CN108319772B - 一种波浪长期数据的再分析方法 - Google Patents
一种波浪长期数据的再分析方法 Download PDFInfo
- Publication number
- CN108319772B CN108319772B CN201810076619.9A CN201810076619A CN108319772B CN 108319772 B CN108319772 B CN 108319772B CN 201810076619 A CN201810076619 A CN 201810076619A CN 108319772 B CN108319772 B CN 108319772B
- Authority
- CN
- China
- Prior art keywords
- data
- wave
- wave element
- altimeter
- space
- 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
Images
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
-
- 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)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Geophysics And Detection Of Objects (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种波浪长期模拟数据的再分析方法,包括以下步骤:构建基于卫星高度计的波浪要素(有效波高和平均周期)长期观测数据和基于波浪数值模式的波浪要素长期模拟后报数据,并对两者进行时空配准;利用时空同步数据对波浪后报数据进行分析校正,得到波浪要素的再分析数据。本发明提出了一种应用于波浪要素长期模拟后报数据的新型再分析方法,相较常用的数据同化方法,该发明方法处理效率高,集成观测数据灵活,尤其适用于对波浪要素长期后报模拟数据的处理,可为波浪要素的气候变率、年际变化和海洋工程环境研究分析提供有力支持。
Description
技术领域
本发明涉及一种数据再分析方法,具体地说,是一种波浪长期模拟数据的再分析方法。
背景技术
气候变化对海洋动力环境和人类生活生产安全产生有重要影响,其中波浪是海洋动力环境的主要动力过程之一,获取高质量、高分辨率、连续的波浪要素(包括有效波高、平均周期)长期历史数据对研究波浪长期变化趋势,年际变化规律以及用于海洋工程设计的波浪要素极值推算至关重要。目前获取波浪长期数据的技术手段包括定点观测,卫星高度计观测和波浪数值模式。定点观测主要基于浮标观测,其空间分布极为有限,在空间上不具有代表性;卫星高度计观测手段已经积累了超过30年(1985至今)的全球波浪要素数据,但由于其采用极轨模式的星下点观测,数据时空分辨率很低,且对于某一空间位置在时间上不连续。海浪数值模式可以获取高分辨率、时空连续的波浪要素长期模拟数据,但是其数据质量受模式物理机制可靠性、风场和地形场精度的影响较大。
再分析方法是利用客观分析方法,利用观测数据对数值模拟数据进行分析校正;其中,数据同化方法最为常用,它是在考虑数据时空分布以及观测场和背景场误差的基础上,在数值模型的动态运行过程中融合新的观测数据的方法。数据同化通常应用在波浪要素预报上,它可以为下一时段的预报提供最优初始条件和模式参数。但是它处理数据计算成本高,不利于获取波浪要素的长期后报数据。目前已公开发布的有欧洲天气预报中心的波浪要素再分析数据,它主要基于波浪数值模式模拟波浪要素,并通过四维变分同化方法用卫星高度计数据对数值模式数据进行校正,其同化了1991年以来发射的12个卫星高度计中的6个高度计数据产品。已有研究报告表明,该波浪再分析数据可以很好地描述波浪要素的气候变率,但是其给出的波浪有效波高整体偏低,特别是高风速情形,这可能与使用的卫星高度计数据有限或同化方法有效性有关,而由于同化方法的技术限制,决定了其无法快速的使用其它高度计观测数据进行更新优化。
因此,需要发展一种针对波浪长期模拟数据的,分析处理效率更高,对观测数据集成更为灵活的技术方法,以满足波浪要素的气候变率、年际变化和海洋工程环境影响等方面的数据需求。
发明内容
针对已有技术不足,本发明的目的是提供一种波浪长期模拟数据的再分析方法。相较数据同化方法主要用于波浪要素的模拟预报,该方法主要应用于波浪要素的长期模拟后报数据,具有分析处理效率高,集成观测数据灵活的优点。
为实现上述发明目的,本发明采用下述技术方案予以实现:一种波浪长期模拟数据的再分析方法,包括以下步骤:
1)构建基于卫星高度计的波浪要素观测数据和基于波浪数值模式的波浪要素模拟数据,并对两者进行时空配准,得到波浪要素的时空同步数据;
2)利用时空同步数据对波浪要素模拟数据进行分析校正,得到波浪要素的再分析数据。
所述步骤1)包括以下步骤:
获取基于波浪数值模式的波浪要素模拟数据;
对各卫星高度计波浪要素观测数据进行校正和网格化;
对波浪要素模拟数据和卫星高度计波浪要素观测数据进行时空配准和同步,得到时空同步数据。
所述对各卫星高度计波浪要素观测数据进行校正和网格化包括以下步骤:
选取单个卫星高度计的波浪要素观测数据,对于某一时刻任意一个浮标的波浪要素观测数据,其与空间间隔小于设定长度、且时间间隔小于设定时间的高度计波浪要素观测数据的平均值作为时空同步数据;
对单个卫星的时空同步数据进行线性拟合;不同的卫星高度计得到不同的线性拟合关系,即浮标观测的波浪要素观测数据与高度计观测的波浪要素观测数据间的拟合关系;
应用拟合关系对多个高度计进行逐一校正,得到校正后的高度计波浪要素数据;
对应网格化的模拟数据,将高度计数据划分到不同的网格内:对任意一个高度计的观测位置,选取与其空间距离最小的模拟数据网格点,将其划分到该网格点下;对同一网格点,时间跨度不超过设定值的高度计波浪要素观测数据进行代数平均,得到该时刻下高度计波浪要素的网格化数据。
所述对波浪要素模拟数据和卫星高度计波浪要素观测数据进行时空配准和同步,得到时空同步数据包括以下步骤:
根据网格化的模拟数据和高度计波浪要素的网格化数据,对两者进行时空配准:对应某一时刻的高度计波浪要素的网格数据,选取模拟数据中与之最为接近的数据点,最终得到两者的波浪要素时空同步数据组;每一个高度计网格数据点都得到对应同步的模拟数据点;所有的数据组合形成时空同步数据。
所述步骤2)包括以下步骤:
基于时空同步数据通过统计分析方法构建校正模型:时空同步数据中,针对单个年、某一网格点下的同步数据子集Bjk,j表示年份,k是网格标号,计算波浪要素模拟数据和高度计观测数据的相关系数,仅当两者的相关系数大于阈值时,认为波浪要素的模拟数据用于后续校正,否则,不用于校正,标记为坏点数据;将用于校正的模拟数据拟合得到Bjk中高度计观测波浪要素和波浪要素模拟数据之间的校正关系;
根据校正关系对模拟数据进行校正,得到波浪再分析数据。
本发明具有以下有益效果及优点:
1.本发明方法应用于波浪要素的长期模拟后报数据,方法简单、快速、有效,可为波浪要素的气候变率、年际变化和海洋工程环境影响等研究提供必要的数据支持。
2.本发明方法集成观测数据灵活,便于不断提高波浪要素再分析数据的可靠性和精度。
附图说明
图1是本发明应用于波浪长期后报数据的再分析方法的实施流程图;
图2a是基于多平台融合风场(CCMP)强迫的波浪有效波高模拟后报数据;
图2b是基于气候预报中心风场(CFSR)强迫的波浪有效波高模拟后报数据;
图2c是基于对CCMP波浪有效波高模拟后报的再分析数据;
图2d是基于对CFSR波浪有效波高模拟后报的再分析数据;
图2e是欧洲预报中心发布的基于数据同化的波浪有效波高再分析数据。
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案作进一步详细的说明。
一种波浪长期模拟数据的再分析方法,包括基于卫星高度计的波浪要素(有效波高和平均周期)长期观测数据构建过程,基于波浪数值模式的波浪要素长期模拟后报数据构建过程,通过时空配准方法获取两者的波浪要素时空同步数据过程,利用波浪要素的时空同步数据分析并构建校正模型过程,利用校正模型对波浪要素的模拟后报数据进行校正优化,得到波浪要素的再分析数据过程。本发明是针对波浪要素长期模拟数据提出的,其分析处理效率高,集成波浪要素观测数据灵活,尤其适用于波浪要素的气候变率、年际变化和海洋工程环境方面的研究。
如图1所示,一种波浪要素长期数据的再分析方法,包括以下步骤:
构建基于卫星高度计的波浪要素长期观测数据和基于波浪数值模式的波浪要素长期模拟后报数据,并对两者进行时空配准,得到波浪要素的时空同步数据;
利用时空同步数据对波浪要素的后报数据进行分析校正,得到波浪要素的再分析数据。
所述构建基于卫星高度计的波浪要素长期观测数据和基于波浪数值模式的波浪要素长期后报数据,并对两者进行时空配准,得到波浪要素的时空同步数据包括以下步骤:
基于波浪数值模式的波浪要素长期数据模拟后报;
多卫星高度计波浪要素观测数据校正和网格化;
波浪要素的数值模拟后报数据和卫星高度计观测数据的时空配准和同步数据获取。
所述利用时空同步数据对波浪要素的后报数据进行分析校正,得到波浪要素的再分析数据,包括以下步骤:
基于波浪要素的时空同步数据,通过分析拟合方法构建校正模型;
利用校正模型对波浪要素的后报数据进行校正,得到波浪要素的再分析数据。
本实施例具体步骤如下:
1.基于波浪数值模式的波浪要素(有效波高和平均周期)的长期模拟后报模拟。波浪数值模式可选用目前较为成熟的模式,例如Wavewatch III模式,SWAN模式,WAM模式等。本实施例选用Wavewatch III波浪模式,该模式为公开发布,并且在业务化应用也有较好的表现。使用风场驱动,风场的时空分辨率要求较高,本实施例选用公开发布的高分辨率风场:多平台融合风场(CCMP)和美国气候预报中心风场(CFSR),这两种风场的时间分辨率都是6小时,空间分辨率为0.25°。本实例选用这两种风场分别驱动波浪模式,获取后报模拟结果。模式地形背景场选用美国地球物理中心的公开发布的水深地形数据。本实施例进行波浪要素的后报模拟,模拟时间为1992年1月1日至2010年12月31日,共获取19年的波浪要素后报数据。模拟输出时间间隔为1小时,空间分辨率为1.5°。
2.多卫星高度计波浪要素观测数据校正和网格化。
(1)收集已发射的公开发布的卫星高度计波浪要素(有效波高和平均周期)观测数据,卫星来源包括我国卫星中心的HY-2卫星,欧空局的ERS–1,ERS–2和Envisat卫星,美国空间中心的TOPEX和Jason-1,Jason-2卫星等。高度计采用极轨观测模式,对星下点的波浪要素进行观测,相邻两个星下点的观测时间间隔约为1秒,空间间隔约为6.8公里。
(2)虽然卫星高度计的波浪要素反演精度较高,但由于仪器内在设置不同,数据观测精度会存在一定的***偏差,这对于研究波浪要素的气候变率影响很大,需结合波浪要素的海面浮标观测数据进行校正,目前已有的长期浮标观测数据主要来源于美国国家浮标中心公开发布的浮标观测数据,浮标的选取标准为选取离岸距离大于50km,满足条件的有44个浮标站位。采用通用的校正方法,对多个卫星进行逐一校正。首先进行时空配准:选取单个卫星高度计的波浪要素沿轨观测数据,与海面浮标的波浪要素观测数据进行时空配准,时空配准窗口选为50km和30分钟,时空配准方法为:对于某一时刻任意一个浮标的波浪要素观测数据,其与空间间隔小于50km,且时间间隔小于30分钟的高度计波浪要素观测数据的平均值作为时空同步数据,这样对多个时刻的同步数据可汇总成为同步数据集。这里为了与后文进行区分,将同步数据集称作Ai,其中下标i表示不同的卫星高度计编号。
(3)基于单个卫星的时空同步数据集Ai,通过最小二乘法进行线性拟合:y=gx+h,其中y是浮标观测的波浪有效波高或平均周期数据,x是对应高度计观测的波浪有效波高或平均周期数据,g和h是待定拟合系数。这样不同的卫星高度计可以得到不同的线性拟合关系,并且波浪有效波高和平均周期的拟合关系也不同。应用拟合关系可对多个高度计进行逐一校正:用高度计沿轨观测的波浪有效波高或平均周期数据代入x,得到的y即为校正后的高度计波浪要素数据。
(4)将校正后的多卫星高度计波浪要素观测数据进行网格化处理:对应波浪数值模拟的网格信息,将高度计数据划分到不同的网格内,方法为对任意一个高度计的观测位置,选取与其空间距离最小的数值模式网格点,将其划分到该网格点下。对同一网格点,时间跨度不超过1小时的高度计波浪要素沿轨观测数据进行代数平均,得到该时刻下高度计波浪要素的网格化数据,需要注意的是,对于同一网格点的高度计波浪要素观测数据,其在时间上是不连续的。
3.波浪要素的数值模拟后报数据和卫星高度计观测数据的时空配准和同步数据获取。
根据步骤1得到的基于数值模式的波浪要素网格化数据,和基于步骤2经过校正的卫星高度计网格化数据,对两者进行时空配准:如步骤2所述,两者的网格空间信息相同,因此这里只需配准时间信息,其中高度计网格数据的时间信息是不连续的,而数值后报数据的时间信息是连续的(1小时间隔),因此,对应某一时刻的高度计网格数据,选取数值后报数据中与之最为接近的数据点,最终得到两者的波浪要素时空同步数据组;每一个高度计网格数据点都会得到对应同步的数值模拟数据点,所有的数据组合形成数据集,这里将该同步数据集称为B。
4.基于配准波浪要素的时空同步数据集,通过分析拟合方法构建校正模型;
根据步骤3得到的同步数据集B,进行分析并构建校正模型。在气候变化和工程环境研究中,主要关注年平均或年极值的时空变化过程,因此,需要进行逐年、逐网格的分析校正。首先需要对模式的可靠性进行检验分析:同步数据集B中,针对单个年、某一网格点下的同步数据子集Bjk(下标j表示年份,k是网格标号),计算有效波高或平均周期的数值模拟数据和高度计观测数据的相关系数,仅当两者的相关系数大于0.8时,认为波浪要素的数值模拟数据可靠,可用于后续校正,否则,将不能用于校正,标记为坏点数据;通过相关性检验的数值模拟数据,拟合得到Bjk中高度计观测和数值模拟的有效波高或平均周期之间的模型关系:由于不确定模式数据的误差特征,将采用多种曲线拟合方法,包括多项式拟合、指数拟合、对数拟合等,选取拟合误差最小的作为校正模型,这里以线性拟合为例:y1=px1+q,其中y1是高度计观测的有效波高或平均周期,x1是数值模拟的有效波高或平均周期,p和q是待定模拟系数,可以通过最小二乘法得到。
5.利用校正模型对波浪要素数值模拟数据进行优化,得到波浪再分析数据。
通过步骤4得到的校正模型,对波浪后报结果进行逐年、逐网格校正,这里假设最优校正模型为线性关系,即步骤4的实例:y1’=px1+q,将步骤1得到的波浪有效波高或平均周期模拟数据代入x1,得到的y1’即为波浪再分析数据。
下面将应用本发明方法对波浪长期模拟后报数据进行再分析校正,检验其在计算波浪有效波高气候变率的实际效果。气候变率定义为年平均有效波高的变化趋势。
图2a-图2e是不同波浪有效波高长期数据计算得到的中国近海波浪年平均有效波高的气候变率,其中“+”代表通过显著性检验。图2a是基于多平台融合风场(CCMP)强迫的波浪有效波高模拟后报数据;图2b是基于气候预报中心风场(CFSR)强迫的波浪有效波高模拟后报数据;图2c是基于对CCMP波浪有效波高模拟后报的再分析数据;图2d是基于对CFSR波浪有效波高模拟后报的再分析数据;图2e是欧洲预报中心发布的基于数据同化的波浪有效波高再分析数据。
如图2a-图2e所示,对比图2a和图2b可以看到,不同风场驱动下的波浪模拟后报数据的有效波高气候变率存在明显的差异,利用本实例提出的再分析方法对它们进行分别校正后,对比图2c和图2d可以看到它们的结果非常相近,并且它们与欧洲预报中心的基于数据同化方法的波浪再分析数据的计算结果也有很好的一致性,从而印证了本发明对波浪长期模拟数据的再分析方法的有效性。
在计算效率方面,本文的步骤1的单机单核CPU计算处理时间约为10-15日,其它步骤处理时间约为1-2日,而数据同化方法则需要数月的时间才能完成再分析过程,可以看出本发明方法极大的提高了数据再分析效率,尤其适用于研究气候影响所需要的波浪长期历史数据构建。
在数据使用上,本实例可灵活使用高度计观测数据,例如:通过本实例的步骤1-6得到再分析数据后,如果能获取新的高度计波浪要素观测数据,可直接在步骤1的基础上,仅重复步骤2-5,即可完成波浪要素模拟数据的再分析过程,快速、有效的生成新的波浪再分析数据,提高数据的可靠性。
Claims (3)
1.一种波浪长期模拟数据的再分析方法,其特征在于包括以下步骤:
1)构建基于卫星高度计的波浪要素观测数据和基于波浪数值模式的波浪要素模拟数据,并对两者进行时空配准,得到波浪要素的时空同步数据;
所述步骤1)包括以下步骤:
获取基于波浪数值模式的波浪要素模拟数据;
对各卫星高度计波浪要素观测数据进行校正和网格化;
对波浪要素模拟数据和卫星高度计波浪要素观测数据进行时空配准和同步,得到时空同步数据;
所述对各卫星高度计波浪要素观测数据进行校正和网格化包括以下步骤:
选取单个卫星高度计的波浪要素观测数据,对于某一时刻任意一个浮标的波浪要素观测数据,其与空间间隔小于设定长度、且时间间隔小于设定时间的高度计波浪要素观测数据的平均值作为时空同步数据;
对单个卫星的时空同步数据进行线性拟合;不同的卫星高度计得到不同的线性拟合关系,即浮标观测的波浪要素观测数据与高度计观测的波浪要素观测数据间的拟合关系;
应用拟合关系对多个高度计进行逐一校正,得到校正后的高度计波浪要素数据;
对应网格化的模拟数据,将高度计数据划分到不同的网格内:对任意一个高度计的观测位置,选取与其空间距离最小的模拟数据网格点,将其划分到该网格点下;对同一网格点,时间跨度不超过设定值的高度计波浪要素观测数据进行代数平均,得到该时刻下高度计波浪要素的网格化数据;
2)利用时空同步数据对波浪要素模拟数据进行分析校正,得到波浪要素的再分析数据。
2.根据权利要求1所述的一种波浪长期模拟数据的再分析方法,其特征在于所述对波浪要素模拟数据和卫星高度计波浪要素观测数据进行时空配准和同步,得到时空同步数据包括以下步骤:
根据网格化的模拟数据和高度计波浪要素的网格化数据,对两者进行时空配准:对应某一时刻的高度计波浪要素的网格数据,选取模拟数据中与之最为接近的数据点,最终得到两者的波浪要素时空同步数据组;每一个高度计网格数据点都得到对应同步的模拟数据点;所有的数据组合形成时空同步数据。
3.根据权利要求1所述的一种波浪长期模拟数据的再分析方法,其特征在于所述步骤2)包括以下步骤:
基于时空同步数据通过统计分析方法构建校正模型:时空同步数据中,针对单个年、某一网格点下的同步数据子集Bjk,j表示年份,k是网格标号,计算波浪要素模拟数据和高度计观测数据的相关系数,仅当两者的相关系数大于阈值时,认为波浪要素的模拟数据用于后续校正,否则,不用于校正,标记为坏点数据;将用于校正的模拟数据拟合得到Bjk中高度计观测波浪要素和波浪要素模拟数据之间的校正关系;
根据校正关系对模拟数据进行校正,得到波浪再分析数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810076619.9A CN108319772B (zh) | 2018-01-26 | 2018-01-26 | 一种波浪长期数据的再分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810076619.9A CN108319772B (zh) | 2018-01-26 | 2018-01-26 | 一种波浪长期数据的再分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108319772A CN108319772A (zh) | 2018-07-24 |
CN108319772B true CN108319772B (zh) | 2021-05-04 |
Family
ID=62887180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810076619.9A Active CN108319772B (zh) | 2018-01-26 | 2018-01-26 | 一种波浪长期数据的再分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108319772B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108920877A (zh) * | 2018-08-02 | 2018-11-30 | 中交第四航务工程勘察设计院有限公司 | 一种基于mike21-sw模型的全球波浪数值模拟方法 |
CN110222872B (zh) * | 2019-05-12 | 2023-04-18 | 天津大学 | 基于经验正交函数分解的海洋多要素中长期统计预测方法 |
CN111695250B (zh) * | 2020-06-04 | 2022-12-13 | 哈尔滨工程大学 | 一种内潮波特征提取方法 |
CN112182759A (zh) * | 2020-09-27 | 2021-01-05 | 中交第四航务工程勘察设计院有限公司 | 一种基于卫星高度计数据对波浪数值模拟结果的检验方法 |
CN113128758B (zh) * | 2021-04-16 | 2023-10-24 | 北京玖天气象科技有限公司 | 基于近海浮标海浪观测数据构建的最大浪高预报*** |
CN116976165A (zh) * | 2023-07-10 | 2023-10-31 | 扬州大学 | 一种基于空时结合的波能流资源测算方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102004856A (zh) * | 2010-11-27 | 2011-04-06 | 中国海洋大学 | 高频观测资料实时数据的快速集合卡曼滤波同化方法 |
CN106372367A (zh) * | 2016-09-30 | 2017-02-01 | 浙江大学 | 一种Argo浮标海洋产品的可视化仿真方法 |
CN107122606A (zh) * | 2017-04-26 | 2017-09-01 | 国家海洋信息中心 | 基于卫星高度计数据的海平面变化趋势计算方法及装置 |
CN107610021A (zh) * | 2017-07-21 | 2018-01-19 | 华中农业大学 | 环境变量时空分布的综合分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008224787A (ja) * | 2007-03-09 | 2008-09-25 | Sony Corp | 表示装置及び表示装置の駆動方法 |
-
2018
- 2018-01-26 CN CN201810076619.9A patent/CN108319772B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102004856A (zh) * | 2010-11-27 | 2011-04-06 | 中国海洋大学 | 高频观测资料实时数据的快速集合卡曼滤波同化方法 |
CN106372367A (zh) * | 2016-09-30 | 2017-02-01 | 浙江大学 | 一种Argo浮标海洋产品的可视化仿真方法 |
CN107122606A (zh) * | 2017-04-26 | 2017-09-01 | 国家海洋信息中心 | 基于卫星高度计数据的海平面变化趋势计算方法及装置 |
CN107610021A (zh) * | 2017-07-21 | 2018-01-19 | 华中农业大学 | 环境变量时空分布的综合分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108319772A (zh) | 2018-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108319772B (zh) | 一种波浪长期数据的再分析方法 | |
CN107316095B (zh) | 一种耦合多源数据的区域气象干旱等级预测方法 | |
CN113919231B (zh) | 基于时空图神经网络的pm2.5浓度时空变化预测方法及*** | |
CN112684520A (zh) | 一种气象预报的订正方法、装置、计算机设备及存储介质 | |
CN113297527A (zh) | 基于多源城市大数据的pm2.5全面域时空计算推断方法 | |
CN115204618B (zh) | 一种ccmvs区域碳源汇同化反演方法 | |
CN102175209A (zh) | 历史遥感产品数据支持下的作物种植面积测量高效抽样方法 | |
CN110399634B (zh) | 一种基于天气***影响的预报区域确定方法及*** | |
CN111401602A (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
CN114936201A (zh) | 基于自适应分块神经网络模型的卫星降水数据校正方法 | |
CN113536576A (zh) | 一种数值预报产品距平积分动力统计订正方法和*** | |
CN115081557A (zh) | 基于地面监测数据的夜间气溶胶光学厚度估算方法和*** | |
Zhang et al. | Assimilation of passive microwave streamflow signals for improving flood forecasting: A first study in Cubango River Basin, Africa | |
CN107831516B (zh) | 融合gnss和地面监测网获取大坝实时高精度位移的方法 | |
CN116822185A (zh) | 基于hasm的日降水数据空间模拟方法和*** | |
CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及*** | |
Zhu et al. | Validation of rainfall erosivity estimators for mainland China | |
CN114417728A (zh) | 基于温度和发射率及深度学习的近地表空气温度反演方法 | |
CN115936238B (zh) | 一种全域风电中长期出力预测方法、***、设备及介质 | |
CN109359862B (zh) | 一种粮食作物实时估产方法及*** | |
CN114966892B (zh) | 星地总辐射观测数据匹配及评估方法和***、介质及设备 | |
CN112632799B (zh) | 输电线路设计风速取值方法及装置 | |
KR101335209B1 (ko) | 고해상도 격자형 미래기후변화 시나리오 자료 생성 방법 | |
CN115730524A (zh) | 一种基于机器学习的数值模拟虚拟测风误差订正方法 | |
CN114219176A (zh) | 一种多源算法集成的太阳辐射预报***及方法 |
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 |