CN112149859B - 风速预测方法和风速预测装置 - Google Patents

风速预测方法和风速预测装置 Download PDF

Info

Publication number
CN112149859B
CN112149859B CN201910572885.5A CN201910572885A CN112149859B CN 112149859 B CN112149859 B CN 112149859B CN 201910572885 A CN201910572885 A CN 201910572885A CN 112149859 B CN112149859 B CN 112149859B
Authority
CN
China
Prior art keywords
data
wind speed
weather forecast
field data
initial
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.)
Active
Application number
CN201910572885.5A
Other languages
English (en)
Other versions
CN112149859A (zh
Inventor
张永林
杨冰玉
丁宇宇
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.)
Beijing Goldwind Smart Energy Service Co Ltd
Original Assignee
Beijing Goldwind Smart Energy Service Co Ltd
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 Beijing Goldwind Smart Energy Service Co Ltd filed Critical Beijing Goldwind Smart Energy Service Co Ltd
Priority to CN201910572885.5A priority Critical patent/CN112149859B/zh
Publication of CN112149859A publication Critical patent/CN112149859A/zh
Application granted granted Critical
Publication of CN112149859B publication Critical patent/CN112149859B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (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

本公开提供一种风速预测方法和风速预测装置。所述风速预测方法包括：获取目标区域在未来预设时间段的预测背景场数据和观测场数据；根据获取的预测背景场数据和观测场数据使用天气预报模式系统来生成初始条件和边界条件；基于第一同化系统对所述初始条件进行优化，并且相应地更新所述边界条件；基于优化后的初始条件以及更新的边界条件，使用天气预报模式系统和第二同化系统来获得目标区域在所述预设时间段的风速。根据本公开的方法和装置能够分别在天气预报模式初始场和数值模式积分过程中耦合气象观测资料，提高了数值天气预报的模拟精度，进而提高了风电场预测风速精度。

Description

风速预测方法和风速预测装置
技术领域
本公开涉及风力发电技术领域，更具体地，本公开涉及一种用于预测风速的方法及其装置。
背景技术
目前，风功率预测是提高大规模风电接入电力系统效率的关键基础技术，而风电场风速预报是风功率预测的关键环节。数值天气预报方法被广泛应用于风电场的风速预报。数值天气预报属于微分方程初值问题，其初始条件和边界条件的精度和质量对预测数据的结果起到决定性的影响。
然而基于WRF模式预测风电场风速的传统方法仅使用由全球预测系统(GlobalForecast Systems，GFS)提供的预测背景场数据确定初始条件和边界条件，因此，确定的初始条件和边界条件不够准确，不能获得精确的大气初始状态，从而无法得到高精度的风电场风速预报数值。为了解决这个问题，一般采用天气预报模式同化系统对全球预测系统(Global Forecast Systems，GFS)提供的初始条件进行更新，以提升模式开始时刻的初值精度。但对于风速预测业务来说，一般是基于一段时间的气象观测资料预测未来一段时间的风速，因此，仅提高模式开始时刻的初值精度无法满足业务需求。
发明内容
本公开的示例性实施例提供了一种风速预测方法和风速预测装置，至少解决上述技术问题和上文未提及的其它技术问题，并且提供下述的有益效果。
本公开的一方面在于提供一种风速预测方法。所述风速预测方法可以包括以下步骤：获取目标区域在未来预设时间段的预测背景场数据和观测场数据；根据获取的预测背景场数据和观测场数据使用天气预报模式系统来生成初始条件和边界条件；基于第一同化系统对所述初始条件进行优化，并且相应地更新所述边界条件；基于优化后的初始条件以及更新的边界条件，使用天气预报模式系统和第二同化系统来获得目标区域在所述预设时间段的风速。
在所述风速预测方法中，第一同化系统可以是天气预报模式同化系统或者格点统计插值系统，其中，对所述初始条件进行优化的步骤可以包括：根据预测背景场数据、观测场数据和所述初始条件来构建偏差函数；并且通过使所述偏差函数最小化来调整所述初始条件。
在对所述初始条件优化之后，所述风速预测方法还可以包括根据优化后的初始条件和所述边界条件，使用天气预报模式系统来更新所述边界条件，使得优化后的初始条件与更新的边界条件相应。
在所述风速预测方法中，第二同化系统可以是四维数据同化系统，其中，所述风速预测方法可以包括：在天气预报模式系统使用优化后的初始条件和更新的边界条件计算目标区域在所述预设时间段的数值天气预报数据的过程中，使用四维数据同化系统对数值模式积分的指定时刻的初值进行调整。
对数值模式积分的指定时刻的初值进行调整的步骤可以包括：由天气预报模式系统使用优化后的初始条件和更新的边界条件来计算所述未来预设时间段的初始时刻的数值天气预报数据；通过构建格点对格点的松弛强迫项或者通过设置波数进行滤波处理对数值积分模式在初始时刻之后的指定时刻的初值进行调整，使得所述初值逼近相应的观测场数据；根据指定时刻的调整后的初值来计算指定时刻的数值天气预报数据。
获得目标区域在所述预设时间段的风速的步骤可以包括从所述数值天气预报数据中提取风速数据。
本公开的另一方面在于提供一种风速预测装置。所述风速预测装置可以包括：数据获取模块，用于获取目标区域在未来预设时间段的预测背景场数据和观测场数据；以及数据处理模块，用于：根据获取的预测背景场数据和观测场数据使用天气预报模式系统来生成初始条件和边界条件；基于第一同化系统对所述初始条件进行优化，并且相应地更新所述边界条件；并且基于优化后的初始条件以及更新的边界条件，使用天气预报模式系统和第二同化系统来获得目标区域在所述预设时间段的风速。
优选地，第一同化系统可以是天气预报模式同化系统或者格点统计插值系统，其中，数据处理模块可以根据预测背景场数据、观测场数据和所述初始条件来构建偏差函数；并且通过使所述偏差函数最小化来调整所述初始条件。
在对所述初始条件优化之后，数据处理模块可以根据优化后的初始条件和所述边界条件，使用天气预报模式系统来更新所述边界条件，使得优化后的初始条件与更新的边界条件相应。
优选地，第二同化系统可以是四维数据同化系统，其中，在天气预报模式系统使用优化后的初始条件和更新的边界条件计算目标区域在所述预设时间段的数值天气预报数据的过程中，数据处理模块可以使用四维数据同化系统对数值模式积分的指定时刻的初值进行调整。
数据处理模块还可以使用天气预报模式系统利用优化后的初始条件和更新的边界条件来计算所述未来预设时间段的初始时刻的数值天气预报数据；通过构建格点对格点的松弛强迫项或者通过设置波数进行滤波处理对数值积分模式在初始时刻之后的指定时刻的初值进行调整，使得所述初值逼近相应的观测场数据；根据指定时刻的调整后的初值来计算指定时刻的数值天气预报数据。
数据处理模块还可以从所述数值天气预报数据中提取风速数据。
本公开的另一方面在于提供一种计算机可读存储介质，存储有程序，所述程序可包括用于执行以上所述风速预测方法的指令。
本公开的另一方面在于提供一种计算机，包括存储有计算机程序的可读介质和处理器，当所述处理器运行所述计算机程序时执行以上所述风速预测方法的指令。
基于以上描述的方法和装置，能够分别在数值天气预报模式初始场和数值模式积分过程中耦合气象观测资料以获得更加精确的风电场的风速预报信息从而提高数值天气预报的模拟精度。
附图说明
通过结合附图，从实施例的下面描述中，本公开这些和/或其它方面及优点将会变得清楚，并且更易于理解，其中：
图1是根据本公开的第一示例性实施例的风速预测方法的流程图；
图2是根据本公开的第二示例性实施例的风速预测方法的流程图；
图3是根据本公开的示例性实施例的风速预测装置。
具体实施方式
提供参照附图的以下描述以帮助对由权利要求及其等同物限定的本公开的实施例的全面理解。包括各种特定细节以帮助理解，但这些细节仅被视为是示例性的。因此，本领域的普通技术人员将认识到在不脱离本公开的范围和精神的情况下，可对描述于此的实施例进行各种改变和修改。此外，为了清楚和简洁，省略对公知的功能和结构的描述。
在描述本公开之前，首先对一些技术术语进行解释。
天气预报模式(Weather Research and Forecasting Model，WRF Model)系统：是数值天气预报中的一种常用的模式，用于根据背景场信息，预测目标区域在预设时间段内的气象数据。
全球预测系统(Global Forecast Systems，GFS)：用于提供全球区域的预测背景场信息和观测场信息。
三维变分同化(Three-Dimensional Variational Assimilation，3DVAR)系统：用于在某一分析时间，通过迭代的方法极小化代价函数来获取统计上最优的真实大气状态的估计值。
格点统计插值(Gridpoint Statistical Interpolation，GSI)系统：用于根据预测背景场数据和观测场数据确定出分析场数据。
四维数据同化(Four Dimensional Data Assimilation，FDDA)：是一个连续的动力同化方法，其通过在模式控制方程的基础上添加强迫函数，使得模式状态逐渐向观测状态逼近。
美国国家大气研究中心的命令语言(National Center for AtmosphericResearch Command Language，NCL)：用于提取天气预报模式系统确定的基础预测信息中的风速预报信息。
在下文中，根据本公开的各种实施例，将参照附图对本公开的设备以及方法进行描述。
图1是根据本公开的第一示例性实施例的风速预测方法的流程图。
参照图1，在步骤S101，获取目标区域在未来预设时间段的预测背景场数据和观测场数据。预测背景场数据可以是预测的全球区域的背景场数据，该背景场数据可以在GFS中获取。GFS预报数据可预报未来8天全球范围的天气，预报数据时间间隔为3小时。GFS预报数据可以驱动WRF模式系统获得更加精细目标区域的气象数据。例如，可以通过GFS获取未来某段时间内全球区域的背景场数据。可以将某一风电场作为目标区域。可以根据实际需要开设定预设时间段的具体时间长度，例如，当前时间点为2018年10月1号0时，在需要预测五天的风速时，则获取目标区域在2018年10月1号0时至10月5号24时的预测背景场数据。应当说明的是，获取的全球区域的背景场数据的时间段应当至少覆盖预设时间段。
观测场数据可以包括全球区域在各个时刻观测到的真实气象数据，也可以仅包括某一特定区域在各个时刻观测到的真实气象数据。观测场数据可以从中国气象局获取，获取的数据的时间间隔为1小时。
例如，如果预测目标区域在未来五天(2018年10月1日0时至10月5日24时)的风速，则需要获取2018年10月1日0时发布的GFS预报数据(包括未来5天2018年10月1日0时至10月5日24时)，而一般2018年10月1日0时的GFS预报数据的发布时间大约在2018年10月1日4时，由于观测场数据只能在已经过的时间被获取，因此，获取的观测场数据为2018年10月1日0时至2018年10月1日4时的数据。
在步骤S102，根据获取的预测背景场数据和观测场数据使用天气预报模式系统来生成初始条件和边界条件。首先，根据目标区域以及预设时间段来设置WRF模式的各种参数以完成模型建立。然后，根据获取的预测背景场数据使用设置后的WRF模式来生成WRF模式在特定水平网格中的有效气象数据，例如，对目标区域的地形数据进行插值处理；根据预测时间段以及插值处理后的地形数据，对预测背景场数据中的气象数据进行插值处理，从而获得WRF模式在特定水平网格中的有效气象数据。根据观测场数据和生成的有效气象数据来生成WRF模式所需的基础初始条件和基础边界条件，同时生成用于FDDA系统的文件。
在步骤S103，基于预测背景场数据和观测场数据，使用第一同化系统对生成的初始条件进行优化，并且相应地更新生成的边界条件。在本公开中，第一同化系统可以是第一同化系统是天气预报模式同化系统或者格点统计插值系统。在本公开中，优选地，使用三维变分同化技术来优化初始条件。三维变分同化技术的主要目的是在某一分析时间，通过迭代的方法极小化代价函数来获取统计上最优的真实大气状态的估计值。
例如，可以根据生成的初始条件和边界条件使用3DVAR系统来获得物理和动力上与模式相协调的初始场，即生成用于WRF模式的高精度的初始条件和高精度的边界条件。
可选地，还可以根据生成初始条件和边界条件使用GSI系统来生成用于WRF模式的高精度的初始条件和高精度的边界条件。上述示例仅是示例性的，本公开不限于上述优化初始条件的方法。
在步骤S104，基于优化后的初始条件以及更新的边界条件，使用天气预报模式系统和第二同化系统来获得目标区域在预设时间段的风速。在计算数值天气预报数据的过程中，基于WRF模式系统使用优化的初始条件和更新的边界条件，结合使用FDDA方法来计算目标区域在预定时间段的数值天气预报数据。FDDA技术在以观测时间为中心的一个时间窗口内，在每个积分时间步长上对WRF模式的背景场变量进行修正，并通过模式的动力和物理方程将观测信息在空间、时间和不同预报变量间进行传播，对模式变量进行全面修正。
具体来说，将WRF模式系统中原有的初始条件和边界条件替换为高精度的初始条件和高精度的目标边界条件。然后根据预设时间段、观测场数据、更新的边界条件、松弛逼近选项以及前述生成的用于FDDA系统的文件等，设置FDDA系统所需的环境变量和各类参数。在数值模式积分的指定时刻，在一个或多个预报方程中增加一个附加项，即模拟值与观测值之差的松弛项，在观测场数据的时间段内，使得方程的解逼近观测值，保证了在每个积分步长中各物理量之间的动力平衡，用所得的模式解作为模拟的初值，从而提高模式的模拟效果。在WRF模式中，使用WRF模式通量形式的欧拉方程组计算目标区域在预设时间段的风电场数值天气预报数据，从计算的数值天气预报数据中提取出风速数据。
下面将参照图2来详细地描述如何获取目标区域在未来预设时间段的风速预测数据。
图2是根据本公开的第二示例性实施例的风速预测方法的流程图。
参照图2，在步骤S201，获取目标区域在未来预设时间段的预测背景场数据。例如，可以通过GFS获取未来某段时间内全球区域的背景场数据。可以将某一风电场作为目标区域。可以根据实际需要开设定预设时间段的具体时间长度，例如，当前时间点为2018年10月1号0时，在需要预测五天的风速时，则获取目标区域在2018年10月1号0时至10月5号24时的预测背景场数据。应当说明的是，获取的全球区域的背景场数据的时间段应当至少覆盖预设时间段。
在步骤S202，根据获取的预测背景场数据来生成WRF模式在特定水平网格中的有效气象数据。
首先，根据目标区域以及预设时间段来设置WRF模式的各种参数以完成模型建立。例如，所述各种参数主要包括时间、嵌套、空间分辨率、地形数据类别、区域中心经纬度、投影方式、区域网格范围等。然后，根据获取的预测背景场数据使用设置后的WRF模式来生成WRF模式在特定水平网格中的有效气象数据，例如，对目标区域的地形数据进行插值处理；根据预测时间段以及插值处理后的地形数据，对预测背景场数据中的气象数据进行插值处理，从而获得WRF模式在特定水平网格中的有效气象数据。
使用WRF模式获得有效气象数据具体过程主要包括以下步骤：
根据目标区域和预设时间段，设置WRF模式中的时间、经纬度、网格数量、分辨率、嵌套、物理过程等参数，完成模型建立。
使用WRF模式的WPS模块中的地形插值程序(geogrid.exe)，在WRF模式设定的网格中对目标区域的地形数据进行插值处理，其中，geogrid.exe是WPS模块中预处理地形和地貌数据的程序。
使用WRF模式的WPS模块中的解码程序模块(ungrib.exe)，对GFS中的全球区域的背景场数据进行解码，以转换为WRF模式插值所需的气象数据，其中，ungrib.exe是WPS模块中对背景场资料进行解码的程序。
使用WRF模式的WPS模块中的气象插值程序(metgrid.exe)，根据插值处理后的地形数据，将转换后的气象数据进行水平插值，以获得WRF模式在特定水平网格中的有效气象数据，其中，metgrid.exe是WPS模块中水平插值气象资料的程序。例如，生成的有效气象数据可以是met_em*文件。
在步骤S203，获取目标区域在预设时间段的观测场数据。例如，当前时间点为2018年10月1号0时，当需要预测未来五天的风速时，除了获取目标区域在2018年10月1号0时至10月5号24时的预测背景场数据之外，还需要获取目标区域该时间段前N小时的观测场数据。这里，N可以根据GFS发布预测背景场的时间而定。例如，如果预测目标区域在未来五天(2018年10月1日0时至10月5日24时)的风速，则需要获取2018年10月1日0时发布的GFS预报数据(包括未来5天2018年10月1日0时至10月5日24时)，而一般2018年10月1日0时的GFS预报数据的发布时间大约在2018年10月1日4时，由于观测场数据只能在已经过的时间被获取，因此，可以从中国气象局获取2018年10月1号0时至2018年10月1号4时的观测场数据。常规观测场数据包含的变量可以包括风速、风向、气温、相对湿度、气压等，数据来源包括自动气象站、地面气象站、探空站等。在本公开中，需要使用特定格式(例如，LittleR格式)的观测场数据。由于获取的观测场数据可能是简单的文本格式，因此可以将该文本格式通过编程语言转换为LittleR格式。
在步骤S204，根据观测场数据和生成的有效气象数据使用WRF模式系统生成初始条件和边界条件、以及用于FDDA系统的文件。
具体地，根据预设时间段、观测场数据以及有效气象数据(诸如met_em*文件)等来设置运行WRF模式系统的资料分析程序(obsgrid.exe)的各种参数。这里，obsgrid.exe是WRF模式对气象观测资料进行客观分析的程序。使用设置后的obsgrid.exe，生成metoa_em*文件、wrfsfdda_d*文件，其中，metoa_em*文件与met_em*文件的区别在于metoa_em*文件包括观测场数据，并且生成的wrfsfdda_d*文件是应用于FDDA系统的文件。
根据生成的metoa_em*文件，设置WRF模式的环境变量和各类参数，使用WRF模式的垂直插值程序(real.exe)，对包括观测场数据的有效气象数据(诸如metoa_em*文件)进行垂直方向插值，以获得WRF模式运行时所需的初值条件和边界条件，同时还生成用于FDDA系统的wrffdda_d*文件。这里，real.exe是WRF模式对气象数据进行垂直插值的程序。
在步骤S205，使用3DVAR系统来优化生成的初始条件，并且根据优化后的初始条件来相应地更新边界条件，以获得高精度的初始条件和边界条件。也就是说，通过3DVAR方法来获得物理和动力上与模式相协调的初始场，即高精度的初始条件和边界条件。
3DVAR系统可以根据预测背景场数据、观测场数据和生成的初始条件来构建偏差函数，然后通过使所述偏差函数最小化来调整该初始条件。具体的，根据预设时间段、气象观测资料、目标区域位置信息等，来设置运行WRFDA系统的程序obsproc.exe的各种参数，例如，各文件存放目录和调试信息等，并且使用设置后的程序obsgrid.exe生成后缀为3DVAR格式的文件，以提供给3DVAR系统。这里，应注意的是，输入到程序obsproc.exe的气象数据的格式也为LittleR。可以使用上述相同的方法来转换相应文件的格式。
根据预设时间段、目标区域位置信息、观测场数据、预测背景场数据、配置文件等，来设置3DVAR系统所需的环境变量和各类参数(诸如观测数据时间窗、区域位置信息、观测数据质量控制参数等)，并使用3DVAR系统中的三维变分同化技术来生成分析场数据，即可获得高精度的初始条件。
作为示例，3DVAR系统采用对价值函数的极小化的方式来调整分析场，即将资料同化为一个表征分析场与观测场以及分析场与背景场的偏差的二次泛函数极小化问题，其中，目标函数可以由如下等式(1)表示：
其中，x是待求解的分析场数据，xb是背景场数据并且表示N维模式空间向量，y0是观测场数据并且表示M维空间向量，H是观测算子矩阵，B是背景场误差协方差矩阵并且表示N×N阶矩阵，E是观测误差协方差并且表示M×M阶矩阵，F是代表性误差协方差(观测算子误差)并且表示M×M阶矩阵。等式(1)中等号右边的第一项表征分析场数据与预测背景场数据之间的第一偏差，式中等号右边的第二项表征分析场数据与观测场数据之间的第二偏差，通过求解等式(1)中J的极小值来获得待求解的分析场数据，以作为高精度的目标初始条件。
根据优化后的初始条件和生成的边界条件，使用天气预报模式系统来更新该边界条件，使得优化后的初始条件与更新的边界条件相应。例如，根据优化后的初始条件以及WRF模式输出的初始条件和边界条件等，来设置更新边界条件所需的各类参数，并使用WRF模式的边界条件更新程序(da_update_bc.exe)，生成准确且和谐的边界条件，使得边界条件与高精度的初始条件相互协调一致。这里，da_update_bc.exe是WRF模式更新边界条件的程序。
根据另一实施例，可以使用GSI系统来优化生成的初始条件，并且根据优化后的初始条件来相应地更新边界条件，以获得高精度的初始条件和边界条件。具体地，在预设约束条件下，构建预测背景场数据和观测场数据与分析场数据之间的总偏差，确定出总偏差最小时的分析场数据，作为目标初始条件(即优化后的初始条件)。当预测背景场数据和观测场数据与分析场数据之间的总偏差最小时，即确定此时的分析场数据与背景场数据和观测场数据达到最佳拟合状态，该分析场数据可以作为目标初始条件。例如，GSI系统可以将背景场数据和观测场数据代入三维变分同化技术中的目标函数，当求解出目标函数的极小值时，确定出分析场数据，将该分析场数据作为目标初始条件。
在步骤S206，根据优化后的初始条件和更新的边界条件使用WRF模式系统以及FDDA系统来计算目标区域在预设时间段的数值天气预报数据。具体地，在天气预报模式系统使用优化后的初始条件和更新的边界条件计算目标区域在预设时间段的数值天气预报数据的过程中，使用FDDA系统对数值模式积分的指定时刻的初值进行调整。例如，可以使用格点逼近或谱逼近来调整数值模式积分的指定时刻的初值。格点逼近处理以每个模式积分步为中心的时间窗内的观测数据，计算观测点上模式值和观测值之间的差异，并把这些修正值分析反馈到测站点附近的格点上，为了保证在加入修正值后模式仍保持动力平衡，需要引入同化系数以调整修正值的量级。应注意的是，同化系数的大小决定了资料的同化强度，过大的同化系数将破坏模式自身的动力平衡，从而导致模拟失真。
具体来说，将WRF模式中原有的初始条件和边界条件替换为高精度的目标初始条件(即优化后的初始条件)和目标边界条件(即更新的边界条件)。然后根据预设时间段、观测场数据、目标边界条件、松弛强迫项项以及前述生成的用于FDDA系统的文件(诸如wrfsfdda_d*文件、wrffdda_d*文件)等，设置FDDA系统所需的环境变量和各类参数。引入FDDA同化技术的目的在于在数值积分过程中耦合气象观测资料，以实现对模式场的优化。
例如，可使用四维数据同化技术中的格点逼近(Grid Nudging)方法对数值模式积分的指定时刻的初值进行调整，以实现对模式场的调整。格点逼近(Grid Nudging)方法通过使用格点对格点的松弛强迫项逐步逼近分析场，通过同化观测场数据，为所嵌套的区域细网格提供更高质量的边界条件，从而实现对模式场的调整。例如，可以使用如下等式(2)来实现格点逼近：
其中，α表示分析场变量，p*α是α的通量，其中，p*＝ps-pt，ps和pt分别表示地面气压和模式顶层气压。F(α,x,t)表示物理强迫项，其中，x是独立的空间变量，t是时间。Gα表示受时间尺度控制的松弛因子，其中，Gα＝1/t'，t'是张弛时间尺度，单位为秒。W表示水平、垂直和时间权重的总称。ε表示分析质量因子，是一个关于观测值密度的水平权重量，ε介于0和1之间。表示在时间和空间上进行插值后的观测场变量。在WRF模式中，α可以是风的经纬向分量(uv)、位温(θ)或者水汽混合比(q)。在张弛不同变量时，通过等式(2)对相应变量产生影响。之后通过模式内部方程的约束，其他气象要素相应得到更新。张弛强度(或者张弛系数)被张弛时间尺度所控制。张弛时间尺度越小，张弛强度越强，分析场变量a越接近于观测场变量/>张弛高度决定Nudging方法在某一模式层以上被使用。
可选地，可使用谱逼近(Spectral Nudging)方法对数值模式积分的指定时刻的初值进行调整，以实现对模式场的调整，即。谱逼近方法通过设置波数进行滤波，在空间中过滤掉大于此波数的高频波，保留大尺度波动，然后按照一定权重，把这部分大尺度波动加到模式的预报场上，从而可以将模拟状态不断靠近大尺度驱动状态，较好地减小大尺度误差，模式变量可自由发展中小尺度过程，同时又可反应出较小尺度的特性。可以由如下等式(3)来实现谱逼近：
其中，α表示分析场变量，α值可由相邻时刻的观测分析值内插得到；X是模式的物理强迫项，包括科氏力、平流等；Gα为松弛因子，它决定了模式中同化项相对于物理强迫中所有模式物理过程的大小，它与松弛时间成反比，因此，若Gα较大，则模式解会快速逼近观测值，这样，模式没有充足的时间完成动力调整，甚至会破坏场的整体结构，若Gα较小，则模式的误差会在还未逼近时增大，这样导致观测值在松弛过程中未发挥作用；ω(η)表示垂直方向上松弛因子的权重系数；m和n分别x和y表示方向上的波数，M和N分别表示x和y方向上的张弛波数；α0为观测变量；α0,mn和αmn分别表示α0和α的谱系数；Kmn表示对于不同尺度的逼近系数；km和kn分别为经向波数和纬向波数，其值根据格距、格点数以及波长进行计算而得到，以此来调整模式的大尺度环流场，使其与真实强迫场保持一致。
例如，当预测目标区域在未来五天(2018年10月1日0时至10月5日24时)的气象预测信息时，一般2018年10月1日0时的GFS预报数据的发布时间大约在2018年10月1日4时，而获取的观测场数据仅包含2018年10月1日0时至2018年10月1日4时的数据，3DVAR同化系统可以使用2018年10月1日0时刻的观测场数据来修正目标区域的初始条件，即3DVAR同化系统根据初始时刻的预测背景场数据和观测场数据使用等式(1)来优化初始条件，在由3DVAR同化系统优化初始条件后，WRF模式利用优化的初始条件计算数值天气预报数据，而2018年10月1日0时刻之后的数值天气预报数据是基于优化的初始条件进行数值积分获得的，在数值积分的过程中，可以使用FDDA同化系统对每个积分时刻的初值结合相应时刻的观测场数据进行调整以获得更准确的数值天气预报数据，例如，当WRF模式积分到2018年10月1日3时刻的数值天气预报数据时，可以使用FDDA同化系统利用2018年10月1日3时刻的观测场数据对该时刻的积分初始进行调整，以实现对模式场的优化。
由于优化的初始条件和更新的边界条件仅针对的是初始时刻，后面时刻的数值天气预报数据都是基于此文件进行数值积分得到的，在整个数值积分过程中，前一积分时刻影响下一积分时刻，即前一积分时刻的初值会影响下一积分时刻的积分结果的准确性，因此，通过应用四维数据同化技术，在数值模式积分的指定时刻，在一个或多个预报方程中增加一个附加项，即模拟值与观测值之差的松弛强迫项，在气象观测资料的时间段内，使得方程的解逼近观测值，这样，保证了在每个积分步长中各物理量之间的动力平衡，用所得的模式解作为模拟的初值，从而提高模式的模拟效果。
可以使用WRF模式通量形式的欧拉方程组计算目标区域在预设时间段的风电场数值天气预报数据。
在步骤S207，根据计算的数值天气预报数据来提取目标区域在预设时间段的风速数据。例如，可以使用NCL处理软件从计算的数值天气预报数据中提取得到风电场风速预报数据。
本实施例的目的在于提供一种基于混合WRF-3DVAR和FDDA系统的预测风电场风速的方法，其主要包括以下两部分：(1)应用3DVAR同化系统，将气象观测数据同化进入初始场，得到高精度的初始条件；根据高精度的初始条件和WRF模式输出的初始条件和边界条件生成准确且和谐的边界条件，使边界条件与高精度的初始条件相互协调一致；(2)应用FDDA系统，将气象观测资料同化进入数值天气预报模式的积分时刻，使得方程的解逼近观测值，从而提高计算出的数值天气预报数据的精度。
图3是根据本公开的示例性实施例的风速预测装置。
参照图3，根据本公开的基于混合同化系统的风速预测装置300可以包括数据获取模块301和数据处理模块302。根据本公开的风速预测装置300中的每个模块可以由一个或多个模块来实现，并且对应模块的名称可根据模块的类型而变化。在各种实施例中，可以省略风速预测装置300中的一些模块，或者还可包括另外的模块，例如，数据处理模块302可以包括第一同化模块和第二同化模块(未示出)。此外，根据本公开的各种实施例的模块/元件可以被组合以形成单个实体，并且因此可等效地执行相应模块/元件在组合之前的功能。
数据获取模块301可以获取目标区域在未来预设时间段的预测背景场数据和观测场数据。预测背景场数据可以是预测的全球区域的背景场数据，该背景场数据可以在GFS中获取。GFS预报数据可预报未来8天全球范围的天气，预报数据时间间隔为3小时。GFS预报数据可以驱动WRF模式系统获得更加精细目标区域的气象数据。例如，可以通过GFS获取未来某段时间内全球区域的背景场数据。可以将某一风电场作为目标区域。可以根据实际需要开设定预设时间段的具体时间长度，例如，当前时间点为2018年10月1号0时，在需要预测五天的风速时，则获取目标区域在2018年10月1号0时至10月5号24时的预测背景场数据。应当说明的是，获取的全球区域的背景场数据的时间段应当至少覆盖预设时间段。
观测场数据可以包括全球区域在各个时刻观测到的真实气象数据，也可以仅包括某一特定区域在各个时刻观测到的真实气象数据。观测场数据可以从中国气象局获取，其中，获取的数据的时间间隔为1小时。如果预测目标区域在未来五天(2018年10月1日0时至10月5日24时)的风速，则需要获取2018年10月1日0时发布的GFS预报数据(包括未来5天2018年10月1日0时至10月5日24时)，而一般2018年10月1日0时的GFS预报数据的发布时间大约在2018年10月1日4时，由于观测场数据只能在已经过的时间被获取，因此，获取的观测场数据可以是2018年10月1日0时至2018年10月1日4时的数据。在获取数据之后，数据处理模块302可以根据获取的预测背景场数据和观测场数据使用天气预报模式系统来生成初始条件和边界条件。具体地，首先，数据处理模块302可以根据获取的预测背景场数据来生成WRF模式在特定水平网格中的有效气象数据。然后，根据观测场数据和生成的有效气象数据使用WRF模式系统生成初始条件和边界条件、以及用于FDDA系统的文件。
例如，数据处理模块302可以根据目标区域以及预设时间段来设置WRF模式的各种参数以完成模型建立。例如，所述各种参数主要包括时间、嵌套、空间分辨率、地形数据类别、区域中心经纬度、投影方式、区域网格范围等。然后，数据处理模块302可以根据获取的预测背景场数据使用设置后的WRF模式来生成WRF模式在特定水平网格中的有效气象数据，例如，对目标区域的地形数据进行插值处理；根据预测时间段以及插值处理后的地形数据，对预测背景场数据中的气象数据进行插值处理，从而获得WRF模式在特定水平网格中的有效气象数据。
作为示例，数据处理模块302可以根据目标区域和预设时间段，设置WRF模式中的时间、经纬度、网格数量、分辨率、嵌套、物理过程等参数，完成模型建立，使用WRF模式的WPS模块中的地形插值程序(geogrid.exe)，在WRF模式设定的网格中对目标区域的地形数据进行插值处理，其中，geogrid.exe是WPS模块中预处理地形和地貌数据的程序。然后，数据处理模块302可以使用WRF模式的WPS模块中的解码程序模块(ungrib.exe)，对GFS中的全球区域的背景场数据进行解码，以转换为WRF模式插值所需的气象数据，其中，ungrib.exe是WPS模块中对背景场资料进行解码的程序。接下来，数据处理模块302可以使用WRF模式的WPS模块中的气象插值程序(metgrid.exe)，根据插值处理后的地形数据，将转换后的气象数据进行水平插值，以获得WRF模式在特定水平网格中的有效气象数据，其中，metgrid.exe是WPS模块中水平插值气象资料的程序。例如，生成的有效气象数据可以是met_em*文件。
在获得有效气象数据后，数据处理模块302可以根据预设时间段、观测场数据以及有效气象数据(诸如met_em*文件)等来设置运行WRF模式系统的资料分析程序(obsgrid.exe)的各种参数。这里，obsgrid.exe是WRF模式对气象观测资料进行客观分析的程序。使用设置后的obsgrid.exe，生成metoa_em*文件、wrfsfdda_d*文件，其中，metoa_em*文件与met_em*文件的区别在于metoa_em*文件包括观测场数据，并且生成的wrfsfdda_d*文件是应用于FDDA系统的文件。然后，数据处理模块302可以根据生成的metoa_em*文件，设置WRF模式的环境变量和各类参数，使用WRF模式的垂直插值程序(real.exe)，对包括观测场数据的有效气象数据(诸如metoa_em*文件)进行垂直方向插值，以获得WRF模式运行时所需的初值条件和边界条件，同时还生成用于FDDA系统的wrffdda_d*文件。这里，real.exe是WRF模式对气象数据进行垂直插值的程序。
数据处理模块302可以基于预测背景场数据和观测场数据，使用第一同化系统对生成的初始条件进行优化，并且相应地更新生成的边界条件。优选地，第一同化系统可以是天气预报模式同化系统或者格点统计插值系统。例如，数据处理模块302可以根据预测背景场数据、观测场数据和生成的初始条件来构建偏差函数，并且通过使构建的偏差函数最小化来调整该初始条件。
作为示例，数据处理模块302可以使用3DVAR系统采用对价值函数的极小化的方式来调整分析场，即将资料同化为一个表征分析场与观测场以及分析场与背景场的偏差的二次泛函数极小化问题。例如，数据处理模块302可以根据预测背景场数据、观测场数据和生成的初始条件来构建诸如等式(1)的偏差函数，然后通过使该偏差函数最小化来调整该初始条件。
在对初始条件优化之后，数据处理模块302可以根据优化后的初始条件和先前生成的边界条件，使用天气预报模式系统来更新生成的边界条件，使得优化后的初始条件与更新的边界条件相应。
数据处理模块302可以基于优化后的初始条件以及更新的边界条件，使用天气预报模式系统和第二同化系统来获得目标区域在预设时间段的风速。
优选地，第二同化系统可以是四维数据同化系统，其是一个连续的动力同化方法，它是通过在模式控制方程的基础上添加强迫函数，使得模式状态逐渐向观测状态逼近，这些小量级的强迫项逐步修正模式场，以保证在每个积分时间步上模式中的各变量场之间保持动力平衡。
具体地，在天气预报模式系统使用优化后的初始条件和更新的边界条件计算目标区域在预设时间段的数值天气预报数据的过程中，数据处理模块302可以使用四维数据同化系统对数值模式积分的指定时刻的初值进行调整。例如，数据处理模块302可以通过构建格点对格点的松弛强迫项或者通过设置波数进行滤波处理，使得数值模式积分的指定时刻的初值逼近相应的观测场数据。这样，在计算数值天气预报数据的过程中，通过FDDA技术能够获得数值模式积分的每个指定时刻的更加准确的初值，从而最终积分获得更加准确的天气预报数据。
作为示例，数据处理模块302可以使用格点逼近方法来调整数据模式积分指定时刻的初值，或者使用谱逼近方法来调整数据模式积分指定时刻的初值。接下来，数据处理模块302可以使用NCL处理软件从计算出的数值天气预报数据中提取风速数据。
本公开的风速预测方法以及风速预测装置不仅能够获得高精度的初始条件和边界条件，而且能够在数值模式积分过程中耦合气象观测资料，从而提高了目标区域数值天气预报的模拟精度，进而提高了风电场风速的预测精度。
可根据计算机程序指令来执行根据本公开的上述风速预测方法。由于这些程序指令可被包括在计算机、专用处理器或可编程或专用硬件中，因此在其中执行的指令可有利于上述的功能的执行。如本领域的技术人员所理解的，计算机、处理器或可编程硬件包括可存储或接收软件或计算机代码的存储器件，所述软件或计算机代码在被计算机、处理器或硬件访问和执行时实现在本公开中描述的方法。
虽然本公开是参照其示例性的实施例被显示和描述的，但是本领域的技术人员应该理解，在不脱离由权利要求及其等同物限定的本公开的精神和范围的情况下，可以对其形式和细节进行各种改变。

Claims (10)

1.一种基于混合同化系统的风速预测方法，所述风速预测方法包括：
获取目标区域在未来预设时间段的预测背景场数据和观测场数据；
根据获取的预测背景场数据和观测场数据使用天气预报模式系统生成初始条件和边界条件；
基于第一同化系统对所述初始条件进行优化；
根据优化后的初始条件以及所述初始条件和所述边界条件，设置用于更新所述边界条件所需的各类参数，并且基于设置的参数，使用天气预报模式系统来更新所述边界条件，使得优化后的初始条件与更新的边界条件相应；
基于优化后的初始条件以及更新的边界条件，使用天气预报模式系统和第二同化系统来获得目标区域在所述预设时间段的风速，
其中，在天气预报模式系统使用优化后的初始条件和更新的边界条件计算目标区域在所述预设时间段的数值天气预报数据的过程中，使用第二同化系统通过构建格点对格点的松弛强迫项或者通过设置波数进行滤波处理，对数值积分模式在初始时刻之后的指定时刻的初值进行调整使得所述初值逼近相应的观测场数据，根据指定时刻的调整后的初值来计算指定时刻的数值天气预报数据，
其中，所述数值天气预报数据包括所述风速。
2.如权利要求1所述的风速预测方法，其特征在于，第一同化系统是天气预报模式同化系统或者格点统计插值系统，
其中，对所述初始条件进行优化的步骤包括：
根据预测背景场数据、观测场数据和所述初始条件来构建偏差函数；
通过使所述偏差函数最小化来调整所述初始条件。
3.如权利要求1所述的风速预测方法，其特征在于，第二同化系统是四维数据同化系统。
4.如权利要求1所述的风速预测方法，其特征在于，获得目标区域在所述预设时间段的风速的步骤包括从所述数值天气预报数据中提取风速数据。
5.一种基于混合同化系统的风速预测装置，所述风速预测装置包括：
数据获取模块，用于获取目标区域在未来预设时间段的预测背景场数据和观测场数据；
数据处理模块，用于：
根据获取的预测背景场数据和观测场数据使用天气预报模式系统来生成初始条件和边界条件；
基于第一同化系统对所述初始条件进行优化；
根据优化后的初始条件以及所述初始条件和所述边界条件，设置用于更新所述边界条件所需的各类参数，并且基于设置的参数，使用天气预报模式系统来更新所述边界条件，使得优化后的初始条件与更新的边界条件相应；
基于优化后的初始条件以及更新的边界条件，使用天气预报模式系统和第二同化系统来获得目标区域在所述预设时间段的风速，
其中，在天气预报模式系统使用优化后的初始条件和更新的边界条件计算目标区域在所述预设时间段的数值天气预报数据的过程中，数据处理模块使用第二同化系统通过构建格点对格点的松弛强迫项或者通过设置波数进行滤波处理，对数值积分模式在初始时刻之后的指定时刻的初值进行调整使得所述初值逼近相应的观测场数据，根据指定时刻的调整后的初值来计算指定时刻的数值天气预报数据，
其中，所述数值天气预报数据包括所述风速。
6.如权利要求5所述的风速预测装置，其特征在于，第一同化系统是天气预报模式同化系统或者格点统计插值系统，
其中，数据处理模块用于：
根据预测背景场数据、观测场数据和所述初始条件来构建偏差函数；
通过使所述偏差函数最小化来调整所述初始条件。
7.如权利要求5所述的风速预测装置，其特征在于，第二同化系统是四维数据同化系统。
8.如权利要求5所述的风速预测装置，其特征在于，数据处理模块还用于从所述数值天气预报数据中提取风速数据。
9.一种计算机可读存储介质，存储有程序，其特征在于，所述程序包括用于执行如权利要求1-4中的任一项所述方法的指令。
10.一种计算机，包括存储有计算机程序的可读介质，其特征在于，所述计算机程序包括用于执行如权利要求1-4中的任一项所述方法的指令。
CN201910572885.5A 2019-06-28 2019-06-28 风速预测方法和风速预测装置 Active CN112149859B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910572885.5A CN112149859B (zh) 2019-06-28 2019-06-28 风速预测方法和风速预测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910572885.5A CN112149859B (zh) 2019-06-28 2019-06-28 风速预测方法和风速预测装置

Publications (2)

Publication Number Publication Date
CN112149859A CN112149859A (zh) 2020-12-29
CN112149859B true CN112149859B (zh) 2023-10-31

Family

ID=73869171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910572885.5A Active CN112149859B (zh) 2019-06-28 2019-06-28 风速预测方法和风速预测装置

Country Status (1)

Country Link
CN (1) CN112149859B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112835946B (zh) * 2021-03-10 2024-01-23 中国气象局广州热带海洋气象研究所（广东省气象科学研究所） 数值天气预报数据获取方法、装置和计算机设备
CN113419246B (zh) * 2021-06-11 2022-08-23 兰州大学 一种用于雷达资料高频同化的Nudging逼近多时刻3DVar分析场方法
CN114004430B (zh) * 2022-01-05 2022-04-29 中国电力科学研究院有限公司 一种风速预报方法和系统
CN114483485B (zh) * 2022-02-24 2024-07-16 兰州大学 一种Nudging风电场观测资料改进风速预测的方法
CN115221714B (zh) * 2022-07-21 2023-03-10 北京师范大学 临近空间天气与大气环境短中长期预报方法及系统
CN117369025B (zh) * 2023-11-20 2024-04-19 海南国际商业航天发射有限公司 一种高空风预报方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106339568A (zh) * 2015-07-08 2017-01-18 中国电力科学研究院 一种基于混合背景场的数值天气预报方法
JP2017111074A (ja) * 2015-12-18 2017-06-22 三菱重工業株式会社 気象データ同化方法、気象予測方法および気象予測システム
CN109061776A (zh) * 2018-10-08 2018-12-21 中国气象局广州热带海洋气象研究所（广东省气象科学研究所） 一种短时临近数值天气预报系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102628876B (zh) * 2012-02-13 2013-07-31 甘肃省电力公司风电技术中心 一种包含上下游效应实时监测的超短期预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106339568A (zh) * 2015-07-08 2017-01-18 中国电力科学研究院 一种基于混合背景场的数值天气预报方法
JP2017111074A (ja) * 2015-12-18 2017-06-22 三菱重工業株式会社 気象データ同化方法、気象予測方法および気象予測システム
CN109061776A (zh) * 2018-10-08 2018-12-21 中国气象局广州热带海洋气象研究所（广东省气象科学研究所） 一种短时临近数值天气预报系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WRF Hybrid方法同化HY-2A散射计风资料在台风"菲特"预报中的应用;刘晓燕;杨学联;邢建勇;;海洋预报(第01期);第1-10页 *
环渤海区域风能资源WRF同化模拟及特征分析;董旭光;孟祥新;徐洪雄;陈艳春;刘焕彬;自然资源学报(第006期);第1029-1042页 *
雷达热动力反演资料的高分辨率同化模拟试验;张亦洲;苗世光;陈明轩;;气象学报(第01期);第165-177页 *

Also Published As

Publication number Publication date
CN112149859A (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
CN112149859B (zh) 风速预测方法和风速预测装置
Rawlins et al. The Met Office global four‐dimensional variational data assimilation scheme
De Troch et al. Multiscale performance of the ALARO-0 model for simulating extreme summer precipitation climatology in Belgium
Jiang et al. Improvement of multi-satellite real-time precipitation products for ensemble streamflow simulation in a middle latitude basin in South China
Fan et al. Medium-range forecasting of daily reference evapotranspiration across China using numerical weather prediction outputs downscaled by extreme gradient boosting
JP2010060443A (ja) 気象予測装置、方法及びプログラム
CN112699959B (zh) 基于能量泛函模型的多源多尺度降水数据融合方法和装置
Zjavka Numerical weather prediction revisions using the locally trained differential polynomial network
CN109657988B (zh) 基于hasm和欧氏距离算法的烟叶品质分区方法
Robert et al. A reduced-order strategy for 4D-Var data assimilation
Singh et al. Deep learning for improved global precipitation in numerical weather prediction systems
CN114483485A (zh) 一种Nudging风电场观测资料改进风速预测的方法
CN112862274A (zh) 一种基于WRF-LES和DeepAR相结合的风功率预测方法
Mardani et al. Generative residual diffusion modeling for km-scale atmospheric downscaling
Bruinsma et al. Thermosphere and satellite drag
CN115310757A (zh) 一种高精度动态可变分辨率的生态碳汇评估方法及系统
Li et al. Deepphysinet: Bridging deep learning and atmospheric physics for accurate and continuous weather modeling
Yin et al. Using ensemble adjustment Kalman filter to assimilate Argo profiles in a global OGCM
Payne A hybrid differential-ensemble linear forecast model for 4D-Var
Li et al. Knowledge discovery for geographical cellular automata
Li et al. Tropospheric delay modeling based on multi-source data fusion and machine learning algorithms
Guo et al. Projections of daily mean surface temperature over the Beijing-Tianjin-Hebei region through a stepwise cluster downscaling method
CN112784477A (zh) 一种基于WRF-LES和BP-PSO-Bagging相结合的风功率预测方法
Nasonova et al. Projected changes in water balance components of 11 large river basins during the 21st century and their uncertainties
Shashikanth et al. Fine resolution Indian summer monsoon rainfall projection with statistical downscaling

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