CN116562142B - 一种气象要素延伸期预报方法及装置 - Google Patents

一种气象要素延伸期预报方法及装置 Download PDF

Info

Publication number
CN116562142B
CN116562142B CN202310528394.7A CN202310528394A CN116562142B CN 116562142 B CN116562142 B CN 116562142B CN 202310528394 A CN202310528394 A CN 202310528394A CN 116562142 B CN116562142 B CN 116562142B
Authority
CN
China
Prior art keywords
forecasting
weather
low
time period
result
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
Application number
CN202310528394.7A
Other languages
English (en)
Other versions
CN116562142A (zh
Inventor
卢楚翰
沈逸辰
秦育婧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202310528394.7A priority Critical patent/CN116562142B/zh
Publication of CN116562142A publication Critical patent/CN116562142A/zh
Application granted granted Critical
Publication of CN116562142B publication Critical patent/CN116562142B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G01W1/06—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed giving a combined indication of weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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 Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Fluid Mechanics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种气象要素延伸期预报方法及装置，所述方法包括：将设定时间段的气象资料输入训练好的SAND‑Net模型，输出设定时间段后若干天的气象要素低频分量预测结果，并将气象要素低频分量预测结果与对应的气候场相加，得到预报结果；将预报结果与设定时间段的低频变量场、常量场输入WRF模型中进行动力降尺度，得到最终的延伸期预报结果。本发明在一般的深度学习模型基础上加入了动力降尺度环节，改良了传统深度学习预报方法忽视大气动力学制约条件的缺点，提高了延伸期气象要素预报时空分辨率，改善了延伸期预报的预报效果。

Description

一种气象要素延伸期预报方法及装置
技术领域
本发明属于气象预报技术领域，具体涉及一种气象要素延伸期预报方法及装置。
背景技术
气象要素的延伸期预报指预报时效为10-30天的预报，介于中期天气预报以及短期气候预测之间，长期以来都是气象界难以彻底解决的一个科学问题。同时，延伸期预报也是构建“无缝预报”体系关键环节，对于延伸期预报提出一个可靠可行的解决方案将极大推动气象预测事业的快速发展。
传统的基于深度学习方法的气象要素延伸期预报往往着眼于气象要素之间统计关系的挖掘而忽视了大气系统内部的动力关系对各个要素的制约，导致预报结果出现较大误差，同时对预报的时空分辨率也有较大限制。
发明内容
为解决现有技术中的不足，本发明提供一种气象要素延伸期预报方法及装置，提高了延伸期气象要素预报时空分辨率，改善了延伸期预报的预报效果。
为达到上述目的，本发明所采用的技术方案是：
第一方面，提供一种气象要素延伸期预报方法，包括：将设定时间段的气象资料输入训练好的SAND-Net模型，输出设定时间段后若干天的气象要素低频分量预测结果，并将气象要素低频分量预测结果与对应的气候场相加，得到预报结果；将预报结果与设定时间段的低频变量场、常量场输入WRF模型中进行动力降尺度，得到最终的延伸期预报结果。
进一步地，所述SAND-Net模型的训练方法，包括：获取历史气象资料，所述历史气象资料中包括若干高空变量场和地面要素场；用滤波方法提取指定时间段的气象资料中的低频分量；以提取的指定时间段的气象资料中的低频分量作为训练集对所述SAND-Net模型进行训练。
进一步地，所述SAND-Net模型包含自注意力机制以及非退化机制；自注意力机制由压缩和激励模块实现；非退化机制由残差块实现。
进一步地，所述高空变量场包括位势、温度、径向风、纬向风和相对湿度中的至少一个；所述地面要素场包括2m露点温度、平均海平面气压、积雪深度、地表温度、地表气压、2m温度、10m径向风和10m纬向风中的至少一个。
进一步地，所述低频变量场包括土壤湿度、土壤温度、海表温度和海冰覆盖度中的至少一个；所述常量场包括地形和海陆掩膜中的至少一个。
第二方面，提供一种气象要素延伸期预报装置，包括：第一预报模块，用于将设定时间段的气象资料输入训练好的SAND-Net模型，输出设定时间段后若干天的气象要素低频分量预测结果，并将气象要素低频分量预测结果与对应的气候场相加，得到预报结果；第二预报模块，用于将预报结果与设定时间段的低频变量场、常量场输入WRF模型中进行动力降尺度，得到最终的延伸期预报结果。
第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如第一方面所述的气象要素延伸期预报方法。
第四方面，提供一种计算机设备，包括：存储器，用于存储指令；处理器，用于执行所述指令，使得所述设备执行实现如第一方面所述的气象要素延伸期预报方法的操作。
与现有技术相比，本发明所达到的有益效果：本发明通过将设定时间段的气象资料输入训练好的SAND-Net模型，输出设定时间段后若干天的气象要素低频分量预测结果，并将气象要素低频分量预测结果与对应的气候场相加，得到预报结果；将预报结果与设定时间段的低频变量场、常量场输入WRF模型中进行动力降尺度，得到最终的延伸期预报结果；在一般的深度学习模型基础上加入了动力降尺度环节，改良了传统深度学习预报方法忽视大气动力学制约条件的缺点，提高了延伸期气象要素预报时空分辨率，改善了延伸期预报的预报效果。
附图说明
图1是本发明实施例提供的一种气象要素延伸期预报方法的整体结构示意图；
图2是本发明实施例中SAND-Net模型的整体结构示意图，其中，(a)是卷积块的结构示意图，(b)是压缩和激励模块的结构示意图，(c)是残差块的结构示意图；
图3是本发明与美国国家环境预报中心(NCEP)的气候预测系统(CFS)以及气候值预报对2021年夏季2m温度5-22天预报效果对比图(预报结果与同时段ERA5在分析数据计算RMSE以及ACC)，其中，(a)是本发明与CFS以及气候值预报结果的RMSE评分，(b)是本发明与CFS以及气候值预报结果的RMSE评分；
图4是本发明与CFS以及气候值预报在2021年8月10日18时起报2021年8月24日早6时地面2米气温结果对比，其中，(a)是ERA5数据集2021年8月24日早6时地面2米气温实际值，(b)是本发明的预报结果，(c)是CFS的预报结果，(d)是气候值的预报结果。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
如图1～图4所示，一种气象要素延伸期预报方法，包括：将设定时间段的气象资料输入训练好的SAND-Net模型，输出设定时间段后若干天的气象要素低频分量预测结果，并将气象要素低频分量预测结果与对应的气候场相加，得到预报结果；将预报结果与设定时间段的低频变量场、常量场输入WRF模型中进行动力降尺度，得到最终的延伸期预报结果。
本发明利用37个层次上的5个高空变量场(位势、温度、径向风、纬向风、相对湿度)以及8个地面要素场(2m露点温度、平均海平面气压、积雪深度、地表温度、地表气压、2m温度、10m径向风、10m纬向风)训练SAND-Net模型，通过训练好的模型预报未来1-30天气象要素，配合常量场以及低频变量场使用WRF进行动力降尺度处理，得到最终的高时空分辨率的延伸期预报结果。所述方法包括以下步骤：
将设定时间段的气象资料输入训练好的SAND-Net模型，输出设定时间段后若干天的气象要素低频分量预测结果，并将气象要素低频分量预测结果与对应的气候场相加，得到预报结果。
步骤S1：下载2010-2022年ERA5(欧洲中期天气预报中心(ECMWF)对1950年1月至今全球气候的第五代大气再分析数据集)在分析数据集中37个层次上的5个高空变量场(位势、温度、径向风、纬向风、相对湿度)以及8个地面要素场(2m露点温度、平均海平面气压、积雪深度、地表温度、地表气压、2m温度、10m径向风、10m纬向风)，下载美国国家环境预报中心(NCEP)的气候预测系统(CFS)在2021年5月21日18时、2021年5月31日18时、2021年6月10日18时、2021年6月20日18时、2021年6月30日18时、2021年7月10日18时、2021年7月20日18时、2021年7月30日18时、2021年8月10日18时起报未来1-30天逐6小时的2m气温预报数据。
步骤S2：用滤波方法提取气象资料10-30天低频分量。
步骤S201：将气象资料减去90天低通滤波分量以消除缓变的气候年循环。
步骤S202：将步骤S201所得结果减去前15天的滑动平均，去除其他低频分量。
步骤S203：将步骤S202所得结果减去前5天的滑动平均值，以去除天气尺度分量。经过上述步骤后，得到上述数据10-30天的低频分量。
步骤S3：将步骤S2中输出的低频分量数据中2010-2019年的数据作为训练集，2020年的数据作为验证集，对SAND-Net模型进行训练。共训练30个模型，分别对应提前预报时间1-30天。本发明中的SAND-Net包含自注意力机制以及非退化机制。自注意力机制由压缩和激励模块实现，可以选择每一个特征通道，即所输入的气象要素对于预测的重要性。对于大气系统而言，大气环流中部分气象要素之间的联系可能较其他气象要素之间更加紧密，因此在预测中需要增加对这些联系紧密的气象要素的注意力，压缩和激励模块则有助于对这些气象要素进行发现并选择其重要性。非退化机制由残差块实现，通过在输入和输出之间添加捷径保证前一部分的训练结果不会退化。对一个卷积神经网络而言，增加神经网络的层数是提升其性能的通用做法，但若持续对其增加神经网络的层数，训练的结果可能会出现退化，即当层数达到一定数量后，继续添加层数反而会起反作用。残差块对于这种可能出现的反作用进行了规避，当添加层数后的训练结果反而出现退化时，通过输入和输出之间添加的捷径将过往层的训练结果进行输出，从而避免了训练结果的退化。在训练SAND-Net模型的过程中，所述SAND-Net模型的参数为：初始学习率为0.5×10-4，残差块数量为21，每个残差块中包含2个卷积块，卷积核大小为3，通道数为128，权重衰减系数为0.01，激活函数为LeakyRelu，dropout设置为0.4。
步骤S4：以2021年5月21日18时、2021年5月31日18时、2021年6月10日18时、2021年6月20日18时、2021年6月30日18时、2021年7月10日18时、2021年7月20日18时、2021年7月30日18时、2021年8月10日18时作为起报时间，将起报时间前一段时间的气象资料输入训练好的SAND-Net模型进行预测，得到起报时间后1-30天的气象要素低频分量预测结果，将预测结果与对应的气候场相加，得到预报结果。
将预报结果与设定时间段的低频变量场、常量场输入WRF模型中进行动力降尺度，得到最终的延伸期预报结果。
步骤S5：下载低频变量场(土壤湿度、土壤温度、海表温度、海冰覆盖度)在起报时间的数据，下载常量场(地形，海陆掩膜)数据。
步骤S6：将SAND-Net模型的预报结果与低频变量场、常量场输入WRF模型中进行动力降尺度，得到最终的延伸期预报结果。
WRF动力降尺度软件可以在Github网站获取公开资源，该软件通过逐步积分描述大气运动的一系列动量与热量方程组将动力学制约条件应用于预报结果上，并生成高时空分辨率的预报结果。
本发明中WRF运行所使用的物理参数化条件如下：微物理方案为单参数-3类水成物(WSM3)方案，长波辐射为美国国家大气研究中心(NCAR)的社区大气模型(CAM)方案，短波辐射为CAM方案，近地面层为Mellor-Yamada-Janjic方案，路面层为Noah陆面模式，行星边界层为Mellor-Yamada-Janjic方案，积云参数化为Betts-Mellor-Janjic方案。通过计算均方根误差RMSE与异常相关系数ACC两个评价指标评估本模型与CFS预报以及气候值预报的预报效果。其中，RMSE定义为：
其中，Nforecasts为预报时次数量，Nlat代表纬向格点数量，Nlon代表经向格点数量，L(j)为纬度为j时的权重因子，fi,j,k代表时间为i，纬度为j，经度为k时的预报值，ti,j,k代表纬度为j，经度为k时的ERA5在分析数据的值；ACC定义为：
其中，f′i,j,k代表中心化后时间为i，纬度为j，经度为k时的预报值，t′i,j,k代表中心化后时间为i，纬度为j，经度为k时的ERA5在分析数据的值，L(j)为纬度为j时的权重因子，L(j)被定义为：
其中，lat(j)表示取纬度。
本发明在一般的深度学习模型基础上加入了动力降尺度环节，改良了传统深度学习预报方法忽视大气动力学制约条件的缺点，提高了延伸期气象要素预报时空分辨率，改善了延伸期预报的预报效果。如图3～图4所示，将本发明提出的延伸期预报方法的预报结果与CFS以及气候值的预报结果进行比对，在一定程度上提升了准确度，取得了较好的效果。
实施例二：
基于实施例一所述的一种气象要素延伸期预报方法，本实施例提供一种气象要素延伸期预报装置，包括：
第一预报模块，用于将设定时间段的气象资料输入训练好的SAND-Net模型，输出设定时间段后若干天的气象要素低频分量预测结果，并将气象要素低频分量预测结果与对应的气候场相加，得到预报结果；
第二预报模块，用于将预报结果与设定时间段的低频变量场、常量场输入WRF模型中进行动力降尺度，得到最终的延伸期预报结果。
实施例三：
基于实施例一所述的一种气象要素延伸期预报方法，实施例二所述的一种气象要素延伸期预报装置，本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如实施例一所述的气象要素延伸期预报方法。
实施例四：
基于实施例一所述的一种气象要素延伸期预报方法，实施例二所述的一种气象要素延伸期预报装置，本实施例提供一种计算机设备，包括：存储器，用于存储指令；处理器，用于执行所述指令，使得所述设备执行实现如实施例一所述的气象要素延伸期预报方法的操作。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种气象要素延伸期预报方法，其特征在于，包括：
将设定时间段的气象资料输入训练好的SAND-Net模型，输出设定时间段后若干天的气象要素低频分量预测结果，并将气象要素低频分量预测结果与对应的气候场相加，得到预报结果；
将预报结果与设定时间段的低频变量场、常量场输入WRF模型中进行动力降尺度，得到最终的延伸期预报结果；
所述SAND-Net模型的训练方法，包括：
获取历史气象资料，所述历史气象资料中包括若干高空变量场和地面要素场；
用滤波方法提取指定时间段的气象资料中的低频分量；
以提取的指定时间段的气象资料中的低频分量作为训练集对所述SAND-Net模型进行训练；
所述SAND-Net模型包含自注意力机制以及非退化机制；自注意力机制由压缩和激励模块实现，用于发现联系紧密的气象要素并增加对联系紧密的气象要素的注意力；非退化机制由残差块实现，用于在神经网络的层数增加后训练结果反而出现退化时，通过将过往层的训练结果输出，从而防止训练结果退化。
2.根据权利要求1所述的气象要素延伸期预报方法，其特征在于，所述高空变量场包括位势、温度、径向风、纬向风和相对湿度中的至少一个；所述地面要素场包括2m露点温度、平均海平面气压、积雪深度、地表温度、地表气压、2m温度、10m径向风和10m纬向风中的至少一个。
3.根据权利要求1所述的气象要素延伸期预报方法，其特征在于，所述低频变量场包括土壤湿度、土壤温度、海表温度和海冰覆盖度中的至少一个；所述常量场包括地形和海陆掩膜中的至少一个。
4.一种气象要素延伸期预报装置，其特征在于，包括：
第一预报模块，用于将设定时间段的气象资料输入训练好的SAND-Net模型，输出设定时间段后若干天的气象要素低频分量预测结果，并将气象要素低频分量预测结果与对应的气候场相加，得到预报结果；
第二预报模块，用于将预报结果与设定时间段的低频变量场、常量场输入WRF模型中进行动力降尺度，得到最终的延伸期预报结果；
其中，所述SAND-Net模型的训练方法，包括：
获取历史气象资料，所述历史气象资料中包括若干高空变量场和地面要素场；
用滤波方法提取指定时间段的气象资料中的低频分量；
以提取的指定时间段的气象资料中的低频分量作为训练集对所述SAND-Net模型进行训练；
所述SAND-Net模型包含自注意力机制以及非退化机制；自注意力机制由压缩和激励模块实现，用于发现联系紧密的气象要素并增加对联系紧密的气象要素的注意力；非退化机制由残差块实现，用于在神经网络的层数增加后训练结果反而出现退化时，通过将过往层的训练结果输出，从而防止训练结果退化。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现如权利要求1～3中任一所述的气象要素延伸期预报方法。
6.一种计算机设备，其特征在于，包括：
存储器，用于存储指令；
处理器，用于执行所述指令，使得所述设备执行实现如权利要求1～3任一项所述的气象要素延伸期预报方法的操作。
CN202310528394.7A 2023-05-11 2023-05-11 一种气象要素延伸期预报方法及装置 Active CN116562142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310528394.7A CN116562142B (zh) 2023-05-11 2023-05-11 一种气象要素延伸期预报方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310528394.7A CN116562142B (zh) 2023-05-11 2023-05-11 一种气象要素延伸期预报方法及装置

Publications (2)

Publication Number Publication Date
CN116562142A CN116562142A (zh) 2023-08-08
CN116562142B true CN116562142B (zh) 2023-12-01

Family

ID=87492625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310528394.7A Active CN116562142B (zh) 2023-05-11 2023-05-11 一种气象要素延伸期预报方法及装置

Country Status (1)

Country Link
CN (1) CN116562142B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118569315A (zh) * 2024-08-01 2024-08-30 无锡学院 基于Transformer的气象要素季节内振荡分量的延伸期预报系统及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647806A (zh) * 2018-04-04 2018-10-12 南京信息工程大学 一种考虑大尺度环流背景场的延伸期预报方法
CN109117992A (zh) * 2018-07-27 2019-01-01 华北电力大学 基于wd-la-wrf模型的超短期风功率预测方法
CN110045439A (zh) * 2018-01-15 2019-07-23 钱维宏 基于大气变量瞬变扰动方程组的数值天气预报模式系统
CN111126684A (zh) * 2019-12-13 2020-05-08 北京心中有数科技有限公司 气候预测方法、装置、计算机可读存储介质和服务器
CN112100922A (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cnn卷积神经网络的风资源预测方法
AU2021100608A4 (en) * 2021-02-01 2021-04-15 Chengdu University Of Information Technology Precipitation extension forecast method in southwest region based on low-frequency oscillation
CN112698428A (zh) * 2021-03-24 2021-04-23 成都信息工程大学 西南地区降水延伸期综合预报信息处理方法、处理系统
CN113807583A (zh) * 2021-09-18 2021-12-17 南京信息工程大学 基于低频增量时空耦合的动力统计结合的次季节预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9274250B2 (en) * 2008-11-13 2016-03-01 Saint Louis University Apparatus and method for providing environmental predictive indicators to emergency response managers

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110045439A (zh) * 2018-01-15 2019-07-23 钱维宏 基于大气变量瞬变扰动方程组的数值天气预报模式系统
CN108647806A (zh) * 2018-04-04 2018-10-12 南京信息工程大学 一种考虑大尺度环流背景场的延伸期预报方法
CN109117992A (zh) * 2018-07-27 2019-01-01 华北电力大学 基于wd-la-wrf模型的超短期风功率预测方法
CN111126684A (zh) * 2019-12-13 2020-05-08 北京心中有数科技有限公司 气候预测方法、装置、计算机可读存储介质和服务器
CN112100922A (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cnn卷积神经网络的风资源预测方法
AU2021100608A4 (en) * 2021-02-01 2021-04-15 Chengdu University Of Information Technology Precipitation extension forecast method in southwest region based on low-frequency oscillation
CN112698428A (zh) * 2021-03-24 2021-04-23 成都信息工程大学 西南地区降水延伸期综合预报信息处理方法、处理系统
CN113807583A (zh) * 2021-09-18 2021-12-17 南京信息工程大学 基于低频增量时空耦合的动力统计结合的次季节预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
DERF2.0 模式对东亚夏季环流及其低频分量 的延伸期预报检验评估;李天宇 等;《气象灾害防御》;第第29卷卷(第第3期期);第24-28页 *
Sandnet: Network Traffic Analysis of Malicious Software;Herbert Bos 等;《ResearchGate》;第1-11页 *
基于地面气象要素的延伸期相似预报方法初步研究;李旭;王式功;尚可政;周海;魏林波;;干旱气象(第02期);全文 *
海上大风延伸期预报研究进展;商舜;吴萌萌;秦英豪;王彰贵;魏立新;;中国农学通报(第04期);全文 *

Also Published As

Publication number Publication date
CN116562142A (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
Nourani et al. ANN-based statistical downscaling of climatic parameters using decision tree predictor screening method
CN109492830B (zh) 一种基于时空深度学习的移动污染源排放浓度预测方法
Chao et al. Research on real‐time local rainfall prediction based on MEMS sensors
Choubin et al. An ensemble forecast of semi‐arid rainfall using large‐scale climate predictors
Lu et al. Bayesian Regularized Neural Network Model Development for Predicting Daily Rainfall from Sea Level Pressure Data: Investigation on Solving Complex Hydrology Problem
Singh et al. Assessment of newly-developed high resolution reanalyses (IMDAA, NGFS and ERA5) against rainfall observations for Indian region
Singh et al. Data assimilation for constructing long-term gridded daily rainfall time series over Southeast Asia
CN116562142B (zh) 一种气象要素延伸期预报方法及装置
CN112765912A (zh) 基于气候模式集合的洪涝灾害社会经济暴露度的评估方法
Tang et al. The use of serially complete station data to improve the temporal continuity of gridded precipitation and temperature estimates
Laddimath et al. Artificial neural network technique for statistical downscaling of global climate model
CN118052300A (zh) 一种基于机器学习的空气质量数值模型和统计模型融合方法
CN117391139A (zh) 基于改进UNet神经网络的天气现象预报订正方法
George et al. A Multi-stage stochastic approach for statistical downscaling of rainfall
CN117493476A (zh) 一种融合物理机制和人工智能的径流回溯模拟方法及系统
CN117556312A (zh) 一种极端天气下的电网输电线路故障预测方法及系统
Adrian et al. Data Assimilation with Machine Learning Surrogate Models: A Case Study with FourCastNet
Sekiya et al. Impacts of horizontal resolution on global data assimilation of satellite measurements for tropospheric chemistry analysis
CN112149349A (zh) 一种基于深层神经网络的台风路径预报方法
CN116502539A (zh) 一种VOCs气体浓度预测方法及系统
CN115049097A (zh) 集成aec和时空特征的工业园区pm2.5浓度预测方法
CN114997490A (zh) 温度廓线预测模型的构建方法、预测方法、装置及设备
アンナススワルディ et al. Neuro-fuzzy approaches for modeling the wet season tropical rainfall
CN114004405A (zh) 基于Elman神经网络和卫星云图的光伏功率预测方法及系统
Meenal et al. Sensitivity analysis based artificial neural network approach for global solar radiation prediction in India

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