CN112035448A - 一种综合地基gnss水汽和气象要素的神经网络短临降水预报方法 - Google Patents
一种综合地基gnss水汽和气象要素的神经网络短临降水预报方法 Download PDFInfo
- Publication number
- CN112035448A CN112035448A CN202010667489.3A CN202010667489A CN112035448A CN 112035448 A CN112035448 A CN 112035448A CN 202010667489 A CN202010667489 A CN 202010667489A CN 112035448 A CN112035448 A CN 112035448A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- rainfall
- forecast
- gnss
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种综合地基GNSS水汽和气象要素的神经网络短临降水预报方法,包括如下步骤:①地基GNSS水汽获取;②大气稳定性指标计算;③数据预处理,包括粗差数据剔除、数据插值和数据归一化处理三部分;④识别降水预报因子;⑤NARX神经网络设计,根据步骤④确定的降水预报因子和实际降水数据作为输入层,预测的降水数据作为输出层,而隐含层数、隐层神经元数目、输入和输出的延时阶数、神经网络算法则采用默认值或初始参数;⑥神经网络训练;⑦输入参数优选,构建多因子短临降水预报模型;⑧利用预留的验证数据集评估新构建的多因子短临降水预报模型的精度。本发明通过建立一个合理和精确的多因子短临降水预报模型,实现对短临降水的准确预报。
Description
技术领域
本发明属于气象预报技术领域,特别涉及一种综合地基GNSS水汽和气象要素的神经网络短临降水预报方法。
背景技术
强降水是一种重要的天气现象,尤其是大范围的持续性或集中性特大暴雨,往往会引发洪涝灾害,严重威胁当地人民的生命财产以及水库、海塘河堤、排水管道等基础设施,但是,强降水也是当地水资源的重要来源之一。因此,实时监测并准确预报短临降水,对降低财产损失和提高水资源利用率具有重要意义。强降水现象通常与湿对流过程有关,湿对流过程的特征是水汽含量短时变化很大。在低层大气中,对流层水汽的时空快速变化对数值天气模型(Numerical Weather Models,NWMs)的预报准确性提出了重要挑战。当前,大气探测技术仍不足以获取NWM精确预报所需的高时空分辨率的大气水汽。NWM模式对于水汽分布的感知不确定性成为其预测未来天气变化的不确定性的最大来源,这可能会引发误报强降水事件。这种特殊性在近乎实时的预报中尤为重要,因为预防预警机制对于预测可能造成人员伤亡和财产损失的暴雨事件很重要。因此,需要对对流层水汽状态尽可能快速地了解。
由于GNSS对流层水汽反演技术具有高精度、高时空分辨率、全天候、准实时等优点,现已被用于业务天气预报和气候研究中。研究表明,GNSS水汽数据可以用于研究极端降水事件,将其同化到NWM中有助于改善降水预报。利用GN SS获取的大气可降水量(Precipitable Water Vapor,PWV)与降水有一定的相关关系,在强降水发生前PWV快速增加,随后又降低,PWV的初始峰值对短期强降水有1–4h的提前量。有些学者利用PWV时间序列的统计特征(PWV最大值,PWV变化量和PWV变化率)作为短期降水预报的预报要素,该方法能够预报出75%以上的降水和90%以上的强降水,误报率在60%-70%。以上方法虽然具有较高的正确预报率,但高错误预报率限制了其实际应用。为此,学者提出了将GNSS PWV与地面气象数据集成到神经网络系统中,利用非线性自回归模型(Nonlinear AutoregressiveExogenous Model,NARX)结合气象站的每日降水量来实时预报降水,研究结果证实了该方法的有效性和可行性。然而,实际降水的发生发展是大气中热力、动力和水汽条件等多种因素综合作用的结果,当前基于单站水汽变化对短临降水预报仅从水汽条件单一因素进行探索性研究,忽略了热力和动力条件对降水的影响,导致降水预报不准确。
发明内容
本发明的目的是弥补了现有技术中仅依赖大气水汽单一因子造成短临降水预报高错误预报率的问题,而提出一种综合地基GNSS水汽和气象要素的神经网络短临降水预报方法,该方法通过建立一个合理和精确的多因子短临降水预报模型,实现对短临降水的准确预报。
如上构思,本发明的技术方案是:一种综合地基GNSS水汽和气象要素的神经网络短临降水预报方法,其特征在于:包括如下步骤:
①地基GNSS水汽获取,首先由GNSS观测资料计算对流层天顶延迟ZTD,然后由气象资料计算天顶干延迟ZHD,再从ZTD扣除ZHD得到天顶湿延迟ZWD,最后根据PWV=П×ZWD得可降水汽含量PWV,其中П是一个与温度有关的无量纲系数;
②大气稳定性指标计算;
③数据预处理,包括粗差数据剔除、数据插值和数据归一化处理三部分;
④识别降水预报因子,采用线性回归方法分析PWV、地面气象参数和大气稳定性指标与降水之间的关系,并对相关系数进行显著性检验,确定出可作为降水预报的因子;
⑤NARX神经网络设计,根据步骤④确定的降水预报因子和实际降水数据作为输入层,预测的降水数据作为输出层,而隐含层数、隐层神经元数目、输入和输出的延时阶数、神经网络算法则采用默认值或初始参数;
⑥神经网络训练,利用训练样本数据对NARX神经网络进行建模,采用固定变量法对模型的初始参数进行测试,然后用验证数据集对预报的降水数据的精度进行评估,从而确定出输入和输出的延时阶数、隐层神经元数目、神经网络算法的最优参数;
⑦输入参数优选,输入参数中,GNSS PWV和步骤④确定的降水预报因子作为必选参数,通过组合不同的预报因子作为模型输入变量,比较分析不同输入变量预报降水的准确度,进而确定出最优的模型输入变量,构建多因子短临降水预报模型;
⑧预报精度测定,利用预留的验证数据集评估新构建的多因子短临降水预报模型的精度,统计降水预报的正确率和错误率指标。
进一步,所述步骤②大气稳定性指标选择SI、DCI和KI,其具体计算公式如下:
SI=T500–Ts850 (1)
DCI=T850+Td850–(T500–Ts) (2)
KI=T850–T500+Td850–(T700–Td700) (3)
式(1)-(3)中,T850、T700和T500为850hPa、700hPa和500hPa处的环境温度,Td850和Td700为850hPa和700hPa处的露点温度,Ts为平均气块从修正的底层900m高度沿干绝热线上升到达凝结高度后再沿湿绝热线上升至500hPa时所具有的温度,Ts850为850hPa等压面上的湿空气团沿干绝热线上升到达凝结高度后再沿湿绝热线上升至500hPa时所具有的气团温度。
进一步,所述步骤③的具体实施步骤包括:
A.粗差数据删除:采用粗差探测方法对GNSS PWV、地面气象数据和大气稳定性指标时间序列中的粗差进行探测和剔除;
B.数据插值:采用数据插值算法对GNSS PWV、地面气象数据和大气稳定性指标时间序列中缺失数据进行插值;
C.数据归一化处理:采用最大最小值方法对各数据进行归一化处理。
进一步,所述步骤⑧预报精度测定的具体计算公式如下:
进一步,所述.粗差数据删除是采用奇异谱分析和四分位距粗差探测方法对GNSSPWV、地面气象数据和大气稳定性指标时间序列中的粗差进行探测和剔除。
进一步,所述数据插值算法采用SSA迭代插值算法。
本发明综合考虑影响降水发生发展的热力、动力、水汽等因素,是一种综合地基GNSS水汽、地面气象要素和大气稳定性指标的基于神经网络的多因子短临降水预报模型的方法,提高了降水预报的正确率,并大大降低了错误预报率,可作为短临强降水预报的辅助方法,应用于天气预报业务中。
附图说明
图1是本发明的技术流程图。
具体实施方式
下面结合附图和具体实施方式对本技术方案的具体实施方式进行详细说明。
如图1所示,一种综合地基GNSS水汽和气象要素的神经网络短临降水预报方法,包括如下步骤:
步骤1:地基GNSS PWV获取。首先采用高精度GNSS数据处理软件对GNSS观测资料进行处理,获得高频率(5min或10min)的对流层天顶延迟(Zenith Total Delay,ZTD),然后利用并址的地面气压数据由Saastamoinen模型计算出天顶干延迟(Zenith HydrostaticDelay,ZHD),再从ZTD扣除ZHD,得到天顶湿延迟(Zenith Wet Delay,ZWD),最后根据PWV=П×ZWD得到多年(4–5年)的可降水汽含量PWV,其中П是一个与温度有关的无量纲系数。
步骤2:大气稳定性指标计算,选择SI、DCI和KI作为衡量大气稳定性的指标,具体计算公式如下:
SI=T500–Ts850 (1)
DCI=T850+Td850–(T500–Ts) (2)
KI=T850–T500+Td850–(T700–Td700) (3)
式(1)-(3)中,T850、T700和T500为850hPa、700hPa和500hPa处的环境温度,Td850和Td700为850hPa和700hPa处的露点温度,Ts为平均气块从修正的底层900m高度沿干绝热线上升到达凝结高度后再沿湿绝热线上升至500hPa时所具有的温度,Ts850为850hPa等压面上的湿空气团沿干绝热线上升到达凝结高度后再沿湿绝热线上升至500hPa时所具有的气团温度。
步骤3:数据预处理,包括粗差数据剔除、数据插值和数据归一化处理三部分。
步骤3-1:粗差数据删除:由于仪器的不稳定因素或受天气因素等影响,GNSS PWV、地面气象和大气稳定性指标等数据存在粗差,采用奇异谱分析和四分位距(SSA-IQR)粗差探测方法对GNSS PWV、地面气象数据和大气稳定性指标时间序列中的粗差进行探测和剔除;
步骤3-2:数据插值:由于GNSS PWV、地面气象和大气稳定性指标等数据存在空缺或分辨率不一致的情况,采用SSA迭代插值算法对数据时间序列中的缺失数据进行插值,确保各数据的时间分辨率一致。
步骤3-3:数据归一化处理:由于气象数据具有不同量纲和较大数值差别的特征,为使神经网络模型快速收敛,需对气象数据做归一化处理,本实施例采用最大最小值方法对各数据进行归一化处理。
步骤4:降水预报因子识别,采用线性回归方法分析PWV、地面气象参数(温度Ts、气压Ps、比湿Qs等)和大气稳定性指标(SI、DCI和KI等)与降水之间的关系,并对相关系数进行显著性检验,确定出可作为降水预报的主要因子。
步骤5:NARX神经网络设计,根据步骤4确定的主要降水预报因子和实际降水数据作为输入层,预测的降水数据作为输出层,而隐含层数、隐层神经元数目、输入和输出的延时阶数和神经网络算法采用默认值或初始参数。
步骤6:神经网络训练,利用2~3年的训练样本数据对NARX神经网络进行建模,采用固定变量法对模型的初始参数进行测试,然后用验证数据集对预报的降水数据的精度进行评估,从而确定出输入和输出的延时阶数、隐层神经元数目、神经网络算法的最优参数。
步骤7:输入参数优选,输入参数中,GNSS PWV和步骤④确定的降水预报因子作为必选参数,地面气象参数(Ts、Ps、Qs等)和大气稳定性指标(SI、DCI和KI等)作为可选参数,通过组合不同的预报因子和气象数据作为模型输入变量,比较分析不同输入变量预报降水的准确度,进而确定出最优的模型输入变量,构建多因子短临降水预报模型。
步骤8:利用预留的验证数据集评估新构建的多因子短临降水预报模型的精度,统计降水预报的正确率和错误率指标,具体计算公式如下:
为进一步验证所提出方法预报降水的准确性,可引入混淆矩阵来评估短临降水预报的精度。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种综合地基GNSS水汽和气象要素的神经网络短临降水预报方法,其特征在于:包括如下步骤:
①地基GNSS水汽获取,首先由GNSS观测资料计算对流层天顶延迟ZTD,然后由气象资料计算天顶干延迟ZHD,再从ZTD扣除ZHD得到天顶湿延迟ZWD,最后根据PWV=П×ZWD得可降水汽含量PWV,其中П是一个与温度有关的无量纲系数;
②大气稳定性指标计算;
③数据预处理,包括粗差数据剔除、数据插值和数据归一化处理三部分;
④识别降水预报因子,采用线性回归方法分析PWV、地面气象参数和大气稳定性指标与降水之间的关系,并对相关系数进行显著性检验,确定出可作为降水预报的因子;
⑤NARX神经网络设计,根据步骤④确定的降水预报因子和实际降水数据作为输入层,预测的降水数据作为输出层,而隐含层数、隐层神经元数目、输入和输出的延时阶数、神经网络算法则采用默认值或初始参数;
⑥神经网络训练,利用训练样本数据对NARX神经网络进行建模,采用固定变量法对模型的初始参数进行测试,然后用验证数据集对预报的降水数据的精度进行评估,从而确定出输入和输出的延时阶数、隐层神经元数目、神经网络算法的最优参数;
⑦输入参数优选,输入参数中,GNSS PWV和步骤④确定的降水预报因子作为必选参数,通过组合不同的预报因子作为模型输入变量,比较分析不同输入变量预报降水的准确度,进而确定出最优的模型输入变量,构建多因子短临降水预报模型;
⑧预报精度测定,利用预留的验证数据集评估新构建的多因子短临降水预报模型的精度,统计降水预报的正确率和错误率指标。
2.根据权利要求1所述的一种综合地基GNSS水汽和气象要素的神经网络短临降水预报方法,其特征在于:所述步骤②大气稳定性指标选择SI、DCI和KI,其具体计算公式如下:
SI=T500–Ts850 (1)
DCI=T850+Td850–(T500–Ts) (2)
KI=T850–T500+Td850–(T700–Td700) (3)
式(1)-(3)中,T850、T700和T500为850hPa、700hPa和500hPa处的环境温度,Td850和Td700为850hPa和700hPa处的露点温度,Ts为平均气块从修正的底层900m高度沿干绝热线上升到达凝结高度后再沿湿绝热线上升至500hPa时所具有的温度,Ts850为850hPa等压面上的湿空气团沿干绝热线上升到达凝结高度后再沿湿绝热线上升至500hPa时所具有的气团温度。
3.根据权利要求1所述的一种综合地基GNSS水汽和气象要素的神经网络短临降水预报方法,其特征在于:所述步骤③的具体实施步骤包括:
A.粗差数据删除:采用粗差探测方法对GNSS PWV、地面气象数据和大气稳定性指标时间序列中的粗差进行探测和剔除;
B.数据插值:采用数据插值算法对GNSS PWV、地面气象数据和大气稳定性指标时间序列中缺失数据进行插值;
C.数据归一化处理:采用最大最小值方法对各数据进行归一化处理。
5.根据权利要求3所述的一种综合地基GNSS水汽和气象要素的神经网络短临降水预报方法,其特征在于:所述.粗差数据删除是采用奇异谱分析和四分位距粗差探测方法对GNSSPWV、地面气象数据和大气稳定性指标时间序列中的粗差进行探测和剔除。
6.根据权利要求3所述的一种综合地基GNSS水汽和气象要素的神经网络短临降水预报方法,其特征在于:所述数据插值算法采用SSA迭代插值算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010667489.3A CN112035448A (zh) | 2020-07-13 | 2020-07-13 | 一种综合地基gnss水汽和气象要素的神经网络短临降水预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010667489.3A CN112035448A (zh) | 2020-07-13 | 2020-07-13 | 一种综合地基gnss水汽和气象要素的神经网络短临降水预报方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112035448A true CN112035448A (zh) | 2020-12-04 |
Family
ID=73579064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010667489.3A Pending CN112035448A (zh) | 2020-07-13 | 2020-07-13 | 一种综合地基gnss水汽和气象要素的神经网络短临降水预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112035448A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632473A (zh) * | 2021-03-09 | 2021-04-09 | 长江空间信息技术工程有限公司(武汉) | 一种融合地基和空基gnss大气可降水量的计算方法 |
CN113065700A (zh) * | 2021-03-29 | 2021-07-02 | 伍志方 | 一种基于显著性与敏感性因子分析法的短时强降水预报方法 |
CN113592132A (zh) * | 2021-04-29 | 2021-11-02 | 山东省气象科学研究所(山东省海洋气象科学研究所、山东省气象局培训中心) | 一种基于数值天气预报和人工智能的降水客观预报方法 |
CN114065931A (zh) * | 2022-01-11 | 2022-02-18 | 山东大学 | 基于物理模型和神经网络融合的陆地水汽反演方法及系统 |
CN114280696A (zh) * | 2021-12-23 | 2022-04-05 | 无锡九方科技有限公司 | 一种海雾等级智能预报方法及系统 |
CN114488349A (zh) * | 2022-01-04 | 2022-05-13 | 中国科学院空天信息创新研究院 | 一种基于gnss-pwv多因子的局域短临降水预报模型的构建方法 |
CN115993668A (zh) * | 2023-03-22 | 2023-04-21 | 成都云智北斗科技有限公司 | 一种基于多项式改正和神经网络的pwv重建方法及系统 |
CN113485995B (zh) * | 2021-07-23 | 2024-03-22 | 中国科学院大气物理研究所 | 一种集合预报系统初值的扰动方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060230006A1 (en) * | 2003-01-15 | 2006-10-12 | Massimo Buscema | System and method for optimization of a database for the training and testing of prediction algorithms |
CN104298851A (zh) * | 2014-07-22 | 2015-01-21 | 兰州大学 | 一种用于预报强降水天气的数据处理方法 |
CN109214546A (zh) * | 2018-07-09 | 2019-01-15 | 江苏大学 | 一种基于改进的hs-narx神经网络的电力短期负荷预测方法 |
CN110458342A (zh) * | 2019-07-26 | 2019-11-15 | 国网江苏省电力有限公司金湖县供电分公司 | 一种基于改进的narx神经网络微气象监测系统及方法 |
US10613252B1 (en) * | 2015-10-02 | 2020-04-07 | Board Of Trustees Of The University Of Alabama, For And On Behalf Of The University Of Alabama In Huntsville | Weather forecasting systems and methods |
CN111210082A (zh) * | 2020-01-13 | 2020-05-29 | 东南大学 | 一种基于优化的bp神经网络算法的降水量预测方法 |
-
2020
- 2020-07-13 CN CN202010667489.3A patent/CN112035448A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060230006A1 (en) * | 2003-01-15 | 2006-10-12 | Massimo Buscema | System and method for optimization of a database for the training and testing of prediction algorithms |
CN104298851A (zh) * | 2014-07-22 | 2015-01-21 | 兰州大学 | 一种用于预报强降水天气的数据处理方法 |
US10613252B1 (en) * | 2015-10-02 | 2020-04-07 | Board Of Trustees Of The University Of Alabama, For And On Behalf Of The University Of Alabama In Huntsville | Weather forecasting systems and methods |
CN109214546A (zh) * | 2018-07-09 | 2019-01-15 | 江苏大学 | 一种基于改进的hs-narx神经网络的电力短期负荷预测方法 |
CN110458342A (zh) * | 2019-07-26 | 2019-11-15 | 国网江苏省电力有限公司金湖县供电分公司 | 一种基于改进的narx神经网络微气象监测系统及方法 |
CN111210082A (zh) * | 2020-01-13 | 2020-05-29 | 东南大学 | 一种基于优化的bp神经网络算法的降水量预测方法 |
Non-Patent Citations (1)
Title |
---|
平措次旺;索南才吉;旦增伦珠;强久卓玛: "《探空资料产品在定日县降水天气预报中的应用》", 《西藏科技》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632473A (zh) * | 2021-03-09 | 2021-04-09 | 长江空间信息技术工程有限公司(武汉) | 一种融合地基和空基gnss大气可降水量的计算方法 |
CN113065700A (zh) * | 2021-03-29 | 2021-07-02 | 伍志方 | 一种基于显著性与敏感性因子分析法的短时强降水预报方法 |
CN113592132A (zh) * | 2021-04-29 | 2021-11-02 | 山东省气象科学研究所(山东省海洋气象科学研究所、山东省气象局培训中心) | 一种基于数值天气预报和人工智能的降水客观预报方法 |
CN113485995B (zh) * | 2021-07-23 | 2024-03-22 | 中国科学院大气物理研究所 | 一种集合预报系统初值的扰动方法 |
CN114280696A (zh) * | 2021-12-23 | 2022-04-05 | 无锡九方科技有限公司 | 一种海雾等级智能预报方法及系统 |
CN114488349A (zh) * | 2022-01-04 | 2022-05-13 | 中国科学院空天信息创新研究院 | 一种基于gnss-pwv多因子的局域短临降水预报模型的构建方法 |
CN114065931A (zh) * | 2022-01-11 | 2022-02-18 | 山东大学 | 基于物理模型和神经网络融合的陆地水汽反演方法及系统 |
CN115993668A (zh) * | 2023-03-22 | 2023-04-21 | 成都云智北斗科技有限公司 | 一种基于多项式改正和神经网络的pwv重建方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112035448A (zh) | 一种综合地基gnss水汽和气象要素的神经网络短临降水预报方法 | |
Wang et al. | Trends and low frequency variability of extra-tropical cyclone activity in the ensemble of twentieth century reanalysis | |
Robertson et al. | A Bayesian approach to predictor selection for seasonal streamflow forecasting | |
Song et al. | Differences in extremes and uncertainties in future runoff simulations using SWAT and LSTM for SSP scenarios | |
Gardiner et al. | Trend analysis of greenhouse gases over Europe measured by a network of ground-based remote FTIR instruments | |
Wang et al. | Climatology and changes of extratropical cyclone activity: Comparison of ERA-40 with NCEP–NCAR reanalysis for 1958–2001 | |
Beecham et al. | Statistical downscaling of multi-site daily rainfall in a South Australian catchment using a Generalized Linear Model. | |
Nester et al. | Flood forecast errors and ensemble spread—A case study | |
Fu et al. | Daily rainfall projections from general circulation models with a downscaling nonhomogeneous hidden Markov model (NHMM) for south‐eastern Australia | |
CN113887972A (zh) | 一种基于水文过程的综合旱情监测与评估方法 | |
Yan et al. | Evaluating satellite-based precipitation products in monitoring drought events in southwest China | |
CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
CN112712209A (zh) | 水库入库流量预测方法、装置、计算机设备及存储介质 | |
Stengel et al. | An extended observation operator in HIRLAM 4D‐VAR for the assimilation of cloud‐affected satellite radiances | |
Carbone et al. | A cumulative rainfall function for subhourly design storm in Mediterranean urban areas | |
Zhang et al. | Season‐based rainfall–runoff modelling using the probability‐distributed model (PDM) for large basins in southeastern Brazil | |
Chen et al. | Postprocessing of ensemble weather forecasts using a stochastic weather generator | |
Kober et al. | Aspects of short‐term probabilistic blending in different weather regimes | |
Randrianasolo et al. | Impact of streamflow data assimilation and length of the verification period on the quality of short-term ensemble hydrologic forecasts | |
Tuomenvirta | Homogeneity testing and adjustment of climatic time series in Finland | |
Wang et al. | Evaluation of multi‐source precipitation data in a watershed with complex topography based on distributed hydrological modeling | |
Lu et al. | Assessment of CFSR and CMADS weather data for capturing extreme hydrologic events in the Fuhe River Basin of the Poyang Lake | |
Mazrooei et al. | Potential in improving monthly streamflow forecasting through variational assimilation of observed streamflow | |
Li et al. | A nonstationary runoff frequency analysis for future climate change and its uncertainties | |
Uysal et al. | Evaluation of PERSIANN family remote sensing precipitation products for snowmelt runoff estimation in a mountainous basin |
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 |