CN114386654A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114386654A CN114386654A CN202111436282.6A CN202111436282A CN114386654A CN 114386654 A CN114386654 A CN 114386654A CN 202111436282 A CN202111436282 A CN 202111436282A CN 114386654 A CN114386654 A CN 114386654A
- Authority
- CN
- China
- Prior art keywords
- forecasting
- forecast
- weather
- mode
- deep learning
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 45
- 238000013277 forecasting method Methods 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 claims abstract description 102
- 238000012549 training Methods 0.000 claims description 57
- 238000012360 testing method Methods 0.000 claims description 51
- 238000000034 method Methods 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 33
- 238000004458 analytical method Methods 0.000 claims description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 239000000203 mixture Substances 0.000 claims description 9
- VTYYLEPIZMXCLO-UHFFFAOYSA-L Calcium carbonate Chemical compound [Ca+2].[O-]C([O-])=O VTYYLEPIZMXCLO-UHFFFAOYSA-L 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 30
- 230000007547 defect Effects 0.000 abstract description 4
- 238000001556 precipitation Methods 0.000 description 32
- 230000008569 process Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 6
- 238000002156 mixing Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 235000005956 Cosmos caudatus Nutrition 0.000 description 1
- 108700009829 GRLE Proteins 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000005457 ice water Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供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,该天气预报方法包括:根据大气环流预报数据和对流性天气预报数据,获取多尺度数值天气预报模式融合的目标预报因子;将目标预报因子输入至预先训练的深度学习预报模型,获取天气预报结果。在本发明中,通过将不同尺度的数值天气预报模式的预报因子相融合,并输入至预先训练好的深度学习预报模型中,以获取预测的天气预报,解决了现有技术中不能同时兼顾不同尺度的天气系统的预报效果的缺陷,实现了对多种尺度数值天气预报模式的融合,有效提升了对不同尺度的天气系统的预报效果。
Description
技术领域
本发明涉及天气预报预测技术领域,尤其涉及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。
背景技术
随着计算机水平的发展和资料同化技术的进步,数值天气预报已成为当前气象部门制作天气预报的核心与基础,具有其他预报方法不可替代的地位和重要作用。与此同时,深度学习由于其强大的特征提取能力,在天气预报领域也获得了较多的应用。
目前,根据是否使用对流参数化方案直接模拟大气对流过程,数值天气预报的模式可分为全球数值天气预报模式和对流可分辨数值天气预报模式。其中,全球数值天气预报模式主要包括中国国家气象中心的GRPES全球模式、欧洲中期天气预报中心的全球预报模式和美国环境预报中心的GFS模式。一般而言,全球数值天气预报模式中的时空分辨率较粗,时间分辨率一般为1-3小时、空间分辨率为9-50 km,对于全球未来0-10天的短期大尺度天气变化情况能够有良好的预报效果,但对于尺度通常只有千米量级的中小尺度对流系统的模拟效果十分有限。
为了克服全球数值天气预报模式对对流系统预报能力的不足,对流可分辨数值天气预报模式在世界各地得到迅猛发展,各国都大力开发时空分辨率更高、能够更好刻画对流天气系统的对流可分辨天气预报系统,主要包括中国发展的时空分辨率达到3km/h的GRAPES-meso系统、欧洲中心天气预报中心研发的欧洲联合小尺度模式COSMO和美国发展的高分辨率数值模式HRRR预报系统。当数值预报模式系统的时空分辨率足够高,就可显式解析对流尺度环流,由此可见,对流可分辨数值天气预报对于中小尺度对流系统具有较好的预报效果,但其对于大尺度天气系统的整体预报效果不能得以兼顾。
因此,如何有效地提升不同尺度的天气系统的预报效果是天气预报预测技术领域亟待解决的重要课题。
发明内容
本发明提供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,用以解决现有技术中不能同时兼顾不同尺度的天气系统的预报效果的缺陷,实现对多种尺度数值天气预报模式的融合,从而能够有效提升对不同尺度的天气系统的预报效果。
一方面,本发明提供一种多尺度数值天气预报模式融合的天气预报方法,包括:根据大气环流预报数据和对流性天气预报数据,获取多尺度数值天气预报模式融合的目标预报因子;将所述目标预报因子输入至预先训练的深度学习预报模型,获取天气预报结果。
进一步地,所述根据大气环流预报数据和对流性天气预报数据,获取多尺度数值模式融合的目标预报因子,包括:通过置换重要性分析方法,在所述大气环流预报数据和所述对流性天气预报数据中选取所述目标预报因子。
进一步地,所述目标预报因子包括大气环流特征的预报因子和对流性天气预报特征的预报因子;其中,所述大气环流特征的预报因子包括温度、位势高度和比湿;所述对流性天气预报特征的预报因子包括水平风场、垂直速度、温度、相对湿度、云水混合比、雨水混合比、冰水混合比、雪水混合比和霰。
进一步地,所述多尺度数值天气预报模式融合的天气预报方法还包括:根据所述目标预报因子,确定训练集和测试集;将所述训练集和测试集分别输入至所述深度学习预报模型进行训练和测试,获取所述预先训练的深度学习预报模型。
进一步地,所述将所述训练集和测试集分别输入至所述深度学习预报模型进行训练和测试,包括:将所述训练集中的所述目标预报因子输入至所述深度学习预报模型的相应编码器中;将所有所述编码器的输出结果输入至所述深度学习预报模型的同一解码器,获取所述目标预报因子的融合特征;根据所述融合特征,对所述深度学习预报模型进行训练;
将所述测试集中的所述目标预报因子输入至所述深度学习预报模型的相应编码器中;将所有所述编码器的输出结果输入至所述深度学习预报模型的同一解码器,获取所述目标预报因子的测试融合特征;根据所述测试融合特征,对所述深度学习预报模型进行测试。
进一步地,对所述深度学习预报模型进行训练所使用的损失函数包括交叉熵损失函数和损失函数LCSI;所述损失函数LCSI的公式如下:
其中,CSI为临界成功指数,yi为格点i的类别标记,pi为预测格点i发生某天气的概率,N为格点的数量,γ为常数。
第二方面,本发明还提供一种多尺度数值天气预报模式融合的天气预报装置,包括:预报因子获取模块,用于根据大气环流预报数据和对流性天气预报数据,获取多尺度数值模式融合的目标预报因子;预报结果获取模块,用于将所述目标预报因子输入至预先训练的深度学习预报模型,获取天气预报结果。
第三方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述多尺度数值天气预报模式融合的天气预报方法的步骤。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种多尺度数值天气预报模式融合的天气预报方法的步骤。
第五方面,本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述多尺度数值天气预报模式融合的天气预报方法的步骤。
本发明所提供的多尺度数值天气预报模式融合的天气预报方法,通过从大气环流预报数据和对流性天气预报数据中获取多尺度数值天气预报模式融合的目标预报因子,并将获取得到的目标预报因子输入至预先训练好的深度学习预报模型,以对不同尺度数值天气预报模式下的预报因子进行有效融合,并进一步获取预测的天气预报结果。该方法解决了现有技术中不能同时兼顾不同尺度的天气系统的预报效果的缺陷,实现了对多种尺度数值天气预报模式的融合,有效提升了对不同尺度的天气系统的预报效果。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为本发明提供的多尺度数值天气预报模式融合的天气预报方法的流程示意图;
图2为本发明提供的深度学习预报模型的结构图;
图3为本发明提供的全球数值天气预报模式的预报因子的ROC 曲线图;
图4为本发明提供的对流可分辨数值天气预报模式的预报因子的ROC曲线图;
图5为本发明提供的深度学习预报模型使用不同数值天气预报模式的预报因子的ROC曲线图;
图6为本发明提供的全球数值天气预报模式与对流可分辨数值天气预报模式的初步融合结果图;
图7为本发明提供的不同模式的预报情况对比图;
图8为本发明提供的多尺度数值天气预报模式融合的天气预报装置的结构示意图;
图9为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
目前,根据是否使用对流参数化方案直接模拟大气对流过程,数值天气预报的模式可分为全球数值天气预报模式和对流可分辨数值天气预报模式。其中,全球数值天气预报模式能够对于大尺度天气系统具备更好的整体预报效果,而对流可分辨数值天气预报模式对于中小尺度对流系统具备更好的刻画能力,现有技术中尚不存在一种技术方案,能够同时兼顾不同尺度的天气预报系统的预报效果。
通常,大尺度天气过程,如不稳定层结构的变化、低层辐合抬升和水汽输送,决定了湿对流的环境条件,对流过程通过积聚的潜热释放,又反过来作用于大尺度环流演变。由此可见,各种尺度的天气系统相互影响,不可分割。思及于此,本发明基于欧洲中期天气预报中心的全球预报模式和中国气象局数值预报中心研发的GRAPES3km 模式,针对性地构建深度学习预报模型,并对其进行训练和测试,实现全球数值天气预报模式和对流可分辨数值天气预报模式的有机融合,即不同尺度的数值天气预报模式的融合,从而可以有效地提升对不同尺度天气系统的预报效果。
图1示出了本发明提供的多尺度数值天气预报模式融合的天气预报方法的流程示意图,如图1所示,该预报方法包括两个步骤,其中:
S11,根据大气环流预报数据和对流性天气预报数据,获取多尺度数值天气预报模式融合的目标预报因子。
在这一步骤中,大气环流预报数据可以是取自欧洲中期天气预报中心的全球预报模式下的ERA5数据。ERA5提供了全球范围的高空、地面分析场,时间分辨率为1h,高空分析场空间分辨率为0.25°×0.25°,地面分析场空间分辨率为0.125°×0.125°。
对流性天气预报数据可以是取自中国气象局数值预报中心研发的GRAPES3km模式数据。GRAPES3km于2016年开始实时运行, 2020年6月开始每日起报8次,起报时间为00、03、06、09、12、 15、18、21时(世界时),预报时效为0-36h,时间和空间分辨率分别为1h和0.03°,覆盖的空间范围为(10°-60.1°N,70°-145°E)。 GRAPES3km提供了较为丰富的物理量。
本发明所提供的多尺度数值天气预报模式融合,是指将适用于不同尺度的天气预报模式相融合。具体在于,将不同尺度的天气预报模式下的预报因子相融合,从而有效地提升对不同尺度的天气预报系统的预报效果。例如,在本实施例中,大气环流预报数据对应于全球数值天气预报模式,其对于大尺度天气系统具备更好的整体预报效果;对流性天气预报数据对应于对流可分辨数值天气预报模式,该模式对于中小尺度对流系统具备更好的刻画能力。根据大气环流预报数据和对流性天气预报数据,获取得到的预报因子,即为不同尺度数值天气预报模式融合的预报因子。
目标预报因子,从大气环流预报数据和对流性天气预报数据中获取。其中,大气环流预报数据和对流性天气预报数据中的预报因子包括从地面到高空的温度、气压、湿度、风场等基本要素,具体如下表 1,在此不一一赘述。其中,表1中的ECMWF模式为全球数值天气预报模式,GRAPES3km模式为对流可分辨数值天气预报模式。
具体的,多尺度数值天气预报模式融合的目标预报因子包括表1 中全球数值天气预报模式中的预报因子和对流可分辨数值天气预报模式中的预报因子。也就是说,最后所获取的目标预报因子,至少包括一项全球数值天气预报模式中的预报因子和一项对流可分辨数值天气预报模式中的预报因子。两种不同模式下预报因子的具体项数可根据实际情况确定,在此不做具体限定。
可以理解的是,本步骤将全球数值天气预报模式和对流可分辨数值天气预报模式相关预报因子进行融合,能够有效提升天气预报效果。
S12,将目标预报因子输入至预先训练的深度学习预报模型,获取天气预报结果。
在上一步骤获取多尺度数值天气预报模式融合的目标预报因子的基础上,本步骤将获取得到的目标预报因子输入至预先训练好的深度学习预报模型中,以得到预测的天气预报。
需要说明的是,深度学习有着强大的特征提取能力,将其应用于天气预报领域,用于提取不同尺度的数值天气预报模式数据和观测数据的时空变化特征,能够有效地实现多源观测数据的融合。
图2示出了本发明提供的深度学习预报模型的结构图。如图2所示,本实施例所提供的深度学习模型为三维模型,包括卷积层、残差连接层、池化层、上采样层和自注意力层,能够有效提取三维空间的天气系统特征。具体地,在深度学习过程中,不同模式下的目标预报因子不断地经过非线性变换,越深的网络输出表现出能力越强的特征,深度学习网络的“深度”十分重要。然而,网络层的层数越多,反向传播过程中梯度会变得不稳定。因此,设置残差连接层,使该模型能够自动学习恒等映射,从而加速模型的训练。设置池化层和上采样层,可以在保留主要特征的同时减少参数和计算量,防止过拟合,还可以扩大感知野。自注意力层通过计算各个格点上与实际情况相关的系数,从而使深度学习预报模型具备更好的特征提取能力。
本实施例中的深度学习预报模型,将自注意力层与残差连接层相结合,构建了残差与注意力机制单元,在提升模型对不同尺度的天气预报特征提取能力的同时,还可以保证模型的训练效率。
本实施例中获取的天气预报结果,根据需要可以包括温度、湿度、风力和气压等,具体不做限定。例如,天气预报结果为“北京,明日雪,白天最高气温为3摄氏度,夜间最低温度为零下10摄氏度,西北风2-3级”,根据天气预报结果,人们可以提前规划好出行及穿戴。
还需要说明的是,本实施例中的深度学习预报模型是预先训练好的,对于该模型的训练过程中所使用到的损失函数,可以是对数损失函数,也可以是交叉熵损失函数,在此不作具体限定。
本实施例所提供的多尺度数值天气预报模式融合的天气预报方法,通过从大气环流预报数据和对流性天气预报数据中获取多尺度数值天气预报模式融合的目标预报因子,并将获取得到的目标预报因子输入至预先训练好的深度学习预报模型,以对不同尺度数值天气预报模式下的预报因子进行有效融合,并进一步获取预测的天气预报结果。该方法解决了现有技术中不能同时兼顾不同尺度的天气系统的预报效果的缺陷,实现了对多种尺度数值天气预报模式的融合,有效提升了对不同尺度的天气系统的预报效果。
在上述实施例的基础上,进一步地,图3示出了本发明提供的全球数值天气预报模式的预报因子的ROC曲线图;图4示出了本发明提供的对流可分辨数值天气预报模式的预报因子的ROC曲线图。其中,ROC(receiver operating characteristic curve)是指受试者工作特征曲线,一条ROC曲线代表了无数个分类器,描述的是分类器性能随着分类器阈值的变化而变化的过程。ROC曲线的一个重要特征就是它的面积,即AUC值。
根据大气环流预报数据和对流性天气预报数据,获取多尺度数值天气预报模式融合的目标预报因子,包括:通过置换重要性分析方法,在大气环流预报数据和对流性天气预报数据中选取目标预报因子。
可以理解的是,将全球数值天气预报模式和对流可分辨数值天气预报模式下的所有变量进行融合,能够有效提升不同尺度的天气系统的预报效果。在训练样本充足、计算力充沛的情况下,输入所有样本是可行的做法。但是,在实际情况下,对流可分辨数值天气预报模式由于历史数据较短,实现多尺度模式匹配的可用样本是有限的的;而且,如果不同模式提供了相同的变量,会存在较多的信息冗余。因此,从两种模式中选取最有效的预报因子,即目标预报因子,是非常有必要的。
在本实施例中,利用置换重要性分析方法,分析全球数值天气预报模式和对流可分辨数值天气预报模式中的各个预报因子的重要性,以选取最有效的目标预报因子,用来进行天气预报的预测。
置换重要性分析方法,是将某个预报因子缺失的测试结果一与所有预报因子均参与测试的测试结果二进行比较,二者之间的差值越大,则表明该预报因子对于天气预报的预测越重要;若二者之间的变化不显著,则表明该预报因子不重要,或者该预报因子与其他预报因子存在信息重合,比如线性相关关系。通过置换重要性分析方法,可以直观地反映各个预报因子的重要程度,在本发明的方案中会选择对预报影响较大的预报因子作为目标预报因子,剔除对预报影响并不明显的预报因子,避免信息冗余,以提高计算效率。
以降水预报为例,通过分析图3和图4所示的ROC曲线图可知,全球数值天气预报模式和对流可分辨数值天气预报模式的各预报因子,均包含对于降水预报的有效信息,表现为在缺失的情况下预报性能出现不同程度的下降情况。
其中,在全球数值天气预报模式的预报因子中,比湿(Q)和温度(T)和位势高度(H)缺失的情况下,降水预报性能出现明显的下降,其中温度的影响最为明显。风(UVW)对于预报影响并不显著。在对流可分辨数值天气预报模式的预报因子中,温度(T)、霰 (GRLE)和雨水混合比(RWMR)等变量对于短时强降水预报影响较大。其中,温度对于短时强降水预报最为重要。
在本实施例中,通过对预报因子的置换重要性分析,选取不同的数值模式中相对重要的预报因子作为目标预报因子,将其输入至预先训练好的深度学习预报模型中,能够获取更准确的天气预报结果,实现了对多种尺度数值天气预报模式的融合,有效提升了对不同尺度的天气系统的预报效果。
在上述实施例的基础上,进一步地,图5示出了本发明提供的深度学习预报模型使用不同数值天气预报模式的预报因子的ROC曲线图。目标预报因子包括大气环流特征的预报因子和对流性天气预报特征的预报因子;其中,大气环流特征的预报因子包括温度、位势高度和比湿;对流性天气预报特征的预报因子包括水平风场、垂直速度、温度、相对湿度、云水混合比、雨水混合比、冰水混合比、雪水混合比和霰。
在经过预报因子重要性分析之后,就需要根据图3和图4的预报因子重要性分析的结果,进行预报因子的筛选。在降水预报过程中,全球数值天气预报模式主要提供准确的大气环流信息,使预报位置更为准确。重要性分析显示,在全球数值天气预报模式所有的预报因子中,温度(T)、位势高度(H)和比湿(Q)这三个预报因子的重要性程度也大于水平风场(U、V)、垂直速度(W)等因子。因此,选择了温度、位势高度和比湿这三个能体现大气环流基本特征的预报因子。
相对而言,对流可分辨数值天气预报模式主要提供强对流系统预报能力,使预报强度更为准确。因此,选取了能够反映对流系统发生发展过程的预报因子。云物理参数与对流过程密切相关,同时其预报因子重要性也较高,因此选取了所有的云物理参数。此外,水平风场 (U、V)与垂直速度(W)等因子,也反映了对流可分辨数值天气预报模式对对流系统结构的预报能力,参考重要性分析结果,予以保留。
对流系统的触发和发展与高低层的比湿、温度等条件息息相关,因此,对流可分辨数值天气预报模式下的温度(T)和比湿(Q)的相对重要性较高,特别是温度,属于最重要的预报因子,故,选取了对流可分辨数值天气预报模式下的温度(T)和比湿(Q)。位势高度 (H)在对流可分辨数值天气预报模式的所有预报因子中,重要性程度最低。这可能是因为全球数值天气预报模式已经提供了相对准确的位势高度形势场,且对流环境信息也可从其他预报因子中更好地获取,因此,其重要性程度偏低。因此对流可分辨数值天气预报模式中位势高度因子并未被选取。
因此,最后选取的目标预报因子包括大气环流特征的预报因子和对流性天气预报特征的预报因子;其中,大气环流特征的预报因子包括温度、位势高度和比湿;对流性天气预报特征的预报因子包括水平风场、垂直速度、温度、相对湿度、云水混合比、雨水混合比、冰水混合比、雪水混合比和霰。
根据图5可知,虽然预报因子的数量有所减少,但是预报性能相对于使用全部预报因子,具有一定的提升。使用从两种模式中选取的目标预报因子的ROC曲线完全包络了使用全部预报因子的曲线, AUC的值从0.915提升至0.935,AUC的值为ROC曲线下的面积, AUC的值越大,则说明预报性能越好。这也表明,在其他客观条件等同的情况下,如使用相同的深度学习预报模型,数据信息的冗余不仅不能改善预报性能,反而可能导致预报性能的下降。
另外,根据图5还可以得出,相对于使用单一全球数值天气预报模式或对流可分辨数值天气预报模式的模型,进行预报因子选取的模型也具有明显的性能优势。
在本实施例中,通过置换重要性分析方法,获取全球数值天气预报模式和对流可分辨数值天气预报模式的预报因子作为目标预报因子,将其输入至预先训练好的深度学习预报模型中,能够获取更准确的天气预报结果,实现了对多种尺度数值天气预报模式的融合,有效提升了对不同尺度的天气系统的预报效果。
在上述实施例的基础上,进一步地,根据目标预报因子,确定训练集和测试集;将训练集和测试集分别输入至深度学习预报模型进行训练和测试,获取预先训练的深度学习预报模型。
可以理解的是,根据确定的目标预报因子,构建训练集和测试集;利用训练集和测试集对构建的深度学习预报模型进行训练和测试,以得到训练好的深度学习预报模型;最后,将目标预报因子输入至训练好的深度学习预报模型中,即可获取相应的天气预报。
对于训练集和测试集的确定,在一个具体的实施例中,依旧以降水预报为例,利用2019和2020年3-9月的全球数值天气预报模式数据、对流可分辨数值天气预报模式分析场数据和降水观测数据,构建训练集,包含样本2018个。预报试验范围为18-42°N,102-126°E。
其中,全球数值天气预报模式数据训练样本为Nh×L×W×Np,其中,Nh为层次(从地面至200hPa,共10层),L为训练区域的长度,W为训练区域的宽度,Np为样本中目标预报因子数量。地面要素中没有垂直速度变量,加入25km分辨率的海拔高度,最终构成10 ×97×97×Np的四维数组。
由于分辨率有所差异,对流可分辨数值天气预报模式数据训练样本为Nh×801×801×Np,其中,Nh为层次(从地面至200hPa,共 10层),Np为样本中预报因子数量。地面要素中没有垂直速度变量,加入3km分辨率的海拔高度。
测试集则选取降水较强的2019年7月和2020年6月,用于验证模型的预报效果,其余作为训练集。
由于训练样本数量有限,可以采用随机选取训练区域、以小训练区域实现大预报区域的策略进行训练。在一个具体的实施例中,首先,将训练过程中输入的训练区域平面尺度设置为1200×1200km;然后,随机选取训练区域,从2400×2400km的样本区域上,以100km的滑窗随机选取训练区域;由于深度学习预报模型的输入尺度是可变的,最后可以预报2400×2400km或者更大的区域。这样,一方面能够有效扩大样本容量,另一方面,能够降低显卡的训练内容开销。经估算,这样划分出来的1200×1200km的样本数量约为18162个。
深度学习预报模型的训练设置了100个迭代周期,采用Earlystop 策略,当模型的损失连续超过10个迭代周期停止减小,则自动停止,保存验证集上损失最小的权重。
在本实施例中,通过预先遴选的目标预报因子,确定训练集和测试集,并以该训练集和测试集为输入,对深度学习预报模型进行训练和测试,以得到训练好的深度学习预报模型,从而能够更好地对多种尺度数值天气预报模式进行有机融合,有效地提升对不同尺度的天气系统的预报效果。
在上述实施例的基础上,进一步地,将训练集和测试集分别输入至深度学习预报模型进行训练和测试,包括:将训练集中的目标预报因子输入至深度学习预报模型的相应编码器中;将所有编码器的输出结果输入至深度学习预报模型的同一解码器,获取目标预报因子的融合特征;根据融合特征,对深度学习预报模型进行训练;
将测试集中的目标预报因子输入至深度学习预报模型的相应编码器中;将所有编码器的输出结果输入至深度学习预报模型的同一解码器,获取目标预报因子的测试融合特征;根据测试融合特征,对深度学习预报模型进行测试。
可以理解的是,本实施例中的深度学习预报模型使用了编码-解码结构的U型网络结构,在编码过程中,深度学习预报模型能够不断地提取某种天气发生的有利信息,经过4次池化过程,特征图被不断压缩,最后三维尺寸缩小至原来的1/16。在编码过程中,实现了对不同尺度数值天气预报模式的预报因子的分析判断。
需要说明的是,经过4次池化过程之后,目标预报因子的特征图被不断压缩,由三维尺寸缩小至原来的1/16,压缩之后的特征图细节特征会有所丢失,二解码过程能使其得到恢复,学习细节特征,最终实现对每一个格点的天气预报。
在本实施例中,涉及两种模式的预报因子,即全球数值天气预报模式和对流可分辨数值天气预报模式。故,对两种模式的目标预报因子分别设置了不同的编码器,将训练集中的两种不同模式的目标预报因子分别输入至相应的编码器中,由编码器对目标预报因子进行分析判断,并将所有编码器分析判断之后的输出结果输入至深度学习预报模型的同一个解码器中,以对两种不同模式下的目标预报因子进行融合,从而得到两种模式下的目标预报因子的融合特征,最后,根据得到的融合特征,对深度学习预报模型进行训练。
在对深度学习预报模型进行训练之后,并不意味着深度学习预报模型就可以直接投入使用,还需要对其进行测试,才能有效保证最后的预报效果。对于深度学习预报模型的测试,同样地,对两种模式的目标预报因子分别设置了不同的编码器,将测试集中的两种不同模式的目标预报因子分别输入至相应的编码器中,由编码器对目标预报因子进行分析判断,并将所有编码器分析判断之后的测试输出结果输入至深度学习预报模型的同一个解码器中,以对两种不同模式下的目标预报因子进行融合,从而得到两种模式下的目标预报因子的测试融合特征,最后,根据得到的测试融合特征,对深度学习预报模型进行测试。
需要说明的是,对于两种模式的预报因子分别设置不同的编码器,可以根据不同模式下选定的预报因子的个数进行设置,例如,每一个或每两个同一模式下的目标预报因子对应于同一个编码器。在一个具体的实施例中,将全球数值天气预报模式下的预报因子温度、比湿和位势高度与对流可分辨数值天气预报模式下的预报因子垂直速度、云水混合比、雨水混合比、冰水混合比和雪水混合比确定为目标预报因子。其中,全球数值天气预报模式下的目标预报因子为三个,而对流可分辨数值天气预报模式下的目标预报因子数量为五个,在此情况下,将与全球数值天气预报模式的预报因子相对应的编码器设置为两个,与对流可分辨数值天气预报模式的预报因子相对应的编码器设置为三个,即随机两个同一模式下的预报因子对应同一个编码器,依次分配,剩下的一个目标预报因子则单独对应一个编码器。
对于深度学习预报模型的训练和测试,可以设置相应的阈值,当深度学习预报模型的训练和/或测试结果达到某个阈值时,则表明深度学习预报模型已训练好和/或已通过测试,反之,则继续对其进行训练和/或测试。
在本实施例中,通过将确定好的训练集和测试集作为输入,对深度学习预报模型进行训练和测试,以得到训练好并通过测试的深度学习预报模型,能够更好地对多种尺度数值天气预报模式进行有机融合,从而有效地提升对不同尺度的天气系统的预报效果。
在上述实施例的基础上,进一步地,对深度学习预报模型进行训练所使用的损失函数包括交叉熵损失函数和损失函数LCSI;损失函数 LCSI的公式如下:
其中,CSI为临界成功指数,yi为格点i的类别标记,pi为预测格点i发生某天气的概率,N为格点的数量,γ为常数。
在对深度学习预报模型进行训练的过程中,会使用损失函数对深度学习预报模型的表现进行定义。对于每一个训练样本,都沿着神经网络传递得到一个预测值,然后将这个预测值与我们所想要得到的真实值进行比较,损失函数减小,则预测值与真实值之间的差异越小,也表明该深度学习预报模型被训练得越好。
在神经网络模型的训练中,常用的二分类损失函数为交叉熵损失函数,其公式如下:
其中,yi为格点i的类别标记,例如,当某种天气发生时,可以令yi=1;否则yi=0;pi为预测格点i发送某种天气的概率,N为格点的数量。
交叉熵损失函数对于格点的分类具有较好的效果。与此同时,为了增加模型对天气系统的整体预报能力,又考虑到CSI是预报业务检验的重要指标,故,在本实施例中,还构建了基于CSI的损失函数 LCSI,其中,LCSI损失函数的公式为:
其中,CSI为临界成功指数,yi为格点i的类别标记,pi为预测格点i发生某种天气的概率,N为格点的数量,γ为常数,用于平滑损失函数,通常可设为1。
具体的,交叉熵损失函数LCE专注于对逐个格点进行预报,而损失函数LTS能够增加模型对大尺度天气系统的预报能力。在此基础上,本实施例还将二者联合使用,从而能够达到增加模型从中小尺度到大尺度天气系统的总体预报能力,即损失函数L还可以为:
L=LCE+LCSI
可以理解的是,本实施例对深度学习预报模型进行训练时,所使用的损失函数包括交叉熵损失函数和基于CSI的损失函数。其中,可以仅使用交叉熵损失函数或基于CSI的损失函数,也可以将二者联合使用,在此不作具体限定。
在本实施例中,通过使用包括交叉熵损失函数和基于CSI的损失函数对深度学习预报模型进行训练,以获得训练好的深度学习预报模型,能够更好地对多种尺度数值天气预报模式进行有机融合,从而有效地提升对不同尺度的天气系统的预报效果。
进一步地,图6示出了本发明提供的全球数值天气预报模式与对流可分辨数值天气预报模式的初步融合结果图。
在这一具体实施例中,将表1中全球数值天气预报模式和对流可分辨数值天气预报模式中的所有预报因子输入至深度学习预报模型中,得到训练好的深度学习预报模型。同时,为了对比不同模式融合前后的性能差异,将全球数值天气预报模式和对流可分辨数值天气预报模式下的预报因子分别进行训练,并获取相应的预报模型。
具体结果如图6所示,由图6可以得到,利用深度学习方法,分别使用全球数值天气预报模式和对流可分辨数值天气预报模式中的预报因子,均能得到具有较好预报性能的预报模型,其AUC分别达到了0.876和0887,表明其具有较高的预报技巧。
而深度学习模型融合使用全球数值天气预报模式和对流可分辨数值天气预报模式的预报因子,即为本发明中的深度学习预报模型,其预报性能得到明显的提升,AUC的值提高至0.915,ROC曲线完全包含了全球数值天气预报模式和对流可分辨数值天气预报模式的 ROC曲线。由此可见,利用深度学习方法,将不同尺度数值天气预报模式进行融合,能够有效提升单一模式对天气系统的预报效果。
在上述实施例的基础上,图7示出了本发明提供的不同模式的预报情况对比图。其中,图(a)为对流可分辨数值天气预报模式下的降水预报;图(b)为对流可分辨数值天气预报模式的强降水概率预报;图(c)为全球数值天气预报模式的强降水概率预报;图(d)为不同尺度数值天气预报模式融合的强降水概率预报。
本发明还提供了一个具体关于2020年6月2日的降水预报个例。
2020年6月2日,华南地区发生较大范围降水天气,贵州、广西、湖南等地有明显降水过程。其中,广西北部处于强降水中心,超过20mm/h 的短时强降水范围较大。经过分析后发现,广西强降水过程属于典型的暖区降水,在无明显的天气系统影响情况下的局地热对流引发的短时强降水天气。
关于此次降水预报情况对比如图7,其中,填色为实况降水分布,等值线为短时强降水预报概率分布。从四种预报的对比情况来看:对流可分辨数值天气预报模式具有较好的强对降水解析能力,利用深度学习能够提取出本次强降水的特征信号,从而实现广西北部此次强降水过程的较好的预报(图(a))。对流可分辨数值天气预报模式本身的降水产品,虽然预报落区偏小,也一定程度上成功预报了此次强对流过程(图(b))。
全球数值天气预报模式对于此次暖区强降水过程,基本无预报能力(图(c))。全球数值天气预报模式漏报了广西北部的强降水过程。表明全球数值天气预报模式对于局地对流系统产生的强降水,预报能力偏弱。
利用深度学习融合全球数值天气预报模式和对流可分辨数值天气预报模式,更好地实现了广西北部地区的强降水过程的预报(图 (d)),经过融合之后,算法预报的强降水落区更为准确,相对于对流可分辨数值天气预报模式,减少了空报;相对于全球数值天气预报模式,增加了命中率。因此,整体而言,相较于单一数值天气预报模式的预报性能有明显提升。
由此可见,本实施例较好地展示了多尺度数值天气预报模式融合的优势:全球数值天气预报模式虽然能够预报较为准确影响的大尺度天气系统,然而对于对流何时触发、如何触发,预报能力较弱;对流可分辨数值天气预报模式具备对流预报能力,然而预报位置会有一定的偏差。经过不同数值天气预报模式的融合之后,能够对强降水的位置、强度,实现更好的预报。
另外,本发明实施例还利用传统的点对点检验评分方法对2020 年6月的降水预报结果进行了系统的检验。
经典的气象预报检验因子,如POD(probability of detect)、误报率FAR(falsealarm rate)、临界成功指数CSI(critical success index)、准确率(Accuracy)、偏差(Bias)和ETS(equitable threat score),具体地,本发明所进行的系统检验结果如下表2所示:
表2对比了深度学习使用不同模式、多模式融合以及 GRAPES3km原始预报降水的评分情况。通过表2可知,利用深度学习方法,基于全球数值天气预报模式和对流可分辨数值天气预报模式的基本变量,均能实现短时强降水的有效拟合,从而实现比 GRAPES3km更准确的预报结果。也就是说,对于短时强降水天气,利用深度学习方法,均能有效抽取强降水天气系统的相关特征,从而实现优于基于对流参数化方案的全球模式、对流可分辨数值天气预报模式的预报能力。
在将全球数值天气预报模式和对流可分辨数值天气预报模式的所有变量进行融合的情况下,预报评分有了明显的提升,经过预报因子选取之后,预报性能表现进一步的提高。相对而言,多尺度数值天气预报模式融合预报的结果,相对于只使用全球数值天气预报模式或对流可分辨数值天气预报模式预报的结果,分别提升了80.0%、66.7%。
批量检验结果显示,深度学习基于全球数值天气预报模式的预报 POD偏低,对于强降水事件的捕捉能力有限;深度学习基于对流可分辨数值天气预报模式的预报POD显著提升,但是FAR和BIAS偏高,空报过多;经过两种数值天气预报模式的融合之后,POD提升的同时,FAR得到一定的降低,使得整体的预报性能得到了有效提升。因此,利用深度学习进行多尺度数值天气预报模式融合的天气预报方法,能够有效提升预报效果。
图8示出了本发明提供的多尺度数值天气预报模式融合的天气预报装置的结构示意图。如图8所示,该装置包括:预报因子获取模块81,用于根据大气环流预报数据和对流性天气预报数据,获取多尺度数值模式融合的目标预报因子;预报结果获取模块82,用于将目标预报因子输入至预先训练的深度学习预报模型,获取天气预报结果。
本实施例所提供的一种多尺度数值天气预报模式融合的天气预报装置,与上文描述的多尺度数值天气预报模式融合的天气预报方法相互对应参照,在此不一一赘述。
图9示出了本发明提供的一种电子设备的实体结构示意图,如图 9所示,该电子设备可以包括:处理器(processor)910、通信接口 (communications interface)920、存储器(memory)930和通信总线 940,其中,处理器910,通信接口920,存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令,以执行多尺度数值天气预报模式融合的天气预报方法,该方法包括:根据大气环流预报数据和对流性天气预报数据,获取多尺度数值天气预报模式融合的目标预报因子;将所述目标预报因子输入至预先训练的深度学习预报模型,获取天气预报结果。
此外,上述的存储器930中的逻辑指令可以通过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,本发明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)执行本发明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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的多尺度数值天气预报模式融合的天气预报方法,该方法包括:根据大气环流预报数据和对流性天气预报数据,获取多尺度数值天气预报模式融合的目标预报因子;将所述目标预报因子输入至预先训练的深度学习预报模型,获取天气预报结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的多尺度数值天气预报模式融合的天气预报方法,该方法包括:根据大气环流预报数据和对流性天气预报数据,获取多尺度数值天气预报模式融合的目标预报因子;将所述目标预报因子输入至预先训练的深度学习预报模型,获取天气预报结果。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种多尺度数值天气预报模式融合的天气预报方法,其特征在于,包括:
根据大气环流预报数据和对流性天气预报数据,获取多尺度数值天气预报模式融合的目标预报因子;
将所述目标预报因子输入至预先训练的深度学习预报模型,获取天气预报结果。
2.根据权利要求1所述的多尺度数值天气预报模式融合的天气预报方法,其特征在于,所述根据大气环流预报数据和对流性天气预报数据,获取多尺度数值模式融合的目标预报因子,包括:通过置换重要性分析方法,在所述大气环流预报数据和所述对流性天气预报数据中选取所述目标预报因子。
3.根据权利要求2所述的多尺度数值天气预报模式融合的天气预报方法,其特征在于,所述目标预报因子包括大气环流特征的预报因子和对流性天气预报特征的预报因子;其中,
所述大气环流特征的预报因子包括温度、位势高度和比湿;
所述对流性天气预报特征的预报因子包括水平风场、垂直速度、温度、相对湿度、云水混合比、雨水混合比、冰水混合比、雪水混合比和霰。
4.根据权利要求1所述的多尺度数值天气预报模式融合的天气预报方法,其特征在于,还包括:
根据所述目标预报因子,确定训练集和测试集;
将所述训练集和测试集分别输入至所述深度学习预报模型进行训练和测试,获取预先训练的所述深度学习预报模型。
5.根据权利要求4所述的多尺度数值天气预报模式融合的天气预报方法,其特征在于,所述将所述训练集和测试集分别输入至所述深度学习预报模型进行训练和测试,包括:
将所述训练集中的所述目标预报因子输入至所述深度学习预报模型的相应编码器中;将所有所述编码器的输出结果输入至所述深度学习预报模型的同一解码器,获取所述目标预报因子的融合特征;根据所述融合特征,对所述深度学习预报模型进行训练;
将所述测试集中的所述目标预报因子输入至所述深度学习预报模型的相应编码器中;将所有所述编码器的输出结果输入至所述深度学习预报模型的同一解码器,获取所述目标预报因子的测试融合特征;根据所述测试融合特征,对所述深度学习预报模型进行测试。
7.一种多尺度数值天气预报模式融合的天气预报装置,其特征在于,包括:
预报因子获取模块,用于根据大气环流预报数据和对流性天气预报数据,获取多尺度数值模式融合的目标预报因子;
预报结果获取模块,用于将所述目标预报因子输入至预先训练的深度学习预报模型,获取天气预报结果。
8.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述多尺度数值天气预报模式融合的天气预报方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述多尺度数值天气预报模式融合的天气预报方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述多尺度数值天气预报模式融合的天气预报方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111436282.6A CN114386654A (zh) | 2021-11-29 | 2021-11-29 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111436282.6A CN114386654A (zh) | 2021-11-29 | 2021-11-29 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114386654A true CN114386654A (zh) | 2022-04-22 |
Family
ID=81196078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111436282.6A Pending CN114386654A (zh) | 2021-11-29 | 2021-11-29 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114386654A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109007A (zh) * | 2023-03-23 | 2023-05-12 | 阿里巴巴达摩院(杭州)科技有限公司 | 发电功率确定方法、服务器及存储介质 |
CN116128099A (zh) * | 2022-11-28 | 2023-05-16 | 南京信息工程大学 | 一种基于人工智能的中国短期气候预测方法及系统 |
-
2021
- 2021-11-29 CN CN202111436282.6A patent/CN114386654A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128099A (zh) * | 2022-11-28 | 2023-05-16 | 南京信息工程大学 | 一种基于人工智能的中国短期气候预测方法及系统 |
CN116128099B (zh) * | 2022-11-28 | 2023-09-12 | 南京信息工程大学 | 一种基于人工智能的中国短期气候预测方法及系统 |
CN116109007A (zh) * | 2023-03-23 | 2023-05-12 | 阿里巴巴达摩院(杭州)科技有限公司 | 发电功率确定方法、服务器及存储介质 |
CN116109007B (zh) * | 2023-03-23 | 2023-07-11 | 阿里巴巴达摩院(杭州)科技有限公司 | 发电功率确定方法、服务器及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363327A (zh) | 基于ConvLSTM和3D-CNN的短临降水预测方法 | |
CN107728234B (zh) | 一种基于大气电场数据的雷电强度值预测方法 | |
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 | |
Zhang et al. | Weather visibility prediction based on multimodal fusion | |
CN113496104A (zh) | 基于深度学习的降水预报订正方法及系统 | |
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 | |
CN113469278B (zh) | 一种基于深度卷积神经网络的强天气目标识别方法 | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
CN117556197B (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
KR20160022421A (ko) | 북서태평양 태풍 활동성에 대한 하이브리드 계절 예측 방법 | |
CN113962465A (zh) | 降水预报方法、设备、装置及存储介质 | |
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 | |
CN115691049A (zh) | 一种基于深度学习的对流初生预警方法 | |
CN110516552B (zh) | 一种基于时序曲线的多极化雷达图像分类方法及系统 | |
Lu et al. | An integrated damage modeling and assessment framework for overhead power distribution systems considering tree-failure risks | |
CN113689053B (zh) | 一种基于随机森林的强对流天气架空线停电预测方法 | |
CN107403004A (zh) | 一种基于地形数据的遥测雨量站点可疑数值检验方法 | |
CN117710508A (zh) | 基于改进条件生成对抗网络的近地表温度反演方法和装置 | |
KR102496876B1 (ko) | 산불 위험 계절 예보 장치 및 방법 | |
CN109829583A (zh) | 基于概率编程技术的山火风险预测方法 | |
CN113075751A (zh) | 一种观测资料在短临预报中的融合方法和系统 | |
CN111427101A (zh) | 雷雨大风分级预警方法、系统、存储介质、计算机程序 | |
CN116704366A (zh) | 基于transformer深度学习模型的暴雨落区识别预警方法和装置 | |
CN116679355A (zh) | 一种基于级联Attention-U-Net的降水预报订正方法 | |
CN109740118A (zh) | 一种质量控制方法、装置、设备及存储介质 |
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 |