CN115081307A - 一种基于神经网络的气象数值模式同化方法及装置 - Google Patents
一种基于神经网络的气象数值模式同化方法及装置 Download PDFInfo
- Publication number
- CN115081307A CN115081307A CN202210459619.3A CN202210459619A CN115081307A CN 115081307 A CN115081307 A CN 115081307A CN 202210459619 A CN202210459619 A CN 202210459619A CN 115081307 A CN115081307 A CN 115081307A
- Authority
- CN
- China
- Prior art keywords
- assimilation
- neural network
- numerical mode
- numerical
- intelligent
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于神经网络的气象数值模式同化方法及其装置,该方法包括:确定需要建立智能同化系统的数值模式,封装数值模式;构建基于神经网络的智能同化系统和观测算子;训练智能同化系统的神经网络;使用智能同化系统辅助数值模式进行预报。与现有技术相比,本发明可以为数值模式提供一个动力和热力上协调的最优初始场,提高现有数值模式在预报中的准确度;本发明能够节约开发成本,具备计算效率高、实时性强的特点;同时可以适用于所有数值模式,创造性地使用智能算法迭代优化神经网络框架,解决了深度学习网络在数值模式输出的训练过程中梯度消失的问题。
Description
技术领域
本发明涉及计算机与气象学交叉技术领域,尤其是涉及一种基于神经网络的气象数值模式同化方法及装置。
背景技术
数值天气预报是一个典型的初值问题,在给定初始条件和边界条件的情况下,数值求解大气运动基本方程组,由已知初始时刻的大气状态预报未来时刻的大气状态,现已成为气象部门制作业务天气预报的重要基础和根本科学途径,具有其它预报方法不能替代的地位和作用。地球大气是一个随时间演化且具有非线性特征的地球物理系统,利用现有的数值模式模拟大气的运动规律以及预测未来气候状态,其准确度很大程度上取决于模式初值,在这种情况下,初始条件的优劣对地球大气再分析和预报结果的影响日益突出。
目前,国际上提供初始场最常用的方法是资料同化方法,即充分利用各种观测资料和数值预报背景场,为数值模式提供一个动力和热力上协调的最优初始场。资料同化方法是对已构建的大气动力学框架,将观测数据和数值模式融合,使得数值模式不断的依靠观测值而自动调整模型轨迹,减少预报误差。然而现有业务同化系统中主流的资料同化方法(四维变分同化和集合卡尔曼滤波)存在开发成本过高的缺点,且无法直接可靠地适用于不同的数值模式,难以保证现有数值模式在预报中的准确度。
其中,四维变分同化方法以数值模式作为约束,可以同化窗口内多个时刻的观测资料,同时基于变分的框架易于采用针对观测的偏差订正、质量控制过程,然而四维变分同化方法需要开发数值模式的伴随模式求解需要大量的计算资源,因而在一定程度上限制了其发展;基于集合卡尔曼滤波的同化方法能够基于集合样本构造流依赖的背景误差协方差,而且也可避免切线性伴随模式的求解,然而集合同化方法有限集合成员数不可避免地会造成较大的样本误差。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于神经网络的气象数值模式同化方法及装置,能够适用于所有数值模式,降低开发成本,同时提高现有数值模式在预报中的准确度。
本发明的目的可以通过以下技术方案来实现:一种基于神经网络的气象数值模式同化方法,包括以下步骤:
A.确定需要建立智能同化系统的数值模式,对其进行封装,包含以下子步骤:
A.1.选定同化变量,确定同化周期;
封装数值模式,使数值模式按同化周期输出该选定同化变量的数值场;
A.2.建立数值模式与智能同化系统的数据交互接口:数值模式接收智能同化系统输出的数值场进行下一同化周期的模式积分,智能同化系统读取数值模式的输出作为下一时刻的模型输入;
A.3.确定同化时间窗口,即数值模式所需同化的观测资料的时间跨度;
B.构建智能同化系统,包含以下子步骤:
B.1.读取步骤A.1确定的同化变量的气象资料,并构建对应的特征提取模块;
B.2.针对数值模式不均匀的网格分布,构建将观测资料映射至数值模式数值场的观测算子;
C.训练智能同化系统的神经网络,包含以下子步骤:
C.1.利用步骤B.2构建的观测算子,构建神经网络训练所需分辨率的观测图像资料;
C.2.对输入神经网络的观测资料和数值模式初始气象资料进行数据预处理;
C.3.选定智能优化算法,构建目标函数,对特征提取模块中的参数进行迭代训练;
C.4.智能优化迭代至设定的迭代次数时停止,保存目标函数值最优的神经网络参数;
D.使用智能同化系统辅助数值模式进行预报,包含以下子步骤:
D.1.确定起报时间,确定每一同化周期起报时间的观测资料和数值模式初始气象资料,并执行与步骤C.2相同的数据预处理;
D.2.将步骤C.4保存的神经网络最优参数输入智能同化系统,将步骤D.1数据预处理后的观测资料和数值模式初始气象资料输入智能同化系统的特征提取模块,以进行特征提取,迭代至设定的预报时刻,得到预报结果;
D.3.根据预报结果,计算设定的相关指数及评价指标。
进一步地,所述步骤A.1中选定的同化变量具体为一个或多个大气变量、一个或多个陆面变量以及一个或多个海洋变量。
进一步地,所述步骤D.2中预报结果包括但不限于短期天气预报结果、中期天气预报结果、长期天气预报结果或气候预报结果。
进一步地,所述步骤B.1具体采用卷积神经网络、循环卷积神经网络、长短期记忆卷积神经网络、图卷积神经网络的其中一种或几种组合,以构建得到特征提取模块。
进一步地,所述步骤B.2具体包括以下步骤:
(1)将获取的观测资料映射至所选数值模式预报区域,其中涉及到的操作有:切片,裁剪和拼接;
(2)将获取的观测资料分辨率调整至与所选数值模式预报场一致,其中涉及到的操作包括但不限于插值、降采样。
进一步地,所述步骤C.3中智能优化算法具体为包括粒子群算法、蚁群算法、蜂群算法的种群生物智能启发式算法,或包括贝叶斯深度神经网络的免梯度优化算法。
进一步地,所述步骤C.3具体采用图像比对方法的一种或几种组合,以构建目标函数,所述图像比对方法包括但不限于均方根误差(Mean Square Error,MSE),平均绝对误差(Mean Absolute Error);
所述目标函数的输出值具体为:在确定的同化时间窗口内,所有经智能同化系统后由数值模式输出的优化结果与观测资料由图像对比函数计算值的和。
一种基于神经网络的气象数值模式同化装置,包括依次连接的第一确定模块、模型训练模块、预测模块和同化模型评价模块,所述第一确定模块,用于获取同化变量的观测资料和数值模式初始气象资料,确定同化周期与同化时间窗口,封装数值模式;
所述模型训练模块,用于将观测资料转换为指定的输入格式,对输入模型的观测资料和数值模式初始气象资料进行数据预处理,选择智能优化算法对模型进行训练;
所述预测模块,用于将训练好的模型最优参数输入智能同化系统,进行迭代预报得到预报结果;
所述同化模型评价模块,用于将输出数据转化为设定的气象格点数据及多种量化的评价指标。
一种计算机设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于神经网络的气象数值模式同化方法的步骤。
一种可读存储介质,所述可读存储介质存储有机算机可运行指令,所述计算机可运行指令在被处理器调用和运行时,所述计算机可运行指令促使所述处理器运行上述基于神经网络的气象数值模式同化方法。
与现有技术相比,本发明具有以下优点:
(1)节约时间与开发成本。本发明能够避免开发数值模式的伴随模块以及设计局地化方案的资源消耗,具备计算效率高、实时性强的特点。
(2)模型实用性强。本发明设计的基于神经网络的气象数值模式同化系统,适用于任何数值模式,创造性的使用智能优化算法迭代优化神经网络框架,解决了深度学习网络对数值模式输出的训练过程中梯度消失的问题。
(3)预报准确度高。本发明设计的基于神经网络的气象数值模式同化系统,可以为数值模式提供一个动力和热力上协调的最优初始场,提高现有数值模式在预报中的准确度。
附图说明
图1为本发明的方法流程示意图;
图2为本发明的方法架构示意图;
图3为本发明中预报流程示意图;
图4为本发明的装置结构示意图;
图5为实施例中计算机设备的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示,一种基于神经网络的气象数值模式同化方法,包括以下步骤:
A.封装数值模式,确定同化变量及参数,包含以下子步骤:
A.1.选定同化变量,确定同化周期,获取同化变量的观测气象资料;
A.2.建立数值模式与智能同化系统的数据交互接口,数值模式接收智能同化系统输出的数值场进行下一同化周期的模式积分,智能同化系统读取数值模式的输出作为下一时刻的模型输入;
A.3.确定同化时间窗口,即数值模式所需同化的观测资料的时间跨度。
B.构建智能同化系统与观测算子,包含以下子步骤:
B.1.读取步骤A.1确定的同化变量的观测气象资料,为其构建特征提取模块;本实施例选择用二维卷积神经网络对观测气象资料进行特征提取,其输入为当前时刻的观测气象资料和当前时刻的数值模式初始场;
具体的,本实施例选择的卷积神经网络可人为设置卷积核权重参数,如图2所示,将气象资料输入至步骤B.1所构建的特征提取模块,得到同化系统的输出作为数值模式当前时刻的初始场进行积分,积分后读取数值模式下一时刻的预报结果,将其与下一时刻观测资料对比计算目标函数,智能优化算法通过调整权重参数不断迭代优化,直至迭代停止;
B.2.针对数值模式不均匀的网格分布,构建将观测资料映射至数值模式物理场的观测算子;首先将获取的观测资料映射至所选数值模式预报区域,其中可能涉及到的操作有:切片,裁剪和拼接;然后,将获取的观测资料分辨率调整至与所选数值模式预报场一致,其中可能用到的操作有插值,降采样等;
B.2.1.对观测气象资料的图像按数值模式区域进行裁剪,其中,对从太平洋分割的世界海洋地图需要进行分段裁剪和拼接;
B.2.2.对观测气象资料的图像进行分辨率调整,本实施例用到的工具为python中opencv组件的resize()函数,首先分别调整经向和纬向的图像分辨率,再针对局部分辨率进行切割并进行对应的降尺度操作。
C.训练智能同化系统的神经网络,保存最优网络参数,包含以下子步骤:
C.1.对输入神经网络的观测资料和数值模式初始气象资料进行数据预处理;
本实施例选择将观测资料和数值模式初始场数据进行归一化操作;
C.2.选定智能优化算法,构建目标函数,对特征提取模块中的参数进行迭代训练;
针对神经网络在优化以fortran为编程语言的数值模式输出时,会出现梯度消失的情况,本实施例选择粒子群算法对权重参数进行优化迭代;
此外,本实施例选择MSE函数为图像对比函数,目标函数为同化周期内,所有输出时刻模式数值场与观测资料的MSE函数值得总和;
C.3.模型迭代至指定迭代次数时停止,保存目标函数值最优的权重参数;
D.使用智能同化系统辅助数值模式进行预报,包含以下子步骤:
D.1.确定起报时间,确定每一同化周期起报时间的观测资料和数值模式初始气象资料,并进行与步骤C.1相同的数据预处理;
D.2.将步骤C.3保存的神经网络最优参数输入智能同化系统,将数据预处理后的图像(即步骤D.1数据预处理后的观测资料和数值模式气象资料)输入至智能同化系统的特征提取模块进行特征提取,迭代至预报时刻,得到预报结果;
如图3所示,将优化算法确定的最优参数输入智能同化系统,将数据预处理后的图像输入S1模块,经过不断的迭代积分,进入S2预测模块,将数据预处理后的观测气象资料和上个月数值模式积分结果接连输入智能同化系统和数值模式可以得到第一次预测结果,由此继续迭代可以得到后续的预报结果。
D.3.根据预报结果,计算相关的多种指数及评价指标。
图4为本申请实施例提供的一种基于神经网络的气象数值模式同化装置结构示意图,其内容包括:
M1.第一确定模块,用于获取同化变量的观测资料和数值模式初始气象资料,确定同化周期与同化时间窗口,封装数值模式;
M2.模型训练模块,用于将观测资料转换为指定的输入格式,对输入模型的观测资料和数值模式初始气象资料进行数据预处理,选择智能优化算法对模型进行训练;
M3.预测模块,用于将训练好的模型最优参数输入智能同化系统,进行迭代预报得到预测结果;
M4.同化模型评价模块,用于将输出数据转化为可理解的气象格点数据及多种量化的评价指标。
本申请实施例提供的基于神经网络的气象数值模式同化装置,与上述实施例提供的基于神经网络的气象数值模式同化方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
如图5所示,本实施例提供一种计算机设备E,包括:处理器E.1、存储器E.2和总线,存储器E.2存储有处理器E.1可执行的机器可读指令,当计算机设备E运行时,处理器E.1与存储器E.2之间通过总线通信,处理器E.1执行机器可读指令,以执行如上述一种基于神经网络的气象数值模式同化方法的步骤。
具体地,上述存储器E.2和处理器E.1能够为通用的存储器和处理器,这里不做具体限定,当处理器E.1运行存储器E.2存储的计算机程序时,能够执行上述一种基于神经网络的气象数值模式同化方法。
对应于上述一种基于神经网络的气象数值模式同化方法,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有机器可运行指令,计算机可运行指令在被处理器调用和运行时,计算机可运行指令促使处理器运行上述一种基于神经网络的气象数值模式同化方法的步骤。
综上所述,本技术方案通过选定同化变量,封装数值模式;构建基于神经网络的智能同化系统和观测算子;对输入模型的观测资料和数值模式初始气象资料进行数据预处理;基于智能优化算法对神经网络参数进行优化,确定智能同化系统,经过迭代运行获得预报结果;计算相关量化的评价指标。以此实现基于神经网络的气象数值模式同化方案,能够适用于所有数值模式,降低开发成本,避免开发数值模式的伴随模块以及设计局地化方案的资源消耗,能够为数值模式提供一个动力和热力上协调的最优初始场,提高现有数值模式在预报中的准确度。
本发明旨在开发一种适用于任何数值模式的同化系统,免去了开发数值模式的伴随模块以及设计局地化方案的资源消耗,创造性地使用智能优化算法迭代优化神经网络参数,解决了深度学习网络对数值模式输出的训练过程中梯度消失的问题。此外,基于神经网络框架的同化系统具备易搭建、重时效的特性,可集成入现有业务同化系统。
Claims (10)
1.一种基于神经网络的气象数值模式同化方法,其特征在于,包括以下步骤:
A.确定需要建立智能同化系统的数值模式,对其进行封装,包含以下子步骤:
A.1.选定同化变量,确定同化周期;
封装数值模式,使数值模式按同化周期输出该选定同化变量的数值场;
A.2.建立数值模式与智能同化系统的数据交互接口:数值模式接收智能同化系统输出的数值场进行下一同化周期的模式积分,智能同化系统读取数值模式的输出作为下一时刻的模型输入;
A.3.确定同化时间窗口,即数值模式所需同化的观测资料的时间跨度;
B.构建智能同化系统,包含以下子步骤:
B.1.读取步骤A.1确定的同化变量的气象资料,并构建对应的特征提取模块;
B.2.针对数值模式不均匀的网格分布,构建将观测资料映射至数值模式数值场的观测算子;
C.训练智能同化系统的神经网络,包含以下子步骤:
C.1.利用步骤B.2构建的观测算子,构建神经网络训练所需分辨率的观测图像资料;
C.2.对输入神经网络的观测资料和数值模式初始气象资料进行数据预处理;
C.3.选定智能优化算法,构建目标函数,对特征提取模块中的参数进行迭代训练;
C.4.智能优化迭代至设定的迭代次数时停止,保存目标函数值最优的神经网络参数;
D.使用智能同化系统辅助数值模式进行预报,包含以下子步骤:
D.1.确定起报时间,确定每一同化周期起报时间的观测资料和数值模式初始气象资料,并执行与步骤C.2相同的数据预处理;
D.2.将步骤C.4保存的神经网络最优参数输入智能同化系统,将步骤D.1数据预处理后的观测资料和数值模式初始气象资料输入智能同化系统的特征提取模块,以进行特征提取,迭代至设定的预报时刻,得到预报结果;
D.3.根据预报结果,计算设定的相关指数及评价指标。
2.根据权利要求1所述的一种基于神经网络的气象数值模式同化方法,其特征在于,所述步骤A.1中选定的同化变量具体为一个或多个大气变量、一个或多个陆面变量以及一个或多个海洋变量。
3.根据权利要求1所述的一种基于神经网络的气象数值模式同化方法,其特征在于,所述步骤D.2中预报结果包括但不限于短期天气预报结果、中期天气预报结果、长期天气预报结果或气候预报结果。
4.根据权利要求1所述的一种基于神经网络的气象数值模式同化方法,其特征在于,所述步骤B.1具体采用卷积神经网络、循环卷积神经网络、长短期记忆卷积神经网络、图卷积神经网络的其中一种或几种组合,以构建得到特征提取模块。
5.根据权利要求1所述的一种基于神经网络的气象数值模式同化方法,其特征在于,所述步骤B.2具体包括以下步骤:
(1)将获取的观测资料映射至所选数值模式预报区域,其中涉及到的操作有:切片,裁剪和拼接;
(2)将获取的观测资料分辨率调整至与所选数值模式预报场一致,其中涉及到的操作包括但不限于插值、降采样。
6.根据权利要求1所述的一种基于神经网络的气象数值模式同化方法,其特征在于,所述步骤C.3中智能优化算法具体为包括粒子群算法、蚁群算法、蜂群算法的种群生物智能启发式算法,或包括贝叶斯深度神经网络的免梯度优化算法。
7.根据权利要求1所述的一种基于神经网络的气象数值模式同化方法,其特征在于,所述步骤C.3具体采用图像比对方法的一种或几种组合,以构建目标函数,所述图像比对方法包括但不限于均方根误差方法、平均绝对误差方法;
所述目标函数的输出值具体为:在确定的同化时间窗口内,所有经智能同化系统后由数值模式输出的优化结果与观测资料由图像对比函数计算值的和。
8.一种基于神经网络的气象数值模式同化装置,其特征在于,包括依次连接的第一确定模块、模型训练模块、预测模块和同化模型评价模块,所述第一确定模块,用于获取同化变量的观测资料和数值模式初始气象资料,确定同化周期与同化时间窗口,封装数值模式;
所述模型训练模块,用于将观测资料转换为指定的输入格式,对输入模型的观测资料和数值模式初始气象资料进行数据预处理,选择智能优化算法对模型进行训练;
所述预测模块,用于将训练好的模型最优参数输入智能同化系统,进行迭代预报得到预报结果;
所述同化模型评价模块,用于将输出数据转化为设定的气象格点数据及多种量化的评价指标。
9.一种计算机设备,包括存储器、处理器,其特征在于,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1~7任一所述基于神经网络的气象数值模式同化方法的步骤。
10.一种可读存储介质,所述可读存储介质存储有机算机可运行指令,其特征在于,所述计算机可运行指令在被处理器调用和运行时,所述计算机可运行指令促使所述处理器运行权利要求1~7任一所述基于神经网络的气象数值模式同化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210459619.3A CN115081307A (zh) | 2022-04-28 | 2022-04-28 | 一种基于神经网络的气象数值模式同化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210459619.3A CN115081307A (zh) | 2022-04-28 | 2022-04-28 | 一种基于神经网络的气象数值模式同化方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115081307A true CN115081307A (zh) | 2022-09-20 |
Family
ID=83248083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210459619.3A Pending CN115081307A (zh) | 2022-04-28 | 2022-04-28 | 一种基于神经网络的气象数值模式同化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115081307A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115587629A (zh) * | 2022-12-07 | 2023-01-10 | 中国科学院上海高等研究院 | 协方差膨胀系数估计方法、模型训练方法、存储介质终端 |
CN115630566A (zh) * | 2022-09-28 | 2023-01-20 | 中国人民解放军国防科技大学 | 一种基于深度学习和动力约束的资料同化方法和系统 |
CN116384127A (zh) * | 2023-04-10 | 2023-07-04 | 中国科学院青藏高原研究所 | 用于气象生态环境的数值模拟预报方法及装置 |
-
2022
- 2022-04-28 CN CN202210459619.3A patent/CN115081307A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115630566A (zh) * | 2022-09-28 | 2023-01-20 | 中国人民解放军国防科技大学 | 一种基于深度学习和动力约束的资料同化方法和系统 |
CN115630566B (zh) * | 2022-09-28 | 2024-05-07 | 中国人民解放军国防科技大学 | 一种基于深度学习和动力约束的资料同化方法和系统 |
CN115587629A (zh) * | 2022-12-07 | 2023-01-10 | 中国科学院上海高等研究院 | 协方差膨胀系数估计方法、模型训练方法、存储介质终端 |
CN115587629B (zh) * | 2022-12-07 | 2023-04-07 | 中国科学院上海高等研究院 | 协方差膨胀系数估计方法、模型训练方法、存储介质终端 |
CN116384127A (zh) * | 2023-04-10 | 2023-07-04 | 中国科学院青藏高原研究所 | 用于气象生态环境的数值模拟预报方法及装置 |
CN116384127B (zh) * | 2023-04-10 | 2024-01-02 | 中国科学院青藏高原研究所 | 用于气象生态环境的数值模拟预报方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220075913A1 (en) | Estimating physical parameters of a physical system based on a spatial-temporal emulator | |
US11966670B2 (en) | Method and system for predicting wildfire hazard and spread at multiple time scales | |
CN115081307A (zh) | 一种基于神经网络的气象数值模式同化方法及装置 | |
Cannon | Quantile regression neural networks: Implementation in R and application to precipitation downscaling | |
US11720727B2 (en) | Method and system for increasing the resolution of physical gridded data | |
Fugon et al. | Data mining for wind power forecasting | |
CN115271186B (zh) | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 | |
CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
CN115310536A (zh) | 基于神经网络和gcn深度学习模型的水库水位预测预警方法 | |
CN116451821A (zh) | 基于深度学习的大区域新能源发电功率预测方法及系统 | |
Surendran et al. | Wind Speed Prediction Using Chicken Swarm Optimization with Deep Learning Model. | |
CN116432859B (zh) | 一种作物产量统计数据降尺度方法 | |
Mezouari et al. | A Hadoop based framework for soil parameters prediction | |
CN106600038A (zh) | 一种基于马尔科夫模型的负荷区间预测方法 | |
CN115983104A (zh) | 风速预测方法、装置、存储介质和电子设备 | |
CN116151449A (zh) | 一种电力负荷的短期预测方法及装置 | |
CN110968929A (zh) | 风电场风速的预测方法、装置及电子设备 | |
Zhu et al. | Prediction model of dissolved oxygen based on FOA-LSSVR | |
Amoura et al. | Combined Optimization and Regression Machine Learning for Solar Irradiation and Wind Speed Forecasting | |
CN114861530A (zh) | 一种enso智能预测方法、装置、设备及存储介质 | |
Li et al. | LandBench 1.0: A benchmark dataset and evaluation metrics for data-driven land surface variables prediction | |
CN114418167A (zh) | 一种基于高原山地多元气象新能源发电功率预测优化方法 | |
Utku et al. | An efficient hybrid weather prediction model based on deep learning | |
CN112784477A (zh) | 一种基于WRF-LES和BP-PSO-Bagging相结合的风功率预测方法 | |
KR102388292B1 (ko) | 복사 물리 모수화 에뮬레이터의 불확실성을 보정하는 복사 물리 모수화 시스템 및 그의 동작 방법 |
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 |