JP2020513101A - 降雪確率分布を予測するためのシステムおよび方法 - Google Patents
降雪確率分布を予測するためのシステムおよび方法 Download PDFInfo
- Publication number
- JP2020513101A JP2020513101A JP2019551474A JP2019551474A JP2020513101A JP 2020513101 A JP2020513101 A JP 2020513101A JP 2019551474 A JP2019551474 A JP 2019551474A JP 2019551474 A JP2019551474 A JP 2019551474A JP 2020513101 A JP2020513101 A JP 2020513101A
- Authority
- JP
- Japan
- Prior art keywords
- snowfall
- probability
- prediction
- range
- snow
- 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
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)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Automation & Control Theory (AREA)
- Hydrology & Water Resources (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
現在利用できる天気予報は、特定の積雪量又は積雪量範囲を含むが、降雪が予測された積雪量範囲内に収まる確率や他の積雪量となる確率、あるいは予測者の確信度を伝えない。本明細書で開示する降雪確率分布予測システムは、ルールベースのプロセスを使用してアンサンブル予測のメンバーを含む第三者気象予測を活用し、最も尤度の高い積雪量範囲と、積雪量が最も尤度の高い積雪量範囲内に収まる確率と、積雪量が最も尤度の高い積雪量範囲外になる確率とを予測する降雪確率分布を生成する。確定的予測との一貫性を確保するために、降雪確率予測は確定的予測に基づいてシフトされてもよい。第三者気象予測は積雪量予測の非正規分布を生成する可能性があるため、降雪確率分布は正規化されてもよい。
Description
関連出願の相互参照
本出願は、2017年3月30日に出願された米国特許仮出願第62/479,062号からの優先権を主張するものであり、この出願の全内容は参照により本明細書に組み入れられる。
本出願は、2017年3月30日に出願された米国特許仮出願第62/479,062号からの優先権を主張するものであり、この出願の全内容は参照により本明細書に組み入れられる。
積雪量予測は個人および組織にとって非常に大きな価値を有する。顧客および企業だけが計画を目的として積雪量予測を用いるのではなく、輸送システムおよび他の重要なシステムの構成要素が降雪および他の降水の予測を用いて運営を調整し、インフラに対する損傷を防止し、公衆に対して危険となりうる事象を回避している。
現在用いられている予測法は暴風雪の確定的予測を生成する。この確定的予測には特定の時間と場所での特定の雪積量(多くの場合範囲)が含まれるが、この積雪量は、数学的モデルから得られる情報と自身の訓練と経験に基づいて主観的な決定を行う気象学者(または気象学者のグループ)の最良の推測を表す。この確定的予測は非常に有益なものであるが、降雪が予測される積雪量範囲内に収まる確率や、他の積雪量となる確率などの追加情報を伝えない。また、確定的予測は予測者の確信度やその確信度が時間とともにどのように変化するかを伝えない。
確定的予測とは異なり、確率分布は、暴風雪がもたらし得る広範囲の結果とそれらの結果が現実となる可能性に対するより深い理解を伝える。
現代の予測者は多数の気象予測を参照することができるが、その中にはアンサンブル予報も含まれる。アンサンブル予報では、同じ数学モデルを使用して複数のシミュレーション(「メンバー」と呼ばれる)を実行することにより、予測モデルの不確実性の2つの通常の原因(不完全な初期条件の使用によって与えられた誤差およびモデルの定式化の不完全性によって与えられた誤差)を明らかにする。既存の気象予測では、積雪などの確率分布は提供されない。代わりに、各気象予測(またはメンバー)を使用して、単一の確定的な予報を生成している。
LeBlancの米国特許出願公開第2014/303893号は、降雪の確率を全体的な降水量の確率分布と組み合わせることにより、降雪量の確率分布を生成するシステムを開示している。ただし、LeBlancシステムでは、降雪の確率を計算することと、全体的な降水量の確率分布を生成することの両方が必要であり、これらは共に既存の気象予測法を用いて高精度に実施することが困難である。
暴風雪がもたらし得る広範囲の結果をより正確に評価したいという要望と、既存の気象予測と気象予測システムの両方の欠点を考えると、複数の積雪量範囲と積雪量がこれらの範囲の各々に収まる確率とを予測する降雪確率分布を生成するためのルールベースのプロセスが必要である。さらに、ユーザの混乱を避けるために、ルールベースのプロセスは、同じ場所と期間における確定的予測と一致する降雪確率分布を生成し、最も尤度の高い積雪量範囲から確率分布の尾部までの正規分布を反映することが重要である。
従来技術におけるこれらおよび他の欠点を克服するために、本明細書で開示する降雪確率分布予測システムは、ルールベースのプロセスを使用してアンサンブル予測のメンバーを含む第三者気象予測を活用し、最も尤度の高い積雪量範囲と、積雪量が最も尤度の高い積雪量範囲内に収まる確率と、積雪量が最も尤度の高い積雪量範囲外になる確率とを予測する降雪確率分布を生成する。
効率確率分布予測システムは、複数の気象予測を記憶し、暴風雪の予測位置と予測期間を特定し、前記複数の気象予測の各々に基づいて積雪量予測を決定し、連続しかつ重複しない一連の積雪量範囲を特定し、各積雪量範囲内の前記積雪量予測の数を決定することにより、アンサンブルヒストグラムを形成し、前記アンサンブルヒストグラムに基づいて、積雪量の相対尤度を表す確率密度関数を計算し、前記確率密度関数に基づいて降雪確率分布を形成し、(前記最も尤度の高い積雪量範囲と、前記予測期間中の前記予測位置における積雪量が当該最も尤度の高い積雪量範囲内に収まる前記確率と、を含む)降雪確率予測を生成し、前記降雪確率予測を出力する。
確定的予測と降雪確率分布によって示される最も尤度の高い積雪量範囲との間の一貫性を確保するために、降雪確率分布予測システムは、確定的予測における予測積雪量が降雪確率分布の最も尤度の高い積雪量範囲内に収まるように降雪確率分布をシフトしてもよい。さらに、第三者気象予測は積雪量予測の非正規分布を生成する可能性があるため、降雪確率分布予測システムは、各積雪量範囲の確率が降雪確率分布の最も尤度の高い積雪量範囲から降雪確率分布の尾部まで減少するようにデータを正規化してもよい。
例示的な実施形態の態様は添付の図面を参照することでより良く理解され得る。
以下、本発明の例示的な実施形態の様々な観察を示す図面を参照する。図面および本明細書における当該図面の説明において、一部の用語は単に便宜上用いられ、本発明の実施形態を限定するものと解釈されるべきではない。さらに、図面および以下の説明において、同一の番号は全体を通して同一の要素を示す。
図1は本発明の例示的な実施形態に従う降雪確率分布予測システム200のアーキテクチャ100を示す図である。
図1に示すように、アーキテクチャ100は、インターネットなどの広域ネットワーク130を介して第三者データソース110から情報を受信し、リモートクライアントデバイス180と通信する1つ以上のサーバ120を含む。1つ以上のサーバ120はまた、非一時的なコンピュータ可読記憶媒体126にデータを記憶し、そこからデータを読み取ることができる。1つ以上のサーバ120は、直接(有線および/または無線通信経路を介して)またはローカルエリアネットワーク132を介して1つ以上のローカルクライアントデバイス140と通信することもできる。
第三者データソース110は、例えば、国立環境予測センター(NCEPサーバ112)および欧州中期気象予報センター(ECMWFサーバ114)によって維持されるサーバを含むことができる。第三者データソース110にはさらに、国立気象局(NWS)、国立ハリケーンセンター(NHC)、カナダ環境省、その他の政府機関(英国気象局、日本国気象庁など)、民間企業(AccuWeather, Inc.、AccuWeather Enterprise Solutions, Inc.、ヴァイセーリア(Vaisalia)の全米雷検知ネットワーク、Weather Decision Technologies, Inc.など)、個人(スポッターネットワークのメンバーなど)などが含まれ得る。
1つ以上のサーバ120の各々は、ネットワーク130および132を介してデータを送信および/または受信するように構成された任意の好適なハードウェアコンピューティングデバイスであり得る。1つ以上のサーバ120の各々は、内部の非一時的記憶媒体および少なくとも1つのハードウェアコンピュータプロセッサを含む。1つ以上のサーバ120は、例えば、アプリケーションサーバと、ウェブブラウザを含むリモートクライアントデバイス180のいずれかからアクセス可能なウェブサイトをホストするウェブサーバとを含み得る。
非一時的コンピュータ可読記憶媒体126は、ハードディスク、ソリッドステートメモリなどを含むことができる。非一時的コンピュータ可読記憶媒体126は、サーバ120のうちの1つの内部、あるいは1つ以上のサーバ120の外部にあってよい。1つ以上のサーバ120は、有線および/または無線通信経路を介して、および/またはネットワーク132を介して、非一時的なコンピュータ可読記憶媒体126と通信することができる。
ネットワーク130および132は、インターネット、セルラーネットワーク、広域ネットワーク(WAN)、ローカルエリアネットワーク(LAN)などの任意の組み合わせを含むことができる。ネットワーク130および132を介した通信は、有線および/または無線通信経路を用いて実現できる。
1つ以上のローカルクライアントデバイス140の各々は、ネットワーク132を介してデータを送受信するように構成された任意の好適なハードウェアコンピューティングデバイスであり得る。1つ以上のローカルクライアントデバイス140の各々は、内部の非一時的記憶媒体および少なくとも1つのハードウェアコンピュータプロセッサを含む。1つ以上のローカルクライアントデバイス140の各々は、例えば、パーソナルコンピューティングデバイス(例えば、デスクトップコンピュータ、ノートブックコンピュータ、タブレット、スマートフォンなど)であり得る。
リモートクライアントデバイス180の各々は、ネットワーク130を介してデータを受信するように構成された任意の好適なハードウェアコンピューティングデバイスであり得る。リモートクライアントデバイス180の各々は、内部の非一時的記憶媒体および少なくとも1つのハードウェアコンピュータプロセッサを含む。リモートクライアントデバイス180は、ウェブブラウザやローカルまたはリモート(たとえば、サーバ120上)にインストールされたソフトウェアアプリケーションを介してネットワーク130から受信した情報を受信および表示するパーソナルコンピューティングデバイス(例えば、デスクトップコンピュータ182、ノートブックコンピュータ、タブレット186、スマートフォン184など)を含み得る。リモートクライアントデバイス180は、モバイルアプリケーションなどを介してネットワーク130から受信した情報を受信および表示するスマートフォン184および/またはタブレット186を含むことができる。最も単純な実施形態では、リモートクライアントデバイス180は、降雪確率分布予測システム200によって生成された降雪確率分布を受信し、それらの降雪確率分布を(例えば、ウェブブラウザ、モバイルアプリケーションなどを介して)ユーザに対して表示する。以下により詳細に説明するように、リモートクライアントデバイス180は、降雪確率分布予測システム200によって生成された降雪確率分布を受け取り、それらの降雪確率分布をユーザに対して表示することに加えて、またはその代わりに、降雪確率分布に含まれる情報に応じてハードウェアまたはソフトウェアデバイスを制御する、他の好適なハードウェアコンピューティングデバイス188を含むこともできる。
図2は本発明の例示的な実施形態に従う降雪確率分布予測システム200を示すブロック図である。
図2に示すように、降雪確率分布予測システム200は、予測データベース240、分析ユニット260、およびグラフィカルユーザーインターフェース280を含む。降雪確率分布予測システム200は、履歴気象データベース250および履歴気象予測データベース255をさらに含むことができる。
予測データベース240は、単一の有形デバイスまたは複数の有形デバイス(例えば、非一時的なコンピュータ可読記憶媒体126)に記憶された、任意の組織化された情報のコレクションであり得る。予測データベース240は、第三者データソース110から受信した第三者気象予測242と、1つ以上のサーバ120および/または1つ以上のローカルクライアントデバイス140を使用して生成された確定的予測248とを記憶する。予測データベース240はまた、政府機関(例えば、NWS、地元のNWS事務局など)によって発表された冬期気象通報246を記憶してもよい。
第三者気象予測242は、現在の気象条件の推定に基づいて将来の気象条件を予測する大気および海洋の数学モデルを使用して生成される。第三者気象予測242は、例えば、定量的な降水予測、ならびに気温、鉛直流、および相対湿度の予測を含み得る。第三者気象予測242は、いくつかの別個の予測(「メンバー」と呼ばれる)を含むアンサンブル予測であり得る。アンサンブル予測では、同じ数学モデルを使用して複数のシミュレーションを実行することにより、予測モデルの不確実性の2つの通常の原因、すなわち不完全な初期条件の使用によって与えられた誤差およびモデルの定式化の不完全性によって与えられた誤差を明らかにする。したがって、以下で用いられるように、第三者気象予測242はアンサンブル予測の各メンバーを指す。
第三者気象予測242は、例えば、国立環境予測センター(NCEP)グローバル予測システム(GFS)の1回の確定的予測、グローバルアンサンブル予測システム(GEFS)のメンバー(例えば、20件のメンバー)、暴風雨予報センター(SPC)短時間アンサンブル予報(SREF)のメンバー(例えば、26件のメンバー)、および欧州中期気象予報センター(ECMWF)アンサンブル予測システムのメンバー(例、26件のメンバー)を含むことができる。NCEPのGFS予測、GEFSメンバー、およびSREFメンバーは、NCEPサーバ112から受信できる。ECMWFメンバーは、ECMWFサーバ114から受信できる。
冬期気象通報246は、予測される冬の天候の前にNWS(および/または地元の事務局)によって発表される。冬期気象通報には、冬期暴風雪警報、冬期暴風雪注意報、および冬期気象注意報が含まれる。
確定的予測248は、1つ以上の数学的モデルを使用して生成することもできる。ただし、確定的予測248は、この1つ以上の数学的モデルから得られる情報および自身の訓練および経験に基づいて主観的な決定を行う気象学者によって生成または修正され得る。「確定的予測」とは、予測期間中の予測位置における特定の規模(または特定の範囲の規模)の事象の予測である(例えば、2018年3月20日から2018年3月22日までのフィラデルフィアの8インチの降雪)。確定的予測248は、AccuWeather,Inc.、AccuWeather Enterprise Solutions,Inc.などの1人以上の気象学者によって生成され得る。
任意で設けられる履歴気象データベース250は、単一の有形デバイスまたは複数の有形デバイス(例えば、非一時的なコンピュータ可読記憶媒体126)に記憶された、任意の組織化された情報のコレクションであり得る。履歴気象データベース250は、過去の積雪量252を示す地理的に位置付けられた時間指標付きの情報を記憶することができる。
任意で設けられる履歴気象予測データベース255は、単一の有形デバイスまたは複数の有形デバイス(例えば、非一時的なコンピュータ可読記憶媒体126)に記憶された、任意の組織化された情報のコレクションであり得る。履歴気象予測データベース255は、過去の積雪量の位置および期間についての第三者気象予測242および確定的予測248を記憶することができる。
分析ユニット260は、ハードウェアコンピュータプロセッサと、ハードウェアコンピュータプロセッサによりアクセスおよび実行されるソフトウェア命令とを含む。分析ユニット260は、第三者気象予測242および確定的予測248を受信し、以下で詳細に説明するように、第三者気象予測242および確定的予測248に基づいて降雪確率分布を生成し、それらの降雪確率分布をリモートクライアントデバイス180に出力するように構成されるハードウェアおよびソフトウェアの任意の好適な組み合わせであり得る。分析ユニット260は、例えば、地球科学データの容易なアクセス、操作、および視覚化に使用される対話型デスクトップツールであるグリッド分析および表示システム(GrADS)を含むことができる。分析ユニットは、例えば、1つ以上のサーバ120および/または1つ以上のサーバ120からダウンロードされたソフトウェア命令を実行するリモートクライアントデバイス180によって実現され得る。
グラフィカルユーザーインターフェース280は、ユーザに表示するための情報(後述の降雪確率分布を含む)を出力する任意のインターフェースであり得る。グラフィカルユーザーインターフェース280は、ウェブサーバ(例えば、サーバ120の1つ)によって生成され、ウェブブラウザを介してリモートクライアントデバイス180のユーザに表示されてもよい。付加的または代替的に、グラフィカルユーザーインターフェース280は、リモートクライアントデバイス180に記憶されたローカルソフトウェア(例えば、モバイルアプリケーション)によって生成されてもよい。
上述のように、現在用いられている予測方法は、数学的モデルから得られる情報と自身の訓練と経験に基づいて主観的な決定を行う気象学者(または気象学者のグループ)の最良の推測を表す特定の積雪量(多くの場合範囲)を含む確定的予測248を生成する。しかしながら、この確定的予測248は、降雪が予測された積雪量範囲内に収まる確率や、他の積雪量となる確率などの追加情報を伝えない。後に詳述するように、降雪確率分布予測システム200は、ルールベースのプロセスを使用してアンサンブル予測のメンバーを含む第三者気象予測242を活用し、最も尤度の高い積雪量範囲と、積雪量が最も尤度の高い積雪量範囲内に収まる確率と、積雪量が最も尤度の高い積雪量範囲外になる確率とを予測する降雪確率分布を生成する。
確定的予測248と降雪確率分布によって示される最も尤度の高い積雪量範囲との間の一貫性を確保するために、降雪確率分布予測システム200は、確定的予測248における予測積雪量が降雪確率分布の最も尤度の高い積雪量範囲内に収まるように降雪確率分布をシフトしてもよい。さらに、第三者気象予測242は積雪量予測の非正規分布を生成する可能性があるため、降雪確率分布予測システム200は、各積雪量範囲の確率が降雪確率分布の最も尤度の高い積雪量範囲から降雪確率分布の尾部まで減少するようにデータを正規化してもよい。
図3は本発明の例示的な実施形態に従う降雪確率分布を生成するためのプロセス300を示すフローチャートである。降雪確率分布プロセス300は分析ユニット260によって(例えば、サーバ120によって)実行される。
プロセス300は降雪確率分布を生成するものとして以下で説明されるが、当業者は、同様のプロセスを使用して、降雨量、液体相当量、氷の蓄積量、風速、気温などを含む他の予測される気象条件の確率分布を生成できることを認識するであろう。
工程302で、第三者気象予測242が受信される。第三者気象予測242は、例えば、NCEP GFSから得た確定的予測、GEFSアンサンブルの20件のメンバー、SREFアンサンブルの26件のメンバー、およびECMWFアンサンブル予測システムの26件のメンバーを含むことができる。NCEPのGFS予測、GEFSメンバー、およびSREFメンバーは、NCEPサーバ112から受信できる。ECMWFメンバーは、ECMWFサーバ114から受信できる。
第三者気象予測242は、工程304で均一な地理的グリッドに適合するように補間される。
工程306で暴風雪が特定される。暴風雪は、例えば、冬期気象通報246に予測される積雪量が含まれている場合に特定され得る。あるいは、確定的予測248が予測された暴風雪または予測された積雪量の大きさを示すときに暴風雪が特定されてもよい。
工程308で予測位置が特定される。予測位置は、例えば、冬期気象通報246で特定された位置であってもよい。あるいは、暴風雪の予測位置は、例えば、予測された暴風雪または予測された積雪量の大きさを示す確定的予測248によって示される位置であってもよい。
工程310で予測期間が特定される。予測期間は、例えば、冬期気象通報246で特定された期間であってもよい。あるいは、予測期間は、例えば、確定的予測248の予測暴風雪の予測期間であってもよい。
工程312で、各第三者気象予測242について、予測期間中の予測位置における予測積雪量が決定される。予測積雪量はコブ法を用いて決定できる。コブ法では、(予測気温、予測鉛直流、予測相対湿度に基づいて)雪水比が計算され、定量的降水予測にこの計算された雪水比が乗算される。場合によっては、第三者気象予測242は、特定の期間の降水量を分類する(例えば、雪、雨、みぞれ、またはそれらの混合)ことを含み得る。これらの例では、雪として分類された定量的降水予測を出力することにより、予測積雪量を決定できる。
工程314において、工程312で決定された積雪量予測に基づいて降雪確率分布が生成される。降雪確率分布を生成するには、連続しかつ重複しない一連の積雪量範囲を特定し、各積雪量範囲内の積雪量予測の数を決定することにより、アンサンブルヒストグラムを形成し、アンサンブルヒストグラムに基づいて確率密度関数を計算し、確率密度関数に基づいて降雪確率分布を形成する。
降雪確率分布を生成するプロセスを、シナリオ例を参照して以下で説明する。このシナリオ例では、10件の第三者気象予測242において予測期間中の予測位置における予測積雪量は以下の通りである。
メンバー1: 2インチ
メンバー2: 1インチ
メンバー3: 3.5インチ
メンバー4: 3.5インチ
メンバー5: 4インチ
メンバー6: 8インチ
メンバー7: 7.5インチ
メンバー8: 2インチ
メンバー9: 5インチ
メンバー10: 1インチ
メンバー1: 2インチ
メンバー2: 1インチ
メンバー3: 3.5インチ
メンバー4: 3.5インチ
メンバー5: 4インチ
メンバー6: 8インチ
メンバー7: 7.5インチ
メンバー8: 2インチ
メンバー9: 5インチ
メンバー10: 1インチ
次いで、第三者気象予測242から得た積雪量予測は、特定された積雪量範囲に分類される。例えば、1インチ間隔の積雪量範囲を用いると、積雪量予測の例は次のように分類される。
0〜1インチ: 0件(0パーセント)
1〜2インチ: 2件(20パーセント)
2〜3インチ: 2件(20パーセント)
3〜4インチ: 2件(20パーセント)
4〜5インチ: 1件(10パーセント)
5〜6インチ: 1件(10パーセント)
6〜7インチ: 0件(0パーセント)
7〜8インチ: 1件(10パーセント)
8〜9インチ: 1件(10パーセント)
0〜1インチ: 0件(0パーセント)
1〜2インチ: 2件(20パーセント)
2〜3インチ: 2件(20パーセント)
3〜4インチ: 2件(20パーセント)
4〜5インチ: 1件(10パーセント)
5〜6インチ: 1件(10パーセント)
6〜7インチ: 0件(0パーセント)
7〜8インチ: 1件(10パーセント)
8〜9インチ: 1件(10パーセント)
積雪量範囲はあらかじめ決められていてもよい。あるいは、積雪量範囲は積雪量予測に基づいて特定されてもよい。例示的な実施形態では、最も低い積雪量、低い積雪量、最も尤度の高い積雪量、比較的高い積雪量、および最も高い積雪量を表す5つの積雪量範囲が特定される。ただし、積雪量は任意の数の積雪量範囲に分割できる。例えば、3つの積雪量範囲が識別された場合、積雪量予測の例は次のように分類される。
0〜3インチ: 40パーセント
3〜6インチ: 40パーセント
6〜9インチ: 20パーセント
0〜3インチ: 40パーセント
3〜6インチ: 40パーセント
6〜9インチ: 20パーセント
本質的に、降雪確率分布予測システム200は降雪確率分布を生成し、その際、予測期間中の予測位置における予測積雪量が各積雪量範囲内に収まる確率は、積雪量予測が各積雪量範囲内に収まる第三者気象予測242の割合である。
工程314で生成された降雪確率分布は、工程316で確定的予測348に基づいてシフトされてもよい。例えば、(工程314で生成された)元の降雪確率分布は、シフトされた降雪確率分布のモードが確定的予測348の予測積雪量に等しくなるようにシフトされ得る。(確定的予測348における予測積雪量は、例えば、上述のコブ法を用いて計算され得る。)元の降雪確率分布の平均とシフトされた降雪確率分布の差は、元の降雪確率分布のすべての点をシフトするための重みとして使用される。したがって、降雪確率分布予測システム200は、すべての点が確定的予測348によって影響されるシフトされた降雪確率分布を作成する。
(元のまたはシフトされた)降雪確率分布は、工程318で正規化されてもよい。例えば、降雪確率分布予測システム200は、各積雪量範囲の確率が降雪確率分布のモード(または中央値もしくは平均値)から降雪確率分布の尾部まで低下するまで、尾部先端側のデータ点を確率分布の平均値(またはモードもしくは中央値)に向けて移動する反復的プロセスを実行する。
図4は例示的なアンサンブルヒストグラム、例示的な確率密度関数、および例示的な正規化された確率密度関数を示すグラフ400である。(なお、図4に示す例は上述の例と一致しない。)
上述の実施形態では、降雪確率分布を生成するときに、各第三者気象予測242は等しく重み付けされる。しかしながら、他の実施形態では、過去の積雪量予測の精度に基づいて第三者気象予測242に重み付けをすることができる。例えば、降雪確率分布予測システム200は、過去の積雪量252および第三者気象予測242(および、オプションとして確定的予測248)を積雪量252の位置および期間について使用することにより、各第三者気象予測242を重み付けして過去の積雪量252を最も正確に予測する降雪確率分布を形成する統計モデルを構築してもよい。したがって、(気候条件または第三者気象予測242の変化により)第三者気象予測242の一部またはすべての精度が時間とともに変化しても、降雪確率分布予測システム200は将来の積雪量を最も正確に予測する降雪確率分布を生成することができる。
工程320では降雪確率予測が生成される。降雪確率予測には、最も尤度の高い積雪量範囲と、降雪確率分布に基づいて予測期間中の予測位置における積雪量が当該最も尤度の高い積雪量範囲内に収まる確率とが含まれる。また、降雪確率予測には、比較的高い積雪量範囲(および降雪確率分布に基づいて積雪量が当該比較的高い積雪量範囲内に収まる確率)、および比較的低い積雪量範囲(および降雪確率分布に基づいて積雪量が当該比較的低い積雪量範囲内に収まる確率)が含まれてもよい。
工程322では降雪確率予測が出力される。最も単純な実施形態では、降雪確率予測はリモートクライアントデバイス180に出力されてグラフィカルユーザーインターフェース280を介してユーザに対して表示される。例えば、降雪確率予測はWebページまたはモバイルアプリケーションの一部として表示されてもよい。他の実施形態では、降雪確率予測をリモートクライアントデバイス180に出力することによって、降雪確率予測に含まれる情報に応答してハードウェアまたはソフトウェアデバイスを制御してもよい。一例を挙げると、降雪確率予測を鉄道システムに出力して、積雪閾値以上の積雪の確率が確率閾値以上である場合には、鉄道ルートを迂回またはキャンセルするように構成するしてもよい。
図5は本発明の例示的な実施形態に従う図4に示すヒストグラムを用いて生成された降雪確率予測を含む、グラフィカルユーザーインターフェース280によって出力された表示画面500を示す。
図5に示すように、表示画面500はテキスト表示550および/または棒グラフ510を含んでもよい。例えば、棒グラフ510は、最も尤度の高い積雪量範囲515、積雪量が当該最も尤度の高い積雪量範囲515内に収まる確率525、および積雪量が当該最も尤度の高い積雪量範囲515内に収まる確率525の視覚的表現535;比較的高い積雪量範囲513、積雪量が当該比較的高い積雪量範囲513内に収まる確率523、および積雪量が当該比較定高い積雪量範囲513内に収まる確率523の視覚的表現533;比較的低い積雪量範囲517、積雪量が当該比較的低い積雪量範囲517内に収まる確率527、および積雪量が当該比較的低い積雪量範囲517内に収まる確率527の視覚的表現537;最も高い積雪量範囲511、積雪量が当該最も高い積雪量範囲511内に収まる確率521、および積雪量が当該最も高い積雪量範囲511内に収まる確率521の視覚的表現531;および最も低い積雪量範囲519、積雪量が当該最も低い積雪量範囲519内に収まる確率529、および積雪量が当該最も低い積雪量範囲519内に収まる確率529の視覚的表現539を含んでもよい。
テキスト表示550は、最も尤度の高い積雪量範囲515、積雪量が当該最も尤度の高い積雪量範囲515より低くなる確率548、および積雪量が当該最も尤度の高い積雪量範囲515より高くなる確率542を含んでもよい。
また、表示画面500は予測期間552を含んでもよい。
図6は本発明の他の例示的な実施形態に従う降雪確率予測を含む、グラフィカルユーザーインターフェース280によって出力された表示画面600を示す。
図6に示されるように、表示画面600は、テキスト表示550および棒グラフ510を含むという点で表示画面500に類似している。さらに、表示画面600は、(x軸に沿う)積雪量の関数として(y軸に沿う)確率を示す線グラフ620を含む。線グラフ620は、確率分布のモード、中央値、および平均値の視覚的表現を含んでもよい。線グラフ620は、特定の間隔でラベル付けされてもよい。例えば、図6に示すように、線グラフ620は、平均、平均から1.5標準偏差、および平均から2.5標準偏差で、x軸に沿ってラベル付けされてもよい。
グラフィカルユーザーインターフェース280は、異なるユーザに対して異なる表示画面を出力してもよい。例えば、個々のWebサイト訪問者、モバイルアプリケーションユーザ、商業ユーザ、政府機関などに異なる表示画面が出力されてもよい。
図7は本発明の他の例示的な実施形態に従う降雪確率予測を含む、グラフィカルユーザーインターフェース280によって出力された表示画面700示す。
図7に示すように、表示画面700は、最も尤度の高い積雪量範囲715、積雪量が当該最も尤度の高い積雪量範囲715内に収まる確率725、および積雪量が当該最も尤度の高い積雪量範囲715内に収まる確率725の視覚的表現735を含む。表示画面700はまた、積雪量が最も尤度の高い積雪量範囲715より高い確率728、および積雪量が最も尤度の高い積雪量範囲715より高い確率728の視覚的表現738を含む。表示画面700はまた、積雪量が最も尤度の高い積雪量範囲715より低い確率722、および積雪量が最も尤度の高い積雪量範囲715より低い確率722の視覚的表現732を含む。表示画面700はまた、予測期間と当該予測期間中の様々な降水種類の確率の視覚的表現を含む。
図8は本発明の他の例示的な実施形態に従う降雪確率予測を含む、グラフィカルユーザーインターフェース280によって出力された表示画面800示す。
図8に示すように、表示画面800は、最も尤度の高い積雪量範囲815と、当該最も尤度の高い積雪量範囲815の視覚的表現845とを含む。表示画面800はまた、最も高い積雪量予測818および最も低い積雪量予測812、ならびに最も高い積雪量予測818および最も低い積雪量予測812からの視覚的表現842も含む。最も高い積雪量予測818は、例えば、単一の第三者予測242によって予測される最大積雪量であり、最も低い積雪量予測812は、単一の第三者予測242によって予測される最小積雪量であってもよい。あるいは、最も高い積雪量予測818および最も低い積雪量予測812は、所定の数または割合の第三者予測242によって予測される最大積雪量および最小積雪量であってもよい。
図9は本発明の他の例示的な実施形態に従う降雪確率予測を含む、グラフィカルユーザーインターフェース280によって出力された表示画面900示す。
図9に示すように、表示画面900は、最も尤度の高い積雪量範囲915と、、積雪量が当該最も尤度の高い積雪量範囲915内に収まる確率の視覚的表現935とを含む。表示画面900はまた、積雪量が最も尤度の高い積雪量範囲915より高くなる確率の視覚的表現938、および積雪量が最も尤度の高い積雪量範囲915より低くなる確率の視覚的表現932を含む。
図10は本発明の他の例示的な実施形態に従う降雪確率予測を含む、グラフィカルユーザーインターフェース280によって出力された表示画面1000示す。
図10に示すように、表示画面100は、最も尤度の高い積雪量範囲1015、積雪量が当該最も尤度の高い積雪量範囲1015内に収まる確率1025、および積雪量が当該最も尤度の高い積雪量範囲1015内に収まる確率1025の視覚的表現1035;比較的高い積雪量範囲1013、積雪量が当該比較的高い積雪量範囲1013内に収まる確率1023、および積雪量が当該比較定高い積雪量範囲1013内に収まる確率1023の視覚的表現1033;比較的低い積雪量範囲1017、積雪量が当該比較的低い積雪量範囲1017内に収まる確率1027、および積雪量が当該比較的低い積雪量範囲1017内に収まる確率1027の視覚的表現1037;最も高い積雪量範囲1011、積雪量が当該最も高い積雪量範囲1011内に収まる確率1021、および積雪量が当該最も高い積雪量範囲1011内に収まる確率1021の視覚的表現1031;および最も低い積雪量範囲1019、積雪量が当該最も低い積雪量範囲1019内に収まる確率1029、および積雪量が当該最も低い積雪量範囲1019内に収まる確率1029の視覚的表現1039を含んでもよい。
好ましい実施形態が上記で明らかにされたが、本明細書の開示にふれた当業者は、他の実施形態が本発明の範囲内で実現され得ることを容易に理解するであろう。ハードウエアコンポーネントおよびソフトウエアモジュールの特定の数の開示は、限定というよりも例示である。従って、本発明は、添付の請求によってのみ限定されるものと解釈されるべきである。
Claims (21)
- 積雪量を予測する方法であって、
暴風雪の予測位置と予測期間を特定する工程と、
前記予測期間中の前記予測位置における複数の気象予測を受信する工程と、
前記複数の気象予測の各々について積雪量予測を決定する工程と、
連続しかつ重複しない一連の積雪量範囲を特定し、各積雪量範囲内の前記積雪量予測の数を決定することにより、アンサンブルヒストグラムを形成する工程と、
前記アンサンブルヒストグラムに基づいて、積雪量の相対尤度を表す確率密度関数を計算する工程と、
前記確率密度関数に基づいて降雪確率分布を形成する工程であって、当該降雪確率分布は、
最も尤度の高い積雪量範囲、および前記予測期間中の前記予測位置における積雪量が当該最も尤度の高い積雪量範囲内に収まる確率と、
少なくとも1つの比較的高い積雪量範囲、および前記予測期間中の前記予測位置における積雪量が当該比較的高い積雪量範囲内に収まる確率と、
少なくとも1つの比較的低い積雪量範囲、および前記予測期間中の前記予測位置における積雪量が当該比較的低い積雪量範囲内に収まる確率と、
を含む工程と、
前記最も尤度の高い積雪量範囲と、前記予測期間中の前記予測位置における積雪量が当該最も尤度の高い積雪量範囲内に収まる前記確率とを含む降雪確率予測を生成する工程と、
前記降雪確率予測を出力する工程と、
を備える方法。 - 前記予測期間中の前記予測位置における確定的な積雪量予測を特定する工程と、
調整された確率密度関数を生成する工程と、
をさらに備え、
前記調整された確率密度関数を生成する工程は、
前記調整された確率密度関数のモードを前記確定的な積雪量予測と等しくする工程と、
前記確率密度関数の平均値と前記確定的な積雪量予測との間の差異を計算する工程と、
前記確率密度関数の平均値と前記確定的な積雪量予測との間の差異に基づいて、前記確率密度関数をシフトする工程と、
によって実施され、
前記降雪確率予測は前記調整された確率密度関数に基づく、請求項1に記載の方法。 - 各積雪量範囲の確率が前記最も尤度の高い積雪量範囲から前記降雪確率分布の尾部まで低下するまで、前記確率密度関数の尾部先端側のデータ点を前記確率密度関数の平均値に向けて移動することによって、正規化された確率密度関数を生成する工程をさらに備え、
前記降雪確率予測は前記正規化された確率密度関数に基づく、請求項1に記載の方法。 - 前記降雪確率予測がさらに、
前記比較的高い積雪量範囲、および前記予測期間中の前記予測位置における積雪量が当該比較的高い積雪量範囲内に収まる確率と、
前記比較的低い積雪量範囲、および前記予測期間中の前記予測位置における積雪量が当該比較的低い積雪量範囲内に収まる確率と、
を含む、請求項1に記載の方法。 - 前記降雪確率予測がさらに、
最も高い積雪量範囲、および前記予測期間中の前記予測位置における積雪量が当該最も高い積雪量範囲内に収まる確率と、
最も低い積雪量範囲、および前記予測期間中の前記予測位置における積雪量が当該最も低い積雪量範囲内に収まる確率と、
を含む、請求項4に記載の方法。 - 前記積雪量予測はコブ法を用いて前記複数の気象予測に基づいて決定される、請求項1に記載の方法。
- 前記複数の気象予測の各々は予測降水量、予測気温、予測鉛直流、および予測相対湿度を含み、
前記積雪量予測は、
前記予測気温、前記予測鉛直流、および前記予測相対湿度に基づいて雪水比を計算する工程と、
前記予測降水量に前記雪水比を乗算する工程と、
によって決定される、請求項6に記載の方法。 - 前記降雪確率予測はリモートデバイスに出力され、グラフィカルユーザーインターフェースを介してユーザに対して表示される、請求項1に記載の方法。
- 前記降雪確率予測を出力することによってリモートデバイスを制御する、請求項1に記載の方法。
- 前記複数の気象予測は、国立環境予測センター(NCEP)グローバル予測システム(GFS)、グローバルアンサンブル予測システム(GEFS)の1件以上のメンバー、国立環境予測センター(NCEP)短時間アンサンブル予報(SREF)の1件以上のメンバー、および欧州中期気象予報センター(ECMWF)アンサンブルの1件以上のメンバーのうち、少なくとも1つを含む、請求項1に記載の方法。
- 複数の気象予測を記憶する予測データベースと、
分析ユニットと、
を備えるシステムであって、前記分析ユニットは、
暴風雪の予測位置と予測期間を特定し、
前記複数の気象予測の各々について積雪量予測を決定し、
連続しかつ重複しない一連の積雪量範囲を特定し、各積雪量範囲内の前記積雪量予測の数を決定することにより、アンサンブルヒストグラムを形成し、
前記アンサンブルヒストグラムに基づいて、積雪量の相対尤度を表す確率密度関数を計算し、
前記確率密度関数に基づいて降雪確率分布を形成し、当該降雪確率分布は、
最も尤度の高い積雪量範囲、および前記予測期間中の前記予測位置における積雪量が当該最も尤度の高い積雪量範囲内に収まる確率と、
少なくとも1つの比較的高い積雪量範囲、および前記予測期間中の前記予測位置における積雪量が当該比較的高い積雪量範囲内に収まる確率と、
少なくとも1つの比較的低い積雪量範囲、および前記予測期間中の前記予測位置における積雪量が当該比較的低い積雪量範囲内に収まる確率と、
を含み、
前記最も尤度の高い積雪量範囲と、前記予測期間中の前記予測位置における積雪量が当該最も尤度の高い積雪量範囲内に収まる前記確率と、を含む降雪確率予測を生成し、
前記降雪確率予測を出力する、
システム。 - 前記予測データベースはさらに、前記予測期間中の前記予測位置における確定的な積雪量予測を含み、
前記分析ユニットはさらに、調整された確率密度関数を生成するように構成され、当該調整された確率密度関数の生成は、
前記調整された確率密度関数のモードを前記確定的な積雪量予測と等しくし、
前記確率密度関数の平均値と前記確定的な積雪量予測との間の差異を計算し、
前記確率密度関数の平均値と前記確定的な積雪量予測との間の差異に基づいて、前記確率密度関数をシフトする
ことによって実施され、
前記降雪確率予測は前記調整された確率密度関数に基づく、請求項11に記載のシステム。 - 前記分析ユニットはさらに、各積雪量範囲の確率が前記最も尤度の高い積雪量範囲から前記降雪確率分布の尾部まで低下するまで、前記確率密度関数の尾部先端側のデータ点を前記確率密度関数の平均値に向けて移動することによって、正規化された確率密度関数を生成するように構成され、
前記降雪確率予測は前記正規化された確率密度関数に基づく、請求項11に記載のシステム。 - 前記降雪確率予測がさらに、
前記比較的高い積雪量範囲、および前記予測期間中の前記予測位置における積雪量が当該比較的高い積雪量範囲内に収まる確率と、
前記比較的低い積雪量範囲、および前記予測期間中の前記予測位置における積雪量が当該 比較的低い積雪量範囲内に収まる確率と、
を含む、請求項11に記載のシステム。 - 前記降雪確率予測がさらに、
最も高い積雪量範囲、および前記予測期間中の前記予測位置における積雪量が当該最も高い積雪量範囲内に収まる確率と、
最も低い積雪量範囲、および前記予測期間中の前記予測位置における積雪量が当該最も低い積雪量範囲内に収まる確率と、
を含む、請求項14に記載のシステム。 - 前記分析ユニットはさらに、コブ法を用いて前記複数の気象予測に基づいて前記積雪量予測を決定するように構成される、請求項11に記載の方法。
- 前記複数の気象予測の各々は予測降水量、予測気温、予測鉛直流、および予測相対湿度を含み、
前記分析ユニットは、
前記予測気温、前記予測鉛直流、および前記予測相対湿度に基づいて雪水比を計算し、
前記予測降水量に前記雪水比を乗算する
ことによって前記積雪量予測を決定するように構成される、請求項16に記載の方法。 - 前記分析ユニットは前記降雪確率予測をリモートデバイスに出力し、グラフィカルユーザーインターフェースを介してユーザに対して表示する、請求項11に記載の方法。
- 前記分析ユニットは前記降雪確率予測を出力することによってリモートデバイスを制御する、請求項11に記載の方法。
- 前記複数の気象予測は、国立環境予測センター(NCEP)グローバル予測システム(GFS)、グローバルアンサンブル予測システム(GEFS)の1件以上のメンバー、国立環境予測センター(NCEP)短時間アンサンブル予報(SREF)の1件以上のメンバー、および欧州中期気象予報センター(ECMWF)アンサンブルの1件以上のメンバーのうち、少なくとも1つを含む、請求項11に記載の方法。
- コンピュータプロセッサにより実行される命令を記憶する非一時的コンピュータ可読記憶媒体であって、当該命令が実行されると、コンピューティングシステムは、
暴風雪の予測位置と予測期間を特定し、
前記予測期間中の前記予測位置における複数の気象予測を受信し、
前記複数の気象予測の各々について積雪量予測を決定し、
連続しかつ重複しない一連の積雪量範囲を特定し、各積雪量範囲内の前記積雪量予測の数を決定することにより、アンサンブルヒストグラムを形成し、
前記アンサンブルヒストグラムに基づいて、積雪量の相対尤度を表す確率密度関数を計算し、
前記確率密度関数に基づいて降雪確率分布を形成し、当該降雪確率分布は、
最も尤度の高い積雪量範囲、および前記予測期間中の前記予測位置における積雪量が当該最も尤度の高い積雪量範囲内に収まる確率と、
少なくとも1つの比較的高い積雪量範囲、および前記予測期間中の前記予測位置における積雪量が当該比較的高い積雪量範囲内に収まる確率と、
少なくとも1つの比較的低い積雪量範囲、および前記予測期間中の前記予測位置における積雪量が当該比較的低い積雪量範囲内に収まる確率と、
を含み、
前記最も尤度の高い積雪量範囲と、前記予測期間中の前記予測位置における積雪量が当該最も尤度の高い積雪量範囲内に収まる前記確率と、を含む降雪確率予測を生成し、
前記降雪確率予測を出力する、
非一時的コンピュータ可読記憶媒体。
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 (1)
Publication Number | Publication Date |
---|---|
JP2020513101A true JP2020513101A (ja) | 2020-04-30 |
Family
ID=63670343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019551474A Pending JP2020513101A (ja) | 2017-03-30 | 2018-03-30 | 降雪確率分布を予測するためのシステムおよび方法 |
Country Status (8)
Country | Link |
---|---|
US (2) | US10838109B2 (ja) |
EP (1) | EP3607363B1 (ja) |
JP (1) | JP2020513101A (ja) |
KR (1) | KR20200002871A (ja) |
CN (1) | CN110603465B (ja) |
CA (1) | CA3056928A1 (ja) |
TW (1) | TW201839712A (ja) |
WO (1) | WO2018183853A1 (ja) |
Families Citing this family (1)
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 |
Citations (7)
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 |
JP2000048294A (ja) * | 1998-07-31 | 2000-02-18 | Pub Works Res Inst Ministry Of Constr | 路面状態検出方法及びその装置 |
JP2007285773A (ja) * | 2006-04-13 | 2007-11-01 | Fujitsu Ltd | 気象予測プログラム、気象予測装置および気象予測方法 |
JP2016518592A (ja) * | 2013-04-04 | 2016-06-23 | スカイ モーション リサーチ, ユーエルシーSky Motion Research, Ulc | 確率分布に基づいて降水の短時間予報を行う方法及びシステム |
US20160300172A1 (en) * | 2015-04-10 | 2016-10-13 | Telsco Industries, Inc. d/b/a Weathermatic | Systems and Methods for Site-Specific Tracking of Snowfall |
JP2017053804A (ja) * | 2015-09-11 | 2017-03-16 | 株式会社東芝 | 確率的気象予測装置、確率的気象予測方法およびプログラム |
US20170299772A1 (en) * | 2016-04-18 | 2017-10-19 | Yandex Europe Ag | Method of and system for generating a weather forecast |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5406481A (en) | 1993-06-30 | 1995-04-11 | Nippon Telegraph And Telephone Corporation | Rainfall, snowfall forecast apparatus and method |
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 |
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 |
US20150178572A1 (en) | 2012-05-23 | 2015-06-25 | Raqib Omer | Road surface condition classification method and system |
CN104871205B (zh) * | 2012-12-18 | 2018-11-02 | 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 |
CN103033274B (zh) * | 2012-12-18 | 2014-09-10 | 东南大学 | 一种日照温度概率密度的测定方法 |
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 |
WO2015085308A1 (en) * | 2013-12-07 | 2015-06-11 | Cardinal Wind, Inc. | Computer-implemented data analysis methods and systems for wind energy assessments |
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 |
MX2017008391A (es) | 2014-12-22 | 2018-04-20 | User Centric Ip L P | Modelado de mesoescala. |
US10509868B2 (en) * | 2016-01-29 | 2019-12-17 | Fujitsu Limited | Operating a solar power generating system |
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 |
US20170357920A1 (en) * | 2016-06-09 | 2017-12-14 | Douglas Stewart | Method and system for estimating and mapping weather risk |
CN106405682B (zh) * | 2016-08-29 | 2019-04-26 | 深圳先进技术研究院 | 一种降雨预测方法及装置 |
-
2018
- 2018-03-30 CA CA3056928A patent/CA3056928A1/en active Pending
- 2018-03-30 WO PCT/US2018/025413 patent/WO2018183853A1/en unknown
- 2018-03-30 TW TW107111350A patent/TW201839712A/zh unknown
- 2018-03-30 JP JP2019551474A patent/JP2020513101A/ja active Pending
- 2018-03-30 CN CN201880029742.3A patent/CN110603465B/zh active Active
- 2018-03-30 KR KR1020197032162A patent/KR20200002871A/ko unknown
- 2018-03-30 US US15/941,662 patent/US10838109B2/en active Active
- 2018-03-30 EP EP18774796.9A patent/EP3607363B1/en active Active
-
2020
- 2020-10-15 US US17/071,546 patent/US11493666B2/en active Active
Patent Citations (7)
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 |
JP2000048294A (ja) * | 1998-07-31 | 2000-02-18 | Pub Works Res Inst Ministry Of Constr | 路面状態検出方法及びその装置 |
JP2007285773A (ja) * | 2006-04-13 | 2007-11-01 | Fujitsu Ltd | 気象予測プログラム、気象予測装置および気象予測方法 |
JP2016518592A (ja) * | 2013-04-04 | 2016-06-23 | スカイ モーション リサーチ, ユーエルシーSky Motion Research, Ulc | 確率分布に基づいて降水の短時間予報を行う方法及びシステム |
US20160300172A1 (en) * | 2015-04-10 | 2016-10-13 | Telsco Industries, Inc. d/b/a Weathermatic | Systems and Methods for Site-Specific Tracking of Snowfall |
JP2017053804A (ja) * | 2015-09-11 | 2017-03-16 | 株式会社東芝 | 確率的気象予測装置、確率的気象予測方法およびプログラム |
US20170299772A1 (en) * | 2016-04-18 | 2017-10-19 | Yandex Europe Ag | Method of and system for generating a weather forecast |
Also Published As
Publication number | Publication date |
---|---|
EP3607363B1 (en) | 2023-06-28 |
WO2018183853A1 (en) | 2018-10-04 |
US20180284322A1 (en) | 2018-10-04 |
EP3607363A1 (en) | 2020-02-12 |
CN110603465A (zh) | 2019-12-20 |
EP3607363A4 (en) | 2021-01-20 |
TW201839712A (zh) | 2018-11-01 |
KR20200002871A (ko) | 2020-01-08 |
US10838109B2 (en) | 2020-11-17 |
CA3056928A1 (en) | 2018-10-04 |
CN110603465B (zh) | 2021-12-28 |
US20210026039A1 (en) | 2021-01-28 |
US11493666B2 (en) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6663044B2 (ja) | 予想気象、環境、及び/又は地質条件の影響を予測するための方法及びシステム | |
US20220397701A1 (en) | Automated global weather notification system | |
US20220026600A1 (en) | Mesoscale modeling | |
TWI629495B (zh) | 用於使用點觀測精緻化氣象預報之方法與系統 | |
US8224768B1 (en) | Tropical cyclone prediction system and method | |
US8160995B1 (en) | Tropical cyclone prediction system and method | |
Quiring et al. | Incorporating hurricane forecast uncertainty into a decision-support application for power outage modeling | |
US8204846B1 (en) | Tropical cyclone prediction system and method | |
US11493666B2 (en) | System and method for forecasting snowfall probability distributions | |
KR20190119082A (ko) | 기상 데이터의 통계 분석을 사용하여 경제 동향들을 예측하기 위한 시스템 및 방법 | |
TWI580993B (zh) | 用於基於機率分佈之臨近預報降雨量的方法與系統 | |
Papayiannis et al. | Model aggregation using optimal transport and applications in wind speed forecasting | |
JP7224133B2 (ja) | インフラ設備点検支援システム、インフラ設備点検支援方法及びプログラム | |
Ustrnul et al. | Climatologically based warning system against meteorological hazards and weather extremes: the example for Poland | |
US11402541B2 (en) | Determining a REALFEEL seasonal index | |
Liu et al. | Fitting generalized Pareto distribution based on the expected order statistics and its application for ice accretion hazard mapping | |
Hossain et al. | Assessment of extreme climatic event model parameters estimation techniques: a case study using Tasmanian extreme rainfall | |
TWI645211B (zh) | 用於基於機率分佈之臨近預報降雨量的方法與系統 | |
CN114740549A (zh) | 一种短临降水天气预测方法、装置、电子设备及可读介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191119 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201012 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201027 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20210525 |