JPH0921884A - Hybrid meteorological forecast device - Google Patents
Hybrid meteorological forecast deviceInfo
- Publication number
- JPH0921884A JPH0921884A JP7168521A JP16852195A JPH0921884A JP H0921884 A JPH0921884 A JP H0921884A JP 7168521 A JP7168521 A JP 7168521A JP 16852195 A JP16852195 A JP 16852195A JP H0921884 A JPH0921884 A JP H0921884A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- unit
- image
- radar
- accuracy
- 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.)
- Pending
Links
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
- Radar Systems Or Details Thereof (AREA)
Abstract
Description
【0001】[0001]
【発明の属する技術分野】本発明は、気象レーダー画像
より降水、降雪の予測を行う気象予測装置に係るもので
あり、詳しくは、気象レーダー画像を用いて降雨、降雪
領域を図形としてとらえ、複数の予測手法を用いて降
水、降雪の予測を高精度に行う装置に関するものであ
る。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a weather forecasting device for predicting precipitation and snowfall from a weather radar image. The present invention relates to an apparatus for predicting precipitation and snowfall with high accuracy by using the above prediction method.
【0002】[0002]
【従来の技術】従来気象レーダー画像から降雨、降雪域
を予測する場合、時間間隔Δtの2枚のレーダー画像の
相互相関係数より移動ベクトルを求め、それを外挿する
ことで降雨、降雪域の予測をする相互相関法が、北海道
大学地球物理学研究報告、Vol.44、pp.23〜
24、1984、簡易気象レーダーによるエコーの移動
速度について、游馬芳雄、菊地勝弘、今久に示され、ま
たレーダー画像を神経回路網モデルに与えることにより
気象ダイナミクスを学習させ、学習後の神経回路網モデ
ルを用いてレーダー画像を予測する手法が特願平5−2
74065号「非線形並列計算型降雨レーダー画像予測
装置」などに提案されていた。しかしながら、予測精度
の向上を図るために、複数の予測手法を併用する方法は
用いられていない。2. Description of the Related Art Conventionally, when predicting a rainfall or snowfall area from a weather radar image, a movement vector is obtained from a cross-correlation coefficient of two radar images with a time interval Δt, and extrapolation thereof is used to extrapolate the rainfall or snowfall area The cross-correlation method for predicting is described in Geophysical Research Report of Hokkaido University, Vol. 44, pp. 23 ~
24, 1984, Echo movement speed by simple weather radar is shown in Yoshio Yuma, Katsuhiro Kikuchi, Imakyu. Also, by giving radar images to a neural network model, the weather dynamics are learned, and the neural circuit after learning is learned. A method for predicting a radar image using a network model is Japanese Patent Application No. 5-2.
No. 74065, “Nonlinear parallel calculation type rainfall radar image prediction device”. However, in order to improve the prediction accuracy, a method of using a plurality of prediction methods together has not been used.
【0003】[0003]
【発明が解決しようとする課題】従来の予測手法のう
ち、神経回路網モデルを用いた予測手法では、学習の初
期過程において、気象のダイナミクスを十分に学習でき
ない場合、予測精度が相互相関手法より低下する。また
相互相関手法を用いた場合、1時間以内の比較的短時間
先の予測精度は、神経回路網モデルによる手法より優れ
ている場合が多いが、2〜3時間先の予測精度は逆に低
下するという特性がある。Among the conventional prediction methods, in the prediction method using the neural network model, when the weather dynamics cannot be sufficiently learned in the initial learning process, the prediction accuracy is higher than that of the cross correlation method. descend. When the cross-correlation method is used, the prediction accuracy within a relatively short time within 1 hour is often superior to the method based on the neural network model, but the prediction accuracy after a few hours decreases. There is a characteristic of doing.
【0004】本発明では、上記の2手法を含めた複数の
予測手法を使って数時間先の予測を行うことにより、単
一手法による予測よりも、予測精度を向上させることを
目的とする。It is an object of the present invention to improve the accuracy of prediction as compared with the prediction by a single method by performing prediction several hours ahead using a plurality of prediction methods including the above two methods.
【0005】[0005]
【課題を解決するための手段】本発明のハイブリッド気
象予測装置は、降雨・降雪領域のレーダー画像を求める
気象レーダーと、天候の予測に必要なパラメータを読込
むためのファイル読込部とからなる入力装置と、前記気
象レーダーとファイル読込部からの情報に基づき神経回
路網モデルを用いて、所定時刻のレーダー画像を予測す
る神経回路網モデル学習・予測部と、前記学習・予測部
に並列に設けられ、前記レーダー画像とパラメータを受
信して相互相関手法を用いて所定時刻のレーダー画像を
予測する相互相関手法計算・比較部と、前記学習予測部
と計算・比較部からの予測画像と、これら予測画像の予
測に対応する時刻の実測画像から、予測結果の精度を比
較計算するための予測精度計算・比較部と、前比較計算
結果を受取り、所定の判断閾値に基づいて、予測に用い
られる手法の選択を判断して、所定時間後の予測画像を
発生するための判断・切替部と、からなる処理装置と、
そして前記予測画像を表示する出力装置とを備えてな
る。A hybrid meteorological forecasting device of the present invention comprises an input device comprising a meteorological radar for obtaining a radar image of a rainfall / snowfall region, and a file reading unit for reading parameters required for forecasting the weather. , Using a neural network model based on the information from the weather radar and the file reading unit, a neural network model learning / prediction unit for predicting a radar image at a predetermined time, and provided in parallel with the learning / prediction unit, A cross-correlation method calculation / comparison unit for predicting a radar image at a predetermined time using the cross-correlation method by receiving the radar image and parameters, prediction images from the learning prediction unit and calculation / comparison unit, and these prediction images Prediction accuracy calculation / comparison part for comparing and calculating the accuracy of prediction results from the actual measurement image at the time corresponding to the prediction of Based on the determination threshold value, to determine the selection technique used for prediction, and judgment and switching unit for generating a prediction image after a predetermined time, the processing apparatus comprising a,
And an output device for displaying the predicted image.
【0006】更に本願気象予測装置には、相互相関手法
計算・比較部が、空間部精度評価部及び量的精度評価部
を備えることができる。Further, in the weather forecasting apparatus of the present application, the cross-correlation method calculation / comparison section can be provided with a spatial accuracy evaluation section and a quantitative accuracy evaluation section.
【0007】[0007]
【発明の実施の形態】本発明により、気象レーダー画像
を用いた降雨、降雪予測において、複数の予測手法をリ
アルタイムに切り替えて、数時間先までのレーダー画像
を予測することにより、単一手法のみによる予測と比較
し、予測精度を向上させることが可能となる。BEST MODE FOR CARRYING OUT THE INVENTION According to the present invention, in the prediction of rainfall and snowfall using a weather radar image, a plurality of prediction methods are switched in real time to predict a radar image up to several hours ahead. It is possible to improve the prediction accuracy as compared with the prediction by.
【0008】レーダー画像の予測手法としては、神経回
路網モデルによる手法、及び相互相関手法の2つを用
い、予測精度評価基準として、CSI評価基準、及び誤
差二乗和の2つを用いる。ここでCSI(Critic
al Success Index)は、ある降水量基
準値Xを設けて、その基準値以上の予測を行った場合の
当たり、空振り、見逃しのそれぞれをN11、N10、N01
とすると次式により計算される。As a radar image prediction method, a neural network model method and a cross-correlation method are used. As prediction accuracy evaluation criteria, the CSI evaluation criterion and the error sum of squares are used. Here, CSI (Critic
al Success Index) is provided with a certain precipitation reference value X, per case of performing the reference value or more predicted, fruitless, N 11 each missed, N 10, N 01
Then, it is calculated by the following formula.
【0009】[0009]
【数1】 N11:予測、実測ともにX以上の格子(画素)数(当た
り)。 N10:予測X以上、実測X未満の格子(画素)数(空振
り)。 N01:予測X未満、実測X以上の格子(画素)数(見逃
し)。[Equation 1] N 11 : The number of grids (pixels) above X (per) in both prediction and actual measurement. N 10 : The number of grids (pixels) that is greater than or equal to the predicted X and less than the measured X (empty). N 01 : The number of grids (pixels) less than the predicted X and not less than the measured X (missed).
【0010】従って、完全な予測ならば100となり、
値が高いほど精度の良い予測であると言える。Therefore, 100 is a perfect prediction,
It can be said that the higher the value, the more accurate the prediction.
【0011】また、誤差二乗和とは、ある時刻tにおけ
る実測レーダー画像をI(x,y,t)、予測レーダー
画像をThe error sum of squares means the measured radar image at a certain time t, I (x, y, t), and the predicted radar image.
【0012】[0012]
【数2】 とすると、次式により計算される。[Equation 2] Then, it is calculated by the following formula.
【0013】[0013]
【数3】 次に本発明の気象予測装置の作用について述べる。(Equation 3) Next, the operation of the weather forecasting device of the present invention will be described.
【0014】降雨・降雪領域のレーダー画像を求め、神
経回路網モデルと相互相関法による予測に必要なパラメ
ータを読込み、前記レーダー画像と予測に必要なパラメ
ータを受信して神経回路網モデルを用いて所定時刻のレ
ーダー画像を予測し、予測画像として出力し、前記予測
し、出力する工程と並行して、前記レーダー画像とパラ
メータを受信して、相互相関手法を用いて所定時刻のレ
ーダー画像を予測し、予測画像として出力する。A radar image in a rainfall / snowfall region is obtained, parameters necessary for prediction by a neural network model and a cross-correlation method are read, the radar image and parameters necessary for prediction are received, and the neural network model is used. Predict a radar image at a predetermined time, output it as a predicted image, and in parallel with the step of predicting and outputting, receive the radar image and parameters, and predict a radar image at a predetermined time using a cross-correlation method. And outputs it as a predicted image.
【0015】そして、このようにして求められた予測画
像と各予測に対応する時刻の実測画像からCSI評価値
と、誤差二乗和の計算を行なって両者の比較計算を行
い、この比較計算結果を用い、所定の判断閾値に基づい
て、その時点における予測を神経回路網モデルによる手
法と相互相関手法のどちらで行うかを判断して選択し、
選択した手法で予測した所定時間後の予測画像を求めて
表示する。Then, the CSI evaluation value and the error sum of squares are calculated from the prediction image thus obtained and the actual measurement image at the time corresponding to each prediction, and the comparison calculation results of the two are calculated. Using, based on a predetermined judgment threshold, it is judged whether the prediction at that time is to be performed by the neural network model method or the cross-correlation method,
A predicted image after a predetermined time predicted by the selected method is obtained and displayed.
【0016】図1は本発明のハイブリッド気象予測装置
の一実施例を示すブロック図であり、図中の100は入
力部、200は処理部、300は出力部を表す。入力部
100は、降雨・降雪領域を計測する気象レーダー10
1、神経回路網モデル及び相互相関法の予測に必要とな
る情報を読込むためのファイル読込装置102からな
る。処理部200は、数時間先までのレーダー画像を、
神経回路網モデルで予測する神経回路網モデル学習・予
測部201、同じく相互相関手法で予測する相互相関手
法計算・予測部202、神経回路網モデルによる予測と
相互相関手法による予測の精度計算・比較をする予測精
度計算・比較部203、予測精度比較の結果を元に神経
回路網モデルによる予測と相互相関手法による予測のど
ちらを予測画像として使うかを制御する判断・切替部2
04からなる。FIG. 1 is a block diagram showing an embodiment of the hybrid weather forecasting apparatus of the present invention. In the figure, 100 is an input unit, 200 is a processing unit, and 300 is an output unit. The input unit 100 is a weather radar 10 that measures a rainfall / snowfall region.
1. A file reading device 102 for reading information necessary for prediction of the neural network model and the cross-correlation method. The processing unit 200 displays radar images up to several hours ahead,
A neural network model learning / prediction unit 201 that predicts with a neural network model, a cross-correlation method calculation / prediction unit 202 that also predicts with a cross-correlation method, accuracy calculation / comparison between prediction by a neural network model and prediction by a cross-correlation method. Prediction accuracy calculation / comparison unit 203, which determines which of prediction by neural network model and prediction by cross-correlation method is used as a prediction image based on the result of prediction accuracy comparison
04.
【0017】入力部100の気象レーダー101を用い
て計測されたレーダー画像を入力し、処理部200に転
送する。またファイル読込装置102から、予測に必要
なパラメータなどの値を、神経回路網モデル学習・予測
部201、及び相互相関手法計算・予測部202に転送
する。神経回路網モデル学習・予測部201は入力部1
00から転送されるレーダー画像を入力し、任意に指定
された時刻の予測レーダー画像を予測精度計算・比較部
203に転送する。A radar image measured using the weather radar 101 of the input unit 100 is input and transferred to the processing unit 200. Further, the file reading device 102 transfers values such as parameters required for prediction to the neural network model learning / prediction unit 201 and the cross-correlation method calculation / prediction unit 202. The neural network model learning / prediction unit 201 is the input unit 1.
The radar image transferred from 00 is input, and the predicted radar image at the arbitrarily designated time is transferred to the prediction accuracy calculation / comparison unit 203.
【0018】同様に相互相関手法計算・予測部202
は、入力部100の気象レーダー101から転送される
レーダー画像を入力とし、任意に指定された時刻の予測
レーダー画像を予測精度計算・比較部203に転送す
る。予測精度計算・比較部203は、神経回路網モデル
学習・予測部201及び相互相関手法計算・予測部20
2から転送される予測画像と、気象レーダー101から
転送される、予測に対応する時刻の実測画像から、CS
I及び誤差二乗和の計算・比較を行ない、結果を判断・
切替部204に転送する。Similarly, the cross-correlation method calculation / prediction unit 202
Receives the radar image transferred from the weather radar 101 of the input unit 100 as an input, and transfers the predicted radar image at an arbitrarily designated time to the prediction accuracy calculation / comparison unit 203. The prediction accuracy calculation / comparison unit 203 includes a neural network model learning / prediction unit 201 and a cross-correlation method calculation / prediction unit 20.
2 from the predicted image transferred from 2 and the measured image of the time corresponding to the prediction transferred from the weather radar 101,
Calculate and compare I and error sum of squares and judge the result
The data is transferred to the switching unit 204.
【0019】判断・切替部204は予測精度計算・比較
部203から転送される、比較計算結果を入力とし、あ
らかじめ指定されている判断閾値に基づいて、その時点
における予測を神経回路網モデルによる手法と相互相関
手法のどちらで行うかを判断し、選択した方の手法で予
測した数時間後の予測画像を、出力部300に転送す
る。出力部300では、判断・切替部204から転送さ
れる予測画像を、ディスプレイなどに表示する。The judgment / switching unit 204 receives the comparison calculation result transferred from the prediction accuracy calculation / comparison unit 203 as an input, and makes a prediction at that point in time by a neural network model method based on a judgment threshold specified in advance. And the cross-correlation method are determined, and the predicted image after several hours predicted by the selected method is transferred to the output unit 300. The output unit 300 displays the predicted image transferred from the determination / switching unit 204 on a display or the like.
【0020】なお本発明の一実施結果をグラフ化したも
のを、図2に示す。グラフ2(a)は、時間的に連続し
て得られたあるレーダー画像に対する2時間後の予測
を、神経回路網モデル手法(○)、相互相関手法(□)
の各々で30分毎に行なった結果をプロットしたもので
ある。横軸は30分毎の時間経過であり縦軸はその時刻
の予測に対するCSI評価値である。グラフ2(b)は
本発明を用いて2時間後の予測を行なった結果を、グラ
フ2(a)と同様のグラフにプロットしたものである
(△)。なおこの実施例の場合、予測手法の切替は30
分毎に行ない、2つの予測手法の精度比較にはCSI評
価と誤差二乗和を用いた。どちらの手法で2時間後の予
測を行なうかの判断は、まずCSI値の高い方を選択す
るものとし、CSIの差が1以内の場合には、誤差二乗
和の小さい方を選択するものとした。FIG. 2 is a graph showing the result of one embodiment of the present invention. Graph 2 (a) is a neural network model method (○) and cross-correlation method (□) for prediction after 2 hours for a certain radar image obtained continuously in time.
Is a plot of the results obtained every 30 minutes. The abscissa represents the time elapsed every 30 minutes, and the ordinate represents the CSI evaluation value for the prediction at that time. The graph 2 (b) is a graph similar to the graph 2 (a) showing the results of the prediction after 2 hours using the present invention (Δ). In the case of this embodiment, the switching of the prediction method is 30.
The CSI evaluation and the error sum of squares were used for the accuracy comparison between the two prediction methods performed every minute. To determine which method to use for prediction after 2 hours, the one with the higher CSI value should be selected first, and if the CSI difference is within 1, the one with the smaller error sum of squares should be selected. did.
【0021】[0021]
【発明の効果】以上説明したように、レーダー画像予測
において本発明の第1、第2の手段を用いることによ
り、神経回路網モデルによる予測と相互相関法による予
測のうち精度の良い方を、リアルタイムで切替えて予測
することが可能となり、予測精度を向上させることがで
きる。As described above, by using the first and second means of the present invention in radar image prediction, whichever of the prediction by the neural network model and the prediction by the cross-correlation method is more accurate, It is possible to switch and predict in real time, and it is possible to improve prediction accuracy.
【図1】本発明の気象予測装置の一実施例のブロック
図。FIG. 1 is a block diagram of an embodiment of a weather forecasting device of the present invention.
【図2】CSI評価値と時間との関係の一例を示す図。FIG. 2 is a diagram showing an example of a relationship between a CSI evaluation value and time.
100 入力部 101 気象レーダー 102 ファイル読込装置 200 処理部 201 神経回路網モデル学習・予測部 202 相互相関手法計算・予測部 203 予測精度計算・比較部 204 判断・切替部 300 出力部 100 input unit 101 weather radar 102 file reading device 200 processing unit 201 neural network model learning / prediction unit 202 cross-correlation method calculation / prediction unit 203 prediction accuracy calculation / comparison unit 204 judgment / switching unit 300 output unit
───────────────────────────────────────────────────── フロントページの続き (72)発明者 阿部 和雄 東京都千代田区内幸町一丁目1番6号 日 本電信電話株式会社内 (72)発明者 曽根原 登 東京都千代田区内幸町一丁目1番6号 日 本電信電話株式会社内 (72)発明者 藤井 雅晴 北海道札幌市中央区北1条西3丁目3番地 札幌総合情報センター株式会社内 ─────────────────────────────────────────────────── ─── Continued Front Page (72) Inventor Kazuo Abe 1-6, Uchisaiwaicho, Chiyoda-ku, Tokyo Inside Nippon Telegraph and Telephone Corporation (72) Noboru Sonehara 1-6, Uchisaiwaicho, Chiyoda-ku, Tokyo Nippon Telegraph and Telephone Corp. (72) Inventor Masaharu Fujii 3-chome, Kita 1-jo Nishi 3, Chuo-ku, Sapporo, Hokkaido Inside Sapporo General Information Center Co., Ltd.
Claims (2)
気象レーダー(101)と、天候の予測に必要なパラメ
ータを読込むためのファイル読込部とからなる入力装置
(100)と、 前記気象レーダーとファイル読込部からの情報に基づき
神経回路網モデルを用いて所定時刻のレーダー画像を予
測する神経回路網モデル学習・予測部(201)と、 前記学習・予測部(201)に並列に設けられ、前記レ
ーダー画像とパラメータを受信して相互相関手法を用い
て所定時刻のレーダー画像を予測する相互相関手法計算
・比較部(202)と、 前記学習予測部(201)と計算・比較部(202)か
らの予測画像と、これら予測画像の予測に対応する時刻
の実測画像から、予測結果の精度を比較計算するための
予測精度計算・比較部(203)と、 前比較計算結果を受取り、所定の判断閾値に基づいて、
予測に用いられる手法の選択を判断して、所定時間後の
予測画像を発生するための判断・切替部(204)と、
からなる処理装置(200)と、そして前記予測画像を
表示する出力装置(300)とを備えてなるハイブリッ
ド気象予測装置。1. An input device (100) comprising a weather radar (101) for obtaining a radar image of a rainfall / snow area, and a file reading unit for reading parameters required for weather forecasting, and the weather radar and file reading unit. A neural network model learning / prediction unit (201) that predicts a radar image at a predetermined time using a neural network model based on information from a unit; and the radar provided in parallel with the learning / prediction unit (201). A cross-correlation method calculation / comparison unit (202) for receiving an image and parameters and predicting a radar image at a predetermined time using the cross-correlation method, and a learning prediction unit (201) and a calculation / comparison unit (202). A prediction accuracy calculation / comparison unit (203) for comparing and calculating the accuracy of prediction results from the prediction images and the actually measured images at times corresponding to the predictions of these prediction images. , Receiving the result of the previous comparison, based on the predetermined judgment threshold,
A determination / switching unit (204) for determining a method used for prediction and generating a predicted image after a predetermined time,
A hybrid meteorological prediction device comprising a processing device (200) comprising: and an output device (300) for displaying the predicted image.
が、空間的精度評価部及び量的精度評価部を更に含む、
請求項1記載のハイブリッド気象予測装置。2. A cross-correlation method calculation / comparison unit (202)
, Further includes a spatial accuracy evaluation unit and a quantitative accuracy evaluation unit,
The hybrid weather prediction device according to claim 1.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP7168521A JPH0921884A (en) | 1995-07-04 | 1995-07-04 | Hybrid meteorological forecast device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP7168521A JPH0921884A (en) | 1995-07-04 | 1995-07-04 | Hybrid meteorological forecast device |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH0921884A true JPH0921884A (en) | 1997-01-21 |
Family
ID=15869574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP7168521A Pending JPH0921884A (en) | 1995-07-04 | 1995-07-04 | Hybrid meteorological forecast device |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH0921884A (en) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006275674A (en) * | 2005-03-29 | 2006-10-12 | Osaka Gas Co Ltd | Weather prediction support system |
JP4867016B2 (en) * | 2005-03-29 | 2012-02-01 | 国立大学法人電気通信大学 | Earthquake prediction system, earthquake prediction method, earthquake prediction program, and recording medium recording earthquake prediction program |
WO2018043252A1 (en) * | 2016-08-31 | 2018-03-08 | 日本電気株式会社 | Rainfall amount prediction device, rainfall amount prediction method, and recording medium |
-
1995
- 1995-07-04 JP JP7168521A patent/JPH0921884A/en active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006275674A (en) * | 2005-03-29 | 2006-10-12 | Osaka Gas Co Ltd | Weather prediction support system |
JP4514632B2 (en) * | 2005-03-29 | 2010-07-28 | 大阪瓦斯株式会社 | Weather prediction support system |
JP4867016B2 (en) * | 2005-03-29 | 2012-02-01 | 国立大学法人電気通信大学 | Earthquake prediction system, earthquake prediction method, earthquake prediction program, and recording medium recording earthquake prediction program |
WO2018043252A1 (en) * | 2016-08-31 | 2018-03-08 | 日本電気株式会社 | Rainfall amount prediction device, rainfall amount prediction method, and recording medium |
JPWO2018043252A1 (en) * | 2016-08-31 | 2019-06-24 | 日本電気株式会社 | Rainfall forecasting device, rainfall forecasting method, and recording medium |
US11150380B2 (en) | 2016-08-31 | 2021-10-19 | Nec Corporation | Prediction device rainfall amount prediction method, and recording medium, slope collapse prediction system and dangerous water level prediction system |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7899612B2 (en) | Traffic information estimating system | |
US6745150B1 (en) | Time series analysis and forecasting program | |
US20080097701A1 (en) | Short term and long term forecasting systems with enhanced prediction accuracy | |
Burnicki et al. | Simulating error propagation in land-cover change analysis: The implications of temporal dependence | |
WO2010107394A1 (en) | Determining a traffic route using predicted traffic congestion | |
JPH0921884A (en) | Hybrid meteorological forecast device | |
JPH09257951A (en) | Weather forcasting device | |
JPH09285010A (en) | Power demand estimation supporting apparatus | |
JP2965790B2 (en) | Radar rainfall short-term movement prediction device | |
EP3607363A1 (en) | System and method for forecasting snowfall probability distributions | |
JP2955413B2 (en) | Rainwater inflow prediction device using neural network | |
CN115453661B (en) | Weather forecasting method, weather forecasting device, weather forecasting equipment and storage medium | |
JPH08271649A (en) | Meteorological predicting apparatus | |
JP3181018B2 (en) | Weather forecasting device | |
JP2002334293A (en) | System and method for predicting characteristic and storage medium stored with the method | |
JP3458940B2 (en) | Weather image prediction method and apparatus, and recording medium recording weather image prediction program | |
JPH0921883A (en) | Hybrid meteorological forecast device | |
JP3377073B2 (en) | Precipitation area development and attenuation prediction device | |
CN112184753A (en) | Target optical flow method determination method and device, computer equipment and storage medium | |
JPH10311883A (en) | Method and device for forecasting meteorological image and recording medium recording meteorological image forecast program | |
JP2021140490A (en) | Simulator, simulation method, and simulation program | |
JP3377074B2 (en) | Precipitation change prediction device | |
JPH08194070A (en) | Transmission wire damage-by-snow alarming system and damage-by-snow determining apparatus | |
JP2002183250A (en) | Analyzer in manufacturing process, method of analysis in manufacturing process and computer-readable storage medium | |
Al-Najdawi et al. | Quantitative quality assessment of video sequences A human-based approach |