CN113344290B - 基于U-Net网络的次季节降水气象预报订正方法 - Google Patents

基于U-Net网络的次季节降水气象预报订正方法 Download PDF

Info

Publication number
CN113344290B
CN113344290B CN202110719308.1A CN202110719308A CN113344290B CN 113344290 B CN113344290 B CN 113344290B CN 202110719308 A CN202110719308 A CN 202110719308A CN 113344290 B CN113344290 B CN 113344290B
Authority
CN
China
Prior art keywords
data
net network
day
precipitation
distribution
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
CN202110719308.1A
Other languages
English (en)
Other versions
CN113344290A (zh
Inventor
李昂
翁彬
陈家祯
黄添强
高建芸
张维
游立军
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.)
Fujian Normal University
Original Assignee
Fujian Normal University
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 Fujian Normal University filed Critical Fujian Normal University
Priority to CN202110719308.1A priority Critical patent/CN113344290B/zh
Publication of CN113344290A publication Critical patent/CN113344290A/zh
Application granted granted Critical
Publication of CN113344290B publication Critical patent/CN113344290B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开基于U‑Net网络的次季节降雨气象预报订正方法，法建立多个U‑Net网络以分别预测不同天数间隔后的降水气象分布图。对于每个U‑Net网络，首先将传统模式预报分布图输入模型，通过多个卷积块将原始分布图转换为降水分布特征图；然后通过多个U‑Net网络模型逐步融合降水分布特征图局部信息；最后产生该样本对应的特定天数间隔以后的降水气象分布图。本发明通过深度学习的方式，相较于传统订正方法而言更充分的提取降水气象的时变特征和非线性特征，进一步提高了预测的精度。

Description

基于U-Net网络的次季节降水气象预报订正方法
技术领域
本发明涉及次季节气象预报领域，尤其涉及基于U-Net网络的次季节降水气象预报订正方法。
背景技术
从天气到气候的多时间尺度预报预测中，次季节一季节尺度的预测起着关键的作用，尤其是次季节尺度预测业务的开展将在数值天气预报与短期气候预测之间建立起一座桥梁，来填补中长期天气预报到季节预测之间的缝隙。无论从天气一气候尺度的无缝隙预报的专业发展还是从社会需求角度，次季节一季节气候预测的开展和实施都具有重要的科学意义和广泛的社会应用价值。对于许多管理决策层来说，次季节尺度预测是主动减灾的一个关键，对于如农业、能源、粮食安全、卫生健康和应急管理等部门的决策具有重要意义和显著价值。，发展介于天气—气侯之间的无缝隙预报将会有潜在的社会和经济价值。对于次季节预报领域，业界大多数采用的是传统的大气动力学模型进行预测。随着深度学习的发展，深度学习模型所表现出强大的非线性特征抽象能力也越来越多的被应用与气象领域。
发明内容
本发明的目的在于提供基于U-Net网络的次季节降水气象预报订正方法。
本发明采用的技术方案是：
基于U-Net网络的次季节降水气象预报订正方法，其包括模型训练部分和气象预测部分；具体包括如下步骤：
模型训练部分：
步骤1-1，收集预测当日的传统大气预报模式预测的降水气象分布数据以及当日真实降水气象分布数据作为数据集；
步骤1-2，将训练样本和测试样本进行标准化处理，得到均值为0方差为1的标准化数据集；
步骤1-3，采用U-Net网络并改进模型并调整到最优卷积层数作为本发明采用模型。对于每个次季节预报天数间隔都采用一个独立的U-Net网络去进行预测订正。将标准化后的每某年度的训练样本都输入模型进行订正预测，获得校正后的某个天数间隔后的降水分布图，将该校正后的降水分布图与该日的实际降水分布逐像素计算RMSE均方根误差；
步骤1-4，将步骤1-3中所求的均方根误差反向传播回模型进行参数迭代，最终获得收敛模型；
气象预测部分：
步骤2，将待订正的当日降水分布图输入预测天数对应的收敛模型进行预测，以获得相对于输入分布图的订正数据，原始数据和订正数据相加得到某天数间隔之后的降水预报。
本发明采用以上技术方案，收集预测当日的传统大气预报模式预测的降水气象分布数据以及当日真实降水气象分布数据作为数据集；将训练样本和测试样本进行标准化处理，得到均值为0方差为1的标准化数据集；采用U-Net并改进模型并调整到最优卷积层数作为本发明采用模型。对于每个次季节预报天数间隔都采用一个独立的U-Net模型去进行预测订正。每个U-Net网络都由若干个重复的卷积块构成，每个卷积块又包含两个3×3的卷积层和激活函数层，前半部分的每个卷积块之间由最大池化层连接，而后半部分的卷积块是由上采样层连接，后半部分的每个卷积块再和通过1×1的卷积层与对应尺寸的前半部分的卷积块进行拼接，经过若干次后输出结果。将标准化后的每某年度的训练样本都输入模型进行订正预测，获得校正后的某个天数间隔后的降水分布图，将该校正后的降水分布图与该日的实际降水分布逐像素计算RMSE均方根误差，再将该误差反向传播回模型进行参数迭代，最终获得收敛模型；将待订正的当日降水分布图输入预测天数对应的模型进行预测，以获得相对于输入分布图的订正数据，原始数据和订正数据相加得到某天数间隔之后的降水预报。以U-Net网络作为模型主体，弥补了传统方式预报方式的不足，更好的拟合了次季节降水特征分布，提高了次季节降水预报的精度。
本发明的有益效果是：本发明能有效解决次季节降水预报中的非线性、时变性等问题，更为精确的整合局部区域的降水信息，获得比传统方法更好的预测效果。本发明不仅能处理预报过程的非线性、时变性，还可以通过网络结构更充分的提取数据特征，进一步提高预测精度。
附图说明
以下结合附图和具体实施方式对本发明做进一步详细说明；
图1为本发明的次日预报模型训练过程示意图；
图2为本发明的基于次日预报模型的预测过程示意图；
图3为本发明的U-Net网络预测RMSE与传统大气动力学模型预测RMSE对比图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图对本申请实施例中的技术方案进行清楚、完整地描述。
如图1至图3之一所示，本发明公开了基于U-Net网络的次季节降水气象预报订正方法。本发明最关键的构思在于：收集预测当日的传统大气预报模式预测的降水气象分布数据以及当日真实降水气象分布数据作为数据集；将训练样本和测试样本进行标准化处理，得到均值为0方差为1的标准化数据集；每个U-Net网络都由若干个重复的卷积块构成，每个卷积块又包含两个3×3的卷积层和激活函数层，前半部分的每个卷积块之间由最大池化层连接，而后半部分的卷积块是由上采样层连接。后半部分的每个卷积块再和通过1×1的卷积层与对应尺寸的前半部分的卷积块进行拼接，经过若干次后输出结果。将标准化后的每某年度的训练样本都输入模型进行订正预测，获得校正后的某个天数间隔后的降水分布图，将该校正后的降水分布图与该日的实际降水分布逐像素计算RMSE均方根误差，再将该误差反向传播回模型进行参数迭代，最终获得收敛模型；
将待订正的当日降水分布图输入预测天数对应的模型进行预测，以获得相对于输入分布图的订正数据，原始数据和订正数据相加得到某天数间隔之后的降水预报。以U-Net网络作为模型主体并加以改进，弥补了传统方式预报方式的不足，更好的拟合了次季节降水特征分布，提高了次季节降水预报的精度。
如图1至图3之一所示，一种基于U-Net网络的次季节降水气象预报订正方法，包括：U-Net网络结构包括数据处理部分和模型预测部分，模型预测部分由多个不同天数间隔的U-Net网络构成，多个U-Net网络之间互不连接。每一个U-net网络都以某个起始日期降水观测数据为数据输入。以次日预报模型训练过程为例进行具体说明：每个U-Net都由若干个重复的卷积块构成，每个卷积块又包含两个3×3的卷积层和激活函数层，前半部分的每个卷积块之间由最大池化层连接，而后半部分的卷积块是由上采样层连接。后半部分的每个卷积块再和通过1×1的卷积层与对应尺寸的前半部分的卷积块进行拼接，经过若干次后输出结果。
步骤1-1，构建训练数据集X，X∈Rla×lo,其中R表示实数集，la表示研究范围纬度划分格点数，lo表示研究范围经度划分格点数；
步骤1-2，选取训练数据集X中温度最高的数据格点的温度数据记为Xmax，温度最低的数据格点的温度数据记为Xmin，计算得到标准化后的数据Xstd，其中
Figure GDA0003941879550000031
Figure GDA0003941879550000032
计算训练数据集Xstd的标准差μ和方差σ，将训练数据集标准化归一化，获得均值为0方差为1的训练数据集Xnor用于之后的模型建模，其中
Figure GDA0003941879550000033
Figure GDA0003941879550000034
步骤1-3，采用U-net网络并优化网络层数得到U-Net网络，将标准化的训练数据集Xstd输入到残差卷积神经网络模型进行训练。具体步骤如下：
1)构建N个由两个3×3卷积层，激活层组成的卷积块，前半部分的卷积块之间由最大池化层连接，故输入的特征图尺寸会逐步减小；而后半部分为上采样层连接，故特征图尺寸又逐步增加。后半部分的每个卷积块再通过1×1的卷积层与对应尺寸的前半部分的卷积块进行拼接，若干次后输出结果。
2)输入预测起始日的降水分布图，经过U-Net网络后得到待预测天数之后的分布图订正分布图。
3)将分布图订正分布图与预测起始日降水分布图相加得到待预测天数之后的降水分布图分布。
4)将得到的待预测天数之后的降水分布图分布与回报数据真实降水分布图分布逐像素求取均方根误差RMSE，获得训练损失。计算均方根误差的具体方法如下。
Figure GDA0003941879550000041
式中i为第i个纬度格点数据，j为第j个经度格点数据，la为分布图纬度划分格点数，lo为分布图经度划分格点数，yi,j为第i个纬度格点第j个经度格点预测温度，
Figure GDA0003941879550000042
为第i个纬度格点第j个经度格点真实温度。
步骤1-3，将训练损失输入模型，反向传播迭代参数，获得收敛模型。
气象预测部分：
步骤2，将待订正的当日降水分布图输入预测天数对应的收敛模型进行预测，以获得相对于输入分布图的订正数据，原始数据和订正数据相加得到某天数间隔之后的降水预报。
根据步骤四获得的订正模型进行预报，输入当前日期的降水分布图，获得订正误差预报。然后通过传统大气动力学模型进行预报某固定日期后的预报分布图，将误差订正数据和预报数据相加得到较传统大气动力学模型预报更精准的次季节2m降水预报。
采用本发明的方法的具体实施过程为：对于某个特定天数间隔的预测任务而言。首先将1993-2009年的英国气象中心的次季节降水回报数据和中国国家气象中心逐日降水观测插值数据以该天数为间隔步长滑动取样作为训练集，将2010-2015年的英国气象中心的次季节降水回报数据和中国国家气象中心逐日降水观测插值数据以该天数为间隔步长滑动取样作为测试集。逐个样本输入该日网络预测订正结果，订正结果与传统大气预报结果相加以缓解传统大气预报方法的误差。
本发明采用深度学习网络模型架构，通过U-Net网络结构预测传统大气预报降水数据与真实降水数据的误差数据。通过预测误差的方式订正原始传统大气预报方式的误差以达到更为准确的降水预测结果。可以发现本发明不仅能处理降水预报处理过程中的非线性和时变性，还可以通过深度网络结构充分提取降水分布的局部特征，进一步提高预测的精度。
显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。

Claims (3)

1.基于U-Net网络的次季节降水气象预报订正方法，其特征在于：其包括模型训练部分和气象预测部分；具体包括如下步骤：
模型训练部分：
步骤1-1，收集预测当日的传统大气预报模式预测的降水气象分布数据以及当日真实降水气象分布数据作为训练数据集；
步骤1-2，将训练样本和测试样本进行标准化处理得到均值为0方差为1的标准化数据集；
步骤1-3，对于每个次季节预报天数间隔都采用一个独立的U-Net网络去进行预测订正；将标准化后的每某年度的当日降水分布图都输入U-Net网络进行订正预测，获得校正后的某个天数间隔后的降水分布图，将该校正后的降水分布图与该日的实际降水分布逐网格计算RMSE均方根误差；
每个用于预测天数间隔时长的模型结构相同，每个U-Net网络由若干个重复的卷积块构成，每个卷积块又包含两个3×3的卷积层和激活函数层；前半部分的每个卷积块之间由最大池化层连接以使得输入的特征图尺寸逐步减小；后半部分的卷积块是由上采样层连接以使得特征图尺寸逐步增加，后半部分的每个卷积块再通过1×1的卷积层与对应尺寸的前半部分的卷积块进行合并，经过若干次上采样操作后输出结果；计算均方根误差的具体方法如下:
Figure FDA0003972937110000011
式中i为第i个纬度格点数据，j为第j个经度格点数据，la为研究范围纬度划分格点数，lo为研究范围经度划分格点数，yi,j为第i个纬度格点第j个经度格点预测温度，
Figure FDA0003972937110000012
为第i个纬度格点第j个经度格点真实温度；
步骤1-4，将均方根误差反向传播回U-Net网络进行参数迭代最终获得收敛模型；
气象预测部分：
步骤2，将待订正的当日降水分布图输入预测天数对应的收敛模型进行预测，以获得相对于输入的当日降水分布图的订正数据，原始数据和订正数据相加得到某天数间隔之后的降水预报。
2.根据权利要求1所述的基于U-Net网络的次季节降水气象预报订正方法，其特征在于：步骤1-1中训练数据集X，X∈Rla×lo,其中R表示实数集，la表示研究范围纬度划分格点数，lo表示研究范围经度划分格点数。
3.根据权利要求2所述的基于U-Net网络的次季节降水气象预报订正方法，其特征在于：步骤1-2中标准化处理的具体步骤如下：
步骤1-2-1，选取训练数据集X中温度最高的数据格点的温度数据记为Xmax，温度最低的数据格点的温度数据记为Xmin，计算得到标准化后的数据Xstd，其中Xstd∈Rla×lo；
Figure FDA0003972937110000021
步骤1-2-2，计算训练数据集Xstd的标准差μ和方差σ，将训练数据集标准化归一化，获得均值为0方差为1的训练数据集Xnor用于之后的模型建模，其中Xnor∈Rla×lo；
Figure FDA0003972937110000022
CN202110719308.1A 2021-06-28 2021-06-28 基于U-Net网络的次季节降水气象预报订正方法 Active CN113344290B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110719308.1A CN113344290B (zh) 2021-06-28 2021-06-28 基于U-Net网络的次季节降水气象预报订正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110719308.1A CN113344290B (zh) 2021-06-28 2021-06-28 基于U-Net网络的次季节降水气象预报订正方法

Publications (2)

Publication Number Publication Date
CN113344290A CN113344290A (zh) 2021-09-03
CN113344290B true CN113344290B (zh) 2023-02-14

Family

ID=77479059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110719308.1A Active CN113344290B (zh) 2021-06-28 2021-06-28 基于U-Net网络的次季节降水气象预报订正方法

Country Status (1)

Country Link
CN (1) CN113344290B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116449460B (zh) * 2023-04-23 2023-10-10 水利部交通运输部国家能源局南京水利科学研究院 基于卷积UNet和迁移学习的区域月降水预测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11109048A (ja) * 1997-09-30 1999-04-23 Fuji Electric Co Ltd コンピュータによる降雨予測方法及び降雨予測プログラムを記録したコンピュータ読み取り可能な記録媒体
CN103426026A (zh) * 2013-09-10 2013-12-04 信阳师范学院 一种混合神经网络预测及识别景区气象要素的方法
CN108846334A (zh) * 2018-05-30 2018-11-20 安徽大学 一种云类别自动识别方法及系统
CN111598892A (zh) * 2020-04-16 2020-08-28 浙江工业大学 一种基于Res2-UNeXt网络结构的细胞图像分割方法
CN111723929A (zh) * 2020-05-08 2020-09-29 广州华工中云信息技术有限公司 一种基于神经网络的数值预报产品订正方法、装置和系统
CN112232554A (zh) * 2020-09-28 2021-01-15 中国科学院空天信息创新研究院 一种基于bp神经网络的局域短临降水预报模型的构建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111929748B (zh) * 2020-09-17 2022-12-09 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 (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11109048A (ja) * 1997-09-30 1999-04-23 Fuji Electric Co Ltd コンピュータによる降雨予測方法及び降雨予測プログラムを記録したコンピュータ読み取り可能な記録媒体
CN103426026A (zh) * 2013-09-10 2013-12-04 信阳师范学院 一种混合神经网络预测及识别景区气象要素的方法
CN108846334A (zh) * 2018-05-30 2018-11-20 安徽大学 一种云类别自动识别方法及系统
CN111598892A (zh) * 2020-04-16 2020-08-28 浙江工业大学 一种基于Res2-UNeXt网络结构的细胞图像分割方法
CN111723929A (zh) * 2020-05-08 2020-09-29 广州华工中云信息技术有限公司 一种基于神经网络的数值预报产品订正方法、装置和系统
CN112232554A (zh) * 2020-09-28 2021-01-15 中国科学院空天信息创新研究院 一种基于bp神经网络的局域短临降水预报模型的构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于WRF数值模式的SDAE-SVR风速预测模型研究;陈巧特等;《宁波大学学报(理工版)》;20200310(第02期);全文 *

Also Published As

Publication number Publication date
CN113344290A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN109658695B (zh) 一种多因素的短时交通流预测方法
CN106650767B (zh) 基于聚类分析和实时校正的洪水预报方法
CN110648014B (zh) 一种基于时空分位数回归的区域风电预测方法及系统
CN113807432B (zh) 一种基于深度学习的气温预报数据订正方法
CN112285807B (zh) 一种气象信息预测方法及装置
CN111665575B (zh) 一种基于统计动力的中长期降雨分级耦合预报方法及系统
CN111428942B (zh) 基于变网格技术提取微地形因子的线路覆冰厚度预测方法
EP2884413B1 (en) Method for predicting wind power density
Biard et al. Automated detection of weather fronts using a deep learning neural network
CN113361742A (zh) 一种基于水文模拟的区域综合干旱识别方法
CN113011455B (zh) 一种空气质量预测svm模型构建方法
CN106919645A (zh) 复杂地貌大景区的景点气象要素智能精细预测方法
CN114493052A (zh) 多模型融合自适应新能源功率预测方法和系统
CN116415730A (zh) 一种预测水位的融合自注意力机制时空深度学习模型
CN114266602A (zh) 电力物联网多源数据融合的深度学习电价预测方法和装置
CN117909888B (zh) 智慧人工智能气候预测方法
CN113344290B (zh) 基于U-Net网络的次季节降水气象预报订正方法
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
CN117526274A (zh) 极端气候下新能源功率预测方法、电子设备和存储介质
CN117371303A (zh) 一种海浪下有效波高的预测方法
CN110046756B (zh) 基于小波去噪与Catboost的短时天气预报方法
CN117233869B (zh) 一种基于GRU-BiTCN的站点短期风速预测方法
CN114882373A (zh) 基于深度神经网络的多特征融合沙尘暴预测方法
CN116341391B (zh) 基于STPM-XGBoost模型的降水预测方法
CN116960962A (zh) 一种跨区域数据融合的中长期区域负荷预测方法

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