CN112036617A - 一种动力-统计客观定量气候预测方法与系统 - Google Patents
一种动力-统计客观定量气候预测方法与系统 Download PDFInfo
- Publication number
- CN112036617A CN112036617A CN202010828425.7A CN202010828425A CN112036617A CN 112036617 A CN112036617 A CN 112036617A CN 202010828425 A CN202010828425 A CN 202010828425A CN 112036617 A CN112036617 A CN 112036617A
- Authority
- CN
- China
- Prior art keywords
- climate
- prediction
- factor
- factors
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 230000002776 aggregation Effects 0.000 claims abstract description 7
- 238000004220 aggregation Methods 0.000 claims abstract description 7
- 238000007689 inspection Methods 0.000 claims abstract description 4
- 238000003745 diagnosis Methods 0.000 claims description 25
- 230000005856 abnormality Effects 0.000 claims description 17
- 238000001556 precipitation Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 11
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000013277 forecasting method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009897 systematic 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种动力‑统计客观定量气候预测方法与系统，方法包括步骤：接收历史气候资料与气候因子的相关性检验建立各区域预测因子集；通过预设判别指标判断预测因子集中的前期因子是否出现异常，如出现异常则进行异常因子订正方案，否则进行最优多因子组合订正方案；误差预报，根据订正方案选取与待预测年的相似年和相似误差，并进行区域集合形成全国模式预报误差；根据全国模式预报误差与耦合环流模式原始预报结果得到全国气候预测结果；预测检验，根据待预测年的气候实况通过计算PS评分和距平相关系数对预测结果进行检验。本方法通过判断各区域预测因子集中是否出现异常来针对性的选择不同的订正方案，最终达到提高气候预报准确率的效果。
Description
技术领域
本发明属于气候预测技术领域，具体涉及一种动力-统计客观定量气候预测方法与系统。
背景技术
影响短期气候预测的主要因素来自于外强迫和大气内部两个方面，那么，制作短期气候预测的物理基础支撑也应来自这两方面，在一般研究中可知外强迫因子包括海洋、东亚夏季风准、海温、海冰、土壤湿度等，大气内部环流的运动和机构变化包括北大西洋涛动、北太平洋涛动和南方涛动、北极涛动、西太平洋副热带高压等。
我国夏季降水趋势分布预测是短期气候预测最重要的业务内容之一。但是，由于影响我国夏季降水的因素十分复杂，且气候背景噪音很强，致使降水的短期气候预测难度很大，因此，研究客观预测模型和集成预报方法，是提高预测准确率的重要手段。
目前学者们提出的统计学或统计与动力相结合的我国夏季降水的预报思路为：客观统计预测模型：考虑前期外强迫和大气的强信号，依据气候系统具有不同时间尺度周期振荡的特性，设计出一套具有一定物理基础和一定统计信度支持的客观预测方法。其预报因子包括前期外强迫及大气的强信号与我国降水量场不同时间尺度的变化分量。首先将1951年至今的我国160站6-8月总降水量进行EOF分解，前三个特征依次分别是为东南-西北向的降水分布型(我国夏季降水的多年平均分布状况)、江淮流域降水与其南北趋势为相反的分布型、江南与黄淮之间的降水趋势呈相反的分布型，上述降水分布型占总方差的97％；预测思路：将我国每年的夏季降水分为大范围降水和分布型扰动的叠加，即在全国大范围降水的前提下，再预报降水的多雨带分布(第2，3特征向量的时间系数)，预报出的3个时间系数与相应的特征向量乘积，即为降水分布预报，并求其与气候平均的偏差，得到该年降水距平百分率的预报；其中的预报因子由两部分组成：一部分是前期外强迫及大气的强信号；另一部分是我国降水量场不同时间尺度的变化分量，包括年代际变化分量及年际变化分量。
气候数值模式预测是短期气候预测技术的发展方向，但是，目前气候模式存在分辨率不够、描述的物理过程不能完全反映气候演变等问题，还没有达到在业务预测中应用的水平。统计方法在我国的短期气候预测业务中仍占很大比例，但存在忽略物理过程演变的缺陷。因此，将统计与动力学方法相结合，无疑是提高短期气候预测水平的重要途径。
发明内容
有鉴于此，本发明的目的之一在于提供一种动力-统计客观定量气候预测方法，该方法能提高短期气候预测水平。
为实现上述目的，本发明的技术方案为：
一种动力-统计客观定量气候预测方法，包括以下步骤：
接收历史气候资料与气候因子的相关性检验建立各区域预测因子集；
通过预设判别指标判断所述预测因子集中的前期因子是否出现异常，如出现异常则进行异常因子订正方案，否则进行最优多因子组合订正方案；
误差预报，根据订正方案选取与待预测年的相似年和相似误差，并进行区域集合形成全国模式预报误差；
根据全国模式预报误差与耦合环流模式原始预报结果得到全国气候预测结果；
预测检验，根据待预测年的气候实况通过计算PS评分和距平相关系数对预测结果进行检验。
进一步地，历史气候资料为美国气候预报中心组合气候分析数据和国家气候中心全球海气耦合模式生成得历年气候数据。
进一步地，所述气候因子包括国家气候中心整编的74项环流指数和NOAA的40项第一气候因子。
进一步地，所述前期因子为气候因子在待预测年的1月因子和前一年的2-12月因子。
进一步地，所述最优多因子组合订正方案为：
根据历年气候资料和历年模式汇报结果得到不同气候下的历年模式预报误差；
利用前期因子中各单因子以交叉检验的方式对模式结果进行相似误差订正，并与降水资料对比得到ACC平均值排序，选取ACC平均值大于预设值的因子进行优化组合得到首优化因子；
通过前期因子中n因子交叉检验、优化组合得到第n个优化因子，利用前9个、前10个和前11个优化因子的组合分别采用EOF分解占80％的主分量，对每个因子组合选取4个相似年，并结合历年模式预报误差分别选取相似误差场；
最后根据各相似年误差场的重复出现次数加权集合平均，结合待预测年模式预测结果，得到待预测年气候预测结果。
进一步地，所述异常因子订正方案为：
根据历年气候资料和历年模式汇报结果得到不同气候下的历年模式预报误差；
根据历年模式预报误差和气候因子进行相关性检验得到各区域气候前期关键因子集，同时进行单因子交叉检验得到因子异常级阈值判断；
判断是否存在关键性异常因子，再进行异常因子独立性判断及优化配置；
最后根据各相似年误差场的重复出现次数加权集合平均，结合待预测年模式预测结果，得到待预测年气候预测结果。
本发明的目的之二在于提供一种动力-统计客观定量气候预测系统，该系统能用于短期气候预测。
为实现上述目的，本发明的技术方案为：一种动力-统计客观定量气候预测系统，包括：历史气候检索模块，异常诊断模块，诊断订正模块，动力-统计客观定量化预测模块，预测评分模块；其中，
所述历史气候检索模块，用于接收历史气候资料与气候因子的相关性检验建立各区域预测因子集；
所述异常诊断模块，与所述历史气候检索模块相连，预设有判别指标，用于通过预设判别指标判断所述预测因子集中的前期因子是否出现异常；
所述诊断订正模块，与所述异常诊断模块相连，用于当异常诊断模块所述诊断出异常则进行异常因子订正方案，否则进行最优多因子组合订正方案；
所述动力-统计客观定量化预测模块，与所述诊断订正模块相连，用于根据订正方案选取与待预测年的相似年和相似误差，并进行区域集合形成全国模式预报误差，然后根据全国模式预报误差与耦合环流模式原始预报结果得到全国气候预测结果；
所述预测评分模块，与所述动力-统计客观定量化预测模块相连，用于根据待预测年的气候实况通过计算PS评分和距平相关系数对预测结果进行检验。
进一步地，历史气候资料为美国气候预报中心组合气候分析数据和国家气候中心全球海气耦合模式生成得历年气候数据。
进一步地，所述气候因子包括国家气候中心整编的74项环流指数和NOAA的40项第一气候因子。
进一步地，所述前期因子为气候因子在待预测年的1月因子和前一年的2-12月因子。
与现有技术相比，本发明具有如下优点：
本发明在相似动力模式中，将当前的预报场视为历史相似加上一个小扰动，引入历史相似对应的预报误差信息来估计当前的预报误差，从而减少数值模式误差，从而将数值模式预报问题转化为预报误差的估计问题，并通过判断各区域预测因子集中是否出现异常来针对性的选择不同的订正方案，最终达到提高气候预报准确率的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍。显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明一种动力-统计客观定量气候预测系统一实施例结构示意图；
图2为本发明一种动力-统计客观定量气候预测方法的流程示意图。
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，本领域普通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。
所举实施例是为了更好地对本发明进行说明，但并不是本发明的内容仅局限于所举实施例。所以熟悉本领域的技术人员根据上述发明内容对实施方案进行非本质的改进和调整，仍属于本发明的保护范围。
实施例1
参考图1，为本发明一种动力-统计客观定量气候预测系统一实施例结构示意图，具体地，一种动力-统计客观定量气候预测系统，包括：历史气候检索模块1，异常诊断模块2，诊断订正模块3，动力-统计客观定量化预测模块4，预测评分模块5；其中，
历史气候检索模块1，用于接收历史气候资料与气候因子的相关性检验建立各区域预测因子集；
本实施例中，历史气候资料为美国气候预报中心组合气候分析数据和国家气候中心全球海气耦合模式生成得历年气候数据，气候因子包括国家气候中心整编的74项环流指数和NOAA的40项第一气候因子。
异常诊断模块2，与历史气候检索模块相连，预设有判别指标，用于通过预设判别指标判断预测因子集中的前期因子是否出现异常；
本实施例中，前期因子为气候因子在待预测年的1月因子和前一年的2-12月因子，根据历史气候检索模块1检索到的历年气候数据设定判别指标，异常诊断模块2接收预测因子集并判断预测因子集中的前期因子是否出现异常。
诊断订正模块3，与异常诊断模块相连，用于当异常诊断模块诊断出异常则进行异常因子订正方案，否则进行最优多因子组合订正方案；
本实施例中，诊断订正模块3包括异常因子订正单元31与最优多因子组合订正单元32；具体地：
当异常诊断模块2诊断出前期因子出现异常，异常因子订正单元31对预测因子集进行订正；
当异常诊断模块2并发现前期因子中的异常，则使用最优多音字组合订正单元32对预测因子集进行订正；
动力-统计客观定量化预测模块4，与诊断订正模块相连，用于根据订正方案选取与待预测年的相似年和相似误差，并进行区域集合形成全国模式预报误差，然后根据全国模式预报误差与耦合环流模式原始预报结果得到全国气候预测结果；
预测评分模块5，与动力-统计客观定量化预测模块相连，用于根据待预测年的气候实况通过计算PS评分和距平相关系数对预测结果进行检验。
本实施例中，在系统得到全国气候预测结果后，还跟通过预测评分模块5对预测结构进行检验，检验数据采用常用的PS评分和距平相关系数(ACC)。
实施例2
基于实施例1的系统，本实施例中提供一种动力-统计客观定量气候预测方法，流程图可参考图2，具体地，包括以下步骤：
S100：接收历史气候资料与气候因子的相关性检验建立各区域预测因子集；然后执行步骤S200；
本实施例中，历史气候资料为美国气候预报中心组合气候分析数据和国家气候中心全球海气耦合模式生成得历年气候数据，气候因子包括国家气候中心整编的74项环流指数和NOAA的40项第一气候因子；
S200：通过预设判别指标判断所述预测因子集中的前期因子是否出现异常；
本实施例中，前期因子为气候因子在待预测年的1月因子和前一年的2-12月因子，根据历将步骤S100中的检索到的历年气候数据设定判别指标，并接收预测因子集并判断预测因子集中的前期因子是否出现异常；
如出现异常则执行步骤S300：进行异常因子订正方案；
具体地，根据历年气候资料和历年模式汇报结果得到不同气候下的历年模式预报误差；
根据历年模式预报误差和气候因子进行相关性检验得到各区域气候前期关键因子集，同时进行单因子交叉检验得到因子异常级阈值判断；
判断是否存在关键性异常因子，再进行异常因子独立性判断及优化配置；
最后根据各相似年误差场的重复出现次数加权集合平均，结合待预测年模式预测结果，得到待预测年气候预测结果；
本方法还对在一具体实施例中：历年汛期前期总会出现部分因子异常的状况，使用异常因子订正方案对2005-2009年5年独立样本进行预测，回报结果表明该方法可以将5年ACC平均值由系统误差订正的0.22提高到0.47，提高了汛期降水预报准确率。
否则，则执行步骤S400：进行最优多因子组合订正方案；
根据历年气候资料和历年模式汇报结果得到不同气候下的历年模式预报误差；
利用前期因子中各单因子以交叉检验的方式对模式结果进行相似误差订正，并与降水资料对比得到ACC平均值排序，选取ACC平均值大于预设值的因子进行优化组合得到首优化因子，该预设值可以根据气候情况自行设定，比如在一具体实施例中，设该预设值为0.10；
通过前期因子中n因子交叉检验、优化组合得到第n个优化因子，利用前9个、前10个和前11个优化因子的组合分别采用EOF分解占80％的主分量，对每个因子组合选取4个相似年，并结合历年模式预报误差分别选取相似误差场，本实施例中，n为小于11的整数；
最后根据各相似年误差场的重复出现次数加权集合平均，结合待预测年模式预测结果，得到待预测年气候预测结果；
经多次试验独立样本回报结果表明，本实施例中的最优多因子组合订正预测方案具有较高的预报技巧，ACC平均值为0.43相比于不使用最优多音字组合订正方案的系统误差订正的ACC平均值0.28有了明显提高。
S500：误差预报，根据订正方案选取与待预测年的相似年和相似误差，并进行区域集合形成全国模式预报误差；然后执行步骤S600；
S600：根据全国模式预报误差与耦合环流模式原始预报结果得到全国气候预测结果；然后执行步骤S700；
S700：预测检验，根据待预测年的气候实况通过计算PS评分和距平相关系数对预测结果进行检验。
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)
1.一种动力-统计客观定量气候预测方法，其特征在于，包括以下步骤：
接收历史气候资料与气候因子的相关性检验建立各区域预测因子集；
通过预设判别指标判断所述预测因子集中的前期因子是否出现异常，如出现异常则进行异常因子订正方案，否则进行最优多因子组合订正方案；
误差预报，根据订正方案选取与待预测年的相似年和相似误差，并进行区域集合形成全国模式预报误差；
根据全国模式预报误差与耦合环流模式原始预报结果得到全国气候预测结果；
预测检验，根据待预测年的气候实况通过计算PS评分和距平相关系数对预测结果进行检验。
2.根据权利要求1所述的方法，其特征在于，历史气候资料为美国气候预报中心组合气候分析数据和国家气候中心全球海气耦合模式生成得历年气候数据。
3.根据权利要求1所述的方法，其特征在于，所述气候因子包括国家气候中心整编的74项环流指数和NOAA的40项第一气候因子。
4.根据权利要求3所述的方法，其特征在于，所述前期因子为气候因子在待预测年的1月因子和前一年的2-12月因子。
5.根据权利要求2所述的方法，其特征在于，所述最优多因子组合订正方案为：
根据历年气候资料和历年模式汇报结果得到不同气候下的历年模式预报误差；
利用前期因子中各单因子以交叉检验的方式对模式结果进行相似误差订正，并与降水资料对比得到ACC平均值排序，选取ACC平均值大于预设值的因子进行优化组合得到首优化因子；
通过前期因子中n因子交叉检验、优化组合得到第n个优化因子，利用前9个、前10个和前11个优化因子的组合分别采用EOF分解占80％的主分量，对每个因子组合选取4个相似年，并结合历年模式预报误差分别选取相似误差场；
最后根据各相似年误差场的重复出现次数加权集合平均，结合待预测年模式预测结果，得到待预测年气候预测结果。
6.根据权利要求2所述的方法，其特征在于，所述异常因子订正方案为：
根据历年气候资料和历年模式汇报结果得到不同气候下的历年模式预报误差；
根据历年模式预报误差和气候因子进行相关性检验得到各区域气候前期关键因子集，同时进行单因子交叉检验得到因子异常级阈值判断；
判断是否存在关键性异常因子，再进行异常因子独立性判断及优化配置；
最后根据各相似年误差场的重复出现次数加权集合平均，结合待预测年模式预测结果，得到待预测年气候预测结果。
7.一种动力-统计客观定量气候预测系统，其特征在于，包括：历史气候检索模块，异常诊断模块，诊断订正模块，动力-统计客观定量化预测模块，预测评分模块；其中，
所述历史气候检索模块，用于接收历史气候资料与气候因子的相关性检验建立各区域预测因子集；
所述异常诊断模块，与所述历史气候检索模块相连，预设有判别指标，用于通过预设判别指标判断所述预测因子集中的前期因子是否出现异常；
所述诊断订正模块，与所述异常诊断模块相连，用于当异常诊断模块所述诊断出异常则进行异常因子订正方案，否则进行最优多因子组合订正方案；
所述动力-统计客观定量化预测模块，与所述诊断订正模块相连，用于根据订正方案选取与待预测年的相似年和相似误差，并进行区域集合形成全国模式预报误差，然后根据全国模式预报误差与耦合环流模式原始预报结果得到全国气候预测结果；
所述预测评分模块，与所述动力-统计客观定量化预测模块相连，用于根据待预测年的气候实况通过计算PS评分和距平相关系数对预测结果进行检验。
8.根据权利要求7所述的系统，其特征在于，历史气候资料为美国气候预报中心组合气候分析数据和国家气候中心全球海气耦合模式生成得历年气候数据。
9.根据权利要求7所述的系统，其特征在于，所述气候因子包括国家气候中心整编的74项环流指数和NOAA的40项第一气候因子。
10.根据权利要求7所述的系统，其特征在于，所述前期因子为气候因子在待预测年的1月因子和前一年的2-12月因子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010828425.7A CN112036617B (zh) | 2020-08-17 | 2020-08-17 | 一种动力-统计客观定量气候预测方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010828425.7A CN112036617B (zh) | 2020-08-17 | 2020-08-17 | 一种动力-统计客观定量气候预测方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112036617A true CN112036617A (zh) | 2020-12-04 |
| CN112036617B CN112036617B (zh) | 2021-10-29 |
Family
ID=73578340
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010828425.7A Active CN112036617B (zh) | 2020-08-17 | 2020-08-17 | 一种动力-统计客观定量气候预测方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112036617B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508437A (zh) * | 2020-12-16 | 2021-03-16 | 国网安徽省电力有限公司 | 一种微气候环境下风速预报的时序相似误差订正方法 |
| CN113221385A (zh) * | 2021-06-08 | 2021-08-06 | 上海交通大学 | 一种年代际预报的初始化方法及系统 |
| CN113377513A (zh) * | 2021-06-17 | 2021-09-10 | 吉林大学 | 一种针对全球耦合气候模式的进程调度优化方法 |
| CN113779760A (zh) * | 2021-08-10 | 2021-12-10 | 南京大学 | 基于可预测气候模态的动力-统计结合季节气候预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392097A (zh) * | 2014-10-24 | 2015-03-04 | 封国林 | 一种基于季节预报模式的季节降水相似预报方法 |
| CN105678420A (zh) * | 2016-01-06 | 2016-06-15 | 南京信息工程大学 | 一种跨年度长时效的气候预测方法 |
| CN106251022A (zh) * | 2016-08-08 | 2016-12-21 | 南京信息工程大学 | 一种基于多因子的多参数相似集合的短期气候预测方法 |
| CN109426886A (zh) * | 2017-08-29 | 2019-03-05 | 北京思湃德信息技术有限公司 | 一种气候预测系统 |
| CN111045117A (zh) * | 2020-01-13 | 2020-04-21 | 黑龙江省气候中心 | 一种气候监测预测平台 |
-
2020
- 2020-08-17 CN CN202010828425.7A patent/CN112036617B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392097A (zh) * | 2014-10-24 | 2015-03-04 | 封国林 | 一种基于季节预报模式的季节降水相似预报方法 |
| CN105678420A (zh) * | 2016-01-06 | 2016-06-15 | 南京信息工程大学 | 一种跨年度长时效的气候预测方法 |
| CN106251022A (zh) * | 2016-08-08 | 2016-12-21 | 南京信息工程大学 | 一种基于多因子的多参数相似集合的短期气候预测方法 |
| CN109426886A (zh) * | 2017-08-29 | 2019-03-05 | 北京思湃德信息技术有限公司 | 一种气候预测系统 |
| CN111045117A (zh) * | 2020-01-13 | 2020-04-21 | 黑龙江省气候中心 | 一种气候监测预测平台 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508437A (zh) * | 2020-12-16 | 2021-03-16 | 国网安徽省电力有限公司 | 一种微气候环境下风速预报的时序相似误差订正方法 |
| CN113221385A (zh) * | 2021-06-08 | 2021-08-06 | 上海交通大学 | 一种年代际预报的初始化方法及系统 |
| CN113377513A (zh) * | 2021-06-17 | 2021-09-10 | 吉林大学 | 一种针对全球耦合气候模式的进程调度优化方法 |
| CN113377513B (zh) * | 2021-06-17 | 2024-04-05 | 吉林大学 | 一种针对全球耦合气候模式的进程调度优化方法 |
| CN113779760A (zh) * | 2021-08-10 | 2021-12-10 | 南京大学 | 基于可预测气候模态的动力-统计结合季节气候预测方法 |
| CN113779760B (zh) * | 2021-08-10 | 2023-08-04 | 南京大学 | 基于可预测气候模态的动力-统计结合季节气候预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112036617B (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112036617B (zh) | 一种动力-统计客观定量气候预测方法与系统 | |
| CN116881671B (zh) | 基于神经网络的大气污染溯源方法及系统 | |
| CN104635281A (zh) | 基于强天气过程校正的自动气象站数据质量控制方法 | |
| CN114114198B (zh) | 一种降水数据质控方法、装置、存储介质及设备 | |
| CN112395382A (zh) | 基于变分自编码器的船舶异常航迹数据检测方法和装置 | |
| CN114492642A (zh) | 一种多尺度元深度残差收缩网络的机械故障在线诊断方法 | |
| CN113298424A (zh) | 一种小样本完好性风险评估方法 | |
| CN114186194B (zh) | 一种基于空间风暴过程的设计波高计算方法 | |
| CN116231624A (zh) | 用于评估光伏电站经济效益的光伏组件输出功率预测方法 | |
| CN117235632A (zh) | 一种大型蒸发传感器水位异常数据检测方法 | |
| CN116644368A (zh) | 一种基于改进的格拉布斯检验法的异常值识别方法 | |
| CN115049013A (zh) | 一种联合线性和svm的短时降雨预警模型融合方法 | |
| CN113281827B (zh) | 一种降水气象要素的质控方法、装置、存储介质及设备 | |
| CN114819260A (zh) | 一种水文时间序列预测模型动态生成方法 | |
| CN115100819A (zh) | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 | |
| CN117310118A (zh) | 一种地下水污染可视化监测方法 | |
| CN110956112B (zh) | 一种新的高可靠性回转支承寿命评估方法 | |
| CN111178631B (zh) | 一种水浮莲入侵分布区预测方法及系统 | |
| CN111475966A (zh) | 一种基于数字孪生的电力电子电路故障诊断方法 | |
| CN107256333A (zh) | 一种基于预测和动态阈值的Argo剖面异常检测方法 | |
| CN116662800A (zh) | 一种基于自适应注意力机制的滚动轴承故障诊断方法 | |
| CN115236772A (zh) | 一种漂流观测仪数据质量控制系统及其方法 | |
| CN112783885A (zh) | 光伏出力数据异常值的剔除方法 | |
| CN117192063B (zh) | 基于耦合卡尔曼滤波数据同化的水质预测方法及系统 | |
| CN113688536A (zh) | 一种基于析因设计分析enso指数和降水相关关系方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: No.7 Tianyun Road, Chengdu hi tech Zone, China (Sichuan) pilot Free Trade Zone, Chengdu, Sichuan 610041 Applicant after: Guoneng Dadu River Basin Hydropower Development Co.,Ltd. Applicant after: Chengdu University of Information Technology Address before: No.7 Tianyun Road, Chengdu hi tech Zone, China (Sichuan) pilot Free Trade Zone, Chengdu, Sichuan 610041 Applicant before: DADU RIVER HYDROPOWER DEVELOPMENT Co.,Ltd. Applicant before: Chengdu University of Information Technology |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |