CN115600142B - 一种基于不同方法的大风融合集成预报方法 - Google Patents
一种基于不同方法的大风融合集成预报方法 Download PDFInfo
- Publication number
- CN115600142B CN115600142B CN202211283679.0A CN202211283679A CN115600142B CN 115600142 B CN115600142 B CN 115600142B CN 202211283679 A CN202211283679 A CN 202211283679A CN 115600142 B CN115600142 B CN 115600142B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- forecasting
- forecast
- wind
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000010354 integration Effects 0.000 title claims abstract description 40
- 230000004927 fusion Effects 0.000 title claims abstract description 36
- 238000013277 forecasting method Methods 0.000 title claims abstract description 19
- 238000012937 correction Methods 0.000 claims abstract description 24
- 238000007689 inspection Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000007619 statistical method Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 229910044991 metal oxide Inorganic materials 0.000 abstract description 2
- 150000004706 metal oxides Chemical class 0.000 abstract description 2
- 239000004065 semiconductor Substances 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- 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
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于气象预报技术领域，涉及一种基于不同方法的大风融合集成预报方法。步骤包括获取数值模式的风速预报产品，数据处理和数据集建设，建立MOS等统计订正方法，建立概率密度匹配等订正方法，分别建立不同方法的风速预报实时业务化系统，对不同模型风速预报产品进行对比检验，建立基于不同方法的大风融合集成预报方法和业务化系统。本发明基于不同方法的大风融合集成预报方法，对不同方法风速预报进行对比检验和融合集成，进一步提高大风客观预报准确率。对2021年1‑12月山东沿海8个代表站风速预报准确率对比检验表明，该方法提供的5级以上大风预报准确率总体优于单个风预报方法。
Description
技术领域
本发明属于气象预报技术领域，涉及一种基于不同方法的大风融合集成预报方法。
背景技术
大风是一种重要的灾害性天气，特别是海上大风，对于海上交通运输有重要影响。提高大风预报准确率，是提高气象防灾减灾能力的重要内容。当前，数值天气预报准确率已显著提高，但数值模式对于风速预报仍然存在一定的不足，主要表现为模式通常对于大风预报偏小、小风预报偏大。因此，通过统计订正、人工智能等技术对数值模式风速预报进行订正，是提高大风预报准确率的重要手段。目前，对于气温、降水等的客观订正预报方法较多，已取得显著订正效果，对于风的订正预报方法相对较少。传统的统计方法虽然可以总体减小数值模式风速预报误差（曾晓青等，《应用气象学报》，2019），但由于大风预报为小概率事件，对于大风预报一般难以取得较好的订正效果。且不同的统计方法的特点不同，往往各有所长，如何能集成不同方法的优点，还缺少有效的方法。
发明内容
本发明针对传统数值模式风速预报订正方法存在的问题和不足，提出了一种基于不同方法的大风融合集成预报方法，以期取得更好的大风订正预报效果。
为了达到上述目的，本发明是采用下述的技术方案实现的：
一种基于不同方法的大风融合集成预报方法，步骤如下：
（1）获取数值模式的风速预报产品
获取(包括从气象CIMISS数据库、大数据云平台、气象数值预报云共享平台、因特网等方式获取数据)研究区域范围内数值模式风速预报产品，通过插值技术将这些数值模式风速预报产品插值处理到地面观测站点或等经纬网格点上；
（2）数据处理和数据集建设
根据关注重点和用户服务需求，基于数值模式风速预报产品分别求取特定时段内最大风速，或选择数值模式某时刻的风速，建立数值模式风速预报历史数据集、数值模式风速预报实时数据；获取(包括从气象CIMISS数据库、大数据云平台等方式获取数据)研究区域范围内与风预报产品相一致的站点或网格点风的实况数据；
（3）基于数值模式风速预报建立MOS等统计订正方法
基于数值模式风速预报和实况风历史数据集，采用MOS滑动建模等统计方法，对数值模式风速预报进行统计订正，逐站（点）建立风速客观订正预报模型A；
（4）基于数值模式风速预报建立概率密度匹配等订正方法
基于数值模式风速预报和实况风历史数据集，采用概率密度匹配等方法对模式风速预报进行订正，使风速预报与实况观测的概率密度分布一致，订正模式风速预报系统误差，逐站（点）建立风速客观订正预报模型B；
（5）分别建立不同方法的风速预报实时业务化系统
基于数值模式风速实时预报产品，实现模型A、B的实时业务化运行，实时提供风速客观订正预报产品；
（6）对不同模型风速预报产品进行对比检验
对模型A和模型B的风速预报产品进行风速分级预报准确率检验，或风速分级预报误差检验，重点分析不同模型大风预报准确率的差异；
（7）建立基于不同方法的大风融合集成预报方法和业务化系统
根据A、B两种模型不同等级风预报准确率（或预报误差）检验结果，按照预报最优的原则，逐级风进行不同产品的风速分级融合集成，确定基于A和B两种模型的大风融合集成方案，逐站（点）建立基于A、B两种模型的大风融合集成预报方法，并建立大风融合集成预报业务化系统，实现方法的实时业务化运行。
作为优选，步骤（1）中所述获取研究区域范围内数值模式地面10米风预报产品，其产品时间分辨率通常为逐1小时或逐3小时（需要说明的是，逐1小时或逐3小时是目前气象局预报常用的分辨率，但随着技术发展，也可能有其他更高分辨率产品出现，本发明对此不做限制，其他分辨率的情况也在本发明保护范围内），如中国气象局数值预报中心提供的CMA-MESO中尺度模式风速预报产品时间分辨率为1小时，华东、华北区域中心提供的中尺度数值模式风速预报产品时间分辨率为1小时，ECMWF欧洲中心数值预报中心的EC细网格以及中国气象局数值预报中心GRAPES_GFS全球模式风速预报产品时间分辨率为逐3h。
作为优选，步骤（1）中所述插值技术通常指双线性插值或反距离权重等插值方法。
作为优选，步骤（2）中所述时段内最大风通常指24小时内，或12小时内最大风，也可根据需求求取任意时段内最大风。
作为优选，步骤（3）中所述MOS滑动建模统计方法，指采用预报日向前N天的数值模式风速预报历史数据和实况进行滑动统计建模，建立风速客观预报模型；或采用预报日向前N天的历史数据和上一年度预报日之后N天的历史数据进行滑动统计建模，建立风速客观预报模型；所述N天可以根据经验给出，也可以通过不同的N进行训练对比给出最优N。
作为优选，步骤（3）中所述MOS滑动建模等统计方法，包括不同的MOS客观预报方法，以及其他类似的统计方法，如BP神经网络方法，卡尔曼滤波方法等。
作为优选，步骤（4）中所述采用概率密度匹配方法，其实施步骤为：
a.利用下述公式计算实况观测风速出现不同风速阈值时的频率，建立实况风速值与实况风速频率的线性插值函数f（x），其中f（x）为风速，x为风速出现频率P的对数（lnP），公式如下；
，
其中，Ai为出现某一阈值风速的站点次数，B为总站次数。
b.利用上述公式计算数值模式预报的风速不同阈值时的频率P，并代入f（x）中，可求新的风速值与预报风速频率的线性插值函数；
c.根据数值模式风速预报值，按照步骤b中所求解的风速阈值找到对应的实况风速值，求解出不同风速阈值的订正系数。
作为优选，步骤（4）中所述采用概率密度匹配等方法，还包含其他类似的可以提高大风预报准确率的统计方法。
作为优选，步骤（6）中所述风速分级预报准确率检验，风速分级预报误差检验等，计算公式如下：
风力等级预报准确率检验公式为：
预报准确率： 。
式中k为风力等级， 为预报正确站（次）数、 />为预报偏强站（次）数（即预报风力等级大于实况风力检验等级）、 /> 为预报偏弱站（次）数（即预报风力等级小于实况风力检验等级）。
风速分级预报误差检验公式为：
平均绝对误差：；
平均误差： 。
式中为第k等级风第i站（次）预报值； />第k等级风第i站（次）实况值。
作为优选，步骤（7）中所述根据A、B两种模型不同等级风预报准确率（或预报误差）检验结果，在实际操作过程中，模型的数量不限制为两种，也就是不仅仅局限于A、B两种预报模型，还可以是更多数量的模型的检验结果进行融合；或不同数值模式风速预报产品的融合。
作为优选，步骤（7）中所述按照预报最优的原则，指选取预报准确率高（或预报误差小）的模型的产品进行风速分级融合集成，也可以分别给定不同模型预报产品一定的比例（可通过试验确定比例）进行集成，或直接选取预报最好的产品进行集成。
作为优选，步骤（7）中所述风速分级融合集成，指根据不同等级风各模型预报准确率情况，分别确定融合集成方案，最后融合集成成一种最终的预报产品。
与现有技术相比，本发明的优点和积极效果在于：
本发明基于不同方法的大风融合集成预报方法，对不同方法风速预报进行对比检验和融合集成，进一步提高大风客观预报准确率。对2021年1-12月山东沿海8个代表站风速预报准确率对比检验表明，该方法提供的5级以上大风预报准确率总体优于单个风预报方法，表明通过融合集成，达到了再次提高大风预报准确率的目的。
附图说明
图1、图2为2021年1-12月山东省沿海8个代表站不同方法0-24、24-48小时日最大风速预报准确率对比，MOS表示基于ECMWF欧洲中心细网格模式的MOS滑动建模预报方法、PDM表示概率密度匹配客观预报方法、融合集成表示基于两种方法的大风融合集成预报方法。
其中，横坐标为风力等级，纵坐标为风力等级预报准确率评分。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合具体实施例对本发明做进一步说明。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开说明书的具体实施例的限制。
实施例1
本实施例基于ECMWF欧洲中心细网格模式风速预报产品，基于山东省沿海8个代表站分别建立站点风速MOS滑动建模预报方法和概率密度匹配预报方法，在此基础上逐站建立大风融合集成预报模型，实时生成风速客观预报产品。
采用如下步骤：
（1）获取ECMWF欧洲中心细网格模式的风速预报产品
以python、shell为主要编程语言，在WINDOWS或LINUX环境下从气象CIMISS数据库获取山东区域范围内ECMWF欧洲中心细网格模式逐3小时地面10米风速预报产品以及6小时内最大风预报产品，通过反距离权重插值方法，生成山东省沿海8个代表站风速预报产品。
（2）数据处理和数据集建设
基于ECMWF欧洲中心细网格6小时内最大风求取0-24小时、24-48小时最大风速，建立山东省8个代表站数值模式风速预报历史数据集及实时数据；从气象CIMISS数据库获取山东省沿海8个代表站相应风的实况数据。
（3）基于数值模式风速预报建立MOS滑动建模预报方法
基于过去1年的ECMWF欧洲中心细网格模式日最大风速预报和实况风历史数据集，以山东省沿海8个代表站为基础，采用全风速MOS滑动建模方法，建立不同站风速MOS滑动订正预报模型（模型A）。
（4）基于数值模式风速预报建立概率密度匹配预报方法
基于过去1年的ECMWF欧洲中心细网格模式日最大风预报和实况风历史数据集，以山东省沿海8个代表站为基础，采用概率密度匹配方法逐站建立风速客观订正预报模型（模型B）。
（5）分别建立不同方法的风速预报实时业务化系统
基于ECMWF欧洲中心细网格模式日最大风预报产品，分别建立模型A、B的业务化预报系统，实现模型A、B的实时业务化运行，实时提供风速客观订正预报产品。
（6）对不同模型风速预报产品进行对比检验
对模型A和模型B的风速客观预报产品进行分级预报准确率检验，重点分析不同模型大风预报准确率的差异。
（7）建立基于不同方法的大风融合集成预报方法和业务化系统
根据A、B两种模型不同等级风速预报准确率检验结果，按照预报最优的原则逐级风确定基于A和B两种模型的大风融合集成方案，逐站建立基于A、B两种模型的大风融合集成预报方法，并建立大风融合集成预报业务化系统，实现方法的实时业务化运行。
分别对2021年1-12月基于ECMWF欧洲中心细网格模式日最大风预报的MOS滑动建模预报方法（以MOS表示）、概率密度匹配客观预报方法（以PDM表示）以及基于两种方法的大风融合集成预报方法（以“融合集成”表示）进行风力等级预报准确率检验，结果见表1、表2。
表1 2021年1-12月山东省沿海8个代表站0-24小时
日最大风预报准确率（%）评分对比
表2 2021年1-12月山东省沿海8个代表站24-48小时
日最大风预报准确率（%）评分对比
为了更直观表示各产品的准确率情况，将表1、表2中的数据绘制成图形（图1、图2），从表1、表2结合图1、图2得到的结果可知：基于不同方法的大风融合集成预报方法有效集成了MOS和PDM两种方法的预报优势，既克服了MOS方法对8级大风预报的不足，又提高了概率密度匹配方法对于4级以上风的预报准确率，总体提高了大风预报准确率，表明该方法是合理且有效的。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (6)
1.一种基于不同方法的大风融合集成预报方法，其特征在于，步骤如下：
（1）获取数值模式的风速预报产品
从数据平台获取研究范围内数值模式风速预报产品，通过插值技术将数值模式风速预报产品插值处理到地面观测站点或等经纬网格点上；
（2）数据处理和数据集建设
基于数值模式风速预报产品，分别求取特定时间段内最大风速，或选择数值模式某时刻的风速，建立数值模式风速预报历史数据集、数值模式风速预报实时数据；获取研究范围内与风速预报产品相一致的站点或网格点,得到实况风速历史数据集；
（3）MOS统计订正
基于数值模式风速预报历史数据集和实况风速历史数据集，采用MOS滑动建模统计方法，对数值模式风速预报进行统计订正，逐站点建立风速客观订正预报模型A；
（4）概率密度匹配订正
基于数值模式风速预报和实况风速历史数据集，采用概率密度匹配方法对模式风速预报进行订正，使风速预报与实况观测的概率密度分布一致，订正模式风速预报系统误差，逐站点建立风速客观订正预报模型B；
（5）分别建立风速预报实时业务化系统
基于步骤（2）中所述数值模式风速预报实时数据，实现模型A、模型B的实时业务化运行，实时提供风速客观订正预报产品；
（6）对不同模型风速预报产品进行对比检验
对模型A和模型B处理后得到的风速预报产品进行风速分级预报准确率检验，或风速分级预报误差检验，分析模型A和模型B大风预报准确率的差异；
（7）建立大风融合集成预报方法和业务化系统
根据模型A、模型B不同等级风预报准确率或误差检验结果，按照预报最优的原则，逐级进行风速分级融合集成，确定基于模型A和模型B的大风融合集成方案，逐站点建立基于模型A和模型B的大风融合集成预报方法，建立大风融合集成预报业务化系统，实现实时业务化运行；
步骤（3）中MOS滑动建模统计方法为：采用预报日向前N天的数值模式风速预报历史数据和实况进行滑动统计建模，建立风速客观预报模型；或采用预报日向前N天的历史数据和上一年度预报日之后N天的历史数据进行滑动统计建模，建立风速客观预报模型；所述N天根据经验给出，或通过不同天数训练对比给出；
步骤（4）中概率密度匹配方法具体步骤为：
a.根据下述公式计算实况观测风速出现不同风速阈值时的频率Pi：
，
其中，Ai为出现某一阈值风速的站点次数，B为总站次数；
b. 利用步骤a得到的数值模式预报的风速不同阈值时的频率Pi,建立实况风速值与实况风速频率的线性插值函数f（x），其中f（x）为风速，x为风速出现频率Pi的对数（lnPi），从而获取新的风速值与预报风速频率的线性插值函数；
c. 根据数值模式风速预报值，按照步骤b中所求解的风速阈值找到对应的实况风速值，求解出不同风速阈值的订正系数。
2.根据权利要求1所述基于不同方法的大风融合集成预报方法，其特征在于，步骤（1）中数据平台为气象CIMISS数据库、大数据云平台、气象数值预报云共享平台、因特网中的任意一种或多种；所述风速预报产品为数值模式地面10米风预报产品，分辨率为逐1小时或逐3小时，所述插值技术为双线性插值或反距离权重插值。
3.根据权利要求1所述基于不同方法的大风融合集成预报方法，其特征在于，步骤（2）中特定时间段内最大风速为24小时内或12小时内最大风。
4.根据权利要求1所述基于不同方法的大风融合集成预报方法，其特征在于，将步骤（3）中MOS滑动建模统计方法替换为BP神经网络方法或卡尔曼滤波方法。
5.根据权利要求1所述基于不同方法的大风融合集成预报方法，其特征在于，步骤（6）中风力等级预报准确率检验公式为：
，
其中，k为风力等级，NRk为预报正确站次数，NSk为预报偏强站次数，NWk为预报偏弱站次数；
风速分级预报误差检验公式为：
平均绝对误差：，
平均误差：；
其中，为第k等级风第i站次预报值，/>为第k等级风第i站次实况值。
6.根据权利要求1所述基于不同方法的大风融合集成预报方法，其特征在于，步骤（7）中风速分级融合集成方案为：根据不同风速等级模型A和模型B大风预报准确率，分别直接选取不同风速等级预报最好的产品进行集成；或分级给定模型A和模型B预报产品不同权重进行集成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211283679.0A CN115600142B (zh) | 2022-10-20 | 2022-10-20 | 一种基于不同方法的大风融合集成预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211283679.0A CN115600142B (zh) | 2022-10-20 | 2022-10-20 | 一种基于不同方法的大风融合集成预报方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115600142A CN115600142A (zh) | 2023-01-13 |
| CN115600142B true CN115600142B (zh) | 2024-03-08 |
Family
ID=84849391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211283679.0A Active CN115600142B (zh) | 2022-10-20 | 2022-10-20 | 一种基于不同方法的大风融合集成预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115600142B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106803129A (zh) * | 2015-11-26 | 2017-06-06 | 中国电力科学研究院 | 一种基于多源数值天气预报的风电功率集合预测方法 |
| CN110068878A (zh) * | 2019-04-22 | 2019-07-30 | 山东省气象科学研究所 | 一种气温智能网格最优集成预报方法 |
| CN110263392A (zh) * | 2019-06-01 | 2019-09-20 | 邯郸市气象局 | 基于多模式分区误差检验的风场预报方法及其系统 |
| CN113592132A (zh) * | 2021-04-29 | 2021-11-02 | 山东省气象科学研究所(山东省海洋气象科学研究所、山东省气象局培训中心) | 一种基于数值天气预报和人工智能的降水客观预报方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140336934A1 (en) * | 2013-05-07 | 2014-11-13 | Atomic Energy Council - Institute Of Nuclear Energy Research | Ensemble wind power forecasting platform system and operational method thereof |
-
2022
- 2022-10-20 CN CN202211283679.0A patent/CN115600142B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106803129A (zh) * | 2015-11-26 | 2017-06-06 | 中国电力科学研究院 | 一种基于多源数值天气预报的风电功率集合预测方法 |
| CN110068878A (zh) * | 2019-04-22 | 2019-07-30 | 山东省气象科学研究所 | 一种气温智能网格最优集成预报方法 |
| CN110263392A (zh) * | 2019-06-01 | 2019-09-20 | 邯郸市气象局 | 基于多模式分区误差检验的风场预报方法及其系统 |
| CN113592132A (zh) * | 2021-04-29 | 2021-11-02 | 山东省气象科学研究所(山东省海洋气象科学研究所、山东省气象局培训中心) | 一种基于数值天气预报和人工智能的降水客观预报方法 |
Non-Patent Citations (4)
| Title |
|---|
| Short Term Wind Speed Predictions by Using the Grey Prediction Model Based Forecast Method;Chi-Yo Huang et al;《2011 IEEE Green Technologies Conference》;20110421;第1-5页 * |
| 多种风电场风速预报订正方法的适用性研究与集成应用;徐丽娜 等;《干旱区地理》;第45卷(第4期);第1114-1124页 * |
| 山东精细化海区风的MOS预报方法研究;荣艳敏 等;《海洋预报》;第32卷(第3期);第59-67页 * |
| 概率密度匹配方法在我国近海海面10m风速预报中的应用;胡海川 等;《热带气象学报》;第37卷(第1期);第91-101页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115600142A (zh) | 2023-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108227041B (zh) | 基于站点实测数据和模式结果的水平能见度预报方法 | |
| CN112070286B (zh) | 复杂地形流域的降水预报预警系统 | |
| CN109814175B (zh) | 一种基于卫星的强对流监测方法及其应用 | |
| CN109782373B (zh) | 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法 | |
| CN111323352B (zh) | 融合细颗粒物浓度数据的区域pm2.5遥感反演模型 | |
| CN115600142B (zh) | 一种基于不同方法的大风融合集成预报方法 | |
| CN113176420B (zh) | 一种针对电网杆塔点的风速预报订正系统 | |
| CN110097223B (zh) | 一种台风灾害下输电线路损毁预警方法 | |
| CN116910041B (zh) | 一种基于尺度分析的遥感降水产品的逐日订正方法 | |
| WO2024031449A1 (zh) | 一种基于网格聚类的峡谷风电短期功率预测方法 | |
| CN114463616B (zh) | 一种基于Stacking与EMOS-CSG的多源卫星降水融合方法 | |
| CN116205541B (zh) | 评估本地污染源对环境空气质量影响的方法及装置 | |
| CN116527135B (zh) | 站址可用度确定方法、系统、装置、电子设备及存储介质 | |
| CN110781458A (zh) | 一种基于混合回归模型预测地表太阳辐照度的方法 | |
| CN114004163A (zh) | 一种基于modis和长短时记忆网络模型的pm2.5反演方法 | |
| CN113946796B (zh) | 一种基于条件概率高时空分辨率的干旱传播时间计算方法 | |
| CN116663885A (zh) | 干旱风险评价系统 | |
| CN109583095B (zh) | 基于混合统计动力模型的西北太平洋台风延伸期预报方法 | |
| CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
| Chang | Assessing the increasing trend in Northern Hemisphere winter storm track activity using surface ship observations and a statistical storm track model | |
| CN115826093B (zh) | 一种海面风全区订正预报方法 | |
| CN110727719A (zh) | 一种基于动力松弛逼近的闪电定位资料同化方法 | |
| CN115291303B (zh) | 一种基于数值天气预报mos滑动订正的大风客观预报方法 | |
| Abdullah et al. | Neural network fitting using levenberg-marquardt training algorithm for PM10 concentration forecasting in Kuala Terengganu | |
| CN116070926B (zh) | 一种基于vod数据进行碳储量动态监测可行性的判定方法 |
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 | ||
| CB02 | Change of applicant information |
Address after: No.11, Wuying Shandong Road, Tianqiao District, Jinan City, Shandong Province Applicant after: SHANDONG PROV METEOROL SCIENCE Address before: No.11, Wuying Shandong Road, Tianqiao District, Jinan City, Shandong Province Applicant before: Shandong Institute of Meteorological Sciences (Shandong Institute of Marine Meteorological Sciences, Shandong Meteorological Bureau Training Center) |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |