CN113253364B - 一种对站点风速预报结果进行订正的方法及装置 - Google Patents

一种对站点风速预报结果进行订正的方法及装置 Download PDF

Info

Publication number
CN113253364B
CN113253364B CN202110731192.3A CN202110731192A CN113253364B CN 113253364 B CN113253364 B CN 113253364B CN 202110731192 A CN202110731192 A CN 202110731192A CN 113253364 B CN113253364 B CN 113253364B
Authority
CN
China
Prior art keywords
wind speed
prediction
model
historical
meteorological
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
CN202110731192.3A
Other languages
English (en)
Other versions
CN113253364A (zh
Inventor
匡秋明
向世明
张新邦
于廷照
胡骏楠
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.)
Public Meteorological Service Center Of China Meteorological Administration National Early Warning Information Release Center
Original Assignee
Public Meteorological Service Center Of China Meteorological Administration National Early Warning Information Release Center
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 Public Meteorological Service Center Of China Meteorological Administration National Early Warning Information Release Center filed Critical Public Meteorological Service Center Of China Meteorological Administration National Early Warning Information Release Center
Priority to CN202110731192.3A priority Critical patent/CN113253364B/zh
Publication of CN113253364A publication Critical patent/CN113253364A/zh
Application granted granted Critical
Publication of CN113253364B publication Critical patent/CN113253364B/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
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/18—Testing or calibrating meteorological apparatus
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Environmental Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Atmospheric Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (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

本发明提供了一种对站点风速预报结果进行订正的方法及装置，方法包括：获取目标预报地区当前时段的气象数据以及地貌数据；将气象数据以及地貌数据输入气象特征提取模型，得到气象特征；获取预设数的风速预测模型分别对目标预报地区的历史风速预报结果以及未来风速预报结果；针对每一风速预测模型，基于该风速预测模型在目标预测地区的历史风速预报结果以及风速实测值，获取该风速预测模型的模型预测误差；将气象特征以及各模型预测误差输入风速订正模型，得到各风速预测模型的预测权重；计算每一风速预测模型的未来风速预报结果与预测权重的乘积，基于各乘积得到所述目标预报地区的站点风速预报订正结果。可以提升风速值预报的准确性。

Description

一种对站点风速预报结果进行订正的方法及装置
技术领域
本发明涉及气象预报技术领域，具体而言，涉及一种对站点风速预报结果进行订正的方法及装置。
背景技术
风速预测是气象预测中的一个重要分支，对人们日常生活、工农业生产、环境分析等都有极为重要的影响。为了对风速进行准确观测，人们在地球表面不同位置构建了多个气象观测站，对风速进行实时测量，并根据气象观测站的风速观测结果，对未来风速进行预报。但由于自然界风速涉及的气象因素较多，因素之间关联度十分复杂，对风速进行准确建模与预测复杂度较高，使得目前构建的各风速预测模型，由于考虑的气象因素不同，存在这样或那样的缺陷，对风速值进行预报的准确性较低。
发明内容
有鉴于此，本发明的目的在于提供对站点风速预报结果进行订正的方法及装置，以提高风速值的预报准确性。
第一方面，本发明实施例提供了对站点风速预报结果进行订正的方法，包括：
获取目标预报地区当前时段的气象数据以及地貌数据；
将气象数据以及地貌数据输入预先训练好的气象特征提取模型，得到气象特征；
获取预设数的风速预测模型分别对所述目标预报地区的历史风速预报结果以及未来风速预报结果；
针对每一风速预测模型，基于该风速预测模型在所述目标预测地区的历史风速预报结果，以及历史风速预报结果对应的风速实测值，获取该风速预测模型的模型预测误差；
将气象特征以及各风速预测模型的模型预测误差输入预先训练的风速订正模型，得到各风速预测模型的预测权重；
针对每一风速预测模型，计算该风速预测模型的未来风速预报结果与预测权重的乘积，基于各乘积得到所述目标预报地区的站点风速预报订正结果。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，获取所述风速订正模型，包括：
获取各观测站点的历史气象数据以及历史地貌数据；
将历史气象数据以及历史地貌数据输入所述气象特征提取模型，得到历史气象特征；
获取所述预设数的风速预测模型分别在所述观测站点的历史风速站点预报结果；
针对每一风速预测模型，基于该风速预测模型在各观测站点的历史风速站点预报结果，以及各观测站点的历史风速站点预报结果对应的站点风速实测值，获取该风速预测模型的模型预测站点误差；
依据历史气象特征以及各风速预测模型的模型站点预测误差，对风速待订正模型进行训练，得到风速订正模型，所述风速待订正模型包括动作网络子模型以及价值网络子模型。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述基于该风速预测模型在各观测站点的历史风速站点预报结果，以及各观测站点的历史风速站点预报结果对应的站点风速实测值，获取该风速预测模型的模型预测站点误差，包括：
获取风速预测模型在各观测站点的历史风速站点预报结果；
针对每一观测站点，对各时段的历史风速站点预报结果进行加权平均，得到该观测站点的历史风速站点预报结果，对各时段对应的站点风速实测值进行加权平均，得到观测站点的站点风速实测值；
计算历史风速站点预报结果与站点风速实测值的差值，获取差值的平方和；
对各观测站点的平方和进行加权平均，得到所述风速预测模型的模型预测站点误差。
结合第一方面的第一种可能的实施方式或第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述依据历史气象特征以及各风速预测模型的模型站点预测误差，对风速待订正模型进行训练，得到风速订正模型，包括：
针对每一观测站点的每一时段，将该时段的历史气象特征以及各风速预测模型基于该时段的模型站点预测误差，输入动作网络子模型中的全连接特征层，得到各风速预测模型的训练权重；
针对每一时段，将该时段的历史气象特征、各风速预测模型基于该时段的模型站点预测误差以及训练权重，输入价值网络子模型中的全连接特征层，得到风速预报加权结果；
依据风速预报加权结果以及该风速预报加权结果对应时段的站点风速实测值，计算价值损失，若价值损失大于预先设置的价值损失阈值，更新所述全连接特征层的参数，直至价值损失不大于价值损失阈值，得到风速订正模型。
结合第一方面、第一方面的第一种可能的实施方式至第三种可能的实施方式中的任一种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述气象特征提取模型包括：气象特征提取网络以及全局池化网络，将气象数据以及地貌数据输入预先训练好的气象特征提取模型，得到气象特征，包括：
将气象数据以及地貌数据输入预先训练好的气象特征提取网络，得到气象初始特征；
依据全局池化网络对气象初始特征进行全局池化处理，得到气象特征。
结合第一方面、第一方面的第一种可能的实施方式至第三种可能的实施方式中的任一种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述获取预设数的风速预测模型分别对所述目标预报地区的历史风速预报结果，包括：
针对每一风速预测模型，基于所述目标预报地区的经纬度数据，对该风速预测模型的历史风速预报结果进行双线性插值，获取该风速预测模型在所述目标预报地区的历史风速预报结果。
结合第一方面、第一方面的第一种可能的实施方式至第三种可能的实施方式中的任一种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述气象数据包括：地面温度数据、地面湿度数据、风速U分量数据、风速V分量数据，所述地貌数据包括：地形数据、地物数据、太阳高度角数据。
第二方面，本发明实施例还提供了一种对站点风速预报结果进行订正的装置，包括：
数据获取模块，用于获取目标预报地区当前时段的气象数据以及地貌数据；
特征提取模块，用于将气象数据以及地貌数据输入预先训练好的气象特征提取模型，得到气象特征；
预报结果获取模块，用于获取预设数的风速预测模型分别对所述目标预报地区的历史风速预报结果以及未来风速预报结果；
模型误差提取模块，用于针对每一风速预测模型，基于该风速预测模型在所述目标预测地区的历史风速预报结果，以及历史风速预报结果对应的风速实测值，获取该风速预测模型的模型预测误差；
权重配置模块，用于将气象特征以及各风速预测模型的模型预测误差输入预先训练的风速订正模型，得到各风速预测模型的预测权重；
预报订正模块，用于针对每一风速预测模型，计算该风速预测模型的未来风速预报结果与预测权重的乘积，基于各乘积得到所述目标预报地区的站点风速预报订正结果。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述的方法的步骤。
本发明实施例提供的对站点风速预报结果进行订正的方法及装置，通过获取目标预报地区当前时段的气象数据以及地貌数据；将气象数据以及地貌数据输入预先训练好的气象特征提取模型，得到气象特征；获取预设数的风速预测模型分别对所述目标预报地区的历史风速预报结果以及未来风速预报结果；针对每一风速预测模型，基于该风速预测模型在所述目标预测地区的历史风速预报结果，以及历史风速预报结果对应的风速实测值，获取该风速预测模型的模型预测误差；将气象特征以及各风速预测模型的模型预测误差输入预先训练的风速订正模型，得到各风速预测模型的预测权重；针对每一风速预测模型，计算该风速预测模型的未来风速预报结果与预测权重的乘积，基于各乘积得到所述目标预报地区的站点风速预报订正结果。这样，通过构建风速订正模型，基于模型预测误差对多个风速预测模型进行权重分析，对风速预测模型的输出结果进行融合订正，能够有效提升风速值的预报准确性。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的对站点风速预报结果进行订正的方法流程示意图；
图2示出了本发明实施例所提供的对站点风速预报结果进行订正的装置结构示意图；
图3为本申请实施例提供的一种计算机设备300的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供了一种对站点风速预报结果进行订正的方法及装置，下面通过实施例进行描述。
图1示出了本发明实施例所提供的对站点风速预报结果进行订正的方法流程示意图。如图1所示，该方法包括：
步骤101，获取目标预报地区当前时段的气象数据以及地貌数据；
本发明实施例中，作为一可选实施例，气象数据包括：地面温度数据、地面湿度数据、风速U分量数据、风速V分量数据，地貌数据包括：地形数据、地物数据、太阳高度角数据。
本发明实施例中，由于气象数据与地貌数据可能由不同的气象数据采集设备进行采集得到，尺寸可能不同。因而，作为一可选实施例，该方法还包括：
对地貌数据进行双线性插值处理，以使地貌数据的尺寸与气象数据的尺寸相同；
对气象数据以及插值处理后的地貌数据分别进行标准化、正则化处理。
本发明实施例中，作为一可选实施例，以气象数据的尺寸为基准，对尺寸与气象数据不同的地貌数据，进行双线性插值，使得插值后的地貌数据尺寸与气象数据尺寸相同。例如，对于尺寸为H hh xW h 的地貌数据，通过双线性插值的方法，将尺寸变换为气象数据的尺寸H lh xW l 。这样，通过对数据尺寸进行一致性处理，便于后续处理。当然，实际应用中，也可以地貌数据尺寸为基准，对与地貌数据不同尺寸的气象数据进行双线性插值。
本发明实施例中，在对数据进行标准化、正则化操作时，由于数据中包含的数据种类不同，需要对各种类数据分别进行标准化、正则化处理。以地貌数据为例，分别对地形数据、地物数据、太阳高度角数据进行标准化、正则化操作。关于标准化、正则化处理的具体流程，可参见相关技术文献，本发明实施例不再赘述。
本发明实施例中，作为一可选实施例，该方法还包括：
对气象数据和地貌数据进行数据融合，得到数据集。
本发明实施例中，将地面多模态的气象数据与地貌数据融合，得到数据集。例如，将大小为TxHxW的气象数据与大小为CxHxW的地貌数据进行叠加，获得大小为（T+C）xHxW的数据集，其中，T为气象数据包含的数据种类数，H为气象数据宽度，W为气象数据长度，C为地貌数据包含的数据种类数，HxW为数据的尺寸。例如，对于地貌数据，包含地形数据、地物数据、太阳高度角数据，对应的数据种类数为3。
本发明实施例中，对数据进行融合是将同一地区和同一时段的气象数据和地貌数据进行叠加。作为一可选实施例，一地区的一时段对应一数据集。
步骤102，将气象数据以及地貌数据输入预先训练好的气象特征提取模型，得到气象特征；
本发明实施例中，对于进行数据融合得到的数据集，将数据集输入气象特征提取模型，关于气象特征提取模型的训练，具体可参见相关技术文献，在此略去详述。作为一可选实施例，气象特征提取模型包括：气象特征提取网络以及全局池化网络，将气象数据以及地貌数据输入预先训练好的气象特征提取模型，得到气象特征，包括：
将气象数据以及地貌数据输入预先训练好的气象特征提取网络，得到气象初始特征；
依据全局池化网络对气象初始特征进行全局池化处理，得到气象特征。
本发明实施例中，气象特征提取网络为深度卷积网络，利用深度卷积网络对数据集（气象数据以及地貌数据）进行气象初始特征提取。作为一可选实施例，若数据集大小为：
Figure P_210629112525844_844281001
，则可以设置单个卷积核大小为
Figure P_210629112525875_875533002
, 在卷积操作过程中，卷积在特征上的每一个点进行遍历。每次计算得到输出特征在对应位置上的一个值。经过多个卷积核进行卷积处理后，将获取得到的特征在通道维度进行叠加，得到输出特征
Figure P_210629112525906_906853003
,其中，C0为输出维度大小，等于卷积核个数。
本发明实施例中，作为一可选实施例，全局池化操作如下：
设输入特征为：X∈R CxWxH ,输出大小为：
Figure P_210629112525938_938053001
,计算方法如下：
Figure P_210629112525985_985880001
其中，M i 为第i种类数据的气象特征，X i，m，n 为第i种类数据的第m行第n列的像素点的气象特征。通过C次计算，可以得到气象特征。
步骤103，获取预设数的风速预测模型分别对所述目标预报地区的历史风速预报结果以及未来风速预报结果；
本发明实施例中，作为一可选实施例，预设数为3，则获取三种不同风速预测模型对目标预报地区的未来风速预报结果，以及，三种不同风速预测模型对目标预报地区的历史风速预报结果。其中，未来风速预报结果包括：风速U分量数据、风速V分量数据，历史风速预报结果包括：风速U分量数据、风速V分量数据、时段数据。
本发明实施例中，由于风速预测模型并不是对每一地区进行风速预报，因而，需要对输出的风速预报结果进行线性插值处理，以得到目标预报地区的风速预报结果，作为一可选实施例，获取预设数的风速预测模型分别对所述目标预报地区的历史风速预报结果，包括：
针对每一风速预测模型，基于所述目标预报地区的经纬度数据，对该风速预测模型的历史风速预报结果进行双线性插值，获取该风速预测模型在所述目标预报地区的历史风速预报结果。
本发明实施例中，作为一可选实施例，双线性插值操作如下：
假设目标预报地区的经纬度坐标为（x,y），某一风速预测模型在目标预报地区位置上的风速插值结果为Q（x,y），则根据该目标预报地区的经纬度坐标，在风速预测模型的风速预报结果中，获取与该目标预报地区最邻近的四个预测风速点位置的经纬度坐标Q 11 （x 1 ，y 1 ）、，Q 12 （x 1 ，y 2 ）、Q 21 （x 2 ，y 1 ）、Q 22 （x 2 ，y 2 ），然后，在经度x方向上选取两个临时点R 1 （x， y 1 ）、R 2 （x 1 ，y 2 ），分别求出这两个临时点的风速预报结果，再在纬度y方向上，通过单线性插值求出Q（x,y）。
本发明实施例中，利用下式计算临时点的风速预报结果：
Figure P_210629112526031_031846001
利用下式计算风速预测模型在目标预报地区的风速预报结果：
Figure P_210629112526109_109877001
本发明实施例中，对于其他的风速预测模型，采用相同的方式获取该风速预测模型在目标预报地区的风速预报结果。
步骤104，针对每一风速预测模型，基于该风速预测模型在所述目标预测地区的历史风速预报结果，以及历史风速预报结果对应的风速实测值，获取该风速预测模型的模型预测误差；
本发明实施例中，作为一可选实施例，基于该风速预测模型在所述目标预测地区的历史风速预报结果，以及历史风速预报结果对应的风速实测值，获取该风速预测模型的模型预测误差，包括：
从风速预测模型在所述目标预测地区的各历史风速预报结果中，针对预设的每一历史时段，计算该时段的历史风速预报结果与风速实测值的差值，获取差值的平方和；
对各时段的平方和进行加权平均，得到所述风速预测模型的模型预测误差。
本发明实施例中，利用下式计算风速预测模型的模型预测误差：
Figure P_210629112526157_157913001
式中，
Figure P_210629112526219_219300001
为风速预测模型的模型预测误差；
Figure P_210629112526250_250617001
为风速预测模型在第i个历史时段的历史风速预报结果；
Figure P_210629112526297_297510001
为第i个历史时段的风速实测值；
Figure P_210629112526328_328995001
为历史时段数。
步骤105，将气象特征以及各风速预测模型的模型预测误差输入预先训练的风速订正模型，得到各风速预测模型的预测权重；
本发明实施例中，将目标预报地区的气象特征与各风速预测模型的模型预测误差进行拼接融合，作为风速订正模型的输入。
本发明实施例中，作为一可选实施例，各风速预测模型的预测权重之和为1。当然，实际应用中，各风速预测模型的预测权重之和也可以为其他值。
本发明实施例中，作为一可选实施例，获取所述风速订正模型，包括：
A11，获取各观测站点的历史气象数据以及历史地貌数据；
A12，将历史气象数据以及历史地貌数据输入所述气象特征提取模型，得到历史气象特征；
A13，获取所述预设数的风速预测模型分别在所述观测站点的历史风速站点预报结果；
本发明实施例中，针对每一观测站点，基于该观测站点的经纬度数据，对风速预测模型的历史风速站点预报结果进行双线性插值，获取该风速预测模型在该观测站点的历史风速站点预报结果。
本发明实施例中，作为一可选实施例，以华南地区为例，观测站点的数量为华南地区实际设置的观测站点数量，为6万个。将预报的二维历史风速站点预报结果与华南地区6万个观测站点的经纬度进行双线性插值，即针对每一风速预测模型，从其预报的各地区的历史风速站点预报结果中，获取与该观测站点相近的多个地区的历史风速站点预报结果，将获取的历史风速站点预报结果，依据该观测站点的经纬度进行插值，从而得到该风速预测模型在该观测站点的历史风速站点预报结果（风速插值结果）。依据相类似的方法，可以得到该风速预测模型分别在6万个观测站点的历史风速站点预报结果。
A14，针对每一风速预测模型，基于该风速预测模型在各观测站点的历史风速站点预报结果，以及各观测站点的历史风速站点预报结果对应的站点风速实测值，获取该风速预测模型的模型预测站点误差；
本发明实施例中，作为一可选实施例，基于该风速预测模型在各观测站点的历史风速站点预报结果，以及各观测站点的历史风速站点预报结果对应的站点风速实测值，获取该风速预测模型的模型预测站点误差，包括：
获取风速预测模型在各观测站点的历史风速站点预报结果；
针对每一观测站点，对各时段的历史风速站点预报结果进行加权平均，得到该观测站点的历史风速站点预报结果，对各时段对应的站点风速实测值进行加权平均，得到观测站点的站点风速实测值；
计算历史风速站点预报结果与站点风速实测值的差值，获取差值的平方和；
对各观测站点的平方和进行加权平均，得到所述风速预测模型的模型预测站点误差。
本发明实施例中，利用下式计算风速预测模型的模型预测站点误差：
Figure P_210629112526361_361814001
式中，
Figure P_210629112526424_424812001
为风速预测模型的模型预测站点误差；
Figure P_210629112526456_456087001
为风速预测模型在第i个观测站点的历史风速站点预报结果；
Figure P_210629112526516_516126001
为第i个观测站点的站点风速实测值；
Figure P_210629112526547_547383001
为观测站点数。
A15，依据历史气象特征以及各风速预测模型的模型站点预测误差，对风速待订正模型进行训练，得到风速订正模型，所述风速待订正模型包括动作网络子模型以及价值网络子模型。
本发明实施例中，作为一可选实施例，依据历史气象特征以及各风速预测模型的模型站点预测误差，对风速待订正模型进行训练，得到风速订正模型，包括：
针对每一观测站点的每一时段，将该时段的历史气象特征以及各风速预测模型基于该时段的模型站点预测误差，输入动作网络子模型中的全连接特征层，得到各风速预测模型的训练权重；
针对每一时段，将该时段的历史气象特征、各风速预测模型基于该时段的模型站点预测误差以及训练权重，输入价值网络子模型中的全连接特征层，得到风速预报加权结果；
依据风速预报加权结果以及该风速预报加权结果对应时段的站点风速实测值，计算价值损失，若价值损失大于预先设置的价值损失阈值，更新所述全连接特征层的参数，直至价值损失不大于价值损失阈值，得到风速订正模型。
本发明实施例中，动作网络子模型中的全连接特征层与价值网络子模型中的全连接特征层的参数相同。在得到了历史气象数据的历史气象特征后，针对每一观测站点的每一时段，将该时段的历史气象特征与各风速预测模型对应该时段的模型站点预测误差进行拼接，形成拼接数据，其中，每一条历史气象数据对应一历史气象特征。
本发明实施例中，若价值损失大于预先设置的价值损失阈值，依据反向传播算法更新全连接特征层的参数，然后，选取观测站点的另一时段的历史气象特征以及各风速预测模型基于该时段的模型站点预测误差，对动作网络子模型以及价值网络子模型进行训练，如此循环。
本发明实施例中，在强化学习框架下，价值网络子模型的输出为奖励值，该奖励值对动作网络子模型的输出进行评价。作为一可选实施例，奖励值根据动作函数输出加权值，计算最终预测结果与实际预测结果的误差取负，即模型预测站点误差。
本发明实施例中，作为一可选实施例，在对动作网络子模型与价值网络子模型训练时，使用深度确定性策略梯度（DDPG，Deep Deterministic Policy Gradient）算法，使用随机梯度下降（SGD，Stochastic Gradient Descent）优化器优化，对动作网络子模型与价值网络子模型使用学习率分别为0.001， 0.08，动作网络子模型与价值网络子模型更新权重为0.8。
步骤106，针对每一风速预测模型，计算该风速预测模型的未来风速预报结果与预测权重的乘积，基于各乘积得到所述目标预报地区的站点风速预报订正结果。
本发明实施例中，各风速预测模型的预测权重之和为1，将各乘积进行求和，得到站点风速预报订正结果，若各风速预测模型的预测权重之和为其他值，将各乘积进行求和后取平均值，得到站点风速预报订正结果。
本发明实施例中，假设有t个风速预测模型，目标预报地区包含有N个观测站点，即对N个观测站点的未来风速进行预报，设对应的未来风速预报结果分别为M 1 ,M 2 ,…,M t ,，对应的预测权重分别为r 1 ,r 2 ,…,r t ,，其中，某一风速预测模型对应的未来风速预报结果的矩阵形式可以表示为：
Figure P_210629112526579_579125001
式中，M i 为第i个风速预测模型对应的未来风速预报结果；
Figure P_210629112526625_625526001
为第i个风速预测模型在第1个观测站点的未来风速预报结果；
N为观测站点数。
对不同的风速预测模型的未来风速预报结果进行加权求和，可以得到目标预报地区的站点风速预报订正结果：
Figure P_210629112526672_672368001
本发明实施例中，在多个现有风速预测模型的基础上，通过构建包含深度卷积网络的风速订正模型，利用多模态气象数据与模型预测误差，对多个风速预测模型进行权重分析，从而对现有风速预测模型的输出结果进行融合订正，无需要考虑风速预测模型本身的特点与特性，可以根据各风速预测模型的模型预测误差进行订正，具有鲁棒性强，收敛能力好的特点，能够有效提升预报的风速值的准确性。
为说明本发明实施例的订正效果，利用本发明实施例的方法，对2020年3月下旬0至24小时逐3小时站点风速进行预测，从结果中可以看出，本发明实施例的方法，相比于单个风速预测模型，预测性能有较大的提升。
图2示出了本发明实施例所提供的对站点风速预报结果进行订正的装置结构示意图。如图2所示，该装置包括：
数据获取模块201，用于获取目标预报地区当前时段的气象数据以及地貌数据；
本发明实施例中，作为一可选实施例，气象数据包括：地面温度数据、地面湿度数据、风速U分量数据、风速V分量数据，地貌数据包括：地形数据、地物数据、太阳高度角数据。
特征提取模块202，用于将气象数据以及地貌数据输入预先训练好的气象特征提取模型，得到气象特征；
本发明实施例中，作为一可选实施例，气象特征提取模型包括：气象特征提取网络以及全局池化网络，特征提取模块202包括：
特征提取单元（图中未示出，用于）将气象数据以及地貌数据输入预先训练好的气象特征提取网络，得到气象初始特征；
特征池化单元，用于依据全局池化网络对气象初始特征进行全局池化处理，得到气象特征。
预报结果获取模块203，用于获取预设数的风速预测模型分别对所述目标预报地区的历史风速预报结果以及未来风速预报结果；
本发明实施例中，未来风速预报结果包括：风速U分量数据、风速V分量数据，历史风速预报结果包括：风速U分量数据、风速V分量数据、时段数据。
本发明实施例中，作为一可选实施例，预报结果获取模块203具体用于：
针对每一风速预测模型，基于所述目标预报地区的经纬度数据，对该风速预测模型的历史风速预报结果进行双线性插值，获取该风速预测模型在所述目标预报地区的历史风速预报结果。
模型误差提取模块204，用于针对每一风速预测模型，基于该风速预测模型在所述目标预测地区的历史风速预报结果，以及历史风速预报结果对应的风速实测值，获取该风速预测模型的模型预测误差；
本发明实施例中，作为一可选实施例，模型误差提取模块204具体用于：
从风速预测模型在所述目标预测地区的各历史风速预报结果中，针对预设的每一历史时段，计算该时段的历史风速预报结果与风速实测值的差值，获取差值的平方和；
对各时段的平方和进行加权平均，得到所述风速预测模型的模型预测误差。
权重配置模块205，用于将气象特征以及各风速预测模型的模型预测误差输入预先训练的风速订正模型，得到各风速预测模型的预测权重；
本发明实施例中，作为一可选实施例，各风速预测模型的预测权重之和为1。
预报订正模块206，用于针对每一风速预测模型，计算该风速预测模型的未来风速预报结果与预测权重的乘积，基于各乘积得到所述目标预报地区的站点风速预报订正结果。
本发明实施例中，作为一可选实施例，该装置还包括：
模型构建模块（图中未示出），用于获取各观测站点的历史气象数据以及历史地貌数据；
将历史气象数据以及历史地貌数据输入所述气象特征提取模型，得到历史气象特征；
获取所述预设数的风速预测模型分别在所述观测站点的历史风速站点预报结果；
针对每一风速预测模型，基于该风速预测模型在各观测站点的历史风速站点预报结果，以及各观测站点的历史风速站点预报结果对应的站点风速实测值，获取该风速预测模型的模型预测站点误差；
依据历史气象特征以及各风速预测模型的模型站点预测误差，对风速待订正模型进行训练，得到风速订正模型，所述风速待订正模型包括动作网络子模型以及价值网络子模型。
本发明实施例中，作为一可选实施例，基于该风速预测模型在各观测站点的历史风速站点预报结果，以及各观测站点的历史风速站点预报结果对应的站点风速实测值，获取该风速预测模型的模型预测站点误差，包括：
获取风速预测模型在各观测站点的历史风速站点预报结果；
针对每一观测站点，对各时段的历史风速站点预报结果进行加权平均，得到该观测站点的历史风速站点预报结果，对各时段对应的站点风速实测值进行加权平均，得到观测站点的站点风速实测值；
计算历史风速站点预报结果与站点风速实测值的差值，获取差值的平方和；
对各观测站点的平方和进行加权平均，得到所述风速预测模型的模型预测站点误差。
本发明实施例中，作为一可选实施例，依据历史气象特征以及各风速预测模型的模型站点预测误差，对风速待订正模型进行训练，得到风速订正模型，包括：
针对每一观测站点的每一时段，将该时段的历史气象特征以及各风速预测模型基于该时段的模型站点预测误差，输入动作网络子模型中的全连接特征层，得到各风速预测模型的训练权重；
针对每一时段，将该时段的历史气象特征、各风速预测模型基于该时段的模型站点预测误差以及训练权重，输入价值网络子模型中的全连接特征层，得到风速预报加权结果；
依据风速预报加权结果以及该风速预报加权结果对应时段的站点风速实测值，计算价值损失，若价值损失大于预先设置的价值损失阈值，更新所述全连接特征层的参数，直至价值损失不大于价值损失阈值，得到风速订正模型。
本发明实施例中，作为另一可选实施例，该装置还包括：
一致性处理模块，用于对地貌数据进行双线性插值处理，以使地貌数据的尺寸与气象数据的尺寸相同；
对气象数据以及插值处理后的地貌数据分别进行标准化、正则化处理。
如图3所示，本申请一实施例提供了一种计算机设备300，用于执行图1中的对站点风速预报结果进行订正的方法，该设备包括存储器301、处理器302及存储在该存储器301上并可在该处理器302上运行的计算机程序，其中，上述处理器302执行上述计算机程序时实现上述对站点风速预报结果进行订正的方法的步骤。
具体地，上述存储器301和处理器302能够为通用的存储器和处理器，这里不做具体限定，当处理器302运行存储器301存储的计算机程序时，能够执行上述对站点风速预报结果进行订正的方法。
对应于图1中的对站点风速预报结果进行订正的方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述对站点风速预报结果进行订正的方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述对站点风速预报结果进行订正的方法。
在本申请所提供的实施例中，应该理解到，所揭露系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory， ROM）、随机存取存储器（Random Access Memory ，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (9)

1.一种对站点风速预报结果进行订正的方法，其特征在于，包括：
获取目标预报地区当前时段的气象数据以及地貌数据；
将气象数据以及地貌数据输入预先训练好的气象特征提取模型，得到气象特征；
获取预设数的风速预测模型分别对所述目标预报地区的历史风速预报结果以及未来风速预报结果；
针对每一风速预测模型，基于该风速预测模型在所述目标预测地区的历史风速预报结果，以及历史风速预报结果对应的风速实测值，获取该风速预测模型的模型预测误差；
将气象特征以及各风速预测模型的模型预测误差输入预先训练的风速订正模型，得到各风速预测模型的预测权重；
针对每一风速预测模型，计算该风速预测模型的未来风速预报结果与预测权重的乘积，基于各乘积得到所述目标预报地区的站点风速预报订正结果；
获取所述风速订正模型，包括：
获取各观测站点的历史气象数据以及历史地貌数据；
将历史气象数据以及历史地貌数据输入所述气象特征提取模型，得到历史气象特征；
获取所述预设数的风速预测模型分别在所述观测站点的历史风速站点预报结果；
针对每一风速预测模型，基于该风速预测模型在各观测站点的历史风速站点预报结果，以及各观测站点的历史风速站点预报结果对应的站点风速实测值，获取该风速预测模型的模型预测站点误差；
依据历史气象特征以及各风速预测模型的模型站点预测误差，对风速待订正模型进行训练，得到风速订正模型，所述风速待订正模型包括动作网络子模型以及价值网络子模型。
2.根据权利要求1所述的方法，其特征在于，所述基于该风速预测模型在各观测站点的历史风速站点预报结果，以及各观测站点的历史风速站点预报结果对应的站点风速实测值，获取该风速预测模型的模型预测站点误差，包括：
获取风速预测模型在各观测站点的历史风速站点预报结果；
针对每一观测站点，对各时段的历史风速站点预报结果进行加权平均，得到该观测站点的历史风速站点预报结果，对各时段对应的站点风速实测值进行加权平均，得到观测站点的站点风速实测值；
计算历史风速站点预报结果与站点风速实测值的差值，获取差值的平方和；
对各观测站点的平方和进行加权平均，得到所述风速预测模型的模型预测站点误差。
3.根据权利要求1所述的方法，其特征在于，所述依据历史气象特征以及各风速预测模型的模型站点预测误差，对风速待订正模型进行训练，得到风速订正模型，包括：
针对每一观测站点的每一时段，将该时段的历史气象特征以及各风速预测模型基于该时段的模型站点预测误差，输入动作网络子模型中的全连接特征层，得到各风速预测模型的训练权重；
针对每一时段，将该时段的历史气象特征、各风速预测模型基于该时段的模型站点预测误差以及训练权重，输入价值网络子模型中的全连接特征层，得到风速预报加权结果；
依据风速预报加权结果以及该风速预报加权结果对应时段的站点风速实测值，计算价值损失，若价值损失大于预先设置的价值损失阈值，更新所述全连接特征层的参数，直至价值损失不大于价值损失阈值，得到风速订正模型。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述气象特征提取模型包括：气象特征提取网络以及全局池化网络，将气象数据以及地貌数据输入预先训练好的气象特征提取模型，得到气象特征，包括：
将气象数据以及地貌数据输入预先训练好的气象特征提取网络，得到气象初始特征；
依据全局池化网络对气象初始特征进行全局池化处理，得到气象特征。
5.根据权利要求1至3任一项所述的方法，其特征在于，所述获取预设数的风速预测模型分别对所述目标预报地区的历史风速预报结果，包括：
针对每一风速预测模型，基于所述目标预报地区的经纬度数据，对该风速预测模型的历史风速预报结果进行双线性插值，获取该风速预测模型在所述目标预报地区的历史风速预报结果。
6.根据权利要求1至3任一项所述的方法，其特征在于，所述气象数据包括：地面温度数据、地面湿度数据、风速U分量数据、风速V分量数据，所述地貌数据包括：地形数据、地物数据、太阳高度角数据。
7.一种对站点风速预报结果进行订正的装置，其特征在于，包括：
数据获取模块，用于获取目标预报地区当前时段的气象数据以及地貌数据；
特征提取模块，用于将气象数据以及地貌数据输入预先训练好的气象特征提取模型，得到气象特征；
预报结果获取模块，用于获取预设数的风速预测模型分别对所述目标预报地区的历史风速预报结果以及未来风速预报结果；
模型误差提取模块，用于针对每一风速预测模型，基于该风速预测模型在所述目标预测地区的历史风速预报结果，以及历史风速预报结果对应的风速实测值，获取该风速预测模型的模型预测误差；
权重配置模块，用于将气象特征以及各风速预测模型的模型预测误差输入预先训练的风速订正模型，得到各风速预测模型的预测权重；
预报订正模块，用于针对每一风速预测模型，计算该风速预测模型的未来风速预报结果与预测权重的乘积，基于各乘积得到所述目标预报地区的站点风速预报订正结果；
模型构建模块，用于获取各观测站点的历史气象数据以及历史地貌数据；
将历史气象数据以及历史地貌数据输入所述气象特征提取模型，得到历史气象特征；
获取所述预设数的风速预测模型分别在所述观测站点的历史风速站点预报结果；
针对每一风速预测模型，基于该风速预测模型在各观测站点的历史风速站点预报结果，以及各观测站点的历史风速站点预报结果对应的站点风速实测值，获取该风速预测模型的模型预测站点误差；
依据历史气象特征以及各风速预测模型的模型站点预测误差，对风速待订正模型进行训练，得到风速订正模型，所述风速待订正模型包括动作网络子模型以及价值网络子模型。
8.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至6任一所述的对站点风速预报结果进行订正的方法的步骤。
9.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至6任一所述的对站点风速预报结果进行订正的方法的步骤。
CN202110731192.3A 2021-06-30 2021-06-30 一种对站点风速预报结果进行订正的方法及装置 Active CN113253364B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110731192.3A CN113253364B (zh) 2021-06-30 2021-06-30 一种对站点风速预报结果进行订正的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110731192.3A CN113253364B (zh) 2021-06-30 2021-06-30 一种对站点风速预报结果进行订正的方法及装置

Publications (2)

Publication Number Publication Date
CN113253364A CN113253364A (zh) 2021-08-13
CN113253364B true CN113253364B (zh) 2021-10-08

Family

ID=77190227

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110731192.3A Active CN113253364B (zh) 2021-06-30 2021-06-30 一种对站点风速预报结果进行订正的方法及装置

Country Status (1)

Country Link
CN (1) CN113253364B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516320B (zh) * 2021-09-14 2021-12-10 国能日新科技股份有限公司 基于多目标遗传算法风速订正和预测风速优化方法及装置
CN114066059B (zh) * 2021-11-16 2023-03-28 中科三清科技有限公司 一种预测环境污染的方法和装置
CN114723120B (zh) * 2022-03-30 2023-03-24 北京城市气象研究院 一种近地面风速预报方法以及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110187727A (zh) * 2019-06-17 2019-08-30 武汉理工大学 一种基于深度学习和强化学习的玻璃熔炉温度控制方法
WO2019225064A1 (ja) * 2018-05-22 2019-11-28 株式会社日立製作所 気象予測装置、気象予測方法、並びに風力発電出力推定装置
CN110908014A (zh) * 2019-12-11 2020-03-24 国网湖南省电力有限公司 舞动精细化订正预报方法及系统
CN112684520A (zh) * 2020-12-30 2021-04-20 北京墨迹风云科技股份有限公司 一种气象预报的订正方法、装置、计算机设备及存储介质
CN112748483A (zh) * 2020-12-24 2021-05-04 北京思湃德信息技术有限公司 一种基于深度学习的气温预报偏差订正方法及装置
CN112990354A (zh) * 2021-04-15 2021-06-18 中国气象局公共气象服务中心(国家预警信息发布中心) 一种构建用于风速预测的深度卷积回归网络的方法及装置
CN113011106A (zh) * 2021-04-15 2021-06-22 中国气象局公共气象服务中心(国家预警信息发布中心) 一种多数值模式集成预报方法及装置
CN113159714A (zh) * 2021-04-01 2021-07-23 国网河南省电力公司电力科学研究院 一种面向电网的气象数据订正方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019225064A1 (ja) * 2018-05-22 2019-11-28 株式会社日立製作所 気象予測装置、気象予測方法、並びに風力発電出力推定装置
CN110187727A (zh) * 2019-06-17 2019-08-30 武汉理工大学 一种基于深度学习和强化学习的玻璃熔炉温度控制方法
CN110908014A (zh) * 2019-12-11 2020-03-24 国网湖南省电力有限公司 舞动精细化订正预报方法及系统
CN112748483A (zh) * 2020-12-24 2021-05-04 北京思湃德信息技术有限公司 一种基于深度学习的气温预报偏差订正方法及装置
CN112684520A (zh) * 2020-12-30 2021-04-20 北京墨迹风云科技股份有限公司 一种气象预报的订正方法、装置、计算机设备及存储介质
CN113159714A (zh) * 2021-04-01 2021-07-23 国网河南省电力公司电力科学研究院 一种面向电网的气象数据订正方法
CN112990354A (zh) * 2021-04-15 2021-06-18 中国气象局公共气象服务中心(国家预警信息发布中心) 一种构建用于风速预测的深度卷积回归网络的方法及装置
CN113011106A (zh) * 2021-04-15 2021-06-22 中国气象局公共气象服务中心(国家预警信息发布中心) 一种多数值模式集成预报方法及装置

Also Published As

Publication number Publication date
CN113253364A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN113253364B (zh) 一种对站点风速预报结果进行订正的方法及装置
CN110738252B (zh) 空间自相关的机器学习卫星降水数据降尺度方法、系统
Oñate-Valdivieso et al. Application of GIS and remote sensing techniques in generation of land use scenarios for hydrological modeling
CN113204061B (zh) 一种构建格点风速订正模型的方法及装置
CN111639787A (zh) 一种基于图卷积网络的时空数据预测方法
CN110427818B (zh) 高光谱数据支持的深度学习卫星数据云检测方法
Cho et al. A novel ensemble learning for post-processing of NWP Model's next-day maximum air temperature forecast in summer using deep learning and statistical approaches
CN110852473B (zh) 一种基于神经网络算法的陆地水储量预测方法及设备
EP3794386B1 (en) Determination of location-specific weather information for agronomic decision support
Biard et al. Automated detection of weather fronts using a deep learning neural network
CN115860269B (zh) 一种基于三重注意力机制的农作物产量预测方法
CN112990354B (zh) 一种构建用于风速预测的深度卷积回归网络的方法及装置
CN117592005B (zh) Pm2.5浓度卫星遥感估算方法、装置、设备及介质
CN112131731A (zh) 一种基于空间特征向量滤波的城市生长元胞模拟方法
TWI717796B (zh) 以人工智慧估測地理位置日照量之系統、方法及儲存媒體
CN109726679B (zh) 一种遥感分类误差空间分布制图方法
CN116341841A (zh) 径流预报误差校正方法、装置、设备、介质和程序产品
CN115730718A (zh) 结合超光谱卫星与人工智能的大气no2时空预测算法
CN113761806B (zh) 一种基于神经网络的大气能见度预测方法
Le Toumelin et al. A two-folds deep learning strategy to correct and downscale winds over mountains
CN113988153A (zh) 基于条件生成对抗网络的高分辨率气溶胶估算方法
CN112183292A (zh) 基于低空遥感的大田作物干旱表型提取与抗旱性评估方法
CN113159426A (zh) 天气型相似性判断方法、装置、电子设备及可读存储介质
CN111325384A (zh) 一种结合统计特征和卷积神经网络模型的ndvi预测方法
Xia et al. A Markov-Kalman model of land-use change prediction in XiuHe Basin, China

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