TW201839712A - 用於預測降雪機率分布之系統及方法 - Google Patents

用於預測降雪機率分布之系統及方法 Download PDF

Info

Publication number
TW201839712A
TW201839712A TW107111350A TW107111350A TW201839712A TW 201839712 A TW201839712 A TW 201839712A TW 107111350 A TW107111350 A TW 107111350A TW 107111350 A TW107111350 A TW 107111350A TW 201839712 A TW201839712 A TW 201839712A
Authority
TW
Taiwan
Prior art keywords
snowfall
probability
accumulation
predicted
range
Prior art date
Application number
TW107111350A
Other languages
English (en)
Inventor
波德維 丹尼爾 廸
強納生 波特
麥可 Ｒ 魯特
Original Assignee
美商亞庫衛德公司
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 美商亞庫衛德公司 filed Critical 美商亞庫衛德公司
Publication of TW201839712A publication Critical patent/TW201839712A/zh

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Hydrology & Water Resources (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

包含一特定降雪累積或範圍之當前可用天氣預測未傳達降雪將在預測降雪累積範圍內之機率、其他降雪累積量之機率或一預測者之可信度位準。揭示一種降雪機率分布預測系統，其使用一基於規則之程序來利用包含集合預測之成員之第三方天氣預測以產生預測最可能降雪累積範圍、降雪累積將在該最可能降雪累積範圍內之機率及降雪累積將超出該最可能降雪累積範圍之機率的降雪機率分布。為確保與確定性預測之一致性，該降雪機率分布可基於一確定性預測而偏移。由於第三方天氣預測可產生降雪累積預測之一非常態分布，因此該降雪機率分布可被正規化。

Description

用於預測降雪機率分布之系統及方法
降雪累積預測對於個人及組織具有極大價值。不僅消費者及企業使用降雪累積預測用於規劃目的，而且運輸系統及其他關鍵系統組件使用降雪及其他降水之預測來調整操作，防止對基礎設施造成損害，且避免可能危害公眾之事件。
當前預測方法產生暴風雪之確定性預測。彼等確定性預測包含表示一氣象學家(或一群氣象學家)基於來自數學模型之資訊及氣象學家之訓練及經驗作出主觀判定之一最佳猜測的一特定時間及位置處之一特定降雪累積(往往一範圍)。彼等確定性預測具有極大興趣，但未傳達額外資訊，諸如降雪將在預測降雪累積範圍內之機率及其他降雪累積量之機率。確定性預測亦未傳達一預測者之可信度位準或可信度可如何隨時間變化。
一機率分布而非一確定性預測將傳達對各暴風雪之潛在結果之寬廣範圍及彼等結果之可能性之較深理解。
現代預測者存取數十個天氣預測，包含使用相同數學模型以一嘗試來執行多個模擬(稱為「成員」)以解釋預測模型中之兩個常見不確定性來源(由缺陷初始條件之使用引入之誤差及由於模型組成中之缺陷引入之誤差)的集合預測。無現有天氣預測提供降雪累積或其他之一機率分布。代替地，可使用各天氣預測(或成員)來產生一單一確定性預測。
LeBlanc之美國專利公開案第2014/0303893號描述藉由組合降雪之一機率與總降水率之一機率分布而產生降雪率之一機率分布的一系統。然而，LeBlanc系統要求計算降雪之機率及產生總降水率之一機率分布兩者，該兩者難以使用現有天氣預測方法精確地完成。
考慮到期望更準確地評估各暴風雪之潛在結果之寬廣範圍及現有天氣預測及天氣預測系統兩者之缺點，需要一基於規則之程序來產生預測複數個降雪累積範圍及降雪累積將在彼等範圍之各者內之機率的降雪機率分布。此外，為避免混淆使用者，重要的係基於規則之程序產生降雪機率分布，其等與相同位置及時間週期之一確定性預測一致且反映從最可能降雪累積範圍至機率分布之尾部之一常態分布。
為克服先前技術中之彼等及其他缺點，揭示一種降雪機率分布預測系統，其使用一基於規則之程序來利用包含集合預測之成員之第三方天氣預測以產生預測最可能降雪累積範圍、降雪累積將在最可能降雪累積範圍內之機率及降雪累積將超出最可能降雪累積範圍之機率的降雪機率分布。
降雪機率分布預測系統儲存複數個天氣預測；識別暴風雪之一預測位置及一預測時間週期；基於複數個天氣預測之各者判定一降雪累積預測；藉由識別一系列連續非重疊降雪累積範圍且判定降雪累積範圍之各者中之降雪累積預測之數量而形成一集合直方圖；基於集合直方圖計算表示降雪累積量之相對可能性之一機率密度函數；基於機率密度函數形成一降雪機率分布；產生一降雪機率預測(其包含最可能降雪累積範圍及預測時間週期期間在預測位置中之降雪累積將在最可能降雪累積範圍內的機率)；且輸出降雪機率預測。
為確保一確定性預測與由一降雪機率分布指示之最可能降雪累積範圍之間之一致性，降雪機率分布預測系統可使降雪機率分布偏移使得確定性預測中之預測降雪累積落在降雪機率分布之最可能降雪累積範圍內。此外，由於第三方天氣預測可產生降雪累積預測之一非常態分布，因此降雪機率分布預測系統可使資料正規化使得各降雪累積範圍之機率從降雪機率分布之最可能降雪累積範圍下降至降雪機率分布之尾部。
相關申請案之交叉參考 本申請案主張2017年3月30日申請之美國臨時專利申請案第62/479,062號之優先權，該案之全部內容據此以引用的方式併入。
現參考圖解說明本發明之例示性實施例之各個視圖之圖式。在本文中之圖式及圖式之描述中，特定術語僅為了方便起見而使用且不應視為限制本發明之實施例。此外，在圖式及下文中之描述中，通篇相同元件符號指示相同元件。
圖1係圖解說明根據本發明之一例示性實施例之一降雪機率分布預測系統200之一架構100之一圖式。
如圖1中展示，架構100包含一或多個伺服器120，其等從第三方資料源110接收資訊且經由一廣域網路130 (諸如網際網路)與遠端用戶端裝置180通信。一或多個伺服器120亦可將資料儲存於非暫時性電腦可讀儲存媒體126上且從非暫時性電腦可讀儲存媒體126讀取資料。一或多個伺服器120亦可直接(經由一有線及/或無線通信路徑)或經由一區域網路132與一或多個本端用戶端裝置140通信。
第三方資料源110可包含(舉例而言)藉由國家環境預測中心(NCEP伺服器112)及歐洲中程天氣預測中心(ECMWF伺服器114)維護之伺服器。額外第三方資料源110可包含國家氣象局(NWS)、國家颶風中心(NHC)、加拿大環境部、其他政府機構(諸如英國氣象局、日本氣象廳等)、私人公司(諸如AccuWeather, Inc.、AccuWeather Enterprise Solutions, Inc.、Vaisalia’s U.S. National Lightning Detection Network, Weather Decision Technologies, Inc.)、個人(諸如Spotter Network之成員)等。
一或多個伺服器120之各者可係經組態以經由網路130及132發送及/或接收資料之任何適合硬體運算裝置。一或多個伺服器120之各者包含內部非暫時性儲存媒體及至少一個硬體電腦處理器。一或多個伺服器120可包含(舉例而言)一應用程式伺服器及代管可存取包含一網頁瀏覽器之遠端用戶端裝置180之任一者之網站的一網頁伺服器。
非暫時性電腦可讀儲存媒體126可包含硬碟、固態記憶體等。非暫時性電腦可讀儲存媒體126可能在伺服器120之一者內部或在一或多個伺服器120外部。一或多個伺服器120可經由一有線及/或無線通信路徑及/或經由網路132與非暫時性電腦可讀儲存媒體126通信。
網路130及132可包含網際網路、蜂巢式網路、廣域網路(WAN)、區域網路(LAN)等之任何組合。可藉由有線及/或無線通信路徑實現經由(若干)網路130及132之通信。
一或多個本端用戶端裝置140之各者可係經組態以經由網路132發送且接收資料之任何適合硬體運算裝置。一或多個本端用戶端裝置140之各者包含內部非暫時性儲存媒體及至少一個硬體電腦處理器。一或多個本端用戶端裝置140之各者可係(舉例而言)一個人運算裝置(例如，一桌上型電腦、一筆記型電腦、一平板電腦、一智慧型電話等)。
遠端用戶端裝置180之各者可係經組態以經由網路130接收資料之任何適合硬體運算裝置。遠端用戶端裝置180之各者包含內部非暫時性儲存媒體及至少一個硬體電腦處理器。遠端用戶端裝置180可包含個人運算裝置(例如，桌上型電腦182、筆記型電腦、平板電腦186、智慧型電話184等)，其等經由一網頁瀏覽器、安裝在本端或遠端(例如，在一伺服器120上)之軟體應用程式等接收並顯示從網路130接收之資訊。遠端用戶端裝置180可包含智慧型電話184及/或平板電腦186，其等經由行動應用程式等接收並顯示從網路130接收之資訊。在最簡單實施例中，遠端用戶端裝置180接收由降雪機率分布預測系統200產生之降雪機率分布且將彼等降雪機率分布顯示給一使用者(例如，經由一網頁瀏覽器、行動應用程式等)。如下文中將更詳細地描述，遠端用戶端裝置180亦可包含其他適合硬體運算裝置188，其等接收由降雪機率分布預測系統200產生之降雪機率分布且除將彼等降雪機率分布顯示給一使用者以外或代替將彼等降雪機率分布顯示給一使用者，回應於包含於一降雪機率分布中之資訊而控制一硬體或軟體裝置。
圖2係圖解說明根據本發明之一例示性實施例之降雪機率分布預測系統200之一方塊圖。
如圖2中展示，降雪機率分布預測系統200包含一預測資料庫240、一分析單元260及一圖形使用者介面280。降雪機率分布預測系統200可進一步包含一歷史天氣資料庫250及一歷史天氣預測資料庫255。
預測資料庫240可係儲存於一單一有形裝置或多個有形裝置(例如，非暫時性電腦可讀儲存媒體126)上之任何組織資訊集合。預測資料庫240儲存從第三方資料源110接收之第三方天氣預測242及使用一或多個伺服器120及/或一或多個本端用戶端裝置140產生之確定性預測248。預測資料庫240亦可儲存由政府機構(例如，NWS、當地NWS辦事處等)發布之冬季天氣訊息246。
使用基於當前天氣狀況之估計預測未來天氣狀況之大氣及海洋之數學模型來產生第三方天氣預測242。第三方天氣預測242可包含(舉例而言)定量降水預測以及溫度、垂直運動及相對濕度之預測。第三方天氣預測242可係集合預測，其等包含若干分開預測(稱為「成員」)。一集合預測使用相同數學模型以一嘗試來執行多個模擬以解釋預測模型中之兩個常見不確定性來源：由缺陷初始條件之使用引入之誤差及由於模型組成中之缺陷而引入之誤差。因此，如下文中使用，第三方天氣預測242係指一集合預測之各成員。
第三方天氣預測242可包含(舉例而言)國家環境預測中心(NCEP)全球預測系統(GFS)、全球集合預測系統(GEFS)之成員(例如，20個成員)、暴風預測中心(SPC)短程集合預測(SREF)之成員(例如，26個成員)、歐洲中程天氣預測中心(ECMWF)集合預測系統之成員(例如，26個成員)的一個確定性運行。可從NCEP伺服器112接收NCEP GFS預測、GEFS成員及SREF成員。可從ECMWF伺服器114接收ECMWF成員。
由NWS (及/或當地辦事處)在預測冬季天氣之前發布冬季天氣訊息246。冬季天氣訊息包含冬季暴風警報、冬季暴風預報及冬季天氣通報。
亦可使用一或多個數學模型來產生確定性預測248。然而，可藉由一氣象學家基於來自彼等一或多個數學模型之資訊及他或她的訓練及經驗作出主觀判定而產生或修改確定性預測248。一「確定性預測」係一預測時間週期期間之一預測位置中之一特定量值(或量值範圍)之一事件的預測(例如，費城在2018年3月20日與2018年3月22日之間之8英寸的降雪)。可由來自AccuWeather, Inc.、AccuWeather Enterprise Solutions, Inc.等之一或多個氣象學家產生確定性預測248。
選用歷史天氣資料庫250可係儲存於一單一有形裝置或多個有形裝置(例如，非暫時性電腦可讀儲存媒體126)上之任何組織資訊集合。歷史天氣資料庫250可儲存指示過去降雪累積252之地理定位及時間索引資訊。
選用歷史天氣預測資料庫255可係儲存於一單一有形裝置或多個有形裝置(例如，非暫時性電腦可讀儲存媒體126)上之任何組織資訊集合。歷史天氣預測資料庫255可儲存過去降雪累積之位置及時間週期之第三方天氣預測242及確定性預測248。
分析單元260包含一硬體電腦處理器及可存取硬體電腦處理器且由硬體電腦處理器執行之軟體指令。分析單元260可係硬體及軟體之任何適合組合，其經組態以接收第三方天氣預測242及確定性預測248，如下文中詳細描述般基於第三方天氣預測242及確定性預測248產生降雪機率分布，且將彼等降雪機率分布輸出至遠端用戶端裝置180。分析單元260可包含(舉例而言)網格分析及顯示系統(GrADS)，其係用於地球科學資料之容易存取、操縱及視覺化之一互動式桌面工具。舉例而言，可藉由一或多個伺服器120及/或執行從一或多個伺服器120下載之軟體指令之遠端用戶端裝置180實現分析單元。
圖形使用者介面280可係輸出資訊(包含下文中論述之降雪機率分布)以顯示給一使用者之任何介面。圖形使用者介面280可由一網頁伺服器(例如，(若干)伺服器120之一者)產生以經由網頁瀏覽器顯示給遠端用戶端裝置180之使用者。額外地或替代地，可由儲存於遠端用戶端裝置180上之本端軟體(例如，一行動應用程式)產生圖形使用者介面280。
如上文中描述，當前預測方法產生確定性預測248，其包含表示一氣象學家(或一群氣象學家)基於來自彼等數學模型之資訊及氣象學家之訓練及經驗作出主觀判定之一最佳猜測的一特定降雪累積(往往一範圍)。然而，彼等確定性預測248不傳達額外資訊，諸如降雪將在預測降雪累積範圍內之機率及其他降雪累積量之機率。如下文中詳細描述，降雪機率分布預測系統200使用一基於規則之程序來利用包含集合預測之成員之第三方天氣預測242以產生預測最可能降雪累積範圍、降雪累積將在最可能降雪累積範圍內之機率及降雪累積將超出最可能降雪累積範圍之機率的降雪機率分布。
為確保一確定性預測248與藉由一降雪機率分布指示之最可能降雪累積範圍之間之一致性，降雪機率分布預測系統200可使降雪機率分布偏移使得確定性預測248中之預測降雪累積落在降雪機率分布之最可能降雪累積範圍內。此外，由於第三方天氣預測242可產生降雪累積預測之一非常態分布，因此降雪機率分布預測系統200可使資料正規化使得各降雪累積範圍之機率從降雪機率分布之最可能降雪累積範圍下降至降雪機率分布之尾部。
圖3係圖解說明根據本發明之一例示性實施例之用於產生一降雪機率分布之一程序300之一流程圖。藉由分析單元260 (例如，藉由伺服器120)執行降雪機率分布程序300。
雖然程序300在下文中描述為產生一降雪機率分布，但此項技術之一般技術者將認識到，可使用一類似程序來產生其他預測天氣狀況(包含降雨量、液體當量、冰累積、風速、溫度等)之機率分布。
在步驟302中接收第三方天氣預測242。第三方天氣預測242可包含(舉例而言)來自NCEP GFS之一確定性預測、GEFS集合之20個成員、SREF集合之26個成員及ECMWF集合預測系統之26個成員。可從NCEP伺服器112接收NCEP GFS預測、GEFS成員及SREF成員。可從ECMWF伺服器114接收ECMWF成員。
在步驟304中插入第三方天氣預測242以符合一統一地理網格。
在步驟306中識別一暴風雪。舉例而言，在一冬季天氣訊息246含有一預測降雪累積時，可識別一暴風雪。替代地，在一確定性預測248指示一預測暴風雪或預測降雪累積之一量值時可識別一暴風雪。
在步驟308中識別一預測位置。該預測位置可係(舉例而言)冬季天氣訊息246中識別之位置。替代地，暴風雪之預測位置可係(舉例而言)由指示一預測暴風雪或預測降雪累積之一量值之確定性預測248所指示之位置。
在步驟310中識別一預測時間週期。該預測時間週期可係(舉例而言)冬季天氣訊息246中指定之時間週期。替代地，預測時間週期可係(舉例而言)確定性預測248中之預測暴風雪之預測時間週期。
在步驟312中，對於各第三方天氣預測242，判定預測時間週期期間在預測位置中之預測降雪累積。可使用柯布法(Cobb method)來判定預測降雪累積，其中(基於預測溫度、預測垂直運動及預測相對濕度)計算一雪液比且將定量降水預測乘以經計算雪液比。在一些例項中，一第三方天氣預測242可包含對特定時間週期期間下降之降水分類(例如，分類為雪、雨、雨夾雪或混合物)。在彼等例項中，可藉由輸出分類為雪之定量降水預測而判定預測降雪累積。
在步驟314中基於步驟312中判定之降雪累積預測而產生一降雪機率分布。藉由以下各者產生降雪機率分布：識別一系列連續非重疊降雪累積範圍；藉由判定各降雪累積範圍中之降雪累積預測之數目而形成一集合直方圖；基於集合直方圖計算一機率密度函數；及基於機率密度函數形成一降雪機率分布。
下文中參考一例示性案例來描述用於產生一降雪機率分布之程序，其中十個第三方天氣預測242具有如下預測時間週期期間在預測位置之降雪累積預測： • 成員1：2英寸 • 成員2：1英寸 • 成員3：3.5英寸 • 成員4：3.5英寸 • 成員5：4英寸 • 成員6：8英寸 • 成員7：7.5英寸 • 成員8：2英寸 • 成員9：5英寸 • 成員10：1英寸
接著，將來自第三方天氣預測242之降雪累積預測分級為經識別降雪累積範圍。舉例而言，使用1英寸降雪累積範圍，例示性降雪累積預測分級如下： • 0至1英寸：0 (0%) • 1至2英寸：2 (20%) • 2至3英寸：2 (20%) • 3至4英寸：2 (20%) • 4至5英寸：1 (10%) • 5至6英寸：1 (10%) • 6至7英寸：0 (0%) • 7至8英寸：1 (10%) • 8至9英寸：1 (10%)
可預定降雪累積範圍。替代地，可基於降雪累積預測識別降雪累積範圍。在一例示性實施例中，識別五個降雪累積範圍，表示最低降雪累積、一低降雪累積、最可能降雪累積、一較高降雪累積及最高降雪累積。然而，降雪累積可被劃分成任何數目個降雪累積範圍。舉例而言，若識別三個降雪累積範圍，則例示性降雪累積預測分級如下： • 0至3英寸：40% • 3至6英寸：40% • 6至9英寸：20%
本質上，降雪機率分布預測系統200產生一降雪機率分布，其中預測時間週期期間在預測位置中之預測降雪累積將在各降雪累積範圍內的機率係具有各降雪累積範圍內之一降雪累積預測之第三方天氣預測242的百分比。
在步驟316中步驟314中產生之降雪機率分布可視情況基於確定性預測348偏移。舉例而言，原始降雪機率分布(步驟314中產生)可經偏移使得偏移降雪機率分布之眾數等於確定性預測348中之預測降雪累積。(舉例而言，可使用如上文中描述之柯布法來計算確定性預測348中之預測降雪累積。)使用原始降雪機率分布之平均值與偏移降雪機率分布之間之差作為用以使原始降雪機率分布中之每一點偏移之一權重。因此，降雪機率分布預測系統200建立一偏移降雪機率分布，其中偏移降雪機率分布中之每一點受確定性預測348之影響。
在步驟318中(原始或視情況偏移)降雪機率分布可視情況正規化。舉例而言，降雪機率分布預測系統200可執行一反覆程序，其中來自遠尾部之資料點移動朝向機率分布之平均值(或眾數或中值)直至各降雪累積範圍之機率從降雪機率分布之眾數(或中值或平均值)下降至降雪機率分布之尾部。
圖4係圖解說明一例示性集合直方圖、一例示性機率密度函數及一例示性正規化機率密度函數之一圖表400。(注意，圖4中圖解說明之實例不匹配上文實例。)
在上文中描述之實施例中，在產生降雪機率分布時各第三方天氣預測242被相等地加權。然而，在其他實施例中，第三方天氣預測242可基於其等過去預測降雪累積之準確性而加權。舉例而言，降雪機率分布預測系統200可針對降雪累積252之位置及時間週期使用過去降雪累積252及第三方天氣預測242 (及視情況確定性預測248)來建構一統計模型，其中第三方天氣預測242之各者經加權以形成最準確地預測過去降雪累積252之一降雪機率分布。因此，即使一些或全部第三方天氣預測242之準確性經過一段時間改變(歸因於氣候條件或第三方天氣預測242之改變)，降雪機率分布預測系統200仍能夠產生最準確地預測未來降雪累積之降雪機率分布。
在步驟320中產生一降雪機率預測。降雪機率預測包含最可能降雪分布範圍及基於降雪機率分布之預測時間週期期間在預測位置中之降雪累積將在最可能降雪累積範圍內的機率。降雪機率預測亦可包含一較高降雪累積範圍(及基於降雪機率分布之降雪累積將在較高降雪累積範圍內的機率)及一較低降雪累積範圍(及基於降雪機率分布之降雪累積將在較高降雪累積範圍內的機率)。
在步驟322中輸出降雪機率預測。在最簡單實施例中，降雪機率預測輸出至一遠端用戶端裝置180以經由圖形使用者介面280顯示給一使用者。舉例而言，降雪機率預測可顯示為一網頁或行動應用程式之部分。在其他實施例中，降雪機率預測可輸出至一遠端用戶端裝置180以回應於包含於一降雪機率預測中之資訊而控制一硬體或軟體裝置。僅引用一個實例，降雪機率預測可輸出至一鐵路系統，該鐵路系統可經組態以在雪累積處於或超出一累積臨限值之機率達到或超過一機率臨限值的情況下轉移或取消一列車路線。
圖5圖解說明根據本發明之一例示性實施例之由圖形使用者介面280輸出之一視圖500，其包含使用圖4中展示之直方圖產生之一降雪機率預測。
如圖5中展示，視圖500可包含一文字顯示550及/或一條形圖510。條形圖510 (舉例而言)可包含：最可能降雪累積範圍515、降雪累積將在最可能降雪累積範圍515內的機率525、及降雪累積將在最可能降雪累積範圍515內之機率525之一視覺表示535；一較高降雪累積範圍513、降雪累積將在較高降雪累積範圍513內的機率523、及降雪累積將在較高降雪累積範圍513內之機率523之一視覺表示533；一較低降雪累積範圍517、降雪累積將在較低降雪累積範圍517內之機率527、及降雪累積將在較低降雪累積範圍517內之機率527之一視覺表示537；最高降雪累積範圍511、降雪累積將在最高降雪累積範圍511內之機率521、及降雪累積將在最高降雪累積範圍511內之機率521之一視覺表示531；及最低降雪累積範圍519、降雪累積將在最低降雪累積範圍519內之機率529、及降雪累積將在最低降雪累積範圍519內之機率529之一視覺表示539。
文字顯示550可包含最可能降雪累積範圍515、降雪累積將低於最可能降雪累積範圍515之機率548、及降雪累積將低於最可能降雪累積範圍515之機率542。
視圖500亦可包含預測位置552。
圖6圖解說明根據本發明之另一例示性實施例之由圖形使用者介面280輸出之包含一降雪機率預測之一視圖600。
如圖6中展示，視圖600與視圖500之類似之處在於其包含一文字顯示550及一條形圖510。另外，視圖600包含圖解說明依據降雪累積(沿著x軸)而變化之機率(沿著y軸)之一線圖620。線圖620可包含機率分布之眾數、中值及平均值之一視覺表示。線圖620可按特定間隔標記。舉例而言，如圖6中展示，線圖620可沿著x軸按平均值、平均值之1.5個標準差及平均值之2.5個標準差標記。
圖形使用者介面280可為不同使用者輸出不同視圖。舉例而言，不同視圖可輸出至個別網站訪客、行動應用程式使用者、商業使用者、政府機構等。
圖7圖解說明根據本發明之另一例示性實施例之由圖形使用者介面280輸出之包含一降雪機率預測之一視圖700。
如圖7中展示，視圖700包含最可能降雪累積範圍715、降雪累積將在最可能降雪累積範圍715內之機率725、及降雪累積將在最可能降雪累積範圍715內之機率725之一視覺表示735。視圖700亦包含降雪累積將高於最可能降雪累積範圍715之機率728及降雪累積將高於最可能降雪累積範圍715之機率728之一視覺表示738。視圖700亦包含降雪累積將低於最可能降雪累積範圍715之機率722及降雪累積將低於最可能降雪累積範圍715之機率722之一視覺表示732。視圖700亦包含預測時間週期及預測時間週期期間之各種降水類型之機率之一視覺表示760。
圖8圖解說明根據本發明之另一例示性實施例之由圖形使用者介面280輸出之包含一降雪機率預測之一視圖800。
如圖8中展示，視圖800包含最可能降雪累積範圍815及最可能降雪累積範圍815之一視覺表示845。視圖800亦包含最高累積預測818及最低累積預測812以及來自最高累積預測818及最低累積預測812之一視覺表示842。最高累積預測818可係(舉例而言)藉由一單一第三方預測242預測之最大降雪累積且最低累積預測812可係藉由一單一第三方預測242預測之最小降雪累積。替代地，最高累積預測818及最低累積預測812可係藉由預定數目或百分比之第三方預測242預測之最大及最小。
圖9圖解說明根據本發明之另一例示性實施例之由圖形使用者介面280輸出之包含一降雪機率預測之一視圖900。
如圖9中展示，視圖900包含最可能降雪累積範圍915及降雪累積將在最可能降雪累積範圍915內之機率之一視覺表示935。視圖900亦包含降雪累積將高於最可能降雪累積範圍915之機率之一視覺表示938及降雪累積將低於最可能降雪累積範圍915之機率之一視覺表示932。
圖10圖解說明根據本發明之另一例示性實施例之由圖形使用者介面280輸出之包含一降雪機率預測之一視圖1000。
如圖10中展示，視圖1000包含：最可能降雪累積範圍1015、降雪累積將在最可能降雪累積範圍1015內的機率1025、及降雪累積將在最可能降雪累積範圍1015內之機率1025之一視覺表示1035；一較高降雪累積範圍1013、降雪累積將在較高降雪累積範圍1013內的機率1023、及降雪累積將在較高降雪累積範圍1013內之機率1023之一視覺表示1033；一較低降雪累積範圍1017、降雪累積將在較低降雪累積範圍1017內的機率1027、及降雪累積將在較低降雪累積範圍1017內之機率1027之一視覺表示1037；最高降雪累積範圍1011、降雪累積將在最高降雪累積範圍1011內的機率1021、及降雪累積將在最高降雪累積範圍1011內之機率1021之一視覺表示1031；及最低降雪累積範圍1019、降雪累積將在最低降雪累積範圍1019內的機率1029、及降雪累積將在最低降雪累積範圍1019內之機率1029之一視覺表示1039。
雖然上文中已陳述較佳實施例，但已檢視本發明之熟習此項技術者將容易地瞭解，可在本發明之範疇內實現其他實施例。特定數目個硬體組件及軟體模組之揭示內容係闡釋性的而非限制性的。因此，本發明應解釋為僅由隨附發明申請專利範圍限制。
100‧‧‧架構
110‧‧‧第三方資料源
112‧‧‧國家環境預測中心(NCEP)伺服器
114‧‧‧歐洲中程天氣預測中心(ECMWF)伺服器
120‧‧‧伺服器
126‧‧‧非暫時性電腦可讀儲存媒體
130‧‧‧廣域網路
132‧‧‧區域網路
140‧‧‧本端用戶端裝置
180‧‧‧遠端用戶端裝置
182‧‧‧桌上型電腦
184‧‧‧智慧型電話
186‧‧‧平板電腦
188‧‧‧硬體運算裝置
200‧‧‧降雪機率分布預測系統
240‧‧‧預測資料庫
242‧‧‧第三方天氣預測
246‧‧‧冬季天氣訊息
248‧‧‧確定性預測
250‧‧‧歷史天氣資料庫
252‧‧‧過去降雪累積
255‧‧‧歷史天氣預測資料庫
260‧‧‧分析單元
280‧‧‧圖形使用者介面
300‧‧‧降雪機率分布程序
302‧‧‧步驟
304‧‧‧步驟
306‧‧‧步驟
308‧‧‧步驟
310‧‧‧步驟
312‧‧‧步驟
314‧‧‧步驟
316‧‧‧步驟
318‧‧‧步驟
320‧‧‧步驟
322‧‧‧步驟
400‧‧‧圖表
500‧‧‧視圖
510‧‧‧條形圖
511‧‧‧最高降雪累積範圍
513‧‧‧較高降雪累積範圍
515‧‧‧最可能降雪累積範圍
517‧‧‧較低降雪累積範圍
519‧‧‧最低降雪累積範圍
521‧‧‧機率
523‧‧‧機率
525‧‧‧機率
527‧‧‧機率
529‧‧‧機率
531‧‧‧視覺表示
533‧‧‧視覺表示
535‧‧‧視覺表示
537‧‧‧視覺表示
539‧‧‧視覺表示
542‧‧‧機率
548‧‧‧機率
550‧‧‧文字顯示
552‧‧‧預測位置
600‧‧‧視圖
620‧‧‧線圖
700‧‧‧視圖
715‧‧‧最可能降雪累積範圍
722‧‧‧機率
725‧‧‧機率
728‧‧‧機率
732‧‧‧視覺表示
735‧‧‧視覺表示
738‧‧‧視覺表示
800‧‧‧視圖
812‧‧‧最低累積預測
815‧‧‧最可能降雪累積範圍
818‧‧‧最高累積預測
842‧‧‧視覺表示
845‧‧‧視覺表示
900‧‧‧視圖
915‧‧‧最可能降雪累積範圍
932‧‧‧視覺表示
935‧‧‧視覺表示
938‧‧‧視覺表示
1000‧‧‧視圖
1011‧‧‧最高降雪累積範圍
1013‧‧‧較高降雪累積範圍
1015‧‧‧最可能降雪累積範圍
1017‧‧‧較低降雪累積範圍
1019‧‧‧最低降雪累積範圍
1021‧‧‧機率
1023‧‧‧機率
1025‧‧‧機率
1027‧‧‧機率
1029‧‧‧機率
1031‧‧‧視覺表示
1033‧‧‧視覺表示
1035‧‧‧視覺表示
1037‧‧‧視覺表示
1039‧‧‧視覺表示
可參考隨附圖式較佳地理解例示性實施例之態樣，其中：
圖1係圖解說明根據本發明之一例示性實施例之一降雪機率分布預測系統之一架構之一圖式；
圖2係圖解說明根據本發明之一例示性實施例之降雪機率分布預測系統之一方塊圖；
圖3係圖解說明根據本發明之一例示性實施例之用於產生一降雪機率分布之一程序之一流程圖；
圖4係圖解說明一例示性集合直方圖、一例示性機率密度函數及一例示性正規化機率密度函數之一圖表；
圖5係根據本發明之一例示性實施例之由圖形使用者介面輸出之一視圖，其包含使用圖4中展示之直方圖產生之一降雪機率預測；
圖6係根據本發明之另一例示性實施例之由圖形使用者介面輸出之包含一降雪機率預測之一視圖；
圖7係根據本發明之另一例示性實施例之由圖形使用者介面輸出之包含一降雪機率預測之一視圖；
圖8係根據本發明之另一例示性實施例之由圖形使用者介面輸出之包含一降雪機率預測之一視圖；
圖9係根據本發明之另一例示性實施例之由圖形使用者介面輸出之包含一降雪機率預測之一視圖；及
圖10係根據本發明之另一例示性實施例之由圖形使用者介面輸出之包含一降雪機率預測之一視圖。

Claims (21)

  1. 一種預測降雪累積之方法，該方法包括： 識別一暴風雪之一預測位置及一預測時間週期； 接收該預測位置中在該預測時間週期之複數個天氣預測； 對於該複數個天氣預測之各者，判定一降雪累積預測； 藉由識別一系列連續非重疊降雪累積範圍且判定該等降雪累積範圍之各者中之該等降雪累積預測之數目而形成一集合直方圖； 基於該集合直方圖計算表示降雪累積量之相對可能性之一機率密度函數； 基於該機率密度函數形成一降雪機率分布，該降雪機率分布包含： 最可能降雪累積範圍及該預測時間週期期間在該預測位置中之降雪累積將在該最可能降雪累積範圍內的機率； 至少一個較高降雪累積範圍及該預測時間週期期間在該預測位置中之降雪累積將在該較高降雪累積範圍內的機率；及 至少一個較低降雪累積範圍及該預測時間週期期間在該預測位置中之降雪累積將在該較低降雪累積範圍內的機率； 產生一降雪機率預測，其包含該最可能降雪累積範圍及該預測時間週期期間在該預測位置中之降雪累積將在該最可能降雪累積範圍內的機率；及 輸出該降雪機率預測。
  2. 如請求項1之方法，其進一步包括： 識別該時間週期期間在該預測位置之一確定性降雪累積預測； 藉由以下各者建立一調整機率密度函數： 使該調整機率密度函數之眾數等於該確定性降雪累積預測； 計算該機率密度函數之平均值與該確定性降雪累積預測之間之差；及 基於該機率密度函數之該平均值與該確定性降雪累積預測之間之該差而使該機率密度函數偏移， 其中該降雪機率預測基於該調整機率密度函數。
  3. 如請求項1之方法，其進一步包括： 藉由將資料點從該機率密度函數之遠尾部移動朝向該機率密度函數之該平均值直至各降雪累積範圍之機率從該最可能降雪累積範圍下降至該降雪機率分布之尾部而建立一正規化機率密度函數， 其中該降雪機率預測基於該正規化機率密度函數。
  4. 如請求項1之方法，其中該降雪機率預測進一步包含： 該較高降雪累積範圍及該預測時間週期期間在該預測位置中之降雪累積將在該較高降雪累積範圍內的該機率；及 該較低降雪累積範圍及該預測時間週期期間在該預測位置中之降雪累積將在該較低降雪累積範圍內的該機率。
  5. 如請求項4之方法，其中該降雪機率預測進一步包含： 一最高降雪累積範圍及該預測時間週期期間在該預測位置中之降雪累積將在該最高降雪累積範圍內的機率；及 一最低降雪累積範圍及該預測時間週期期間在該預測位置中之降雪累積將在該最低降雪累積範圍內的機率。
  6. 如請求項1之方法，其中使用柯布法基於該複數個天氣預測來判定該等降雪累積預測。
  7. 如請求項6之方法，其中： 該複數個天氣預測之各者包含一預測降水量、一預測預測之溫度、一預測垂直運動及一預測相對濕度；且 藉由以下各者判定該等降雪累積預測： 基於該預測溫度、該預測垂直運動及該預測相對濕度來計算一雪液比；及 使該預測降水量乘以該雪液比。
  8. 如請求項1之方法，其中該降雪機率預測輸出至一遠端裝置以經由一圖形使用者介面顯示給一使用者。
  9. 如請求項1之方法，其中該降雪機率預測經輸出以控制一遠端裝置。
  10. 如請求項1之方法，其中該複數個天氣預測包含國家環境預測中心(NCEP)全球預測系統(GFS)、全球集合預測系統(GEFS)之一或多個成員、NCEP短程集合預測(SREF)之一或多個成員或歐洲中程天氣中心(ECMWF)集合之一或多個成員之至少一者。
  11. 一種系統，其包括： 一預測資料庫，其儲存複數個天氣預測； 一分析單元，其： 識別一暴風雪之一預測位置及一預測時間週期； 對於該複數個天氣預測之各者，判定一降雪累積預測； 藉由識別一系列連續非重疊降雪累積範圍且判定該等降雪累積範圍之各者中之該等降雪累積預測之數目而形成一集合直方圖； 基於該集合直方圖計算表示降雪累積量之相對可能性之一機率密度函數； 基於該機率密度函數形成一降雪機率分布，該降雪機率分布包含： 最可能降雪累積範圍及該預測時間週期期間在該預測位置中之降雪累積將在該最可能降雪累積範圍內的該機率； 至少一個較高降雪累積範圍及該預測時間週期期間在該預測位置中之降雪累積將在該較高降雪累積範圍內的該機率；及 至少一個較低降雪累積範圍及該預測時間週期期間在該預測位置中之降雪累積將在該較低降雪累積範圍內的該機率； 產生一降雪機率預測，其包含該最可能降雪累積範圍及該預測時間週期期間在該預測位置中之降雪累積將在該最可能降雪累積範圍內的該機率；及 輸出該降雪機率預測。
  12. 如請求項11之系統，其中： 該預測資料庫進一步包含該時間週期在該預測位置之一確定性降雪累積預測；且 該分析單元進一步經組態以： 藉由以下各者建立一調整機率密度函數： 使該調整機率密度函數之該眾數等於該確定性降雪累積預測； 計算該機率密度函數之該平均值與該確定性降雪累積預測之間之該差；及 基於該機率密度函數之該平均值與該確定性降雪累積預測之間之該差而使該機率密度函數偏移， 其中該降雪機率預測基於該調整機率密度函數。
  13. 如請求項11之系統，其中該分析單元進一步經組態以： 藉由將資料點從該機率密度函數之該等遠尾部移動朝向該機率密度函數之該平均值直至各降雪累積範圍之該等機率從該最可能降雪累積範圍下降至該降雪機率分布之該等尾部而建立一正規化機率密度函數， 其中該降雪機率預測基於該正規化機率密度函數。
  14. 如請求項11之系統，其中該降雪機率預測進一步包含： 該較高降雪累積範圍及該預測時間週期期間在該預測位置中之降雪累積將在該較高降雪累積範圍內的該機率；及 該較低降雪累積範圍及該預測時間週期期間在該預測位置中之降雪累積將在該較低降雪累積範圍內的該機率。
  15. 如請求項14之系統，其中該降雪機率預測進一步包含： 一最高降雪累積範圍及該預測時間週期期間在該預測位置中之降雪累積將在該最高降雪累積範圍內的該機率；及 一最低降雪累積範圍及該預測時間週期期間在該預測位置中之降雪累積將在該最低降雪累積範圍內的該機率。
  16. 如請求項11之系統，其中該分析單元進一步經組態以使用柯布法基於該複數個天氣預測來判定該等降雪累積預測。
  17. 如請求項16之系統，其中： 該複數個天氣預測之各者包含一預測降水量、一預測預測之溫度、一預測垂直運動及一預測相對濕度；且 該分析單元經組態以藉由以下各者判定該等降雪累積預測： 基於該預測溫度、該預測垂直運動及該預測相對濕度來計算一雪液比；及 使該預測降水量乘以該雪液比。
  18. 如請求項11之系統，其中該分析單元將該降雪機率預測輸出至一遠端裝置以經由一圖形使用者介面顯示給一使用者。
  19. 如請求項11之系統，其中該分析單元輸出該降雪機率預測以控制一遠端裝置。
  20. 如請求項11之系統，其中該複數個天氣預測包含國家環境預測中心(NCEP)全球預測系統(GFS)、全球集合預測系統(GEFS)之一或多個成員、NCEP短程集合預測(SREF)之一或多個成員或歐洲中程天氣中心(ECMWF)集合之一或多個成員之至少一者。
  21. 一種儲存指令之非暫時性電腦可讀儲存媒體，該等指令在由一電腦處理器執行時導致一運算系統： 識別一暴風雪之一預測位置及一預測時間週期； 接收該預測位置中在該預測時間週期之複數個天氣預測； 對於該複數個天氣預測之各者，判定一降雪累積預測； 藉由識別一系列連續非重疊降雪累積範圍且判定該等降雪累積範圍之各者中之該等降雪累積預測之數目而形成一集合直方圖； 基於該集合直方圖計算表示降雪累積量之相對可能性之一機率密度函數； 基於該機率密度函數形成一降雪機率分布，該降雪機率分布包含： 最可能降雪累積範圍及該預測時間週期期間在該預測位置中之降雪累積將在該最可能降雪累積範圍內的該機率； 至少一個較高降雪累積範圍及該預測時間週期期間在該預測位置中之降雪累積將在該較高降雪累積範圍內的該機率；及 至少一個較低降雪累積範圍及該預測時間週期期間在該預測位置中之降雪累積將在該較低降雪累積範圍內的該機率； 產生一降雪機率預測，其包含該最可能降雪累積範圍及該預測時間週期期間在該預測位置中之降雪累積將在該最可能降雪累積範圍內的該機率；及 輸出該降雪機率預測。
TW107111350A 2017-03-30 2018-03-30 用於預測降雪機率分布之系統及方法 TW201839712A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201762479062P 2017-03-30 2017-03-30
US62/479,062 2017-03-30

Publications (1)

Publication Number Publication Date
TW201839712A true TW201839712A (zh) 2018-11-01

Family

ID=63670343

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107111350A TW201839712A (zh) 2017-03-30 2018-03-30 用於預測降雪機率分布之系統及方法

Country Status (8)

Country Link
US (2) US10838109B2 (zh)
EP (1) EP3607363B1 (zh)
JP (1) JP2020513101A (zh)
KR (1) KR20200002871A (zh)
CN (1) CN110603465B (zh)
CA (1) CA3056928A1 (zh)
TW (1) TW201839712A (zh)
WO (1) WO2018183853A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112034537A (zh) * 2020-07-23 2020-12-04 田凤香 利用移动载体的雪量判断平台及方法

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0720255A (ja) * 1993-06-30 1995-01-24 Nippon Telegr & Teleph Corp <Ntt> 並列計算型気象レーダ画像予測装置
US5406481A (en) 1993-06-30 1995-04-11 Nippon Telegraph And Telephone Corporation Rainfall, snowfall forecast apparatus and method
JP2981887B1 (ja) * 1998-07-31 1999-11-22 建設省土木研究所長 路面状態検出方法及びその装置
US6535817B1 (en) 1999-11-10 2003-03-18 The Florida State Research Foundation Methods, systems and computer program products for generating weather forecasts from a multi-model superensemble
US7542852B1 (en) 2005-01-25 2009-06-02 Weather Channel Inc Derivation and production of high-resolution, very short-term weather forecasts
JP4882469B2 (ja) * 2006-04-13 2012-02-22 富士通株式会社 気象予測プログラム、気象予測装置および気象予測方法
US20080147417A1 (en) 2006-12-14 2008-06-19 David Friedberg Systems and Methods for Automated Weather Risk Assessment
JP2008185489A (ja) 2007-01-30 2008-08-14 Japan Weather Association 融雪出水予測システム
US20120101880A1 (en) 2010-10-05 2012-04-26 WeatherAlpha, LLC. Digital Communication Management System
US20150178572A1 (en) 2012-05-23 2015-06-25 Raqib Omer Road surface condition classification method and system
CN103033274B (zh) * 2012-12-18 2014-09-10 东南大学 一种日照温度概率密度的测定方法
GB2524694B (en) * 2012-12-18 2017-07-05 Samsung Electronics Co Ltd Display apparatus and method for processing image thereof
US9619645B2 (en) * 2013-04-04 2017-04-11 Cypress Semiconductor Corporation Authentication for recognition systems
US20140303893A1 (en) 2013-04-04 2014-10-09 Sky Motion Research Inc Method and system for nowcasting precipitation based on probability distributions
US20140372038A1 (en) * 2013-04-04 2014-12-18 Sky Motion Research, Ulc Method for generating and displaying a nowcast in selectable time increments
WO2015085308A1 (en) * 2013-12-07 2015-06-11 Cardinal Wind, Inc. Computer-implemented data analysis methods and systems for wind energy assessments
TWI580993B (zh) 2014-04-07 2017-05-01 天勢研究無限公司 用於基於機率分佈之臨近預報降雨量的方法與系統
KR102086895B1 (ko) 2014-12-22 2020-03-09 유저-센트릭 아이피, 엘.피. 메조스케일 모델링
US10366357B2 (en) * 2015-04-10 2019-07-30 Telsco Industries, Inc. Systems and methods for site-specific tracking of snowfall
JP6552928B2 (ja) * 2015-09-11 2019-07-31 株式会社東芝 気象予測装置、気象予測方法およびプログラム
US10509868B2 (en) * 2016-01-29 2019-12-17 Fujitsu Limited Operating a solar power generating system
CN105824987A (zh) * 2016-03-09 2016-08-03 浙江大学 一种基于遗传算法的风场特征统计分布模型建立方法
RU2630193C1 (ru) * 2016-04-18 2017-09-05 Общество С Ограниченной Ответственностью "Яндекс" Способ и система для создания прогноза погоды
US20170357920A1 (en) * 2016-06-09 2017-12-14 Douglas Stewart Method and system for estimating and mapping weather risk
CN106405682B (zh) * 2016-08-29 2019-04-26 深圳先进技术研究院 一种降雨预测方法及装置

Also Published As

Publication number Publication date
US20180284322A1 (en) 2018-10-04
US11493666B2 (en) 2022-11-08
CN110603465A (zh) 2019-12-20
EP3607363A1 (en) 2020-02-12
US10838109B2 (en) 2020-11-17
EP3607363B1 (en) 2023-06-28
WO2018183853A1 (en) 2018-10-04
US20210026039A1 (en) 2021-01-28
KR20200002871A (ko) 2020-01-08
CN110603465B (zh) 2021-12-28
JP2020513101A (ja) 2020-04-30
CA3056928A1 (en) 2018-10-04
EP3607363A4 (en) 2021-01-20

Similar Documents

Publication Publication Date Title
JP6663044B2 (ja) 予想気象、環境、及び／又は地質条件の影響を予測するための方法及びシステム
US8224768B1 (en) Tropical cyclone prediction system and method
US8160995B1 (en) Tropical cyclone prediction system and method
US20220026600A1 (en) Mesoscale modeling
Quiring et al. Incorporating hurricane forecast uncertainty into a decision-support application for power outage modeling
US10705255B2 (en) Method of and system for generating a weather forecast
US8204846B1 (en) Tropical cyclone prediction system and method
US11493666B2 (en) System and method for forecasting snowfall probability distributions
KR20190119082A (ko) 기상 데이터의 통계 분석을 사용하여 경제 동향들을 예측하기 위한 시스템 및 방법
Papayiannis et al. Model aggregation using optimal transport and applications in wind speed forecasting
Ustrnul et al. Climatologically based warning system against meteorological hazards and weather extremes: the example for Poland
US11402541B2 (en) Determining a REALFEEL seasonal index
JP7476951B2 (ja) 判断支援装置、判断支援方法及びプログラム
Timbal et al. Changes in the risk of cool-season tornadoes over southern Australia due to model projections of anthropogenic warming
CN114740549A (zh) 一种短临降水天气预测方法、装置、电子设备及可读介质