CN114200548A - 基于SE-Resnet模型的延伸期气象要素预报方法 - Google Patents

基于SE-Resnet模型的延伸期气象要素预报方法 Download PDF

Info

Publication number
CN114200548A
CN114200548A CN202111534819.2A CN202111534819A CN114200548A CN 114200548 A CN114200548 A CN 114200548A CN 202111534819 A CN202111534819 A CN 202111534819A CN 114200548 A CN114200548 A CN 114200548A
Authority
CN
China
Prior art keywords
meteorological
low
frequency component
resnet model
field
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
Application number
CN202111534819.2A
Other languages
English (en)
Other versions
CN114200548B (zh
Inventor
卢楚翰
黄丁安
信飞
沈逸辰
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202111534819.2A priority Critical patent/CN114200548B/zh
Publication of CN114200548A publication Critical patent/CN114200548A/zh
Application granted granted Critical
Publication of CN114200548B publication Critical patent/CN114200548B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于SE‑Resnet模型的延伸期气象要素预报方法，涉及气象预报技术领域，包括以下步骤：采集气象要素，气象要素用于生成具有时效性的ISO低频分量，其中，ISO低频分量表示季节内振荡低频分量；获取提取规则集，提取规则集用于表示气象要素生成ISO低频分量需要使用的规则；根据气象要素和提取规则集，生成ISO低频分量；将ISO低频分量作为输入数据，训练SE‑Resnet模型，获得气象要素在延伸期的要素场，其中，要素场用于表示气象特征；本发明提升了技术的准确度，并为解决气象难点、热点问题的提供了新的思路。

Description

基于SE-Resnet模型的延伸期气象要素预报方法
技术领域
本申请涉及气象预报技术领域，具体而言，涉及基于SE-Resnet模型的气象要素延伸期预报方法。
背景技术
近年来，气象灾害性事件频发，给世界各国的社会、经济发展带来了巨大的隐患，因此推进气象预测的快速发展已成为世界性的热点问题。在我国气象部门，预报时效为10-30天的预报称为延伸期预报，其时间尺度处于0-10天中短期天气预报和月尺度以上短期气候预测之间，是气象预报的薄弱环节，但也是构建天气精细化预测体系中至关重要的一环。
由于大气是一个非线性的系统，预报时效存在一定范围，10-30天预报已超过逐日天气预报的预报时效，现有技术对延伸期预报的效果不佳。但不同时间尺度天气波动的预报时效不同，因此需要通过提取可预报分量，提出基于机器学习模型的ISO低频分量延伸期预报方法，促进延伸期预报业务和科研的发展。
发明内容
为了解决上述问题，本发明的目的提出一种基于SE-Resnet机器学习模型的气象要素10-30天延伸期预报方法，对比世界主流的延伸期预报模型一定程度上可以帮助提高延伸期的可预报性。
为了实现上述技术目的，本申请提供了基于SE-Resnet模型的延伸期气象要素预报方法，延伸期用于表示当前日期后续的10-30天的时间周期，包括以下步骤：
采集气象要素，气象要素用于生成具有时效性的ISO低频分量，其中，ISO低频分量表示季节内振荡低频分量；
获取提取规则集，提取规则集用于表示气象要素生成ISO低频分量需要使用的规则；
根据气象要素和提取规则集，生成ISO低频分量；
将ISO低频分量作为输入数据，训练SE-Resnet模型，获得气象要素在延伸期的要素场，其中，要素场用于表示气象特征。
优选地，在采集气象要素的过程中，气象要素包括位势高度场、温度场、水平风场、地面2m温度场及常量场数据，其中，常量场数据包括海陆分布，地形高度，纬度分布；高空气象要素包括，位势高度场、温度场、水平风场，高空垂直气压层次包括50、250、500、600、700、850、925hPa。
优选地，在采集气象要素的过程中，对气象要素进行插值处理，插值的分辨率为5.625°×5.625°，时间间隔为6小时。
优选地，在生成低频分量的过程中，利用滤波方法提取气象要素在10-30天的ISO低频分量。
优选地，在利用滤波方法提取低频分量的过程中，还包括以下步骤：
S201.将气象要素减去90天低通滤波分量，用于消除缓慢变化的气候年循环；
S202.将S201所得结果减去前15天的滑动平均值，用于去除其他低频分量；
S203.将S202所得结果减去前5天的滑动平均值，用于以去除天气尺度分量，得到气象要素在10-30天的ISO低频分量。
优选地，在训练SE-Resnet模型的过程中，将Squeeze-and-excitation模块添加在SE-Resnet模型的Resnet模型的残差单元中。
优选地，在训练SE-Resnet模型的过程中，SE-Resnet模型的参数为：
初始学习率为0.5×10-4，残差块数量为17，每个残差块中包含2个卷积块，卷积核大小为3，通道数为128，权重衰减系数为0.01，激活函数为leakyrelu，dropout设置为0.3。
优选地，在获得要素场的过程中，还包括以下步骤：每间隔第一设定时间，根据气象要素及提取规则集，更新ISO低频分量，以更新要素场；
记录生成低频分量中每种分量的更新时间戳和所利用的提取规则集的提取规则；
根据分量、相应的更新时间戳和所利用的提取规则，生成索引规则；
将索引规则，合并至提取规则集中，得到完整规则集；
每间隔第二设定时间，根据更新时间戳和提取规则，判断相应的低频分量的有效性。
本发明还公开了一种基于SE-Resnet模型的气象要素延伸期预报系统，包括：
数据采集模块，用于采集气象要素，气象要素用于生成具有时效性的低频分量；
数据预处理模块，用于获取提取规则集，提取规则集用于表示气象要素生成低频分量需要使用的规则；
数据处理模块，用于根据气象要素和提取规则集，生成低频分量；
延伸期气象预测模块，用于将低频分量作为输入数据，训练SE-Resnet模型，获得气象要素在延伸期的要素场，其中，要素场用于表示气象特征。
本发明还公开了一种气象要素未来10-30天延伸期预报装置，包括：
数据库模块，用于存储气象要素、低频分量、要素场；
显示模块，用于显示气象要素、要素场；
预测模块，用于通过承载气象要素延伸期预报系统，执行气象要素延伸期预报方法，进行延伸期气象预测；
数据库逻辑控制模块，用于控制数据库模块与其他功能模块实现数据交互，并实现各个功能模块之间的逻辑控制；
通信模块，用于收集现有的气象要素信息，并将天气预报结果发送至其他智能终端。
本发明公开了以下技术效果：
本发明提出了基于SE-Resnet模型的延伸期气象要素预报方法，引入目前应用广泛的机器学习模型至延伸期预报，为解决气象难点、热点问题的提供了新的思路。
将本发明提出的延伸期预报方法的预报结果与主流的美国全球延伸期预报系统CFSv2的预报结果进行比对，在一定程度上提升了准确度，取得了较好的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所述方法的整体流程图；
图2为本发明实施例所述的方法与CFSv2、Resnet模型对2017-2018年500hPa位势高度Z500和850hPa气温T850的1-30天预报效果对比图(预报结果与同时段欧洲中心ERA5再分析数据计算均方根误差RMSE)，平均在10天以上预报准度明显提升；
图3为本发明实施例所述的方法与CFSv2、Resnet模型对欧亚大陆上一次东北冷涡过程的预报效果对比图(预报时长分别为7天、14天、21天、28天)，15天以上预报准度明显提升。
具体实施方式
下为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，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，都属于本申请保护的范围。
如图1-3所示，本发明提供了基于SE-Resnet模型的延伸期气象要素预报方法，延伸期用于表示当前日期后续的10-30天的时间周期，包括以下步骤：
采集气象要素，气象要素用于生成具有时效性的ISO低频分量，其中，ISO低频分量表示季节内振荡低频分量；
获取提取规则集，提取规则集用于表示气象要素生成ISO低频分量需要使用的规则；
根据气象要素和提取规则集，生成ISO低频分量；
将ISO低频分量作为输入数据，训练SE-Resnet模型，获得气象要素在延伸期的要素场，其中，要素场用于表示气象特征。
进一步优选地，在采集气象要素的过程中，气象要素包括位势高度场、温度场、水平风场、地面2m温度场及常量场数据，其中，常量场数据包括海陆分布，地形高度，纬度分布；高空气象要素包括，位势高度场、温度场、水平风场，高空垂直气压层次包括50、250、500、600、700、850、925hPa。
进一步优选地，在采集气象要素的过程中，对气象要素进行插值处理，插值的分辨率为5.625°×5.625°，时间间隔为6小时。
进一步优选地，在生成低频分量的过程中，利用滤波方法提取气象要素在10-30天的ISO低频分量。
进一步优选地，在利用滤波方法提取低频分量的过程中，还包括以下步骤：
S201.将气象要素减去90天低通滤波分量，用于消除缓慢变化的气候年循环；
S202.将S201所得结果减去前15天的滑动平均值，用于去除其他低频分量；
S203.将S202所得结果减去前5天的滑动平均值，用于以去除天气尺度分量，得到气象要素在10-30天的ISO低频分量。
进一步优选地，在训练SE-Resnet模型的过程中，将Squeeze-and-excitation模块添加在SE-Resnet模型的Resnet模型的残差单元中。
进一步优选地，在训练SE-Resnet模型的过程中，SE-Resnet模型的参数为：
初始学习率为0.5×10-4，残差块数量为17，每个残差块中包含2个卷积块，卷积核大小为3，通道数为128，权重衰减系数为0.01，激活函数为leakyrelu，dropout设置为0.3。
优选地，在获得要素场的过程中，还包括以下步骤：每间隔第一设定时间，根据气象要素及提取规则集，更新ISO低频分量，以更新要素场；
记录生成低频分量中每种分量的更新时间戳和所利用的提取规则集的提取规则；
根据分量、相应的更新时间戳和所利用的提取规则，生成索引规则；
将索引规则，合并至提取规则集中，得到完整规则集；
每间隔第二设定时间，根据更新时间戳和提取规则，判断相应的低频分量的有效性。
本发明还公开了一种基于SE-Resnet模型的气象要素延伸期预报系统，包括：
数据采集模块，用于采集气象要素，气象要素用于生成具有时效性的低频分量；
数据预处理模块，用于获取提取规则集，提取规则集用于表示气象要素生成低频分量需要使用的规则；
数据处理模块，用于根据气象要素和提取规则集，生成低频分量；
延伸期气象预测模块，用于将低频分量作为输入数据，训练SE-Resnet模型，获得气象要素在延伸期的要素场，其中，要素场用于表示气象特征。
本发明还公开了一种气象要素延伸期预报装置，包括：
数据库模块，用于存储气象要素、低频分量、要素场；
显示模块，用于显示气象要素、要素场；
预测模块，用于通过承载气象要素延伸期预报系统，执行气象要素延伸期预报方法，进行延伸期气象预测；
数据库逻辑控制模块，用于控制数据库模块与其他功能模块实现数据交互，并实现各个功能模块之间的逻辑控制；
通信模块，用于收集现有的气象要素信息，并将天气预报结果发送至其他智能终端。
实施例1：本发明提出了一种基于SE-Resnet机器学习模型的气象要素低频分量延伸期预报方法，该方法利用位势高度场、温度场、水平风场(层次：50,250,500,600,700,850,925hPa)、地面2m温度场及常量场数据(海陆分布，地形高度，纬度分布)训练SE-Resnet模型，通过训练好的模型预测出感兴趣的要素场(如500hPa位势高度Z500和850hPa气温T850)。所述方法包括以下具体步骤：
步骤S1：下载位势高度场、温度场、水平风场(层次：50,250,500,600,700,850,925hPa)、地面2m温度场及常量场数据(海陆分布，地形高度，纬度分布)，并根据具体情况插值为5.625°×5.625°的分辨率。
步骤S2：为提取延伸期可预报分量，利用滤波方法提取气象要素10-30天低频分量。
步骤S3：利用预处理后的数据训练SE-Resnet模型。
步骤S4：利用训练好的模型进行气象要素的延伸期预报,并与Resnet模型、CFSv2预报效果进行对比。
实施例2：本发明提出了一种基于SE-Resnet模型的气象要素低频分量的延伸期预报方法，首先通过滤波方法提取气象要素的可预报分量，再利用训练好的SE-Resnet模型进行气象要素低频分量的延伸期预报。所述方法包括以下步骤：
步骤S1：下载1979-2018年ERA5数据集中位势高度场、温度场、水平风场(层次：50,250,500,600,700,850,925hPa)、地面2m温度场数据及常量场(海陆分布，地形高度，纬度分布)；下载CFSv2数据集中500hPa位势高度场、850hPa温度场未来30d预报结果(时段同上)。将上述数据水平分辨率插值为5.625×5.625°，时间间隔选为6小时。因此，在全球范围内每一时次的数据网格大小为32×64。
步骤S2：利用滤波方法提取资料10-30天低频分量。
步骤S201：将上述数据减去90天低通滤波分量以消除缓慢变化的气候年循环。
步骤S202：将S201所得结果减去前15天的滑动平均值，去除其他低频分量。
步骤S203：将S201所得结果减去前5天的滑动平均值，以去除天气尺度分量。经过上述步骤后，得到上述数据10-30天的低频分量。
步骤S3：经过步骤S2后，1979年数据中有部分数据被设定为缺测值，故将1980-2015年的数据设为训练集，2016年数据设为验证集，2017-2018年数据设为测试集。模型输入为预处理后的位势高度场、温度场、UV风场(层次：50,250,500,600,700,850,925hPa)、地面2m温度场数据及常量场(海陆分布，地形高度，纬度分布)，输出为500hPa位势高度场和850hPa温度场。将训练数据集输入SE-Resnet模型，设置合适的模型参数，完成SE-Resnet模型训练。Resnet模型可以在Github网站获取公开资源。本发明中使用的SE-Resnet模型在Resnet模型的残差单元中添加了Squeeze-and-excitation模块，此模块相当于一个注意力机制，当模型有多个要素输入时，Squeeze-and-excitation模块可以选择每一个特征通道的重要性，将权重系数加权计算到每一通道上，完成对原始特征通道重要性的重新标定。此外，由于模型预测方式为点到点的直接预测，因此每一个预测时长都有一个对应的预测模型，则1-30天的预测任务分别由30个代表不同预测时长的模型来完成。本发明中该模型具体参数设置如下：初始学习率为0.5×10-4，残差块数量为17，每个残差块中包含2个卷积块，卷积核大小为3，通道数为128，权重衰减系数为0.01，激活函数为leakyrelu，dropout设置为0.3。
步骤S4：将步骤S2预处理完成后的2017-2018年数据输入训练好的SE-Resnet模型，并利用模型得到延伸期预报结果。通过计算均方根误差RMSE与异常相关系数ACC两个评价指标评估SE-Resnet模型、Resnet模型和CFSv2之间的预报效果。RMSE定义为：
Figure BDA0003412229000000111
其中f为模型预测结果，t为对应时间的ERA5再分析数据；ACC定义为：
Figure BDA0003412229000000121
其中符号’代表中心化后的变量，L(j)为纬度为j时的权重因子，L(j)被定义为：
Figure BDA0003412229000000122
本发明提出了一种基于SE-Resnet模型的气象要素10-30天延伸期预报方法，引入目前应用广泛的机器学习模型至延伸期预报，是解决气象难点、热点问题的一种思路。
将本发明提出的延伸期预报方法的预报结果与主流的美国全球延伸期预报系统CFSv2的预报结果进行比对，在一定程度上提升了准确度，取得了较好的效果。

Claims (8)

1.基于SE-Resnet模型的延伸期气象要素预报方法，所述延伸期用于表示当前日期后续的10-30天的时间周期，其特征在于，包括以下步骤：
采集气象要素，所述气象要素用于生成具有时效性的ISO低频分量，其中，所述ISO低频分量表示季节内振荡低频分量；
获取提取规则集，所述提取规则集用于表示所述气象要素生成所述ISO低频分量需要使用的规则；
根据所述气象要素和所述提取规则集，生成所述ISO低频分量；
将所述ISO低频分量作为输入数据，训练SE-Resnet模型，获得所述气象要素在所述延伸期的要素场，其中，所述要素场用于表示气象特征。
2.根据权利要求1所述基于SE-Resnet模型的延伸期气象要素预报方法，其特征在于：
在采集气象要素的过程中，所述气象要素包括位势高度场、温度场、水平风场、地面2m温度场及常量场数据，其中，所述常量场数据包括海陆分布，地形高度，纬度分布；高空气象要素包括，位势高度场、温度场、水平风场，高空垂直气压层次包括50、250、500、600、700、850、925hPa。
3.根据权利要求2所述基于SE-Resnet模型的延伸期气象要素预报方法，其特征在于：
在采集气象要素的过程中，对所述气象要素进行插值处理，插值的分辨率为5.625°×5.625°，时间间隔为6小时。
4.根据权利要求3所述基于SE-Resnet模型的延伸期气象要素预报方法，其特征在于：
在生成所述低频分量的过程中，利用滤波方法提取所述气象要素在10-30天的所述ISO低频分量。
5.根据权利要求4所述基于SE-Resnet模型的延伸期气象要素预报方法，其特征在于：
在利用滤波方法提取低频分量的过程中，还包括以下步骤：
S201.将所述气象要素减去90天低通滤波分量，用于消除缓慢变化的气候年循环；
S202.将S201所得结果减去前15天的滑动平均值，用于去除其他低频分量；
S203.将S202所得结果减去前5天的滑动平均值，用于以去除天气尺度分量，得到所述气象要素在10-30天的所述ISO低频分量。
6.根据权利要求5所述基于SE-Resnet模型的延伸期气象要素预报方法，其特征在于：
在训练SE-Resnet模型的过程中，将Squeeze-and-excitation模块添加在所述SE-Resnet模型的Resnet模型的残差单元中。
7.根据权利要求6所述基于SE-Resnet模型的延伸期气象要素预报方法，其特征在于：
在训练SE-Resnet模型的过程中，所述SE-Resnet模型的参数为：
初始学习率为0.5×10-4，残差块数量为17，每个残差块中包含2个卷积块，卷积核大小为3，通道数为128，权重衰减系数为0.01，激活函数为leakyrelu，dropout设置为0.3。
8.根据权利要求7所述基于SE-Resnet模型的延伸期气象要素预报方法，其特征在于：
在获得要素场的过程中，还包括以下步骤：每间隔第一设定时间，根据所述气象要素及所述提取规则集，更新所述ISO低频分量，以更新所述要素场；
记录生成所述低频分量中每种分量的更新时间戳和所利用的提取规则集的提取规则；
根据分量、相应的更新时间戳和所利用的提取规则，生成索引规则；
将所述索引规则，合并至所述提取规则集中，得到完整规则集；
每间隔第二设定时间，根据所述更新时间戳和所述提取规则，判断相应的低频分量的有效性。
CN202111534819.2A 2021-12-15 2021-12-15 基于SE-Resnet模型的延伸期气象要素预报方法 Active CN114200548B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111534819.2A CN114200548B (zh) 2021-12-15 2021-12-15 基于SE-Resnet模型的延伸期气象要素预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111534819.2A CN114200548B (zh) 2021-12-15 2021-12-15 基于SE-Resnet模型的延伸期气象要素预报方法

Publications (2)

Publication Number Publication Date
CN114200548A true CN114200548A (zh) 2022-03-18
CN114200548B CN114200548B (zh) 2023-07-18

Family

ID=80654092

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111534819.2A Active CN114200548B (zh) 2021-12-15 2021-12-15 基于SE-Resnet模型的延伸期气象要素预报方法

Country Status (1)

Country Link
CN (1) CN114200548B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115639626A (zh) * 2022-09-30 2023-01-24 广东省气象台(南海海洋气象预报中心) 华南降水过程的低频监测与延伸期预报方法及系统
CN115657163A (zh) * 2022-10-14 2023-01-31 上海市气候中心(上海区域气候中心) 基于人工智能模型的延伸期气象要素预报方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103383471A (zh) * 2012-05-02 2013-11-06 钱维宏 瞬变扰动天气图和低频扰动天气图制作方法及其在天气预报中的应用
US20150193713A1 (en) * 2012-06-12 2015-07-09 Eni S.P.A. Short- to long-term temperature forecasting system for the production, management and sale of energy resources
CN108647806A (zh) * 2018-04-04 2018-10-12 南京信息工程大学 一种考虑大尺度环流背景场的延伸期预报方法
CN109407177A (zh) * 2018-10-16 2019-03-01 象谱信息产业有限公司 基于机器学习与常规气象观测的大雾识别系统和应用方法
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
CN109583653A (zh) * 2018-11-30 2019-04-05 南京信息工程大学 基于统计模型的西北太平洋台风的延伸期预报方法
US20190302252A1 (en) * 2018-03-27 2019-10-03 Infineon Technologies Ag System and method of monitoring an air flow using a millimeter-wave radar sensor
CN111325239A (zh) * 2020-01-21 2020-06-23 上海眼控科技股份有限公司 一种基于图像的天气识别的方法及设备
US20200302223A1 (en) * 2019-03-21 2020-09-24 Illumina, Inc. Artificial Intelligence-Based Generation of Sequencing Metadata
CN112363251A (zh) * 2020-10-26 2021-02-12 上海眼控科技股份有限公司 天气预测模型的生成方法、天气预测方法、装置
CN112698428A (zh) * 2021-03-24 2021-04-23 成都信息工程大学 西南地区降水延伸期综合预报信息处理方法、处理系统
CN113156540A (zh) * 2020-12-29 2021-07-23 南京信息工程大学 欧亚中高纬夏季准双周振荡实时指数的提取方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103383471A (zh) * 2012-05-02 2013-11-06 钱维宏 瞬变扰动天气图和低频扰动天气图制作方法及其在天气预报中的应用
US20150193713A1 (en) * 2012-06-12 2015-07-09 Eni S.P.A. Short- to long-term temperature forecasting system for the production, management and sale of energy resources
US20190302252A1 (en) * 2018-03-27 2019-10-03 Infineon Technologies Ag System and method of monitoring an air flow using a millimeter-wave radar sensor
CN108647806A (zh) * 2018-04-04 2018-10-12 南京信息工程大学 一种考虑大尺度环流背景场的延伸期预报方法
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
CN109407177A (zh) * 2018-10-16 2019-03-01 象谱信息产业有限公司 基于机器学习与常规气象观测的大雾识别系统和应用方法
CN109583653A (zh) * 2018-11-30 2019-04-05 南京信息工程大学 基于统计模型的西北太平洋台风的延伸期预报方法
US20200302223A1 (en) * 2019-03-21 2020-09-24 Illumina, Inc. Artificial Intelligence-Based Generation of Sequencing Metadata
CN111325239A (zh) * 2020-01-21 2020-06-23 上海眼控科技股份有限公司 一种基于图像的天气识别的方法及设备
CN112363251A (zh) * 2020-10-26 2021-02-12 上海眼控科技股份有限公司 天气预测模型的生成方法、天气预测方法、装置
CN113156540A (zh) * 2020-12-29 2021-07-23 南京信息工程大学 欧亚中高纬夏季准双周振荡实时指数的提取方法
CN112698428A (zh) * 2021-03-24 2021-04-23 成都信息工程大学 西南地区降水延伸期综合预报信息处理方法、处理系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HE K等: "Deep residual learning for image recognition", vol. 2016 *
JIE HU 等: "Squeeze-and-excitation networks", 《PROCEEDINGS OF THE IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》, vol. 2018, pages 7132 - 7141, XP055975363, DOI: 10.1109/CVPR.2018.00745 *
JIE HU等: "Squeeze-and-excitation networks" *
游立军 等: "深度学习研究现状及在延伸期预报上的潜在应用初探", vol. 12, no. 5 *
董雪峰 等: "基于CFSv2的四川省延伸期三类天气过程预报研究", vol. 36, no. 4 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115639626A (zh) * 2022-09-30 2023-01-24 广东省气象台(南海海洋气象预报中心) 华南降水过程的低频监测与延伸期预报方法及系统
CN115639626B (zh) * 2022-09-30 2023-08-18 广东省气象台(南海海洋气象预报中心、珠江流域气象台) 华南降水过程的低频监测与延伸期预报方法及系统
CN115657163A (zh) * 2022-10-14 2023-01-31 上海市气候中心(上海区域气候中心) 基于人工智能模型的延伸期气象要素预报方法及系统

Also Published As

Publication number Publication date
CN114200548B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN114200548B (zh) 基于SE-Resnet模型的延伸期气象要素预报方法
Lutz et al. Comparison of climate change signals in CMIP3 and CMIP5 multi-model ensembles and implications for Central Asian glaciers
Cook et al. Extreme wind speeds in mixed climates revisited
CN111260156B (zh) 现金流预测模型的构建方法及现金流预测方法及装置
CN106507315A (zh) 一种基于网络社交媒体数据的城市交通事故预测方法和系统
Schwieder et al. Landsat phenological metrics and their relation to aboveground carbon in the Brazilian Savanna
CN112698428B (zh) 西南地区降水延伸期综合预报信息处理方法、处理系统
CN108089967A (zh) 一种爬取安卓手机App数据的方法
CN110263392A (zh) 基于多模式分区误差检验的风场预报方法及其系统
CN112488392A (zh) 一种基于机器学习的智慧水务日用水量预测方法
CN110517154A (zh) 数据模型训练方法、系统及计算机设备
CN113705915A (zh) 一种基于cnn-lstm-arima组合短期电力负荷预测方法
Gebresellase et al. Evaluation and selection of CMIP6 climate models in Upper Awash Basin (UBA), Ethiopia: Evaluation and selection of CMIP6 climate models in Upper Awash Basin (UBA), Ethiopia
CN111737646A (zh) 广告推广的效果评估数据处理方法、系统和存储介质
CN106203473A (zh) 一种基于安装包列表的移动用户性别预测方法
CN115544889A (zh) 基于深度学习的数值模式降水偏差校正方法
Ansari et al. Spatio-temporal evolution of wet–dry event features and their transition across the Upper Jhelum Basin (UJB) in South Asia
CN110490635B (zh) 商户菜品交易预测及备餐方法及装置
CN118313647A (zh) 一种玉米旱热复合灾害实时危险性评估方法
CN114239924A (zh) 基于天气参数的影响指数确定方法及装置
CN112016744B (zh) 一种基于土壤水分的森林火灾预测方法、装置及存储介质
CN115882451A (zh) 新能源电站的发电功率预测方法、装置、以及设备
CN115713044A (zh) 一种多工况切换下的机电设备剩余寿命分析方法和装置
JP2020088944A (ja) 電力需要予測装置、電力需要予測方法、そのプログラム
CN113344290B (zh) 基于U-Net网络的次季节降水气象预报订正方法

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
GR01 Patent grant
GR01 Patent grant