CN113221463B - 一种海洋风能密度格网数据空间降尺度方法和装置 - Google Patents
一种海洋风能密度格网数据空间降尺度方法和装置 Download PDFInfo
- Publication number
- CN113221463B CN113221463B CN202110557020.9A CN202110557020A CN113221463B CN 113221463 B CN113221463 B CN 113221463B CN 202110557020 A CN202110557020 A CN 202110557020A CN 113221463 B CN113221463 B CN 113221463B
- Authority
- CN
- China
- Prior art keywords
- resolution
- wind energy
- energy density
- grid
- ocean wind
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000007613 environmental effect Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000011160 research Methods 0.000 claims description 12
- 238000012417 linear regression Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000013535 sea water Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种海洋风能密度格网数据空间降尺度方法和装置,本发明基于地统计学理论,结合地理加权回归模型和面到点克里金插值法实现海洋风能密度格网数据的空间降尺度,降尺度得到的高分辨率海洋风能密度数据能够有效支持海洋风能资源精细评估与海上风电场微观选址。本申请提出的空间降尺度方法不仅可以拟合海洋风能密度与海表温度、离岸距离等辅助变量的空间异质性关系,而且能够表达粗细分辨率面元转换的尺度效应以及利用海洋风能分布内在的空间相关性,保证了海洋风能密度高分辨率降尺度结果的精确。
Description
技术领域
本发明涉及地理信息技术领域,尤其是涉及一种海洋风能密度格网数据空间降尺度方法和装置。
背景技术
发展使用风能等清洁可再生的新型能源,是解决石油煤炭等传统能源过耗危机、控制温室气体排放和全球变暖的重要途径之一。尤其海洋风能具有储量丰富、可利用时间长,分布广泛和安全系数高等重要特征,适宜于大规模风力发电场的规划发展。海上风电场的建立往往需要基于海面风场观测资料对海洋风能资源时空分布格局进行精细评估并进行合理规划选址。
现有的海面风场数据获取方式包括微波遥感反演和数值模式模拟两种方式,上述两种方式输出的海面风场数据的空间分辨率不足,容易影响海洋风能资源的评估,从而影响海上风电场的选址。
发明内容
鉴于上述情况,本申请实施例提供了一种高精度、高分辨率的海洋风能密度格网数据空间降尺度方法和装置。
第一方面,本申请实施例提供了一种海洋风能密度格网数据空间降尺度方法,包括以下步骤:
获取研究区第一分辨率的海洋风能密度格网数据和第二分辨率的环境参数格网数据;其中,所述第二分辨率高于所述第一分辨率;
对所述第二分辨率的环境参数格网数据进行空间升尺度,得到第一分辨率的环境参数格网数据;
基于逐步线性回归方法,获取研究区内与海洋风能密度相关性最高的前K个环境参数格网数据作为辅助参数格网数据;
基于所述第一分辨率的海洋风能密度格网数据和辅助参数格网数据,构建并训练地理加权回归模型,获取第一分辨率的模型回归系数和回归残差项;
将所述第一分辨率的模型回归系数最邻近重采样为第二分辨率的模型回归系数;
将所述第二分辨率的辅助参数格网数据输入所述地理加权回归模型,获取第二分辨率的海洋风能密度趋势项;
基于面到点克里金插值法,对所述第一分辨率的回归残差项进行空间降尺度,得到第二分辨率的回归残差项;
依次将各个格网点的第二分辨率的回归残差项与第二分辨率的海洋风能密度趋势项相加,得到第二分辨率的海洋风能密度格网数据。
可选的,所述获取第二分辨率的海洋风能密度趋势项的步骤包括:
按照以下方式,获取第二分辨率的海洋风能密度趋势项:
其中,权重λi的求解方程组为:
上式中γcc(xi,xj)是第一分辨率格网点xi与xj之间的面与面变异函数,γfc(v0,xi)是第二分辨率格网点v0与第一分辨率格网点xi之间的点与面变异函数,μ为拉格朗日算子;假定s为任意两个格网点中心的距离,γfc(s)与γcc(s)通过第二分辨率格网上的点与点变异函数γff(s)和点扩展函数h(s)之间的卷积推算,*为卷积运算符:
γfc(s)=γff(s)*h(s)
γcc(s)=γff(s)*h(s)*h(-s)。
第二方面,本申请实施例提供了一种海洋风能密度格网数据空间降尺度装置,包括:
第一数据获取模块,用于获取研究区第一分辨率的海洋风能密度格网数据和第二分辨率的环境参数格网数据;其中,所述第二分辨率高于所述第一分辨率;
升尺度模块,用于对所述第二分辨率的环境参数格网数据进行空间升尺度,得到第一分辨率的环境参数格网数据;
第一参数获取模块,用于基于逐步线性回归方法,获取研究区内与海洋风能密度相关性最高的前K个环境参数格网数据作为辅助参数格网数据;
模型构建模块,用于基于所述第一分辨率的海洋风能密度格网数据和辅助参数格网数据,构建并训练地理加权回归模型,获取第一分辨率的模型回归系数和回归残差项;
回归系数获取模块,用于将所述第一分辨率的模型回归系数最邻近重采样为第二分辨率的模型回归系数;
趋势项获取模块,用于将所述第二分辨率的辅助参数格网数据输入所述地理加权回归模型,获取第二分辨率的海洋风能密度趋势项;
残差项降尺度模块,用于基于面到点克里金插值法,对所述第一分辨率的回归残差项进行空间降尺度,得到第二分辨率的回归残差项;
海洋风能密度获取模块,用于依次将各个格网点的第二分辨率的回归残差项与第二分辨率的海洋风能密度趋势项相加,得到第二分辨率的海洋风能密度格网数据。
第三方面,本申请实施例提供了一种计算机可读存储介质,其上储存有计算机程序,该计算机程序被处理器执行时实现如上述任意一项所述海洋风能密度格网数据空间降尺度方法的步骤。
第四方面,本申请实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述海洋风能密度格网数据空间降尺度方法的步骤
本申请实施例基于地统计学理论,结合地理加权回归模型和面到点克里金插值法实现海洋风能密度格网数据的空间降尺度,降尺度得到的高分辨率海洋风能密度数据能够有效支持海洋风能资源精细评估与海上风电场微观选址。本申请提出的空间降尺度方法不仅可以拟合海洋风能密度与海表温度、离岸距离等辅助变量的空间异质性关系,而且能够表达粗细分辨率面元转换的尺度效应以及利用海洋风能分布内在的空间相关性,保证了海洋风能密度高分辨率降尺度结果的精确。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本发明一个示例性的实施例中一种海洋风能密度格网数据空间降尺度方法的流程图;
图2为本发明一个示例性的实施例中一种海洋风能密度格网数据空间降尺度装置的结构示意图.
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确,所描述的实施例仅仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它例子,都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅用于区别类似的对象,而不必用于描述特定的顺序或先后次序,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
此外,在本申请的描述中,除非另有说明,“若干个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
如图1所示,本发明提供了一种海洋风能密度格网数据空间降尺度方法,包括以下步骤:
步骤S1:获取研究区第一分辨率的海洋风能密度格网数据和第二分辨率的环境参数格网数据;其中,所述第二分辨率高于所述第一分辨率;
所述研究区为设定的一片地表区域,在本申请实施例中,所述研究区可以是某个海洋。
海洋风能密度是指气流在单位时间内垂直通过单位面积的风能,可用于确定海洋的风能分布状况。在一个实施例中,海洋风能密度可以从CCMP海面风场资料中获取。CCMP(Cross Calibrated Multi-Platform)风场数据是由ESE提供,以欧洲中期天气预报中心(ECMWF)的再分析资料为背景场,采用增强的变分同化分析法融合了多种卫星探测海面风资料和船舶、浮标观测资料的距海面10m高的风场数据。
所述环境参数为研究区环境的地理数据,例如海表温度、海水深度和离岸距离等环境参数。其中,第二分辨率的海表温度可以从美国国家海洋和大气局NOAA提供的最优插值数据产品中获取,第二分辨率的海水深度数据可以从美国地球物理数据中心NGDC提供的ETOPO系列数据产品中获取,第二分辨率的离岸距离可以从NOAA国家环境信息中心提供的GSHHG海岸线数据中获取。
步骤S2:对所述第二分辨率的环境参数格网数据进行空间升尺度,得到第一分辨率的环境参数格网数据;
在一个实施例中,可以通过像元聚合的方式对所述第二分辨率的环境参数格网数据进行空间升尺度,得到第一分辨率的环境参数格网数据。
步骤S3:基于逐步线性回归方法,获取研究区内与海洋风能密度相关性最高的前K个环境参数格网数据作为辅助参数格网数据;
逐步线性回归方法是将变量逐个引入模型,每引入一个解释变量后进行F检验,并对已经选入的解释变量逐个进行t检验,当原来引入的解释变量由于后面解释变量的引入变得不再显著时,则将其删除;以确保每次引入新的变量之前回归方程中只包含显著性变量。
在一个实施例中,所述环境参数格网数据包括海表温度、海水深度和离岸距离,通过计算海表温度、海水深度、离岸距离与海洋风能密度之间的相关性,并选取相关性最高的前K个参数作为辅助参数;其中,0<K≤3;通过逐步线性回归方法,识别显著影响海洋风能分布的关键辅助参数,以提高构建地理加权回归模型的准确性。
步骤S4:基于所述第一分辨率的海洋风能密度格网数据和辅助参数格网数据,构建并训练地理加权回归模型,获取第一分辨率的模型回归系数和回归残差项;
以所述第一分辨率的辅助参数格网数据作为输入变量,以海洋风能密度格网数据作为输出变量,构建用于获取海洋风能密度格网数据的地理加权回归模型,并利用第一分辨率的海洋风能密度格网数据训练该地理加权回归模型,使所述地理加权回归模型达到预设的精度。
其中,所述预设的精度根据用户的实际需求进行设定。
步骤S5:将所述第一分辨率的模型回归系数最邻近重采样为第二分辨率的模型回归系数;
最邻近法是指将与某像元位置最邻近的像元值作为该像元的新值,在本申请实施例中,利用最邻近法对将所述第一分辨率的模型回归系数进行重采样,得到第二分辨率的模型回归系数。
步骤S6:将所述第二分辨率的辅助参数格网数据输入所述地理加权回归模型,获取第二分辨率的海洋风能密度趋势项;
所述海洋风能密度趋势项即为所述地理加权回归模型预测的高分辨率网格的海洋风能密度值。具体地,按照以下方式,获取第二分辨率的海洋风能密度趋势项:
步骤S7:基于面到点克里金插值法,对所述第一分辨率的回归残差项进行空间降尺度,得到第二分辨率的回归残差项;
面到点克里金方法方法是一种根据样品空间位置不同、样品间相关程度不同,对每个样品品味赋予不同的权,进行滑动加权平均,以估计中心块段平均段位的统计学方法。本步骤中,利用面到点克里金方法将第一分辨率的残差降尺度为第二分辨率的残差,再将所述第二分辨率的回归残差项与所述第二分辨率的海洋风能密度趋势项相加,从而得到经误差校正的第二分辨率的海洋风能密度格网数据。
其中,权重λi的求解方程组为:
上式中,γcc(xi,xj)是第一分辨率格网点xi与xj之间的面与面变异函数,γfc(vb,xi)是第二分辨率格网点v0与第一分辨率格网点xi之间的点与面变异函数,μ为拉格朗日算子;假定s为任意两个格网点中心的距离,γfc(s)与γcc(s)通过第二分辨率格网上的点与点变异函数γff(s)和点扩展函数h(s)之间的卷积推算,*为卷积运算符:
γfc(s)=γff(s)*h(s)
γcc(s)=γff(s)*h(s)*h(-s)。
步骤S8:依次将各个格网点的第二分辨率的回归残差项与第二分辨率的海洋风能密度趋势项相加,得到第二分辨率的海洋风能密度格网数据。
依次在第二分辨率格网点上计算即得到第二分辨率的海洋风能密度格网数据。
在本申请实施例中,通过利用时空覆盖全面的多平台交叉校正(CCMP)海面风场再分析资料计算得到初始低分辨率海洋风能密度格网数据,进而基于地统计学理论,结合地理加权回归模型和面到点克里金插值法实现海洋风能密度格网数据的空间降尺度,降尺度得到的高分辨率海洋风能密度数据能够有效支持海洋风能资源精细评估与海上风电场微观选址。本申请实施例提出的海洋风能密度格网数据空间降尺度方法不仅可以拟合海洋风能密度与海表温度、离岸距离等辅助变量的空间异质性关系,而且能够表达粗细分辨率面元转换的尺度效应以及利用海洋风能分布内在的空间相关性,保证了海洋风能密度高分辨率降尺度结果的精确性。
如图2所示,本申请实施例还提供了一种海洋风能密度格网数据空间降尺度装置,包括:
第一数据获取模块1,用于获取研究区第一分辨率的海洋风能密度格网数据和第二分辨率的环境参数格网数据;其中,所述第二分辨率高于所述第一分辨率;
升尺度模块2,用于对所述第二分辨率的环境参数格网数据进行空间升尺度,得到第一分辨率的环境参数格网数据;
第一参数获取模块3,用于基于逐步线性回归方法,获取研究区内与海洋风能密度相关性最高的前K个环境参数格网数据作为辅助参数格网数据;
模型构建模块4,用于基于所述第一分辨率的海洋风能密度格网数据和辅助参数格网数据,构建并训练地理加权回归模型,获取第一分辨率的模型回归系数和回归残差项;
回归系数获取模块5,用于将所述第一分辨率的模型回归系数最邻近重采样为第二分辨率的模型回归系数;
趋势项获取模块6,用于将所述第二分辨率的辅助参数格网数据输入所述地理加权回归模型,获取第二分辨率的海洋风能密度趋势项;
残差项降尺度模块7,用于基于面到点克里金插值法,对所述第一分辨率的回归残差项进行空间降尺度,得到第二分辨率的回归残差项;
海洋风能密度获取模块8,用于依次将各个格网点的第二分辨率的回归残差项与第二分辨率的海洋风能密度趋势项相加,得到第二分辨率的海洋风能密度格网数据。
需要说明的是,上述实施例提供的海洋风能密度格网数据空间降尺度装置在执行海洋风能密度格网数据空间降尺度方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分为不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的海洋风能密度格网数据空间降尺度装置与海洋风能密度格网数据空间降尺度方法属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
本申请实施例还提供了一种计算机可读存储介质,其上储存有计算机程序,该计算机程序被处理器执行时实现如上述任意一项所述海洋风能密度格网数据空间降尺度方法的步骤。
本申请实施例可采用在一个或多个其中包含有程序代码的存储介质(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。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
本申请实施例还提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述海洋风能密度格网数据空间降尺度方法的步骤。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变形。
Claims (6)
1.一种海洋风能密度格网数据空间降尺度方法,其特征在于,包括以下步骤:
获取研究区第一分辨率的海洋风能密度格网数据和第二分辨率的环境参数格网数据;其中,所述第二分辨率高于所述第一分辨率;
对所述第二分辨率的环境参数格网数据进行空间升尺度,得到第一分辨率的环境参数格网数据;
基于逐步线性回归方法,获取研究区内与海洋风能密度相关性最高的前K个环境参数格网数据作为辅助参数格网数据;
基于所述第一分辨率的海洋风能密度格网数据和辅助参数格网数据,构建并训练地理加权回归模型,获取第一分辨率的模型回归系数和回归残差项;
将所述第一分辨率的模型回归系数最邻近重采样为第二分辨率的模型回归系数;
将所述第二分辨率的辅助参数格网数据输入所述地理加权回归模型,获取第二分辨率的海洋风能密度趋势项;
基于面到点克里金插值法,对所述第一分辨率的回归残差项进行空间降尺度,得到第二分辨率的回归残差项;
依次将各个格网点的第二分辨率的回归残差项与第二分辨率的海洋风能密度趋势项相加,得到第二分辨率的海洋风能密度格网数据。
3.根据权利要求1所述的海洋风能密度格网数据空间降尺度方法,其特征在于,对所述第一分辨率的回归残差项进行空间降尺度,得到第二分辨率的回归残差项的步骤中,第二分辨率的格网点v0回归残差项是N个邻近的第一分辨率的格网点xi残差项r(xi)的线性加权平均:
其中,权重λi的求解方程组为:
上式中,γcc(xi,xj)是第一分辨率格网点xi与xj之间的面与面变异函数,γfc(v0,xi)是第二分辨率格网点v0与第一分辨率格网点xi之间的点与面变异函数,μ为拉格朗日算子;假定s为任意两个格网点中心的距离,γfc(s)与γcc(s)通过第二分辨率格网上的点与点变异函数γff(s)和点扩展函数h(s)之间的卷积推算,*为卷积运算符:
γfc(s)=γff(s)*h(s)
γcc(s)=γff(s)*h(s)*h(-s)。
4.一种海洋风能密度格网数据空间降尺度装置,其特征在于,包括:
第一数据获取模块,用于获取研究区第一分辨率的海洋风能密度格网数据和第二分辨率的环境参数格网数据;其中,所述第二分辨率高于所述第一分辨率;
升尺度模块,用于对所述第二分辨率的环境参数格网数据进行空间升尺度,得到第一分辨率的环境参数格网数据;
第一参数获取模块,用于基于逐步线性回归方法,获取研究区内与海洋风能密度相关性最高的前K个环境参数格网数据作为辅助参数格网数据;
模型构建模块,用于基于所述第一分辨率的海洋风能密度格网数据和辅助参数格网数据,构建并训练地理加权回归模型,获取第一分辨率的模型回归系数和回归残差项;
回归系数获取模块,用于将所述第一分辨率的模型回归系数最邻近重采样为第二分辨率的模型回归系数;
趋势项获取模块,用于将所述第二分辨率的辅助参数格网数据输入所述地理加权回归模型,获取第二分辨率的海洋风能密度趋势项;
残差项降尺度模块,用于基于面到点克里金插值法,对所述第一分辨率的回归残差项进行空间降尺度,得到第二分辨率的回归残差项;
海洋风能密度获取模块,用于依次将各个格网点的第二分辨率的回归残差项与第二分辨率的海洋风能密度趋势项相加,得到第二分辨率的海洋风能密度格网数据。
5.一种计算机可读存储介质,其上储存有计算机程序,其特征在于:该计算机程序被处理器执行时实现如权利要求1-3任意一项所述海洋风能密度格网数据空间降尺度方法的步骤。
6.一种计算机设备,其特征在于:包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-3中任意一项所述海洋风能密度格网数据空间降尺度方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110557020.9A CN113221463B (zh) | 2021-05-21 | 2021-05-21 | 一种海洋风能密度格网数据空间降尺度方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110557020.9A CN113221463B (zh) | 2021-05-21 | 2021-05-21 | 一种海洋风能密度格网数据空间降尺度方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221463A CN113221463A (zh) | 2021-08-06 |
CN113221463B true CN113221463B (zh) | 2022-07-01 |
Family
ID=77093720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110557020.9A Active CN113221463B (zh) | 2021-05-21 | 2021-05-21 | 一种海洋风能密度格网数据空间降尺度方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221463B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750799A (zh) * | 2012-06-18 | 2012-10-24 | 中国南方电网有限责任公司超高压输电公司 | 一种基于空间离子电流密度的直流输电线路山火监测装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8208026B2 (en) * | 2009-03-02 | 2012-06-26 | Flir Systems, Inc. | Systems and methods for processing infrared images |
US8930299B2 (en) * | 2010-12-15 | 2015-01-06 | Vaisala, Inc. | Systems and methods for wind forecasting and grid management |
US20160269711A1 (en) * | 2014-02-21 | 2016-09-15 | Lg Electronics Inc. | Method and apparatus for processing 3-dimensional broadcasting signal |
-
2021
- 2021-05-21 CN CN202110557020.9A patent/CN113221463B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750799A (zh) * | 2012-06-18 | 2012-10-24 | 中国南方电网有限责任公司超高压输电公司 | 一种基于空间离子电流密度的直流输电线路山火监测装置 |
Non-Patent Citations (2)
Title |
---|
Hongda Hu 等.Long-term offshore wind power prediction using spatiotemporal kriging:A case study in China"s Guangdong Province.《Exploration & Exploitation》.2020, * |
刘明亮 等.基于1km格网的空间数据尺度效应研究.《遥感学报》.2001,第5卷(第3期), * |
Also Published As
Publication number | Publication date |
---|---|
CN113221463A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112905560B (zh) | 一种多源时空大数据深度融合的空气污染预测方法 | |
Brasseur et al. | Integrating biogeochemistry and ecology into ocean data assimilation systems | |
Beşiktepe et al. | Coupled physical and biogeochemical data-driven simulations of Massachusetts Bay in late summer: real-time and postcruise data assimilation | |
US8718939B2 (en) | Method and apparatus for three dimensional dynamic measurements in water system | |
CN113221464B (zh) | 一种地面站点与遥感观测降水数据融合方法和装置 | |
CN116758224B (zh) | 一种多源海洋观测资料的融合同化方法和装置 | |
Neme et al. | Seasonal and interannual variability of the Weddell Gyre from a high‐resolution global ocean‐sea ice simulation during 1958–2018 | |
Gasparin et al. | Assessment of the upper-ocean observing system in the equatorial Pacific: The role of Argo in resolving intraseasonal to interannual variability | |
Sakov et al. | Objective array design: Application to the tropical Indian Ocean | |
Pauthenet et al. | Four-dimensional temperature, salinity and mixed-layer depth in the Gulf Stream, reconstructed from remote-sensing and in situ observations with neural networks | |
Xu et al. | Spatio‐Temporal Analysis of Hypoxia in the Central Basin of Lake Erie of North America | |
Brasseur et al. | Data assimilation: Tools for modelling the ocean in a global change perspective | |
CN113221463B (zh) | 一种海洋风能密度格网数据空间降尺度方法和装置 | |
Dorfschäfer et al. | A new approach for estimating salinity in the Southwest Atlantic and its application in a data assimilation evaluation experiment | |
Finke et al. | Quantifying the uncertainty of a model-reconstructed soilscape for archaeological land evaluation | |
CN111814371B (zh) | 一种基于船载实测数据的海水温度场构建方法 | |
Manian et al. | Using genetic algorithms to optimize bathymetric sampling for predictive model input | |
Xu et al. | Data assimilation in a coupled physical-biological model for the Bohai Sea and the Northern Yellow Sea | |
Bahmanzadegan Jahromi et al. | An Investigation of the Hydrography of Chabahar Bay Using FVCOM Model and EOF Analysis | |
Young et al. | Initialization and Setup of the Coastal Model Test Bed: CSHORE | |
Grunwald | Disaggregation and scientific visualization of earthscapes considering trends and spatial dependence structures | |
Cahill et al. | A Bayesian hierarchical model for reconstructing relative sea level: from raw data to rates of change | |
Mallo Miranda | Evaluating “BinWaves”, a highly efficient nearshore wave propagation hybrid model | |
Wilkie | Nonparametric statistical downscaling for the fusion of in-lake and remote sensing data | |
Geri et al. | A 1D lattice Boltzmann model for ocean acidification |
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 |