CN113988351A - 一种基于时空局部模型的数值模式气温预报产品释用方法 - Google Patents
一种基于时空局部模型的数值模式气温预报产品释用方法 Download PDFInfo
- Publication number
- CN113988351A CN113988351A CN202010734191.XA CN202010734191A CN113988351A CN 113988351 A CN113988351 A CN 113988351A CN 202010734191 A CN202010734191 A CN 202010734191A CN 113988351 A CN113988351 A CN 113988351A
- Authority
- CN
- China
- Prior art keywords
- model
- air temperature
- space
- time
- product
- 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 53
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000003908 quality control method Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000010238 partial least squares regression Methods 0.000 claims description 3
- 238000012950 reanalysis Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000012935 Averaging Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000002595 cold damage Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Atmospheric Sciences (AREA)
- Environmental Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于时空局部模型的数值模式气温预报产品释用方法，包括如下步骤：确定待释用区域和气温预报产品的层次，并将待释用区域划分为若干子区域；样本集构建；样本质量控制；对每个子区域，选定相应的释用模型、权函数模型、时空距离模型、评估指标和滑动训练期，并对相关参数进行优化或设定；获取预报期数值模式气温预报产品，并插值到所需离散网格；采用选定的释用模型、权函数模型、时空距离模型和滑动训练期及优化或设定的参数对预报期离散网格数值模式气温预报产品进行释用。本发明的有益效果是：采用时空局部模型更加准确地建模随时空变化的数值模式气温预报产品和实况的关系，进一步提高数值模式气温预报产品的释用水平。
Description
技术领域
本发明涉及气象中的智能网格预报领域，尤其涉及一种基于时空局部模型的数值模式气温预报产品释用方法。
背景技术
气温是最基本的气象要素之一。气温对自然植被和农作物的生长发育、人类生产生活等都具有重要影响。气温过低易引起冷害、寒害、冻害等灾害，气温过高易引起高温热害、干热风等灾害。因此，对气温进行精准的预报预测是天气预报和气候预测的主要内容之一。随着对地探测技术(如卫星遥感、气象雷达)、动力气象学、信息通信技术、超级计算机技术、数值计算技术、资料同化技术等的发展，数值模式对气温预报预测的时空尺度和时效不断扩大、分辨率和准确率不断提高，数值模式气温预报产品已成为气温预报预测的基础。
然而，由于数值模式的动力框架、物理过程只是真实大气的近似、由资料同化得到的模式初值也不可避免的存在误差、大气运动的混沌特性等原因，数值模式总存在着不确定性。另外，不同国家的模式在模式分辨率、模式初始化、资料同化技术与同化资料的种类、动力与物理参数化方案以及对地形的刻画等方面存在差异，不同模式对不同区域气温的预报预测能力不同。因此，对数值模式预报预测的气温进行订正或对不同数值模式预报的气温进行集成应用已成为提高气温预报预测水平的重要手段。
当前，线性回归、多模式集合平均、贝叶斯模式平均、卡尔曼滤波、神经网络等方法是数值模式气温预报预测产品订正或多模式产品集成的主流方法。然而，无论对于何种释用方法或模型，样本的选择及如何确定样本的权重都至关重要。从已有研究来看，在运用上述方法对模式产品进行订正或集成时，有的仅采用单个格点或站点的样本，有的采用一定区域同一时次的所有样本，有的假定所有的样本有同样的重要性。
为进一步提高对数值模式气温预报预测产品的客观释用水平，本发明提出一种基于时空局部模型的数值模式气温预报产品释用方法。
发明内容
本发明正是为了解决上述技术问题而设计的一种基于时空局部模型的数值模式气温预报产品释用方法。
本发明解决其技术问题所采用的技术方案是：
一种基于时空局部模型的数值模式气温预报产品释用方法，所述方法包括以下步骤：
步骤1：确定待释用区域和数值模式气温预报产品的层次，并将待释用区域划分为若干子区域；
步骤2：获取对应的气温观测数据和历史数值模式气温预报产品，并构建气温“观测数据，预报产品”或“观测数据，预报产品，起报时刻误差”样本集；
步骤3：对步骤2中的样本进行预处理和质量控制，并存储待用；
步骤4：对每个子区域，选定相应的释用模型、权函数模型、时空距离模型、评估指标和滑动训练期，采用步骤3处理后的样本集，对气温预报产品释用时空局部模型的参数即邻域样本数N、时空距离模型参数和权函数带宽进行优化，或根据经验设定上述参数的值；
步骤5：获取预报期数值模式气温预报产品，并将其插值到所需离散网格；
步骤6：对每个子区域，采用步骤4选定的释用模型、权函数模型、时空距离模型和滑动训练期及优化或设定的气温预报产品释用时空局部模型参数，对步骤5中的离散网格数值模式气温预报产品进行释用；
步骤7：建立相关业务系统，重复步骤2-6。
所述一种基于时空局部模型的数值模式气温预报产品释用方法，所述步骤1中的数值模式气温预报产品为来源于一家或多家模式的确定性预报、集合平均或其组合。
所述一种基于时空局部模型的数值模式气温预报产品释用方法，所述步骤2中的气温观测数据包括但不限于站点观测数据、浮标观测数据、多源数据融合实况数据、再分析数据；所述步骤2中的预报产品和起报时刻误差可为对应多家模式预报产品和起报时刻误差的向量。
所述一种基于时空局部模型的数值模式气温预报产品释用方法，所述步骤3中对样本的预处理和质量控制包括但不限于剔除冗余样本和异常样本。
所述一种基于时空局部模型的数值模式气温预报产品释用方法，所述步骤4中可采用的释用模型包括但不限于加权线性回归、加权偏最小二乘回归、加权条件概率密度函数、加权lasso回归及它们对应的多尺度模型。
所述一种基于时空局部模型的数值模式气温预报产品释用方法，所述步骤4中可采用的权函数模型包括但不限于距离阈值模型①、高斯模型②、指数模型③、双平方模型④。
其中，di为样本xi到待释用格点x0的时空距离，r为权函数带宽，Wi(xi)为样本xi的权重。
所述一种基于时空局部模型的数值模式气温预报产品释用方法，所述步骤4中可采用的评估指标包括但不限于平均绝对误差、均方根误差、CRPS评分、预报准确率或其组合。
所述一种基于时空局部模型的数值模式气温预报产品释用方法，所述步骤4和步骤6中的气温预报产品释用时空局部模型具体为：根据选定的滑动训练期，对任一离散格点或样本点，利用其周围时空N个样本及相应的释用模型、权函数模型、时空距离模型，都构建一个气温观测数据与预报产品或气温观测数据与预报产品和起报时刻误差之间的关系，并利用这个关系对该格点或样本点的数值模式气温预报产品进行释用。
所述一种基于时空局部模型的数值模式气温预报产品释用方法，所述步骤4和步骤6中的气温预报产品释用时空局部模型可采用的时空距离模型包括但不限于式⑤。
其中，d为时空位置x0和xi之间的距离，(u0,v0,t0)、(ui,vi,ti)分别为时空位置x0和xi的时空坐标；μ为时空距离模型参数，根据先验知识或采用交叉验证法确定。
所述一种基于时空局部模型的数值模式气温预报产品释用方法，所述步骤7中的业务系统包括但不限于数据获取模块、样本对构建模块、样本质量控制模块、参数优化和设定模块、数值模式气温预报产品插值模块、数值模式气温预报产品释用模块或其组合。
本发明所述样本均包括对应的统一基准的时空坐标，为简明，未显式表示。
本发明的有益效果是：通过采用时空局部模型更加准确地建模随时空变化的数值模式气温预报产品和实况的关系，进一步提高数值模式气温预报产品的释用水平。
附图说明
图1为一种时空距离和时空邻域示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示，本发明一种基于时空局部模型的数值模式气温预报产品释用方法，所述方法包括以下步骤：
步骤1：确定待释用区域和数值模式气温预报产品的层次，并将待释用区域划分为若干子区域；
步骤2：获取对应的气温观测数据和历史数值模式气温预报产品，并构建气温“观测数据，预报产品”或“观测数据，预报产品，起报时刻误差”样本集；
步骤3：对步骤2中的样本进行预处理和质量控制，并存储待用；
步骤4：对每个子区域，选定相应的释用模型、权函数模型、时空距离模型、评估指标和滑动训练期，采用步骤3处理后的样本集，对气温预报产品释用时空局部模型的参数即邻域样本数N、时空距离模型参数和权函数带宽进行优化，或根据经验设定上述参数的值；
步骤5：获取预报期数值模式气温预报产品，并将其插值到所需离散网格；
步骤6：对每个子区域，采用步骤4选定的释用模型、权函数模型、时空距离模型和滑动训练期及优化或设定的气温预报产品释用时空局部模型参数，对步骤5中的离散网格数值模式气温预报产品进行释用；
步骤7：建立相关业务系统，重复步骤2-6。
所述一种基于时空局部模型的数值模式气温预报产品释用方法，所述步骤1中的数值模式气温预报产品为来源于一家或多家模式的确定性预报、集合平均或其组合。
所述一种基于时空局部模型的数值模式气温预报产品释用方法，所述步骤2中的气温观测数据包括但不限于站点观测数据、浮标观测数据、多源数据融合实况数据、再分析数据；所述步骤2中的预报产品和起报时刻误差可为对应多家模式预报产品和起报时刻误差的向量。
所述一种基于时空局部模型的数值模式气温预报产品释用方法，所述步骤3中对样本的预处理和质量控制包括但不限于剔除冗余样本和异常样本。
所述一种基于时空局部模型的数值模式气温预报产品释用方法，所述步骤4中可采用的释用模型包括但不限于加权线性回归、加权偏最小二乘回归、加权条件概率密度函数、加权lasso回归及它们对应的多尺度模型。
所述一种基于时空局部模型的数值模式气温预报产品释用方法，所述步骤4中可采用的权函数模型包括但不限于距离阈值模型①、高斯模型②、指数模型③、双平方模型④中的一种或几种(用于多尺度模型)。
其中，di为样本xi到待释用格点x0的时空距离，r为权函数带宽，Wi(xi)为样本xi的权重。
所述一种基于时空局部模型的数值模式气温预报产品释用方法，所述步骤4中可采用的评估指标包括但不限于平均绝对误差、均方根误差、CRPS评分、预报准确率或其组合。
所述一种基于时空局部模型的数值模式预报产品客观释用方法，所述步骤4中可采用的参数优化方法包括但不限于网格搜索参数优化法、随机搜索参数优化法；以网格搜索参数优化法为例：将步骤4中所有参数的可能区间离散化，并对它们进行组合；对每个参数组合，采用选定的释用模型、权函数模型、时空距离模型，对滑动训练期子区域内的每个样本点都构建一个气温观测数据与预报产品或气温观测数据与预报产品和起报时刻误差之间的关系，并利用这个关系对该样本点的数值模式气温预报产品进行释用，并将释用结果存储待用；根据释用结果，计算每个参数组合的评估指标，并根据评估指标确定最优参数组合。
所述一种基于时空局部模型的数值模式气温预报产品释用方法，所述步骤4和步骤6中的气温预报产品释用时空局部模型具体为：根据选定的滑动训练期，对任一离散格点或样本点，利用其周围时空N个样本及相应的释用模型、权函数模型、时空距离模型，都构建一个气温观测数据与预报产品或气温观测数据与预报产品和起报时刻误差之间的关系，并利用这个关系对该离散格点或样本点的数值模式气温预报产品进行释用。
所述一种基于时空局部模型的数值模式气温预报产品释用方法，所述步骤4和步骤6中的气温预报产品释用时空局部模型可采用的时空距离模型包括但不限于式⑤。
其中，d为时空位置x0和xi之间的距离，(u0,v0,t0)、(ui,vi,ti)分别为时空位置x0和xi的时空坐标；μ为时空距离模型参数，根据先验知识或采用交叉验证法确定。
所述一种基于时空局部模型的数值模式气温预报产品释用方法，所述步骤7中的业务系统包括但不限于数据获取模块、样本对构建模块、样本质量控制模块、参数优化和设定模块、数值模式气温预报产品插值模块、数值模式气温预报产品释用模块或其组合。
实施例1
对每日ECMWF模式00时(世界时)起报的第1天的海南岛细网格(0.125°×0.125°)日最低气温预报产品，进行客观释用。
步骤1：按照行政区划将海南岛划分为18个子区域；
步骤2：获取海南岛0.05°×0.05°中国智能网格实况融合分析产品(CLDAS)和历史同期ECMWF模式00时(世界时)起报的第1天的海南岛细网格日最低气温预报产品；构建日最低气温(观测数据，预报产品)样本集；
步骤3：对步骤2中的样本进行预处理和质量控制；
步骤4：对每个子区域，释用模型采用一元加权线性回归，权函数模型采用高斯模型(式②)，时空距离模型采用式⑤，评估指标采用平均绝对误差，滑动训练期设为10天，采用步骤3处理后的样本集和随机搜索参数优化法，对日最低气温预报产品释用时空局部模型参数即邻域样本数N、时空距离模型参数μ和权函数带宽r进行优化；
步骤5：获取预报期海南岛范围内的ECMWF模式细网格日最低气温预报产品，并采用双线性插值法插值到与中国智能网格实况融合分析产品(CLDAS)一致的0.05°×0.05°网格；
步骤6：对每个子区域，采用步骤4选定的释用模型、权函数模型、时空距离模型和滑动训练期及优化的日最低气温预报产品释用时空局部模型参数，对步骤5插值后的日最低气温预报产品进行释用；
步骤7：建立相关业务系统，重复步骤2-6。
实施例2
对每日ECMWF模式00时(世界时)起报的第3小时的海南岛细网格(0.125°×0.125°)气温预报产品，进行客观释用。
步骤1：按照行政区划将海南岛划分为18个子区域；
步骤2：获取海南岛0.05°×0.05°中国智能网格实况融合分析产品(CLDAS)和历史同期ECMWF模式00时(世界时)起报的第3小时的海南岛细网格气温预报产品；并参照曾晓青(曾晓青,薛峰,赵瑞霞,赵声蓉.几种格点化温度滚动订正预报方案对比研究[J].气象,2019,45(07):1009-1018.)的方法，构建气温(观测数据，预报产品，起报时刻误差)样本集；
步骤3：对步骤2中的样本进行预处理和质量控制；
步骤4：对每个子区域，释用模型采用2元加权线性回归，权函数模型采用高斯模型(式②)，时空距离模型采用式⑤，评估指标采用平均绝对误差，滑动训练期设为10天，采用步骤3处理后的样本集和随机搜索参数优化法，对气温预报产品释用时空局部模型参数即邻域样本数N、时空距离模型参数μ和权函数带宽r进行优化；
步骤5：获取预报期海南岛范围内的ECMWF模式细网格第3小时气温预报产品，并采用双线性插值法将其插值到与中国智能网格实况融合分析产品(CLDAS)一致的0.05°×0.05°网格；
步骤6：对每个子区域，采用步骤4选定的释用模型、权函数模型、时空距离模型和滑动训练期及优化的气温预报产品释用时空局部模型参数，对步骤5插值后的气温预报产品进行释用；
步骤7：建立相关业务系统，重复步骤2-6。
实施例3
对每日ECMWF模式00时(世界时)起报的第1天的海南岛细网格(0.125°×0.125°)日最低气温预报产品，进行客观释用。
步骤1：按照行政区划将海南岛划分为18个子区域；
步骤2：获取海南岛0.05°×0.05°中国智能网格实况融合分析产品(CLDAS)和历史同期ECMWF模式00时(世界时)起报的第1天的海南岛细网格日最低气温预报产品；构建日最低气温(观测数据，预报产品)样本集；
步骤3：对步骤2中的样本进行预处理和质量控制；
步骤4：对每个子区域，释用模型采用加权条件概率密度函数，权函数模型采用高斯模型(式②)，时空距离模型采用式⑤，评估指标采用CRPS评分，滑动训练期设为10天，采用步骤3处理后的样本集和随机搜索参数优化法，对日最低气温预报产品释用时空局部模型参数即邻域样本数N、时空距离模型参数μ和权函数带宽r进行优化；
步骤5：获取预报期海南岛范围内的ECMWF模式细网格日最低气温预报产品，并采用双线性插值法插值到与中国智能网格实况融合分析产品(CLDAS)一致的0.05°×0.05°网格；
步骤6：对每个子区域，采用步骤4选定的释用模型、权函数模型、时空距离模型和滑动训练期及优化的气温预报产品释用时空局部模型参数，对步骤5插值后的日最低气温预报产品进行释用；
步骤7：建立相关业务系统，重复步骤2-6。
Claims (10)
1.一种基于时空局部模型的数值模式气温预报产品释用方法，其特征在于：所述方法包括以下步骤：
步骤1：确定待释用区域和数值模式气温预报产品的层次，并将待释用区域划分为若干子区域；
步骤2：获取对应的气温观测数据和历史数值模式气温预报产品，并构建气温“观测数据，预报产品”或“观测数据，预报产品，起报时刻误差”样本集；
步骤3：对步骤2中的样本进行预处理和质量控制，并存储待用；
步骤4：对每个子区域，选定相应的释用模型、权函数模型、时空距离模型、评估指标和滑动训练期，采用步骤3处理后的样本集，对气温预报产品释用时空局部模型的参数即邻域样本数N、时空距离模型参数和权函数带宽进行优化，或根据经验设定上述参数的值；
步骤5：获取预报期数值模式气温预报产品，并将其插值到所需离散网格；
步骤6：对每个子区域，采用步骤4选定的释用模型、权函数模型、时空距离模型和滑动训练期及优化或设定的气温预报产品释用时空局部模型参数，对步骤5中的离散网格数值模式气温预报产品进行释用；
步骤7：建立相关业务系统，重复步骤2-6。
2.根据权利要求1所述的一种基于时空局部模型的数值模式气温预报产品释用方法，其特征在于：所述步骤1中的数值模式气温预报产品为来源于一家或多家模式的确定性预报、集合平均或其组合。
3.根据权利要求1所述的一种基于时空局部模型的数值模式气温预报产品释用方法，其特征在于：所述步骤2中的气温观测数据包括但不限于站点观测数据、浮标观测数据、多源数据融合实况数据、再分析数据；所述步骤2中的预报产品和起报时刻误差可为对应多家模式预报产品和起报时刻误差的向量。
4.根据权利要求1所述的一种基于时空局部模型的数值模式气温预报产品释用方法，其特征在于：所述步骤3中对样本的预处理和质量控制包括但不限于剔除冗余样本和异常样本。
5.根据权利要求1所述的一种基于时空局部模型的数值模式气温预报产品释用方法，其特征在于：所述步骤4中可采用的释用模型包括但不限于加权线性回归、加权偏最小二乘回归、加权条件概率密度函数、加权lasso回归及它们对应的多尺度模型。
6.根据权利要求1所述的一种基于时空局部模型的数值模式气温预报产品释用方法，其特征在于：所述步骤4中可采用的权函数模型包括但不限于距离阈值模型①、高斯模型②、指数模型③、双平方模型④；
其中，di为样本xi到待释用格点x0的时空距离，r为权函数带宽，Wi(xi)为样本xi的权重。
7.根据权利要求1所述的一种基于时空局部模型的数值模式气温预报产品释用方法，其特征在于：所述步骤4中可采用的评估指标包括但不限于平均绝对误差、均方根误差、CRPS评分、预报准确率或其组合。
8.根据权利要求1所述的一种基于时空局部模型的数值模式气温预报产品释用方法，其特征在于：所述步骤4和步骤6中的气温预报产品释用时空局部模型具体为：根据选定的滑动训练期，对任一离散格点或样本点，利用其周围时空N个样本及相应的释用模型、权函数模型、时空距离模型，都构建一个气温观测数据与预报产品或气温观测数据与预报产品和起报时刻误差之间的关系，并利用这个关系对该离散格点或样本点的数值模式气温预报产品进行释用。
9.根据权利要求1所述的一种基于时空局部模型的数值模式气温预报产品释用方法，其特征在于：所述步骤4和步骤6中的气温预报产品释用时空局部模型可采用的时空距离模型包括但不限于式⑤；
其中，d为时空位置x0和xi之间的距离，(u0,v0,t0)、(ui,vi,ti)分别为时空位置x0和xi的时空坐标；μ为时空距离模型参数，根据先验知识或采用交叉验证法确定。
10.根据权利要求1所述的一种基于时空局部模型的数值模式气温预报产品释用方法，其特征在于：所述步骤7中的业务系统包括但不限于数据获取模块、样本对构建模块、样本质量控制模块、参数优化和设定模块、数值模式气温预报产品插值模块、数值模式气温预报产品释用模块或其组合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010734191.XA CN113988351A (zh) | 2020-07-27 | 2020-07-27 | 一种基于时空局部模型的数值模式气温预报产品释用方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010734191.XA CN113988351A (zh) | 2020-07-27 | 2020-07-27 | 一种基于时空局部模型的数值模式气温预报产品释用方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113988351A true CN113988351A (zh) | 2022-01-28 |
Family
ID=79731594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010734191.XA Pending CN113988351A (zh) | 2020-07-27 | 2020-07-27 | 一种基于时空局部模型的数值模式气温预报产品释用方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113988351A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114580561A (zh) * | 2022-03-15 | 2022-06-03 | 中国海洋大学 | 多源海面物理要素的机器学习融合方法和模型 |
| 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 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104850734A (zh) * | 2015-04-21 | 2015-08-19 | 武大吉奥信息技术有限公司 | 一种基于时空分布特征的空气质量指数预测方法 |
| US20170261646A1 (en) * | 2016-03-08 | 2017-09-14 | China Institute Of Water Resources And Hydropower Research | Self-correcting multi-model numerical rainfall ensemble forecasting method |
| CN109447260A (zh) * | 2018-10-08 | 2019-03-08 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习的局地数值天气预报产品订正方法 |
| CN110068878A (zh) * | 2019-04-22 | 2019-07-30 | 山东省气象科学研究所 | 一种气温智能网格最优集成预报方法 |
| CN111308581A (zh) * | 2020-04-10 | 2020-06-19 | 海南省气象科学研究所 | 一种基于时空局部模型的雷达-雨量计联合降水估测方法 |
-
2020
- 2020-07-27 CN CN202010734191.XA patent/CN113988351A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104850734A (zh) * | 2015-04-21 | 2015-08-19 | 武大吉奥信息技术有限公司 | 一种基于时空分布特征的空气质量指数预测方法 |
| US20170261646A1 (en) * | 2016-03-08 | 2017-09-14 | China Institute Of Water Resources And Hydropower Research | Self-correcting multi-model numerical rainfall ensemble forecasting method |
| CN109447260A (zh) * | 2018-10-08 | 2019-03-08 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习的局地数值天气预报产品订正方法 |
| CN110068878A (zh) * | 2019-04-22 | 2019-07-30 | 山东省气象科学研究所 | 一种气温智能网格最优集成预报方法 |
| CN111308581A (zh) * | 2020-04-10 | 2020-06-19 | 海南省气象科学研究所 | 一种基于时空局部模型的雷达-雨量计联合降水估测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114580561A (zh) * | 2022-03-15 | 2022-06-03 | 中国海洋大学 | 多源海面物理要素的机器学习融合方法和模型 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111639787B (zh) | 一种基于图卷积网络的时空数据预测方法 | |
| CN103955606B (zh) | 一种基于遥感技术的草原蝗灾渐进式预测方法 | |
| CN113919231A (zh) | 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统 | |
| CN111624682B (zh) | 一种基于多源数据融合的定量降水估测方法 | |
| CN109917394B (zh) | 一种基于天气雷达的短临智能外推方法 | |
| CN113988351A (zh) | 一种基于时空局部模型的数值模式气温预报产品释用方法 | |
| CN111145245A (zh) | 一种短时临近降雨预报方法、系统及计算机可读存储介质 | |
| CN110687619B (zh) | 一种用于农田气象站的气象数据校验方法及系统 | |
| CN112166352A (zh) | 训练机器学习算法并预测特别是田地或子田地级别的天气数据变量的值 | |
| CN115345076B (zh) | 一种风速订正处理方法及装置 | |
| Guillén-Navarro et al. | A deep learning model to predict lower temperatures in agriculture | |
| 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 | |
| CN116227758B (zh) | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 | |
| CN116526478A (zh) | 基于改进的蛇群优化算法的短期风电功率预测方法及系统 | |
| CN113592132A (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 | |
| Kaneda et al. | Greenhouse environmental control system based on SW-SVR | |
| CN115049112A (zh) | 一种迁飞性昆虫空间分布预测方法和装置 | |
| Amaireh et al. | Atmospheric humidity estimation from wind profiler radar using a cascaded machine learning approach | |
| CN113988350A (zh) | 一种基于时空局部模型的数值模式降水预报产品释用方法 | |
| CN113988349A (zh) | 一种基于时空局部模型的数值模式预报产品客观释用方法 | |
| Manokij et al. | Forecasting Thailand’s precipitation with cascading model of CNN and GRU | |
| CN116187551A (zh) | 一种基于fam-lstm网络的日光温室温度预测方法 | |
| Eleftheriou et al. | Micro climate prediction utilising machine learning approaches | |
| Cao et al. | Remotely-sensed vegetation green-up onset date on the Tibetan Plateau: simulations and future predictions | |
| CN115861821B (zh) | 一种基于多目标优化的生态环境监测保护方法 |
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 |