CN111007582A - 一种适用于多要素的高分辨率集合预报*** - Google Patents
一种适用于多要素的高分辨率集合预报*** Download PDFInfo
- Publication number
- CN111007582A CN111007582A CN201911361694.0A CN201911361694A CN111007582A CN 111007582 A CN111007582 A CN 111007582A CN 201911361694 A CN201911361694 A CN 201911361694A CN 111007582 A CN111007582 A CN 111007582A
- Authority
- CN
- China
- Prior art keywords
- ensemble
- module
- forecasting
- precipitation
- time
- 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
Links
- 238000001556 precipitation Methods 0.000 claims abstract description 85
- 238000000034 method Methods 0.000 claims abstract description 72
- 238000003672 processing method Methods 0.000 claims abstract 2
- 238000012935 Averaging Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 16
- 230000010354 integration Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 241000219094 Vitaceae Species 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 235000021021 grapes Nutrition 0.000 claims description 3
- 238000013213 extrapolation Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4023—Scaling of whole images or parts thereof, e.g. expanding or contracting based on decimating pixels or lines of pixels; based on inserting pixels or lines of pixels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种适用于多要素的高分辨率集合预报***，包括数据采集模块、空间降尺度模块、时间插值模块、时间拆分模块、集合预报模块，所述数据采集模块采集集合预报成员以及订正的网格实况数据；所述空间降尺度模块使用空间降尺度插值方法；所述时间插值模块采用内插法处理除降水外的其他气象要素；所述时间拆分模块的处理方法采用时间拆分法；所述集合预报模块在不同气象要素的误差特征下集成了多个子模块。本发明进行降水时间拆分和其他要素时间插值时采用更为合理的方法，提高预报精细程度和预报的准确性；充分考虑到不同要素的误差特征，构建出多个集合预报子模块，针对不同要素采用不同集合预报算法，适用于多个气象要素的集合预报***。
Description
技术领域
本发明涉及气象学技术领域，具体为一种适用于多要素的高分辨率集合预报***。
背景技术
集合预报是将多个数值模式预报成员的预报结果进行订正、融合的一种方法。目前关于集合预报的研究方法适用的要素比较单一，例如最优集成预报、超级集成预报等方法都是针对温度的适用性较强，而不适用于其他误差不稳定的要素；一些针对风速的订正方法又不适用于温度等要素。针对此情况，发明一套可以适用于多种气象要素的集合预报***是非常必要的。
同时，每个被集合的数值模式预报成员具有不同的时、空分辨率，需要统一处理成最高分辨率的时、空间分布场。在以往的研究中，多采用插值法解决时间分辨率低的问题，而***值的集合预报成员大多从第3小时开始，这就需要采用外插方法来解决，插值结果中第1、2小时的预报场误差随机性非常大，本发明将在计算中改进这一问题。
另外，一些集合预报成员的降水非1h降水，而是根据模式计算情况得到累积降水或3h降水等，不益于用于将多小时累积降水处理成1h降水。
发明内容
本发明的目的在于提供一种适用于多要素的高分辨率集合预报***，以解决现有的技术缺陷和不能达到的技术要求。
为实现上述目的，本发明提供如下技术方案：一种适用于多要素的高分辨率集合预报***，具体分为数据采集模块、空间降尺度模块、时间插值模块、时间拆分模块、集合预报模块，所述数据采集模块采集集合预报成员以及订正的网格实况数据，所述集合预报成员包括但不仅限于EC、GFS、GRAPES等，所述集合预报成员构成的预报要素为温度、气压、相对湿度、风和降水，所述空间降尺度模块使用空间降尺度插值方法，所述时间插值模块采用内插法处理除降水外的其他气象要素，初始场由上一批预报的相应预报时间提供，利用所述时间拆分模块处理降水将多小时降水处理成1h降水，所述时间拆分模块的处理方法采用时间拆分法，将拆分后的1h降水保持拆分前多小时降水在时间序列上的变化趋势，将拆分前后降水总量保持一致性；所述集合预报模块在不同气象要素的误差特征下集成了多个子模块，利用所述集合预报模块处理不同的气象要素，所述多个子模块包括最优集成子模块、概率密度匹配子模块和概率密度平均子模块。
优选的，利用所述最优集成子模块对温度、气压、相对湿度等误差变化较稳定的要素进行集合预报。
优选的，所述最优集成子模块中采用最优集成法，所述最优集成法分为三步：步骤一：计算集合预报成员在训练期平均误差，并借此计算矫正后各集合预报成员在训练期的平均绝对误差；步骤二：根据平均绝对误差确定各集合预报成员的权重系数；步骤三：利用平均误差矫正预报时期各集合预报成员的预报偏差，并用权重系数对各集合预报成员进行融合。
优选的，所述步骤一中在计算平均误差时，采用鲁棒性强的统计量来表征训练期平均偏差。
优选的，所述概率密度匹配子模块包括对风场进行集合预报，其中所述风场分为径向风和纬向风，所述概率密度匹配子模块中采用概率密度匹配法，所述概率密度匹配法的具体步骤为：步骤一：统计训练期各集合预报成员和实况中风场的概率密度分布；步骤二：修改集合预报成员风场标准差和平均值，使其分布与实况相近；步骤三：利用步骤二中的修改参数对预报时期各集合预报成员风场进行调整；步骤四：对调整后的所有集合预报成员进行算数平均，得到集合预报结果。
优选的，所述概率密度平均子模块包括对降水进行集合预报，其具体步骤为：步骤一：将所有集合预报成员求平均，确定降水空间分布特征；步骤二：统计平均前所有集合预报成员的降水概率密度分布和平均后的降水概率密度分布；步骤三：将平均后的降水概率密度分布函数匹配到与平均前相同，得到降水的集合预报。
优选的，除设有的所述数据采集模块、所述空间降尺度模块、所述时间插值模块、所述时间拆分模块、所述集合预报模块和所述多个子模块之外，在计算方法上，本***基于大数据和云计算技术。
与现有技术相比，本发明的有益效果如下：
1.本发明在集合预报过程中，进行降水时间拆分和其他要素时间插值时采用更为合理的方法，提高预报精细程度的同时也保证了预报的准确性。同时，在进行集合预报时，充分考虑到不同要素的误差特征，构建出多个集合预报子模块，针对不同要素采用不同的集合预报算法，是一套适用于多个气象要素的集合预报***。
2.本发明将搭建一套多模式集成***且适用于多要素的集合预报***，解决单一集合预报方法针对多要素的适用性问题，在***中根据不同的气象要素设置不同的集合预报算法子模块，以保证每一个要素都有合理的集成预报结果，有效提高了各要素预报的准确率。
3.该***在针对气象要素进行时间插值时，将采用上一批预报中预报时间与本批起报时间相同的预报场作为初始场，进而将外插法改为从起报时间开始的时间内插法，解决了外插法造成的预报前期随机性大的问题，由于具有合理的初始场作为参考，改进后的时间插值结果更为合理，大大提升了预报前期的预报结果。
4.本发明针对降水的时间拆分方法，将长时间累积降水处理成1h降水。首先，根据数值模式的预报特征，先将集合预报成员的降水处理成3h降水；其次，将每3h的降水场插值到1h，构建出降水的时序变化趋势；最后，将每3小时内的降水按照趋势比例进行分配，如第1、2、3小时的降水总量应为插值前的3h降水，比例应为插值后的降水时序变化趋势，将这三小时内的降水数值进行重组，重组后的降水在时间变化上有合理的趋势，且保证了拆分后的三个小时降水总量与拆分前的3h降水量相同，采用针对长时间累积降水拆分成1h降水的时间拆分方法，在保证降水拆分前后累积量相同的情况下，使其拥有合理的时间变化趋势。
附图说明
图1为本发明方法组成模块与工作流程图。
具体实施方式
下面将结合本发明，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1,本发明提供一种技术方案：一种适用于多要素的高分辨率集合预报***，具体分为数据采集模块、空间降尺度模块、时间插值模块、时间拆分模块、集合预报模块，所述数据采集模块采集集合预报成员以及订正的网格实况数据，所述集合预报成员包括但不仅限于EC、GFS、GRAPES等，所述集合预报成员构成的预报要素为温度、气压、相对湿度、风和降水，所述空间降尺度模块使用空间降尺度插值方法，所述时间插值模块采用内插法处理除降水外的其他气象要素，初始场由上一批预报的相应预报时间提供，利用所述时间拆分模块处理降水将多小时降水处理成1h降水，所述时间拆分模块的处理方法采用时间拆分法，将拆分后的1h降水保持拆分前多小时降水在时间序列上的变化趋势，将拆分前后降水总量保持一致性；所述集合预报模块在不同气象要素的误差特征下集成了多个子模块，利用所述集合预报模块处理不同的气象要素，所述多个子模块包括最优集成子模块、概率密度匹配子模块和概率密度平均子模块。
利用所述最优集成子模块对温度、气压、相对湿度等误差变化较稳定的要素进行集合预报。
所述最优集成子模块中采用最优集成法，所述最优集成法分为三步：步骤一：计算集合预报成员在训练期平均误差，并借此计算矫正后各集合预报成员在训练期的平均绝对误差；步骤二：根据平均绝对误差确定各集合预报成员的权重系数；步骤三：利用平均误差矫正预报时期各集合预报成员的预报偏差，并用权重系数对各集合预报成员进行融合。
所述步骤一中在计算平均误差时，采用鲁棒性强的统计量来表征训练期平均偏差。
所述概率密度匹配子模块包括对风场进行集合预报，其中所述风场分为径向风和纬向风，所述概率密度匹配子模块中采用概率密度匹配法，所述概率密度匹配法的具体步骤为：步骤一：统计训练期各集合预报成员和实况中风场的概率密度分布；步骤二：修改集合预报成员风场标准差和平均值，使其分布与实况相近；步骤三：利用步骤二中的修改参数对预报时期各集合预报成员风场进行调整；步骤四：对调整后的所有集合预报成员进行算数平均，得到集合预报结果。
所述概率密度平均子模块包括对降水进行集合预报，其具体步骤为：步骤一：将所有集合预报成员求平均，确定降水空间分布特征；步骤二：统计平均前所有集合预报成员的降水概率密度分布和平均后的降水概率密度分布；步骤三：将平均后的降水概率密度分布函数匹配到与平均前相同，得到降水的集合预报。
除设有的所述数据采集模块、所述空间降尺度模块、所述时间插值模块、所述时间拆分模块、所述集合预报模块和所述多个子模块之外，在计算方法上，本***基于大数据和云计算技术。
本发明的完整技术路线如下：采集多个被集合的数值模式预报成员和相应时间的实况网格数据；每个集合预报成员采用空间降尺度法将分辨率提高到与最高分辨率成员相同；从上一批相应时间获取本批预报的起报初始场，其他要素时间插值到1h，降水进行时间拆分成1h降水；每个要素进入相应的集合预报子模块进行计算；输出场为各个要素的高分辨率集合预报结果。
本发明在集合预报过程中，进行降水时间拆分和其他要素时间插值时采用更为合理的方法，提高预报精细程度的同时也保证了预报的准确性。同时，在进行集合预报时，充分考虑到不同要素的误差特征，构建出多个集合预报子模块，针对不同要素采用不同的集合预报算法，是一套适用于多个气象要素的集合预报***；本发明将搭建一套多模式集成***且适用于多要素的集合预报***，解决单一集合预报方法针对多要素的适用性问题，在***中根据不同的气象要素设置不同的集合预报算法子模块，以保证每一个要素都有合理的集成预报结果，有效提高了各要素预报的准确率；该***在针对气象要素进行时间插值时，将采用上一批预报中预报时间与本批起报时间相同的预报场作为初始场，进而将外插法改为从起报时间开始的时间内插法，解决了外插法造成的预报前期随机性大的问题，由于具有合理的初始场作为参考，改进后的时间插值结果更为合理，大大提升了预报前期的预报结果；本发明针对降水的时间拆分方法，将长时间累积降水处理成1h降水。首先，根据数值模式的预报特征，先将集合预报成员的降水处理成3h降水；其次，将每3h的降水场插值到1h，构建出降水的时序变化趋势；最后，将每3小时内的降水按照趋势比例进行分配，如第1、2、3小时的降水总量应为插值前的3h降水，比例应为插值后的降水时序变化趋势，将这三小时内的降水数值进行重组，重组后的降水在时间变化上有合理的趋势，且保证了拆分后的三个小时降水总量与拆分前的3h降水量相同，采用针对长时间累积降水拆分成1h降水的时间拆分方法，在保证降水拆分前后累积量相同的情况下，使其拥有合理的时间变化趋势。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种适用于多要素的高分辨率集合预报***，其特征在于：具体分为数据采集模块、空间降尺度模块、时间插值模块、时间拆分模块、集合预报模块，所述数据采集模块采集集合预报成员以及订正的网格实况数据，所述集合预报成员包括但不仅限于EC、GFS、GRAPES等，所述集合预报成员构成的预报要素为温度、气压、相对湿度、风和降水，所述空间降尺度模块使用空间降尺度插值方法，所述时间插值模块采用内插法处理除降水外的其他气象要素，初始场由上一批预报的相应预报时间提供，利用所述时间拆分模块处理降水将多小时降水处理成1h降水，所述时间拆分模块的处理方法采用时间拆分法，将拆分后的1h降水保持拆分前多小时降水在时间序列上的变化趋势，将拆分前后降水总量保持一致性；所述集合预报模块在不同气象要素的误差特征下集成了多个子模块，利用所述集合预报模块处理不同的气象要素，所述多个子模块包括最优集成子模块、概率密度匹配子模块和概率密度平均子模块。
2.根据权利要求1所述的一种适用于多要素的高分辨率集合预报***，其特征在于：利用所述最优集成子模块对温度、气压、相对湿度等误差变化较稳定的要素进行集合预报。
3.根据权利要求2所述的一种适用于多要素的高分辨率集合预报***，其特征在于：所述最优集成子模块中采用最优集成法，所述最优集成法分为三步：步骤一：计算集合预报成员在训练期平均误差，并借此计算矫正后各集合预报成员在训练期的平均绝对误差；步骤二：根据平均绝对误差确定各集合预报成员的权重系数；步骤三：利用平均误差矫正预报时期各集合预报成员的预报偏差，并用权重系数对各集合预报成员进行融合。
4.根据权利要求3所述的一种适用于多要素的高分辨率集合预报***，其特征在于：所述步骤一中在计算平均误差时，采用鲁棒性强的统计量来表征训练期平均偏差。
5.根据权利要求1所述的一种适用于多要素的高分辨率集合预报***，其特征在于：所述概率密度匹配子模块包括对风场进行集合预报，其中所述风场分为径向风和纬向风，所述概率密度匹配子模块中采用概率密度匹配法，所述概率密度匹配法的具体步骤为：步骤一：统计训练期各集合预报成员和实况中风场的概率密度分布；步骤二：修改集合预报成员风场标准差和平均值，使其分布与实况相近；步骤三：利用步骤二中的修改参数对预报时期各集合预报成员风场进行调整；步骤四：对调整后的所有集合预报成员进行算数平均，得到集合预报结果。
6.根据权利要求1所述的一种适用于多要素的高分辨率集合预报***，其特征在于：所述概率密度平均子模块包括对降水进行集合预报，其具体步骤为：步骤一：将所有集合预报成员求平均，确定降水空间分布特征；步骤二：统计平均前所有集合预报成员的降水概率密度分布和平均后的降水概率密度分布；步骤三：将平均后的降水概率密度分布函数匹配到与平均前相同，得到降水的集合预报。
7.根据权利要求1所述的一种适用于多要素的高分辨率集合预报***，其特征在于：除设有的所述数据采集模块、所述空间降尺度模块、所述时间插值模块、所述时间拆分模块、所述集合预报模块和所述多个子模块之外，在计算方法上，本***基于大数据和云计算技术。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911361694.0A CN111007582B (zh) | 2019-12-25 | 2019-12-25 | 一种适用于多要素的高分辨率集合预报*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911361694.0A CN111007582B (zh) | 2019-12-25 | 2019-12-25 | 一种适用于多要素的高分辨率集合预报*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111007582A true CN111007582A (zh) | 2020-04-14 |
| CN111007582B CN111007582B (zh) | 2021-09-21 |
Family
ID=70119165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911361694.0A Active CN111007582B (zh) | 2019-12-25 | 2019-12-25 | 一种适用于多要素的高分辨率集合预报*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111007582B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111815361A (zh) * | 2020-07-10 | 2020-10-23 | 北京思特奇信息技术股份有限公司 | 区域边界计算方法、装置、电子设备及存储介质 |
| CN112149365A (zh) * | 2020-09-29 | 2020-12-29 | 华能新能源股份有限公司 | 一种微尺度风模型***及方法 |
| CN113011106A (zh) * | 2021-04-15 | 2021-06-22 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种多数值模式集成预报方法及装置 |
| CN113627741A (zh) * | 2021-07-20 | 2021-11-09 | 国网湖南省电力有限公司 | 一种充电桩电能计量***运行状态综合评价方法及装置 |
| CN115079307A (zh) * | 2022-06-09 | 2022-09-20 | 中能融合智慧科技有限公司 | 一种基于多模式最优集成的风电场气象预报方法和*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101349767A (zh) * | 2008-09-05 | 2009-01-21 | 国家卫星气象中心 | 高分辨率降水数据处理方法 |
| US8224768B1 (en) * | 2008-04-18 | 2012-07-17 | Wsi, Corporation | Tropical cyclone prediction system and method |
| CN107918165A (zh) * | 2016-10-09 | 2018-04-17 | 清华大学 | 基于空间插值的多卫星融合降水预测方法及*** |
| CN109299163A (zh) * | 2018-11-26 | 2019-02-01 | 武汉大学 | 一种基于卷积神经网络的降水数据的插值方法及装置 |
| CN110019124A (zh) * | 2017-11-21 | 2019-07-16 | 中国电力科学研究院有限公司 | 一种集合天气预报修订方法及*** |
| CN110058329A (zh) * | 2019-04-22 | 2019-07-26 | 山东省气象科学研究所 | 一种气象要素智能网格预报产品空间降尺度方法 |
| KR102033762B1 (ko) * | 2018-10-24 | 2019-10-17 | 김춘지 | 주변격자 최댓값 앙상블 확률 및 검정지수를 이용한 앙상블 예측 시스템의 성능 진단 방법 및 시스템 |
-
2019
- 2019-12-25 CN CN201911361694.0A patent/CN111007582B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8224768B1 (en) * | 2008-04-18 | 2012-07-17 | Wsi, Corporation | Tropical cyclone prediction system and method |
| CN101349767A (zh) * | 2008-09-05 | 2009-01-21 | 国家卫星气象中心 | 高分辨率降水数据处理方法 |
| CN107918165A (zh) * | 2016-10-09 | 2018-04-17 | 清华大学 | 基于空间插值的多卫星融合降水预测方法及*** |
| CN110019124A (zh) * | 2017-11-21 | 2019-07-16 | 中国电力科学研究院有限公司 | 一种集合天气预报修订方法及*** |
| KR102033762B1 (ko) * | 2018-10-24 | 2019-10-17 | 김춘지 | 주변격자 최댓값 앙상블 확률 및 검정지수를 이용한 앙상블 예측 시스템의 성능 진단 방법 및 시스템 |
| CN109299163A (zh) * | 2018-11-26 | 2019-02-01 | 武汉大学 | 一种基于卷积神经网络的降水数据的插值方法及装置 |
| CN110058329A (zh) * | 2019-04-22 | 2019-07-26 | 山东省气象科学研究所 | 一种气象要素智能网格预报产品空间降尺度方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111815361A (zh) * | 2020-07-10 | 2020-10-23 | 北京思特奇信息技术股份有限公司 | 区域边界计算方法、装置、电子设备及存储介质 |
| CN112149365A (zh) * | 2020-09-29 | 2020-12-29 | 华能新能源股份有限公司 | 一种微尺度风模型***及方法 |
| CN112149365B (zh) * | 2020-09-29 | 2023-06-30 | 华能新能源股份有限公司 | 一种微尺度风模型***及方法 |
| CN113011106A (zh) * | 2021-04-15 | 2021-06-22 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种多数值模式集成预报方法及装置 |
| CN113011106B (zh) * | 2021-04-15 | 2021-12-03 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种多数值模式集成预报方法及装置 |
| CN113627741A (zh) * | 2021-07-20 | 2021-11-09 | 国网湖南省电力有限公司 | 一种充电桩电能计量***运行状态综合评价方法及装置 |
| CN113627741B (zh) * | 2021-07-20 | 2023-12-12 | 国网湖南省电力有限公司 | 一种充电桩电能计量***运行状态综合评价方法及装置 |
| CN115079307A (zh) * | 2022-06-09 | 2022-09-20 | 中能融合智慧科技有限公司 | 一种基于多模式最优集成的风电场气象预报方法和*** |
| CN115079307B (zh) * | 2022-06-09 | 2023-07-25 | 中能融合智慧科技有限公司 | 一种基于多模式最优集成的风电场气象预报方法和*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111007582B (zh) | 2021-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111007582B (zh) | 一种适用于多要素的高分辨率集合预报*** | |
| US11408399B2 (en) | Forecasting output power of wind turbine in wind farm | |
| CN109947812B (zh) | 连续缺失值填充方法、数据分析装置、终端及存储介质 | |
| CN111027175B (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
| CN110390343B (zh) | 一种空间气象数据的订正方法及*** | |
| CN115345076B (zh) | 一种风速订正处理方法及装置 | |
| CN109033543B (zh) | 一种地表异质区植被覆盖度估算方法、装置及设备 | |
| CN111105068B (zh) | 基于序回归学习的数值模式订正的方法 | |
| CN110908014A (zh) | 舞动精细化订正预报方法及*** | |
| CN110400011B (zh) | 电力现货交易中风电场出力申报方案的确定方法及装置 | |
| CN112381337B (zh) | 一种多源气象数据融合处理方法、***、终端及介质 | |
| AU2020103480A4 (en) | Method for estimating and inverting precipitation in plateau areas by using satellite cloud images | |
| CN112819237B (zh) | 降水多尺度融合预报方法和装置 | |
| CN110619433B (zh) | 电网暴雨数值模式参数化方案的快速选择方法及*** | |
| CN112859202A (zh) | 一种气温预报的方法和设备 | |
| CN109783774B (zh) | 一种温度集合预报方法及*** | |
| CN114819374A (zh) | 区域新能源超短期功率预测方法及*** | |
| CN115755221A (zh) | 一种基于数理不确定性分析的多源降水数据融合方法 | |
| CN114819264A (zh) | 一种基于时空依赖的光伏电站辐照度超短期预测方法及存储介质 | |
| CN112493100B (zh) | 基于土壤水势的棉花水分监测滴灌控制方法及*** | |
| Yu et al. | Changing spring phenology dates in the Three-Rivers headwater region of the Tibetan Plateau during 1960–2013 | |
| CN113392365A (zh) | 一种高分辨率气象网格数据的生成方法及*** | |
| WO2024098499A1 (zh) | 热带气旋对称性结构分析方法、装置、设备及存储介质 | |
| CN115047544A (zh) | 一种覆冰预警方法及*** | |
| CN114564697A (zh) | 一种利用观测风速数据校正中尺度模拟风速数据的方法及*** |
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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: No.218-430079, Wuhan New Wuhu science and Technology Park, Wuhan Patentee after: Xiangji Technology Co.,Ltd. Address before: No.218-430079, Wuhan New Wuhu science and Technology Park, Wuhan Patentee before: XIANGJI ZHIYUAN (WUHAN) TECHNOLOGY CO.,LTD. |
|
| CP01 | Change in the name or title of a patent holder |