CN111967653A - 一种构建机场跑道风预报模型的方法及预报方法、系统 - Google Patents
一种构建机场跑道风预报模型的方法及预报方法、系统 Download PDFInfo
- Publication number
- CN111967653A CN111967653A CN202010711739.9A CN202010711739A CN111967653A CN 111967653 A CN111967653 A CN 111967653A CN 202010711739 A CN202010711739 A CN 202010711739A CN 111967653 A CN111967653 A CN 111967653A
- Authority
- CN
- China
- Prior art keywords
- forecasting
- wind
- data
- model
- hours
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013277 forecasting method Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 54
- 238000012512 characterization method Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 34
- 238000011156 evaluation Methods 0.000 claims description 23
- 238000010276 construction Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 9
- 238000010187 selection method Methods 0.000 claims description 7
- 238000003908 quality control method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 238000007637 random forest analysis Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000013213 extrapolation Methods 0.000 description 6
- 230000032683 aging Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
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
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种构建机场跑道风预报模型的方法及预报方法、系统，所述机场跑道风预报方法包括以下步骤：包括：获取预定时间内预报机场跑道风所需的数据，并对所述数据进行预处理；将预处理后的数据进行特征化处理；采用特征化处理后的数据分别构建用于预测0‑2小时的风速和风向的第一预报模型和用于预测2‑24小时的风速和风向的第二预报模型，采用所述第一预报模型和所述第二预报模型对机场跑道风的风速和风向进行预报。本发明的机场跑道风预报方法可以有效并精确的对短时临近的机场跑道风进行预报，且可以直接对影响航空器的沿跑道方向的风(顺跑道方向风，即顺风)进行预报，避免了传统模型对U、V方向的风场预报效果好，但对沿跑道/顺跑道风量预报相对较差的问题。
Description
技术领域
本发明涉及低空风场预报领域，具体涉及一种构建机场跑道风预报模型的方法及预报方法、系统。
背景技术
飞机需要迎风起落以保证其飞行的安全性，并缩短起飞或着陆时的滑行距离。飞机起落时的低空风场(风速、风向)对飞行安全、航班延误、改航等有重要影响，但由于其受局部地形、天气形势的影响较大，且同时存在观测资料的时空密度不够，对其物理机制的了解不足等问题，目前预报的难度很大；另外，现有跑道近地面风场主要以观测产品为主，民航气象部门也没有为管制部门、航空公司、机场提供专门的跑道道面风预报产品，提供精准的跑道风短临预报产品已是航空运输的迫切需求。
发明内容
为了解决背景技术中至少一个技术问题，本发明提供一种构建机场跑道风预报模型的方法及预报方法、系统，可以有效并精确的对短时临近的机场跑道风的风速及风向进行预报，且可以直接对影响航空器的沿跑道方向的风进行预报，避免了传统模型对U、V方向的风速、风向预报效果好，但对沿跑道/顺跑道风量预报相对较差的问题。
本发明所采用的技术方案具体如下：
根据本发明的一个方面，提供一种构建机场跑道风预报模型的方法，包括以下步骤：
获取预定时间内预报机场跑道风所需的数据，并对数据进行预处理；
将预处理后的数据进行特征化处理；
采用特征化处理后的数据分别构建用于预测0-2小时的风速和风向的第一预报模型和用于预测2-24小时的风速和风向的第二预报模型。
可选地，对数据进行预处理包括：对数据进行质量控制、插值和插补、结构化处理和数据接口处理。
可选地，将预处理后的数据进行特征化处理，包括：
将数据采用特征化方法选取部分特征作为特征因子；
采用特征因子构建训练数据集。
可选地，采用特征化处理后的数据构建用于预测0-2小时的风速和风向的第一预报模型，还包括：
采用所述特征化处理后的数据输入多个预报算法以构建多个算法模型，并采用所述多个算法模型进行预报，输出预报结果；
将预报结果进行均方根误差RMSE评估，根据评估结果确定某一算法模型为预报模型；
将特征化处理后的数据输入预报模型并进行建模训练，构建用于预测0-2小时的风速和风向的第一模型。
可选地，采用特征化处理后的数据构建用于预测2-24小时的风速和风向的第二预报模型，还包括：采用数据对数值模式进行建模训练，构建用于预测2-24小时的风速和风向的第二模型。
可选地，采用数据对数值模式进行建模训练，还包括：
将预定时刻的数据输入数值模式，输出预定时刻后0-24小时内的气象要素数据；
将0-24小时内的气象要素数据与数据的对应时刻的气象要素相拟合。
可选地，采用数据对数值模式进行建模训练，还包括：
将预定时刻的数据输入数值模式，输出预定时刻后的0-24小时内的气象要素数据；
对输出预定时刻后的0-24小时内的气象要素数据进行筛选；
将筛选后的气象要素与数据的对应时刻的气象要素数据相拟合。
可选地，获取预定时间内预报机场跑道风所需的数据，数据包括侧风风速数据、顺风风速数据、实际风速数据和实际风向数据。
可选地，还包括：分别采用特征化处理后的侧风风速数据、顺风风速数据、实际风速数据和实际风向数据构建机场跑道风侧风预报模型、机场跑道风顺风预报模型、机场跑道风实际风速和实际风向预报模型。
根据本发明的另一个方面，提供一种机场跑道风预报方法，包括：
采用上述方案中任一第一预报模型和第二预报模型对机场跑道风的风速和风向进行预报。
可选地，采用特征化处理后的数据输入如上述方案中任一的第一预报模型，并机场跑道风的风速和风向进行预报，包括：选择预报时刻前6小时的数据输入第一预报模型，预报出预报时刻后2小时每10分钟的风速和风向。
可选地，采用特征化处理后的数据输入如上述方案中任一的第一预报模型，并机场跑道风的风速和风向进行预报，还包括：选择预报时刻前6小时的数据输入机场跑道风预报模型，预报出预报时刻后的2-24小时每10分钟的风速和风向。
可选地，采用特征化处理后的数据输入如上述方案中任一的第一预报模型和第二预报模型，并机场跑道风的风速和风向进行预报，还包括：分别对机场跑道风侧风、顺风、实际风速及实际风向进行预报，直接获得沿跑道方向风的预报结果。
根据本发明的一个方面，提供一种机场跑道风预报系统，预报系统包括：
数据处理单元，用于获取预定时间内的预报机场跑道风所需的数据，并对数据进行预处理；
数据特征化单元，用于将预处理后的数据进行特征化处理；
模型构建单元，用于采用特征化处理后的数据构建用于预测0-2小时的风速和风向的第一预报模型和用于预测2-24小时的风速和风向的第二预报模型；
机场跑道风预报单元，用于采用第一预报模型和第二预报模型对机场跑道风的风速、风向进行预报。
可选地，数据特征化单元还包括：
数据特征选择模块，用于将数据采用特征选择方法选取部分特征作为特征因子；
数据集构建模块，用于采用特征因子构建训练数据集和预报数据集。
可选地，模型构建单元还包括：
算法预报模块，用于将所述特征化处理后的数据输入多个预报算法以构建多个算法模型，并采用所述多个算法模型进行预报，输出预报结果；
算法评估模块，用于将预报结果进行均方根误差RMSE评估，根据评估结果确定某一算法模型为预报模型；
建模模块，用于将特征化处理后的数据输入预报模型并进行建模训练，构建机场跑道风预报模型。
可选地，模型构建单元还包括：
数值模式预报模块，用于将预定时刻的数据输入数值模式，输出预定时刻后0-24小时内的气象要素数据；
数据拟合模块，用于将0-24小时内的气象要素数据与数据的对应时刻的气象要素相拟合。
可选地，模型构建单元还包括：
数值模式预报模块，用于将预定时刻的数据输入数值模式，输出预定时刻后的0-24小时内的气象要素数据；
数据筛选模块，用于对输出预定时刻后的0-24小时内的气象要素数据进行筛选；
数据拟合模块，用于将筛选后的气象要素与数据的对应时刻的气象要素数据相拟合。
可选地，机场跑道风预报单元还包括：
机场跑道风顺风预报单元；用于对机场跑道风顺风进行预报；
机场跑道风侧风预报单元；用于对机场跑道风侧风进行预报；
机场跑道风实际风速预报单元；用于对机场跑道风实际风速进行预报；
机场跑道风实际风向预报单元；用于对机场跑道风实际风向进行预报。
与现有技术相比，本发明所述的构建机场跑道风预报模型的方法及预报方法、系统至少具备如下有益效果：
本发明提供一种构建机场跑道风预报模型的方法及预报方法、系统，包括：获取预定时间内预报机场跑道风所需的数据，并对所述数据进行预处理；将预处理后的数据进行特征化处理；采用特征化处理后的数据分别构建用于预测0-2小时的风速和风向的第一预报模型和用于预测2-24小时的风速和风向的第二预报模型，采用所述第一预报模型和所述第二预报模型对机场跑道风的风速和风向进行预报。在对短时临近0-2小时的跑道风预报时，将所述特征化处理后的数据输入多个算法模型，并输出预报结果；将所述预报结果进行均方根误差RMSE评估，根据评估结果确定某一算法模型为预报模型，以提高预报的准确性。在对短期2-24小时机场跑道风进行预测时，采用数值模式进行建模训练，如采用欧洲中期天气预报中心模式(ECMWF)短中期预报产品对2-24小时的风速和风向进行预报；并将该预报结果与获取数据的对应数据相拟合，进而提高预报的准确性。此外，本发明还分别对机场跑道风侧风、顺风及实际风速进行预报，基于此，可以直接获得沿跑道方向风的预报结果，避免了传统模型对U、V方向风速、风向预报效果好，但对沿跑道/顺跑道风量预报相对较差的问题。
附图说明
图1a为本发明实施例1中所述构建机场跑道风预报模型的方法流程图；
图1b为本发明实施例2中所述机场跑道风短时临近预报方法流程图；
图2a为本发明实施例1中根据白云机场数据进行的ARMA、XGBoost、持续外推法(Previous T)预报结果的均方根误差对比图；
图2b为本发明实施例1中根据白云机场数据进行的随机森林(RF)、LightGBMt、持续外推法(Previous T)预报结果的均方根误差对比图；
图3为本发明实施例1中用于对2-24小时机场跑道风进行预报的第二预报模型构建示意图；
图4为本发明实施例1中采用XGBoost算法构建预报模型的直接预报示意图；
图5为本发明实施例1中0-2小时临近预报因子特征化处理示意图；
图6为本发明实施例1中多种气象要素不同组合方案得到的均方根误差对比图；
图7a为本发明实施例2中沿跑道顺风分量、侧风分量示意图；
图7b为本发明实施例2中沿跑道顺风分量、侧风分量及实际风示意图；
图8a为本发明实施例中预报风速与真实风速之间的均方根误差对比图；
图8b为本发明实施例中预报风速的准确率及其随预报时效的变化示意图；
图8c为本发明实施例中实际风向预报准确率随预报时效的变化图；
图9a为本发明实施例中短期预报均方根误差的箱须图(图中中间横线为中位数)；其中fmu_pre、fmv_ec、fmv_pre、fmv_ec、ws_pre、ws_ec分别为EC释用预报模型预报侧风、EC预报侧风、EC释用预报模型预报顺风、EC预报顺风、EC释用预报模型预报实际风速、EC预报风速的RMSE；
图9b为本发明实施例中短期预报风速、风向准确率的箱须图(其中中间横线为中位数)；其中fmu_pre、fmv_ec、fmv_pre、fmv_ec、ws_pre、ws_ec、wd_pre、wd_ec分别为EC释用模型预报侧风、EC预报侧风、EC释用预报模型预报顺风、EC预报顺风、EC释用预报模型预报实际风速、EC预报风速、EC释用预报模型预报实际风向、EC预报风向的准确率；
图10为本发明实施例3中所述机场跑道风短时临近预报系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
在本实施例中，提供一种构建机场跑道风预报模型的方法，如图1a所示，具体如下：
一、获取预定时间内预报机场跑道风所需的数据，并对所述数据进行预处理
本实施例采用白云国际机场2016年7月-2019年6月期间的数据；白云国际机场周边范围为：22°24′N～24°24′N，112°18′E～114°18′E；(2°×2°范围)；
1)本实施例获取的数据如下：
(1)白云机场3条跑道区域自观数据，见表1：
表1自观数据各气象要素
(2)白云机场周边范围27个自动站(时间分辨率10分钟)气象要素，包括平均风速、平均风向、最大风速、最大风速的风向、最大风速出现的时间、瞬时风速、瞬时风向、气温、气压、降水量、相对湿度、最小相对湿度、最小相对湿度出现的时间、0cm地温等气象要素；
(3)白云机场周边范围探空站(08时、14时、20时)各高度风速、风向、气温、气压、相对湿度、辐射等气象要素；
(4)白云机场周边范围多普勒雷达的径向速度；机场周边风廓线雷达的风速风向产品，时间分辨率10分钟(或者为6分钟)。
2)对上述数据进行预处理；
根据气象行业数据处理技术规范，对收集的各类数据进行质量控制、插值和插补、规范的结构化处理、标准化封装数据接口等预处理，保证各类数据资料的准确和完整。
二、将预处理后的数据进行特征化处理；
将上述数据进行特征化处理，包括依据专业气象知识对必要的特征进行主观评估，再对选择出来的变量进行如特征选择、特征提取、特征重建等方法，主要目的是降低数据特征维度、提高预报准确率，同时数据特征的减少也可以提高运算速度、节省运算资源和时间。具体地，可使用随机森林中的特征重要性排序法、LASSO回归特征选择等方法进行特征化处理；即，将各个气象要素为特征，采用特征化处理方法选取特征因子。
三、采用特征化处理后的数据构建用于预测0-2小时的风速和风向的第一预报模型
1)采用所述特征化处理后的数据输入多个预报算法以构建多个算法模型，并采用所述多个算法模型进行预报，输出预报结果；
采用经过特征化处理后的数据构建训练数据集和预报数据集，其中训练数据集用于对多种机器学习算法建立模型，预报数据集用于检验算法模型的效果。具体地，将上述特征化处理后的数据根据季节分布特征进行划分，并用每个月的前24天数据集作为训练数据集，每个月的剩余天数的数据作为预报数据集；其中所述训练数据集和预报数据集中的数据因子的构建具体如下：考虑逐日循环，分别取前一小时内逐10mins内的一个值，和前1小时-6小时逐1小时内的一个值作为特征因子，则每个气象要素在前6个小时内都有11个时次的特征因子。
采用训练数据集对6种预报方法进行建模训练，输出6种算法模型；采用预报数据集输入6中算法模型，并获得预报结果。具体地，将训练数据集中的前6个小时内的每个气象因素的11个特征因子分别输入以下6种预报算法：持续预报法、ARMA、随机森林、XGBoost、LigthGBM、LSTM，进行建模训练，获得以上6种算法模型；将预报数据集中的前6个小时内的每个气象因素的11个特征因子数据输入建模训练后的6种算法模型，并分别获得实际风速、实际风向、顺风分量、侧风分量的预报结果。
2)将所述预报结果进行均方根误差RMSE评估，根据评估结果确定某一算法模型为预报模型。
具体地，以均方根误差RMSE为评价标准，对上述获得的实际风速、实际风向、顺风分量、侧风分量的预报结果进行评估，优选出误差最小的方法作为预报该机场跑道风的预报模型。
将获得的白云国际机场的数据为例，以均方根误差RMSE为评价标准，其中ARMA、XGBoost、持续外推法(Previous T)预报结果的均方根误差对比图，如图2a所示；随机森林(RF)、LightGBMt、持续外推法(Previous T)预报结果的均方根误差对比图，如图2b所示；XGBoost和LSTM预报结果的均方根误差对比表，如表2所示。
表2 XGBoost和LSTM预报结果的均方根误差对比
由图2a-2b和表2数据可得，XGBoost算法模型优于其他5种算法，即选用XGBoost算法模型作为用于预测机场跑道风0-2小时的风速和风向的第一预报模型。
四、采用特征化处理后的数据构建用于预测2-24小时的风速和风向的第二预报模型
将预定时刻特征化处理后的所述数据输入数值模式，输出所述预定时刻后0-24小时内的气象要素数据；将所述0-24小时内的气象要素数据与所述数据的对应时刻的气象要素相拟合，进而对所述数值模式进行建模训练。
具体地，对2-24小时进行风速、风向预报时，采用ECMWF模式进行预报，输出预定时刻后的0-24小时内的气象要素数据，将ECMWF模式输出的预定时刻后0-24小时内的气象要素数据(使用0-24小时内的10米纬向风分量、10米经向风分量以及二者合成的10米风速、10米风向)作为输入特征，以对应时刻观测所得的真实风速、风向作为预测结果，分别尝试极端梯度提升树(XGBoost)和随机森林(Random Forest)方法寻找输入特征与预测结果之间的关系，并进行拟合，得到第二预报模型。具体建模过程如下：
定义风速预测训练样本集(Xi，Yi)，其中Yi为训练样本集中第i个样本的真实风速、风向值，Xi为第i个样本的气象要素取值所建立的特征向量；
在确定了训练样本集的基础上，建立单棵回归决策树；
通过训练样本集中的特征向量X和其对应的真实风速、风向值Y，分别生成决策树模型；
在单棵决策树的构建基础上，构建整个随机森林，即获得第二预报模型，如图3所示。其中生成的随机森林是多元非线性回归分析模型，随机森林预测值是所有决策树预测值的组合。
需要说明的是，本实施例中采用的数值模式为欧洲中期天气预报中心模式(ECMWF)短中期预报产品，ECMWF模式预报的格点气象要素空间范围取定义的机场周边范围，预报空间分辨率地面为0.125°×0.125°网格，高空为0.25°×0.25°网格。每天按照所使用的初值分为0时与12时给出2个时次的预报，选择预报时间分辨率为0-24小时3小时间隔预报。预报要素包括地面层预报场和气压层预报场100米东西风、100米南北风、10米东西风、10米南北风、过去3小时10米阵风、过去6小时10米阵风、2米温度、平均海平面气压、相对湿度等几十个气象要素数据。
进一步地，为了降低数据维度、同时减少计算开销，采用特征选择方法对输入数据进行特征化处理；在本实施例中采用Lasso回归的嵌入式选择法对输入数据中的多个特征进行特征选择，以获得的特征因子作为输入数据，进行预报。
在可选实施例中，对所述输出预定时刻后的0-24小时内的气象要素数据进行筛选；具体地，在采用ECMWF模式输出数据的多个特征(气象要素)进行释用预报时，选择相对重要的权重作为EC释用预报模型的输入数据，对EC释用预报模型进行建模训练。
更具体地，如表3所示，在使用ECMWF模式输出数据的多个特征(气象要素)对风速、风向进行EC释用预报模型进行预报时，不同的预报时效各气象要素的权重大小不一。尤其是在0-24小时时效内，只有10米纬向风分量、10米经向风分量以及二者合成的10米风速具有相对重要的权重，其他气象要素的权重几乎为零。因而在后续EC释用预报模型预报中，采用10米纬向风分量、10米经向风分量以及二者合成的10米风速、10米风向作为EC释用预报模型的输入特征进行模型训练。
表3各预报时效中不同气象要素权重分布(以试验预报时效0-192小时)
实施例2
本实施例还提供一种机场跑道风的预报方法，如图1b所示，其步骤包括：
一、获取预定时间内预报机场跑道风所需的数据，并对所述数据进行预处理；
二、将预处理后的数据进行特征化处理；
三、采用特征化处理后的数据分别构建用于预测0-2小时的风速和风向的第一预报模型和用于预测2-24小时的风速和风向的第二预报模型。
所述步骤一、二和三与实施例1中的步骤相同，在此不再一一赘述。
三、采用用于预测0-2小时的风速和风向的所述第一预报模型对机场跑道风的风速和风向进行预报。
采用白云机场数据进行0-2小时风速、风向短临预报时，对使用XGBoost算法(极端梯度提升)建模训练所得的机场跑道风第一预报模型直接对未来某一时刻进行预报，其中直接预报示意图如图4所示。更具体地，使用当前时刻前6小时2°×2°空间范围内的跑道自观站以及周边国家自动站数据(包括风速、风向、气压、温度、相对湿度等气象要素)作为输入数据输入第一预报模型，直接预报跑道区域未来2小时每10分钟的风速、风向。
在可选实施例中，为了降低数据特征维度、提高预报准确率，同时减少数据特征以提高运算速度、节省运算资源和时间，将所述数据采用特征选择方法选取部分特征作为特征因子。具体地，如图5所示，采用随机森林算法中的特征重要性排序方法对输入数据的多个特征进行特征化处理；即，根据输入数据中的特征重要性进行排序，选择重要的特征作为特征因子进行输入，并进行预报。
为了证明经特征化处理选择的特征因子对预报准确性的影响，本实施例将采用多站多要素组合和多站单要素组合的0-2小时的预报结果进行均方根误差RMSE评估，所得结果如图6所示。由图6可知，多站多要素组合和多站单要素组合(风场)的平均均方根误差RMSE相差很小，即可以用特征工程之后得到的特征因子进行预报，与所有要素一起构建的模型结果基本一致。
四、采用用于预测2-24小时的风速和风向的所述第二预报模型对机场跑道风的风速和风向进行预报。
采用建模训练后的EC释用预报模型(第二预报模型)对短期2-24小时内的风速、风向进行预报；选择预报时刻前6小时的所述数据输入机场跑道风预报模型，预报出所述预报时刻后的2-24小时每10分钟的风速和风向。
在可选实施例中，采用直接对影响航空器的沿跑道方向的风(顺跑道方向风，即顺风)进行预报。
具体地，获取预定时间内预报机场跑道风所需的数据，所述数据包括侧风风速数据、顺风风速数据、实际风速数据和实际风向数据。采用特征化处理后的数据构建机场跑道风预报模型，还包括：分别将特征化处理后的侧风风速数据、顺风风速数据、实际风速数据和实际风向数据构建机场跑道风侧风预报模型、机场跑道风顺风预报模型、机场跑道风实际风速、实际风向预报模型。在对跑道区域风速、风向进行预报时，对顺风、侧风、实际风速(合成风)、以及实际风向(合成风向)分别构建模型进行预报。将实际风速、实际风向换算为沿跑道方向(顺跑道方向风，即顺风)的风速大小，正值代表沿跑道方向向北为正，负值代表沿跑道方向向南为正，如图7a-7b所示。对垂直跑道方向的风(侧风)进行预报，正值代表垂直跑道方向的偏西风大小，负值代表垂直跑道方向的偏东风大小。使用沿跑道/顺跑道风量预报可直接得到影响跑道区域飞机起降的结果，避免了传统模型对U、V方向的风速、风向预报效果好，但对沿跑道/顺跑道风量预报相对较差的问题。
实施例3
本实施例提供一种机场跑道风短时临近预报系统；如图10所示，所述预报系统具体包括：数据处理单元、数据特征化单元、模型构建单元和机场跑道风预报单元。
具体地，数据处理单元，用于获取预定时间内的预报机场跑道风所需的数据，并对所述数据进行预处理。
数据特征化单元，用于将预处理后的数据进行特征化处理。在可选实施例中，所述数据特征化单元还包括数据特征选择模块和数据集构建模块，所述数据特征选择模块用于将数据采用特征选择方法选取部分特征作为特征因子；所述数据集构建模块，用于采用特征因子构建训练数据集和预报数据集。
模型构建单元，用于采用特征化处理后的数据构建机场跑道风预报模型；在可选实施例中，所述模块构建单元包括算法预报模块、算法评估模块和建模模块；其中所述算法预报模块，用于将所述特征化处理后的数据输入多个预报算法以构建多个算法模型，采用所述多个算法模型进行预报，输出预报结果；；所述算法评估模块用于将预报结果进行均方根误差RMSE评估，根据评估结果确定某一算法模型为预报模型；所述建模模块用于将特征化处理后的数据输入预报模型并进行建模训练，构建机场跑道风预报模型。在可选实施例中，模块构建单元包括数值模式预报模块和数据拟合模块；其中所述数值模式预报模块用于将预定时刻的所述数据输入数值模式，输出所述预定时刻后0-24小时内的气象要素数据；所述数据拟合模块用于将所述0-24小时内的气象要素数据与所述数据的对应时刻的气象要素相拟合。在进一步地可选实施例中，所述模块构建单元包括数值模式预报模块、数据筛选模块和数据拟合模块；所述数值模式预报模块用于将预定时刻的所述数据输入数值模式，输出预定时刻后的0-24小时内的气象要素数据；数据筛选模块用于对所述输出预定时刻后的0-24小时内的气象要素数据进行筛选；数据拟合模块用于将所述筛选后的气象要素与所述数据的对应时刻的气象要素数据相拟合。
机场跑道风预报单元，用于采用机场跑道风预报模型对机场跑道风的风速、风向进行预报。在可选实施例中，所述机场跑道风预报单元还包括：机场跑道风顺风预报单元；用于对机场跑道风顺风的预报；机场跑道风侧风预报单元，用于对机场跑道风侧风的预报；机场跑道风实际风速预报单元，用于对机场跑道风实际风速的预报；机场跑道风实际风向预报单元，用于对机场跑道风实际风向的预报。
为了证明本发明实施例中所述的预报方法的准确性，下面将上述对短时临近0-2小时和2-24小时的预报结果进行评估。
具体地，采用均方根误差(RMSE)、风速和风向区间准确率作为模型平级基本标准。
1)均方根误差的计算公式如下：
式中：yi为实测数据，
为预报数据，n为样本量。
2)风速和风向准确率的评估方法如下：
风速和风向区间准确率是依据《民航空管系统机场预报质量评定办法》，从区间内预报准确次数的百分比来度量。
预报风向与真实风向之差小于等于30°时，风向预报记为准确，得1分；预报的风向与真实风向之差大于30°且小于60°时，风向预报记为部分准确，得0.5分；预报的风向与真实风向大于60°时，风向预报记为错误，得0分。
预报的风速与真实风速之差小于等于3米/秒时，记为准确，得1分；若预报的风速与真实风速差大于3米/秒时，记为错误，得0分。当预报风速大于17米/秒时，真实风速大于17米/秒，记为准确，得1分。
表4模型评价标准
| 预报要素 | 预报精度 |
| 风向 | +/-30° |
| 风速 | +/-3米/秒 |
| 大风 | >17米/秒 |
图8a为预报风速与真实风速的均方根误差对比图；由图8a可知，由于顺风和侧风分量引入随机性较大的风向要素，故顺风和侧风的外推的RMSE值要比实际风速外推结果要大；随着外推时效增长，上述三要素的RMSE值也不断增大；顺风的RMSE值在1.1-1.4米/秒之间，侧风的RMSE值在0.9-1.25米/秒之间，实际风速的RMSE值在0.6-1.0米/秒之间。
图8b为预报风速的准确率及其随预报时效的变化；由图8b可知，随着预报时效的增加，对风速预报的准确率也不断下降，但其准确率均在95.5％以上。
图8c为实际风向预报准确率随预报时效的变化图；实际风向模型是由上述侧风模型和顺风模型结果合成，根据实际风向模型外推得到10-120mins的实际风向，由图8c可知，根据实际风向模型对10-120mins内的实际风向进行预报，准确率在72％-82％之间。
需要说明的是，以下所述的EC预报是直接将所述数据输入ECMWF模式得到的预报结果。
图9a为短期预报均方根误差的箱须图；由图9a可知，EC释用预报模型预报的顺风和侧风的均方根误差平均值约为1.95米/秒左右，而EC预报的顺风和侧风的均方根误差约为2.9米/秒和3.1米/秒；EC释用预报模型预报的实际风速均方根误差的平均值约为1.1米/秒，EC预报的实际风速约为1.4米/秒，由此可见，EC释用模型预报显著降低了原EC预报的均方根误差。
图9b为短期预报风速、风向准确率的箱须图；由图9b可知，EC预报的实际风速、顺风、侧风、风向平均准确率分别为97％、75％、73％、47％，EC释用预报模型预报的实际风速、顺风、侧风、风向平均准确率分别为98％、90％、89％、50％。由此可见，EC释用预报模型预报结果大幅提高了准确率，尤其是对顺风和侧风预报的准确率的提高最为显著，分别为提高了15％和16％。
本实施例所述方法对于0-2小时风速预报结果的准确率在72％-82％之间；对于2-24小时预报的实际风速、顺风、侧风、风向平均准确率分别为98％、90％、89％、50％，与原有的EC预报数据相比，本实施例可以将预报结果大幅提高预报的准确率，尤其是对顺风和侧风预报的准确率的提高最为显著，分别为提高了15％和16％。
综上，本发明所述的至少具备如下有益效果：
本发明提供一种构建机场跑道风预报模型的方法及预报方法、系统，包括：获取预定时间内预报机场跑道风所需的数据，并对所述数据进行预处理；将预处理后的数据进行特征化处理；采用特征化处理后的数据分别构建用于预测0-2小时的风速和风向的第一预报模型和用于预测2-24小时的风速和风向的第二预报模型，采用所述第一预报模型和所述第二预报模型对机场跑道风的风速和风向进行预报。在对短时临近0-2小时的跑道风预报时，将所述特征化处理后的数据输入多个算法模型，并输出预报结果；将所述预报结果进行均方根误差RMSE评估，根据评估结果确定某一算法模型为预报模型，以提高预报的准确性。在对短期2-24小时机场跑道风进行预测时，采用数值模式进行建模训练，如采用欧洲中期天气预报中心模式(ECMWF)短中期预报产品对2-24小时的风速和风向进行预报；并将该预报结果与获取数据的对应数据相拟合，进而提高预报的准确性。此外，本发明还分别对机场跑道风侧风、顺风及实际风速进行预报，基于此，可以直接获得沿跑道方向风的预报结果，避免了传统模型对U、V方向风速、风向预报效果好，但对沿跑道/顺跑道风量预报相对较差的问题。
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 (19)
1.一种构建机场跑道风预报模型的方法，其特征在于，包括以下步骤：
获取预定时间内预报机场跑道风所需的数据，并对所述数据进行预处理；
将预处理后的数据进行特征化处理；
采用特征化处理后的数据分别构建用于预测0-2小时的风速和风向的第一预报模型和用于预测2-24小时的风速和风向的第二预报模型。
2.根据权利要求1所述的构建机场跑道风预报模型的方法，其特征在于，对所述数据进行预处理包括：对所述数据进行质量控制、插值和插补、结构化处理和数据接口处理。
3.根据权利要求2所述的构建机场跑道风预报模型的方法，其特征在于，将预处理后的数据进行特征化处理，包括：
将所述数据采用特征化方法选取部分特征作为特征因子；
采用所述特征因子构建训练数据集和预报数据集。
4.根据权利要求1所述的构建机场跑道风预报模型的方法，其特征在于，采用特征化处理后的数据构建用于预测0-2小时的风速和风向的第一预报模型，还包括：
采用所述特征化处理后的数据输入多个预报算法以构建多个算法模型，并采用所述多个算法模型进行预报，输出预报结果；
将所述预报结果进行均方根误差RMSE评估，根据评估结果确定某一算法模型为预报模型；
将所述特征化处理后的数据输入所述预报模型并进行建模训练，构建用于预测0-2小时的风速和风向的第一模型。
5.根据权利要求1所述的构建机场跑道风预报模型的方法，其特征在于，采用特征化处理后的数据构建用于预测2-24小时的风速和风向的第二预报模型，还包括：采用所述数据对数值模式进行建模训练，构建用于预测2-24小时的风速和风向的第二模型。
6.根据权利要求5所述的构建机场跑道风预报模型的方法，其特征在于，采用所述数据对数值模式进行建模训练，还包括：
将预定时刻的所述数据输入数值模式，输出所述预定时刻后0-24小时内的气象要素数据；
将所述0-24小时内的气象要素数据与所述数据的对应时刻的气象要素相拟合。
7.根据权利要求5所述的构建机场跑道风预报模型的方法，其特征在于，采用所述数据对数值模式进行建模训练，还包括：
将预定时刻的所述数据输入数值模式，输出预定时刻后的0-24小时内的气象要素数据；
对所述输出预定时刻后的0-24小时内的气象要素数据进行筛选；
将所述筛选后的气象要素与所述数据的对应时刻的气象要素数据相拟合。
8.根据权利要求1所述的构建机场跑道风预报模型的方法，其特征在于，获取预定时间内预报机场跑道风所需的数据，所述数据包括侧风风速数据、顺风风速数据、实际风速数据和实际风向数据。
9.根据权利要求1所述的构建机场跑道风预报模型的方法，其特征在于，还包括：分别采用特征化处理后的侧风风速数据、顺风风速数据、实际风速数据和实际风向数据构建机场跑道风侧风预报模型、机场跑道风顺风预报模型、机场跑道风实际风速和实际风向预报模型。
10.一种机场跑道风预报方法，其特征在于，包括：
采用如权利要求1～9任一所述第一预报模型和所述第二预报模型对机场跑道风的风速和风向进行预报。
11.根据权利要求10所述的机场跑道风预报方法，其特征在于，采用特征化处理后的数据输入如权利要求1～9任一所述的第一预报模型，并对机场跑道风的风速和风向进行预报，包括：选择预报时刻前6小时的所述数据输入所述第一预报模型，预报出所述预报时刻后2小时每10分钟的风速和风向。
12.根据权利要求10所述的机场跑道风预报方法，其特征在于，采用特征化处理后的数据输入如权利要求1～9任一所述的第一预报模型，并对机场跑道风的风速和风向进行预报，还包括：选择预报时刻前6小时的所述数据输入机场跑道风预报模型，预报出所述预报时刻后的2-24小时每10分钟的风速和风向。
13.根据权利要求10所述的机场跑道风预报方法，其特征在于，采用特征化处理后的数据输入如权利要求1～9任一所述的第一预报模型和所述第二预报模型，并对机场跑道风的风速和风向进行预报，还包括：分别对机场跑道风侧风、顺风、实际风速及实际风向进行预报，直接获得沿跑道方向风的预报结果。
14.一种机场跑道风预报系统，其特征在于，所述预报系统包括：
数据处理单元，用于获取预定时间内的预报机场跑道风所需的数据，并对所述数据进行预处理；
数据特征化单元，用于将预处理后的数据进行特征化处理；
模型构建单元，用于采用特征化处理后的数据构建用于预测0-2小时的风速和风向的第一预报模型和用于预测2-24小时的风速和风向的第二预报模型；
机场跑道风预报单元，用于采用所述第一预报模型和所述第二预报模型对机场跑道风的风速、风向进行预报。
15.根据权利要求14所述的机场跑道风预报系统，其特征在于，所述数据特征化单元还包括：
数据特征选择模块，用于将数据采用特征选择方法选取部分特征作为特征因子；
数据集构建模块，用于采用特征因子构建训练数据集和预报数据集。
16.根据权利要求14所述的机场跑道风预报系统，其特征在于，所述模型构建单元还包括：
算法预报模块，用于将所述特征化处理后的数据输入多个预报算法以构建多个算法模型，并采用所述多个算法模型进行预报，输出预报结果；
算法评估模块，用于将预报结果进行均方根误差RMSE评估，根据评估结果确定某一算法模型为预报模型；
建模模块，用于将特征化处理后的数据输入预报模型并进行建模训练，构建机场跑道风预报模型。
17.根据权利要求14所述的机场跑道风预报系统，其特征在于，所述模型构建单元还包括：
数值模式预报模块，用于将预定时刻的所述数据输入数值模式，输出所述预定时刻后0-24小时内的气象要素数据；
数据拟合模块，用于将所述0-24小时内的气象要素数据与所述数据的对应时刻的气象要素相拟合。
18.根据权利要求14所述的机场跑道风预报系统，其特征在于，所述模型构建单元还包括：
数值模式预报模块，用于将预定时刻的所述数据输入数值模式，输出预定时刻后的0-24小时内的气象要素数据；
数据筛选模块，用于对所述输出预定时刻后的0-24小时内的气象要素数据进行筛选；
数据拟合模块，用于将所述筛选后的气象要素与所述数据的对应时刻的气象要素数据相拟合。
19.根据权利要求14所述的机场跑道风预报系统，其特征在于，所述机场跑道风预报单元还包括：
机场跑道风顺风预报单元；用于对机场跑道风顺风进行预报；
机场跑道风侧风预报单元；用于对机场跑道风侧风进行预报；
机场跑道风实际风速预报单元；用于对机场跑道风实际风速进行预报；
机场跑道风实际风向预报单元；用于对机场跑道风实际风向进行预报。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010711739.9A CN111967653B (zh) | 2020-07-22 | 2020-07-22 | 一种构建机场跑道风预报模型的方法及预报方法、系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010711739.9A CN111967653B (zh) | 2020-07-22 | 2020-07-22 | 一种构建机场跑道风预报模型的方法及预报方法、系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111967653A true CN111967653A (zh) | 2020-11-20 |
| CN111967653B CN111967653B (zh) | 2024-07-05 |
Family
ID=73362629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010711739.9A Active CN111967653B (zh) | 2020-07-22 | 2020-07-22 | 一种构建机场跑道风预报模型的方法及预报方法、系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111967653B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114384608A (zh) * | 2022-01-11 | 2022-04-22 | 中国民用航空华东地区空中交通管理局 | 一种机场沿跑道正侧风预报系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102236795A (zh) * | 2011-06-30 | 2011-11-09 | 内蒙古电力勘测设计院 | 风电场风速预测方法 |
| KR20140018497A (ko) * | 2012-08-01 | 2014-02-13 | 한국전력공사 | 단기 풍속 예측을 통한 풍력 발전량 예측 방법과, 그 기능을 이용한 배전선로 전압 예측 방법 |
| US20140244188A1 (en) * | 2013-02-28 | 2014-08-28 | International Business Machines Corporation | Forecasting output power of wind turbine in wind farm |
| CN104268627A (zh) * | 2014-09-10 | 2015-01-07 | 天津大学 | 一种基于深度神经网络迁移模型的短期风速预报方法 |
| US20150347922A1 (en) * | 2014-05-30 | 2015-12-03 | International Business Machines Corporation | Multi-model blending |
| CN106897794A (zh) * | 2017-01-12 | 2017-06-27 | 长沙理工大学 | 一种基于完备总体经验模态分解和极限学习机的风速预测方法 |
| CN107292446A (zh) * | 2017-07-03 | 2017-10-24 | 西南交通大学 | 一种基于考虑分量关联性小波分解的混合风速预测方法 |
| CN108808671A (zh) * | 2018-07-03 | 2018-11-13 | 南京信息工程大学 | 一种风电场短期风速集合预报方法 |
| CN110222899A (zh) * | 2019-06-12 | 2019-09-10 | 哈尔滨工业大学 | 一种越野滑雪赛道风速场预测方法 |
| CN110442836A (zh) * | 2019-07-23 | 2019-11-12 | 国能日新科技股份有限公司 | 风电场短期风速预测方法及系统 |
| US20190362445A1 (en) * | 2018-05-22 | 2019-11-28 | BluWave Inc. | Methods and systems for an enhanced energy grid system |
| CN110555515A (zh) * | 2019-08-22 | 2019-12-10 | 南京信大气象科学技术研究院有限公司 | 一种基于eemd和lstm的短期风速预测方法 |
-
2020
- 2020-07-22 CN CN202010711739.9A patent/CN111967653B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102236795A (zh) * | 2011-06-30 | 2011-11-09 | 内蒙古电力勘测设计院 | 风电场风速预测方法 |
| KR20140018497A (ko) * | 2012-08-01 | 2014-02-13 | 한국전력공사 | 단기 풍속 예측을 통한 풍력 발전량 예측 방법과, 그 기능을 이용한 배전선로 전압 예측 방법 |
| US20140244188A1 (en) * | 2013-02-28 | 2014-08-28 | International Business Machines Corporation | Forecasting output power of wind turbine in wind farm |
| US20150347922A1 (en) * | 2014-05-30 | 2015-12-03 | International Business Machines Corporation | Multi-model blending |
| CN104268627A (zh) * | 2014-09-10 | 2015-01-07 | 天津大学 | 一种基于深度神经网络迁移模型的短期风速预报方法 |
| CN106897794A (zh) * | 2017-01-12 | 2017-06-27 | 长沙理工大学 | 一种基于完备总体经验模态分解和极限学习机的风速预测方法 |
| CN107292446A (zh) * | 2017-07-03 | 2017-10-24 | 西南交通大学 | 一种基于考虑分量关联性小波分解的混合风速预测方法 |
| US20190362445A1 (en) * | 2018-05-22 | 2019-11-28 | BluWave Inc. | Methods and systems for an enhanced energy grid system |
| CN108808671A (zh) * | 2018-07-03 | 2018-11-13 | 南京信息工程大学 | 一种风电场短期风速集合预报方法 |
| CN110222899A (zh) * | 2019-06-12 | 2019-09-10 | 哈尔滨工业大学 | 一种越野滑雪赛道风速场预测方法 |
| CN110442836A (zh) * | 2019-07-23 | 2019-11-12 | 国能日新科技股份有限公司 | 风电场短期风速预测方法及系统 |
| CN110555515A (zh) * | 2019-08-22 | 2019-12-10 | 南京信大气象科学技术研究院有限公司 | 一种基于eemd和lstm的短期风速预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张国维等: ""基于特征选择谱聚类和优化支持向量机的短期风速预测"", 《陕西电力》, vol. 44, no. 2, 31 December 2016 (2016-12-31), pages 9 - 14 * |
| 陈云峰;林智;曹维搏;: "机场跑道风场精细化预报方案研究", 民航管理, no. 01, 15 January 2020 (2020-01-15), pages 53 - 55 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114384608A (zh) * | 2022-01-11 | 2022-04-22 | 中国民用航空华东地区空中交通管理局 | 一种机场沿跑道正侧风预报系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111967653B (zh) | 2024-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Thompson et al. | Convective modes for significant severe thunderstorms in the contiguous United States. Part II: Supercell and QLCS tornado environments | |
| CN112764129B (zh) | 一种雷暴短临预报方法、系统及终端 | |
| Zhang et al. | Factors controlling the vertical extent of fair-weather shallow cumulus clouds over land: Investigation of diurnal-cycle observations collected at the ARM Southern Great Plains site | |
| Parker | Composite VORTEX2 supercell environments from near-storm soundings | |
| Riley et al. | Clouds associated with the Madden–Julian oscillation: A new perspective from CloudSat | |
| CN108375808A (zh) | Nriet基于机器学习的大雾预报方法 | |
| US7069258B1 (en) | Weather prediction method for forecasting selected events | |
| Collis et al. | Statistics of storm updraft velocities from TWP-ICE including verification with profiling measurements | |
| CN109325633B (zh) | 一种天气预报集合成员选取方法和系统 | |
| CN110045441A (zh) | 基于雷达回波图的天气分析方法及装置 | |
| Thielen et al. | Influences of horizontal grid spacing and microphysics on WRF forecasts of convective morphology evolution for nocturnal MCSs in weakly forced environments | |
| CN108254750A (zh) | 一种基于雷达资料的下击暴流智能识别预警方法 | |
| Freedman et al. | The Wind Forecast Improvement Project (WFIP): A public/private partnership for improving short term wind energy forecasts and quantifying the benefits of utility operations. The Southern Study Area, Final Report | |
| CN115691049A (zh) | 一种基于深度学习的对流初生预警方法 | |
| Van Weverberg et al. | A bimodal diagnostic cloud fraction parameterization. Part II: Evaluation and resolution sensitivity | |
| Brast et al. | Detecting the melting layer with a micro rain radar using a neural network approach | |
| CN111967653B (zh) | 一种构建机场跑道风预报模型的方法及预报方法、系统 | |
| Zuo et al. | Identification of convective and stratiform clouds based on the improved DBSCAN clustering algorithm | |
| Rabbani et al. | Physical and dynamical characteristics of thunderstorms over Bangladesh based on radar, satellite, upper-air observations, and WRF model simulations | |
| Flack et al. | Characteristics of diagnostics for identifying elevated convection over the British Isles in a convection-allowing model | |
| Miller et al. | A preliminary assessment of using spatiotemporal lightning patterns for a binary classification of thunderstorm mode | |
| Zheng et al. | Summertime marine boundary layer cloud, thermodynamic, and drizzle morphology over the eastern North Atlantic: A four-year study | |
| CN115455368B (zh) | 一种基于湍流强度和平均风速的对流层低层阵风计算方法 | |
| King et al. | Observed and modeled warm rainfall occurrence and its relationships with cloud macrophysical properties | |
| CN114943114A (zh) | 一种跑道运行方向的预测方法、设备、存储介质 |
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 |