CN111784046A - 一种预估风暴轴活动未来变化趋势的方法 - Google Patents
一种预估风暴轴活动未来变化趋势的方法 Download PDFInfo
- Publication number
- CN111784046A CN111784046A CN202010615337.9A CN202010615337A CN111784046A CN 111784046 A CN111784046 A CN 111784046A CN 202010615337 A CN202010615337 A CN 202010615337A CN 111784046 A CN111784046 A CN 111784046A
- Authority
- CN
- China
- Prior art keywords
- mode
- storm
- axis
- dominant
- modes
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004088 simulation Methods 0.000 claims abstract description 67
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000012935 Averaging Methods 0.000 claims description 10
- 238000011160 research Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 2
- 230000004907 flux Effects 0.000 claims description 2
- 238000012950 reanalysis Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000010792 warming Methods 0.000 description 5
- IYLGZMTXKJYONK-ACLXAEORSA-N (12s,15r)-15-hydroxy-11,16-dioxo-15,20-dihydrosenecionan-12-yl acetate Chemical compound O1C(=O)[C@](CC)(O)C[C@@H](C)[C@](C)(OC(C)=O)C(=O)OCC2=CCN3[C@H]2[C@H]1CC3 IYLGZMTXKJYONK-ACLXAEORSA-N 0.000 description 3
- IYLGZMTXKJYONK-UHFFFAOYSA-N ruwenine Natural products O1C(=O)C(CC)(O)CC(C)C(C)(OC(C)=O)C(=O)OCC2=CCN3C2C1CC3 IYLGZMTXKJYONK-UHFFFAOYSA-N 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 102100031184 C-Maf-inducing protein Human genes 0.000 description 1
- 101000993081 Homo sapiens C-Maf-inducing protein Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种预估风暴轴活动未来变化趋势的方法,其步骤包括:1)资料预处理;2)计算风暴轴观测场和模式模拟场;3)评估模式的模拟能力;4)挑选模拟能力强的优势模式;5)预估风暴轴活动的未来变化趋势;6)检验多模式预估结果的可信程度。本预估方法能够相对客观可信地预估不同季节、不同区域风暴轴活动的未来变化趋势。本预估方法提出了一种综合评估模式模拟能力的定量指标,能够客观地从众多气候模式中挑选出对风暴轴活动模拟能力强的优势模式。本预估方法提出了一种定量检验多模式集合平均预估结果可信程度的方法,减少了由于不同模式预估结果差异较大而造成的多模式集合平均预估结果的不确定性。
Description
技术领域
本发明属于气候预测技术领域,具体涉及一种预估风暴轴活动未来变化趋势的方法。
背景技术
中纬度每日天气变化和移动的大尺度高低压***紧密联系,将中纬度气旋和反气旋活动相对活跃的区域称为“风暴轴”。在一些地区,超过90%(85%)的冬季(夏季)降水都与风暴轴活动有关。此外,风暴轴活动还与中纬度极端天气事件密切相关,比如极端降水事件,极端低温/高温事件,以及极端大风事件,对人们的生产生活及生命安全造成严重影响。近年来全球变暖对气候***的影响日益显著,预估风暴轴活动的未来变化趋势对预测中纬度天气气候***以及极端天气事件的变化具有重要意义。
气候模式是开展气候模拟和预估的重要工具,世界气候研究计划的“耦合模拟工作组”从1995年至今已经完成了五次“耦合模式比较计划”(CMIP),目前第六次耦合模式比较计划(CMIP6)正在进行中。不少学者利用单个气候模式或多个气候模式集合平均结果对风暴轴活动的未来变化趋势进行了预估研究,但是由于参与CMIP计划的模式众多,不同气候模式对风暴轴活动的模拟能力和预估结果都有所差异,采用传统的预估方法主要存在以下不足:(1)若采用单个气候模式对风暴轴活动的未来变化趋势进行预估,预估结果受到该模式本身的影响较大,预估结果的可信度不高;(2)若采用多个气候模式集合平均的结果对风暴轴活动的未来变化趋势进行预估,则应考虑如何从众多气候模式中挑选出对风暴轴活动具有较强模拟能力的优势模式进行集合平均,以及如何检验多模式预估结果的可信程度,而传统的风暴轴预估方法往往缺少模式优选和可信度检验环节,造成多模式预估结果的不确定性。
鉴于传统风暴轴预估方法存在的问题,本发明提出了一种更为客观可信的预估方法,对于准确预估风暴轴活动的未来变化趋势具有积极意义。在气候预测技术领域中,“预测”是根据过去气候的演变规律,推断未来某一时期内气候发展的可能趋势,而在气候变化研究中通常使用“预估”,特指在未来全球变暖背景下气候***的长期变化。本方案旨在研究未来全球变暖背景下风暴轴活动的变化趋势,因此使用“预估”。
发明内容
发明目的:
本发明目的在于提供一种预估风暴轴活动未来变化趋势的方法,通过设计一种能够综合评估模式模拟能力的指标,评估模式对风暴轴活动的模拟能力,并据此优选出模拟能力强的优势模式,采用多优势模式集合平均的结果预估风暴轴活动的未来变化趋势,并检验多模式预估结果的可信程度。
发明技术方案:
一种预估风暴轴活动未来变化趋势的方法,其步骤包括:1)资料预处理;2)计算风暴轴观测场和模式模拟场;3)评估模式的模拟能力;4)挑选模拟能力强的优势模式;5)预估风暴轴活动的未来变化趋势;6)检验多模式预估结果的可信程度。
技术方案的设计思路以及有益效果:
本发明提出的一种预估风暴轴活动未来变化趋势的方法,能够相对客观可信地预估未来不同季节、不同区域风暴轴活动的变化。该方法的优势体现在:
(1)设计了一种综合评估模式模拟能力的定量指标,能够更为客观地从众多气候模式中挑选出对风暴轴活动模拟能力强的优势模式,用于风暴轴活动的未来预估研究。一般认为,对历史风暴轴活动具有较好模拟能力的模式,对未来的预估结果更为可信。因此在进行预估之前,首先对不同模式的模拟能力进行综合评估,挑选出模拟能力强的优势模式进行预估,既减小了由于模式本身模拟能力较差而对预估结果造成的偏差,又避免了人为挑选模式的主观性因素。
(2)提出了一种定量检验多模式集合平均预估结果可信程度的方法,减少了由于不同模式预估结果差异较大而造成的多模式集合平均预估结果的不确定性。
附图说明
图1为本发明方法的流程图;
图2为冬季北太平洋风暴轴活动的观测场与CMIP5模式模拟场(m2 s-2);
图3为冬季北太平洋风暴轴活动的观测场与CMIP5模式模拟场的空间相关系数(PCC,实折线,左侧纵坐标)及均方根误差(RMSE,虚折线,右侧纵坐标,m2 s-2);
图4为基于综合评估指标的11个CMIP5模式模拟能力排名图;
图5为冬季北太平洋风暴轴活动的未来预估场和历史模拟场对比图。
具体实施方式
下面对本发明进一步说明:
本发明的一种预估风暴轴活动未来变化趋势的方法,步骤包括:
步骤1:资料预处理
选择一套气象研究中常用的大气再分析资料作为观测资料,确定所使用的气候模式,气候模式的历史试验资料用于评估模式对历史风暴轴活动的模拟能力,而模式的未来情景资料用于预估风暴轴活动的未来变化趋势。由于不同模式的水平分辨率不同,为了更好地评估模式的模拟能力,利用双线性插值法将不同模式资料插值到观测资料的网格上,统一所有模式的水平分辨率。
步骤2:计算风暴轴观测场和模式模拟场
根据研究需求,确定风暴轴活动的定义方法;再根据风暴轴的定义方法,利用观测资料计算风暴轴活动的观测场;以及利用模式的历史试验数据,计算风暴轴活动的模式模拟场。
目前常用的风暴轴活动的定义方法分为“拉格朗日”方法和“欧拉”方法:
采用“拉格朗日”方法,是通过客观识别和追踪单个气旋,统计气旋中心的移动路径、发生频率以及平均强度等特征量来定义风暴轴。
采用“欧拉”方法,是利用带通滤波得到天气尺度扰动,将天气尺度位势高度方差、经向风方差、经向热通量或涡旋动能的大值区定义为风暴轴。
步骤3:综合评估模式的模拟能力
假设风暴轴场空间格点总数为M,观测场在i格点的值为Oi,某模式模拟场在i格点的值为Pi,主要从以下两个方面评估模式对风暴轴活动的模拟能力:
(1)空间相关系数(Pattern Correlation Coefficient,PCC),其表达式为:
(2)均方根误差(Root Mean Square Error,RMSE),其表达式为:
RMSE越接近于0,则代表模式对风暴轴的模拟能力越强。
(3)综合评估指标
假设共有K个模式参与评估,则模式j基于PCC和RMSE的综合评估指标Cj的表达式如下:
其中,Aj为模式j基于PCC的排名,Aj的取值为1到K,代表模式j排名从第1位到第K位;Bj为模式j基于RMSE的排名,Bj的取值为1到K,代表模式j排名从第1位到第K位。Cj越接近于1,代表模式j的模拟能力越强。
步骤4:挑选模拟能力强的优势模式
一般认为,对历史风暴轴活动具有较好模拟能力的模式,对未来的预估结果更为可信。因此,根据模式综合评估指标Cj,从K个参与评估的模式中挑选出对历史风暴轴活动具有较好模拟能力的前S名模式(优势模式),用于进行下一步的预估。
步骤5:预估风暴轴活动的未来变化趋势
采用等权重集合平均的方法将多优势模式的模拟结果进行集合平均,即
则多优势模式在历史试验下风暴轴活动的集合平均结果为其中Qj,HIS为优势模式j在历史试验下的风暴轴场;多优势模式在未来情景下风暴轴活动的集合平均结果为其中Qj,RCP为优势模式j在未来情景下的风暴轴场;因此,风暴轴活动的未来变化趋势即为多优势模式的集合平均结果在未来情景和历史试验下之差,可表达为:
步骤6:检验多模式预估结果的可信程度
上一步得到的风暴轴活动的未来变化趋势是基于多个优势模式集合平均的结果,但是不同优势模式对未来风暴轴活动的预估结果可能存在一定差异,因此需要对多优势模式集合平均预估结果的可信程度进行检验,检验方法如下:
首先,计算各优势模式对未来风暴轴活动的预估结果:
Qj,DIF=Qj,RCP-Qj,HIS (6)
将不同优势模式的预估结果Qj,DIF与多优势模式集合平均的预估结果进行比较,如果Qj,DIF和同为正变化或者同为负变化,则认为优势模式j的预估结果与多优势模式预估结果一致,如果共有T个模式的预估结果与多模式集合平均的预估结果一致,则多模式预估结果的可信程度U可以表示为:
其中S为优势模式总数,U越大,则表明有越多的模式与多优势模式集合平均的预估结果相一致,则多优势模式预估结果越可信。若U<50%,则代表一半以上模式的预估结果与多优势模式集合平均的预估结果不一致,则多优势模式预估结果不可信。
为了更清楚说明本发明的技术内容,下面以冬季北太平洋风暴轴活动为例,对本预估方法加以说明。
第一步:资料预处理
(1)观测资料:本例以美国国家环境预报中心和美国国家大气研究中心(NationalCenters for Environmental Prediction/National Center for AtmosphericResearch,NECP/NACR)提供的1980-2004年日平均大气再分析资料作为观测资料,水平分辨率为2.5°×2.5°,数据下载地址为https://www.esrl.noaa.gov/psd/data/gridded/data.ncep.reanalysis.html。
(2)模式资料:本例使用第五代耦合模式比较计划(Phase 5 of the CoupledModel Intercomparison Project,CMIP5)中11个气候模式的日平均输出结果,模式的基本信息见表1,数据下载地址http://cmip-pcmdi.llnl.gov/cmip5/。1980-2004年的模式数据来自于历史试验(Historical),主要用于评估气候模式的模拟能力。而2075-2099年的模式数据来自于典型浓度路径试验(Representative Concentration Pathway scenarios,RCPs),主要用于预估风暴轴活动的未来变化趋势。RCP共包括三种未来情景:RCP2.6,RCP4.5和RCP8.5情景,分别对应温室气体的低排放、中排放和高排放情景,代表未来全球变暖的程度由低到高。
为了便于评估模式的模拟能力,利用双线性插值法将11个CMIP5模式数据统一插值至NECP/NACR的2.5°×2.5°的网格上,完成资料预处理。
表1本例所使用的11个CMIP5模式的基本信息
第二步:计算风暴轴观测场和模式模拟场
本例以250hPa经向风方差表征风暴轴活动,冬季为上一年12月、本年1月和2月三个月的平均。图2a是冬季北太平洋风暴轴的观测场,图2b-l是11个CMIP5模式的模拟场。
可见,在观测中,冬季风暴轴活动在北太平洋上空最为活跃,风暴轴大值区沿40°N呈纬向带状分布,大部分模式可以模拟出冬季北太平洋风暴轴的空间分布形态,但是对风暴轴活动强度的模拟有所偏差,为了客观定量地评估模式的模拟能力,需要计算第三步的综合评估指标。
第三步:综合评估模式的模拟能力
计算风暴轴活动的观测场和模式模拟场的空间相关系数(PCC)和均方根误差(RMSE),所得结果见图3。PCC越接近于1,代表模式对风暴轴空间分布的模拟能力越强,RMSE越接近于0,代表模式对风暴轴强度的模拟能力越强。基于PCC和RMSE的模式排名计算综合评估指标,根据综合评估指标得到模式模拟能力的综合排名,见图4。
第四步:挑选模拟能力强的优势模式
根据第三步给出的模式模拟能力综合排名(图4),本例从11个CMIP5模式中挑选对风暴轴活动模拟能力排名前4名的模式,即CanESM2,MPI-ESM-LR,CNRM-CM5和IPSL-CM5A-MR,作为下一步预估研究的优势模式。
第五步:预估风暴轴活动的未来变化趋势
计算4个优势模式在历史试验下的冬季北太平洋风暴轴活动集合平均场,以及在未来低排放情景(RCP2.6),中排放情景(RCP4.5)和高排放情景(RCP8.5)下的风暴轴活动集合平均场(图5中的a、c和e),以及风暴轴活动的未来预估场和历史模拟场之差(图5中的b、d和f)。比较风暴轴的未来预估场和历史模拟场发现,在40°N附近及以北的大部分地区,风暴轴预估场与模拟场之差是大范围的正变化,并且这种正变化在RCP8.5情景下最为强烈,这说明未来冬季北太平洋风暴轴活动将有所加强且向北移动,并且随着全球变暖的加剧,未来风暴轴活动增强的程度也将增大。
图5中
(a)多优势模式集合平均的风暴轴历史模拟场(等值线,m2 s-2)和RCP2.6情景下的未来预估场(填色,m2 s-2),
(b)RCP2.6情景下的未来预估场和历史模拟场之差(等值线,m2 s-2),
(c)多优势模式集合平均的风暴轴历史模拟场(等值线,m2 s-2)和RCP4.5情景下的未来预估场(填色,m2 s-2),
(d)RCP4.5情景下的未来预估场和历史模拟场之差(等值线,m2 s-2);
(e)多优势模式集合平均的风暴轴历史模拟场(等值线,m2 s-2)和RCP8.5情景下的未来预估场(填色,m2 s-2),
(f)RCP8.5情景下的未来预估场和历史模拟场之差(等值线,m2 s-2)。
(b)(d)(f)红色和蓝色填色区域代表分别代表正变化和负变化,由浅入深分别代表50%、75%、100%的模式预估结果与这种变化符号一致。
第六步:检验多模式预估结果的可信程度
由于不同优势模式对风暴轴的预估结果可能存在差异,因此应对多优势模式集合平均结果进行可信度检验。图5右列是不同排放情景下风暴轴的未来预估场和历史模拟场之差,红色和蓝色填色区域代表分别代表正变化和负变化,由浅入深分别代表50%、75%、100%的模式预估结果与这种变化符号一致。由集合平均结果可知,冬季北太平洋风暴轴活动将有所增强并且向北移动,由可信度检验可知,超过一半以上的优势模式预估了风暴轴的这种变化,而在风暴轴增强的大值中心附近,基本所有优势模式都预估了风暴轴的正变化。因此,由多优势模式集合平均得到的风暴轴预估结果是较为可信的。
Claims (4)
1.一种预估风暴轴活动未来变化趋势的方法,其特征是步骤包括:
1)资料预处理
选择一套气象研究中常用的大气再分析资料作为观测资料,确定所使用的气候模式,并统一所有模式资料的水平分辨率;
气候模式的历史试验资料用于评估模式对历史风暴轴活动的模拟能力;气候模式的未来情景资料用于预估风暴轴活动的未来变化趋势;
2)计算风暴轴观测场和模式模拟场
先确定风暴轴活动的定义方法,再利用观测资料和模式的历史试验资料,计算风暴轴活动的观测场和模式模拟场;
3)评估模式的模拟能力
3.1)先从空间相关系数PCC和均方根误差RMSE两个方面评估模式对风暴轴活动的模拟能力;
3.2)再综合评估模式对风暴轴活动的模拟能力;
假设风暴轴场空间格点总数为M,观测场在第i个格点的值为Oi,某模式模拟场在第i个格点的值为Pi;
所述步骤3.1)中:
(1)空间相关系数PCC,其表达式为:
PCC越接近于1,则代表模式对风暴轴空间分布的模拟能力越强;
(2)均方根误差RMSE,其表达式为:
RMSE越接近于0,则代表模式对风暴轴的模拟能力越强;
所述步骤3.2)中:
假设共有K个模式参与评估,则模式j基于PCC和RMSE的综合评估指标Cj的表达式如下:
其中:Aj为模式j基于PCC的排名,Aj的取值为1到K,代表模式j排名从第1位到第K位;Bj为模式j基于RMSE的排名,Bj的取值为1到K,代表模式j排名从第1位到第K位;
Cj越接近于1,则代表模式j的模拟能力越强;
4)挑选模拟能力强的优势模式
根据模式综合评估指标Cj,从K个参与评估的模式中挑选出对风暴轴活动模拟能力强的前S个模式作为优势模式,用于下一步未来预估;
5)预估风暴轴活动的未来变化趋势
采用等权重集合平均的方法将多优势模式的模拟结果进行集合平均,即
则,风暴轴活动的未来变化趋势即为多优势模式的集合平均结果在未来情景和历史试验下之差,表达为:
6)检验多模式预估结果的可信程度
对多模式集合平均预估结果的可信程度进行检验。
2.根据权利要求1所述的一种预估风暴轴活动未来变化趋势的方法,其特征是所述步骤1)中,利用双线性插值法将不同模式资料插值到观测资料的网格上,以统一所有模式的水平分辨率。
3.根据权利要求1所述的一种预估风暴轴活动未来变化趋势的方法,其特征是所述步骤2)中,风暴轴活动的定义方法包括:
“拉格朗日”方法:通过客观识别和追踪单个气旋,统计气旋中心的移动路径、发生频率以及平均强度特征量来定义风暴轴;或者,
“欧拉”方法:利用带通滤波得到天气尺度扰动,将天气尺度位势高度方差、经向风方差、经向热通量或涡旋动能的大值区定义为风暴轴。
4.根据权利要求1所述的一种预估风暴轴活动未来变化趋势的方法,其特征是所述步骤6)的检验步骤包括:
首先,计算各优势模式对风暴轴活动未来变化趋势的预估结果:
Qj,DIF=Qj,RCP-Qj,HIS (6)
如果共有T个模式的预估结果与多优势模式集合平均的预估结果一致,则多优势模式预估结果的可信程度U表示为:
U越大,则表明有越多的模式与多优势模式集合平均的预估结果相一致,则多优势模式预估结果越可信;若U<50%,则代表一半以上模式的预估结果与多优势模式集合平均的预估结果不一致,则多优势模式预估结果不可信。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010615337.9A CN111784046B (zh) | 2020-06-30 | 2020-06-30 | 一种预估风暴轴活动未来变化趋势的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010615337.9A CN111784046B (zh) | 2020-06-30 | 2020-06-30 | 一种预估风暴轴活动未来变化趋势的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784046A true CN111784046A (zh) | 2020-10-16 |
CN111784046B CN111784046B (zh) | 2023-12-22 |
Family
ID=72761156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010615337.9A Active CN111784046B (zh) | 2020-06-30 | 2020-06-30 | 一种预估风暴轴活动未来变化趋势的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784046B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101176007B1 (ko) * | 2011-05-06 | 2012-08-21 | 부산대학교 산학협력단 | 전지구 기후모형의 모의능력 평가 시스템 및 방법 |
CN105740991A (zh) * | 2016-02-26 | 2016-07-06 | 河海大学 | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及*** |
WO2016185919A1 (ja) * | 2015-05-21 | 2016-11-24 | 株式会社日立製作所 | エネルギー需要予測システム及びエネルギー需要予測方法 |
CN106203671A (zh) * | 2016-06-22 | 2016-12-07 | 中国水利水电科学研究院 | 一种地表水质对气候变化的响应分析方法 |
CN108334702A (zh) * | 2018-02-08 | 2018-07-27 | 广州地理研究所 | 一种无资料流域水文预报华南模型构建方法 |
CN108491969A (zh) * | 2018-03-16 | 2018-09-04 | 国家电网公司 | 基于大数据的空间负荷预测模型构建方法 |
CN108846501A (zh) * | 2018-04-26 | 2018-11-20 | 北京建筑大学 | 一种雨水低影响开发设施建设规模确定方法 |
-
2020
- 2020-06-30 CN CN202010615337.9A patent/CN111784046B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101176007B1 (ko) * | 2011-05-06 | 2012-08-21 | 부산대학교 산학협력단 | 전지구 기후모형의 모의능력 평가 시스템 및 방법 |
WO2016185919A1 (ja) * | 2015-05-21 | 2016-11-24 | 株式会社日立製作所 | エネルギー需要予測システム及びエネルギー需要予測方法 |
CN105740991A (zh) * | 2016-02-26 | 2016-07-06 | 河海大学 | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及*** |
CN106203671A (zh) * | 2016-06-22 | 2016-12-07 | 中国水利水电科学研究院 | 一种地表水质对气候变化的响应分析方法 |
CN108334702A (zh) * | 2018-02-08 | 2018-07-27 | 广州地理研究所 | 一种无资料流域水文预报华南模型构建方法 |
CN108491969A (zh) * | 2018-03-16 | 2018-09-04 | 国家电网公司 | 基于大数据的空间负荷预测模型构建方法 |
CN108846501A (zh) * | 2018-04-26 | 2018-11-20 | 北京建筑大学 | 一种雨水低影响开发设施建设规模确定方法 |
Non-Patent Citations (6)
Title |
---|
TIAN DI等: "Future Changes and Uncertainties in Tbmperature and Precipitation over China Based on CMIP5 Models", ADVANCES IN ATMOSPHERIC SCIENCES, vol. 32, no. 4, pages 487 - 496, XP035446383, DOI: 10.1007/s00376-014-4102-7 * |
姚瑶等: "CMIP5模式对风暴轴和海洋锋关系的模拟与预估", 《中国气象学会第35届中国气象学会年会 S7 东亚气候、极端气候事件变异机理及气候预测》, pages 469 - 471 * |
将帅等: "CMIP5模式对中国极端气温及其变化趋势的模拟评估", 《气候变化研究进展》, vol. 13, no. 1, pages 11 - 24 * |
张颖娴: "北半球温带气旋的气候学及其变率研究", 《中国博士学位论文全文数据库基础科学辑》, no. 10, pages 009 - 10 * |
王涛;王乙舒;沈玉敏;王艳;赵连伟;王小桃;沈历都;: "CMIP5模式对辽宁省气温模拟能力及未来2℃升温阈值出现时间评估", 气象与环境学报, vol. 36, no. 2, pages 49 - 61 * |
靳泽辉;苗峻峰;张永瑞;赵酉龙;: "华北地区极端降水变化特征及多模式模拟评估", 气象科技, vol. 45, no. 01, pages 91 - 100 * |
Also Published As
Publication number | Publication date |
---|---|
CN111784046B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN115507822B (zh) | 水文循环变异驱动下的洪水风险预测方法 | |
Kassem et al. | A value tree for identification of evaluation criteria for solar thermal power technologies in developing countries | |
Waliser et al. | The experimental MJO prediction project | |
Hassan | Climate change impact on groundwater recharge of Umm er Radhuma unconfined aquifer Western Desert, Iraq | |
CN108564484A (zh) | 风电场测风代表年滑动选取方法 | |
Jung et al. | Statistical modeling of near-surface wind speed: a case study from Baden-Wuerttemberg (Southwest Germany) | |
CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
CN117421871A (zh) | 海上风电潜力评估方法、装置和计算机设备 | |
CN111811465A (zh) | 基于多正弦函数分解神经网络预测海浪有效波高的方法 | |
CN111784046A (zh) | 一种预估风暴轴活动未来变化趋势的方法 | |
CN110727984A (zh) | 土地利用变化与城市热环境之间机制的研究方法 | |
CN115965243A (zh) | 一种用于土地利用变化下洪涝风险动态评价的模型链 | |
Tian et al. | Stochastic RCM-driven cooling and heating energy demand analysis for residential building | |
CN109583095A (zh) | 基于混合统计动力模型的西北太平洋台风延伸期预报方法 | |
Nemes | Statistical analysis of wind speed profile: a case study from Iasi Region, Romania | |
CN111915098A (zh) | 基于bp神经网络对降水形态转变的预测方法 | |
Hasan et al. | An application of the random forest algorithm for the prediction of Solar Envelope ‘Floor Space Index’based on spatiotemporal parameters | |
Yang et al. | A novel framework for wind energy assessment at multi-time scale based on non-stationary wind speed models: A case study in China | |
CN115657163B (zh) | 基于人工智能模型的延伸期气象要素预报方法及*** | |
SANCHO-SALAS et al. | Predicting Reality within the Virtual: Experimental Validation of Daylight Simulation Tools For Architectural Spaces in The Tropics | |
Schlosser et al. | The changing nature of climate-related risks in global wind power resources | |
Watson et al. | Predicting offshore wind energy resources (POWER) | |
Andrianajaiana et al. | Analysis and Forecasting of Solar Power Generation using Machine Learning | |
Jang | Data Science in Energy and Environmental Systems With Multiple Data Sources |
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 |