CN116893449B - 一种基于客观天气分型和多变量的极端暴雨潜势预报方法 - Google Patents
一种基于客观天气分型和多变量的极端暴雨潜势预报方法 Download PDFInfo
- Publication number
- CN116893449B CN116893449B CN202311164329.7A CN202311164329A CN116893449B CN 116893449 B CN116893449 B CN 116893449B CN 202311164329 A CN202311164329 A CN 202311164329A CN 116893449 B CN116893449 B CN 116893449B
- Authority
- CN
- China
- Prior art keywords
- hpa
- typing
- potential
- objective
- precipitation
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000001556 precipitation Methods 0.000 claims description 70
- 238000004364 calculation method Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008531 maintenance mechanism Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于客观天气分型和多变量的极端暴雨潜势预报方法,涉及天气预报技术领域,包括如下步骤:S1、利用旋转T模态客观分型方法将十年再分析资料位势高度场进行客观分型;S2、对模式预报500 hPa位势高度场和步骤S1中的客观分型结果进行相似判断,选择相似度最高的类型作为分类结果;S3、在每一种客观分型结果下,根据十年地面降水资料,建立先验概率密度函数,以及基于再分析资料的条件相似概率密度函数;S4、对模式预报500 hPa、700 hPa、850 hPa和925 hPa位势高度场和每一种客观分型类型下各降雨量级500 hPa、700 hPa、850 hPa和925 hPa合成位势高度场进行相似判定,结合S3中获得的后验概率密度函数进行加权平均,选择具有最大概率的降雨量级作为潜势预报结果。
Description
技术领域
本发明涉及天气预报技术领域,具体为一种基于客观天气分型和多变量的极端暴雨潜势预报方法。
背景技术
近年来,国内外建设了高密度雷达监测网络和升级双线偏振雷达,以及发展卫星观测和高密度地面观测网,这些监测手段非常有效,对业务预报预警提供有力的支持。但业务观测设备只能监测已发生的强降水过程,预警时效有限。中尺度数值模式预报性能的提高也对业务预报提供支撑,但强降水过程往往具有突发性和局地性特征,中尺度数值模式较难捕捉,且由于强降水过程中微物理过程的不确定性,较难实现暴雨量级的准确预报。
此外,多项研究也表明降水在不同的大气环流下差异显著,其触发机制和维持机理都可能不尽相同。大气环流在很大程度上决定特定地区的温度、压强、湿度和风。有研究发现某地特大暴雨的环流形势是一种出现频率非常低的环流类型,但在该环流形势下出现极端暴雨的几率却非常高。
基于以上现状考虑,急需在利用客观天气分型基础上,发展基于天气形势环流的多变量暴雨潜势预报方法。
发明内容
发明目的:本发明提供一种基于客观天气分型和多变量的极端暴雨潜势预报方法,该方法能够预报降水量级,包括无强降水(0~20 mm/h)、短时强降水(20~46 mm/h)和极端暴雨(>=46 mm/h),为预报人员发布准确预报提供重要参考信息,提高针对暴雨的预报能力。
技术方案:一种基于客观天气分型和多变量的极端暴雨潜势预报方法,包括如下步骤:
S1、利用旋转T模态客观分型方法将十年再分析资料位势高度场进行客观分型;将客观分型结果作为后续基本模型;
S2、利用余弦相似方法对模式预报500 hPa位势高度场和步骤S1中的客观分型结果进行相似判断,选择相似度最高的类型作为分类结果;
S3、在每一种客观分型结果下,根据十年地面降水资料,将不同量级降水下500hPa、700 hPa、850 hPa和925 hPa高度层温度、湿度和散度变量建立条件相似概率密度函数,将各量级降水发生频率进行分析,建立先验概率密度函数;通过贝叶斯模型将S2选择的类型划分不同的降水量级;
S4、合成不同后续基本模型下不同降水量级下的500 hPa、700 hPa、850 hPa和925hPa高度层位势高度场,利用余弦相似方法对模式预报500 hPa、700 hPa、850 hPa和925hPa位势高度场和每一种客观分型类型下各降雨量级500 hPa、700 hPa、850 hPa和925 hPa合成位势高度场进行相似判定;将判定结果和S3中获得的后验概率密度函数进行加权平均,选择具有最大概率的降雨量级作为潜势预报结果。实现基于客观天气分型和多变量的极端暴雨潜势预报方法。
进一步的,所述步骤S1包括如下步骤:
步骤1.1、利用旋转T模态客观分型方法将十年再分析资料500 hPa位势高度场进行客观分型,客观分型结果为9种500 hPa分型后的位势高度场类型,并得到每天500 hPa位势高度场分型结果;将9种500 hPa分型后的位势高度场类型,根据每一类占十年总天数比例进行降序排列;
步骤1.2、统计9类中排在前两类的位势高度场类型中,累计天数占十年总天数比例超过50%的500 hPa分型后的位势高度场类型,将其在925 hPa位势高度场进一步利用旋转T模态客观分型方法进行客观分型,客观分型结果为3种925 hPa分型后的位势高度场类型;
步骤1.3、将3种925 hPa分型后的位势高度场类型和后7类500 hPa分型后的位势高度场类型,共10种客观分型作为后续基本模型。
进一步的,所述步骤S2包括如下步骤:
步骤2.1、将模式预报500 hPa位势高度场作为输入,利用余弦相似方法对模式预报500 hPa位势高度场和S1中获得的9种500 hPa分型后的位势高度场类型进行相似判定,选择相似度最高的类型作为分类结果;
步骤2.2、如果步骤2.1中分类结果为9种500 hPa分型后的位势高度场中的前两类,则将模式预报925 hPa高度场作为输入,进一步利用余弦相似方法对模式预报925 hPa高度场和925 hPa客观分型结果进行相似判定,选择相似度最高的925 hPa类型作为分类结果;
如果S2中分类结果为9种500 hPa分型后的位势高度场中的后7类,则选择对应500hPa位势高度场类型。
进一步的,所述步骤2.1中,余弦相似方法的计算公式如式(1)所示:公式(1);
式中,x代表模式预报500 hPa位势高度场,y代表十年再分析资料500 hPa分型后的位势高度场,n代表经纬度网格乘积;
进一步的,所述S3具体的操作步骤如下:
步骤3.1、根据十年地面降水资料,划分降水量级为无强降水:0~20 mm/h,短时强降水:20~46 mm/h,极端暴雨:>=46 mm/h;
步骤3.2、对基本模型的每一种客观分型下500 hPa、700 hPa、850 hPa和925 hPa温度、湿度和散度,建立不同降水量级下的条件相似概率密度函数;
步骤3.3、根据十年地面降水资料中,各量级降水发生频率,建立先验概率密度函数,代表无强降水、短时强降水和极端暴雨发生频率;
步骤3.4、在S2选择的类型下,将模式预报中的500 hPa、700 hPa、850 hPa和925hPa温度、湿度和散度输入到贝叶斯模型中,得到贝叶斯模型的计算结果,获得降水量级初步分析。
进一步的,所述贝叶斯模型如下:公式(2);
式中,代表降水量级,包括无强降水、短时强降水和极端暴雨;SF代表归一化参数;/>代表每个降雨量级的后验条件概率密度函数;/>为先验概率密度函数,代表十年无强降水、短时强降水和极端暴雨发生频率;/>代表条件相似概率密度函数,代表模式中输入变量,包括温度、湿度和散度。
进一步的,所述S4中,在每一种客观分型结果下,每一种降水量级下的500 hPa、700 hPa、850 hPa和925 hPa合成位势高度场,是通过对当下类型的对应层次位势高度场求平均获得的。
有益效果:与现有技术相比,本发明考虑了三维空间天气环流形势对暴雨的影响,基于多维环境变量特征,结合余弦相似和贝叶斯分类技术,首次实现基于客观天气分型的暴雨潜势预报方法,为预报员发布暴雨预报提供技术支撑。
附图说明
图1是本发明暴雨潜势预报方法流程图;
图2为十年客观天气分型得到的9类天气环流形;
图3为T3类型下极端暴雨(>=46 mm/h) 、短时强降水(20~46 mm/h)和无强降水(0~20 mm/h) 850 hPa风场、位势高度和相对湿度;
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
以欧洲中心ERA5再分析资料和华东平原为例,说明本发明提供的基于客观天气分型和多变量的极端暴雨潜势预报方法,如图1所示,本发明的预报方法包括如下步骤:
S1、利用旋转T模态客观分型方法将十年再分析资料位势高度场进行客观分型。
所述步骤S1包括如下步骤:
步骤1.1、利用成熟的旋转T模态客观分型方法将十年(本实施例中选择2012~2021年份) 再分析资料500 hPa位势高度场进行客观分型,客观分型结果为9种500 hPa分型后的位势高度场类型,并得到每天500 hPa位势高度场分型结果(9类之一);将9种500 hPa分型后的位势高度场类型,根据每一类占十年总天数比例进行降序排列,并分别命名为T1-T9;
步骤1.2、统计9类中排在前两类的位势高度场类型中,累计天数占十年总天数比例超过50%的500 hPa分型后的位势高度场类型,将其在925 hPa位势高度场进一步利用旋转T模态客观分型方法进行客观分型,客观分型结果为3种925 hPa分型后的位势高度场类型;
步骤1.3、将3种925 hPa分型后的位势高度场类型和后7类500 hPa分型后的位势高度场类型,共10种客观分型作为后续基本模型。
如图2所示,9种500 hPa分型后的位势高度场类型,分别对应图2中9个子图(a-i);其中前两类,即图2中的a和b,共计占比超过50%;
S2、利用余弦相似方法对模式预报500 hPa位势高度场和步骤S1中的客观分型结果进行相似判断,选择相似度最高的类型作为分类结果。
所述步骤S2包括如下步骤:
步骤2.1、将模式预报500 hPa位势高度场作为输入,利用余弦相似方法对模式预报500 hPa位势高度场和S1中获得的9种500 hPa分型后的位势高度场类型进行相似判定,选择相似度最高的类型作为分类结果;
其中,余弦相似的计算公式如式(1):公式(1);
式中,x代表模式预报500 hPa位势高度场,y代表十年再分析资料500 hPa分型后的位势高度场,n代表经纬度网格乘积;
步骤2.2、如果S2中分类结果为9种类型中的前两类,则将模式预报925 hPa位势高度场作为输入,进一步利用余弦相似方法对模式预报925 hPa位势高度场和3种925 hPa分型后的位势高度场类型进行相似判定,选择相似度最高的925 hPa分型后的位势高度场类型作为分类结果;
如果S2中分类结果为9种类型中的后7类,则选择对应的500 hPa分型后的位势高度场类型;
S3、在每一种客观分型结果下,根据十年地面降水资料,将不同量级降水下500hPa、700 hPa、850 hPa和925 hPa高度层温度、湿度和散度变量建立条件相似概率密度函数,将各量级降水发生频率进行分析,建立先验概率密度函数;通过贝叶斯模型将S2选择的类型划分不同的降水量级。
所述S3具体的操作步骤如下:
步骤3.1、根据十年(2012-2021)地面降水资料,划分降水量级为无强降水(0~20mm/h)、短时强降水(20~46 mm/h)和极端暴雨(>=46 mm/h);
步骤3.2、对基本模型的每一种客观分型下500 hPa、700 hPa、850 hPa和925 hPa温度、湿度和散度,建立不同降水量级下的条件相似概率密度函数;
步骤3.3、根据十年(2012-2021)地面降水资料中,各量级降水发生频率,建立先验概率密度函数,代表无强降水(0~20 mm/h)、短时强降水(20~46 mm/h)和极端暴雨(>=46mm/h)发生频率;
步骤3.4、在S2选择的类型下,将模式预报中的500 hPa、700 hPa、850 hPa和925hPa温度、湿度和散度输入到贝叶斯模型中,得到贝叶斯模型的计算结果,获得降水量级初步分析。
所述贝叶斯模型如下:公式(2);
通过公式(2)计算得到每个降雨量级的后验条件概率密度函数;
式中,代表降水量级,包括无强降水(0~20 mm/h)、短时强降水(20~46 mm/h)和极端暴雨(>=46 mm/h);SF代表归一化参数;/>为先验概率密度函数,代表十年无强降水(0~20 mm/h)、短时强降水(20~46 mm/h)和极端暴雨(>=46 mm/h)发生频率;/>代表条件相似概率密度函数,/>代表模式中输入变量,包括温度、湿度和散度;/>代表每个降雨量级的后验条件概率密度函数。
如图3所示,图3为T3类型(第三种500 hPa分型后的位势高度场类型,对应图2中的c)下极端暴雨(>=46 mm/h) 、短时强降水(20~46 mm/h)和无强降水(0~20 mm/h) 850 hPa风场、位势高度和相对湿度。图3中从左到右为分别为极端暴雨(>=46 mm/h) 、短时强降水(20~46 mm/h)和无强降水(0~20 mm/h)情况下850 hPa高度上的变量特征,矢量代表风场,等值线代表位势高度,填色代表相对湿度。
S4、合成不同后续基本模型下不同降水量级下的500 hPa、700 hPa、850 hPa和925hPa高度层位势高度场,利用余弦相似方法对模式预报500 hPa、700 hPa、850 hPa和925hPa位势高度场和每一种客观分型类型下各降雨量级500 hPa、700 hPa、850 hPa和925 hPa合成位势高度场进行相似判定;将判定结果和S3中获得的后验概率密度函数进行加权平均,选择具有最大概率的降雨量级作为潜势预报结果。实现基于客观天气分型和多变量的极端暴雨潜势预报方法。
所述S4中,在每一种客观分型结果下,每一种降水量级下的500 hPa、700 hPa、850hPa和925 hPa合成位势高度场,是通过对当下类型的对应层次位势高度场求平均获得的。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上作出各种变化。
Claims (6)
1.一种基于客观天气分型和多变量的极端暴雨潜势预报方法,其特征在于,包括如下步骤:
S1、利用旋转T模态客观分型方法将十年再分析资料位势高度场进行客观分型;将客观分型结果作为后续基本模型;
S2、利用余弦相似方法对模式预报500 hPa位势高度场和步骤S1中的客观分型结果进行相似判断,选择相似度最高的类型作为分类结果;
S3、在每一种客观分型结果下,根据十年地面降水资料,将不同量级降水下500 hPa、700 hPa、850 hPa和925 hPa高度层温度、湿度和散度变量建立条件相似概率密度函数,将各量级降水发生频率进行分析,建立先验概率密度函数;通过贝叶斯模型将S2选择的类型划分不同的降水量级;
S4、合成不同后续基本模型下不同降水量级下的500 hPa、700 hPa、850 hPa和925 hPa高度层位势高度场,利用余弦相似方法对模式预报500 hPa、700 hPa、850 hPa和925 hPa位势高度场和每一种客观分型类型下各降雨量级500 hPa、700 hPa、850 hPa和925 hPa合成位势高度场进行相似判定;将判定结果和S3中获得的后验概率密度函数进行加权平均,选择具有最大概率的降雨量级作为潜势预报结果;
所述步骤S1包括如下步骤:
步骤1.1、利用旋转T模态客观分型方法将十年再分析资料500 hPa位势高度场进行客观分型,客观分型结果为9种500 hPa分型后的位势高度场类型,并得到每天500 hPa位势高度场分型结果;将9种500 hPa分型后的位势高度场类型,根据每一类占十年总天数比例进行降序排列;
步骤1.2、统计9类中排在前两类的位势高度场类型中,累计天数占十年总天数比例超过50%的500 hPa分型后的位势高度场类型,将其在925 hPa位势高度场进一步利用旋转T模态客观分型方法进行客观分型,客观分型结果为3种925 hPa分型后的位势高度场类型;
步骤1.3、将3种925 hPa分型后的位势高度场类型和后7类500 hPa分型后的位势高度场类型,共10种客观分型作为后续基本模型。
2.根据权利要求1所述的一种基于客观天气分型和多变量的极端暴雨潜势预报方法,其特征在于,所述S2包括如下步骤:
步骤2.1、将模式预报500 hPa位势高度场作为输入,利用余弦相似方法对模式预报500hPa位势高度场和S1中获得的9种500 hPa分型后的位势高度场类型进行相似判定,选择相似度最高的类型作为分类结果;
步骤2.2、如果步骤2.1中分类结果为9种500 hPa分型后的位势高度场中的前两类,则将模式预报925 hPa高度场作为输入,进一步利用余弦相似方法对模式预报925 hPa高度场和925 hPa客观分型结果进行相似判定,选择相似度最高的925 hPa类型作为分类结果;
如果S2中分类结果为9种500 hPa分型后的位势高度场中的后7类,则选择对应500 hPa位势高度场类型。
3.根据权利要求2所述的一种基于客观天气分型和多变量的极端暴雨潜势预报方法,其特征在于, 所述步骤2.1中,余弦相似方法的计算公式如式(1)所示:
公式(1);
式中,x代表模式预报500 hPa位势高度场,y代表十年再分析资料500 hPa分型后的位势高度场,n代表经纬度网格乘积。
4.根据权利要求3所述的一种基于客观天气分型和多变量的极端暴雨潜势预报方法,其特征在于,所述S3具体的操作步骤如下:
步骤3.1、根据十年地面降水资料,划分降水量级为无强降水:0~20 mm/h,短时强降水:20~46 mm/h,极端暴雨:>=46 mm/h;
步骤3.2、对基本模型的每一种客观分型下500 hPa、700 hPa、850 hPa和925 hPa温度、湿度和散度,建立不同降水量级下的条件相似概率密度函数;
步骤3.3、根据十年地面降水资料中,各量级降水发生频率,建立先验概率密度函数,代表无强降水、短时强降水和极端暴雨发生频率;
步骤3.4、在S2选择的类型下,将模式预报中的500 hPa、700 hPa、850 hPa和925 hPa温度、湿度和散度输入到贝叶斯模型中,得到贝叶斯模型的计算结果,获得降水量级初步分析。
5.根据权利要求4所述的一种基于客观天气分型和多变量的极端暴雨潜势预报方法,其特征在于,所述贝叶斯模型如下:
公式(2);
式中,代表降水量级,包括无强降水、短时强降水和极端暴雨;SF代表归一化参数;代表每个降雨量级的后验条件概率密度函数;先验概率密度函数,代表十年无强降水、短时强降水和极端暴雨发生频率;代表条件相似概率密度函数,代表模式中输入变量,包括温度、湿度和散度。
6.根据权利要求1所述的一种基于客观天气分型和多变量的极端暴雨潜势预报方法,其特征在于,所述S4中,在每一种客观分型结果下,每一种降水量级下的500 hPa、700 hPa、850 hPa和925 hPa合成位势高度场,是通过对当下类型的对应层次位势高度场求平均获得的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311164329.7A CN116893449B (zh) | 2023-09-11 | 2023-09-11 | 一种基于客观天气分型和多变量的极端暴雨潜势预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311164329.7A CN116893449B (zh) | 2023-09-11 | 2023-09-11 | 一种基于客观天气分型和多变量的极端暴雨潜势预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116893449A CN116893449A (zh) | 2023-10-17 |
CN116893449B true CN116893449B (zh) | 2023-12-01 |
Family
ID=88309808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311164329.7A Active CN116893449B (zh) | 2023-09-11 | 2023-09-11 | 一种基于客观天气分型和多变量的极端暴雨潜势预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116893449B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036330A (zh) * | 2014-05-22 | 2014-09-10 | 南京信息工程大学 | 一种基于MapReduce的降雨量分类预测方法 |
CN112949953A (zh) * | 2021-05-14 | 2021-06-11 | 江苏铨铨信息科技有限公司 | 基于pp理论和af模型的暴雨预报方法 |
CN113189678A (zh) * | 2021-04-29 | 2021-07-30 | 南京气象科技创新研究院 | 基于多源观测资料的降水现象综合识别方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105808948B (zh) * | 2016-03-08 | 2017-02-15 | 中国水利水电科学研究院 | 一种自动修正的多模式数值降雨集合预报方法 |
CN109477907A (zh) * | 2016-05-13 | 2019-03-15 | 天气流公司 | 触觉雨水传感器 |
-
2023
- 2023-09-11 CN CN202311164329.7A patent/CN116893449B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036330A (zh) * | 2014-05-22 | 2014-09-10 | 南京信息工程大学 | 一种基于MapReduce的降雨量分类预测方法 |
CN113189678A (zh) * | 2021-04-29 | 2021-07-30 | 南京气象科技创新研究院 | 基于多源观测资料的降水现象综合识别方法及装置 |
CN112949953A (zh) * | 2021-05-14 | 2021-06-11 | 江苏铨铨信息科技有限公司 | 基于pp理论和af模型的暴雨预报方法 |
Non-Patent Citations (2)
Title |
---|
Multivariate analysis of heavy metal leaching from urban soils following simulated acid rain;Junhui Li et al.;《Microchemical Journal》;第122卷;89-95 * |
胡家晖.《中国优秀硕士学位论文全文数据库基础科学辑》.2023,A009-204. * |
Also Published As
Publication number | Publication date |
---|---|
CN116893449A (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027175B (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
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 | |
CN112070286B (zh) | 复杂地形流域的降水预报预警系统 | |
CN112114384B (zh) | 一种输电线覆冰发生概率预报方法 | |
CN111897030A (zh) | 一种雷暴预警系统及方法 | |
CN114580171B (zh) | 一种流域洪水类型辨识及其影响因子解析的方法 | |
CN111538798A (zh) | 一种顾及dsm和dlg的城市汇水区精细化提取方法 | |
KR101264873B1 (ko) | 단계적 회귀 분석을 이용한 풍력 밀도 예측 방법 | |
CN116484189A (zh) | 一种基于深度学习的era5降水产品降尺度方法 | |
Liu et al. | A spatio-temporal modeling framework for weather radar image data in tropical southeast Asia | |
CN116893449B (zh) | 一种基于客观天气分型和多变量的极端暴雨潜势预报方法 | |
CN115600047B (zh) | 一种基于栅格分析的小流域面平均降雨量测算方法和系统 | |
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 | |
CN114664041B (zh) | 一种基于深度学习的多传感器融合预警预测方法 | |
CN116308883A (zh) | 一种基于大数据的区域电网数据统筹管理系统 | |
CN116109191A (zh) | 基于卫星观测和gis的城市部门碳排放估算方法及系统 | |
CN116151474A (zh) | 一种融合多源数据的降水产品降尺度的方法 | |
CN115600142A (zh) | 一种基于不同方法的大风融合集成预报方法 | |
Xu et al. | Multi-layer networks for ensemble precipitation forecasts postprocessing | |
Dargahian et al. | Assessment and forecasting spatial pattern changes of dust and wind speed using ARIMA and ANNs model in Helmand Basin, Iran | |
CN113705657A (zh) | 一种基于差分法消除多重共线性的逐步聚类统计降尺度方法 | |
CN113592142A (zh) | 水库流域的迎风坡微地形的暴雨预报方法及系统 | |
Zébiri et al. | Rain nowcasting from multiscale radar images | |
Zhou et al. | Application of an Improved Analog-Based Heavy Precipitation Forecast Model to the Yangtze—Huai River Valley and Its Performance in June–July 2020 | |
Tang et al. | PostRainBench: A comprehensive benchmark and a new model for precipitation forecasting |
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 |