CN114966902A - 一种基于神经网络的降雨量自动估测方法及系统 - Google Patents

一种基于神经网络的降雨量自动估测方法及系统 Download PDF

Info

Publication number
CN114966902A
CN114966902A CN202210533045.XA CN202210533045A CN114966902A CN 114966902 A CN114966902 A CN 114966902A CN 202210533045 A CN202210533045 A CN 202210533045A CN 114966902 A CN114966902 A CN 114966902A
Authority
CN
China
Prior art keywords
rainfall
neural network
heavy rain
rain
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.)
Pending
Application number
CN202210533045.XA
Other languages
English (en)
Inventor
张�浩
金晶
王世振
马志峰
刘劼
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202210533045.XA priority Critical patent/CN114966902A/zh
Publication of CN114966902A publication Critical patent/CN114966902A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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"
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Hydrology & Water Resources (AREA)
  • Development Economics (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提出了一种基于神经网络的降雨量自动估测方法及系统，其中，该方法包括利用算法提取雷达反射率与地面降雨观测站点的时空对应数据；利用神经网络算法对提取的数据进行训练，更新权重，估测降雨量；通过使用加权的损失函数优化神经网络算法，使模型提高对中雨、大雨、暴雨的估测能力；通过各节点权重计算输出，估测得到降雨量具体值；该方法有效解决了现有经验公式在多种假设下推导得出，导致降雨量的估计准确率低，以及对中雨、大雨、暴雨的估测准确率更低的技术问题，满足了自动化的要求，同时提高了降雨量的估测精度。

Description

一种基于神经网络的降雨量自动估测方法及系统
技术领域
本发明属于气象定量估测降雨技术领域，具体地，涉及一种基于神经网络的降雨量自动估测方法及系统。
背景技术
降雨是气象中最频发的一种天气状况，不仅影响人们的日常劳作及出行，对工业、农业、商业、交通行业等也有着重要影响，过多的降雨会影响人们的正常生活甚至造成自然灾害。因此，做好强降水预警工作，为人们的生活及时提供准确的降雨量信息，成为气象研究者及广大科研人员的研究重点和难点。
目前，对于降雨的估测，是通过雷达反射率与降雨之间存在的经验公式Z-R关系获得降雨信息。即雷达反射率因子Z单位：mm6/m3和降雨量R单位：mm/h之间，
在一些合理的假设下，推导出来的Z-R关系，假设如下：
1、雨量均匀分布且不根据时间改变；
2、垂直于近地面的气流可不计；
3、雨滴散射满足瑞利散射
4、雨滴的落下速度假设在静态大气中。
此类传统方法是在很多假设下进行的推导，没有考虑空气流动，雨滴分布，气压，风速，温湿度等影响降雨的因素，因此此方法对于降雨量估测存在很大误差，该经验公式较为粗糙，无法根据实际环境准确的估测出降雨量信息。
发明内容
本发明提出了一种基于神经网络的降雨量自动估测方法及系统，该方法不仅整体提高了对降雨量估测的准确率，同时提高了对中雨、大雨、暴雨的估测准确率。
本发明通过以下技术方案实现：
一种基于神经网络的降雨量自动估测方法：
所述方法具体包括以下步骤：
步骤S101、提取雷达反射率与地面降雨观测站点的时空对应数据；
步骤S102、利用神经网络算法对步骤S101所提取的数据进行训练，更新神经网络节点的权重，估测降雨量；
步骤S103、使用加权的损失函数优化步骤S102所述的神经网络算法，提高模型对中雨、大雨、暴雨的估测能力；
步骤S104、通过各网络节点的权重计算，输出估测的降雨量。
进一步地，在步骤S101中，
从雷达回波数据提取雷达反射率；
从地面观测站点提取风向、风速、湿度、露点、温度、气压和站点高度参数数据。
进一步地，在步骤S102中，
用神经网络算法对输入的雷达反射率、风速、湿度、露点、温度、气压和站点高度数据进行训练，输出为估测降雨量；
通过神经网络训练确定网络各个节点的权重，得到各参数对降雨量的影响，从而得到降雨量估测值。
进一步地，在步骤S103中，
使用加权损失函数对神经网络算法进行优化，使神经网络算法在训练过程中加大对中雨、大雨、暴雨的关注；
及通过加大神经网络算法损失，使得各网络节点在参数更新时更在意中雨、大雨、暴雨的损失值，提高模型对中雨、大雨、暴雨的估测能力。
进一步地，
所述的加权损失函数的计算公式为：
Figure BDA0003645921900000021
其中yi为实际降雨量，
Figure BDA0003645921900000022
为估测降雨量，w(y)i为权重通过对其误差进行加权，增大中雨、大雨、暴雨误差在反向传播过程中的影响，进而提高对中雨，大雨，暴雨的估测准确率。
一种基于神经网络的降雨量自动估测装置：
所述装置包括数据提取模块301、神经网络模块302和计算输出模块303；
数据提取模块301，用于提取雷达反射率与地面降雨观测站点的时空对应数据；
神经网络模块302，用于使用数据提取模块所提取的数据训练神经网络，更新神经网络节点的权重，估测降雨量；并通过加权损失函数，优化神经网络模块，提高模型对中雨、大雨、暴雨的估测能力；
计算输出模块303、用于各网络节点的权重计算，输出估测的降雨量。
进一步地，
所述数据提取模块301还用于：
从雷达回波数据提取雷达反射率；
从地面观测站点提取风向、风速、湿度、露点、温度、气压和站点高度参数数据。
进一步地，
所述神经网络模块302还用于：
对输入的雷达反射率、风速、湿度、露点、温度、气压和站点高度数据进行训练，输出为估测降雨量；
训练确定网络各个节点的权重，得到各参数对降雨量的影响，从而得到降雨量估测值。
进一步地，
所述神经网络模块302还用于：
对神经网络进行优化，使神经网络模块在训练过程中加大对中雨、大雨、暴雨的关注；
及通过加大神经网络模块302的损失，使得各网络节点在参数更新时更在意中雨、大雨、暴雨的损失值，提高模块对中雨、大雨、暴雨的估测能力。
进一步地，
神经网络模块302中的加权损失函数计算公式为：
Figure BDA0003645921900000031
其中yi为实际降雨量，
Figure BDA0003645921900000032
为估测降雨量，w(y)i为权重，通过设置权重对其误差进行加权，增大中雨、大雨、暴雨误差在反向传播过程中的影响，进而提高对中雨，大雨，暴雨的估测准确率。
一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现上述任一项所述方法的步骤。
本发明有益效果
本发明解决了现有技术在多种假设下得到的经验公式无法准确估测出实际降雨量，且未考虑影响降雨的温度、湿度、风速、气压等信息，导致降雨量的估计准确率低，同时对中雨、大雨、暴雨的估测准确率过低的技术问题。
附图说明
图1为本发明一个实施例的基于神经网络的降雨量自动估测方法流程图；
图2为本发明一个实施例的基于神经网络的降雨量自动估测方法原理示意图；
图3为本发明一个实施例的基于神经网络的降雨量自动估测系统结构示意图。
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。
对于降雨的估测，是通过雷达反射率与降雨之间存在的经验公式Z-R关系获得降雨信息。即雷达反射率因子Z单位：mm6/m3和降雨量R单位：mm/h之间满足如下公式：
Z＝aRb
其中a,b为经验常数，a约200，b在1.5～2之间，根据不同时次、不同地区、不同雷达产品等多种因素确定。其中雷达反射率为dBZ，需要通过下面公式转换成雷达反射率因子Z。
dBZ＝10lg(Z)
Z-R经验公式的推导过程如下所述。
雷达反射率因子Z定义如下：
Figure BDA0003645921900000041
其中，n表示雨水颗粒密度，D表示水滴直径，而n(D)dD表示单位体积中直径在D，D+dD之间的颗粒数。
忽略地面气流垂直变化的情况，降雨量R可以表示为：
Figure BDA0003645921900000051
其中n(D)和ν(D)分别为颗粒下降的密度和末速度。
由上式可知，反射率因子和降雨量R都和雨滴谱n(D)dD相关，且R还与粒子质量和下落末速度有关，雨滴谱可由下面公式得到：
n(D)d(D)＝c1Due-^DdD
其中，c1、u、∧为常数，通常根据实际资料确定取值。
雨滴在静态大气中的落下速度可以由下式计算得出：
V(D)＝c1-c2e-6D
其中，V(D)单位是cm/s，c1、c2是常数。
结合图1至图3，本发明提出了一种基于神经网络的降雨量自动估测方法及系统。
一种基于神经网络的降雨量自动估测方法：
所述方法具体包括以下步骤：
步骤S101、提取雷达反射率与地面降雨观测站点的时空对应数据；
步骤S102、利用神经网络算法对步骤S101所提取的数据进行训练，更新神经网络节点的权重，估测降雨量；
步骤S103、使用加权的损失函数优化步骤S102所述的神经网络算法，提高模型对中雨、大雨、暴雨的估测能力；
步骤S104、通过各网络节点的权重计算，输出估测的降雨量。
在步骤S101中，
通过算法自动进行数据提取工作：
主要从雷达回波数据提取雷达反射率相关数据；
从地面观测站点提取风向、风速、湿度、露点、温度、气压和站点高度等20个降雨相关参数数据。
在步骤S102中，
用神经网络算法对输入的雷达反射率、风速、湿度、露点、温度、气压和站点高度数据进行训练，输出为估测降雨量；使其学习到输入与降雨量之间的相关性，
通过神经网络训练确定网络各个节点的权重，得到各参数对降雨量的影响，从而得到降雨量估测值。
在步骤S103中，
使用加权损失函数对神经网络算法进行优化，使神经网络算法在训练过程中加大对中雨、大雨、暴雨的关注；
及通过加大神经网络算法损失，使得各网络节点在参数更新时更在意中雨、大雨、暴雨的损失值，提高模型对中雨、大雨、暴雨的估测能力。
所述的加权损失函数的计算公式为：
Figure BDA0003645921900000061
其中yi为实际降雨量，
Figure BDA0003645921900000062
为估测降雨量，w(y)i为权重通过对其误差进行加权，增大中雨、大雨、暴雨误差在反向传播过程中的影响，进而提高对中雨，大雨，暴雨的估测准确率。
一种基于神经网络的降雨量自动估测装置：
所述装置包括数据提取模块301、神经网络模块302和计算输出模块303；
数据提取模块301，用于提取雷达反射率与地面降雨观测站点的时空对应数据；
神经网络模块302，用于使用数据提取模块所提取的数据训练神经网络，更新神经网络节点的权重，估测降雨量；并通过加权损失函数，优化神经网络模块，提高模型对中雨、大雨、暴雨的估测能力；
计算输出模块303、用于各网络节点的权重计算，输出估测的降雨量。
所述数据提取模块301还用于：
通过算法自动进行数据提取工作：
主要从雷达回波数据提取雷达反射率相关数据；
从地面观测站点提取风向、风速、湿度、露点、温度、气压和站点高度等20个降雨相关参数数据。
雷达回波是由雷达站点旋转扫射得到的一片空中区域的反射率数据，每6分钟更新一次，地面观测站点为地面某处用于检测此处风向、风速、湿度、露点、温度、气压、降雨量等数据的设备，每6分钟更新一次，因此需要通过地面观测站点经纬度和雷达回波各点经纬度，以及对应时间，提取时空对应的雷达反射率数据。从而得到用于估测当前时刻降雨量的参数数据。
所述神经网络模块302还用于：
对输入的雷达反射率、风速、湿度、露点、温度、气压和站点高度数据等20个相关参数数据进行训练，输出为估测降雨量；
训练确定网络各个节点的权重，得到各参数对降雨量的影响，从而得到降雨量估测值。
所述神经网络模块302还用于：
对神经网络进行优化，使神经网络模块在训练过程中加大对中雨、大雨、暴雨的关注；
及通过加大神经网络模块302的损失，使得各网络节点在参数更新时更在意中雨、大雨、暴雨的损失值，提高模块对中雨、大雨、暴雨的估测能力。
神经网络模块302中的加权损失函数计算公式为：
Figure BDA0003645921900000071
其中yi为实际降雨量，
Figure BDA0003645921900000072
为估测降雨量，w(y)i为权重，通过设置权重对其误差进行加权，增大中雨、大雨、暴雨误差在反向传播过程中的影响，进而提高对中雨，大雨，暴雨的估测准确率。
一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现上述任一项所述方法的步骤。
以上对本发明所提出的一种基于神经网络的降雨量自动估测方法及系统，进行了详细介绍，对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于神经网络的降雨量自动估测方法，其特征在于：
所述方法具体包括以下步骤：
步骤S101、提取雷达反射率与地面降雨观测站点的时空对应数据；
步骤S102、利用神经网络算法对步骤S101所提取的数据进行训练，更新神经网络节点的权重，估测降雨量；
步骤S103、使用加权的损失函数优化步骤S102所述的神经网络算法，提高模型对中雨、大雨、暴雨的估测能力；
步骤S104、通过各网络节点的权重计算，输出估测的降雨量。
2.根据权利要求1所述方法，其特征在于：在步骤S101中，
从雷达回波数据提取雷达反射率；
从地面观测站点提取风向、风速、湿度、露点、温度、气压和站点高度参数数据。
3.根据权利要求2所述方法，其特征在于：在步骤S102中，
用神经网络算法对输入的雷达反射率、风速、湿度、露点、温度、气压和站点高度数据进行训练，输出为估测降雨量；
通过神经网络训练确定网络各个节点的权重，得到各参数对降雨量的影响，从而得到降雨量估测值。
4.根据权利要求3所述方法，其特征在于：在步骤S103中，
使用加权损失函数对神经网络算法进行优化，使神经网络算法在训练过程中加大对中雨、大雨、暴雨的关注；
及通过加大神经网络算法损失，使得各网络节点在参数更新时更在意中雨、大雨、暴雨的损失值，提高模型对中雨、大雨、暴雨的估测能力。
5.根据权利要求4所述方法，其特征在于：
所述的加权损失函数的计算公式为：
Figure FDA0003645921890000011
其中yi为实际降雨量，
Figure FDA0003645921890000012
为估测降雨量，w(y)i为权重通过对其误差进行加权，增大中雨、大雨、暴雨误差在反向传播过程中的影响，进而提高对中雨，大雨，暴雨的估测准确率。
6.一种基于神经网络的降雨量自动估测装置，其特征在于：
所述装置包括数据提取模块(301)、神经网络模块(302)和计算输出模块(303)；
数据提取模块(301)，用于提取雷达反射率与地面降雨观测站点的时空对应数据；
神经网络模块(302)，用于使用数据提取模块所提取的数据训练神经网络，更新神经网络节点的权重，估测降雨量；并通过加权损失函数，优化神经网络模块，提高模型对中雨、大雨、暴雨的估测能力；
计算输出模块(303)、用于各网络节点的权重计算，输出估测的降雨量。
7.根据权利要求6所述装置，其特征在于：
所述数据提取模块(301)还用于：
从雷达回波数据提取雷达反射率；
从地面观测站点提取风向、风速、湿度、露点、温度、气压和站点高度参数数据。
8.根据权利要求7所述装置，其特征在于：
所述神经网络模块(302)还用于：
对输入的雷达反射率、风速、湿度、露点、温度、气压和站点高度数据进行训练，输出为估测降雨量；
训练确定网络各个节点的权重，得到各参数对降雨量的影响，从而得到降雨量估测值。
9.根据权利要求8所述装置，其特征在于：
所述神经网络模块(302)还用于：
对神经网络进行优化，使神经网络模块在训练过程中加大对中雨、大雨、暴雨的关注；
通过加大神经网络模块(302)的损失，使得各网络节点在参数更新时更在意中雨、大雨、暴雨的损失值，提高模块对中雨、大雨、暴雨的估测能力。
10.根据权利要求9所述装置，其特征在于：
神经网络模块(302)中的加权损失函数计算公式为：
Figure FDA0003645921890000021
其中yi为实际降雨量，
Figure FDA0003645921890000031
为估测降雨量，w(y)i为权重，通过设置权重对其误差进行加权，增大中雨、大雨、暴雨误差在反向传播过程中的影响，进而提高对中雨，大雨，暴雨的估测准确率。
CN202210533045.XA 2022-05-16 2022-05-16 一种基于神经网络的降雨量自动估测方法及系统 Pending CN114966902A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210533045.XA CN114966902A (zh) 2022-05-16 2022-05-16 一种基于神经网络的降雨量自动估测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210533045.XA CN114966902A (zh) 2022-05-16 2022-05-16 一种基于神经网络的降雨量自动估测方法及系统

Publications (1)

Publication Number Publication Date
CN114966902A true CN114966902A (zh) 2022-08-30

Family

ID=82982377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210533045.XA Pending CN114966902A (zh) 2022-05-16 2022-05-16 一种基于神经网络的降雨量自动估测方法及系统

Country Status (1)

Country Link
CN (1) CN114966902A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728411A (zh) * 2019-10-18 2020-01-24 河海大学 一种基于卷积神经网络的高低空区域联合降雨预测方法
CN111401602A (zh) * 2019-12-31 2020-07-10 河海大学 基于神经网络的卫星以及地面降水测量值同化方法
CN113253275A (zh) * 2021-04-22 2021-08-13 南京航空航天大学 一种基于改进rbf神经网络的降雨量估计方法
CN114067214A (zh) * 2022-01-17 2022-02-18 北京弘象科技有限公司 一种基于多模型融合卷积网络的暴雨识别方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728411A (zh) * 2019-10-18 2020-01-24 河海大学 一种基于卷积神经网络的高低空区域联合降雨预测方法
CN111401602A (zh) * 2019-12-31 2020-07-10 河海大学 基于神经网络的卫星以及地面降水测量值同化方法
CN113253275A (zh) * 2021-04-22 2021-08-13 南京航空航天大学 一种基于改进rbf神经网络的降雨量估计方法
CN114067214A (zh) * 2022-01-17 2022-02-18 北京弘象科技有限公司 一种基于多模型融合卷积网络的暴雨识别方法和装置

Similar Documents

Publication Publication Date Title
CN108764515A (zh) 一种耦合数值气象水文集合预报的水库调度风险决策方法
Li et al. Statistical modeling of extreme rainfall in southwest Western Australia
Lang et al. Modeling of convective–stratiform precipitation processes: Sensitivity to partitioning methods
CN111414991B (zh) 一种基于多元回归的气象锋面自动识别方法
Huang et al. An analytical comparison of four approaches to modelling the daily variability of solar irradiance using meteorological records
CN109472283B (zh) 一种基于多重增量回归树模型的危险天气预测方法和装置
Randrianasolo et al. Comparing the scores of hydrological ensemble forecasts issued by two different hydrological models
CN112232554A (zh) 一种基于bp神经网络的局域短临降水预报模型的构建方法
CN112180472A (zh) 一种基于深度学习的大气能见度集成预报方法
CN113419246B (zh) 一种用于雷达资料高频同化的Nudging逼近多时刻3DVar分析场方法
CN109740195A (zh) 一种基于气象站观测数据的极值台风风速概率分布模型及设计台风风速的评估方法
CN112508437A (zh) 一种微气候环境下风速预报的时序相似误差订正方法
CN105447593A (zh) 基于时间滞后集合的快速更新混合同化方法
Jain et al. Performance based design extreme wind loads on a tall building
CN116401932B (zh) 一种基于激光雷达和毫米波雷达的海雾消散时间估算方法
CN117172554A (zh) 覆冰灾害风险预测方法、装置、设备及存储介质
CN115204507B (zh) 大气能见度的预测方法、装置、设备及存储介质
CN114966902A (zh) 一种基于神经网络的降雨量自动估测方法及系统
CN115422782B (zh) 一种基于水文模型的洪水预报系统
CN115902812A (zh) 一种短时暴雨天气背景自动判别方法、系统、设备及终端
Carraça et al. Modelling the impact of high‐rise buildings in urban areas on precipitation initiation
CN112699599A (zh) 基于bp-geo的洪涝灾害预警方法
CN107038507A (zh) 一种测雨卫星雨量智能测量和预报方法
Jin-qing et al. Climatology of Shear Line and Related Rainstorm over the Southern Yangtze River Valley Based on an Improved Intelligent Identification Method.
JP3514564B2 (ja) 蜃気楼の発生予測方法並びに予測装置

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