CN116186493A - 基于数值模式校正的气象预报方法、装置、设备和介质 - Google Patents
基于数值模式校正的气象预报方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116186493A CN116186493A CN202310443555.2A CN202310443555A CN116186493A CN 116186493 A CN116186493 A CN 116186493A CN 202310443555 A CN202310443555 A CN 202310443555A CN 116186493 A CN116186493 A CN 116186493A
- Authority
- CN
- China
- Prior art keywords
- weather
- forecast
- target
- correction
- numerical
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请提供了一种基于数值模式校正的气象预报方法、装置、设备和介质，涉及气象预报技术领域，该方法包括：在选取的指定时间段内基于目标插值方式将获取的数值模式历史预报数据进行针对气象站点以及对应的气象要素信息的插值处理，得到数值模式的初始预报值；对该初始预报值进行初步校正，得到初步校正预报值；基于随机森林回归模型确定数值模式对应的目标权重系数，进而对初步校正预报值进行二次校正，得到目标校正预报值；计算目标气象站点与附近预设区域所包含的全部气象站点的相关系数，结合对应的目标校正预报值确定目标气象站点的目标气象预报值。本申请提升了数值模式预报进行校正的准确性，进而提升天气预报的准确性。
Description
技术领域
本申请涉及气象预报技术领域，尤其是涉及一种基于数值模式校正的气象预报方法、装置、设备和介质。
背景技术
数值模式预报是一种基于数学模型和计算机模拟的天气预报方法。相关技术中，采用集合平均法或统计后处理的方法进行数值模式预报的校正。集合平均法通过降低单个数值模式预报结果中可能存在的偏差来提高整体预报准确度；统计后处理的方法通过建立合适的统计模型或机器学习模型来对数值预报结果进行校正。然而，集合平均法和统计后处理的方法通常只考虑单个区域的预报误差，并将其视为独立同分布的，因此在对数值模式预报进行校正的准确性较低，导致天气预报时存在一定的偏差。
发明内容
本申请的目的在于提供一种基于数值模式校正的气象预报方法、装置、设备和介质，提升了数值模式预报进行校正的准确性，进而提升天气预报的准确性。
第一方面，本发明提供一种基于数值模式校正的气象预报方法，包括：获取数值模式历史预报数据和气象站点监测数据；所述气象站点监测数据包括各气象站点对应的气象站点信息和气象要素信息；选取指定时间段，在所述指定时间段内基于目标插值方式将所述数值模式历史预报数据进行针对气象站点以及对应的气象要素信息的插值处理，得到数值模式的初始预报值；基于气象站点观测值与预先选择的预测模型对所述数值模式的初始预报值进行初步校正，得到初步校正预报值；基于所述数值模式历史预报数据和所述气象站点监测数据对随机森林回归模型进行模型训练，得到数值模式对应的目标权重系数，并基于所述目标权重系数对所述初步校正预报值进行二次校正，得到目标校正预报值；计算目标气象站点与附近预设区域所包含的全部气象站点的相关系数，基于所述相关系数和所述全部气象站点对应的目标校正预报值确定所述目标气象站点的目标气象预报值，其中，所述目标气象站点为待预报的气象站点。
在可选的实施方式中，所述指定时间段包括当前日期往前推预设时长的连续时间段和/或与待校正的数值模式预报时间对应的历史同期时间段。
在可选的实施方式中，在所述指定时间段内基于目标插值方式将数值模式历史预报数据进行针对气象站点以及对应的气象要素信息的插值处理之前，所述方法还包括：在所述指定时间段内通过多种插值方式将数值模式历史预报数据进行针对气象站点以及对应的气象要素信息的插值处理，得到每种插值方式对应的数值模式的预报值；基于每种插值方式对应的插值后的所述数值模式的预报值与气象站点历史观测值进行误差计算，确定误差系数；基于所述误差系数在多种插值方式中确定当前气象站点和当前气象要素所对应的目标插值方法。
在可选的实施方式中，基于气象站点观测值与预先选择的预测模型对所述数值模式的初始预报值进行初步校正，得到初步校正预报值，包括：计算预设时间段内所述数值模式的初始预报值与气象站点历史观测值的差值，得到历史差值时序数据；通过预先选择的预测模型对所述历史差值时序数据进行建模预测，得到待校正的数值模式预报时间内的偏差校正值；其中，所述预先选择的预测模型包括长短时记忆网络模型；基于所述偏差校正值对所述数值模式的初始预报值进行初步校正，得到初步校正预报值。
在可选的实施方式中，所述数值模式历史预报数据包括至少两种数值模式对应的历史预报数据；基于所述数值模式历史预报数据和所述气象站点监测数据对随机森林回归模型进行模型训练，得到数值模式对应的目标权重系数，包括：将至少两种数值模式对应的历史预报数据确定为特征数据，并将待预报气象站点对应的气象站点监测数据确定为标签数据；通过所述特征数据和所述标签数据对随机森林回归模型进行模型训练，得到每种数值模式对应的初始权重系数；将初始权重系数中不满足预设系数阈值的数值模式进行剔除，对保留的数值模式的权重系数进行比例重构，得到数值模式对应的目标权重系数。
在可选的实施方式中，计算目标气象站点与附近预设区域所包含的全部气象站点的相关系数，基于所述相关系数和所述全部气象站点对应的目标校正预报值确定所述目标气象站点的目标气象预报值，包括：分别通过目标气象站点与附近预设区域所包含的全部气象站点中的每个气象站点的历史气象要素数据，计算所述目标气象站点与对应的气象站点的相关系数；根据所述目标气象站点与所述全部气象站点的相关系数，以及全部气象站点中的每个气象站点对应的目标校正预报值，确定所述目标气象站点的目标气象预报值。
在可选的实施方式中，根据所述目标气象站点与全部气象站点的相关系数，以及全部气象站点中的每个气象站点对应的目标校正预报值，确定所述目标气象站点的目标气象预报值，通过下述公式进行计算：
其中，n的值为预设区域内全部气象站点的数量，i、j、k为气象站点的编号；
为编号为k的目标气象站点的目标气象预报值；/>
为编号为i的气象站点的目标校正预报值，/>
为编号为k的目标气象站点与编号为i的气象站点的相关系数，/>
为编号为k的目标气象站点与编号为j的气象站点的相关系数。
第二方面，本发明提供一种基于数值模式校正的气象预报装置，包括：数据获取模块，用于获取数值模式历史预报数据和气象站点监测数据；所述气象站点监测数据包括各气象站点对应的气象站点信息和气象要素信息；插值处理模块，用于选取指定时间段，在所述指定时间段内基于目标插值方式将数值模式历史预报数据进行针对气象站点以及对应的气象要素信息的插值处理，得到数值模式的初始预报值；初步校正模块，用于基于气象站点观测值与预先选择的预测模型对所述数值模式的初始预报值进行初步校正，得到初步校正预报值；二次校正模块，用于基于所述数值模式历史预报数据和所述气象站点监测数据对随机森林回归模型进行模型训练，得到数值模式对应的目标权重系数，并基于所述权重系数对所述初步校正预报值进行二次校正，得到目标校正预报值；气象预报确定模块，用于计算目标气象站点与附近预设区域所包含的全部气象站点的相关系数，基于所述相关系数和所述全部气象站点对应的目标校正预报值确定所述目标气象站点的目标气象预报值。
第三方面，本发明提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现前述实施方式任一项所述的基于数值模式校正的气象预报方法。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现前述实施方式任一项所述的基于数值模式校正的气象预报方法。
本申请提供的基于数值模式校正的气象预报方法、装置、设备和介质所带来的有益效果：
为解决现有技术中只考虑单个区域导致的准确率较低的问题，本申请通过计算待预报的气象站点与与其附近一定范围内的全部气象站点的相关系数（包括待预报的气象站点本身，其相关系数为1），根据气象站点所对应的数值模式的校正后的预报值和各气象站点与待预报的气象站点之间的相关系数对待预报的气象站点的最终的预报值进行计算。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于数值模式校正的气象预报方法的流程图；
图2为本申请实施例提供的另一种基于数值模式校正的气象预报方法的流程图；
图3为本申请实施例提供的一种基于数值模式校正的气象预报装置的结构图；
图4为本申请实施例提供的一种电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
数值模式预报是一种基于数学模型和计算机模拟的天气预报方法。它使用大量的观测数据、数学方程和物理知识，通过计算机程序进行模拟和预测未来一段时间的气象要素，包括温度、湿度、降雨、风速等各项指标。数值模式本身所使用的物理参数和方程并不能完全描述复杂的大气系统，因此会存在一定的预报误差，所以需要对数值模式预报进行校正。
现有技术有采用集合平均法（Ensemble Averaging）来进行数值模式预报的校正，它将多个数值模式预报结果组合起来，并通过统计学原理来确定最终的集合平均结果，这个方法通过降低单个数值模式预报结果中可能存在的偏差来提高整体预报准确度。还有基于统计后处理（Statistical Post-processing）来进行数值模式预报的校正，该方法是一种基于统计学和机器学习的校正方法，它通过对历史观测数据和数值预报数据进行分析和挖掘，建立合适的统计模型或机器学习模型来对数值预报结果进行校正。
现有技术忽略了气象要素在空间和时间上的相关性：集合平均法和统计后处理方法通常只考虑单个区域的预报误差，并将其视为独立同分布的。然而，实际上不同区域之间可能存在一定的相关性，所以现有技术对数值模式预报进行校正的准确性较低，导致在进行天气预报时存在一定的偏差。
基于此，本申请实施例提供了一种基于数值模式校正的气象预报方法、装置、设备和介质，通过建立随机森林回归模型，得到不同数值模式对站点监测数据的准确性评价，并建立权重系数的方式对预报结果进行校正；通过各气象站点的历史气象要素时序数据相关性，计算得到气象站点间的相关系数，基于此对预报结果进行校正。
本申请实施例提供了一种基于数值模式校正的气象预报方法，参见图1所示，该方法主要包括以下步骤：
步骤S110，获取数值模式历史预报数据和气象站点监测数据。
在一种实施方式中，上述数值模式历史预报数据是指历史时段内的数值模式预报数据，该历史时段是指当前日期前的一段时间段，具体取值可以根据实际需求确定。数值模式历史预报数据包括但不限于：ECMWF(European Centre for Medium-Range WeatherForecasts,欧洲中期天气预报中心)发布的IFS模式数据、JMA(Japan MeteorologicalAgency，日本气象厅)发布的全球谱模式(GSM)数据、NCEP(National Centers forEnvironmental Prediction，美国国家环境预报中心)发布的GFS模式数据、DWD(DeutscherWetterdienst，德国气象局)发布的ICON模式数据、中国气象局发布的MM5模式数据、T213模式数据、T639模式数据、GRAPES模式数据等多种数值模式预报数据(包括历史数据和当前数据)。
上述气象站点监测数据是指用于监测至少一个气象站点的数据，包括各气象站点对应的气象站点信息和气象要素信息。其中，气象站点信息包括站点经纬度、站点海拔高度、站点环境等，气象要素信息包括温度、湿度、降水量、风速等。
本申请实施例选择的气象站点监测数据是直接从传感器或仪器中收集的实时数据，具有较高的精度和准确性。现有技术中选取的再分析数据是一种利用模式模拟和实测数据融合的方法，对历史气象数据进行重新分析和重构以得到气象数据集，由于再分析资料可能会受到各种因素的影响，如模型参数、数据源和算法选择等。现有技术中选取的LAPS(Local Analysis and Prediction System，局部分析和预测系统)数据则是通过多个数据源的综合分析和处理得到的，其也受到数据源和算法选择的影响，存在一定的误差和偏差。因此本实施例所采用的数据相对于现有技术中的再分析数据和LAPS数据在针对数值模式预报的校正时准确性更高。
步骤S120，选取指定时间段，在指定时间段内基于目标插值方式将数值模式历史预报数据进行针对气象站点以及对应的气象要素信息的插值处理，得到数值模式的初始预报值。
上述指定时间段包括当前日期往前推预设时长的连续时间段和/或与待校正的数值模式预报时间对应的历史同期时间段。为便于理解，在一种示例中，要校正的数值模式预报时间为2023年5月1日，指定时间段可以为2023年4月1日至2023年4月30日这30天，和/或，2019~2022年每年的4月16日至5月15日，还可以是最近几年的春季（5月1日所在季节）时段（如2023年3月1日至2023年4月30日，和/或，2018~2022年每年的3月1日至5月31日）。
采用上述指定时间段进行插值处理，可以针对连续时段和/或某个特定时段进行综合考虑，一方面，数值模式的预报偏差很有可能具有连贯性所以要选取最近连续的一段时间可以更加准确，另一方面不同的数值模式在不同季节可能会有不同的计算偏差，因此选取历史同期时间段可以进一步提升准确性。例如，A数值模式在夏季会对温度的预报数值偏高、在冬季会对温度的预报数值偏低，通过指定时间段的选取，可以更好地使后续校正过程适应不同的季节特征，提升对数值模式预报校正的准确性。
步骤S130，基于气象站点观测值与预先选择的预测模型对数值模式的初始预报值进行初步校正，得到初步校正预报值。
步骤S140，基于数值模式历史预报数据和气象站点监测数据对随机森林回归模型进行模型训练，得到数值模式对应的目标权重系数，并基于目标权重系数对初步校正预报值进行二次校正，得到目标校正预报值。
步骤S150，计算目标气象站点与附近预设区域所包含的全部气象站点的相关系数，基于相关系数和全部气象站点对应的目标校正预报值确定目标气象站点的目标气象预报值，其中，目标气象站点为待预报的气象站点。
本申请实施例所提供的基于数值模式校正的气象预报方法，为解决现有技术中只考虑单个区域导致的准确率较低的问题，通过计算待预报的气象站点与与其附近一定范围内的全部气象站点的相关系数（包括待预报的气象站点本身，其相关系数为1），根据气象站点所对应的数值模式的校正后的预报值和各气象站点与待预报的气象站点之间的相关系数对待预报的气象站点的最终的预报值进行计算。
为便于理解，以下对本申请实施例所提供的基于数值模式校正的气象预报方法进行详细说明。
考虑到不同数值模式对不同区域、不同气象要素的预报特征不同，为提升插值结果的准确性，提升插值方式针对不同区域位置的针对性，在指定时间段内基于目标插值方式将数值模式历史预报数据进行针对气象站点以及对应的气象要素信息的插值处理之前，本申请实施例提供了一种确定插值方式的方法，包括以下步骤1.1）至步骤1.3）：
步骤1.1），在指定时间段内通过多种插值方式将数值模式历史预报数据进行针对气象站点以及对应的气象要素信息的插值处理，得到每种插值方式对应的数值模式的预报值。
多种插值方式包括但不限于线性插值法(Linear Interpolation)、反距离权重法(IDW,Inverse Distance Weighted) 、全局多项式法(GP) 、局部多项式法(LP) 、泰森多边形法(Natural Neighbour) 、径向基函数法(RBF) 、扩散插值(DK) 、样条函数插值(spline) 、核插值(KS) 、克里金法(Kriging) 、协克里金法(Cokriging)等。
步骤1.2），基于每种插值方式对应的插值后的数值模式的预报值与气象站点历史观测值进行误差计算，确定误差系数。
由于数值模式预报数据的空间分辨率各有不同，且数据呈格点数据形式，无法直接地从原始数据确定气象站点位置的气象要素数值，所以在数值模式预报校正过程中需要根据气象站点的经纬度等信息对数值模式历史预报数据进行到站点的插值。通过选取指定时间段，采用多种插值方式对数值模式历史预报数据进行到站点的插值，与气象站点的历史监测数据进行误差计算，从而可以确定每种插值方式所对应的误差系数。在本实施例中，可以选取MSE（Mean squared error，均方误差）作为误差评价指标，计算公式如下：
其中，
表示数值模式的预报值，Y表示气象站点观测值，n为样本数量。
步骤1.3），基于误差系数在多种插值方式中确定当前气象站点和当前气象要素所对应的目标插值方法。
在一种实施方式中，当确定了误差系数后，可以选取误差最小的插值方法作为当前数值模式针对当前气象站点、气象要素的最佳插值方法，也即目标插值方法。通过确定最佳插值方法，相对于现有技术选取单一插值方法作为全部数值模式对全部研究区域、全部气象要素、全部时间段的插值方法，可以充分考虑各数值模式针对不同区域、不同气象要素、不同时间季节的误差来源的不同，进而针对不同区域、不同气象要素、不同时间季节等因素进行适应性的插值处理，提升了插值结果的准确性，进而提升了数值模式预报的校正的准确性。
在确定目标插值方法后，通过选取上述指定时间段，采用目标插值方式对数值模式历史预报数据进行到指定气象站点的插值处理，该目标插值处理方式与对应的气象站点具有对应关系。
进一步，上述步骤S130，基于气象站点观测值与预先选择的预测模型对数值模式的初始预报值进行初步校正，得到初步校正预报值，在具体实施时，可以包括以下步骤2.1）至步骤2.3）：
步骤2.1），计算预设时间段内数值模式的初始预报值与气象站点历史观测值的差值，得到历史差值时序数据。
在一种示例中，可以针对最近连续7天的平均温度数据，经上述处理的A数值模式对甲站点的插值结果为[12,13,12.5,15,10,11,11]，甲站点的实际观测数据为[12.5,11,12,14,11,11,12]，则历史差值时序数据为[0.5,-2,-0.5,-1,1,0,1]。
步骤2.2），通过预先选择的预测模型对历史差值时序数据进行建模预测，得到待校正的数值模式预报时间内的偏差校正值。
上述预先选择的预测模型包括长短期记忆网络（LSTM，Long Short-Term Memory）模型。LSTM模型中的门控机制可以自适应地筛选和遗忘输入数据的信息，从而有效地处理非线性数据，依赖LSTM模型在时间序列预测方面具有高精度和高准确性的特征，可以有效地对与要校正的数值模式预报时间对应的偏差校正值进行预测。通过将历史差值时序数据输入至预先构建的LSTM模型中，输出待校正的数值模式预报时间内的偏差校正值。
步骤2.3），基于偏差校正值对数值模式的初始预报值进行初步校正，得到初步校正预报值。
在一种实施方式中，可以将数值模式的初始预报值与偏差校正值进行初步校正，得到初步校正的预报值。
上述数值模式历史预报数据包括至少两种数值模式对应的历史预报数据，例如A数值模式、B数值模式、C数值模式、D数值模式等。上述步骤S140，基于数值模式历史预报数据和气象站点监测数据对随机森林回归模型进行模型训练，得到数值模式对应的目标权重系数，在具体实施时，可以包括以下步骤3.1）至步骤3.3）：
步骤3.1），将至少两种数值模式对应的历史预报数据确定为特征数据，并将待预报气象站点对应的气象站点监测数据确定为标签数据。
步骤3.2），通过特征数据和标签数据对随机森林回归模型进行模型训练，得到每种数值模式对应的初始权重系数。
在一种实施方式中，在随机森林回归模型的训练过程中，模型中的每个节点都会选择一个最佳的特征作为分裂点，计算该特征在节点上的Gini指数，该特征在所有节点上的Gini指数之和就是该特征的Gini重要性。Gini重要性越大，则该特征对模型的贡献越大，从而得到各特征的权重系数。确定的所有数值模式对应的初始权重系数的和为1。
在一种示例中，以气象要素数据为温度数据为例，假设2022年7月甲站点的温度数据以及A~D数值模式的历史预报数据如下表1所示：
表1 甲站点各数值模式所对应的温度数据
将“甲站点”列作为输入随机森林回归模型的标签数据，将“A数值模式”~“D数值模式”列作为输入随机森林回归模型的特征数据，进行随机森林回归模型的训练，并得到各数值模式的权重系数。
步骤3.3），将初始权重系数中不满足预设系数阈值的数值模式进行剔除，对保留的数值模式的权重系数进行比例重构，得到数值模式对应的目标权重系数。
在一种实施方式中，可以将初始权重系数低于预设系数阈值的数值模式剔除，并按比例重构其余数值模式的权重系数得到新的权重系数，系数阈值可以根据理论期望系数得到。
例如，经随机森林回归模型计算得到A~D数值模式的初始权重系数分别为[0.1,0.3,0.25,0.35]，因为有4种数值模式，所以此时理论期望系数为0.25（1/4），可以将0.5倍的理论期望系数(0.125)作为预设系数阈值，此时A数值模式所对应的初始权重系数小于该预设系数阈值，则将A数值模式剔除，将B~D数值模式的权重系数按比例重构为[1/3,5/18,7/18]参与到后续步骤的计算。
每种数值模式的初始大气状态和输入的观测数据都不尽相同，某一数值模式可能针对特定时间、特定站点、特定气象要素的预报表现极差，此时将其作为校正参数考虑并不能使最终结果更加准确，故采用以上技术手段进行数值模式的剔除，使得最终校正结果更加准确并且提升了计算效率。现有技术中通常只会对这种不准确的数值模式赋予较低的权重进行预报结果的校正，但不准确的数值模式预报结果仍然会对最终校正结果造成影响，从而使校正结果不准确并增加了计算量。
随机森林回归模型的应用场景通常是用作回归预测，且特征数据和标签数据通常是自变量和因变量的关系，例如，在预测房屋价格的问题中，自变量可以包括房屋的面积、卧室数量、浴室数量、房屋朝向等特征数据，而因变量则是房屋的价格，并最终根据房屋的面积、卧室数量、浴室数量、房屋朝向等特征预测得到房屋价格。而在本申请实施例中，采用随机森林回归模型仅用作对各数值模式历史预报数据的准确性评价上，数值模式的预报结果并不是站点历史监测数据的自变量，本申请实施例利用随机森林回归模型可以评估每个特征对模型预测准确性的贡献程度的特性，与数值模式是自变量（大气初始场、地形数据、历史观测数据、历史水文数据、历史辐射数据（站点监测数据可以看做与这些自变量对应的因变量））+模型产出（基于大气物理学和数值模拟的模型输出）的特性相结合，使得随机森林回归模型能够针对数值模式历史预报数据的准确性进行评估，进而得到各数值模式的权重系数。现有技术通常采用均方误差（Mean Squared Error，MSE）、均方根误差（Root MeanSquared Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）、精确率（Precision）、召回率（Recall）、F1值（F1 Score）等作为预测数据的准确性评价标准，而这些指标也无法直接作为权重系数参与后续计算，故本申请实施例提供了一种技术构思不同的技术方案，利用数值模式与随机森林回归模型的特性，其技术效果能够达到现有技术的水平。
进一步，上述步骤S140，基于目标权重系数对初步校正预报值进行二次校正，得到目标校正预报值，在具体实施时，可以依据上述目标权重系数对初步校正预报值进行相加计算，得到全部数值模式总体针对该站点、该气象要素的进阶预报值。
例如，针对甲站点的温度要素监测值，全部数值模式的权重系数为[1/3,5/18,7/18]，全部数值模式的预报数值为[21,18,18]，则目标校正预报值为21*1/3+18*5/18+18*7/18=19。
相较于现有技术中集合平均法，通过确定上述目标权重系数的方式可以更准确地衡量每个数值模式对气象站点监测值的贡献程度（准确度）、更准确地选取参与校正的数值模式种类，从而通过计算目标校正预报值的加权和，提高对气象要素预报的准确性。
进一步，上述步骤S150，计算目标气象站点与附近预设区域所包含的全部气象站点的相关系数，基于相关系数和全部气象站点对应的目标校正预报值确定目标气象站点的目标气象预报值，在具体实施时，可以包括以下步骤4.1）和步骤4.2）：
步骤4.1），分别通过目标气象站点与附近预设区域所包含的全部气象站点中的每个气象站点的历史气象要素数据，计算目标气象站点与对应的气象站点的相关系数。
本申请实施例选取皮尔逊相关系数作为衡量各气象站点的历史气象要素时序数据相关性的相关系数，计算公式如下：
其中，cov()表示计算协方差，σ()表示计算标准差，X、Y表示两个气象站的历史气象要素数据的时间序列。
在实际应用中，还可以采用其他相关系数计算方法，此处仅作一种示例，不作具体限定。
步骤4.2），根据目标气象站点与全部气象站点的相关系数，以及全部气象站点中的每个气象站点对应的目标校正预报值，确定目标气象站点的目标气象预报值。
在一种实施方式中，对于任一气象站点，某项气象要素值根据相关系数进行加权修正后的最终预报值，可以通过下述公式进行计算：
其中，n的值为预设区域内全部气象站点的数量，i、j、k为气象站点的编号；
为编号为k的目标气象站点的目标气象预报值；/>
为编号为i的气象站点的目标校正预报值，/>
为编号为k的目标气象站点与编号为i的气象站点的相关系数，/>
为编号为k的目标气象站点与编号为j的气象站点的相关系数。
可以理解的是，距离越近、客观条件越相似的气象站点间的历史数据相关性就越高，因此根据上述站点相关系数中可以间接反应出气象站点间时间空间的相关性，本申请实施例通过在确定最终预报值时，在对数值模式预报进行校正过程中将气象要素在时间、空间、气象站点客观监测条件上的相关性考虑进去，使得最终得到的预报数据更为准确。
通过确定气象站点间的时间、空间、客观条件的相关性，使用皮尔逊相关系数作从历史气象数据中提取出针对气象站点的具有趋势相似的数据监测特征（地理位置、植被条件、水文条件、地形条件相似等），从而结合相关系数进行最终的预报值确定，提升了预报数据的准确性。
图2示出了另一种基于数值模式校正的气象预报的执行流程，该方法包括以下S1至S7：
S1，获取数值模式预报数据集及气象站点监测数据集。数值模式预报数据集也即上述数值模式历史预报数据，气象站点监测数据集也即上述气象站点监测数据。
S2，选取各数值模式预报数据针对各气象站点、各气象要素的最佳插值方法并进行插值。
S3，选取最近连续的一段时间，计算S2的插值结果与站点实际观测数据的差值，形成历史差值时序数据；
S4，针对S3得到的时序数据进行建模预测，进而得到初步校正预报值；建模模型可采用LSTM模型；
S5，进行随机森林建模，得到不同数值模式的权重系数；该权重系数也即上述得到的目标权重系数。
S6，依据S5得到的权重系数对S4得到的预报值进行相加计算，得到进阶预报值；该进阶预报值也即上述目标校正预报值；
S7，根据各气象站点的历史气象要素时序数据相关性，计算得到气象站点间的相关系数，进行加权修正后得到最终预报值。
该方法在具体实施时，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，基于数值模式校正的气象预报装置的实施例部分未提及之处，可参考前述基于数值模式校正的气象预报方法实施例中相应内容。
综上，本申请实施例所提供的基于数值模式校正的气象预报方法，通过有针对性地选取数值模式到气象站点插值方法，充分考虑到不同数值模式对不同区域、不同气象要素的预报特征，使得插值结果更加准确；通过计算不同数值模式的权重系数、不同站点间的相关系数，使得对数值模式预报结果的校正更加准确。
基于上述方法实施例，本申请实施例还提供一种基于数值模式校正的气象预报装置，参见图3所示，该装置主要包括以下部分：
数据获取模块310，用于获取数值模式历史预报数据和气象站点监测数据；气象站点监测数据包括各气象站点对应的气象站点信息和气象要素信息；
插值处理模块320，用于选取指定时间段，在指定时间段内基于目标插值方式将数值模式历史预报数据进行针对气象站点以及对应的气象要素信息的插值处理，得到数值模式的初始预报值；
初步校正模块330，用于基于气象站点观测值与预先选择的预测模型对数值模式的初始预报值进行初步校正，得到初步校正预报值；
二次校正模块340，用于基于数值模式历史预报数据和气象站点监测数据对随机森林回归模型进行模型训练，得到数值模式对应的目标权重系数，并基于权重系数对初步校正预报值进行二次校正，得到目标校正预报值；
气象预报确定模块350，用于计算目标气象站点与附近预设区域所包含的全部气象站点的相关系数，基于相关系数和全部气象站点对应的目标校正预报值确定目标气象站点的目标气象预报值。
本申请实施例提供的基于数值模式校正的气象预报装置，为解决现有技术中只考虑单个区域导致的准确率较低的问题，通过计算待预报的气象站点与与其附近一定范围内的全部气象站点的相关系数（包括待预报的气象站点本身，其相关系数为1），根据气象站点所对应的数值模式的校正后的预报值和各气象站点与待预报的气象站点之间的相关系数对待预报的气象站点的最终的预报值进行计算。
在一可行的实施方式中，指定时间段包括当前日期往前推预设 时长的连续时间段和/或与待校正的数值模式预报时间对应的历史同期时间段。
在一可行的实施方式中，在指定时间段内基于目标插值方式将数值模式历史预报数据进行针对气象站点以及对应的气象要素信息的插值处理之前，上述装置还包括，插值确定模块，用于：在指定时间段内通过多种插值方式将数值模式历史预报数据进行针对气象站点以及对应的气象要素信息的插值处理，得到每种插值方式对应的数值模式的预报值；基于每种插值方式对应的插值后的数值模式的预报值与气象站点历史观测值进行误差计算，确定误差系数；基于误差系数在多种插值方式中确定当前气象站点和当前气象要素所对应的目标插值方法。
在一可行的实施方式中，上述初步校正模块330，还用于：计算预设时间段内数值模式的初始预报值与气象站点历史观测值的差值，得到历史差值时序数据；通过预先选择的预测模型对历史差值时序数据进行建模预测，得到待校正的数值模式预报时间内的偏差校正值；其中，预先选择的预测模型包括长短时记忆网络模型；基于偏差校正值对数值模式的初始预报值进行初步校正，得到初步校正预报值。
在一可行的实施方式中，数值模式历史预报数据包括至少两种数值模式对应的历史预报数据；上述二次校正模块340，还用于：将至少两种数值模式对应的历史预报数据确定为特征数据，并将待预报气象站点对应的气象站点监测数据确定为标签数据；通过特征数据和标签数据对随机森林回归模型进行模型训练，得到每种数值模式对应的初始权重系数；将初始权重系数中不满足预设系数阈值的数值模式进行剔除，对保留的数值模式的权重系数进行比例重构，得到数值模式对应的目标权重系数。
在一可行的实施方式中，上述气象预报确定模块350，还用于：分别通过目标气象站点与附近预设区域所包含的全部气象站点中的每个气象站点的历史气象要素数据，计算目标气象站点与对应的气象站点的相关系数；根据目标气象站点与全部气象站点的相关系数，以及全部气象站点中的每个气象站点对应的目标校正预报值，确定目标气象站点的目标气象预报值。
在一可行的实施方式中，上述气象预报确定模块350，还用于：通过下述公式进行计算：
其中，n的值为预设区域内全部气象站点的数量，i、j、k为气象站点的编号；
为编号为k的目标气象站点的目标气象预报值；/>
为编号为i的气象站点的目标校正预报值，/>
为编号为k的目标气象站点与编号为i的气象站点的相关系数，/>
为编号为k的目标气象站点与编号为j的气象站点的相关系数。
本申请实施例提供的基于数值模式校正的气象预报装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，基于数值模式校正的气象预报装置的实施例部分未提及之处，可参考前述基于数值模式校正的气象预报方法实施例中相应内容。
本申请实施例还提供了一种电子设备，如图4所示，为该电子设备的结构示意图，其中，该电子设备100包括处理器41和存储器40，该存储器40存储有能够被该处理器41执行的计算机可执行指令，该处理器41执行该计算机可执行指令以实现上述任一项基于数值模式校正的气象预报方法。
在图4示出的实施方式中，该电子设备还包括总线42和通信接口43，其中，处理器41、通信接口43和存储器40通过总线42连接。
其中，存储器40可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口43（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线42可以是ISA（IndustryStandard Architecture，工业标准体系结构）总线、PCI（Peripheral ComponentInterconnect，外设部件互连标准）总线或EISA（Extended Industry StandardArchitecture，扩展工业标准结构）总线等。所述总线42可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器41可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器41中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器41可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器41读取存储器中的信息，结合其硬件完成前述实施例的基于数值模式校正的气象预报方法的步骤。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，该计算机可执行指令促使处理器实现上述基于数值模式校正的气象预报方法，具体实现可参见前述方法实施例，在此不再赘述。
本申请实施例所提供的基于数值模式校正的气象预报方法、装置、设备和介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本申请的范围。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种基于数值模式校正的气象预报方法，其特征在于，包括：
获取数值模式历史预报数据和气象站点监测数据；所述气象站点监测数据包括各气象站点对应的气象站点信息和气象要素信息；
选取指定时间段，在所述指定时间段内基于目标插值方式将所述数值模式历史预报数据进行针对气象站点以及对应的气象要素信息的插值处理，得到数值模式的初始预报值；
基于气象站点观测值与预先选择的预测模型对所述数值模式的初始预报值进行初步校正，得到初步校正预报值；
基于所述数值模式历史预报数据和所述气象站点监测数据对随机森林回归模型进行模型训练，得到数值模式对应的目标权重系数，并基于所述目标权重系数对所述初步校正预报值进行二次校正，得到目标校正预报值；
计算目标气象站点与附近预设区域所包含的全部气象站点的相关系数，基于所述相关系数和所述全部气象站点对应的目标校正预报值确定所述目标气象站点的目标气象预报值，其中，所述目标气象站点为待预报的气象站点。
2.根据权利要求1所述的基于数值模式校正的气象预报方法，其特征在于，所述指定时间段包括当前日期往前推预设时长的连续时间段和/或与待校正的数值模式预报时间对应的历史同期时间段。
3.根据权利要求1所述的基于数值模式校正的气象预报方法，其特征在于，在所述指定时间段内基于目标插值方式将数值模式历史预报数据进行针对气象站点以及对应的气象要素信息的插值处理之前，所述方法还包括：
在所述指定时间段内通过多种插值方式将数值模式历史预报数据进行针对气象站点以及对应的气象要素信息的插值处理，得到每种插值方式对应的数值模式的预报值；
基于每种插值方式对应的插值后的所述数值模式的预报值与气象站点历史观测值进行误差计算，确定误差系数；
基于所述误差系数在多种插值方式中确定当前气象站点和当前气象要素所对应的目标插值方法。
4.根据权利要求1所述的基于数值模式校正的气象预报方法，其特征在于，基于气象站点观测值与预先选择的预测模型对所述数值模式的初始预报值进行初步校正，得到初步校正预报值，包括：
计算预设时间段内所述数值模式的初始预报值与气象站点历史观测值的差值，得到历史差值时序数据；
通过预先选择的预测模型对所述历史差值时序数据进行建模预测，得到待校正的数值模式预报时间内的偏差校正值；其中，所述预先选择的预测模型包括长短时记忆网络模型；
基于所述偏差校正值对所述数值模式的初始预报值进行初步校正，得到初步校正预报值。
5.根据权利要求1所述的基于数值模式校正的气象预报方法，其特征在于，所述数值模式历史预报数据包括至少两种数值模式对应的历史预报数据；基于所述数值模式历史预报数据和所述气象站点监测数据对随机森林回归模型进行模型训练，得到数值模式对应的目标权重系数，包括：
将至少两种数值模式对应的历史预报数据确定为特征数据，并将待预报气象站点对应的气象站点监测数据确定为标签数据；
通过所述特征数据和所述标签数据对随机森林回归模型进行模型训练，得到每种数值模式对应的初始权重系数；
将初始权重系数中不满足预设系数阈值的数值模式进行剔除，对保留的数值模式的权重系数进行比例重构，得到数值模式对应的目标权重系数。
6.根据权利要求1所述的基于数值模式校正的气象预报方法，其特征在于，计算目标气象站点与附近预设区域所包含的全部气象站点的相关系数，基于所述相关系数和所述全部气象站点对应的目标校正预报值确定所述目标气象站点的目标气象预报值，包括：
分别通过目标气象站点与附近预设区域所包含的全部气象站点中的每个气象站点的历史气象要素数据，计算所述目标气象站点与对应的气象站点的相关系数；
根据所述目标气象站点与所述全部气象站点的相关系数，以及全部气象站点中的每个气象站点对应的目标校正预报值，确定所述目标气象站点的目标气象预报值。
7.根据权利要求6所述的基于数值模式校正的气象预报方法，其特征在于，根据所述目标气象站点与全部气象站点的相关系数，以及全部气象站点中的每个气象站点对应的目标校正预报值，确定所述目标气象站点的目标气象预报值，通过下述公式进行计算：
其中，n的值为预设区域内全部气象站点的数量，i、j、k为气象站点的编号；
为编号为k的目标气象站点的目标气象预报值；/>
为编号为i的气象站点的目标校正预报值，/>
为编号为k的目标气象站点与编号为i的气象站点的相关系数，/>
为编号为k的目标气象站点与编号为j的气象站点的相关系数。
8.一种基于数值模式校正的气象预报装置，其特征在于，包括：
数据获取模块，用于获取数值模式历史预报数据和气象站点监测数据；所述气象站点监测数据包括各气象站点对应的气象站点信息和气象要素信息；
插值处理模块，用于选取指定时间段，在所述指定时间段内基于目标插值方式将数值模式历史预报数据进行针对气象站点以及对应的气象要素信息的插值处理，得到数值模式的初始预报值；
初步校正模块，用于基于气象站点观测值与预先选择的预测模型对所述数值模式的初始预报值进行初步校正，得到初步校正预报值；
二次校正模块，用于基于所述数值模式历史预报数据和所述气象站点监测数据对随机森林回归模型进行模型训练，得到数值模式对应的目标权重系数，并基于所述权重系数对所述初步校正预报值进行二次校正，得到目标校正预报值；
气象预报确定模块，用于计算目标气象站点与附近预设区域所包含的全部气象站点的相关系数，基于所述相关系数和所述全部气象站点对应的目标校正预报值确定所述目标气象站点的目标气象预报值。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的基于数值模式校正的气象预报方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至7任一项所述的基于数值模式校正的气象预报方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310443555.2A CN116186493B (zh) | 2023-04-24 | 2023-04-24 | 基于数值模式校正的气象预报方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310443555.2A CN116186493B (zh) | 2023-04-24 | 2023-04-24 | 基于数值模式校正的气象预报方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116186493A true CN116186493A (zh) | 2023-05-30 |
| CN116186493B CN116186493B (zh) | 2023-08-01 |
Family
ID=86452396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310443555.2A Active CN116186493B (zh) | 2023-04-24 | 2023-04-24 | 基于数值模式校正的气象预报方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116186493B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116955939A (zh) * | 2023-09-20 | 2023-10-27 | 南京气象科技创新研究院 | 基于图形相似度的气象要素结构特征预报误差量化表达方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180038994A1 (en) * | 2016-08-02 | 2018-02-08 | International Business Machines Corporation | Techniques to Improve Global Weather Forecasting Using Model Blending and Historical GPS-RO Dataset |
| US10996374B1 (en) * | 2017-04-11 | 2021-05-04 | DatalnfoCom USA, Inc. | Short-term weather forecasting using artificial intelligence and hybrid data |
| CN114091764A (zh) * | 2021-11-24 | 2022-02-25 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 气象预报要素订正方法、装置、计算机设备和存储介质 |
| CN115079307A (zh) * | 2022-06-09 | 2022-09-20 | 中能融合智慧科技有限公司 | 一种基于多模式最优集成的风电场气象预报方法和系统 |
| CN115827710A (zh) * | 2022-12-20 | 2023-03-21 | 中国民用航空局空中交通管理局航空气象中心 | 一种气象要素多模式预报结果的筛选方法及系统 |
-
2023
- 2023-04-24 CN CN202310443555.2A patent/CN116186493B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180038994A1 (en) * | 2016-08-02 | 2018-02-08 | International Business Machines Corporation | Techniques to Improve Global Weather Forecasting Using Model Blending and Historical GPS-RO Dataset |
| US10996374B1 (en) * | 2017-04-11 | 2021-05-04 | DatalnfoCom USA, Inc. | Short-term weather forecasting using artificial intelligence and hybrid data |
| CN114091764A (zh) * | 2021-11-24 | 2022-02-25 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 气象预报要素订正方法、装置、计算机设备和存储介质 |
| CN115079307A (zh) * | 2022-06-09 | 2022-09-20 | 中能融合智慧科技有限公司 | 一种基于多模式最优集成的风电场气象预报方法和系统 |
| CN115827710A (zh) * | 2022-12-20 | 2023-03-21 | 中国民用航空局空中交通管理局航空气象中心 | 一种气象要素多模式预报结果的筛选方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116955939A (zh) * | 2023-09-20 | 2023-10-27 | 南京气象科技创新研究院 | 基于图形相似度的气象要素结构特征预报误差量化表达方法 |
| CN116955939B (zh) * | 2023-09-20 | 2023-11-24 | 南京气象科技创新研究院 | 基于图形相似度的气象要素结构特征预报误差量化表达方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116186493B (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Baño-Medina et al. | Configuration and intercomparison of deep learning neural models for statistical downscaling | |
| Bhuiyan et al. | A nonparametric statistical technique for combining global precipitation datasets: Development and hydrological evaluation over the Iberian Peninsula | |
| Tam et al. | CMIP5 drought projections in Canada based on the Standardized Precipitation Evapotranspiration Index | |
| Johnson et al. | Measurement of GCM skill in predicting variables relevant for hydroclimatological assessments | |
| Rogelis et al. | Streamflow forecasts from WRF precipitation for flood early warning in mountain tropical areas | |
| CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
| Gado | An at-site flood estimation method in the context of nonstationarity I. A simulation study | |
| Boelee et al. | Estimation of uncertainty in flood forecasts—A comparison of methods | |
| CN116186493B (zh) | 基于数值模式校正的气象预报方法、装置、设备和介质 | |
| Li et al. | Application of penalized linear regression and ensemble methods for drought forecasting in Northeast China | |
| Meher et al. | Gridded data as a source of missing data replacement in station records | |
| Dayal et al. | Streamflow estimation using satellite-retrieved water fluxes and machine learning technique over monsoon-dominated catchments of India | |
| Dang et al. | Future high-and low-flow estimations for Central Vietnam: a hydro-meteorological modelling chain approach | |
| Banda et al. | Estimation of daily reference evapotranspiration by neuro computing techniques using limited data in a semi-arid environment | |
| Kizza et al. | Modelling catchment inflows into Lake Victoria: uncertainties in rainfall–runoff modelling for the Nzoia River | |
| Feldmann et al. | Skill and added value of the MiKlip regional decadal prediction system for temperature over Europe | |
| Rocha et al. | Early prediction of durum wheat yield in Spain using radial basis functions interpolation models based on agroclimatic data | |
| Wang et al. | Customized deep learning for precipitation bias correction and downscaling | |
| Bomhof et al. | Comparing single and multi-objective hydrologic model calibration considering reservoir inflow and streamflow observations | |
| Gond et al. | Assessment of drought variability using SPEI under observed and projected climate scenarios over Uttar Pradesh, India | |
| Foster et al. | The development and evaluation of a hydrological seasonal forecast system prototype for predicting spring flood volumes in Swedish rivers | |
| Monir et al. | Spatiotemporal analysis and predicting rainfall trends in a tropical monsoon-dominated country using MAKESENS and machine learning techniques | |
| CN116881624B (zh) | 复合型极端事件预报方法、装置、计算机设备和存储介质 | |
| Yalçın et al. | A new deep learning method for meteorological drought estimation based-on standard precipitation evapotranspiration index | |
| Mok et al. | Selection of bias correction models for improving the daily PM10 forecasts of WRF-EURAD in Porto, Portugal |
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 |