CN111208586B - 基于中尺度海气耦合模式的天气预报方法及系统 - Google Patents
基于中尺度海气耦合模式的天气预报方法及系统 Download PDFInfo
- Publication number
- CN111208586B CN111208586B CN202010062642.XA CN202010062642A CN111208586B CN 111208586 B CN111208586 B CN 111208586B CN 202010062642 A CN202010062642 A CN 202010062642A CN 111208586 B CN111208586 B CN 111208586B
- Authority
- CN
- China
- Prior art keywords
- atmospheric
- mode
- forecast
- data
- weather
- 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
- 230000008878 coupling Effects 0.000 title claims abstract description 27
- 238000010168 coupling process Methods 0.000 title claims abstract description 27
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 27
- 238000013277 forecasting method Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004002 angle-resolved photoelectron spectroscopy Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- JTJMJGYZQZDUJJ-UHFFFAOYSA-N phencyclidine Chemical class C1CCCCN1C1(C=2C=CC=CC=2)CCCCC1 JTJMJGYZQZDUJJ-UHFFFAOYSA-N 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于中尺度海气耦合模式的天气预报方法及系统，属于海气耦合模式的天气预报领域，要解决的技术问题为如何通过多模式大气模式替代单一大气模式，与海洋模式进行耦合进行天气预报，方法包括：基于多种中尺度大气模式构建多模式天气预报系统；获取目标区域的过往大气观测数据以及对应的最优海洋模式参数，并结合过往大气预报数据训练参数模型；以多模式预报系统对目标区域的实时大气预报数据作为测试数据，进行深度学习计算；将海洋模式预报参数与实时大气观测数据以及对应的海洋模式参数进行对比，得到最终参数模型；以优选的海洋模式参数和实时大气预报数据为输入，进行海洋模式计算，得到天气预报结果。系统用于执行上述方法。
Description
技术领域
本发明涉及海气耦合模式的天气预报领域，具体地说是一种基于中尺度海气耦合模式的天气预报方法及系统。
背景技术
海洋是国家安全的主要屏障，世界海上军事大国都把海洋气象预报作为海洋军事的头等大事。随着高技术武器装备在部队中的不断装备与应用，对军事活动的气象保障提出了新的更精确的要求，主要是还需提供与不同军兵种以及战术行动相关的气象要素。
海洋气象预报由于它的特殊性，已成为气象预报的一个专项门类。海洋和大气之间存在着多种能量、质量的交换过程，这些过程对于整个大气和大洋环流方面的产生及维持十分重要。由于海洋观测资料相对稀少，海气耦合模式成为研究海气相互作用的主要方式。
海气之间除季节循环及一些大尺度现象外，还存在着一些空间、时间尺度较小的海气相互作用现象, 例如台风、入海气旋、风暴潮等，需要建立高分辨率的区域海气耦合模式来对其进行更为细致全面的研究。
由于大气的混沌特性，单一的确定性预报逐步向多值的不确定性概率预报转化已成为一种趋势。此外，随着计算机技术的发展进入人工智能新时代，以深度学习为代表的新技术也给气象预测带来了新机遇。区域气象模式的参数化方案代表了某一区域的气候特征，在大量观测资料的基础上可以较好地学习这些气候特征，同时针对参数而非气象数据学习，又减小了模型的复杂性，提高了模型的泛化能力，有助于针对更小更精细的区域进行学习。
基于上述分析，如何通过多模式大气模式替代单一大气模式，与海洋模式进行耦合进行天气预报，是需要解决的技术问题。
发明内容
本发明的技术任务是针对以上不足，提供一种基于中尺度海气耦合模式的天气预报方法及系统，来解决如何通过多模式大气模式替代单一大气模式，与海洋模式进行耦合进行天气预报的问题。
第一方面，本发明提供一种基于中尺度海气耦合模式的天气预报方法，包括如下步骤：
基于多种中尺度大气模式构建多模式天气预报系统，以取代单一的天气模式，多模式天气预报系统用于对目标区域进行大气预报生成大气预报数据；
获取目标区域的过往大气观测数据以及对应的最优海洋模式参数，并结合多模式天气预报系统对目标区域的过往大气预报数据组成训练数据；
基于卷积神经网络构建参数模型，通过训练数据训练所述参数模型，得到训练后参数模型；
以多模式天气预报系统对目标区域的实时大气预报数据作为测试数据，通过训练后参数模型对测试数据进行深度学习计算，得到对应的海洋模式预报参数；
通过将海洋模式预报参数与获取的实时大气观测数据以及对应的海洋模式参数进行对比，根据对比结果优化训练后参数模型，得到最终参数模型；
通过最终参数模型得到优选的海洋模式参数；
以优选的海洋模式参数和实时大气预报数据为输入，进行海洋模式计算，得到天气预报结果。
作为优选，所述多种中尺度大气模式包括但不限于ARPS模式和WRF模式。
作为优选，多模式天气预报系统对目标区域进行大气预报生成大气预报数据，包括如下步骤：
对于每种大气模式进行计算，得到每种大气模式对应的天气要素数据；
对于所有大气模式对应的天气要素数据进行统计计算，计算集合平均值，得到大气预报数据。
作为优选，以优选的海洋模式参数和大气预报数据为输入，包括：
通过耦合器对优选的海洋模式参数和实时大气预报数据进行数据格式转换，将上述数据格式统一的优选的海洋模式参数和实时大气预报数据作为输入。
作为优选，所述大气预报数据为面向公众的大气预报产品；
所述天气预报结果为面向公众的天气预报产品。
第二方面，本发明提供一种基于中尺度海气耦合模式的天气预报系统，包括：
数据采集模块，用于采集目标区域的大气数据和对应的海洋模式参数；
天气预报数据模块，用于通过多模式天气预报系统对目标区域进行大气预报，生成大气预报数据，所述大气预报数据包括用于训练模型的过往大气预报数据和用于优化模型的实时大气预报数据；
参数模型训练模块，用于获取目标区域的过往大气观测数据和对应的海洋模式参数，基于过往大气观测数据、海洋模式参数和过往大气预报数据构建训练集，用于基于卷积神经网络构建参数模型，并通过训练集训练所述参数模型，得到训练后参数模型；
参数模型优化模块，用于基于实时大气预报数据构建测试集，通过训练后参数模型对测试集进行深度学习计算，得到对应的海洋模式预报参数，并通过将海洋模式预报参数与获取的实时大气观测数据以及对应的海洋模式参数进行对比，根据对比结果优化训练后参数模型，得到最终参数模型；
参数优选模块，用于通过最终参数模型得到优选的海洋模式参数；
天气预报模块，用于以优选的海洋模式参数和大气预报数据为输入，进行海洋模式计算，得到天气预报结果。
作为优选，还包括耦合器，用于对优选的海洋模式参数和实时大气预报数据进行数据格式转换，将统一数据格式的优选的海洋模式参数和大气预报数据作为为输入。
作为优选，天气预报数据模块用于通过如下步骤得到大气预报数据：
对于每种大气模式进行计算，得到每种大气模式对应的天气要素数据；
对于所有大气模式对应的天气要素数据进行统计计算，计算集合平均值，得到大气预报数据。
作为优选，所述大气预报数据为面向公众的大气预报产品；
所述天气预报结果为面向公众的天气预报产品。
本发明的一种基于中尺度海气耦合模式的天气预报方法及系统具有以下优点：
1、通过多模式集合为海洋模式提供更精确的天气要素输入，降低耦合模式对初始条件的敏感度，减小预报的不确定性；
2、通过深度学习构建参数模型，并通过天气要素数据和海洋模式参数训练模型，并优化参数模型，动态优化了海洋模式参数；
3、通过耦合器对天气预报数据和优选的海洋模式参数进行耦合，提高了天气模式和海洋模式之间的扩展性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，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。
下面结合附图对本发明进一步说明。
附图1为实施例1基于中尺度海气耦合模式的天气预报方法的流程框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互结合。
需要理解的是，在本发明实施例的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。在本发明实施例中的“多个”，是指两个或两个以上。
本发明实施例提供基于中尺度海气耦合模式的天气预报方法及系统，用于解决如何通过多模式大气模式替代单一大气模式，与海洋模式进行耦合进行天气预报的技术问题。
实施例1：
本发明的一种基于中尺度海气耦合模式的天气预报方法，包括如下步骤：
S100、基于多种中尺度大气模式构建多模式天气预报系统，以取代单一的天气模式，多模式天气预报系统用于对目标区域进行大气预报生成大气预报数据；
S200、获取目标区域的过往大气观测数据以及对应的最优海洋模式参数，并结合多模式天气预报系统对目标区域的过往大气预报数据组成训练数据；
S300、基于卷积神经网络构建参数模型，通过训练数据训练上述参数模型，得到训练后参数模型；
S400、以多模式天气预报系统对目标区域的实时大气预报数据作为测试数据，通过训练后参数模型对测试数据进行深度学习计算，得到对应的海洋模式预报参数；
S500、通过将海洋模式预报参数与获取的实时大气观测数据以及对应的海洋模式参数进行对比，根据对比结果优化训练后参数模型，得到最终参数模型；
S600、通过最终参数模型得到优选的海洋模式参数；
S700、以优选的海洋模式参数和实时大气预报数据为输入，进行海洋模式计算，得到天气预报结果。
其中，本实施例中选用两种中尺度大气模式，分别为ARPS模式和WRF模式。
上述步骤中，多模式天气预报系统对目标区域进行大气预报生成大气预报数据，包括如下步骤：：
（1）对于每种大气模式进行计算，得到每种大气模式对应的天气要素数据；
（2）对于所有大气模式对应的天气要素数据进行统计计算，计算集合平均值，得到大气预报数据。
鉴于大气预报数据和优选的海洋模式参数之间数据格式不一致，需要通过耦合器对优选的海洋模式参数和实时大气预报数据进行数据格式转换，将上述数据格式统一的优选的海洋模式参数和实时大气预报数据作为输入。。
天气预报的最终结果面向公众的，而大气模式计算得到的数据过于不利于公众理解，因此通常进行大气模式计算得到天气要素数据后，对天气要素数据进行美化生成面向公众的大气预报产品。对应的将海洋模式计算得到的天气预报结果进行美化，生成面向公众的天气预报产品。
实施例2：
本发明的一种基于中尺度海气耦合模式的天气预报系统，包括数据采集模块、天气预报数据模块、参数模型训练模块、参数模型优化模块、参数优选模块和天气预报模块。
数据采集模块用于采集目标区域的大气数据和对应的海洋模式参数。
天气预报数据模块用于通过多模式天气预报系统对目标区域进行大气预报，生成大气预报数据，所述大气预报数据包括用于训练模型的过往大气预报数据和用于优化模型的实时大气预报数据。
天气预报模块用于以优选的海洋模式参数和大气预报数据为输入，进行海洋模式计算，得到天气预报结果。
其中，天气预报数据模块用于通过如下步骤得到大气预报数据：
（1）对于每种大气模式进行计算，得到每种大气模式对应的天气要素数据；
（2）对于所有大气模式对应的天气要素数据进行统计计算，计算集合平均值，得到大气预报数据。
参数模型训练模块用于获取目标区域的过往大气观测数据和对应的海洋模式参数，基于过往大气观测数据、海洋模式参数和过往大气预报数据构建训练集，用于基于卷积神经网络构建参数模型，并通过训练集训练所述参数模型，得到训练后参数模型。
参数模型优化模块用于基于实时大气预报数据构建测试集，通过训练后参数模型对测试集进行深度学习计算，得到对应的海洋模式预报参数，并通过将海洋模式预报参数与获取的实时大气观测数据以及对应的海洋模式参数进行对比，根据对比结果优化训练后参数模型，得到最终参数模型。
参数优选模块用于通过最终参数模型得到优选的海洋模式参数。
天气预报模块用于以优选的海洋模式参数和大气预报数据为输入，进行海洋模式计算，得到天气预报结果。
天气预报的最终结果面向公众的，而大气模式计算得到的数据过于不利于公众理解，因此通常进行大气模式计算得到天气要素数据后，对天气要素数据进行美化生成面向公众的大气预报产品。对应的将海洋模式计算得到的天气预报结果进行美化，生成面向公众的天气预报产品。
鉴于大气预报数据和优选的海洋模式参数之间数据格式不一致，需要通过耦合器对优选的海洋模式参数和大气预报数据进行数据格式转换，将上述数据格式统一的优选的海洋模式参数和大气预报数据作为输入。
本实施例的一种基于中尺度海气耦合模式的天气预报系统能够执行实施例1公开的一种基于中尺度海气耦合模式的天气预报方法，得到天气预报。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (5)
1.基于中尺度海气耦合模式的天气预报方法，其特征在于包括如下步骤：
基于多种中尺度大气模式构建多模式天气预报系统，以取代单一的天气模式，多模式天气预报系统用于对目标区域进行大气预报生成大气预报数据；
获取目标区域的过往大气观测数据以及对应的最优海洋模式参数，并结合多模式天气预报系统对目标区域的过往大气预报数据组成训练数据；
基于卷积神经网络构建参数模型，通过训练数据训练所述参数模型，得到训练后参数模型；
以多模式天气预报系统对目标区域的实时大气预报数据作为测试数据，通过训练后参数模型对测试数据进行深度学习计算，得到对应的海洋模式预报参数；
通过将海洋模式预报参数与获取的实时大气观测数据以及对应的海洋模式参数进行对比，根据对比结果优化训练后参数模型，得到最终参数模型；
通过最终参数模型得到优选的海洋模式参数；
以优选的海洋模式参数和实时大气预报数据为输入，进行海洋模式计算，得到天气预报结果；
多模式天气预报系统对目标区域进行大气预报生成大气预报数据，包括如下步骤：
对于每种大气模式进行计算，得到每种大气模式对应的天气要素数据；
对于所有大气模式对应的天气要素数据进行统计计算，计算集合平均值，得到大气预报数据；
进行大气模式计算得到天气要素数据后，对天气要素数据进行美化生成面向公众的大气预报产品；对应的将海洋模式计算得到的天气预报结果进行美化，生成面向公众的天气预报产品。
2.根据权利要求1所述的基于中尺度海气耦合模式的天气预报方法，其特征在于所述多种中尺度大气模式包括但不限于ARPS模式和WRF模式。
3.根据权利要求1或2所述的基于中尺度海气耦合模式的天气预报方法，其特征在于以优选的海洋模式参数和大气预报数据为输入，包括：
通过耦合器对优选的海洋模式参数和实时大气预报数据进行数据格式转换，将上述数据格式统一的优选的海洋模式参数和实时大气预报数据作为输入。
4.基于中尺度海气耦合模式的天气预报系统，其特征在于包括：
数据采集模块，用于采集目标区域的大气数据和对应的海洋模式参数；
天气预报数据模块，用于通过多模式天气预报系统对目标区域进行大气预报，生成大气预报数据，所述大气预报数据包括用于训练模型的过往大气预报数据和用于优化模型的实时大气预报数据；
参数模型训练模块，用于获取目标区域的过往大气观测数据和对应的海洋模式参数，基于过往大气观测数据、海洋模式参数和过往大气预报数据构建训练集，用于基于卷积神经网络构建参数模型，并通过训练集训练所述参数模型，得到训练后参数模型；
参数模型优化模块，用于基于实时大气预报数据构建测试集，通过训练后参数模型对测试集进行深度学习计算，得到对应的海洋模式预报参数，并通过将海洋模式预报参数与获取的实时大气观测数据以及对应的海洋模式参数进行对比，根据对比结果优化训练后参数模型，得到最终参数模型；
参数优选模块，用于通过最终参数模型得到优选的海洋模式参数；
天气预报模块，用于以优选的海洋模式参数和大气预报数据为输入，进行海洋模式计算，得到天气预报结果；
天气预报数据模块用于通过如下步骤得到大气预报数据：
对于每种大气模式进行计算，得到每种大气模式对应的天气要素数据；
对于所有大气模式对应的天气要素数据进行统计计算，计算集合平均值，得到大气预报数据；
所述大气预报数据为面向公众的大气预报产品；
所述天气预报结果为面向公众的天气预报产品。
5.根据权利要求4所述的基于中尺度海气耦合模式的天气预报系统，其特征在于还包括耦合器，用于对优选的海洋模式参数和实时大气预报数据进行数据格式转换，将统一数据格式的优选的海洋模式参数和大气预报数据作为为输入。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010062642.XA CN111208586B (zh) | 2020-01-20 | 2020-01-20 | 基于中尺度海气耦合模式的天气预报方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010062642.XA CN111208586B (zh) | 2020-01-20 | 2020-01-20 | 基于中尺度海气耦合模式的天气预报方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111208586A CN111208586A (zh) | 2020-05-29 |
| CN111208586B true CN111208586B (zh) | 2022-03-22 |
Family
ID=70784839
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010062642.XA Active CN111208586B (zh) | 2020-01-20 | 2020-01-20 | 基于中尺度海气耦合模式的天气预报方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111208586B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113255962A (zh) * | 2021-04-16 | 2021-08-13 | 北京玖天气象科技有限公司 | 一种多模式海浪集成预报系统及方法 |
| CN114841442B (zh) * | 2022-05-10 | 2024-04-26 | 中国科学院大气物理研究所 | 一种应用于大气-海洋观测数据的强耦合方法以及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109840311A (zh) * | 2019-01-14 | 2019-06-04 | 哈尔滨工程大学 | 基于最优观测时间窗口的耦合数据同化与参数优化方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2689200C2 (ru) * | 2014-12-22 | 2019-05-24 | ЮЗЕР-СЕНТРИК АйПи, Л.П. | Мезомасштабное моделирование |
| CN105894106B (zh) * | 2015-01-05 | 2020-06-16 | 国家电网公司 | 一种海洋模式和气象模式的一体化耦合方法 |
| CN109426886A (zh) * | 2017-08-29 | 2019-03-05 | 北京思湃德信息技术有限公司 | 一种气候预测系统 |
| CN108983320B (zh) * | 2018-04-08 | 2020-09-01 | 浙江大学 | 一种沿海台风极值风速的数值天气预报-人工智能耦合预测方法 |
| CN109447260B (zh) * | 2018-10-08 | 2022-11-18 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习的局地数值天气预报产品订正方法 |
| CN110033132B (zh) * | 2019-03-29 | 2021-06-11 | 中国人民解放军空军研究院战场环境研究所 | 基于深度目标检测和数值天气预报的热带气旋预报方法 |
| CN110516279B (zh) * | 2019-06-19 | 2023-01-10 | 中国地质大学深圳研究院 | 基于经验订正的风浪流耦合海洋环境数值预报方法 |
| CN110618473A (zh) * | 2019-10-09 | 2019-12-27 | 北京北科融智云计算科技有限公司 | 一种即时气象情报保障方法 |
| CN110705115B (zh) * | 2019-10-10 | 2023-05-05 | 北京北科融智云计算科技有限公司 | 一种基于深度置信网络的气象预报方法和系统 |
-
2020
- 2020-01-20 CN CN202010062642.XA patent/CN111208586B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109840311A (zh) * | 2019-01-14 | 2019-06-04 | 哈尔滨工程大学 | 基于最优观测时间窗口的耦合数据同化与参数优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111208586A (zh) | 2020-05-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Deep spatio-temporal wind power forecasting | |
| CN110765878A (zh) | 一种短时降雨预测方法 | |
| CN111208586B (zh) | 基于中尺度海气耦合模式的天气预报方法及系统 | |
| CN119312054A (zh) | 一种基于itransfomer的光伏功率超短期预测方法及系统 | |
| CN116992781B (zh) | 基于深度学习的多步多要素风浪预报方法 | |
| CN118981965A (zh) | 一种基于注意力机制和门控单元的多卷积神经网络建筑能耗预测方法 | |
| CN110782039A (zh) | 一种基于分层结构、多模块的人工智能即时作战引导平台 | |
| CN114219182A (zh) | 一种基于强化学习的异常天气场景风电预测方法 | |
| CN120181521A (zh) | 基于多源数据融合的海上风电调度优化方法及系统 | |
| CN118735078B (zh) | 一种降尺度风资源评估方法及系统 | |
| CN119445184A (zh) | 一种基于数值天气预报的风速预测方法 | |
| CN119742757A (zh) | 一种考虑气象因素的区域电力负荷预测方法 | |
| CN118100171A (zh) | 能源转换系统的功率预测方法、系统和电子设备 | |
| CN118277766A (zh) | 一种基于大数据的海上风电发电功率预测方法 | |
| Gharehbagh et al. | A hybrid CNN-LSTM approach utilizing SCADA data enhancing wind power predictions: a dataset case study of Turkey | |
| CN113988349B (zh) | 一种基于时空局部模型的数值模式预报产品客观释用方法 | |
| Leung | Windformer: A novel spatiotemporal wind speed forecasting model based on Transformer for wind energy management | |
| KR102746654B1 (ko) | 딥러닝 기반의 해상 정보 해석을 통한 해안 정보 예측 방법 및 장치 | |
| CN120542984B (zh) | 基于实测功率和风速协同同化的风功率智能预测方法和系统 | |
| CN120450166A (zh) | 一种海上风电场海洋气象无缝隙精细预报方法、装置、设备及介质 | |
| Yang et al. | Data resolution improvement for ocean of things based on improved FCM | |
| CN119539198B (zh) | 一种基于地基云图的集群光伏功率预测方法及装置 | |
| CN121191361B (zh) | 一种基于可解释人工智能的船舶航行行为预测方法及系统 | |
| CN119471862B (zh) | 一种基于GraphSAGE-LSTM的大雾临近预报方法及系统 | |
| CN120338187B (zh) | 一种智能化的农业灌溉用水量预测方法及系统 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 250100 No. 2877 Kehang Road, Sun Village Town, Jinan High-tech District, Shandong Province Applicant after: Chaoyue Technology Co.,Ltd. Address before: 250100 No. 2877 Kehang Road, Sun Village Town, Jinan High-tech District, Shandong Province Applicant before: SHANDONG CHAOYUE DATA CONTROL ELECTRONICS Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |