CN113657610B - 一种基于随机森林的冰雹气候特征预测方法 - Google Patents
一种基于随机森林的冰雹气候特征预测方法 Download PDFInfo
- Publication number
- CN113657610B CN113657610B CN202110993613.XA CN202110993613A CN113657610B CN 113657610 B CN113657610 B CN 113657610B CN 202110993613 A CN202110993613 A CN 202110993613A CN 113657610 B CN113657610 B CN 113657610B
- Authority
- CN
- China
- Prior art keywords
- hail
- data set
- data
- climate
- model
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Environmental Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Atmospheric Sciences (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于随机森林的冰雹气候特征预测方法,属于气候预测技术领域。一种基于随机森林的冰雹气候特征预测方法,包括冰雹观测数据准备,整理月降雹次数数据集T和三个冰雹尺寸等级月降雹次数占比数据集A、B、C;选取6个CMIP6气候模式与数据集T同时间段的6个模式历史预报数据平均作为数据集CF6,4个气候模式历史数据的平均作为测试集CF4,以未来80年6个气候模式预报数据的平均作为预测数据集CA6;使用随机森林算法建立以数据集T为目标,以数据集CF6为输入的模型MT;使用随机森林算法建立分别以数据集A、B、C为目标,以数据集CF6为输入的模型MA、MB、MC;测试模型效果,并利用数据集CA6预测未来80年的降雹次数与冰雹尺寸变化。
Description
技术领域
本发明涉及气候预测技术领域,尤其涉及一种基于随机森林的冰雹气候特征预测方法。
背景技术
冰雹是强对流系统引起的极端天气之一,常伴随有强风暴、短时强降水、剧烈降温等天气现象,由于其空间尺度小、突发性强、破坏力大,对其定点定时定量的预报难度极大,容易使当地的农业和经济遭受巨大损失。目前国内外对于冰雹的研究多集中于典型雹灾个例研究、冰雹预报预警、冰雹气候特征统计分析等方面,对于冰雹气候特征的未来预测较少且有待更新。因此,有必要进一步研究未来几十年冰雹气候特征可能的演变情况,为冰雹的短时临近预报提供更大的预报背景,更好地开展冰雹的预报预警工作。
政府间气候变化专门委员会(Intergovernmental Panel on Climate Change,IPCC)第四次评估报告指出,近几十年来的气候变化导致极端天气事件显著增多,但类似冰雹这种局地性强的事件的变化趋势还不是很清楚。国内外许多气象学者对各地的冰雹气候特征进行过多方面、多角度的统计与分析,冰雹在不同地区、不同时期都呈现不同的时空分布特征和变化趋势。因此,目前还缺少一个可以描述不同地区冰雹气候特征的标准,也无法拟合出一组适用于所有地区的冰雹变化趋势方程。
目前,对于未来冰雹气候特征预测的研究较少,主要使用两种传统方法:一是基于各气象要素与降雹频率之间的相关关系建立的经验模型,该方法具有显著的物理意义,但局限于某一类大尺度背景下的冰雹事件,模型对于其他类型的冰雹事件不具备较好的复现能力;二是基于数值预报气候模型,利用数值预报数据驱动冰雹物理模型HAILCAST,从而预报未来长期的冰雹发生频率和冰雹尺寸的时空变化,但该方法计算成本较高、耗时较大、参数设置非常复杂,且预测结果很大程度上依赖于数值预报数据的好坏。
自1956年机器学习的概念在达特茅斯会议上被首次提出后,它就成为数学、计算机科学、神经科学等多学科的活跃研究方向,其算法也被广泛应用到大气、海洋等众多学科领域。目前,机器学习在天气、气候预报中的应用非常普遍,印度学者使用深度神经网络自动识别可预测印度均质区域降雨量的气候因子,建立一个集合回归树模型用于不同区域的季风预报,与当前最先进的预测模型相比具有较强的竞争力。韩国学者基于深度学习方法构建的卷积神经网络模型可以提前7~21个月有效预测ENSO事件,并且预测准确率达到80%左右,高于当前大部分动力气候预测模型。可见机器学习有着良好的学习能力和非线性表达能力,在气候预测领域有着较好的应用前景。
为了解决传统方法在大尺度背景和数值预报模型上的局限性,亟需将机器学习运用于冰雹气候特征的未来预测,将机器学习与传统方法相结合,提供更加准确的未来降雹次数和冰雹尺寸的变化趋势,为冰雹的气候预测提供新的思路。
发明内容
本发明的目的是为了解决现有上述背景技术中提及的问题而提出的一种基于随机森林的冰雹气候特征预测方法。
为了实现上述目的,本发明采用了如下技术方案:
一种基于随机森林的冰雹气候特征预测方法,包括一下步骤:
S1、冰雹观测数据准备;整理历史观测月降雹次数得到的数据集T,将冰雹尺寸按照冰雹直径大小分为SA、SB、SC三个等级,将每个等级降雹次数与年总降雹次数相除,得到数据集A、B、C;
S2、气候模式数据的准备;将CMIP6与数据集T同时段的6个气候模式历史预报数据的平均作为数据集CF6,4个数据的平均作为测试集CF4,选用未来80年6个气候模式预报数据的平均作为数据集CA6;
S3、使用随机森林算法建立以数据集T为目标,获得以数据集CF6为输入的模型MT;
S4、使用随机森林算法建立分别以数据集A、B、C为目标,获得以数据集CF6为输入的模型MA、MB、MC;
S5、测试模型效果;并利用数据集CA6预测未来80年的降雹次数与冰雹尺寸变化。
优选的,步骤S1具体包括:
S101、准备1955~2014年历史观测冰雹数据,剔除异常记录;
S102、计算月降雹次数,得到为期60年逐月的数据集T;
S103、将降雹尺寸按照冰雹直径大小分为SA、SB、SC三个等级,直径小于等于1英寸的冰雹为SA,直径大于1英寸且小于等于2.5英寸的冰雹为SB,直径大于2.5英寸的冰雹为SC;
S104、将每个等级冰雹的月降雹次数与年总降雹次数相除,得到每个等级冰雹的月降雹次数占比,作为数据集A、B、C。
优选的,步骤S2中具体包括:
S201、选择具有代表性、预报效果较好的6个CMIP6气候模式,与数据集T同时间段的6个气候模式历史预报数据的平均作为数据集CF6,数据集CF6包括近地面温度、地表温度、850hPa气温、500hPa气温、500hPa位势高度共5项要素;
S202、另选用1980~2014年间4个CMIP6气候模式的历史预报数据平均作为测试集CF4,要素同CF6,用于步骤S5中验证模型的效果;
S203、准备未来80年的6个模式预报数据平均作为数据集CA6,要素与数据集CF6相同,数据集CA6包括全球变暖得到控制ssp126、全球变暖以现在的趋势发展ssp245和全球极端变暖ssp585三种未来情景。
优选的,步骤S3的过程具体包括:
S301、将数据集T和数据集CF6按时间对应排列,按照8:2的比例随机划分训练集和验证集;
S303、对随机森林算法参数空间进行搜索,得到验证集上评估出的最优参数,并得到训练好的模型MT。
优选的,步骤S4的过程具体包括:
S401、将数据集A和数据集CF6按时间对应排列,并按照8:2的比例随机划分训练集和验证集;
S402、对随机森林算法参数空间进行搜索,得到验证集上评估出的最优参数,得到训练好的模型MA。
S403、对数据集B和C重复以上操作,得到训练好的模型MB、MC。
优选的,步骤S5具体包括:
S501、将测试集CF4输入模型MT计算后得到月降雹次数,计算出1980~2014逐年降雹次数,与真实观测的年降雹次数计算相关系数,以测试模型MT的效果;
S502、将测试集CF4输入模型MA、MB、MC计算后得到SA、SB、SC的月降雹次数占比,计算出1980~2014逐年降雹次数占比,与真实观测的三个等级年降雹次数占比计算相关系数,以测试模型MA、MB、MC的效果;
S503、将数据集CA6输入模型MT计算后,得到未来80年三种全球变暖情景下的月降雹次数,再通过计算得到年降雹次数,即为最终预测的年降雹次数数据;
S504、将数据集CA6输入模型MA、MB、MC计算后,得到未来80年三种全球变暖情景下的三个冰雹尺寸等级月降雹次数占比,再通过计算得到三个等级的年降雹次数占比,即为最终预测的冰雹尺寸变化数据。
与现有技术相比,本发明提供了一种基于随机森林的冰雹气候特征预测方法,具备以下有益效果:
本发明的设计思想为通过CMIP6气候模式数据,利用随机森林算法建立新型的冰雹气候特征预测模型,深度挖掘与降雹次数、冰雹尺寸相关性较强的气象要素作为特征,提高冰雹长期预测的准确性,并且在计算速度方面有极大的提升。
本发明可用于未来长期的降雹次数和冰雹尺寸变化的预测,并具有良好的准确率,同时在冰雹尺寸变化预测数据可对冰雹气候的成灾率进行预估,降低经济损失和事故。
附图说明
图1为本发明的实施例的流程结构示意图;
图2为本发明预测年降雹次数与实际年降雹次数的对比图;
图3为本发明预测SA年降雹次数占比与实际年降雹次数占比的对比图;
图4为本发明预测SB年降雹次数占比与实际年降雹次数占比的对比图;
图5为本发明预测SC年降雹次数占比与实际年降雹次数占比的对比图;
图6为本发明对未来80年三种情景下降雹次数预测的示意图;
图7为本发明对未来80年全球变暖得到控制情景下SA、SB、SC年降雹次数占比预测的示意图。
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,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
实施例:
如图1-7所示,一种基于随机森林的冰雹气候特征预测方法,包括一下步骤:
S1、历史冰雹观测数据准备;
首先整理出1955~2014年的冰雹观测数据,剔除异常记录;
将每个月发生的冰雹次数相加得出月降雹次数,进而得到为期60年逐月的数据集T;
S2、将降雹尺寸按照冰雹直径大小分为SA、SB、SC三个等级;
直径小于等于1英寸的冰雹为SA,直径大于1英寸且小于等于2.5英寸的冰雹为SB,直径大于2.5英寸的冰雹为SC;
将每个等级冰雹的月降雹次数除以年总降雹次数,得到每个等级冰雹的月降雹次数占比;
三个等级冰雹的月降雹次数占比分别作为数据集A、B、C。
S3、CMIP6气候模式数据准备;
选取具有代表性、预报效果较好的6个CMIP6气候模式;准备与数据集T同时间段的6个气候模式历史数据及各要素取平均作为数据集CF6,数据集CF6包括近地面温度、地表温度、850hPa气温、500hPa气温、500hPa位势高度共5项要素;
准备未来80年的6个气候模式预报数据及各要素取平均作为数据集CA6,要素同CF6;
未来预报数据包括全球变暖得到控制(ssp126)、全球变暖保持现状(ssp245)和全球极端变暖(ssp585)三种情景。
另准备1980~2014年间4个气候模式历史数据及各要素取平均作为测试集CF4,要素同CF6,用于测试模型的效果。
S4、利用随机森林算法建立以数据集T为目标,以数据集CF6为输入的模型MT;
将数据集T和数据集CF6按时间对应排列;整体按照8:2的比例随机划分训练集和验证集;
调整随机森林算法参数,将学习速率固定为0.01,循环搜索树深度和迭代次数;
判断损失函数MAE(平均绝对误差)在验证集上的值是否已经达到最小,如果没有则重复上一步;
将全部训练集作为算法输入,以上两步得到的最优参数训练随机森林算法得到模型MT。
S5、利用随机森林算法建立分别以数据集A、B、C为目标,以数据集CF6为输入的模型MA、MB、MC;
将数据集A和数据集CF6按时间对应排列;整体按照8:2的比例随机划分训练集和验证集;
调整随机森林算法参数,将学习速率固定为0.01,循环搜索树深度和迭代次数;
判断损失函数MAE(平均绝对误差)在验证集上的值是否已经达到最小,如果没有则重复上一步;
将全部训练集作为算法输入,以上两步得到的最优参数训练随机森林算法得到模型MA;
模型MB、MC训练步骤同MA。
S6、利用测试集CF4分别测试模型MT、MA、MB、MC的效果;
将测试集CF4输入模型MT后得到月降雹次数;
根据模型输出的月降雹次数,计算出1980~2014逐年降雹次数;
计算模型预测年降雹次数与真实观测年降雹次数的相关系数,以测试模型MT的效果;
将测试集CF4输入模型MA、MB、MC计算后得到SA、SB、SC的月降雹次数占比;
计算出1980~2014年间SA、SB、SC逐年降雹次数占比,与真实观测的三个等级年降雹次数占比计算相关系数,以测试模型MA、MB、MC的效果。
S7、未来80年降雹次数和冰雹尺寸变化预测;
将数据集CA6输入模型MT后,得到未来80年三种全球变暖情景下的月降雹次数;
将每年的月降雹次数相加,得到逐年的年降雹次数,即为最终预测的年降雹次数数据;
将数据集CA6输入模型MA、MB、MC后,得到未来80年三种全球变暖情景下的三个冰雹尺寸等级月降雹次数占比;
再将月降雹次数占比相加,计算得到三个等级的年降雹次数占比,即为最终预测的冰雹尺寸变化数据。
本发明所述方法对美国中部地区1980~2014年间的逐年降雹次数和三个冰雹尺寸等级年降雹次数占比进行了预测,结果显示,该方法提供了较为准确的预测结果,与实际观测数据的相关系数达到了0.9以上,可用于未来长期的降雹次数和冰雹尺寸变化的预测。
以上,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于随机森林的冰雹气候特征预测方法,其特征在于;包括以下步骤:
S1、历史冰雹观测数据准备;
首先整理出1955~2014年的冰雹观测数据,剔除异常记录;
将每个月发生的冰雹次数相加得出月降雹次数,进而得到为期60年逐月的数据集T;
S2、将降雹尺寸按照冰雹直径大小分为SA、SB、SC三个等级;
直径小于等于1英寸的冰雹为SA,直径大于1英寸且小于等于2.5英寸的冰雹为SB,直径大于2.5英寸的冰雹为SC;
将每个等级冰雹的月降雹次数除以年总降雹次数,得到每个等级冰雹的月降雹次数占比;
三个等级冰雹的月降雹次数占比分别作为数据集A、B、C;
S3、CMIP6气候模式数据准备;
选取具有代表性、预报效果好的6个CMIP6气候模式;准备与数据集T同时间段的6个气候模式历史数据及各要素取平均作为数据集CF6,数据集CF6包括近地面温度、地表温度、850hPa气温、500hPa气温、500hPa位势高度共5项要素;
准备未来80年的6个气候模式预报数据及各要素取平均作为数据集CA6,要素同CF6;
未来预报数据包括全球变暖得到控制ssp126、全球变暖保持现状ssp245和全球极端变暖ssp585三种情景;
另准备1980~2014年间4个气候模式历史数据及各要素取平均作为测试集CF4,要素同CF6,用于测试模型的效果;
S4、利用随机森林算法建立以数据集T为目标,以数据集CF6为输入的模型MT;
S5、利用随机森林算法建立分别以数据集A、B、C为目标,以数据集CF6为输入的模型MA、MB、MC;
S6、测试模型效果;并利用数据集CA6预测未来80年的降雹次数与冰雹尺寸变化。
2.根据权利要求1所述的一种基于随机森林的冰雹气候特征预测方法,其特征在于,步骤S4的过程具体包括:
将数据集T和数据集CF6按时间对应排列;整体按照8:2的比例随机划分训练集和验证集;
调整随机森林算法参数,将学习速率固定为0.01,循环搜索树深度和迭代次数;
判断损失函数MAE在验证集上的值是否已经达到最小,如果没有则重复上一步;
将全部训练集作为算法输入,以上两步得到的最优参数训练随机森林算法得到模型MT。
3.根据权利要求2所述的一种基于随机森林的冰雹气候特征预测方法,其特征在于,步骤S5的过程具体包括:
将数据集A和数据集CF6按时间对应排列;整体按照8:2的比例随机划分训练集和验证集;
调整随机森林算法参数,将学习速率固定为0.01,循环搜索树深度和迭代次数;
判断损失函数MAE在验证集上的值是否已经达到最小,如果没有则重复上一步;
将全部训练集作为算法输入,以上两步得到的最优参数训练随机森林算法得到模型MA;
模型MB、MC训练步骤同MA。
4.根据权利要求3所述的一种基于随机森林的冰雹气候特征预测方法,其特征在于,步骤S6具体包括:
S601、将测试集CF4输入模型MT计算后得到月降雹次数,计算出1980~2014逐年降雹次数,与真实观测的年降雹次数计算相关系数,以测试模型MT的效果;
S602、将测试集CF4输入模型MA、MB、MC计算后得到SA、SB、SC的月降雹次数占比,计算出1980~2014逐年降雹次数占比,与真实观测的三个等级年降雹次数占比计算相关系数,以测试模型MA、MB、MC的效果;
S603、将数据集CA6输入模型MT计算后,得到未来80年三种全球变暖情景下的月降雹次数,再通过计算得到年降雹次数,即为最终预测的年降雹次数数据;
S604、将数据集CA6输入模型MA、MB、MC计算后,得到未来80年三种全球变暖情景下的三个冰雹尺寸等级月降雹次数占比,再通过计算得到三个等级的年降雹次数占比,即为最终预测的冰雹尺寸变化数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110993613.XA CN113657610B (zh) | 2021-08-27 | 2021-08-27 | 一种基于随机森林的冰雹气候特征预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110993613.XA CN113657610B (zh) | 2021-08-27 | 2021-08-27 | 一种基于随机森林的冰雹气候特征预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113657610A CN113657610A (zh) | 2021-11-16 |
CN113657610B true CN113657610B (zh) | 2023-09-22 |
Family
ID=78493054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110993613.XA Active CN113657610B (zh) | 2021-08-27 | 2021-08-27 | 一种基于随机森林的冰雹气候特征预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657610B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114384610B (zh) * | 2021-12-28 | 2024-02-20 | 中国人民解放军94201部队 | 冰雹短期落区预报方法、装置、电子设备及存储介质 |
CN117214916B (zh) * | 2023-11-08 | 2024-04-05 | 北京英视睿达科技股份有限公司 | 基于卫星遥感观测数据的短时冰雹预测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7558674B1 (en) * | 2006-04-24 | 2009-07-07 | Wsi, Corporation | Weather severity and characterization system |
CN106097400A (zh) * | 2016-06-08 | 2016-11-09 | 李国东 | 冰雹预测的数学模型设计方法 |
KR101786361B1 (ko) * | 2016-06-29 | 2017-10-17 | 경희대학교 산학협력단 | 헤일로 cme의 3차원 인자 산출 시스템 및 그 방법 |
CN108802733A (zh) * | 2018-06-15 | 2018-11-13 | 安徽诺安信息科技有限公司 | 一种基于气象雷达数据对冰雹探测的算法 |
CN209486328U (zh) * | 2019-04-03 | 2019-10-11 | 南京信息工程大学 | 一种冰雹自动监测装置 |
CN110501760A (zh) * | 2019-07-29 | 2019-11-26 | 中国气象局广州热带海洋气象研究所(广东省气象科学研究所) | 一种基于气象雷达的冰雹识别及临近预报方法 |
CN112989577A (zh) * | 2021-02-22 | 2021-06-18 | 中国林业科学研究院森林生态环境与保护研究所 | 一种中国分区域月度或季度森林火险趋势预报的方法 |
CN113095442A (zh) * | 2021-06-04 | 2021-07-09 | 成都信息工程大学 | 基于半监督学习在多维度雷达数据下的冰雹识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101966639B1 (ko) * | 2018-04-19 | 2019-07-26 | 대한민국 | 수치 예보 모델을 이용한 대기수상체 분류 예측 장치 및 그 방법 |
-
2021
- 2021-08-27 CN CN202110993613.XA patent/CN113657610B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7558674B1 (en) * | 2006-04-24 | 2009-07-07 | Wsi, Corporation | Weather severity and characterization system |
CN106097400A (zh) * | 2016-06-08 | 2016-11-09 | 李国东 | 冰雹预测的数学模型设计方法 |
KR101786361B1 (ko) * | 2016-06-29 | 2017-10-17 | 경희대학교 산학협력단 | 헤일로 cme의 3차원 인자 산출 시스템 및 그 방법 |
CN108802733A (zh) * | 2018-06-15 | 2018-11-13 | 安徽诺安信息科技有限公司 | 一种基于气象雷达数据对冰雹探测的算法 |
CN209486328U (zh) * | 2019-04-03 | 2019-10-11 | 南京信息工程大学 | 一种冰雹自动监测装置 |
CN110501760A (zh) * | 2019-07-29 | 2019-11-26 | 中国气象局广州热带海洋气象研究所(广东省气象科学研究所) | 一种基于气象雷达的冰雹识别及临近预报方法 |
CN112989577A (zh) * | 2021-02-22 | 2021-06-18 | 中国林业科学研究院森林生态环境与保护研究所 | 一种中国分区域月度或季度森林火险趋势预报的方法 |
CN113095442A (zh) * | 2021-06-04 | 2021-07-09 | 成都信息工程大学 | 基于半监督学习在多维度雷达数据下的冰雹识别方法 |
Non-Patent Citations (2)
Title |
---|
A short-term forecast model for hail;Laura López et al.;《Atmospheric Research》;全文 * |
基于小波神经网络的水汽预报方法研究;葛玉辉;《中国优秀硕士学位论文全文数据库基础科学辑》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113657610A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Martins et al. | From solar constraints to urban design opportunities: Optimization of built form typologies in a Brazilian tropical city | |
CN113657610B (zh) | 一种基于随机森林的冰雹气候特征预测方法 | |
CN110110912B (zh) | 一种光伏功率多模型区间预测方法 | |
CN111027175A (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
WO2020043029A1 (zh) | 一种通过向量化分析预测大气污染的方法 | |
CN108288231B (zh) | 一种分布式光伏接入对配电台区负荷特性影响的评估方法 | |
Huang et al. | A new air quality forecasting model using data mining and artificial neural network | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
CN106980874B (zh) | 一种面向配网大数据的多时态维度数据融合方法 | |
CN114065634A (zh) | 一种数据驱动的电能质量监测布点优化方法及装置 | |
CN114966233A (zh) | 基于深度神经网络的雷电预报系统及方法 | |
CN117009735A (zh) | 一种结合BiLSTM与核密度估计的高强度森林火灾发生概率计算方法 | |
CN113239971A (zh) | 一种面向风场的临近预报与短期预报的融合系统 | |
Heydari et al. | Mid-term load power forecasting considering environment emission using a hybrid intelligent approach | |
Moghadam et al. | Investigating the performance of data mining, lumped, and distributed models in runoff projected under climate change | |
CN114862023A (zh) | 基于四维逐点气象预报的分布式光伏功率预测方法及系统 | |
Shan et al. | Spatio-temporal evolution characteristics and prediction of dry–wet abrupt alternation during the summer monsoon in the middle and lower reaches of the Yangtze River Basin | |
Martín et al. | Analysis of wind power productions by means of an analog model | |
CN112926772A (zh) | 一种基于lstm-gpr混合模型的光能预测方法 | |
CN115587664B (zh) | 基于图卷积长短期记忆网络的太阳辐射预测方法及系统 | |
CN115829150A (zh) | 一种积水预测系统 | |
CN115330085A (zh) | 基于深度神经网络且无未来信息泄露的风速预测方法 | |
CN114372615A (zh) | 一种考虑空间相关性的短期光伏功率预测方法及系统 | |
CN114529035A (zh) | 一种基于cart的多模式集成模型的风速预报方法 | |
Natgunanathan et al. | Error spectrum analysis of solar power prediction for Deakin microgrid digital twin |
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 |