CN112949953B - 基于pp理论和af模型的暴雨预报方法 - Google Patents

基于pp理论和af模型的暴雨预报方法 Download PDF

Info

Publication number
CN112949953B
CN112949953B CN202110525427.3A CN202110525427A CN112949953B CN 112949953 B CN112949953 B CN 112949953B CN 202110525427 A CN202110525427 A CN 202110525427A CN 112949953 B CN112949953 B CN 112949953B
Authority
CN
China
Prior art keywords
rainstorm
weather
historical
similarity
forecasting
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
CN202110525427.3A
Other languages
English (en)
Other versions
CN112949953A (zh
Inventor
郭洪涛
宋金杰
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.)
Nanjing Dashu Weiyao Technology Co ltd
Original Assignee
Jiangsu Quan Quan Information Technology 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 Jiangsu Quan Quan Information Technology Co ltd filed Critical Jiangsu Quan Quan Information Technology Co ltd
Priority to CN202110525427.3A priority Critical patent/CN112949953B/zh
Publication of CN112949953A publication Critical patent/CN112949953A/zh
Application granted granted Critical
Publication of CN112949953B publication Critical patent/CN112949953B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了基于PP理论和AF模型的暴雨预报方法，具体步骤如下：步骤1：数据的收集整理；步骤2：数值模式预报产品的预处理；步骤3：历史相似天气形势的遍历；步骤4：暴雨的定性预报；步骤5：历史有暴雨相似天气形势的遍历；步骤6：暴雨的定量预报。本发明提供基于PP理论和AF模型的暴雨预报方法，综合利用历史再分析数据和当前数值模式预报资料，通过遍历与当前天气相似的一系列历史天气，能够对目标区域内的暴雨进行准确预报。

Description

基于PP理论和AF模型的暴雨预报方法
技术领域
本发明属于统计预测领域，主要涉及基于完全预报（Perfect Prog，简称PP）理论和相似预报（Analog Forecast，简称AF）模型的暴雨量和暴雨概率客观预报方法，特别是涉及基于PP理论和AF模型的暴雨预报方法。
背景技术
我国是一个暴雨（日降雨量≥50 mm）多发的国家。暴雨是我国重要的灾害性天气之一，常常诱发洪涝、泥石流、山体滑坡等其他自然灾害，能够给国民经济造成巨大的危害，给人民生命财产带来严重的损失。例如2012年7月21~22日，北京市遭遇建国以来的最强暴雨（全市平均降雨量超过150 mm，局地最大降雨量达到460 mm）及其诱发的洪涝灾害，造成79人死亡、190万人受灾、房屋倒塌10660间、经济损失116.4亿元人民币。因此，暴雨不仅是气象学家们高度关注的科学研究课题，其准确预报更是防灾减灾的迫切需要。
随着计算水平的飞速发展，数值模式已经成为预报未来几天内降水量的主要手段。当前，尽管数值模式对大范围系统性降水的预报能力有了显著提高，然而由于暴雨的突发性、局地性、复杂性，暴雨的预报水平远远低于小雨、中雨的预报水平，暴雨预报的准确率与防灾减灾的实际需要仍相距甚远。这一瓶颈主要是由数值模式的时空分辨率较低、模式物理过程不完善等所导致的，无法实现定点、定时、定量的精细化暴雨预报。相对地，考虑到数值模式已能较准确地预报未来的高空天气形势，可以通过统计技术建立高空天气形势与地面降水量的相关关系，利用数值模式高空天气形势预报产品来间接估计地面降水量。
发明内容
为了解决以上问题，本发明提供基于PP理论和AF模型的暴雨预报方法，综合利用历史再分析数据和当前数值模式预报资料，通过遍历与当前天气相似的一系列历史天气，能够对目标区域内的暴雨进行准确预报，为达此目的，
一种基于PP理论和AF模型的暴雨预报方法，具体步骤如下，其特征在于：
步骤1：数据的收集整理，采集目标区域内地面气象站历史的降水量观测资料、历史的再分析数据、当前的数值模式预报产品；
步骤2：数值模式预报产品的预处理，将在较细网格上的数值模式预报产品稀疏化到再分析数据的较粗网格，实现二者空间格点的一致性；
所述步骤2中的稀疏化公式为：
Figure 100002_DEST_PATH_IMAGE001
（1）
其中，
Figure 100002_DEST_PATH_IMAGE002
为稀疏化到再分析数据粗网格点
Figure 100002_DEST_PATH_IMAGE003
上的物理量，
Figure 100002_DEST_PATH_IMAGE004
为原数值预报产品细网格点
Figure 100002_DEST_PATH_IMAGE005
上的物理量，
Figure 100002_DEST_PATH_IMAGE006
为网格点
Figure 100002_DEST_PATH_IMAGE007
的纬度，
Figure 100002_DEST_PATH_IMAGE008
为再分析数据网格距离即水平分辨率，
Figure 100002_DEST_PATH_IMAGE009
为网格点
Figure 180960DEST_PATH_IMAGE005
到网格点
Figure 385676DEST_PATH_IMAGE003
的大圆距离，即：
Figure 100002_DEST_PATH_IMAGE010
（2）
其中
Figure 100002_DEST_PATH_IMAGE011
为地球半径≈6371 km，
Figure 100002_DEST_PATH_IMAGE012
和
Figure 100002_DEST_PATH_IMAGE013
分别为网格点所处的经度和纬度；
步骤3：历史相似天气形势的遍历，定义多物理量的天气相似度判别指数，在相应时间窗口内，计算所有历史的天气形势，包括有暴雨和无暴雨，与当前数值模式预报的天气形势之间的相似度；
所述步骤3中的历史天气形势的遍历规则为：
以预报时刻即起报时刻+预报时效为中心点，查找过去30年、距中心点前后45天以内，每一年动态选取90天、即一个季节时长的样本的所有历史天气；
所述步骤3中的基于多物理量的天气相似度判别指数γ定义为：
Figure 100002_DEST_PATH_IMAGE014
（3）
其中，
Figure 100002_DEST_PATH_IMAGE015
分别为历史的、预报的天气形势经纬度平面二维场，
Figure 100002_DEST_PATH_IMAGE016
分别为亮度指数、对比指数、结构指数，定义为：
Figure 100002_DEST_PATH_IMAGE017
（4）
其中
Figure 100002_DEST_PATH_IMAGE018
为单变量的裁剪平均数、
Figure 100002_DEST_PATH_IMAGE019
为单变量的内四分位数距离、
Figure 100002_DEST_PATH_IMAGE020
为两变量的秩相关系数，一方面，
Figure 549023DEST_PATH_IMAGE018
与
Figure 686743DEST_PATH_IMAGE019
由变量的百分位数计算得到，即：
Figure 100002_DEST_PATH_IMAGE021
（5）
其中
Figure 100002_DEST_PATH_IMAGE022
分别为变量的下四分位数、中位数、上四分位数，另一方面，
Figure 758736DEST_PATH_IMAGE020
由先将两变量按照大小顺序排序，后计算相应的相关系数得到；
步骤4：暴雨的定性预报，选取相似度阈值，在相似度较大的若干历史天气形势中总计出有暴雨的次数和无暴雨的次数，如果无暴雨次数远多于有暴雨次数，则预报未来没有暴雨发生，步骤终止；
所述步骤4中的相似度阈值取为：遍历的所有历史天气中，暴雨发生的比率p，即：
Figure 100002_DEST_PATH_IMAGE023
（6）
其中
Figure 100002_DEST_PATH_IMAGE024
为发生暴雨的天数，
Figure 100002_DEST_PATH_IMAGE025
为总天数；
步骤5：历史有暴雨相似天气形势的遍历，定义多物理量的天气相似度判别指数，在相应时间窗口内，计算所有历史发生暴雨的天气形势与当前数值模式预报的天气形势的相似度；
步骤6：暴雨的定量预报，以相似度大小作为权重，选取相似度较大的前若干个历史发生暴雨的天气形势，将其对应的历史地面降水量观测进行加权集成，得到当前数值模式预报天气形势所对应的未来地面降水量和降水概率的预报。
作为本发明进一步改进，所述步骤5中的基于多物理量的天气相似度判别指数
Figure 100002_DEST_PATH_IMAGE026
定义为：
Figure 100002_DEST_PATH_IMAGE027
（7）
其中
Figure 100002_DEST_PATH_IMAGE028
为参考的不同物理量，每一个物理量所对应的历史天气与预报天气的相似度
Figure 100002_DEST_PATH_IMAGE029
由公式（3）计算得到，
Figure 100002_DEST_PATH_IMAGE030
为不同物理量的权重，通过该物理量在过去最近30天内的预报误差估计得到，即：
Figure 100002_DEST_PATH_IMAGE031
（8）
其中
Figure 100002_DEST_PATH_IMAGE032
为与预报场
Figure 100002_DEST_PATH_IMAGE033
对应的观测场或分析场，
Figure 100002_DEST_PATH_IMAGE034
与
Figure 100002_DEST_PATH_IMAGE035
分别为相应的过去30天的算术平均值。
作为本发明进一步改进，所述步骤6中的降水量R预报公式为：
Figure 100002_DEST_PATH_IMAGE036
（9）
其中
Figure 100002_DEST_PATH_IMAGE037
为基于相似方法预报的降水量，
Figure 100002_DEST_PATH_IMAGE038
为
Figure 100002_DEST_PATH_IMAGE039
个相似的历史天气所对应的降水量，
Figure 100002_DEST_PATH_IMAGE040
为第
Figure 100002_DEST_PATH_IMAGE041
的历史天气与预报天气的相似度，由公式（7）计算给出；
所述步骤6中的暴雨发生概率的预报公式为：
Figure 100002_DEST_PATH_IMAGE042
（10）
其中
Figure 100002_DEST_PATH_IMAGE043
由下式计算：
Figure 100002_DEST_PATH_IMAGE044
（11）。
本发明提出了基于PP理论和AF模型的暴雨预报方法，具体步骤如下：步骤1：数据的收集整理；步骤2：数值模式预报产品的预处理；步骤3：历史相似天气形势的遍历；步骤4：暴雨的定性预报；步骤5：历史有暴雨相似天气形势的遍历；步骤6：暴雨的定量预报。本发明提供基于PP理论和AF模型的暴雨预报方法，综合利用历史再分析数据和当前数值模式预报资料，通过遍历与当前天气相似的一系列历史天气，能够对目标区域内的暴雨进行准确预报。
附图说明
图1是系统执行流程图；
图2是基于PP理论的历史样本遍历方法图；
图3是AF模型图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供基于PP理论和AF模型的暴雨预报方法，综合利用历史再分析数据和当前数值模式预报资料，通过遍历与当前天气相似的一系列历史天气，能够对目标区域内的暴雨进行准确预报。
本发明工作具体流程如图1所示：
首先，读取当前时刻某一预报时效的数值预报要素场，利用公式（1）将细网格上的数值预报要素稀疏化到与历史再分析资料相一致的粗网格上，保证稀疏化后的数值预报数据和再分析数据具有相同的覆盖区域和格点分布。
接着，如图2所示，利用PP理论在以预报时刻t0为中心点，在距t0前后45天的时间窗口内，在过去30年中，以500 hPa位势高度场（单变量）为参考寻找相似样本，遍历范围由图2中灰色覆盖区域所示；通过公式（3）计算该时间范围内所有历史天气的相似指数；利用公式（4）计算相似度阈值，选择相似指数大于该阈值的历史天气，并且按照在这些天气影响下是否发生暴雨，分别计算有暴雨发生的次数n1和无暴雨发生的次数n2；如果n2/n1>10（无暴雨发生次数比有暴雨发生次数大一个量级），则预测t0时刻无暴雨发生，系统运行结束，反之，继续执行后续流程。
然后，与上一步类似，如图2所示，利用PP理论在以预报时刻t0为中心点，在距t0前后45天的时间窗口内，在过去30年中，以500 hPa位势高度场、850hPa温度场、850 hPa相对湿度场、200 hPa风矢量场（多变量）为参考寻找相似样本；通过公式（7）计算该时间范围内所有历史天气的相似指数，利用公式（4）计算的相似指数阈值筛选出相似指数大的前K个历史天气。
最后，如图3所示，基于AF模型，获取这K个历史天气分别对应的地面降水量观测，按照公式（9）和公式（10）将这些历史降水观测进行集成，得到t0时刻暴雨降水量和暴雨概率的预报。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (3)

1.一种基于PP理论和AF模型的暴雨预报方法，具体步骤如下，其特征在于：
步骤1：数据的收集整理，采集目标区域内地面气象站历史的降水量观测资料、历史的再分析数据、当前的数值模式预报产品；
步骤2：数值模式预报产品的预处理，将在较细网格上的数值模式预报产品稀疏化到再分析数据的较粗网格，实现二者空间格点的一致性；
所述步骤2中的稀疏化公式为：
Figure DEST_PATH_IMAGE001
（1）
其中，
Figure DEST_PATH_IMAGE002
为稀疏化到再分析数据粗网格点
Figure DEST_PATH_IMAGE003
上的物理量，
Figure DEST_PATH_IMAGE004
为原数值预报产品细网格点
Figure DEST_PATH_IMAGE005
上的物理量，
Figure DEST_PATH_IMAGE006
为网格点
Figure DEST_PATH_IMAGE007
的纬度，
Figure DEST_PATH_IMAGE008
为再分析数据网格距离即水平分辨率，
Figure DEST_PATH_IMAGE009
为网格点
Figure 371411DEST_PATH_IMAGE005
到网格点
Figure 757393DEST_PATH_IMAGE003
的大圆距离，即：
Figure DEST_PATH_IMAGE010
（2）
其中
Figure DEST_PATH_IMAGE011
为地球半径≈6371 km，
Figure DEST_PATH_IMAGE012
和
Figure DEST_PATH_IMAGE013
分别为网格点所处的经度和纬度；
步骤3：历史相似天气形势的遍历，定义多物理量的天气相似度判别指数，在相应时间窗口内，计算所有历史的天气形势，包括有暴雨和无暴雨，与当前数值模式预报的天气形势之间的相似度；
所述步骤3中的历史天气形势的遍历规则为：
以预报时刻即起报时刻+预报时效为中心点，查找过去30年、距中心点前后45天以内，每一年动态选取90天、即一个季节时长的样本的所有历史天气；
所述步骤3中的基于多物理量的天气相似度判别指数γ定义为：
Figure DEST_PATH_IMAGE014
（3）
其中，
Figure DEST_PATH_IMAGE015
分别为历史的、预报的天气形势经纬度平面二维场，
Figure DEST_PATH_IMAGE016
分别为亮度指数、对比指数、结构指数，定义为：
Figure DEST_PATH_IMAGE017
（4）
其中
Figure DEST_PATH_IMAGE018
为单变量的裁剪平均数、
Figure DEST_PATH_IMAGE019
为单变量的内四分位数距离、
Figure DEST_PATH_IMAGE020
为两变量的秩相关系数，一方面，
Figure 38595DEST_PATH_IMAGE018
与
Figure 168225DEST_PATH_IMAGE019
由变量的百分位数计算得到，即：
Figure DEST_PATH_IMAGE021
（5）
其中
Figure DEST_PATH_IMAGE022
分别为变量的下四分位数、中位数、上四分位数，另一方面，
Figure 592384DEST_PATH_IMAGE020
由先将两变量按照大小顺序排序，后计算相应的相关系数得到；
步骤4：暴雨的定性预报，选取相似度阈值，在相似度较大的若干历史天气形势中总计出有暴雨的次数和无暴雨的次数，如果无暴雨次数远多于有暴雨次数，则预报未来没有暴雨发生，步骤终止；
所述步骤4中的相似度阈值取为：遍历的所有历史天气中，暴雨发生的比率p，即：
Figure DEST_PATH_IMAGE023
（6）
其中
Figure DEST_PATH_IMAGE024
为发生暴雨的天数，
Figure DEST_PATH_IMAGE025
为总天数；
步骤5：历史有暴雨相似天气形势的遍历，定义多物理量的天气相似度判别指数，在相应时间窗口内，计算所有历史发生暴雨的天气形势与当前数值模式预报的天气形势的相似度；
步骤6：暴雨的定量预报，以相似度大小作为权重，选取相似度较大的前若干个历史发生暴雨的天气形势，将其对应的历史地面降水量观测进行加权集成，得到当前数值模式预报天气形势所对应的未来地面降水量和降水概率的预报。
2.根据权利要求1所述的基于PP理论和AF模型的暴雨预报方法，其特征在于：所述步骤5中的基于多物理量的天气相似度判别指数
Figure DEST_PATH_IMAGE026
定义为：
Figure DEST_PATH_IMAGE027
（7）
其中
Figure DEST_PATH_IMAGE028
为参考的不同物理量，每一个物理量所对应的历史天气与预报天气的相似度
Figure DEST_PATH_IMAGE029
由公式（3）计算得到，
Figure DEST_PATH_IMAGE030
为不同物理量的权重，通过该物理量在过去最近30天内的预报误差估计得到，即：
Figure DEST_PATH_IMAGE031
（8）
其中
Figure DEST_PATH_IMAGE032
为与预报场
Figure DEST_PATH_IMAGE033
对应的观测场或分析场，
Figure DEST_PATH_IMAGE034
与
Figure DEST_PATH_IMAGE035
分别为相应的过去30天的算术平均值。
3.根据权利要求1的基于PP理论和AF模型的暴雨预报方法，其特征在于：
所述步骤6中的降水量R预报公式为：
Figure DEST_PATH_IMAGE036
（9）
其中
Figure DEST_PATH_IMAGE037
为基于相似方法预报的降水量，
Figure DEST_PATH_IMAGE038
为
Figure DEST_PATH_IMAGE039
个相似的历史天气所对应的降水量，
Figure DEST_PATH_IMAGE040
为第
Figure DEST_PATH_IMAGE041
的历史天气与预报天气的相似度，由公式（7）计算给出；
所述步骤6中的暴雨发生概率的预报公式为：
Figure DEST_PATH_IMAGE042
（10）
其中
Figure DEST_PATH_IMAGE043
由下式计算：
Figure DEST_PATH_IMAGE044
（11）。
CN202110525427.3A 2021-05-14 2021-05-14 基于pp理论和af模型的暴雨预报方法 Active CN112949953B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110525427.3A CN112949953B (zh) 2021-05-14 2021-05-14 基于pp理论和af模型的暴雨预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110525427.3A CN112949953B (zh) 2021-05-14 2021-05-14 基于pp理论和af模型的暴雨预报方法

Publications (2)

Publication Number Publication Date
CN112949953A CN112949953A (zh) 2021-06-11
CN112949953B true CN112949953B (zh) 2021-07-16

Family

ID=76233849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110525427.3A Active CN112949953B (zh) 2021-05-14 2021-05-14 基于pp理论和af模型的暴雨预报方法

Country Status (1)

Country Link
CN (1) CN112949953B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113762618B (zh) * 2021-09-07 2022-03-01 中国水利水电科学研究院 一种基于多因子相似分析的湖泊水位预报方法
CN114332009B (zh) * 2021-12-28 2022-11-08 中科三清科技有限公司 相似天气形势识别方法、装置、设备及存储介质
CN116756522B (zh) * 2023-08-14 2023-11-03 中科三清科技有限公司 概率预报方法、装置、存储介质及电子设备
CN116893449B (zh) * 2023-09-11 2023-12-01 南京气象科技创新研究院 一种基于客观天气分型和多变量的极端暴雨潜势预报方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105182450A (zh) * 2015-10-15 2015-12-23 成都信息工程大学 一种强对流天气短时预警系统
CN110333554A (zh) * 2019-07-10 2019-10-15 南京恩瑞特实业有限公司 Nriet暴雨智能相似分析方法
CN111008259A (zh) * 2019-12-06 2020-04-14 中国水利水电科学研究院 一种流域降雨相似性搜索方法
CN111929748A (zh) * 2020-09-17 2020-11-13 南京浦蓝大气环境研究院有限公司 一种气象要素预报方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105182450A (zh) * 2015-10-15 2015-12-23 成都信息工程大学 一种强对流天气短时预警系统
CN110333554A (zh) * 2019-07-10 2019-10-15 南京恩瑞特实业有限公司 Nriet暴雨智能相似分析方法
CN111008259A (zh) * 2019-12-06 2020-04-14 中国水利水电科学研究院 一种流域降雨相似性搜索方法
CN111929748A (zh) * 2020-09-17 2020-11-13 南京浦蓝大气环境研究院有限公司 一种气象要素预报方法和系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Daily quantitative precipitation forecasts based on the analogue method: Improvements and application to a French large river basin;AurélienBen Daoud;《Atmospheric Research》;20160331;第69卷;147-159 *
中国夏季降水模态时间稳定性和统计降尺度预测研究;庞轶舒;《中国优秀硕士学位论文全文数据库 基础科学辑》;20140815(第8期);A009-19 *
基于集对分析的降水预测及其应用;沈瑞 等;《第七届中国水论坛》;20130621;440-444 *
综合评估多元判据的大～暴雨相似预报方案;钟元;《首届长三角气象科技论坛论文集》;20041013;58-66 *
降雨相似预报系统;陈世倜 等;《第31届中国气象学会年会》;20150522;1-12 *
集合预报方法在暴雨研究和预报中的应用;杜钧 等;《气象科技进展》;20141128;第4卷(第5期);6-20 *

Also Published As

Publication number Publication date
CN112949953A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN112949953B (zh) 基于pp理论和af模型的暴雨预报方法
Anderson-Frey et al. Investigation of near-storm environments for tornado events and warnings
Rädler et al. Detecting severe weather trends using an additive regressive convective hazard model (AR-CHaMo)
de Andrade et al. Subseasonal precipitation prediction for Africa: Forecast evaluation and sources of predictability
US10055828B2 (en) Method for retrieving atmospheric aerosol based on statistical segmentation
CN109782373B (zh) 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法
CN109165693B (zh) 一种适用于露、霜和结冰的天气现象的自动判识方法
CN102956023B (zh) 一种基于贝叶斯分类的传统气象数据与感知数据融合的方法
Pérez-Guillén et al. Data-driven automated predictions of the avalanche danger level for dry-snow conditions in Switzerland
KR101646587B1 (ko) 북서태평양 태풍 활동성에 대한 하이브리드 계절 예측 방법
CN111144637A (zh) 基于机器学习的区域电网地质灾害预报模型构建方法
CN114048944A (zh) 一种暴雨诱发地质灾害下应撤离人口及损毁房屋的预估方法
CN113836808A (zh) 一种基于重污染特征约束的pm2.5深度学习预测方法
Pourghasemi et al. Flood, landslides, forest fire, and earthquake susceptibility maps using machine learning techniques and their combination
Koolagudi Long-range prediction of Indian summer monsoon rainfall using data mining and statistical approaches
CN114882373A (zh) 基于深度神经网络的多特征融合沙尘暴预测方法
Alerskans et al. Optimizing spatial quality control for a dense network of meteorological stations
Pegion et al. Understanding predictability of daily southeast US precipitation using explainable machine learning
Mounier et al. Detection of bow echoes in kilometer-scale forecasts using a convolutional neural network
Miller et al. A preliminary assessment of using spatiotemporal lightning patterns for a binary classification of thunderstorm mode
Bartok et al. Data mining for fog prediction and low clouds detection
CN115238967A (zh) 一种结合云图和相邻电站集群的光伏功率预测方法及装置
CN111596384B (zh) 一种基于天气类型有效识别的斜面辐射预测方法
Yun-qi et al. Experiments with the improved dynamical-statistical-analog ensemble forecast model for landfalling typhoon precipitation over South China
Chao Machine learning-based intelligent weather modification forecast in smart city potential area

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230315

Address after: Room 756, Building 1, No. 568, Longmian Avenue, Jiangning District, Nanjing City, Jiangsu Province, 210000

Patentee after: Nanjing Dashu Weiyao Technology Co.,Ltd.

Address before: Room 905 and 906, 9 / F, building 4, No. 18, Jiangdong Street, Jialing, Jianye District, Nanjing City, Jiangsu Province, 210000

Patentee before: JIANGSU QUAN QUAN INFORMATION TECHNOLOGY CO.,LTD.