CN115236770B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN115236770B
CN115236770B CN202210748531.3A CN202210748531A CN115236770B CN 115236770 B CN115236770 B CN 115236770B CN 202210748531 A CN202210748531 A CN 202210748531A CN 115236770 B CN115236770 B CN 115236770B
Authority
CN
China
Prior art keywords
forecasting
precipitation
sample
time
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.)
Active
Application number
CN202210748531.3A
Other languages
English (en)
Other versions
CN115236770A (zh
Inventor
赵华生
黄小燕
黄颖
何立
吴立霜
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.)
Guangxi Zhuang Autonomous Region Institute Of Meteorological Sciences
Original Assignee
Guangxi Zhuang Autonomous Region Institute Of Meteorological Sciences
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 Guangxi Zhuang Autonomous Region Institute Of Meteorological Sciences filed Critical Guangxi Zhuang Autonomous Region Institute Of Meteorological Sciences
Priority to CN202210748531.3A priority Critical patent/CN115236770B/zh
Publication of CN115236770A publication Critical patent/CN115236770A/zh
Application granted granted Critical
Publication of CN115236770B publication Critical patent/CN115236770B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • 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)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Atmospheric Sciences (AREA)
  • Electromagnetism (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及天气预报领域，具体公开了一种基于时空堆叠和样本重构的非线性短时临近降水客观预报方法，包括：获取地面气象站的实况观测资料和天气雷达的实况观测数据；基于融合的过去3小时变压、过去24小时变压、过去24小时变温、露点温度及过去1小时降水量的地面站点实况观测数据以及气象雷达观测资料，采用时空堆叠和样本重构技术构建预报因子数据集；采用lightGBM算法建立短时临近降水客观预报模型；通过开展多种不同预报因子组合的短时临近降水预报模型正负预报技巧的研究，确定出一组最优预报因子组合作为lightGBM模型的最终输入，建立一种未来临近降水预报模型，生成降水格点预报场。该方法可以有效提高短时临近强降水的预报精度，具有良好的应用前景。

Description

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
技术领域
本发明属于天气预报技术领域，特别涉及一种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。
背景技术
随着社会的发展，各行各业对气象服务的需求越来越多，要求也越来越高，期望气象部门能提供更为准确的天气预报产品。短时强降水引发山洪，城市渍涝和地质灾害已屡见不鲜，但到目前为止，现有的气象预报员获取的预报信息，针对性不够，其预报水平远远不能满足国家防灾减灾的需求，其中，对短临强降水的客观预报TS评分与实际重大气象灾害的防灾减灾的预报需求还存在较大差距，影响气象防灾减灾决策。在这样的形势下，气象部门迫切需要提高天气预报的准确性。
大样本和多样丰富的气象源数据给我们进行强降水精确预报提供了更多的预报信息，但是同时海量的数据源和其庞大复杂的数据构成也同时对我们进行预报时效要求高，更新快速的现代临近气象预报业务造成了很大的困难。如何对不同来源不同时空分辨率，不同结构的源数据进行有效的融合统一，使得我们进行预报建模成为可能，并且实现自动快速的处理，是进行强降水临近客观预报技术攻关的重要环节。目前短时临近降水的精细化格点预报有缺点如下：
(1)传统基于雷达外推的临近降水预报，存在双重误差的累积，即存在雷达回波外推误差和基于Z-R关系的雷达回波降水估测误差；其1小时暴雨TS评分小于10％，达不到社会发展的需求。
(2)由于降水样本类型分布极其不均衡，小量级降水样本数量远大于强降水样本量，而统计预报中一般采用的全样本建模普查相关因子时，则会忽略了真正触发强降水的预报因子；
(3)目前基于高分辨率的天气预报模式WRF以及逐时同化雷达、GPS水汽、风廓线等观测资料后，其第一小时的1h暴雨TS评分准确率小于10％，第二小时起的1h暴雨TS评分准确率均在3％以下，无法满足社会发展对于强降水预报精度的需求；
(4)目前的降水预报在空间分辨率上要求精确到5公里以内，需要对数量庞大的高分辨率降水格点进行预报，采用传统的单点建模预报方式，计算量非常庞大，严重影响预报产品发布的时效。
发明内容
本发明的目的在于提供一种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，从而解决目前短时临近客观预报方法中对强降水预报能力的不足、预报精度低的缺陷。
为实现上述目的，本发明提供了一种基于时空堆叠和样本重构的非线性短时临近降水客观预报方法，包括：
S1，获取地面气象站的地面实况观测数据和天气雷达的雷达实况观测数据；
S2，将地面实况观测数据及雷达实况观测数据融合预报建模，并采用双线性插值法插值成5公里格点和插值到站点两类数据；
S3，对预报区域内的所有站点，将插值到站点获得的数据与站点经纬度数据利用时空堆叠的方法构建预报因子数据集，同时将预报因子加入站点经纬度及其海拔高度构造出因子矩阵和站点的预报量；
S4，将预报量的降水量等级划分为四级，确定分级基准，根据不同预报时效按比例确定各级样本量的值，并结合因子矩阵构建数据优化矩阵；
S5，建立lightGBM算法模型，选取数据优化矩阵中对lightGBM算法模型有正技巧的预报因子作为最优因子组合，然后将最优因子组合及对应的预报量作为模型输入输出对lightGBM算法模型进行训练以获取最优的lightGBM预报模型；
S6，将插值成5公里格点数据分别在最优因子组合中选取预报因子作为每个格点的预报因子，然后作为lightGBM预报模型的输入因子，最终输出各个格点的预报量。
优选的，上述技术方案中，所述地面实况观测数据包括地面气象站过去3小时变压、过去24小时的变压、变温、露点温度、相对湿度及过去1小时降水量。
优选的，上述技术方案中，所述雷达实况观测数据为雷达组合反射率拼图。
优选的，上述技术方案中，所述因子矩阵为预报因子与降水量对应关系的矩阵。
优选的，上述技术方案中，所述站点的预报量为站点未来h小时的降水量，h＝1，2，3。
优选的，上述技术方案中，所述预报因子由过去3小时变压、过去24小时的变压、变温、露点温度、相对湿度以及过去1小时降水量以及预报时前1小时的最后5帧雷达组合反射率拼图组成。
优选的，上述技术方案中，一级降水量为0～5mm/h，二级降水量为5～20mm/h、三级降水量为20～35mm/h，四级降水量为大于等于35mm/h；以大于等于35mm/h样本的样本量为基准，从而确定各级样本量的比例。
优选的，上述技术方案中，预报未来0～1小时降水量时，各级样本的样本量构成比例为：120：24：3：1；预报未来0～2小时降水量时，各级样本的样本量构成比例为：72：12：3：1；预报未来0～3小时降水量时，各级样本的样本量构成比例为：24：9：3：1。
优选的，上述技术方案中，所述正技巧的预报因子为通过正负预报技巧计算分析预报因子进入lightGBM算法模型后的TS评分大于参考评分值的预报因子。
与现有的技术相比，本发明具有如下有益效果：
1.本发明利用雷达组合反射率拼图以及地面实况观测数据融合预报建模，采用时空堆叠和样本重构技术构建预报因子数据集，结合预报降水量重构优化数据矩阵，并采用lightGBM方法建立一个过去雷达组合反射率拼图以及地面实况观测数据与未来0～3h降水量的映射关系。利用重构后的建模样本建立的预报模型，对暴雨以上降水的预测能力(暴雨TS)较目前的短时临近暴雨预报水平有了较大的提升，可以有效提高短时临近强降水的预报精度，具有良好的应用前景，为防灾减灾提供更精准的预报服务。
2.本发明根据不同的预报时效调整重构样本的构成比例，使得本发明对未来0～1h，0～2h，0～3h的预测中，其暴雨以上降水的TS水平并没有随着预报时效的延长而降低，改变了传统依靠雷达外推的短时临近预报随着外推时间的增加TS评分明显下降以及预报时效理论上不超过2小时的情况。实现降水各级别雨量的高精度预报，因此本发明在防灾减灾的预警中具有更高的预报精度和更长的预警提前量(时间提前幅度)。
附图说明
图1是本发明的基于时空堆叠和样本重构的非线性短时临近降水客观预报方法的流程图。
图2是本发明的基于时空堆叠和样本重构的非线性短时临近降水客观预报方法的时空堆叠技术处理。
图3为实况降水量的示意图。
图4为采用本方法的预报降水量的示意图。
具体实施方式
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
如图1-图2所示，该实施例中的一种基于时空堆叠和样本重构的非线性短时临近降水客观预报方法，包括：
步骤S1，获取地面气象站的地面实况观测数据和天气雷达的雷达实况观测数据，地面实况观测数据包括地面气象站过去3小时变压、过去24小时的变压、变温、露点温度及相对湿度，雷达实况观测数据为雷达组合反射率拼图。
具体的，地面实况观测数据和雷达实况观测数据均为从中国气象局下发的swan系统中获取的数据，雷达实况观测数据为雷达组合反射率拼图数据。
步骤S2，将地面实况观测数据及雷达实况观测数据融合预报建模，并采用双线性插值法插值成5公里格点和插值到站点两类数据。
步骤S3，对预报区域内的所有站点，将插值到站点获得的数据与站点经纬度数据利用时空堆叠的方法构建预报因子数据集(按照时间和空间顺序进行堆叠的方法，具体堆叠方法见图2)，同时将预报因子加入站点经纬度及其海拔高度构造出因子矩阵X和站点的预报量Y。因子矩阵X为预报因子与降水量对应关系的矩阵，站点的预报量Y为未来h小时的降水量(h＝1，2，3)。与传统的单点建模预报相比，本实施例中预报方法的计算量大大减少。
具体的，预报因子由过去3小时变压、过去24小时的变压、变温、露点温度、相对湿度以及过去1小时降水量以及预报时前1小时的最后5帧雷达组合反射率拼图组成。
步骤S4，将预报量Y的降水量等级划分为四级，确定分级基准，根据不同预报时效按比例确定各级样本量的值，并结合因子矩阵构建数据优化矩阵。
具体的，针对降水预报中存在样本分布的不均衡问题，将预报量Y的降水量等级进行分级，共分为四级，分级标准如下：一级降水量为0～5mm/h，二级降水量为5～20mm/h、三级降水量为20～35mm/h，四级降水量为大于等于35mm/h；将各级样本的样本量以大于等于35mm/h样本的样本量为基准，按比例N1：N2：N3：1(根据不同预报时效确定N1、N2、N3的值)进行划分，从而确定各级样本量的比例，并结合因子矩阵重构新的数据优化矩阵，使得预报模型在训练中对强降水的样本训练具有更强的针对性。
进一步的，预报未来0～1小时降水量时，各级样本的样本量构成比例为：120：24：3：1；预报未来0～2小时降水量时，各级样本的样本量构成比例为：72：12：3：1；预报未来0～3小时降水量时，各级样本的样本量构成比例为：24：9：3：1。
步骤S5，建立lightGBM算法模型，选取数据优化矩阵中对lightGBM算法模型有正技巧的预报因子作为最优因子组合，然后将最优因子组合及对应的预报量作为lightGBM算法模型输入输出对模型进行训练以获取最优的lightGBM预报模型。
具体的，采用lightGBM算法建模，以数据优化矩阵为模型输入，同时计算分析各预报因子对模型的正负预报技巧(若该因子进入模型后，模型在测试样本中的预报能力得到提升，所得TS评分大于参考评分值，则说明该因子对模型的预报能力具有正技巧，反之则为负技巧，例如该因子有效提高降水模型的TS评分且TS评分大于暴雨参考TS评分值，则保留该因子作为模型输入，否则剔除该因子)。通过正负预报技巧计算分析，保留对模型有正技巧的预报因子作为最优因子组合作为模型输入，提高计算效率，将训练完成的预报模型保存。其中强降水预报TS评分计算公式为：
其中，NA为有降水预报正确站(次)数，NB为空报站(次)数，NC为漏报站(次)数，ND为无降水预报正确的站(次)数，T＝20mm，如下表：
步骤S6，对从swan系统获得的地面实况观测数据及雷达实况观测数据，插值成5公里格点数据，在最优因子组合中选取预报因子作为每个格点的预报因子，然后作为lightGBM预报模型的输入因子，从而完成每个格点的降水预报，最终输出各个格点的预报量，即未来h小时的降水量(h＝1，2，3)。
在实时的预报中，只需导入训练好的预报模型，并将每个格点的实时预报信息及其经纬度和地面指数信息作为训练好的lightGBM模型输入，即可以实现站点建模到格点临近降水量的实时预报。
综上所述，当前短时临近降水预报方法主要是靠雷达回波的外推，即利用过去观测的若干帧雷达回波，结合光流法或者convlstm或者其他的深度学习方法，获得未来20帧的雷达回波(0～2h，每帧雷达回波间隔6分钟)，进一步，利用降水量与雷达回波的一个经验关系(Z-R关系)对预测出来的雷达回波进行降水估测，从而达到短时临近降水的预测。而本方法则是利用过去若干帧雷达回波以及地面的观测资料，并结合lightGBM方法建立一个过去雷达回波与地面观测资料，跟未来0～3h降水量的映射关系。这是本方法与目前短时临近降水预报方法的最大区别。
下面以2020年6月6日08时起报未来1小时降水作为例子进行说明：
(1)收集样本数据。收集统计的时段为：2016年4月-2020年6月，其中2016年4月-2019年5月时段内的样本用于建模；2019年6月-2020年6月时段内的样本用于测试模型。以该时段内小时的整点时刻作为未来1小时降水的起报时间。收集的数据为：逐小时的地面气象站的地面实况观测数据和逐6分钟一帧的swan雷达组合反射率拼图。其中地面气象观测站要素包括过去3小时变压、过去24小时的变压、变温、露点温度、相对湿度以及过去1小时降水量。
(2)地面实况数据插值。由于部分地面要素数据只有国家站或者部分自动站点才有，因此，需要将这些站点数据网格化，随后将得到的网格化数据，利用临近插值法插值到本方法预报区域的2850个站点上，此时每个站点的预报因子为6个。
(3)雷达数据处理。swan雷达组合反射率拼图是网格数据，对起报时刻前1小时的最后5帧雷达组合反射率拼图均插值到本方法预报区域的2850个站点上，并将每一帧的插值作为一个预报因子。进一步利用这5个插值的雷达因子按时间顺序排放后进行1阶差分(r(k)-r(k-1),k＝2,3,…,5)，从而获得4个雷达差分因子。此时每个站点的预报因子为15个。
(4)加入站点信息。每个站点的预报因子增加其经、纬度和海拔高度。此时每个站点的预报因子为18个。
(5)构建因子数据矩阵。将时段内按照时空堆叠方法进行样本堆叠，得到的样本数据矩阵data＝[X,Y]，矩阵的行列为36578443*19，其中行数为样本数，列数为18个因子数+1个预报量Y(未来1小时降水量，下同)。
(6)样本分类。将样本数据矩阵data的Y(相对于起报时刻的未来1小时降水量)按大小分为四级等级，分级标准如下：一级降水量为0～5mm，二级降水量为5～20mm、三级降水量为20～35mm，四级降水量为大于等于35mm；将各级样本的样本量以大于等于35mm/h样本的样本量为基准，按比例120：24：3：1从各等级样本集中随机抽取重新构建新的样本数据s_data矩阵,其行列分别为：667253行19列(18个因子+1个预报量Y)。
(6)按照正负技巧选因子，首先将全部因子(18个)作为模型输入建立模型后，并以该模型在测试样本中的暴雨TS作为参考(记为TS0)，将18个因子逐个剔除作为模型输入并建立新的模型，并计算该模型在测试样本中暴雨的TS，记为ts，若ts<TS0,则本次剔除的因子具有正的预报技巧，保留该预报因子。经过计算各预报因子的正负技巧，最终得到过去3小时变压、过去24小时的变压、相对湿度以及过去1小时降水量、过去5帧雷达回波插值、最后3个雷达差分因子以及站点的经、纬度和海拔高度共15个因子。此时样本数据s_data矩阵的行列分别为：667253行16列(15个因子+1个预报量Y)。
(7)构建模型，采用lightGBM算法对数据s_data进行训练并将训练好的模型保存为p_model。
(8)计算最新的预报样本。对2020年6月6日08时未来1小时的降水预报，以2020年6月6日08时作为起报时刻，将该时刻的过去3小时变压、过去24小时的变压、相对湿度以及过去1小时降水量、过去5帧雷达回波插值、最后3个雷达差分因子共12个因子的地面观测数据按照步骤2插值成5公里的网格数据，而雷达资料也本方法的预报范围插值为5公里格距的网格数据(原始数据是1公里的网格数据)，并计算出(6)选出的3个雷达差分因子，此时每个格点上有12个数据因子+格点的经、纬度和地面海拔高度共15个预报因子，即为每个格点的预报样本因子。
(9)预报计算。将每个格点的预报样本因子代入训练好的模型，计算出该格点未来1小时的降水量，完成该格点的未来1小时降水的预报。图3和图4为采用本方法的预报与实况的对比图。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (4)

1.一种基于时空堆叠和样本重构的非线性短时临近降水客观预报方法，其特征在于，包括：
S1，获取地面气象站的地面实况观测数据和天气雷达的雷达实况观测数据；
S2，将地面实况观测数据及雷达实况观测数据融合预报建模，并采用双线性插值法插值成5公里格点和插值到站点两类数据；
S3，对预报区域内的所有站点，将插值到站点获得的数据与站点经纬度数据利用时空堆叠的方法构建预报因子数据集，同时将预报因子加入站点经纬度及其海拔高度构造出因子矩阵和站点的预报量；
S4，将预报量的降水量等级划分为四级，确定分级基准，根据不同预报时效按比例确定各级样本量的值，并结合因子矩阵构建数据优化矩阵；
S5，建立lightGBM算法模型，选取数据优化矩阵中对lightGBM算法模型具有正技巧的预报因子作为最优因子组合，然后将最优因子组合及对应的预报量作为模型输入输出对lightGBM算法模型进行训练以获取最优的lightGBM预报模型；
S6，将插值成5公里格点数据分别在最优因子组合中选取预报因子作为每个格点的预报因子，然后作为lightGBM预报模型的输入因子，最终输出各个格点的预报量；
所述因子矩阵为预报因子与降水量对应关系的矩阵；步骤S3中的预报因子由过去3小时变压、过去24小时的变压、变温、露点温度、相对湿度及过去1小时降水量以及预报时前1小时的最后5帧雷达组合反射率拼图组成；
一级降水量为0~5mm/h，二级降水量为5~20mm/h、三级降水量为20~35mm/h，四级降水量为大于等于35mm/h；以大于等于35mm/h样本的样本量为基准，从而确定各级样本量的比例；
预报未来0~1小时降水量时，各级样本的样本量构成比例为：120：24：3：1；预报未来0~2小时降水量时，各级样本的样本量构成比例为：72：12：3：1；预报未来0~3小时降水量时，各级样本的样本量构成比例为：24：9：3：1；
所述正技巧的预报因子为通过正负预报技巧计算分析预报因子进入lightGBM算法模型后的TS评分大于参考评分值的预报因子。
2.根据权利要求1所述的基于时空堆叠和样本重构的非线性短时临近降水客观预报方法，其特征在于，所述地面实况观测数据包括地面气象站过去3小时变压、过去24小时的变压、变温、露点温度、相对湿度及过去1小时降水量。
3.根据权利要求1所述的基于时空堆叠和样本重构的非线性短时临近降水客观预报方法，其特征在于，所述雷达实况观测数据为雷达组合反射率拼图。
4.根据权利要求1所述的基于时空堆叠和样本重构的非线性短时临近降水客观预报方法，其特征在于，所述站点的预报量为站点未来h小时的降水量，h=1，2，3。
CN202210748531.3A 2022-06-29 2022-06-29 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 Active CN115236770B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210748531.3A CN115236770B (zh) 2022-06-29 2022-06-29 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210748531.3A CN115236770B (zh) 2022-06-29 2022-06-29 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

Publications (2)

Publication Number Publication Date
CN115236770A CN115236770A (zh) 2022-10-25
CN115236770B true CN115236770B (zh) 2024-05-28

Family

ID=83671711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210748531.3A Active CN115236770B (zh) 2022-06-29 2022-06-29 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

Country Status (1)

Country Link
CN (1) CN115236770B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116341391B (zh) * 2023-05-24 2023-08-04 华东交通大学 基于STPM-XGBoost模型的降水预测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180060287A (ko) * 2016-11-28 2018-06-07 한국외국어대학교 연구산학협력단 기상수치모델 예측변수를 이용한 집중호우 사전 예측 방법 및 시스템
CN110579823A (zh) * 2019-09-02 2019-12-17 中国电力科学研究院有限公司 一种强降雨短临预报方法及系统
CN111352113A (zh) * 2020-04-01 2020-06-30 易天气(北京)科技有限公司 一种强对流天气短临预报方法及系统、存储介质和终端
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
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
CN113936142A (zh) * 2021-10-13 2022-01-14 成都信息工程大学 一种基于深度学习的降水临近预报方法及装置
CN114463947A (zh) * 2022-01-17 2022-05-10 南京气象科技创新研究院 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
CN114488349A (zh) * 2022-01-04 2022-05-13 中国科学院空天信息创新研究院 一种基于gnss-pwv多因子的局域短临降水预报模型的构建方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180060287A (ko) * 2016-11-28 2018-06-07 한국외국어대학교 연구산학협력단 기상수치모델 예측변수를 이용한 집중호우 사전 예측 방법 및 시스템
CN110579823A (zh) * 2019-09-02 2019-12-17 中国电力科学研究院有限公司 一种强降雨短临预报方法及系统
CN111352113A (zh) * 2020-04-01 2020-06-30 易天气(北京)科技有限公司 一种强对流天气短临预报方法及系统、存储介质和终端
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
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
CN113936142A (zh) * 2021-10-13 2022-01-14 成都信息工程大学 一种基于深度学习的降水临近预报方法及装置
CN114488349A (zh) * 2022-01-04 2022-05-13 中国科学院空天信息创新研究院 一种基于gnss-pwv多因子的局域短临降水预报模型的构建方法
CN114463947A (zh) * 2022-01-17 2022-05-10 南京气象科技创新研究院 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
四川盆地极端短时强降水中尺度对流系统组织类型;张武龙 等;《成都信息工程大学学报》;20211213;第36卷(第6期);第697-703页 *
短时强降水概率预报的多模式集成技术研究;赵渊明 等;《气象》;20210521;第47卷(第5期);第529-537页 *

Also Published As

Publication number Publication date
CN115236770A (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN110570651B (zh) 一种基于深度学习的路网交通态势预测方法及系统
CN110555561B (zh) 一种中长期径流集合预报方法
CN112070286A (zh) 复杂地形流域的降水预报预警系统
CN111027175A (zh) 基于耦合模型集成模拟的洪水对社会经济影响的评估方法
CN114254802B (zh) 气候变化驱动下植被覆盖时空变化的预测方法
CN110750516B (zh) 基于雷达图的降雨分析模型构建方法、构建系统及分析方法
CN111696369A (zh) 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法
CN113505521B (zh) 一种耦合神经网络-数值模拟的城市内涝快速预报方法
CN108646319A (zh) 一种短时强降雨预报方法及系统
CN115236770B (zh) 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
CN110619433B (zh) 电网暴雨数值模式参数化方案的快速选择方法及系统
CN115049013A (zh) 一种联合线性和svm的短时降雨预警模型融合方法
CN113742929B (zh) 一种针对格点气象实况的数据质量评价方法
CN117332909B (zh) 基于智能体的多尺度城市内涝道路交通暴露性预测方法
CN114609698A (zh) 一种基于配料法思想和二分法的短时强降水概率预报方法
CN117219183A (zh) 多云雨地区的高覆盖度近地面no2浓度估算方法及系统
CN108596381B (zh) 基于od数据的城市停车需求预测方法
CN111339392B (zh) 一种基于气象要素的天空蓝指数确定方法及系统
CN115600047A (zh) 一种基于栅格分析的小流域面平均降雨量测算方法和系统
CN115511192A (zh) 一种基于闪电资料同化的降水预报方法及系统
CN113780880A (zh) 一种基于空间代表性的pm2.5观测站点布局评价方法
Zhang et al. Air pollution estimation under air stagnation—A case study of Beijing
CN113408867A (zh) 基于手机用户和poi数据的城市入室盗窃犯罪风险评估方法
CN116068676B (zh) 一种降水预报跨量级通用综合评价方法
CN115657163B (zh) 基于人工智能模型的延伸期气象要素预报方法及系统

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