CN115576033A - 面向南方电网气象保障3公里分辨率中尺度数值预报方法 - Google Patents

面向南方电网气象保障3公里分辨率中尺度数值预报方法 Download PDF

Info

Publication number
CN115576033A
CN115576033A CN202211177083.2A CN202211177083A CN115576033A CN 115576033 A CN115576033 A CN 115576033A CN 202211177083 A CN202211177083 A CN 202211177083A CN 115576033 A CN115576033 A CN 115576033A
Authority
CN
China
Prior art keywords
cloud
data
wind direction
forecasting
equation
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.)
Pending
Application number
CN202211177083.2A
Other languages
English (en)
Inventor
邓力源
王凌梓
李崇浩
李树山
吴慧军
孙健
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.)
China Southern Power Grid Co Ltd
Original Assignee
China Southern Power Grid 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 China Southern Power Grid Co Ltd filed Critical China Southern Power Grid Co Ltd
Priority to CN202211177083.2A priority Critical patent/CN115576033A/zh
Publication of CN115576033A publication Critical patent/CN115576033A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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

  • Environmental & Geological Engineering (AREA)
  • Engineering & Computer Science (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

本申请提供了一种面向南方电网气象保障3公里分辨率中尺度数值预报方法，获取待预报目标区域的区域观测数据；分别从风向观测数据和云观测数据中提取出用于进行分析同化处理的风向计算数据和云计算数据；参考历史观测数据，将风向计算数据和云计算数据转换为风向网格数据和云网格数据；对风向网格数据和云网格数据进行分析同化处理，得到风向预测参数和云预测参数；利用云预测参数调整结合三维静力参考大气推导出的气象预报方程中的环境参数，得到调整后的目标预报方程；将风向预测参数代入调整后的目标预报方程，得到待预报目标区域的气象预报结果。这里，可以针对于待预报目标区域的实际情况，准确确定待预报目标区域内气象结果的预报结果。

Description

面向南方电网气象保障3公里分辨率中尺度数值预报方法
技术领域
本申请涉及气象预报技术领域，尤其是涉及一种面向南方电网气象保障3公里分辨率中尺度数值预报方法。
背景技术
数值天气预报方面，国际主要业务中心的全球模式水平分辨率已达到10公里左右，区域高分辨率模式分辨率为1～3公里。区域高分辨率模式多采用快速循环策略，吸收高频、高空间密度观测，快速预报预警中小尺度天气事件。
目前，电网尚未建立针对于目标区域的专用数值预报天气***，在特定区域具有气象预报需求时，所获得的预报结果均为气象部门所提供，该预报结果所预报的区域、预报的核心指标、核心技术、服务对象等均未能面向目标区域的需求开展针对性的工作，因此，会使得目标区域的气象预报结果不准确。
发明内容
有鉴于此，本申请的目的在于提供一种面向南方电网气象保障3公里分辨率中尺度数值预报方法，可以针对于待预报目标区域的实际情况，更加准确地实现待预报目标区域内气象结果的预报结果。
本申请实施例提供了一种面向南方电网气象保障3公里分辨率中尺度数值的预报方法，所述预报方法包括：
获取待预报目标区域所涉及的区域观测数据；其中，所述区域观测数据包括风向观测数据以及云观测数据；所述待预报目标区域为南方电网所涉及的、存在中尺度天气事件的区域；
分别从所述风向观测数据和所述云观测数据中提取出用于进行分析同化处理的风向计算数据和云计算数据；
参考历史观测数据，分别将所述风向计算数据和所述云计算数据转换为风向网格数据和云网格数据；其中，每个网格数据对应的网格分辨率为3公里；
分别对所述风向网格数据和所述云网格数据进行分析同化处理，得到风向预测参数和云预测参数；
利用所述云预测参数调整结合三维静力参考大气所推导出的气象预报方程中的环境参数，得到调整后的目标预报方程；
将所述风向预测参数代入所述调整后的目标预报方程，得到所述待预报目标区域的气象预报结果。
在一种可能的实施方式中，所述环境参数包括湿度参数和水气参数；所述利用所述云预测参数调整结合三维静力参考大气所推导出的气象预报方程中的环境参数，得到调整后的目标预报方程，包括：
利用所述云预测参数调整所述目标预报方程中的湿度参数，得到第一预报方程；
再利用所述云预测参数调整所述第一预报方程中的水气参数，得到调整后的目标预报方程。
在一种可能的实施方式中，通过以下步骤对所述风向网格数据进行分析同化处理，得到所述风向预测参数：
基于所述区域观测数据和所述待预报目标区域的背景数据，确定所述待预报目标区域的风向更新参数；
利用所述风向更新参数更新预报场模型，得到更新后的预报场模型；
利用所述更新后的预报场模型对所述风向网格数据进行分析同化处理，得到风向预测参数。
在一种可能的实施方式中，通过以下步骤对所述云网格数据进行分析同化处理，得到所述云预测参数：
读取雷达反射率数据；
利用所述雷达反射率以及所述云网格数据，采用经验关系式计算背景场云量，确定所述云网格数据对应的初始格点云量以及所述待预报目标区域的背景场云量；
基于所述云网格数据中的云朵厚度、空气温度和静力稳定度，确定云朵类型；
基于所述背景场云量和所述云朵类型，确定所述待预报目标区域的云水量和云冰量；
依据所述雷达反射率观测、所述云水量和所述云冰量，通过降水粒子经验关系式，确定所述云预测参数。
在一种可能的实施方式中，所述参考历史观测数据，分别将所述风向计算数据和所述云计算数据转换为风向网格数据和云网格数据，包括：
参考所述历史观测数据的呈现形式，分别对所述风向计算数据和所述云计算数据进行数据坐标转换处理和网格化插值处理，得到所述风向网格数据和所述云网格数据。
在一种可能的实施方式中，通过以下步骤结合三维静力参考大气所推导出的气象预报方程：
获取GRAPES模式下的基本预报方程组；其中，所述基本预报方程组包括多个预报子方程；
利用所述三维静力参考大气，将所述基本预报方程组中的大气参数划分为静力平衡部分以及偏差部分，得到划分后的大气参数；
将所述划分后的大气参数代入所述基本预报方程组的每个预报子方程，得到过度预报方程组；其中，所述过度预报方程组包括多个过度子方程；
分别对每个过度子方程进行线性化分离处理，将每个过度子方程划分为线性项部分和非线性项部分；
针对于包括线性项部分和非线性项部分的每个过度子方程，使用消元法推导出用于隐式求解的Helmholtz方程，将所述隐式求解的Helmholtz方程确定为所述气象预报方程。
在一种可能的实施方式中，所述区域观测数据包括所述待预报目标区域的位势高度、温度、风向、涡度、散度、相对湿度、地表温度、海平面气压以及地面气压中的一种或多种。
本申请实施例还提供了一种面向南方电网气象保障3公里分辨率中尺度数值的预报装置，所述预报装置包括：
数据获取模块，用于获取待预报目标区域所涉及的区域观测数据；其中，所述区域观测数据包括风向观测数据以及云观测数据；所述待预报目标区域为南方电网所涉及的、存在中尺度天气事件的区域；
数据提取模块，用于分别从所述风向观测数据和所述云观测数据中提取出用于进行分析同化处理的风向计算数据和云计算数据；
网格化处理模块，用于参考历史观测数据，分别将所述风向计算数据和所述云计算数据转换为风向网格数据和云网格数据；其中，每个网格数据对应的网格分辨率为3公里；
分析同化处理模块，用于分别对所述风向网格数据和所述云网格数据进行分析同化处理，得到风向预测参数和云预测参数；
方程调整模块，用于利用所述云预测参数调整结合三维静力参考大气所推导出的气象预报方程中的环境参数，得到调整后的目标预报方程；
结果预报模块，用于将所述风向预测参数代入所述调整后的目标预报方程，得到所述待预报目标区域的气象预报结果。
在一种可能的实施方式中，所述环境参数包括湿度参数和水气参数；所述方程调整模块在用于利用所述云预测参数调整结合三维静力参考大气所推导出的气象预报方程中的环境参数，得到调整后的目标预报方程时，所述方程调整模块用于：
利用所述云预测参数调整所述目标预报方程中的湿度参数，得到第一预报方程；
再利用所述云预测参数调整所述第一预报方程中的水气参数，得到调整后的目标预报方程。
在一种可能的实施方式中，所述分析同化处理模块用于通过以下步骤对所述风向网格数据进行分析同化处理，得到所述风向预测参数：
基于所述区域观测数据和所述待预报目标区域的背景数据，确定所述待预报目标区域的风向更新参数；
利用所述风向更新参数更新预报场模型，得到更新后的预报场模型；
利用所述更新后的预报场模型对所述风向网格数据进行分析同化处理，得到风向预测参数。
在一种可能的实施方式中，所述分析同化处理模块用于通过以下步骤对所述云网格数据进行分析同化处理，得到所述云预测参数：
读取雷达反射率数据；
利用所述雷达反射率以及所述云网格数据，采用经验关系式计算背景场云量，确定所述云网格数据对应的初始格点云量以及所述待预报目标区域的背景场云量；
基于所述云网格数据中的云朵厚度、空气温度和静力稳定度，确定云朵类型；
基于所述背景场云量和所述云朵类型，确定所述待预报目标区域的云水量和云冰量；
依据所述雷达反射率观测、所述云水量和所述云冰量，通过降水粒子经验关系式，确定所述云预测参数。
在一种可能的实施方式中，所述网格化处理模块在用于参考历史观测数据，分别将所述风向计算数据和所述云计算数据转换为风向网格数据和云网格数据时，所述网格化处理模块用于：
参考所述历史观测数据的呈现形式，分别对所述风向计算数据和所述云计算数据进行数据坐标转换处理和网格化插值处理，得到所述风向网格数据和所述云网格数据。
在一种可能的实施方式中，所述预报装置还包括方程推导模块，所述方程推导模块用于通过以下步骤结合三维静力参考大气所推导出的气象预报方程：
获取GRAPES模式下的基本预报方程组；其中，所述基本预报方程组包括多个预报子方程；
利用所述三维静力参考大气，将所述基本预报方程组中的大气参数划分为静力平衡部分以及偏差部分，得到划分后的大气参数；
将所述划分后的大气参数代入所述基本预报方程组的每个预报子方程，得到过度预报方程组；其中，所述过度预报方程组包括多个过度子方程；
分别对每个过度子方程进行线性化分离处理，将每个过度子方程划分为线性项部分和非线性项部分；
针对于包括线性项部分和非线性项部分的每个过度子方程，使用消元法推导出用于隐式求解的Helmholtz方程，将所述隐式求解的Helmholtz方程确定为所述气象预报方程。
在一种可能的实施方式中，所述区域观测数据包括所述待预报目标区域的位势高度、温度、风向、涡度、散度、相对湿度、地表温度、海平面气压以及地面气压中的一种或多种。
本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的预报方法的步骤。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的预报方法的步骤。
本申请实施例提供的面向南方电网气象保障3公里分辨率中尺度数值的预报方法，获取待预报目标区域所涉及的区域观测数据；其中，所述区域观测数据包括风向观测数据以及云观测数据；所述待预报目标区域为南方电网所涉及的、存在中尺度天气事件的区域；分别从所述风向观测数据和所述云观测数据中提取出用于进行分析同化处理的风向计算数据和云计算数据；参考历史观测数据，分别将所述风向计算数据和所述云计算数据转换为风向网格数据和云网格数据；其中，每个网格数据对应的网格分辨率为3公里；分别对所述风向网格数据和所述云网格数据进行分析同化处理，得到风向预测参数和云预测参数；利用所述云预测参数调整结合三维静力参考大气所推导出的气象预报方程中的环境参数，得到调整后的目标预报方程；将所述风向预测参数代入所述调整后的目标预报方程，得到所述待预报目标区域的气象预报结果。这里，便可以针对于待预报目标区域的实际情况，更加准确地实现待预报目标区域内气象结果的预报结果。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例所提供的一种面向南方电网气象保障3公里分辨率中尺度数值的预报方法的流程图；
图2为本申请实施例所提供的一种云网格数据的分析同化过程示意图；
图3为本申请实施例所提供的一种面向南方电网气象保障3公里分辨率中尺度数值的预报装置的结构示意图之一；
图4为本申请实施例所提供的一种面向南方电网气象保障3公里分辨率中尺度数值的预报装置的结构示意图之二；
图5为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
经研究发现，目前，电网尚未建立针对于目标区域的专用数值预报天气***，在特定区域具有气象预报需求时，所获得的预报结果均为气象部门所提供，该预报结果所预报的区域、预报的核心指标、核心技术、服务对象等均未能面向目标区域的需求开展针对性的工作，因此，会使得目标区域的气象预报结果不准确。
基于此，本申请实施例提供了一种面向南方电网气象保障3公里分辨率中尺度数值的预报方法，可以提高目标区域的气象预测结果的准确性。
请参阅图1，图1为本申请实施例所提供的一种面向南方电网气象保障3公里分辨率中尺度数值的预报方法的流程图。如图1中所示，本申请实施例提供的预报方法，包括：
S101、获取待预报目标区域所涉及的区域观测数据；其中，所述区域观测数据包括风向观测数据以及云观测数据。
S102、分别从所述风向观测数据和所述云观测数据中提取出用于进行分析同化处理的风向计算数据和云计算数据。
S103、参考历史观测数据，分别将所述风向计算数据和所述云计算数据转换为风向网格数据和云网格数据。
S104、分别对所述风向网格数据和所述云网格数据进行分析同化处理，得到风向预测参数和云预测参数。
S105、利用所述云预测参数调整结合三维静力参考大气所推导出的气象预报方程中的环境参数，得到调整后的目标预报方程。
S106、将所述风向预测参数代入所述调整后的目标预报方程，得到所述待预报目标区域的气象预报结果。
本申请实施例所提供的一种面向南方电网气象保障3公里分辨率中尺度数值的预报方法，在目标区域具有气象预报需求时，获取待预报目标区域的区域观测数据；这里，区域观测数据中包括对气象预报结果产生影响的风向观测数据以及云观测数据；分别出风向观测数据和云观测数据中提取出用于进行分析同化处理的风向计算数据和云计算数据；为了能够精细化气象预报结果所涉及的范围，依据于历史观测数据，将风向计算数据和云计算数据进行网格化处理，得到风向网格数据和云网格数据；在此基础上，对得到的风向网格数据和云网格数据进行分析同化处理，得到风向预测参数和云预测参数；利用云预测参数调整结合三维静力参考大气所推导出的气象预报方程中的环境参数，得到调整后的目标预报方程；将风向预测参数代入所述目标预报方程，得到待预报目标区域的气象预报结果。这样，便可以在待预报目标区域存在气象预报需求时，针对于待预报目标区域的实际情况，更加准确地实现待预报目标区域内气象结果的预报结果。
在步骤S101中，在待预报目标区域具有气象预报需求时，获取待预报目标区域所涉及的区域观测数据。
这里，所述待预报目标区域为南方区域，在进行待预报目标区域的气象预报时，对待预报目标区域的气象产生影响的因素可以包括风因素、云因素以及地势因素等；因此，所述区域观测数据包括风向观测数据、云观测数据以及地势观测参数。
具体的，所述区域观测数据可以包括所述目标区域的位势高度、温度、风向、涡度、散度、相对湿度、地表温度、海平面气压以及地面气压中的一种或多种。
其中，待预报目标区域可以包括南方区域所涉及的、存在中尺度天气事件的区域，南方电网所在南方区域地形差异明显，海拔高度变化范围大，云贵高原等地山区的坡向、坡度变化复杂，粤港澳大湾区城市化进程加速，土地利用变化剧烈等实际情况，因此，在对南方地区进行气象预报时，需结合与南方地区的实际情况进行气象预报。
针对于南方地区在进行气象预报时，为了使得预报结果更加准确，在后续的预报过程中，需对获取到的风向观测数据以及云观测数据进行分析同化处理；因此，还需进一步地提取出需进行分析同化处理的风向计算数据和云计算数据。
在步骤S102中，分别从风向观测数据和云观测数据中提取出用于进行分析同化处理的风向计算数据和云计算数据；具体的，建立用于接收大规模多型号雷达径向风的风向观测数据的Fortran开发同化***的数据接口，实现风向观测数据的接收；采用Fortran开发同化***建立径向风算子和模式变量的关系，完成加入观测算子以及观测算子的切向性模式和伴随模式，实现对风向观测数据的解码、格式处理和信息提取等预处理，从风向观测数据中提取出用于分析同化处理的风向计算数据。
同样的，对于云观测数据来说，通过开发云分析***的雷达反射率数据接口，实现云观测数据的接收；通过雷达同化应用预处理***(RAPS)对云观测数据进行解码、质控以及数据提取等预处理，从云观测数据中提取出用于进行分析同化处理的云计算数据。
进一步的，为了保证预测区域的精度，需将风向计算数据和云计算数据进行网格化处理，以确保气象预报结果具有3km分辨率。
在步骤S103中，参考历史观测数据，分别将风向计算数据和云计算数据从极坐标转换到笛卡儿坐标的模式网格上，得到网格化的风向网格数据和云网格数据。
其中，每个网格数据对应的网格分辨率为3公里。
在一种实施方式中，步骤S103包括：参考所述历史观测数据的呈现形式，分别对所述风向计算数据和所述云计算数据进行数据坐标转换处理和网格化插值处理，得到所述风向网格数据和所述云网格数据。
该步骤中，历史观测数据为已经网格化的观测数据，因此，在对风向计算数据和云计算数据进行网格化处理时，可以参考于历史观测数据的呈现形式，分别对风向计算数据和云计算数据进行数据坐标转换处理和网格化插值处理，以完成数据从极坐标到笛卡儿坐标的模式网格上的转换，得到风向网格数据和云网格数据。
在步骤S104中，分别对风向网格数据和云网格数据进行分析同化处理，以得到对气象预报结果产生影响的风向预测参数和云预测参数；这里，在实际的处理过程中，可以参考于现有的分析同化处理技术，在此不再赘述。
在一种实施方式中，通过以下步骤对所述风向网格数据进行分析同化处理，得到所述风向预测参数：基于所述区域观测数据和所述待预报目标区域的背景数据，确定所述待预报目标区域的风向更新参数；利用所述风向更新参数更新预报场模型，得到更新后的预报场模型；利用所述更新后的预报场模型对所述风向网格数据进行分析同化处理，得到风向预测参数。
该步骤中，首先，利用区域观测数据和待预报目标区域的背景数据，确定出用于调整预报场模型参数的风向更新参数；其中，预报场模型用于在历史时间点上对待预报目标区域的历史风向网格数据进行分析同化处理。
然后，为了使得预报场模型适用于对当前时间点的待预报目标区域进行分析同化处理，利用风向更新参数更新预报场模型中的相关参数，得到更新后的预报场模型。
最后，将风向网格数据输入至更新后的预报场模型中，利用更新后的预报场模型对风向网格数据进行分析同化处理，得到风向预测参数。
这里，预报场模型是利用多个风向样本数据以及每个风向样本数据所对应的预测标签训练得到的，具体可以参考于现有的预报场模型的训练过程，在此不再赘述。
在一种实施方式中，请参阅图2，图2为本申请实施例所提供的一种云网格数据的分析同化过程示意图。如图2所示，通过以下步骤对所述云网格数据进行分析同化处理，得到所述云预测参数：
S201、读取雷达反射率数据。
S202、利用所述雷达反射率以及所述云网格数据，采用经验关系式计算背景场云量，确定所述云网格数据对应的初始格点云量以及所述待预报目标区域的背景场云量。
该步骤中，基于雷达反射率以及云网格数据，结合已有的用于确定背景场云量的经验关系式，确定云网格数据对应的初始格点云量以及待预报目标区域的背景场云量；该步骤可以利用现有的任何计算云量的经验关系式进行确定，在此不再赘述。
S203、基于所述云网格数据中的云朵厚度、空气温度和静力稳定度，确定云朵类型。
该步骤中，可以参考于现有的确定云朵类型的方式，利用云网格数据中的云朵厚度、空气温度和静力稳定度等参数，确定待预报目标区域内云朵的云朵类型。
S204、基于所述背景场云量和所述云朵类型，确定所述待预报目标区域的云水量和云冰量。
该步骤中，在确定出待预报目标区域的背景场云量和云朵类型的基础上，采用现有的云水量和云冰量计算方式，确定出待预报目标区域内的云水量和云冰量，在此不再赘述。
S205、依据所述雷达反射率观测、所述云水量和所述云冰量，通过降水粒子经验关系式，确定所述云预测参数。
该步骤中，利用已有的用于确定降水粒子的经验关系式，依据雷达反射率观测、云水量和云冰量，确定出待预报目标区域的云预测参数；这里，还可以通过预先训练好的云参数预测模型，来确定待预报目标区域的云预测参数，云参数预测模型可以为任何的机器学习模型。
云参数预测模型可以利用多个云样本数据以及每个云样本数据所对应的参数标签，对机器学习模型进行训练得到的，具体可以参考于现有的预机器学习模型的训练过程，在此不再赘述。
在步骤S105中，利用云预测参数调整结合三维静力参考大气所推导出的、适用于对待预报目标区域进行气象预报的、气象预报方程中的环境参数，得到调整后的目标预报方程。
在一种实施方式中，所述环境参数包括湿度参数和水气参数；步骤S105包括：利用所述云预测参数调整所述目标预报方程中的湿度参数，得到第一预报方程；再利用所述云预测参数调整所述第一预报方程中的水气参数，得到调整后的目标预报方程。
该步骤中，在目标预报方程中可以利用云预测参数进行跳级的环境参数包括湿度参数和水气参数；首先，利用利用云预测参数对目标预报方程中的湿度参数进行调整，以在调整后得到第一预报方程；然后，在得到的第一预报方程的基础上，再利用云预测参数对第一预报方程中的水气参数进行调整，得到调整后的目标预报方程。
这里，在调整时，可以通过确定云预测参数与预设标准预测参数之间的参数比例，按照参数比例，分别调整第一预报方程中的湿度参数和水气参数；或者，通过特定的计算公式(例如，加、减、乘、除等)，实习对于第一预报方程中的湿度参数和水气参数的调整，可以根据实际情况而定，在此不做限制。
在一种实施方式中，通过以下步骤结合三维静力参考大气所推导出的气象预报方程：
步骤a：获取GRAPES模式下的基本预报方程组；其中，所述基本预报方程组包括多个预报子方程。
该步骤中，在自然高度下，基本预报方程组具体为：
Figure BDA0003864989140000141
Figure BDA0003864989140000142
Figure BDA0003864989140000151
Figure BDA0003864989140000152
Figure BDA0003864989140000153
Figure BDA0003864989140000154
Figure BDA0003864989140000155
其中，Gx为曲率项；a为地球半径。(1)～(5)是GRAPES模式基本预报方程组，各符号定义可参考GRAPES模式技术手册(Chen Dehui,Xue Jishan,et al.,2008)。
步骤b：利用所述三维静力参考大气，将所述基本预报方程组中的大气参数划分为静力平衡部分以及偏差部分，得到划分后的大气参数。
该步骤中，可以利用三维静力参考大气，将基本预报方程组中每个预报子方程的大气参数划分为静力平衡部分以及偏差部分，划分后的大气参数如下：
Figure BDA0003864989140000156
Figure BDA0003864989140000157
这里，
Figure BDA0003864989140000158
表示满足静力平衡的三维参考大气；Π',θ'表示偏离参考大气状态的偏差量，其他各符号定义同样可参考于GRAPES模式技术手册(Chen Dehui,Xue Jishan,etal.,2008)，在此不再赘述。
步骤c：将所述划分后的大气参数代入所述基本预报方程组的每个预报子方程，得到过度预报方程组。
该步骤中，将划分后的大气参数代回至基本预报方程组的每个预报子方程中，并应用参考大气满足静力平衡关系式：
Figure BDA0003864989140000161
得到过度预报方程组；其中，所述过度预报方程组包括多个过度子方程。
即将(8)～(9)分别代入(1)～(5)，并应用参考大气满足静力平衡关系式，得到多个过度子方程：
Figure BDA0003864989140000162
Figure BDA0003864989140000163
Figure BDA0003864989140000164
Figure BDA0003864989140000165
Figure BDA0003864989140000166
其中，式中各符号定义同样可参考于GRAPES模式技术手册(Chen Dehui,XueJishan,et al.,2008)，在此不再赘述。
步骤d：分别对每个过度子方程进行线性化分离处理，将每个过度子方程划分为线性项部分和非线性项部分。
该步骤中，针对于上述每个过度子方程，即方程(10)～(14)，对每个过度子方程进行线性分离化处理，将每个过度子方程划分为线性项部分和非线性项部分。
具体的，对(10)-(14)方程组进行线性化分离处理得：
运动方程：u方程(物体相对静止系的速度方程)：
Figure BDA0003864989140000167
v方程(相对速度方程)：
Figure BDA0003864989140000171
Figure BDA0003864989140000172
连续方程：
Figure BDA0003864989140000173
热力学方程：
Figure BDA0003864989140000174
其中，L为线性项，N为非线性项，其他各符号定义同样可参考于GRAPES模式技术手册(Chen Dehui,Xue Jishan,et al.,2008)，在此不再赘述。
这里，通过坐标变换和基于参考大气的线性化处理，得到各过度子方程的线性项和非线性项：
u方程的线性项和非线性项分别为：
Figure BDA0003864989140000175
Figure BDA0003864989140000176
其中，式(20)～式(21)为u方程的线性项和非线性项，由于考虑了三维参考大气，相比一维参考大气增加了三维参考大气的水平梯度项，如式(20)～式(21)中下划线部分，式中各符号定义同样可参考于GRAPES模式技术手册(Chen Dehui,Xue Jishan,et al.,2008)，在此不再赘述。
这里，v方程的线性项和非线性项与u方程的线性项和非线性项类似，v方程的线性项和非线性项分别为：
Figure BDA0003864989140000181
Figure BDA0003864989140000182
w方程的线性项和非线性项分别为：
Figure BDA0003864989140000183
Figure BDA0003864989140000184
热力学方程的线性项和非线性项分别为：
Figure BDA0003864989140000185
Figure BDA0003864989140000186
Figure BDA0003864989140000187
Figure BDA0003864989140000188
其中，式(26)～式(29)为热力学方程的线性项和非线性项，由于考虑了三维参考大气，相比原先一维参考大气方案，方程增加了参考大气的水平平流项，如(227)和(28)式中下划线部分，式中各符号定义同样可参考于GRAPES模式技术手册(Chen Dehui,XueJishan,et al.,2008)，在此不再赘述。
连续方程的线性项和非线性项分别为：
Figure BDA0003864989140000189
Figure BDA00038649891400001810
步骤e：针对于包括线性项部分和非线性项部分的每个过度子方程，使用消元法推导出用于隐式求解的Helmholtz方程，将所述隐式求解的Helmholtz方程确定为所述气象预报方程。
该步骤中，针对于包括线性项部分和非线性项部分的每个过度子方程，使用消元法可推导出用于隐式求解的Helmholtz方程，可得：
Figure BDA0003864989140000191
Figure BDA0003864989140000192
Figure BDA0003864989140000193
Figure BDA0003864989140000194
Figure BDA0003864989140000195
其中，(32)式为求解(Π')n+1的Helmholtz方程，un+1、vn+1、
Figure BDA0003864989140000196
θ′n+1求解方程如式(33)～式(36)式所示，D3是三维散度，ξu1、ξw1、ξθ1等大气参数的系数，ξu0、ξθ0等是显式计算部分，根据高度地形追随坐标，水平、垂直跳点网格，垂直方向采Charney-Philip跳层设置，水平等距经-纬网格，采用Arakawa-C跳点，可对式(32)～式(36)进行离散化求解，首先建立(Π')n+1的Helmholtz方程，然后根据式(33)～式(36)分别求解；式中各符号定义同样可参考于GRAPES模式技术手册(Chen Dehui,Xue Jishan,et al.,2008)，在此不再赘述。
其中，云预测参数在使用消元法进行公式推导的过程中代入，实现对于大气参数Π’的调整；云预测参数可以包括云相对于静止物的速度、云的相对速度、云的角速度以及云与水平方向的夹角度数等，分别用于对式(33)～式(36)中的。
在步骤S106中，将所述风向预测参数代入所述调整后的目标预报方程，得到所述待预报目标区域的气象预报结果。
该步骤中，风向预测参数可以包括风相对于静止物的速度、风的相对速度、风的角速度以及风与水平方向的夹角度数等，分别将风向预测参数代入调整后的目标预报方程式(33)～式(36)中，实现对于速度、相对速度、角速度以及夹角度数等气象相关参数的预测，进而，可以根据气象相关参数，利用现有的预报方式，预报得到待预报目标区域的气象预报结果。
本申请实施例提供的面向南方电网气象保障3公里分辨率中尺度数值的预报方法，获取待预报目标区域所涉及的区域观测数据；其中，所述区域观测数据包括风向观测数据以及云观测数据；所述待预报目标区域为南方电网所涉及的、存在中尺度天气事件的区域；分别从所述风向观测数据和所述云观测数据中提取出用于进行分析同化处理的风向计算数据和云计算数据；参考历史观测数据，分别将所述风向计算数据和所述云计算数据转换为风向网格数据和云网格数据；其中，每个网格数据对应的网格分辨率为3公里；分别对所述风向网格数据和所述云网格数据进行分析同化处理，得到风向预测参数和云预测参数；利用所述云预测参数调整结合三维静力参考大气所推导出的气象预报方程中的环境参数，得到调整后的目标预报方程；将所述风向预测参数代入所述调整后的目标预报方程，得到所述待预报目标区域的气象预报结果。这里，便可以针对于待预报目标区域的实际情况，更加准确地实现待预报目标区域内气象结果的预报结果。
请参阅图3、图4，图3为本申请实施例所提供的一种面向南方电网气象保障3公里分辨率中尺度数值的预报装置的结构示意图之一，图4为本申请实施例所提供的一种面向南方电网气象保障3公里分辨率中尺度数值的预报装置的结构示意图之二。如图3中所示，所述预报装置300包括：
数据获取模块310，用于获取待预报目标区域所涉及的区域观测数据；其中，所述区域观测数据包括风向观测数据以及云观测数据；所述待预报目标区域为南方电网所涉及的、存在中尺度天气事件的区域；
数据提取模块320，用于分别从所述风向观测数据和所述云观测数据中提取出用于进行分析同化处理的风向计算数据和云计算数据；
网格化处理模块330，用于参考历史观测数据，分别将所述风向计算数据和所述云计算数据转换为风向网格数据和云网格数据；其中，每个网格数据对应的网格分辨率3公里；
分析同化处理模块340，用于分别对所述风向网格数据和所述云网格数据进行分析同化处理，得到风向预测参数和云预测参数；
方程调整模块350，用于利用所述云预测参数调整结合三维静力参考大气所推导出的气象预报方程中的环境参数，得到调整后的目标预报方程；
结果预报模块360，用于将所述风向预测参数代入所述调整后的目标预报方程，得到所述待预报目标区域的气象预报结果。
进一步的，所述环境参数包括湿度参数和水气参数；所述方程调整模块350在用于利用所述云预测参数调整结合三维静力参考大气所推导出的气象预报方程中的环境参数，得到调整后的目标预报方程时，所述方程调整模块350用于：
利用所述云预测参数调整所述目标预报方程中的湿度参数，得到第一预报方程；
再利用所述云预测参数调整所述第一预报方程中的水气参数，得到调整后的目标预报方程。
进一步的，所述分析同化处理模块340用于通过以下步骤对所述风向网格数据进行分析同化处理，得到所述风向预测参数：
基于所述区域观测数据和所述待预报目标区域的背景数据，确定所述待预报目标区域的风向更新参数；
利用所述风向更新参数更新预报场模型，得到更新后的预报场模型；
利用所述更新后的预报场模型对所述风向网格数据进行分析同化处理，得到风向预测参数。
进一步的，所述分析同化处理模块340用于通过以下步骤对所述云网格数据进行分析同化处理，得到所述云预测参数：
读取雷达反射率数据；
利用所述雷达反射率以及所述云网格数据，采用经验关系式计算背景场云量，确定所述云网格数据对应的初始格点云量以及所述待预报目标区域的背景场云量；
基于所述云网格数据中的云朵厚度、空气温度和静力稳定度，确定云朵类型；
基于所述背景场云量和所述云朵类型，确定所述待预报目标区域的云水量和云冰量；
依据所述雷达反射率观测、所述云水量和所述云冰量，通过降水粒子经验关系式，确定所述云预测参数。
进一步的，所述网格化处理模块330在用于参考历史观测数据，分别将所述风向计算数据和所述云计算数据转换为风向网格数据和云网格数据时，所述网格化处理模块330用于：
参考所述历史观测数据的呈现形式，分别对所述风向计算数据和所述云计算数据进行数据坐标转换处理和网格化插值处理，得到所述风向网格数据和所述云网格数据。
进一步的，如图4所示，所述预报装置300还包括方程推导模块370，所述方程推导模块370用于通过以下步骤结合三维静力参考大气所推导出的气象预报方程：
获取GRAPES模式下的基本预报方程组；其中，所述基本预报方程组包括多个预报子方程；
利用所述三维静力参考大气，将所述基本预报方程组中的大气参数划分为静力平衡部分以及偏差部分，得到划分后的大气参数；
将所述划分后的大气参数代入所述基本预报方程组的每个预报子方程，得到过度预报方程组；其中，所述过度预报方程组包括多个过度子方程；
分别对每个过度子方程进行线性化分离处理，将每个过度子方程划分为线性项部分和非线性项部分；
针对于包括线性项部分和非线性项部分的每个过度子方程，使用消元法推导出用于隐式求解的Helmholtz方程，将所述隐式求解的Helmholtz方程确定为所述气象预报方程。
进一步的，所述区域观测数据包括所述待预报目标区域的位势高度、温度、风向、涡度、散度、相对湿度、地表温度、海平面气压以及地面气压中的一种或多种。
本申请实施例提供的面向南方电网气象保障3公里分辨率中尺度数值的预报装置，获取待预报目标区域所涉及的区域观测数据；其中，所述区域观测数据包括风向观测数据以及云观测数据；所述待预报目标区域为南方电网所涉及的、存在中尺度天气事件的区域；分别从所述风向观测数据和所述云观测数据中提取出用于进行分析同化处理的风向计算数据和云计算数据；参考历史观测数据，分别将所述风向计算数据和所述云计算数据转换为风向网格数据和云网格数据；其中，每个网格数据对应的网格分辨率3公里；分别对所述风向网格数据和所述云网格数据进行分析同化处理，得到风向预测参数和云预测参数；利用所述云预测参数调整结合三维静力参考大气所推导出的气象预报方程中的环境参数，得到调整后的目标预报方程；将所述风向预测参数代入所述调整后的目标预报方程，得到所述待预报目标区域的气象预报结果。这里，便可以针对于待预报目标区域的实际情况，更加准确地实现待预报目标区域内气象结果的预报结果。
请参阅图5，图5为本申请实施例所提供的一种电子设备的结构示意图。如图5中所示，所述电子设备500包括处理器510、存储器520和总线530。
所述存储器520存储有所述处理器510可执行的机器可读指令，当电子设备500运行时，所述处理器510与所述存储器520之间通过总线530通信，所述机器可读指令被所述处理器510执行时，可以执行如上述图1所示方法实施例中的面向南方电网气象保障3公里分辨率中尺度数值的预报方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的面向南方电网气象保障3公里分辨率中尺度数值的预报方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种面向南方电网气象保障3公里分辨率中尺度数值的预报方法，其特征在于，所述预报方法包括：
获取待预报目标区域所涉及的区域观测数据；其中，所述区域观测数据包括风向观测数据以及云观测数据；所述待预报目标区域为南方电网所涉及的、存在中尺度天气事件的区域；
分别从所述风向观测数据和所述云观测数据中提取出用于进行分析同化处理的风向计算数据和云计算数据；
参考历史观测数据，分别将所述风向计算数据和所述云计算数据转换为风向网格数据和云网格数据；其中，每个网格数据对应的网格分辨率为3公里；
分别对所述风向网格数据和所述云网格数据进行分析同化处理，得到风向预测参数和云预测参数；
利用所述云预测参数调整结合三维静力参考大气所推导出的气象预报方程中的环境参数，得到调整后的目标预报方程；
将所述风向预测参数代入所述调整后的目标预报方程，得到所述待预报目标区域的气象预报结果。
2.根据权利要求1所述的预报方法，其特征在于，所述环境参数包括湿度参数和水气参数；所述利用所述云预测参数调整结合三维静力参考大气所推导出的气象预报方程中的环境参数，得到调整后的目标预报方程，包括：
利用所述云预测参数调整所述目标预报方程中的湿度参数，得到第一预报方程；
再利用所述云预测参数调整所述第一预报方程中的水气参数，得到调整后的目标预报方程。
3.根据权利要求1所述的预报方法，其特征在于，通过以下步骤对所述风向网格数据进行分析同化处理，得到所述风向预测参数：
基于所述区域观测数据和所述待预报目标区域的背景数据，确定所述待预报目标区域的风向更新参数；
利用所述风向更新参数更新预报场模型，得到更新后的预报场模型；
利用所述更新后的预报场模型对所述风向网格数据进行分析同化处理，得到风向预测参数。
4.根据权利要求3所述的预报方法，其特征在于，通过以下步骤对所述云网格数据进行分析同化处理，得到所述云预测参数：
读取雷达反射率数据；
利用所述雷达反射率以及所述云网格数据，采用经验关系式计算背景场云量，确定所述云网格数据对应的初始格点云量以及所述待预报目标区域的背景场云量；
基于所述云网格数据中的云朵厚度、空气温度和静力稳定度，确定云朵类型；
基于所述背景场云量和所述云朵类型，确定所述待预报目标区域的云水量和云冰量；
依据所述雷达反射率观测、所述云水量和所述云冰量，通过降水粒子经验关系式，确定所述云预测参数。
5.根据权利要求1所述的预报方法，其特征在于，所述参考历史观测数据，分别将所述风向计算数据和所述云计算数据转换为风向网格数据和云网格数据，包括：
参考所述历史观测数据的呈现形式，分别对所述风向计算数据和所述云计算数据进行数据坐标转换处理和网格化插值处理，得到所述风向网格数据和所述云网格数据。
6.根据权利要求1所述的预报方法，其特征在于，通过以下步骤结合三维静力参考大气所推导出的气象预报方程：
获取GRAPES模式下的基本预报方程组；其中，所述基本预报方程组包括多个预报子方程；
利用所述三维静力参考大气，将所述基本预报方程组中的大气参数划分为静力平衡部分以及偏差部分，得到划分后的大气参数；
将所述划分后的大气参数代入所述基本预报方程组的每个预报子方程，得到过度预报方程组；其中，所述过度预报方程组包括多个过度子方程；
分别对每个过度子方程进行线性化分离处理，将每个过度子方程划分为线性项部分和非线性项部分；
针对于包括线性项部分和非线性项部分的每个过度子方程，使用消元法推导出用于隐式求解的Helmholtz方程，将所述隐式求解的Helmholtz方程确定为所述气象预报方程。
7.根据权利要求1所述的预报方法，其特征在于，所述区域观测数据包括所述待预报目标区域的位势高度、温度、风向、涡度、散度、相对湿度、地表温度、海平面气压以及地面气压中的一种或多种。
8.一种面向南方电网气象保障3公里分辨率中尺度数值的预报装置，其特征在于，所述预报装置包括：
数据获取模块，用于获取待预报目标区域所涉及的区域观测数据；其中，所述区域观测数据包括风向观测数据以及云观测数据；所述待预报目标区域为南方电网所涉及的、存在中尺度天气事件的区域；
数据提取模块，用于分别从所述风向观测数据和所述云观测数据中提取出用于进行分析同化处理的风向计算数据和云计算数据；
网格化处理模块，用于参考历史观测数据，分别将所述风向计算数据和所述云计算数据转换为风向网格数据和云网格数据；其中，每个网格数据对应的网格分辨率为3公里；
分析同化处理模块，用于分别对所述风向网格数据和所述云网格数据进行分析同化处理，得到风向预测参数和云预测参数；
方程调整模块，用于利用所述云预测参数调整结合三维静力参考大气所推导出的气象预报方程中的环境参数，得到调整后的目标预报方程；
结果预报模块，用于将所述风向预测参数代入所述调整后的目标预报方程，得到所述待预报目标区域的气象预报结果。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行如权利要求1至7任一所述的预报方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一所述的预报方法的步骤。
CN202211177083.2A 2022-09-26 2022-09-26 面向南方电网气象保障3公里分辨率中尺度数值预报方法 Pending CN115576033A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211177083.2A CN115576033A (zh) 2022-09-26 2022-09-26 面向南方电网气象保障3公里分辨率中尺度数值预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211177083.2A CN115576033A (zh) 2022-09-26 2022-09-26 面向南方电网气象保障3公里分辨率中尺度数值预报方法

Publications (1)

Publication Number Publication Date
CN115576033A true CN115576033A (zh) 2023-01-06

Family

ID=84582724

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211177083.2A Pending CN115576033A (zh) 2022-09-26 2022-09-26 面向南方电网气象保障3公里分辨率中尺度数值预报方法

Country Status (1)

Country Link
CN (1) CN115576033A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116774319A (zh) * 2023-06-19 2023-09-19 临舟(宁波)科技有限公司 一种用于平流层飞艇飞行的综合气象保障***
CN117492110A (zh) * 2023-10-12 2024-02-02 香港大学深圳研究院 一种基于人工智能增强的数值模式预报方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116774319A (zh) * 2023-06-19 2023-09-19 临舟(宁波)科技有限公司 一种用于平流层飞艇飞行的综合气象保障***
CN116774319B (zh) * 2023-06-19 2024-03-15 临舟(宁波)科技有限公司 一种用于平流层飞艇飞行的综合气象保障***
CN117492110A (zh) * 2023-10-12 2024-02-02 香港大学深圳研究院 一种基于人工智能增强的数值模式预报方法

Similar Documents

Publication Publication Date Title
CN112684520B (zh) 一种气象预报的订正方法、装置、计算机设备及存储介质
CN115576033A (zh) 面向南方电网气象保障3公里分辨率中尺度数值预报方法
Quintana-Seguí et al. Validation of a new SAFRAN-based gridded precipitation product for Spain and comparisons to Spain02 and ERA-Interim
US9310517B2 (en) Method and system for determining accuracy of a weather prediction model
CN112308292B (zh) 一种火灾风险等级分布图的绘制方法
CN110232471B (zh) 一种降水传感网节点布局优化方法及装置
CN104239706A (zh) 一种地面观测气温时空数据集的制备方法
CN109543907B (zh) 一种复杂地形风资源评估方法及其装置
US20100100328A1 (en) System and Method for Generating a Cloud Type and Coverage Prediction Database
Fread et al. Modernization in the National Weather Service river and flood program
CN110705115A (zh) 一种基于深度置信网络的气象预报方法和***
Feng et al. Wave spectra assimilation in typhoon wave modeling for the East China Sea
Yao et al. A time series of urban extent in China using DSMP/OLS nighttime light data
CN109657988B (zh) 基于hasm和欧氏距离算法的烟叶品质分区方法
CN109583096A (zh) 一种基于中尺度模型和微尺度模型结合的风资源计算方法
CN116127327B (zh) 森林地上生物量反演方法、装置、设备以及存储介质
CN104899448A (zh) 一种集合卡尔曼滤波静态局地化方案的自适应补偿方法
Qian et al. Assessing impacts of PBL and surface layer schemes in simulating the surface–atmosphere interactions and precipitation over the tropical ocean using observations from AMIE/DYNAMO
CN115471679A (zh) 一种天然河道水位流量同步同化方法及智能***
Li et al. Changes in the glacier extent and surface elevation in Xiongcaigangri region, Southern Karakoram Mountains, China
Hu et al. An improved model for soil surface temperature from air temperature in permafrost regions of Qinghai-Xizang (Tibet) Plateau of China
Dutta et al. Regional data assimilation with the NCMRWF unified model (NCUM): impact of doppler weather radar radial wind
Charlton-Perez et al. Do AI models produce better weather forecasts than physics-based models? A quantitative evaluation case study of Storm Ciarán
CN112285808B (zh) 一种aphrodite降水数据的降尺度方法
CN116486279A (zh) 一种基于InSAR的泥石流灾害易发性动态评价方法

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