CN114648181B - 一种基于机器学习的降水预报修正方法及系统 - Google Patents

一种基于机器学习的降水预报修正方法及系统 Download PDF

Info

Publication number
CN114648181B
CN114648181B CN202210565857.2A CN202210565857A CN114648181B CN 114648181 B CN114648181 B CN 114648181B CN 202210565857 A CN202210565857 A CN 202210565857A CN 114648181 B CN114648181 B CN 114648181B
Authority
CN
China
Prior art keywords
sub
target
rainfall
power factor
region
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.)
Active
Application number
CN202210565857.2A
Other languages
English (en)
Other versions
CN114648181A (zh
Inventor
陈媛
罗玮
杨庚鑫
朱阳
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.)
Guoneng Daduhe Big Data Service Co ltd
Original Assignee
Guoneng Daduhe Big Data Service 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 Guoneng Daduhe Big Data Service Co ltd filed Critical Guoneng Daduhe Big Data Service Co ltd
Priority to CN202210565857.2A priority Critical patent/CN114648181B/zh
Publication of CN114648181A publication Critical patent/CN114648181A/zh
Application granted granted Critical
Publication of CN114648181B publication Critical patent/CN114648181B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例公开了一种基于机器学习的降水预报修正方法及系统，属于数据处理技术领域，其中，一种基于机器学习的降水预报修正方法，包括：获取目标区域在历史第一周期内的降雨数据集，其中，目标区域包括多个目标监测地点；基于降雨数据集对多个目标监测地点进行聚类，将目标区域分为多个子区域；获取多个目标监测地点在未来第二周期内的原始预测降雨数据；对于每个子区域，确定与子区域对应的至少一个目标动力因子；通过机器学习模型基于原始预测降雨数据及每个子区域对应的至少一个目标动力因子确定多个子区域的修正预测降雨数据，具有提高降水预测的准确度的优点。

Description

一种基于机器学习的降水预报修正方法及系统
技术领域
本发明主要涉及数据处理技术领域，具体地说，涉及一种基于机器学习的降水预报修正方法及系统。
背景技术
在近几十年来国内外已经对气候变化(包括降水)开展了广泛的研究，其已经成为全球性的问题，并成为国内外最为关注的研究热点。全球气候模式(GCMs)，是研究气候变化机理和预测未来气候变化趋势的重要工具，但由于GCM空间分辨率较为粗糙，为了获得更加精细化的区域气候变化情况，需要对其进行降尺度处理，从而更加精确的预测区域降水变化情况。
目前主要有3种方式，分别为(1)提高GCM模型输出结果精度；(2)将GCM与高分辨率的区域气候模式(RCM)进行嵌套，即动力降尺度方法；(3)建立GCM输出大尺度气象变量与区域气象因子间的统计关系，即统计降尺度方法。
提高GCM模型精度将导致模型计算量呈指数增长，模型计算及运行需要通过超级计算机来进行相关操作。同时动力降尺度方法计算量大，模拟受收入的边界条件影响，会继承GCMs的误差和不足，同样受局地特征的异质性强迫。此外，动力降尺度模型在不同地区应用过程中，还存在着模拟结果与实测值间表现不稳定、数据化结果不能很好反映实际情况等问题。
因此，需要一种基于机器学习的降水预报修正方法及系统，用于提高降水预测的准确度。
发明内容
本说明书实施例之一提供一种基于机器学习的降水预报修正方法，所述方法包括：获取目标区域在历史第一周期内的降雨数据集，其中，所述目标区域包括多个目标监测地点，所述降雨数据集包括所述多个目标监测地点的降雨数据；基于所述降雨数据集对所述多个目标监测地点进行聚类，将所述目标区域分为多个子区域；获取所述多个目标监测地点在未来第二周期内的原始预测降雨数据；对于每个所述子区域，确定与所述子区域对应的至少一个目标动力因子；通过机器学习模型基于所述原始预测降雨数据及每个所述子区域对应的所述至少一个目标动力因子确定所述多个子区域的修正预测降雨数据。
在一些实施例中，所述基于所述降雨数据集对所述多个目标监测地点进行聚类，将所述目标区域分为多个子区域，包括：通过k-means时间序列聚类基于所述降雨数据集对所述多个目标监测地点进行聚类，将所述目标区域分为所述多个子区域。
在一些实施例中，所述对于每个所述子区域，确定与所述子区域对应的至少一个目标动力因子，包括：对于每个所述子区域，从多个动力因子中确定所述子区域对应的至少一个目标动力因子。
在一些实施例中，所述多个动力因子包括垂直热力切变平流参数、垂直螺旋度、二级位涡、水汽垂直螺旋度、质量垂直螺旋度、散度垂直通量、热力散度垂直通量、水汽散度垂直通量、凝结潜热散度的垂直通量、水汽波作用密度、质量波作用密度、凝结潜热质量波作用密度、Q矢量散度、水汽位涡波作用密度、质量位涡波作用密度及热力切变平流参数中的多个。
在一些实施例中，所述机器学习模型为XGBoost（Extreme Gradient Boost，极致梯度提升）降水预测模型。
本说明书实施例之一提供一种基于机器学习的降水预报修正系统，所述系统包括：历史数据获取模块，用于获取目标区域在历史第一周期内的降雨数据集，其中，所述目标区域包括多个目标监测地点，所述降雨数据集包括所述多个目标监测地点的降雨数据；区域聚类模块，用于基于所述降雨数据集对所述多个目标监测地点进行聚类，将所述目标区域分为多个子区域；预测数据获取模块，用于获取所述多个目标监测地点在未来第二周期内的原始预测降雨数据；因子选择模块，用于对每个所述子区域，确定与所述子区域对应的至少一个目标动力因子；预测修正模块，用于通过机器学习模型基于所述原始预测降雨数据及每个所述子区域对应的所述至少一个目标动力因子确定所述多个子区域的修正预测降雨数据。
在一些实施例中，所述区域聚类模块还用于：通过k-means时间序列聚类基于所述降雨数据集对所述多个目标监测地点进行聚类，将所述目标区域分为所述多个子区域。
在一些实施例中，所述因子选择模块还用于：对于每个所述子区域，从多个动力因子中确定所述子区域对应的至少一个目标动力因子。
在一些实施例中，所述多个动力因子包括垂直热力切变平流参数、垂直螺旋度、二级位涡、水汽垂直螺旋度、质量垂直螺旋度、散度垂直通量、热力散度垂直通量、水汽散度垂直通量、凝结潜热散度的垂直通量、水汽波作用密度、质量波作用密度、凝结潜热质量波作用密度、Q矢量散度、水汽位涡波作用密度、质量位涡波作用密度及热力切变平流参数中的多个。
在一些实施例中，所述机器学习模型为XGBoost（Extreme Gradient Boost，极致梯度提升）降水预测模型。
附图说明
本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本申请一些实施例所示的一种基于机器学习的降水预报修正系统的应用场景示意图；
图2是根据本申请一些实施例所示的一种基于机器学习的降水预报修正方法的示例性流程图；
图3是根据本申请一些实施例所示的6个子区域的示意图。
图中，100、基于机器学习的降水预报修正系统；110、处理设备；120、网络；130、用户终端；140、存储设备；310-1、第一子区域；310-2、第二子区域；310-3、第三子区域；310-4、第四子区域；310-5、第五子区域；310-6、第六子区域。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。应当理解，给出这些示例性的实施例仅仅是为了使相关领域的技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块或单元做出了各种引用，然而，任何数量的不同模块或单元可以被使用并运行在客户端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本申请一些实施例所示的一种基于机器学习的降水预报修正系统100的应用场景示意图。
如图1所示，基于机器学习的降水预报修正系统100可以包括处理设备110、网络120、用户终端130和存储设备140。
在一些实施例中，基于机器学习的降水预报修正系统100可以获取目标区域在历史第一周期内的降雨数据集，基于降雨数据集对多个目标监测地点进行聚类，将目标区域分为多个子区域，获取多个目标监测地点在未来第二周期内的原始预测降雨数据，对于每个子区域，确定与子区域对应的至少一个目标动力因子，并通过机器学习模型基于原始预测降雨数据及每个子区域对应的至少一个目标动力因子确定多个子区域的修正预测降雨数据，提高了降水预测的准确度。
在一些实施例中，处理设备110可以用于处理与信息查询相关的信息和/或数据。例如，获取目标区域在历史第一周期内的降雨数据集。处理设备110更多的描述可以参见本申请其他部分的描述。例如，图2、3及其描述。
在一些实施例中，处理设备110可以是区域的或者远程的。例如，处理设备110可以通过网络120访问存储于用户终端130和存储设备140中的信息和/或资料。在一些实施例中，处理设备110可以直接与用户终端130和存储设备140连接以访问存储于其中的信息和/或资料。在一些实施例中，处理设备110可以在云平台上执行。例如，该云平台可以包括私有云、公共云、混合云、社区云、分散式云、内部云等中的一种或其任意组合。
在一些实施例中，处理设备110可以包含处理器，处理器可以包含一个或多个子处理器（例如，单芯处理设备或多核多芯处理设备）。仅仅作为范例，处理器可包含中央处理器（CPU）、专用集成电路（ASIC）、专用指令处理器（ASIP）、图形处理器（GPU）、物理处理器（PPU）、数字信号处理器（DSP）、现场可编程门阵列（FPGA）、可编辑逻辑电路（PLD）、控制器、微控制器单元、精简指令集电脑（RISC）、微处理器等或以上任意组合。
在一些实施例中，处理设备110可以包括区域聚类模块、预测数据获取模块、因子选择模块及预测修正模块。
在一些实施例中，用于获取目标区域在历史第一周期内的降雨数据集，关于降雨数据集的更多描述可以参见图2及其相关描述。
在一些实施例中，区域聚类模块可以用于基于降雨数据集对多个目标监测地点进行聚类，将目标区域分为多个子区域，关于聚类的更多描述可以参见图2及其相关描述。
在一些实施例中，预测数据获取模块可以用于获取多个目标监测地点在未来第二周期内的原始预测降雨数据，关于原始预测降雨数据的更多描述可以参见图2及其相关描述。
在一些实施例中，因子选择模块可以用于对每个子区域，确定与子区域对应的至少一个目标动力因子，关于目标动力因子的更多描述可以参见图2及其相关描述。
在一些实施例中，预测修正模块可以用于通过机器学习模型基于原始预测降雨数据及每个子区域对应的至少一个目标动力因子确定多个子区域的修正预测降雨数据，关于修正预测降雨数据的更多描述可以参见图2及其相关描述。
网络120可促进基于机器学习的降水预报修正系统100中数据和/或信息的交换。在一些实施例中，基于机器学习的降水预报修正系统100中的一个或多个组件（例如，处理设备110、用户终端130和存储设备140）可以通过网络120发送数据和/或信息给基于机器学习的降水预报修正系统100中的其他组件。例如，处理设备110可以通过网络120从存储设备140获取目标区域在历史第一周期内的降雨数据集。在一些实施例中，网络120可以是任意类型的有线或无线网络。例如，网络120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、网际网络、区域网络（LAN）、广域网络（WAN）、无线区域网络（WLAN）、都会区域网络（MAN）、公共电话交换网络（PSTN）、蓝牙网络、ZigBee网络、近场通讯（NFC）网络等或以上任意组合。在一些实施例中，网络120可以包括一个或多个网络进出点。例如，网络120可以包含有线或无线网络进出点，如基站和/或网际网络交换点，通过这些进出点，基于机器学习的降水预报修正系统100的一个或多个组件可以连接到网络120上以交换数据和/或信息。
在一些实施例中，用户终端130可以获取基于机器学习的降水预报修正系统100中的信息或数据。例如，用户终端130可以通过网络120从处理设备110获取梯级水电站在枯水期的多个时间段的计划发电量及计划水位。在一些实施例中，用户终端130可以包括移动装置（例如，智能手机、智能手表等）、平板电脑、笔记本电脑等中的一种或其任意组合。
在一些实施例中，存储设备140可以与网络120连接以实现与基于机器学习的降水预报修正系统100的一个或多个组件（例如，处理设备110、用户终端130等）通讯。基于机器学习的降水预报修正系统100的一个或多个组件可以通过网络120访问存储于存储设备140中的资料或指令。在一些实施例中，存储设备140可以直接与基于机器学习的降水预报修正系统100中的一个或多个组件（如，处理设备110、用户终端130）连接或通讯。在一些实施例中，存储设备140可以是处理设备110的一部分。
应该注意的是，上述描述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域普通技术人员而言，在本申请内容的指导下，可做出多种变化和修改。可以以各种方式组合本申请描述的示例性的实施例的特征、结构、方法和其他特征，以获得另外的和/或替代的示例性的实施例。例如，存储设备140可以是包括云计算平台的数据存储设备，例如公共云、私有云、社区和混合云等。然而，这些变化与修改不会背离本申请的范围。
图2是根据本申请一些实施例所示的一种基于机器学习的降水预报修正方法的示例性流程图。如图2所示，一种基于机器学习的降水预报修正方法包括下述步骤。在一些实施例中，一种基于机器学习的降水预报修正方法可以被实现在基于机器学习的降水预报修正系统100上。
步骤210，获取目标区域在历史第一周期内的降雨数据集。在一些实施例中，步骤210可以由历史数据获取模块执行。
在一些实施例中，历史第一周期可以是过去的某个时间段，例如，2021年1月至2021年7月。在一些实施例中，历史第一周期可以和未来第二周期对应，例如，历史第一周期可以发生在未来第二周期的前一年，示例地，历史第一周期可以为2021年1月至2021年7月，未来第二周期可以为2022年1月至2022年7月。在一些实施例中，目标区域包括多个目标监测地点，其中，目标监测地点可以为目标区域内的某个地点。在一些实施例中，多个目标监测地点可以均匀地分布在目标区域内。在一些实施例中，降雨数据集可以包括多个目标监测地点的降雨数据，其中，降雨数据可以表征目标监测地点在历史第一周期的多个时间点的降水量，例如，每天的降水量，示例地，目标监测地点在2021年1月至2021年7月内每一天的降水量。在一些实施例中，历史数据获取模块可以从用户终端130、存储设备140或外部数据源（例如，中国气象局等）获取目标区域在历史第一周期内的降雨数据集。
步骤220，基于降雨数据集对多个目标监测地点进行聚类，将目标区域分为多个子区域。在一些实施例中，步骤220可以由区域聚类模块执行。
在一些实施例中，区域聚类模块可以基于降雨数据集对多个目标监测地点进行聚类，将目标区域分为多个子区域，其中，每个子区域可以包括至少一个目标监测点，位于同一个子区域内的多个监测点在历史第一周期的多个时间点的降水量相似度较高。
在一些实施例中，区域聚类模块可以通过k-means时间序列聚类基于降雨数据集对多个目标监测地点进行聚类，将目标区域分为多个子区域。
在一些实施例中，目标监测地点的总数可以为n，样本集可以表示为{x1，x2，x3，…… xn}，其中，x1表示第1个目标监测地点在历史第一周期的多个时间点的降水量，x2表示第2个目标监测地点在历史第一周期的多个时间点的降水量，x3表示第3个目标监测地点在历史第一周期的多个时间点的降水量，xn表示第n个目标监测地点在历史第一周期的多个时间点的降水量。在一些实施例中，子区域的数量可以为6个，区域聚类模块可以通过k-means时间序列聚类将目标区域分为6个子区域可以包括：
从样本集中选择6个目标监测地点对应的数据（即在历史第一周期的多个时间点的降水量）作为初始质心，在一些实施例中，6个目标监测地点可以从目标区域中多个目标监测地点中随机选择；在一些实施例中，为了提高聚类的效率，还可以使6个目标监测地点中每相邻的两个目标监测地点之间的距离大于预设距离阈值，从而使得选择的6个目标监测地点均匀分布在目标区域。
然后计算样本集中除了选择的6个目标监测地点以外的其他目标监测地点对应的数据分别与6个初始质心的距离，对于每一个其他目标监测地点，选择距离最小的初始质心作为其所属的簇，将样本集聚类为6个簇。在一些实施例中，可以基于其他目标监测地点对应的数据与初始质心对应的数据的欧式距离确定其他目标监测地点对应的数据分别与6个初始质心的距离。
对于每一个簇，求新的质心，其中，新的质心为簇内所有样本对应的数据的均值，然后进行n次循环：
将新的质心作为初始质心，计算样本集中每个样本分别与6个初始质心的距离，对于每一个其他目标监测地点，选择距离最小的初始质心作为其所属的簇，将样本集聚类为6个簇，对于每一个簇，求新的质心，其中，新的质心为簇内所有样本对应的数据的均值，新的质心可以表征簇内所有样本对应的在历史第一周期的多个时间点的降水量的均值；
当一次循环中，每个簇的新的质心与初始质心一致时，结束循环，此时，每一个簇包括的多个样本对应的多个目标监测地点组成一个子区域，结合图3，区域聚类模块将目标区域分为6个子区域（第一子区域310-1、第二子区域310-2、第三子区域310-3、第四子区域310-4、第五子区域310-5及第六子区域310-6）。
步骤230，获取多个目标监测地点在未来第二周期内的原始预测降雨数据。在一些实施例中，步骤230可以由预测数据获取模块执行。
在一些实施例中，未来第二周期可以为未来的某个时间段。在一些实施例中，历史第一周期可以和未来第二周期对应，例如，历史第一周期可以发生在未来第二周期的前一年，示例地，历史第一周期可以为2021年1月至2021年7月，未来第二周期可以为2022年1月至2022年7月。
在一些实施例中，预测数据获取模块可以从用户终端130、存储设备140或外部数据源（例如，多卫星降水联合反演IMERG（Integrated Multi-satellitE Retrievals forGPM）卫星降水系统、GRAPES全球预报系统、中国气象局等）获取多个目标监测地点在未来第二周期内的原始预测降雨数据。
步骤240，对于每个子区域，确定与子区域对应的至少一个目标动力因子。在一些实施例中，步骤240可以由因子选择模块执行。
可以理解的，冷暖气团交汇、低层辐合高层辐散、垂直上升运动，水汽集中、垂直风切变、等熵面倾斜、大气斜压性、凝结潜热释放和位势不稳定等，这些宏观的天气形式都有可能是形成降水的因素之一，因此基于此计算的动力因子能够较为准确地描述该地区降水的动力和热力结构特点，根据不同的子区域确定对应的目标动力因子集，能够有效提高后续修正多个子区域的预测降雨数据的准确度。
在一些实施例中，对于每个子区域，因子选择模块确定与子区域对应的至少一个目标动力因子，可以包括：对于每个子区域，从多个动力因子中确定子区域对应的至少一个目标动力因子。在一些实施例中，多个动力因子包括垂直热力切变平流参数、垂直螺旋度、二级位涡、水汽垂直螺旋度、质量垂直螺旋度、散度垂直通量、热力散度垂直通量、水汽散度垂直通量、凝结潜热散度的垂直通量、水汽波作用密度、质量波作用密度、凝结潜热质量波作用密度、Q矢量散度、水汽位涡波作用密度、质量位涡波作用密度及热力切变平流参数中的多个。
参数说明：
（x，y，p）为局地直角坐标的三个分量，x为纬向坐标，y为经向坐标，p为气压，ρ为密 度，V=（u，v，ω）为等压坐标系内三维速度矢量，u为纬向速度，v为经向速度，ω为垂直速度，
Figure 814728DEST_PATH_IMAGE001
为位温，T为温度，
Figure 410838DEST_PATH_IMAGE002
为地面参考气压，R为气体常数，
Figure 607464DEST_PATH_IMAGE003
为定压比热，
Figure 283165DEST_PATH_IMAGE004
为广义位温，
Figure 223439DEST_PATH_IMAGE005
为凝结潜热，
Figure 668196DEST_PATH_IMAGE006
为对流抬升高度的温度，
Figure 301302DEST_PATH_IMAGE007
为水汽 饱和比湿，
Figure 464299DEST_PATH_IMAGE008
为水汽比湿，K为经验常数，
Figure 942685DEST_PATH_IMAGE009
为三维空间梯度算子，x为纬 向坐标，
Figure 38686DEST_PATH_IMAGE010
代表物理量A的绝对值，
Figure 311535DEST_PATH_IMAGE011
代表凝结潜热密度。
Figure 961829DEST_PATH_IMAGE012
代表等压坐标系内物理量A的绝对值的质量权重（850 hPa至500 hPa对流层 中低层）垂直积分。上述符号在以下表达式中具有普遍意义。
在一些实施例中，垂直热力切变平流参数可以为位温垂直平流与广义位温的雅可比。在一些实施例中，可以通过以下公式计算垂直热力切变平流参数：
Figure 978326DEST_PATH_IMAGE013
在一些实施例中，垂直螺旋度可以为垂直速度与相对垂直涡度的乘积。在一些实施例中，可以通过以下公式计算垂直螺旋度：
Figure 397675DEST_PATH_IMAGE014
在一些实施例中，二级位涡可以为涡度与位涡梯度的标量积。在一些实施例中，可以通过以下公式计算二级位涡：
Figure 841426DEST_PATH_IMAGE015
其中，
Figure 244594DEST_PATH_IMAGE016
为位涡物质。
在一些实施例中，水汽垂直螺旋度可以为垂直速度与水汽通量垂直涡度的乘积。在一些实施例中，可以通过以下公式计算水汽垂直螺旋度：
Figure 64783DEST_PATH_IMAGE017
在一些实施例中，质量垂直螺旋度可以为垂直速度与质量通量垂直涡度的乘积。在一些实施例中，可以通过以下公式计算质量垂直螺旋度：
Figure 621795DEST_PATH_IMAGE018
在一些实施例中，散度垂直通量可以为垂直速度与水平散度的乘积。在一些实施例中，可以通过以下公式计算散度垂直通量：
Figure 502027DEST_PATH_IMAGE019
在一些实施例中，热力散度垂直通量可以为垂直速度与热量通量水平散度的乘积。在一些实施例中，可以通过以下公式计算热力散度垂直通量：
Figure 861333DEST_PATH_IMAGE020
在一些实施例中，水汽散度垂直通量可以为垂直速度与水汽通量水平散度的乘积。在一些实施例中，可以通过以下公式计算水汽散度垂直通量：
Figure 485212DEST_PATH_IMAGE021
在一些实施例中，凝结潜热散度的垂直通量可以为垂直速度与凝结潜热通量水平散度的乘积。在一些实施例中，可以通过以下公式计算凝结潜热散度的垂直通量：
Figure 144732DEST_PATH_IMAGE022
其中，
Figure 930286DEST_PATH_IMAGE023
代表凝结潜热效应。
在一些实施例中，水汽波作用密度可以为扰动垂直速度与扰动水汽比湿的雅可比。在一些实施例中，可以通过以下公式计算水汽波作用密度：
Figure 42467DEST_PATH_IMAGE024
其中，下标“0”代表基本态，下标“e”代表扰动态。在这里任意物理量都可以写成基本态与扰动态之和的形式，即，
Figure 938879DEST_PATH_IMAGE025
.
在实际计算中，我们利用Barnes低通滤波技术对GFS预报场进行连续3次水平平滑滤波，该滤波结果作为基本态场，从总资料场中减去基本态场就得到扰动态场。
在一些实施例中，质量波作用密度可以为扰动垂直速度与扰动密度的雅可比。在一些实施例中，可以通过以下公式计算质量波作用密度：
Figure 452906DEST_PATH_IMAGE026
在一些实施例中，凝结潜热质量波作用密度可以为扰动垂直速度与扰动凝结潜热密度的雅可比。在一些实施例中，可以通过以下公式计算凝结潜热质量波作用密度：
Figure 674940DEST_PATH_IMAGE027
其中，
Figure 274417DEST_PATH_IMAGE028
。为凝结潜热密度
Figure 974520DEST_PATH_IMAGE029
的扰动态。
在一些实施例中， Q矢量散度可以为非地转非均匀饱和Q矢量的水平散度。在一些实施例中，可以通过以下公式计算Q矢量散度：
Figure 343053DEST_PATH_IMAGE030
其中，
Figure 735988DEST_PATH_IMAGE031
，
为x方向Q矢量分量，
Figure 822762DEST_PATH_IMAGE032
，
为y方向Q矢量分量，f为科氏参数。
在一些实施例中，水汽位涡波作用密度可以为扰动涡度与扰动水汽梯度的标量积。在一些实施例中，可以通过以下公式计算水汽位涡波作用密度：
Figure 592135DEST_PATH_IMAGE033
在一些实施例中，质量位涡波作用密度可以为扰动涡度与扰动密度梯度的标量积。在一些实施例中，可以通过以下公式计算质量位涡波作用密度：
Figure 821034DEST_PATH_IMAGE034
在一些实施例中，热力切变平流参数可以为扰动水平风矢量旋转90度后的旋度在扰动广义位温梯度方向上的投影。在一些实施例中，可以通过以下公式计算热力切变平流参数：
Figure 571821DEST_PATH_IMAGE035
在一些实施例中，因子选择模块可以基于预设规则确定与子区域对应的目标动力因子集，其中，目标动力因子集可以包括至少一个目标动力因子，预设规则可以表征子区域与目标动力因子集对应关系。
在一些实施例中，六个子区域与目标动力因子集的对应关系可以如表1所示：
表1
Figure 896623DEST_PATH_IMAGE037
步骤250，通过机器学习模型基于原始预测降雨数据及每个子区域对应的至少一个目标动力因子确定多个子区域的修正预测降雨数据。在一些实施例中，步骤250可以由预测修正模块执行。
在一些实施例中，机器学习模型的输入可以为原始预测降雨数据及每个子区域对应的至少一个目标动力因子，机器学习模型的输出可以为多个子区域的修正预测降雨数据。在一些实施例中，机器学习模型为XGBoost（Extreme Gradient Boost，极致梯度提升）降水预测模型。
在本申请的另一些实施例中，提供了一种基于机器学习的降水预报修正装置，包括至少一个处理设备以及至少一个存储设备；至少一个存储设备用于存储计算机指令，至少一个处理设备用于执行计算机指令中的至少部分指令以实现如上的一种基于机器学习的降水预报修正方法。
在本申请的又一些实施例中，提供了一种计算机可读存储介质，存储介质存储计算机指令，当计算机指令被处理设备执行时实现如上的基于机器学习的降水预报修正方法。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件（包括固件、常驻软件、微码等）执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件（当前或之后附加于本申请中的）也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。
最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

Claims (10)

1.一种基于机器学习的降水预报修正方法，其特征在于，包括：
获取目标区域在历史第一周期内的降雨数据集，其中，所述目标区域包括多个目标监测地点，所述降雨数据集包括所述多个目标监测地点的降雨数据；
基于所述目标区域在历史第一周期内的降雨数据集对所述多个目标监测地点进行聚类，将所述目标区域分为多个子区域；
获取所述多个目标监测地点在未来第二周期内的原始预测降雨数据；
对于每个所述子区域，确定与所述子区域对应的至少一个目标动力因子；
通过机器学习模型基于所述原始预测降雨数据及每个所述子区域对应的所述至少一个目标动力因子确定所述多个子区域的修正预测降雨数据；
所述对于每个所述子区域，确定与所述子区域对应的至少一个目标动力因子，包括：
对于每个所述子区域，从多个动力因子中确定所述子区域对应的至少一个目标动力因子，其中，所述多个动力因子至少包括水汽波作用密度、水汽位涡波作用密度、质量位涡波作用密度及热力切变平流参数；
其中，所述水汽位涡波作用密度为扰动涡度与扰动水汽梯度的标量积，通过以下公式 计算水汽位涡波作用密度
Figure DEST_PATH_IMAGE001
：
Figure 964073DEST_PATH_IMAGE002
Figure 52114DEST_PATH_IMAGE004
代表等压坐标系内物理量A的绝对值在850 hPa至500 hPa对流层中低 层的质量权重垂直积分，ρ0为密度ρ的基本态， ve为经向速度v的扰动态，(x,y,p)为局地直 角坐标的三个分量，
Figure DEST_PATH_IMAGE005
为纬向坐标，
Figure 961558DEST_PATH_IMAGE006
为经向坐标，p为气压，qve为水汽比湿qv的扰动态，ue为 纬向速度u的扰动态；
所述质量位涡波作用密度为扰动涡度与扰动密度梯度的标量积；
所述热力切变平流参数为扰动水平风矢量旋转90度后的旋度在扰动广义位温梯度方 向上的投影，通过以下公式计算热力切变平流参数
Figure DEST_PATH_IMAGE007
：
Figure 707928DEST_PATH_IMAGE008
Figure DEST_PATH_IMAGE009
为广义位温
Figure 219550DEST_PATH_IMAGE010
的扰动态；
所述对于每个所述子区域，从多个动力因子中确定所述子区域对应的至少一个目标动力因子，包括：
基于预设规则确定与所述子区域对应的目标动力因子集，其中，所述目标动力因子集包括至少一个目标动力因子，所述预设规则表征所述子区域与所述目标动力因子集对应关系。
2.根据权利要求1所述的一种基于机器学习的降水预报修正方法，其特征在于，所述基于所述降雨数据集对所述多个目标监测地点进行聚类，将所述目标区域分为多个子区域，包括：
通过k-means时间序列聚类基于所述降雨数据集对所述多个目标监测地点进行聚类，将所述目标区域分为所述多个子区域。
3.根据权利要求1所述的一种基于机器学习的降水预报修正方法，其特征在于，通过以下公式计算所述水汽垂直螺旋度：
Figure DEST_PATH_IMAGE011
；
其中，
Figure 353859DEST_PATH_IMAGE012
为垂直速度。
4.根据权利要求1所述的一种基于机器学习的降水预报修正方法，其特征在于，通过以下公式计算所述热力散度垂直通量：
Figure DEST_PATH_IMAGE013
；
其中，
Figure 701664DEST_PATH_IMAGE012
为垂直速度。
5.根据权利要求1-4任意一项所述的一种基于机器学习的降水预报修正方法，其特征在于，所述机器学习模型为XGBoost（Extreme Gradient Boost，极致梯度提升）降水预测模型。
6.一种基于机器学习的降水预报修正系统，其特征在于，包括：
历史数据获取模块，用于获取目标区域在历史第一周期内的降雨数据集，其中，所述目标区域包括多个目标监测地点，所述降雨数据集包括所述多个目标监测地点的降雨数据；
区域聚类模块，用于基于所述目标区域在历史第一周期内的降雨数据集对所述多个目标监测地点进行聚类，将所述目标区域分为多个子区域；
预测数据获取模块，用于获取所述多个目标监测地点在未来第二周期内的原始预测降雨数据；
因子选择模块，用于对每个所述子区域，确定与所述子区域对应的至少一个目标动力因子；
预测修正模块，用于通过机器学习模型基于所述原始预测降雨数据及每个所述子区域对应的所述至少一个目标动力因子确定所述多个子区域的修正预测降雨数据；
所述因子选择模块还用于对于每个所述子区域，从多个动力因子中确定所述子区域对应的至少一个目标动力因子，其中，所述多个动力因子至少包括水汽波作用密度、水汽位涡波作用密度、质量位涡波作用密度及热力切变平流参数；
其中，所述水汽位涡波作用密度为扰动涡度与扰动水汽梯度的标量积通过以下公式计 算水汽位涡波作用密度
Figure 974030DEST_PATH_IMAGE001
：
Figure 825312DEST_PATH_IMAGE014
Figure 520735DEST_PATH_IMAGE016
代表等压坐标系内物理量A的绝对值在850 hPa至500 hPa对流层中 低层的质量权重垂直积分，ρ0为密度ρ的基本态， ve为经向速度v的扰动态，(x,y,p)为局地 直角坐标的三个分量，
Figure 44252DEST_PATH_IMAGE005
为纬向坐标，
Figure 647271DEST_PATH_IMAGE006
为经向坐标，p为气压，qve为水汽比湿qv的扰动态，ue 为纬向速度u的扰动态；
所述质量位涡波作用密度为扰动涡度与扰动密度梯度的标量积；
所述热力切变平流参数为扰动水平风矢量旋转90度后的旋度在扰动广义位温梯度方 向上的投影，通过以下公式计算热力切变平流参数
Figure 556321DEST_PATH_IMAGE007
：
Figure DEST_PATH_IMAGE017
Figure 734231DEST_PATH_IMAGE018
为广义位温
Figure DEST_PATH_IMAGE019
的扰动态；
所述对于每个所述子区域，从多个动力因子中确定所述子区域对应的至少一个目标动力因子，包括：
基于预设规则确定与所述子区域对应的目标动力因子集，其中，所述目标动力因子集包括至少一个目标动力因子，所述预设规则表征所述子区域与所述目标动力因子集对应关系。
7.根据权利要求6所述的一种基于机器学习的降水预报修正系统，其特征在于，所述区域聚类模块还用于：
通过k-means时间序列聚类基于所述降雨数据集对所述多个目标监测地点进行聚类，将所述目标区域分为所述多个子区域。
8.根据权利要求7所述的一种基于机器学习的降水预报修正系统，其特征在于，通过以下公式计算所述水汽垂直螺旋度：
Figure 72939DEST_PATH_IMAGE020
；
其中，
Figure 417333DEST_PATH_IMAGE012
为垂直速度。
9.根据权利要求8所述的一种基于机器学习的降水预报修正系统，其特征在于，通过以下公式计算所述热力散度垂直通量：
Figure DEST_PATH_IMAGE021
；
其中，
Figure 760983DEST_PATH_IMAGE012
为垂直速度。
10.根据权利要求6-9任意一项所述的一种基于机器学习的降水预报修正系统，其特征在于，所述机器学习模型为XGBoost（Extreme Gradient Boost，极致梯度提升）降水预测模型。
CN202210565857.2A 2022-05-24 2022-05-24 一种基于机器学习的降水预报修正方法及系统 Active CN114648181B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210565857.2A CN114648181B (zh) 2022-05-24 2022-05-24 一种基于机器学习的降水预报修正方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210565857.2A CN114648181B (zh) 2022-05-24 2022-05-24 一种基于机器学习的降水预报修正方法及系统

Publications (2)

Publication Number Publication Date
CN114648181A CN114648181A (zh) 2022-06-21
CN114648181B true CN114648181B (zh) 2022-11-18

Family

ID=81997015

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210565857.2A Active CN114648181B (zh) 2022-05-24 2022-05-24 一种基于机器学习的降水预报修正方法及系统

Country Status (1)

Country Link
CN (1) CN114648181B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115438590B (zh) * 2022-10-27 2023-05-02 国能大渡河大数据服务有限公司 一种基于bp神经网络的降水预报订正方法及系统
CN115391745B (zh) * 2022-10-27 2023-01-20 国能大渡河大数据服务有限公司 一种基于概率匹配平均法的降水预报订正方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465243A (zh) * 2020-12-02 2021-03-09 南通大学 一种空气质量预报方法及系统
CN113743013A (zh) * 2021-09-08 2021-12-03 成都卡普数据服务有限责任公司 一种基于XGBoost气温预测数据修正的方法
CN114418211A (zh) * 2022-01-17 2022-04-29 宁波市电力设计院有限公司 降水量的修正方法以及修正装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104298851B (zh) * 2014-07-22 2017-04-12 兰州大学 一种用于预报强降水天气的数据处理方法
CN104951847A (zh) * 2014-12-31 2015-09-30 广西师范学院 一种基于核主成分分析和基因表达式编程的降水预报方法
US10754063B2 (en) * 2016-06-14 2020-08-25 The Climate Corporation Supervised neural network to predict unlabeled rain rates
CN110488298B (zh) * 2019-08-30 2022-11-11 成都信息工程大学 基于各尺度特征的冰雹预警方法
CN111475938B (zh) * 2020-04-03 2022-11-29 广东海洋大学 一种分析青藏高原utls臭氧对重力波响应的方法
CN111665575B (zh) * 2020-05-27 2021-01-05 长江水利委员会水文局 一种基于统计动力的中长期降雨分级耦合预报方法及系统
CN112053005B (zh) * 2020-09-15 2024-04-02 江苏省气象台 一种主客观降水预报的机器学习融合方法
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
CN113592143A (zh) * 2021-06-28 2021-11-02 清华大学 基于降雨预报的中长期径流集合预报方法及系统
CN114154705A (zh) * 2021-11-26 2022-03-08 国能大渡河大数据服务有限公司 应用于降水预报的数据处理方法、装置、设备和介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465243A (zh) * 2020-12-02 2021-03-09 南通大学 一种空气质量预报方法及系统
CN113743013A (zh) * 2021-09-08 2021-12-03 成都卡普数据服务有限责任公司 一种基于XGBoost气温预测数据修正的方法
CN114418211A (zh) * 2022-01-17 2022-04-29 宁波市电力设计院有限公司 降水量的修正方法以及修正装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
华南暖区暴雨过程集合动力因子的诊断分析;苏冉 等;《气象》;20191130;第45卷(第11期);第1.2节及表6 *
集合动力因子在内蒙古东部暴雨预报过程中的检验分析;李瑞青 等;《第35届中国气象学会年会 S1 灾害天气监测、分析与预报》;20180925;第9页第1段及表1 *
集合动力因子暴雨预报方法研究;高守亭 等;《暴雨灾害》;20131231;第32卷(第4期);摘要、第293页第7段-295页第3段 *

Also Published As

Publication number Publication date
CN114648181A (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
CN114648181B (zh) 一种基于机器学习的降水预报修正方法及系统
US11168667B2 (en) Method and device for calculating power generation of wind farm
CN110988269B (zh) 大气污染源排放清单的偏差修正方法、装置及存储介质
EP3576242A1 (en) Energy operation apparatus, method, and system
Nair et al. Efficient conservative global transport schemes for climate and atmospheric chemistry models
Zerroukat et al. A three‐dimensional monotone and conservative semi‐Lagrangian scheme (SLICE‐3D) for transport problems
CN111898303A (zh) 基于气象预报及水动力模拟的流域水位及内涝预报方法
CN105576650A (zh) 基于同化技术与同风带理论的风电功率预测方法及系统
CN103310284B (zh) 经济负荷和降温负荷的确定方法及负荷确定装置
Ali et al. GIS-based residential building energy modeling at district scale
Keskin et al. Comparing spatial interpolation methods for mapping meteorological data in Turkey
CN108205713A (zh) 一种区域风电功率预测误差分布确定方法和装置
Houchati et al. Predictive modeling for rooftop solar energy throughput: a machine learning-based optimization for building energy demand scheduling
CN115470731A (zh) 一种基于微气象的风场风电功率预测方法及系统
CN102768738A (zh) 风电场功率预测方法和预测装置
Lee et al. Proposition of Design Capacity of Borehole Heat Exchangers for Use in the Schematic-Design Stage
CN103268526A (zh) 基于区间泰勒模型的电力系统短期负荷预测系统及方法
CN112700349A (zh) 测风塔选址方法和装置
CN110442836A (zh) 风电场短期风速预测方法及系统
CN115391745B (zh) 一种基于概率匹配平均法的降水预报订正方法及系统
Vogt et al. Model-based planning of technical building services and process chains for battery cell production
CN115438590B (zh) 一种基于bp神经网络的降水预报订正方法及系统
CN115983104A (zh) 风速预测方法、装置、存储介质和电子设备
JP2018021856A (ja) 気象情報予測装置および電力需要予測装置
CN113158598B (zh) 基地型风电场流场cfd分区计算方法、装置、设备和介质

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
GR01 Patent grant
GR01 Patent grant