CN112711083B - 基于自适应权重特征的多源降水数据动态融合方法及系统 - Google Patents
基于自适应权重特征的多源降水数据动态融合方法及系统 Download PDFInfo
- Publication number
- CN112711083B CN112711083B CN202110020658.9A CN202110020658A CN112711083B CN 112711083 B CN112711083 B CN 112711083B CN 202110020658 A CN202110020658 A CN 202110020658A CN 112711083 B CN112711083 B CN 112711083B
- Authority
- CN
- China
- Prior art keywords
- data
- precipitation
- rainfall
- forecast
- fusion
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于自适应权重特征的多源降水数据动态融合方法及系统。该方法通过建立短临降水集成预报数据集,将历史降水实况与基于雷达外推、数值天气模式和人工智能的预报降水建立数学模型,计算最优权重系数并建立权重系数特征库,将实时预报降水与建立的权重系数特征库进行匹配,搜索最优权重系数,计算融合预报降水并动态订正,从而提高短临降水预报的准确性。
Description
技术领域
本发明涉及天气预报技术领域,特别涉及一种基于自适应权重特征的多源降水数据动态融合方法及系统。
背景技术
短临降水预报一般指未来6小时以内的降水天气预报,它的研究对象是中小尺度对流性天气系统,其机理结构复杂,生消演变难以用数学模型描述,是长期以来的一项世界难题。
短临降水预报方法包括基于雷达的临近外推预报、基于数值天气模式的中长期预报以及基于数值预报数据的人工智能预报,它们分别在预报时效上表现出不同的预报技巧。
基于雷达的临近外推预报无法表征外推过程中的降水粒子的生消和演变过程,其预报误差随着外推时效的增加往往会显著上升。数值模式起始阶段存在的“Spin-up”现象,无论是缺乏高分辨率观测资料的无云状态冷启动,或是增加初始场的有云状态热启动,模式在起始阶段的预报偏差较大,尤其在0-2小时以内不及雷达外推预报效果好。人工智能预报是应用海量数据、深度学习、复杂神经网络等技术,在一定程度上弥补了传统方法在短临预报中的时效性及准确性的不足,但是无法从天气学角度描述大气中水汽条件的生消发展及其微物理过程。
外推临近预报、数值模式及人工智能预报的融合是提高0-6小时降水临近预报的有效途径,关键问题是如何得出一组最优的权重系数,以充分兼顾雷达外推、数值模式和人工智能在各自领域的优势,从而实现在整个预报时效的预报准确率的提升。
发明内容
本发明的目的在于提供一种基于自适应权重特征的多源降水数据动态融合方法及系统,,以解决现有预报业务中多模式的短临降水预报数据融合问题。
为实现上述目的,本发明的技术方案是:一种基于自适应权重特征的多源降水数据动态融合方法,包括如下步骤:
步骤S1、数据获取及网格标准化处理:
获取历史雨量计降水实况数据,以及雷达外推、数值天气模式和人工智能三组降水预报数据集,并进行标准化网格处理;
步骤S2、构建降水集成预报数据集:
由步骤S1得到的标准化网格数据,每个网格包括雨量计降水实况观测数据Rg、基于雷达外推的降水数据Rr、数值天气模式降水数据Rm和人工智能降水预报数据Rz;
步骤S3、构建融合数学模型:
根据每个网格的雨量计降水实况观测数据Rg,与基于雷达外推的降水数据Rr、数值天气模式降水数据Rm、人工智能降水预报数据Rz,建立非线性函数数学模型:
步骤S4、计算权重系数:
利用泰勒级数展开式,将非线性函数数学模型展开为泰勒级数,进行逐次线性逼近,通过最小二乘法计算得到一组最优参数ai、bi、ci,即最优降水融合的权重系数;
步骤S5、计算融合预报偏差ΔG:
根据最优降水融合的权重系数,计算得到融合后预报降水Gmix
Gmix=aRr+bRm+cRz
融合降水预报与实况降水偏差ΔG为
ΔG=Gmix-Rg
步骤S6、建立权重系数特征库:
对所有网格,根据非线性函数数学模型,可得到历史最优降水融合的权重系数数据集{(a1,b1,c1,Gmix1,ΔG1)、(a2,b2,c2,Gmix2,ΔG2)…}t1、{(a1,b1,c1,Gmix1,ΔG1)、(a2,b2,c2,Gmix2,ΔG2)…}t2、{(a1,b1,c1,Gmix1,ΔG1)、(a2,b2,c2,Gmix2,ΔG2)…}t3…,即建立权重系数特征库,其中t1、t2、t3…表示时间序列,Gmix为融合后预报降水,ΔGi表示融合降水预报与实况降水偏差;
步骤S7、自适应权重系数匹配:
输入当前降水预报数据,与建立的权重系数特征库进行匹配,按最佳判别函数CTF,可在权重系数特征库中搜索匹配与当前降水预报数据最接近的最优降水融合的权重系数;
最佳判别函数CTF:
其中,Rxi表示权重系数特征库中各模式预报值,Rx'表示实时各模式预报值,N表示历史时间序列;
步骤S8、融合预报降水实时订正:
根据动态匹配结果,得到最优降水融合的权重系数(a,b,c)及特征参数(G'mix,ΔG'),通过建立的非线性函数数学模型,得到融合预报降水
Gmixi=aRri+bRmi+cRzi
其中,Ri表示网格i对应的雷达估测降水;
考虑融合降水预报与实况降水偏差,利用特征参数(G'mix,ΔG')进行如下订正:
在本发明一实施例中,步骤S1中,所述标准化网格处理方式为采用插值及降尺度方式,将数据统一处理成相同分辨率。
在本发明一实施例中,步骤S2中,标准化网格数据为标准化的800ⅹ800网格数据,每个网格的分辨率为1kmⅹ1km。
在本发明一实施例中,步骤S2中,基于雨量计降水实况观测数据Rg、基于雷达外推的降水数据Rr、数值天气模式降水数据Rm和人工智能降水预报数据Rz建立降水预报数据集。
本发明还提供了一种基于自适应权重特征的多源降水数据动态融合系统,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上述所述的方法步骤。
相较于现有技术,本发明具有以下有益效果:
(1)本发明提出自适应权重参数特征,对雷达外推、数值天气模式和人工智能三组降水预报数据自动匹配不同权重系数,相对固定权重系数的降水融合方法,更加灵活可靠。
(2)本发明对融合后的降水预报,利用历史库中对应的融合偏差,对当前的融合降水进行动态订正,进一步提高了降水融合产品的准确性,也为降水偏差订正提供一种新的参考。
附图说明
图1为本发明一种基于自适应权重特征的多源短临降水预报动态融合方法实施例的流程示意图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本发明提供了一种基于自适应权重特征的多源降水数据动态融合方法,包括如下步骤:
步骤1、数据获取及网格标准化处理
(1)数据获取
包括历史雨量计降水实况观测资料,以及雷达外推、数值天气模式和人工智能三组降水预报数据集;
(2)数据预处理
对所有资料进行统一网格化处理,由于各数据分辨率不同,融合前需通过插值及降尺度方法,统一处理成相同分辨率的网格产品。
雨量计降水实况观测资料为站点资料,根据各站点的经纬度和实况雨量值,用反距离加权法(Inverse Distance Weighted)插值到1kmⅹ1km网格上。
三组降水预报数据产品均为网格产品,其中基于雷达外推的降水数据分辨率为1kmⅹ1km;数值天气模式降水产品为华东中尺度数值预报降水产品,分辨率为3kmⅹ3km,通过降尺度处理为1kmⅹ1km的网格产品;人工智能降水预报数据分辨率为1kmⅹ1km。
步骤2、建立降水集成预报数据集
经过数据预处理,得到800ⅹ800个网格,每个网格的分辨率为1kmⅹ1km,每个网格对应4个子数据,分别是雨量计降水实况观测数据Rg、基于雷达外推的降水数据Rr,数值天气模式降水数据Rm,人工智能降水预报数据Rz。
步骤3、构建融合数学模型
将每个网格的雨量计降水实况观测数据Rg,与基于雷达外推的降水数据Rr,数值天气模式降水数据Rm、人工智能降水预报数据Rz建立非线性函数数学模型:
步骤4、计算权重系数
对各时间序列数据,利用泰勒级数展开式,将模型展开为泰勒级数,进行逐次线性逼近,步骤如下:
①给定参数a1、a2、a3的初始值a10、a20、a30,将非线性函数按给定的初始值展开为泰勒级数,即
②取上式右边的前两项,略去f()展开式的第三项及以后的所有高阶项,即可得到非线性模型的线性近似,即
③通过最小二乘法(简称OLS)计算得到一组最优参数a11、a21、a31,再以a11、a21、a31为初始值按泰勒级数展开,重复上述步骤,可估计出一组新的参数a12、a22、a32。
④如此重复,可得到一参数点列,即
若存在某个n,满足参数点列a1,n-1、a2,n-1、a3,n-1与a1n、a2n、a3n相等或接近,则a1n、a2n、a3n为最优参数,否则返回步骤①,选取新的初始值,重新进行逐次线性逼近。
⑤依此类推,可得到各体扫时间序列的非线性函数集:
{f(Rr,Rm,Rz;a1,b1,c1)t1、f(Rr,Rm,Rz;a2,b2,c2)t2、f(Rr,Rm,Rz;a3,b3,c3)t3…}。
步骤5、计算融合预报偏差ΔG
通过最优权重系数,可得到融合后预报降水Gmix
Gmix=aRr+bRm+cRz
融合降水预报与实况降水偏差ΔG为
ΔG=Gmix-Rg
步骤6、建立权重系数特征库
对所有网格,根据非线性函数模型f(),可得到历史最优权重系数数据集{(a1,b1,c1,Gmix1,ΔG1)、(a2,b2,c2,Gmix2,ΔG2)…}t1、{(a1,b1,c1,Gmix1,ΔG1)、(a2,b2,c2,Gmix2,ΔG2)…}t2、{(a1,b1,c1,Gmix1,ΔG1)、(a2,b2,c2,Gmix2,ΔG2)…}t3…,其中t1、t2、t3…表示时间序列,Gmix为融合后预报降水,ΔGi表示融合降水预报与实况降水偏差。
步骤7、自适应权重系数匹配
输入当前降水预报数据,与建立的权重系数特征库进行匹配,按最佳判别函数CTF,可在特征库中搜索匹配与当前降水预报数据最接近的最优权重系数。
最佳判别函数CTF:
其国,Rxi表示权重特征库中各模式预报值,Rx'表示实时各模式预报值,N表示历史时间序列。
步骤8、融合预报降水实时订正
根据动态匹配结果,得到最优权重系数(a,b,c)及特征参数(G'mix,ΔG'),通过建立的数学模型,得到融合预报降水
Gmixi=aRri+bRmi+cRzi
其中,Ri表示网格i对应的雷达估测降水。
考虑融合预报与实况的偏差,利用特征参数(G'mix,ΔG')进行如下订正:
本发明还提供了一种基于自适应权重特征的多源降水数据动态融合系统,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上述所述的方法步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (5)
1.一种基于自适应权重特征的多源降水数据动态融合方法,其特征在于,包括如下步骤:
步骤S1、数据获取及网格标准化处理:
获取历史雨量计降水实况数据,以及雷达外推、数值天气模式和人工智能三组降水预报数据集,并进行标准化网格处理;
步骤S2、构建降水集成预报数据集:
由步骤S1得到的标准化网格数据,每个网格包括雨量计降水实况观测数据Rg、基于雷达外推的降水数据Rr、数值天气模式降水数据Rm和人工智能降水预报数据Rz;
步骤S3、构建融合数学模型:
根据每个网格的雨量计降水实况观测数据Rg,与基于雷达外推的降水数据Rr、数值天气模式降水数据Rm、人工智能降水预报数据Rz,建立非线性函数数学模型:
Rg=f(Rr,Rm,Rz;a1,a2,a3)+θ
其中,Rg为因变量,Rr、Rm、Rz为自变量,a1、a2、a3为非线性函数数学模型参数,θ为扰动项,f()为非线性函数;
步骤S4、计算权重系数:
利用泰勒级数展开式,将非线性函数数学模型展开为泰勒级数,进行逐次线性逼近,通过最小二乘法计算得到一组最优参数ai、bi、ci,即最优降水融合的权重系数;
步骤S5、计算融合预报偏差ΔG:
根据最优降水融合的权重系数,计算得到融合后预报降水Gmix
Gmix=aRr+bRm+cRz
融合降水预报与实况降水偏差ΔG为
ΔG=Gmix-Rg
步骤S6、建立权重系数特征库:
对所有网格,根据非线性函数数学模型,可得到历史最优降水融合的权重系数数据集{(a1,b1,c1,Gmix1,ΔG1)、(a2,b2,c2,Gmix2,ΔG2)…}t1、{(a1,b1,c1,Gmix1,ΔG1)、(a2,b2,c2,Gmix2,ΔG2)…}t2、{(a1,b1,c1,Gmix1,ΔG1)、(a2,b2,c2,Gmix2,ΔG2)…}t3…,即建立权重系数特征库,其中t1、t2、t3…表示时间序列,Gmix为融合后预报降水,ΔGi表示融合降水预报与实况降水偏差;
步骤S7、自适应权重系数匹配:
输入当前降水预报数据,与建立的权重系数特征库进行匹配,按最佳判别函数CTF,可在权重系数特征库中搜索匹配与当前降水预报数据最接近的最优降水融合的权重系数;
最佳判别函数CTF:
其中,Rxi表示权重系数特征库中各模式预报值,Rx'表示实时各模式预报值,N表示历史时间序列;
步骤S8、融合预报降水实时订正:
根据动态匹配结果,得到最优降水融合的权重系数(a,b,c)及特征参数(G'mix,ΔG'),通过建立的非线性函数数学模型,得到融合预报降水
Gmixi=aRri+bRmi+cRzi
其中,Ri表示网格i对应的雷达估测降水;
考虑融合降水预报与实况降水偏差,利用特征参数(G'mix,ΔG')进行如下订正:
2.根据权利要求1所述的基于自适应权重特征的多源降水数据动态融合方法,其特征在于,步骤S1中,所述标准化网格处理方式为采用插值及降尺度方式,将数据统一处理成相同分辨率。
3.根据权利要求1所述的基于自适应权重特征的多源降水数据动态融合方法,其特征在于,步骤S2中,标准化网格数据为标准化的800ⅹ800网格数据,每个网格的分辨率为1kmⅹ1km。
4.根据权利要求1所述的基于自适应权重特征的多源降水数据动态融合方法,其特征在于,步骤S2中,基于雨量计降水实况观测数据Rg、基于雷达外推的降水数据Rr、数值天气模式降水数据Rm和人工智能降水预报数据Rz建立降水预报数据集。
5.一种基于自适应权重特征的多源降水数据动态融合系统,其特征在于,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如权利要求1-4所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110020658.9A CN112711083B (zh) | 2021-01-07 | 2021-01-07 | 基于自适应权重特征的多源降水数据动态融合方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110020658.9A CN112711083B (zh) | 2021-01-07 | 2021-01-07 | 基于自适应权重特征的多源降水数据动态融合方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112711083A CN112711083A (zh) | 2021-04-27 |
CN112711083B true CN112711083B (zh) | 2022-07-05 |
Family
ID=75548491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110020658.9A Active CN112711083B (zh) | 2021-01-07 | 2021-01-07 | 基于自适应权重特征的多源降水数据动态融合方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112711083B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113281754B (zh) * | 2021-07-26 | 2021-10-01 | 中国水利水电科学研究院 | 一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法 |
CN114578456B (zh) * | 2022-01-30 | 2023-02-21 | 中国科学院大气物理研究所 | 应用于雷达预报强对流天气的数据处理方法及装置 |
CN114217319B (zh) * | 2022-02-22 | 2022-05-17 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种对天气雷达分钟降水预报值进行订正的方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、系统及电子设备 |
CN109447315A (zh) * | 2018-09-18 | 2019-03-08 | 中国电力科学研究院有限公司 | 一种基于多时空尺度的电力气象数值天气预报方法和装置 |
CN110472762A (zh) * | 2018-05-11 | 2019-11-19 | 中国电力科学研究院有限公司 | 一种网格化降水的订正方法及系统 |
CN111489525A (zh) * | 2020-03-30 | 2020-08-04 | 南京信息工程大学 | 多数据融合的气象预测预警方法 |
CN111624682A (zh) * | 2020-06-24 | 2020-09-04 | 海南省气象科学研究所 | 一种基于多源数据融合的定量降水估测方法 |
-
2021
- 2021-01-07 CN CN202110020658.9A patent/CN112711083B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、系统及电子设备 |
CN110472762A (zh) * | 2018-05-11 | 2019-11-19 | 中国电力科学研究院有限公司 | 一种网格化降水的订正方法及系统 |
CN109447315A (zh) * | 2018-09-18 | 2019-03-08 | 中国电力科学研究院有限公司 | 一种基于多时空尺度的电力气象数值天气预报方法和装置 |
CN111489525A (zh) * | 2020-03-30 | 2020-08-04 | 南京信息工程大学 | 多数据融合的气象预测预警方法 |
CN111624682A (zh) * | 2020-06-24 | 2020-09-04 | 海南省气象科学研究所 | 一种基于多源数据融合的定量降水估测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112711083A (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112711083B (zh) | 基于自适应权重特征的多源降水数据动态融合方法及系统 | |
CN111582551B (zh) | 风电场短期风速预测方法、系统及电子设备 | |
CN109214592A (zh) | 一种多模型融合的深度学习的空气质量预测方法 | |
US20150302313A1 (en) | Method of predicating ultra-short-term wind power based on self-learning composite data source | |
CN105825040A (zh) | 短期电力负荷预测方法 | |
CN104899448B (zh) | 一种集合卡尔曼滤波静态局地化方案的自适应补偿方法 | |
CN105117593A (zh) | 基于小波变换和粒子群改进灰色模型的短期风速预测方法 | |
CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和系统 | |
CN112288193A (zh) | 基于注意力机制的gru深度学习的海洋站表层盐度预测方法 | |
CN111105068B (zh) | 基于序回归学习的数值模式订正的方法 | |
CN113435630B (zh) | 一种产流模式自适应的流域水文预报方法及系统 | |
CN113051529A (zh) | 一种基于统计观测局地化均权重粒子滤波数据同化方法 | |
CN116401939A (zh) | 一种基于梯度约束神经网络的北极海冰短期预报方法 | |
CN115755221A (zh) | 一种基于数理不确定性分析的多源降水数据融合方法 | |
CN113593006A (zh) | 一种基于深度学习的气象数据空间插值精细化方法及系统 | |
CN116931129A (zh) | 基于多模式集合的短期降水预报方法、装置、设备及介质 | |
CN111553226A (zh) | 一种基于遥感解译技术提取河流监测断面水面宽度的方法 | |
CN101833752B (zh) | 基于奇异值分解重构的红外小目标预处理方法 | |
CN108051676B (zh) | 一种雷电流幅值累积概率分布曲线拟合计算方法 | |
CN112697268B (zh) | 一种基于t-sne的电机异常检测集成算法 | |
CN113094638A (zh) | 一种气象网格化数据的多源场融合方法和系统 | |
CN113515890A (zh) | 一种基于联邦学习的可再生能源日前场景生成方法 | |
CN116663432B (zh) | 一种百米高度风速预报订正降尺度方法及装置 | |
Zhou et al. | Forecasting of the Incoming Dustcarts of a Waste Transfer Station Based on SARIMA Model | |
CN117970529B (zh) | 一种区域自动站修正地表下垫面参数的模式预报方法 |
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 |