CN117390875B - 一种大气加权平均温度模型的构建方法 - Google Patents

一种大气加权平均温度模型的构建方法 Download PDF

Info

Publication number
CN117390875B
CN117390875B CN202311409503.XA CN202311409503A CN117390875B CN 117390875 B CN117390875 B CN 117390875B CN 202311409503 A CN202311409503 A CN 202311409503A CN 117390875 B CN117390875 B CN 117390875B
Authority
CN
China
Prior art keywords
weighted average
average temperature
atmosphere
model
temperature
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
CN202311409503.XA
Other languages
English (en)
Other versions
CN117390875A (zh
Inventor
李振洪
王凯
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.)
Changan University
Original Assignee
Changan University
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 Changan University filed Critical Changan University
Priority to CN202311409503.XA priority Critical patent/CN117390875B/zh
Publication of CN117390875A publication Critical patent/CN117390875A/zh
Application granted granted Critical
Publication of CN117390875B publication Critical patent/CN117390875B/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
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明提供了一种大气加权平均温度模型的构建方法，属于气象学领域，包括如下步骤：获取研究区域所有探空站的位置信息和气象数据，使用Voronoi图并根据位置信息将研究区域划分为多个子区域；根据地表温度构建子区域的子区域回归模型；获取子区域的ERA5再分析数据，根据ERA5再分析数据计算第一大气加权平均温度；对第一大气加权平均温度在同一位置不同高度进行垂向插值，以构建垂直递减模型；获取GGOS格网点的第二大气加权平均温度，并使用垂直递减模型对第二大气加权平均温度进行垂直修正，得到第三大气加权平均温度；通过第一大气加权平均温度及第三大气加权平均温度对子区域回归模型进行增强融合，得到加权平均温度模型。

Description

一种大气加权平均温度模型的构建方法
技术领域
本发明属于气象学领域，具体涉及一种大气加权平均温度模型的构建方法。
背景技术
水汽是地球大气的重要组成成分，尽管在大气中所占比例较小，但它却是大气中最活跃的部分，对大气辐射、水汽循环和气候变化等方面起着至关重要的作用。目前，在地基GNSS气象学中，通常利用测站的对流层湿延迟(ZWD)与转换因子Π相乘的方法来获取大气可降水(PWV)，关系式为PWV＝ZWD*Π。而大气加权平均温度是转换因子Π中唯一的参数，它的精度直接决定着利用GNSS反演PWV的精度和可靠性。
大气加权平均温度计算方法一般是使用探空站获得的气象资料进行积分求解大气加权平均温度，但由于探空站分布稀疏难以满足GNSS气象学的需要。目前，大气加权平均温度计算模型主要分为两类，需要实测气象参数的计算模型和不需要实测气象参数的计算模型。前者最具代表性的是Bevis模型，其基本原理是建立大气加权平均温度Tm和地表温度Ts的线性模型(Tm＝70.2+0.72Ts)，该模型简单、实用，但是难以保证在复杂地区获取高精度Tm估值。后者最具代表性的是GPT3模型，它将依赖地表气象资料的难度降低，仅需地理和天文资料，但这样势必会牺牲与实时气象信息的联系，导致精度受损。
综上所述，目前Tm经验模型由于其在构建模型时仅使用单一Tm格网产品及建模数据，从而导致在计算高海拔地区或地形地貌及气候条件复杂的西北地区的大气加权平局温度存在着较大误差。
发明内容
为了克服上述现有技术存在的不足，本发明提供了一种大气加权平均温度模型的构建方法，包括如下步骤：
获取研究区域所有探空站的位置信息，使用沃罗诺伊Voronoi图并根据所述位置信息将研究区域划分为多个子区域；
根据地表温度构建子区域的子区域回归模型；
获取子区域的ERA5再分析数据和气象数据，根据所述气象数据及ERA5再分析数据计算第一大气加权平均温度；
对所述第一大气加权平均温度在同一位置不同高度进行垂向插值，以构建垂直递减模型；
获取GGOS格网点的第二大气加权平均温度，并使用所述垂直递减模型对所述第二大气加权平均温度进行垂直修正，得到第三大气加权平均温度；
通过第一大气加权平均温度及第三大气加权平均温度对所述子区域回归模型进行增强融合，得到子区域大气加权平均温度模型。
优选的，在计算所述第一大气加权平均温度前，还包括对所述气象数据进行预处理，具体包括对气象数据中缺失的内容进行插值及对粗差的内容进行剔除。
优选的，所述垂直递减模型的构建过程包括如下步骤：
根据ERA5再分析数据确定待插值目标；
根据待插值目标的高度确定距离最近的上下两个气压层；
依据待插值目标的位置选择周围的四个格网点，进行垂向插值；
对垂向插值到目标高度的四个格网点气象数据进行双线性插值，得到同一网格在不同高度的多个第一大气加权平均温度；
对多个所述第一大气加权平均温度进行拟合，得到垂直递减模型。
优选的，所述子区域回归模型为：
式中，Ts为地表温度，a0为回归系数，为模型存在的周期性误差，DOY为年积日，a1、a2均为年周振幅，a3、a4均为半年周期振幅，a5为常数。
优选的，所述垂直递减模型为：
Tm(h)＝P1h3+P2h2+P3h+P4
式中，P1、P2、P3、P4均为待估系数，h为目标高度。
优选的，所述子区域大气加权平均温度模型为：
式中，为第一大气加权平均温度，/>为第三大气加权平均温度，TmTm-Ts为子区域回归模型；
其中，k＝1-distance1/distance2；
distance1表示目标位置到站点的距离，distance2表示站点与目标位置连成直线交于区域边界的距离。
优选的，所述第三大气加权平均温度为：
式中，Tmgrid为格网点高程处的加权平均温度值，ht和hg分别表示目标处和格网处的高程，P1、P2、P3均为待估系数。
优选的，所述第一大气加权平均温度通过下式进行计算：
式中，T是大气温度，K；e是水汽压，hPa；z为探测站上空的垂直高度，m；ei和Ti分别为第i层的水汽分压和绝对温度；Δhi为上下高度值的差值；
其中，
式中，RH表示相对湿度，％；T表示大气温度，℃；。当T≥0℃时，a＝7.5，b＝237.3；T＜0℃时，a＝9.5，b＝265.7。
优选的，所述气象数据包括不同压力面下的位势、大气温度、相对湿度。
优选的，所述位置信息包括探空站编号、经度、纬度和高度。
本发明提供的大气加权平均温度模型的构建方法具有以下有益效果：
本发明通过将Voronoi图的思想引入大气加权平均温度模型，能够将探空站分布研究区域分为若干子区域，并利用探空站数据建立基于Voronoi图的子区域回归模型，提高了模型在不同区域差异的适应性、稳定性；另外，通过ERA5再分析数据能够计算第一大气加权平均温度；通过对第一大气加权平均温度垂向插值，能够构建垂直递减模型，从而能够对GGOS格网数据的第二大气加权平均温度进行垂直改正，得到第三大气加权平均温度；通过对子区域回归模型、第一大气加权平均温度及第三大气加权平均温度进行增强融合，能够得到子区域大气加权平均温度模型进行增强，能够得到高精度、高稳定的子区域加权平均温度模型，该模型拥有较高的精度，能够精确计算出西北地区等高海拔地区的大气加权平均温度。
附图说明
为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来说，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为本发明实施例的大气加权平均温度模型的构建方法的流程图；
图2为使用Voronoi原理图将西北五省地区探空站分割为若干子区域的示意图；
图3为垂直递减模型构建方法示意图；
图4为k值计算方法示意图；
图5为加权平均温度模型的软件界面图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施，下面结合附图和具体实施例对本发明进行详细说明。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。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明的技术方案和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，需要说明的是，除非另有明确的规定或限定，术语“相连”、“连接”应作广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体式连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以是通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上，在此不再详述。
实施例1
本发明提供了一种大气加权平均温度模型的构建方法，具体如图1所示，包括如下步骤：
步骤1：获取研究区域所有探空站的位置信息和气象数据，使用沃罗诺伊Voronoi图并根据位置信息将研究区域划分为多个子区域。
获取研究区域内所有探空站的位置信息主要包括为探空站编号、经度、纬度、高度等。根据沃罗诺伊Voronoi图原理，将区域内的探空站分割成若干子区域，使得每个区域内的探空站到该区域内任意位置都比其他的探空站都更要近。本发明以西北五省地区为例，根据Voronoi图原理将西北五省地区的所有探空站分割若干子区域，如图2所示。
步骤2：根据地表温度构建子区域回归模型。
获取多个子区域的地表温度数据，根据地表温度构建子区域回归模型，子区域回归模型具体如下：
式中，Ts为地表温度，a0为回归系数，为模型存在的周期性误差，DOY为年积日，a1、a2为年周振幅，a3、a4为半年周期振幅，a5为常数。
将探空站实测数据及地表温度数据代入上式，并基于最小二乘法计算大气加权平均温度Tm-Ts模型各项系数的振幅大小，即可解算出a0、a1、a2、a3、a4和a5。其中，西北五省地区24个子区域的a0、a1、a2、a3、a4和a5如表1所示：
表1西北五省地区24个子区域的a0、a1、a2、a3、a4和a5值
步骤3：获取子区域的ERA5再分析数据，根据气象数据及ERA5再分析数据计算第一大气加权平均温度。
气象数据包含不同压力面下的位势、温度、露点温度、相对湿度等；由于气象数据存在缺失或粗差还需要对其做预处理，对缺失的部分进行插值，对粗差进行剔除。
ERA5再分析数据的数据类型包含区域各格网点多气压的位势、温度、比湿；需要将位势转化为该气压分层的高度，比湿转化为大气水汽压。
将位势转换为该气压分层高度的计算公式如下：
h＝GP/g
式中，GP表示为位势，g表示为重力加速度。
将比湿转换为水汽压的计算公式如下：
式中，q，p分别表示为同一气压层的比湿和大气压强。
然后计算子区域各格网点的第一大气加权平均温度，计算公式如下：
式中，T是大气温度(单位，K)，e是水汽压(单位，hPa)，z为探测站上空的垂直高度(单位，m)，ei和Ti分别为第i层的水汽分压和绝对温度；Δhi为上下高度值的差值。
其中，水汽压e(单位，hPa)无法通过实测获得，需要通过计算获取，其计算方程为：
式中，RH表示相对湿度(单位，％)，T表示大气温度(单位，℃)。当T≥0℃时，a＝7.5，b＝237.3；反之，T＜0℃，a＝9.5，b＝265.7。
步骤4：ERA5提供了37层不同气压层的气象数据，通过对第一大气加权平均温度在同一位置不同高度进行垂向插值，以构建垂直递减模型，具体包括如下步骤(如图3所示)：
步骤4.1：根据ERA5再分析数据确定待插值目标，即确定目标位置的经纬度及高度。
步骤4.2：根据目标位置的高度确定距离最近的上下两个气压层。
步骤4.3：依据目标位置的经纬度选择周围的四个格网点，进行垂向插值。
步骤4.4：将垂向插值到目标高度的四个格网点气象数据进行双线性插值，得到同一网格在不同高度的多个第一大气加权平均温度。
步骤4.5：对多个第一大气加权平均温度进行拟合，得到垂直递减模型。
具体的，垂直递减模型为：
Tm(h)＝P1h3+P2h2+P3h+P4
式中，P1、P2、P3、P4均为待估系数，h为目标高度。
步骤5：获取GGOS格网点的第二大气加权平均温度，并使用垂直递减模型对第二大气加权平均温度进行垂直修正，得到第三大气加权平均温度。
将GGOS格网点的同一格网点利用ERA5再分析数据得到的不同高程的Tm值代入上式，便可求解出该格网点处垂直递减模型的待估系数Pi，然后将格网点高程处的第二大气加权平均温度归算到用户高程上，得到第三大气加权平均温度，其计算公式为：
式中，为格网点高程处的加权平均温度值，ht和hg分别表示目标处和格网处的高程，P1、P2、P3均为待估系数。
步骤6：通过第一大气加权平均温度及第三大气加权平均温度对子区域回归模型进行增强融合，得到子区域大气加权平均温度模型。
加权平均温度模型为：
式中，为第一大气加权平均温度，/>为第三大气加权平均温度，为子区域回归模型，k＝1-distance1/distance2，distance1表示目标位置到站点的距离，distance2表示站点与目标位置连成直线交于区域边界的距离。
其中，加权平均温度模型中的k的计算方法如图4所示，以探空站敦煌所在的区域为例，图4中distance1表示目标位置到站点的距离，distance2表示站点与目标位置连成直线交于区域边界的距离，k值被定义为1减去两者之比(k＝1-distance1/distance2)，即目标位置距离探空站越近，k值越大，反之越小。由于基于Voronoi原理分割的每个子区域中，探空站与目标的距离将直接影响加权平均温度模型的精度，距离越近精度越高，反之越低。因此，通过探空站与目标的距离计算k值来减弱两者距离对加权平均温度模型精度的影响。
另外，上式中第一大气加权平均温度、第三大气加权平均温度，均是将目标位置周围四个格网点五年的大气加权平均温度按年积日平均获得，这样便可以得到特定时间的大气加权平均温度，然后进行水平插值，即可获得目标位置特定时间的Tmera5、值。
实施例2
本发明提供了一个具体实施例，将本技术方案的大气加权平均温度模型与现有技术进行比较：①GPT3模型，有1°×1°和5°×5°的两种分辨率，分别简称为GPT3-1，GPT3-5；②Bevis模型(Tm＝70.2+0.72Ts)③西北五省各自顾及周期改正的Tm-Ts回归模型(5PTm模型)，回归系数如表2所示。
表2回归模型的回归系数
省份 a0 a1 a2 a3 a4 a5
陕西 0.770705 0.078423 -0.75548 -0.09317 0.140163 56.81603
甘肃 0.470742 -2.99063 -1.71041 -0-38852 0.488969 139.9083
宁夏 0.650007 -1.24435 -1.55191 -0.06012 0.57489 90.75384
青海 0.486252 -2.71039 -1.73383 -0.28369 0.321372 133.79
新疆 0.340201 -4.9966 -1.5834 -0.55451 0.410141 177.8438
该分析采用西北地区2022年探空站资料计算的Tm数据作为检测样本，并利用平均偏差(Bias)和均方根误差(RMS)来评价建模精度，上述模型的精度对比参见表3：
表3模型精度对比表
通过对表3中数据进行综合分析，可得如下：
(1)利用未参与建模的探空数据与GGOS格网Tm进行验证，TAM模型的精度较Bevis模型提升32.8％和35.4％，较GPT3-1模型提升44.4％和18.4％，较GPT3-5模型提升53.9％和41％，其对应的RMS始终维持在4K以下。实验结果显示，TAM模型在西北区域拥有较高的精度。
(2)仅采用分区域拟合的5PTm模型在高海拔地区的表现远低于其在中低海拔的表现，证明仅采用回归模型难以适用于高海拔复杂环境；在回归模型中引入高精度格网数据进行增强融合后的TAM模型，弥补了传统模型的分辨率低、难以适用高海拔地区的缺点。
另外，本发明还依据建模方法设计了一种基于Voronoi图的加权平均温度模型的软件，软件界面如图5所示。
以上实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。

Claims (10)

1.一种大气加权平均温度模型的构建方法，其特征在于，包括如下步骤：
获取研究区域所有探空站的位置信息和气象数据，使用沃罗诺伊Voronoi图并根据所述位置信息将研究区域划分为多个子区域；
根据地表温度构建子区域回归模型；
获取子区域的ERA5再分析数据，根据所述气象数据及ERA5再分析数据计算第一大气加权平均温度；
对所述第一大气加权平均温度在同一位置不同高度进行垂向插值，以构建垂直递减模型；
获取GGOS格网点的第二大气加权平均温度，并使用所述垂直递减模型对所述第二大气加权平均温度进行垂直修正，得到第三大气加权平均温度；
通过第一大气加权平均温度及第三大气加权平均温度对所述子区域回归模型进行增强融合，得到子区域大气加权平均温度模型。
2.根据权利要求1所述的大气加权平均温度模型的构建方法，其特征在于，在计算所述第一大气加权平均温度前，还包括对所述气象数据进行预处理，具体包括对气象数据中缺失的内容进行插值及对粗差的内容进行剔除。
3.根据权利要求1所述的大气加权平均温度模型的构建方法，其特征在于，所述垂直递减模型的构建过程包括如下步骤：
根据ERA5再分析数据确定待插值目标；
根据待插值目标的高度确定距离最近的上下两个气压层；
依据待插值目标的位置选择周围的四个格网点，进行垂向插值；
对垂向插值到目标高度的四个格网点气象数据进行双线性插值，得到同一网格在不同高度的多个第一大气加权平均温度；
对多个所述第一大气加权平均温度进行拟合，得到垂直递减模型。
4.根据权利要求1所述的大气加权平均温度模型的构建方法，其特征在于，所述子区域回归模型为：
式中，Ts为地表温度，a0为回归系数，为模型存在的周期性误差，DOY为年积日，a1、a2均为年周振幅，a3、a4均为半年周期振幅，a5为常数。
5.根据权利要求3所述的大气加权平均温度模型的构建方法，其特征在于，所述垂直递减模型为：
Tm(h)＝P1h3+P2h2+P3h+P4
式中，P1、P2、P3、P4均为待估系数，h为目标高度。
6.根据权利要求4所述的大气加权平均温度模型的构建方法，其特征在于，所述子区域大气加权平均温度模型为：
式中，为第一大气加权平均温度，/>为第三大气加权平均温度，/>为子区域回归模型；
其中，k＝1-distance1/distance2；
distance1表示目标位置到站点的距离，distance2表示站点与目标位置连成直线交于区域边界的距离。
7.根据权利要求6所述的大气加权平均温度模型的构建方法，其特征在于，所述第三大气加权平均温度为：
式中，为格网点高程处的加权平均温度值，ht和hg分别表示目标处和格网处的高程，P1、P2、P3均为待估系数。
8.根据权利要求1所述的大气加权平均温度模型的构建方法，其特征在于，所述第一大气加权平均温度通过下式进行计算：
式中，T是大气温度，K；e是水汽压，hPa；z为探测站上空的垂直高度，m；ei和Ti分别为第i层的水汽分压和绝对温度；Δhi为上下高度值的差值；
式中，RH表示相对湿度，％；T表示大气温度，℃；当T≥0℃时，a＝7.5，b＝237.3；T＜0℃时，a＝9.5，b＝265.7。
9.根据权利要求1所述的大气加权平均温度模型的构建方法，其特征在于，所述气象数据包括不同压力面下的位势、大气温度、相对湿度。
10.根据权利要求1所述的大气加权平均温度模型的构建方法，其特征在于，所述位置信息包括探空站编号、经度、纬度和高度。
CN202311409503.XA 2023-10-27 2023-10-27 一种大气加权平均温度模型的构建方法 Active CN117390875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311409503.XA CN117390875B (zh) 2023-10-27 2023-10-27 一种大气加权平均温度模型的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311409503.XA CN117390875B (zh) 2023-10-27 2023-10-27 一种大气加权平均温度模型的构建方法

Publications (2)

Publication Number Publication Date
CN117390875A CN117390875A (zh) 2024-01-12
CN117390875B true CN117390875B (zh) 2024-03-12

Family

ID=89438862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311409503.XA Active CN117390875B (zh) 2023-10-27 2023-10-27 一种大气加权平均温度模型的构建方法

Country Status (1)

Country Link
CN (1) CN117390875B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108680268A (zh) * 2018-03-20 2018-10-19 东南大学 一种基于探空数据的区域加权平均温度的Bevis模型改进方法
CN110378540A (zh) * 2019-08-02 2019-10-25 桂林理工大学 一种适用于广西北部湾地区的大气加权平均温度计算方法
CN113639893A (zh) * 2021-06-29 2021-11-12 东南大学 一种基于多气象因子的近地加权平均温度信息获取方法
KR20220019354A (ko) * 2020-08-10 2022-02-17 서울대학교산학협력단 기상 분석용 데이터를 생성하는 방법 및 장치
KR102490498B1 (ko) * 2022-09-13 2023-01-18 전북대학교산학협력단 슈퍼앙상블 기법을 이용한 표면 대기 온도 예측 방법 및 시스템
CN116027459A (zh) * 2022-12-30 2023-04-28 桂林理工大学 基于数值天气预报数据的大气加权平均温度的计算方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10026163B2 (en) * 2015-02-25 2018-07-17 Cale Fallgatter Hydrometeor identification methods and systems

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108680268A (zh) * 2018-03-20 2018-10-19 东南大学 一种基于探空数据的区域加权平均温度的Bevis模型改进方法
CN110378540A (zh) * 2019-08-02 2019-10-25 桂林理工大学 一种适用于广西北部湾地区的大气加权平均温度计算方法
KR20220019354A (ko) * 2020-08-10 2022-02-17 서울대학교산학협력단 기상 분석용 데이터를 생성하는 방법 및 장치
CN113639893A (zh) * 2021-06-29 2021-11-12 东南大学 一种基于多气象因子的近地加权平均温度信息获取方法
KR102490498B1 (ko) * 2022-09-13 2023-01-18 전북대학교산학협력단 슈퍼앙상블 기법을 이용한 표면 대기 온도 예측 방법 및 시스템
CN116027459A (zh) * 2022-12-30 2023-04-28 桂林理工大学 基于数值天气预报数据的大气加权平均温度的计算方法

Also Published As

Publication number Publication date
CN117390875A (zh) 2024-01-12

Similar Documents

Publication Publication Date Title
CN110378540B (zh) 一种适用于广西北部湾地区的大气加权平均温度计算方法
Haszpra et al. Measuring system for the long‐term monitoring of biosphere/atmosphere exchange of carbon dioxide
CN109902346B (zh) 基于神经网络的区域加权平均温度信息获取方法
CN110031877A (zh) 一种基于grnn模型的区域nwp对流层延迟改正方法
CN107180128B (zh) 一种适用于中国低纬度地区的加权平均温度计算方法
CN108680268B (zh) 一种基于探空数据的区域加权平均温度的Bevis模型改进方法
CN112880634B (zh) 一种基于cors站网的高程参考框架动态监测方法
CN111382507B (zh) 一种基于深度学习的全球对流层延迟建模方法
CN109117555A (zh) 一种区域加权平均温度的Bevis模型改进方法
WO2021164480A1 (zh) 基于空间位置的加权平均温度计算方法
CN109917424B (zh) 多因子约束下的nwp反演对流层延迟的残差改正方法
CN116842877B (zh) 一种基于多源数据综合利用的小尺度三维风场重构算法
CN115358606B (zh) 一种平缓地形下在役风电场能效评估方法及系统
CN111708050B (zh) 用于gnss数据处理的自适应对流层延迟改正方法及系统
CN113639893B (zh) 一种基于多气象因子的近地加权平均温度信息获取方法
CN108154193A (zh) 一种长时间序列降水数据降尺度方法
CN113899344B (zh) 一种考虑温度效应的长大隧道高精度沉降监测系统及方法
CN117390875B (zh) 一种大气加权平均温度模型的构建方法
CN109884666B (zh) 一种基于数据同化技术的对流层延迟改正方法
CN109241212B (zh) 基于中尺度数值大气模式与高分辨率历史降雨反演方法
CN116027459B (zh) 基于数值天气预报数据的大气加权平均温度的计算方法
CN115755103B (zh) 一种抗差自适应的gnss水汽层析方法
CN111538943B (zh) 新的高时空分辨率全球ztd垂直剖面格网模型构建方法
CN114624790A (zh) 基于三维气象模型的湿延迟高度改正方法
CN113701711A (zh) 基于北斗定位与气压计的高精度定位方法及系统

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