CN115310706A - 一种台风路径智能预报方法 - Google Patents
一种台风路径智能预报方法 Download PDFInfo
- Publication number
- CN115310706A CN115310706A CN202210960795.5A CN202210960795A CN115310706A CN 115310706 A CN115310706 A CN 115310706A CN 202210960795 A CN202210960795 A CN 202210960795A CN 115310706 A CN115310706 A CN 115310706A
- Authority
- CN
- China
- Prior art keywords
- typhoon
- path
- similarity
- historical
- points
- 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
- 238000013277 forecasting method Methods 0.000 title description 6
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000691 measurement method Methods 0.000 claims description 3
- 241000282994 Cervidae Species 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种台风路径智能预测方法,该方法包括:1、建立台风路径数据集,将数据资料进行归一化处理,根据台风特征整理分类;2、对于新生台风,使台风路径满足时间相似,限制时间属性,搜寻满足条件的历史台风路径数据;3、满足时间属性后,使台风路径满足地理相似,限制空间属性,搜寻满足条件的历史台风路径数据;4、满足2和3的条件,根据新生台风的中心气压和风速,搜寻满足条件的历史台风路径数据以得到的台风路径数据作为样本数据集;5、基于4得到样本数据集,寻找与新生台风具有最佳轨迹相似度的历史台风数据,根据轨迹相似性,构建权重系数,将满足条件的历史台风路径数据根据权重构建一条新的台风路径,完成台风路径预报。
Description
技术领域
本发明属于台风气象预报领域,尤其涉及一种台风路径智能预报方法。
背景技术
台风形成在热带或副热带海面温度在26℃以上的广阔洋面上,是一种强烈发展的热带气旋。台风登陆会带来海浪、风暴、大雨、洪水等自然灾害,造成大量经济损失和人员伤亡。预测台风路径、提前规划部署防灾减灾措施是减轻台风灾害的重要手段,深入研究台风路径预测技术具有重大意义。传统的台风预报方法计算时间长,对台风的更新时间一般为3-6小时,本方法可以缩短台风预报时间间隔,甚至可以缩短至半小时更新一次台风路径。传统的台风预报方法需要大量专业的气象资料,难以获得,本方法仅需台风历史路径资料,运用knn算法对历史台风路径进行分类,将新生台风按照台风特征进行分析,基于轨迹相似性,寻找与历史台风路径轨迹具有最佳相似度的台风路径,并按照一定的权重构建新的台风路径,并实时更新,保证台风路径预报的准确性。
发明内容
发明目的:传统的台风路径预报方法需要大量的专业气象资料,本方法仅基于台风路径历史资料,即可预报得到台风路径。为出海船只、近岸港口等提供台风路径预报,保障船只出行安全,能够及时、安全的回港躲避风浪。
技术方案:为实现上述目的,本发明提出一种台风路径智能预测方法,该方法包括如下步骤:
步骤1、建立台风路径数据集,将数据资料进行归一化处理,并根据台风特征整理分类;
步骤2、对于新生台风,使台风路径满足时间相似,限制时间属性,搜寻满足条件的历史台风路径数据;
步骤3、满足时间属性后,使台风路径满足地理相似,限制空间属性,进一步搜寻满足条件的历史台风路径数据;
步骤4、满足步骤2和步骤3的条件后,根据新生台风的中心气压和风速,搜寻满足条件的历史台风路径数据以得到的台风路径数据作为样本数据集;
步骤5、基于步骤4得到的样本数据集,寻找与新生台风具有最佳轨迹相似度的历史台风数据,根据轨迹相似性,构建权重系数,将满足条件的历史台风路径数据根据权重构建台风路径的下一个位置;
步骤6、判断此时台风是否登陆,若未登陆,重复上述步骤,实时更新台风路径。
进一步的,步骤1的具体方法如下:
步骤1-1收集台风路径资料数据集,并将数据资料进行归一化处理;
步骤1-2根据台风特征对各历史台风路径添加标签,分为日期、风速、中心气压、移速、移向、路径点中心位置经度坐标、路径点中心位置纬度坐标七个特征。
进一步的,步骤2的具体方法如下:当出现新生台风时,根据步骤1中划分的日期标签,以当前所在日期为基准,搜寻前后一个月的历史台风路径数据作为当前台风路径预测的数据集,确定满足时间相似条件的历史台风路径。
进一步的,步骤3的具体方法如下:
将新生台风轨迹点的空间坐标记为(Xj,Yj),j=1,2,3……β,移向记为Fj,j=1,2,3……β,移速记为vj,j=1,2,3……β,β为当前已知新生台风轨迹点的个数,在台风生成初期,监测得到前三个时刻的台风路径轨迹点,即β=3;
对于步骤2中筛选出的满足时间相似条件的历史台风路径数据,将步骤1中台风中心点的经纬度转化为空间坐标,新生台风当前时刻的台风中心空间坐标为(Xβ,Yβ),以新生台风当前时刻实时路径台风中心为圆心建立一个半径为r的阈值圆,搜寻所有经过阈值圆内的历史台风路径;
距离度量方法取欧氏距离,将台风路径近似看成二维空间,则距离ρ为:
其中,(Xβ,Yβ)为新生台风最新时刻的台风中心空间坐标,(xt,yt)为历史台风路径的任一时刻的台风中心空间坐标;
如果台风路径中有轨迹点在阈值圆内,即ρ<r,则认为此台风路径满足地理相似条件,取所有在这个阀值圆内的台风路径数据,阀值圆外的数据舍去,由此共得到k条满足地理相似的台风路径;
对于上述满足地理相似条件的每一条台风路径,分别取这条路径上距离新生台风阈值圆心最近的点,记录下这个点的风速、中心气压、移速和移向,该点空间坐标记为(xi,yi),i=1,2,3……k,该点的前两个时刻点记为(xi1,yi1)和(xi2,yi2),重复上述步骤以得到满足条件的k个最短距离点及其上时刻的2k个点。
进一步的,步骤4的具体方法如下:将新生台风最新时刻点的风速和中心气压作为基准,记为V0和P0,对于步骤3得到的k个最短距离点,将其风速和中心气压记为Vi和Pi,i=1,2,……,k,若V0=Vi,P0=Pi,则认为这个点的风速气压特征与新生台风相似,将满足中心气压和风速要求的点的个数记为α,每个点的移速记为vi,i=1,2,……,α,移向记为Fi,i=1,2,……,α。
进一步的,步骤5的具体方法如下:
新生台风轨迹取当前时刻的台风位置(Xβ,Yβ)和前两个时刻的台风位置(Xβ-1,Yβ-1)和(Xβ-2,Yβ-2)的连线;
步骤4中得到的α个台风的位置点,所述α个台风的位置点空间坐标为(xi,yi),i=1,2,3……α,该点的前两个时刻的位置坐标为(xi1,yi1)和(xi2,yi2),α个台风的位置点与新生台风初始轨迹的相似度分别记为qi;
根据相似度从大到小,将α个台风路径数据的相似度qi进行排序,根据相似度的反比计算权重系数,权重系数的计算方法为:
根据权重系数确定新生台风(Xβ,Yβ)下一个时刻点(Xβ+1,Yβ+1)的移速和移向:
根据移向Fβ+1和移速vβ+1计算出新生台风的下一时刻点的空间坐标(Xβ+1,Yβ+1);
Xβ+1=Xβ+cos Fβ+1*vβ+1
Yβ+1=Yβ+sin Fβ+1*vβ+1
将(Xβ+1,Yβ+1)作为一个新的当前时刻新生台风轨迹点(Xβ,Yβ)带入步骤2中,β=β+1,重复上述步骤,不断计算下一时刻的台风位置,实时得到一条完整的台风路径。
有益效果:与现有技术相比,本发明技术方案具有以下有益技术效果:
(1)数据库简单易得。只基于简单的历史台风路径资料,不需要卫星云图,气压分布等专业信息。
(2)在新生台风出现初期即可预报得到整条台风路径,且随着新生台风路径的不断更新调整预报路径,提高预报精度。
(3)传统台风路径轨迹的时间间隔一般是3-6小时,本方法可以将时间间隔缩短至一小时甚至更短,能够更精细地预报台风。
(4)将knn算法与台风路径预报结合,提出一种新的台风预报方法,是一种人工智能算法的实际应用。
附图说明
图1是本发明的方法流程图;
图2是根据此方法对2019年第9号台风“利奇马”的预报结果,已知前3个轨迹点,时间间隔为3小时;
图3是根据此方法对2019年第11号台风“白鹿”的预报结果,已知前3个轨迹点,时间间隔为3小时;
图4是根据此方法对2020年第4号台风“黑格比”的预报结果,已知前3个轨迹点,时间间隔为3小时;
图5是根据此方法对2020年第7号台风“海高斯”的预报结果,已知前3个轨迹点,时间间隔为3小时。
具体实施方法
如图1所示,本发明提出一种台风路径智能预测方法,该方法包括如下步骤:
步骤1、建立台风路径数据集,将数据资料进行归一化处理,并根据台风特征整理分类;如图1所示,可以收集1945~2022年西北太平洋海域影响中国近海的台风路径资料数据集;
步骤2、对于新生台风,使台风路径满足时间相似,限制时间属性,搜寻满足条件的历史台风路径数据;
步骤3、满足时间属性后,使台风路径满足地理相似,限制空间属性,进一步搜寻满足条件的历史台风路径数据;
步骤4、满足步骤2和步骤3的条件后,根据新生台风的中心气压和风速,搜寻满足条件的历史台风路径数据以得到的台风路径数据作为样本数据集;
步骤5、基于步骤4得到的样本数据集,寻找与新生台风具有最佳轨迹相似度的历史台风数据,根据轨迹相似性,构建权重系数,将满足条件的历史台风路径数据根据权重构建台风路径的下一个位置;
步骤6、判断此时台风是否登陆,若未登陆,重复上述步骤,实时更新台风路径。
进一步的,步骤1的具体方法如下:
步骤1-1收集台风路径资料数据集,并将数据资料进行归一化处理;
步骤1-2根据台风特征对各历史台风路径添加标签,分为日期、风速、中心气压、移速、移向、路径点中心位置经度坐标、路径点中心位置纬度坐标七个特征。
进一步的,步骤2的具体方法如下:当出现新生台风时,根据步骤1中划分的日期标签,以当前所在日期为基准,搜寻前后一个月的历史台风路径数据作为当前台风路径预测的数据集,确定满足时间相似条件的历史台风路径。
进一步的,步骤3的具体方法如下:
将新生台风轨迹点的空间坐标记为(Xj,Yj),j=1,2,3……β,移向记为Fj,j=1,2,3……β,移速记为vj,j=1,2,3……β,β为当前已知新生台风轨迹点的个数,在台风生成初期,监测得到前三个时刻的台风路径轨迹点,即β=3;
对于步骤2中筛选出的满足时间相似条件的历史台风路径数据,将步骤1中台风中心点的经纬度转化为空间坐标,新生台风当前时刻的台风中心空间坐标为(Xβ,Yβ),以新生台风当前时刻实时路径台风中心为圆心建立一个半径为r的阈值圆,搜寻所有经过阈值圆内的历史台风路径;
距离度量方法取欧氏距离,将台风路径近似看成二维空间,则距离ρ为:
其中,(Xβ,Yβ)为新生台风最新时刻的台风中心空间坐标,(xt,yt)为历史台风路径的任一时刻的台风中心空间坐标;
如果台风路径中有轨迹点在阈值圆内,即ρ<r,则认为此台风路径满足地理相似条件,取所有在这个阀值圆内的台风路径数据,阀值圆外的数据舍去,由此共得到k条满足地理相似的台风路径;
对于上述满足地理相似条件的每一条台风路径,分别取这条路径上距离新生台风阈值圆心最近的点,记录下这个点的风速、中心气压、移速和移向,该点空间坐标记为(xi,yi),i=1,2,3……k,该点的前两个时刻点记为(xi1,yi1)和(xi2,yi2),重复上述步骤以得到满足条件的k个最短距离点及其上时刻的2k个点。
进一步的,步骤4的具体方法如下:将新生台风最新时刻点的风速和中心气压作为基准,记为V0和P0,对于步骤3得到的k个最短距离点,将其风速和中心气压记为Vi和Pi,i=1,2,……,k,若V0=Vi,P0=Pi,则认为这个点的风速气压特征与新生台风相似,将满足中心气压和风速要求的点的个数记为α,每个点的移速记为vi,i=1,2,……,α,移向记为Fi,i=1,2,……,α。
进一步的,步骤5的具体方法如下:
新生台风轨迹取当前时刻的台风位置(Xβ,Yβ)和前两个时刻的台风位置(Xβ-1,Yβ-1)和(Xβ-2,Yβ-2)的连线;
步骤4中得到的α个台风的位置点,所述α个台风的位置点空间坐标为(xi,yi),i=1,2,3……α,该点的前两个时刻的位置坐标为(xi1,yi1)和(xi2,yi2),α个台风的位置点与新生台风初始轨迹的相似度分别记为qi;
根据相似度从大到小,将α个台风路径数据的相似度qi进行排序,根据相似度的反比计算权重系数,权重系数的计算方法为:
根据权重系数确定新生台风(Xβ,Yβ)下一个时刻点(Xβ+1,Yβ+1)的移速和移向:
根据移向Fβ+1和移速vβ+1计算出新生台风的下一时刻点的空间坐标(Xβ+1,Yβ+1);
Xβ+1=Xβ+cos Fβ+1*vβ+1
Yβ+1=Yβ+sin Fβ+1*vβ+1
将(Xβ+1,Yβ+1)作为一个新的当前时刻新生台风轨迹点(Xβ,Yβ)带入步骤2中,β=β+1,重复上述步骤,不断计算下一时刻的台风位置,实时得到一条完整的台风路径。
Claims (6)
1.一种台风路径智能预测方法,其特征在于,该方法包括如下步骤:
步骤1、建立台风路径数据集,将数据资料进行归一化处理,并根据台风特征整理分类;
步骤2、对于新生台风,使台风路径满足时间相似,限制时间属性,搜寻满足条件的历史台风路径数据;
步骤3、满足时间属性后,使台风路径满足地理相似,限制空间属性,进一步搜寻满足条件的历史台风路径数据;
步骤4、满足步骤2和步骤3的条件后,根据新生台风的中心气压和风速,搜寻满足条件的历史台风路径数据以得到的台风路径数据作为样本数据集;
步骤5、基于步骤4得到的样本数据集,寻找与新生台风具有最佳轨迹相似度的历史台风数据,根据轨迹相似性,构建权重系数,将满足条件的历史台风路径数据根据权重构建台风路径的下一个位置;
步骤6、判断此时台风是否登陆,若未登陆,重复上述步骤,实时更新台风路径。
2.根据权利要求1所述的一种台风路径智能预测方法,其特征在于,步骤1的具体方法如下:
步骤1-1收集台风路径资料数据集,并将数据资料进行归一化处理;
步骤1-2根据台风特征对各历史台风路径添加标签,分为日期、风速、中心气压、移速、移向、路径点中心位置经度坐标、路径点中心位置纬度坐标七个特征。
3.根据权利要求2所述的一种台风路径智能预测方法,其特征在于,步骤2的具体方法如下:当出现新生台风时,根据步骤1中划分的日期标签,以当前所在日期为基准,搜寻前后一个月的历史台风路径数据作为当前台风路径预测的数据集,确定满足时间相似条件的历史台风路径。
4.根据权利要求1所述的一种台风路径智能预测方法,其特征在于,步骤3的具体方法如下:
将新生台风轨迹点的空间坐标记为(Xj,Yj),j=1,2,3……β,移向记为Fj,j=1,2,3……β,移速记为vj,j=1,2,3……β,β为当前已知新生台风轨迹点的个数,在台风生成初期,监测得到前三个时刻的台风路径轨迹点,即β=3;
对于步骤2中筛选出的满足时间相似条件的历史台风路径数据,将步骤1中台风中心点的经纬度转化为空间坐标,新生台风当前时刻的台风中心空间坐标为(Xβ,Yβ),以新生台风当前时刻实时路径台风中心为圆心建立一个半径为r的阈值圆,搜寻所有经过阈值圆内的历史台风路径;
距离度量方法取欧氏距离,将台风路径近似看成二维空间,则距离ρ为:
其中,(Xβ,Yβ)为新生台风最新时刻的台风中心空间坐标,(xt,yt)为历史台风路径的任一时刻的台风中心空间坐标;
如果台风路径中有轨迹点在阈值圆内,即ρ<r,则认为此台风路径满足地理相似条件,取所有在这个阀值圆内的台风路径数据,阀值圆外的数据舍去,由此共得到k条满足地理相似的台风路径;
对于上述满足地理相似条件的每一条台风路径,分别取这条路径上距离新生台风阈值圆心最近的点,记录下这个点的风速、中心气压、移速和移向,该点空间坐标记为(xi,yi),i=1,2,3……k,该点的前两个时刻点记为(xi1,yi1)和(xi2,yi2),重复上述步骤以得到满足条件的k个最短距离点及其上时刻的2k个点。
5.根据权利要求4所述的一种台风路径智能预测方法,其特征在于,步骤4的具体方法如下:将新生台风最新时刻点的风速和中心气压作为基准,记为V0和P0,对于步骤3得到的k个最短距离点,将其风速和中心气压记为Vi和Pi,i=1,2,……,k,若V0=Vi,P0=Pi,则认为这个点的风速气压特征与新生台风相似,将满足中心气压和风速要求的点的个数记为α,每个点的移速记为vi,i=1,2,……,α,移向记为Fi,i=1,2,……,α。
6.根据权利要求5所述的一种台风路径智能预测方法,其特征在于,步骤5的具体方法如下:
新生台风轨迹取当前时刻的台风位置(Xβ,Yβ)和前两个时刻的台风位置(Xβ-1,Yβ-1)和(Xβ-2,Yβ-2)的连线;
步骤4中得到的α个台风的位置点,所述α个台风的位置点空间坐标为(xi,yi),i=1,2,3……α,该点的前两个时刻的位置坐标为(xi1,yi1)和(xi2,yi2),α个台风的位置点与新生台风初始轨迹的相似度分别记为qi;
根据相似度从大到小,将α个台风路径数据的相似度qi进行排序,根据相似度的反比计算权重系数,权重系数的计算方法为:
根据权重系数确定新生台风(Xβ,Yβ)下一个时刻点(Xβ+1,Yβ+1)的移速和移向:
根据移向Fβ+1和移速vβ+1计算出新生台风的下一时刻点的空间坐标(Xβ+1,Yβ+1);
Xβ+1=Xβ+cosFβ+1*vβ+1
Yβ+1=Yβ+sinFβ+1*vβ+1
将(Xβ+1,Yβ+1)作为一个新的当前时刻新生台风轨迹点(Xβ,Yβ)带入步骤2中,β=β+1,重复上述步骤,不断计算下一时刻的台风位置,实时得到一条完整的台风路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210960795.5A CN115310706A (zh) | 2022-08-11 | 2022-08-11 | 一种台风路径智能预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210960795.5A CN115310706A (zh) | 2022-08-11 | 2022-08-11 | 一种台风路径智能预报方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115310706A true CN115310706A (zh) | 2022-11-08 |
Family
ID=83860527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210960795.5A Pending CN115310706A (zh) | 2022-08-11 | 2022-08-11 | 一种台风路径智能预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115310706A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907159A (zh) * | 2022-11-22 | 2023-04-04 | 应急管理部国家减灾中心 | 一种相似路径台风的确定方法、装置、设备及介质 |
CN116400435A (zh) * | 2023-06-07 | 2023-07-07 | 航天宏图信息技术股份有限公司 | 一种台风路径预测方法和装置 |
-
2022
- 2022-08-11 CN CN202210960795.5A patent/CN115310706A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907159A (zh) * | 2022-11-22 | 2023-04-04 | 应急管理部国家减灾中心 | 一种相似路径台风的确定方法、装置、设备及介质 |
CN115907159B (zh) * | 2022-11-22 | 2023-08-29 | 应急管理部国家减灾中心 | 一种相似路径台风的确定方法、装置、设备及介质 |
CN116400435A (zh) * | 2023-06-07 | 2023-07-07 | 航天宏图信息技术股份有限公司 | 一种台风路径预测方法和装置 |
CN116400435B (zh) * | 2023-06-07 | 2023-08-15 | 航天宏图信息技术股份有限公司 | 一种台风路径预测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115310706A (zh) | 一种台风路径智能预报方法 | |
Kohail et al. | Implementation of data mining techniques for meteorological data analysis | |
CN113936142A (zh) | 一种基于深度学习的降水临近预报方法及装置 | |
CN112906955B (zh) | 一种基于多源数据驱动的潮汐数据拟合方法 | |
CN111340668B (zh) | 一种台风灾害评估系统 | |
CN112488208B (zh) | 一种海岛支柱式绝缘子剩余寿命获取方法 | |
Feng et al. | Short-term global horizontal irradiance forecasting based on sky imaging and pattern recognition | |
Kumar et al. | A study on prediction of rainfall using datamining technique | |
CN112946784B (zh) | 一种基于深度学习的SuperDARN雷达对流图短期预报方法 | |
CN116704137B (zh) | 一种海上石油钻井平台点云深度学习逆向建模方法 | |
Kim et al. | Statistical–dynamical typhoon intensity predictions in the Western North Pacific using track pattern clustering and ocean coupling predictors | |
CN116467933A (zh) | 基于深度学习的风暴潮增水预测方法及系统 | |
CN115115138A (zh) | 一种近海风暴潮增水预测方法 | |
CN113935533B (zh) | 一种黄渤海海区大风推算方法 | |
CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
CN114139590A (zh) | 用于估算海洋温度的方法 | |
CN112233234A (zh) | 一种洪水模拟预测中河道地形的重构方法 | |
Ozcelik et al. | Storm surge modelling with geographic information systems: estimating areas and population affected by cyclone Nargis | |
CN116070735A (zh) | 一种基于边长和方位向差规则的黄海绿潮分布区及其漂移预测初始场制作方法 | |
CN115296298A (zh) | 一种风电场功率预测方法 | |
CN115345245A (zh) | 一种基于随机森林和迁移学习的热带气旋快速加强预报方法 | |
KR102411074B1 (ko) | 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법 | |
Zheng et al. | The coastal effect on ahead-of-eye-center cooling induced by tropical cyclones | |
Yamaguchi et al. | Estimation of wave climate and its long-term variability around the coasts of Korea | |
Al Kloub | An optimal method for high-resolution population geo-spatial data |
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 |