CN113592132B - 一种基于数值天气预报和人工智能的降水客观预报方法 - Google Patents

一种基于数值天气预报和人工智能的降水客观预报方法 Download PDF

Info

Publication number
CN113592132B
CN113592132B CN202110472184.1A CN202110472184A CN113592132B CN 113592132 B CN113592132 B CN 113592132B CN 202110472184 A CN202110472184 A CN 202110472184A CN 113592132 B CN113592132 B CN 113592132B
Authority
CN
China
Prior art keywords
forecast
rainfall
precipitation
numerical
objective
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
CN202110472184.1A
Other languages
English (en)
Other versions
CN113592132A (zh
Inventor
盛春岩
朱文刚
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.)
Shandong Institute Of Meteorological Sciences Shandong Institute Of Marine Meteorological Sciences Shandong Meteorological Bureau Training Center
Original Assignee
Shandong Institute Of Meteorological Sciences Shandong Institute Of Marine Meteorological Sciences Shandong Meteorological Bureau Training 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 Shandong Institute Of Meteorological Sciences Shandong Institute Of Marine Meteorological Sciences Shandong Meteorological Bureau Training Center filed Critical Shandong Institute Of Meteorological Sciences Shandong Institute Of Marine Meteorological Sciences Shandong Meteorological Bureau Training Center
Priority to CN202110472184.1A priority Critical patent/CN113592132B/zh
Publication of CN113592132A publication Critical patent/CN113592132A/zh
Application granted granted Critical
Publication of CN113592132B publication Critical patent/CN113592132B/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
    • 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
    • G01W1/14—Rainfall or precipitation gauges
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Environmental Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (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)
  • Hydrology & Water Resources (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于气象预报技术领域，涉及一种基于数值天气预报和人工智能的降水客观预报方法。本发明基于数值天气预报和人工智能技术进行降水客观预报，可以在数值预报的基础上进一步提高降水预报准确率。通过对2020年4‑9月山东省国家级地面观测站24h降水和1h降水预报进行对比检验表明，该方法提供的24h降水晴雨预报评分高于业务上的数值模式直接预报，1h降水预报相对误差小于数值模式预报，展示出较好的预报优势，具有较高的应用价值。

Description

一种基于数值天气预报和人工智能的降水客观预报方法
技术领域
本发明属于气象预报技术领域，涉及一种基于数值天气预报和人工智能的降水客观预报方法。
背景技术
当前，随着数值天气预报技术的发展进步，数值模式降水预报准确率不断提高，已成为天气预报的重要基础和技术支撑。但由于观测本身存在误差，数值模式本身也存在误差等，使得各种数值天气预报产品需要继续进行订正和释用，这也是进一步提高降水等客观预报准确率的重要手段。目前，针对数值模式降水预报订正释用的方法较多，如MOS、卡尔曼滤波、多模式集成、OTS、集合预报释用等方法，这些方法均不同程度地提高了数值模式降水预报准确率。但由于降水预报的非线性，传统的统计方法对数值模式降水预报的订正释用效果常常不够理想，甚至有时对数值模式降水预报的订正出现负技巧。近几年，随着人工智能技术的飞速发展，将气象与人工智能技术相结合的研究也逐渐增多。但是由于降水预报的复杂性，使得如何从大量的气象要素和物理量中选取合理的预报因子，建立基于数值天气预报和人工智能的降水客观预报模型，成为提高降水客观预报准确率的关键。
发明内容
本发明针对传统的统计方法对数值模式降水预报的订正释用效果常常不够理想，有时对数值模式降水预报的订正出现负技巧，如何将气象与人工智能技术相结合进行降水客观预报等问题，提出一种新型的基于数值天气预报和人工智能技术的降水客观预报方法。
为了达到上述目的，本发明是采用下述的技术方案实现的：
一种基于数值天气预报和人工智能的降水客观预报方法，步骤如下：
（1）获取多种数值模式的降水预报产品
获取(包括从气象CIMISS数据库、大数据云平台、气象数值预报云共享平台、因特网等方式获取数据)研究区域范围内多种数值模式降水预报产品，通过插值技术将这些数值模式降水预报产品插值处理到同样的站点或网格点上；
（2）进行数值模式降水预报准确率对比检验
对不同数值模式降水预报产品的准确率进行检验。根据关注重点和业务需求，检验内容可包括晴雨预报准确率、不同等级（强度）降水预报准确率、降水预报平均相对误差等。根据检验结果，挑选出预报准确率较高的高时间分辨率的数值模式，选择其历史降水预报数据，建立人工智能训练数据集；
（3）进行人工智能降水预报模型训练
将数值模式历史降水数据整理成分段降水量（如24h降水、6h降水等）预报，采用全连接神经网络DNN（Deep Neural Network）进行模型训练，将训练样本进行特征变量选取、数据上采样、标准化预处理后作为深度学习输入层的输入量，通过线性变换和非线性激活函数（ReLU）映射，得到这个节点的输出，并传递给下一层节点的输入，经过多隐含层的矩阵变换，最后以分段降水预报作为模型的输出量，建立基于数值天气预报和人工智能的降水客观预报模型；
（4）建立基于数值天气预报和人工智能的降水客观预报业务化系统
基于前期训练的人工智能降水预报模型以及数值模式降水预报产品，建立业务化的人工智能降水客观预报系统，实时提供分段降水客观预报产品；
（5）分段降水客观预报产品时间降尺度
逐站（点）进行分段降水客观预报产品时间降尺度，包括：①找出人工智能降水预报模型输出的分段降水量预报RA；②找出准确率较高的高时间分辨率的数值模式（以B模式表示）在相应时间段内的累计降水量预报RB及该时段内的降水预报时次数n；③按照B模式在该时段内的降水变化趋势逐个时间点i（其中，i=1，…，n，n>1）对分段降水客观预报产品RA进行时间降尺度，求出在该时段内所有时间点的降水客观预报值RAi，生成更高时间分辨率的降水预报产品。具体公式如下：
当RB≠0时，
Figure RE-826074DEST_PATH_IMAGE001
，
如果RB=0，则进一步寻找B模式该站（点）周围的临近站（点），如果临近点有降水，则采用该临近点的降水量作为时段降水量RB，进行时间降尺度。否则，扩大范围，继续寻找周围临近站（点）的降水预报。如果B模式整个场没有预报降水，则采用预报准确率较高的其他模式高时间分辨率降水预报产品进行时间降尺度；
其中，
RA表示降水客观预报产品的分段降水量预报；
RAi表示降水客观预报产品在相应时段内第i个时间点的降水量预报；
RB表示较高时间分辨率的数值模式（B模式）在同时段的分段降水量预报；
RBi表示较高时间分辨率的数值模式（B模式）在相应时段内第i个时间点的降水量预报；
④逐站（点）循环，实现分段降水客观预报产品在整个区域范围内的时间降尺度；
（6）建立业务化系统，逐日重复上述步骤（4）、（5），实现基于数值天气预报和人工智能的降水客观预报方法业务化。
作为优选，步骤（1）中所述获取研究区域范围内多种数值模式降水预报产品，其产品时间分辨率通常为逐1h或逐3h（需要说明的是，逐1h或逐3h是目前气象局预报常用的分辨率，但随着技术发展，也可能有其他更高分辨率产品出现，本发明对此不做限制，其他分辨率的情况也在本发明保护范围内），如中国气象局数值预报中心提供的GRAPES_meso中尺度模式降水预报产品时间分辨率为1h，华东、华北区域中心提供的中尺度数值模式降水预报产品时间分辨率为1h，ECMWF欧洲中心数值预报中心的EC细网格以及中国气象局数值预报中心GRAPES_GFS全球模式降水预报产品时间分辨率为逐3h。
作为优选，步骤（1）中所述插值技术通常指双线性插值或反距离权重等插值方法。
作为优选，步骤（2）中所述高时间分辨率通常指1h或小于1h时间分辨率的产品。例如：中国气象局数值预报中心提供的GRAPES_meso中尺度模式降水预报产品时间分辨率为1h，华东、华北区域中心提供的中尺度数值模式降水预报产品时间分辨率为1h。
作为优选，步骤（3）中所述分段降水量预报通常时间分辨率较低，比如，有的为24h分段降水预报，有的为3h或6h分段降水量预报（需要说明的是，此处3h或6h只作为优选或举例，但本发明对此不做限制，其他分辨率的情况也在本发明保护范围内）。
作为优选，步骤（4）中所述时间降尺度指将时间分辨率较低的降水预报产品处理成时间分辨率较高的预报产品。例如：将时间分辨率为6h的降水量预报产品通过时间降尺度处理成1h时间分辨率的降水预报产品。
作为优选，步骤（4）中所述降水变化趋势指降水预报值随时间增加或减小的趋势。
与现有技术相比，本发明的优点和积极效果在于：
本发明基于数值天气预报和人工智能技术进行降水客观预报，可以在数值预报的基础上进一步提高降水预报准确率。通过对2020年4-9月山东省国家级地面观测站24h降水和1h降水预报进行对比检验表明，该方法提供的24h降水晴雨预报评分高于业务上的中尺度数值模式直接预报，1h降水预报相对误差小于数值模式预报，展示出较好的预报优势，具有较高的应用价值。
附图说明
图1为2020年4-9月山东省123个国家级地面观测站（含泰山站）1h降水客观预报产品（以1h客观预报表示）、GRAPES_meso（以GRAPES_meso表示）和华东区域模式（以华东表示）1h降水预报产品降水预报平均相对误差对比。
其中，横坐标为预报时效（h），纵坐标为降水预报平均相对误差。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合具体实施例对本发明做进一步说明。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开说明书的具体实施例的限制。
实施例1
本实施例基于EC细网格、GRAPES_meso模式降水预报产品，利用深度神经网络DNN方法进行降水客观预报，生成1h时间间隔的降水预报产品。采用如下步骤：
（1）获取多种数值模式的降水预报产品
以python、shell为主要编程语言，在WINDOWS或LINUX环境下获取(包括从气象CIMISS数据库、大数据云平台、气象数值预报云共享平台、因特网等方式获取数据)研究区域范围内多种数值模式降水预报，通过反距离权重插值处理，处理到覆盖山东范围的0.05°*0.05°网格；从大数据云平台中提取山东省地面降水观测资料；
（2）进行数值模式高时间分辨率降水预报准确率对比检验
对不同数值预报高时间分辨率降水预报产品的准确率进行检验。重点检验晴雨预报准确率、降水预报平均相对误差。
晴雨预报准确率检验公式如下：
Figure 348076DEST_PATH_IMAGE002
，
式中，
Figure 621538DEST_PATH_IMAGE003
为有降水预报正确站（次）数，
Figure 231511DEST_PATH_IMAGE004
为空报站（次）数、
Figure 260647DEST_PATH_IMAGE005
为漏报站（次）数，
Figure 563453DEST_PATH_IMAGE006
为无降水预报正确的站（次）数，见表1。
表1 晴雨检验评定表
Figure 779670DEST_PATH_IMAGE007
降水预报的平均相对误差检验公式如下：
Figure 944067DEST_PATH_IMAGE008
，
式中
Figure 827709DEST_PATH_IMAGE009
为观测降水量，
Figure 301416DEST_PATH_IMAGE010
为对应的预报降水量，当实况和预报值都为0时，相对误差计为0。
根据检验结果，挑选出预报准确率较高的EC细网格、GRAPES_meso数值模式，收集整理其2019年历史降水预报数据，建立人工智能训练数据集；
（3）进行人工智能降水预报模型训练
将数值模式历史降水数据整理成24h分段降水量预报，作为输入量，以24h分段降水预报作为模型的输出量，采用全连接神经网络DNN（Deep Neural Network）进行模型训练。具体过程如下：
将训练样本进行特征变量选取、K近邻法上采样、StandardScaler标准化预处理后作为深度学习输入层的输入量，通过随机权重初始化、线性变换和非线性激活函数ReLU映射，得到这个节点的输出，并传递给下一层节点的输入。经过多隐含层的逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，最后利用模型输出层和气象自动站降水实况建立损失函数。晴雨分类模型采用交叉熵损失函数
Figure RE-384149DEST_PATH_IMAGE011
，其中，yi表示观测的概率，
Figure RE-556504DEST_PATH_IMAGE012
表示预报的概率，模型有5个隐含层，降水回归模型采用均方误差损失函数
Figure RE-638773DEST_PATH_IMAGE013
，其中，yi表示观测的概率，
Figure RE-908080DEST_PATH_IMAGE012
表示预报的概率，有3个隐含层，损失函数正则化项选取L2-Norm法，反向传播过程利用Adam梯度下降算法不断迭代调优权重和偏置直至损失函数收敛，进而得到最优的降水预报模型；
（4）建立基于数值天气预报和人工智能的降水客观预报业务化系统
基于前期训练的人工智能降水预报模型以及EC细网格和GRAPES_meso数值模式降水预报产品，建立业务化的人工智能降水客观预报系统，实时提供24h降水客观预报产品；
（5）24h分段降水预报产品时间降尺度
逐点进行24h分段降水客观预报产品时间降尺度，包括：①读取人工智能降水预报模型输出的24h降水量预报RA；②读取GRAPES_meso模式在相应时间段内的累计降水量预报RB及该时段内的降水预报时次数n（这里n=24）；③按照GRAPES_meso模式在该时段内的降水变化趋势逐个时间点i（其中，i=1，…，24）对24h分段降水客观预报产品RA进行时间降尺度，求出在该时段内所有时间点的降水客观预报值RAi，生成更高时间分辨率的降水预报产品。具体公式如下：
当RB≠0时，
Figure RE-755950DEST_PATH_IMAGE001
，
如果RB=0，则进一步寻找B模式该点周围的临近点，如果临近点有降水，则采用该临近点的降水量作为时段降水量RB，进行时间降尺度。否则，扩大范围，继续寻找周围临近点的降水预报。如果B模式整个场没有预报降水，则采用华东或华北模式高时间分辨率降水预报产品进行时间降尺度。
其中，
RA表示降水客观预报产品的24h分段降水量预报；
RAi表示降水客观预报产品在相应时段内第i个时间点的降水量预报；
RB表示GRAPES_meso模式（B模式）在同时段的24h分段降水量预报；
RBi表示GRAPES_meso模式（B模式）在相应时段内第i个时间点的降水量预报；
④逐点循环，实现24h分段降水客观预报在整个区域范围内的时间降尺度；
（6）建立业务化系统，逐日重复上述步骤（4）、（5），实现基于数值天气预报和人工智能的降水客观预报业务化。
采用邻域法，对分别对人工智能降水客观预报（以客观预报表示）、EC细网格和GRAPES_meso模式的24h降水晴雨预报准确率，以及人工智能客观预报、GRAPES_meso和华东区域模式的1h降水预报相对误差进行评分对比，结果见表2、表3。
表2 2020年4-9月山东省123个国家级气象观测站（含泰山站）24小时降水晴雨预报准确率（%）评分对比
Figure 770891DEST_PATH_IMAGE014
表3 2020年4-9月山东省123个国家级气象观测站（含泰山站）逐1小时降水预报平均相对误差对比
Figure 97967DEST_PATH_IMAGE015
为了更直观表示各产品的准确率情况，将表3中的数据绘制成图形（图1），从表2、表3结合图1得到的结果可知：基于数值天气预报和人工智能的降水客观预报产品晴雨预报准确率均高于数值模式降水预报，1h降水预报平均相对误差明显小于GRAPES_meso和华东区域模式，表明该方法是合理且有效的。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (7)

1.一种基于数值天气预报和人工智能的降水客观预报方法，其特征在于，步骤如下：
（1）获取多种数值模式的降水预报产品
获取研究范围内多种数值模式降水预报产品，通过插值技术将这些数值模式降水预报产品插值处理到同样的站点或网格点上；
（2）进行数值模式降水预报准确率对比检验
对不同数值模式降水预报准确率进行检验，根据检验结果挑选出预报准确率高的高时间分辨率的数值模式，选择其历史降水预报数据，建立人工智能训练数据集；
（3）进行人工智能降水预报模型训练
将数值模式历史降水预报数据整理成分段降水量预报，采用全连接神经网络DNN进行模型训练，将训练样本进行特征变量选取、数据上采样、标准化预处理后作为深度学习输入层的输入量，通过线性变换和非线性激活函数映射，得到这个节点的输出，并传递给下一层节点的输入，经过多隐含层的矩阵变换，最后以分段降水预报作为模型的输出量，建立基于数值天气预报和人工智能的降水客观预报模型；
（4）建立基于数值天气预报和人工智能的降水客观预报业务化系统
基于前期训练的人工智能降水预报模型以及数值模式降水预报产品，建立业务化的人工智能降水客观预报系统，实时提供分段降水客观预报产品；
（5）分段降水客观预报产品时间降尺度
逐站点或网格点进行分段降水客观预报产品时间降尺度，包括①找出人工智能降水预报模型输出的分段降水量预报RA；②找出准确率较高的高时间分辨率的数值模式，以B模式表示，在相应时间段内的累计降水量预报RB及该时段内的降水预报时次数n；③按照B模式在该时段内的降水变化趋势逐个时间点i，i=1，…，n，n>1，对分段降水客观预报产品RA进行时间降尺度，求出在该时段内所有时间点的降水客观预报值RAi，生成更高时间分辨率的降水预报产品，具体公式如下：
当RB≠0时
Figure DEST_PATH_IMAGE001
，
如果RB=0，则进一步寻找B模式该站点周围的临近站点，如果临近站点有降水，则采用该临近站点的降水量作为时段降水量RB，进行时间降尺度；否则，扩大范围，继续寻找周围临近站点的降水预报；如果B模式整个场没有预报降水，则采用预报准确率较高的其他模式高时间分辨率降水预报产品进行时间降尺度；
其中，
RA表示降水客观预报产品的分段降水量预报；
RAi表示降水客观预报产品在相应时段内第i个时间点的降水量预报；
RB表示较高时间分辨率的数值模式在同时段的分段降水量预报；
RBi表示较高时间分辨率的数值模式在相应时段内第i个时间点的降水量预报；
④逐站点或网格点循环，实现分段降水客观预报产品在整个区域范围内的时间降尺度；
（6）建立业务化系统，逐日重复步骤（4）、（5），实现基于数值天气预报和人工智能技术的降水客观预报方法业务化。
2.根据权利要求1所述基于数值天气预报和人工智能的降水客观预报方法，其特征在于，步骤（1）中获取多种数值模式的降水预报产品的途径包括气象CIMISS数据库、大数据云平台、气象数值预报云共享平台、因特网中的任意一项或几项。
3.根据权利要求1所述基于数值天气预报和人工智能的降水客观预报方法，其特征在于，步骤（1）中所述多种数值模式降水预报产品时间分辨率为逐1h或逐3h。
4.根据权利要求1所述基于数值天气预报和人工智能的降水客观预报方法，其特征在于，步骤（1）中所述插值技术为双线性插值或反距离权重。
5.根据权利要求1所述基于数值天气预报和人工智能的降水客观预报方法，其特征在于，步骤（2）中所述高时间分辨率指1h或小于1h时间分辨率；检验内容包括晴雨预报准确率、不同等级降水预报准确率、降水预报平均相对误差中的任意一项或几项。
6.根据权利要求1所述基于数值天气预报和人工智能的降水客观预报方法，其特征在于，步骤（3）中分段降水预报的时间分辨率为3h或大于3h的产品。
7.根据权利要求1所述基于数值天气预报和人工智能的降水客观预报方法，其特征在于，步骤（4）中所述时间降尺度指将时间分辨率较低的降水预报产品处理成时间分辨率较高的预报产品。
CN202110472184.1A 2021-04-29 2021-04-29 一种基于数值天气预报和人工智能的降水客观预报方法 Active CN113592132B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110472184.1A CN113592132B (zh) 2021-04-29 2021-04-29 一种基于数值天气预报和人工智能的降水客观预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110472184.1A CN113592132B (zh) 2021-04-29 2021-04-29 一种基于数值天气预报和人工智能的降水客观预报方法

Publications (2)

Publication Number Publication Date
CN113592132A CN113592132A (zh) 2021-11-02
CN113592132B true CN113592132B (zh) 2022-04-05

Family

ID=78242948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110472184.1A Active CN113592132B (zh) 2021-04-29 2021-04-29 一种基于数值天气预报和人工智能的降水客观预报方法

Country Status (1)

Country Link
CN (1) CN113592132B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115291303B (zh) * 2022-07-21 2023-08-29 山东省气象科学研究所 一种基于数值天气预报mos滑动订正的大风客观预报方法
CN115600142B (zh) * 2022-10-20 2024-03-08 山东省气象科学研究所 一种基于不同方法的大风融合集成预报方法
CN116245268A (zh) * 2023-04-12 2023-06-09 中国水产科学研究院南海水产研究所 一种渔业渔船捕捞路线规划方法、系统及介质

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740991B (zh) * 2016-02-26 2020-04-03 河海大学 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统
CN109143408B (zh) * 2018-08-09 2020-12-11 河海大学 基于mlp的动态区域联合短时降水预报方法
CN109447315A (zh) * 2018-09-18 2019-03-08 中国电力科学研究院有限公司 一种基于多时空尺度的电力气象数值天气预报方法和装置
CN109376913A (zh) * 2018-09-30 2019-02-22 北京市天元网络技术股份有限公司 降水量的预测方法及装置
CN109299163B (zh) * 2018-11-26 2020-07-24 武汉大学 一种基于卷积神经网络的降水数据的插值方法及装置
FR3096145B1 (fr) * 2019-05-15 2022-03-11 Hd Rain Procédé et dispositif de mesure de précipitations
CN110618473A (zh) * 2019-10-09 2019-12-27 北京北科融智云计算科技有限公司 一种即时气象情报保障方法
CN111210082B (zh) * 2020-01-13 2023-09-19 东南大学 一种基于优化的bp神经网络算法的降水量预测方法
CN112035448A (zh) * 2020-07-13 2020-12-04 国家海洋信息中心 一种综合地基gnss水汽和气象要素的神经网络短临降水预报方法
CN112488385B (zh) * 2020-11-27 2024-04-16 陕西省气象科学研究所 一种基于多模式融合的降水预报订正方法和装置
CN112558186B (zh) * 2020-12-10 2021-07-27 山东省气象科学研究所 一种数值模式地面2米气温预报产品时间降尺度方法

Also Published As

Publication number Publication date
CN113592132A (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
CN113592132B (zh) 一种基于数值天气预报和人工智能的降水客观预报方法
CN110197218B (zh) 基于多源卷积神经网络的雷雨大风等级预测分类方法
Yu et al. Comparison of random forests and support vector machine for real-time radar-derived rainfall forecasting
CN111666918B (zh) 一种基于多因素的海岸线变化识别方法
CN111260111B (zh) 基于气象大数据的径流预报改进方法
CN112288164B (zh) 一种计及空间相关性和修正数值天气预报的风功率组合预测方法
Li et al. A model output machine learning method for grid temperature forecasts in the Beijing area
CN111292124A (zh) 一种基于优化组合神经网络的需水预测方法
Phan-Van et al. Evaluation of the NCEP climate forecast system and its downscaling for seasonal rainfall prediction over Vietnam
CN113255239B (zh) 用于预测超高压输电线路杆塔覆冰厚度的深度学习方法
Kong et al. A deep spatio-temporal forecasting model for multi-site weather prediction post-processing
Dong et al. Simulation of United States mesoscale convective systems using GFDL’s new high-resolution general circulation model
CN117233870B (zh) 一种基于多气象要素的短临降水集合预报及降尺度方法
Zhang et al. Machine-learning ensembled CMIP6 projection reveals socio-economic pathways will aggravate global warming and precipitation extreme
CN111814961A (zh) 基于生成式对抗网络的降水预报的方法
CN115661670B (zh) 一种城乡自然景观梯度上过渡区识别方法及装置
CN108388683A (zh) 一种基于生境因子的植被类型空间模拟方法
CN114529035A (zh) 一种基于cart的多模式集成模型的风速预报方法
CN112668615B (zh) 一种基于深度跨尺度外推融合的卫星云图预测方法
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
Qiu et al. A short-term precipitation prediction model based on spatiotemporal convolution network and ensemble empirical mode decomposition
Jayaminda et al. Rating Performances of Global Climate Models in Capturing Monsoon Rainfall Patterns in Sri Lanka
Yu et al. A data-driven random subfeature ensemble learning algorithm for weather forecasting
Lestantyo et al. Utilization of Current Data for Geospatial Analysis of the Appropriateness of Apple Plantation Land Based on Fuzzy Inference Systems
Mercer et al. A new scheme for daily peak wind gust prediction using machine learning

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