CN110603465A - 用于预报降雪概率分布的***和方法 - Google Patents

用于预报降雪概率分布的***和方法 Download PDF

Info

Publication number
CN110603465A
CN110603465A CN201880029742.3A CN201880029742A CN110603465A CN 110603465 A CN110603465 A CN 110603465A CN 201880029742 A CN201880029742 A CN 201880029742A CN 110603465 A CN110603465 A CN 110603465A
Authority
CN
China
Prior art keywords
snowfall
probability
forecast
accumulation
snowfall accumulation
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.)
Granted
Application number
CN201880029742.3A
Other languages
English (en)
Other versions
CN110603465B (zh
Inventor
D·德波德温
J·波特
M·R·鲁特
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.)
Precision Weather Forecast Co Ltd
Accuweather Inc
Original Assignee
Precision Weather Forecast Co Ltd
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 Precision Weather Forecast Co Ltd filed Critical Precision Weather Forecast Co Ltd
Publication of CN110603465A publication Critical patent/CN110603465A/zh
Application granted granted Critical
Publication of CN110603465B publication Critical patent/CN110603465B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (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

当前可用的包括具体降雪累积或范围的天气预报没有传达降雪将在预报的降雪累积范围内的概率、其它降雪累积量的概率、或者预报员的置信水平。公开一种降雪概率分布预报***，该降雪概率分布预报***使用基于规则的过程来利用包括集合预报的成员的第三方天气预报以生成预报最可能降雪累积范围、降雪累积将在最可能降雪累积范围内的概率、以及降雪累积将在最可能降雪累积范围外的概率的降雪概率分布。为了确保与确定性预报的一致性，可以基于确定性预报转换降雪概率分布。因为第三方天气预报能够产生降雪累积预报的非正态分布，所以降雪概率分布可以被正态化。

Description

用于预报降雪概率分布的***和方法
相关申请的交叉引用
本申请要求2017年3月30日提交的美国临时专利申请No.62/479,062的优先权，该美国临时专利申请No.62/479,062的整体内容通过引用合并在此。
背景技术
降雪累积预报对个人和组织具有极大的价值。不仅消费者和企业将降雪累积预报用于规划目的，而且运输***和其它关键***组件也使用降雪和其它降水的预报来调整运营、防止对基础设施的损坏、以及避免可能危害公众的事件。
当前的预报方法对暴风雪产生确定性预报。那些确定性预报包括在具体时间和地方的具体降雪累积(通常是范围)，该具体降雪累积表示基于来自数学模型的信息以及气象学家的训练和经验而做出主观确定的气象学家(或一组气象学家)的最佳猜测。那些确定性预报极为有趣，但是没有传达诸如降雪将在预报的降雪累积范围内的概率以及其它降雪累积量的概率的额外信息。确定性预报也没有传达预报员的置信水平或那个置信会如何随时间变化。
概率分布而非确定性预报将传达每场暴风雪的潜在结果的广泛范围以及那些结果的可能性的更深刻的理解。
现代的预报员可以利用包括集合预报的数十种天气预报，该集合预报使用同一数学模型来执行多次模拟(称为“成员”)，以试图考虑预报模型中的不确定性的两个常见来源(由使用不完美的初始条件而引入的误差以及由于模型表述的不完美而引入的误差)。现有的天气预报不提供降雪累积或其它方面的概率分布。相反，可以使用每个天气预报(或成员)来生成单个确定性预报。
LeBlanc的美国专利公开No.2014/0303893描述通过将降雪的概率与总体降水率的概率分布相结合来生成降雪率的概率分布的***。然而，LeBlanc***既需要计算降雪的概率，又需要生成总体降水率的概率分布，这两者都难以使用现有的天气预报方法来精确地进行。
考虑到对每场暴风雪的潜在结果的广泛范围的更准确的评估的期望以及现有的天气预报和天气预报***两者的缺点，需要基于规则的过程来生成预报多个降雪累积范围以及降雪累积将在那些范围中的每一个内的概率的降雪概率分布。此外，为了避免困惑用户，基于规则的过程生成与同一地点和时间段的确定性预报一致并且反映从最可能降雪累积范围到概率分布的尾部的正态分布的降雪概率分布是重要的。
发明内容
为了克服现有技术中的那些和其它缺点，公开降雪概率分布预报***，该降雪概率分布预报***使用基于规则的过程来利用包括集合预报的成员的第三方天气预报以生成预报最可能降雪累积范围、降雪累积将在最可能降雪累积范围内的概率、以及降雪累积将在最可能降雪累积范围外的概率的降雪概率分布。
降雪概率分布预报***存储多个天气预报，识别暴风雪的预测地点和预测时间段，基于多个天气预报中的每一个确定降雪累积预报，通过识别一系列连续的非重叠的降雪累积范围并且确定在降雪累积范围中的每一个中有多少降雪累积预报来形成集合直方图，基于集合直方图计算表示降雪累积量的相对可能性的概率密度函数，基于概率密度函数形成降雪概率分布，生成降雪概率预报(其包括最可能降雪累积范围以及在预测时间段期间预测地点中的降雪累积将在最可能降雪累积范围内的概率)，以及输出降雪概率预报。
为了确保确定性预报与由降雪概率分布所指示的最可能降雪累积范围之间的一致性，降雪概率分布预报***可以转换降雪概率分布，使得确定性预报中的预报的降雪累积落在降雪概率分布的最可能降雪累积范围内。此外，因为第三方天气预报能够产生降雪累积预报的非正态分布，所以降雪概率分布预报***可以使数据正态化，使得每个降雪累积范围的概率从降雪概率分布的最可能降雪累积范围下降到降雪概率分布的尾部。
附图说明
参照附图可以更好地理解示例性实施例的方面，其中：
图1是图示根据本发明的示例性实施例的降雪概率分布预报***的架构的图；
图2是图示根据本发明的示例性实施例的降雪概率分布预报***的框图；
图3是图示根据本发明的示例性实施例的用于生成降雪概率分布的过程的流程图；
图4是图示示例集合直方图、示例概率密度分布、以及示例正态化的概率密度函数的曲线图；
图5是根据本发明的示例性实施例的由图形用户界面输出的包括使用图4中所示的直方图生成的降雪概率预报的视图；
图6是根据本发明的另一示例性实施例的由图形用户界面输出的包括降雪概率预报的视图；
图7是根据本发明的另一示例性实施例的由图形用户界面输出的包括降雪概率预报的视图；
图8是根据本发明的另一示例性实施例的由图形用户界面输出的包括降雪概率预报的视图；
图9是根据本发明的另一示例性实施例的由图形用户界面输出的包括降雪概率预报的视图；以及
图10是根据本发明的另一示例性实施例的由图形用户界面输出的包括降雪概率预报的视图。
具体实施方式
现在参照图示本发明的示例性实施例的各种视图的附图。在本文中的附图和附图的描述中，某些术语仅为了方便起见而使用，而非要被当作限制本发明的实施例。此外，在附图和以下的描述中，同样的标号始终指示同样的元素。
图1是图示根据本发明的示例性实施例的降雪概率分布预报***200的架构100的图。
如图1中所示，架构100包括经由诸如因特网的广域网130从第三方数据源110接收信息并且与远程客户端设备180通信的一个或多个服务器120。一个或多个服务器120还可以在非暂时性计算机可读存储介质126上存储数据并且从非暂时性计算机可读存储介质126读取数据。一个或多个服务器120还可以或者直接(经由有线和/或无线通信路径)或者经由局域网132与一个或多个本地客户端设备140通信。
第三方数据源110可以包括例如由国家环境预测中心(NCEP服务器112)和欧洲中期天气预报中心(ECMWF服务器114)维护的服务器。额外的第三方数据源110可以包括国家气象局(NWS)、国家飓风中心(NHC)、加拿大环境部、其它政府机构(诸如英国气象局、日本气象厅等)、私营公司(诸如AccuWeather公司、AccuWeather Enterprise Solutions公司、Vaisalia’s U.S.National Lightning Detection Network、Weather DecisionTechnologies公司)、个人(诸如Spotter Network的成员)等。
一个或多个服务器120中的每一个可以是被配置为经由网络130和132发送和/或接收数据的任何合适的硬件计算设备。一个或多个服务器120中的每一个包括内部非暂时性存储介质和至少一个硬件计算机处理器。一个或多个服务器120可以包括例如应用服务器和托管包括web浏览器的远程客户端设备180中的任何一个可访问的网站的web服务器。
非暂时性计算机可读存储介质126可以包括硬盘、固态存储器等。非暂时性计算机可读存储介质126可以在服务器120中的一个内部或者在一个或多个服务器120外部。一个或多个服务器120可以经由有线和/或无线通信路径和/或经由网络132与非暂时性计算机可读存储介质126通信。
网络130和132可以包括因特网、蜂窝网、广域网(WAN)、局域网(LAN)等的任何组合。经由网络130和132的通信可以通过有线和/或无线通信路径来实现。
一个或多个本地客户端设备140中的每一个可以是被配置为经由网络132发送和接收数据的任何合适的硬件计算设备。一个或多个本地客户端设备140中的每一个包括内部非暂时性存储介质和至少一个硬件计算机处理器。一个或多个本地客户端设备140中的每一个可以是例如个人计算设备(例如桌面计算机、笔记本计算机、平板电脑、智能电话等)。
远程客户端设备180中的每一个可以是被配置为经由网络130接收数据的任何合适的硬件计算设备。远程客户端设备180中的每一个包括内部非暂时性存储介质和至少一个硬件计算机处理器。远程客户端设备180可以包括接收和显示经由web浏览器、本地或远程(例如在服务器120上)安装的软件应用等从网络130接收的信息的个人计算设备(例如桌面计算机182、笔记本计算机、平板电脑186、智能电话184等)。远程客户端设备180可以包括接收和显示经由移动应用等从网络130接收的信息的智能电话184和/或平板电脑186。在最简单的实施例中，远程客户端设备180接收由降雪概率分布预报***200生成的降雪概率分布，并且将那些降雪概率分布显示给用户(例如经由web浏览器、移动应用等)。如以下将更详细地描述的，远程客户端设备180还可以包括接收由降雪概率分布预报***200生成的降雪概率分布的其它合适的硬件计算设备188，并且除了或者代替将那些降雪概率分布显示给用户，响应于降雪概率分布中包括的信息而控制硬件或软件设备。
图2是图示根据本发明的示例性实施例的降雪概率分布预报***200的框图。
如图2中所示，降雪概率分布预报***200包括预报数据库240、分析单元260、以及图形用户界面280。降雪概率分布预报***200还可以包括历史天气数据库250和历史天气预报数据库255。
预报数据库240可以是任何有组织的信息集，不管存储在单个有形设备还是多个有形设备(例如非暂时性计算机可读存储介质126)上。预报数据库240存储从第三方数据源110接收的第三方天气预报242、以及使用一个或多个服务器120和/或一个或多个本地客户端设备140生成的确定性预报248。预报数据库240还可以存储由政府机构(例如NWS、本地NWS办公室等)发布的冬季天气消息246。
第三方天气预报242是使用基于当前天气状况的估计来预报未来天气状况的大气和海洋的数学模型而生成的。第三方天气预报242可以包括例如定量降水预报以及对温度、垂直运动和相对湿度的预报。第三方天气预报242可以是包括若干单独预报(称为“成员”)的集合预报。集合预报使用同一数学模型来执行多次模拟，以试图考虑预报模型中的不确定性的两个常见来源：由使用不完美的初始条件而引入的误差以及由于模型表述中的不完美而引入的误差。因此，如以下使用的，第三方天气预报242指的是集合预报的每个成员。
第三方天气预报242可以包括例如国家环境预测中心(NCEP)全球预报***(GFS)的一次确定性运行、全球集合预报***(GEFS)的成员(例如20个成员)、风暴预测中心(SPC)短期集合预报(SREF)的成员(例如26个成员)、欧洲中期天气预报中心(ECMWF)集合预测***的成员(例如26个成员)。可以从NCEP服务器112接收NCEP GFS预报、GEFS成员、以及SREF成员。可以从ECMWF服务器114接收ECMWF成员。
冬季天气消息246是由NWS(和/或本地办公室)在预报的冬季天气之前发布的。冬季天气消息包括冬季风暴警告、冬季风暴监视、以及冬季天气通报。
确定性预报248也可以使用一个或多个数学模型来生成。然而，确定性预报248可以由基于来自那些一个或多个数学模型的信息以及他或她的训练和经验而做出主观确定的气象学家来生成或修改。“确定性预报”是对在预测时间段期间预测地点中的具体量值(或量值的范围)的事件(例如，2018年3月20日与2018年3月22日之间费城降雪8英寸)的预测。确定性预报248可以由来自AccuWeather公司、AccuWeather Enterprise Solutions公司等的一个或多个气象学家生成。
可选的历史天气数据库250可以是任何有组织的信息集，不管存储在单个有形设备还是多个有形设备(例如非暂时性计算机可读存储介质126)上。历史天气数据库250可以存储指示过去的降雪累积252的地理位置和时间索引信息。
可选的历史天气预报数据库255可以是任何有组织的信息集，不管存储在单个有形设备还是多个有形设备(例如非暂时性计算机可读存储介质126)上。历史天气预报数据库255可以存储过去的降雪累积的地点和时间段的第三方天气预报242和确定性预报248。
分析单元260包括硬件计算机处理器以及硬件计算机处理器可访问和执行的软件指令。分析单元260可以是被配置为接收第三方天气预报242和确定性预报248、如以下详细描述的基于第三方天气预报242和确定性预报248生成降雪概率分布、以及将那些降雪概率分布输出到远程客户端设备180的硬件和软件的任何合适的组合。分析单元260可以包括例如作为用于地球科学数据的容易访问、操纵和可视化的交互式桌面工具的网格分析和显示***(GrADS)。分析单元可以例如由一个或多个服务器120和/或执行从一个或多个服务器120下载的软件指令的远程客户端设备180来实现。
图形用户界面280可以是输出信息(包括以下讨论的降雪概率分布)以显示给用户的任何界面。图形用户界面280可以由web服务器(例如服务器120中的一个)生成以经由web浏览器显示给远程客户端设备180的用户。另外地或替代地，图形用户界面280可以由存储在远程客户端设备180上的本地软件(例如移动应用)生成。
如上所述，当前的预报方法产生确定性预报248，该确定性预报248包括表示基于来自那些数学模型的信息以及气象学家的训练和经验而做出主观确定的气象学家(或一组气象学家)的最佳猜测的具体降雪累积(通常是一个范围)。然而，那些确定性预报248没有传达诸如降雪将在预报的降雪累积范围内的概率和其它降雪累积量的概率的额外信息。如以下详细描述的，降雪概率分布预报***200使用基于规则的过程来利用包括集合预报的成员的第三方天气预报242以生成预报最可能降雪累积范围、降雪累积将在最可能降雪累积范围内的概率、以及降雪累积将在最可能降雪累积范围外的概率的降雪概率分布。
为了确保确定性预报248与由降雪概率分布所指示的最可能降雪累积范围之间的一致性，降雪概率分布预报***200可以转换降雪概率分布，使得确定性预报248中的预报的降雪累积落在降雪概率分布的最可能降雪累积范围内。此外，因为第三方天气预报242能够产生降雪累积预报的非正态分布，所以降雪概率分布预报***200可以使数据正态化，使得每个降雪累积范围的概率从降雪概率分布的最可能降雪累积范围下降到降雪概率分布的尾部。
图3是图示根据本发明的示例性实施例的用于生成降雪概率分布的过程300的流程图。降雪概率分布过程300由分析单元260(例如，由服务器120)来执行。
尽管以下将过程300描述为生成降雪概率分布，但是本领域的普通技术人员将认识到，可以使用类似的过程来生成其它预报的天气状况(包括降雨量、液体当量、冰累积、风速、温度等)的概率分布。
在步骤302中接收第三方天气预报242。第三方天气预报242可以包括例如来自NCEP GFS的确定性预报、GEFS集合的20个成员、SREF集合的26个成员、以及ECMWF集合预测***的26个成员。可以从NCEP服务器112接收NCEP GFS预报、GEFS成员、以及SREF成员。可以从ECMWF服务器114接收ECMWF成员。
在步骤304中，对第三方天气预报242进行插值以符合统一的地理网格。
在步骤306中识别暴风雪。例如，当冬季天气消息246包含预报的降雪累积时，可以识别暴风雪。替代地，当确定性预报248指示预报的暴风雪或者预报的降雪累积的量值时，可以识别暴风雪。
在步骤308中识别预测地点。预测地点可以是例如在冬季天气消息246中识别的地点。替代地，暴风雪的预测地点可以是例如由指示预报的暴风雪或者预报的降雪累积的量值的确定性预报248指示的地点。
在步骤310中识别预测时间段。预测时间段可以是例如冬季天气消息246中指定的时间段。替代地，预测时间段可以是例如确定性预报248中的预报的暴风雪的预报时间段。
对于每个第三方天气预报242，在步骤312中确定在预测时间段期间预测地点中的预报的降雪累积。预报的降雪累积可以使用Cobb方法确定，其中(基于预报的温度、预报的垂直运动、以及预报的相对湿度)计算降雪含水比，并且将定量降水预报乘以计算的降雪含水比。在一些情况下，第三方天气预报242可以包括对在某些时间段期间降下的降水进行分类(例如，分类为雪、雨、雨夹雪、或混合)。在那些情况下，可以通过输出分类为雪的定量降水预报来确定预报的降雪累积。
基于在步骤312中确定的降雪累积预报，在步骤314中生成降雪概率分布。通过以下来生成降雪概率分布：识别一系列连续的非重叠的降雪累积范围；通过确定在每个降雪累积范围中有多少降雪累积预报来形成集合直方图；基于集合直方图计算概率密度函数；以及基于概率密度函数形成降雪概率分布。
以下参照示例场景来描述用于生成降雪概率分布的过程，其中十个第三方天气预报242具有在预测时间段期间预测地点的降雪累积预报如下：
·成员1：2英寸
·成员2：1英寸
·成员3：3.5英寸
·成员4：3.5英寸
·成员5：4英寸
·成员6：8英寸
·成员7：7.5英寸
·成员8：2英寸
·成员9：5英寸
·成员10：1英寸
然后，将来自第三方天气预报242的降雪累积预报归类到识别的降雪累积范围中。例如，使用1英寸的降雪累积范围，示例降雪累积预报被归类如下：
·0-1英寸：0(百分之0)
·1-2英寸：2(百分之20)
·2-3英寸：2(百分之20)
·3-4英寸：2(百分之20)
·4-5英寸：1(百分之10)
·5-6英寸：1(百分之10)
·6-7英寸：0(百分之0)
·7-8英寸：1(百分之10)
·8-9英寸：1(百分之10)
降雪累积范围可以是预定的。替代地，可以基于降雪累积预报来识别降雪累积范围。在示例性实施例中，识别表示最低降雪累积、低降雪累积、最可能降雪累积、较高降雪累积、以及最高降雪累积的五个降雪累积范围。然而，降雪累积可以被划分成任何数量的降雪累积范围。例如，如果识别三个降雪累积范围，则示例降雪累积预报被归类如下：
·0-3英寸：百分之40
·3-6英寸：百分之40
·6-9英寸：百分之20
本质上，降雪概率分布预报***200生成降雪概率分布，其中在预测时间段期间预测地点中的预报的降雪累积将在每个降雪累积范围内的概率是降雪累积预报在每个降雪累积范围内的情况下第三方天气预报242的百分比。
在步骤316中，可以可选地基于确定性预报348转换在步骤314中生成的降雪概率分布。例如，可以转换原始的降雪概率分布(在步骤314中生成)，使得转换后的降雪概率分布的众数等于确定性预报348中的预报的降雪累积。(可以例如使用如上所述的Cobb方法计算确定性预报348中的预报的降雪累积。)转换后的降雪概率分布与原始的降雪概率分布的均值之间的差被用作转换原始的降雪概率分布中的每个点的权重。因此，降雪概率分布预报***200创建转换后的降雪概率分布，其中确定性预报348影响转换后的降雪概率分布中的每个点。
在步骤318中，可以可选地使(原始的或可选地转换后的)降雪概率分布正态化。例如，降雪概率分布预报***200可以执行迭代过程，其中将来自远尾部的数据点向概率分布的均值(或众数或中位数)移动，直到每个降雪累积范围的概率从降雪概率分布的众数(或中位数或均值)下降到降雪概率分布的尾部。
图4是图示示例集合直方图、示例概率密度函数、以及示例正态化的概率密度函数的曲线图400。(注意，图4中所图示的示例与以上示例不匹配。)
在上述实施例中，每个第三方天气预报242在生成降雪概率分布时被同等地加权。然而，在其它实施例中，可以基于第三方天气预报242过去预报降雪累积的准确性来对第三方天气预报242进行加权。例如，降雪概率分布预报***200可以将过去的降雪累积252以及针对降雪累积252的地点和时间段的第三方天气预报242(以及可选地确定性预报248)来构建统计模型，其中第三方天气预报242中的每一个被加权以形成最准确地预测过去的降雪累积252的降雪概率分布。因此，即使第三方天气预报242中的一些或全部的准确性随时间而改变(由于气候状况或第三方天气预报242的改变)，降雪概率分布预报***200也能够生成最准确地预报未来的降雪累积的降雪概率分布。
在步骤320中生成降雪概率预报。降雪概率预报包括最有可能降雪分布范围以及基于降雪概率分布在预测时间段期间预测地点中的降雪累积将在最可能降雪累积范围内的概率。降雪概率预报还可以包括较高降雪累积范围(和基于降雪概率分布降雪累积将在较高降雪累积范围内的概率)以及较低降雪累积范围(和基于降雪概率分布降雪累积将在较高降雪累积范围内的概率)。
在步骤322中输出降雪概率预报。在最简单的实施例中，降雪概率预报被输出到远程客户端设备180以经由图形用户界面280显示给用户。例如，降雪概率预报可以被显示为网页或移动应用的一部分。在其它实施例中，降雪概率预报可以被输出到远程客户端设备180以响应于降雪概率预报中包括的信息而控制硬件或软件设备。仅列举一个示例，降雪概率预报可以被输出到铁路***，该铁路***可以被配置为如果降雪累积在累积阈值处或者以上的概率满足或者超过概率阈值，则使火车路线改道或者取消。
图5图示根据本发明的示例性实施例的由图形用户界面280输出的包括使用图4中所示的直方图生成的降雪概率预报的视图500。
如图5中所示，视图500可以包括文本显示550和/或条形图510。条形图510例如可以包括：最可能降雪累积范围515、降雪累积将在最可能降雪累积范围515内的概率525、和降雪累积将在最可能降雪累积范围515内的概率525的可视表示535；较高降雪累积范围513、降雪累积将在较高降雪累积范围513内的概率523、和降雪累积将在较高降雪累积范围525内的概率523的可视表示533；较低降雪累积范围517、降雪累积将在较低降雪累积范围517内的概率527、和降雪累积将在较低降雪累积范围517内的概率527的可视表示537；最高降雪累积范围511、降雪累积将在最高降雪累积范围511内的概率521、和降雪累积将在最高降雪累积范围521内的概率521的可视表示531；以及最低降雪累积范围519、降雪累积将在最高降雪累积范围519内的概率529、和降雪累积将在最高降雪累积范围529内的概率529的可视表示539。
文本显示550可以包括最可能降雪累积范围515、降雪累积将低于最可能降雪累积范围515的概率548、以及降雪累积将低于最可能降雪累积范围515的概率542。
视图500还可以包括预测地点552。
图6图示根据本发明的另一示例性实施例的由图形用户界面280输出的包括降雪概率预报的视图600。
如图6中所示，视图600与视图500的类似之处在于它包括文本显示550和条形图510。另外地，视图600包括将概率(沿y轴)图示为降雪累积(沿x轴)的函数的线图620。线图620可以包括概率分布的众数、中位数、以及均值的可视表示。可以在某些间隔处标记线图620。例如，如图6中所示，可以沿x轴在均值、距均值1.5个标准偏差、以及距均值2.5个标准偏差处标记线图620。
图形用户界面280可以对不同的用户输出不同的视图。例如，可以向个人网站访问者、移动应用用户、商业用户、政府机构等输出不同的视图。
图7图示根据本发明的另一示例性实施例的由图形用户界面280输出的包括降雪概率预报的视图700。
如图7中所示，视图700包括最可能降雪累积范围715、降雪累积将在最可能降雪累积范围715内的概率725、以及降雪累积将在最可能降雪累积范围715内的概率725的可视表示735。视图700还包括降雪累积将高于最可能降雪累积范围715的概率728、以及降雪累积将高于最可能降雪累积范围715的概率728的可视表示738。视图700还包括降雪累积将低于最可能降雪累积范围715的概率722、以及降雪累积将高于最可能降雪累积范围715的概率722的可视表示732。视图700还包括预测时间段和在预测时间段期间各种降水类型的概率的可视表示。
图8图示根据本发明的另一示例性实施例的由图形用户界面280输出的包括降雪概率预报的视图800。
如图8中所示，视图800包括最可能降雪累积范围815、以及最可能降雪累积范围815的可视表示845。视图800还包括最高累积预报818和最低累积预报812、以及来自最高累积预报818和最低累积预报812的可视表示842。最高累积预报818可以是例如由单个第三方预报242预报的最大降雪累积，并且最低累积预报812可以是由单个第三方预报242预报的最小降雪累积。替代地，最高累积预报818和最低累积预报812可以由预定数量或百分比的第三方预报242预报的最大和最小。
图9图示根据本发明的另一示例性实施例的由图形用户界面280输出的包括降雪概率预报的视图900。
如图9中所示，视图900包括最可能降雪累积范围915、以及降雪累积将在最可能降雪累积范围915内的概率的可视表示935。视图900还包括降雪累积将高于最可能降雪累积范围915的概率的可视表示938、以及降雪累积将高于最可能降雪累积范围915的概率的可视表示932。
图10图示根据本发明的另一示例性实施例的由图形用户界面280输出的包括降雪概率预报的视图1000。
如图10中所示，视图1000包括：最可能降雪累积范围1015、降雪累积将在最可能降雪累积范围1015内的概率1025、和降雪累积将在最可能降雪累积范围1015内的概率1025的可视表示1035；较高降雪累积范围1013、降雪累积将在较高降雪累积范围1013内的概率1023、和降雪累积将在较高降雪累积范围1025内的概率1023的可视表示1033；较低降雪累积范围1017、降雪累积将在较低降雪累积范围1017内的概率1027、和降雪累积将在较低降雪累积范围1017内的概率1027的可视表示1037；最高降雪累积范围1011、降雪累积将在最高降雪累积范围1011内的概率1021、和降雪累积将在最高降雪累积范围1021内的概率1021的可视表示1031；以及最低降雪累积范围1019、降雪累积将在最高降雪累积范围1019内的概率1029、和降雪累积将在最高降雪累积范围1029内的概率1029的可视表示1039。
尽管以上已阐述了优选实施例，但是已阅览了本公开的本领域技术人员将容易意识到可以在本发明的范围内实现其它实施例。硬件组件和软件模块的具体数量的公开是说明性的而非限制性的。因此，本发明应当被解释为仅由所附的权利要求书限制。
权利要求书(按照条约第19条的修改)
1.一种预报降雪累积的方法，所述方法包括：
识别暴风雪的预测地点和预测时间段；
接收所述预测地点中所述预测时间段的多个天气预报；
对于所述多个天气预报中的每个天气预报，确定降雪累积预报；
通过识别一系列连续的非重叠的降雪累积范围、并且确定在所述降雪累积范围中的每个降雪累积范围中有多少降雪累积预报，形成集合直方图；
基于所述集合直方图计算表示降雪累积量的相对可能性的概率密度函数；
基于所述概率密度函数形成降雪概率分布，所述降雪概率分布包括：
最可能降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述最可能降雪累积范围内的概率；
至少一个较高降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述较高降雪累积范围内的概率；以及
至少一个较低降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述较低降雪累积范围内的概率；
生成降雪概率预报，所述降雪概率预报包括所述最可能降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述最可能降雪累积范围内的概率；以及
输出所述降雪概率预报。
2.根据权利要求1所述的方法，还包括：
识别所述时间段期间所述预测地点的确定性降雪累积预报；
通过以下创建经调整的概率密度函数：
使所述经调整的概率密度函数的众数与所述确定性降雪累积预报相等；
计算所述确定性降雪累积预报与所述概率密度函数的均值之间的差；以及
基于所述确定性降雪累积预报与所述概率密度函数的均值之间的差转换所述概率密度函数，
其中，所述降雪概率预报基于所述经调整的概率密度函数。
3.根据权利要求1所述的方法，还包括：
通过将来自所述概率密度函数的远尾部的数据点向所述概率密度函数的均值移动直到每个降雪累积范围的概率从所述最可能降雪累积范围下降到所述降雪概率分布的尾部，创建正态化的概率密度函数，
其中，所述降雪概率预报基于所述正态化的概率密度函数。
4.根据权利要求1所述的方法，其中，所述降雪概率预报还包括：
所述较高降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述较高降雪累积范围内的概率；以及
所述较低降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述较低降雪累积范围内的概率。
5.根据权利要求4所述的方法，其中，所述降雪概率预报还包括：
最高降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述最高降雪累积范围内的概率；以及
最低降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述最低降雪累积范围内的概率。
6.根据权利要求1所述的方法，其中，所述降雪累积预报是使用Cobb方法基于所述多个天气预报确定的。
7.根据权利要求6所述的方法，其中：
所述多个天气预报中的每个天气预报包括预报的降水量、预报预报的温度、预报的垂直运动、以及预报的相对湿度；并且
所述降雪累积预报是通过以下确定的：
基于所述预报的温度、所述预报的垂直运动、以及所述预报的相对湿度计算降雪含水比；以及
将所述预报的降水量乘以所述降雪含水比。
8.根据权利要求1所述的方法，其中，所述降雪概率预报被输出到远程设备以经由图形用户界面显示给用户。
9.根据权利要求1所述的方法，其中，所述降雪概率预报被输出以控制远程设备。
10.根据权利要求1所述的方法，其中，所述多个天气预报包括以下中的至少一个：国家环境预测中心(NCEP)全球预报***(GFS)、全球集合预报***(GEFS)的一个或多个成员、NCEP短期集合预报(SREF)的一个或多个成员、或者欧洲中期天气中心(ECMWF)集合的一个或多个成员。
11.一种***，包括：
预报数据库，所述预报数据库存储多个天气预报；
分析单元，所述分析单元：
识别暴风雪的预测地点和预测时间段；
对于所述多个天气预报中的每个天气预报，确定降雪累积预报；
通过识别一系列连续的非重叠的降雪累积范围、并且确定在所述降雪累积范围中的每个降雪累积范围中有多少降雪累积预报，形成集合直方图；
基于所述集合直方图计算表示降雪累积量的相对可能性的概率密度函数；
基于所述概率密度函数形成降雪概率分布，所述降雪概率分布包括：
最可能降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述最可能降雪累积范围内的概率；
至少一个较高降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述较高降雪累积范围内的概率；以及
至少一个较低降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述较低降雪累积范围内的概率；
生成降雪概率预报，所述降雪概率预报包括所述最可能降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述最可能降雪累积范围内的概率；以及
输出所述降雪概率预报。
12.根据权利要求11所述的***，其中：
所述预报数据库还包括所述时间段期间所述预测地点的确定性降雪累积预报；并且
所述分析单元还被配置为：
通过以下创建经调整的概率密度函数：
使所述经调整的概率密度函数的众数与所述确定性降雪累积预报相等；
计算所述确定性降雪累积预报与所述概率密度函数的均值之间的差；以及
基于所述确定性降雪累积预报与所述概率密度函数的均值之间的差转换所述概率密度函数，
其中，所述降雪概率预报基于所述经调整的概率密度函数。
13.根据权利要求11所述的***，其中，所述分析单元还被配置为：
通过将来自所述概率密度函数的远尾部的数据点向所述概率密度函数的均值移动直到每个降雪累积范围的概率从所述最可能降雪累积范围下降到所述降雪概率分布的尾部，创建正态化的概率密度函数，
其中，所述降雪概率预报基于所述正态化的概率密度函数。
14.根据权利要求11所述的***，其中，所述降雪概率预报还包括：
所述较高降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述较高降雪累积范围内的概率；以及
所述较低降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述较低降雪累积范围内的概率。
15.根据权利要求14所述的***，其中，所述降雪概率预报还包括：
最高降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述最高降雪累积范围内的概率；以及
最低降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述最低降雪累积范围内的概率。
16.根据权利要求11所述的方法，其中，所述分析单元还被配置为使用Cobb方法基于所述多个天气预报确定所述降雪累积预报。
17.根据权利要求16所述的方法，其中：
所述多个天气预报中的每个天气预报包括预报的降水量、预报预报的温度、预报的垂直运动、以及预报的相对湿度；并且
所述分析单元被配置为通过以下确定所述降雪累积预报：
基于所述预报的温度、所述预报的垂直运动、以及所述预报的相对湿度计算降雪含水比；以及
将所述预报的降水量乘以所述降雪含水比。
18.根据权利要求11所述的方法，其中，所述分析单元将所述降雪概率预报输出到远程设备以经由图形用户界面显示给用户。
19.根据权利要求11所述的方法，其中，所述分析单元将所述降雪概率预报输出以控制远程设备。
20.根据权利要求11所述的方法，其中，所述多个天气预报包括以下中的至少一个：国家环境预测中心(NCEP)全球预报***(GFS)、全球集合预报***(GEFS)的一个或多个成员、NCEP短期集合预报(SREF)的一个或多个成员、或者欧洲中期天气中心(ECMWF)集合的一个或多个成员。
21.一种存储指令的非暂时性计算机可读存储介质，所述指令在被计算机处理器执行时，使计算***：
识别暴风雪的预测地点和预测时间段；
接收所述预测地点中所述预测时间段的多个天气预报；
对于所述多个天气预报中的每个天气预报，确定降雪累积预报；
通过识别一系列连续的非重叠的降雪累积范围、并且确定在所述降雪累积范围中的每个降雪累积范围中有多少降雪累积预报，形成集合直方图；
基于所述集合直方图计算表示降雪累积量的相对可能性的概率密度函数；
基于所述概率密度函数形成降雪概率分布，所述降雪概率分布包括：
最可能降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述最可能降雪累积范围内的概率；
至少一个较高降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述较高降雪累积范围内的概率；以及
至少一个较低降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述较低降雪累积范围内的概率；
生成降雪概率预报，所述降雪概率预报包括所述最可能降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述最可能降雪累积范围内的概率；以及
输出所述降雪概率预报。

Claims (21)

1.一种预报降雪累积的方法，所述方法包括：
识别暴风雪的预测地点和预测时间段；
接收所述预测地点中所述预测时间段的多个天气预报；
对于所述多个天气预报中的每个天气预报，确定降雪累积预报；
通过识别一系列连续的非重叠的降雪累积范围、并且确定在所述降雪累积范围中的每个降雪累积范围中有多少降雪累积预报，形成集合直方图；
基于所述集合直方图计算表示降雪累积量的相对可能性的概率密度函数；
基于所述概率密度函数形成降雪概率分布，所述降雪概率分布包括：
最可能降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述最可能降雪累积范围内的概率；
至少一个较高降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述较高降雪累积范围内的概率；以及
至少一个较低降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述较低降雪累积范围内的概率；
生成降雪概率预报，所述降雪概率预报包括所述最可能降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述最可能降雪累积范围内的概率；以及
输出所述降雪概率预报。
2.根据权利要求1所述的方法，还包括：
识别所述时间段期间所述预测地点的确定性降雪累积预报；
通过以下创建经调整的概率密度函数：
使所述经调整的概率密度函数的众数与所述确定性降雪累积预报相等；
计算所述确定性降雪累积预报与所述概率密度函数的均值之间的差；以及
基于所述确定性降雪累积预报与所述概率密度函数的均值之间的差转换所述概率密度函数，
其中，所述降雪概率预报基于所述经调整的概率密度函数。
3.根据权利要求1所述的方法，还包括：
通过将来自所述概率密度函数的远尾部的数据点向所述概率密度函数的均值移动直到每个降雪累积范围的概率从所述最可能降雪累积范围下降到所述降雪概率分布的尾部，创建正态化的概率密度函数，
其中，所述降雪概率预报基于所述正态化的概率密度函数。
4.根据权利要求1所述的方法，其中，所述降雪概率预报还包括：
所述较高降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述较高降雪累积范围内的概率；以及
所述较低降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述较低降雪累积范围内的概率。
5.根据权利要求4所述的方法，其中，所述降雪概率预报还包括：
最高降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述最高降雪累积范围内的概率；以及
所述较低降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述最高降雪累积范围内的概率。
6.根据权利要求1所述的方法，其中，所述降雪累积预报是使用Cobb方法基于所述多个天气预报确定的。
7.根据权利要求6所述的方法，其中：
所述多个天气预报中的每个天气预报包括预报的降水量、预报预报的温度、预报的垂直运动、以及预报的相对湿度；并且
所述降雪累积预报是通过以下确定的：
基于所述预报的温度、所述预报的垂直运动、以及所述预报的相对湿度计算降雪含水比；以及
将所述预报的降水量乘以所述降雪含水比。
8.根据权利要求1所述的方法，其中，所述降雪概率预报被输出到远程设备以经由图形用户界面显示给用户。
9.根据权利要求1所述的方法，其中，所述降雪概率预报被输出以控制远程设备。
10.根据权利要求1所述的方法，其中，所述多个天气预报包括以下中的至少一个：国家环境预测中心(NCEP)全球预报***(GFS)、全球集合预报***(GEFS)的一个或多个成员、NCEP短期集合预报(SREF)的一个或多个成员、或者欧洲中期天气中心(ECMWF)集合的一个或多个成员。
11.一种***，包括：
预报数据库，所述预报数据库存储多个天气预报；
分析单元，所述分析单元：
识别暴风雪的预测地点和预测时间段；
对于所述多个天气预报中的每个天气预报，确定降雪累积预报；
通过识别一系列连续的非重叠的降雪累积范围、并且确定在所述降雪累积范围中的每个降雪累积范围中有多少降雪累积预报，形成集合直方图；
基于所述集合直方图计算表示降雪累积量的相对可能性的概率密度函数；
基于所述概率密度函数形成降雪概率分布，所述降雪概率分布包括：
最可能降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述最可能降雪累积范围内的概率；
至少一个较高降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述较高降雪累积范围内的概率；以及
至少一个较低降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述较低降雪累积范围内的概率；
生成降雪概率预报，所述降雪概率预报包括所述最可能降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述最可能降雪累积范围内的概率；以及
输出所述降雪概率预报。
12.根据权利要求11所述的***，其中：
所述预报数据库还包括所述时间段期间所述预测地点的确定性降雪累积预报；并且
所述分析单元还被配置为：
通过以下创建经调整的概率密度函数：
使所述经调整的概率密度函数的众数与所述确定性降雪累积预报相等；
计算所述确定性降雪累积预报与所述概率密度函数的均值之间的差；以及
基于所述确定性降雪累积预报与所述概率密度函数的均值之间的差转换所述概率密度函数，
其中，所述降雪概率预报基于所述经调整的概率密度函数。
13.根据权利要求11所述的***，其中，所述分析单元还被配置为：
通过将来自所述概率密度函数的远尾部的数据点向所述概率密度函数的均值移动直到每个降雪累积范围的概率从所述最可能降雪累积范围下降到所述降雪概率分布的尾部，创建正态化的概率密度函数，
其中，所述降雪概率预报基于所述正态化的概率密度函数。
14.根据权利要求11所述的***，其中，所述降雪概率预报还包括：
所述较高降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述较高降雪累积范围内的概率；以及
所述较低降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述较低降雪累积范围内的概率。
15.根据权利要求14所述的***，其中，所述降雪概率预报还包括：
最高降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述最高降雪累积范围内的概率；以及
所述较低降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述最高降雪累积范围内的概率。
16.根据权利要求11所述的方法，其中，所述分析单元还被配置为使用Cobb方法基于所述多个天气预报确定所述降雪累积预报。
17.根据权利要求16所述的方法，其中：
所述多个天气预报中的每个天气预报包括预报的降水量、预报预报的温度、预报的垂直运动、以及预报的相对湿度；并且
所述分析单元被配置为通过以下确定所述降雪累积预报：
基于所述预报的温度、所述预报的垂直运动、以及所述预报的相对湿度计算降雪含水比；以及
将所述预报的降水量乘以所述降雪含水比。
18.根据权利要求11所述的方法，其中，所述分析单元将所述降雪概率预报输出到远程设备以经由图形用户界面显示给用户。
19.根据权利要求11所述的方法，其中，所述分析单元将所述降雪概率预报输出以控制远程设备。
20.根据权利要求11所述的方法，其中，所述多个天气预报包括以下中的至少一个：国家环境预测中心(NCEP)全球预报***(GFS)、全球集合预报***(GEFS)的一个或多个成员、NCEP短期集合预报(SREF)的一个或多个成员、或者欧洲中期天气中心(ECMWF)集合的一个或多个成员。
21.一种存储指令的非暂时性计算机可读存储介质，所述指令在被计算机处理器执行时，使计算***：
识别暴风雪的预测地点和预测时间段；
接收所述预测地点中所述预测时间段的多个天气预报；
对于所述多个天气预报中的每个天气预报，确定降雪累积预报；
通过识别一系列连续的非重叠的降雪累积范围、并且确定在所述降雪累积范围中的每个降雪累积范围中有多少降雪累积预报，形成集合直方图；
基于所述集合直方图计算表示降雪累积量的相对可能性的概率密度函数；
基于所述概率密度函数形成降雪概率分布，所述降雪概率分布包括：
最可能降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述最可能降雪累积范围内的概率；
至少一个较高降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述较高降雪累积范围内的概率；以及
至少一个较低降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述较低降雪累积范围内的概率；
生成降雪概率预报，所述降雪概率预报包括所述最可能降雪累积范围和在所述预测时间段期间所述预测地点中的降雪累积将在所述最可能降雪累积范围内的概率；以及
输出所述降雪概率预报。
CN201880029742.3A 2017-03-30 2018-03-30 用于预报降雪概率分布的***和方法 Active CN110603465B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762479062P 2017-03-30 2017-03-30
US62/479,062 2017-03-30
PCT/US2018/025413 WO2018183853A1 (en) 2017-03-30 2018-03-30 System and method for forecasting snowfall probability distributions

Publications (2)

Publication Number Publication Date
CN110603465A true CN110603465A (zh) 2019-12-20
CN110603465B CN110603465B (zh) 2021-12-28

Family

ID=63670343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880029742.3A Active CN110603465B (zh) 2017-03-30 2018-03-30 用于预报降雪概率分布的***和方法

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)

Cited By (2)

* 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
CN114202823A (zh) * 2020-09-17 2022-03-18 通用电气公司 预报用于预测分析的飞行器发动机操作数据的***和方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230281310A1 (en) * 2022-03-01 2023-09-07 Meta Plataforms, Inc. Systems and methods of uncertainty-aware self-supervised-learning for malware and threat detection

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103033274A (zh) * 2012-12-18 2013-04-10 东南大学 一种日照温度概率密度的测定方法
CN104380146A (zh) * 2013-04-04 2015-02-25 天气变化研究无限责任公司 基于概率分布短时预报降水的方法与***
US20150160373A1 (en) * 2013-12-07 2015-06-11 Cardinal Wind, Inc. Computer-implemented data analysis methods and systems for wind energy assessments
CN104871205A (zh) * 2012-12-18 2015-08-26 三星电子株式会社 显示设备和用于处理该显示设备的图像的方法
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
CN106405682A (zh) * 2016-08-29 2017-02-15 深圳先进技术研究院 一种降雨预测方法及装置

Family Cites Families (19)

* 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
CA2910644A1 (en) 2012-05-23 2013-11-28 Liping Fu Road surface condition classification method and system
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
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
AU2015369647A1 (en) 2014-12-22 2017-07-06 User-Centric Ip, L.P. Mesoscale modeling
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
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103033274A (zh) * 2012-12-18 2013-04-10 东南大学 一种日照温度概率密度的测定方法
CN104871205A (zh) * 2012-12-18 2015-08-26 三星电子株式会社 显示设备和用于处理该显示设备的图像的方法
CN104380146A (zh) * 2013-04-04 2015-02-25 天气变化研究无限责任公司 基于概率分布短时预报降水的方法与***
US20150160373A1 (en) * 2013-12-07 2015-06-11 Cardinal Wind, Inc. Computer-implemented data analysis methods and systems for wind energy assessments
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
CN106405682A (zh) * 2016-08-29 2017-02-15 深圳先进技术研究院 一种降雨预测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
崔锦 等: "沈阳降雪含水比变化特征及其大气影响因子", 《冰川冻土》 *
李芳: "基于多模式集合方案的中国东部 夏季降水概率季度预测", 《气象学报》 *

Cited By (2)

* 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
CN114202823A (zh) * 2020-09-17 2022-03-18 通用电气公司 预报用于预测分析的飞行器发动机操作数据的***和方法

Also Published As

Publication number Publication date
EP3607363B1 (en) 2023-06-28
US20210026039A1 (en) 2021-01-28
CA3056928A1 (en) 2018-10-04
US11493666B2 (en) 2022-11-08
EP3607363A1 (en) 2020-02-12
KR20200002871A (ko) 2020-01-08
TW201839712A (zh) 2018-11-01
JP2020513101A (ja) 2020-04-30
EP3607363A4 (en) 2021-01-20
WO2018183853A1 (en) 2018-10-04
US10838109B2 (en) 2020-11-17
US20180284322A1 (en) 2018-10-04
CN110603465B (zh) 2021-12-28

Similar Documents

Publication Publication Date Title
US11112534B2 (en) Method and system for predicting the financial impact of environmental or geologic conditions
US11493666B2 (en) System and method for forecasting snowfall probability distributions
US8224768B1 (en) Tropical cyclone prediction system and method
Zhou et al. Forecast of low visibility and fog from NCEP: Current status and efforts
US20220397701A1 (en) Automated global weather notification system
US10705255B2 (en) Method of and system for generating a weather forecast
US8204846B1 (en) Tropical cyclone prediction system and method
US10296838B2 (en) Apparatus and method for changing alarm information in accordance with weather
KR102086895B1 (ko) 메조스케일 모델링
Hoffman et al. An estimate of increases in storm surge risk to property from sea level rise in the first half of the twenty-first century
KR20190119082A (ko) 기상 데이터의 통계 분석을 사용하여 경제 동향들을 예측하기 위한 시스템 및 방법
Prates et al. PRET, the Probability of RETurn: a new probabilistic product based on generalized extreme‐value theory
Miller et al. NOAA’s national water level observation network (NWLON)
Rossi et al. Real-time hazard approximation of long-lasting convective storms using emergency data
Ustrnul et al. Climatologically based warning system against meteorological hazards and weather extremes: the example for Poland
US11402541B2 (en) Determining a REALFEEL seasonal index
CN114740549B (zh) 一种短临降水天气预测方法、装置、电子设备及可读介质
Sene et al. Meteorological Forecasting
Lu et al. An improvement of wind gust estimate (WGE) method for squall lines
WO2024145406A1 (en) Systems and methods for predicting storms and electrical device outages from storms
Mase et al. Real-time wave prediction and virtual buoy systems

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