CN114280696A - 一种海雾等级智能预报方法及系统 - Google Patents
一种海雾等级智能预报方法及系统 Download PDFInfo
- Publication number
- CN114280696A CN114280696A CN202111590828.3A CN202111590828A CN114280696A CN 114280696 A CN114280696 A CN 114280696A CN 202111590828 A CN202111590828 A CN 202111590828A CN 114280696 A CN114280696 A CN 114280696A
- Authority
- CN
- China
- Prior art keywords
- forecast
- forecasting
- visibility
- model
- data
- 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
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 67
- 238000004458 analytical method Methods 0.000 claims abstract description 42
- 238000012937 correction Methods 0.000 claims abstract description 40
- 238000010801 machine learning Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 230000001364 causal effect Effects 0.000 claims abstract description 8
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000003908 quality control method Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 52
- 238000012795 verification Methods 0.000 claims description 27
- 238000001556 precipitation Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000012093 association test Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大气、海洋科学技术领域，且公开了一种海雾等级智能预报方法及系统，通过数值模式预报结果和气象站点常规观测资料的收集，以及收集数据的融合和质量控制；利用皮尔森相关系数检验、因果关联检验、时滞性分析等特征分析方法，提取影响能见度的关键气象要素作为预报因子，同时利用模式起报前一段时间的能见度观测和地理时间因素作为辅助预报因子；基于大量站点观测数据，采用机器学习订正方法对数值模式预报结果中的关键气象要素进行订正；采用机器学习算法、超参数自动调优以及集成学习等技术，搭建并优化海雾智能预报模型；利用海雾智能预报模型对能见度进行等级预报，实现能见度的站点预报以及网格预报，并对预报准确率进行检验。
Description
技术领域
本发明涉及大气、海洋科学技术领域，具体为一种海雾等级智能预报方法及系统。
背景技术
海雾是受海洋的影响发生在海上或沿海地区低层大气中的凝结现象，是悬浮于大气边界层大量水滴或冰晶使大气水平能见度小于1km的天气现象。随着社会和经济的发展，海上、公路和航空交通的日趋繁忙，海雾的频发造成的低能见度，直接威胁着沿海地区经济活动和人民生命财产安全。由于雾的多变性和局地性特点，雾的预报一直是天气预报的难点之一。在业务应用中，雾的预报更是面临着更多困境，短期预报效果可信度较低，一般都是临近时才能进行预报与预警。
传统预报方法主要包括统计预报方法与数值预报方法。统计预报方法通过历史资料的统计分析建立海雾与预报因子之间的统计模型对海雾进行预报。该方法多依赖于历史观测资料或数值预报资料的质量和数量，简单的统计模型不足以反映复杂的海洋过程物理规律。近年来，数值模式逐渐成为海雾预报的重要方法。但由于数值模式物理参数化方案的不完善、分辨率受限等原因，数值模式预报方法在业务使用中存在一定局限性。本发明采用以机器学习为核心的人工智能技术，相比于动力及传统统计方法存在非线性拟合能力强、效率高等特点，可以弥补数值模式预报的不足。
目前，机器学习中特征选择方法一般基于双变量相关分析，不能准确反映大气海洋领域多变量间复杂的相互作用。本发明充分考虑多气象要素间以及各气象要素在不同时间上的相互作用，采用偏相关分析、非线性分析及时滞相关性分析等多种方法相结合的方式进行特征筛选。针对机器学习分类算法通常假设数据类别分布均衡且错分代价相等与能见度数据分布极度不平衡这一矛盾，本发明采用集成学习的方式解决样本分布不均衡的问题。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种海雾等级智能预报方法及系统,充分挖掘低能见度的关键气象影响要素，构建关键因子与能见度等级的非线性关联映射，实现低能见度等级预报技巧的提升。
(二)技术方案
为实现上述的目的，本发明提供如下技术方案：一种海雾等级智能预报系统，包括数据层、特征分析层、智能订正层、模型训练层、预报检验层；
数据层，包括数据接入模块、数据融合模块、异常值检测模块、样本模块，数据接入模块接入站点观测资料数据及数值模式预报结果数据；数据层用于进行数据融合和质量控制；
特征分析层，包括样本输入模块、特征分析模块、相关特征模块、分析结果模块；特征分析层用于提取影响能见度的关键气象要素；
智能订正层，包括数据接入模块、数据融合模块、订正模型模块、评价指标模块、订正结果模块；数据接入模块用于接入特征分析层中分析结果模块所得到的关键气象要素数据和站点观测数据；智能订正层用于对模式预报结果中的关键气象要素进行订正；
模型训练层，包括数据接入模块、样本生成模块、模型训练模块、模型优化模块；数据接入模块用于接入智能订正层中订正结果模块内数值模式预报输出数据及能见度观测数据，模型训练层用于训练得到最优能见度预报模型；
预报检验层，用于进行海雾等级预报且进行验证。
一种海雾等级智能预报系统及方法，S1、数值模式预报结果和气象站点常规观测资料的收集，以及收集数据的融合和质量控制；
S2、利用皮尔森相关系数检验、因果关联检验、时滞性分析的特征分析方法，提取影响能见度的关键气象要素作为预报因子，同时利用模式起报前一段时间的能见度观测和地理时间因素作为辅助预报因子；
S3、基于大量站点观测数据，采用机器学习订正方法对数值模式预报结果中的关键气象要素进行订正；
S4、采用机器学习算法、超参数自动调优以及集成学习技术，搭建并优化海雾智能预报模型；
S5、利用海雾智能预报模型对能见度进行等级预报，实现能见度的站点预报以及网格预报，并对预报准确率进行检验。
优选的，S101、准备前五年的气象站点常规观测资料A1，要素包括：海平面气压、风速、气温、露点、能见度、1小时降水量、3小时降水量、6小时降水量、24小时降水量；
S102、准备前五年的数值模式预报数据A2，要素分为地面场和高空场，地面场要素包括：海平面气压、变压、温度、湿度、风向风速；高空场要素包括：500hPa、700hPa、850hPa、925hPa、1000hPa压面的位势高度、温度、露点温度、风向风速以及海表温度场；
S103、将气象站点观测资料A1与数值模式预报数据A2进行融合，首先进行时间上的匹配，再采用插值算法将网格化的数值模式预报数据插值到观测站点，得到融合数据集A1A2；
S104、使用传统统计方法和机器学习方法对融合数据集A1A2进行异常值检测，剔除异常记录。
优选的，S201、设置最大滞后时间为6小时，选取t-0时刻的能见度与t-1、t-2、t-3、...、t-6时刻的各气象水文要素集合B11作为时间滞后特征分析样本集；
S202、采用皮尔森相关系数检验气象水文要素集合B11与t-0时刻能见度的相关性，剔除相关系数r为0和不满足显著性检验的要素，其中显著性检验的显著性水平设为0.05，得到存在相关性的特征集合B12，计算公式如下所示：
其中X和Y是两个待评估相关性的变量，分别表示要分析的要素以及能见度，目的是要分析不同要素与能见度之间的关系；
S203、采用偏相关系数对特征集合B12与t-0时刻能见度的因果关系进行检验，利用相关矩阵求逆法得到两两变量之间的偏相关系数，即首先计算出所有变量的协方差矩阵Ω，然后求它的逆矩阵P＝Ω-1，变量i与变量j之间的偏相关系数
其中(pij)＝P；同时进行显著性检验，设置显著性水平为0.05；去除偏相关系数为0和不满足显著性检验的因子，得到气象水文特征集合B13；
S204、收集模式起报前6小时的能见度观测序列B2和经纬度、月份、时刻地理时间因素B3，与气象水文特征集合B13结合，得到预报因子集合B4；
S205、对于预报因子集合B4，利用特征工程中的嵌入法，结合随机森林一类机器学习算法进一步选取能见度预报模型的最优因子组合B5。
优选的，S301、针对步骤S2提取的关键预报因子B4中的模式预报要素C1，分别对其中每个要素C1利用均方根误差评估模式预报与实际观测的误差；
S302、对于每个要素C1，利用皮尔森相关系数分析其他预报要素与该要素之间的相关性，将相关性系数不为零的预报要素和需要订正的关键预报要素作为订正模型的输入特征C2；
S303、利用S302步骤挑选出的特征C2，同时将关键预报要素对应的实际观测作为标签，建立样本集，样本集包括训练集、验证集及测试集；
S304、利用训练集对随机森林、XGBoost、LightGBM算法的机器学习模型以及MLP、RNN神经网络模型进行训练，验证集用来查看训练过程中的模型收敛程度，防止过拟合；
S305、对于训练好的模型，利用测试集进行测试，选用皮尔森相关系数、均方根误差、标准差偏差指标评估模型预测与实际观测的误差、相关性，相关系数越高，均方根误差以及标准差偏差越小，经模型订正后的结果与真实观测结果更接近；根据这些指标，选取订正效果最好的模型作为最终的订正模型。
优选的，S401、利用步骤S305挑选出的订正模型，对模式预报结果中的关键气象要素进行订正；
S402、将连续的能见度值分成两种级别：能见度值≤1km的归为浓雾，记为1；能见度＞1km的归为其他，记为0；
S403、将模式预报的关键气象要素、站点经纬度、月份、时刻、预报时效作为特征，将站点观测的能见度级别作为标签，构建样本集，样本集包括训练集、验证集及测试集；
S404、利用训练集对LightGBM机器学习模型进行训练，验证集用来查看训练过程中的模型收敛程度，防止过拟合，采用焦点损失函数作为目标函数，其中聚焦参数γ设置为2，正负样本权重参数αt设置为0.5，损失函数公式如下所示：
FL(pt)＝-α(1-pt)γlog(pt)；
S405、针对浓雾类别和非浓雾样本不平衡问题，利用集成学习结合样本重采样策略提升模型对于浓雾的预报性能，首先将训练集和验证集随机分为M份，其中训练集利用随机下采样进行样本平衡，使得浓雾类别和非浓雾类别的样本数相同，得到M对训练集和验证集，对每一对训练集和验证集分别训练一个LightGBM模型，最终得到M个预报模型；
S406、对于M个预报模型，分别利用基于贝叶斯优化的超参数搜索策略对模型进行调优，得到M个最优预报模型。
优选的，S501、利用M个训练好的模型实现能见度等级智能预报，包括网格化预报和站点预报；
S502、网格化预报的过程为：首先，实时接入数值模式网格化预报结果并进行智能订正，利用特征分析得到的关键因子构建预测样本，利用M个训练好的模型进行预测，得到M个预测结果，求其平均值作为最终的预测结果，得到能见度网格化等级预报结果；
S503、站点预报的实现过程为：首先，实时接入数值模式网格化预报结果并进行智能订正，再通过插值方法将网格化预报场插值到站点，利用特征分析得到的关键因子构建预测样本，利用M个训练好的模型进行预测，得到M个预测结果，求其平均值作为最终的预测结果，得到站点的能见度等级预报结果；
S504、利用多种评价指标进行精度检验，具体指标包括：POD、FAR、ETS、CSI；
S505、基于ETS、CSI指标，通过分类概率阈值调优，选择最优分类阈值，进一步提高浓雾的预报精度。
(三)有益效果
与现有技术相比，本发明提供了一种海雾等级智能预报方法及系统，具备以下有益效果：
为提升低能见度等级预报技巧，满足海洋环境精细化预报的需求，发明了一种基于数值预报结果与站点观测的海雾智能预报方法及系统，充分挖掘低能见度(浓雾)的关键气象影响要素，构建关键因子与能见度等级的非线性关联映射，实现低能见度等级预报技巧的提升。
附图说明
图1为本发明提出的一种海雾等级智能预报方法及系统结构示意图；
图2为本发明提出的一种海雾等级智能预报方法及系统图1中数据层流程图；
图3为本发明提出的一种海雾等级智能预报方法及系统图1中特征分析层流程图；
图4为本发明提出的一种海雾等级智能预报方法及系统图1中智能订正层流程图；
图5为本发明提出的一种海雾等级智能预报方法及系统图1中模型训练层流程图；
图6为本发明提出的一种海雾等级智能预报方法及系统的集成学习流程图；
图7为本发明提出的一种海雾等级智能预报方法及系统的预报检验层流程图；
图8为本发明提出的一种海雾等级智能预报方法及系统的长江口区域站点不同预报时效的平均预报效果图；
图9为本发明提出的一种海雾等级智能预报方法及系统的长江口区域所有站点不同预报时效的预报效果图；
图10为本发明提出的一种海雾等级智能预报方法及系统的分类阈值波动图。
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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
实施例1：
参照图1-10，一种海雾等级智能预报系统及方法，包括如下步骤：
S1、数值模式预报结果和气象站点常规观测资料的收集，以及收集数据的融合和质量控制；
S101、准备2016～2020年的气象站点常规观测资料A1，要素包括：包括海平面气压、风速、气温、露点、能见度、1小时降水量、3小时降水量、6小时降水量、24小时降水量；
S102、准备2016～2020年的数值模式预报数据A2，要素分为地面场和高空场，地面场要素包括：海平面气压、变压、温度、湿度、风向风速；高空场要素包括：500hPa、700hPa、850hPa、925hPa、1000hPa等压面的位势高度、温度、露点温度、风向风速以及海表温度场；
S103、将气象站点观测资料A1与数值模式预报数据A2进行融合，首先进行时间上的匹配，再采用插值算法将网格化的数值模式预报数据插值到观测站点，得到融合数据集A1A2；
S104、使用传统统计方法和机器学习方法对融合数据集A1A2进行异常值检测，剔除异常记录；
S2、利用皮尔森相关系数检验、因果关联检验、时滞性分析的特征分析方法，提取影响能见度的关键气象要素作为预报因子，同时利用模式起报前一段时间的能见度观测和地理时间因素作为辅助预报因子；
S201、设置最大滞后时间为6小时，选取t-0时刻的能见度与t-1、t-2、t-3、...、t-6时刻的各气象水文要素集合B11作为时间滞后特征分析样本集；
S202、采用皮尔森相关系数，检验气象水文要素集合B11与t-0时刻能见度的相关性，剔除相关系数r为0和不满足显著性检验的要素，其中显著性检验的显著性水平设为0.05，得到存在相关性的特征集合B12，计算公式如下所示：
其中X和Y是两个待评估相关性的变量，分别表示要分析的要素以及能见度，目的是要分析不同要素与能见度之间的关系；
S203、采用偏相关系数对特征集合B12与t-0时刻能见度的因果关系进行检验利用相关矩阵求逆法得到两两变量之间的偏相关系数，即首先计算出所有变量的协方差矩阵Ω，然后求它的逆矩阵P＝Ω-1，变量i与变量j之间的偏相关系数
其中(pij)＝P；同时进行显著性检验，设置显著性水平为0.05。去除偏相关系数为0和不满足显著性检验的因子，得到气象水文特征集合B13；
S204、收集模式起报前6小时的能见度观测序列B2和经纬度、月份、时刻等地理时间因素B3，与气象水文特征集合B13结合，得到预报因子集合B4；
S205、对于预报因子集合B4，利用特征工程中的嵌入法，结合随机森林一类机器学习算法进一步选取能见度预报模型的最优因子组合B5；
S3、基于大量站点观测数据，采用机器学习订正方法对数值模式预报结果中的关键气象要素进行订正；
S301、针对步骤S2提取的关键预报因子B4中的模式预报要素C1，分别对其中每个要素C1利用均方根误差评估模式预报与实际观测的误差；
S302、对于每个要素C1，利用皮尔森相关系数分析其他预报要素与该要素之间的相关性，将相关性系数不为零的预报要素和需要订正的关键预报要素作为订正模型的输入特征C2；
S303、利用S302步骤挑选出的特征C2，同时将关键预报要素对应的实际观测作为标签，建立样本集，其中2016～2018年作为训练集，2019年作为验证集，2020年作为测试集；
S304、利用训练集对随机森林、XGBoost、LightGBM算法等机器学习模型以及MLP、RNN神经网络模型进行训练，验证集用来查看训练过程中的模型收敛程度，防止过拟合；
S305、对于训练好的模型，利用测试集进行测试，选用皮尔森相关系数、均方根误差、标准差偏差等指标评估模型预测与实际观测的误差、相关性，相关系数越高，均方根误差以及标准差偏差越小，认为经模型订正后的结果与真实观测结果更接近，根据这些指标，选取订正效果最好的模型作为最终的订正模型；
S4、采用机器学习算法、超参数自动调优以及集成学习等技术，搭建并优化海雾智能预报模型；
S401、利用步骤S305挑选出的订正模型，对模式预报结果中的关键气象要素进行订正；
S402、将连续的能见度值分成两种级别：能见度值≤1km的归为浓雾，记为1；能见度＞1km的归为其他，记为0；
S403、将模式预报的关键气象要素、站点经纬度、月份、时刻、预报时效作为特征，将站点观测的能见度级别作为标签，构建样本集其中2016～2018年作为训练集，2019年作为验证集，2020作为测试集；
S404、利用训练集对LightGBM机器学习模型进行训练，验证集用来查看训练过程中的模型收敛程度，防止过拟合，采用焦点损失函数作为目标函数，损失函数公式如下所示，其中聚焦参数γ设置为2，正负样本权重参数αt设置为0.5，损失函数公式如下所示：
FL(pt)＝-α(1-pt)γlog(pt)；
S405、针对浓雾类别和非浓雾样本不平衡问题，利用集成学习结合样本重采样策略提升模型对于浓雾的预报性能，首先将训练集和验证集随机分为M份，其中训练集利用随机下采样进行样本平衡，使得浓雾类别和非浓雾类别的样本数相同，得到M对训练集和验证集，对每一对训练集和验证集分别训练一个LightGBM模型，最终得到M个预报模型；
S406、对于M个预报模型，分别利用基于贝叶斯优化的超参数搜索策略对模型进行调优，得到M个最优预报模型；
S5、利用海雾智能预报模型对能见度进行等级预报，实现能见度的站点预报以及网格预报，并对预报准确率进行检验；
S501、利用M个训练好的模型实现能见度等级智能预报，包括网格化预报和站点预报；
S502、网格化预报的过程为：首先，实时接入数值模式网格化预报结果并进行智能订正，利用特征分析得到的关键因子构建预测样本，利用M个训练好的模型进行预测，得到M个预测结果，求其平均值作为最终的预测结果，得到能见度网格化等级预报结果；
S503、站点预报的实现过程为：首先，实时接入数值模式网格化预报结果并进行智能订正，再通过插值方法将网格化预报场插值到站点，利用特征分析得到的关键因子构建预测样本，利用M个训练好的模型进行预测，得到M个预测结果，求其平均值作为最终的预测结果，得到站点的能见度等级预报结果；
S504、利用多种评价指标进行精度检验，具体指标包括：POD、FAR、ETS、CSI；
S505、基于ETS、CSI指标，通过分类概率阈值调优，选择最优分类阈值，进一步提高浓雾的预报精度。
如图10所示，一般的分类概率阈值为0.5，大于0.5则为浓雾，小于0.5为非浓雾，上图的横坐标x为概率，可以看出x＝0.19时，对应的ETS、CSI最大，所以0.19比0.5好，所以调整分类阈值为0.19。
实施例2：
该系统方案如图1所示，包括数据层、特征分析、智能订正、模型训练、预报检验共五个模块；主要发明点为五个模块的有机融合而形成海雾等级智能预报方法及系统；第一层数据层负责数值模式预报结果和站点观测资料的收集，以及收集数据的融合和质量控制；特征分析层的主要用来提取影响能见度的关键气象要素，特征分析方法至少包括皮尔森相关系数检验、因果关联检验、时滞相关性分析等；智能订正层负责基于大量站点观测数据采用机器学习订正方法对数值模式预报结果中的关键气象要素进行订正；模型训练层至少包括机器学习模型搭建、超参数自动调优以及集成学习等方案；预报检验层包括利用海雾智能预报模型对能见度进行等级预报，实现能见度的站点预报以及网格预报及预报精度和准确率的检验；该发明模块具体内容如下：
(1)数据层
如图2所示，数值模式预报包括多个气象水文要素；具体要素包括以下变量，地面场：海平面气压、变压、温度、湿度、风向风速；高空场：500hPa、700hPa、850hPa、925hPa、1000hPa等压面的位势高度、变高、温度、露点温度、风向风速以及海表温度场等；气象站点观测数据所含要素包括海平面气压、地面3小时变压、地面风速、地面气温、地面露点、1小时降水量、3小时降水量、6小时降水量、24小时降水量等；为了实现站点数据与格点数据等有效融合，首先进行时间匹配，再采用空间插值算法将网格化的数值预报数据插值到观测站点，可采用的方法包括但不限于反距离权重插值、样条函数插值、克里金插值等；然后对收集处理后的数据进行异常值检测，所采用方法包括传统统计方法和机器学习方法，传统统计方法包括3σ准则和箱线图法，机器学习方法包括但不限于孤立森林、DBSCAN、局部异常因子等方法；
(2)特征分析层
如图3所示，首先对各气象要素融合多种相关性分析方法进行分析，分析方法包括但不限于：皮尔森相关系数、Spearman相关系数、Kendall相关系数、偏相关分析等，进而获取不同气象水文要素对能见度等级预报的影响；在时间维度上，采用时间滞后互相关分析和交叉落后相关系数等方法分析检验各要素对海雾的时间滞后性影响；基于以上分析，选取出海雾预报的最优因子及其滞后影响的最佳时间区间；最后，通过特征过程中的嵌入法，结合随机森林一类机器学习算法进一步选取海雾预报的最优因子组合；
(3)气象要素智能订正层
如图4所示，基于大量的站点观测数据利用机器学习方法对数值预报水文气象要素进行优化订正，采用的机器学习订正方法至少包括基于决策树的机器学习算法以及神经网络算法；模型训练中的评价指标选用皮尔森相关系数、均方根误差、标准差偏差等；相关系数越高，均方根误差以及标准差偏差越小，认为经模型订正后的结果与真实观测结果更接近；
(4)模型训练层，能见度智能预报模型构建
如图5所示，将订正后、经过特征分析选取且插值到观测站点的水文气象要素作为特征输入，将能见度的站点观测作为标签，构建机器学习分类模型进行数值预报水文气象要素与能见度间非线性映射关系的学习，从而进行能见度的等级预报；本发明为进一步提高能见度等级分类准确性，对机器学习算法损失函数进行设计与选择，采用损失函数至少包括交叉熵损失函数、焦点损失函数、Gradient Harmonizing Mechanism之一；本发明针对样本不平衡问题，采用基于集成学习的训练方案提升模型的对于数量较少样本的分类性能，集成学习方案包括基于Boosting的方法、基于Bagging的方法、Boosting与Bagging混合集成方法之一；本发明针对机器学习模型的超参数调优难题，采用基于贝叶斯优化的超参数搜索策略进行调优，从而得到最优能见度预报模型；
(5)预报检验层,能见度智能预报模型构建
如图7所示，基于以上四个模块可实现能见度等级智能预报，包括网格化预报和站点预报；网格化预报的实现过程为：首先，实时接入数值模式网格化预报结果并进行智能订正，利用特征分析得到的关键因子构建预测样本，通过能见度智能预报模型进行海雾的等级预报，得到网格化的能见度预报结果。站点预报的实现过程为：首先，实时接入数值模式网格化预报结果并进行智能订正，再通过插值方法将网格化预报场插值到站点，利用特征分析得到的关键因子构建预测样本，通过机器学习预测模型进行海雾的等级预报，得到站点的能见度等级预报结果；本发明模块利用多种评价指标进行精度检验，具体指标包括：POD、FAR、ETS、CSI等，最后可通过概率阈值调优，选择最优概率阈值，进一步提高预报精度；
实施例3：
如图8-9所示，以长江口27个气象观测站点的能见度等级预报为例，对发明效果进行说明；其中，模式预报为由WRF模式业务化运行能见度诊断结果，智能预报为基于LightGBM算法的能见度智能预报结果，通过不同预报时效的ETS评分对比可见，对于不同预报时效，本发明能见度等级智能预报技巧优于通用的数值预报诊断方法；相对于业务化运行的能见度等级数值预报方式，能见度等级预报平均ETS评分提高1.5倍以上。
需要说明的是，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种海雾等级智能预报系统，其特征在于，包括数据层、特征分析层、智能订正层、模型训练层、预报检验层；
数据层，包括数据接入模块、数据融合模块、异常值检测模块、样本模块，数据接入模块接入站点观测资料数据及数值模式预报结果数据；数据层用于进行数据融合和质量控制；
特征分析层，包括样本输入模块、特征分析模块、相关特征模块、分析结果模块；特征分析层用于提取影响能见度的关键气象要素；
智能订正层，包括数据接入模块、数据融合模块、订正模型模块、评价指标模块、订正结果模块；数据接入模块用于接入特征分析层中分析结果模块所得到的关键气象要素数据和站点观测数据；智能订正层用于对模式预报结果中的关键气象要素进行订正；
模型训练层，包括数据接入模块、样本生成模块、模型训练模块、模型优化模块；数据接入模块用于接入智能订正层中订正结果模块内数值模式预报输出数据及能见度观测数据，模型训练层用于训练得到最优能见度预报模型；
预报检验层，用于进行海雾等级预报且进行验证。
2.一种采用权利要求1中海雾等级智能预报系统进行海雾等级智能预报方法，其特征在于，包括如下步骤：
S1、数值模式预报结果和气象站点常规观测资料的收集，以及收集数据的融合和质量控制；
S2、利用皮尔森相关系数检验、因果关联检验、时滞性分析的特征分析方法，提取影响能见度的关键气象要素作为预报因子，同时利用模式起报前一段时间的能见度观测和地理时间因素作为辅助预报因子；
S3、基于大量站点观测数据，采用机器学习订正方法对数值模式预报结果中的关键气象要素进行订正；
S4、采用机器学习算法、超参数自动调优以及集成学习技术，搭建并优化海雾智能预报模型；
S5、利用海雾智能预报模型对能见度进行等级预报，实现能见度的站点预报以及网格预报，并对预报准确率进行检验。
3.根据权利要求2所述的一种海雾等级智能预报方法及系统，其特征在于，步骤S1具体包括：
S101、准备前五年的气象站点常规观测资料A1，要素包括：海平面气压、风速、气温、露点、能见度、1小时降水量、3小时降水量、6小时降水量、24小时降水量；
S102、准备前五年的数值模式预报数据A2，要素分为地面场和高空场，地面场要素包括：海平面气压、变压、温度、湿度、风向风速；高空场要素包括：500hPa、700hPa、850hPa、925hPa、1000hPa压面的位势高度、温度、露点温度、风向风速以及海表温度场；
S103、将气象站点观测资料A1与数值模式预报数据A2进行融合，首先进行时间上的匹配，再采用插值算法将网格化的数值模式预报数据插值到观测站点，得到融合数据集A1A2；
S104、使用传统统计方法和机器学习方法对融合数据集A1A2进行异常值检测，剔除异常记录。
4.根据权利要求2所述的一种海雾等级智能预报方法及系统，其特征在于，步骤S2具体包括：
S201、设置最大滞后时间为6小时，选取t-0时刻的能见度与t-1、t-2、t-3、...、t-6时刻的各气象水文要素集合B11作为时间滞后特征分析样本集；
S202、采用皮尔森相关系数检验气象水文要素集合B11与t-0时刻能见度的相关性，剔除相关系数r为0和不满足显著性检验的要素，其中显著性检验的显著性水平设为0.05，得到存在相关性的特征集合B12，计算公式如下所示：
其中X和Y是两个待评估相关性的变量，分别表示要分析的要素以及能见度，目的是要分析不同要素与能见度之间的关系；
S203、采用偏相关系数对特征集合B12与t-0时刻能见度的因果关系进行检验，利用相关矩阵求逆法得到两两变量之间的偏相关系数，即首先计算出所有变量的协方差矩阵Ω，然后求它的逆矩阵P＝Ω-1，变量i与变量j之间的偏相关系数
其中(pij)＝P；同时进行显著性检验，设置显著性水平为0.05；去除偏相关系数为0和不满足显著性检验的因子，得到气象水文特征集合B13；
S204、收集模式起报前6小时的能见度观测序列B2和经纬度、月份、时刻地理时间因素B3，与气象水文特征集合B13结合，得到预报因子集合B4；
S205、对于预报因子集合B4，利用特征工程中的嵌入法，结合随机森林一类机器学习算法进一步选取能见度预报模型的最优因子组合B5。
5.根据权利要求2所述的一种海雾等级智能预报方法及系统，其特征在于,步骤S3具体包括：
S301、针对步骤S2提取的关键预报因子B4中的模式预报要素C1，分别对其中每个要素C1利用均方根误差评估模式预报与实际观测的误差；
S302、对于每个要素C1，利用皮尔森相关系数分析其他预报要素与该要素之间的相关性，将相关性系数不为零的预报要素和需要订正的关键预报要素作为订正模型的输入特征C2；
S303、利用S302步骤挑选出的特征C2，同时将关键预报要素对应的实际观测作为标签，建立样本集，样本集包括训练集、验证集及测试集；
S304、利用训练集对随机森林、XGBoost、LightGBM算法的机器学习模型以及MLP、RNN神经网络模型进行训练，验证集用来查看训练过程中的模型收敛程度，防止过拟合；
S305、对于训练好的模型，利用测试集进行测试，选用皮尔森相关系数、均方根误差、标准差偏差指标评估模型预测与实际观测的误差、相关性，相关系数越高，均方根误差以及标准差偏差越小，经模型订正后的结果与真实观测结果更接近；根据这些指标，选取订正效果最好的模型作为最终的订正模型。
6.根据权利要求1所述的一种海雾等级智能预报方法及系统，其特征在于，步骤S4具体包括：
S401、利用步骤S305挑选出的订正模型，对模式预报结果中的关键气象要素进行订正；
S402、将连续的能见度值分成两种级别：能见度值≤1km的归为浓雾，记为1；能见度>1km的归为其他，记为0；
S403、将模式预报的关键气象要素、站点经纬度、月份、时刻、预报时效作为特征，将站点观测的能见度级别作为标签，构建样本集，样本集包括训练集、验证集及测试集；
S404、利用训练集对LightGBM机器学习模型进行训练，验证集用来查看训练过程中的模型收敛程度，防止过拟合，采用焦点损失函数作为目标函数，其中聚焦参数γ设置为2，正负样本权重参数αt设置为0.5，损失函数公式如下所示：
FL(pt)＝-α(1-pt)γlog(pt)；
S405、针对浓雾类别和非浓雾样本不平衡问题，利用集成学习结合样本重采样策略提升模型对于浓雾的预报性能，首先将训练集和验证集随机分为M份，其中训练集利用随机下采样进行样本平衡，使得浓雾类别和非浓雾类别的样本数相同，得到M对训练集和验证集，对每一对训练集和验证集分别训练一个LightGBM模型，最终得到M个预报模型；
S406、对于M个预报模型，分别利用基于贝叶斯优化的超参数搜索策略对模型进行调优，得到M个最优预报模型。
7.根据权利要求1所述的一种海雾等级智能预报方法及系统，其特征在于，步骤S5具体包括：
S501、利用M个训练好的模型实现能见度等级智能预报，包括网格化预报和站点预报；
S502、网格化预报的过程为：首先，实时接入数值模式网格化预报结果并进行智能订正，利用特征分析得到的关键因子构建预测样本，利用M个训练好的模型进行预测，得到M个预测结果，求其平均值作为最终的预测结果，得到能见度网格化等级预报结果；
S503、站点预报的实现过程为：首先，实时接入数值模式网格化预报结果并进行智能订正，再通过插值方法将网格化预报场插值到站点，利用特征分析得到的关键因子构建预测样本，利用M个训练好的模型进行预测，得到M个预测结果，求其平均值作为最终的预测结果，得到站点的能见度等级预报结果；
S504、利用多种评价指标进行精度检验，具体指标包括：POD、FAR、ETS、CSI；
S505、基于ETS、CSI指标，通过分类概率阈值调优，选择最优分类阈值，进一步提高浓雾的预报精度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111590828.3A CN114280696B (zh) | 2021-12-23 | 2021-12-23 | 一种海雾等级智能预报方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111590828.3A CN114280696B (zh) | 2021-12-23 | 2021-12-23 | 一种海雾等级智能预报方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114280696A true CN114280696A (zh) | 2022-04-05 |
| CN114280696B CN114280696B (zh) | 2024-09-17 |
Family
ID=80874595
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111590828.3A Active CN114280696B (zh) | 2021-12-23 | 2021-12-23 | 一种海雾等级智能预报方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114280696B (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114966898A (zh) * | 2022-05-09 | 2022-08-30 | 广东省韶关市气象局 | 一种高速路段雨雪冰冻天气预警方法及系统 |
| CN115016040A (zh) * | 2022-08-08 | 2022-09-06 | 广东省气象公共服务中心(广东气象影视宣传中心) | 基于多模型智能选择的海雾预测方法、装置、设备及介质 |
| CN115035723A (zh) * | 2022-07-11 | 2022-09-09 | 长安大学 | 基于深度学习的高速公路能见度监测与预警系统 |
| CN115049168A (zh) * | 2022-08-16 | 2022-09-13 | 成都信息工程大学 | 一种雾污预警方法及系统 |
| CN115061223A (zh) * | 2022-07-14 | 2022-09-16 | 郑州航空工业管理学院 | 一种关于西边界流的智能预报系统 |
| CN115079309A (zh) * | 2022-08-08 | 2022-09-20 | 广东省气象公共服务中心(广东气象影视宣传中心) | 用于多类型海雾的预测模型构建方法、装置、设备及介质 |
| CN115079306A (zh) * | 2022-05-23 | 2022-09-20 | 远景智能国际私人投资有限公司 | 闪电预报方法、装置、设备、存储介质及计算机程序产品 |
| CN115097548A (zh) * | 2022-08-08 | 2022-09-23 | 广东省气象公共服务中心(广东气象影视宣传中心) | 基于智能预测的海雾分类预警方法、装置、设备及介质 |
| CN115130872A (zh) * | 2022-07-01 | 2022-09-30 | 广东智通人才连锁股份有限公司 | 一种基于深度学习判断的用工风险评估系统 |
| CN115469291A (zh) * | 2022-11-01 | 2022-12-13 | 湖南赛能环测科技有限公司 | 一种基于数字孪生技术对气象雷达预测的方法及系统 |
| 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 |
| CN115827710A (zh) * | 2022-12-20 | 2023-03-21 | 中国民用航空局空中交通管理局航空气象中心 | 一种气象要素多模式预报结果的筛选方法及系统 |
| CN115859032A (zh) * | 2022-12-16 | 2023-03-28 | 西北农林科技大学 | 一种逐日气象要素自适应插值方法 |
| CN116702610A (zh) * | 2023-06-08 | 2023-09-05 | 无锡九方科技有限公司 | 一种基于gbdt和数值模式的风速预测方法及系统 |
| CN116881624A (zh) * | 2023-09-06 | 2023-10-13 | 北京师范大学 | 复合型极端事件预报方法、装置、计算机设备和存储介质 |
| CN117111182A (zh) * | 2023-10-19 | 2023-11-24 | 安徽省公共气象服务中心(安徽省突发公共事件预警信息发布中心) | 基于气块反向追踪的大雾短期预报方法 |
| CN117269011A (zh) * | 2023-11-13 | 2023-12-22 | 珠海光焱科技有限公司 | 基于激光光路测量系统的气象能见度判断方法 |
| CN117390592A (zh) * | 2023-12-11 | 2024-01-12 | 江西省气象服务中心(江西省专业气象台、江西省气象宣传与科普中心) | 一种特色景观预报模型构建方法及系统 |
| CN117828992A (zh) * | 2024-01-04 | 2024-04-05 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种高时空分辨ccn数浓度精准预测方法及系统 |
| CN117992884A (zh) * | 2024-04-03 | 2024-05-07 | 无锡九方科技有限公司 | 基于相关性分析的区域性大气能见度预测方法及系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108375808A (zh) * | 2018-03-12 | 2018-08-07 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的大雾预报方法 |
| CN108734278A (zh) * | 2018-05-23 | 2018-11-02 | 天津市气象科学研究所 | 一种基于多重神经网络逐步逼近法的低能见度预报方法 |
| CN109190810A (zh) * | 2018-08-16 | 2019-01-11 | 天津大学 | 基于tdnn的中国北方草原地区ndvi的预测方法 |
| 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 |
| 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 |
| CN110471131A (zh) * | 2019-08-16 | 2019-11-19 | 中国海洋大学 | 高空间分辨率的精细化大气水平能见度自动预报方法及系统 |
| CN110555561A (zh) * | 2019-09-06 | 2019-12-10 | 清华大学 | 一种中长期径流集合预报方法 |
| CN110794485A (zh) * | 2019-10-22 | 2020-02-14 | 成都信息工程大学 | 基于集成学习的强对流天气持续时间预报方法 |
| CN111175852A (zh) * | 2019-12-27 | 2020-05-19 | 中国电子科技集团公司第十四研究所 | 一种基于长短时记忆算法的机场大雾预报预警方法 |
| CN111597758A (zh) * | 2020-05-14 | 2020-08-28 | 河海大学 | 一种基于负相关学习的中小河流集成预报方法 |
| CN111784022A (zh) * | 2019-08-08 | 2020-10-16 | 沈阳工业大学 | 一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法 |
| CN111897030A (zh) * | 2020-07-17 | 2020-11-06 | 国网电力科学研究院有限公司 | 一种雷暴预警系统及方法 |
| 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 |
| CN113239971A (zh) * | 2021-04-16 | 2021-08-10 | 中广核(北京)新能源科技有限公司 | 一种面向风场的临近预报与短期预报的融合系统 |
-
2021
- 2021-12-23 CN CN202111590828.3A patent/CN114280696B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108375808A (zh) * | 2018-03-12 | 2018-08-07 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的大雾预报方法 |
| CN108734278A (zh) * | 2018-05-23 | 2018-11-02 | 天津市气象科学研究所 | 一种基于多重神经网络逐步逼近法的低能见度预报方法 |
| CN109190810A (zh) * | 2018-08-16 | 2019-01-11 | 天津大学 | 基于tdnn的中国北方草原地区ndvi的预测方法 |
| 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 |
| 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 |
| CN111784022A (zh) * | 2019-08-08 | 2020-10-16 | 沈阳工业大学 | 一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法 |
| CN110471131A (zh) * | 2019-08-16 | 2019-11-19 | 中国海洋大学 | 高空间分辨率的精细化大气水平能见度自动预报方法及系统 |
| CN110555561A (zh) * | 2019-09-06 | 2019-12-10 | 清华大学 | 一种中长期径流集合预报方法 |
| CN110794485A (zh) * | 2019-10-22 | 2020-02-14 | 成都信息工程大学 | 基于集成学习的强对流天气持续时间预报方法 |
| CN111175852A (zh) * | 2019-12-27 | 2020-05-19 | 中国电子科技集团公司第十四研究所 | 一种基于长短时记忆算法的机场大雾预报预警方法 |
| CN111597758A (zh) * | 2020-05-14 | 2020-08-28 | 河海大学 | 一种基于负相关学习的中小河流集成预报方法 |
| 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 |
| CN111897030A (zh) * | 2020-07-17 | 2020-11-06 | 国网电力科学研究院有限公司 | 一种雷暴预警系统及方法 |
| CN113239971A (zh) * | 2021-04-16 | 2021-08-10 | 中广核(北京)新能源科技有限公司 | 一种面向风场的临近预报与短期预报的融合系统 |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114966898A (zh) * | 2022-05-09 | 2022-08-30 | 广东省韶关市气象局 | 一种高速路段雨雪冰冻天气预警方法及系统 |
| CN114966898B (zh) * | 2022-05-09 | 2024-06-04 | 广东省韶关市气象局 | 一种高速路段雨雪冰冻天气预警方法及系统 |
| CN115079306A (zh) * | 2022-05-23 | 2022-09-20 | 远景智能国际私人投资有限公司 | 闪电预报方法、装置、设备、存储介质及计算机程序产品 |
| CN115079306B (zh) * | 2022-05-23 | 2023-12-05 | 远景智能国际私人投资有限公司 | 闪电预报方法、装置、设备、存储介质及计算机程序产品 |
| CN115130872A (zh) * | 2022-07-01 | 2022-09-30 | 广东智通人才连锁股份有限公司 | 一种基于深度学习判断的用工风险评估系统 |
| CN115035723A (zh) * | 2022-07-11 | 2022-09-09 | 长安大学 | 基于深度学习的高速公路能见度监测与预警系统 |
| CN115061223A (zh) * | 2022-07-14 | 2022-09-16 | 郑州航空工业管理学院 | 一种关于西边界流的智能预报系统 |
| CN115061223B (zh) * | 2022-07-14 | 2023-09-29 | 郑州航空工业管理学院 | 一种关于西边界流的智能预报系统 |
| CN115097548A (zh) * | 2022-08-08 | 2022-09-23 | 广东省气象公共服务中心(广东气象影视宣传中心) | 基于智能预测的海雾分类预警方法、装置、设备及介质 |
| CN115079309A (zh) * | 2022-08-08 | 2022-09-20 | 广东省气象公共服务中心(广东气象影视宣传中心) | 用于多类型海雾的预测模型构建方法、装置、设备及介质 |
| CN115016040B (zh) * | 2022-08-08 | 2022-11-22 | 广东省气象公共服务中心(广东气象影视宣传中心) | 基于多模型智能选择的海雾预测方法、装置、设备及介质 |
| CN115016040A (zh) * | 2022-08-08 | 2022-09-06 | 广东省气象公共服务中心(广东气象影视宣传中心) | 基于多模型智能选择的海雾预测方法、装置、设备及介质 |
| CN115049168B (zh) * | 2022-08-16 | 2022-10-25 | 成都信息工程大学 | 一种雾污预警方法及系统 |
| CN115049168A (zh) * | 2022-08-16 | 2022-09-13 | 成都信息工程大学 | 一种雾污预警方法及系统 |
| 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 |
| CN115469291A (zh) * | 2022-11-01 | 2022-12-13 | 湖南赛能环测科技有限公司 | 一种基于数字孪生技术对气象雷达预测的方法及系统 |
| CN115859032A (zh) * | 2022-12-16 | 2023-03-28 | 西北农林科技大学 | 一种逐日气象要素自适应插值方法 |
| CN115859032B (zh) * | 2022-12-16 | 2023-09-22 | 西北农林科技大学 | 一种逐日气象要素自适应插值方法 |
| CN115827710B (zh) * | 2022-12-20 | 2023-06-27 | 中国民用航空局空中交通管理局航空气象中心 | 一种气象要素多模式预报结果的筛选方法及系统 |
| CN115827710A (zh) * | 2022-12-20 | 2023-03-21 | 中国民用航空局空中交通管理局航空气象中心 | 一种气象要素多模式预报结果的筛选方法及系统 |
| CN116702610B (zh) * | 2023-06-08 | 2024-03-29 | 无锡九方科技有限公司 | 一种基于gbdt和数值模式的风速预测方法及系统 |
| CN116702610A (zh) * | 2023-06-08 | 2023-09-05 | 无锡九方科技有限公司 | 一种基于gbdt和数值模式的风速预测方法及系统 |
| CN116881624A (zh) * | 2023-09-06 | 2023-10-13 | 北京师范大学 | 复合型极端事件预报方法、装置、计算机设备和存储介质 |
| CN116881624B (zh) * | 2023-09-06 | 2023-11-17 | 北京师范大学 | 复合型极端事件预报方法、装置、计算机设备和存储介质 |
| CN117111182A (zh) * | 2023-10-19 | 2023-11-24 | 安徽省公共气象服务中心(安徽省突发公共事件预警信息发布中心) | 基于气块反向追踪的大雾短期预报方法 |
| CN117269011A (zh) * | 2023-11-13 | 2023-12-22 | 珠海光焱科技有限公司 | 基于激光光路测量系统的气象能见度判断方法 |
| CN117269011B (zh) * | 2023-11-13 | 2024-01-30 | 珠海光焱科技有限公司 | 基于激光光路测量系统的气象能见度判断方法 |
| CN117390592B (zh) * | 2023-12-11 | 2024-03-22 | 江西省气象服务中心(江西省专业气象台、江西省气象宣传与科普中心) | 一种特色景观预报模型构建方法及系统 |
| CN117390592A (zh) * | 2023-12-11 | 2024-01-12 | 江西省气象服务中心(江西省专业气象台、江西省气象宣传与科普中心) | 一种特色景观预报模型构建方法及系统 |
| CN117828992A (zh) * | 2024-01-04 | 2024-04-05 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种高时空分辨ccn数浓度精准预测方法及系统 |
| CN117992884A (zh) * | 2024-04-03 | 2024-05-07 | 无锡九方科技有限公司 | 基于相关性分析的区域性大气能见度预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114280696B (zh) | 2024-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114280696B (zh) | 一种海雾等级智能预报方法及系统 | |
| CN112905560B (zh) | 一种多源时空大数据深度融合的空气污染预测方法 | |
| Borne et al. | A method for finding sea breeze days under stable synoptic conditions and its application to the Swedish west coast | |
| CN111427100A (zh) | 一种台风中心定位方法、装置及台风路径生成方法 | |
| CN110555551B (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
| CN111428942B (zh) | 基于变网格技术提取微地形因子的线路覆冰厚度预测方法 | |
| CN101354757A (zh) | 一种精细尺度下的动态风险及易损性预测方法 | |
| CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
| CN112949953B (zh) | 基于pp理论和af模型的暴雨预报方法 | |
| CN113011455B (zh) | 一种空气质量预测svm模型构建方法 | |
| CN107480781A (zh) | 神经网络自适应卡尔曼滤波的核事故源项反演方法 | |
| CN113987912A (zh) | 一种基于地理信息的污染物在线监测系统 | |
| CN117556197B (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
| Kowaleski et al. | Using a WRF-ADCIRC ensemble and track clustering to investigate storm surge hazards and inundation scenarios associated with Hurricane Irma | |
| Alerskans et al. | A transformer neural network for predicting near‐surface temperature | |
| CN112561125A (zh) | 一种风速预报多资料融合修正方法 | |
| CN115795399A (zh) | 一种多源遥感降水数据自适应融合方法和系统 | |
| CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
| CN115049013A (zh) | 一种联合线性和svm的短时降雨预警模型融合方法 | |
| Koolagudi | Long-range prediction of Indian summer monsoon rainfall using data mining and statistical approaches | |
| CN117113828A (zh) | 一种基于船基走航式观测的数值预报订正方法 | |
| CN115345245A (zh) | 一种基于随机森林和迁移学习的热带气旋快速加强预报方法 | |
| Gastón et al. | Wind resources map of Spain at mesoscale. Methodology and validation | |
| CN115511192A (zh) | 一种基于闪电资料同化的降水预报方法及系统 | |
| CN113536657A (zh) | 基于机器学习的海洋大气折射率预测方法 |
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 |