CN114463947A - 一种基于时空网络卷积模型的对流性致灾强风预警预报方法 - Google Patents
一种基于时空网络卷积模型的对流性致灾强风预警预报方法 Download PDFInfo
- Publication number
- CN114463947A CN114463947A CN202210050608.XA CN202210050608A CN114463947A CN 114463947 A CN114463947 A CN 114463947A CN 202210050608 A CN202210050608 A CN 202210050608A CN 114463947 A CN114463947 A CN 114463947A
- Authority
- CN
- China
- Prior art keywords
- wind
- data
- wind speed
- observation
- forecasting
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Radar Systems Or Details Thereof (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开一种基于时空网络卷积模型的对流性致灾强风预警预报方法,包括如下步骤:对天气雷达组网数据进行质控;将雷达数据插值到3km高度的等经纬度网格点上;对地面自动站要素观测数据进行采样和格点化;构建平均风临近预报数据集;将数据集进行训练与检验;构建基于深度学习的平均风临近预报模型;通过阵风系数构建分钟级平均风速与瞬时极大风速之间的关系,将平均风速的预报结果转化为阵风风速预报产品。本发明基于业务需求将多源数据进行融合,利用天气雷达组网观测以及地面自动站的分钟级要素观测,解决了业务上阵风千米网格临近预报的业务难题。
Description
技术领域
本发明属于气象预测预报技术领域,具体是涉及一种对流性致灾强风预警预报方法。
背景技术
强对流大风的发生发展具有突发性和致灾性的特点。近些年,强风暴引起的强对流大风(下击暴流和龙卷风等)导致的局地致灾大风事件多次对我国造成了严重的人员伤亡和财产损失,造成部分公共设施损坏、电力中断等灾害,给人民正常生活带来严重影响。
因此,建立对流性致灾强风的监测预警系统就成为了业务中的迫切需求,但目前对流性致灾强风的监测预警仍面临各种挑战。首先是监测难,致灾性强风的发生空间尺度往往都较小,现有的观测网与观测手段还无法完全覆盖到空间尺度较小的局地强对流大风,因此存在监测难点;其次是预警难,由于这类大风往往生消十分迅速,现有技术很难快速有效准确的对其进行识别;第三是预报难,对流性致灾强风的形成机制复杂,目前对其生消机理和活动规律的科学认识还很有限,需要综合观测分析、数值模式、潜势预报等多种方法手段来实现对其形成机理的全面深入的认识。
基于上述原因,很多研究也开展了针对极端强对流大风的预报工作,但目前的大多数研究主要利用统计或数值模式方法对极端强对流大风进行预报,具有一定的局限性,主要表现为:(1)统计方法通常是对对流性大风发生时的环境特征参量进行提炼,但由于环境特征参量众多,一方面很难准确提炼与对流性大风密切相关的环境特征参量,另一方面各特征参量与对流性大风之间的权重关系往往由于样本不同也会发生改变而存在不确定性。(2)数模模式对于高分辨率的物理过程的描述存在很大的不确定性,此外,模式结果是否准确极大的依赖于初始场。当模式初始场由于缺少对流尺度信息而无法精确描述时,预报的准确率也往往不高。
发明内容
发明目的:本发明目的在于针对现有技术的不足,将多源数据进行融合,利用天气雷达组网观测以及地面自动站的分钟级要素观测,提供一种基于时空网络卷积模型的对流性致灾强风预警预报方法。
技术方案:本发明所述基于时空网络卷积模型的对流性致灾强风预警预报方法,包括如下步骤:
S1、对天气雷达组网数据进行质控;
S2、将步骤S1中经过质控的雷达数据插值到3km高度的等经纬度网格点上;
S3、对地面自动站要素观测数据进行采样和格点化;
S4、构建平均风临近预报数据集;
S5、将步骤S4中得到的数据集进行训练与检验;
S6、构建基于深度学习的平均风临近预报模型;
S7、基于地面自动站瞬时极大风观测和平均风观测统计阵风系数,然后通过阵风系数构建分钟级平均风速与瞬时极大风速之间的关系,将平均风速的预报结果转化为阵风风速预报产品。
本发明进一步优选地技术方案为,步骤S1中质控内容包括去除地物杂波和噪声点。
作为优选地,步骤S2中利用距离加权平均插值和双线性插值的方法将雷达反射率因子数据插值到3km高度的等经纬度网格点上。
优选地,步骤S3中地面自动站要素观测数据包括气温、气压、风向和风速数据。
优选地,步骤S3中采用反距离加权方法将气象要素插值到与雷达组网观测一致的千米分辨率的网格场,具体方法为:
S31、计算站点到插值点的距离
S32、计算每个点的权重系数
S33、计算结果
其中,(x,y)为插值点坐标,(xi,yi)为站点坐标,p为任意一个正实数,n为站点的总数,λ为权重系数;
S34、自动站要素的时间分辨率为5min,雷达观测时间分辨率为6min,将地面自动站数据利用时间加权平均插值形成6min分辨率的序列数据集,最终形成气象要素与雷达组网观测的时空分辨率均一致的网格场。
优选地,步骤S4中构建平均风临近预报数据集的方法为:
S41、采用3~5年连续时间内地面观测数据,结合近地面分钟级平均风观测筛选致灾性大风时间;
S42、该时间点所在的前后共三小时时间段作为致灾性大风的时间段,以该时间段内雷达3km高度的CAPPI以及格点化的1h变温、3h扰动变压和平均风观测一起构建起时间间隔为6min,序列长度为3h的样本数据进入训练数据集,据此建立地面平均风临近预报数据集。
优选地,步骤S5中数据集的训练与检验的具体方法为:
将步骤S4得到的数据集利用时空卷积网络模型进行训练,并采用与构建平均风临近预报数据集时所用数据不同的数据进行测试和检验;训练和检验时均采用损失函数L1Loss,表达式为:
优选地,步骤S6中构建基于深度学习的平均风临近预报模型是将雷达回波强度、平均风风向风速、3h扰动变压和1h变温的格点数据作为模型的输入,未来2h插值后的格点平均风速数据作为输出,基于PhyDnet的时空预测模型构建平均风速临近预报模型,实现平均风速的临近预报。
优选地,步骤S7中阵风系数定义为阵风风速与平均风速之间的比值;利用往年的观测数据,通过匹配计算得到区域内阵风系数,然后通过阵风系数构建分钟级平均风速与瞬时极大风速之间的关系,将平均风速的预报结果转化为阵风风速预报产品,实现0-2h瞬时极大风的预报结果输出。
有益效果:本发明基于机器学习的对流性致灾强风预警预报方法是针对短时强对流大风临近预报而研发的分钟级千米网格阵风预报方法。该方法基于业务需求将多源数据进行融合,利用天气雷达组网观测以及地面自动站的分钟级要素观测,解决了业务上阵风千米网格临近预报的业务难题。本发明通过对往年多个强对流大风天气过程进行检验,检验结果表明使用该方法后,其对阵风9级和10级以上的0-2h的大风命中率分别达到40%和30%,显著提高了致灾对流性强风的预警预报能力。
附图说明
图1为对流性致灾强风预警预报方法的流程图;
图2是实施例中真实大风过程预测效果对比图。
具体实施方式
下面通过附图对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
实施例:本实施例中以江苏地区为例,对本发明进行详细说明。
基于时空网络卷积模型的对流性致灾强风预警预报方法:
S1、对江苏省9部天气雷达(南京、徐州、连云港、盐城、泰州、淮安、宿迁、常州、南通)组网数据进行质量控制,去除地物杂波和噪声点。
S2、利用距离加权平均插值和双线性插值的方法将雷达反射率因子数据插值到3km高度的等经纬度网格点上。
S3、对地面自动站要素(气温、气压、风向风速等)观测数据进行采样和格点化。采用反距离加权方法将气象要素插值到与雷达组网观测一致的千米分辨率的网格场。具体插值方法如下:
①计算站点到插值点的距离
②计算每个点的权重系数
③计算结果
(x,y)为插值点坐标,(xi,yi)为站点坐标。p为任意一个正实数,这里取p=2。n为站点的总数。λ为权重系数。
由于自动站要素的时间分辨率为5min,为了保持与雷达观测时间分辨率6min相匹配,将地面自动站数据利用时间加权平均插值形成6min分辨率的序列数据集。最终形成气象要素与雷达组网观测的时空分辨率均一致的网格场。
S4、构建平均风临近预报数据集;平均风速是指在某个时段内出现的风速的平均值,本实施例中采用的为2min平均风速。采用2016-2020年共5年的地面观测数据,结合近地面分钟级平均风观测筛选致灾性大风时间。致灾性大风时间的筛选标准为:当江苏省内超过30个站点的平均风速大于10.8m/s或者有5个站点的平均风速大于13.9m/s时,该时间点所在的前后三小时时间段就作为致灾性大风的时间段。而相同时段的雷达3km高度的CAPPI和格点化的1h变温、3h扰动变压和平均风观测一起构建起时间间隔为6min,序列长度为3h的样本数据进入训练数据集,据此建立地面平均风临近预报数据集。
S5、将步骤S04中得到的数据集进行训练与检验;将上述得到的5年训练数据集利用时空卷积网络模型(PhyDnet)进行训练,并采用2021年4-5月数据进行测试,6-7月数据进行检验。训练和检验时均采用损失函数L1 Loss进行检验。具体表达式如下:
L1损失对估计值和真实值之差取绝对值,对偏离真实值的输出不敏感,因此在观测中存在异常值时有利于保持模型稳定。通过上述L1损失函数对参数进行估计,从而得到最优模型结果。
S6、构建基于深度学习的平均风临近预报模型;将雷达回波强度、平均风风向风速、3h扰动变压和1h变温的格点数据作为模型的输入,未来2h插值后的格点平均风速数据作为输出,基于PhyDnet的时空预测模型构建平均风速临近预报模型,实现平均风速的临近预报。
S7、基于地面自动站瞬时极大风观测和平均风观测统计阵风系数,然后通过阵风系数构建分钟级平均风速与瞬时极大风速之间的关系,将平均风速的预报结果转化为阵风风速预报产品。阵风系数定义为阵风风速与平均风速之间的比值。
瞬时极大风速(阵风)是指某个时段内出现的最大瞬时风速值。由于自动站瞬时极大风观测为小时分辨率,无法直接应用于分钟级阵风预报,需要通过阵风系数将平均风转化为瞬时极大风风速。本发明利用2021年4月至2021年7月的观测数据,通过匹配计算得到江苏区域的阵风系数,然后通过阵风系数构建分钟级平均风速与瞬时极大风速之间的关系,将平均风速的预报结果转化为阵风风速预报产品,实现0-2h瞬时极大风的预报结果输出。
在获得预报产品后,采用2021年4月至2021年5月的江苏区域强对流大风过程对致灾强风预警预报系统进行检验,使用命中率(POD)、空报率(FAR)和临界成功指数(CSI)对不同等级的阵风进行检验,其定义如下:
CSI=TP/(TP+FP+FN) (1)
FAR=FP/(TP+FP) (2)
POD=TP/(TP+FN) (3)
其中TP代表实际有大风预报有大风的事件次数,TN代表实际无大风预报无大风的事件次数,FP代表实际无大风预报有大风的事件次数,FN代表实际有大风预报无大风的事件次数。CSI评分也称为TS评分,预报得分介于0-1之间,是评价预报性能的一个综合指标,CSI评分越接近于1预报性能越优秀。命中率POD可以衡量实际发生大风事件且预报到大风的概率,其取值也介于0-1之间,命中率越高预报性能越好。空报率FAR代表了预报有大风实际没发生大风的概率,FAR也介于0-1之间,FAR的值越接近于0,说明模型的误警率越低。
2021年4月30日江苏南通大风过程通过本发明实施例提供的预报方法示意图如图2所示;
经上述真实大风个例检验评估,预报效果评价如下:
雷达反射率因子+地面风速+3h扰动变压+1h变温的融合外推结果能够较好的对未来两个小时的地面大风进行预报,包括大风的落区和强度。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上作出各种变化。
Claims (9)
1.一种基于时空网络卷积模型的对流性致灾强风预警预报方法,其特征在于包括如下步骤:
S1、对天气雷达组网数据进行质控;
S2、将步骤S1中经过质控的雷达数据插值到3km高度的等经纬度网格点上;
S3、对地面自动站要素观测数据进行采样和格点化;
S4、构建平均风临近预报数据集;
S5、将步骤S4中得到的数据集进行训练与检验;
S6、构建基于深度学习的平均风临近预报模型;
S7、基于地面自动站瞬时极大风观测和平均风观测统计阵风系数,然后通过阵风系数构建分钟级平均风速与瞬时极大风速之间的关系,将平均风速的预报结果转化为阵风风速预报产品。
2.根据权利要求1所述的基于时空网络卷积模型的对流性致灾强风预警预报方法,其特征在于,步骤S1中质控内容包括去除地物杂波和噪声点。
3.根据权利要求1所述的基于时空网络卷积模型的对流性致灾强风预警预报方法,其特征在于,步骤S2中利用距离加权平均插值和双线性插值的方法将雷达反射率因子数据插值到3km高度的等经纬度网格点上。
4.根据权利要求1所述的基于时空网络卷积模型的对流性致灾强风预警预报方法,其特征在于,步骤S3中地面自动站要素观测数据包括气温、气压、风向和风速数据。
6.根据权利要求1所述的基于时空网络卷积模型的对流性致灾强风预警预报方法,其特征在于,步骤S4中构建平均风临近预报数据集的方法为:
S41、采用3~5年连续时间内地面观测数据,结合近地面分钟级平均风观测筛选致灾性大风时间;
S42、该时间点所在的前后共三小时时间段作为致灾性大风的时间段,以该时间段内雷达3km高度的CAPPI以及格点化的1h变温、3h扰动变压和平均风观测一起构建起时间间隔为6min,序列长度为3h的样本数据进入训练数据集,据此建立地面平均风临近预报数据集。
8.根据权利要求1所述的基于时空网络卷积模型的对流性致灾强风预警预报方法,其特征在于,步骤S6中构建基于深度学习的平均风临近预报模型是将雷达回波强度、平均风风向风速、3h扰动变压和1h变温的格点数据作为模型的输入,未来2h插值后的格点平均风速数据作为输出,基于PhyDnet的时空预测模型构建平均风速临近预报模型,实现平均风速的临近预报。
9.根据权利要求1所述的基于时空网络卷积模型的对流性致灾强风预警预报方法,其特征在于,步骤S7中阵风系数定义为阵风风速与平均风速之间的比值;利用往年的观测数据,通过匹配计算得到区域内阵风系数,然后通过阵风系数构建分钟级平均风速与瞬时极大风速之间的关系,将平均风速的预报结果转化为阵风风速预报产品,实现0-2h瞬时极大风的预报结果输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210050608.XA CN114463947B (zh) | 2022-01-17 | 2022-01-17 | 一种基于时空网络卷积模型的对流性致灾强风预警预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210050608.XA CN114463947B (zh) | 2022-01-17 | 2022-01-17 | 一种基于时空网络卷积模型的对流性致灾强风预警预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114463947A true CN114463947A (zh) | 2022-05-10 |
CN114463947B CN114463947B (zh) | 2022-11-18 |
Family
ID=81409003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210050608.XA Active CN114463947B (zh) | 2022-01-17 | 2022-01-17 | 一种基于时空网络卷积模型的对流性致灾强风预警预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463947B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115236770A (zh) * | 2022-06-29 | 2022-10-25 | 广西壮族自治区气象科学研究所 | 基于时空堆叠和样本重构的非线性短时临近降水预报方法 |
CN116449456A (zh) * | 2022-10-31 | 2023-07-18 | 中国气象局广州热带海洋气象研究所(广东省气象科学研究所) | 阵风预报输出方法、装置、计算机设备和存储介质 |
CN118153786A (zh) * | 2024-05-11 | 2024-06-07 | 江苏省气象台 | 基于深度学习的对流性大风短时预报方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6128578A (en) * | 1996-12-26 | 2000-10-03 | Nippon Telegraph And Telephone Corporation | Meteorological radar precipitation pattern prediction method and apparatus |
CN109902863A (zh) * | 2019-02-15 | 2019-06-18 | 浙江财经大学 | 一种基于多因素时空相关性的风速预测方法及装置 |
CN111796343A (zh) * | 2020-06-15 | 2020-10-20 | 兰州中心气象台(兰州干旱生态环境监测预测中心) | 一种基于人工智能算法的强对流天气短时临近识别方法 |
CN112801564A (zh) * | 2021-04-14 | 2021-05-14 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种构建高铁沿线风速预报模型的方法及装置 |
CN113379151A (zh) * | 2021-06-25 | 2021-09-10 | 重庆大学 | 基于Bagging-CNN-GRU的风速超短期预测方法 |
CN113807432A (zh) * | 2021-09-16 | 2021-12-17 | 成都卡普数据服务有限责任公司 | 一种基于深度学习的气温预报数据订正方法 |
-
2022
- 2022-01-17 CN CN202210050608.XA patent/CN114463947B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6128578A (en) * | 1996-12-26 | 2000-10-03 | Nippon Telegraph And Telephone Corporation | Meteorological radar precipitation pattern prediction method and apparatus |
CN109902863A (zh) * | 2019-02-15 | 2019-06-18 | 浙江财经大学 | 一种基于多因素时空相关性的风速预测方法及装置 |
CN111796343A (zh) * | 2020-06-15 | 2020-10-20 | 兰州中心气象台(兰州干旱生态环境监测预测中心) | 一种基于人工智能算法的强对流天气短时临近识别方法 |
CN112801564A (zh) * | 2021-04-14 | 2021-05-14 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种构建高铁沿线风速预报模型的方法及装置 |
CN113379151A (zh) * | 2021-06-25 | 2021-09-10 | 重庆大学 | 基于Bagging-CNN-GRU的风速超短期预测方法 |
CN113807432A (zh) * | 2021-09-16 | 2021-12-17 | 成都卡普数据服务有限责任公司 | 一种基于深度学习的气温预报数据订正方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115236770A (zh) * | 2022-06-29 | 2022-10-25 | 广西壮族自治区气象科学研究所 | 基于时空堆叠和样本重构的非线性短时临近降水预报方法 |
CN115236770B (zh) * | 2022-06-29 | 2024-05-28 | 广西壮族自治区气象科学研究所 | 基于时空堆叠和样本重构的非线性短时临近降水预报方法 |
CN116449456A (zh) * | 2022-10-31 | 2023-07-18 | 中国气象局广州热带海洋气象研究所(广东省气象科学研究所) | 阵风预报输出方法、装置、计算机设备和存储介质 |
CN116449456B (zh) * | 2022-10-31 | 2024-02-27 | 中国气象局广州热带海洋气象研究所(广东省气象科学研究所) | 阵风预报输出方法、装置、计算机设备和存储介质 |
CN118153786A (zh) * | 2024-05-11 | 2024-06-07 | 江苏省气象台 | 基于深度学习的对流性大风短时预报方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114463947B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114463947B (zh) | 一种基于时空网络卷积模型的对流性致灾强风预警预报方法 | |
CN114280696B (zh) | 一种海雾等级智能预报方法及系统 | |
CN112070286A (zh) | 复杂地形流域的降水预报预警系统 | |
CN114611778B (zh) | 一种基于入库流量的水库水位预警方法及系统 | |
Van Klooster et al. | Surface-based convective potential in the contiguous United States in a business-as-usual future climate | |
CN113282576B (zh) | 一种气象数据质量控制方法 | |
Guan et al. | Development of verification methodology for extreme weather forecasts | |
Lucio-Eceiza et al. | Quality control of surface wind observations in northeastern North America. Part II: Measurement errors | |
Alerskans et al. | A transformer neural network for predicting near‐surface temperature | |
Shimada et al. | Is the number of tropical cyclone rapid intensification events in the western North Pacific increasing? | |
Brown et al. | Severe convection-related winds in Australia and their associated environments | |
CN113704693A (zh) | 一种高精度的有效波高数据估计方法 | |
Fernández-Alvarez et al. | Evaluation of precipitation forecast of system: numerical tools for hurricane forecast | |
CN114330120B (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
CN113742929B (zh) | 一种针对格点气象实况的数据质量评价方法 | |
US10345485B2 (en) | Forensic weather system | |
Sahlaoui et al. | Improving heavy rainfall forecasts by assimilating surface precipitation in the convective scale model AROME: A case study of the Mediterranean event of November 4, 2017 | |
CN116932679A (zh) | 一种基于gis技术多模式行业气象服务检验应用方法 | |
Case et al. | An objective technique for verifying sea breezes in high-resolution numerical weather prediction models | |
CN116027459A (zh) | 基于数值天气预报数据的大气加权平均温度的计算方法 | |
Plant | Statistical properties of cloud lifecycles in cloud-resolving models | |
Basara et al. | An analysis of severe hail swaths in the southern plains of the United States | |
Uijlenhoet et al. | Towards a stochastic model of rainfall for radar hydrology: Testing the Poisson homogeneity hypothesis | |
CN112380778A (zh) | 一种基于海温的气象干旱预报方法 | |
Ma et al. | Modelling the ZR Relationship of Precipitation Nowcasting Based on Deep Learning |
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 |