CN112488385B - 一种基于多模式融合的降水预报订正方法和装置 - Google Patents
一种基于多模式融合的降水预报订正方法和装置 Download PDFInfo
- Publication number
- CN112488385B CN112488385B CN202011362926.7A CN202011362926A CN112488385B CN 112488385 B CN112488385 B CN 112488385B CN 202011362926 A CN202011362926 A CN 202011362926A CN 112488385 B CN112488385 B CN 112488385B
- Authority
- CN
- China
- Prior art keywords
- precipitation
- mode
- prediction
- threshold
- forecasting
- 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
- 238000001556 precipitation Methods 0.000 title claims abstract description 246
- 230000004927 fusion Effects 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012937 correction Methods 0.000 title claims abstract description 66
- 238000007689 inspection Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 16
- 230000008033 biological extinction Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 abstract description 11
- 230000010354 integration Effects 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000001604 Rao's score test Methods 0.000 description 5
- 241000219094 Vitaceae Species 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 235000021021 grapes Nutrition 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 230000008092 positive effect Effects 0.000 description 3
- 239000011800 void material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多模式融合的降水预报订正方法和装置，所述方法包括：读取历史时间段内多个预报模式的历史资料数据，所述历史资料数据包括历史预报数据和历史观测数据；根据所述历史资料数据对各预报模式进行评分检验，获得各预报模式的评分；在将评分最高的预报模式作为背景场的基础上，采用阈值融合和阈值消空的方式对所述背景场进行订正。本发明基于多种预报模式的融合网格降水预报释用技术，尽可能减少智能网格降水预报中漏报与空报的情况，改善多模式集成过程中的性能误差，减小了模式的性能误差，改善预报表现好的降水模式漏报，而其它降水模式命中的情况，进一步提高降水预报的准确率。
Description
技术领域
本发明涉及天气预报技术领域，特别涉及一种基于多模式融合的降水预报订正方法和装置。
背景技术
智能网格客观降水预报技术是对多种数值模式产品的统计后处理释用技术，以单模式降水释用和集合预报或多模式降水集成为主，现有技术主要为多模式降水集成方法。
现有技术在集成多种数值模式产品时，也不可避免获得了模式本身的性能误差。通过检验发现不同模式的降水预报性能有较大差异，存在预报整体表现好的降水产品漏报，而其它降水产品命中的情况，从而造成多模式集成过程中的性能误差，影响降水预报的准确率。
发明内容
为了解决上述技术问题中的至少一个，本公开提供了一种基于多模式融合的降水预报订正方法和装置。
第一方面，本发明提供了一种基于多模式融合的降水预报订正方法，所述方法包括：
读取历史时间段内多个预报模式的历史资料数据，所述历史资料数据包括历史预报数据和历史观测数据；
根据所述历史资料数据对各预报模式进行评分检验，获得各预报模式的评分；
在将评分最高的预报模式作为背景场的基础上，采用阈值融合和阈值消空的方式对所述背景场进行订正。
可选地，根据所述历史资料数据对各预报模式进行评分检验，获得各预报模式的评分，包括：
在预设检验限定条件下，根据所述历史资料数据计算各预报模式的TS 评分。
可选地，在将评分最高的预报模式作为背景场的基础上，采用阈值融合和阈值消空的方式对所述背景场进行订正，包括：
将所述评分最高的预报模式作为背景场；
在所述背景场的一个网格中，所述评分最高的预报模式的预报降水量小于第一降水量阈值，而所述评分最高的预报模式除外的其他预报模式的预报降水量中存在大于或等于第一降水量阈值时，计算与所述评分最高的预报模式存在不一致的预报模式中各个预报模式在各自降水量高阈值下的预报失败率；
判断所有所述预报失败率中是否存在低于预设融合阈值，若是，则对所述网格进行融合，否则不对所述网格进行处理。
可选地，在将评分最高的预报模式作为背景场的基础上，采用阈值融合和阈值消空的方式对所述背景场进行订正，包括：
将所述评分最高的预报模式作为背景场；
在所述背景场的一个网格中，所述评分最高的预报模式的预报降水量大于零而小于第二降水量阈值，而所述评分最高的预报模式除外的其他预报模式中存在未预报降水量，计算所有所述未预报降水量对应的预报模式在各自降水量高阈值下的预报准确率；
判断所有所述预报准确率中是否存在高于预设消空阈值的预报准确率，若是，则对所述网格进行消空，否则不对所述网格进行处理。
可选地，所述方法还包括：
采用阈值融合和阈值消空的方式对所述背景场进行订正之后进行评分检验，获得订正后的评分。
可选地，采用阈值融合和阈值消空的方式对所述背景场进行订正之后进行评分检验，包括：
采用阈值融合和阈值消空的方式对所述背景场进行订正之后进行预设时间长度上的评分检验。
可选地，所述方法还包括：
判断所述订正后的评分是否达到预设标准分，若是，采用订正的背景场进行降水量预报，否则调整所述第一降水量阈值和/或所述第二降水量阈值和/或所述降水量高阈值和/或所述降水量低阈值和/或所述预设融合阈值和/或所述预设消空阈值，并再采用阈值融合和阈值消空的方式对所述背景场进行订正。
第二方面，本发明提供了一种基于多模式融合的降水预报订正装置，所述装置包括：数据获取模块、评分计算模块和降水订正模块，其中，
所述数据获取模块，用于读取历史时间段内多个预报模式的历史资料数据，所述历史资料数据包括历史预报数据和历史观测数据；
所述评分计算模块，用于根据所述数据获取模块获取的所述历史资料数据对各预报模式进行评分检验，获得各预报模式的评分；
所述降水订正模块，用于在将所述评分最高的预报模式作为背景场的基础上，采用阈值融合和阈值消空的方式对所述背景场进行订正。
可选地，所述评分计算模块具体用于在预设检验限定下，根据所述历史资料数据计算各预报模式的TS评分。
可选地，所述降水订正模块包括背景选定单元、失败计算单元和融合判断单元，其中，
所述背景选定单元，用于将所述评分最高的预报模式作为背景场；
所述失败计算单元，用于在所述背景场的一个网格中，所述评分最高的预报模式的预报降水量小于第一降水量阈值，而所述评分最高的预报模式除外的其他预报模式的预报降水量中存在大于或等于第一降水量阈值时，计算与所述评分最高的预报模式存在不一致的预报模式中各个预报模式在各自降水量高阈值下的预报失败率；
所述融合判断单元，用于判断所有所述预报失败率中是否存在低于预设融合阈值，若是，则对所述网格进行融合，否则不对所述网格进行处理。
可选地，所述降水订正模块包括背景选定单元、成功计算单元和消空判断单元，
所述背景选定单元，用于将所述评分最高的预报模式作为背景场；
所述成功计算单元，在所述背景场的一个网格中，所述评分最高的预报模式的预报降水量大于零而小于第二降水量阈值，而所述评分最高的预报模式除外的其他预报模式中存在未预报降水量，计算所有所述未预报降水量对应的预报模式在各降水量低阈值下的预报准确率；
所述消空判断单元，用于判断所有所述预报准确率中是否存在高于预设消空阈值，若是，则对所述网格进行消空，否则不对所述网格进行处理
可选地，所述评分计算模块还用于对所述降水订正模块获得的订正后的预报模式进行评分检验，获得订正后的评分。
可选地，所述评分计算模块还用于对所述降水订正模块获得的订正后的预报模式进行预设时间长度上的评分检验，获得订正后的评分。
可选地，所述装置还包括订正改进模块，用于判断所述订正后的评分是否达到预设标准分，若是，采用订正后的预报模式进行降水预报，否则调整所述第一降水量阈值和/或所述第二降水量阈值和/或所述降水量高阈值和/或所述降水量低阈值和/或所述预设融合阈值和/或所述预设消空阈值后，再对所述背景场进行订正。
第三方面，本发明提供了一种可读存储介质，其上具有可执行指令，当可执行指令被执行时，使得计算机执行如第一方面中所包括的任一方法。
第四方面，本发明提供了一种计算设备，包括：一个或多个处理器、存储器以及程序，其中，所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行如第一方面中所包括的任一方法。
与现有技术相比，本发明至少存在以下有益效果：
本发明基于多种预报模式的融合网格降水预报释用技术，尽可能减少智能网格降水预报中漏报与空报的情况，改善多模式集成过程中的性能误差，减小了模式的性能误差，改善预报表现好的模式漏报，而其它模式命中的情况，进一步提高降水预报的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例提供的一种基于多模式融合的降水预报订正方法流程示意图；
图2是本发明一个实施例提供的一种融合消空示意图；
图3是本发明一个实施例提供的一种基于多模式融合的降水预报订正装置结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，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的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。
如图1所示，本发明实施例提供了一种基于多模式融合的降水预报订正方法，所述方法包括：
读取历史时间段内多个预报模式的历史资料数据，所述历史资料数据包括历史预报数据和历史观测数据；
根据所述历史资料数据对各预报模式进行评分检验，获得各预报模式的评分；
在将评分最高的预报模式作为背景场的基础上，采用阈值融合和阈值消空的方式对所述背景场进行订正，获得订正后的预报模式。
本发明基于多种预报模式的融合网格降水预报释用技术，获得订正后的预报模式也就是新的预报模式，尽可能减少智能网格降水预报中漏报与空报的情况，改善多模式集成过程中的性能误差，减小了模式的性能误差，改善预报表现好的模式漏报，而其它模式命中的情况，进一步提高降水预报的准确率。
下面将结合具体情况对本发明的发明进行说明，本发明实施例提供了一种基于多模式融合的降水预报订正方法，所述方法包括：
1.数据选取
读取历史时间段内多个预报模式的历史资料数据，所述历史资料数据包括历史预报数据和历史观测数据。
在该实施例中，选取的历史资料数据为国家气象信息中心的三源降水格点分析资料，该资料能够很好的表现观测降水的实际分布。资料时间段为 2018年5月1日00时至2019年10月31日00时，时间分辨率为逐小时，空间分辨率为0.05°×0.05°。预报模式为同时期每日00UTC下发的欧洲中期天气预报中心ECMWF高分辨率降水预报、中国气象局自主研发的GRAPES-Meso和美国国家环境预报中心NCEP降水预报。同时使用了国家气象中心精细化网格降水预报指导产品SCMOCG。预报资料选取的时效为前 72小时，为了计算方便，统一插值成与三源降水格点分析资料一致的空间分辨率(0.05°×0.05°)。研究范围选定为秦岭及周边区域，经纬度为31-40° N，103-113°E。
值得说明的是，根据实际需求可以设定不同的网格大小。所有时间均采用世界时。历史时间段可以任一选取，时间和空间分辨率均可以根据需求进行调整。预报模式除了本实施例使用的ECMWF模式、NCEP模式和GRAPES -Meso模式外，还可以包括JMA模式等其他模式。并且由于本领域技术人员习惯不同，不同的模式也成为不同的产品，如ECMWF模式也可称为ECMWF 产品，或者ECMWF模式产品等。
2.模式检验
根据所述历史资料数据对各预报模式进行评分检验，获得各预报模式的评分。
在该实施例中，通过应用或者检验，用户可以得知模式的预报性能或者***性规律。事实上，检验是认知模式最直接也最有效的方法。因此，给出模式检验的一些基本事实，使用检验评分包括预报准确率ACC(Accuracy)、 TS(Threat Score)评分，公式如下：
此外，将空报的次数与观测超过阈值次数的比值定义为预报失败率 FR(FailRatio)：
上式中，A为正确预报降水超过阈值的次数；B为漏报的次数；C为空报的次数；D为正确预报降水未超过阈值的次数。
假定漏报≥2.0mm/3h的降水会对公众产生较大影响，将强降水阈值也可以称为降水量高阈值设定为≥2.0mm/3h，晴雨检验中降雨的标准也可以称为降水量低阈值设定为≥0.1mm/3h。降水检验的是2018年5月1日至2019年 10月31日的每日00时起报，72小时内逐3小时的预报评分。文中统一用“F”代表预报，“O”代表观测。
检验ECMWF和NCEP模式雨量≥2.0mm/3h的预报命中和漏报次数，其定义分别为，命中：F≥2.0mm/3h，O≥2.0mm/3h的次数；漏报：F≤2.0mm/3h， O≥2.0mm/3h的次数。从命中次数来看，ECMWF和NCEP命中大值区的空间分布基本一致，但ECMWF的命中次数远高于NCEP，在整个研究区域内， ECMWF和NCEP的平均命中次数分别为23.8次和13.1次，网格点上的命中次数差值最大达52次。分析一种模式命中另一种模式漏报的情况发现，当ECMWF命中时，NCEP存在大量的漏报，特别是在研究区域的西南角--陕西与四川交界处，网格点上漏报次数最大高达87次；相反，尽管NCEP模式的命中次数表现相对较差，但当NCEP命中时，ECMWF也存在漏报，最大漏报次数超过35次，且漏报次数大值区相对分散，分布规律性差。
检验预报和观测降水量不一致的情况，可以发现当ECMWF F≥3.0mm， O≥2.0mm时，空间平均失败率为0.841。改变阈值，当ECMWF F≥5.0mm， O≥2.0mm时，失败率大幅度降低，平均值为0.371，较ECMWF≥3.0mm时减少55.9％。分析发现降水量超出检验阈值越大，降水空报降低越明显，失败率越低，这种情况不仅在ECMWF模式中存在，而且本实施例种所涉及到的 NCEP模式、Grapes-Meso模式和SCMOCG模式中均存在这种现象。
检验限定条件下，以ECMWF模式为比较对象，ECMWF模式对弱降水存在显著的空报，而NCEP模式和SCMOCG模式对空报有显著的抑制作用。当0.1≤ECMWF＜2.0时，NCEP消除ECMWF空报的次数区域平均为156.2 次，网格点上的最大次数为621次；SCMOCG消除ECMWF空报次数网格点上最大为431次，平均为133.7次。与NCEP模式相比，两者消除空报次数大值区的整体形态一致，但在具体的某次降水过程中，减少空报的情况存在较大差异。在NCEP或SCMOCG降水量F<0.1mm的条件下，减少空报的次数并不是图2a和图2b中网格点上最大值，而是更高。事实上，NCEP和 SCMOCG两者同时减少ECMWF的次数空间平均上只有93.7次，远小于NCEP或SCMOCG降水量小于0.1mm情况下的196.2次，原因是两种模式同时预报无降水的重叠网格点较少，其它格点上预报结论不一致。
NCEP或SCMOCG在消除ECMWF模式空报的同时，也可能减少 ECMWF模式原本正确预报的次数，而使ECMWF出现漏报。从漏报的次数来看，当NCEP或SCMOCG降水量F<0.1时，0.1≤ECMWF＜2.0漏报次数空间平均为61次，远小于其消除空报的次数，而且利用NCEP和SCMOCG降水量同时小于0.1mm限定时，出现漏报的次数就会更少。整体表明， ECMWF模式预报降水量在0.1～2.0之间时，如果其它模式未预报降水，则认定为无降水，可以提高晴雨预报准确率。
值得说明的是，除了本实施例公开的TS评分检验外，也可以是ETS评分检验和FSS评分检验等其他各种评分检验方法或者综合评分检验方法，均适用于本发明的方法。
3.融合订正
在将评分最高的预报模式作为背景场的基础上，采用阈值融合和阈值消空的方式对所述背景场进行订正，获得新的预报模式。
在该实施例种，基于以上检验结果，可以发现三个基本事实：⑴不同模式的预报性能存在差异，即使是检验评分较好的模式，相对其它模式而言，也可能在某些情况下出现空报或者漏报；⑵同一个预报模式，给定检验阈值，当预报的降水量超过阈值越大，则空报的可能性越小，失败率越低。⑶利用其它模式对于前期检验评分较好的模式中的弱降水进行消空，可以在牺牲较小漏报的情况下，大大减少空报，提高晴雨预报准确率。
基于检验基本事实，给出了多种预报模式融合的网格降水预报释用方法概念示意图，如图2。以3h降水量预报为例，网格降水量以Fi,j来表示，i 表示横坐标，j表示纵坐标。假定ECMWF模式的降水预报为通过前期检验的最优预报，则选择其为背景场(图2a)，当NCEP(图2b)和SCMOCG(图2c) 与背景场出现分歧，针对强降水，背景场某个网格点上降水值＜5.0mm/3h也就是第一降水量阈值，而NCEP或SCMOCG降水量≥5.0mm/3h时，进行高阈值融合。具体做法为：根据前期检验结果对NCEP和SCMOCG设定一个降水量高阈值(假定NCEP、SCMOCG高阈值分别为降水量≥11.0mm/3h和≥9.0mm/3h，也就是各自的降水量高阈值，不同的实施例中降水量高阈值可以进行调整，并且降水量高阈值可以与第一降水量阈值相同也可以不同)，在各自的降水量高阈值条件下，NCEP或SCMOCG的预报失败率低于0.2或更低，则以5.0mm/3h将其融合到背景场中。图2d为NCEP降水量≥11.0mm/3h，且满足失败率小于0.2的格点降水，可见在降水量高阈值条件下没有符合条件的格点，图2e为SCMOCG降水量≥9.0mm/3h，且满足失败率低于0.2的格点降水，在降水量高阈值条件下F3,2达到标准，F3,3未达到，则只需融合 F3,2格点。完成降水量高阈值融合之后，针对弱降水，进行低阈值消空。具体做法为：假定消空的标准设定为0.5mm/3h也就是第二降水量阈值，当背景场降水量小于0.5mm/3h，其它模式未预报降水，且该模式在给定格点上的晴雨预报准确率(也就是降水量低阈值的预报准确率)高于80％，将其消空，不预报降水。图2a中F2,2格点降水量为0.5mm/3h，NCEP在F2,2格点未预报降水，且该模式在该网格上的晴雨预报准确率高于80％，满足消空条件，根据算法去掉背景场中网格点F2,2的降水，最终阈值融合和阈值消空后的结果为图2f，也就作为新的预报模式的预报结果。
值得说明的是，本实施例以3h降水量预报为例，而本发明适用于任何时长的降水量预报，如1h、6h、12h等等。以及强降水和弱降水的标准也可以设定，如本实施例种以5.0mm/3h的降水量为强降水融合界限，也就是第一降水量阈值，以0.5mm/3h的降水量为弱降水消空界限，也就是第二降水量阈值。同样，可以设定多个不同等级的降水量，分别设定不同的降水量阈值，分别进行融合和消空，不限于本实施例种的强降水和弱降水两个等级。本实施例中的预设融合阈值为低于0.2或更低，预设消空阈值为高于80％。不同的实施例可以根据实际需求设定相应的融合阈值和消空阈值。降水量高阈值可以根据前期评分检验结果进行设定，各模式的降水量高阈值可以相同也可以不同，可以与第一降水量阈值相同也可以不同。如本实施例中，NCEP、 SCMOCG降水量高阈值分别为降水量≥11.0mm/3h和≥9.0mm/3h。同理，各模式的降水量低阈值可以相同也可以不同，可以与第二降水量阈值相同也可以不同。并且，对于同一背景场中不同的网格之间可以设定不同的降水量高阈值和降水量低阈值。而预报失败率和预报准确率则根据设定的降水量阈值以及提供的预报失败率计算公式和预报准确率计算公式等，经过计算获得。
值得说明的是，在评分最高的预报模式作为背景场的基础上，采用阈值融合和阈值消空的方式对背景场进行订正后获得的新的预报模式对降水进行预报便可得到准确率高的预报结果。同样，为了使新的预报模式达到评分标准可以进行多次订正以及订正分析后再进行降水预报，也就是说，在进行一次订正以及订正分后可知新的预报模式是否达到评分标准，未达到评分标准则改变阈值继续订正，直到获得的新的预报模式达到评分标准。
4.订正分析
对所述订正后的预报模式进行预设时间长度上的评分检验，获得订正后的评分。
在该实施例中，通过降水量高阈值融合和降水量低阈值消空形成订正后的预报模式，将新获得的订正后的预报模式纳入逐日检验，具体采用3小时和24小时，如果订正后的评分未达到预期结果，则根据检验结果重新调整降水量高阈值和降水量低阈值。
(1)3小时预报效果评分检验
回算2018年5月1日-2019年10月31日整个研究时段新的订正后的预报模式预报表现，就本发明的方法来说，加入的降水模式越多，越有利提高预报的性能，但为了表述方便，仍选取ECMWF、NCEP和SCMOCG三种降水模式检验阈值，即影响降水≥2.0mm/3h，晴雨≥0.1mm/3h。第一降水量阈值较高设为≥2.0mm/3h和第二降水量阈值较低设为≤0.5mm/3h。事实上，不同的模式其阈值可能会有一些差异，实际业务中通过动态检验不同模式的预报表现，得出不同模式的阈值，会更有利于提高预报准确性。
检验显示，ECMWF在陕西南部、甘肃中南部、四川北部、内蒙中部都有较好的表现，单个格点最大TS评分为0.358，区域内平均TS评分为0.169； NCEP在宁夏北部与内蒙交界处的TS评分达到0.44，单个格点上的TS评分表现最高，但在其它区域整体表现较差，特别是在陕西西南部≥2.0mm/3h的降水频次较高。在ECMWF评分较好的情况下，NCEP的TS评分接近0，区域平均TS评分仅为0.117。而SCMOCG降水TS评分大值区的空间分布整体和ECMWF一致，在陕西中南部、甘肃南部和四川西北部的TS评分略高于 ECMWF，但区域平均和单个格点最大值分别为0.161和0.357，整体低于 ECMWF。
考察订正后的预报模式降水量≥2.0mm/3h的TS评分与ECMWF评分的差值，可以得知，订正后的预报模式在大部分地方的TS评分相对于现有的预报模式都有提高。订正后的预报模式在整个区域≥2.0mm/3h的TS评分为 0.173，相对于ECMWF、SCMOCG和NCEP分别提高0.01、0.012和0.056，正效果明显。考察订正后的预报模式降水量≥2.0mm/3h的命中次数和空报次数与ECMWF模式的差值，可以得知，订正后的预报模式在整个研究区域内的命中次数都是增加的，特别是在四川的西北部，增加非常显著，但在四川境内也同时增大了空报的次数。分析发现，陕西中部、甘肃中南部、宁夏中部等的TS评分增加明显，与命中次数明显增加、空报次数增加相对较小的区域有很好的对应关系，而对诸如四川等地空报次数增加较多的区域，可以调整第一降水量阈值和降水量高阈值再进行订正，从而减少空报。
考察晴雨预报准确率也可以称为未预报降水量预报准确率对比检验结果，ECMWF、NCEP和SCMOCG均表现出研究区域西南部预报准确率低，中北部准确率高，西南部部分地方准确率小于68％的特点。从区域平均来看， SCMOCG表现最好，晴雨预报准确率达到81.2％，NCEP次之为80.4％， ECMWF最差为77.4％，表明ECMWF有大量的空报。但SCMOCG没有完全吸收ECMWF和NCEP的优点，ECMWF和NCEP在陕西中部与山西、河南交界处均为晴雨预报准确率高值区，最大超过88％，而SCMOCG在该区域的准确率相对较低。订正后的预报模式晴雨预报准确率提高十分显著，不仅在西南部有明显改善，且在西北部晴预报准确率大值区也有提高，区域平均为86.8％，单点最大达到97.9％，增幅十分明显。从空报和漏报的次数来看，订正后的预报模式相对于晴雨表现最好的SCMOCG出现了漏报，特别是在四川北部、陕西西南部漏报次数明显，最大超过90次，但方法对整个区域来说，显著的减少了空报，最大超过240次，整体提高了晴雨预报准确率。而且由于采用的是第二降水量阈值消空，第二降水量阈值较低，此实施例中当雨量≤0.5mm/3h时才进行处理，不会因消空而漏报大量级降水，总体来说收益非常明显。
(2)24小时预报效果评分检验
如表1所示，对订正后的预报模式统计回算结果表明：在3小时时段上显著提高了大降水的TS评分和晴雨预报准确率。2019年5-9月不同时段上的预报检验结果如表一所示，可以看到，订正后的预报模式晴雨预报准确率较现有的不同模式的降水都有明显提高，相对指导预报SCMOCG也有明显的正效果。各时段上的评分都有提高，正效果明显。
表1
实际业务中3小时和24小时降水检验评估的阈值有差异，为了更清楚了解分段降水订正结果在累加时段上的预报表现，给出2019年5-9月订正后的预报模式的24小时累计降水检验评分的空间表现以及暴雨预报个例。需要说明的是，考虑到模式数据在实际业务中的可用性，检验的是ECMWF、NCEP 模式00UTC起报的12-36h分段降水预报结果。SCMOCG可用时效与实际一致，为00UTC起报的未来24小时降水预报。可以看出，ECMWF模式24小时晴雨预报准确率与3小时整体空间分布一致，西南部偏低，东北部偏高，北部单点上最大为0.904，空间平均ACC为0.738，显著低于其3小时晴雨预报准确率。NCEP模式的空间平均晴雨预报准确率0.713，表现最差。对比来看，SCMOCG的晴雨预报准确率高于ECMWF和NCEP模式，整个研究区域空间平均为0.785，东部的河南省境内单点最大准确率为0.925，晴雨预报表现较好。多模式融合方法晴雨预报准确率空间平均为0.801，高于 SCMOCG 1.6％以上，从空间分布上来看，研究区域东部和西南部的四川境内以及西北部宁夏、内蒙交界处，预报准确率都有明显的提高，但是在陕西的北部延安、榆林境内，晴雨预报准确率有所下降。这可能与整个区域采用同一个阈值有关，因此不同的网格可以采用不同的阈值从而提高预报的准确率，此处的阈值指文中的所有可调阈值。
暴雨的TS评分对比来看ECMWF、NCEP、SCMOCG和订正后的预报模式的TS分别为0.134、0.08、0.137和0.147，多模式融合方法(本文件中经过本发明订正后的模式称为多模式融合方法)相对SCMOCG整体提高1％，但空间分布上和晴雨预报准确率存在同样的问题，整体提高的同时，局地TS 评分有所下降，在陕北北部榆林地区的暴雨评分低于ECMWF或NCEP的预报TS评分。这与整个区域采用相同的阈值有关，所以可以针对不同区域采用不同的阈值来进行订正，进而获得更好的预报效果。此处的阈值指文中的所有可调阈值。
选取2019年9月陕西一次强秋雨过程分析其现有的各模式降水预报和订正后的预报模式降水预报结果，可以看到9月13日12时-9月14日12时，观测降水的暴雨区主要在关中和陕南的中西部，站点观测显示695站24小时降水量超过50mm，12站超过100mm，最大为汉中市南郑县法镇147.8mm。 ECMWF前24小时的降水预报基本没有预报出暴雨区，ECMWF前12小时起报的降水大雨区和观测整体一致，但暴雨范围明显偏小，面积不足观测的 1/5。NCEP预报降水相对观测和ECMWF不仅范围明显偏小，而且量级偏弱，区域内仅预报出了中雨，对暴雨的预报指示意义较小。Grapes模式在临近时刻预报效果最好，暴雨区的范围和量级与观测基本一致，但在长期业务检验中，Grapes模式评分整体低于ECMWF，因此如果从预报员角度选择，选中 Grapes模式产品作为实际业务降水预报的可能性较小。指导产品SCMOCG 预报在陕西南部略优于ECMWF，但在陕西中部预报较ECMWF差，而订正后的预报模式不论暴雨区形态，还是面积都与观测更加吻合。从暴雨预报TS 评分来看，ECMWF前12小时0.13分，NCEP降水预报的TS评分为0.0， Grapes为0.534，SCMOCG为0.426，订正后的预报模式的预报评分为0.691 分，因此订正后的预报模式效果非常好。
在该实施例中，为尽可能减少网格预报空报与漏报情况，有效提升预报准确率，提出了一种多模式融合的网格降水预报订正方法，利用国家气象信息中心三源融合网格降水实况资料，在检验分析多种模式客观表现的基础上，对选取的评分最优的数值模式进行融合订正，得出以下结论：
(1)不同模式的降水预报性能有较大差异，存在预报整体表现好的降水产品漏报，而其它降水产品命中的情况；检验ECMWF、NCEP和SCMOCG发现，对晴雨预报的降水来说，三种产品的漏报次数明显低于空报次数，基于该特性，可以利用不同模式未预报降水的格点来进行消空。对同一模式来说，预报降水超出于检验阈值越大，空报的可能性越小。
(2)根据检验结果，提出基于多模式融合的网格降水预报订正方法，即选用一个检验评分最好的模式作为背景场，针对有显著影响的大降水和弱降水分别采用高阈值融合和低阈值消空，将其它模式的降水预报产品融合到背景场网格降水预报中。对于强降水来说进行高阈值融合主要的做法是，设定一个第一降水量阈值(一个高阈值)，检验除背景场以外的模式，使得其他模式降水量高阈值条件下满足用户要求降水预报的失败率低于20％或更低，则将这个模式的网格降水融合进背景场。对晴雨预报来说，设定一个第二降水量阈值(一个低阈值)，在背景场网格点预报有弱降水也就是处于第二降水量阈值内，其它模式网格点未报降水的情况下，检验其它模式这些网格点的历史晴雨预报准确率也就是未预报降水的预报准确率，当其准确率高于 80％，则降水背景场中的弱降水剔除，不报降水。
(3)历史回算表明，订正后的预报模式在整个区域≥2.0mm/3h的TS评分为0.173，相对于ECMWF、SCMOCG和NCEP的0.169、0.117和0.161 分别提高0.01、0.012和0.056。晴雨预报准确率86.8％，相对于SCMOCG 的81.2％，NCEP的80.4％，ECMW的77.4％，分别提高5.6％、6.4％和9.4％。
值得说明的是，回算和实际业务均表明，该技术能够有效提高晴雨预报准确率和暴雨预报TS评分，且业务中对背景场以外的降水预报产品采用高阈值融合时，实时调整阈值，会有更好的预报效果。改善了智能网格降水预报空报漏报现象，通过融合订正减小了多模式集成过程中的性能误差，有效解决了现有技术存在的客观缺点，实现了降水预报准确率的进一步提升。
与传统的集成方法不同，多模式融合的网格降水订正方法根据检验结果，从不同降水产品中直接选取可能正确的预报，不涉及复杂的权重计算，并且有针对性得对强弱降水进行阈值融合订正，相比现有技术，有效得提高了降水预报准确率，属于智能网格预报订正释用的新技术，业务应用效果较好，在行业内具有领先作用。
如图3所示，本发明提供了一种基于多模式融合的降水预报订正装置，所述装置包括：数据获取模块、评分计算模块和降水订正模块，其中，
所述数据获取模块，用于读取历史时间段内多个预报模式的历史资料数据，所述历史资料数据包括历史预报数据和历史观测数据；
所述评分计算模块，用于根据所述数据获取模块获取的所述历史资料数据对各预报模式进行评分检验，获得各预报模式的评分；
所述降水订正模块，用于在将评分最高的预报模式作为背景场的基础上，采用阈值融合和阈值消空的方式对所述背景场进行订正，获得订正后的预报模式。
在本发明一个实施例中，所述评分计算模块具体用于在预设检验限定下，根据所述历史资料数据计算各预报模式的TS评分。
在本发明一个实施例中，所述降水订正模块包括背景选定单元、失败计算单元和融合判断单元，其中，
所述背景选定单元，用于将评分最高的预报模式作为背景场；
所述失败计算单元，用于在所述背景场的一个网格中，所述评分最高的预报模式的历史预报降水量小于第一降水量阈值，而所述评分最高的预报模式除外的其他预报模式的历史预报降水量中存在大于或等于第一降水量阈值时，计算与所述评分最高的预报模式存在不一致的预报模式中各个预报模式在各自降水量高阈值下的预报失败率；
所述融合判断单元，用于判断所有所述预报失败率中是否存在低于预设融合阈值，若是，则对所述网格进行融合，否则不对所述网格进行处理。
在本发明一个实施例中，所述降水订正模块包括背景选定单元、成功计算单元和消空判断单元，
所述背景选定单元，用于将所述评分最高的预报模式作为背景场；
所述成功计算单元，用于在所述背景场的一个网格中，所述评分最高的预报模式的历史预报降水量大于零而小于第二降水量阈值，而所述评分最高的预报模式除外的其他预报模式中存在未预报降水，读取所有所述未预报降水对应的预报模式的预报准确率；
所述消空判断单元，用于判断所有所述预报准确率中是否存在高于预设消空阈值的预报准确率，若是，则对所述网格进行消空，否则不对所述网格进行处理。
在本发明一个实施例中，所述评分计算模块还用于对所述降水订正模块获得的订正后的预报模式进行评分检验，获得订正后的评分。
在本发明一个实施例中，所述评分计算模块还用于对所述降水订正模块获得的订正后的预报模式进行预设时间长度上的评分检验，获得订正后的评分。
在本发明一个实施例中，所述装置还包括订正改进模块，用于判断所述订正后的评分是否达到预设标准分，若是，采用订正后的预报模式进行降水预报，否则调整所述第一降水量阈值和/或所述第二降水量阈值和/或所述降水量高阈值和/或所述降水量低阈值和/或所述预设融合阈值和/或所述预设消空阈值后，再对所述背景场进行订正。
上述装置内的各模块和单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个······”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (8)
1.一种基于多模式融合的降水预报订正方法，其特征在于，所述方法包括：
读取历史时间段内多个预报模式的历史资料数据，所述历史资料数据包括历史预报数据和历史观测数据；
根据所述历史资料数据对各预报模式进行评分检验，获得各预报模式的评分；
在将评分最高的预报模式作为背景场的基础上，采用阈值融合和阈值消空的方式对所述背景场进行订正；
其中，所述在将评分最高的预报模式作为背景场的基础上，采用阈值融合和阈值消空的方式对所述背景场进行订正，包括：
将评分最高的预报模式作为背景场；
针对强降水，在所述背景场的一个网格中，所述评分最高的预报模式的预报降水量小于第一降水量阈值，而所述评分最高的预报模式除外的其他预报模式的预报降水量中存在大于或等于第一降水量阈值时，计算与所述评分最高的预报模式存在不一致的预报模式中各个预报模式在各自降水量高阈值下的预报失败率；
判断所有所述预报失败率中是否存在低于预设融合阈值，若是，则对所述网格进行融合，否则不对所述网格进行处理；以及，
将评分最高的预报模式作为背景场；
针对弱降水，在所述背景场的一个网格中，所述评分最高的预报模式的预报降水量大于零而小于第二降水量阈值，而所述评分最高的预报模式除外的其他预报模式中存在未预报降水量，计算所有所述未预报降水量对应的预报模式在各自降水量低阈值下的预报准确率；
判断所有所述预报准确率中是否存在高于预设消空阈值，若是，则对所述网格进行消空，否则不对所述网格进行处理。
2.根据权利要求1所述基于多模式融合的降水预报订正方法，其特征在于，根据所述历史资料数据对各预报模式进行评分检验，获得各预报模式的评分，包括：
在预设检验条件下，根据所述历史资料数据计算各预报模式的TS评分。
3.根据权利要求1所述基于多模式融合的降水预报订正方法，其特征在于，在将评分最高的预报模式作为背景场的基础上，采用阈值融合和阈值消空的方式对所述背景场进行订正，之后还包括：
在将评分最高的预报模式作为背景场的基础上，采用阈值融合和阈值消空的方式对所述背景场进行订正，获得订正后的预报模式；
对所述订正后的预报模式进行评分检验，获得订正后的评分。
4.根据权利要求3所述基于多模式融合的降水预报订正方法，其特征在于，对所述订正后的预报模式进行评分检验，获得订正后的评分，包括：
对所述订正后的预报模式进行预设时间长度上的评分检验，获得订正后的评分。
5.根据权利要求3或4任一所述基于多模式融合的降水预报订正方法，其特征在于，所述方法还包括：
判断所述订正后的评分是否达到预设标准分，若是，采用订正后的预报模式进行降水量预报，否则调整所述第一降水量阈值和/或所述第二降水量阈值和/或所述降水量高阈值和/或所述降水量低阈值和/或所述预设融合阈值和/或所述预设消空阈值后，再对所述背景场进行订正。
6.一种基于多模式融合的降水预报订正装置，其特征在于，所述装置包括：数据获取模块、评分计算模块和降水订正模块，其中，
所述数据获取模块，用于读取历史时间段内多个预报模式的历史资料数据，所述历史资料数据包括历史预报数据和历史观测数据；
所述评分计算模块，用于根据所述数据获取模块获取的所述历史资料数据对各预报模式进行评分检验，获得各预报模式的评分；
所述降水订正模块，用于在将评分最高的预报模式作为背景场的基础上，采用阈值融合和阈值消空的方式对所述背景场进行订正；
其中，所述在将评分最高的预报模式作为背景场的基础上，采用阈值融合和阈值消空的方式对所述背景场进行订正，包括：
将评分最高的预报模式作为背景场；
针对强降水，在所述背景场的一个网格中，所述评分最高的预报模式的预报降水量小于第一降水量阈值，而所述评分最高的预报模式除外的其他预报模式的预报降水量中存在大于或等于第一降水量阈值时，计算与所述评分最高的预报模式存在不一致的预报模式中各个预报模式在各自降水量高阈值下的预报失败率；
判断所有所述预报失败率中是否存在低于预设融合阈值，若是，则对所述网格进行融合，否则不对所述网格进行处理；以及，
将评分最高的预报模式作为背景场；
针对弱降水，在所述背景场的一个网格中，所述评分最高的预报模式的预报降水量大于零而小于第二降水量阈值，而所述评分最高的预报模式除外的其他预报模式中存在未预报降水量，计算所有所述未预报降水量对应的预报模式在各自降水量低阈值下的预报准确率；
判断所有所述预报准确率中是否存在高于预设消空阈值，若是，则对所述网格进行消空，否则不对所述网格进行处理。
7.一种可读存储介质，其特征在于，其上具有可执行指令，当可执行指令被执行时，使得计算机执行如权利要求1-5中的任一项所包括的方法。
8.一种计算设备，其特征在于，包括：一个或多个处理器、存储器以及程序，其中，所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行如权利要求1-5中的任一项所包括的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011362926.7A CN112488385B (zh) | 2020-11-27 | 2020-11-27 | 一种基于多模式融合的降水预报订正方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011362926.7A CN112488385B (zh) | 2020-11-27 | 2020-11-27 | 一种基于多模式融合的降水预报订正方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112488385A CN112488385A (zh) | 2021-03-12 |
| CN112488385B true CN112488385B (zh) | 2024-04-16 |
Family
ID=74936582
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011362926.7A Active CN112488385B (zh) | 2020-11-27 | 2020-11-27 | 一种基于多模式融合的降水预报订正方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112488385B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113592132B (zh) * | 2021-04-29 | 2022-04-05 | 山东省气象科学研究所(山东省海洋气象科学研究所、山东省气象局培训中心) | 一种基于数值天气预报和人工智能的降水客观预报方法 |
| CN114325879B (zh) * | 2021-12-20 | 2022-09-30 | 广东省气象台(南海海洋气象预报中心) | 一种基于分级概率的定量降水订正方法 |
| CN116108971B (zh) * | 2022-12-20 | 2023-07-25 | 中国民用航空局空中交通管理局航空气象中心 | 一种基于数值模式对流覆盖率的对流天气预报方法及*** |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111159640A (zh) * | 2019-11-20 | 2020-05-15 | 北京玖天气象科技有限公司 | 适用于网格预报的小雨消空方法、消空***、电子设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105808948B (zh) * | 2016-03-08 | 2017-02-15 | 中国水利水电科学研究院 | 一种自动修正的多模式数值降雨集合预报方法 |
| US20180292573A1 (en) * | 2017-04-05 | 2018-10-11 | Weather Analytics Llc | Corrective Ensemble Forecasting System for Tropical Cyclones |
-
2020
- 2020-11-27 CN CN202011362926.7A patent/CN112488385B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111159640A (zh) * | 2019-11-20 | 2020-05-15 | 北京玖天气象科技有限公司 | 适用于网格预报的小雨消空方法、消空***、电子设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 基于小波分析的西北区智能网格气温客观预报方法的检验评估;刘新伟等;大气科学学报;第43卷(第4期);673-686 * |
| 陕西省精细化网格预报业务***技术方法;王建鹏等;气象科技;第46卷(第5期);910-918 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112488385A (zh) | 2021-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112488385B (zh) | 一种基于多模式融合的降水预报订正方法和装置 | |
| Howarth et al. | Changes in extreme precipitation in the northeast United States: 1979–2014 | |
| Wang et al. | Trends and low frequency variability of extra-tropical cyclone activity in the ensemble of twentieth century reanalysis | |
| Wolff et al. | Beyond the basics: Evaluating model-based precipitation forecasts using traditional, spatial, and object-based methods | |
| Wang | On the calculation and correction of equitable threat score for model quantitative precipitation forecasts for small verification areas: The example of Taiwan | |
| CN111242404B (zh) | 一种强降雨诱发洪灾事件的极端性评估方法及*** | |
| CN110334404B (zh) | 一种流域尺度骤发干旱精准识别方法 | |
| Palaniswami et al. | Change Point Detection and Trend Analysis of Rainfall and Temperature Series over the Vellar River Basin. | |
| CN116910041B (zh) | 一种基于尺度分析的遥感降水产品的逐日订正方法 | |
| Zhang et al. | Spatio-temporal variations in extreme drought in China during 1961–2015 | |
| Chen et al. | Spatial spread‐skill relationship in terms of agreement scales for precipitation forecasts in a convection‐allowing ensemble | |
| Duncan et al. | Analysing temporal trends in the Indian Summer Monsoon and its variability at a fine spatial resolution | |
| Stein et al. | Neighborhood-based contingency tables including errors compensation | |
| Zhu et al. | Predictability and skill of convection-permitting ensemble forecast systems in predicting the record-breaking “21· 7” extreme rainfall event in Henan Province, China | |
| Sciuto et al. | Quality control of daily rainfall data with neural networks | |
| CN110288117B (zh) | 一种电离层参数临界频率的区域重构方法 | |
| Smith et al. | The hourly wind-bias-adjusted precipitation data set from the Environment and Climate Change Canada automated surface observation network (2001–2019) | |
| Shin et al. | Predictability of PM2. 5 in Seoul based on atmospheric blocking forecasts using the NCEP global forecast system | |
| Alerskans et al. | Optimizing spatial quality control for a dense network of meteorological stations | |
| Dittus et al. | An investigation of some unexpected frost day increases in southern Australia | |
| CN112541161B (zh) | 一种区域多源降水数据质量控制方法及*** | |
| CN117388951A (zh) | 梅雨预测方法、装置和设备 | |
| Hong et al. | Probabilistic simulations for seasonal typhoon genesis over the South China Sea | |
| Wasko et al. | A systematic review of climate change science relevant to Australian design flood estimation | |
| Chen et al. | Modified analogue forecasting in the hidden Markov framework for meteorological droughts |
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 |