CN113392365A - 一种高分辨率气象网格数据的生成方法及系统 - Google Patents

一种高分辨率气象网格数据的生成方法及系统 Download PDF

Info

Publication number
CN113392365A
CN113392365A CN202110517691.2A CN202110517691A CN113392365A CN 113392365 A CN113392365 A CN 113392365A CN 202110517691 A CN202110517691 A CN 202110517691A CN 113392365 A CN113392365 A CN 113392365A
Authority
CN
China
Prior art keywords
data
meteorological
resolution
current region
meteorological element
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.)
Pending
Application number
CN202110517691.2A
Other languages
English (en)
Inventor
宋宗朋
靳双龙
王勃
冯双磊
赵丽君
刘晓琳
胡菊
滑申冰
马振强
张艾虎
郭于阳
王铮
车建峰
刘小江
范松海
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.)
State Grid Jiangxi Electric Power Co ltd
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Sichuan Electric Power Co Ltd
Original Assignee
State Grid Jiangxi Electric Power Co ltd
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Sichuan Electric Power 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 State Grid Jiangxi Electric Power Co ltd, State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, State Grid Sichuan Electric Power Co Ltd filed Critical State Grid Jiangxi Electric Power Co ltd
Priority to CN202110517691.2A priority Critical patent/CN113392365A/zh
Publication of CN113392365A publication Critical patent/CN113392365A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种高分辨率气象网格数据的生成方法及系统，包括：采集当前地域在粗分辨率下气象要素实际数据；基于预先建立的多元线性气象回归方程模型，计算得到当前地域在粗分辨率下和高分辨率下气象要素计算数据；对所述当前地域在粗分辨率下气象要素实际数据和气象要素计算数据作差，得到当前地域在粗分辨率下气象要素数据的预估残差，并在高分辨率下对所述预估残差插值；拟合所述当前地域在高分辨率下气象要素计算数据和插值后的预估残差，得到当前地域高分辨率气象网格数据；本发明综合考虑局地地理要素的影响，提升了分辨率的同时，也提升了气象模拟精度，使气象网格数据可以更好的应用在各个电力等行业中。

Description

一种高分辨率气象网格数据的生成方法及系统
技术领域
本发明属于微地形、微气象电网预测领域，尤其是涉及一种高分辨率气象网格数据的生成方法及系统。
背景技术
气象网格数据由气象预测模型输出，可应用于气象灾害预警、新能源功率预测等领域。目前气象预测模型一般均使用WRF、MM5、RAMS等中尺度气象模式，其输出的气象网格数据的水平空间分辨率一般在1至10公里左右。然而，在实际应用中，尤其是在电力应用中，由于输电杆塔、风机等设备的空间尺度在十米量级，因此需要的是十米级别分辨率的气象网格数据，传统气象网格分辨率过粗会限制预测精度和使用效果。
为克服气象网格分辨率过粗的问题，目前一般使用统计或动力降尺度方法提升网格分辨率。统计降尺度就是利用不同尺度数据间的统计关系进行降尺度插值，动力降尺度就是使用中尺度模式驱动小尺度模式得到更精细化的网格数据。但传统的统计降尺度方法一般只考虑单一局地地形高程的影响，会使得高分辨率预测的准确度存在不足等问题。
发明内容
为克服上述现有技术的不足，本发明提出一种高分辨率气象网格数据的生成方法，包括：
采集当前地域在粗分辨率下气象要素实际数据；
基于预先建立的多元线性气象回归方程模型，计算得到当前地域在粗分辨率下和高分辨率下气象要素计算数据；
对所述当前地域在粗分辨率下气象要素实际数据和气象要素计算数据作差，得到当前地域在粗分辨率下气象要素数据的预估残差，并在高分辨率下对所述预估残差插值；
拟合所述当前地域在高分辨率下气象要素计算数据和插值后的预估残差，得到当前地域高分辨率气象网格数据；
其中，所述多元线性气象回归方程模型是历史粗分辨率下多数据源的网格化地理要素数据和历史粗分辨率下网格气象要素数据进行拟合后得到的。
优选的，所述多元线性气象回归方程模型的建立，包括：
以历史粗分辨率下多数据源的地理要素数据为输入数据，以历史粗分辨率下气象要素数据为输出数据，对阶数等于数据源个数的多元线性回归方程进行回归训练得到的拟合系数值；
在粗分辨率下和高分辨率下基于所述拟合系数值建立所述多元线性气象回归方程模型；
其中，多元线性气象回归方程模型包括粗分辨率下多元线性气象回归方程模型和高分辨率下多元线性气象回归方程模型。
优选的，所述地理要素数据，包括：网格值、经度数据、纬度数据、地形高程数据、植被覆盖指数、坡向数据、人工建筑面积和人工建筑高度。
优选的，所述多元线性气象回归方程模型的计算式如下：
YR＝a+b·XR1+c·XR2+d·XR3+e·XR4+f·XR5+g·XR6+h·XR7
其中，YR表示气象要素数据；a表示网格值；b表示经度数据与气象要素数据进行回归训练得到的拟合系数值；c表示纬度数据与气象要素数据进行回归训练得到的拟合系数值；d表示地形高程数据与气象要素数据进行回归训练得到的拟合系数值；e表示植被覆盖指数与气象要素数据进行回归训练得到的拟合系数值；f表示坡向数据与气象要素数据进行回归训练得到的拟合系数值；g表示人工建筑面积与气象要素数据进行回归训练得到的拟合系数值；h表示人工建筑高度与气象要素数据进行回归训练得到的拟合系数值；XR1表示经度数据；XR2表示纬度数据；XR3表示地形高程数据；XR4表示植被覆盖指数；XR5表示坡向数据；XR6表示人工建筑面积；XR7表示人工建筑高度。
优选的，所述多元线性气象回归方程模型中经度数据、纬度数据、地形高程数据、植被覆盖指数、坡向数据、人工建筑面积、人工建筑高度和气象要素数据的分辨率相同。
优选的，所述当前地域高分辨率气象网格数据的计算式如下：
Y’HR＝YHR+△THR
式中，Y’HR表示当前地域高分辨率气象网格数据；YHR表示当前地域在高分辨率下气象要素计算数据；△THR表示当前地域在高分辨率下气象要素数据的预估残差。
优选的，所述当前地域在粗分辨率下气象要素数据的预估残差的计算式如下：
△TLR＝B-YLR
式中，△TLR表示当前地域在粗分辨率下气象要素数据的预估残差；B表示当前地域在粗分辨率下气象要素实际数据；YLR表示当前地域在粗分辨率下气象要素计算数据。
基于同一发明构思，本发明还提供了一种高分辨率气象网格数据的生成系统，包括：采集模块、计算模块、插值模块和拟合模块；
所述采集模块，用于采集当前地域在粗分辨率下气象要素实际数据；
所述计算模块，用于基于预先建立的多元线性气象回归方程模型，计算得到当前地域在粗分辨率下和高分辨率下气象要素计算数据；
所述插值模块，用于对所述当前地域在粗分辨率下气象要素实际数据和气象要素计算数据作差，得到当前地域在粗分辨率下气象要素数据的预估残差，并在高分辨率下对所述预估残差插值；
所述拟合模块，用于拟合所述当前地域在高分辨率下气象要素计算数据和插值后的预估残差，得到当前地域高分辨率气象网格数据；
其中，所述多元线性气象回归方程模型是历史粗分辨率下多数据源的网格化地理要素数据和历史粗分辨率下网格气象要素数据进行拟合后得到的。
优选的，所述多元线性气象回归方程模型的建立，包括：
以历史粗分辨率下多数据源的地理要素数据为输入数据，以历史粗分辨率下气象要素数据为输出数据，对阶数等于数据源个数的多元线性回归方程进行回归训练得到的拟合系数值；
在粗分辨率下和高分辨率下基于所述拟合系数值建立所述多元线性气象回归方程模型；
其中，多元线性气象回归方程模型包括粗分辨率下多元线性气象回归方程模型和高分辨率下多元线性气象回归方程模型。
优选的，所述地理要素数据，包括：网格值、经度数据、纬度数据、地形高程数据、植被覆盖指数、坡向数据、人工建筑面积和人工建筑高度。
与最接近的现有技术相比，本发明具有的有益效果如下：
本发明实现了一种高分辨率气象网格数据的生成方法及系统，包括：采集当前地域在粗分辨率下气象要素实际数据；基于预先建立的多元线性气象回归方程模型，计算得到当前地域在粗分辨率下和高分辨率下气象要素计算数据；对所述当前地域在粗分辨率下气象要素实际数据和气象要素计算数据作差，得到当前地域在粗分辨率下气象要素数据的预估残差，并在高分辨率下对所述预估残差插值；拟合所述当前地域在高分辨率下气象要素计算数据和插值后的预估残差，得到当前地域高分辨率气象网格数据；其中，所述多元线性气象回归方程模型是历史粗分辨率下多数据源的网格化地理要素数据和历史粗分辨率下网格气象要素数据进行拟合后得到的；本发明综合考虑局地地理要素的影响，提升了分辨率的同时，也提升了气象模拟精度，使气象网格数据可以更好的应用在各个电力等行业中。
附图说明
图1为本发明提供的一种高分辨率气象网格数据的生成方法流程示意图；
图2为本发明实施例中技术流程示意图；
图3为本发明实施例中对比不同分辨率下的网格数据示意图；
图4为本发明提供的一种高分辨率气象网格数据的生成系统结构示意图。
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，以下结合实施例，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例仅用以解释本发明，并不用于限定本发明。下面结合附图及具体实施例对本发明的应用原理作进一步描述。
实施例1：
本发明实施例的一种气象网格数据的高分辨率的生成方法，如图1所示，包括：
步骤1：采集当前地域在粗分辨率下气象要素实际数据；
步骤2：基于预先建立的多元线性气象回归方程模型，计算得到当前地域在粗分辨率下和高分辨率下气象要素计算数据；
步骤3：对所述当前地域在粗分辨率下气象要素实际数据和气象要素计算数据作差，得到当前地域在粗分辨率下气象要素数据的预估残差，并在高分辨率下对所述预估残差插值；
步骤4：拟合所述当前地域在高分辨率下气象要素计算数据和插值后的预估残差，得到当前地域高分辨率气象网格数据；
其中，所述多元线性气象回归方程模型是历史粗分辨率下多数据源的网格化地理要素数据和历史粗分辨率下网格气象要素数据进行拟合后得到的。
整体技术方案如图2所示，其中，步骤1具体包括：在规定地域采集在粗分辨率和高分辨率下的多数据源的地理要素数据和粗分辨率下气象要素实际数据；地理要素数据包括但不限于经度数据、纬度数据、地形高程数据、植被指数、坡向数据、人工建筑面积和人工建筑高度，气象要素数据包括但不限于风速、温度、降水量等要素值。
步骤2具体包括：
本实施例主要对风速、温度、降水量，这三种气象要素值进行分析，每一种气象要素值对应的地理要素值(地形高程、植被指数、坡向、人工建筑面积、人工建筑高度)及其对应线性回归模型的拟合系数不同，所以每一种气象要素均会对应不同的地理要素值和线性回归模型的拟合系数，这些拟合系数和地理要素值的计算都通过历史的地理要素值和气象要素值得来的。其中地形高程、植被指数、坡向数据可由多种公开数据源提供，最高分辨率可达到30m。人工建筑面积、人工建筑高度需要由使用者手动测量或估计。
构建粗分辨率下的多元线性回归方程：
YLR＝a+b·XLR1+c·XLR2+d·XLR3+e·XLR4+f·XLR5+g·XLR6+h·XLR7 (1)
其中，YLR表示粗分辨率下的气象要素数据；a表示网格值；b表示经度数据与气象要素数据进行回归训练得到的拟合系数值；c表示纬度数据与气象要素数据进行回归训练得到的拟合系数值；d表示地形高程数据与气象要素数据进行回归训练得到的拟合系数值；e表示植被覆盖指数与气象要素数据进行回归训练得到的拟合系数值；f表示坡向数据与气象要素数据进行回归训练得到的拟合系数值；g表示人工建筑面积与气象要素数据进行回归训练得到的拟合系数值；h表示人工建筑高度与气象要素数据进行回归训练得到的拟合系数值；XLR1表示粗分辨率下的经度数据；XLR2表示粗分辨率下的纬度数据；XLR3表示粗分辨率下的地形高程数据；XLR4表示粗分辨率下的植被覆盖指数；XLR5表示粗分辨率下的坡向数据；XLR6表示粗分辨率下的人工建筑面积；XLR7表示粗分辨率下的人工建筑高度。
将粗分辨率下的回归系数a、b、c、d、e、f、g、h代入高分辨率下的多元线性预报模型：
YHR＝a+b·XHR1+c·XHR2+d·XHR3+e·XHR4+f·XHR5+g·XHR6+h·XHR7 (2)
其中，YHR为高分辨率下的气象要素数据，XLR1表示高分辨率下的经度数据；XLR2表示高分辨率下的纬度数据；XLR3表示高分辨率下的地形高程数据；XLR4表示高分辨率下的植被覆盖指数；XLR5表示高分辨率下的坡向数据；XLR6表示高分辨率下的人工建筑面积；XLR7表示高分辨率下的人工建筑高度。
步骤3具体包括：在粗分辨率下，分析本地的气象观测站数据B(这里的气象观测站数据指的是粗分辨率下气象要素实际数据)，得到与YLR之间的预估残差△TLR：
△TLR＝B-YLR (3)
式中，△TLR表示在粗分辨率下气象要素数据的预估残差，所述B与YLR的数据为相同范围。
将计算得到粗分辨率下预估残差△TLR进行双线性插值，得到高分辨率的预估残差△THR。
步骤4具体包括：用高分辨率的预估残差△THR对高分辨率预报数据YHR进行计算，得到最终的高分辨率的网格数据Y’HR：
Y’HR＝YHR+△THR (4)
根据上述方法，由图3所示可以看到粗分辨率的网格数据值对应图中(a)粗网格风速、(c)粗网格气温和(e)粗网格降雨量，(本发明可以涉及很多气象要素的数据，但实施例中只指出了三个网格数据值，其中每一种气象要素值对应的多元线性回归方程系数均需要单独拟合)；最终得到的高分辨率的网格数据对应图中(b)插值后风速、(d)插值后气温和(f)插值后降雨量。从图中可以明确看出高分辨率插值后，提升了分辨率的同时，也提升了气象模拟精度，使气象网格数据可以更好的应用在各个在电力等行业中。
实施例2：
基于同一发明构思，本发明还提供了一种高分辨率气象网格数据的生成系统，如图4所示，包括：采集模块、计算模块、插值模块和拟合模块；
所述采集模块，用于采集当前地域在粗分辨率下气象要素实际数据；
所述计算模块，用于基于预先建立的多元线性气象回归方程模型，计算得到当前地域在粗分辨率下和高分辨率下气象要素计算数据；
所述插值模块，用于对所述当前地域在粗分辨率下气象要素实际数据和气象要素计算数据作差，得到当前地域在粗分辨率下气象要素数据的预估残差，并在高分辨率下对所述预估残差插值；
所述拟合模块，用于拟合所述当前地域在高分辨率下气象要素计算数据和插值后的预估残差，得到当前地域高分辨率气象网格数据；
其中，所述多元线性气象回归方程模型是历史粗分辨率下多数据源的网格化地理要素数据和历史粗分辨率下网格气象要素数据进行拟合后得到的。具体包括：
所述多元线性气象回归方程模型的建立，包括：
以历史粗分辨率下多数据源的地理要素数据为输入数据，以历史粗分辨率下气象要素数据为输出数据，对阶数等于数据源个数的多元线性回归方程进行回归训练得到的拟合系数值；
在粗分辨率下和高分辨率下基于所述拟合系数值建立所述多元线性气象回归方程模型；
其中，多元线性气象回归方程模型包括粗分辨率下多元线性气象回归方程模型和高分辨率下多元线性气象回归方程模型。
所述地理要素数据，包括：网格值、经度数据、纬度数据、地形高程数据、植被覆盖指数、坡向数据、人工建筑面积和人工建筑高度。
所述多元线性气象回归方程模型的计算式如下：
YR＝a+b·XR1+c·XR2+d·XR3+e·XR4+f·XR5+g·XR6+h·XR7
其中，YR表示气象要素数据；a表示网格值；b表示经度数据与气象要素数据进行回归训练得到的拟合系数值；c表示纬度数据与气象要素数据进行回归训练得到的拟合系数值；d表示地形高程数据与气象要素数据进行回归训练得到的拟合系数值；e表示植被覆盖指数与气象要素数据进行回归训练得到的拟合系数值；f表示坡向数据与气象要素数据进行回归训练得到的拟合系数值；g表示人工建筑面积与气象要素数据进行回归训练得到的拟合系数值；h表示人工建筑高度与气象要素数据进行回归训练得到的拟合系数值；XR1表示经度数据；XR2表示纬度数据；XR3表示地形高程数据；XR4表示植被覆盖指数；XR5表示坡向数据；XR6表示人工建筑面积；XR7表示人工建筑高度。
所述多元线性气象回归方程模型中经度数据、纬度数据、地形高程数据、植被覆盖指数、坡向数据、人工建筑面积、人工建筑高度和气象要素数据的分辨率相同。
所述当前地域高分辨率气象网格数据的计算式如下：
Y’HR＝YHR+△THR
式中，Y’HR表示当前地域高分辨率气象网格数据；YHR表示当前地域在高分辨率下气象要素计算数据；△THR表示当前地域在高分辨率下气象要素数据的预估残差。
所述当前地域在粗分辨率下气象要素数据的预估残差的计算式如下：
△TLR＝B-YLR
式中，△TLR表示当前地域在粗分辨率下气象要素数据的预估残差；B表示当前地域在粗分辨率下气象要素实际数据；YLR表示当前地域在粗分辨率下气象要素计算数据。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解：本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在发明待批的权利要求保护范围之内。

Claims (10)

1.一种高分辨率气象网格数据的生成方法，其特征在于，包括：
采集当前地域在粗分辨率下气象要素实际数据；
基于预先建立的多元线性气象回归方程模型，计算得到当前地域在粗分辨率下和高分辨率下气象要素计算数据；
对所述当前地域在粗分辨率下气象要素实际数据和气象要素计算数据作差，得到当前地域在粗分辨率下气象要素数据的预估残差，并在高分辨率下对所述预估残差插值；
拟合所述当前地域在高分辨率下气象要素计算数据和插值后的预估残差，得到当前地域高分辨率气象网格数据；
其中，所述多元线性气象回归方程模型是历史粗分辨率下多数据源的网格化地理要素数据和历史粗分辨率下网格气象要素数据进行拟合后得到的。
2.根据权利要求1所述的方法，其特征在于，所述多元线性气象回归方程模型的建立，包括：
以历史粗分辨率下多数据源的地理要素数据为输入数据，以历史粗分辨率下气象要素数据为输出数据，对阶数等于数据源个数的多元线性回归方程进行回归训练得到的拟合系数值；
在粗分辨率下和高分辨率下基于所述拟合系数值建立所述多元线性气象回归方程模型；
其中，多元线性气象回归方程模型包括粗分辨率下多元线性气象回归方程模型和高分辨率下多元线性气象回归方程模型。
3.根据权利要求2所述的方法，其特征在于，所述地理要素数据，包括：网格值、经度数据、纬度数据、地形高程数据、植被覆盖指数、坡向数据、人工建筑面积和人工建筑高度。
4.根据权利要求3所述的方法，其特征在于，所述多元线性气象回归方程模型的计算式如下：
YR＝a+b·XR1+c·XR2+d·XR3+e·XR4+f·XR5+g·XR6+h·XR7
其中，YR表示气象要素数据；a表示网格值；b表示经度数据与气象要素数据进行回归训练得到的拟合系数值；c表示纬度数据与气象要素数据进行回归训练得到的拟合系数值；d表示地形高程数据与气象要素数据进行回归训练得到的拟合系数值；e表示植被覆盖指数与气象要素数据进行回归训练得到的拟合系数值；f表示坡向数据与气象要素数据进行回归训练得到的拟合系数值；g表示人工建筑面积与气象要素数据进行回归训练得到的拟合系数值；h表示人工建筑高度与气象要素数据进行回归训练得到的拟合系数值；XR1表示经度数据；XR2表示纬度数据；XR3表示地形高程数据；XR4表示植被覆盖指数；XR5表示坡向数据；XR6表示人工建筑面积；XR7表示人工建筑高度。
5.根据权利要求4所述的方法，其特征在于，所述多元线性气象回归方程模型中经度数据、纬度数据、地形高程数据、植被覆盖指数、坡向数据、人工建筑面积、人工建筑高度和气象要素数据的分辨率相同。
6.根据权利要求1所述的方法，其特征在于，
所述当前地域高分辨率气象网格数据的计算式如下：
Y’HR＝YHR+△THR
式中，Y’HR表示当前地域高分辨率气象网格数据；YHR表示当前地域在高分辨率下气象要素计算数据；△THR表示当前地域在高分辨率下气象要素数据的预估残差。
7.根据权利要求1所述的方法，其特征在于，
所述当前地域在粗分辨率下气象要素数据的预估残差的计算式如下：
△TLR＝B-YLR
式中，△TLR表示当前地域在粗分辨率下气象要素数据的预估残差；B表示当前地域在粗分辨率下气象要素实际数据；YLR表示当前地域在粗分辨率下气象要素计算数据。
8.一种高分辨率气象网格数据的生成系统，其特征在于，包括：采集模块、计算模块、插值模块和拟合模块；
所述采集模块，用于采集当前地域在粗分辨率下气象要素实际数据；
所述计算模块，用于基于预先建立的多元线性气象回归方程模型，计算得到当前地域在粗分辨率下和高分辨率下气象要素计算数据；
所述插值模块，用于对所述当前地域在粗分辨率下气象要素实际数据和气象要素计算数据作差，得到当前地域在粗分辨率下气象要素数据的预估残差，并在高分辨率下对所述预估残差插值；
所述拟合模块，用于拟合所述当前地域在高分辨率下气象要素计算数据和插值后的预估残差，得到当前地域高分辨率气象网格数据；
其中，所述多元线性气象回归方程模型是历史粗分辨率下多数据源的网格化地理要素数据和历史粗分辨率下网格气象要素数据进行拟合后得到的。
9.根据权利要求8所述的系统，其特征在于，所述多元线性气象回归方程模型的建立，包括：
以历史粗分辨率下多数据源的地理要素数据为输入数据，以历史粗分辨率下气象要素数据为输出数据，对阶数等于数据源个数的多元线性回归方程进行回归训练得到的拟合系数值；
在粗分辨率下和高分辨率下基于所述拟合系数值建立所述多元线性气象回归方程模型；
其中，多元线性气象回归方程模型包括粗分辨率下多元线性气象回归方程模型和高分辨率下多元线性气象回归方程模型。
10.根据权利要求9所述的系统，其特征在于，所述地理要素数据，包括：网格值、经度数据、纬度数据、地形高程数据、植被覆盖指数、坡向数据、人工建筑面积和人工建筑高度。
CN202110517691.2A 2021-05-12 2021-05-12 一种高分辨率气象网格数据的生成方法及系统 Pending CN113392365A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110517691.2A CN113392365A (zh) 2021-05-12 2021-05-12 一种高分辨率气象网格数据的生成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110517691.2A CN113392365A (zh) 2021-05-12 2021-05-12 一种高分辨率气象网格数据的生成方法及系统

Publications (1)

Publication Number Publication Date
CN113392365A true CN113392365A (zh) 2021-09-14

Family

ID=77617009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110517691.2A Pending CN113392365A (zh) 2021-05-12 2021-05-12 一种高分辨率气象网格数据的生成方法及系统

Country Status (1)

Country Link
CN (1) CN113392365A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114138921A (zh) * 2021-12-02 2022-03-04 浙江省气候中心 农业气候资源区划方法、装置、设备及存储介质
CN114385600A (zh) * 2022-03-23 2022-04-22 北京弘象科技有限公司 一种ecmwf温度数据的降尺度订正方法和装置
CN116682062A (zh) * 2023-06-07 2023-09-01 国网山东省电力公司济南供电公司 一种基于电网高影响气象要素的灾害智能识别与监控方法、系统和存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114138921A (zh) * 2021-12-02 2022-03-04 浙江省气候中心 农业气候资源区划方法、装置、设备及存储介质
CN114385600A (zh) * 2022-03-23 2022-04-22 北京弘象科技有限公司 一种ecmwf温度数据的降尺度订正方法和装置
CN114385600B (zh) * 2022-03-23 2022-07-19 北京弘象科技有限公司 一种ecmwf温度数据的降尺度订正方法和装置
CN116682062A (zh) * 2023-06-07 2023-09-01 国网山东省电力公司济南供电公司 一种基于电网高影响气象要素的灾害智能识别与监控方法、系统和存储介质
CN116682062B (zh) * 2023-06-07 2024-05-03 国网山东省电力公司济南供电公司 一种基于电网高影响气象要素的灾害智能识别与监控方法、系统和存储介质

Similar Documents

Publication Publication Date Title
CN113392365A (zh) 一种高分辨率气象网格数据的生成方法及系统
CN112348292B (zh) 一种基于深度学习网络的短期风电功率预测方法和系统
US10215162B2 (en) Forecasting output power of wind turbine in wind farm
CN109543721B (zh) 一种晴间多云天气情况下的太阳辐照度超短期预报方法
CN102945508B (zh) 一种基于模型校正的风电功率预测预报方法
CN110705771B (zh) 区域电网新能源发电功率预测优化方法和装置
CN110909447B (zh) 一种高精度电离层区域短期预报方法
CN113657662B (zh) 一种基于数据融合的降尺度风电功率预测方法
CN110390343B (zh) 一种空间气象数据的订正方法及系统
CN112541654B (zh) 一种区域风能资源精细化评估方法
CN112100922A (zh) 一种基于wrf和cnn卷积神经网络的风资源预测方法
CN112100921A (zh) 一种基于wrf和随机森林获取风资源风速的方法
CN110781458B (zh) 一种基于混合回归模型预测地表太阳辐照度的方法
CN112381337B (zh) 一种多源气象数据融合处理方法、系统、终端及介质
CN115345076A (zh) 一种风速订正处理方法及装置
CN111611541A (zh) 基于Copula函数的无资料地区降水数据推求方法及系统
CN112862274A (zh) 一种基于WRF-LES和DeepAR相结合的风功率预测方法
CN116050291A (zh) 一种台风条件下风电场大尺度气象预测降尺度方法与系统
CN107944466B (zh) 一种基于分段思想的降雨偏差纠正方法
CN113344252A (zh) 一种基于虚拟气象技术的风功率预测方法
CN111582547B (zh) 一种利用风场数据集获取不同地方时风场分布的方法
CN117421871A (zh) 海上风电潜力评估方法、装置和计算机设备
CN117236720A (zh) 利用多气象因子特征的光伏电站发电功率预测方法
CN112070320A (zh) 一种基于动态谐波回归的超短期风电功率预测方法及系统
CN113849979B (zh) 一种基于气候模型与联合分布函数的风速降尺度方法

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