CN113919608A - 一种预报机场能见度的方法及装置 - Google Patents
一种预报机场能见度的方法及装置 Download PDFInfo
- Publication number
- CN113919608A CN113919608A CN202111528076.8A CN202111528076A CN113919608A CN 113919608 A CN113919608 A CN 113919608A CN 202111528076 A CN202111528076 A CN 202111528076A CN 113919608 A CN113919608 A CN 113919608A
- Authority
- CN
- China
- Prior art keywords
- airport
- visibility
- forecast
- value
- prediction 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 52
- 230000015654 memory Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 description 33
- 238000001556 precipitation Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 7
- 244000025254 Cannabis sativa Species 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000008033 biological extinction Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 244000144730 Amygdalus persica Species 0.000 description 1
- 241001572175 Gaza Species 0.000 description 1
- 244000020551 Helianthus annuus Species 0.000 description 1
- 235000003222 Helianthus annuus Nutrition 0.000 description 1
- 241000233805 Phoenix Species 0.000 description 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 241000219094 Vitaceae Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000021021 grapes Nutrition 0.000 description 1
- -1 humidity Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种预报机场能见度的方法及装置，其中，该预报机场能见度的方法包括：获取目标机场当前小时内的当前气象观测数据；依据预先训练得到的所述目标机场对应的每一机场能见度预测模型，获取机场能见度最优预测模型基于所述当前气象观测数据进行预测得到的机场未来能见度最优预报值；在所述预报能见度对应的小时段，获取该小时段对应的机场能见度观测值；针对所述目标机场对应的每一机场能见度预测模型，基于所述机场能见度观测值与该机场能见度预测模型对应的机场未来能见度预报值，对该机场能见度预测模型进行再训练。可以提高机场能见度预报的精度。
Description
技术领域
本发明涉及气象预报技术领域，具体而言，涉及一种预报机场能见度的方法及装置。
背景技术
云底高和能见度是影响机场运行的重要气象因素，其中，能见度的影响尤为重要，低能见度易使飞机在着陆时看不清跑道、偏离跑道或过早、过迟接地，是飞行安全的重要隐患之一。因而，对能见度进行预报，以便依据预报的能见度采取相应的措施，可以有效提升飞行安全。
目前，数值模式预报是预报机场能见度的主要方法，该方法主要基于空气动力学理论和物理化学过程，使用各类气象要素，依据大气光学理论，建立环境气象数值模式模型，从而模拟大气中的污染物、湿度、液态水含量等气象要素，利用建立的环境气象数值模式模型计算各气象要素对大气消光的贡献，从而基于各气象要素对大气消光的贡献预报机场能见度。但该机场能见度预报方法，由于是依据大气光学理论计算各气象要素对大气消光的贡献，因而，随着预报时效的延长，误差累积也越大，使得能见度的预报精度降低。
发明内容
有鉴于此，本发明的目的在于提供预报机场能见度的方法及装置，以提高机场能见度预报的精度。
第一方面，本发明实施例提供了预报机场能见度的方法，包括：
获取目标机场当前小时内的当前气象观测数据；
依据预先训练得到的所述目标机场对应的每一机场能见度预测模型，获取机场能见度最优预测模型基于所述当前气象观测数据进行预测得到的机场未来能见度最优预报值；
在所述预报能见度对应的小时段，获取该小时段对应的机场能见度观测值；
针对所述目标机场对应的每一机场能见度预测模型，基于所述机场能见度观测值与该机场能见度预测模型对应的机场未来能见度预报值，对该机场能见度预测模型进行再训练。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述依据预先训练得到的所述目标机场对应的每一机场能见度预测模型，获取机场能见度最优预测模型基于所述当前气象观测数据进行预测得到的机场未来能见度最优预报值，包括：
针对预先训练得到的所述目标机场对应的每一机场能见度预测模型，将当前气象观测数据输入该机场能见度预测模型，得到该机场能见度预测模型对应的机场未来能见度预报值；
从各机场未来能见度预报值中，选取预报精度最高的机场未来能见度预报值，得到所述目标机场的机场未来能见度最优预报值。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述从各机场未来能见度预报值中，选取预报精度最高的机场未来能见度预报值，包括：
获取以所述当前小时为预报小时对应的历史小时；
获取所述历史小时的气象观测历史数据；
以所述气象观测历史数据分别作为各机场能见度预测模型的输入，得到各机场能见度预测模型分别对所述当前小时的机场能见度小时预报值；
提取所述当前气象观测数据中的水平能见度，依据所述水平能见度与各机场能见度小时预报值，确定预报精度最高的机场未来能见度预报值。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述依据预先训练得到的所述目标机场对应的每一机场能见度预测模型，获取机场能见度最优预测模型基于所述当前气象观测数据进行预测得到的机场未来能见度最优预报值，包括：
从预先训练得到的所述目标机场对应的各机场能见度预测模型中，确定出机场能见度最优预测模型；
将当前气象观测数据输入所述机场能见度最优预测模型，得到所述目标机场的机场未来能见度最优预报值。
结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述从预先训练得到的所述目标机场对应的各机场能见度预测模型中，确定出机场能见度最优预测模型，包括：
获取以所述当前小时为预报小时对应的历史小时；
获取所述历史小时的气象观测历史数据；
以所述气象观测历史数据分别作为各机场能见度预测模型的输入，得到各机场能见度预测模型分别对所述当前小时的机场能见度小时预报值；
提取所述当前气象观测数据中的水平能见度，依据所述水平能见度与各机场能见度小时预报值，确定预报精度最高的机场能见度预测模型，作为所述机场能见度最优预测模型。
结合第一方面、第一方面的第一种可能的实施方式至第四种可能的实施方式中的任一种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述基于所述机场能见度观测值与该机场能见度预测模型对应的机场未来能见度预报值，对该机场能见度预测模型进行再训练，包括：
依据所述机场能见度观测值与机场能见度预测模型对应的机场未来能见度预报值的误差，对所述机场能见度预测模型进行反向传播，以再训练所述机场能见度预测模型的模型参数，直至再训练的迭代次数达到预设的次数阈值。
结合第一方面、第一方面的第一种可能的实施方式至第四种可能的实施方式中的任一种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，还包括：
获取目标机场的逐小时历史气象观测数据；
针对预设机场数的机场能见度训练模型中的每一机场能见度训练模型，以所述逐小时历史气象观测数据作为该机场能见度训练模型的输入，获取该机场能见度训练模型对预设小时数的小时时段的机场能见度预测值，在所述机场能见度预测值满足预设精度时，得到所述目标机场的机场能见度预测模型。
第二方面，本发明实施例还提供了一种预报机场能见度的装置，包括：
输入数据获取模块，用于获取目标机场当前小时内的当前气象观测数据；
最优值获取模块，用于依据预先训练得到的所述目标机场对应的每一机场能见度预测模型，获取机场能见度最优预测模型基于所述当前气象观测数据进行预测得到的机场未来能见度最优预报值；
再训练数据获取模块，用于在所述预报能见度对应的小时段，获取该小时段对应的机场能见度观测值；
模型再训练模块，用于针对所述目标机场对应的每一机场能见度预测模型，基于所述机场能见度观测值与该机场能见度预测模型对应的机场未来能见度预报值，对该机场能见度预测模型进行再训练。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述的方法的步骤。
本发明实施例提供的预报机场能见度的方法及装置，通过获取目标机场当前小时内的当前气象观测数据；依据预先训练得到的所述目标机场对应的每一机场能见度预测模型，获取机场能见度最优预测模型基于所述当前气象观测数据进行预测得到的机场未来能见度最优预报值；在所述预报能见度对应的小时段，获取该小时段对应的机场能见度观测值；针对所述目标机场对应的每一机场能见度预测模型，基于所述机场能见度观测值与该机场能见度预测模型对应的机场未来能见度预报值，对该机场能见度预测模型进行再训练。这样，通过构建基于机场的多种能见度预报模型，分别对机场逐小时进行能见度预测，从各能见度预报结果中，选取最优能见度预报结果，从而有效提升预报准确率。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的预报机场能见度的方法流程示意图；
图2示出了本发明实施例所提供的预报机场能见度的装置结构示意图；
图3为本申请实施例提供的一种计算机设备300的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
目前，由于工农业活动的增强，因而，在实际应用中，能见度除了与气象要素相关外，还受到排放量、气溶胶化成分等排放源要素的影响，因而，通过单一的预报模型进行能见度预报，或者，基于单一的气象要素进行能见度预报，预报的精度不能得到有效的提升。
本发明实施例中，考虑气象要素以及排放源要素，基于不同的机器学习算法，以每一机场对应的包括气象要素以及排放源要素的气象观测数据作为训练目标，构建基于该机场的多种能见度预报模型，分别对机场逐小时进行能见度预测，从各能见度预报结果中，选取最优能见度预报结果，从而有效提升预报准确率。
本发明实施例提供了一种预报机场能见度的方法及装置，下面通过实施例进行描述。
图1示出了本发明实施例所提供的预报机场能见度的方法流程示意图。如图1所示，该方法包括：
步骤101，获取目标机场当前小时内的当前气象观测数据；
本发明实施例中，以小时为单位，获取与机场能见度相关的当前气象观测数据。作为一可选实施例，气象观测数据包括：气压、海平面气压、3小时变压、24小时变压、最高气压、最低气压、温度/气温、最高气温、最低气温、过去24小时变温、过去24小时最高气温、过去24小时最低气温、露点温度、相对湿度、最小相对湿度、水汽压、过去1小时降水量、过去3小时降水量、过去6小时降水量、过去12小时降水量、过去24小时降水量、人工加密观测降水量描述周期、降水量、蒸发、2分钟平均风向、2分钟平均风速、10分钟平均风向、10分钟平均风速、最大风速的风向、最大风速、瞬时风向、瞬时风速、极大风速的风向、极大风速、过去6小时极大瞬时风向、过去6小时极大瞬时风速、过去12小时极大瞬时风向、过去12小时极大瞬时风速、地面温度、最高地面温度、最低地面温度、过去12小时地面最低温度、5cm地温、10cm地温、15cm地温、20cm地温、40cm地温、80cm地温、160cm地温、320cm地温、草面/雪面温度、草面/雪面最高温度、草面/雪面最低温度、1分钟平均水平能见度、10分钟平均水平能见度、最小水平能见度、水平能见度、低云量、低云或中云云量、总云量、云底高度、第一冻土层上界值、第一冻土层下界值、第二冻土层上界值、第二冻土层下界值、积雪深度、雪压。这样，通过获取与机场能见度相关的各气象观测数据，可以有效考虑每一种类气象观测数据对能见度预报的影响。
本发明实施例中，在获取与机场能见度相关的气象观测数据，对于从单一数据源不能获取气象观测数据包含的所有参数时，可以通过多数据源融合的方式获取气象观测数据。例如，可以从FY4A、FY2G、葵花8号、天气雷达组网、风廓线雷达、机场天气雷达、AMDAR、地面自动观测站、GRAPES等获取气象观测数据。
步骤102，依据预先训练得到的所述目标机场对应的每一机场能见度预测模型，获取机场能见度最优预测模型基于所述当前气象观测数据进行预测得到的机场未来能见度最优预报值；
本发明实施例中，作为一可选实施例，依据预先训练得到的所述目标机场对应的每一机场能见度预测模型，获取机场能见度最优预测模型基于所述当前气象观测数据进行预测得到的机场未来能见度最优预报值，包括：
A11，针对预先训练得到的所述目标机场对应的每一机场能见度预测模型，将当前气象观测数据输入该机场能见度预测模型，得到该机场能见度预测模型对应的机场未来能见度预报值；
本发明实施例中，针对每一机场，构建不同机器学习算法分别对应的机场能见度预测模型，可以提升对机场能见度预报的精度。
本发明实施例中，作为一可选实施例，以目标机场对应有9种机场能见度预测模型为例，将当前气象观测数据分别输入9种机场能见度预测模型，得到每一种机场能见度预测模型依据输入进行预测得到的机场未来能见度预报值，其中，机场未来能见度预报值的数量为9。
A12，从各机场未来能见度预报值中，选取预报精度最高的机场未来能见度预报值，得到所述目标机场的机场未来能见度最优预报值。
本发明实施例中，作为一可选实施例，从各机场未来能见度预报值中，选取预报精度最高的机场未来能见度预报值，包括：
A121，获取以所述当前小时为预报小时对应的历史小时；
本发明实施例中，以当前小时作为预报小时，可以使得以当前小时对应的气象观测数据作为输入得到的机场能见度预报值更接近当前的场景。具体地，以当前小时为2021.11.01.14：00-2021.11.01.15：00为例，则预报2021.11.01.14：00-2021.11.01.15：00的机场能见度对应的小时为历史小时，例如，若有基于2021.11.01.00：00-2021.11.01.01：00的气象观测历史数据预报2021.11.01.14：00-2021.11.01.15：00的机场能见度，或者，基于2021.11.01.00：00-2021.11.01.03：00的气象观测历史数据预报2021.11.01.14：00-2021.11.01.15：00的机场能见度，则对应的历史小时分别为：2021.11.01.00：00-2021.11.01.01：00、2021.11.01.00：00-2021.11.01.03：00。
A122，获取所述历史小时的气象观测历史数据；
本发明实施例中，若对应的历史小时为2021.11.01.00：00-2021.11.01.03：00，则获取2021.11.01.00：00-2021.11.01.03：00内的气象观测历史数据。
A123，以所述气象观测历史数据分别作为各机场能见度预测模型的输入，得到各机场能见度预测模型分别对所述当前小时的机场能见度小时预报值；
本发明实施例中，以针对该目标机场预先训练了9个机场能见度预测模型为例，将2021.11.01.00：00-2021.11.01.03：00内的气象观测历史数据分别输入这9个机场能见度预测模型，每一机场能见度预测模型基于输入的该气象观测历史数据进行2021.11.01.14：00-2021.11.01.15：00得机场能见度预测，得到对应的机场能见度小时预报值。
A124，提取所述当前气象观测数据中的水平能见度，依据所述水平能见度与各机场能见度小时预报值，确定预报精度最高的机场未来能见度预报值。
本发明实施例中，提取2021.11.01.14：00-2021.11.01.15：00内的当前气象观测数据中的水平能见度，分别与每一机场能见度小时预报值进行比较，将与水平能见度差值最小的机场能见度小时预报值作为机场未来能见度最优预报值。
本发明实施例中，作为另一可选实施例，依据预先训练得到的所述目标机场对应的每一机场能见度预测模型，获取机场能见度最优预测模型基于所述当前气象观测数据进行预测得到的机场未来能见度最优预报值，包括：
A21，从预先训练得到的所述目标机场对应的各机场能见度预测模型中，确定出机场能见度最优预测模型；
本发明实施例中，作为一可选实施例，从预先训练得到的所述目标机场对应的各机场能见度预测模型中，确定出机场能见度最优预测模型，包括：
获取以所述当前小时为预报小时对应的历史小时；
获取所述历史小时的气象观测历史数据；
以所述气象观测历史数据分别作为各机场能见度预测模型的输入，得到各机场能见度预测模型分别对所述当前小时的机场能见度小时预报值；
提取所述当前气象观测数据中的水平能见度，依据所述水平能见度与各机场能见度小时预报值，确定预报精度最高的机场能见度预测模型，作为所述机场能见度最优预测模型。
A22，将当前气象观测数据输入所述机场能见度最优预测模型，得到所述目标机场的机场未来能见度最优预报值。
步骤103，在所述预报能见度对应的小时段，获取该小时段对应的机场能见度观测值；
本发明实施例中，预报能见度为机场未来能见度最优预报值。以当前小时为2021.11.01.14：00-2021.11.01.15：00的气象观测数据，对2021.11.02.09：00-2021.11.02.10：00的机场能进行预报为例，预报能见度对应的小时段为2021.11.02.09：00-2021.11.02.10：00，则在第二天的09：00-10：00时段，获取该时段的气象观测数据中的机场能见度观测值，以与预报的机场能见度进行比对。
步骤104，针对所述目标机场对应的每一机场能见度预测模型，基于所述机场能见度观测值与该机场能见度预测模型对应的机场未来能见度预报值，对该机场能见度预测模型进行再训练。
本发明实施例中，不同的机场能见度预测模型在不断训练的过程中，模型的精度可能会发生变化，因而，在每次训练后，需要选取最优的机场能见度预报值。作为一可选实施例，基于所述机场能见度观测值与该机场能见度预测模型对应的机场未来能见度预报值，对该机场能见度预测模型进行再训练，包括：
依据所述机场能见度观测值与机场能见度预测模型对应的机场未来能见度预报值的误差，对所述机场能见度预测模型进行反向传播，以再训练所述机场能见度预测模型的模型参数，直至再训练的迭代次数达到预设的次数阈值。
本发明实施例中，不同的机场能见度预测模型，其预报精度都能满足预设精度，因而，在对该机场能见度预测模型进行再训练以进一步优化模型参数时，以迭代次数作为结束再训练的条件。
本发明实施例中，作为一可选实施例，该方法还包括：
获取目标机场的逐小时历史气象观测数据；
针对预设机场数的机场能见度训练模型中的每一机场能见度训练模型，以所述逐小时历史气象观测数据作为该机场能见度训练模型的输入，获取该机场能见度训练模型对预设小时数的小时时段的机场能见度预测值，在所述机场能见度预测值满足预设精度时，得到所述目标机场的机场能见度预测模型。
本发明实施例中，将逐小时历史气象观测数据作为机场能见度训练模型的输入，每一机场能见度训练模型采用一人工智能算法，利用逐小时历史气象观测数据分别对各机场能见度训练模型进行训练和检验，依据机场能见度训练模型预测的机场能见度结果以及对应的能见度观测值，计算机场能见度训练模型的预测精度，在预测精度满足预设精度时，完成对机场能见度训练模型的训练，将训练完成的机场能见度训练模型作为机场能见度预测模型，用于后续实际的预测。并在预测中，继续利用预测的机场能见度结果与对应的实际的能见度观测值，对机场能见度预测模型进行再训练，不断训练和优化机场能见度预测模型，选取最优作为机场能见度预报结果。
本发明实施例中，作为一可选实施例，在获取逐小时历史气象观测数据时，可以通过多源方式获取。例如，根据多源气象数据中影响水汽、能量稳定性的气象要素，该气象要素包括但不限于特殊天气发生的先兆因子，选取观测气象要素与天气预报（WRF，TheWeather Research and Forecasting Model）模式模拟所得的模式气象要素，作为与机场能见度相关程度高的气象观测数据中的气象因子，并基于高精度地形的多重网格三维变分法，建立百米尺度的大气实况反演模式（CARAS），实现本场、气象局、机载等多源时空不连续气象观测数据的融合和同化，生成0.2×0.2公里分辨率的网格数据，从而形成针对各机场的气象观测数据仓库。
本发明实施例中，作为一可选实施例，气象观测数据的维度为5维，分别为经度、纬度、高度、时间、要素。
本发明实施例中，作为一可选实施例，采用的机器学习算法包括但不限于：随机森林算法、岭回归算法、最小角回归算法、线性支持向量回归算法、k-最近邻算法、随机梯度下降回归算法、偏最小二乘回归算法、分类回归树以及多层感知器。下面分别对各机器学习算法进行描述：
（1）随机森林算法
随机森林算法具有较高的预测精度和避免过拟合，是基于分类和回归树的高效直观的机器学习算法。通过自助抽样方法，随机森林算法可以在给定的m个样本数据集中随机抽样m次后，得到包含m个训练样本的样本集，然后根据每个样本集进行训练，构建决策树。在决策树的节点，将从节点的属性集中随机选择包含K个属性的子集，然后从该子集中选择一个最优属性进行划分。构建随机森林时，测试样本将进入每个决策树进行类型输出或回归输出。
（2）岭回归算法
岭回归算法通过添加正数矩阵，利用下式获取机场能见度：
（3）最小角回归算法
最小角回归算法对应的线性回归模型如下：
该线性回归模型满足以下约束条件：
其中，
（4）线性支持向量回归算法
线性支持向量回归算法对应的回归拟合函数为：
（5）k-最近邻算法
假设训练数据集为：
则输出为：
其中，
（6）随机梯度下降回归算法
该算法随机选择一个或几个样本的梯度来代替迭代过程中的整体梯度，可以降低计算的复杂度。
（7）偏最小二乘回归算法
对于单个预测器和变量,回归方程为：
（8）分类回归树算法
分类回归树算法是一种由内部节点、分支和叶子组成的树状结构算法。分类回归树算法从根节点开始，以叶节点结束，并用样本方差来测量节点的纯度。节点的纯度越高，节点分类或预测的效果就越好。
（9）多层感知器算法
多层感知器算法为一基于前馈神经网络的算法模型，由输入层、隐式层和输出层组成。每个入口节点都是一个链，由出口节点连接并有相应的权重。为了模拟多层感知器，需要不断调整训练数据的输入输出关系，直到输入数据和输出数据之间的关系能够完美地拟合。
本发明实施例中，根据对我国广州白云机场（CAN）、郑州新郑机场（CGO）、重庆江北机场（CKG）、成都双流机场（CTU）、常州奔牛机场（CZX）、大连周水子机场（DLC）、鄂尔多斯伊金霍洛机场（DSN）、张家界荷花机场（DYG）、海口美兰机场（HAK）、呼和浩特白塔机场（HET）、合肥新桥机场（HFE）、杭州萧山机场（HGH）、海拉尔东山机场（HLD）、哈尔滨太平机场（HRB）、西双版纳嘎洒机场（JHG）、锦州机场（JNZ）、赣州黄金机场（KOW）、桂林两江机场（KWL）、兰州中川机场（LHW）、丽江三义机场（LJG）、拉萨贡嘎机场（LXA）、澳门机场（MFM）、宁波栎社机场（NGB）、南京禄口机场（NKG）、南宁吴圩机场（NNG）、南通兴东机场（NTG）、满洲里西郊机场（NZH）、北京首都机场（PEK）、上海浦东机场（PVG）、上海虹桥机场（SHA）、沈阳桃仙机场（SHE）、石家庄正定机场（SJW）、三亚凤凰机场（SYX）、青岛流亭机场（TAO）、黄山屯溪机场（TXN）、太原武宿机场（TYN）、乌鲁木齐地窝堡机场（URC）、威海大水泊机场（WEH）、温州龙湾机场（WNZ）、武汉天河机场（WUH）、西安咸阳机场（XIY）、西宁曹家堡机场（XNN）、徐州观音机场（XUZ）、延吉朝阳川机场（YNJ）、盐城南阳机场（YNZ）和扬州泰州机场（YTY）共47个机场2018-2019年气象观测数据及能见度观测数据进行模型训练，对2020年未来1小时机场能见度进行预报并检验。结果表明，不同机场对能见度的预报的均方根误差和实测能见度值的均方根误差比值介于0.48-1.70；不同机场对能见度的预报值和实测值间的相关系数介于0.06-0.86，且大部分机场的相关系数在0.6以上，不同机场预报的机场能见度值和实测值间的平均绝对误差在503米到6326米之间。
图2示出了本发明实施例所提供的预报机场能见度的装置结构示意图。如图2所示，该装置包括：
输入数据获取模块201，用于获取目标机场当前小时内的当前气象观测数据；
本发明实施例中，气象观测数据包括：气压、海平面气压、3小时变压、24小时变压、最高气压、最低气压、温度/气温、最高气温、最低气温、过去24小时变温、过去24小时最高气温、过去24小时最低气温、露点温度、相对湿度、最小相对湿度、水汽压、过去1小时降水量、过去3小时降水量、过去6小时降水量、过去12小时降水量、过去24小时降水量、人工加密观测降水量描述周期、降水量、蒸发、2分钟平均风向、2分钟平均风速、10分钟平均风向、10分钟平均风速、最大风速的风向、最大风速、瞬时风向、瞬时风速、极大风速的风向、极大风速、过去6小时极大瞬时风向、过去6小时极大瞬时风速、过去12小时极大瞬时风向、过去12小时极大瞬时风速、地面温度、最高地面温度、最低地面温度、过去12小时地面最低温度、5cm地温、10cm地温、15cm地温、20cm地温、40cm地温、80cm地温、160cm地温、320cm地温、草面/雪面温度、草面/雪面最高温度、草面/雪面最低温度、1分钟平均水平能见度、10分钟平均水平能见度、最小水平能见度、水平能见度、低云量、低云或中云云量、总云量、云底高度、第一冻土层上界值、第一冻土层下界值、第二冻土层上界值、第二冻土层下界值、积雪深度、雪压。
最优值获取模块202，用于依据预先训练得到的所述目标机场对应的每一机场能见度预测模型，获取机场能见度最优预测模型基于所述当前气象观测数据进行预测得到的机场未来能见度最优预报值；
本发明实施例中，作为一可选实施例，最优值获取模块202包括：
预报值获取单元（图中未示出），用于针对预先训练得到的所述目标机场对应的每一机场能见度预测模型，将当前气象观测数据输入该机场能见度预测模型，得到该机场能见度预测模型对应的机场未来能见度预报值；
最优值获取单元，用于从各机场未来能见度预报值中，选取预报精度最高的机场未来能见度预报值，得到所述目标机场的机场未来能见度最优预报值。
本发明实施例中，作为一可选实施例，最优值获取单元包括：
历史追溯子单元，用于获取以所述当前小时为预报小时对应的历史小时；
历史数据获取子单元，用于获取所述历史小时的气象观测历史数据；
历史数据输入子单元，用于以所述气象观测历史数据分别作为各机场能见度预测模型的输入，得到各机场能见度预测模型分别对所述当前小时的机场能见度小时预报值；
最优值获取子单元，用于提取所述当前气象观测数据中的水平能见度，依据所述水平能见度与各机场能见度小时预报值，确定预报精度最高的机场未来能见度预报值。
本发明实施例中，作为另一可选实施例，最优值获取模块202包括：
最优模型选取单元，用于从预先训练得到的所述目标机场对应的各机场能见度预测模型中，确定出机场能见度最优预测模型；
预报单元，用于将当前气象观测数据输入所述机场能见度最优预测模型，得到所述目标机场的机场未来能见度最优预报值。
本发明实施例中，作为一可选实施例，预报单元包括：
历史小时获取子单元，用于获取以所述当前小时为预报小时对应的历史小时；
历史数据提取子单元，用于获取所述历史小时的气象观测历史数据；
数据输入序列子单元，用于以所述气象观测历史数据分别作为各机场能见度预测模型的输入，得到各机场能见度预测模型分别对所述当前小时的机场能见度小时预报值；
最优模型确定子单元，用于提取所述当前气象观测数据中的水平能见度，依据所述水平能见度与各机场能见度小时预报值，确定预报精度最高的机场能见度预测模型，作为所述机场能见度最优预测模型。
再训练数据获取模块203，用于在所述预报能见度对应的小时段，获取该小时段对应的机场能见度观测值；
模型再训练模块204，用于针对所述目标机场对应的每一机场能见度预测模型，基于所述机场能见度观测值与该机场能见度预测模型对应的机场未来能见度预报值，对该机场能见度预测模型进行再训练。
本发明实施例中，作为一可选实施例，模型再训练模块204包括：
反向传播训练单元，用于依据所述机场能见度观测值与机场能见度预测模型对应的机场未来能见度预报值的误差，对所述机场能见度预测模型进行反向传播，以再训练所述机场能见度预测模型的模型参数，直至再训练的迭代次数达到预设的次数阈值。
本发明实施例中，作为一可选实施例，该装置还包括：
模型构建模块（图中未示出），用于获取目标机场的逐小时历史气象观测数据；针对预设机场数的机场能见度训练模型中的每一机场能见度训练模型，以所述逐小时历史气象观测数据作为该机场能见度训练模型的输入，获取该机场能见度训练模型对预设小时数的小时时段的机场能见度预测值，在所述机场能见度预测值满足预设精度时，得到所述目标机场的机场能见度预测模型。
如图3所示，本申请一实施例提供了一种计算机设备300，用于执行图1中的预报机场能见度的方法，该设备包括存储器301、与存储器301通过总线相连的处理器302及存储在该存储器301上并可在该处理器302上运行的计算机程序，其中，上述处理器302执行上述计算机程序时实现上述预报机场能见度的方法的步骤。
具体地，上述存储器301和处理器302能够为通用的存储器和处理器，这里不做具体限定，当处理器302运行存储器301存储的计算机程序时，能够执行上述预报机场能见度的方法。
对应于图1中的预报机场能见度的方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述预报机场能见度的方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述预报机场能见度的方法。
在本申请所提供的实施例中，应该理解到，所揭露系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory， ROM）、随机存取存储器（Random Access Memory ，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种预报机场能见度的方法，其特征在于，包括：
获取目标机场当前小时内的当前气象观测数据；
依据预先训练得到的所述目标机场对应的每一机场能见度预测模型，获取机场能见度最优预测模型基于所述当前气象观测数据进行预测得到的机场未来能见度最优预报值；
在所述机场未来能见度最优预报值对应的小时段，获取该小时段对应的机场能见度观测值；
针对所述目标机场对应的每一机场能见度预测模型，基于所述机场能见度观测值与该机场能见度预测模型对应的机场未来能见度预报值，对该机场能见度预测模型进行再训练。
2.根据权利要求1所述的方法，其特征在于，所述依据预先训练得到的所述目标机场对应的每一机场能见度预测模型，获取机场能见度最优预测模型基于所述当前气象观测数据进行预测得到的机场未来能见度最优预报值，包括：
针对预先训练得到的所述目标机场对应的每一机场能见度预测模型，将当前气象观测数据输入该机场能见度预测模型，得到该机场能见度预测模型对应的机场未来能见度预报值；
从各机场未来能见度预报值中，选取预报精度最高的机场未来能见度预报值，得到所述目标机场的机场未来能见度最优预报值。
3.根据权利要求2所述的方法，其特征在于，所述从各机场未来能见度预报值中，选取预报精度最高的机场未来能见度预报值，包括：
获取以所述当前小时为预报小时对应的历史小时；
获取所述历史小时的气象观测历史数据；
以所述气象观测历史数据分别作为各机场能见度预测模型的输入，得到各机场能见度预测模型分别对所述当前小时的机场能见度小时预报值；
提取所述当前气象观测数据中的水平能见度，依据所述水平能见度与各机场能见度小时预报值，确定预报精度最高的机场未来能见度预报值。
4.根据权利要求1所述的方法，其特征在于，所述依据预先训练得到的所述目标机场对应的每一机场能见度预测模型，获取机场能见度最优预测模型基于所述当前气象观测数据进行预测得到的机场未来能见度最优预报值，包括：
从预先训练得到的所述目标机场对应的各机场能见度预测模型中，确定出机场能见度最优预测模型；
将当前气象观测数据输入所述机场能见度最优预测模型，得到所述目标机场的机场未来能见度最优预报值。
5.根据权利要求4所述的方法，其特征在于，所述从预先训练得到的所述目标机场对应的各机场能见度预测模型中，确定出机场能见度最优预测模型，包括：
获取以所述当前小时为预报小时对应的历史小时；
获取所述历史小时的气象观测历史数据；
以所述气象观测历史数据分别作为各机场能见度预测模型的输入，得到各机场能见度预测模型分别对所述当前小时的机场能见度小时预报值；
提取所述当前气象观测数据中的水平能见度，依据所述水平能见度与各机场能见度小时预报值，确定预报精度最高的机场能见度预测模型，作为所述机场能见度最优预测模型。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述基于所述机场能见度观测值与该机场能见度预测模型对应的机场未来能见度预报值，对该机场能见度预测模型进行再训练，包括：
依据所述机场能见度观测值与机场能见度预测模型对应的机场未来能见度预报值的误差，对所述机场能见度预测模型进行反向传播，以再训练所述机场能见度预测模型的模型参数，直至再训练的迭代次数达到预设的次数阈值。
7.根据权利要求1至5任一项所述的方法，其特征在于，还包括：
获取目标机场的逐小时历史气象观测数据；
针对预设机场数的机场能见度训练模型中的每一机场能见度训练模型，以所述逐小时历史气象观测数据作为该机场能见度训练模型的输入，获取该机场能见度训练模型对预设小时数的小时时段的机场能见度预测值，在所述机场能见度预测值满足预设精度时，得到所述目标机场的机场能见度预测模型。
8.一种预报机场能见度的装置，其特征在于，包括：
输入数据获取模块，用于获取目标机场当前小时内的当前气象观测数据；
最优值获取模块，用于依据预先训练得到的所述目标机场对应的每一机场能见度预测模型，获取机场能见度最优预测模型基于所述当前气象观测数据进行预测得到的机场未来能见度最优预报值；
再训练数据获取模块，用于在所述机场未来能见度最优预报值对应的小时段，获取该小时段对应的机场能见度观测值；
模型再训练模块，用于针对所述目标机场对应的每一机场能见度预测模型，基于所述机场能见度观测值与该机场能见度预测模型对应的机场未来能见度预报值，对该机场能见度预测模型进行再训练。
9.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的预报机场能见度的方法的步骤。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的预报机场能见度的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111528076.8A CN113919608A (zh) | 2021-12-15 | 2021-12-15 | 一种预报机场能见度的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111528076.8A CN113919608A (zh) | 2021-12-15 | 2021-12-15 | 一种预报机场能见度的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113919608A true CN113919608A (zh) | 2022-01-11 |
Family
ID=79249061
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111528076.8A Pending CN113919608A (zh) | 2021-12-15 | 2021-12-15 | 一种预报机场能见度的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113919608A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108227041A (zh) * | 2017-12-27 | 2018-06-29 | 中国海洋大学 | 基于站点实测数据和模式结果的水平能见度预报方法 |
| CN111398109A (zh) * | 2020-03-10 | 2020-07-10 | 上海眼控科技股份有限公司 | 大气能见度测量方法、传感器模组、系统和存储介质 |
| CN111915068A (zh) * | 2020-07-17 | 2020-11-10 | 同济大学 | 一种基于集成学习的道路能见度短临预测方法 |
| CN112037222A (zh) * | 2020-11-04 | 2020-12-04 | 武汉精测电子集团股份有限公司 | 一种神经网络模型的自动更新方法及系统 |
| CN112949836A (zh) * | 2021-04-08 | 2021-06-11 | 北京航空航天大学 | 对时变分布数据进行回归预测在线迁移学习的方法 |
| CN113641722A (zh) * | 2021-07-20 | 2021-11-12 | 西安理工大学 | 一种基于变体lstm的长期时间序列数据预测方法 |
-
2021
- 2021-12-15 CN CN202111528076.8A patent/CN113919608A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108227041A (zh) * | 2017-12-27 | 2018-06-29 | 中国海洋大学 | 基于站点实测数据和模式结果的水平能见度预报方法 |
| CN111398109A (zh) * | 2020-03-10 | 2020-07-10 | 上海眼控科技股份有限公司 | 大气能见度测量方法、传感器模组、系统和存储介质 |
| CN111915068A (zh) * | 2020-07-17 | 2020-11-10 | 同济大学 | 一种基于集成学习的道路能见度短临预测方法 |
| CN112037222A (zh) * | 2020-11-04 | 2020-12-04 | 武汉精测电子集团股份有限公司 | 一种神经网络模型的自动更新方法及系统 |
| CN112949836A (zh) * | 2021-04-08 | 2021-06-11 | 北京航空航天大学 | 对时变分布数据进行回归预测在线迁移学习的方法 |
| CN113641722A (zh) * | 2021-07-20 | 2021-11-12 | 西安理工大学 | 一种基于变体lstm的长期时间序列数据预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sharma et al. | Forecasting daily global solar irradiance generation using machine learning | |
| AU2020372283A1 (en) | Lightning prediction method | |
| CN110782093B (zh) | 融合ssae深度特征学习和lstm的pm2.5小时浓度预测方法及系统 | |
| CN103426026B (zh) | 一种混合神经网络预测及识别景区气象要素的方法 | |
| CN108107911A (zh) | 一种太阳能飞机自主寻优航迹规划方法 | |
| CN113222242A (zh) | 一种森林火险等级预报方法、装置、计算机设备及存储介质 | |
| CN114444378A (zh) | 一种区域风电集群的短期功率预测方法 | |
| Durán-Rosal et al. | Efficient fog prediction with multi-objective evolutionary neural networks | |
| CN109214591B (zh) | 一种木本植物地上生物量预测方法及系统 | |
| CN110794485A (zh) | 基于集成学习的强对流天气持续时间预报方法 | |
| Fan et al. | Estimation of Hourly Ground-Level PM₂. ₅ Concentration Based on Himawari-8 Apparent Reflectance | |
| CN102999667A (zh) | 一种基于模糊回归的机场噪声预测方法及其系统 | |
| Chattopadhyay et al. | A description of the Madden–Julian oscillation based on a self-organizing map | |
| CN109615147A (zh) | 一种未来72小时大气污染预报预警方法 | |
| CN110244387A (zh) | 一种基于大气可降水量预测降雨天气的方法、装置、设备以及存储介质 | |
| CN115081557A (zh) | 基于地面监测数据的夜间气溶胶光学厚度估算方法和系统 | |
| Balti et al. | Big data based architecture for drought forecasting using LSTM, ARIMA, and Prophet: Case study of the Jiangsu Province, China | |
| CN112215416A (zh) | 智能规划巡检航线系统及方法 | |
| CN116609858A (zh) | 一种基于可解释性XGBoost模型的热带气旋大气波导预测方法及系统 | |
| CN114386654A (zh) | 一种多尺度数值天气预报模式融合的天气预报方法及装置 | |
| Akar et al. | Evaluation of tree-based machine learning and deep learning techniques in temperature-based potential evapotranspiration prediction | |
| CN113919608A (zh) | 一种预报机场能见度的方法及装置 | |
| Sen et al. | Analysis of PCA based adaboost machine learning model for predict mid-term weather forecasting | |
| Uribe | Predictive model of the enso phenomenon based on regression trees | |
| CN114943114A (zh) | 一种跑道运行方向的预测方法、设备、存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220111 |
|
| RJ01 | Rejection of invention patent application after publication |