CN115755220B - 基于数值模拟与深度学习结合的机场突风预报和订正方法 - Google Patents
基于数值模拟与深度学习结合的机场突风预报和订正方法 Download PDFInfo
- Publication number
- CN115755220B CN115755220B CN202211294427.8A CN202211294427A CN115755220B CN 115755220 B CN115755220 B CN 115755220B CN 202211294427 A CN202211294427 A CN 202211294427A CN 115755220 B CN115755220 B CN 115755220B
- Authority
- CN
- China
- Prior art keywords
- wind
- airport
- forecast
- data
- simulation
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 238000012937 correction Methods 0.000 claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000007637 random forest analysis Methods 0.000 claims abstract description 8
- 238000012800 visualization Methods 0.000 claims abstract description 7
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012950 reanalysis Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 2
- 238000012821 model calculation Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 8
- 235000021152 breakfast Nutrition 0.000 abstract 1
- 230000001815 facial effect Effects 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于数值模拟与深度学习结合的机场突风预报和订正方法，包括以下步骤：S1、历史统计，对天气进行分型；S2、通过多组试验选择出模拟效果最优的模式背景场、地形数据以及物理化和参数化方案，得到近地面风场的模拟结果；S3、模式结果评估；S4、WRF模式背景场、地形数据以及参数化方案确认；S5、10m风速订正；S6、风场转换；S7、可视化。本发明基于WRF模式，将四重嵌套以及LES大涡模拟的技术应用到机场终端区近地面突风的预报中，得到机场终端区地面侧风、顺/逆风，机场终端区风切变的预报；结合随机森林的机器学习对预报结果进行订正给出预报准确率，将进一步有利于合理利用数据信息，作为飞行指挥决策。
Description
技术领域
本发明提供一种基于数值模拟与深度学习结合的机场突风预报和订正方法，属于突风预报技术领域。
背景技术
突风主要包括近地面大侧风、顺风以及风切变，在有侧风或者侧风分量很大时，飞机的起飞和着陆会变得很复杂。当飞机在侧风中起飞时，飞机除向前运动外，还顺着侧风方向移动，如不及时修正就会偏离跑道方向。飞机接地后，在滑跑过程中，侧风对飞机垂直尾翼的侧压力，会使机头向侧风方向偏转，有可能造成飞机打地转等不良后果。因此，目前30％以上的进近及着陆事故和15％的可控飞机撞地(CFIT)事故均与突风相关。为解决突风中风切变对航空安全的影响，美国、芬兰、澳大利亚等国家从上世纪七十年代便先后研究发展了低空风切变实时探测警告技术和系统，如美国联邦航空管理局(FAA)研制的低空风切变预警系统(LLWAS)。随着气象监测手段日益丰富，利用高分辨率的探测设备对风切变进行识别及告警已是许多大型国际机场的主要手段，但是对于很多中小型机场来说，由于技术维护和资金等问题，安装特种设备(如激光探测雷达，风廓线雷达)并不现实，且探测设备仅能探测径向的风速和风向，不能将实际风场的三维结构再现出来，也不能据此推演大气的运动规律和天气变化趋势。
为了得到包括侧风和风切变的预测情况，最初主要利用各机场的长序列地面风场数据，通过MOS等统计学方法建立统计预报方程，对机场的地面风场进行预测，随着数值预报产品的普及和精细化，有许多人员从GFS以及ECMWF等模式资料中提取主要机场的风场预报数据，再根据机场的跑道放心计算出侧风预报值或者风切变预报值[4-5]。这些技术仅仅针对侧风或者风切变进行预报，但实际上大的顺风也可导致飞机着陆调整不及时而冲出跑道，且GFS以及ECMWF数值模式由于时空分辨率往往在3-6小时，空间分辨率在0.25°或则0.5°，很难满足机场终端区起飞着陆5km内的分辨率需求。因此，结合目前航空安全保障的需求，亟需一种能够满足目前民航发展需求的高时空分辨率，高精确程度的突风预报以及对预报的订正。
专利号CN114384608A公开了一种机场沿跑道正侧风预报系统，包括气象要素获取模块、跑道正侧风计算模块和网页端数据展示模块，所述气象要素获取模块用于获取主要机场的特定气象要素数据，所述跑道正侧风计算模块用于对机场由风场转换成跑道的正侧风进行计算，所述网页端数据展示模块用于通过网页端形式展示主要机场的正侧风相关数据和模型，所述气象要素获取模块和跑道正侧风计算模块电连接，所述跑道正侧风计算模块与网页端数据展示模块电连接，通过对原始气象数据进行编译处理转换，得到机场跑道的正侧风相关数据信息，根据数据信息进行偏航模型建模和危险系数折线可视化交互，具有实用性强和可控性高的特点。
该方法存在以下的缺点：
1、由于GFS预报模型预报时间间隔为3小时，且空间分辨率为0.5*0.5°(即50km一个网格点)，时间和空间上满足不了机场高密度的起落运行需求；
2、GFS为全球预报，对于某一个点或者局地的预报效果受地形等因素影响较大，对于风场的预报准确率较低；
3、该系统没有对预报结果进行评估的模块，即正侧风的预报结果好不好，能不能用于业务也不清楚。
《利用WRF模式实现风切变要素的模拟与验证》(王凯,李静,达布希拉图.利用WRF模式实现风切变要素的模拟与验证[J].河南科技,2015(21):74-75.)，主要针对内蒙古自治区乌海机场的风切变，利用中尺度数值预报模式WRF对以NCEP每6小时一次的资料作为初始场输入模式，采用三层嵌套，分别是27，9，3km的分辨率，对风场进行模拟，再采用对垂直风切变和水平风切变以不同权重相加得到风切变指数。
该方法存在以下的缺点：
1、虽然此技术也是基于WRF进行数值模拟，但是未对WRF进行最优参数化方案试验，导致模拟效果并不好，并不能满足机场的业务需求；
2、模式仅进行了三重嵌套，最内层的分辨率为3km，这样的分辨率并不能得到机场终端区内飞机起降以及跑道延长线上的精细化风场结构，从而导致计算出的风切变指数存在很大偏差；
3、未对预报结果进行有效订正。
发明内容
针对上述技术问题，本发明提供一种基于数值模拟与深度学习结合的机场突风预报和订正方法，目的在于达到以下目的：
1、利用WRF模式的嵌套技术提高机场近地面风场的时间和空间分辨率，得到间隔10分钟，空间分辨率300m的风场格点预报；
2、根据机场所在地理环境，选取出最优的边界层参数化方案，得到最优数值模拟结果；
3、对数值模拟结果进行智能订正，便于使用人员合理使用数据结果，作出飞行指挥决策。
本发明的具体技术方案为：
1.基于数值模拟与深度学习结合的机场突风预报和订正方法，包括以下步骤：
S1、历史统计；
收集机场多年地面风场的观测数据以及高空气象数据，根据机场不同飞行器起降的标准对天气进行分型，分为冷空气偏北大风、雷雨大风以及热低压大风三种；
S2、通过多组试验选择出模拟效果最优的模式背景场、地形数据以及物理化和参数化方案；
模式背景场资料包括FNL间隔6小时和ECMWF-ERA-interim逐小时的全球再分析资料；地形数据包括WRF自带的30s地形数据以及来自于SRTM分辨率为3s的地形数据。
采用设定方案对机场终端区近地面的不同类型的大风进行模式计算，得到近地面风场的模拟结果；
所述设定方案包括以机场为中心的8.1km*8.1km的区域为试验区域，模式采用四重嵌套，网格距依次为8.4km、2.7km、0.9km和0.3km，积分步长为40s，网格数分别为105*105、103*103、103*103、103*103个，垂直方向为35层，其中1km以下为9层。
S3、模式结果评估；
通过对比分析多组敏感性试验将不同类型大风的模拟结果与真实观测差值的分布进行偏差分析，得到WRF模式对不同类型大风模拟能力的评估。偏差分析，包括计算平均偏差值、四分位值、中位数和各个偏差段内的出现频率分布。
S4、WRF模式背景场、地形数据以及参数化方案确认。
通过评估得到机场终端区近地面风场模拟的最优参数化方案设置；
采用ECMWF-ERA-interim逐小时的全球再分析资料作为初始场和侧边界条件，积分时间为24h，间隔10分钟输出一次结果。
S5、10m风速订正；
利用随机森林的机器学习方法对风场模拟结果进行订正，包括10m风速、10m风向；
所述的随机森林的机器学习方法对风场模拟结果进行订正，具体步骤包括：将WRF模式中多组试验和观测数据集中的部分年份风场资料作为训练集，其他年份数据作为测试集，对该算法进行检验，分析其订正结果的精度。
S6、风场转换；
将订正之后的模式预报10m风场按照跑道的方向分解为侧风分量和顺/逆风分量，并计算出500m以下的风切变指数；风切变指数α公示如下：
式中Z1和Z2分别表示两个不同的高度，V1和V2分别表示Z1和Z2高度对应的风速。
S7、可视化；
基于高程地形图，将实际观测、模式输出、机器学习订正的风向和风速以及通过转换之后的突风进行可视化，优选的，可以通过折线图以及风向玫瑰图，风向盘方式进行可视化。并根据机场的运行标准进行阈值设定，进行预警。
本发明技术方案具有的技术效果：
基于WRF模式，将四重嵌套以及LES大涡模拟的技术应用到机场终端区近地面突风的预报中，得到机场终端区地面侧风、顺/逆风，机场终端区风切变的预报，对机场运行具有一定的参考和指导意义。进一步结合随机森林的机器学习对预报结果进行订正给出预报准确率，将进一步有利于气象预报员、塔台管制员合理利用数据信息，作为飞行指挥决策。
具体实施方式
结合实施例说明本发明的具体技术方案。
基于数值模拟与深度学习结合的机场突风预报和订正方法，包括以下步骤：
S1、历史统计；
收集机场多年地面风场的观测数据以及高空气象数据，根据机场不同飞行器起降的标准对天气进行分型，得到冷空气偏北大风、雷雨大风以及热低压大风的典型个例。
S2、通过多组试验选择出模拟效果最优的模式背景场、地形数据以及物理化和参数化方案；
目前使用普遍的模式背景场资料包括FNL间隔6小时和ECMWF-ERA-interim逐小时的全球再分析资料；
地形数据包括WRF自带的30s地形数据以及来自于SRTM分辨率为3s的地形数据；
物理化参数方案以及边界层参数化方案有多种。
采用设定方案对机场终端区近地面的三种类型的大风进行模式计算，得到近地面风场的模拟结果；所述设定方案包括以机场为中心的8.1km*8.1km的区域为试验区域，模式采用四重嵌套，网格距依次为8.4km、2.7km、0.9km和0.3km，积分步长为40s，网格数分别为105*105、103*103、103*103、103*103个，垂直方向为35层，其中1km以下为9层。
S3、模式结果评估；
通过对比分析多组敏感性试验将不同类型大风的模拟结果与真实观测差值的分布进行偏差分析，包括计算平均偏差值、四分位值、中位数和各个偏差段内的出现频率分布，得到WRF模式对不同类型大风模拟能力的评估。
S4、WRF模式背景场、地形数据以及参数化方案确认。
通过评估得到机场终端区近地面风场模拟的最优参数化方案设置,如表1所示。模式采用ECMWF-ERA-interim逐小时的全球再分析资料作为初始场和侧边界条件，积分时间为24h，间隔10分钟输出一次结果。
表1数值试验中WRF模式物理化参数方案配置
S5、10m风速订正；
WRF模式对区域天气具备一定的数值模拟能力，但由于模式初始场、物理化参数方案对大气物理状态的描述存在不确定性，这就导致数值预报结果与实际的大气状况存在偏差，当偏差过大时，数值预报结果将无任何意义。因此利用随机森林的机器学习方法对风场模拟结果(包括10m风速、10m风向)进行订正，具体步骤包括：将WRF模式中多组试验和观测数据集中的2018-2019年风场资料作为训练集，2020-2021年作为测试集，对该算法进行检验，分析其订正结果的精度。
S6、风场转换：将订正之后的模式预报10m风场按照跑道的方向分解为侧风分量和顺/逆风分量，并计算出500m以下的风切变指数。风切变指数α公示如下：
式中Z1和Z2分别表示两个不同的高度，V1和V2分别表示Z1和Z2高度对应的风速。
S7、可视化：基于高程地形图，将实际观测、模式输出、机器学习订正的风向和风速以及通过转换之后的突风通过折线图以及风向玫瑰图，风向盘等方式进行可视化，并根据机场的运行标准进行阈值设定，进行预警。
本发明采用四重嵌套设置、LES大涡模拟以及与之匹配的参数化方案，因为不同的参数化方案配置可直接导致数值模拟结果的好坏，整个WRF运行的嵌套设置以及具体参数化方案设计一直都是保护点。
本发明采用基于WRF模式，将四重嵌套以及LES大涡模拟的技术应用到机场终端区近地面突风的预报中，得到机场终端区地面侧风、顺/逆风，机场终端区风切变的预报，对机场运行具有一定的参考和指导意义。
进一步结合随机森林的机器学习对预报结果进行订正给出预报准确率，将进一步有利于气象预报员、塔台管制员合理利用数据信息，作为飞行指挥决策。
Claims (7)
1.基于数值模拟与深度学习结合的机场突风预报和订正方法 ，其特征在于，包括以下步骤：
S1、历史统计；
收集机场多年地面风场的观测数据以及高空气象数据，根据机场不同飞行器起降的标准对天气进行分型；
S2、通过多组试验选择出模拟效果最优的模式背景场、地形数据以及物理化和参数化方案；
采用设定方案对机场终端区近地面的不同类型的大风进行模式计算，得到近地面风场的模拟结果；
S3、模式结果评估；
通过对比分析多组敏感性试验将不同类型大风的模拟结果与真实观测差值的分布进行偏差分析，得到WRF模式对不同类型大风模拟能力的评估；
偏差分析，包括计算平均偏差值、四分位值、中位数和各个偏差段内的出现频率分布；
S4、WRF模式背景场、地形数据以及参数化方案确认；
通过评估得到机场终端区近地面风场模拟的最优参数化方案设置；
S5、10m风速订正；
利用随机森林的机器学习方法对风场模拟结果进行订正，包括10m风速、10m风向；
所述的随机森林的机器学习方法对风场模拟结果进行订正，具体步骤包括：将WRF模式中多组试验和观测数据集中的部分年份风场资料作为训练集，其他年份数据作为测试集，对该算法进行检验，分析其订正结果的精度；
S6、风场转换；
将订正之后的模式预报10m风场按照跑道的方向分解为侧风分量和顺/逆风分量，并计算出500m以下的风切变指数；
S7、可视化；
基于高程地形图，将实际观测、模式输出、机器学习订正的风向和风速以及通过转换之后的突风进行可视化，并根据机场的运行标准进行阈值设定，进行预警。
2.根据权利要求1所述的基于数值模拟与深度学习结合的机场突风预报和订正方法 ，其特征在于，S1中，天气分型，分为冷空气偏北大风、雷雨大风以及热低压大风三种。
3.根据权利要求1所述的基于数值模拟与深度学习结合的机场突风预报和订正方法 ，其特征在于，S2中，模式背景场资料包括FNL间隔6小时和ECMWF-ERA-interim逐小时的全球再分析资料；地形数据包括WRF自带的30s地形数据以及来自于SRTM的3s的地形数据。
4.根据权利要求1所述的基于数值模拟与深度学习结合的机场突风预报和订正方法 ，其特征在于，S2中，所述设定方案包括以机场为中心的8.1km*8.1km的区域为试验区域，模式采用四重嵌套，网格距依次为8.4km、2.7km、0.9km和0.3km，积分步长为40s，网格数分别为105*105、103*103、103*103、103*103个，垂直方向为35层，其中1km以下为9层。
5.根据权利要求1所述的基于数值模拟与深度学习结合的机场突风预报和订正方法 ，其特征在于，S4中，采用ECMWF-ERA-interim逐小时的全球再分析资料作为初始场和侧边界条件，积分时间为24h，间隔10分钟输出一次结果。
6.根据权利要求1所述的基于数值模拟与深度学习结合的机场突风预报和订正方法 ，其特征在于，S6中，风切变指数α公示如下：式中Z 1 和Z 2 分别表示两个不同的高度，V 1 和V 2 分别表示Z 1 和Z 2 高度对应的风速。
7.根据权利要求1所述的基于数值模拟与深度学习结合的机场突风预报和订正方法 ，其特征在于，S7中，通过折线图以及风向玫瑰图，风向盘方式进行可视化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211294427.8A CN115755220B (zh) | 2022-10-21 | 2022-10-21 | 基于数值模拟与深度学习结合的机场突风预报和订正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211294427.8A CN115755220B (zh) | 2022-10-21 | 2022-10-21 | 基于数值模拟与深度学习结合的机场突风预报和订正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115755220A CN115755220A (zh) | 2023-03-07 |
| CN115755220B true CN115755220B (zh) | 2023-07-25 |
Family
ID=85352629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211294427.8A Active CN115755220B (zh) | 2022-10-21 | 2022-10-21 | 基于数值模拟与深度学习结合的机场突风预报和订正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115755220B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117725855A (zh) * | 2023-12-25 | 2024-03-19 | 北京航空航天大学 | 基于历史数据和实测数据融合的严重突风谱编制方法 |
| CN118862643B (zh) * | 2024-07-01 | 2024-12-31 | 广东海洋大学 | 一种数值模拟风场的智能订正方法 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010060443A (ja) * | 2008-09-04 | 2010-03-18 | Japan Weather Association | 気象予測装置、方法及びプログラム |
| WO2013120395A1 (zh) * | 2012-02-13 | 2013-08-22 | 国家电网公司 | 一种包含上下游效应实时监测的超短期预测方法 |
| CN105607063A (zh) * | 2016-01-05 | 2016-05-25 | 北京无线电测量研究所 | 一种机场低空风切变探测方法及系统 |
| EP3282405A1 (en) * | 2016-08-12 | 2018-02-14 | The Boeing Company | System and methods for aviation winds uncertainty prediction |
| CN108534982A (zh) * | 2018-04-11 | 2018-09-14 | 西南交通大学 | 一种用于山区风场模拟的过渡曲线 |
| CN109670251A (zh) * | 2018-12-25 | 2019-04-23 | 中国民用航空飞行学院 | 一种飞机离场运行轨迹模拟控制系统及方法、计算机程序 |
| CN110288856A (zh) * | 2019-06-21 | 2019-09-27 | 中国民用航空总局第二研究所 | 基于风的精细化预报的航班动态监控系统及方法 |
| CN110321642A (zh) * | 2019-07-09 | 2019-10-11 | 中国气象局上海台风研究所 | 一种改进运动学效应的台风近地面风场模拟方法 |
| CN111066074A (zh) * | 2017-09-22 | 2020-04-24 | 株式会社东芝 | 航空气象管制系统 |
| US10803758B1 (en) * | 2016-12-21 | 2020-10-13 | Lockheed Martin Corporation | Wind prediction systems and methods |
| CN111967661A (zh) * | 2020-08-11 | 2020-11-20 | 易天气(北京)科技有限公司 | 机场跑道运行方向的决策方法、系统、存储介质和设备 |
| CN112100921A (zh) * | 2020-09-16 | 2020-12-18 | 平衡机器科技(深圳)有限公司 | 一种基于wrf和随机森林获取风资源风速的方法 |
| KR20210081492A (ko) * | 2019-12-23 | 2021-07-02 | 주식회사 포디솔루션 | 초 저고도 바람 예측 정보 제공 방법 |
| KR20210130316A (ko) * | 2020-04-21 | 2021-11-01 | 대한민국(기상청 국립기상과학원장) | 항공기 이륙경로에서 저고도 윈드시어 예측방법 |
| CN113868971A (zh) * | 2021-08-13 | 2021-12-31 | 中国人民解放军国防科技大学 | 一种基于数值仿真模型及历史风场特征的机场区域三维精细化风场重构方法 |
| KR102415455B1 (ko) * | 2021-11-08 | 2022-07-01 | 주식회사 윈드위시 | 예측모델을 이용해 바람 정보를 추정하기 위한 3차원 바람장 생성 장치 및 방법 |
| CN114943114A (zh) * | 2021-12-30 | 2022-08-26 | 中国民用航空中南地区空中交通管理局 | 一种跑道运行方向的预测方法、设备、存储介质 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10746901B2 (en) * | 2008-06-12 | 2020-08-18 | Ophir Corporation | Systems and methods for predicting arrival of wind event at aeromechanical apparatus |
| US20160203245A1 (en) * | 2015-01-14 | 2016-07-14 | State Grid Corporation Of China | Method for simulating wind field of extreme arid region based on wrf |
| US10296981B2 (en) * | 2016-09-14 | 2019-05-21 | Swiss Reinsurance Company Ltd. | Method and system for automated location-dependent recognition of storm risks and exposure-based parametric risk-transfer |
| US10242577B2 (en) * | 2016-12-01 | 2019-03-26 | Honeywell International Inc. | Data communication between airport surveillance radar and onboard airborne weather radar |
| CN107390298B (zh) * | 2017-07-19 | 2019-10-01 | 云南电网有限责任公司电力科学研究院 | 一种复杂山地下垫面大风的模拟方法及装置 |
| US12025768B2 (en) * | 2018-08-29 | 2024-07-02 | The Weather Company, Llc | Generation of weather analytical scenarios translating likely airport capacity impact from probabilistic weather forecast |
| CN112001090A (zh) * | 2020-08-31 | 2020-11-27 | 南京创蓝科技有限公司 | 一种风场数值模拟方法 |
| CN113536569A (zh) * | 2021-07-16 | 2021-10-22 | 国网湖南省电力有限公司 | 基于风速段的wrf近地面风场模拟及结果评估方法及系统 |
| CN113673181A (zh) * | 2021-08-13 | 2021-11-19 | 中国人民解放军国防科技大学 | 一种基于多源风场数据的机场区域风切变智能识别方法 |
| CN114384608B (zh) * | 2022-01-11 | 2024-08-06 | 中国民用航空华东地区空中交通管理局 | 一种机场沿跑道正侧风预报系统 |
| CN114545528B (zh) * | 2022-03-09 | 2024-02-06 | 北京墨迹风云科技股份有限公司 | 一种基于机器学习的气象数值模式要素预报后订正方法和装置 |
| CN114646977A (zh) * | 2022-03-17 | 2022-06-21 | 中科翼安(深圳)科技有限公司 | 基于测风激光雷达的风切变识别和预警方法及装置 |
| CN115730524A (zh) * | 2022-11-29 | 2023-03-03 | 中船航海科技有限责任公司 | 一种基于机器学习的数值模拟虚拟测风误差订正方法 |
-
2022
- 2022-10-21 CN CN202211294427.8A patent/CN115755220B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010060443A (ja) * | 2008-09-04 | 2010-03-18 | Japan Weather Association | 気象予測装置、方法及びプログラム |
| WO2013120395A1 (zh) * | 2012-02-13 | 2013-08-22 | 国家电网公司 | 一种包含上下游效应实时监测的超短期预测方法 |
| CN105607063A (zh) * | 2016-01-05 | 2016-05-25 | 北京无线电测量研究所 | 一种机场低空风切变探测方法及系统 |
| EP3282405A1 (en) * | 2016-08-12 | 2018-02-14 | The Boeing Company | System and methods for aviation winds uncertainty prediction |
| US10803758B1 (en) * | 2016-12-21 | 2020-10-13 | Lockheed Martin Corporation | Wind prediction systems and methods |
| CN111066074A (zh) * | 2017-09-22 | 2020-04-24 | 株式会社东芝 | 航空气象管制系统 |
| CN108534982A (zh) * | 2018-04-11 | 2018-09-14 | 西南交通大学 | 一种用于山区风场模拟的过渡曲线 |
| CN109670251A (zh) * | 2018-12-25 | 2019-04-23 | 中国民用航空飞行学院 | 一种飞机离场运行轨迹模拟控制系统及方法、计算机程序 |
| CN110288856A (zh) * | 2019-06-21 | 2019-09-27 | 中国民用航空总局第二研究所 | 基于风的精细化预报的航班动态监控系统及方法 |
| CN110321642A (zh) * | 2019-07-09 | 2019-10-11 | 中国气象局上海台风研究所 | 一种改进运动学效应的台风近地面风场模拟方法 |
| KR20210081492A (ko) * | 2019-12-23 | 2021-07-02 | 주식회사 포디솔루션 | 초 저고도 바람 예측 정보 제공 방법 |
| KR20210130316A (ko) * | 2020-04-21 | 2021-11-01 | 대한민국(기상청 국립기상과학원장) | 항공기 이륙경로에서 저고도 윈드시어 예측방법 |
| CN111967661A (zh) * | 2020-08-11 | 2020-11-20 | 易天气(北京)科技有限公司 | 机场跑道运行方向的决策方法、系统、存储介质和设备 |
| CN112100921A (zh) * | 2020-09-16 | 2020-12-18 | 平衡机器科技(深圳)有限公司 | 一种基于wrf和随机森林获取风资源风速的方法 |
| CN113868971A (zh) * | 2021-08-13 | 2021-12-31 | 中国人民解放军国防科技大学 | 一种基于数值仿真模型及历史风场特征的机场区域三维精细化风场重构方法 |
| KR102415455B1 (ko) * | 2021-11-08 | 2022-07-01 | 주식회사 윈드위시 | 예측모델을 이용해 바람 정보를 추정하기 위한 3차원 바람장 생성 장치 및 방법 |
| CN114943114A (zh) * | 2021-12-30 | 2022-08-26 | 中国民用航空中南地区空中交通管理局 | 一种跑道运行方向的预测方法、设备、存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| A short-term strong wind prediction model for railwiy application:design and verfication;Uwe Hoppmann;<Journal of wind engineering and industrial aerodynamics>;第90卷(第10期);1127-1134 * |
| 多种资料在乌鲁木齐机场浓雾天气监测预报中的运用;王春红;《民航学报》;第6卷(第1期);60-64 * |
| 广汉机场2018～2022年春季地面风的特征分析;李瑶婷;《民航学报》;第6卷(第6期);94-97 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115755220A (zh) | 2023-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115755220B (zh) | 基于数值模拟与深度学习结合的机场突风预报和订正方法 | |
| Hon | Predicting low-level wind shear using 200-m-resolution NWP at the Hong Kong International Airport | |
| CN113673181A (zh) | 一种基于多源风场数据的机场区域风切变智能识别方法 | |
| CN113189615B (zh) | 一种使用垂直起降固定翼无人机对输电线路进行巡检的方法 | |
| CN109447315A (zh) | 一种基于多时空尺度的电力气象数值天气预报方法和装置 | |
| CN102706389A (zh) | 采用滚动预测的飞机表面积冰短时预报系统及预报方法 | |
| CN105607063A (zh) | 一种机场低空风切变探测方法及系统 | |
| CN115792918B (zh) | 基于多源数据融合的配料法识别航空对流风险区的方法 | |
| CN103163278A (zh) | 基于数值模式与统计分析结合的大气重污染预报方法 | |
| CN113868971B (zh) | 一种基于数值仿真模型及历史风场特征的机场区域三维精细化风场重构方法 | |
| Li et al. | Numerical simulation study of the effect of buildings and complex terrain on the low-level winds at an airport in typhoon situation | |
| CN110941790A (zh) | 基于高分辨率数值的无人机低空飞行气象信息处理方法 | |
| CN111898838B (zh) | 一种树高预测方法、输电线路树障预警方法及系统 | |
| CN109407177B (zh) | 基于机器学习与常规气象观测的大雾识别系统和应用方法 | |
| CN113868970B (zh) | 一种基于数值仿真模型及中尺度气象模式的机场区域多源风场融合方法 | |
| CN114384608B (zh) | 一种机场沿跑道正侧风预报系统 | |
| Silva et al. | Conceptual model for runway change procedure in Guarulhos International Airport based on SODAR data | |
| CN113127530A (zh) | 一种基于铁路网的大气三维结构动态探测信息群同化系统 | |
| CN106295896B (zh) | 结合遥感地形信息的中微尺度电网风害预警方法 | |
| CN110780292A (zh) | 一种机载飞机颠簸探测仪及其方法 | |
| WO2025011163A1 (zh) | 基于气象数值模拟的机载气象雷达自适应雷暴识别方法 | |
| CN110782081B (zh) | 一种天地联合覆冰的预测预警系统及预测预警方法 | |
| Muñoz-Esparza et al. | Revisiting the Precipitous Terrain Classification from a Meteorological Perspective | |
| CN113065253B (zh) | 一种基于深度学习的输电线路覆冰类型预测方法 | |
| CN116794750A (zh) | 一种航空高影响天气分类监测识别和预报预警系统 |
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 |