CN115358151A - 一种数值天气预报近地层风速产品的订正方法 - Google Patents
一种数值天气预报近地层风速产品的订正方法 Download PDFInfo
- Publication number
- CN115358151A CN115358151A CN202211023854.2A CN202211023854A CN115358151A CN 115358151 A CN115358151 A CN 115358151A CN 202211023854 A CN202211023854 A CN 202211023854A CN 115358151 A CN115358151 A CN 115358151A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- correction
- ground
- forecasting
- model
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 238000012950 reanalysis Methods 0.000 claims abstract description 11
- 239000002344 surface layer Substances 0.000 claims abstract description 8
- 230000032683 aging Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 12
- 238000012360 testing method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000010410 layer Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 241000233855 Orchidaceae Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000001752 chlorophylls and chlorophyllins Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- G06N3/08—Learning methods
-
- 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
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种数值天气预报近地层风速产品的订正方法，该方法包括以下步骤：⑴使用数值天气预报模式EC对等压面层的风速U、V分量和温度T的预报结果，融合地面10 m风速U、V分量和2 m温度T的预报结果作为订正模型的输入，预报时效达到84 h，时间间隔为3 h；⑵以ERA5再分析资料在同一时刻的地面10 m风速U、V分量作为订正模型的输出；⑶将输入和输出变量均稀疏化至1.0°×1.0°，采用卷积神经网络方法，针对要订正的2个变量分别训练得到订正模型；⑷将最新的EC预报场输入至训练好的订正模型中，即可实现对于地面10 m风速U、V分量的误差订正。本发明计算量小、误差小、订正效果好。
Description
技术领域
本发明涉及近地层风速预报、风电功率预测技术领域，尤其涉及一种数值天气预报近地层风速产品的订正方法。
背景技术
风电功率预测的核心问题是对近地层风速的准确预报。据统计，风电功率预测的误差有60%来自天气预报。我国风电行业的发展将进入“倍速阶段”。由于近地层风速的间歇性、波动性等特点，风电输出功率存在显著的随机性，从而会对电力系统的安全运行和调峰产生不利的影响。因此，准确预测近地层风速是实现风能高效利用的基本前提。
目前，数值天气预报是风速预报的主流方法，通过对大气动力、热力方程组的求解，可实现近地层及高空气象要素的预报。但在实际应用中发现预报结果和实际观测相比仍存在一定程度的误差，主要源自以下几个方面：
⑴数值天气预报模式对于大气动力、热力过程的描述不够精确（王斌，大气科学中的数值新方法及其应用[M]. 科学出版社, 1990）。由于人们对大气运动过程的研究有限，大气与岩石圈、生物圈等圈层的相互作用不够了解；数值天气预报方程组在求解过程中做了较多的简化和假设，无法准确描述大气中的物理规律。
⑵次网格过程的参数化问题无法准确处理（李泽椿等，数值天气预报的发展及其应用.1999/ 2000 中国科学技术前言（中国工程院版）. 北京：高等教育出版社，2000.609~629）。由于数值模式的网格分辨率有限，对于更小尺度的物理过程无法描述，因此引入了参数化方案来使用大尺度变量描述较小的次网格物理过程。现有参数化方案通常为半理论半经验方式，不同参数化方案在不同预报时效、不同地区的效果存在差异，对数值模式的预报精度产生负面影响。
⑶初始场的准确度有待提高（官元红等,.资料同化方法的理论发展及应用综述[J].气象与减灾研究,2007(04):1-8.）。数值天气预报对初始场较为敏感，目前主要使用常规观测、雷达、卫星等多源观测资料，结合模式背景场、nudging、变分学等方法得到对大气初始状态的最优估计。由于观测资料数量有限，观测仪器存在误差，各类同化方法在客观分析时的不完善，导致初始场的准确度有待提高。
综上所述，数值天气预报对于近地层风速的预报结果总是存在系统性误差，利用机器学习方法分析误差规律是提高预报结果精度的有效途径。订正流程通常是使用与被订正物理量相关性强的影响因子，采用机器学习方法建立订正模型。孙军波等（登陆台风站点大风预报的人工神经网络方法[J].气象,2010,36(09):81-86.）使用NCEP再分析资料选取了与风速相关性强的9个变量，针对不同站点使用神经网络方法建立了订正模型，但站点数量比较多时会造成较大的计算量；数值模式在不同季节拥有不同的误差特征，订正方法中引入季节效应也取得了较好的改进效果（Lin Y, Kruger U, Zhang J, et al. Seasonalanalysis and prediction of wind energy using random forests and ARX modelstructures[J]. IEEE Transactions on Control Systems Technology, 2015, 23(5):1994-2002.）；单一的订正方法存在不同程度的优缺点，多种方法分别订正并将结果进行集成，可有效综合各类方法的优势并拥有更高的精度，但对于突变特征较为明显的物理量的订正效果仍有待改进（陈昱文等.基于ECMWF产品的站点气温预报集成学习误差订正[J].应用气象学报,2020,31(04):494-503.；韩念霏等，京津冀站点风温湿要素的机器学习订正方法[J].应用气象学报,2022,33(04):489-500.）。由于常规观测站点数量较为稀疏，无法提供足够数量的机器学习训练“真值”，部分研究使用再分析资料作为输出结果，采用卷积神经网络综合考虑气象要素的整体空间相关性，同样使订正结果得到了有效的改进；由于卷积神经网络参数量大且结构较为复杂，此类方法对样本的数量和质量通常具有较高的要求（Han L, Chen M, Chen K, et al. A deep learning method for bias correction ofECMWF 24–240 h forecasts[J]. Advances in Atmospheric Sciences, 2021, 38(9):1444-1459.；张延彪等，数值天气预报多要素深度学习融合订正方法[J].气象学报,2022,80(01):153-167.）。
根据天气学原理，地面风速和温度的变化受到高空环流形势配置、温度平流、云量等多重要素的影响。例如高温天气通常伴随着大气稳定层结和700 hPa的暖平流（王金兰等，2009年6月下旬华北持续高温天气诊断分析[J].气象与环境科学,2010,33(04):38-42.DOI:10.16765/j.cnki.1673-7148.2010.04.006.），副热带高压的影响区域往往干燥少雨（孙亦等，.四川省极端危害性高温变化特征分析[J].高原山地气象研究,2022,42(02):96-103.）；如果在高空出现较强的西北风、冷平流和气流下沉运动，则容易出现降温天气（赵玉广等，河北省寒潮天气形势分析及预报[J].干旱气象,2012,30(01):94-99.）；中低层水平风垂直切变较大、850 hPa和500 hPa温差较大的区域通常会出现雷暴大风天气（华雯丽等，山东省雷暴大风天气学分型与物理诊断量统计特征[J].暴雨灾害,2021,40(04):362-373.）。现有的订正方法中使用的物理量多数来自近地面，缺乏来自高空物理量的约束作用；目前数值天气预报产品的空间分辨率大约在几十公里，由于GPU显存的限制使订正模型在训练时仅能输入较小的区域范围，因此如何提高订正结果的精度并扩大订正范围成为当前的研究重点。
发明内容
本发明所要解决的技术问题是提供一种计算量小、误差小、效果好的数值天气预报近地层风速产品的订正方法。
为解决上述问题，本发明所述的一种数值天气预报近地层风速产品的订正方法，包括以下步骤：
⑴使用数值天气预报模式EC对等压面层的风速U、V分量和温度T的预报结果，融合地面10 m风速U、V分量和2 m温度T的预报结果作为订正模型的输入，预报时效达到84 h，时间间隔为3 h；
⑵以ERA5再分析资料在同一时刻的地面10 m风速U、V分量作为订正模型的输出；
⑶将输入和输出变量均稀疏化至1.0°×1.0°，采用卷积神经网络方法，针对要订正的2个变量分别训练得到订正模型；
⑷将最新的EC预报场输入至训练好的订正模型中，即可实现对于地面10 m风速U、V分量的误差订正。
所述步骤⑷中输入的预报场为高分辨率的预报场。
本发明与现有技术相比具有以下优点：
1、本发明融合数值天气预报对近地面和高空要素的预报结果，采用3D卷积神经网络方法训练得到近地层风速订正模型Conv3d_Surface_Upper；模型采用全卷积神经网络设计，训练时采用低分辨率的数据作为输入，可保证较大范围区域的适用性和较小的计算量，训练完成后可切换至其他区域并输入高分辨率的预报结果进行订正。
2、采用本发明方法进行批量试验，结果表明模型相比于仅使用近地面要素的传统订正方法拥有更小的误差，且采用高分辨率预报结果作为输入后同样保持了较好的订正效果。
3、本发明适用于高分辨率数值天气预报产品的订正。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1为本发明的订正模型训练及应用技术路线图。
图2为本发明订正区域范围。
图3 为本发明EC地面10 m风速U（左图）、V（右图）分量低分辨率预报结果及各模型订正结果的均方根误差。
图4为本发明EC地面10 m风速U（左图）、V（右图）分量高分辨率预报结果及Conv3d_Surface_Upper模型订正结果的均方根误差。
图5为本发明EC在2019-06-07 12:00时刻起报的高分辨率地面10 m风速U分量的绝对偏差及Conv3d_Surface_Upper模型订正结果的绝对偏差，预报时效分别为12 h、36 h、60 h和84 h。
具体实施方式
如图1所示，一种数值天气预报近地层风速产品的订正方法，包括以下步骤：
⑴使用数值天气预报模式EC对等压面层的风速U、V分量和温度T的预报结果，融合地面10 m风速U、V分量和2 m温度T的预报结果作为订正模型的输入，预报时效达到84 h，时间间隔为3 h；
⑵以ERA5再分析资料在同一时刻的地面10 m风速U、V分量作为订正模型的输出；
⑶模型训练时针对不同预报时效采用同一模型，由于研究范围较大且输入变量数多，训练时GPU显存有限，因此将输入和输出变量均稀疏化至1.0°×1.0°，采用卷积神经网络方法，针对要订正的2个变量分别训练得到订正模型；
⑷将最新的EC预报场输入至训练好的订正模型中，即可实现对于地面10 m风速U、V分量的误差订正。根据实际需求可选择高分辨率的预报场作为输入。
本发明除使用地面要素外，增加了数值天气预报对高空物理量预报结果的约束；且订正模型使用3D卷积神经网络方法，可实现数值天气预报要素场在水平和垂直方向上特征的有效提取。同时，订正模型采用低分辨率的数据进行训练，训练好后可切换至其他区域进行订正，具有较好的迁移性。
实施例
为提高数值天气预报对近地层风速的预报水平，本发明选用数值天气预报模式EC气象要素预报结果和ERA5再分析资料作为训练和检验样本，使用卷积神经网络方法训练得到近地层风速订正模型Conv3d_Surface_Upper，训练及检验流程如下：
1、训练及检验样本的构建。
研究区域经纬度范围为70°E—140°E，15°N—55°N（图2），训练及检验样本来自数值天气预报模式EC在2019年逐日12:00时刻起报的气象要素预报结果，其中2019年6月为检验样本，剩余的11个月为训练样本。输入变量为19个等压面层的风速U、V分量和温度T分量及地面10m风速U、V分量和2 m温度T分量，共包含60个输入变量；输出变量为ERA5再分析资料在同一时刻的地面10 m风速U、V分量，该资料是欧洲中期天气预报中心对全球气候的第五代大气再分析产品，具有较高的质量。EC预报结果的预报时长达到84小时，时间间隔为3h，模型训练时对不同预报时效采用同一模型，针对2个被订正的变量分别训练模型。EC预报结果及ERA5再分析资料的空间分辨率均为0.25°×0.25°，由于研究区域较大且输入变量较多，训练时GPU无法提供足够的显存，因此将输入和输出变量均稀疏化至1.0°×1.0°以保证模型的正常训练。
2、订正模型的设置。
本发明选用3D卷积神经网络来构建订正模型，输入样本的维度为[20, 41, 71,3]，输出样本维度为[1, 41, 71, 1]，因此模型主要通过卷积、池化等方式对输入样本进行提取特征并压缩维度。模型共包含4个卷积层和3个池化层，卷积核数量分别为64、32、16和1，详细设置参见表1。
表1 Conv3d_Surface_Upper模型设置
3、为比较不同订正模型的订正效果和不同输入变量的影响，本发明设计了以下3组试验（订正模型）：
Conv2d_Surface：输入变量为EC对地面10 m风速U、V分量和2 m温度T的预报结果，采用2D卷积神经网络，输入变量维度为[41, 71, 3] ，详细设置参见表2。
Conv2d_Surface_Upper：输入变量包含EC对地面10 m风速U、V分量和2 m温度T的预报结果，19个等压面层的风速U、V和温度T。采用2D卷积神经网络，输入变量维度为[41,71, 60] ，详细设置参见表2。
表2 Conv2d_Surface及Conv2d_Surface_Upper模型设置
Conv3d_Surface_Upper：输入变量包含EC对地面10 m风速U、V分量和2 m温度T的预报结果，19个等压面层的风速U、V和温度T。采用3D卷积神经网络，输入变量维度为[20,41, 71, 3]，详细设置参见表1。
4、低分辨率输入样本的订正检验。
模型训练完成后，使用低分辨率1.0°×1.0°的EC预报场作为输入进行检验，订正后的风速U、V分量同样为1.0°×1.0°。图3为EC预报结果及各订正模型订正结果的均方根误差随预报时效的变化，4组试验的误差随着预报时效的增长整体呈现增加的趋势，3组订正方法相比较于EC的预报结果误差均有所下降；Conv2d_Surface_Upper由于增加了19个等压面层的物理量约束，相比Conv2d_Surface误差有所降低；Conv3d_Surface_Upper使用了3D卷积神经网络，可同时在水平方向和垂直方向上提取特征，在预报初期与Conv2d_Surface_Upper相比差别较小，但随着预报时效的增加，Conv3d_Surface_Upper拥有更小的预报误差。
5、高分辨率输入样本的订正检验。
Conv3d_Surface_Upper采用全卷积神经网络设计，检验时的输入样本维度无需与训练时保持一致，具有较好的迁移性，可对不同地区、不同空间分辨率的数值天气预报产品进行订正。
将EC预报的高分辨率气象要素场输入至Conv3d_Surface_Upper模型，空间分辨率为0.25°×0.25°，得到地面10 m风速U、V分量且分辨率为0.25°×0.25°的订正结果；计算订正结果、EC预报结果与ERA5再分析资料的均方根误差（图4），结果表明Conv3d_Surface_Upper模型对于高分辨率的数值天气预报产品仍具有较好的误差订正作用，证明了采用低分辨率数据训练的模型对于高分辨率的预报产品同样具有较好的订正效果并有效减小了计算量。
图5为EC在2019-06-07 12:00时刻起报的地面10 m风速U分量和订正结果的绝对偏差，预报时效分别为12 h、36 h、60 h和84 h，误差分析结果表明，该预报时段误差较高的地区主要集中在中国和蒙古国的交界处、渤海地区和东海地区，误差随着预报时效的增加逐渐增长；经过订正后误差显著下降，误差在4个预报时刻分别减小了0.37、0.50、0.67和0.69 m/s。
综上所述，本发明设计的Conv3d_Surface_Upper订正模型相比于传统的订正模型拥有更小的误差，且对于不同预报时效、不同分辨率的地面10 m风速预报结果均具有较好的订正效果，可为数值天气预报业务平台的后处理订正、风电功率预测、航空气象安全提供有效的参考。
Claims (2)
1.一种数值天气预报近地层风速产品的订正方法，包括以下步骤：
⑴使用数值天气预报模式EC对等压面层的风速U、V分量和温度T的预报结果，融合地面10 m风速U、V分量和2 m温度T的预报结果作为订正模型的输入，预报时效达到84 h，时间间隔为3 h；
⑵以ERA5再分析资料在同一时刻的地面10 m风速U、V分量作为订正模型的输出；
⑶将输入和输出变量均稀疏化至1.0°×1.0°，采用卷积神经网络方法，针对要订正的2个变量分别训练得到订正模型；
⑷将最新的EC预报场输入至训练好的订正模型中，即可实现对于地面10 m风速U、V分量的误差订正。
2.如权利要求1所述的一种数值天气预报近地层风速产品的订正方法，其特征在于：所述步骤⑷中输入的预报场为高分辨率的预报场。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211023854.2A CN115358151A (zh) | 2022-08-25 | 2022-08-25 | 一种数值天气预报近地层风速产品的订正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211023854.2A CN115358151A (zh) | 2022-08-25 | 2022-08-25 | 一种数值天气预报近地层风速产品的订正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115358151A true CN115358151A (zh) | 2022-11-18 |
Family
ID=84005464
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211023854.2A Pending CN115358151A (zh) | 2022-08-25 | 2022-08-25 | 一种数值天气预报近地层风速产品的订正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115358151A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115511011A (zh) * | 2022-11-21 | 2022-12-23 | 南京信息工程大学 | 一种基于对抗生成网络模型的雷达资料订正方法及系统 |
| CN115796394A (zh) * | 2023-02-01 | 2023-03-14 | 天翼云科技有限公司 | 数值天气预报订正方法、装置、电子设备及存储介质 |
| CN116205138A (zh) * | 2023-01-16 | 2023-06-02 | 中国气象局广州热带海洋气象研究所（广东省气象科学研究所） | 风速预报订正方法及装置 |
| CN117452527A (zh) * | 2023-12-26 | 2024-01-26 | 贵州省气象台(贵州省气象决策服务中心) | 一种数字气象智能服务方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114330641A (zh) * | 2021-11-09 | 2022-04-12 | 国网山东省电力公司应急管理中心 | 基于复杂地形的深度学习的短期风速订正模型的建立方法 |
-
2022
- 2022-08-25 CN CN202211023854.2A patent/CN115358151A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114330641A (zh) * | 2021-11-09 | 2022-04-12 | 国网山东省电力公司应急管理中心 | 基于复杂地形的深度学习的短期风速订正模型的建立方法 |
Non-Patent Citations (1)
| Title |
|---|
| 何琦敏等著: "《地基GNSS水汽反演技术在极端天气监测中的应用》", 31 May 2022, 中国矿业大学出版社, pages: 28 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115511011A (zh) * | 2022-11-21 | 2022-12-23 | 南京信息工程大学 | 一种基于对抗生成网络模型的雷达资料订正方法及系统 |
| CN115511011B (zh) * | 2022-11-21 | 2023-06-09 | 南京信息工程大学 | 一种基于对抗生成网络模型的雷达资料订正方法及系统 |
| CN116205138A (zh) * | 2023-01-16 | 2023-06-02 | 中国气象局广州热带海洋气象研究所（广东省气象科学研究所） | 风速预报订正方法及装置 |
| CN116205138B (zh) * | 2023-01-16 | 2023-11-03 | 中国气象局广州热带海洋气象研究所（广东省气象科学研究所） | 风速预报订正方法及装置 |
| CN115796394A (zh) * | 2023-02-01 | 2023-03-14 | 天翼云科技有限公司 | 数值天气预报订正方法、装置、电子设备及存储介质 |
| WO2024159966A1 (zh) * | 2023-02-01 | 2024-08-08 | 天翼云科技有限公司 | 数值天气预报订正方法、装置、电子设备及存储介质 |
| CN117452527A (zh) * | 2023-12-26 | 2024-01-26 | 贵州省气象台(贵州省气象决策服务中心) | 一种数字气象智能服务方法及系统 |
| CN117452527B (zh) * | 2023-12-26 | 2024-03-12 | 贵州省气象台(贵州省气象决策服务中心) | 一种数字气象智能服务方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115358151A (zh) | 一种数值天气预报近地层风速产品的订正方法 | |
| CN110020462B (zh) | 一种对气象数据进行融合处理并生成数值天气预报的方法 | |
| CN110363327A (zh) | 基于ConvLSTM和3D-CNN的短临降水预测方法 | |
| CN106886564B (zh) | 一种基于空间聚类订正nwp风能图谱的方法及装置 | |
| CN104636608A (zh) | 一种modis卫星数据的直接同化方法 | |
| CN113553782B (zh) | 一种用于预报风速的降尺度方法 | |
| CN113139327B (zh) | 一种基于gru网络模型的电离层tec单点预测方法及系统 | |
| CN112906955B (zh) | 一种基于多源数据驱动的潮汐数据拟合方法 | |
| CN113255239B (zh) | 用于预测超高压输电线路杆塔覆冰厚度的深度学习方法 | |
| CN116644379A (zh) | 多源海面物理要素的机器学习融合方法、设备及介质 | |
| CN114595876A (zh) | 一种区域风场预测模型生成方法和装置、电子设备 | |
| CN116484189A (zh) | 一种基于深度学习的era5降水产品降尺度方法 | |
| CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
| Liu et al. | Meshless surface wind speed field reconstruction based on machine learning | |
| CN114118511B (zh) | 一种基于云量预测信息的大区域多星联合覆盖有效性评估方法 | |
| CN114819264A (zh) | 一种基于时空依赖的光伏电站辐照度超短期预测方法及存储介质 | |
| CN112541655B (zh) | 一种针对区域风能资源精细化评估需求的大气再分析方法 | |
| CN110059972B (zh) | 基于泛函深度信念网络的日太阳辐射资源评估方法 | |
| CN112001090A (zh) | 一种风场数值模拟方法 | |
| CN108415101B (zh) | 秒级探空资料的稀疏化方法 | |
| CN115511192A (zh) | 一种基于闪电资料同化的降水预报方法及系统 | |
| CN111596384B (zh) | 一种基于天气类型有效识别的斜面辐射预测方法 | |
| CN113176622B (zh) | 针对累积曝辐量的逐小时太阳辐射时间降尺度方法 | |
| CN112561181A (zh) | 一种基于Unet网络和地基云图的光伏发电预测系统 | |
| CN114219176A (zh) | 一种多源算法集成的太阳辐射预报系统及方法 |
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 |