CN113536576A - 一种数值预报产品距平积分动力统计订正方法和系统 - Google Patents
一种数值预报产品距平积分动力统计订正方法和系统 Download PDFInfo
- Publication number
- CN113536576A CN113536576A CN202110819300.2A CN202110819300A CN113536576A CN 113536576 A CN113536576 A CN 113536576A CN 202110819300 A CN202110819300 A CN 202110819300A CN 113536576 A CN113536576 A CN 113536576A
- Authority
- CN
- China
- Prior art keywords
- time
- weather
- product
- ecmwf
- numerical
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000001556 precipitation Methods 0.000 claims abstract description 62
- 238000012937 correction Methods 0.000 claims abstract description 54
- 238000012950 reanalysis Methods 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 30
- 230000009897 systematic effect Effects 0.000 claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012805 post-processing Methods 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 239000000047 product Substances 0.000 description 81
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 12
- 238000001914 filtration Methods 0.000 description 12
- 230000033001 locomotion Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 238000013277 forecasting method Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000004836 empirical method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005293 physical law Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000004800 variational method Methods 0.000 description 2
- 241000219094 Vitaceae Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 235000021021 grapes Nutrition 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种数值预报产品距平积分动力统计订正方法和系统，包括：步骤1，数据前处理过程；步骤2，气候平均态提取过程；步骤3，物理分解过程；步骤4，订正过程：利用ERA‑Interim再分析数据订正ECMWF中期数值预报产品的环流场结果，以及利用逐时降水数据集订正ECMWF中期数值预报产品的降水结果。本发明提供的一种数值预报产品距平积分动力统计订正方法和系统，是一种能够有效减小ECMWF中期数值预报产品系统性误差，显著提高其预报精度和可用预报时效的数值预报订正方法和订正系统，可有效提高该产品在中短期—延伸期、强降水等灾害性天气系统等方面的预报能力。
Description
技术领域
本发明属于数值天气预报技术领域，具体涉及一种数值预报产品距平积分动力统计订正方法和系统。
背景技术
数值天气预报的发展取得了令人瞩目的成就，尤其近十几年随着模式动力框架更加精确，参数化方案更加合理，观测资料更加密集，同化技术更加完善，以及计算机的进步、大规模计算能力和模式分辨率的提高，数值天气预报的有效预报时效不断延长，预报准确率持续提高，数值预报已经成为天气预报最重要的手段。其中，欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts简称ECMWF)的数值预报产品，包括预报精准度和有效预报时长均领先于其他模式产品(YU，2019)，世界各国天气预报业务中心逐步将ECMWF的数值预报产品作为主要参考对象。
但无法回避的是，无论多么精细的数值预报都是对真实大气的数学物理近似，并通过计算机离散计算获得的数值解，存在系统性误差和随机误差。数值预报系统性误差表征了数值模式平衡态相对于实际气候态的漂移，主要来源于初始误差和模式误差。确定性天气预报问题本身就是一组控制大气动力和热力过程的物理方程的初值问题，大气未来状态如何完全由初值确定，所以初始场的质量直接决定数值模式对未来天气的模拟结果，尤其是对初值敏感的中短期数值天气预报。初始误差包括观测误差、资料不均匀和客观分析误差等，模式误差主要包括模式物理过程和动力过程误差、数值求解的计算误差和计算机的舍入误差。
为追求预报准确率的提高，数值天气预报的发展关键问题在于如何减小预报误差。采用精度更高更加可靠的观测仪器、更先进的气象雷达及气象卫星以获得更广范围、分辨率更高的观测资料等等以提供更可靠的初值，最大限度减小模式的初始误差。采用更完整的非静力完全可压缩方程和高精度的计算方法构建模式动力框架、优化模式物理过程参数化方案、使模式对大气运动的动力、物理过程描述更接近于实际状况，提高模式分辨率等，均能够有效减小数值模式误差。然而，无论是初始场还是模式动力过程或物理过程的描述，都只是实际大气无限复杂过程的近似，计算方案的改进只能在一定程度上提高逼近实际的程度，减小模式预报误差，但并不能完全消除误差。因此，对数值预报误差的有效订正和订正系统研究具有重要的科学意义和实际应用价值。
数值预报误差的订正方法主要分为四类：经验性方法、变分修正方法、Kalman滤波及集合Kalman滤波方法以及动力-统计相结合的修正方法：
(1)经验性方法
数值预报的经验性方法多种多样，1959年Klein等提出完全预报方法(PP)，这种方法建立在预报因子与预报量的统计关系上，但在这种方法中，数值预报的形势预报误差和形势场与要素对应误差相互叠加，精度并不高(丁士晟，1985)。1972年Glathn和Lowry提出模式输出统计预报，即MOS(Model Output Statics)方法，该方法利用数值预报的输出结果通过回归方程预报局地天气要素(李玉华等，2000；Klein et al.,1974)。MOS作为一种线下统计订正方法(Glahn and Lowry,1972)被广泛应用，其原理是直接利用历史数值预报产品的质量评估，与同时期的局地天气要素实测值之间建立统计预报关系，进而利用实时数值预报产品和这种统计关系做出局地天地预报。这种误差订正统计模型，即模式输出统计方法，简称MOS方法。这种方法需要建立预报量与模型其它要素场的线性统计模型，要素选择具有人为因素，且计算量大，还具有模型随时间和地点变化的缺点，业务应用中需要有大量的计算资源保证。
(2)变分修正方法
除经验性订正方法外，变分修正方法也是一种减小模式误差的途径。Derber(1989)提出利用弱约束的四维变分同化方法修正模式误差。Zupanski(1993),Nichols(2003)在后来也进行类似的模式误差订正工作。邵爱梅等(2009)提出一种利用SVD减小模式误差的变分方法，利用两种有不同误差的浅水方程对预报结果进行订正试验。何邓新(2015)利用变分方法对GRAPES模式的非系统性误差进行估计和修正，使模式结果得到改善。
(3)Kalman滤波及集合Kalman滤波方法
Kalman滤波是由数学家Kalman于1960年创立，从1987年开始应用到气象领域，Kalman滤波是一种能够适应数值预报模式变化的统计估算方法，通过处理一系列带有误差的预报值而得到预报值的最佳估算值(陆如华等，1997)。集合kalman滤波方法是将Kalman滤波方法和90年代后提出的集合预报思想结合发展起来，即具有Kalman滤波方法的优势又避免巨大的计算量，更具有业务应用潜力(陆如华等，1994)。国内外将Kalman滤波和集合Kalman滤波方法运用于资料同化和模式误差订正的研究已经很多。NACR/NCEP、ECMWF等国外预报中心已经尝试开展结合变分方法和集合Kalman滤波方法各自优点对资料同化技术进行改进的研究。Delle Monache等(2011)在Kalman滤波器(KF)的启发下，通过一组有序的模拟预测来运行模式后处理算法，以此来减小模式结果误差。
(4)动力-统计相结合的修正方法
动力和统计相结合的预报方法很早已被提出。丑纪范(1986)指出动力方法是确定论的，天气的未来状态是由现在状态以及制约这种状态变化的物理规律所确定的必然结果，对初值极其敏感；统计方法是概率论的，认为天气的未来状态有不确定性，是依据天气的现在状态和近期演变情况，对未来天气状况作出的推断，其准确性和历史资料的质量以及积累数量有一定的正相关。单纯的动力预报方法和统计预报方法都有一定的准确性，也都有各自的缺点，可以探索新的将二者结合起来的方法。Huang等(1993)率先利用相似-动力方法消减模式预报误差，并开发对应的相似-动力季节预测模式，首次进行季节预测试验和月预报试验，任宏利等(2005)则根据大气相似性原理发展一种统计和动力方法有机结合的相似性误差订正方法，李维京等(2013)利用动力和统计相结合的方法进行短期气候预测，封国林等(2013)也采用动力-统计客观定量化预测原理进行汛期降水预报。这些工作，均为推动数值预报动力与统计方法的结合和发展作出了重要贡献。其中，历史资料的应用在数值预报订正发展历程中发挥了非常重要的作用。
顾震潮(1958a、1958b)认为数值预报依赖初值问题的根本缺陷是忽略大量历史资料，而历史资料是目前所能获得的对真实大气运动最客观的反映，数值预报可以由初值问题看为历史演变问题。丑纪范(1974)也提出在数值天气预报中使用历史资料考虑物理场演变的时间连续性问题，并在2007年从信息论的角度系统总结和分析了在数值预报中使用历史资料的问题。丑纪范认为大量未被使用的历史资料实际是满足大气演变精确方程的一系列特解，其中蕴含着模式初始场信息和模式误差信息，这些信息对于模拟结果的准确与否至关重要，所以完全可以将历史资料作为额外信息源对数值模式进行信息量补充，这就改变了数值预报将初始场作为唯一信息源的缺陷。即已知方程的一系列特解(历史资料)，反过来确定方程的未知参数(模式误差)和缺测的初值(初始误差)，这在数学上被称为反问题(丑纪范，2007；于海鹏，2016)。提成反问题的数值预报能充分应用过去的历史资料，将天气方法、统计方法、动力方法有机的结合在一起。邱崇践和丑纪范(1987)利用近期演变资料反演出模式参数的最优估计，后期又采用广义线性反演技术进行改进，该参数优化方案能够很方便的应用于复杂业务模式。于海鹏(2016)利用历史资料，一方面将“误差诊断-误差反演-误差订正”作为研究主线进行中期天气预报，另一方面以“几何理论-历史模拟-未来预估”作为思路转换建立起受历史观测约束的长期气候变化预估模型。Xu等(2012)利用历史气候资料进行区域气候动力降尺度方法的订正研究，较好的改进了区域高分辨气候模式的预测效果。实际上，前文提到的相似-动力方法、相似性误差订正方法等也都利用了大量的历史资料。此外，钱维宏(2012a、2012b)从观测资料的代表性和利用性方面考虑，提出利用大气连续变量物理分解思想进行极端天气以及中期—延伸期预报，从数学和物理上将观测变量的变化统一起来,并通过大量的试验证明了这种方法的可行性。
然而，现有技术中缺少一种可以具体有效的提高数值预报准确度的方法。
发明内容
针对现有技术存在的缺陷，本发明提供一种数值预报产品距平积分动力统计订正方法和系统，可有效解决上述问题。
本发明采用的技术方案如下：
本发明提供一种数值预报产品距平积分动力统计订正方法，包括以下步骤：
步骤1，数据前处理过程：
步骤1.1，获取ECMWF的历史ERA-Interim再分析数据、自动站与CMORPH融合的逐时降水数据集、ECMWF中期数值预报产品以及待订正的实时数值预报产品；其中，逐时降水数据集为逐时降水量0.1°网格数据集；
步骤1.2，对ERA-Interim再分析数据进行纬向存储转置和数据插值处理，得到处理后的ERA-Interim再分析数据，使处理后的ERA-Interim再分析数据与ECMWF中期数值预报产品的格点分布相同；
对逐时降水数据集进行数据插值处理，得到处理后的逐时降水数据集，使处理后的逐时降水数据集与ECMWF中期数值预报产品的格点分布相同；
步骤2，气候平均态提取过程：
根据公式(5)，得到ERA-Interim再分析数据对应的每种天气变量的气候平均态
根据公式(6)，得到逐时降水数据集对应的每种天气变量的气候平均态
其中：
n为移动平均的时间窗口，即气候态平均时间尺度；
y为年份；
fa(I,J)y代表ERA-Interim再分析数据对应的每种天气变量在年份y时的天气变量值；
fc(I,J)y代表逐时降水数据集对应的每种天气变量在年份y时的天气变量值；
步骤3，物理分解过程：
步骤3.1，对经步骤1处理后的ERA-Interim再分析数据、逐时降水数据集和ECMWF中期数值预报产品的各天气变量进行分析，得到每种天气变量的历史时间变化序列；
步骤3.2，采用公式(8)，得到ERA-Interim再分析数据对应的每种天气变量的扰动量fa'(I,J)；
其中：
fa代表ERA-Interim再分析数据的任一天气变量；
L[fa(I,J)]代表ERA-Interim再分析数据的任一天气变量的线性部分；
N[fa(I,J)]代表ERA-Interim再分析数据的任一天气变量的非线性部分；
ε代表预报误差；
n为平均时间尺度；
y为年份；
I,J代表某一格点的经度坐标和纬度坐标；
步骤3.3，采用公式(9)，得到逐时降水数据集对应的每种天气变量的扰动量fc'(I,J)；
其中：
fc代表逐时降水数据集的任一天气变量；
L[fc(I,J)]代表逐时降水数据集的任一天气变量的线性部分；
N[fc(I,J)代表逐时降水数据集的任一天气变量的非线性部分；
ε代表预报误差；
n为平均时间尺度；
y为年份；
I,J代表某一格点的经度坐标和纬度坐标；
步骤4，ECMWF中期数值预报产品每种天气变量的环流场系统性误差和降水量系统性误差：
步骤4.1，由公式(10)，计算得到ECMWF中期数值预报产品每种天气变量的环流场系统性误差；
其中：
步骤4.2，采用公式(11)，计算得到ECMWF中期数值预报产品每种天气变量的降水量系统性误差；
步骤5，订正过程：
步骤5.1，要用步骤2和步骤3的方式，建立不同天气变量各时刻的气候平均态和扰动量数据库；
根据待订正模式产品天气变量、起报时刻和预报时效的不同，从数据库中筛选并调用对应的气候平均态和扰动量；
步骤5.2，采用公式(12)，得到利用ERA-Interim再分析数据订正的ECMWF中期数值预报产品的环流场结果fpa(I,J)：
步骤5.3，采用公式(13)，得到利用逐时降水数据集订正的ECMWF中期数值预报产品的降水结果fpc(I,J)：
由此实现对ECMWF中期数值预报产品的订正。
优选的，天气变量包括环流场天气变量和降水天气变量；
其中，环流场天气变量包括位势、温度、比湿、风场纬向分量和风场经向分量。
优选的，还包括：
步骤6，后处理过程，即：对步骤4得到的订正结果进行指标检验：
步骤6.1，采用公式(14)，计算各个环流场天气变量在订正前后的距平相关系数ACCt：
步骤6.2，采用公式(15)，计算各个环流场天气变量在订正前后的均方根误差RMSEt：
其中：
ft为预报场，即：步骤4得到的订正结果；
ot为观测场；
ct为分析气候场；
I,J为格点经纬序号；
N为空间上总格点数；
步骤6.3，计算降水量订正前后的评分，评估订正效果。
本发明还提供一种基于数值预报产品距平积分动力统计订正方法的数值预报产品距平积分动力统计订正系统，包括：数据前处理模块、气候平均态提取过程、物理分解模块、订正模块和后处理模块。
本发明提供的一种数值预报产品距平积分动力统计订正方法和系统具有以下优点：
本发明提供的一种数值预报产品距平积分动力统计订正方法和系统，是一种能够有效减小ECMWF中期数值预报产品系统性误差，显著提高其预报精度和可用预报时效的数值预报订正方法和订正系统，可有效提高该产品在中短期—延伸期、强降水等灾害性天气系统等方面的预报能力。
附图说明
图1为本发明提供的一种数值预报产品距平积分动力统计订正方法的流程示意图。
具体实施方式
为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，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。
本发明所要解决的技术问题是提供一种能够有效减小ECMWF中期数值预报产品系统性误差，显著提高其预报精度和可用预报时效的数值预报订正方法和订正系统，可有效提高该产品在中短期—延伸期、强降水等灾害性天气系统等方面的预报能力。
具体的，本发明提出一种数值预报产品距平积分动力统计订正方法和系统，是一种基于历史资料的欧洲中期天气预报中心数值预报产品距平积分动力统计订正系统(Anomaly Numerical-correction of ECMWF-prediction with Observations(ANEO))，该系统针对主流的ECMWF中期数值预报产品，利用距平模式和动力统计方法，从已有的最能客观反映真实大气运动状态的大量历史观测资料中提取出大气真实气候态，从而取代ECMWF中期数值预报模式气候态，再加上天气扰动预报量得到最终的模式预报结果，从而达到有效减小模式结果系统误差的目的。
下面对本发明进行详细介绍：
本发明提供一种数值预报产品距平积分动力统计订正方法，包括以下步骤：
步骤1，数据前处理过程：
步骤1.1，获取ECMWF的历史ERA-Interim再分析数据、自动站与CMORPH融合的逐时降水数据集、ECMWF中期数值预报产品以及待订正的实时数值预报产品；其中，逐时降水数据集为逐时降水量0.1°网格数据集；
例如：对于ECMWF的历史ERA-Interim再分析数据，其获取方法为：
下载并读入ECMWF近30年的历史ERA-Interim再分析数据作为观测数据，数据地理范围为0°N—90°N，180°W—180°E，空间分辨率为0.25°，时间分辨率为6小时(00:00:00/06:00:00/12:00:00/18:00:00)，天气变量分别为位势(Geopotential)、温度(Temperature)、比湿(Specific humidity)、风场纬向分量(V component of wind)、风场经向分量(Ucomponent of wind)；
对于自动站与CMORPH融合的逐时降水数据集，其获取方法为：
下载2011年以来中国自动站与CMORPH融合的逐时降水量0.1°网格数据集，地理范围(15°N—59°N，70°E—140°E)，空间分辨率为0.1°，时间分辨率为1小时；
对于ECMWF中期数值预报产品，其获取方法为：
链接并读入起报时间为00:00时(UTC)的ECMWF近30年中期(预报时效10天)数值预报产品，以及待订正的实时数值预报产品，地理范围(10°S—60°N，60°E—150°E)，空间分辨率为0.25°，时间分辨率为6小时(00:00:00/06:00:00/12:00:00/18:00:00)。
步骤1.2，对ERA-Interim再分析数据进行纬向存储转置和数据插值处理，得到处理后的ERA-Interim再分析数据，使处理后的ERA-Interim再分析数据与ECMWF中期数值预报产品的格点分布相同；
对逐时降水数据集进行数据插值处理，得到处理后的逐时降水数据集，使处理后的逐时降水数据集与ECMWF中期数值预报产品的格点分布相同；
具体的，针对ERA-interim再分析数据格点分布和纬向存储顺序与ECMWF中期数值预报产品数据不同的特点，对该数据进行纬向存储转置和双线性插值。
1.2.1纬向存储转置：
设ERA-interim再分析数据同一经度从北极点到赤道各个格点经纬坐标为(I0,J),(I1,J)、(I2,J)……(In,J)，通过纬向存储转置将以上格点坐标转置为(In,J),(In-1,J)、(In-2,J)……(I0,J)，与ECMWF中期数值预报产品数据存储方式保持一致。
1.2.2双线性插值：
首先从所要订正的ECMWF中期数值预报产品数据中提取出每个格点经纬坐标信息，将ERA-interim再分析数据通过双线性插值处理为与ECMWF中期数值预报产品格点信息一致的数据，为后续订正做准备。
设ECMWF中期数值预报产品某一时刻某一天气变量f(I,J)在某一格点的经纬坐标信息为(I,J)，ERA-interim再分析数据同一时刻同一天气变量在这一格点周围的四个值为fa(I1,J2)、fa(I2,J2)、fa(I1,J1)、fa(I2,J1)，使用双线性二次插值法进行插值计算，从而得到ERA-interim再分析数据在坐标(I,J)的值fa(I,J)。
具体采用先纬向、后经向插值：
先在纬向I1和I2上进行两次线性一元一次插值，公式如下：
再在经向J上进行线性一元一次插值，公式如下：
式中：
fa(I1,J2)、fa(I2,J2)、fa(I1,J1)、fa(I2,J1)表示某一时刻预报产品某一变量在坐标(I,J)数据值周围最近相邻四个格点位置的再分析数据值；fa(I,J)是进行上述插值运算后所得出的再分析数据在坐标(I,J)位置的值；重复以上插值过程，得到ERA-interim再分析数据在ECMWF中期数值预报产品网格点上的值。
同理，对自动站与CMORPH融合的逐时降水数据集进行插值，处理成与ECMWF中期数值预报产品格点信息一致的0.25°分辨率数据。
步骤2，气候平均态提取过程：
对前处理过程处理后的历史ERA-Interim再分析数据、自动站与CMORPH融合的逐时降水数据集和ECMWF中期数值预报产品各天气变量进行分析，得到各天气变量30年左右的时间变化序列。本发明中，天气变量包括环流场天气变量和降水天气变量；其中，环流场天气变量包括位势、温度、比湿、风场纬向分量和风场经向分量。
步骤2.1，大气运动从物理本质上来讲是一个具有显著非线性特征，同时受到内在动力因子和外在多源强迫的混沌系统。大气中的任一天气变量f随时间的变化都遵循物理规律(牛顿第二定律、热力学第一定律和连续方程)。数值预报模式正是基于以上物理规律由大气状态方程和动力方程共同构成的复杂计算系统，但是由于大气的非线性特征，数值模式中的方程是一组没有准确解析解的偏微分方程，只能通过数值方法求得近似解。通常将该方程概括为：
其中：
I,J代表某一格点的经度坐标和纬度坐标；
f代表ECMWF中期数值预报产品的任一天气变量；
L(f)和N(f)分别表示ECMWF中期数值预报产品天气变量f的线性部分和非线性部分；
ε代表该数值预报产品的预报误差。
步骤2.2，在数学上可以将大气运动系统任一天气变量f(I,J)的运动状态分解为某一时间段上的气候平均态
和天气扰动(距平)量f'(I,J)：
步骤2.3，为求得大气运动的气候平均态，对式(1)关于时间t求平均并代入式(2)，线性项L[f(I,J)]关于时间t的平均值
可得
由式(3)可以看出，虽然ECMWF中期数值预报产品天气变量的气候平均态
不能作为预报模式的解，但气候平均态
可以利用长时间序列的ECMWF中期数值预报产品通过数学方法平均计算求得。
同时，式(3)也表达了数值预报产品的误差增长机制，数值预报产品的预报误差ε同样可以分解为某一时间段上的预报误差气候平均态
和预报误差扰动(距平)态ε′，即：
如果平均计算的时间尺度足够长足够有代表性，
即可以代表该ECMWF中期数值预报产品的系统性误差，即实况气候平均态和模式产品气候平均态之间的差异。因此，考虑从消除实况大气运动和模式产品之间的气候平均态差异入手，达到减小模式系统性误差的目的，这是本发明需要解决的关键问题。
步骤2.4，对于气候平均态的数学求解，本发明采用加权移动平均(WeightedMoving Average,WMA)的数学方法，加权移动平均具有对近期天气气候变化更加敏感、滞后性较小的优势，尤其是在全球增暖、天气气候不稳定变率增大的背景下，能够计算得到更接近实况的气候平均态。即利用加权移动平均计算天气变量在某一时间段上每一个格点的气候平均态
式中：
y为年份；
n为移动平均的时间窗口，即气候态平均时间尺度，根据气候变率一般取30年；
f(I,J)y、f(I,J)y-1、f(I,J)y-n+2和f(I,J)y-n+1：分别代表天气变量f(I,J)在年份y、y-1、y-n+2、y-n+1时的天气变量值；
基于公式(4)的原理，根据公式(5)和(6)，得到ERA-Interim再分析数据对应的每种天气变量的气候平均态
和逐时降水数据集的气候平均态
步骤3，物理分解过程：
步骤3.1，基于公式(2)和公式(4)，在选择合适的气候平均尺度n＝30的前提下，调用物理分解得到的气候平均态，计算每一时刻历史ERA-Interim再分析数据和ECMWF中期数值预报产品各天气变量和气候平均态之间的差值，即为各个时刻天气变量的扰动(距平)量。由式(1)和(3)积分并结合式(4)-(6)可得天气扰动量f'(I,J)y：
其中：
f代表ECMWF中期数值预报产品的任一天气变量；
L[f(I,J)]代表ECMWF中期数值预报产品的任一天气变量的线性部分；
N[f(I,J)]代表ECMWF中期数值预报产品的任一天气变量的非线性部分；
ε代表预报误差；
n为平均时间尺度；
y为年份
I,J代表某一格点的经度坐标和纬度坐标；
步骤3.2，同理得到ERA-Interim再分析数据对应的每种天气变量的扰动量fa'(I,J)；
其中：
fa代表ERA-Interim再分析数据的任一天气变量；
L[fa(I,J)]代表ERA-Interim再分析数据的任一天气变量的线性部分；
N[fa(I,J)]代表ERA-Interim再分析数据的任一天气变量的非线性部分；ε代表预报误差；
n为平均时间尺度；
y为年份；
I,J代表某一格点的经度坐标和纬度坐标；
步骤3.3，同理，得到逐时降水数据集的扰动量fc'(I,J)；
其中：
fc代表逐时降水数据集的任一天气变量；
L[fc(I,J)]代表逐时降水数据集的任一天气变量的线性部分；
N[fc(I,J)代表逐时降水数据集的任一天气变量的非线性部分；
ε代表预报误差；
n为平均时间尺度；
y为年份；
I,J代表某一格点的经度坐标和纬度坐标；
历史ERA-Interim再分析数据计算得到的扰动量fa'(I,J)将作为环流场观测扰动量，自动站与CMORPH融合的逐时降水数据集计算得到的扰动量fc'(I,J)将作为降水观测扰动量；ECMWF中期数值预报产品计算得到的扰动量f'(I,J)将作为模式扰动量共同传递到订正过程。
步骤4，ECMWF中期数值预报产品每种天气变量的环流场系统性误差和降水量系统性误差：
步骤4.1，由公式(5)，计算得到ECMWF中期数值预报产品每种天气变量的环流场系统性误差；
步骤4.2，采用公式(6)，计算得到ECMWF中期数值预报产品每种天气变量的降水量系统性误差；
将得到的各天气变量每一时刻的观测气候态和预报气候态传递给订正过程。
步骤5，订正过程：
5.1建立不同天气变量各时刻的气候态和扰动量数据库，以供随时调。
根据待订正模式产品天气变量、起报时刻和预报时效的不同，从数据库中筛选并调用对应的气候态和扰动量；
5.2将ECMWF中期数值预报产品中各天气变量每一格点每一时刻对应的模式气候态替换为实况气候态，以此达到部分消除ECMWF中期数值预报模式系统性误差的目的；再与对应的预报产品扰动量耦合得到各天气变量最终订正结果：
利用ERA-Interim再分析数据订正的ECMWF中期数值预报产品的环流场结果fpa(I,J)：
同理，得到利用逐时降水数据集订正的ECMWF中期数值预报产品的降水结果fpc(I,J)：
由此实现对ECMWF中期数值预报产品的订正。
还包括：
步骤6，后处理过程，即：对步骤4得到的订正结果进行指标检验：
步骤6.1，计算各个环流场天气变量在订正前后的距平相关系数ACCt：
步骤6.2，计算各个环流场天气变量在订正前后的均方根误差RMSEt：
其中：
ft为预报场，即：步骤4得到的订正结果；
ot为观测场；
ct为分析气候场；
I,J为格点经纬序号；
N为空间上总格点数；
步骤6.3，计算降水量订正前后的评分，评估订正效果。
订正产品：根据业务需要，对订正结果进行GRADS、MICAPS等格式转换，并存储到对应目录；生成不同预报时效不同格式的订正预报产品及对应图形文件，供预报业务人员使用参考。
本发明还提供一种数值预报产品距平积分动力统计订正系统，包括：数据前处理模块、气候平均态提取模块、物理分解模块、订正模块和后处理模块。
本发明提供的一种数值预报产品距平积分动力统计订正方法和系统，具有以下特点：
(1)利用历史资料包含的天气演变真实信息和模式大气演变信息，对模式预报误差进行订正；
(2)气候态充分表达了预报变量的日变化、季节变化和年际变化特征，能够反映地球的自转和公转过程中太阳辐射能量的变化，具有明确的物理意义。
(3)结合历史观测资料进行天气预报变量的物理分解，从物理和统计学角度定义变量气候态；
(4)有别于气候学方法中常用的气候平均态，ANEO系统的气候态具有能够反应预报时段内逐日气候变化的优势，并且对近期天气气候变化更加敏感、滞后性较小；
(5)选择合适的气候平均尺度，充分表现预报变量气候态的相对稳定性和时变特性。
与现有主流气象业务订正技术MOS相比，本发明的有益效果是：
对ECMWF数值预报产品的订正效果优于MOS方法，距平相关系数(ACC)和均方根误差(RMSE)均有所改善，有效提高了针对灾害性天气的预报精准度和预报时效；变量选择不受人为因素影响，模型不随时间地点变化，订正结果更为客观；方便自动化处理，实现定时、定点预报订正；计算经济成本和时间成本是MOS方法的1/300左右，易于移植和应用。
本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过与计算机程序指令相关的硬件来完成的，上述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述的存储介质可为磁碟、光盘、只读存储记忆体(ROM：Read-Only Memory)或随机存储记忆体(RAM：RandomAccess Memory)等。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
Claims (4)
1.一种数值预报产品距平积分动力统计订正方法，其特征在于，包括以下步骤：
步骤1，数据前处理过程：
步骤1.1，获取ECMWF的历史ERA-Interim再分析数据、自动站与CMORPH融合的逐时降水数据集、ECMWF中期数值预报产品以及待订正的实时数值预报产品；其中，逐时降水数据集为逐时降水量0.1°网格数据集；
步骤1.2，对ERA-Interim再分析数据进行纬向存储转置和数据插值处理，得到处理后的ERA-Interim再分析数据，使处理后的ERA-Interim再分析数据与ECMWF中期数值预报产品的格点分布相同；
对逐时降水数据集进行数据插值处理，得到处理后的逐时降水数据集，使处理后的逐时降水数据集与ECMWF中期数值预报产品的格点分布相同；
步骤2，气候平均态提取过程：
根据公式(5)，得到ERA-Interim再分析数据对应的每种天气变量的气候平均态
根据公式(6)，得到逐时降水数据集对应的每种天气变量的气候平均态
其中：
n为移动平均的时间窗口，即气候态平均时间尺度；
y为年份；
fa(I,J)y代表ERA-Interim再分析数据对应的每种天气变量在年份y时的天气变量值；
fc(I,J)y代表逐时降水数据集对应的每种天气变量在年份y时的天气变量值；
步骤3，物理分解过程：
步骤3.1，对经步骤1处理后的ERA-Interim再分析数据、逐时降水数据集和ECMWF中期数值预报产品的各天气变量进行分析，得到每种天气变量的历史时间变化序列；
步骤3.2，采用公式(8)，得到ERA-Interim再分析数据对应的每种天气变量的扰动量fa'(I,J)；
其中：
fa代表ERA-Interim再分析数据的任一天气变量；
L[fa(I,J)]代表ERA-Interim再分析数据的任一天气变量的线性部分；
N[fa(I,J)]代表ERA-Interim再分析数据的任一天气变量的非线性部分；
ε代表预报误差；
n为平均时间尺度；
y为年份；
I,J代表某一格点的经度坐标和纬度坐标；
步骤3.3，采用公式(9)，得到逐时降水数据集对应的每种天气变量的扰动量fc'(I,J)；
其中：
fc代表逐时降水数据集的任一天气变量；
L[fc(I,J)]代表逐时降水数据集的任一天气变量的线性部分；
N[fc(I,J)代表逐时降水数据集的任一天气变量的非线性部分；
ε代表预报误差；
n为平均时间尺度；
y为年份；
I,J代表某一格点的经度坐标和纬度坐标；
步骤4，ECMWF中期数值预报产品每种天气变量的环流场系统性误差和降水量系统性误差：
步骤4.1，由公式(10)，计算得到ECMWF中期数值预报产品每种天气变量的环流场系统性误差；
其中：
步骤4.2，采用公式(11)，计算得到ECMWF中期数值预报产品每种天气变量的降水量系统性误差；
步骤5，订正过程：
步骤5.1，要用步骤2和步骤3的方式，建立不同天气变量各时刻的气候平均态和扰动量数据库；
根据待订正模式产品天气变量、起报时刻和预报时效的不同，从数据库中筛选并调用对应的气候平均态和扰动量；
步骤5.2，采用公式(12)，得到利用ERA-Interim再分析数据订正的ECMWF中期数值预报产品的环流场结果fpa(I,J)：
步骤5.3，采用公式(13)，得到利用逐时降水数据集订正的ECMWF中期数值预报产品的降水结果fpc(I,J)：
由此实现对ECMWF中期数值预报产品的订正。
2.根据权利要求1所述的一种数值预报产品距平积分动力统计订正方法，其特征在于，天气变量包括环流场天气变量和降水天气变量；
其中，环流场天气变量包括位势、温度、比湿、风场纬向分量和风场经向分量。
3.根据权利要求1所述的一种数值预报产品距平积分动力统计订正方法，其特征在于，还包括：
步骤6，后处理过程，即：对步骤4得到的订正结果进行指标检验：
步骤6.1，采用公式(14)，计算各个环流场天气变量在订正前后的距平相关系数ACCt：
步骤6.2，采用公式(15)，计算各个环流场天气变量在订正前后的均方根误差RMSEt：
其中：
ft为预报场，即：步骤4得到的订正结果；
ot为观测场；
ct为分析气候场；
I,J为格点经纬序号；
N为空间上总格点数；
步骤6.3，计算降水量订正前后的评分，评估订正效果。
4.一种基于权利要求1-3任一项所述数值预报产品距平积分动力统计订正方法的数值预报产品距平积分动力统计订正系统，其特征在于，包括：数据前处理模块、气候平均态提取过程、物理分解模块、订正模块和后处理模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110819300.2A CN113536576B (zh) | 2021-07-20 | 2021-07-20 | 一种数值预报产品距平积分动力统计订正方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110819300.2A CN113536576B (zh) | 2021-07-20 | 2021-07-20 | 一种数值预报产品距平积分动力统计订正方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113536576A true CN113536576A (zh) | 2021-10-22 |
| CN113536576B CN113536576B (zh) | 2022-04-22 |
Family
ID=78128949
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110819300.2A Active CN113536576B (zh) | 2021-07-20 | 2021-07-20 | 一种数值预报产品距平积分动力统计订正方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113536576B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN115630258A (zh) * | 2022-12-22 | 2023-01-20 | 中国气象局地球系统数值预报中心 | 一种陆表温度数据同化处理方法、装置、设备及存储介质 |
| CN115759416A (zh) * | 2022-11-21 | 2023-03-07 | 四川省气象探测数据中心 | 一种网格实况产品的评估分析方法 |
| CN115933009A (zh) * | 2022-12-13 | 2023-04-07 | 国网湖南省电力有限公司 | 基于动力统计方法相结合的水库降水预报方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103455708A (zh) * | 2013-07-24 | 2013-12-18 | 安徽省电力科学研究院 | 基于卫星及气象信息的输电线路灾害监测与风险评估平台 |
| US20170329048A1 (en) * | 2016-05-12 | 2017-11-16 | The Climate Corporation | Statistical blending of weather data sets |
| CN109358381A (zh) * | 2018-09-12 | 2019-02-19 | 浙江省气象科学研究所 | 一种站点预报风速订正方法 |
| CN109726867A (zh) * | 2018-12-27 | 2019-05-07 | 北京恒泰实达科技股份有限公司 | 一种基于多模式集合的高分辨率电力气象预报方法 |
| 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 |
| CN110703357A (zh) * | 2019-04-30 | 2020-01-17 | 国家气象中心 | 全球中期数值预报grapes_gfs |
| CN111985727A (zh) * | 2020-09-03 | 2020-11-24 | 南京信息工程大学 | 一种基于环流分型模型天气预测方法及系统 |
| CN112630864A (zh) * | 2020-12-10 | 2021-04-09 | 中国人民解放军63796部队 | 一种高分辨率高空风的短期预报方法 |
-
2021
- 2021-07-20 CN CN202110819300.2A patent/CN113536576B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103455708A (zh) * | 2013-07-24 | 2013-12-18 | 安徽省电力科学研究院 | 基于卫星及气象信息的输电线路灾害监测与风险评估平台 |
| US20170329048A1 (en) * | 2016-05-12 | 2017-11-16 | The Climate Corporation | Statistical blending of weather data sets |
| CN109358381A (zh) * | 2018-09-12 | 2019-02-19 | 浙江省气象科学研究所 | 一种站点预报风速订正方法 |
| CN109726867A (zh) * | 2018-12-27 | 2019-05-07 | 北京恒泰实达科技股份有限公司 | 一种基于多模式集合的高分辨率电力气象预报方法 |
| 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 |
| CN110703357A (zh) * | 2019-04-30 | 2020-01-17 | 国家气象中心 | 全球中期数值预报grapes_gfs |
| CN111985727A (zh) * | 2020-09-03 | 2020-11-24 | 南京信息工程大学 | 一种基于环流分型模型天气预测方法及系统 |
| CN112630864A (zh) * | 2020-12-10 | 2021-04-09 | 中国人民解放军63796部队 | 一种高分辨率高空风的短期预报方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN115759416A (zh) * | 2022-11-21 | 2023-03-07 | 四川省气象探测数据中心 | 一种网格实况产品的评估分析方法 |
| CN115933009A (zh) * | 2022-12-13 | 2023-04-07 | 国网湖南省电力有限公司 | 基于动力统计方法相结合的水库降水预报方法及系统 |
| CN115630258A (zh) * | 2022-12-22 | 2023-01-20 | 中国气象局地球系统数值预报中心 | 一种陆表温度数据同化处理方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113536576B (zh) | 2022-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113536576B (zh) | 一种数值预报产品距平积分动力统计订正方法和系统 | |
| CN112684520B (zh) | 一种气象预报的订正方法、装置、计算机设备及存储介质 | |
| CN107341134B (zh) | 一种对数值预报格点温度预报数据精细化处理的方法 | |
| CN107316095B (zh) | 一种耦合多源数据的区域气象干旱等级预测方法 | |
| Stathopoulos et al. | Wind power prediction based on numerical and statistical models | |
| Pereira et al. | Development of an ANN based corrective algorithm of the operational ECMWF global horizontal irradiation forecasts | |
| Voyant et al. | Prediction intervals for global solar irradiation forecasting using regression trees methods | |
| CN114265836A (zh) | 一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化方法及装置 | |
| CN112699959B (zh) | 基于能量泛函模型的多源多尺度降水数据融合方法和装置 | |
| CN105974495B (zh) | 利用分类拟合法预判目标区域未来平均云量的方法 | |
| CN113139327B (zh) | 一种基于gru网络模型的电离层tec单点预测方法及系统 | |
| CN108319772B (zh) | 一种波浪长期数据的再分析方法 | |
| CN114019579A (zh) | 高时空分辨率近地表空气温度重构方法、系统、设备 | |
| Gupta et al. | A review and evaluation of solar forecasting technologies | |
| CN115544889A (zh) | 基于深度学习的数值模式降水偏差校正方法 | |
| 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 | |
| CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
| CN116822185A (zh) | 基于hasm的日降水数据空间模拟方法和系统 | |
| CN113158128B (zh) | 一种全球无缝隙台风动力集合预测方法、系统 | |
| CN117277304A (zh) | 考虑日出日落时间的光伏发电超短期功率预测方法、系统 | |
| Fan et al. | Quantitative estimation of missing value interpolation methods for suomi-NPP VIIRS/DNB nighttime light monthly composite images | |
| TW202107306A (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 | |
| Fernandez-Jimenez et al. | Day-ahead probabilistic photovoltaic power forecasting models based on quantile regression neural networks | |
| AU2021105536A4 (en) | A High Spatial-Temporal Resolution Method for Near-Surface Air Temperature Reconstruction | |
| CN115238967A (zh) | 一种结合云图和相邻电站集群的光伏功率预测方法及装置 |
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 |