CN112464158A - 一种用于自动推荐数值天气预报产品的方法及系统 - Google Patents
一种用于自动推荐数值天气预报产品的方法及系统 Download PDFInfo
- Publication number
- CN112464158A CN112464158A CN202011224756.6A CN202011224756A CN112464158A CN 112464158 A CN112464158 A CN 112464158A CN 202011224756 A CN202011224756 A CN 202011224756A CN 112464158 A CN112464158 A CN 112464158A
- Authority
- CN
- China
- Prior art keywords
- forecast
- numerical
- weather forecast
- product
- numerical weather
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000007689 inspection Methods 0.000 claims abstract description 81
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 238000001556 precipitation Methods 0.000 claims description 81
- 238000001514 detection method Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 5
- 241000219094 Vitaceae Species 0.000 description 32
- 235000021021 grapes Nutrition 0.000 description 32
- 230000008569 process Effects 0.000 description 13
- 238000012360 testing method Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001604 Rao's score test Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Environmental Sciences (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Ecology (AREA)
- Evolutionary Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Atmospheric Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明具体公开了一种用于自动推荐数值天气预报产品的方法,包括:采集预报目标区域内不同预报要素的观测数据,及在预设检验天数内不同数值天气预报产品对预报要素的数值预报数据;对各个预报要素的观测数据及数值预报数据进行评分检验或误差检验,以获得各个数值天气预报产品对预报要素的数值预报评分信息或数值预报误差信息;根据数值预报评分信息或数值预报误差信息,对各个数值天气预报产品进行权重评估,以获得各个数值天气预报产品对预报要素的数值预报权重信息;根据数值预报权重信息的权重值向预报员自动推荐用于预报预报要素的数值天气预报产品。本发明能够向预报员自动推荐最优最符合预报目标地区天气预报业务的数值天气预报产品。
Description
技术领域
本发明涉及天气预报技术领域,尤其涉及一种用于自动推荐数值天气预报产品的方法及系统。
背景技术
数值天气预报是现代天气预报预测业务的基石,每天在世界各地主要气象业务中心运行,在精细化预报、灾害性天气预报中发挥着不可替代的作用,并逐步走向精细和精准。目前,数值天气预报在全世界形成多中心多模式的发展格局,主要数值天气预报中心包括:欧洲中期天气预报中心ECMWF、美国国家环境预报中心NCEP及中国气象局CMA等,主要业务中应用到的数值天气预报产品模式包括:欧洲中期天气预报中心ECMWF、美国国家环境预报中心全球预报系统NECP_GFS、基于全球预报系统GRAPES的全球天气数值预报系统GRAPES_GFS和中尺度预报系统GRAPES_MESO等数值天气预报产品,每家数值天气预报产品的预报能力各不相同、各有特色,同时也对特定天气类型下的高空要素场(如高度场、风场、温度场、相对湿度场)以及地面降水和地面2米温度等预报要素或预报目标地区有所侧重。
在现代天气预报业务中,数值天气预报产品早已成为衡量天气预报能力的主要依据,因而,各种模式的数值天气预报产品是现代天气预报的核心,伴随各种数值天气预报产品预报准确率的不断提高,预报员作用正在发生巨大变化,预报员需要了解不同数值天气预报产品模式对预报目标地区不同预报要素的预报性能,积累数值预报应用和订正经验,才能成为以数值天气预报为基础,综合运用各类气象信息的新型预报员,然而,当前的天气预报不能根据不同数值天气预报产品模式对目标地区内不同预报要素的预报性能,来为预报员推荐最符合预报目标地区天气预报业务的数值天气预报产品,从而无法为预报目标地区天气预报决策提供最优的客观产品支撑,不能顺应预报目标地区发展建设需求。
发明内容
本发明提供一种用于自动推荐数值天气预报产品的方法及系统,用以解决现有技术中天气预报不能根据不同数值天气预报产品模式的预报性能来为预报员推荐最符合预报目标地区天气预报业务的数值天气预报产品的问题。
第一方面,本发明提供一种用于自动推荐数值天气预报产品的方法,包括:
采集预报目标区域内不同预报要素的观测数据,及在预设检验天数内不同数值天气预报产品对所述预报要素的数值预报数据;
对各个所述预报要素的所述观测数据及所述数值预报数据进行评分检验或误差检验,以获得各个所述数值天气预报产品对所述预报要素的数值预报评分信息或数值预报误差信息;
根据所述数值预报评分信息或所述数值预报误差信息,对各个所述数值天气预报产品进行权重评估,以获得各个所述数值天气预报产品对所述预报要素的数值预报权重信息;
根据所述数值预报权重信息的权重值向预报员自动推荐用于预报所述预报要素的数值天气预报产品。
本发明的有益效果是:本发明针对过去的预设检验天数内,得出各个数值天气预报产品在不同预报时效上对预报要素的数值预报权重信息,数值预报权重信息即反应了各个数值天气预报产品对相应预报要素的预报性能,由此根据数值预报权重信息的权重值向预报员自动推荐用于预报的数值天气预报产品,也就是说,本发明能够根据不同数值天气预报产品模式的预报性能向预报员自动推荐最优最符合预报目标地区天气预报业务的数值天气预报产品,并能对最优的产品模式进行实时展示,为预报员的预报决策过程提供了更佳的客观产品支撑。
在上述技术方案的基础上,本发明还可以做如下改进。
可选的,所述预报要素包括降水、温度及高空要素场;
所述采集预报目标区域内不同预报要素的观测数据包括:
采集预报目标区域内各个观测站在所述预设检验天数内对所述降水及所述温度的观测数据;
将不同所述数值天气预报产品在所述预设检验天数内对所述高空要素场预报的零场数值预报数据作为所述高空要素场的所述观测数据,所述零场表示所述数值天气预报产品每次预报起始时间的分析场。
本发明采用上述可选方案的有益效果是,获得了目标区域内各个观测站观测到的不同预报要素的观测数据,且将零场数值预报数据作为高空要素场的观测数据。
可选的,所述评分检验的方式包括:TS评分;所述误差检验的方式包括:均方根误差RMSE;
所述对各个所述预报要素的所述观测数据及所述数值预报数据进行评分检验或误差检验,以获得各个所述数值天气预报产品对所述预报要素的数值预报评分信息或数值预报误差信息,包括:
采用所述TS评分对所述降水的所述观测数据及所述数值预报数据进行评分检验,以获得各个所述数值天气预报产品对所述降水的数值预报评分信息;
采用所述均方根误差RMSE对所述温度或所述高空要素场的所述观测数据及所述数值预报数据进行误差检验,以获得各个所述数值天气预报产品对所述温度或所述高空要素场的数值预报误差信息。
本发明采用上述可选方案的有益效果是,利用TS评分、RMSE误差等检验技术,对降水、温度及高空要素场等预报要素进行评分检验或误差检验,从而获得了各个数值天气预报产品对降水的数值预报评分信息、温度及高空要素场的数值预报误差信息,数值预报评分信息或数值预报误差信息,反应了各个数值天气预报产品对不同预报要素预报数据的准确度。
可选的,所述根据所述数值预报评分信息或所述数值预报误差信息,对各个所述数值天气预报产品进行权重评估,以获得各个所述数值天气预报产品对所述预报要素的数值预报权重信息,包括:
根据所述数值预报评分信息,对各个所述数值天气预报产品进行权重评估,以获得各个所述数值天气预报产品对所述降水的数值预报权重信息,所述权重评估方法如下:
式(1)中,所述Ii表示第i个所述数值天气预报产品的降水权重值,所述TSij为统计的第i个所述数值天气预报产品共j天对所述降水的所述数值预报评分信息,所述表示n个所述数值天气预报产品共j天对所述降水的所述数值预报评分信息,所述n表示所述数值天气预报产品的数量,所述 d表示所述预设检验天数。
本发明采用上述可选方案的有益效果是,根据数值预报评分信息对各个数值天气预报产品进行权重评估后获得降水权重值,降水权重值越大表示相应的数值天气预报产品的预报性能越优。
可选的,所述根据所述数值预报评分信息或所述数值预报误差信息,对各个所述数值天气预报产品进行权重评估,以获得各个所述数值天气预报产品对所述预报要素的数值预报权重信息,还包括:
根据所述数值预报误差信息,对各个所述数值天气预报产品进行权重评估,以获得各个所述数值天气预报产品对所述温度或所述高空要素场的数值预报权重信息,所述权重评估方法如下:
式(2)中,所述I′i表示第i个所述数值天气预报产品的温度权重值或高空要素场权重值,所述表示第i个所述数值天气预报产品共j天对所述温度或所述高空要素场的所述数值预报误差信息,所述表示n 个所述数值天气预报产品共j天对所述温度或所述高空要素场的所述数值预报误差信息,所述n表示所述数值天气预报产品的数量,所述d表示所述预设检验天数。
本发明采用上述可选方案的有益效果是,根据数值预报评分信息或数值预报误差信息对各个数值天气预报产品进行权重评估后获得温度权重值或高空要素场权重值,温度权重值或高空要素场权重值越小表示相应的数值天气预报产品的预报性能越优。
可选的,所述根据所述数值预报权重信息的权重值向预报员自动推荐用于预报所述预报要素的数值天气预报产品,包括:
根据所述降水权重值对各个所述数值天气预报产品进行权重排序以创建降水数值天气预报产品推荐列表,并根据所述降水数值天气预报产品推荐列表向所述预报员自动推荐用于预报所述降水的所述数值天气预报产品。
本发明采用上述可选方案的有益效果是,基于不同预报时效上各个数值天气预报产品的权重值,创建了针对降水的数值天气预报智能自动化推荐列表,从而实时向预报员自动推荐符合预报目标区域降水的最优模式的数值天气预报产品,对最优模式的预报产品进行实时展示,为预报决策过程提供更佳的客观产品支撑,对提高天气预报质量,服务目标地区经济发展,具有非常积极正面的意义。
可选的,所述根据所述数值预报权重信息的权重值向预报员自动推荐用于预报所述预报要素的数值天气预报产品,还包括:
根据所述温度权重值或所述高空要素场权重值对各个所述数值天气预报产品进行权重排序以创建温度数值天气预报产品推荐列表或高空要素场数值天气预报产品推荐列表,并根据所述温度数值天气预报产品推荐列表或所述高空要素场数值天气预报产品推荐列表向所述预报员自动推荐用于预报所述温度或所述高空要素场的所述数值天气预报产品。
本发明采用上述可选方案的有益效果是,基于不同预报时效上各个数值天气预报产品的权重值,创建了针对温度和高空要素场等预报要素的数值天气预报智能自动化推荐列表,从而实时向预报员自动推荐符合预报目标区域相应预报要素的最优模式的数值天气预报产品,对最优模式的预报产品进行实时展示,为预报决策过程提供更佳的客观产品支撑,对提高天气预报质量,服务目标地区经济发展,具有非常积极正面的意义。
可选的,所述采集预报目标区域内不同预报要素的观测数据,及在预设检验天数内不同数值天气预报产品对所述预报要素的数值预报数据,具体包括:
在预设检验天数内,每隔一个预设的降水检验时间间隔采集预报目标区域内各个观测站对所述降水的所述观测数据,及不同所述数值天气预报产品对所述降水的所述数值预报数据,并分别累计所述降水检验时间间隔内的所述观测数据及所述数值预报数据;
在预设检验天数内,每隔一个预设的温度检验时间间隔采集预报目标区域内各个观测站对所述温度的所述观测数据,及不同所述数值天气预报产品对所述温度的所述数值预报数据,但不累计所述温度检验时间间隔内的所述观测数据及所述数值预报数据;
在预设检验天数内,每隔一个预设的高空要素场检验时间间隔采集不同所述数值天气预报产品对所述高空要素场的所述数值预报数据,但不累计所述高空要素场检验时间间隔内的所述数值预报数据。
本发明采用上述可选方案的有益效果是,获得了预设检验天数内不同预报要素在不同时效上的观测数据和数值预报数据。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明一实施例提供的一种用于自动推荐数值天气预报产品的方法的流程图;
图2为本发明一实施例中降水站点检验智能推荐流程图;
图3为本发明一实施例中降水的智能推荐算法结构设计图;
图4为本发明一实施例中温度站点检验智能推荐流程图;
图5为本发明一实施例中高空要素场检验智能推荐流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明第一实施例提供一种用于自动推荐数值天气预报产品的方法,请参见图1,包括:
步骤S11,采集预报目标区域内不同预报要素的观测数据,及在预设检验天数内不同数值天气预报产品对预报要素的数值预报数据;本实施例中的数值天气预报产品包括:欧洲中期天气预报中心ECMWF、美国国家环境预报中心全球预报系统NECP_GFS、基于全球预报系统GRAPES的全球天气数值预报系统GRAPES_GFS和中尺度预报系统GRAPES_MESO、西南区域中尺度预报系统SWCWARMS、华东区域中心中尺度预报系统WARMS、重庆高分辨率数值预报系统CQMEPS等。
步骤S12,对各个预报要素的观测数据及数值预报数据进行评分检验或误差检验,以获得各个数值天气预报产品对预报要素的数值预报评分信息或数值预报误差信息。
步骤S13,根据数值预报评分信息或数值预报误差信息,对各个数值天气预报产品进行权重评估,以获得各个数值天气预报产品对预报要素的数值预报权重信息。
步骤S14,根据数值预报权重信息的权重值向预报员自动推荐用于预报预报要素的数值天气预报产品。
本发明第一实施例预报要素包括降水、温度及高空要素场,评分检验的方式包括:TS评分,误差检验的方式包括:均方根误差RMSE。高空要素场包括高度场、风场、温度场、相对湿度场。
在步骤S11中,采集预报目标区域内不同预报要素的观测数据具体包括:采集预报目标区域内各个观测站在预设检验天数内对降水及温度的观测数据(即降水和温度的实况数据是通过站点观测获得,采用的是站点的检验法),由于各个高空要素场观测站的站点观测的分辨率低,则在采集高空要素场的观测数据时,在预报目标区域内,将不同数值天气预报产品在预设检验天数内对高空要素场预报的零场数值预报数据作为高空要素场的观测数据,零场表示数值天气预报产品每次预报起始时间的分析场,在数值天气预报产品的分析场中,同化分析了高空探测站的高空要素场,在实际应用中一个预报起始时间的分析场表述为一个格点场,数值天气预报产品在该格点场预报的零场数值预报数据即为实际情况下高空要素场的观测数据,即通过将采集的数值天气预报产品的零场数值预报数据作为观测数据(即高空要素场的观测数据采用的是格点场的检验方法)。则步骤S11具体包括:在预设检验天数内(在本实施例中预设检验天数为三天,即72小时),每隔一个预设的降水检验时间间隔(本实施例中为12小时)采集预报目标区域内各个观测站(如648个重庆自动观测站及周围地区区域观测站)对降水的观测数据,及不同数值天气预报产品对降水的数值预报数据,并分别累计降水检验时间间隔内的观测数据及数值预报数据;在预设检验天数内,每隔一个预设的温度检验时间间隔(本实施例中为3小时)采集预报目标区域内各个观测站对温度的观测数据,及不同数值天气预报产品对温度的数值预报数据,但不累计温度检验时间间隔内的观测数据及数值预报数据;在预设检验天数内,每隔一个预设的高空要素场检验时间间隔(本实施例中为12小时)采集不同数值天气预报产品对高空要素场的数值预报数据,但不累计高空要素场检验时间间隔内的数值预报数据。从而获得了预设检验天数内不同预报要素在不同时效上的观测数据和数值预报数据。
可见,本发明针对过去的预设检验天数内,得出各个数值天气预报产品在不同预报时效上对预报要素的数值预报权重信息,数值预报权重信息即反应了各个数值天气预报产品对相应预报要素的预报性能,由此根据数值预报权重信息的权重值向预报员自动推荐用于预报的数值天气预报产品,也就是说,本发明能够根据不同数值天气预报产品模式的预报性能向预报员自动推荐最优最符合预报目标地区天气预报业务的数值天气预报产品,并能对最优的产品模式进行实时展示,为预报员的预报决策过程提供了更佳的客观产品支撑。
在步骤S12中,对各个预报要素的观测数据及数值预报数据进行评分检验或误差检验,以获得各个数值天气预报产品对预报要素的数值预报评分信息或数值预报误差信息,包括:
采用TS评分对降水的观测数据及数值预报数据进行评分检验,以获得各个数值天气预报产品对降水的数值预报评分信息;采用TS评分进行评分检验的检验方法如表1所示:
表1 则采用TS评分进行评分检验后获得的数值预报评分信息为:
式子(3)中,TSi为第i个数值天气预报产品对降水的数值预报评分信息的数值,NA是预报准确的观测站的站点数,NC是漏报的站点数,NB是空报的站点数,ND是实况和降水均没有的站点数情况,评分范围即TS值的取值范围为【0,1】,理想评分为1。为使上述公式(3)更加清楚明白,具体地,以数值天气预报产品为欧洲中期天气预报中心ECMWF的产品模式(以下简称ECMWF产品模式)在某年某月某日20时起预报小雨量级的降水预报,以12小时为一个降水检验时间间隔为例,小雨量级降水的TS评分如下:NA=353次,NB=163次,NC=17次,ND=105次,则ECMWF产品模式对降水的数值预报评分信息为:
TS=353/(353+163+17)=0.66。
其次,在步骤S12中,采用均方根误差RMSE对温度或高空要素场的观测数据及数值预报数据进行误差检验,以获得各个数值天气预报产品对温度或高空要素场的数值预报误差信息时,误差检验方法如下所示:
温度的均方根误差(rootmean square error)RMSE是,先求得需要检验的所有观测站点的数值预报数据与观测数据偏差的平方,再对数值预报数据与观测数据偏差的平方与各个观测站站点数量的比值取平方根,高空要素场的均方根误差(rootmean squareerror)RMSE是先求得预设检验天数内的数值预报数据与观测数据(即零场数值预报数据)的偏差的平方,再对数值预报数据与观测数据偏差的平方与所有格点场数量的比值取平方根,由此来衡量不同数值天气预报产品对各个预报要素的数值预报数据与观测数据这两个变量之间平均差异的一个参数,表示的是数值预报数据与观测数据两个变量的平均偏离程度,其大小反应了预报效果的好坏,则采用均方根误差 RMSE评分进行误差检验获得的温度或高空要素场的数值预报误差信息为:
式子(4)中,RMSEi值表示第i个数值天气预报产品对温度的数值预报误差信息时,N为预报目标区域内的需要检验的观测站站点的个数时,FI表示第i个数值天气预报产品对第I个站点的温度的数值预报数据,QI表示第 I个站点观测的温度的观测数据。RMSEi值表示第i个数值天气预报产品对高空要素场的数值预报误差信息时,N为预报目标区域在预设检验天数内格点场的个数,FI表示第i个数值天气预报产品在第I个格点场对高空要素场的数值预报数据,QI表示第I个格点场的高空要素场的观测数据。且RMSEi值的取值范围为【0,+∞),数值预报误差信息越小表示数值天气预报产品对相应预报要素的预报误差越小,预报性能优,反之表示预报误差越大,可预报性不强,由此通过均方根误差RMSE反映了该区域内各个数值天气预报产品的误差幅度的平均状况。
具体地,为使式子(4)更加清楚明白,以ECMWF产品模式在某日20 时起预报地面2米温度为例,预报的温度检验时间间隔为3小时,预报目标区域内的需要检验的观测站站点的个数为N=635时,对635个站点观测到的观测数据及ECMWF产品模式对温度预报的数值预报数据统计后得出:此时,则ECMWF产品模式对温度的数值预报误差信息RMSE=1.555388。以ECMWF产品模式在某日20时起预报高空要素场的 500hPa高度场为例,预报的高空要素场检验时间间隔为12小时,预设检验天数内格点场的个数为N=39933时,ECMWF产品模式对预设检验天数内的数值预报数据与39933个格点场上的观测数据(即零场数值预报数据)进行统计后得出:则ECMWF产品模式对高度场的数值预报误差信息RMSE=3.944239。
可见,本实施例利用TS评分检验技术对降水进行评分检验,利用RMSE 误差检验技术对温度及高空要素场等预报要素进行误差检验,从而获得了各个数值天气预报产品对降水的数值预报评分信息、温度及高空要素场的数值预报误差信息,数值预报评分信息或数值预报误差信息,反应了各个数值天气预报产品对不同预报要素预报数据的准确度。
具体地,在步骤S13中,根据数值预报评分信息或数值预报误差信息对各个数值天气预报产品进行权重评估,以获得各个数值天气预报产品对预报要素的数值预报权重信息,包括:
根据数值预报评分信息对各个数值天气预报产品进行权重评估,以获得各个数值天气预报产品对降水的所述数值预报权重信息,权重评估方法如下:
式(1)中,Ii表示第i个数值天气预报产品的降水权重值,且降水权重值Ii的取值范围为【0,1】,所述TSij表示第i个数值天气预报产品共j天对降水的数值预报评分信息,所述表示n个数值天气预报产品共j天对降水的数值预报评分信息,n表示数值天气预报产品的数量,d表示预设检验天数。
为使式(1)更加清楚明白,本实施例以ECMWF产品模式、全球天气数值预报系统GRAPES_GFS、中尺度预报系统GRAPES_MESO、西南区域中尺度预报系统SWCWARMS、华东区域中心中尺度预报系统WARMS、重庆高分辨率数值预报系统CQMEPS等六个产品模式在某日20时起对小雨量级的降水进行预报为例,检验过去3天内(即d=3)的预报情况,其中n=6,设定i为1-6时分别表示ECMWF、GRAPES_GFS、GRAPES_MESO、 SWCWARMS、WARMS及CQMEPS的降水权重值,则统计出ECMWF产品模式共3天对降水的数值预报评分信息为TS13=0.598,其他五个产品模式共3天对降水的数值预报评分信息分别为TS23=0.337,TS33=0.545, TS43=0.416,TS53=0.418,TS63=0.540,则ECMWF产品模式的降水权重值为:
I1=0.598/(0.598+0.337+0.545+0.416+0.418+0.540)=0.210。
全球天气数值预报系统GRAPES_GFS产品模式的降水权重值为:
I2=0.337/(0.598+0.337+0.545+0.416+0.418+0.540)=0.118。
中尺度预报系统GRAPES_MESO的降水权重值为:
I3=0.545/(0.598+0.337+0.545+0.416+0.418+0.540)=0.191。
西南区域中尺度预报系统SWCWARMS的降水权重值为:
I4=0.416/(0.598+0.337+0.545+0.416+0.418+0.540)=0.146。
华东区域中心中尺度预报系统WARMS的降水权重值为:
I5=0.418/(0.598+0.337+0.545+0.416+0.418+0.540)=0.147。
重庆高分辨率数值预报系统CQMEPS的降水权重值为:
I6=0.540/(0.598+0.337+0.545+0.416+0.418+0.540)=0.189。
由上可知,I1>I3>I6>I5>I4>I2,因此ECMWF产品模式的降水权重值最大,此时,表示ECMWF产品模式对小雨量级的降水的预报性能最优,优先推荐ECMWF产品模式来对小雨量级的降水进行预报。本发明实施例根据数值预报评分信息对各个数值天气预报产品进行权重评估后获得降水权重值,降水权重值越大表示相应的数值天气预报产品的预报性能越优。
在步骤S13中,根据数值预报评分信息或数值预报误差信息对各个数值天气预报产品进行权重评估,以获得各个数值天气预报产品对预报要素的数值预报权重信息,还包括:根据数值预报误差信息对各个数值天气预报产品进行权重评估,以获得各个数值天气预报产品对温度或高空要素场的数值预报权重信息,权重评估方法如下:
式(2)中,I′i表示第i个数值天气预报产品的温度权重值或高空要素场权重值,且温度权重值或高空要素场权重值I′i的取值范围为【0,1】,表示第i个数值天气预报产品共j天对温度或高空要素场的数值预报误差信息,表示n个数值天气预报产品共j天对温度或高空要素场的数值预报误差信息,n表示数值天气预报产品的数量,d表示预设检验天数。本发明实施例根据数值预报评分信息或数值预报误差信息对各个数值天气预报产品进行权重评估后获得温度权重值或高空要素场权重值,温度权重值或高空要素场权重值越小表示相应的数值天气预报产品的预报性能越优。
为使式(2)更加清楚明白,本实施例以ECMWF产品模式、全球天气数值预报系统GRAPES_GFS、中尺度预报系统GRAPES_MESO、西南区域中尺度预报系统SWCWARMS、华东区域中心中尺度预报系统WARMS、重庆高分辨率数值预报系统CQMEPS等六个产品模式在某日20时起对地面2 米温度进行预报为例,检验过去3天内(即d=3)的预报情况,其中n=6,设定i为1-6时分别表示ECMWF、GRAPES_GFS、GRAPES_MESO、SWCWARMS、WARMS及CQMEPS的温度权重值,则统计出ECMWF产品模式共3天对温度的数值预报误差信息RMSE13=1.497,及其他五个产品模式共3天对降水的数值预报误差信息分别为RMSE23=4.571,RMSE33=2.707, RMSE43=1.677,RMSE53=3.176,RMSE63=1.730,则ECMWF产品模式的温度权重值为:
I′1=1.497/(1.497+4.571+2.707+1.677+3.176+1.730)=0.097。
全球天气数值预报系统GRAPES_GFS产品模式的温度权重值为:
I′2=4.571/(1.497+4.571+2.707+1.677+3.176+1.730)=0.298。
中尺度预报系统GRAPES_MESO的温度权重值为:
I′3=2.707/(1.497+4.571+2.707+1.677+3.176+1.730)=0.176。
西南区域中尺度预报系统SWCWARMS的温度权重值为:
I′4=1.677/(1.497+4.571+2.707+1.677+3.176+1.730)=0.109。
华东区域中心中尺度预报系统WARMS的温度权重值为:
I′5=3.176/(1.497+4.571+2.707+1.677+3.176+1.730)=0.207。
重庆高分辨率数值预报系统CQMEPS的温度权重值为:
I′6=1.730/(1.497+4.571+2.707+1.677+3.176+1.730)=0.113。
由上可知,I′2>I′5>I′3>I′6>I′4>I′1,因此ECMWF产品模式的温度权重值最小,此时,表示ECMWF产品模式对温度的预报性能最优,优先推荐 ECMWF产品模式来对地面2米温度进行预报。
其次,本实施例以ECMWF产品模式、全球天气数值预报系统 GRAPES_GFS、中尺度预报系统GRAPES_MESO、西南区域中尺度预报系统SWCWARMS等四个产品模式在某日20时起对高空要素场中的500hPa 高度场进行预报为例,检验过去3天内(即d=3)的预报情况,其中n=4,设定i为1-4时分别表示ECMWF、GRAPES_GFS、GRAPES_MESO及 SWCWARMS的高度场权重值,则统计出ECMWF产品模式共3天对高度场的数值预报误差信息为RMSE13=3.522,及其他五个产品模式共3天对降水的数值预报评分信息分别为RMSE23=0.373,RMSE33=24.863,RMSE43=6.084,则 ECMWF产品模式的高度场权重值为:
I′1=3.522/(3.522+0.373+24.863+6.084)=0.101。
全球天气数值预报系统GRAPES_GFS产品模式的高度场权重值为:
I′2=0.373/(3.522+0.373+24.863+6.084)=0.011。
中尺度预报系统GRAPES_MESO的高度场权重值为:
I′3=24.863/(3.522+0.373+24.863+6.084)=0.714。
西南区域中尺度预报系统SWCWARMS的高度场权重值为:
I′4=6.084/(3.522+0.373+24.863+6.084)=0.175。
由上可知,I′3>I′4>I′1>I′2,因此全球天气数值预报系统GRAPES_GFS产品模式的高度场权重值最小,此时,表示全球天气数值预报系统 GRAPES_GFS产品模式对高度场的预报性能最优,优先推荐全球天气数值预报系统GRAPES_GFS产品模式来对高空要素场中的500hPa高度场进行预报。
具体地,在步骤S14中,根据数值预报权重信息的权重值向预报员自动推荐用于预报预报要素的数值天气预报产品,包括:根据降水权重值对各个数值天气预报产品进行权重排序以创建降水数值天气预报产品推荐列表,并根据降水数值天气预报产品推荐列表向预报员自动推荐用于预报降水的数值天气预报产品。和/或,根据温度权重值或高空要素场权重值对各个数值天气预报产品进行权重排序以创建温度数值天气预报产品推荐列表或高空要素场数值天气预报产品推荐列表,并根据温度数值天气预报产品推荐列表或高空要素场数值天气预报产品推荐列表向预报员自动推荐用于预报温度或高空要素场的数值天气预报产品。
本发明实施例基于不同预报时效上各个数值天气预报产品的权重值,创建了针对降水、温度和高空要素场等预报要素的数值天气预报智能自动化推荐列表,从而实时向预报员自动推荐符合预报目标区域相应预报要素的最优模式的数值天气预报产品,对最优模式的预报产品进行实时展示,为预报决策过程提供更佳的客观产品支撑,对提高天气预报质量,服务目标地区经济发展,具有非常积极正面的意义。
本发明第二实施例,本发明实施例是在上述两个实施例的基础上,结合附图1-5介绍一个本发明的应用实例。
本应用实施例,基于欧洲中期天气预报中心ECMWF、美国国家环境预报中心全球预报系统NECP_GFS、基于全球预报系统GRAPES的全球天气数值预报系统GRAPES_GFS和中尺度预报系统GRAPES_MESO、西南区域中尺度预报系统SWCWARMS、华东区域中心中尺度预报系统WARMS、重庆高分辨率数值预报系统CQMEPS等数值天气预报产品,在预设检验天数3 天内(即72小时内),利用TS评分、均方根误差RMSE等检验技术,对降水、温度及高空要素场等预报要素进行评分检验或误差检验后,根据获取不同数值预报误差信息来获得各个数值天气预报产品对各个预报要素的权重值,进而根据权重值的大小向预报员自动推荐针对目标预报区域的预报性能更优的数值天气预报产品。
具体参见图2,自动推荐用于预报降水的数值天气预报时,包括如下流程:
11)数据采集:在72小时内,以12小时为一个降水检验时间间隔,每隔12小时采集一次重庆自动站及周围观测站等648个站点对降水的观测数据,并累计过去12小时内的观测数据,从而获取648个重庆自动站及周围地区区域观测站站点在不同时效下对降水的观测数据,同时,每隔12小时采集各个数值天气预报产品模式(如欧洲中期天气预报中心ECMWF、美国国家环境预报中心全球预报系统NECP_GFS、基于全球预报系统GRAPES 的全球天气数值预报系统GRAPES_GFS和中尺度预报系统GRAPES_MESO、西南区域中尺度预报系统SWCWARMS、华东区域中心中尺度预报系统WARMS、重庆高分辨率数值预报系统CQMEPS等)对648 个站点的数值预报数据,并对过去12小时内的数值预报数据进行累计,获得不同模式的数值天气预报产品对648个站点在不同时效下对降水的数值预报数据。12)数据预处理:将不同数值天气预报产品对648个站点在不同时效下对降水的数值预报数据分别插值到各个站点,由此,获得648个站点在不同时效下降水的观测数据及数值预报数据等降水数据。13)降水检验:对 648个重庆自动站及周围地区区域观测站观测的降水数据进行不同量级的降水进行TS评分检验,以获得各个数值天气预报产品对降水的数值预报评分信息,然后对检验结果数值预报评分信息的数值以图形的形式进行展示。14) 降水智能推荐:对从不同量级的降水的TS评分结果(即步骤13)中获得的数值预报评分信息的数值)进行权重计算,以获得各个数值天气预报产品对降水的数值预报权重信息,根据数值预报权重信息的权重值智能推荐用于预报降水的数值天气预报产品,降水权重值的权重比例越大表示相应数值天气预报产品的预报性能越优,进行根据大小对权重值进行排序,形成智能推荐的列表并以图形的形式进行展示。
具体的,如图3所示,本应用实施例还提供了降水智能推荐算法结构图,进一步展示了向预报员智能推荐预报性能更优的用于预报降水的数值天气预报产品的过程,包括如下步骤:S21:读取降水的观测数据和不同产品模式下数值预报数据的参数设置;S22:读取智能推荐初始检验时间和检验时间天数;S23:读取TS评分检验过程所需数据,包括不同时效下降水的观测数据及数值预报数据;S24:根据不同量级降水的观测数据及数值预报数据进行TS评分检验;S25:输出所有产品模式的TS评分检验结果;S26:对所有TS评分检验结果进行权重计算;S27:权重结果输出。由此,本发明应用实例能够根据输出的权重结果,向预报员自动推荐最优最符合预报目标地区天气预报业务的数值天气预报产品,并能对最优的产品模式进行实时展示,为预报员的预报决策过程提供了更佳的客观产品支撑。
具体参见图4,自动推荐用于预报温度的数值天气预报产品时,包括如下流程:21)数据采集:在72小时内,以3小时为一个温度检验时间间隔,每隔3小时采集一次重庆自动站及周围观测站站点观测到的温度的观测数据,但不对过去3小时内的观测数据进行累计,获得648个重庆自动站及周围地区区域观测站站点在不同时效下的对温度的观测数据。同时,每隔3小时采集一次各个产品模式的数值天气预报产品对648个站点的温度的数值预报数据,但不对过去3小时内的数值预报数据进行累计,从而获得不同模式的数值天气预报产品对648个站点在不同时效下的对温度的数值预报数据。
22)数据预处理:将不同模式的数值天气预报产品对648个站点在不同时效下的对温度的数值预报数据插值到648个站点,由此,获得648个站点在不同时效下温度的观测数据及数值预报数据等温度数据。23)温度误差检验:对648个重庆自动站及周围地区区域观测站站点的温度数据进行RMSE 误差检验,采用均方根误差RMSE对温度的观测数据及数值预报数据进行误差检验的误差检验方法为:先求得需要检验的所有观测站点的数值预报数据与观测数据偏差的平方,再对数值预报数据与观测数据偏差的平方与各个观测站站点数量的比值取平方根,由此来衡量数值预报数据与观测数据这两个变量之间平均差异的一个参数,表示的是数值预报数据与观测数据两个变量的平均偏离程度,其大小反应了预报效果的好坏,则采用均方根误差RMSE 误差进行误差检验获得的温度的数值预报误差信息,数值预报误差信息(参见式子(4))越小表示数值天气预报产品对相应预报要素的预报误差越小,预报性能优,反之表示预报误差越大,可预报性不强,由此通过均方根误差 RMSE反映了该区域内各个数值天气预报产品的误差幅度的平均状况。
24)温度智能推荐:对温度的RMSE评分结果进行权重计算,从而根据计算出的权重值对预报温度的数值天气预报产品进行推荐。权重计算方法参见式子(2)。
25)图形展示:温度权重值的权重比例越小表示越优,然后对权重值按大小进行排序,形成智能推荐的列表并以图形的形式进行展示。
具体参见图5,自动推荐用于预报高空要素场的数值天气预报产品时,包括如下流程:
31)数据采集:采集过去3天内各个产品模式的零场数值预报数据的 GRIB格式的码源数据作为实况观测数据,采集各个产品模式对高空要素场 (如高度场、风场、温度场、相对湿度场)的数值预报数据的GRIB格式的码源数据;
32)数据预处理:对零场数值预报数据的GRIB格式的码源数据进行解码,以获取不同产品模式下高空要素场的实况下的零场数值预报数据的信息 (即实际的观测数据)。将不同数值预报数据的GRIB格式的码源数据进行解码到高空要素场,获得高空要素场的观测数据和数值预报数据;
33)高空要素场检验:对不同产品模式下不同高空要素场的观测数据和数值预报数据进行RMSE误差检验,检验方法如下:
先求得预设检验天数内的数值预报数据与所有格点场的观测数据(即零场数值预报数据)偏差的平方,再对数值预报数据与观测数据(即零场数值预报数据)偏差的平方与所有格点场数量的比值取平方根,由此来衡量高空要素场数值预报数据与观测数据这两个变量之间平均差异的一个参数,该参数表示的是数值预报数据与观测数据两个变量的平均偏离程度,其大小反应了预报效果的好坏,则采用均方根误差RMSE进行误差检验获得的高空要素场的数值预报误差信息(参见式子(4)),数值预报误差信息越小表示数值天气预报产品对相应预报要素的预报误差越小,预报性能优,反之表示预报误差越大,可预报性不强,由此通过均方根误差RMSE反映了该区域内各个数值天气预报产品的误差幅度的平均状况。
34)高空要素场智能推荐:对不同高空要素场的RMSE误差检验结果进行权重计算,对不同高空要素场推荐更优的产品模式。根据RMSE评分检验结果对各个数值天气预报产品进行权重评估,以获得各个数值天气预报产品对高空要素场的数值预报权重信息,权重评估方法请参见式子(2),在此不再赘述。
35)图形展示:高空要素场权重值的权重比例越小表示越优,然后对权重值按大小进行排序,形成智能推荐的列表并以图形的形式进行展示。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指控制用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (8)
1.一种用于自动推荐数值天气预报产品的方法,其特征在于,包括:
采集预报目标区域内不同预报要素的观测数据,及在预设检验天数内不同数值天气预报产品对所述预报要素的数值预报数据;
对各个所述预报要素的所述观测数据及所述数值预报数据进行评分检验或误差检验,以获得各个所述数值天气预报产品对所述预报要素的数值预报评分信息或数值预报误差信息;
根据所述数值预报评分信息或所述数值预报误差信息,对各个所述数值天气预报产品进行权重评估,以获得各个所述数值天气预报产品对所述预报要素的数值预报权重信息;
根据所述数值预报权重信息的权重值向预报员自动推荐用于预报所述预报要素的数值天气预报产品。
2.如权利要求1所述的用于自动推荐数值天气预报产品的方法,其特征在于,所述预报要素包括降水、温度及高空要素场;
所述采集预报目标区域内不同预报要素的观测数据包括:
采集预报目标区域内各个观测站在所述预设检验天数内对所述降水及所述温度的观测数据;
将不同所述数值天气预报产品在所述预设检验天数内对所述高空要素场预报的零场数值预报数据作为所述高空要素场的所述观测数据,所述零场表示所述数值天气预报产品每次预报起始时间的分析场。
3.如权利要求2所述的用于自动推荐数值天气预报产品的方法,其特征在于,所述评分检验的方式包括:TS评分;所述误差检验的方式包括:均方根误差RMSE;
所述对各个所述预报要素的所述观测数据及所述数值预报数据进行评分检验或误差检验,以获得各个所述数值天气预报产品对所述预报要素的数值预报评分信息或数值预报误差信息,包括:
采用所述TS评分对所述降水的所述观测数据及所述数值预报数据进行评分检验,以获得各个所述数值天气预报产品对所述降水的数值预报评分信息;
采用所述均方根误差RMSE对所述温度或所述高空要素场的所述观测数据及所述数值预报数据进行误差检验,以获得各个所述数值天气预报产品对所述温度或所述高空要素场的数值预报误差信息。
4.如权利要求3所述的用于自动推荐数值天气预报产品的方法,其特征在于,所述根据所述数值预报评分信息或所述数值预报误差信息,对各个所述数值天气预报产品进行权重评估,以获得各个所述数值天气预报产品对所述预报要素的数值预报权重信息,包括:
根据所述数值预报评分信息,对各个所述数值天气预报产品进行权重评估,以获得各个所述数值天气预报产品对所述降水的数值预报权重信息,所述权重评估方法如下:
5.如权利要求3所述的用于自动推荐数值天气预报产品的方法,其特征在于,所述根据所述数值预报评分信息或所述数值预报误差信息,对各个所述数值天气预报产品进行权重评估,以获得各个所述数值天气预报产品对所述预报要素的数值预报权重信息,还包括:
根据所述数值预报误差信息,对各个所述数值天气预报产品进行权重评估,以获得各个所述数值天气预报产品对所述温度或所述高空要素场的数值预报权重信息,所述权重评估方法如下:
6.如权利要求4所述的用于自动推荐数值天气预报产品的方法,其特征在于,所述根据所述数值预报权重信息的权重值向预报员自动推荐用于预报所述预报要素的数值天气预报产品,包括:
根据所述降水权重值对各个所述数值天气预报产品进行权重排序以创建降水数值天气预报产品推荐列表,并根据所述降水数值天气预报产品推荐列表向所述预报员自动推荐用于预报所述降水的所述数值天气预报产品。
7.如权利要求5所述的用于自动推荐数值天气预报产品的方法,其特征在于,所述根据所述数值预报权重信息的权重值向预报员自动推荐用于预报所述预报要素的数值天气预报产品,还包括:
根据所述温度权重值或所述高空要素场权重值对各个所述数值天气预报产品进行权重排序以创建温度数值天气预报产品推荐列表或高空要素场数值天气预报产品推荐列表,并根据所述温度数值天气预报产品推荐列表或所述高空要素场数值天气预报产品推荐列表向所述预报员自动推荐用于预报所述温度或所述高空要素场的所述数值天气预报产品。
8.如权利要求2所述的用于自动推荐数值天气预报产品的方法,其特征在于,所述采集预报目标区域内不同预报要素的观测数据,及在预设检验天数内不同数值天气预报产品对所述预报要素的数值预报数据,具体包括:
在预设检验天数内,每隔一个预设的降水检验时间间隔采集预报目标区域内各个观测站对所述降水的所述观测数据,及不同所述数值天气预报产品对所述降水的所述数值预报数据,并分别累计所述降水检验时间间隔内的所述观测数据及所述数值预报数据;
在预设检验天数内,每隔一个预设的温度检验时间间隔采集预报目标区域内各个观测站对所述温度的所述观测数据,及不同所述数值天气预报产品对所述温度的所述数值预报数据,但不累计所述温度检验时间间隔内的所述观测数据及所述数值预报数据;
在预设检验天数内,每隔一个预设的高空要素场检验时间间隔采集不同所述数值天气预报产品对所述高空要素场的所述数值预报数据,但不累计所述高空要素场检验时间间隔内的所述数值预报数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011224756.6A CN112464158A (zh) | 2020-11-05 | 2020-11-05 | 一种用于自动推荐数值天气预报产品的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011224756.6A CN112464158A (zh) | 2020-11-05 | 2020-11-05 | 一种用于自动推荐数值天气预报产品的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112464158A true CN112464158A (zh) | 2021-03-09 |
Family
ID=74825133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011224756.6A Pending CN112464158A (zh) | 2020-11-05 | 2020-11-05 | 一种用于自动推荐数值天气预报产品的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464158A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095690A (zh) * | 2021-04-16 | 2021-07-09 | 中国气象局气象探测中心 | 地面观测站基本要素的质量滚动评估方法和装置 |
CN115827710A (zh) * | 2022-12-20 | 2023-03-21 | 中国民用航空局空中交通管理局航空气象中心 | 一种气象要素多模式预报结果的筛选方法及系统 |
CN117994545A (zh) * | 2024-04-07 | 2024-05-07 | 南京气象科技创新研究院 | 基于图像匹配概率的气象要素预报误差综合评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105808948A (zh) * | 2016-03-08 | 2016-07-27 | 中国水利水电科学研究院 | 一种自动修正的多模式数值降雨集合预报方法 |
CN108491877A (zh) * | 2018-03-20 | 2018-09-04 | 国家气象中心 | 一种分类对流天气概率预报方法及装置 |
CN109615236A (zh) * | 2018-12-13 | 2019-04-12 | 深圳市气象局 | 降水预报模式检验评分方法、系统、终端及存储介质 |
CN111352174A (zh) * | 2020-03-20 | 2020-06-30 | 山东省气象科学研究所 | 一种数值天气预报及格点客观预报产品选优方法 |
-
2020
- 2020-11-05 CN CN202011224756.6A patent/CN112464158A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105808948A (zh) * | 2016-03-08 | 2016-07-27 | 中国水利水电科学研究院 | 一种自动修正的多模式数值降雨集合预报方法 |
CN108491877A (zh) * | 2018-03-20 | 2018-09-04 | 国家气象中心 | 一种分类对流天气概率预报方法及装置 |
CN109615236A (zh) * | 2018-12-13 | 2019-04-12 | 深圳市气象局 | 降水预报模式检验评分方法、系统、终端及存储介质 |
CN111352174A (zh) * | 2020-03-20 | 2020-06-30 | 山东省气象科学研究所 | 一种数值天气预报及格点客观预报产品选优方法 |
Non-Patent Citations (3)
Title |
---|
中国环境科学学会: "《中国环境科学学会学术年会论文集 2012 第3卷》", 30 June 2012, 中国农业大学出版社, pages: 2012 * |
孙婵 等: ""GRAPES_Meso中尺度模式在新疆沙漠地区的检验与评估"", 《气象科技》, vol. 45, no. 4, 31 August 2017 (2017-08-31), pages 658 - 668 * |
屠妮妮;何光碧;衡志炜;吴蓬萍;王伟;: "基于MET系统对SWCWARMS及GRAPES模式在西南地区的站点检验分析", 高原山地气象研究, no. 02, 15 June 2016 (2016-06-15) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095690A (zh) * | 2021-04-16 | 2021-07-09 | 中国气象局气象探测中心 | 地面观测站基本要素的质量滚动评估方法和装置 |
CN115827710A (zh) * | 2022-12-20 | 2023-03-21 | 中国民用航空局空中交通管理局航空气象中心 | 一种气象要素多模式预报结果的筛选方法及系统 |
CN115827710B (zh) * | 2022-12-20 | 2023-06-27 | 中国民用航空局空中交通管理局航空气象中心 | 一种气象要素多模式预报结果的筛选方法及系统 |
CN117994545A (zh) * | 2024-04-07 | 2024-05-07 | 南京气象科技创新研究院 | 基于图像匹配概率的气象要素预报误差综合评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112464158A (zh) | 一种用于自动推荐数值天气预报产品的方法及系统 | |
CN111045117B (zh) | 一种气候监测预测平台 | |
CN107066831B (zh) | 一种区域综合环境评价方法、装置及系统 | |
Allen et al. | A severe thunderstorm climatology for Australia and associated thunderstorm environments | |
CN110263392A (zh) | 基于多模式分区误差检验的风场预报方法及其系统 | |
CN108802856B (zh) | 一种基于ai的源数据动态修正预报系统及其工作方法 | |
CN113282576B (zh) | 一种气象数据质量控制方法 | |
CN113033957A (zh) | 一种多模式降水预报及实时动态检验评估系统 | |
CN112257962B (zh) | 一种台区线损预测方法及装置 | |
CN113176420A (zh) | 一种针对电网杆塔点的风速预报订正系统 | |
Fundel et al. | Calibrated precipitation forecasts for a limited-area ensemble forecast system using reforecasts | |
CN111563660A (zh) | 一种架空输电线路覆冰预报检验评估方法 | |
CN106530841B (zh) | 机场延误预测方法及装置 | |
CN110390343A (zh) | 一种空间气象数据的订正方法及系统 | |
CN116184533A (zh) | 一种基于新型权重系数的逐小时时间滞后集合降水预报订正方法 | |
CN116702588A (zh) | 一种基于多源数据的风电场关键气象因子预报方法及系统 | |
CN113960700B (zh) | 区域数值预报结果的客观检验、统计及分析系统 | |
CN113282883B (zh) | 一种逐日降水数据综合插值方法 | |
CN115060323A (zh) | 一种智慧城市环境影响评估装置及方法 | |
CN111599162A (zh) | 报文的测试方法、装置及系统 | |
CN110174713B (zh) | 一种电力线路强对流天气监测预警方法及装置 | |
CN113255962A (zh) | 一种多模式海浪集成预报系统及方法 | |
WO2020105151A1 (ja) | 設備保守点検支援システム及び点検順序決定方法 | |
CN112632799A (zh) | 输电线路设计风速取值方法及装置 | |
CN112256693A (zh) | 一种预测线路故障停电和用户投诉的方法 |
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 |