CN112379345A - 融合数值模式的雷达短临外推预报方法 - Google Patents
融合数值模式的雷达短临外推预报方法 Download PDFInfo
- Publication number
- CN112379345A CN112379345A CN202011142424.3A CN202011142424A CN112379345A CN 112379345 A CN112379345 A CN 112379345A CN 202011142424 A CN202011142424 A CN 202011142424A CN 112379345 A CN112379345 A CN 112379345A
- Authority
- CN
- China
- Prior art keywords
- radar
- optical flow
- mode
- field
- echo
- 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
- 238000013213 extrapolation Methods 0.000 title claims description 61
- 238000013277 forecasting method Methods 0.000 title claims description 8
- 230000003287 optical effect Effects 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 10
- 230000006855 networking Effects 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000002592 echocardiography Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 9
- 238000012937 correction Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000005491 wire drawing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及短临预报技术领域，且公开了融合数值模式的雷达短临外推预报方法，包括以下步骤：S1：提取一定时刻历史模式数据和雷达回波组网数据，并将数值模式结果插值到相应的网格点上；S2：使用算法，通过提取相邻时刻雷达回波数据，计算光流场；S3：计算数值模式数据中850hPa至500hPa平均风场；S4：以光流场为基准。本发明能够克服在无雷达回波区域光流场无法计算二维矢量风场的缺陷，并且通过计算无旋风消除辐合辐散影响，防止在辐合的天气过程中，外推回波面积变小，在辐散过程中回波面积变动的缺陷，最后通过热力修正，基于模式预报的热力因子对回波的概率分步做修正，以提高回波短临预报的准确率。
Description
技术领域
本发明涉及短临预报技术领域，具体为融合数值模式的雷达短临外推预报方法。
背景技术
0-2小时的短临预报目前主要通过分析雷达回波的移动趋势实现。当前比较成熟的方法包括光流法和交叉相关外推。二者均基于相邻两幅雷达回波间关系，回算出雷达回波移动的矢量场。其实光流法通过计算光矢量而获得，交叉相关外推通过寻找两幅图之间雷达回波最相似回波间连线而获得。二者通过不同的技术路线达到了共同的目标，均能根据两幅雷达回波图像间关系寻找到二维风矢量场。
然而两种方法均存在以下几点缺陷，1、在回波缺失的地方无法计算二维风矢量场，这样会导致在回波外推的过程中，雷达回波容易在回波边缘汇聚，无法移动至无风场区域，2、在回波存在辐合的情况下，回波会逐渐聚集，造成回波覆盖范围减少，而这种情况下通常是天气过程真正发展中，回波面积应该逐渐铺开变大。在存在辐散的天气过程中则正好相反，在存在辐散的天气系统中，回波面积会因为风场的外推而逐渐扩大，而辐散天气通常和天气系统的消亡存在关系，回波应当逐渐减少。这二者均会造成外推预报准确率的下降，3、回波的外推无法考虑雷达回波强弱的变化。在进行外推的过程中均假设回波强度不发生变化，仅发生位置的移动，考虑到天气系统存在不同的尺度分析，对于大尺度天气系统，生命周期较长，在2小时内不会发生显著变化，但对于很多尺度较小的天气系统，生命周期较为短暂，2小时可能已经消亡殆尽或者刚刚发展出来。这种情况下假设回波不发生变化预报的结果仅能供预报员做移动方向的参考，而无法实现准确的回波短临预报。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了融合数值模式的雷达短临外推预报方法，主要为解决现有的雷达回波短临外推预报无法实现准确的回波短临预报的问题。
（二）技术方案
为实现上述目的，本发明提供如下技术方案：
融合数值模式的雷达短临外推预报方法，包括以下步骤：
S1：提取一定时刻历史模式数据和雷达回波组网数据，并将数值模式结果插值到相应的网格点上；
S2：使用算法，通过提取相邻时刻雷达回波数据，计算光流场；
S3：计算数值模式数据中850hPa至500hPa平均风场；
S4：以光流场为基准，在光流场存在缺失的格点中，使用数值模式的平均风场作为填充，在二者交界处，使用模糊融合的方式，生成融合风场；
S5：依托步骤4计算出来的无旋风进行0-2小时分段线性外推，生成动力约束短临外推预报结果；
S6：构建热力预报因子和雷达回波概率密度分布间关系。
在前述方案的基础上，所述S1中本样例选取的是114-122°E，29-37°N，空间分辨率为1km的雷达组网数据，数值模式选取的江苏省气象局提供的PWAF模式预报结果。
作为本发明再进一步的方案，所述S2中选取多尺度光流法，计算相邻6分钟的二维光流矢量场。
进一步的，所述S3中以光流场为基准，将模式平均风场调整至和光流场相同的风速单位上去。
在前述方案的基础上，所述S3中首先将PWAF 3km空间分辨率和1hr时间分辨率的预报结果插值到雷达回波网格点和对应时刻上去，再提取850hPa至500hPa之间的平均风场。
本发明再进一步的方案，所述S4中通过模糊融合的方式，以光流场和模式风场之间的风速差异为基准，统计风速差异大于0.3像素/6分钟的格点，并标记为1，对生成的标记格点做高斯模糊，生成权重矩阵，以此权重矩阵为基础，将模式风场乘以该权重矩阵，光流场乘以1减去该权重矩阵，并将二者相加，生成融合后的风场，进一步通过计算流函数、势函数的方式计算无旋风。
进一步的，所述S5中的计算方法为半拉格朗日法，对回波进行光流外推，每次外推分为4段分段进行线性外推，实现0-2小时短临预报。
在前述方案的基础上，所述S6中通过构建SVM、随机森林、Adaboost和多元回归共4种模型，寻找不同热力因子和雷达回波分布频率间关系，通过统计气象局PWAF模式预报结果提供的雷暴和强对流天气发生概率和雷达回波大于0.1dBz、10dBz、20dBz、30dBz、40dBz、50dBz格点的概率之间的关系，以此为基础构建多种机器学习模型，对未来回波概率分步进行预报，并通过频率匹配的方式将预报的雷达回波进行修正，提高预报准确率。
（三）有益效果
与现有技术相比，本发明提供了融合数值模式的雷达短临外推预报方法，具备以下有益效果：
1、本发明中修正光流法在无雷达回波地区无法计算光流场的先天缺陷，通过结合数值模式预报风场结果，进而融合外推。
2、本发明中基于大气动力学理论，去除风场旋度，实现回波的短临外推预报，同时结合数值模式的热力预报因子，对动力约束外推结果进行强度修正。
3、本发明中融合数值模式环流场和热力因子的雷达回波短临外推预报方法，能够克服在无雷达回波区域光流场无法计算二维矢量风场的缺陷，并且通过计算无旋风消除辐合辐散影响，防止在辐合的天气过程中，外推回波面积变小，在辐散过程中回波面积变动的缺陷，最后通过热力修正，基于模式预报的热力因子对回波的概率分步做修正，以提高回波短临预报的准确率。
附图说明
图1为本发明提出的融合数值模式的雷达短临外推预报方法的动力约束外推算法流程结构示意图；
图2为本发明提出的融合数值模式的雷达短临外推预报方法的动力融合风场结构示意图；
图3为本发明提出的融合数值模式的雷达短临外推预报方法的动力融合风场效果图示意图，其中a为原始光流场，b为数值模式风场，c为融合风场，d为计算的无旋风场；
图4为本发明提出的融合数值模式的雷达短临外推预报方法的热力约束算法流程结构示意图；
图5为本发明提出的融合数值模式的雷达短临外推预报方法的融合模式外推个例效果图，其中a为观测图，b为1小时光流法预报结果，c为1小时动力约束外推结果，d为1小时动力加热力约束外推结果；
图6为本发明提出的融合数值模式的雷达短临外推预报方法的三种外推效果个例评分对比图示意图。
具体实施方式
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，所描述的实施例仅仅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做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。
实施例1
参照图1-6，融合数值模式的雷达短临外推预报方法，包括以下步骤：
S1：提取一定时刻历史模式数据和雷达回波组网数据，并将数值模式结果插值到相应的网格点上；
S2：使用算法，通过提取相邻时刻雷达回波数据，计算光流场；
S3：计算数值模式数据中850hPa至500hPa平均风场；
S4：以光流场为基准，在光流场存在缺失的格点中，使用数值模式的平均风场作为填充，在二者交界处，使用模糊融合的方式，生成融合风场，通过融合光流法计算的风场和模式风场吻合较好，将融合后的风场进一步计算无旋风，得到强对流中心出的辐合风场消失；
S5：依托步骤4计算出来的无旋风进行0-2小时分段线性外推，生成动力约束短临外推预报结果；
S6：构建热力预报因子和雷达回波概率密度分布间关系。
本发明的S1中本样例选取的是114-122°E，29-37°N，空间分辨率为1km的雷达组网数据，数值模式选取的江苏省气象局提供的PWAF模式预报结果，通过这种观测、短临外推和模式互相结合，弥补了回波空缺处无风场的缺陷，S2中选取多尺度光流法，计算相邻6分钟的二维光流矢量场，S3中以光流场为基准，将模式平均风场调整至和光流场相同的风速单位上去，S3中首先将PWAF 3km空间分辨率和1hr时间分辨率的预报结果插值到雷达回波网格点和对应时刻上去，再提取850hPa至500hPa之间的平均风场。
需要特别说明的是，S4中通过模糊融合的方式，以光流场和模式风场之间的风速差异为基准，统计风速差异大于0.3像素/6分钟的格点，并标记为1，对生成的标记格点做高斯模糊，生成权重矩阵，以此权重矩阵为基础，将模式风场乘以该权重矩阵，光流场乘以1减去该权重矩阵，并将二者相加，生成融合后的风场，进一步通过计算流函数、势函数的方式计算无旋风，提高无旋风的计算的精准性，S5中的计算方法为半拉格朗日法，对回波进行光流外推，每次外推分为4段分段进行线性外推，实现0-2小时短临预报，通过计算能够发现使用动力约束外推后的外推回波比较平滑，无显著拉丝和堆积现象，S6中通过构建SVM、随机森林、Adaboost和多元回归共4种模型，寻找不同热力因子和雷达回波分布频率间关系，通过统计气象局PWAF模式预报结果提供的雷暴和强对流天气发生概率和雷达回波大于0.1dBz、10dBz、20dBz、30dBz、40dBz、50dBz格点的概率之间的关系，以此为基础构建多种机器学习模型，对未来回波概率分步进行预报，并通过频率匹配的方式将预报的雷达回波进行修正，提高预报准确率，通过该关系对步骤5中短临外推预报的结果进行频率匹配订正，能够实现动力约束外推，能够发现回波得到了显著的增强，回波和观测的更加吻合，通过无旋风场的计算，去除了辐合辐散的影响，进一步通过动力约束强度订正，有效的实现回波强度变化的订正，对比不同方法外推预报TS评分，能够发现动力约束和基于动力约束后的热力约束能够显著提高短临外推预报的准确率。
实施例2
参照图1-6，融合数值模式的雷达短临外推预报方法，包括以下步骤：
S1：提取一定时刻历史模式数据和雷达回波组网数据，并将数值模式结果插值到相应的网格点上；
S2：使用算法，通过提取相邻时刻雷达回波数据，计算光流场；
S3：计算数值模式数据中850hPa至500hPa平均风场；
S4：以光流场为基准，在光流场存在缺失的格点中，使用数值模式的平均风场作为填充，在二者交界处，使用模糊融合的方式，生成融合风场，通过融合光流法计算的风场和模式风场吻合较好，将融合后的风场进一步计算无旋风，得到强对流中心出的辐合风场消失；
S5：依托步骤4计算出来的无旋风进行0-2小时分段线性外推，生成动力约束短临外推预报结果；
S6：构建热力预报因子和雷达回波概率密度分布间关系。
本发明的S1中本样例选取的是114-122°E，29-37°N，空间分辨率为1km的雷达组网数据，数值模式选取的江苏省气象局提供的PWAF模式预报结果，通过这种观测、短临外推和模式互相结合，弥补了回波空缺处无风场的缺陷，S2中选取多尺度光流法，计算相邻5分钟的二维光流矢量场，S3中以光流场为基准，将模式平均风场调整至和光流场相同的风速单位上去，S3中首先将PWAF 3km空间分辨率和1hr时间分辨率的预报结果插值到雷达回波网格点和对应时刻上去，再提取850hPa至500hPa之间的平均风场。
需要特别说明的是，S4中通过模糊融合的方式，以光流场和模式风场之间的风速差异为基准，统计风速差异大于0.3像素/6分钟的格点，并标记为1，对生成的标记格点做高斯模糊，生成权重矩阵，以此权重矩阵为基础，将模式风场乘以该权重矩阵，光流场乘以1减去该权重矩阵，并将二者相加，生成融合后的风场，进一步通过计算流函数、势函数的方式计算无旋风，提高无旋风的计算的精准性，S5中的计算方法为半拉格朗日法，对回波进行光流外推，每次外推分为4段分段进行线性外推，实现0-2小时短临预报，通过计算能够发现使用动力约束外推后的外推回波比较平滑，无显著拉丝和堆积现象，S6中通过构建SVM、随机森林、Adaboost和多元回归共4种模型，寻找不同热力因子和雷达回波分布频率间关系，通过统计江苏省气象局PWAF模式预报结果提供的雷暴和强对流天气发生概率和雷达回波大于0.1dBz、10dBz、20dBz、30dBz、40dBz、50dBz格点的概率之间的关系，以此为基础构建多种机器学习模型，对未来回波概率分步进行预报，并通过频率匹配的方式将预报的雷达回波进行修正，提高预报准确率，通过该关系对步骤5中短临外推预报的结果进行频率匹配订正，能够实现动力约束外推，能够发现回波得到了显著的增强，回波和观测的更加吻合，通过无旋风场的计算，去除了辐合辐散的影响，进一步通过动力约束强度订正，有效的实现回波强度变化的订正，对比不同方法外推预报TS评分，能够发现动力约束和基于动力约束后的热力约束能够显著提高短临外推预报的准确率。
在该文中的描述中，需要说明的是，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.融合数值模式的雷达短临外推预报方法，其特征在于，包括以下步骤：
S1：提取一定时刻历史模式数据和雷达回波组网数据，并将数值模式结果插值到相应的网格点上；
S2：使用算法，通过提取相邻时刻雷达回波数据，计算光流场；
S3：计算数值模式数据中850hPa至500hPa平均风场；
S4：以光流场为基准，在光流场存在缺失的格点中，使用数值模式的平均风场作为填充，在二者交界处，使用模糊融合的方式，生成融合风场；
S5：依托步骤4计算出来的无旋风进行0-2小时分段线性外推，生成动力约束短临外推预报结果；
S6：构建热力预报因子和雷达回波概率密度分布间关系。
2.根据权利要求1所述的融合数值模式的雷达短临外推预报方法，其特征在于，所述S1中本样例选取的是114-122°E，29-37°N，空间分辨率为1km的雷达组网数据，数值模式选取的江苏省气象局提供的PWAF模式预报结果。
3.根据权利要求1所述的融合数值模式的雷达短临外推预报方法，其特征在于，所述S2中选取多尺度光流法，计算相邻6分钟的二维光流矢量场。
4.根据权利要求1所述的融合数值模式的雷达短临外推预报方法，其特征在于，所述S3中以光流场为基准，将模式平均风场调整至和光流场相同的风速单位上去。
5.根据权利要求4所述的融合数值模式的雷达短临外推预报方法，其特征在于，所述S3中首先将PWAF 3km空间分辨率和1hr时间分辨率的预报结果插值到雷达回波网格点和对应时刻上去，再提取850hPa至500hPa之间的平均风场。
6.根据权利要求1所述的融合数值模式的雷达短临外推预报方法，其特征在于，所述S4中通过模糊融合的方式，以光流场和模式风场之间的风速差异为基准，统计风速差异大于0.3像素/6分钟的格点，并标记为1，对生成的标记格点做高斯模糊，生成权重矩阵，以此权重矩阵为基础，将模式风场乘以该权重矩阵，光流场乘以1减去该权重矩阵，并将二者相加，生成融合后的风场，进一步通过计算流函数、势函数的方式计算无旋风。
7.根据权利要求1所述的融合数值模式的雷达短临外推预报方法，其特征在于，所述S5中的计算方法为半拉格朗日法，对回波进行光流外推，每次外推分为4段分段进行线性外推，实现0-2小时短临预报。
8.根据权利要求7所述的融合数值模式的雷达短临外推预报方法，其特征在于，所述S6中通过构建SVM、随机森林、Adaboost和多元回归共4种模型，寻找不同热力因子和雷达回波分布频率间关系，通过统计气象局PWAF模式预报结果提供的雷暴和强对流天气发生概率和雷达回波大于0.1dBz、10dBz、20dBz、30dBz、40dBz、50dBz格点的概率之间的关系，以此为基础构建多种机器学习模型，对未来回波概率分步进行预报，并通过频率匹配的方式将预报的雷达回波进行修正，提高预报准确率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011142424.3A CN112379345B (zh) | 2020-10-23 | 2020-10-23 | 融合数值模式的雷达短临外推预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011142424.3A CN112379345B (zh) | 2020-10-23 | 2020-10-23 | 融合数值模式的雷达短临外推预报方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112379345A true CN112379345A (zh) | 2021-02-19 |
| CN112379345B CN112379345B (zh) | 2024-04-19 |
Family
ID=74580769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011142424.3A Active CN112379345B (zh) | 2020-10-23 | 2020-10-23 | 融合数值模式的雷达短临外推预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112379345B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113296074A (zh) * | 2021-07-28 | 2021-08-24 | 成都远望探测技术有限公司 | 一种基于气象雷达多层cappi的光流法外推方法 |
| CN113642813A (zh) * | 2021-10-18 | 2021-11-12 | 江苏铨铨信息科技有限公司 | 一种基于物理方程的降水外推预报方法 |
| CN113933915A (zh) * | 2021-10-12 | 2022-01-14 | 江苏省环境科学研究院 | 一种基于时空扰动信息交互集成嵌套的短临外推预报方法 |
| US11333795B2 (en) * | 2020-09-09 | 2022-05-17 | Korea Meteorological Administration | Method for typhoon center automatic selection using vectors calculated from radar image data by optical flow technique, recording medium and device for performing the method |
| CN115204058A (zh) * | 2022-08-02 | 2022-10-18 | 南方海洋科学与工程广东省实验室(珠海) | 基于bp神经网络的地波雷达流场计算方法及装置 |
| CN115575920A (zh) * | 2022-11-24 | 2023-01-06 | 国家气象中心(中央气象台) | 基于小波变换的雷达回波动态融合预报方法、系统及设备 |
| CN115932838A (zh) * | 2022-12-12 | 2023-04-07 | 中山大学 | 一种基于神经网络的地波雷达与走航观测的数据校正方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6307500B1 (en) * | 1999-08-13 | 2001-10-23 | University Corporation For Atmospheric Research | Method of moment estimation and feature extraction for devices which measure spectra as a function of range or time |
| US20050195383A1 (en) * | 1994-05-23 | 2005-09-08 | Breed David S. | Method for obtaining information about objects in a vehicular blind spot |
| 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 |
| 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 |
| CN109521429A (zh) * | 2018-11-14 | 2019-03-26 | 王啸华 | 边界层风速格点分区计算方法 |
| KR101966639B1 (ko) * | 2018-04-19 | 2019-07-26 | 대한민국 | 수치 예보 모델을 이용한 대기수상체 분류 예측 장치 및 그 방법 |
| KR102006847B1 (ko) * | 2018-08-21 | 2019-08-02 | 부경대학교 산학협력단 | 다중규모 광학 흐름을 이용한 레이더 초단기 강수 예측을 위한 장치 및 방법 |
| CN110443400A (zh) * | 2019-06-03 | 2019-11-12 | 南京信大气象科技有限公司 | 一种海上新能源气象保障与服务系统 |
| CN111398949A (zh) * | 2020-04-10 | 2020-07-10 | 江苏省气象科学研究所 | 一种基于组网x波段雷达自适应协同扫描方法 |
-
2020
- 2020-10-23 CN CN202011142424.3A patent/CN112379345B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050195383A1 (en) * | 1994-05-23 | 2005-09-08 | Breed David S. | Method for obtaining information about objects in a vehicular blind spot |
| US6307500B1 (en) * | 1999-08-13 | 2001-10-23 | University Corporation For Atmospheric Research | Method of moment estimation and feature extraction for devices which measure spectra as a function of range or time |
| 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 |
| 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 |
| KR101966639B1 (ko) * | 2018-04-19 | 2019-07-26 | 대한민국 | 수치 예보 모델을 이용한 대기수상체 분류 예측 장치 및 그 방법 |
| KR102006847B1 (ko) * | 2018-08-21 | 2019-08-02 | 부경대학교 산학협력단 | 다중규모 광학 흐름을 이용한 레이더 초단기 강수 예측을 위한 장치 및 방법 |
| CN109521429A (zh) * | 2018-11-14 | 2019-03-26 | 王啸华 | 边界层风速格点分区计算方法 |
| CN110443400A (zh) * | 2019-06-03 | 2019-11-12 | 南京信大气象科技有限公司 | 一种海上新能源气象保障与服务系统 |
| CN111398949A (zh) * | 2020-04-10 | 2020-07-10 | 江苏省气象科学研究所 | 一种基于组网x波段雷达自适应协同扫描方法 |
Non-Patent Citations (7)
| Title |
|---|
| CHENGWEI ZHANG 等: "Learnable Optical Flow Network for Radar Echo Extrapolation", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》, pages 1260 - 1266 * |
| 吴剑坤 等: "变分回波跟踪算法及其在对流临近预报中的应用试验", 《气象学报》, pages 999 - 1014 * |
| 周后福 等: "基于数值模式和多普勒雷达的强对流天气预报技术", 《气象科技》, pages 637 - 642 * |
| 曾明剑 等: "基于中尺度数值模式的分类强对流天气预报方法研究", 《气象学报》, pages 868 - 882 * |
| 王丹 等: "基于雷达回波外推和中尺度模式预报的短时降水对比分析", 《高原气象》, pages 811 - 822 * |
| 程丛兰 等: "基于雷达外推临近预报和中尺度数值预报融合技术的短时定量降水预报试验", 《气象学报》, pages 397 - 415 * |
| 薛峰 等: "雷达外推与数值模式动态融合降水概率预报方法", 《气象科技》, pages 1036 - 1042 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11333795B2 (en) * | 2020-09-09 | 2022-05-17 | Korea Meteorological Administration | Method for typhoon center automatic selection using vectors calculated from radar image data by optical flow technique, recording medium and device for performing the method |
| CN113296074A (zh) * | 2021-07-28 | 2021-08-24 | 成都远望探测技术有限公司 | 一种基于气象雷达多层cappi的光流法外推方法 |
| CN113933915A (zh) * | 2021-10-12 | 2022-01-14 | 江苏省环境科学研究院 | 一种基于时空扰动信息交互集成嵌套的短临外推预报方法 |
| CN113933915B (zh) * | 2021-10-12 | 2022-06-14 | 江苏省环境科学研究院 | 一种基于时空扰动信息交互集成嵌套的短临外推预报方法 |
| CN113642813A (zh) * | 2021-10-18 | 2021-11-12 | 江苏铨铨信息科技有限公司 | 一种基于物理方程的降水外推预报方法 |
| CN113642813B (zh) * | 2021-10-18 | 2022-02-11 | 江苏铨铨信息科技有限公司 | 一种基于物理方程的降水外推预报方法 |
| CN115204058A (zh) * | 2022-08-02 | 2022-10-18 | 南方海洋科学与工程广东省实验室(珠海) | 基于bp神经网络的地波雷达流场计算方法及装置 |
| CN115204058B (zh) * | 2022-08-02 | 2023-04-21 | 南方海洋科学与工程广东省实验室(珠海) | 基于bp神经网络的地波雷达流场计算方法及装置 |
| CN115575920A (zh) * | 2022-11-24 | 2023-01-06 | 国家气象中心(中央气象台) | 基于小波变换的雷达回波动态融合预报方法、系统及设备 |
| CN115575920B (zh) * | 2022-11-24 | 2023-02-28 | 国家气象中心(中央气象台) | 基于小波变换的雷达回波动态融合预报方法、系统及设备 |
| CN115932838A (zh) * | 2022-12-12 | 2023-04-07 | 中山大学 | 一种基于神经网络的地波雷达与走航观测的数据校正方法 |
| CN115932838B (zh) * | 2022-12-12 | 2023-11-21 | 中山大学 | 一种基于神经网络的地波雷达与走航观测的数据校正方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112379345B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112379345A (zh) | 融合数值模式的雷达短临外推预报方法 | |
| Nipen et al. | Adopting citizen observations in operational weather prediction | |
| KR102006847B1 (ko) | 다중규모 광학 흐름을 이용한 레이더 초단기 강수 예측을 위한 장치 및 방법 | |
| US20230418250A1 (en) | Operational inspection system and method for domain adaptive device | |
| CN112561191B (zh) | 预测模型的训练、预测方法、装置、设备、程序和介质 | |
| Almeida et al. | PV power forecast using a nonparametric PV model | |
| CN112285807B (zh) | 一种气象信息预测方法及装置 | |
| Vaccaro et al. | An adaptive framework based on multi-model data fusion for one-day-ahead wind power forecasting | |
| KR102283487B1 (ko) | 실시간 위성자료와 수치모델자료를 이용한 머신러닝기반 태양광 발전량 예측시스템 | |
| CN112070286A (zh) | 复杂地形流域的降水预报预警系统 | |
| US11689154B2 (en) | Systems and methods for distributed-solar power forecasting using parameter regularization | |
| CN107886160B (zh) | 一种bp神经网络区间需水预测方法 | |
| Marchesoni-Acland et al. | Intra-day solar irradiation forecast using RLS filters and satellite images | |
| Lopez et al. | Effect of direction on wind speed estimation in complex terrain using neural networks | |
| Zhang et al. | Two-step wind power prediction approach with improved complementary ensemble empirical mode decomposition and reinforcement learning | |
| Neumann et al. | Heuristics for transmission expansion planning in low-carbon energy system models | |
| CN115544889A (zh) | 基于深度学习的数值模式降水偏差校正方法 | |
| JP4421492B2 (ja) | 気象予測システム及びその同化処理方法 | |
| Moradzadeh et al. | A novel cyber-Resilient solar power forecasting model based on secure federated deep learning and data visualization | |
| Han et al. | FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting | |
| Tervo et al. | Short-term prediction of electricity outages caused by convective storms | |
| Vaishali et al. | Weather prediction model using Savitzky-Golay and Kalman Filters | |
| Khosravi et al. | Wind farm power uncertainty quantification using a mean-variance estimation method | |
| CN116109007B (zh) | 发电功率确定方法、服务器及存储介质 | |
| Raghuvamsi et al. | A review on distribution system state estimation uncertainty issues using deep learning approaches |
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 |