CN113219555B - 一种基于统计降尺度技术的短期气候预测方法 - Google Patents

一种基于统计降尺度技术的短期气候预测方法 Download PDF

Info

Publication number
CN113219555B
CN113219555B CN202011061566.7A CN202011061566A CN113219555B CN 113219555 B CN113219555 B CN 113219555B CN 202011061566 A CN202011061566 A CN 202011061566A CN 113219555 B CN113219555 B CN 113219555B
Authority
CN
China
Prior art keywords
prediction
monthly average
average precipitation
adaptive
scale
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
CN202011061566.7A
Other languages
English (en)
Other versions
CN113219555A (zh
Inventor
刘颖
任宏利
吴捷
武于洁
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.)
Guo Jiaqihouzhongxin
Original Assignee
Guo Jiaqihouzhongxin
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 Guo Jiaqihouzhongxin filed Critical Guo Jiaqihouzhongxin
Priority to CN202011061566.7A priority Critical patent/CN113219555B/zh
Publication of CN113219555A publication Critical patent/CN113219555A/zh
Application granted granted Critical
Publication of CN113219555B publication Critical patent/CN113219555B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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"

Abstract

本发明公开了一种基于统计降尺度技术的短期气候预测方法，包括在建模的拟合时段内，对我国月平均降水和大尺度预测因子进行奇异值分解，分别提取我国月平均降水和大尺度预测因子的主模态典型耦合空间异性相关分布空间型和相应的主成分时间序列对；利用逐步回归分析的方法，获取适用于预测时间段的月平均降水和大尺度预测因子的自适应主模态典型耦合空间异性相关分布型以及主成分时间序列对。优点是：综合气候模式和前期关键因子，基于EOF、SVD及多元线性回归等多种处理方法提取多种因子间最优耦合变化型，开发了多源信息动态处理及提取技术，构建最优信息集成自适应降尺度技术，实现对全国不同地区气候条件下的临近月平均降水的网格化预测。

Description

一种基于统计降尺度技术的短期气候预测方法
技术领域
本发明涉及大气科学领域，尤其涉及一种基于统计降尺度技术的短期气候预测方法。
背景技术
短期气候预测方法主要分为数值模式方法和物理统计方法。对于气候模式而言，针对大尺度环流具有较高预测能力，但对东亚地区的降水预测能力较低，不能满足实际需求。ENSO
Figure BDA0002712563180000011
存在于热带太平洋，是海气相互作用的重要系统，是全球天气和气候年际变化的重要原动力之一，通过海气相互作用的遥响应影响着全球气候的年际变化，是降水预测一个重要前兆性信号。因此，利用气候模式大尺度预报因子的稳定性对精细尺度季节平均降水的统计降尺度预测是可行的。而预测技术以及预测因子的选择是实现精准的降尺度预测的关键也是难点。
由于中国地处东亚季风区，自然条件复杂，剧烈变化的气候影响着东亚季风系统等因素，导致中国季节平均降水的短期气候预测，特别是临近月尺度水平一直不稳定。无论是气候模式还是目前的降尺度方法都无法精细的预测我国不同地区的临近降水特征。
发明内容
本发明的目的在于提供一种基于统计降尺度技术的短期气候预测方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于统计降尺度技术的短期气候预测方法，包括如下步骤，
S1、在建模的拟合时段内，对我国月平均降水和大尺度预测因子进行奇异值分解，通过这种奇异值分解计算，分别提取我国月平均降水和大尺度预测因子这两个变量的主模态典型耦合空间异性相关分布空间型和相应的主成分时间序列对；
S2、对月平均降水和大尺度预测因子进行连续月滚动建模；利用逐步回归分析的方法，获取适用于预测时间段的月平均降水和大尺度预测因子的自适应主模态典型耦合空间异性相关分布型以及主成分时间序列对；
S3、利用一元线性回归分析的方法，根据建模的拟合时段内的月平均降水和大尺度预测因子的自适应主成分时间序列对，得到预测时间段的月平均降水的线性回归后的自适应主成分时间序列对；之后，利用预测时间段的大尺度预测因子原始场以及建模时段的自适应主模态典型耦合空间异性相关分布型，投影得到预测时间段的预测因子的自适应主成分时间序列对；最后，利用预测时间段的月平均降水的自适应主成分时间序列对和建模时间段的月平均降水的自适应主模态典型耦合空间异性相关分布型，得到目标预报年的月平均降水结果。
优选的，步骤S1具体为，在建模的拟合时段t内，将使用经验正交分解方法滤波之后的月平均降水和大尺度预测因子利用奇异值分解方法进行分解，分别提取两变量的主模态典型耦合空间异性相关分布型和相应的主成分时间序列对，计算公式如下，
Figure BDA0002712563180000021
Figure BDA0002712563180000022
其中，m为所有的奇异值向量分解模态总数；x为空间点，t为时间；A(t,x)和B(t,x)分别表示月平均降水和大尺度预测因子；Ri(x)和Ui(x)分别表示月平均降水和大尺度预测因子的第i个模态的典型耦合空间异性相关分布型；Ki(t)和Si(t)分别表示月平均降水和大尺度预测因子第i个奇异值向量分解模态的主成分时间序列对。
优选的，步骤S2具体为，结合步骤S1中获取的月平均降水和大尺度预测因子的主模态典型耦合空间异性相关分布型以及主成分时间序列对，进行连续月滚动建模，利用逐步回归分析的方法，获取适用于目标预报年的月平均降水和大尺度预测因子的自适应主模态典型耦合空间异性相关分布型以及主成分时间序列对，计算公式如下，
Ri(t+Δt,x)＝α×Ri(t,x)
Ui(t+Δt,x)＝β×Ui(t,x)
Ki(t+Δt)＝A(t,x)×Ri(t+Δt,x)
Si(t+Δt)＝B(t,x)×Ui(t+Δt,x)
其中，α和β分别为月平均降水和大尺度预测因子耦合变化空间型的逐步回归自适应系数；Ri(t+Δt,x)和Ui(t+Δt,x)分别表示月平均降水和大尺度预测因子的第i个模态的自适应主模态典型耦合空间异性相关分布型；Ki(t+Δt)和Si(t+Δt)分别表示月平均降水和大尺度预测因子第i个自适应的主成分时间序列对；t+Δt为当前预报时间，t为拟合时间。
优选的，步骤S3具体为，根据步骤S2中获取的适用于预测目标月平均降水的月平均降水和大尺度预测因子的自适应主模态典型耦合空间异性相关分布型以及主成分时间序列对，利用一元线性回归关系，获取得到预测时间段的月平均降水的自适应主成分时间序列对；计算公式如下，
Figure BDA0002712563180000031
其中，Si(t)为月平均降水的主成分时间序列对；
Figure BDA0002712563180000032
为利用Si(t)线性回归得到的月平均降水的自适应主成分时间序列对；βi为一元线性回归系数；εi为残差；i＝1,2,…,n，n为保留的奇异值向量分解模态数；
利用预测时间段的月平均降水的自适应主成分时间序列对和建模时间段的月平均降水的自适应主模态典型耦合空间异性相关分布型，得到目标预报年的月平均降水结果；计算公式为，
Figure BDA0002712563180000033
其中，A(t+Δt,x)为目标预报年的月平均降水；
Figure BDA0002712563180000034
为预测时间段的月平均降水的自适应主成分时间序列对。
本发明的有益效果是：1、综合气候模式和前期关键因子，基于EOF、SVD以及多元线性回归等多种处理方法提取多种因子间最优耦合变化型，开发了多源信息动态处理及提取技术，构建最优信息集成自适应降尺度技术，实现对全国不同地区气候条件下的临近月平均降水的网格化预测。2、本发明能够提供更加精细化的预测结果，能够弥补站点较为稀疏甚至缺失地区的月平均降水预测，例如，青藏高原；本发明的网格降水预测结果能够为区域模式提供降水驱动场，从而得到更加精细的如长三角湿沉降、大气污染物的预报结果。
附图说明
图1是本发明实施例中预测方法的原理示意图；
图2是本发明实施例中2013年6月的预测降水空间分布型示意图；
图3是本发明实施例中2016年7月的预测降水空间分布型示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
实施例一
如图1所示，本实施例中提供了一种基于统计降尺度技术的短期气候预测方法，包括如下步骤，
S1、在建模的拟合时段内，对我国月平均降水和大尺度预测因子进行奇异值分解，通过这种奇异值分解计算，分别提取我国月平均降水和大尺度预测因子这两个变量的主模态典型耦合空间异性相关分布空间型和相应的主成分时间序列对；
S2、对月平均降水和大尺度预测因子进行连续月滚动建模；利用逐步回归分析的方法，获取适用于预测时间段的月平均降水和大尺度预测因子的自适应主模态典型耦合空间异性相关分布型以及主成分时间序列对；
S3、利用一元线性回归分析的方法，根据建模的拟合时段内的月平均降水和大尺度预测因子的自适应主成分时间序列对，得到预测时间段的月平均降水的线性回归后的自适应主成分时间序列对；之后，利用预测时间段的大尺度预测因子原始场以及建模时段的自适应主模态典型耦合空间异性相关分布型，投影得到预测时间段的预测因子的自适应主成分时间序列对；最后，利用预测时间段的月平均降水的自适应主成分时间序列对和建模时间段的月平均降水的自适应主模态典型耦合空间异性相关分布型，得到目标预报年的月平均降水结果。
本实施例中，步步骤S1具体为，在建模的拟合时段t内，将使用经验正交分解方法滤波之后的月平均降水和大尺度预测因子利用奇异值分解方法进行分解，分别提取两变量的主模态典型耦合空间异性相关分布型和相应的主成分时间序列对，计算公式如下，
Figure BDA0002712563180000051
Figure BDA0002712563180000052
其中，m为所有的奇异值向量分解模态总数；x为空间点，t为时间；A(t,x)和B(t,x)分别表示月平均降水和大尺度预测因子；Ri(x)和Ui(x)分别表示月平均降水和大尺度预测因子的第i个模态的典型耦合空间异性相关分布型；Ki(t)和Si(t)分别表示月平均降水和大尺度预测因子第i个奇异值向量分解模态的主成分时间序列对。
经验正交分解方法滤波能够剔除无效的噪音，有利于抓住主要信号。
本实施例中，步骤S2具体为，结合步骤S1中获取的月平均降水和大尺度预测因子的主模态典型耦合空间异性相关分布型以及主成分时间序列对，进行连续月滚动建模，利用逐步回归分析的方法，获取适用于目标预报年的月平均降水和大尺度预测因子的自适应主模态典型耦合空间异性相关分布型以及主成分时间序列对，计算公式如下，
Ri(t+Δt,x)＝α×Ri(t,x)
Ui(t+Δt,x)＝β×Ui(t,x)
Ki(t+Δt)＝A(t,x)×Ri(t+Δt,x)
Si(t+Δt)＝B(t,x)×Ui(t+Δt,x)
其中，α和β分别为月平均降水和大尺度预测因子耦合变化空间型的逐步回归自适应系数；Ri(t+Δt,x)和Ui(t+Δt,x)分别表示月平均降水和大尺度预测因子的第i个模态的自适应主模态典型耦合空间异性相关分布型；Ki(t+Δt)和Si(t+Δt)分别表示月平均降水和大尺度预测因子第i个自适应的主成分时间序列对；t+Δt为当前预报时间，t为拟合时间。
本实施例中，步骤S3具体为，根据步骤S2中获取的适用于预测目标月平均降水的月平均降水和大尺度预测因子的自适应主模态典型耦合空间异性相关分布型以及主成分时间序列对，利用一元线性回归关系，获取得到预测时间段的月平均降水的自适应主成分时间序列对；计算公式如下，
Figure BDA0002712563180000061
其中，Si(t)为月平均降水的主成分时间序列对；
Figure BDA0002712563180000062
为利用Si(t)线性回归得到的月平均降水的自适应主成分时间序列对；βi为一元线性回归系数；εi为残差；i＝1,2,…,n，n为保留的奇异值向量分解模态数；
利用预测时间段的月平均降水的自适应主成分时间序列对和建模时间段的月平均降水的自适应主模态典型耦合空间异性相关分布型，得到目标预报年的月平均降水结果；计算公式为，
Figure BDA0002712563180000063
其中，A(t+Δt,x)为目标预报年的月平均降水；
Figure BDA0002712563180000064
为预测时间段的月平均降水的自适应主成分时间序列对。
本实施例中，本专利的关键核心技术是场信息耦合型统计降尺度技术,该技术针对一般统计降尺度技术中预测因子选择和组合等难点，基于EOF和SVD方法建立场信息耦合型，主要是用来选取多变量空间型之间的最优协同变化特征和相关关系，以此作为预测因子筛选和组合的依据。
实施例二
如图2和图3所示，本实施例中，利用本发明提供的预测方法，对中国站点(图2)和格点(图3)2018年夏季降水进行统计降尺度预测。相比与图2中的基于站点资料存在部分缺失的预测，图3中预测结果分布在全国包括青藏高原的所有地区。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明提供了一种基于统计降尺度技术的短期气候预测方法，综合气候模式和前期关键因子，基于EOF、SVD以及多元线性回归等多种处理方法提取多种因子间最优耦合变化型，开发了多源信息动态处理及提取技术，构建最优信息集成自适应降尺度技术，实现对全国不同地区气候条件下的临近月平均降水的网格化预测。本发明能够提供更加精细化的预测结果，能够弥补站点较为稀疏甚至缺失地区的月平均降水预测，例如，青藏高原；本发明的网格降水预测结果能够为区域模式提供降水驱动场，从而得到更加精细的如长三角湿沉降、大气污染物的预报结果。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (4)

1.一种基于统计降尺度技术的短期气候预测方法，其特征在于：包括如下步骤，
S1、在建模的拟合时段内，对我国月平均降水和大尺度预测因子进行奇异值分解，通过这种奇异值分解计算，分别提取我国月平均降水和大尺度预测因子这两个变量的主模态典型耦合空间异性相关分布空间型和相应的主成分时间序列对；
S2、对月平均降水和大尺度预测因子进行连续月滚动建模；利用逐步回归分析的方法，获取适用于预测时间段的月平均降水和大尺度预测因子的自适应主模态典型耦合空间异性相关分布型以及主成分时间序列对；
S3、利用一元线性回归分析的方法，根据建模的拟合时段内的月平均降水和大尺度预测因子的自适应主成分时间序列对，得到预测时间段的月平均降水的线性回归后的自适应主成分时间序列对；之后，利用预测时间段的大尺度预测因子原始场以及建模时段的自适应主模态典型耦合空间异性相关分布型，投影得到预测时间段的预测因子的自适应主成分时间序列对；最后，利用预测时间段的月平均降水的自适应主成分时间序列对和建模时间段的月平均降水的自适应主模态典型耦合空间异性相关分布型，得到目标预报年的月平均降水结果。
2.根据权利要求1所述的基于统计降尺度技术的短期气候预测方法，其特征在于：步骤S1具体为，在建模的拟合时段t内，将使用经验正交分解方法滤波之后的月平均降水和大尺度预测因子利用奇异值分解方法进行分解，分别提取两变量的主模态典型耦合空间异性相关分布型和相应的主成分时间序列对，计算公式如下，
Figure FDA0002712563170000011
Figure FDA0002712563170000012
其中，m为所有的奇异值向量分解模态总数；x为空间点，t为时间；A(t,x)和B(t,x)分别表示月平均降水和大尺度预测因子；Ri(x)和Ui(x)分别表示月平均降水和大尺度预测因子的第i个模态的典型耦合空间异性相关分布型；Ki(t)和Si(t)分别表示月平均降水和大尺度预测因子第i个奇异值向量分解模态的主成分时间序列对。
3.根据权利要求2所述的基于统计降尺度技术的短期气候预测方法，其特征在于：步骤S2具体为，结合步骤S1中获取的月平均降水和大尺度预测因子的主模态典型耦合空间异性相关分布型以及主成分时间序列对，进行连续月滚动建模，利用逐步回归分析的方法，获取适用于目标预报年的月平均降水和大尺度预测因子的自适应主模态典型耦合空间异性相关分布型以及主成分时间序列对，计算公式如下，
Ri(t+Δt,x)＝α×Ri(t,x)
Ui(t+Δt,x)＝β×Ui(t,x)
Ki(t+Δt)＝A(t,x)×Ri(t+Δt,x)
Si(t+Δt)＝B(t,x)×Ui(t+Δt,x)
其中，α和β分别为月平均降水和大尺度预测因子耦合变化空间型的逐步回归自适应系数；Ri(t+Δt,x)和Ui(t+Δt,x)分别表示月平均降水和大尺度预测因子的第i个模态的自适应主模态典型耦合空间异性相关分布型；Ki(t+Δt)和Si(t+Δt)分别表示月平均降水和大尺度预测因子第i个自适应的主成分时间序列对；t+Δt为当前预报时间，t为拟合时间。
4.根据权利要求3所述的基于统计降尺度技术的短期气候预测方法，其特征在于：步骤S3具体为，根据步骤S2中获取的适用于预测目标月平均降水的月平均降水和大尺度预测因子的自适应主模态典型耦合空间异性相关分布型以及主成分时间序列对，利用一元线性回归关系，获取得到预测时间段的月平均降水的自适应主成分时间序列对；计算公式如下，
Figure FDA0002712563170000021
其中，Si(t)为月平均降水的主成分时间序列对；
Figure FDA0002712563170000022
为利用Si(t)线性回归得到的月平均降水的自适应主成分时间序列对；βi为一元线性回归系数；εi为残差；i＝1,2,…,n，n为保留的奇异值向量分解模态数；
利用预测时间段的月平均降水的自适应主成分时间序列对和建模时间段的月平均降水的自适应主模态典型耦合空间异性相关分布型，得到目标预报年的月平均降水结果；计算公式为，
Figure FDA0002712563170000031
其中，A(t+Δt,x)为目标预报年的月平均降水；
Figure FDA0002712563170000032
为预测时间段的月平均降水的自适应主成分时间序列对。
CN202011061566.7A 2020-09-30 2020-09-30 一种基于统计降尺度技术的短期气候预测方法 Active CN113219555B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011061566.7A CN113219555B (zh) 2020-09-30 2020-09-30 一种基于统计降尺度技术的短期气候预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011061566.7A CN113219555B (zh) 2020-09-30 2020-09-30 一种基于统计降尺度技术的短期气候预测方法

Publications (2)

Publication Number Publication Date
CN113219555A CN113219555A (zh) 2021-08-06
CN113219555B true CN113219555B (zh) 2021-10-26

Family

ID=77085786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011061566.7A Active CN113219555B (zh) 2020-09-30 2020-09-30 一种基于统计降尺度技术的短期气候预测方法

Country Status (1)

Country Link
CN (1) CN113219555B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113836129B (zh) * 2021-09-26 2024-01-26 华北电力大学 一种基于经验正交分解的日尺度降尺度预测方法
WO2023240509A1 (zh) * 2022-06-15 2023-12-21 中山大学 一种基于降水预报与遥相关对应关系的空间概率分析方法及系统
CN117575873B (zh) * 2024-01-15 2024-04-05 安徽大学 综合气象水文敏感性的洪水警戒方法与系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103838979A (zh) * 2014-03-26 2014-06-04 武汉大学 一种基于支持向量机算法的统计降尺度方法
CN107103396A (zh) * 2017-06-13 2017-08-29 南京大学 基于主要svd模态建模的中国季节气候预测方法
CN108647806A (zh) * 2018-04-04 2018-10-12 南京信息工程大学 一种考虑大尺度环流背景场的延伸期预报方法
CN111597494A (zh) * 2020-05-07 2020-08-28 山东大学 一种基于非平稳时间序列分解的统计降尺度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2820129A1 (en) * 2010-12-15 2012-06-21 Eni S.P.A. Medium-long term meteorological forecasting method and system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103838979A (zh) * 2014-03-26 2014-06-04 武汉大学 一种基于支持向量机算法的统计降尺度方法
CN107103396A (zh) * 2017-06-13 2017-08-29 南京大学 基于主要svd模态建模的中国季节气候预测方法
CN108647806A (zh) * 2018-04-04 2018-10-12 南京信息工程大学 一种考虑大尺度环流背景场的延伸期预报方法
CN111597494A (zh) * 2020-05-07 2020-08-28 山东大学 一种基于非平稳时间序列分解的统计降尺度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
中国夏季降水的组合统计降尺度模型预测研究;刘颖等;《气候与环境研究》;20200331;第25卷(第02期);第163-170页 *

Also Published As

Publication number Publication date
CN113219555A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN113219555B (zh) 一种基于统计降尺度技术的短期气候预测方法
Chen et al. Fengwu: Pushing the skillful global medium-range weather forecast beyond 10 days lead
CN111080032A (zh) 一种基于Transformer结构的负荷预测方法
CN102880755B (zh) 一种极端降水的定量预测方法及系统
CN109583653B (zh) 基于统计模型的西北太平洋台风的延伸期预报方法
CN112765808B (zh) 一种生态干旱的监测与评估方法
CN111896680B (zh) 基于卫星遥感数据的温室气体排放分析方法及系统
CN111191193A (zh) 一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法
CN107748940B (zh) 一种节电潜力量化预测方法
Wehner et al. Evaluation of extreme sub-daily precipitation in high-resolution global climate model simulations
Yang et al. Will the arid and semi-arid regions of Northwest China become warmer and wetter based on CMIP6 models?
CN115859620A (zh) 一种基于多头注意力机制和图神经网络的径流重建方法
CN113610437A (zh) 一种承灾体动态暴露度评估方法及系统
CN117171128A (zh) 一种基于四水耦合模型的水生生物保护阈值识别方法
CN114707687A (zh) 基于热带大气次季节振荡信号的旬降水预测方法和系统
CN113435630B (zh) 一种产流模式自适应的流域水文预报方法及系统
CN115630337A (zh) 基于大尺度气候遥相关的极端降雨归因的定量评估方法及系统
CN115878685A (zh) 融合多指标的综合偏差干旱指数的旱情监测方法
Darvishi Salookolaei et al. Application of grey system theory in rainfall estimation
Westra et al. Probabilistic estimation of multivariate streamflow using independent component analysis and climate information
CN113704695A (zh) 一种适用于区域数值模式集合模拟预报的初值小扰动法
CN110555554A (zh) 一种基于客观定量化的智能气候预测技术
Li et al. An end-to-end air pollutant concentrations prediction algorithm based on attention mechanism for targeted season: A case study in North China
Cheng et al. Rainfall frequency analysis using event-maximum rainfalls–An event-based mixture distribution modeling approach
Shashikanth et al. Fine resolution Indian summer monsoon rainfall projection with statistical downscaling

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