CN112180471A - 天气预报方法、装置、设备及存储介质 - Google Patents
天气预报方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112180471A CN112180471A CN202010851517.7A CN202010851517A CN112180471A CN 112180471 A CN112180471 A CN 112180471A CN 202010851517 A CN202010851517 A CN 202010851517A CN 112180471 A CN112180471 A CN 112180471A
- Authority
- CN
- China
- Prior art keywords
- wind field
- radar data
- optimized
- mode
- time
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- 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)
- Environmental & Geological Engineering (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Atmospheric Sciences (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开了一种天气预报方法、装置、设备及存储介质,属于天气预报领域。该方法包括:获取第一时间的第一雷达数据和第一时间的观测风场。第一雷达数据包括地理位置和地理位置对应的雷达反射率数据;将第一雷达数据、观测风场输入外推模型得到第二时间的第二雷达数据和外推风场。获取数值天气预报模式的第二时间的模式风场和模式稳定度;将模式稳定度、模式风场和外推风场输入变分模块,得到第二时间的优化风场,并利用优化风场更新模式稳定度得到优化稳定度。调整模块利用优化稳定度和优化风场调整第二雷达数据得到优化雷达数据并输出。该方法结合数值天气预报模式和外推模型使预报的未来时间的雷达数据结果更准确。
Description
技术领域
本申请实施例涉及天气预报领域,特别涉及一种天气预报方法、装置、设备及存储介质。
背景技术
天气预报(测)或气象预报(测)是使用现代科学技术对未来某一地点地球大气的状态进行预测。天气预报主要是使用收集大量的数据,比如气温、湿度、风向和风速、气压等等,然后利用目前对大气过程的认识通过定性或定量的方法来确定未来大气状态的变化。
未来0-3小时的相关预报技术中,一是使用云团外推技术,基于对过去一段时间内的多张云团图像的分析,获取云团运动轨迹和运动规律,进而推测云团在未来的走势,得到预测的云团图像结果。
相关技术中的预报方法只是基于对图像的处理和预测,预测结果不准确。
发明内容
本申请实施例提供了一种天气预报方法、装置、设备及存储介质,可以使预报结果更准确。所述技术方案如下:
一方面,本申请实施例提供了一种天气预报方法,所述方法包括:
获取第二时间的模式风场,所述模式风场是通过数值天气预报模式获取的风场,所述数值天气预报模式包括利用数值方法求解未来天气状态的计算方法;
获取第一时间的第一雷达数据,所述第一雷达数据包括地理位置和所述地理位置对应的雷达反射率数据;
将所述第一雷达数据输入外推模型得到所述第二时间的外推风场,所述外推模型用于利用外推法分析雷达数据的变化趋势来输出预测的风场;
将所述外推风场和所述模式风场输入变分模块,得到所述第二时间的优化风场。
另一方面,本申请实施例提供了一种天气预报装置,所述装置包括:
获取模块,用于获取第二时间的模式风场,所述模式风场是通过数值天气预报模式获取的风场,所述数值天气预报模式包括利用数值方法求解未来天气状态的计算方法;
所述获取模块,还用于获取第一时间的第一雷达数据,所述第一雷达数据包括地理位置和所述地理位置对应的雷达反射率数据;
外推模块,用于将所述第一雷达数据输入外推模型得到所述第二时间的外推风场和所述第二时间的第二雷达数据,所述外推模型用于利用外推法分析雷达数据的变化趋势来输出预测的风场和预测的雷达数据;
变分模块,用于将所述外推风场和所述模式风场输入变分模块,得到所述第二时间的优化风场。
另一方面,本申请实施例提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述天气预报方法。
另一方面,本申请实施例提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述天气预报方法。
另一方面,本申请实施例提供了一种计算机程序产品,所述计算机程序产品包括计算机指令,所述计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取所述计算机指令,处理器执行所述计算机指令,使得所述计算机设备执行上述方面可选实现方式中提供的天气预报方法。
本申请实施例提供的技术方案,通过将雷达数据输入外推模型得到外推风场,将外推风场和模式风场输入变分模块得到优化风场。将外推模型得到的外推风场和数值方法求解得到的模式风场相结合,得到最终的优化风场,最终的优化风场结合了多种风场,使预测结果更加准确。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的实施环境的示意图;
图2是本申请一个实施例提供的天气预报方法的流程图;
图3是本申请另一个实施例提供的天气预报方法的流程图;
图4是本申请另一个实施例提供的天气预报方法的流程图;
图5是本申请另一个实施例提供的外推模型的工作流程图;
图6是本申请另一个实施例提供的变分模块的工作流程图;
图7是本申请另一个实施例提供的调整模块的工作流程图;
图8是本申请一个实施例提供的天气预报装置的框图;
图9是本申请一个实施例提供的计算机设备的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力,特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。
数值天气预报(Numerical Weather Prediction,NWP)是根据大气实际情况,在一定初值和边值条件下,对控制大气的动力学和热力学方程组进行简化和离散,并通过数值方法进行求解积分,给出未来大气的状态。和一般用天气学方法并结合经验制作出来的天气预报不同,数值天气预报采用客观方法给出定量预报。所求解的控制方程组由连续方程、热力学方程、水汽方程、状态方程和运动方程中的至少一种方程组成。控制方程组中的预报变量由描述大气状态的风向,风速,温度,湿度,气压,空气密度以及不同水相物等中的至少一种变量组成。
参考图1,示出了本申请一个示例性实施例提供的计算机系统的结构示意图,该计算机系统包括终端120和服务器140。
终端120与服务器140之间通过有线或者无线网络相互连接。
可选地,终端120可以包括笔记本电脑、台式电脑、智能手机、平板电脑、智能音箱、智能机器人中的至少一种。
终端120包括第一存储器和第一处理器。第一存储器中存储有第一程序;上述第一程序被第一处理器调用执行以实现天气预报方法。第一存储器可以包括但不限于以下几种:随机存取存储器(Random Access Memory,RAM)、只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM)、以及电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)。
第一处理器可以是一个或者多个集成电路芯片组成。可选地,第一处理器可以是通用处理器,比如,中央处理器(Central Processing Unit,CPU)或者网络处理器(NetworkProcessor,NP)。
可选地,终端120中包括显示器;显示天气预报的预报输出。
服务器140包括第二存储器和第二处理器。第二存储器中存储有第二程序,上述第二程序被第二处理器调用来实现本申请提供的天气预报方法。示例性的,第二存储器中存储有外推模型和调整模型,上述外推模型和调整模型被第二处理器调用以实现天气预报方法中的步骤。可选地,第二存储器可以包括但不限于以下几种:RAM、ROM、PROM、EPROM、EEPROM。
可选地,第二处理器通过调用第二存储器中存储的外推模型和调整模型,以实现上述天气预报方法。可选地,第二处理器可以是通用处理器,比如,CPU或者NP。
请参考图2,其示出了本申请一个实施例提供的天气预报方法的流程图。该方法可应用于图1的服务器中。
服务器将第一雷达数据201输入外推模块202得到第二雷达数据203和外推风场204。
其中,第一雷达数据201包括:雷达反射率数据(降水率)、地理位置、时间、高度中的至少一种数据。示例性的,第一雷达数据对应第一时间。第二雷达数据对应第二时间,第二时间是第一时间的未来时间。示例性的,雷达数据是将原始雷达数据进行处理后得到的,原始雷达数据可以从气象局购买或从气象网站获取。示例性的,服务器拿到原始雷达数据后,会对原始雷达数据进行数据归一化处理,将雷达反射率数据调整为均值为0且方差相同的新数据,根据新数据确定标签。标签是将雷达反射率数据进行分类的分类结果。例如,标签包括:大雨、中雨、小雨。示例性的,获取到的原始雷达数据为雷达反射率图像,图中用颜色区分不同的雷达反射率数据,服务器将颜色对应为雷达反射率的数值或降水率。例如,将深蓝色对应为10dBZ,将黄色对应为1dBZ。然后,服务器使用标签对雷达反射率数据进行分类,使不同标签均匀分布。例如,原始雷达数据中,六个样本的雷达反射率数据分别为1dBZ、2dBZ、5dBZ、10dBZ、30dBZ、50dBZ,则将0-4dBZ的雷达反射率数据划为标签1,5-10dBZ的雷达反射率数据划为标签2,11-50dBZ的雷达反射率数据为标签3,使三种标签下对应的样本数均为两个样本,即样本数量在各个标签中均匀分布。将标记过标签的原始雷达数据确定为第一雷达数据201,将其输入外推模块202。示例性的,输入的第一雷达数据201包括一段时间内的多组雷达数据,例如,包括10:00的雷达数据、10:10的雷达数据、10:20的雷达数据和10:30的雷达数据。示例性的,第一雷达数据201是最近2-3小时的雷达数据。外推模块202根据第一雷达数据201预测得到第二雷达数据203和外推风场204。外推模块202是一种神经网络模型,示例性的,外推模块202包括特征提取器和循环神经网络。第二雷达数据203是基于第一雷达数据201得到的预测雷达数据。示例性的,第二雷达数据203包括雷达反射率数据(降水率)、地理位置、时间、高度中的至少一种数据。外推风场204是基于第一雷达数据201得到的预测风场。例如,第一雷达数据201是过去两小时北京的雷达反射率数据,则第二雷达数据203是预测的未来两小时北京的雷达反射率数据,外推风场204是预测的未来两小时北京的风场。
示例性的,服务器也可以将第一雷达数据201和观测风场206输入外推模块202得到第二雷达数据203和外推风场204。观测风场206是历史观测到的第一时间的风场数据。将外推风场204、模式风场和模式稳定度207输入变分模块205得到优化风场和优化稳定度208。示例性的模式风场和模式稳定度是根据数值天气预报的方法得到的第二时间的预测风场和大气稳定度。示例性的,模式风场是从气象数据获取渠道获取的,例如,天气预报网站中获取。变分模块205综合分析外推风场204和模式风场和模式稳定度207得到最优的优化风场以及优化稳定度。示例性的,稳定度是由温度、湿度、气压中的至少一个因素决定的。示例性的,外推风场204包括历史外推风场和未来外推风场,例如,历史外推风场是历史预测过去或现在的风场,未来外推风场是现在预测未来的风场,历史外推风场已经可以被验证预测是否准确,未来外推风场是未来时间的还无法被验证是否准确的风场。示例性的,模式风场包括历史模式风场和未来模式风场。示例性的,变分模块利用三维变分同化技术,基于对历史模式风场、历史外推风场的分析结果,将分析结果应用于对未来外推风场和未来模式风场的分析优化中得到优化风场和优化稳定度208。
将第二雷达数据203、优化风场和优化稳定度208输入调整模块209得到优化雷达数据210。其中,调整模块209是一种神经网络模型。示例性的,调整模块209使用优化风场和优化稳定度208对第二雷达数据203进行调整,得到优化雷达数据210。用外推得到的第二雷达数据结合了外推风场和模式风场得到最终的优化雷达数据,使预报结果更加准确。
图3示出了本申请一个示例性实施例提供的天气预报方法的流程图。该方法可以由图1所示的计算机系统中的服务器来执行。所述方法包括:
步骤301,获取第二时间的模式风场,模式风场是通过数值天气预报模式获取的风场,数值天气预报模式包括利用数值方法求解未来天气状态的计算方法。
示例性的,模式风场是根据数值天气预报的预测方法获取到的NWP风场。
示例性的,服务器获取来自数值天气预报模式的未来时间(第二时间)的模式风场,数值天气预报模式是任何利用数值方法求解未来天气状态的计算方法。模式风场是由数值预报模式计算的未来时间的风场。示例性的,模式风场包括通过数值天气预报模式计算得到的第二时间的风场。
示例性的,模式风场可以通过气象数据获取渠道获取,例如,通过美国国家气象局的GFS(Global Forecasting System,全球天气预报系统)、欧洲中期天气预报中心中的至少一个途径获取。
步骤302,获取第一时间的第一雷达数据,第一雷达数据包括地理位置和地理位置对应的雷达反射率数据。
服务器获取第一时间的第一雷达数据。
示例性的,第一时间是过去的时间,即,第一时间是服务器执行“获取第一时间的第一雷达数据”步骤之前的时间。示例性的,第一时间可以是获取最新雷达数据的最近2-3小时的时间区间。
第一雷达数据是雷达获取到的降雨的雷达反射率数据。雷达反射率数据反映了大气中雨滴分布状况,雷达反射率数据越大发生在地面的降水量可能越大,产生降水的可能性越大。示例性的,第一雷达数据是历史数据,是雷达已经获取到的过去的雷达反射率数据。
示例性的,假设一个时间点的雷达数据为一组,一组雷达数据包括:时间、地理位置(经纬度信息)、地理位置对应的雷达反射率数据、雷达反射率数据对应的高度中的至少一种。示例性的,用一组雷达数据可以生成一张雷达图像,例如,2019年11月12日10:00中国的雷达反射率图像,图像标记了中国各个地区在该时间点的雷达反射率的强度或降水率,示例性的,雷达图像中用不同颜色代表不同的雷达反射率的强度,进而在地图上标记各地的雷达反射率数据。示例性的,服务器根据雷达反射率数据可以计算得到降水率。
示例性的,第一雷达数据是通过气象数据获取渠道获取到的。气象数据获取渠道是公开提供气象数据的部门、组织、网站、店铺、公司。例如,气象数据获取渠道包括:各地气象局网站、气象研究院或天气预报服务机构等。
示例性的,服务器从气象数据获取渠道获取到的数据是原始雷达数据,服务器需要对原始雷达数据进行数据处理得到第一雷达数据。示例性的,服务器通过气象数据获取渠道获取到原始雷达数据后,会对原始雷达数据进行数据处理得到第一雷达数据。示例性的,首先,服务器进行去噪声处理,去除无意义的数据,例如,服务器去除地面建筑物反射回雷达数据。示例性的,然后,服务器进行数据归一化处理。示例性的,服务器获取到一组雷达数据中的雷达反射率数据后,会将雷达反射率数据调整为均值为0,方差相等的数值。示例性的,服务器求出所有雷达反射率数据的平均值和标准差,将每个雷达反射率数据减去平均值,然后除以标准差,得到新的雷达反射率数据。示例性的,得到新的雷达反射率数据后,服务器按照新的雷达反射率数据来标记标签。
示例性的,通过气象数据获取渠道获取到的雷达数据是按照气象数据获取渠道对雷达反射率数据进行标记的雷达数据,例如,气象数据获取渠道将雷达反射率数据分为十个等级,用十个颜色在雷达图像上标记各地的雷达反射率数据。示例性的,通过气象数据获取渠道获取到雷达数据后,服务器会根据自身的雷达反射率数据分类规则将雷达反射率数据重新分类并标注标签,例如,将雷达反射率数据重新分为二十个等级,用二十个标签分别标注各地的雷达反射率数据。示例性的,服务器重新标记标签的方式有很多种,例如,归一法、分类法。
示例性的,服务器按照分类规则对雷达反射率数据重新标记标签,使不同标签下的样本均匀分布。例如,服务器将雷达反射率数据分为三个标签,则分类后,在雷达图像上,三个标签在地图上标记的面积近似相等。
示例性的,服务器用上述进行了数据处理后得到的雷达数据作为第一雷达数据,进行步骤303。
步骤303,将第一雷达数据输入外推模型得到第二时间的外推风场,外推模型用于利用外推法分析雷达数据的变化趋势来输出预测的风场。
服务器将第一雷达数据输入外推模型得到第二时间的外推风场。
示例性的,第一时间是过去或现在的时间,第二时间是未来的时间。示例性的,第一时间和第二时间有固定的时间差值,例如,第一时间和第二时间之间的时间间隔固定为一小时。示例性的,第一时间是指一段时间或一个时间点,对应的,第二时间是指一段时间或一个时间点。示例性的,当第一时间和第二时间是一段时间时,第一时间的时长和第二时间的时长可以相同也可以不同。例如,第一时间是过去三小时内,第二时间是未来两小时内。
示例性的,服务器将已知的第一雷达数据输入外推模型,来得到预测的外推风场。示例性的,外推模型是一种神经网络模型。示例性的,外推模型可以根据输入的第一时间的雷达数据来输出第二时间的预测风场,其中,第一时间和第二时间的差值是固定的。例如,输入过去三小时的雷达数据,可以输出未来一小时的预测风场。
示例性的,外推模型是用历史雷达数据和历史风场训练得到的。例如,初始化神经网络模型后,输入一组0-3小时的雷达数据,得到第一输出,然后用损失函数计算第一输出和3-4小时的风场之间的距离,通过后向传播和梯度下降不断更新外推模型的网络参数,直至外推模型的输出与3-4小时的风场的拟合达到理想水平,训练完成的外推模型可以根据历史三小时的雷达数据来输出未来一小时的风场数据。
示例性的,外推模型是基于外推法来对雷达数据进行分析进而给出预测风场的。示例性的,外推模型会对输入的雷达数据进行特征提取,分析其风场变化趋势,进而根据风场变化趋势输出外推风场。示例性的,第一雷达数据包括雷达反射率数据,雷达反射率数据可以反映云团的聚集情况,外推模型根据云团的变化趋势进而可以推得风向、风速中的至少一个风场信息。
示例性的,风场的数据包括时间、地理位置、地理位置对应的风速、风向。
步骤304,将外推风场和模式风场输入变分模块,得到第二时间的优化风场。
第二时间是第一时间的未来时间,示例性的,第二时间可以是未来1-2小时或3-4小时。
变分模块用于将外推风场和模式风场相结合,得到优化风场。示例性的,变分模块采用三维变分同化技术对外推风场和模式风场进行处理,得到最优结果。
综上所述,本申请实施例提供的技术方案,通过将雷达数据输入外推模型得到外推风场,将外推风场和模式风场输入变分模块得到优化风场。将外推模型得到的外推风场和模式风场相结合,得到最终的优化风场,最终的优化风场结合了多种风场,使预测结果更加准确。
图4示出了本申请一个示例性实施例提供的天气预报方法的流程图。该方法可以由图1所示的计算机系统中的服务器来执行。所述方法包括:
步骤301,获取第二时间的模式风场,模式风场是通过数值天气预报模式获取的风场,数值天气预报模式包括利用数值方法求解未来天气状态的计算方法。
示例性的,服务器还会通过数值天气预报模式获取模式风场对应的模式稳定度,模式稳定度用于描述大气稳定性,模式稳定度是通过数值天气预报模式获取的大气稳定度。即,通过数值天气预报模式服务器可以得到模式风场以及模式风场对应的模式稳定度。
步骤302,获取第一时间的第一雷达数据,第一雷达数据包括地理位置和地理位置对应的雷达反射率数据。
步骤3031,将第一雷达数据输入外推模型得到第二时间的第二雷达数据和外推风场,外推模型用于利用外推法分析雷达数据的变化趋势来输出预测的雷达数据和预测的风场。
示例性的,外推模型还可以输出预测的雷达数据。示例性的,第二雷达数据是外推模块根据第一雷达数据预测得到的雷达数据。
示例性的,外推模型包括特征提取器和循环神经网络模型。示例性的,服务器将第一雷达数据输入特征提取器得到特征提取结果;将特征提取结果输入循环神经网络模型得到外推风场。
示例性的,服务器将第一雷达数据输入特征提取器得到特征提取结果;将特征提取结果输入循环神经网络模型得到第二时间的第二雷达数据。
示例性的,外推模型由至少一组特征提取器和循环神经网络模型组成。示例性的,外推模型由两组特征提取器和循环神经网络组成,第一组特征提取器和循环神经网络用于对输入的第一雷达数据进行风场分析,得到第一雷达数据的风场信息,第二组特征提取器和循环神经网络基于第一雷达数据和风场信息进行预测得到外推风场和第二雷达数据。
示例性的,特征提取器是一种神经网络模型,特征提取器包括多层卷积,用于提取第一雷达数据的特征。示例性的,特征提取器包括多个特征核,每个特征核会对雷达数据或图像进行卷积,卷积后的数据或图像就是提取特征后的第一雷达数据,然后将提取特征后的第一雷达数据输入循环神经网络模型。
示例性的,特征提取器会进行多层卷积,每层包括多个特征核,每个特征核将学习到不同的信息,例如,低层卷积包括边缘信息、颜色信息中的至少一个信息,高层卷积包括语意信息等。循环神经网络(Recurrent Neural Network,RNN)是一类以序列(sequence)数据为输入,在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network)。
示例性的,服务器将第一雷达数据按照时间顺序输入循环神经网络,例如,将第一时刻的第一组第一雷达数据输入循环神经网络后得到一个预测风场和一个预测雷达数据,然后将预测风场和第二组第一雷达数据再次输入循环神经网络得到下一个预测风场和下一个预测雷达数据,然后将下一个预测风场和第三组第一雷达数据再次输入循环神经网络,如此反复最终得到外推风场和第二雷达数据。示例性的,循环神经网络可以采用LSTM(Long Short Term Memory Deep Neural Network,长短期记忆深层神经网络)。
示例性的,服务器还可以获取第一时间的观测风场,观测风场是指通过地面观测获取的风场;将第一雷达数据和观测风场输入外推模型得到第二时间的第二雷达数据和外推风场。示例性的,观测风场可以是通过自动气象地面站、风廓线仪、探空气球中的至少一种方式对风速和风向的观测得到的风场。
步骤3041,将外推风场和模式风场输入变分模块进行三维变分同化处理,得到第二时间(未来时间)的优化风场。
变分同化方法是将求解初始场问题描述为以动力模式为约束的目标函数极小化问题,它利用最优控制原理,通过调整控制变量(通常来自于初始场),使得在指定的时间窗口内或某时刻的控制变量表述的大气状态为最优。这里的最优是指该大气状态与初始场和观测的距离达到最小或低于一定的阈值而言。变分同化方法为预报模式提供热力学和动力学协调一致、质量和流场基本平衡、相对比较合理的大气运动实况初始场,对改进高分辨率数值预报模式的预报效果具有十分重要的作用。变分同化通过变分方法对气象观测资料进行充分利用,他通过对非线性模式解和不同时次观测资料集的全局调整以达到同化的目的。
示例性的,模式风场还对应有模式稳定度,模式稳定度用于描述模式风场的大气稳定性。服务器还可以将外推风场、模式风场和模式稳定度输入变分模块进行三维变分同化处理,得到第二时间的优化风场和优化风场对应的优化稳定度。,示例性的,服务器会利用优化风场更新模式稳定度得到优化稳定度。
示例性的,步骤3041包括步骤3041-1,最小化目标函数以求取优化风场:
三维变分的目标函数J(x)由下式给出:
其中:
B为数值天气预报模式的预报误差,通过数值天气预报模式的历史预报统计得出。
xb为背景场,是来自全球或有限区域数值天气预报模式的预报,可直接由因特网运行有限区域数值模式得到。
R为外推风场的误差,通过外推模型的历史预报统计得出。
y表示由数值天气预报模式预报计算出的模式风场,通过插值算子H和x计算得出:
y=H(x)
yo为外推风场,与模式风场y具备同样的维度,由外推模型提供。
x为最小化目标函数J(x)的优化气象场,优化风场则是它的一个子集。优化风场的确定是首先要确定优化气象场x使目标函数J(x)达到最小或满足一定的迭代收敛条件,比如目标函数梯度模下降到初始值的1%。
示例性的,服务器还会获取模式风场对应的模式稳定度。则步骤3041还包括:服务器将外推风场、模式风场和模式稳定度输入变分模块,得到第二时间的优化风场、优化风场对应的优化稳定度。
示例性的,计算优化稳定度包括如下步骤:
步骤3042:按下式计算优化风场的辐合场D,其中U和V分别是优化风场的东西风分量和南北风分量:
步骤3043:计算垂直气柱水汽总量W,其中qv是水汽质量与湿空气质量之比,g是重力加速度,p是气压:
步骤3044:计算抬升稳定度信息C,其中zc,ze分别是大气自由对流高度和平衡高度,Tv是湿绝热上升的气团虚温,Te是环境空气虚温,g是重力加速度:
优化稳定度S即是由D,W和C组成的向量。
步骤305,利用优化风场对第二雷达数据进行调整,得到优化雷达数据。
示例性的,服务器将优化风场和第二雷达数据输入神经网络模型得到优化雷达数据,优化雷达数据是根据优化风场的风速和风向调整第二雷达数据中的云团位置得到的雷达数据。
示例性的,得到优化风场后,利用优化风场对第二雷达数据进行调整。示例性的,调整方式是利用神经网络模型。示例性的,神经网络模型是一种循环神经网络模型。示例性的,调整模块中的神经网络模型可以与外推模块中的循环神经网络模型是同一个模型,也可以是一个新的模型。示例性的,将优化风场和第二雷达数据输入调整模块的神经网络模型中,输出优化雷达数据。示例性的,优化雷达数据是根据优化风场优化后的第二雷达数据。示例性的,优化雷达数据是第二时间的雷达数据。示例性的,优化雷达数据是预测第二时间的雷达数据。示例性的,服务器还可以根据模式风场对应的模式稳定度,通过变分模块得到优化风场对应的优化稳定度。步骤305还包括:利用优化风场和优化稳定度对第二雷达数据进行调整,得到优化雷达数据。
即,神经网络模型还可以根据输入的优化风场和优化稳定度对第二雷达数据进行调整和优化,得到优化后的优化雷达数据。
综上所述,本申请实施例提供的技术方案,将第一雷达数据输入外推模型后得到外推风场和第二雷达数据,利用三维变分同化技术对外推风场和模式风场进行优化处理得到优化风场,利用优化风场对第二雷达数据进行调整得到优化雷达数据,使最终得到的优化雷达数据综合了数值天气预报方法、外推法、实际观测数据等多方面数据,预报结果更加准确。
本申请实施例提供的技术方案,通过将雷达数据输入外推模型得到外推风场,将外推风场和参考风场输入变分模块得到优化风场和优化稳定度。最后调整模块利用优化风场,优化稳定度进一步修正所述第二雷达数据得到最终雷达数据。该方案通过可以描述热动力场主要变量间非线性关系的神经网络,处理多种数据源对雷达数据进行预测,预测结果更加准确。
图5示出了本申请一个示例性实施例提供的外推模型的工作流程图。该方法可以由图1所示的计算机系统中的服务器来执行。所述方法包括:
示例性的,服务器将第一雷达数据和观测风场以雷达图像序列和观测风场401的方式输入外推模型中,依次经过特征提取器402和循环神经网络403,得到对第一雷达数据的风速分析404和预测得到的外推风场405,最后输出第二雷达数据(预测雷达图像406)。
图6示出了本申请一个示例性实施例提供的变分模块的工作流程图。该方法可以由图1所示的计算机系统中的服务器来执行。所述方法包括:
服务器将模式风场和模式稳定度407、模式风场背景误差408、外推风场背景误差409、外推风场405输入变分模块进行变分分析后得到优化风场和优化稳定度413。示例性的,模式风场背景误差408和外推风场背景误差409分别是来自数值模式和外推模块的风场预报误差。背景误差用于评判模式风场和外推风场的质量好坏程度。模式风场背景误差408是根据模式风场历史预报414情况进行分析得到的误差,是利用数值天气预报方法预报得到的风场的误差衡量。示例性的,外推风场是通过外推模型得到的预测的风场。外推风场背景误差409是通过外推模型得到的预测风场的误差衡量,外推风场背景误差409是对外推风场历史预报415情况进行统计分析得到的误差。
图7示出了本申请一个示例性实施例提供的调整模块的工作流程图。该方法可以由图1所示的计算机系统中的服务器来执行。所述方法包括:
示例性的,服务器将雷达图像序列401(第一雷达数据)输入循环神经网络模型417得到预测雷达图像406(第二雷达数据)后,将预测雷达图像406和变分模块得到的优化风场和优化稳定度413重新输入循环神经网络417得到优化预测雷达图像416(优化雷达数据)。
综上所述,本申请实施例提供的技术方案,将雷达图像序列和观测风场输入循环神经网络后得到外推风场和预测雷达图像,利用三维变分同化技术对外推风场和模式风场进行优化处理得到优化风场,利用优化风场对预测雷达图像进行调整得到优化预测雷达图像,使最终得到的优化预测雷达图像综合了数值天气预报方法、外推法、实际观测数据等多方面数据,预报结果更加准确。
请参考图8,其示出了本申请一个实施例提供的天气预报装置的框图。该装置具有实现上述天气预报方法示例的功能,所述功能可以由硬件实现,也可以由硬件执行相应的软件实现。该装置可以是计算机设备,也可以设置在计算机设备中。该装置可以包括:
获取模块501,用于获取第二时间的模式风场,所述模式风场是通过数值天气预报模式获取的风场,所述数值天气预报模式包括利用数值方法求解未来天气状态的计算方法;
所述获取模块501,还用于获取第一时间的第一雷达数据,所述第一雷达数据包括地理位置和所述地理位置对应的雷达反射率数据;
外推模块502,用于将所述第一雷达数据输入外推模型得到所述第二时间的外推风场,所述外推模型用于利用外推法分析雷达数据的变化趋势来输出预测的风场;
变分模块503,用于将所述外推风场和所述模式风场输入变分模块,得到所述第二时间的优化风场。
在一个可选的实施例中,所述变分模块503,还用于将所述外推风场和所述模式风场输入所述变分模块进行三维变分同化处理,得到所述第二时间的所述优化风场。
在一个可选的实施例中,所述模式风场对应有模式稳定度,所述模式稳定度是通过数值天气预报模式获取的大气稳定度;
所述变分模块503,还用于将所述外推风场、所述模式风场和所述模式稳定度输入所述变分模块进行三维变分同化处理,得到所述第二时间的所述优化风场和所述优化风场对应的优化稳定度。
在一个可选的实施例中,所述装置还包括:
所述外推模块502,还用于将所述第一雷达数据输入所述外推模型得到所述第二时间的第二雷达数据和所述外推风场;
调整模块504,用于利用所述优化风场对所述第二雷达数据进行调整,得到优化雷达数据。
在一个可选的实施例中,所述获取模块501,还用于获取第一时间的观测风场,所述观测风场是指通过地面观测获取的风场;
所述外推模块502,还用于将所述第一雷达数据和所述观测风场输入所述外推模型得到所述第二时间的所述第二雷达数据和所述外推风场。
在一个可选的实施例中,所述优化风场还对应有优化稳定度,所述优化稳定度用于描述大气稳定性;所述装置还包括:
所述调整模块504,还用于将利用所述优化风场和所述优化稳定度对所述第二雷达数据进行调整,得到优化雷达数据。
在一个可选的实施例中,所述外推模型包括特征提取器和循环神经网络模型;
所述外推模块502,还用于将所述第一雷达数据输入所述特征提取器得到特征提取结果;
所述外推模块502,还用于将所述特征提取结果输入所述循环神经网络模型得到所述外推风场。
在一个可选的实施例中,所述外推模型包括特征提取器和循环神经网络模型;
所述外推模块502,还用于将所述第一雷达数据输入所述特征提取器得到特征提取结果;
所述外推模块502,还用于将所述特征提取结果输入所述循环神经网络模型得到所述第二时间的所述第二雷达数据和所述外推风场。
在一个可选的实施例中,所述调整模块504,还用于将所述优化风场和所述第二雷达数据输入神经网络模型得到所述优化雷达数据,所述优化雷达数据是根据所述优化风场的风速和风向调整第二雷达数据中的云团位置得到的雷达数据。
需要说明的是,上述实施例提供的装置,在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置与方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
请参考图9,其示出了本申请实施例提供的计算机设备的结构框图,该计算机设备可用于实现上述天气预报方法示例,或者上述天气预报方法示例的功能。具体来讲:
该计算机设备800包括处理单元(如CPU(Central Processing Unit,中央处理器)、GPU(Graphics Processing Unit,图形处理器)和FPGA(Field Programmable GateArray,现场可编程逻辑门阵列)等)801、包括RAM(Random-Access Memory,随机存储器)802和ROM(Read-Only Memory,只读存储器)803的系统存储器804,以及连接系统存储器804和中央处理单元801的系统总线805。该计算机设备800还包括帮助计算计算机设备内的各个器件之间传输信息的I/O系统(Input Output System,基本输入/输出系统)806,和用于存储操作系统813、应用程序814和其他程序模块815的大容量存储设备807。
该基本输入/输出系统806包括有用于显示信息的显示器808和用于用户输入信息的诸如鼠标、键盘之类的输入设备809。其中,该显示器808和输入设备809都通过连接到系统总线805的输入输出控制器810连接到中央处理单元801。该基本输入/输出系统806还可以包括输入输出控制器810以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器810还提供输出到显示屏、打印机或其他类型的输出设备。
该大容量存储设备807通过连接到系统总线805的大容量存储控制器(未示出)连接到中央处理单元801。该大容量存储设备807及其相关联的计算机可读介质为计算机设备800提供非易失性存储。也就是说,该大容量存储设备807可以包括诸如硬盘或者CD-ROM(Compact Disc Read-Only Memory,只读光盘)驱动器之类的计算机可读介质(未示出)。
不失一般性,该计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM(Erasable Programmable Read-Only Memory,可擦写可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read-Only Memory,电可擦写可编程只读存储器)、闪存或其他固态存储其技术,CD-ROM、DVD(Digital Video Disc,高密度数字视频光盘)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知该计算机存储介质不局限于上述几种。上述的系统存储器804和大容量存储设备807可以统称为存储器。
根据本申请实施例,该计算机设备800还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备800可以通过连接在该系统总线805上的网络接口单元811连接到网络812,或者说,也可以使用网络接口单元811来连接到其他类型的网络或远程计算机系统(未示出)。
该存储器还包括至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、至少一段程序、代码集或指令集存储于存储器中,且经配置以由一个或者一个以上处理器执行,以实现上述天气预报方法。
在示例性实施例中,还提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述天气预报方法。
可选地,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、固态硬盘(SSD,Solid State Drives)或光盘等。其中,随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM,Resistance RandomAccess Memory)和动态随机存取存储器(DRAM,Dynamic Random Access Memory)。
根据本申请的一个方面,提供了一种计算机程序产品,该计算机程序产品包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述方面各种可选实现方式中提供的天气预报方法。
应当理解的是,在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。另外,本文中描述的步骤编号,仅示例性示出了步骤间的一种可能的执行先后顺序,在一些其它实施例中,上述步骤也可以不按照编号顺序来执行,如两个不同编号的步骤同时执行,或者两个不同编号的步骤按照与图示相反的顺序执行,本申请实施例对此不作限定。
以上所述仅为本申请的示例性实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (11)
1.一种天气预报方法,其特征在于,所述方法包括:
获取第二时间的模式风场,所述模式风场是通过数值天气预报模式获取的风场,所述数值天气预报模式包括利用数值方法求解未来天气状态的计算方法;
获取第一时间的第一雷达数据,所述第一雷达数据包括地理位置和所述地理位置对应的雷达反射率数据;
将所述第一雷达数据输入外推模型得到所述第二时间的外推风场,所述外推模型用于利用外推法分析雷达数据的变化趋势来输出预测的风场;
将所述外推风场和所述模式风场输入变分模块,得到所述第二时间的优化风场。
2.根据权利要求1所述的方法,其特征在于,所述将所述外推风场和所述模式风场输入变分模块,得到所述第二时间的优化风场,包括:
将所述外推风场和所述模式风场输入所述变分模块进行三维变分同化处理,得到所述第二时间的所述优化风场。
3.根据权利要求2所述的方法,其特征在于,所述模式风场对应有模式稳定度,所述模式稳定度是通过数值天气预报模式获取的大气稳定度;
所述将所述外推风场和所述模式风场输入所述变分模块进行三维变分同化处理,得到所述第二时间的所述优化风场,包括:
将所述外推风场、所述模式风场和所述模式稳定度输入所述变分模块进行三维变分同化处理,得到所述第二时间的所述优化风场和所述优化风场对应的优化稳定度。
4.根据权利要求1至3任一所述的方法,其特征在于,所述将所述第一雷达数据输入外推模型得到所述第二时间的外推风场,包括:
将所述第一雷达数据输入所述外推模型得到所述第二时间的第二雷达数据和所述外推风场;
所述方法还包括:
利用所述优化风场对所述第二雷达数据进行调整,得到优化雷达数据。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
获取第一时间的观测风场,所述观测风场是指通过地面观测获取的风场;
所述将所述第一雷达数据输入所述外推模型得到所述第二时间的第二雷达数据和所述外推风场,包括:
将所述第一雷达数据和所述观测风场输入所述外推模型得到所述第二时间的所述第二雷达数据和所述外推风场。
6.根据权利要求4所述的方法,其特征在于,所述优化风场还对应有优化稳定度,所述优化稳定度用于描述大气稳定性;
所述利用所述优化风场对所述第二雷达数据进行调整,得到优化雷达数据,包括:
利用所述优化风场和所述优化稳定度对所述第二雷达数据进行调整,得到优化雷达数据。
7.根据权利要求1所述的方法,其特征在于,所述外推模型包括特征提取器和循环神经网络模型;
所述将所述第一雷达数据输入外推模型得到第二时间的外推风场,包括:
将所述第一雷达数据输入所述特征提取器得到特征提取结果;
将所述特征提取结果输入所述循环神经网络模型得到所述外推风场。
8.根据权利要求4所述的方法,其特征在于,所述利用所述优化风场对所述第二雷达数据进行调整,得到优化雷达数据,包括:
将所述优化风场和所述第二雷达数据输入神经网络模型得到所述优化雷达数据,所述优化雷达数据是根据所述优化风场的风速和风向调整所述第二雷达数据中的云团位置得到的雷达数据。
9.一种天气预报装置,其特征在于,所述装置包括:
获取模块,用于获取第二时间的模式风场,所述模式风场是通过数值天气预报模式获取的风场,所述数值天气预报模式包括利用数值方法求解未来天气状态的计算方法;
所述获取模块,还用于获取第一时间的第一雷达数据,所述第一雷达数据包括地理位置和所述地理位置对应的雷达反射率数据;
外推模块,用于将所述第一雷达数据输入外推模型得到所述第二时间的外推风场,所述外推模型用于利用外推法分析雷达数据的变化趋势来输出预测的风场;
变分模块,用于将所述外推风场和所述模式风场输入变分模块,得到所述第二时间的优化风场。
10.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至8任一项所述的天气预报方法。
11.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至8任一项所述的天气预报方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010851517.7A CN112180471B (zh) | 2020-08-21 | 2020-08-21 | 天气预报方法、装置、设备及存储介质 |
PCT/SG2021/050484 WO2022039675A1 (en) | 2020-08-21 | 2021-08-18 | Method and apparatus for forecasting weather, electronic device and storage medium thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010851517.7A CN112180471B (zh) | 2020-08-21 | 2020-08-21 | 天气预报方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112180471A true CN112180471A (zh) | 2021-01-05 |
CN112180471B CN112180471B (zh) | 2022-07-12 |
Family
ID=73924323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010851517.7A Active CN112180471B (zh) | 2020-08-21 | 2020-08-21 | 天气预报方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112180471B (zh) |
WO (1) | WO2022039675A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022039675A1 (en) * | 2020-08-21 | 2022-02-24 | Envision Digital International Pte. Ltd. | Method and apparatus for forecasting weather, electronic device and storage medium thereof |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115146817A (zh) * | 2022-03-02 | 2022-10-04 | 北京城市气象研究院 | 区域数值预报模式的混合热启动初始场生成方法及系统 |
CN116186594B (zh) * | 2023-04-26 | 2023-07-04 | 成都市环境应急指挥保障中心 | 基于决策网络结合大数据实现环境变化趋势智能检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010096593A (ja) * | 2008-10-15 | 2010-04-30 | Japan Weather Association | 風予測装置及びプログラム |
CN102570453A (zh) * | 2012-01-06 | 2012-07-11 | 甘肃省电力公司风电技术中心 | 基于多套数值天气预报源的短期风电功率预测方法及系统 |
KR101258668B1 (ko) * | 2012-10-16 | 2013-05-13 | 대한민국 | 한반도 통합형 기상 레이더 품질 관리 시스템 및 그 방법 |
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 |
CN108549116A (zh) * | 2018-03-27 | 2018-09-18 | 南京恩瑞特实业有限公司 | NRIET blending融合预报方法 |
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 |
CN111352113A (zh) * | 2020-04-01 | 2020-06-30 | 易天气(北京)科技有限公司 | 一种强对流天气短临预报方法及系统、存储介质和终端 |
CN111366989A (zh) * | 2020-03-23 | 2020-07-03 | 上海眼控科技股份有限公司 | 天气预报方法、装置、计算机设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140372038A1 (en) * | 2013-04-04 | 2014-12-18 | Sky Motion Research, Ulc | Method for generating and displaying a nowcast in selectable time increments |
CN110135654B (zh) * | 2019-05-24 | 2021-08-27 | 北京百度网讯科技有限公司 | 用于预测强对流天气的方法和装置 |
CN110618473A (zh) * | 2019-10-09 | 2019-12-27 | 北京北科融智云计算科技有限公司 | 一种即时气象情报保障方法 |
CN112180471B (zh) * | 2020-08-21 | 2022-07-12 | 远景智能国际私人投资有限公司 | 天气预报方法、装置、设备及存储介质 |
-
2020
- 2020-08-21 CN CN202010851517.7A patent/CN112180471B/zh active Active
-
2021
- 2021-08-18 WO PCT/SG2021/050484 patent/WO2022039675A1/en active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010096593A (ja) * | 2008-10-15 | 2010-04-30 | Japan Weather Association | 風予測装置及びプログラム |
CN102570453A (zh) * | 2012-01-06 | 2012-07-11 | 甘肃省电力公司风电技术中心 | 基于多套数值天气预报源的短期风电功率预测方法及系统 |
KR101258668B1 (ko) * | 2012-10-16 | 2013-05-13 | 대한민국 | 한반도 통합형 기상 레이더 품질 관리 시스템 및 그 방법 |
CN108549116A (zh) * | 2018-03-27 | 2018-09-18 | 南京恩瑞特实业有限公司 | NRIET blending融合预报方法 |
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 |
CN111366989A (zh) * | 2020-03-23 | 2020-07-03 | 上海眼控科技股份有限公司 | 天气预报方法、装置、计算机设备及存储介质 |
CN111352113A (zh) * | 2020-04-01 | 2020-06-30 | 易天气(北京)科技有限公司 | 一种强对流天气短临预报方法及系统、存储介质和终端 |
Non-Patent Citations (1)
Title |
---|
KAO-SHEN CHUNG: "Improving Radar Echo Lagrangian Extrapolation Nowcasting by Blending Numerical Model Wind Information: Statistical Performance of 16 Typhoon Cases", 《AMS》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022039675A1 (en) * | 2020-08-21 | 2022-02-24 | Envision Digital International Pte. Ltd. | Method and apparatus for forecasting weather, electronic device and storage medium thereof |
Also Published As
Publication number | Publication date |
---|---|
CN112180471B (zh) | 2022-07-12 |
WO2022039675A1 (en) | 2022-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
US11966670B2 (en) | Method and system for predicting wildfire hazard and spread at multiple time scales | |
CN112180471B (zh) | 天气预报方法、装置、设备及存储介质 | |
US11488069B2 (en) | Method for predicting air quality with aid of machine learning models | |
CN112766549A (zh) | 一种空气污染物浓度预报方法、装置及存储介质 | |
Wu et al. | Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
Ghaemi et al. | LaSVM-based big data learning system for dynamic prediction of air pollution in Tehran | |
Kalyankar et al. | Data mining technique to analyse the metrological data | |
CN112489497B (zh) | 基于深度卷积神经网络的空域运行复杂度评估方法 | |
CN108802857A (zh) | 一种基于气象数据的气象预报系统 | |
CN112465199A (zh) | 空域态势评估系统 | |
CN115271181A (zh) | 一种基于多模态数据融合的台风概率预报智能方法及装置 | |
CN113887704A (zh) | 交通信息预测方法、装置、设备及存储介质 | |
CN114241425B (zh) | 垃圾检测模型的训练方法、装置、存储介质及设备 | |
CN116799796A (zh) | 一种光伏发电功率预测方法、装置、设备及介质 | |
CN117314006A (zh) | 一种智能化数据分析方法及系统 | |
CN115032720A (zh) | 基于随机森林的多模式集成预报在地面气温预报中的应用 | |
CN113449920A (zh) | 一种风电功率预测方法、系统及计算机可读介质 | |
Mishra et al. | A Comprehensive Study on Weather Forecasting using Machine Learning | |
CN116579468A (zh) | 基于云系记忆的台风生成预测方法、装置、设备及介质 | |
Sharma et al. | Deep Learning Based Prediction Of Weather Using Hybrid_stacked Bi-Long Short Term Memory | |
Socaci et al. | XNow: A deep learning technique for nowcasting based on radar products’ values prediction | |
Peng et al. | An extreme learning machine and gene expression programming-based hybrid model for daily precipitation prediction | |
CN110991685A (zh) | 一种气象温度预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |