CN113516303B - 一种提取多模式最优信息进行降水集合预测的方法、装置和介质 - Google Patents
一种提取多模式最优信息进行降水集合预测的方法、装置和介质 Download PDFInfo
- Publication number
- CN113516303B CN113516303B CN202110713964.0A CN202110713964A CN113516303B CN 113516303 B CN113516303 B CN 113516303B CN 202110713964 A CN202110713964 A CN 202110713964A CN 113516303 B CN113516303 B CN 113516303B
- Authority
- CN
- China
- Prior art keywords
- mode
- prediction
- precipitation
- information
- time coefficient
- 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 60
- 238000001556 precipitation Methods 0.000 title claims abstract description 46
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 16
- 230000002776 aggregation Effects 0.000 claims abstract description 13
- 238000004220 aggregation Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000012935 Averaging Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (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
本发明涉及一种提取多模式最优信息进行降水集合预测的方法、装置和介质，将观测降水进行模态分解为空间分布和对应的时间系数，筛选得到与第i个模态相关的第j个模式的预测信息，以及第i个模态的时间系数的预测结果；采用逐步引入和逐步剔除的方法，剔除对集合平均结果起负面效果的结果，得到集合样本子集，并进行等权重的算数平均，作为相应模态的预测时间系数，重建观测降水；由于每个模式都有预测性能好的模态，因此，最终的解释应用模型中，各个模式的优势信息都被保留下来，相比常规的优选模式集合方法，该方法充分挖掘了常规评估中预测性能低下的模式可用信息。
Description
技术领域
本发明属于气候预测领域，尤其涉及多模式进行降水的集合预测的方法、装置和介质。
背景技术
我国是气候灾害的高发区，每年巨大的经济损失严重影响着国家的可持续发展。因此，农业、水利和防灾减灾等部门迫切需要准确的短期气候预测信息，以科学服务于国民经济建设，减小气候灾害所造成的人员伤亡和经济损失。与短时的天气预报相比，气候预测不仅是大气的初值问题，还涉及到地球系统各圈层的变化及其相互作用，预测对象的变异机理十分复杂，因此，气候预测是一个极其困难的科学问题，也是WCRP、SPECS和S2S等众多科学计划的核心内容。
从20世纪90年代开始，基于数值模式的动力学短期气候预测试验广泛开展。中国科学院大气物理研究所逐步完善和建立了基于两层大气环流模式的IAP PSSCA(大气所短期气候距平数值预测系统)和IAP DCP-Ⅱ(大气所跨季节动力气候预测系统)、基于九层大气环流模式(IAP9L-AGCM)以及基于IAP AGCM4(大气所第四代大气环流模式)的多个“两步法”预测系统，并开展了多年的实时预测检验，取得了令人鼓舞的成绩。
随着耦合模式的不断发展，利用耦合模式开展“一步法”气候预测逐渐成为动力气候预测的主流发展方向，至21世纪初，欧美等发达国家相继建立“一步法”业务预测系统，比较著名的包括美国国家环境预报中心-气候预测中心(NCEP CPC)的CFS(Climate ForecastSystem,气候预测系统)系列、欧洲中长期天气预报中心(ECMWF)的System系列和英国Hadley中心的GloSea(全球季节预测系统)系列等。国家气候中心发展了基于海气耦合模式BCC_CSM(Beijing Climate Center Climate System Model，北京气候中心气候系统模式)的第1代和第2代气候预测系统，中国科学院大气物理研究所发展了基于通用气候系统模式(Community Climate System Model，CCSM4)的动力预测系统。经过多年的不懈努力，动力预测方法各方面都取得了很大的进步，特别是在ENSO(厄尔尼诺和南方涛动)预测方面，目前的全球预测系统在超前1个月的情况下Nino3.4指数与观测的相关系数普遍能达到0.8左右；此外，主流预测系统对一些大尺度环流的预测能力也得到很大的改进。但由于东亚地区气候变异的复杂性、气候系统的混沌特性以及气候模式不完善等限制，动力方法在东亚地区的预测准确率还十分有限。
目前，国际上通用的多模式集合方法为集合平均。过去的很多研究都集中在如何进行集合平均，等权重的算数平均，还是非等权重的算法。但无论是等权重算法还是非等权重的算法，对于模式预测的信息要么全部采用，要么全部舍弃，仅依靠模式的权重系数来调整预测结果。但是，通过评估发现，即使是对降水预测整体表现不好的模式系统，对于个别年份的降水异常也能有较好的预测性能；而整体表现好的模式系统，对个别年份也会出现预报失败的情况。也就是说，模式结果中有好的预测信息，也有不好的预测信息。此外，即使对降水预测性能很差的模式，对于部分环流系统也能有较好的预测性能。因此，如何在集合平均时，充分利用每个模式的优势预测信息，对于提高解释应用方法结果的准确率和稳定性十分重要。
发明内容
本发明的目的在于针对现有技术的不足，提供一种提取多模式最优信息进行降水集合预测的方法、装置和介质，可以充分挖掘了常规评估中预测性能低下的模式可用信息，提高预报的准确率和稳定性。
本发明为实现上述目的采用的技术方案包括如下步骤：
步骤(1)：在多模式预测信息提取和解释应用中，假设共有M个动力模式的预测信息，其中M为≥2的自然数；
步骤(2)：对观测降水进行模态分解，针对累积解释方差≥85％的前N个模态，使其分解为N个空间分布P1～PN和对应的时间系数T1～TN；其中N为≥1的自然数；
步骤(3)：对应单一模式j(1≤j≤M)，对i(1≤i≤N)个模态的时间系数Ti与前期～同期的观测气象要素场和第j个模式输出的同期气象要素场进行相关分析和气候动力学诊断分析，筛选出与Ti具有物理联系的前期可用观测信息，以及同期可用模式信息，利用留一交叉检验方法，筛选出留一交叉检验结果与Ti相关系数最高、均方根误差最低的预测因子组合(观测信息+模式信息)，从而得到与第i个模态相关的第j个模式的预测信息，以及第i个模态的时间系数的预测结果T’i,j；
步骤(4)：针对第i个模态的时间系数Ti(i＝1,…,N)，重复步骤(3)得到基于M个模式的时间系数的预测结果；
步骤(5)：对这M个结果采用逐步引入和逐步剔除的方法，剔除对集合平均结果起负面效果的结果，得到集合样本子集，集合样本子集中的要素进行等权重的算数平均，作为第i个模态的预测时间系数；如图3所示；
步骤(6)：最后，利用N个模态的观测空间分布Pi(i＝1,…,N)和预测得到的时间系数T’i(i＝1,…,N)，重建观测降水；
进一步的，在步骤(2)中，观测降水优先采用月/季节降水，所述模态分解包括经验正交分解(EOF)和/或奇异值分解(SVD)等分解方法；
进一步的，对于上述步骤(5)，假设在第1个模态下，基于步骤(4)获得的第1个模态下的M个模式的时间系数预测结果集T’1,1,…,T’1,M，并对集合逐步引入，比较算数平均结果与观测时间系数之间的相关系数是否降低，如果是，则进入舍弃集，如果否，则进入引入集；对引入集进行逐步剔除，比较算数平均结果与观测时间系数之间的相关系数是否降低，如果否，进入舍弃集，如果是，则形成集合样本子集，对其进行等权重算数平均，得到第i个模态的时间系数的预测结果T’i，以此步骤完成所有时间系数的预测结果。
进一步的，所述步骤(6)中基于观测空间分布和预测得到的时间系数的重构采用经验正交分解(EOF)和/或奇异值分解(SVD)等方法进行重建。
本发明还涉及一种提取多模式最优信息进行降水集合预测的装置，可实现本发明的多模式集合预测方法，该装置具体包括：
观测降水模态分解模块，针对累积解释方差≥85％的前N个模态，使其分解为N个空间分布P1～PN和对应的时间系数T1～TN，如图1所示；其中N为≥1的自然数；
多模式的时间系数的筛选预测模块，采用上述步骤(3)～步骤(5)进行筛选-分析-诊断-检验-逐步引入-逐步剔除-等权重计算，作为第i个模态的预测时间系数；
重建观测降水模块，利用N个模态的观测空间分布Pi(i＝1,…,N)和预测得到的时间系数T’i(i＝1,…,N)，重建观测降水。
本发明还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于实现前面所提供的一种提取多模式最优信息进行降水集合预测的方法。
本发明的有益效果是：由于每个模式都有预测性能好的模态，因此，最终的解释应用模型中，各个模式的优势信息都被保留下来。并且由于N个模态对最终预测量的贡献不同，因而通过等权重集合的方法，实现了非等权重集合的效果。相比以往的等权重集合方法，该方法剔除了模式中预测性能低下的部分信息；相比常规非等权重集合方法，该方法在保留优势模式优势信息的同时，剔除了优势模式中预测性能低下的部分信息；相比常规的优选模式集合方法，该方法充分挖掘了常规评估中预测性能低下的模式可用信息。
附图说明
图1为本发明的提取多模式最优信息进行降水集合预测的基本流程图；
图2为本发明的降水模态分解示意图；
图3为利用第j(j＝1,2,…,M)个模式的预测信息对第i个模态的时间系数进行预测的流程图；
图4为针对模态i(i＝1,2,…,N)，M个模型进行筛选和集合平均的流程图；
图5为第i(i＝1,2,…,N)个降水模态的预测流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
多模式集合方法多采用集合平均，包括等权重的算数平均(公式(1))，还有非等权重的算法(公式(2))；
其中，y1，y2，…，yM为M个模式的直接预测结果，y'为预测结果；α1，α2，…，αM为M个模式的权重系数。当α1＝α2＝…＝αM时即为等权重集合方法；当性能好的优选模式的权重系数为1，性能差的模式权重系数为0时，则为优选模式集合方法。
如图1-图5所示，构成了本发明实施例的一种提取多模式最优信息进行降水集合预测的方法，该方法具体包括如下步骤：
步骤(1)：在多模式预测信息提取和解释应用中，假设共有M个动力模式的预测信息，其中M为≥2的自然数；
步骤(2)：对观测降水进行模态分解，针对累积解释方差≥85％的前N个模态，使其分解为N个空间分布P1～PN和对应的时间系数T1～TN，如图2所示；其中N为≥1的自然数；
步骤(3)：对应单一模式j(1≤j≤M)，对i(1≤i≤N)个模态的时间系数Ti与前期～同期的观测气象要素场和第j个模式输出的同期气象要素场进行相关分析和气候动力学诊断分析，筛选出与Ti具有物理联系的前期可用观测信息，以及同期可用模式信息，利用留一交叉检验方法，筛选出留一交叉检验结果与Ti相关系数最高、均方根误差最低的预测因子组合(观测信息+模式信息)，从而得到与第i个模态相关的第j个模式的预测信息，以及第i个模态的时间系数的预测结果T’i,j，如图3所示；
步骤(4)：针对第i个模态的时间系数Ti(i＝1,…,N)，重复步骤(3)得到基于M个模式的时间系数的预测结果；
步骤(5)：对这M个结果采用逐步引入和逐步剔除的方法，剔除对集合平均结果起负面效果的结果，得到集合样本子集，集合样本子集中的要素进行等权重的算数平均，作为第i个模态的预测时间系数；如图4所示；
步骤(6)：最后，利用N个模态的观测空间分布Pi(i＝1,…,N)和预测得到的时间系数T’i(i＝1,…,N)，重建观测降水；如图5所示；
进一步的，在步骤(2)中，观测降水优先采用月/季节降水，所述模态分解包括经验正交分解(EOF)和/或奇异值分解(SVD)等分解方法；
进一步的，如图3所示，对于上述步骤(5)，假设在第i个模态下，基于步骤(4)获得的第i个模态的M个模式的时间系数预测结果集T’i,1,…,T’i,M，并对集合逐步引入，比较算数平均结果与观测时间系数之间的相关系数是否降低，如果是，则进入舍弃集，如果否，则进入引入集；再对引入集进行逐步剔除，比较算数平均结果与观测时间系数之间的相关系数是否降低，如果否，进入舍弃集，如果是，则形成集合样本子集，对其进行等权重算数平均，得到第i个模态的时间系数的预测结果T’i，以此步骤完成所有时间系数的预测结果。
进一步的，所述步骤(6)中基于观测空间分布和预测得到的时间系数的重构采用经验正交分解(EOF)和/或奇异值分解(SVD)等方法进行重建。
在上述方法中，由于每个模式都有预测性能好的模态，因此，最终的解释应用模型中，各个模式的优势信息都被保留下来。并且由于N个模态对最终预测量的贡献不同，因而通过等权重集合的方法，实现了非等权重集合的效果。相比以往的等权重集合方法，该方法剔除了模式中预测性能低下的部分信息；相比常规非等权重集合方法，该方法在保留优势模式优势信息的同时，剔除了优势模式中预测性能低下的部分信息；相比常规的优选模式集合方法，该方法充分挖掘了常规评估中预测性能低下的模式可用信息。
在另一实施例中，本发明涉及一种提取多模式最优信息进行降水集合预测的装置，可实现本发明的多模式集合预测方法，该装置具体包括：
观测降水模态分解模块，针对累积解释方差≥85％的前N个模态，使其分解为N个空间分布P1～PN和对应的时间系数T1～TN，如图2所示；其中N为≥1的自然数；
多模式的时间系数的筛选预测模块，采用上述步骤(3)～步骤(5)进行筛选-分析-诊断-检验-逐步引入-逐步剔除-等权重计算，作为第i个模态的预测时间系数；
重建观测降水模块，利用N个模态的观测空间分布Pi(i＝1,…,N)和预测得到的时间系数T’i(i＝1,…,N)，重建观测降水。
在另一实施例中，本发明提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于实现本发明实施例所提供的一种提取多模式最优信息进行降水集合预测的方法。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的提取多模式最优信息进行降水集合预测的方法中的相关操作。
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所作出的等效的变化或修饰，都应涵盖在本发明的保护范围内。
Claims (5)
1.一种提取多模式最优信息进行降水集合预测的方法，其特征在于，该方法包括以下步骤：
步骤（1）：在多模式预测信息提取和解释应用中，假设共有M个动力模式的预测信息，其中M为≥2的自然数；
步骤（2）：对观测降水进行模态分解，针对累积解释方差≥85%的前N个模态，使其分解为N个空间分布P1~PN和对应的时间系数T1~TN；其中N为≥1的自然数；
步骤（3）：对应单一模式j（1≤j≤M），对i（1≤i≤N）个模态的时间系数Ti与前期~同期的观测气象要素场和第j个模式输出的同期气象要素场进行相关分析和气候动力学诊断分析，筛选出与Ti具有物理联系的前期可用观测信息，以及同期可用模式信息，该观测信息和模式信息均为可能预测因子，构成预测因子集，利用留一交叉检验方法，筛选出留一交叉检验结果与Ti相关系数最高、均方根误差最低的观测信息和模式信息的预测因子组合，从而得到与第i个模态相关的第j个模式的预测信息，以及第i个模态的时间系数的预测结果；
步骤（4）：针对第i个模态的时间系数Ti（i=1,…,N），重复步骤（3）得到基于M个模式的时间系数的预测结果；
步骤（5）：在基于步骤（4）获得的第i个模态下的M个模式的时间系数预测结果集T’ i,1 ,…,T’ i,M ，并对集合逐步引入，比较算数平均结果与观测时间系数之间的相关系数是否降低，如果是，则进入舍弃集，如果否，则进入引入集；对引入集进行逐步剔除，比较算数平均结果与观测时间系数之间的相关系数是否降低，如果否，进入舍弃集，如果是，则形成集合样本子集，对其进行等权重算数平均，进而得到第i个模态的时间系数的预测结果T’ i，以此步骤完成所有时间系数的预测；此流程剔除对集合平均结果起负面效果的结果，得到集合样本子集，集合样本子集中的要素进行等权重的算数平均，作为第i个模态的预测时间系数；
步骤（6）：最后，利用N个模态的观测空间分布Pi（i=1,…,N）和预测得到的时间系数T’ i（i=1,…,N），重建观测降水。
2.根据权利要求1所述的一种提取多模式最优信息进行降水集合预测的方法，其特征在于，在所述步骤（2）中，观测降水为采用月/季节降水，所述模态分解包括经验正交分解（EOF）和/或奇异值分解（SVD）的分解方法。
3.根据权利要求1所述的一种提取多模式最优信息进行降水集合预测的方法，其特征在于，所述步骤（6）中基于观测空间分布和预测得到的时间系数的重构采用经验正交分解（EOF）和/或奇异值分解（SVD）的方法进行重建。
4.一种提取多模式最优信息进行降水集合预测的装置，其特征在于，该装置具体包括：
观测降水模态分解模块，针对累积解释方差≥85%的前N个模态，使其分解为N个空间分布P1~PN和对应的时间系数T1~TN；其中N为≥1的自然数；
多模式的时间系数的筛选预测模块，采用权利要求1-3任一项所述的一种提取多模式最优信息进行降水集合预测的方法的步骤（3）~步骤（5）进行筛选-分析-诊断-检验-逐步引入-逐步剔除-等权重计算，作为第i个模态的预测时间系数；
重建观测降水模块，利用N个模态的观测空间分布Pi（i=1,…,N）和预测得到的时间系数T’ i（i=1,…,N），重建观测降水。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～3中任一项所述的一种提取多模式最优信息进行降水集合预测的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110713964.0A CN113516303B (zh) | 2021-06-25 | 2021-06-25 | 一种提取多模式最优信息进行降水集合预测的方法、装置和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110713964.0A CN113516303B (zh) | 2021-06-25 | 2021-06-25 | 一种提取多模式最优信息进行降水集合预测的方法、装置和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113516303A CN113516303A (zh) | 2021-10-19 |
| CN113516303B true CN113516303B (zh) | 2024-03-19 |
Family
ID=78066017
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110713964.0A Active CN113516303B (zh) | 2021-06-25 | 2021-06-25 | 一种提取多模式最优信息进行降水集合预测的方法、装置和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113516303B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114239959A (zh) * | 2021-12-15 | 2022-03-25 | 中国电信股份有限公司 | 热点预测方法及装置、存储介质及电子设备 |
| CN114707687B (zh) * | 2021-12-21 | 2024-02-13 | 南京大学 | 基于热带大气次季节振荡信号的旬降水预测方法和系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392097A (zh) * | 2014-10-24 | 2015-03-04 | 封国林 | 一种基于季节预报模式的季节降水相似预报方法 |
| CN105808948A (zh) * | 2016-03-08 | 2016-07-27 | 中国水利水电科学研究院 | 一种自动修正的多模式数值降雨集合预报方法 |
| KR20170068144A (ko) * | 2015-12-09 | 2017-06-19 | 부산대학교 산학협력단 | 장마 강수의 물리 통계 앙상블 예측 시스템 및 방법 |
| JP2018031682A (ja) * | 2016-08-25 | 2018-03-01 | 国立研究開発法人防災科学技術研究所 | 降水予測装置及び降水予測方法 |
| CN108764515A (zh) * | 2018-04-04 | 2018-11-06 | 河海大学 | 一种耦合数值气象水文集合预报的水库调度风险决策方法 |
| CN109472403A (zh) * | 2018-10-31 | 2019-03-15 | 中国水利水电科学研究院 | 一种集合经验模态分解及遥相关的中长期径流预报方法 |
| CN109636032A (zh) * | 2018-12-11 | 2019-04-16 | 中国科学院深圳先进技术研究院 | 基于多模式集成的降水预报方法、系统、终端及存储介质 |
| CN110058328A (zh) * | 2019-01-30 | 2019-07-26 | 沈阳区域气候中心 | 东北夏季降水多模式组合降尺度预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11294096B2 (en) * | 2017-11-03 | 2022-04-05 | The Tomorrow Companies Inc. | Real-time data pipeline techniques for improving a fast weather forecasting system |
-
2021
- 2021-06-25 CN CN202110713964.0A patent/CN113516303B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392097A (zh) * | 2014-10-24 | 2015-03-04 | 封国林 | 一种基于季节预报模式的季节降水相似预报方法 |
| KR20170068144A (ko) * | 2015-12-09 | 2017-06-19 | 부산대학교 산학협력단 | 장마 강수의 물리 통계 앙상블 예측 시스템 및 방법 |
| CN105808948A (zh) * | 2016-03-08 | 2016-07-27 | 中国水利水电科学研究院 | 一种自动修正的多模式数值降雨集合预报方法 |
| JP2018031682A (ja) * | 2016-08-25 | 2018-03-01 | 国立研究開発法人防災科学技術研究所 | 降水予測装置及び降水予測方法 |
| CN108764515A (zh) * | 2018-04-04 | 2018-11-06 | 河海大学 | 一种耦合数值气象水文集合预报的水库调度风险决策方法 |
| CN109472403A (zh) * | 2018-10-31 | 2019-03-15 | 中国水利水电科学研究院 | 一种集合经验模态分解及遥相关的中长期径流预报方法 |
| CN109636032A (zh) * | 2018-12-11 | 2019-04-16 | 中国科学院深圳先进技术研究院 | 基于多模式集成的降水预报方法、系统、终端及存储介质 |
| CN110058328A (zh) * | 2019-01-30 | 2019-07-26 | 沈阳区域气候中心 | 东北夏季降水多模式组合降尺度预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Toward a better multi‑model ensemble prediction of East Asian and Australasian precipitation during non‑mature ENSO seasons;Soo‑Jin Sohn et al;《Scientific reports》;第20卷;第1-10页 * |
| 多模式集合预报及其降尺度技术在东亚夏季降水预测中的应用;康红文等;《气象学报》;第70卷(第2期);第192-201页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113516303A (zh) | 2021-10-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110058328B (zh) | 东北夏季降水多模式组合降尺度预测方法 | |
| CN113516303B (zh) | 一种提取多模式最优信息进行降水集合预测的方法、装置和介质 | |
| CN110298411A (zh) | 一种城市群生态空间受损识别评价方法 | |
| 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 | |
| CN112287018A (zh) | 一种台风灾害下10kV杆塔受损风险评估方法及系统 | |
| CN105303468A (zh) | 一种基于主成分聚类分析的智能电网建设综合评价方法 | |
| CN108428017A (zh) | 基于核极限学习机分位数回归的风电功率区间预测方法 | |
| CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
| CN109299434B (zh) | 货物海关通关大数据智能评级及抽检率计算系统 | |
| CN108830405B (zh) | 基于多指标动态匹配的实时电力负荷预测系统及其方法 | |
| CN110288196A (zh) | 输电线路舞动分级预警方法及系统 | |
| CN113642699A (zh) | 一种江河洪水智能预报系统 | |
| CN116050712A (zh) | 一种基于改进熵权法赋权模型的土地生态状况评估方法 | |
| CN115330130A (zh) | 基于改进ahp-critic的农业园区综合能源系统评估方法 | |
| CN104268408A (zh) | 一种基于小波系数arma模型的能耗数据宏观预测方法 | |
| CN116562498A (zh) | 一种城市化地区村镇水资源承载力评价方法及评估系统 | |
| CN115203643A (zh) | 融合水文与生态要素的水源涵养功能定量诊断方法及系统 | |
| CN107067096A (zh) | 基于分形与混沌理论相结合的金融时间序列短期预测 | |
| CN116128345A (zh) | 一种基于动态过程本底的国家公园综合成效评价方法 | |
| CN115296298A (zh) | 一种风电场功率预测方法 | |
| CN114169226A (zh) | 短期电力负荷预测方法、计算机设备以及存储介质 | |
| Jiang et al. | Discharge estimation based on machine learning | |
| CN103955953B (zh) | 一种面向数字土壤制图的地形协同变量选取方法 | |
| Hasan et al. | Investigation of influential factors towards predicting birth rate in Bangladesh | |
| CN110866363A (zh) | 一种利用人工神经网络反演北极融池分布的方法 |
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 |