CN117233870B - 一种基于多气象要素的短临降水集合预报及降尺度方法 - Google Patents
一种基于多气象要素的短临降水集合预报及降尺度方法 Download PDFInfo
- Publication number
- CN117233870B CN117233870B CN202311518550.8A CN202311518550A CN117233870B CN 117233870 B CN117233870 B CN 117233870B CN 202311518550 A CN202311518550 A CN 202311518550A CN 117233870 B CN117233870 B CN 117233870B
- Authority
- CN
- China
- Prior art keywords
- resolution
- data
- precipitation
- forecast
- neural network
- 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
- 238000001556 precipitation Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000013136 deep learning model Methods 0.000 claims abstract description 19
- 230000001537 neural effect Effects 0.000 claims abstract description 18
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 230000008878 coupling Effects 0.000 claims abstract description 8
- 238000010168 coupling process Methods 0.000 claims abstract description 8
- 238000005859 coupling reaction Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 7
- 238000003908 quality control method Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 238000013213 extrapolation Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000013589 supplement Substances 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
本发明公开了一种基于多气象要素的短临降水集合预报及降尺度方法,包括以下步骤:(1)收集自动气象站逐10分钟站点观测数据;生成格点场数据(2)基于格点场数据,建立用于深度学习模型训练的标准气象序列数据集,并进行归一化处理;(3)构建耦合卷积神经网络‑循环神经网络‑对抗生成神经网络的深度学习模型,利用标准气象序列数据集针对降水进行训练,并通过在网络中增加噪声,生成集合预报;(4)利用超分辨率对生成的降水预报进行降尺度,获得高时空分辨率的短临降水集合预报;本发明将卷积神经网络、循环神经网络与对抗生成神经网络结合,提高了模型的预报真实性;利用超分辨率技术,提高降水预报准确率。
Description
技术领域
本发明涉及短临降水预报技术领域,具体涉及一种基于多气象要素的短临降水集合预报及降尺度方法。
背景技术
短时强降水具有突发性强、局地性突出、演变速度快等特点,不仅会影响民众的日常出行,更能够在短时间内造成局地的严重气象灾害,如城市内涝、山体泥石流等,威胁人民生命财产安全。因此,提高短临降水预报技巧,尤其是0-2小时内的强降水预报,对于进一步增强天气预报服务能力具有重要意义。当前,基于物理控制方程组的数值天气预报仍是最为可靠的天气预报手段。但由于数值模式积分过程中需要一定的时长使整个大气背景达到稳定,如对于天气尺度大气模式一般为0-6小时,在系统达到稳定之前,数值预报技巧普遍偏低。尤其是针对降水这一受多尺度热动力因子影响的诊断变量,前0-2小时内的数值预报偏差很大。基于统计的外推算法,如传统的光流法,通过计算前一时刻与当前时刻降水系统的移动矢量,并利用轨迹算法对当前系统位置进行外推,得到下一时刻的降水位置,在一定程度上优于数值预报模式。但由于传统外推方法多基于线性算子,对于多时次之后的预报能力快速下降,且对强降水的模拟能力不足,辄需寻求时空模拟能力更强且能够反映降水强度的短临降水预报算法。
基于深度学习的视频预测技术被认为是代替传统外推算法解决短临降水预报问题的重要技术之一。通过学习前一时刻降水系统与当前系统的位置、强度、形状等特征,视频预测模型有能力迭代生成较长预报步数的降水预报。但传统的视频预测方法大多仅基于卷积神经网络与循环神经网络,且通常利用均方根误差作为损失函数,容易生成模糊化的降水预报,出现预测失真、降水细节不足、强降水表征能力不足等问题。此外,研究表明单一的确定性预报难以反映天气预报的不确定性,对于强降水的极端事件刻画能力不足。通过生成多组集合成员,实现由确定性预报向集合预报的转变,是提高极端事件预报能力的关键技术。同时,当前自动气象站点分布尚不够密集,即使在我国东部地区站点间隔也在20km左右。如何利用降尺度算法获得更高分辨率的降水预报,对于提高县市、甚至街道的天气预报能力十分关键。传统的降尺度算法,如线性插值、多元线性回归等,难以处理降尺度比例大的任务,尤其在地势地形复杂地区效果很差。基于深度学习模型的超分辨率算法能够有效弥补这一难题。通过学习低分辨率与高分辨率观测之间的统计统计关系,超分辨率模型能够从低分辨率的输入中生成高分辨率的观测,且能够一定程度补充低分辨率中缺失的细节。
发明内容
发明目的:本发明的目的是提供一种基于多气象要素的短临降水集合预报及降尺度方法以解决短临降水预报缺少概率预报信息、空间分辨率不足的问题。
技术方案:本发明所述的一种基于多气象要素的短临降水集合预报及降尺度方法,包括以下步骤:
(1)收集自动气象站逐10分钟站点观测数据;生成格点场数据;
(2)基于格点场数据,建立用于深度学习模型训练的标准气象序列数据集,并进行归一化处理;
(3)构建耦合卷积神经网络-循环神经网络-对抗生成神经网络的深度学习模型,利用标准气象序列数据集针对降水进行训练,并通过在网络中增加噪声,生成集合预报;
(4)利用超分辨率对生成的降水预报进行降尺度,获得高时空分辨率的短临降水集合预报。
进一步的,所述步骤(1)具体如下:对站点观测数据进行数据质控,剔除无效数据,填补缺测数据,并利用反距离加权插值方法生成格点场数据;其中,站点观测数据包括:10分钟累计降水、2m气温、10m风场和相对湿度。
进一步的,剔除无效数据,填补缺测数据,并利用反距离加权插值方法生成格点场数据,包括以下步骤:
(11)对收集的自动气象站站点数据进行质控,监测气象要素异常值与无效值;若出现异常值,则用前一时刻有效值替代。
(12)利用反距离加权插值方法将站点数据插值为格点数据,公式如下:
;其中,/>;
其中,为待插值站点的气象要素观测值,/>为所取待插值点周边最近点的个数,/>为周边第/>个站点,/>为站点/>的气象要素观测值,/>为对应的反距离权重,为站点/>到待插值站点的欧式距离。
进一步的,所述步骤(2)包括以下步骤:
(21)在样本集中滑动截取连续K个时刻的多气象要素场序列,作为一次样本x滑动步长为逐10分钟,每个序列样本X中包含上述收集的所有气象要素变量包括:10分钟累计降水、2m气温、10m风场和相对湿度;
(22)利用最大最小归一化,对序列样本进行归一化,公式如下:
其中,和/>分别为原始序列样本集中的最大值与最小值,/>为归一化之后的序列样本。
进一步的,所述步骤(3)包括以下步骤:
(31)耦合卷积神经网络-循环神经网络-对抗生成神经网络的深度学习模型包含生成器和判别器;其中,生成器由多组U-Net拼接而成;输入不同预报步长的气象序列,并通过U-Net的“编码-反编码”过程,学习气象场不同尺度的空间信息,生成未来的降水预报;
判别器由一组3-D卷积网络模块组成,输入为生成器得到的网络预报或者真实的观测数据;判别器判断生成器的预报是否足够真实,即与实况是否足够相似;
(32)在构建步骤(31)中的网络基础上,在对抗生成神经网络中生成器的LSTM模块增加一组随机的高斯噪声,对原始网络模型训练进行初始场的扰动,利用相同的训练策略对网络进行学习,并通过更改输入噪声的随机种子,生成若干组集合成员预报。
进一步的,所述步骤(4)包括以下步骤:
(41)建立高分辨率-低分辨率降水观测数据集,其中,低分辨率降水观测即为步骤(1)后得到的格点数据,高分辨率数据则来自国家气象局发布的融合降水产品。
(42)构建针对降水降尺度的超分辨率模型;
(43)将步骤(42)训练得到的降尺度模型应用于步骤(32)生成的低分辨率短临降水集合预报成员,得到高分辨率的集合预报。
进一步的,所述步骤(42)具体如下:由线性映射模块和U-Net模块构成;网络输入包括3组数据,分别为低分辨率的降水观测、低分辨率的地形高程以及高分辨率的地形高程;其中,首先利用双线性插值,将低分辨率的降水观测与地形高程插值至与目标高分辨率降水观测相同的空间分辨率,然后将插值后的降水观测和地形高程,以及高分辨率的地形高程作为U-Net模块的输入,最后输出高分辨率的降水观测模拟。
本发明所述的一种基于多气象要素的短临降水集合预报及降尺度系统,包括:
格点场数据模块:用于收集自动气象站逐10分钟站点观测数据;生成格点场数据
预处理模块:用于基于格点场数据,建立用于深度学习模型训练的标准气象序列数据集,并进行归一化处理;
集合预报模块:用于构建耦合卷积神经网络-循环神经网络-对抗生成神经网络的深度学习模型,利用标准气象序列数据集针对降水进行训练,并通过在网络中增加噪声,生成集合预报;
短临降水预报模块:用于利用超分辨率对生成的降水预报进行降尺度,获得高时空分辨率的短临降水集合预报。
本发明所述的一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现任一项所述的一种基于多气象要素的短临降水集合预报及降尺度方法中的步骤。
本发明所述的一种存储介质,存储有计算机程序,所述计算机程序被设计为运行时实现任一项所述的一种基于多气象要素的短临降水集合预报及降尺度方法中的步骤。
有益效果:与现有技术相比,本发明具有如下显著优点:本发明将卷积神经网络、循环神经网络与对抗生成神经网络结合,既能够有效提取多尺度时空信息,也提高了模型的预报真实性。同时,将传统以最小化预报与观测之间逐点误差的目标函数,转为最小化预报与观测全局数据分布之间的误差,避免了传统模型预报模糊化、难以捕捉强降水的问题;本发明通过引入随机噪声,能够快速生成多组集合预报成员,实现了由确定性预报向概率预报的转换,能够量化短临预报的不确定性,增强模型可信度,提高模型对极端事件的预报能力;利用超分辨率技术,进一步对深度学习模型生成的、粗分辨率的短临降水集合预报进行降尺度,提高原始预报的空间分辨率,获得精细化的智能格点降水预报,提高县市、甚至街道的降水预报准确率。
附图说明
图1为本发明总流程图;
图2为本发明短临降水预报模型生成器示意图;
图3为本发明短临降水预报模型判别器示意图;
图4为本发明U-Net模块示意图;
图5为本发明3-D卷积网络模块示意图;
图6为本发明降尺度模型示意图。
实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示,本发明实施例提供一种基于多气象要素的短临降水集合预报及降尺度方法,包括以下步骤:
(1)收集自动气象站逐10分钟站点观测数据,同时进行数据质控,剔除无效数据,填补缺测数据,并利用反距离加权插值方法生成格点场数据。具体包括如下步骤:
(11)对收集的自动气象站站点数据进行质控。监测气象要素异常值与无效值,若出现异常值,则用前一时刻有效值替代。
(12)利用反距离加权插值方法将站点数据插值为格点数据,其基本思路为根据数据点与待插值点位置的距离,赋予不同的权重,并进行加权。主要公式如下:
;其中,/>;
其中,为待插值站点的气象要素观测值,/>为所取待插值点周边最近点的个数,/>为周边第/>个站点,/>为站点/>的气象要素观测值,/>为对应的反距离权重,为站点/>到待插值站点的欧式距离。
(2)基于格点场数据,建立用于深度学习模型训练的标准气象序列数据集,并进行归一化处理;包括以下步骤:
(21)在样本集中滑动截取连续K个时刻的多气象要素场序列,作为一次样本x滑动步长为逐10分钟,每个序列样本X中包含上述收集的所有气象要素变量包括:10分钟累计降水、2m气温、10m风场和相对湿度;
(22)利用最大最小归一化,对序列样本进行归一化,公式如下:
其中,和/>分别为原始序列样本集中的最大值与最小值,/>为归一化之后的序列样本。
(3)构建耦合卷积神经网络-循环神经网络-对抗生成神经网络的深度学习模型,利用标准气象序列数据集针对降水进行训练,并通过在网络中增加噪声,生成集合预报;具体如下:
搭建耦合卷积神经网络、循环神经网络和对抗生成神经网络的深度学习模型,主要包含两组网络,分别为生成器(如图2)和判别器(如图3),两者共同组成短临降水预报模型。其中,生成器由多组U-Net拼接而成,用于输入不同预报步长的气象序列,并通过U-Net的“编码-反编码”过程,学习气象场不同尺度的空间信息,提高空间维度的模拟能力,生成未来的降水预报。
其中,U-Net底部通过卷积-长短期记忆网络相连,用于学习长时间序列之间的时间依赖,将前期的气象场信息有效地传递到之后的网络预测中。如图2所示,当前时刻为,利用过去/>个时刻的降水序列/>,经过多组U-Net来生成下一个时刻/>的预报,通过迭代预报步长,生成器网络能够获得未来连续/>个时刻的气象要素场预报/>。
U-Net模块如图4所示,、/>和/>分别为输入气象场经度、纬度方向的格点数以及预报因子数,/>为自定义的U-Net网络初始的卷积核个数。向右的实心箭头为卷积核尺寸为/>、激活函数为/>的二维卷积层,向下的箭头为池化核尺寸为/>的最大池化层,向右的空白箭头为U-Net网络中的跳跃连接层,向上的箭头为卷积核尺寸为的反卷积层,向右的箭头为卷积核尺寸为/>、激活函数为/>的一维卷积层。LSTM模块为二维卷积-长短时记忆网络层。生成器的损失函数仅评估模型降水预报与真值之间的/>误差,其公式如下:
其中,和/>分别为预报时段的模型输出与对应观测。
如图3所示,判别器则由一组3-D卷积网络模块组成,其输入既可以是生成器得到的网络预报,或者是真实的观测数据,而判别器的作用即为判断所输入的数据是属于真实的观测还是模型的模拟。
其中,3-D卷积网络模块如图5所示,图中上侧数字为每层网络的卷积核或者神经元个数。向右的实心箭头为三维卷积层、批量正则化层与最大池化层组成的网络模块,其中三维卷积层的卷积核尺寸为,激活函数为/>,最大池化层的池化核尺寸为/>。向右的空心箭头为全连接网络层。
(4)利用超分辨率对生成的降水预报进行降尺度,获得高时空分辨率的短临降水集合预报;包括以下步骤:
(41)建立高分辨率-低分辨率降水观测数据集,其中低分辨率降水观测即为步骤(1)得到的格点数据,高分辨率数据则来自国家气象局发布的融合降水产品。
(42)针对降水降尺度的超分辨率模型。如图6所示,该超分辨率模型由线性映射模块和U-Net模块构成。网络输入包括3组数据,分别为低分辨率的降水观测、低分辨率的地形高程以及高分辨率的地形高程,通过双线性插值将低分辨率的降水观测与地形高程插值至与高分辨率数据相同的空间分辨率(线性映射模块)。U-Net模块与图4一致。网络的输出则为高分辨率的降水观测。该超分辨率模型能够充分提取高-低分辨率数据间不同尺度的空间信息,同时利用跳跃连接层避免数据失真。
(43)将步骤(42)训练得到的降尺度模型应用于步骤3生成的低分辨率短临降水集合预报成员,得到高分辨率的集合预报产品,在提高短临降水预报准确率的同时,提高降水预报的空间分辨率。
本发明实施例还提供了一种基于多气象要素的短临降水集合预报及降尺度系统,包括:
格点场数据模块:用于收集自动气象站逐10分钟站点观测数据;生成格点场数据
预处理模块:用于基于格点场数据,建立用于深度学习模型训练的标准气象序列数据集,并进行归一化处理;
集合预报模块:用于构建耦合卷积神经网络-循环神经网络-对抗生成神经网络的深度学习模型,利用标准气象序列数据集针对降水进行训练,并通过在网络中增加噪声,生成集合预报;
短临降水预报模块:用于利用超分辨率对生成的降水预报进行降尺度,获得高时空分辨率的短临降水集合预报。
本发明实施例还提供了一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现任一项所述的一种基于多气象要素的短临降水集合预报及降尺度方法中的步骤。
本发明实施例还提供了一种存储介质,存储有计算机程序,所述计算机程序被设计为运行时实现任一项所述的一种基于多气象要素的短临降水集合预报及降尺度方法中的步骤。
Claims (4)
1.一种基于多气象要素的短临降水集合预报及降尺度方法,其特征在于,包括以下步骤:
(1)收集自动气象站逐10分钟站点观测数据;生成格点场数据;具体如下:对站点观测数据进行数据质控,剔除无效数据,填补缺测数据,并利用反距离加权插值方法生成格点场数据;其中,站点观测数据包括:10分钟累计降水、2m气温、10m风场和相对湿度;剔除无效数据,填补缺测数据,并利用反距离加权插值方法生成格点场数据,包括以下步骤:
(11)对收集的自动气象站站点数据进行质控,监测气象要素异常值与无效值;若出现异常值,则用前一时刻有效值替代;
(12)利用反距离加权插值方法将站点数据插值为格点数据,公式如下:
;其中,/>;
其中,为待插值站点的气象要素观测值,/>为所取待插值点周边最近点的个数,/>为周边第/>个站点,/>为站点/>的气象要素观测值,/>为对应的反距离权重,/>为站点/>到待插值站点的欧式距离;
(2)基于格点场数据,建立用于深度学习模型训练的标准气象序列数据集,并进行归一化处理;包括以下步骤:
(21)在样本集中滑动截取连续K个时刻的多气象要素场序列,作为一次样本x滑动步长为逐10分钟,每个序列样本X中包含上述收集的所有气象要素变量包括:10分钟累计降水、2m气温、10m风场和相对湿度;
(22)利用最大最小归一化,对序列样本进行归一化,公式如下:
;
其中,和/>分别为原始序列样本集中的最大值与最小值,/>为归一化之后的序列样本;
(3)构建耦合卷积神经网络-循环神经网络-对抗生成神经网络的深度学习模型,利用标准气象序列数据集针对降水进行训练,并通过在网络中增加噪声,生成集合预报;包括以下步骤:
(31)耦合卷积神经网络-循环神经网络-对抗生成神经网络的深度学习模型包含生成器和判别器;其中,生成器由多组U-Net拼接而成;输入不同预报步长的气象序列,并通过U-Net的“编码-反编码”过程,学习气象场不同尺度的空间信息,生成未来的降水预报;
判别器由一组3-D卷积网络模块组成,输入为生成器得到的网络预报或者真实的观测数据;判别器判断生成器的预报是否足够真实,即与实况是否足够相似;
(32)在构建步骤(31)中的网络基础上,在对抗生成神经网络中生成器的LSTM模块增加一组随机的高斯噪声,对原始网络模型训练进行初始场的扰动,利用相同的训练策略对网络进行学习,并通过更改输入噪声的随机种子,生成若干组集合成员预报;
(4)利用超分辨率对生成的降水预报进行降尺度,获得高时空分辨率的短临降水集合预报;包括以下步骤:
(41)建立高分辨率-低分辨率降水观测数据集,其中低分辨率降水观测即为步骤(1)后得到的格点数据,高分辨率数据则来自国家气象局发布的融合降水产品;
(42)构建针对降水降尺度的超分辨率模型;具体如下:超分辨率模型由线性映射模块和U-Net模块构成;网络输入包括3组数据,分别为低分辨率的降水观测、低分辨率的地形高程以及高分辨率的地形高程;其中,首先利用双线性插值,将低分辨率的降水观测与地形高程插值至与目标高分辨率降水观测相同的空间分辨率,然后将插值后的降水观测和地形高程,以及高分辨率的地形高程作为U-Net模块的输入,最后输出高分辨率的降水观测模拟;
(43)将步骤(42)训练得到的降尺度模型应用于步骤(32)生成的低分辨率短临降水集合预报成员,得到高分辨率的集合预报。
2.一种根据权利要求1所述的基于多气象要素的短临降水集合预报及降尺度方法的系统,其特征在于,包括:
格点场数据模块:用于收集自动气象站逐10分钟站点观测数据;生成格点场数据
预处理模块:用于基于格点场数据,建立用于深度学习模型训练的标准气象序列数据集,并进行归一化处理;
集合预报模块:用于构建耦合卷积神经网络-循环神经网络-对抗生成神经网络的深度学习模型,利用标准气象序列数据集针对降水进行训练,并通过在网络中增加噪声,生成集合预报;
短临降水预报模块:用于利用超分辨率对生成的降水预报进行降尺度,获得高时空分辨率的短临降水集合预报。
3.一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1任一项所述的一种基于多气象要素的短临降水集合预报及降尺度方法中的步骤。
4.一种存储介质,存储有计算机程序,其特征在于,所述计算机程序被设计为运行时实现根据权利要求1任一项所述的一种基于多气象要素的短临降水集合预报及降尺度方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311518550.8A CN117233870B (zh) | 2023-11-15 | 2023-11-15 | 一种基于多气象要素的短临降水集合预报及降尺度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311518550.8A CN117233870B (zh) | 2023-11-15 | 2023-11-15 | 一种基于多气象要素的短临降水集合预报及降尺度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117233870A CN117233870A (zh) | 2023-12-15 |
CN117233870B true CN117233870B (zh) | 2024-01-23 |
Family
ID=89084749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311518550.8A Active CN117233870B (zh) | 2023-11-15 | 2023-11-15 | 一种基于多气象要素的短临降水集合预报及降尺度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117233870B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117746171B (zh) * | 2024-02-20 | 2024-04-23 | 成都信息工程大学 | 一种基于对偶学习和辅助信息的无监督气象降尺度方法 |
CN117973636B (zh) * | 2024-03-28 | 2024-05-31 | 南京信息工程大学 | 一种通用交通气象短临预报方法、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108508505A (zh) * | 2018-02-05 | 2018-09-07 | 南京云思创智信息科技有限公司 | 基于多尺度卷积神经网络的强降雨及雷暴预报方法和系统 |
CN111505738A (zh) * | 2020-03-17 | 2020-08-07 | 上海眼控科技股份有限公司 | 数值天气预报中气象因素的预测方法及设备 |
CN115561834A (zh) * | 2022-09-24 | 2023-01-03 | 天气在线(北京)气象科技有限公司 | 基于人工智能气象短临预报一体机 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102347277B1 (ko) * | 2020-06-25 | 2022-01-05 | 주식회사 에스아이에이 | 기계 학습 기반 기상 자료 생성 장치 및 방법 |
US11880767B2 (en) * | 2021-11-10 | 2024-01-23 | ClimateAI, Inc. | Increasing accuracy and resolution of weather forecasts using deep generative models |
-
2023
- 2023-11-15 CN CN202311518550.8A patent/CN117233870B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108508505A (zh) * | 2018-02-05 | 2018-09-07 | 南京云思创智信息科技有限公司 | 基于多尺度卷积神经网络的强降雨及雷暴预报方法和系统 |
CN111505738A (zh) * | 2020-03-17 | 2020-08-07 | 上海眼控科技股份有限公司 | 数值天气预报中气象因素的预测方法及设备 |
CN115561834A (zh) * | 2022-09-24 | 2023-01-03 | 天气在线(北京)气象科技有限公司 | 基于人工智能气象短临预报一体机 |
Non-Patent Citations (2)
Title |
---|
基于深度学习的城市积水深度预报研究;智协飞,崔碧瑶,季焱;《南京信息工程大学学报(自然科学版)》;1-18 * |
深度学习中对抗样本的构造及防御研究;段广晗;马春光;宋蕾;武朋;;网络与信息安全学报(第02期);5-15 * |
Also Published As
Publication number | Publication date |
---|---|
CN117233870A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117233870B (zh) | 一种基于多气象要素的短临降水集合预报及降尺度方法 | |
Kumari et al. | Long short term memory–convolutional neural network based deep hybrid approach for solar irradiance forecasting | |
CN113936142B (zh) | 一种基于深度学习的降水临近预报方法及装置 | |
CN109543721B (zh) | 一种晴间多云天气情况下的太阳辐照度超短期预报方法 | |
Heo et al. | Multi-channel convolutional neural network for integration of meteorological and geographical features in solar power forecasting | |
El Alani et al. | Short term solar irradiance forecasting using sky images based on a hybrid CNN–MLP model | |
CN112561058B (zh) | 基于Stacking-集成学习短期光伏功率预测方法 | |
Rodríguez et al. | Forecasting intra-hour solar photovoltaic energy by assembling wavelet based time-frequency analysis with deep learning neural networks | |
CN109146162A (zh) | 一种基于集成循环神经网络的概率风速预测方法 | |
CN113469427A (zh) | 基于卷积lstm的光伏电站日前发电量预测方法及系统 | |
CN111178304A (zh) | 基于全卷积神经网络的高分辨率遥感影像像素级解译方法 | |
CN116914730A (zh) | 基于广域卫星云图数据的日前光伏功率预测方法及装置 | |
CN116722544A (zh) | 分布式光伏短期预测方法、装置、电子设备及存储介质 | |
CN116484189A (zh) | 一种基于深度学习的era5降水产品降尺度方法 | |
CN113592132A (zh) | 一种基于数值天气预报和人工智能的降水客观预报方法 | |
CN116720156A (zh) | 基于图神经网络多模态气象数据融合的气象要素预报方法 | |
Chen et al. | Dynamic multiscale fusion generative adversarial network for radar image extrapolation | |
CN117374956A (zh) | 一种针对综合能源站光伏发电的短期预测方法 | |
CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
Sun et al. | Deep learning in statistical downscaling for deriving high spatial resolution gridded meteorological data: A systematic review | |
CN113553782B (zh) | 一种用于预报风速的降尺度方法 | |
CN112669201B (zh) | 一种基于红外光的可见光云图转换方法、系统及其终端 | |
CN117194926A (zh) | 陆上风电基地吊装窗口期预测方法及系统 | |
CN115392128B (zh) | 一种利用时空卷积lstm网络模拟流域径流量的方法 | |
Wan et al. | Turbine location wind speed forecast using convolutional neural network |
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 |