警方法
CN110163254A (zh) * 2019-04-19 2019-08-23 淮阴工学院 一种基于递归神经网络的黄瓜温室产量智能化预测装置
CN110874765A (zh) * 2019-10-22 2020-03-10 腾讯科技（深圳）有限公司 一种数据处理方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112231979A (zh) * 2020-10-16 2021-01-15 中国船舶重工集团海装风电股份有限公司 基于计算流体力学和机器学习的山区瞬时风况预报方法

Also Published As

Publication number Publication date
CN111753469B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN107193060B (zh) 一种多路径台风风暴潮快速预测方法及系统
CN108038577B (zh) 一种单站海浪有效波高数值预报结果多要素修正方法
CN110646867A (zh) 一种城市排水监测预警方法和系统
CN109472283B (zh) 一种基于多重增量回归树模型的危险天气预测方法和装置
CN107480781A (zh) 神经网络自适应卡尔曼滤波的核事故源项反演方法
Parker Simulation and understanding in the study of weather and climate
CN115951014A (zh) 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法
CN110716998B (zh) 一种精细尺度人口数据空间化方法
CN111753469A (zh) 台风风暴潮情景模拟方法及装置
CN116976227B (zh) 一种基于lstm机器学习的风暴增水预报方法及系统
CN114139590A (zh) 用于估算海洋温度的方法
CN106202920A (zh) 一种单站海面气压的数值预报释用方法
CN116467933A (zh) 基于深度学习的风暴潮增水预测方法及系统
CN113779892B (zh) 一种风速和风向的预测方法
Fischer et al. Seasonal cycle in German daily precipitation extremes
CN115034159A (zh) 一种海上风电场的功率预测方法、装置、存储介质及系统
CN114488160A (zh) 顾及三维风场影响的雷达降雨估算误差校正方法
CN107341568A (zh) 一种台风风暴增水预测方法及系统
CN107124003B (zh) 风力发电场风能预测方法和设备
TWI592890B (zh) 二維淹水潛勢圖的產生方法
CN110727719A (zh) 一种基于动力松弛逼近的闪电定位资料同化方法
CN117471575B (zh) 基于bo-lstm神经网络模型的台风浪波高预报方法
CN117421601B (zh) 一种海面蒸发波导临近期快速预报方法
CN112686254B (zh) 一种基于红外卫星云图的台风中心定位方法
CN109670645A (zh) 预测风速模型的建立方法及装置

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