CN114563834A - 一种数值预报产品解释应用方法及系统 - Google Patents

一种数值预报产品解释应用方法及系统 Download PDF

Info

Publication number
CN114563834A
CN114563834A CN202210447251.9A CN202210447251A CN114563834A CN 114563834 A CN114563834 A CN 114563834A CN 202210447251 A CN202210447251 A CN 202210447251A CN 114563834 A CN114563834 A CN 114563834A
Authority
CN
China
Prior art keywords
elements
forecast
numerical
interpretation
continuity
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
CN202210447251.9A
Other languages
English (en)
Other versions
CN114563834B (zh
Inventor
田福厚
李鲲
田金超
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.)
Zhiyi Hangyu Beijing Technology Co ltd
Original Assignee
Zhiyi Hangyu Beijing Technology Co ltd
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 Zhiyi Hangyu Beijing Technology Co ltd filed Critical Zhiyi Hangyu Beijing Technology Co ltd
Priority to CN202210447251.9A priority Critical patent/CN114563834B/zh
Publication of CN114563834A publication Critical patent/CN114563834A/zh
Application granted granted Critical
Publication of CN114563834B publication Critical patent/CN114563834B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/20—Software design
    • 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)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种数值预报产品解释应用方法及系统，该方法包括：对数值预报产品进行分析，确定数值预报产品所需的天气要素，从预报站点的站点观测资料中提取与天气要素所对应的天气要素值；对天气要素进行分析，确定连续性要素、等级要素以及非连续性事件要素；根据预先配置的建模策略，分别对连续性要素、等级要素以及非连续性事件要素进行建模，形成数值预报解释模型；将提取的天气要素值分别代入到所述数值预报解释模型中，并通过所述数值预报解释模型分别生成初步预报解释结果；对得到的初步预报解释结果进行合成，得到最终预报结果。本发明采用多种方式对数值预报产品进行站点要素解释应用，以弥补单一方法的不足。

Description

一种数值预报产品解释应用方法及系统
技术领域
本发明涉及天气预报信息处理技术领域，具体来说，涉及一种数值预报产品解释应用方法及系统。
背景技术
数值预报产品解释应用就是在数值模式输出产品的基础上结合预报员的经验，考虑本地区天气、气候特点，综合运用动力学、统计学、天气学和人工智能等各种方法，对模式输出的产品进行解释和再分析，并经过必要的订正，应用于本地区的天气预报。数值天气预报发展至今，已取得了令人瞩目的成就，预报时效不断延长，预报精度不断提高。经实践检验，已经超过了有经验的预报员的预报水平。但人们在实际应用中仍不时发现诸多问题，如：预报的系统移速偏快或偏慢、强度偏强或偏弱（甚至虚报或漏报）；预报的降水区和降水量偏大或偏小；中期数值预报5天以后的预报结果明显不及短期预报的可靠，有的甚至报的槽脊与实况反位相；预报的副热带高压与实况常有较大误差等等。而这都说明了数值预报不是完全精确的，它还有误差。
而产生数值预报误差的原因大致有以下几个方面：一是数值模式所描述的大气运动物理过程是有限的，而实际影响因素是多方面的；二是初始场观测资料存在误差和观测资料密度不够，尤其是海上和南北极区域；三是如对流单体发展等次网格过程参数化难以精确处理。
也就是说，现有的数值预报解释应用部分是从模式直接输出要素结果，这样的预报结果在地形平缓、天气系统稳定时准确率较高，但在转折性天气及局地地形复杂的情况下误差较大；部分采用MOS预报等单一方法能提高数值预报解释应用能力，但也存在着对非连续性要素预报准确率不高的问题。
发明内容
针对相关技术中的问题，本发明提出一种数值预报产品解释应用方法及系统，能够采用多种方式对数值预报产品进行站点要素解释应用，以弥补单一方法的不足。
本发明的技术方案是这样实现的：
根据本发明的一方面，提供了一种数值预报产品解释应用方法。
该数值预报产品解释应用方法，包括：
对数值预报产品进行分析，确定数值预报产品所需的天气要素，根据确定的天气要素以及预报站点的经纬度和日期时间，从预报站点的站点观测资料中提取与所述天气要素所对应的天气要素值；
对所述天气要素进行分析，确定所述天气要素中的连续性要素、等级要素以及非连续性事件要素；
根据预先配置的建模策略，分别对连续性要素、等级要素以及非连续性事件要素进行建模，形成数值预报解释模型；
将提取的天气要素值分别代入到所述数值预报解释模型中，并通过所述数值预报解释模型分别生成连续性要素、等级要素以及非连续性事件要素所对应的初步预报解释结果；
对得到的连续性要素、等级要素以及非连续性事件要素所对应的初步预报解释结果进行合成，得到最终预报结果；并将初步预报结果与最终预报结果进行展示。
其中，所述连续性要素包括以下至少之一：温度、海平面气压、湿度、风向和风速，所述等级要素包括以下至少之一：水平能见度、总云量、低云量和云底高度，所述非连续性事件要素包括以下至少之一：降水、降水级别和雷暴。
此外，根据预先配置的建模策略，分别对连续性要素、等级要素以及非连续性事件要素进行建模，形成数值预报解释模型：根据预先配置的模式输出统计算法、遗传算法优化BP网络算法和偏最小二乘回归算法，分别对连续性要素进行建模，形成对应的数值预报解释模型；根据预先配置的贝叶斯分类器、非参数局部线性估计算法、完全预报算法，分别对等级要素进行建模，形成对应的数值预报解释模型；根据预先配置的基于遗传算法的朴素贝叶斯分类法和基于粒子群算法的朴素贝叶斯分类法，分别对非连续性事件要素进行建模，形成对应的数值预报解释模型。
优选的，所述初步预报解释结果为0-72小时逐3小时的预报解释结果
另外，对得到的连续性要素、等级要素以及非连续性事件要素所对应的初步预报解释结果进行合成，得到最终预报结果包括：对得到的连续性要素、等级要素以及非连续性事件要素所对应的初步预报解释结果，采用多元决策加权法进行合成，得到最终预报结果。
根据本发明的另一方面，提供了一种数值预报产品解释应用系统。
该数值预报产品解释应用系统，包括：
要素提取模块，用于对数值预报产品进行分析，确定数值预报产品所需的天气要素，根据确定的天气要素以及预报站点的经纬度和日期时间，从预报站点的站点观测资料中提取与所述天气要素所对应的天气要素值；
要素分析模块，用于对所述天气要素进行分析，确定所述天气要素中的连续性要素、等级要素以及非连续性事件要素；
要素建模模块，用于根据预先配置的建模策略，分别对连续性要素、等级要素以及非连续性事件要素进行建模，形成数值预报解释模型；
预报分析模块，用于将提取的天气要素值分别代入到所述数值预报解释模型中，并通过所述数值预报解释模型分别生成连续性要素、等级要素以及非连续性事件要素所对应的初步预报解释结果；
预报合成展示模块，用于对得到的连续性要素、等级要素以及非连续性事件要素所对应的初步预报解释结果进行合成，得到最终预报结果；并将初步预报结果与最终预报结果进行展示。
其中，所述连续性要素包括以下至少之一：温度、海平面气压、湿度、风向和风速；所述等级要素包括以下至少之一：水平能见度、总云量、低云量和云底高度；所述非连续性事件要素包括以下至少之一：降水、降水级别和雷暴。
此外，所述要素建模模块包括连续性要素建模子模块、等级要素建模子模块和非连续性事件要素建模子模块；其中，
所述连续性要素建模子模块，用于根据预先配置的模式输出统计算法、遗传算法优化BP网络算法和偏最小二乘回归算法，分别对连续性要素进行建模，形成对应的数值预报解释模型；
所述等级要素建模子模块，用于根据预先配置的贝叶斯分类器、非参数局部线性估计算法、完全预报算法，分别对等级要素进行建模，形成对应的数值预报解释模型；
所述非连续性事件要素建模子模块，用于根据预先配置的基于遗传算法的朴素贝叶斯分类法和基于粒子群算法的朴素贝叶斯分类法，分别对非连续性事件要素进行建模，形成对应的数值预报解释模型。
优选的，所述初步预报解释结果为0-72小时逐3小时的预报解释结果
另外，所述预报合成展示模块在对得到的连续性要素、等级要素以及非连续性事件要素所对应的初步预报解释结果进行合成，得到最终预报结果时，采用多元决策加权法对得到的连续性要素、等级要素以及非连续性事件要素所对应的初步预报解释结果进行合成，得到最终预报结果。
有益效果：本发明采用多种方式对数值预报产品进行站点要素解释应用，且多层递阶集成进行最终数值预报解释应用结果输出，用户可以查看某种要素单一预报方法解释结果，也可以查看多方法集成预报解释结果，从而解决了利用传统的数值天气预报解释站点要素准确率不够高、各站点差异性大等问题，同时也以弥补了单一方法的不足。能够极大地提高预报员制作短期天气预报的效率，避免不同的预报员分析天气的差异性，适用于所有台站或者任意点的天气预报。
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的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种数值预报产品解释应用方法的流程示意图；
图2是根据本发明实施例的一种数值预报产品解释应用系统的结构框图；
图3是根据本发明实施例的数值预报产品解释应用方法的具体应用流程图。
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所获得的所有其他实施例，都属于本发明保护的范围。
根据本发明的实施例，提供了一种数值预报产品解释应用方法和系统。
如图1所示，根据本发明实施例的一种数值预报产品解释应用方法包括：
步骤S101，对数值预报产品进行分析，确定数值预报产品所需的天气要素，根据确定的天气要素以及预报站点的经纬度和日期时间，从预报站点的站点观测资料中提取与所述天气要素所对应的天气要素值；
步骤S103，对所述天气要素进行分析，确定所述天气要素中的连续性要素、等级要素以及非连续性事件要素；
步骤S105，根据预先配置的建模策略，分别对连续性要素、等级要素以及非连续性事件要素进行建模，形成数值预报解释模型；
步骤S107，将提取的天气要素值分别代入到所述数值预报解释模型中，并通过所述数值预报解释模型分别生成连续性要素、等级要素以及非连续性事件要素所对应的0-72小时逐3小时的初步预报解释结果；
步骤S109，对得到的连续性要素、等级要素以及非连续性事件要素所对应的初步预报解释结果采用多元决策加权法进行合成，得到最终预报结果；并将初步预报结果与最终预报结果进行展示。
在具体应用时，所述连续性要素包括以下至少之一：温度、海平面气压、湿度、风向和风速，所述等级要素包括以下至少之一：水平能见度、总云量、低云量和云底高度，所述非连续性事件要素包括以下至少之一：降水、降水级别和雷暴。此外，根据预先配置的建模策略，分别对连续性要素、等级要素以及非连续性事件要素进行建模，形成数值预报解释模型：根据预先配置的模式输出统计算法、遗传算法优化BP网络算法和偏最小二乘回归算法，分别对连续性要素进行建模，形成对应的数值预报解释模型；根据预先配置的贝叶斯分类器、非参数局部线性估计算法、完全预报算法，分别对等级要素进行建模，形成对应的数值预报解释模型；根据预先配置的基于遗传算法的朴素贝叶斯分类法和基于粒子群算法的朴素贝叶斯分类法，分别对非连续性事件要素进行建模，形成对应的数值预报解释模型。
如图2所示，根据本发明实施例的一种数值预报产品解释应用系统，包括：
要素提取模块201，用于对数值预报产品进行分析，确定数值预报产品所需的天气要素，根据确定的天气要素以及预报站点的经纬度和日期时间，从预报站点的站点观测资料中提取与所述天气要素所对应的天气要素值；
要素分析模块203，用于对所述天气要素进行分析，确定所述天气要素中的连续性要素、等级要素以及非连续性事件要素；
要素建模模块205，用于根据预先配置的建模策略，分别对连续性要素、等级要素以及非连续性事件要素进行建模，形成数值预报解释模型；
预报分析模块207，用于将提取的天气要素值分别代入到所述数值预报解释模型中，并通过所述数值预报解释模型分别生成连续性要素、等级要素以及非连续性事件要素所对应的0-72小时逐3小时的初步预报解释结果；
预报合成展示模块209，用于对得到的连续性要素、等级要素以及非连续性事件要素所对应的初步预报解释结果采用多元决策加权法进行合成，得到最终预报结果；并将初步预报结果与最终预报结果进行展示。
具体应用时，所述连续性要素包括以下至少之一：温度、海平面气压、湿度、风向和风速；所述等级要素包括以下至少之一：水平能见度、总云量、低云量和云底高度；所述非连续性事件要素包括以下至少之一：降水、降水级别和雷暴。此外，所述要素建模模块包括连续性要素建模子模块（图中未示出）、等级要素建模子模块（图中未示出）和非连续性事件要素建模子模块（图中未示出）；其中，所述连续性要素建模子模块，用于根据预先配置的模式输出统计算法、遗传算法优化BP网络算法和偏最小二乘回归算法，分别对连续性要素进行建模，形成对应的数值预报解释模型；所述等级要素建模子模块，用于根据预先配置的贝叶斯分类器、非参数局部线性估计算法、完全预报算法，分别对等级要素进行建模，形成对应的数值预报解释模型；所述非连续性事件要素建模子模块，用于根据预先配置的基于遗传算法的朴素贝叶斯分类法和基于粒子群算法的朴素贝叶斯分类法，分别对非连续性事件要素进行建模，形成对应的数值预报解释模型。
为了方便理解本发明的上述技术方案，以下通过具体应用对本发明的上述技术方案进行详细说明。
如图3所示，数值预报产品解释应用方法具体应用时，流程如下：
步骤1）建模数据准备：所预报站点的地面历史观测数据,对应日期的数值预报产品数据,数据时长至少一年。
步骤2）、根据预报站点所在的经纬度、日期时间、要素，从数值预报产品中抽取相应层次和对应要素，从站点观测资料中提取相应的要素值，形成站点观测要素和数值预报提取的对应要素的矩阵。
步骤3）、对温度（最高气温、最低气温）、海平面气压、湿度、风向、风速等连续性要素，分别采用模式输出统计（MOS）法、遗传算法优化BP网络（GA-BP）法和偏最小二乘回归（PLS）法3中方法进行建模，形成连续性要素的数值预报解释模型参数。
步骤4）、把当前数值预报资料抽取的连续性要素分别代入到上述模型中，输出针对各模型的连续性要素的0-72小时逐3小时的站点预报解释结果（温度（最高气温、最低气温）、海平面气压、湿度、风向、风速）。
步骤5）、对水平能见度、总云量、低云量和云底高等分级要素，分别采用贝叶斯（Bayes）分类器、非参数局部线性估计（NPR）、完全预报（PP）法进行建模，形成各自的非连续性要素的数值预报解释模型参数。
步骤6）、把当前数值预报资料抽取的非连续性要素分别代入到上述模型中，输出针对各模型的连续性要素的0-72小时逐3小时的站点预报解释结果（水平能见度、总云量、低云量和云底高）。
步骤7）、对降水、降水级别、雷暴等非连续性天气事件由遗传算法优化朴素贝叶斯分类（GA-NBayes）法、粒子群算法优化朴素贝叶斯分类（PSO-NBayes）法进行建模，形成各自的分级要素的数值预报解释模型参数。
步骤8）、把当前数值预报资料抽取的大气可降水量、对流有效位能、雷暴潜势参数分别代入到上述模型中，输出针对各模型的分级要素的0-72小时逐3小时的站点预报解释结果（降水、降水级别、雷暴）。
步骤9）、对采用上述释用方法得到的各要素的预报结果，采用多元决策加权法进行综合集成，给出最终的预报结果。
步骤10）、对每种释用方法输出的结果和集成预报输出结果，以图表的方式进行直观展示，供预报员或系统使用者查看。
综上所述，借助于本发明的上述技术方案，本发明采用多种方式对数值预报产品进行站点要素解释应用，且多层递阶集成进行最终数值预报解释应用结果输出，用户可以查看某种要素单一预报方法解释结果，也可以查看多方法集成预报解释结果，从而解决了利用传统的数值天气预报解释站点要素准确率不够高、各站点差异性大等问题，同时也以弥补了单一方法的不足。能够极大地提高预报员制作短期天气预报的效率，避免不同的预报员分析天气的差异性，适用于所有台站或者任意点的天气预报。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种数值预报产品解释应用方法，其特征在于，包括：
对数值预报产品进行分析，确定数值预报产品所需的天气要素，根据确定的天气要素以及预报站点的经纬度和日期时间，从预报站点的站点观测资料中提取与所述天气要素所对应的天气要素值；
对所述天气要素进行分析，确定所述天气要素中的连续性要素、等级要素以及非连续性事件要素；
根据预先配置的建模策略，分别对连续性要素、等级要素以及非连续性事件要素进行建模，形成数值预报解释模型；
将提取的天气要素值分别代入到所述数值预报解释模型中，并通过所述数值预报解释模型分别生成连续性要素、等级要素以及非连续性事件要素所对应的初步预报解释结果；
对得到的连续性要素、等级要素以及非连续性事件要素所对应的初步预报解释结果进行合成，得到最终预报结果；并将初步预报结果与最终预报结果进行展示。
2.根据权利要求1所述的数值预报产品解释应用方法，其特征在于，所述连续性要素包括以下至少之一：温度、海平面气压、湿度、风向和风速；所述等级要素包括以下至少之一：水平能见度、总云量、低云量和云底高度；所述非连续性事件要素包括以下至少之一：降水、降水级别和雷暴。
3.根据权利要求2所述的数值预报产品解释应用方法，其特征在于，根据预先配置的建模策略，分别对连续性要素、等级要素以及非连续性事件要素进行建模，形成数值预报解释模型：
根据预先配置的模式输出统计算法、遗传算法优化BP网络算法和偏最小二乘回归算法，分别对连续性要素进行建模，形成对应的数值预报解释模型；
根据预先配置的贝叶斯分类器、非参数局部线性估计算法、完全预报算法，分别对等级要素进行建模，形成对应的数值预报解释模型；
根据预先配置的基于遗传算法的朴素贝叶斯分类法和基于粒子群算法的朴素贝叶斯分类法，分别对非连续性事件要素进行建模，形成对应的数值预报解释模型。
4.根据权利要求1所述的数值预报产品解释应用方法，其特征在于，所述初步预报解释结果为0-72小时逐3小时的预报解释结果。
5.根据权利要求1所述的数值预报产品解释应用方法，其特征在于，对得到的连续性要素、等级要素以及非连续性事件要素所对应的初步预报解释结果进行合成，得到最终预报结果包括：
对得到的连续性要素、等级要素以及非连续性事件要素所对应的初步预报解释结果，采用多元决策加权法进行合成，得到最终预报结果。
6.一种数值预报产品解释应用系统，其特征在于，包括：
要素提取模块，用于对数值预报产品进行分析，确定数值预报产品所需的天气要素，根据确定的天气要素以及预报站点的经纬度和日期时间，从预报站点的站点观测资料中提取与所述天气要素所对应的天气要素值；
要素分析模块，用于对所述天气要素进行分析，确定所述天气要素中的连续性要素、等级要素以及非连续性事件要素；
要素建模模块，用于根据预先配置的建模策略，分别对连续性要素、等级要素以及非连续性事件要素进行建模，形成数值预报解释模型；
预报分析模块，用于将提取的天气要素值分别代入到所述数值预报解释模型中，并通过所述数值预报解释模型分别生成连续性要素、等级要素以及非连续性事件要素所对应的初步预报解释结果；
预报合成展示模块，用于对得到的连续性要素、等级要素以及非连续性事件要素所对应的初步预报解释结果进行合成，得到最终预报结果；并将初步预报结果与最终预报结果进行展示。
7.根据权利要求6所述的数值预报产品解释应用系统，其特征在于，所述连续性要素包括以下至少之一：温度、海平面气压、湿度、风向和风速；所述等级要素包括以下至少之一：水平能见度、总云量、低云量和云底高度；所述非连续性事件要素包括以下至少之一：降水、降水级别和雷暴。
8.根据权利要求7所述的数值预报产品解释应用系统，其特征在于，所述要素建模模块包括连续性要素建模子模块、等级要素建模子模块和非连续性事件要素建模子模块；其中，
所述连续性要素建模子模块，用于根据预先配置的模式输出统计算法、遗传算法优化BP网络算法和偏最小二乘回归算法，分别对连续性要素进行建模，形成对应的数值预报解释模型；
所述等级要素建模子模块，用于根据预先配置的贝叶斯分类器、非参数局部线性估计算法、完全预报算法，分别对等级要素进行建模，形成对应的数值预报解释模型；
所述非连续性事件要素建模子模块，用于根据预先配置的基于遗传算法的朴素贝叶斯分类法和基于粒子群算法的朴素贝叶斯分类法，分别对非连续性事件要素进行建模，形成对应的数值预报解释模型。
9.根据权利要求6所述的数值预报产品解释应用系统，其特征在于，所述初步预报解释结果为0-72小时逐3小时的预报解释结果。
10.根据权利要求6所述的数值预报产品解释应用系统，其特征在于，所述预报合成展示模块在对得到的连续性要素、等级要素以及非连续性事件要素所对应的初步预报解释结果进行合成，得到最终预报结果时，采用多元决策加权法对得到的连续性要素、等级要素以及非连续性事件要素所对应的初步预报解释结果进行合成，得到最终预报结果。
CN202210447251.9A 2022-04-27 2022-04-27 一种数值预报产品解释应用方法及系统 Active CN114563834B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210447251.9A CN114563834B (zh) 2022-04-27 2022-04-27 一种数值预报产品解释应用方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210447251.9A CN114563834B (zh) 2022-04-27 2022-04-27 一种数值预报产品解释应用方法及系统

Publications (2)

Publication Number Publication Date
CN114563834A true CN114563834A (zh) 2022-05-31
CN114563834B CN114563834B (zh) 2022-07-26

Family

ID=81721294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210447251.9A Active CN114563834B (zh) 2022-04-27 2022-04-27 一种数值预报产品解释应用方法及系统

Country Status (1)

Country Link
CN (1) CN114563834B (zh)

Citations (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2323872A1 (en) * 2000-08-18 2002-02-18 Paul M. Corby Method, system and computer program product for valuating natural gas contracts using weather-based metrics
US6535817B1 (en) * 1999-11-10 2003-03-18 The Florida State Research Foundation Methods, systems and computer program products for generating weather forecasts from a multi-model superensemble
US20050222771A1 (en) * 2004-04-06 2005-10-06 Matsushita Electric Industrial Co., Ltd. Mobile portable terminal, communication host apparatus, and weather forecasting system
US20080167822A1 (en) * 2004-08-03 2008-07-10 Abhl Climatic Forecast System
US20120185414A1 (en) * 2010-12-15 2012-07-19 Vaisala, Inc. Systems and methods for wind forecasting and grid management
JP2013054005A (ja) * 2011-09-06 2013-03-21 Seiko Epson Corp 気象変動情報提供システム、気象変動情報提供方法、気象変動情報提供プログラム及び記録媒体
WO2014190286A2 (en) * 2013-05-24 2014-11-27 Sequenom, Inc. Methods and processes for non-invasive assessment of genetic variations
US20150331023A1 (en) * 2014-05-15 2015-11-19 International Business Machines Corporation Building energy consumption forecasting procedure using ambient temperature, enthalpy, bias corrected weather forecast and outlier corrected sensor data
CN105974495A (zh) * 2016-04-29 2016-09-28 中国科学院遥感与数字地球研究所 利用分类拟合法预判目标区域未来平均云量的方法
CN106447072A (zh) * 2016-08-01 2017-02-22 中国卫星海上测控部 基于显式遗传算法和奇异谱分析的气象水文要素预报方法
CN106597574A (zh) * 2016-12-30 2017-04-26 重庆邮电大学 一种基于时变云模型的天气温度预测方法及装置
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
CN108021364A (zh) * 2016-11-03 2018-05-11 长沙湘佩网络技术有限公司 一种Android平台的天气预报App设计
CN108897073A (zh) * 2018-06-20 2018-11-27 西安电子科技大学 基于北斗信号及地面无线信号的天气预测方法
CN109543295A (zh) * 2018-11-21 2019-03-29 国网青海省电力公司 数值天气预报的气象要素数据处理方法及装置
KR101994387B1 (ko) * 2018-08-21 2019-06-28 부경대학교 산학협력단 수증기 가중치 병합을 이용한 산악지역 강수실황 예측을 위한 장치 및 방법
JP2019121276A (ja) * 2018-01-10 2019-07-22 ヤフー株式会社 表示制御プログラム、表示制御装置、表示制御方法及びサーバ装置
CN110245773A (zh) * 2019-03-26 2019-09-17 国家气象中心 一种多源实况时空预报因子提取及纳入模式解释应用的方法
CN111815037A (zh) * 2020-06-24 2020-10-23 河海大学 一种基于注意力机制的可解释性短临极端降雨预测方法
CN111929748A (zh) * 2020-09-17 2020-11-13 南京浦蓝大气环境研究院有限公司 一种气象要素预报方法和系统
CN112418500A (zh) * 2020-11-16 2021-02-26 中科星图股份有限公司 一种基于多源数据及复杂模型融合对山区降雨天气预警方法
CN112444892A (zh) * 2020-10-15 2021-03-05 北京应用气象研究所 一种基于主被动探测手段的无人机监测作业平台及方法
AU2021100001A4 (en) * 2021-01-01 2021-03-18 Baghavathi Priya, S. DR Scientific model for predicting change in rainfall using climatic raster data mining
CN112527860A (zh) * 2020-12-05 2021-03-19 东南大学 一种提高台风轨迹预测的方法
CN112732691A (zh) * 2021-01-07 2021-04-30 云南电网有限责任公司电力科学研究院 一种基于多种模型对比的大气环境预测方法
CN112836862A (zh) * 2021-01-15 2021-05-25 上海市环境监测中心(上海长三角区域空气质量预测预报中心) 一种基于机器学习算法的集合预报方法、系统及介质
CN113267834A (zh) * 2020-11-30 2021-08-17 武汉超碟科技有限公司 一种基于多模型集成的融合降水预报方法
CN113330334A (zh) * 2019-01-31 2021-08-31 雅苒国际集团 降低天气预报的尺度
CN114325873A (zh) * 2022-03-07 2022-04-12 知一航宇(北京)科技有限公司 一种大气温湿廓线探测仪的亮温数据尺度精细化方法

Patent Citations (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6535817B1 (en) * 1999-11-10 2003-03-18 The Florida State Research Foundation Methods, systems and computer program products for generating weather forecasts from a multi-model superensemble
CA2323872A1 (en) * 2000-08-18 2002-02-18 Paul M. Corby Method, system and computer program product for valuating natural gas contracts using weather-based metrics
US20050222771A1 (en) * 2004-04-06 2005-10-06 Matsushita Electric Industrial Co., Ltd. Mobile portable terminal, communication host apparatus, and weather forecasting system
US20080167822A1 (en) * 2004-08-03 2008-07-10 Abhl Climatic Forecast System
US20120185414A1 (en) * 2010-12-15 2012-07-19 Vaisala, Inc. Systems and methods for wind forecasting and grid management
JP2013054005A (ja) * 2011-09-06 2013-03-21 Seiko Epson Corp 気象変動情報提供システム、気象変動情報提供方法、気象変動情報提供プログラム及び記録媒体
WO2014190286A2 (en) * 2013-05-24 2014-11-27 Sequenom, Inc. Methods and processes for non-invasive assessment of genetic variations
US20150331023A1 (en) * 2014-05-15 2015-11-19 International Business Machines Corporation Building energy consumption forecasting procedure using ambient temperature, enthalpy, bias corrected weather forecast and outlier corrected sensor data
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
CN105974495A (zh) * 2016-04-29 2016-09-28 中国科学院遥感与数字地球研究所 利用分类拟合法预判目标区域未来平均云量的方法
CN106447072A (zh) * 2016-08-01 2017-02-22 中国卫星海上测控部 基于显式遗传算法和奇异谱分析的气象水文要素预报方法
CN108021364A (zh) * 2016-11-03 2018-05-11 长沙湘佩网络技术有限公司 一种Android平台的天气预报App设计
CN106597574A (zh) * 2016-12-30 2017-04-26 重庆邮电大学 一种基于时变云模型的天气温度预测方法及装置
JP2019121276A (ja) * 2018-01-10 2019-07-22 ヤフー株式会社 表示制御プログラム、表示制御装置、表示制御方法及びサーバ装置
CN108897073A (zh) * 2018-06-20 2018-11-27 西安电子科技大学 基于北斗信号及地面无线信号的天气预测方法
KR101994387B1 (ko) * 2018-08-21 2019-06-28 부경대학교 산학협력단 수증기 가중치 병합을 이용한 산악지역 강수실황 예측을 위한 장치 및 방법
CN109543295A (zh) * 2018-11-21 2019-03-29 国网青海省电力公司 数值天气预报的气象要素数据处理方法及装置
CN113330334A (zh) * 2019-01-31 2021-08-31 雅苒国际集团 降低天气预报的尺度
CN110245773A (zh) * 2019-03-26 2019-09-17 国家气象中心 一种多源实况时空预报因子提取及纳入模式解释应用的方法
CN111815037A (zh) * 2020-06-24 2020-10-23 河海大学 一种基于注意力机制的可解释性短临极端降雨预测方法
CN111929748A (zh) * 2020-09-17 2020-11-13 南京浦蓝大气环境研究院有限公司 一种气象要素预报方法和系统
CN112444892A (zh) * 2020-10-15 2021-03-05 北京应用气象研究所 一种基于主被动探测手段的无人机监测作业平台及方法
CN112418500A (zh) * 2020-11-16 2021-02-26 中科星图股份有限公司 一种基于多源数据及复杂模型融合对山区降雨天气预警方法
CN113267834A (zh) * 2020-11-30 2021-08-17 武汉超碟科技有限公司 一种基于多模型集成的融合降水预报方法
CN112527860A (zh) * 2020-12-05 2021-03-19 东南大学 一种提高台风轨迹预测的方法
AU2021100001A4 (en) * 2021-01-01 2021-03-18 Baghavathi Priya, S. DR Scientific model for predicting change in rainfall using climatic raster data mining
CN112732691A (zh) * 2021-01-07 2021-04-30 云南电网有限责任公司电力科学研究院 一种基于多种模型对比的大气环境预测方法
CN112836862A (zh) * 2021-01-15 2021-05-25 上海市环境监测中心(上海长三角区域空气质量预测预报中心) 一种基于机器学习算法的集合预报方法、系统及介质
CN114325873A (zh) * 2022-03-07 2022-04-12 知一航宇(北京)科技有限公司 一种大气温湿廓线探测仪的亮温数据尺度精细化方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
ANDRE ROBERT: "《A stable numerical integration scheme for the primitive meteorological equations》", 《ATMOSPHERE OCEAN》 *
刘亚杰: "《基于贝叶斯雷暴释用预报模型的最优子集技术研究》", 《中国优秀博硕士学位论文全文数据库（硕士）基础科学辑》 *
朱玉祥 等: "《统计方法在数值模式中应用的若干新进展》", 《气象》 *
李学明 等: "《新的集成预报及其在短期气候预测中的应用》", 《重庆大学学报》 *
李红金 等: "《直升机飞行气象要素的精细化数值预报》", 《直升机技术》 *
王月琴等: "基于BP神经网络的高速公路团雾预测研究", 《佳木斯大学学报(自然科学版)》 *
赵宗慈等: "人工智能应用于地球系统科学", 《气候变化研究进展》 *
郑凤琴 等: "《广西降水集成预报方法初探》", 《广西气象》 *
陈朝平 等: "《多元加权决策法在四川短时临近降水预报中的应用》", 《四川气象》 *

Also Published As

Publication number Publication date
CN114563834B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
CN111815037B (zh) 一种基于注意力机制的可解释性短临极端降雨预测方法
CN112308292B (zh) 一种火灾风险等级分布图的绘制方法
CN111651885A (zh) 一种智慧型海绵城市洪涝预报方法
CN111983732B (zh) 一种基于深度学习的降水强度估计方法
CN110705115B (zh) 一种基于深度置信网络的气象预报方法和系统
Giebel et al. Shortterm forecasting using advanced physical modelling-the results of the anemos project
US20100100328A1 (en) System and Method for Generating a Cloud Type and Coverage Prediction Database
CN110471131B (zh) 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
CN117556197B (zh) 一种基于人工智能的台风涡旋初始化方法
CN112785035A (zh) 融合多元信息的中短期水文预报方法及系统
Jonnalagadda et al. Forecasting atmospheric visibility using auto regressive recurrent neural network
Otache et al. ARMA modelling of Benue River flow dynamics: comparative study of PAR model
CN112541655B (zh) 一种针对区域风能资源精细化评估需求的大气再分析方法
CN114563834B (zh) 一种数值预报产品解释应用方法及系统
Nykanen Linkages between orographic forcing and the scaling properties of convective rainfall in mountainous regions
CN116679355A (zh) 一种基于级联Attention-U-Net的降水预报订正方法
CN112668811B (zh) 基于深度学习的低涡、切变线自动识别与追踪方法及系统
CN114966898A (zh) 一种高速路段雨雪冰冻天气预警方法及系统
Kaparakis et al. WF-UNet: Weather data fusion using 3d-unet for precipitation nowcasting
CN110727719A (zh) 一种基于动力松弛逼近的闪电定位资料同化方法
Shashikanth et al. Fine resolution Indian summer monsoon rainfall projection with statistical downscaling
Hansen New techniques for ultra-high-resolution circulation model evaluation
CN115993668B (zh) 一种基于多项式改正和神经网络的pwv重建方法及系统
Amjad et al. Thunderstorms Prediction Using Satellite Images
Singh Assessment of potential rooftop solar PV electricity at a suburban scale, and a comparative analysis based on topographical obstruction and seasonality

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