CN112070286A - 复杂地形流域的降水预报预警系统 - Google Patents
复杂地形流域的降水预报预警系统 Download PDFInfo
- Publication number
- CN112070286A CN112070286A CN202010861092.8A CN202010861092A CN112070286A CN 112070286 A CN112070286 A CN 112070286A CN 202010861092 A CN202010861092 A CN 202010861092A CN 112070286 A CN112070286 A CN 112070286A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- forecast
- precipitation
- forecasting
- module
- 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
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000007689 inspection Methods 0.000 claims abstract description 23
- 239000002689 soil Substances 0.000 claims abstract description 15
- 230000007774 longterm Effects 0.000 claims abstract description 9
- 238000013459 approach Methods 0.000 claims abstract description 6
- 238000001556 precipitation Methods 0.000 claims description 90
- 238000000034 method Methods 0.000 claims description 59
- 238000012937 correction Methods 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000009826 distribution Methods 0.000 claims description 17
- 238000013213 extrapolation Methods 0.000 claims description 17
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 238000005192 partition Methods 0.000 claims description 8
- 238000005315 distribution function Methods 0.000 claims description 7
- 238000005096 rolling process Methods 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000010363 phase shift Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 238000012876 topography Methods 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000001704 evaporation Methods 0.000 description 7
- 230000008020 evaporation Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000000007 visual 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明公开了一种复杂地形流域的降水预报预警系统，包括天气实况数据模块、天气预报数据模块、预报检验模块、信息查询模块和后台管理模块；所述天气实况数据模块包括采集的降雨量、面雨量、土壤湿度和实时预警数据；所述天气预报模块包括短时临近预报模块、短中期预报模块和长期预报模块：所述预报检验模块，针对流域范围内预报的降雨量和有效面雨量，与实际的监测结果进行检验，得出预报的准确率、偏差。本发明针对降雨量预报范围不精细、预报准确率低的问题，利用最新的雷达、快速同化和多种模式等数值预报结果，并结合流域范围内实际的下垫面条件，研发未来6小时逐小时更新的降雨量预报产品，该产品将有效的弥补现有降雨量预报的时间和准确率不足。
Description
技术领域
本发明涉及一种水电调度指挥系统，尤其是涉及一种在复杂地形流域降水预报预警系统，属于水电应急管理及信息技术领域。
背景技术
科学、安全的水电生产调度，不仅关系水电行业经济效益，也关系国计民生。水电部门通过科学的调度，在洪峰来临之前开闸发电，既提高了经济效益，也可防止溃坝、有效防范洪水对人民生命财产的影响。而对水电生产调度最直接的影响因素就是大气降雨量的多少。但由于对于山区的特殊地形地貌，自然灾害种类多、灾情重、发生频率高，特别是接连出现严重洪涝、干旱等极端天气和气候事件，严重威胁着水电生产调度安全。
目前气象部门提供的气象服务，主要以国家站气象预报来代替流域监测专业预报，存在着“以点代面”的不足，且时间间隔仍以日为单位，更新频次仅1 日2次，气象服务精细化程度与水电精益调度需求还有差距，还需增加流域面上的气象测站，增加监测数据、预报频次来提高降水预报精度，精益指导水电站的生产调度。
在此背景下，迫切需要利用气象部门资源，融合应用既有遥测雨量站与气象部门观测站进行数据交换共享，研究提高水电站短中期降水预报准确率与预见期，为生产调度提供更精细化的气象预报产品，助力实现梯级水库水位精益控制降低耗水率。
现有的遥测雨量站监测密度约100km左右，难以对降水持续时间短、降水强度大的中小尺度天气系统进行有效的监测。
现有的降雨量预报主要是一个区域范围内概率性的预报结果，准确率较低，从一次降水过程分析，从开始降水到形成汇流，最后到电站库区，时间大约为 6-12小时，而目前没有一个相对应的0-12小时的降雨量预报产品；另一方面，现有的调度指挥是在降雨已经落在地面后，根据雨量站的实时监测结果来判断降雨量的情况，经过层层上报、指挥部决策会商、下达指令等一系列的预案流程后，最后留给电站实际采取措施的时间就不多。
面雨量是根据流域内每个雨量站监测的雨量累加之和求平均得到的值，在实际生产环境中，依据面雨量作为流域内可能形成多少汇流的参考值与实际形成的汇流有很大的差异，往往实际的汇流比依据面雨量计算出来的汇流小，主要是由于土壤吸收水分、地下渗透、水分蒸发等因素会导致降雨到达地面后造成损耗。
发明内容
本发明所要解决的技术问题是：针对降雨量预报范围不精细、预报准确率低的问题，实现对降水持续时间短、降水强度大的中小尺度天气系统进行有效的监测，实现0-12小时内的降雨量预报。
为解决上述技术问题，本发明提供一种复杂地形流域的降水预报预警系统，包括天气实况数据模块、天气预报数据模块、预报检验模块、信息查询模块和后台管理模块；
所述天气实况数据模块包括采集的以下数据：
降雨量数据：流域范围内遥测雨量站和气象局自动监测站实时监测的降雨量；
有效面雨量数据：通过有效面雨量算法，实时计算得出流域范围内的有效面雨量；
土壤湿度数据：土壤水分监测站实时监测到的土壤湿度数据；
实时预警数据：针对流域范围内关键点的降雨量和有效面雨量，利用预警算法实时计算的结果与各关键点设定的阈值条件匹配，给出提示信息；
所述天气预报模块包括短时临近预报模块、短中期预报模块和长期预报模块：
短时临近预报模块：采用短时临近降雨量算法，设定时间间隔内滚动更新流域范围内未来设定时间5km×5km网格化格点降雨量预报数据；
短中期预报：提供短中期内设定时间段、设定时间间隔的5km×5km网格化格点降雨量预报；
长期预报：提供流域内长期的天气趋势预报数据；
所述预报检验模块，针对流域范围内预报的降雨量和有效面雨量，与实际的监测结果进行检验，得出预报的准确率、偏差。
本发明所达到的有益效果：
本发明针对降雨量预报范围不精细、预报准确率低的问题，利用最新的雷达、快速同化和多种模式等数值预报结果，并结合流域范围内实际的下垫面条件，研发未来6小时逐小时更新的降雨量预报产品，该产品将有效的弥补现有降雨量预报的时间和准确率不足，同时能够为电站指挥调度时间至少提前6小时，以便完全由充足的时间采取应对措施。
本发明将遥测雨量站进行加密，把站点监测密度提高到20km左右，对于类似局地强对流的中小尺度天气系统将起到很好跟踪监测，解决站点密度低而造成的监测盲区，几乎不会遗漏任何一个降水天气过程。
本发明将充分考虑降水强度、时间、蒸发、渗透、季节、温度等因素，在传统面雨量计算的基础上进行改进，从而建立有效面雨量，使其更加接近实际的生产环境，提高降水量预测的精度。
本发明融合气象部门雨量站和水电部门雨量站，实现跨部门数据信息共享，建立了流域监测预警“一张图”。在短时临近降雨量预报模块中，在0～6小时时段内，利用基于雷达和快速同化数值模式的融合外推方法，实现降雨量预报准确率提高5％～10％左右。短中期降雨量预报模块，对短中期时段预报格点降雨数据进行定量降雨订正与概率预报订正，实现预报准确率提高3％～5％左右。在面雨量计算基础上，考虑蒸发、渗透等损耗因素，得出对流域集水真正有效的降雨量。首次形成针对中小流域水库调度的高频次、高精度的降水预测，并应用于临近调度业务中，开展模式降雨检验和面雨量预报检验分析。
附图说明
图1为本发明的复杂地形流域的降水预报预警系统功能示意图；
图2为本发明的复杂地形流域的降水预报预警系统结构示意图；
图3为实时预警模块设计示意图；
图4为短时临近降水预报流程示意图；
图5为短中期降雨量预报流程示意图；
图6为有效面雨量预报流程图；
图7为降水检验流程图。
图8为双线性插值法示意图。
具体实施方式
实施例1
如图1所示，本发明的复杂地形流域的降水预报预警系统，包括天气实况数据模块、天气预报数据模块、预报检验模块、信息查询模块和后台管理模块。
所述天气实况数据模块包括采集的降雨量、面雨量、土壤湿度和实时预警数据：
降雨量：流域范围内遥测雨量站和气象局自动监测站实时监测的降雨量；
有效面雨量：通过有效面雨量算法，实时计算得出流域范围内的有效面雨量；
土壤湿度：土壤水分监测站实时监测到的土壤湿度数据；
实时预警：针对流域范围内关键点的降雨量和有效面雨量，利用预警算法实时计算的结果与各关键点设定的阈值条件匹配，以声效和突显的方式给出提示信息。
所述天气预报模块包括短时临近预报模块、短中期预报模块和长期预报模块：
短时临近预报模块：采用短时临近降雨量算法，设定时间间隔内(如每一小时)滚动更新流域范围内未来设定时间(如6小时)5km×5km网格化格点降雨量预报数据；
短中期预报：融合多源数值模式产品、机器协同订正，提供短中期内设定时间段、设定时间间隔(如3天逐3小时、4～7天逐12小时)的5km×5km网格化格点降雨量预报；
长期预报：提供流域内长期的(包括旬、月、季和年)天气趋势预报数据。
所述预报检验模块，针对流域范围内预报的降雨量和有效面雨量，与实际的监测结果进行检验，得出预报的准确率、偏差。
所述信息查询模块提供以下一种或多种数据：
各种历史数据；
文档产品数据；
按不同维度和统计方法计算出的结果数据。
所述后台管理模块包括：
用户管理：新增、删除用户，修改密码，权限分配等；
基础信息管理：流域GIS信息，站点信息，关键点信息等；
配置管理：根据各子流域的特殊情况配置各自单独信息。
如图2所示，本发明的复杂地形流域的降水预报预警系统结构包括：
1.基础层
主要包括各种物理服务器、虚拟服务器、网络安全设备等，为系统提供基础硬件支撑。
2.中间层
处理中间件：主要是各类数据的采集、预处理、清洗和质量控制等。
算法中间件：包括系统中用到各类算法，比如实时预警、短时临近降雨量预报、有效面雨量计算、预报检验等各类算法库。
接口中间件：所有的数据和产品按标准化的方式写成API(应用程序接口)接口，为本系统以及其他系统提供数据访问。
3.数据层
数据层是整个系统的核心组成部分，将数据进行封装，建立标准规范、安全可靠、高效稳定的数据服务平台，将各类结构化和非结构化的数据，经过转换、关联、比对、标识，实现横向集成、部门共享的数据服务平台，为基础查询、综合分析提供数据支撑。
4.应用层
将各种基础数据、产品数据、文档数据和历史数据等进行展示、查询
5.用户层
针对不同级别的用户，查看各自权限范围内能够获取的信息。
在天气实况数据模块中，实时预警数据包括降雨量实时预警和有效面雨量实时预警。图3为实时预警模块设计示意图。具体步骤包括：
1)将采集到的气象部门监测站的降雨量数据和水电部门监测站的降雨量数据，通过数据质量控制、格式标准化等方式进行融合处理，采用插值方法对流域内每个格点进行插值，最后得到每个像元点上的降雨量，所述插值方法包括反距离加权插值方法、克里金插值法等；
2)建立降雨量阈值模型和有效面雨量阈值模型，根据降雨量阈值模型和有效面雨量阈值模型进行降雨量阈值与有效面雨量阈值的设定；将降雨量预警指标库和有效面雨量预警指标库中的降雨量、有效面雨量的数据分别与降雨量阈值、有效面雨量阈值进行比较，如果超过降雨量阈值、有效面雨量阈值，则进行降雨量、有效面雨量阈值报警。
降雨量预警指标库和有效面雨量预警指标库根据流域范围内已有站点的历史资料，选出流域范围内关键点的降雨量和有效面雨量的信息，按照降雨量和有效面雨量的不同等级建立的各种指标。
在降雨量阈值模型中，降雨量报警阈值根据可能造成威胁的关键点降雨累计 6小时、12小时和24小时雨量进行设定。
有效面雨量阈值设定，是考虑多种气象条件综合对水电站安全生产产生重大影响，特别是有效面雨量大小将直接影响水电站入库流量，并直接影响着电站的发电能力和经济效益。有效面雨量报警阈值参考江河流域面雨量等级划分标准。
图4为短时临近降水预报流程示意图，在所述天气预报模块中的短时临近预报模块中，短时临近的时间段是指未来0～6小时，利用中国气象局短时临近监测预报预警系统SWAN和华南区域快速同化模式(RUC_QPF)进行降水外推预报试验，所述降水外推预报试验包括以下三个步骤：
第一步，对同时刻的订正后的雷达定量降水估测(DZ_QPE)、区域雷达快速同化定量降水估测(DZ_RUC_QPF)和短时临近监测预报预警系统定量降水估测00时(SWAN_QPF_00)进行对象识别，再进行强度位相(相似离度算法)和极值分布(Weibull分布)订正；
第二步，利用订正后的城市数值预报00时(GZ_NPF_00)作为起报初始场运用COTREC(交叉相关法)算法进行0～2h外推降水预报试验，基于订正后的SWAN_QPF_00进行0～2h的定量降水外推预报；
第三步，在设定时间间隔(2小时)以后利用华南区域快速同化模式数值预报风场的演变来进行外推预报，基于所述位相和强度订正后，利用COTREC风场和数值模式风场对整个区域进行分区，再利用最小二乘法计算每个分区误差绝对值的极小值得到不同时效每个分区预报降水场的最佳移动位置；增补的强降水中心的强度变化根据实况强降水云团的强度变化为依据进行外推；校正后实况强降水云团移动方向根据COTREC风场的移动变化方向来确定；最终实现每小时滚动更新未来6小时降雨量预报。
短时临近预报的具体步骤包括：
1)识别降水对象：
一个中尺度对流系统中常包含多个孤立的对流单体，每一个对流单体都可以被识别为一个对象，为了更好的对比强降水与降水估测和降水预报结果，首先将中尺度对流系统作为一个整体对象来处理，尽可能的剔除弱降水的干扰，
11)阈值控制：考虑到研究对象对大量级的降水更感兴趣，小时雨强越强造成的灾害也会越重，因此先对降水场进行过滤，使感兴趣的降水场相互区分，公式如下：
其中C(x,y)为掩膜场，p(x,y)为原始降水场，T为阈值(T为0.1mm)；
12)重构场：将经过阈值控制后的掩膜场返回原始二维降水格点值
P(x,y)＝C(x,y)p(x,y)------(2)
P(x,y)为达到阈值以上构成的新降水场也称重构场；
2)SWAN输出的QPF初始场进行校正，
对于SWAN整点时刻输出的QPF(SWAN_QPF_00)的校正分为两步，
21)采用相似离度算法计算预报降水场的最佳移动位置(x，y)；
22)进行强度校正，所述强度校正包括以下3个过程，依次进行
a.通过相似离度算法进行强度调整；
b.利用Weibull分布对降水极值分布订正；
c.通过寻找DZ_QPE的最强降水中心，并将设定范围的最强降水中心与预报降水场进行范围大小订正。
在步骤21)中，所述相似离度算法校正具体步骤为：
相似离度能反映两个样本之间的值和形态两方面的形似程度，它是一种较为全面的相似比较的数学衡量标准，
相似离度C由形系数s和值系数d两项共同决定，相似离度C越小表示两样本越相似，相似离度C越大表示两样本越不相似，并由相似离度C获得所对应的位相移动矢量值，
其中，m为格点数,k为变量,xk为第k个格点的横坐标,yk为第k个格点的纵坐标，
为所有格点横坐标平均值,
为所有格点纵坐标平均值,
为位相移动矢量值,i为第i个格点,C0x为初始位置横坐标相似离度,C0y为初始位置纵坐标相似离度；
在22)中，降水极值分布订正的步骤为：利用Weibull分布通过SWAN_QPF 向定量降水估测DZ__QPE逼近来调整，假设SWAN定量降水预报与定量降水估测都满足Weibull分布，并且定量降水预报和定量降水估测两个场的累计分布函数(实型随机变量的概率分布函数)是不同的，
式中F(x)为累计分布函数，α＞0为形状参数；β＞0为尺度参数； a0(＜Xmin)为位置参数，本发明采用当a0＝0时上式变为二参数Weibull分布函数的简便式，
Xp为函数F(x)的反演值，并利用反演值Xp对定量降水预报场进行强度订正，得到订正后的降水函数
P为设计概率；
i为x方向的格点坐标，j为y方向的格点坐标，m为所取的格点总数，Pi,j为强降水中心位置，ri,j强降水中心的半径。
融合订正场
3)基于SWAN—COTREC方法(基于SWAN的交叉相关法)的外推步骤为：
基于订正后的SWAN_QPF_00进行0～2h的定量降水外推预报，在进行所述位相和强度订正后，利用COTREC风场对整个区域进行分区，再利用最小二乘法计算每个分区误差绝对值的极小值来得到每个分区预报降水场的最佳移动位置；增补的强降水中心的强度变化根据实况强降水云团的强度变化为依据进行外推；校正后强降水云团移动方向将根据COTREC风场的移动变化方向来确定，
4)基于快速同化模式的订正外推步骤为：
基于数值模式(华南区域快速同化模式HN_RUC、华东3km中尺度模式 HD_3km、华南3km中尺度模式HN_3km)预报外推1～6h(小时)的定量降水，同样首先进行位相订正，利用相似离度算法来得到预报降水场的最佳移动位置；增补的强降水中心强度变化根据数值预报场强降水云团的强度变化为依据进行外推；校正后强降水云团移动方向与数值预报场前后时次降水云团的移动方向一致。
对于HN_RUC(华南快速同化资料)逐小时滚动输出的1小时降水、HD_3km (华东3km)及HN_3km(华南3km)整点时刻输出的QPF，以HN_RUC为例说明(HN_RUC_00)的校正包括两个步骤，
步骤一，采用相似离度算法计算预报降水场的最佳移动位置(x，y)；
步骤二，进行强度校正，所述强度校正包括以下3个过程：
a.通过相似离度算法进行强度调整；
b.利用Weibull分布对降水极值分布订正；
c.通过上述DZ_QPE(雷达定量降水估测)的最强降水中心，将设定范围的最强降水中心与华南数值预报模式输出的降水场进行融合订正；
d.利用华南数值预报模式输出的前后时间强降水中心云团的移动方向进行外推，得到最后GZ_HNRUC(1小时降水)、GZ_HN3km(华南3km)降水矢量产品。
图5为短中期降雨量预报流程示意图，在所述天气预报模块中的短中期降雨量预报模块中，短中期的时间段是指未来1～7天，基于多源背景场，利用时空协同算法形成了5km×5km网格化格点、1～3天内逐3小时、4～7天逐12小时，每日2次产品发布的降水预报产品。
短中期降雨量预报具体过程为：
第一步：获取多种数据源
调入多种预报数据源包括ECMWF产品、GRAPES-GFS产品、华南模式产品、华东模式产品、指导产品等背景场产品，并根据二进制的通用规则分布信息(GRIB)、网络通用数据格式(NetCDF)、气象信息综合分析处理系统格式(MICAPS)等格式说明要求，开展原始数据解码处理；
第二步，筛选最优预报模式：
1)检验：结合天气预报业务的站点检验方法，采用威胁评分(Threat Score)、空报率、漏报率检验方法，检验防范计算如下：
其中：E为预报评分，NA为预报正确站数，NB为空报站数，NC为漏报站数， ND为预报和实况均未达到阈值的正确站数，Ra为空报站数与漏报站数相当时的随机预报ND的数学期望。
2)进行最优TS评分(风险评分)订正：根据最优TS评分的大小排序，分值越高，模式的预报准确率就越高，
其中，Zx和My分别为模式降水的预报值和订正值，Ok为第k量级降雨阈值，k为1，2…,10，Fk为预报降水量订正到Ok时，该量级对应模式降水阈值；
第三步，进行资料同化处理：将不同数值模式背景场的时间、空间尺度统一到的5km×5km预报产品制作的尺度，具体采用双线性插值法进行处理，点P(x,y)时要插值的点，已知Q11(x1,y1)、Q12(x1,y2)、Q21(x2,y1)、Q22(x2,y2)四个点的值F(Q11)、F(Q12)、F(Q21)、F(Q22)，首先在x方向进行线性插值，得到
然后y方向进行线性插值，得到
其中F为某点的要素值，x为经度，y为纬度。
第四步：时空协同算法
按照约定的规则(即24小时总降雨量与不同时间段降雨量累积之和相等)，自动匹配订正不同时段内的降雨量，未来24小时的降雨量根据3小时、6小时、 12小时不同时间段，自动匹配各自时段内的降雨量，同时3小时、6小时、12 小时的降雨量变化后，也会自动匹配)24小时的降雨量。以降雨为最优级别，降水确定后，相对湿度、云量、降雨类天气现象向降水预报一致。表1为降雨量天气现象标准。
表1 12小时降雨量天气现象标准
| 天气现象 | 生成规则 |
| 小雨 | 该点12小时内总降水R：0.1<＝R<5mm |
| 中雨 | 该点12小时内总降水量R：5<＝R<15mm |
| 大雨 | 该点12小时内总降水量R：15<＝R<30mm |
| 暴雨 | 该点12小时内总降水量R：30<＝R<70mm |
| 大暴雨 | 该点12小时内总降水量R：70<＝R<140mm |
| 特大暴雨 | 该点12小时内总降水量R：R>＝140mm |
图6为有效面雨量预报流程图，在所述天气实况数据模块中的有效面雨量模块，在面雨量计算基础上，考虑降水强度、时间、蒸发、渗透、季节、温度等，通过土壤湿度、蒸发量两项气象观测资料，与同期流域面雨量数据的统计分析，尝试建立对流域集水真正有效的降雨量，与流域面雨量之间的概念关系模型。并且通过前期模型结果与实际流域面雨量之间的检验结果，动态进行模型参数调整，达到智能优化，提高有效雨量的预报及应用效果。
具体的步骤为：
1)整理设定时间内的流域范围内的水文资料(包括入库流量、入库流量、水位等)及气象资料(降雨量、土壤湿度、蒸发量、温度等)，时间为近5年逐日、逐时资料，通过剔除奇异值、缺测值等方法，分析各数据的质量及可用性。
2)根据所述水文资料，利用算术平均法、泰森多边形法或逐步格点订正法计算面雨量：
⑴算术平均法
算术平均法是将流域内所有测站的同期降雨量累加起来，除以总站数，即流域的面雨量，用数学关系式表示为：
式中
为面雨量，N为流域内的总站数，pi为某站的实际雨量；
在数据规则均匀、数据密度适宜的情况下，中、小流域运用算术平均法求出面雨量是比较合适的，采用算术平均法的计算最为简单，要求最易满足，运算速度快。
⑵泰森多边形法
泰森多边形法又称垂直平分法或加权平均法，先在图上把各雨量测站就近用直线连接成三角形，构成互相毗邻的三角形网；然后对每个三角形的各边作垂直平分线，将所述垂直平分线连接成若干个多边形，但要使每个多边形内只含有一个测站；假定每个雨量站的控制面积等于此多边形的面积，则该流域的面雨量为各个测站的雨量乘以各自的控制面积的总和除以流域的总面积，用数学关系式表示为：
式中：
为面雨量(mm)；Pi为该多边形测站同期的降雨量；Wi为各测站控制面积与总面积的比值，即各测测站的权重系数。
泰森多边形法的计算结果比单纯算术平均法更精确，但如果当权重较大的站点资料缺损时，就会带来很大的计算误差。泰森多边形法需要计算面积，用求积仪量取面积的传统方法工作量是比较大的，但面积越准确，给最后的结果带来的误差也会越小，一旦给站点分配了权重，其计算非常方便。但这种方法最大的局限性在于缺乏弹性，当雨量站位置和数量发生变化时，就需要生成新的泰森多边形，并重新计算权重系数。
⑶逐步格点订正法
逐步格点订正法的要点是首先选择一正方网络将流域离散化，然后以这个网络的中心点给出相同格距的另一正方网络，显然，只要求出实现网络中心点的降雨量，就可以得到该流域的平均面雨量，计算公式：
式中：
为流域面雨量，n为中心点的总个数，Ri为每个中心点的雨量，Ri则可在虚线网络上用Cressman的逐步订正法求得，由于边界是不规则的，因此在边界上应略去不属该流域内的面积，一般可采用估算法，确定边界上小格流域内的面积比例。
3)利用多元线性回归方法建立有效面雨量与各气象因子的关系，所述气象因子包括降水、蒸发量、土壤湿度等，函数表达式:
Y＝a+b1X1+b2X2+…+bkXk
式中，Y为因变量，在此表示有效面雨量；X1、X2、…、Xk为自变量，在此分别表示相关气象因子；a为常数项；b1、b2、…、bk为回归系数，再分析入库流量与计算出有效面雨量的关系。
图7为降水检验流程图，在所述预报检验模块中，检验是监控预报性能、理解模式误差以及改进模式预报的主要途径。在水电应用方面，降水预报检验和有效降水预报检验更为直观，可以为调度决策者提供客观的指导依据。主要包括流域关键点降雨量预报检验和流域面雨量预报检验。
预报检验模块的检验方法包括以下步骤：
1)实况场：传统检验方法多为点对点的，检验站点的选取不同，得到的检验结果也可能是不同的。针对ME(权重系数)分析，因其主要应用于快速输出的QPF订正，实况场测站的密度越密，得出的误差值分布越均匀，对精细化的 QPF订正越有效果。因此实况场选取流域范围内全部的雨量实测值，包括流域辖区关键点作为实况场，与以往不同的是增加以往不在检验范围内的关键点。针对ETS评分(公平技巧评分)，将检验站点设定到流域辖区关键点上，以关键点的实测雨量作为检验标准，即实况场，从而得出有针对性的检验结果。
2)预报场：由于预报场都为精细化的格点数据，需要对应到实况场的各检验点上。针对应用场景不同，对预报场格点数据采取插值、邻域两种方式进行实况点上的预报值提取。插值采用反距离加权方法，根据实况点周围4个格点值及其相对位置进行插值，应用于ME求取；考虑到预报场的空间分辨率为 5*5km，采用实况检验点邻近4个格点值中最接近实况值的作为预报值，从而构建出于实况场各检验点对应的预报场，应用于ETS评分。
3)检验步骤：针对逐时滚动输出QPF的预报检验，求取各关键点上的误差，平均值即为ME，考虑临近空间和时间范畴内的预报和观测降水事件，对流域关键点的误差在QPF订正参数中所占的权重进行增加，快速输出误差结果对QPF 进行订正，进而提高QPF在流域范围内的准确率。
考虑降水固有的时空不确定性，ETS评分本项目中检验时段考虑到了精细化降水预报的技术特点，与预报订正输出的时间和时段保持一致，即每日08时、 20时的逐24小时间隔作为检验时段，输出流域范围内所有关键点的ETS平均结果，作为筛选最优预报模式的参考，进而提高短期QPF的准确率。
4)选取每日08时、20时起报的逐24小时时段的实况降雨量，计算各流域区间的降雨量相对误差，即得出相对误差序列。以降雨量的预报偏差和落区偏离进行检验，结果用于评估预报效果，也可作为改进有效雨量模型的依据；并建立检验评估历史数据库，为当前水库调度和历史研究提供可靠的数据依据。
5)对流域进行实况和预报有效面雨量的对应检验，可以给出整体的降雨值上的偏差；还可以设定偏移方法，进行邻近区域内降雨量的预报与实况的比较，得出整体降雨落区上的偏差。通过降雨量值和降雨落区范围的偏差描述，能够较合理的反应针对流域面上的预报与实况降水之间的差别。
以上已以较佳实施例公开了本发明，然其并非用以限制本发明，凡采用等同替换或者等效变换方式所获得的技术方案，均落在本发明的保护范围之内。
Claims (7)
1.一种复杂地形流域的降水预报预警系统，其特征在于：包括天气实况数据模块、天气预报数据模块、预报检验模块、信息查询模块和后台管理模块；
所述天气实况数据模块包括采集的以下数据：
降雨量数据：流域范围内遥测雨量站和气象局自动监测站实时监测的降雨量；
有效面雨量数据：通过有效面雨量算法，实时计算得出流域范围内的有效面雨量；
土壤湿度数据：土壤水分监测站实时监测到的土壤湿度数据；
实时预警数据：针对流域范围内关键点的降雨量和有效面雨量，利用预警算法实时计算的结果与各关键点设定的阈值条件匹配，给出提示信息；
所述天气预报模块包括：
短时临近预报模块：采用短时临近降雨量算法，设定时间间隔内滚动更新流域范围内未来设定时间网格化格点降雨量预报数据；
短中期预报：提供短中期内设定时间段、设定时间间隔的网格化格点降雨量预报；
长期预报：提供流域内长期的天气趋势预报数据；
所述预报检验模块，针对流域范围内预报的降雨量和有效面雨量，与实际的监测结果进行检验，得出预报的准确率、偏差。
2.根据权利要求1所述的复杂地形流域的降水预报预警系统，其特征在于：
在天气实况数据模块中，具体工作步骤包括：
1)将采集到的气象部门监测站的降雨量数据和水电部门监测站的降雨量数据进行融合处理，采用插值方法对流域内每个格点进行插值，得到每个像元点上的降雨量；
2)建立降雨量阈值模型和有效面雨量阈值模型，根据降雨量阈值模型和有效面雨量阈值模型进行降雨量阈值与有效面雨量阈值的设定；将降雨量预警指标库和有效面雨量预警指标库中的降雨量、有效面雨量的数据分别与降雨量阈值、有效面雨量阈值进行比较，如果超过降雨量阈值、有效面雨量阈值，则进行降雨量、有效面雨量阈值报警。
3.根据权利要求1所述的复杂地形流域的降水预报预警系统，其特征在于：在所述天气预报模块中的短时临近预报模块中，利用中国气象局短时临近监测预报预警系统SWAN和华南区域快速同化模式RUC_QPF进行降水外推预报试验，所述降水外推预报试验包括以下三个步骤：
第一步，对同时刻的订正后的雷达定量降水估测DZ_QPE、区域雷达快速同化定量降水估测DZ_RUC_QPF和短时临近监测预报预警系统定量降水估测00时SWAN_QPF_00进行对象识别，再进行强度位相和极值分布订正；
第二步，利用订正后的城市数值预报00时GZ_NPF_00作为起报初始场运用COTREC算法进行0～2h外推降水预报试验，基于订正后的SWAN_QPF_00进行0～2h的定量降水外推预报；
第三步，在设定时间间隔以后利用华南区域快速同化模式数值预报风场的演变来进行外推预报，基于所述位相和强度订正后，利用COTREC风场和数值模式风场对整个区域进行分区，再利用最小二乘法计算每个分区误差绝对值的极小值得到不同时效每个分区预报降水场的最佳移动位置；增补的强降水中心的强度变化根据实况强降水云团的强度变化为依据进行外推；校正后实况强降水云团移动方向根据COTREC风场的移动变化方向来确定；最终实现每小时滚动更新未来6小时降雨量预报。
4.根据权利要求1所述的复杂地形流域的降水预报预警系统，其特征在于：短时临近预报的具体步骤包括：
1)首先将中尺度对流系统作为一个整体对象来处理，剔除弱降水的干扰：
11)阈值控制：先对降水场进行过滤，使感兴趣的降水场相互区分，公式如下：
其中C(x,y)为掩膜场，p(x,y)为原始降水场，T为阈值；
12)重构场：将经过阈值控制后的掩膜场返回原始二维降水格点值
P(x,y)＝C(x,y)p(x,y)------(2)
P(x,y)为达到阈值以上构成的新降水场也称重构场；
2)对于SWAN整点时刻输出的QPF的校正：
21)采用相似离度算法计算预报降水场的最佳移动位置(x，y)；
22)进行强度校正，所述强度校正包括以下3个过程，依次进行
a.通过相似离度算法进行强度调整；
b.利用Weibull分布对降水极值分布订正；
c.通过寻找DZ_QPE的最强降水中心，并将设定范围的最强降水中心与预报降水场进行范围大小订正；
3)基于SWAN—COTREC方法进行外推，具体步骤为：
基于订正后的SWAN_QPF_00进行0～2h的定量降水外推预报，在进行所述位相和强度订正后，利用COTREC风场对整个区域进行分区，再利用最小二乘法计算每个分区误差绝对值的极小值来得到每个分区预报降水场的最佳移动位置；增补的强降水中心的强度变化根据实况强降水云团的强度变化为依据进行外推；校正后强降水云团移动方向根据COTREC风场的移动变化方向来确定，
4)基于快速同化模式的订正外推步骤为：
基于数值模式预报外推1～6h的定量降水，首先进行位相订正，利用相似离度算法来得到预报降水场的最佳移动位置；增补的强降水中心强度变化根据数值预报场强降水云团的强度变化为依据进行外推；校正后强降水云团移动方向与数值预报场前后时次降水云团的移动方向一致。
5.根据权利要求4所述的复杂地形流域的降水预报预警系统，其特征在于：在步骤21)中，所述相似离度算法校正具体步骤为：
相似离度C由形系数s和值系数d两项共同决定；
其中，m为格点数,k为变量,xk为第k个格点的横坐标,yk为第k个格点的纵坐标，
为所有格点横坐标平均值,
为所有格点纵坐标平均值,
为位相移动矢量值,i为第i个格点,C0x为初始位置横坐标相似离度,C0y为初始位置纵坐标相似离度。
6.根据权利要求4所述的复杂地形流域的降水预报预警系统，其特征在于：在步骤22)中，降水极值分布订正的步骤为：利用Weibull分布通过SWAN_QPF向定量降水估测DZ__QPE逼近来调整，假设SWAN定量降水预报与定量降水估测都满足Weibull分布，并且定量降水预报和定量降水估测两个场的累计分布函数不同，
式中F(x)为累计分布函数，α＞0为形状参数；β＞0为尺度参数；a0(＜Xmin)为位置参数，本发明采用当a0＝0时上式变为二参数Weibull分布函数的简便式，
Xp为函数F(x)的反演值，并利用反演值Xp对定量降水预报场进行强度订正，得到订正后的降水函数
P为设计概率；
增补强降水中心
i为x方向的格点坐标，j为y方向的格点坐标，m为所取的格点总数，Pi,j为强降水中心位置，ri,j强降水中心的半径。
融合订正场
7.根据权利要求1所述的复杂地形流域的降水预报预警系统，其特征在于：在所述天气预报模块中的短中期降雨量预报模块中,短中期降雨量预报具体过程为：
第一步：获取多种数据源；
第二步，筛选最优预报模式：
1)检验防范计算如下：
其中：E为预报评分，NA为预报正确站数，NB为空报站数，NC为漏报站数，ND为预报和实况均未达到阈值的正确站数，Ra为空报站数与漏报站数相当时的随机预报ND的数学期望；
2)根据最优TS评分的大小排序，分值越高，模式的预报准确率就越高，
其中，Zx和My分别为模式降水的预报值和订正值，Ok为第k量级降雨阈值，k为1，2…,10，Fk为预报降水量订正到Ok时，该量级对应模式降水阈值；
第三步，采用双线性插值法，将不同数值模式背景场的时间、空间尺度统一到的5km×5km预报产品制作的尺度；
第四步：按照约定的规则自动匹配订正不同时段内的降雨量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010861092.8A CN112070286B (zh) | 2020-08-25 | 2020-08-25 | 复杂地形流域的降水预报预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010861092.8A CN112070286B (zh) | 2020-08-25 | 2020-08-25 | 复杂地形流域的降水预报预警系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112070286A true CN112070286A (zh) | 2020-12-11 |
| CN112070286B CN112070286B (zh) | 2023-11-24 |
Family
ID=73660137
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010861092.8A Active CN112070286B (zh) | 2020-08-25 | 2020-08-25 | 复杂地形流域的降水预报预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112070286B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111771693A (zh) * | 2020-07-10 | 2020-10-16 | 广州大学 | 一种土壤墒情的人工智能控制方法及系统 |
| CN112363168A (zh) * | 2021-01-13 | 2021-02-12 | 南京满星数据科技有限公司 | 一种基于雷达外推和模式预报的同化融合方法 |
| CN113033957A (zh) * | 2021-02-26 | 2021-06-25 | 兰州中心气象台(兰州干旱生态环境监测预测中心) | 一种多模式降水预报及实时动态检验评估系统 |
| CN113205155A (zh) * | 2021-05-27 | 2021-08-03 | 中国水利水电科学研究院 | 一种基于分区自适应权重的多源降水数据融合方法 |
| CN113239318A (zh) * | 2021-05-17 | 2021-08-10 | 中国气象局乌鲁木齐沙漠气象研究所 | 一种区域数值预报模式的土壤湿度初值订正方法 |
| CN113917567A (zh) * | 2021-09-29 | 2022-01-11 | 重庆市气象台 | 一种网格化暴雨预警方法、系统、电子设备及介质 |
| CN114004426A (zh) * | 2021-12-31 | 2022-02-01 | 浙江省气象台 | 一种短时暴雨预报释用模型的动态调整方法 |
| CN114911853A (zh) * | 2022-04-20 | 2022-08-16 | 中山大学 | 一种基于Python的水文气象数据区域尺度提取及可视化方法 |
| CN114999180A (zh) * | 2022-05-12 | 2022-09-02 | 广东省韶关市气象局 | 一种基于物联网的高速公路恶劣天气交通预警系统及方法 |
| CN116679357A (zh) * | 2023-06-05 | 2023-09-01 | 广东省水文局梅州水文分局 | 一种对雷达定量降水估测进行水量平衡处理的方法 |
| CN117114451A (zh) * | 2023-10-20 | 2023-11-24 | 中科星图维天信科技股份有限公司 | 人工影响降水效果评估方法、装置、电子设备和存储介质 |
| CN117216503A (zh) * | 2023-11-07 | 2023-12-12 | 北京英视睿达科技股份有限公司 | 一种小区域短时暴雨的预警方法和系统 |
| CN116679357B (zh) * | 2023-06-05 | 2024-04-19 | 广东省水文局梅州水文分局 | 一种对雷达定量降水估测进行水量平衡处理的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108535731A (zh) * | 2018-04-18 | 2018-09-14 | 青岛心中有数科技有限公司 | 短临降水预报方法与装置 |
| CN108828691A (zh) * | 2018-04-18 | 2018-11-16 | 青岛心中有数科技有限公司 | 短临降水预报方法与装置 |
| KR102006847B1 (ko) * | 2018-08-21 | 2019-08-02 | 부경대학교 산학협력단 | 다중규모 광학 흐름을 이용한 레이더 초단기 강수 예측을 위한 장치 및 방법 |
| CN111398964A (zh) * | 2020-04-10 | 2020-07-10 | 中国水利水电科学研究院 | 基于强降水识别与数值大气模式驱动的雷达临近预报方法 |
| CN111428676A (zh) * | 2020-04-01 | 2020-07-17 | 南京信息工程大学 | 一种基于稀疏对应和深度神经网络的短临降水预测方法 |
-
2020
- 2020-08-25 CN CN202010861092.8A patent/CN112070286B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108535731A (zh) * | 2018-04-18 | 2018-09-14 | 青岛心中有数科技有限公司 | 短临降水预报方法与装置 |
| CN108828691A (zh) * | 2018-04-18 | 2018-11-16 | 青岛心中有数科技有限公司 | 短临降水预报方法与装置 |
| KR102006847B1 (ko) * | 2018-08-21 | 2019-08-02 | 부경대학교 산학협력단 | 다중규모 광학 흐름을 이용한 레이더 초단기 강수 예측을 위한 장치 및 방법 |
| CN111428676A (zh) * | 2020-04-01 | 2020-07-17 | 南京信息工程大学 | 一种基于稀疏对应和深度神经网络的短临降水预测方法 |
| CN111398964A (zh) * | 2020-04-10 | 2020-07-10 | 中国水利水电科学研究院 | 基于强降水识别与数值大气模式驱动的雷达临近预报方法 |
Non-Patent Citations (5)
| Title |
|---|
| NOVÁK, P 等: "Quantitative precipitation forecast using radar echo extrapolation", 《ATMOSPHERIC RESEARCH》, pages 328 - 334 * |
| 吕晓娜;牛淑贞;袁春风;袁晓超;: "SWAN中定量降水估测和预报产品的检验与误差分析", 暴雨灾害, no. 02, pages 142 - 150 * |
| 宋丹;熊伟;唐延婧;: "SWAN定量降水估测和预报产品在贵州乌江流域的应用", 贵州气象, no. 05, pages 24 - 27 * |
| 张勇 等: "基于SWAN雷达拼图产品在暴雨过程中的对流云降水识别及效果检验", 《气象》, pages 180 - 190 * |
| 黄旋旋 等: "改进后TREC外推方法在台风临近降雨预报中的应用", 《气象科学》, pages 610 - 618 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111771693B (zh) * | 2020-07-10 | 2021-10-26 | 广州大学 | 一种土壤墒情的人工智能控制方法及系统 |
| CN111771693A (zh) * | 2020-07-10 | 2020-10-16 | 广州大学 | 一种土壤墒情的人工智能控制方法及系统 |
| CN112363168A (zh) * | 2021-01-13 | 2021-02-12 | 南京满星数据科技有限公司 | 一种基于雷达外推和模式预报的同化融合方法 |
| CN113033957A (zh) * | 2021-02-26 | 2021-06-25 | 兰州中心气象台(兰州干旱生态环境监测预测中心) | 一种多模式降水预报及实时动态检验评估系统 |
| CN113033957B (zh) * | 2021-02-26 | 2023-10-27 | 兰州中心气象台(兰州干旱生态环境监测预测中心) | 一种多模式降水预报及实时动态检验评估系统 |
| CN113239318B (zh) * | 2021-05-17 | 2022-12-20 | 中国气象局乌鲁木齐沙漠气象研究所 | 一种区域数值预报模式的土壤湿度初值订正方法 |
| CN113239318A (zh) * | 2021-05-17 | 2021-08-10 | 中国气象局乌鲁木齐沙漠气象研究所 | 一种区域数值预报模式的土壤湿度初值订正方法 |
| CN113205155A (zh) * | 2021-05-27 | 2021-08-03 | 中国水利水电科学研究院 | 一种基于分区自适应权重的多源降水数据融合方法 |
| CN113917567A (zh) * | 2021-09-29 | 2022-01-11 | 重庆市气象台 | 一种网格化暴雨预警方法、系统、电子设备及介质 |
| CN113917567B (zh) * | 2021-09-29 | 2024-04-12 | 重庆市气象台 | 一种网格化暴雨预警方法、系统、电子设备及介质 |
| CN114004426A (zh) * | 2021-12-31 | 2022-02-01 | 浙江省气象台 | 一种短时暴雨预报释用模型的动态调整方法 |
| CN114911853B (zh) * | 2022-04-20 | 2022-11-29 | 中山大学 | 一种基于Python的水文气象数据区域尺度提取及可视化方法 |
| CN114911853A (zh) * | 2022-04-20 | 2022-08-16 | 中山大学 | 一种基于Python的水文气象数据区域尺度提取及可视化方法 |
| CN114999180A (zh) * | 2022-05-12 | 2022-09-02 | 广东省韶关市气象局 | 一种基于物联网的高速公路恶劣天气交通预警系统及方法 |
| CN114999180B (zh) * | 2022-05-12 | 2023-12-26 | 广东省韶关市气象局 | 一种基于物联网的高速公路恶劣天气交通预警系统及方法 |
| CN116679357A (zh) * | 2023-06-05 | 2023-09-01 | 广东省水文局梅州水文分局 | 一种对雷达定量降水估测进行水量平衡处理的方法 |
| CN116679357B (zh) * | 2023-06-05 | 2024-04-19 | 广东省水文局梅州水文分局 | 一种对雷达定量降水估测进行水量平衡处理的方法 |
| CN117114451A (zh) * | 2023-10-20 | 2023-11-24 | 中科星图维天信科技股份有限公司 | 人工影响降水效果评估方法、装置、电子设备和存储介质 |
| CN117114451B (zh) * | 2023-10-20 | 2024-01-02 | 中科星图维天信科技股份有限公司 | 人工影响降水效果评估方法、装置、电子设备和存储介质 |
| CN117216503A (zh) * | 2023-11-07 | 2023-12-12 | 北京英视睿达科技股份有限公司 | 一种小区域短时暴雨的预警方法和系统 |
| CN117216503B (zh) * | 2023-11-07 | 2024-04-09 | 北京英视睿达科技股份有限公司 | 一种小区域短时暴雨的预警方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112070286B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112070286B (zh) | 复杂地形流域的降水预报预警系统 | |
| Einfalt et al. | Towards a roadmap for use of radar rainfall data in urban drainage | |
| Girons Lopez et al. | Location and density of rain gauges for the estimation of spatial varying precipitation | |
| CN107316095B (zh) | 一种耦合多源数据的区域气象干旱等级预测方法 | |
| CN112308292B (zh) | 一种火灾风险等级分布图的绘制方法 | |
| CN110222911B (zh) | 一种卫星遥感与地面数据协同的雨量站网优化布局方法 | |
| BR102019003180A2 (pt) | processo e sistema de análise e gestão hidrológica para bacias | |
| Grillakis et al. | Application of the HBV hydrological model in a flash flood case in Slovenia | |
| CN107169645B (zh) | 一种计及暴雨灾害影响的输电线路故障概率在线评估方法 | |
| KR20170005553A (ko) | 지능형 정보제공을 위한 홍수, 가뭄정보의 평가 및 예측 기법 개발 | |
| CN112801342A (zh) | 一种基于降雨径流相似性的自适应径流预报方法 | |
| CN111027175A (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
| CN113344291B (zh) | 城市内涝淹没范围的预报方法、装置、介质和设备 | |
| CN108646319A (zh) | 一种短时强降雨预报方法及系统 | |
| Bosisio et al. | Improving DTR assessment by means of PCA applied to wind data | |
| Kim et al. | Bias correction of daily precipitation over South Korea from the long-term reanalysis using a composite Gamma-Pareto distribution approach | |
| CN112686426A (zh) | 一种基于水电站流域关键点的来水量预警方法及系统 | |
| CN114609698A (zh) | 一种基于配料法思想和二分法的短时强降水概率预报方法 | |
| CN113657610A (zh) | 一种基于随机森林的冰雹气候特征预测方法 | |
| Kou et al. | Prediction intervals for wind power forecasting: using sparse warped Gaussian process | |
| Ning et al. | Runoff of arid and semi-arid regions simulated and projected by CLM-DTVGM and its multi-scale fluctuations as revealed by EEMD analysis | |
| Hong et al. | Probabilistic simulations for seasonal typhoon genesis over the South China Sea | |
| CN115600047B (zh) | 一种基于栅格分析的小流域面平均降雨量测算方法和系统 | |
| Lin et al. | Hurricane freshwater flood risk assessment model for residential buildings in southeast US coastal states considering climate change | |
| CN116523189A (zh) | 一种考虑水文特征的墒情站点规划方法、装置及存储介质 |
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 |