CN104635281B

CN104635281B - 基于强天气过程校正的自动气象站数据质量控制方法

Info

Publication number: CN104635281B
Application number: CN201510086885.6A
Authority: CN
Inventors: 王兴; 苗春生; 王坚红; 汪瑶; 王介君; 唐卫亚; 江燕如
Original assignee: Nanjing University of Information Science and Technology
Current assignee: Nanjing Xinatmospheric image science and Technology Research Institute Co., Ltd.
Priority date: 2015-02-17
Filing date: 2015-02-17
Publication date: 2016-08-24
Anticipated expiration: 2035-02-17
Also published as: CN104635281A

Abstract

本发明解决了传统质量控制方法存在的误判和漏判，显著提高了自动气象站质量控制的可靠性和准确性。特别对于极端天气频发的我国东南部和沿海地区，既能够采用更小的判定阈值，以达到更加精确的判定，又能够有效地识别因局地强天气过程（特别如冷、暖锋交界的区域）造成的误判。本发明通过二次可信度检验校正，有效避免了因参与检验计算的临近站点错误记录对被检验的正确记录的错误判定，进一步提高了质量控制的准确性。此方法的应用，将能为气象业务系统提供更加准确的天气实况监测数据源，进而提升天气预报的准确性。

Description

基于强天气过程校正的自动气象站数据质量控制方法

技术领域：

[0001] 本发明属于大气科学领域，涉及一种基于气象卫星资料强天气识别校正的加密自动气象站（以下简称自动站或站点)观测数据的质量控制方法。通过逐站点分析同一时刻不同气象要素之间的气象学规律和物理特征，标识各个气象要素的置信度，再按置信度高低以及相邻站点间的水平距离等因素求取各个要素的时间变化序列以及相邻站点相同要素间的插值，比较插值结果与待检验站同要素时间变化率之间的关系。然后分析关系异常的站点和所在区域是否存在强天气过程，定量化地判定观测数据是否错误或者可疑，并由此再次评估各个气象要素的置信度。通过二次迭代分析和修正各个自动站观测数据的正确性，以达到较传统方法更加准确可靠的质量控制效果。

背景技术：

[0002] 由于天气预报的质量很大程度上依赖于气象观测手段和观测资料的先进程度，而常规气象观测资料在时间和空间尺度上都无法满足中尺度天气预报的要求。因此，近十年来我国已投入大量资金建设和维护自动气象站。据最新统计，国内已建成的有观测记录的自动气象站(包括常规地面站)多达43000多部。但由于受到地质条件、周边环境等诸多客观因素的影响和限制，其观测上报的数据质量与一般人工测站相差甚远，气象行业界普遍认为该资料当前的可用性不高。因此，如何提高自动站观测资料的准确性，是提升我国现代气象业务建设重要的、关键性的技术之一。

[0003] 传统的质量控制方法主要是通过历史气候极值检查和时间、空间相关性的检查 [1-3]。其中，历史气候极值检查最大的缺陷是容易错误地识别或订正本是正确的极端天气观测数据，典型的如近年来我国南方地区频发的极端强降水天气，实测雨量多次达到甚至突破历史记录，而历史气候极值检查即可能将此类情况判定为错误数据。

[0004] 对于气象要素的时间一致性以及不同站点的空间一致性检验，虽然能在一定程度上弥补单纯极值检验的缺陷，但终究都只是数理统计方法，并没有从大气动力学和热力学等成因机制层面进行考虑。实际上，各个观测站点的地理位置、地质条件、海拔高度普遍存在差异，特别是我国西北部、青藏高原等地区，自动站分布非常稀疏，站点之间的距离遥远，其空间相关性本来就非常小，加上山地、丘陵地带不同站之间的高度差往往超过几百米甚至1公里，这样的空间一致性检验，其效果必然很不理想。时间一致性检查虽然不用考虑周边站点，但各个气象要素的时间变化率也受站点位置、季节等因素，难以定量化和标准化。用于质量判定的阈值大了，容易漏检存在的错误;阈值小了，容易误报正确的记录。

[0005] 因此，如何更加准确、有效地判定自动站观测数据的正确性，长期以来是一项技术难题。

发明内容：

[0006] 为了克服上述现有技术的不足，本发明提供了一种基于气象卫星资料强天气识别校正的自动气象站观测数据的质量控制方法。

[0007] 本发明所采用的技术方案是：

[0008] 一种基于强天气过程校正的自动气象站数据质量控制方法，该方法包括如下步骤：

[0009] 1)加载一份待检验自动站观测报文，检索与该自动站观测报文同一时刻或时间最相邻的气象卫星资料，识别出该气象卫星资料中的强天气发生的区域，将这些区域的位置与上述报文的区域位置相对应，并记录发生上述强天气的自动站编号，形成站点集SDS;

[0010] 2)比较上述待检验的报文中每个站点（下述中"站点"与"自动站"同义)所报告的各个气象要素之间的气象学关系:依此标识各个要素的可信度围为[0，100]，初始值为100，每违背一种气象学关系，Ar的值减少10;其中，St是待检验站点编号，elem是气象要素，t是观测(或发报)的时间；

[0011] 3)从待检验报文中任选一个站点I，以其经炜度为圆心，正北方向为0度，顺时间方向将360度等角度划分八个象限，依次查找每个象限内距离站点I最近的若干个自动站，形成一个数据集DS(st,qua，stx，dist)，其中，qua是象限编号，stx是相邻站点编号，dist是 stx距离st (即站点I)的距离；

[0012] 4)计算数据集DS(st ,qua，stx，dist)中每个站点各个气象要素自报文观测（或发报)时间起的过去10分钟内、半小时内、1小时内、3小时内、6小时内、12小时内和24小时内的变化差值Dif (st，stx，elem, t，dt)，其中，dt是上述指时间间隔；

[0013] 5)以象限作为分组单位，使用插值算法计算步骤4)中各个变化差值Dif (st，stx, 616111，1：，(11：)距离站点1的插值1?(81：，9皿，8七1，616111，1：，(11：);对于可信度41'属于可疑范围50〈 Ar < 90或错误范围Ar < 50的要素值，不参与插值计算；

[0014] 6)计算站点I各个气象要素的Dif (st，stx, elem, t，dt)与各个象限内相同要素、相同时间间隔情况下的IP(st，qua，stx，elem，t，dt)的差值CK( I，qua，elem，t，dt);

[0015] 7)分析站点I中各个气象要素在各个象限的CK值与安全阈值STV的关系（STV视不同要素、不周区域和不同季节，其阈值各有所不同）：如果CK〈STV的象限数量2 7,则判定站点I当前要素的质量可信;如果CK2 STV的象限数量2 6,则判定站点I当前要素的质量异常；以上两种情况外，再分析数据集DS各站点中当前要素 CK超出STV的所有象限的地理区域中，有多少站点存在于站点集SDS中，如果两者的交集X为X2 60%，则判定站点I当前要素的质量可信，如果两者的交集X为35% <X〈60%，则判定站点I当前要素的质量可疑，否则，则判定为质量异常；

[0016] 8)将已判定为质量可疑的气象要素的可信度Ar的值减少20;将已判定为质量异常的气象要素的可信度Ar的值赋为0,不再参与此后步骤的计算；

[0017] 9)根据上述步骤8)，完成站点I中所有气象要素的检验后，返回步骤3)继续分析下一个站点，直到待检验的报文AWSFi Ie中所有站点完成上述流程；

[0018] 1〇)此时，待检验的报文AWSFile中所有站点所有要素的可信度Ar(st， elem，t)都得到一次全新的评估(第一次评估是在步骤2)中）；在此基础上，再从第一个站点开始，重复步骤3)至步骤9)，直到所有站点完成该流程，完成再一次评估；

[0019] 11)由此求得的可信度Ar(st，elem，t)集合即为各站点、各气象要素的质量控制标识码。

[0020] 本发明的进一步设计在于：

[0021] 其中步骤1中，所述强天气包括:强对流天气、区域强降水过程或冷、暖锋面云系。

[0022] 其中步骤2中，所述各个气象要素之间的气象学关系包括:露点温度与水汽压的关系，静止风时的风向与风速的关系，降水量与蒸发量的关系，逐分钟降水量与小时累计降水量的关系；

[0023] 其中步骤3中，所述依次查找每个象限内距离站点I最近的若干个自动站，查找过程如:查找半径初始为10公里，如果某象限内可查找到的站点数小于3个，半径逐次增加10 公里，最大不超过110公里。

[0024] 其中步骤6时，对于海拔高度敏感的气象要素，利用探空观测资料和大气热力学方程对温度进行修订，使所有参与本次计算的站点温度订正到同一高度层再进行插值计算。

[0025] 其中所述对于"海拔高度"敏感的气象要素如温度数据。

[0026] 与现有技术相比，本发明的有益效果是：

[0027]本发明很大程度上解决了传统质量控制方法存在的误判和漏判，显著提高了自动气象站质量控制的可靠性和准确性。特别对于极端天气频发的我国东南部和沿海地区，既能够采用更小的判定阈值，以达到更加精确的判定，又能够有效地识别因局地强天气过程 (特别如冷、暖锋交界的区域)造成的误判。

[0028] 本发明通过二次可信度检验校正，有效避免了因参与检验计算的临近站点错误记录对被检验的正确记录的错误判定，进一步提高了质量控制的准确性。此方法的应用，将能为气象业务系统提供更加准确的天气实况监测数据源，进而提升天气预报的准确性。

附图说明：

[0029] 图1是基于强天气过程校正的自动气象站数据质量控制方法的总体流程图。

[0030] 图2是本实施例样本数据经传统质量控制方法检验和订正后，由NCL软件绘制的全国温度分布图。

[0031] 图3是从本实施例样本数据中随机选择的5个站点，分析各个站在过去10分钟内、 30分钟内、60分钟内、3小时内、6小时内、12小时内和24小时内的温度变化特征曲线。

[0032] 图4是本实施例样本数据经本发明所述质量控制方法检验和订正后，由NCL软件绘制的全国温度分布图。

具体实施方式：

[0033] 下面结合附图对本发明进一步说明。

[0034](以下文中所有相同符号的变量含义相同）。

[0035] 本实施例选用2014年9月20日08时00分全国自动气象站的观测数据，观测报文中有效站点数为32181个。本例质量控制检验的气象要素是实况温度。为更加清楚地表现和比对本发明与传统质量控制方法的优劣，在不影响本发明实质内容的前提下，对上述样本数据作如下修改:将吉林省白城市偏西100公里处周边的3个自动站温度数值改为38°C、33°C 和 37 cC 〇

[0036]由该样本数据经过传统的质量控制方法检验后，通过NCL软件绘制的全国温度分布图如图2所示。很显然，传统的质量控制方法没有能够识别和订正上述被修改的异常高温。究其原因，一方面是因为我国东北地区历史上曾出现超过38°C的高温天气（如2010年6 月25日黑龙江省大兴安岭地区个别站点的实况温度达到39.7°C)，因此，当前样本数据中相关地区的温度没有超过历史气候极值;另一方面，由于出现异常高温的3个站点地理位置相邻，空间一致性检查难以发挥作用。即便还进行了温度的时间变化率检查，但由于传统质量控制方法中，往往要将时间一致性检查发现的异常与前两种检验的结果进行综合判定，因此，最终的质量控制结论即为上述三个站点的温度数值"正确"或只是"可疑"。

[0037]如图1所示，本方法包括如下步骤：

[0038] 1、通过分析与待检验的自动站观测报文AWSFile同一时刻或时间最相邻的气象卫星资料，识别出强对流天气、区域强降水过程或冷、暖锋面云系发生的区域，将这些区域的位置投影到自动站所在的经炜度，记录存在上述天气过程或天气现象的自动站编号，形成站点集SDS。

[0039] 2、比较上述待检验的报文AWSFile中每个站点所报告的各个气象要素之间的气象学关系，包括:露点温度与水汽压的关系，静止风时的风向与风速的关系，降水量与蒸发量的关系，逐分钟降水量与小时累计降水量的关系;依此标识各个要素的可信度Ar( St，elem， t)，Ar的取值范围为[0,100]，初始值为100,每违背一种气象学关系，Ar的值减少10。对于没有气象学关系可以检查的气象要素(如极大风速、瞬时风速），Ar初始值均赋值为0。其中，st 是待检验站点编号，elem是气象要素，t是观测(或发报)的时间。

[0040] 3、从待质量控制检验的报文中选择任意一个站点（不妨定义为站点I)，以其经炜度为圆心，正北方向为0度，等角度划分八个象限，依次查找每个象限内距离站点I最近的若干个自动站，查找半径初始为10公里，如果某象限内可查找到的站点数小于3个，半径逐次增加10公里，最大不超过110公里，形成一个数据集DS(st,qua,stx,dist)，其中，qua是象限编号，stx是相邻站点编号，dist是stx距离st (即站点I)的距离。

[0041] 4、计算DS中每个站点各个气象要素在自报文观测（或发报)时间起过去的10分钟内、半小时内、1小时内、3小时内、6小时内、12小时内和24小时内的变化差值Dif (st，stx， elem, t,dt)，其中，dt是上述指时间间隔（分别为10分钟、半小时......24小时）。以过去10分钟温度的变化差值为例，其计算过程为:查找当前待检验报文10分钟前的报文（自动站观测报文的发报时间间隔为5分钟），用当前待检验站点的温度减去10分钟前报文中同一站点的温度，结果即为过去10分钟温度的变化差值Dif。随机选择当前样本数据中5个站点，分析各个时间间隔的温度变化特征如图3所示。从该图可以看出，这5个站点的温度变化率各自都在合理的范围内，但同样在过去3小时和12小时，有的站点温度上升，而有的站点温度下降。如果这些站点的地理位置比较接近，那么编号为52106的站点温度就存在可疑。正确与否，还需要按下述步骤进一步分析。

[0042] 5、以象限作为分组单位，使用插值算法计算步骤4)中各个变化差值Dif (st，stx, elem，t，dt)距离站点I的插值IP(st，qua，stx，elem，t，dt)。对于可信度Ar属于可疑(50〈Ar < 90)或错误(ArS 50)的要素值，不参与插值计算。本步骤采用的插值算法公式为：

[0043]

[0044] 上式中，η是数据集DS中某一象限Qua内站点的数量;dist是Qua中某一站点（不妨定义为Γ)与站点I之间的距离;Avg_dist是Qua中所有站点到站点I的距离的算术平均值； Dif的含义与步骤4所述一致;Avg_dist'是以站点Γ为基准（以站点Γ为圆心，10公里为半径，搜索该范围内所有的站点，如果搜索到的站点数量小于3个，将半径逐次增加10公里，最大不超过110公里），该范围内所有站点到Γ的距离的算法平均值。同理，Dif '是以站点Γ为基准，对其搜索范围内各个站点的Dif进行插值计算得出的结果，该插值公式为：

[0045]

[0046] 上式中，m是以站点Γ为基准，其搜索范围内站点的数量;dist'是此范围内某一站点与站点Γ之间的距离;Dif"是此范围内某一站点自身的Dif与站点Γ的Dif的差值;Avg_ dist'的含义同上段所述。

[0047] 由于有8个象限，因此，所计算出的8个IP分别对应8个象限。

[0048] 6、计算站点I各个气象要素的Dif (st，elem，t，dt)与各个象限内相同要素、相同时间间隔情况下的IP(St，qua，stx，elem，t，dt)的差值CK(I，qua，elem，t，dt)。由于站点I为待检验的站点，因此，此时Dif中的qua为NULL(空），而IP中的qua依次取值为1到8。

[0049] 7、分析站点I中各个气象要素在各个象限的CK值与安全阈值STV的关系（STV视不同要素、不同区域和不同季节，其阈值各有所不同）：

[0050] (1)如果CK〈STV的象限数量2 7(上文已述，一共8个象限），则判定站点I当前要素的质量可信；

[0051 ] (2)如果CK 2 STV的象限数量2 6,则判定站点I当前要素的质量异常；

[0052] (3)以上两种情况外，进一步分析CK 2 STV的各象限中站点的地理位置特征：统计 DS的8个象限中，CK 2 STV的象限中的站点，有多少站点存在于站点集SDS中（上述"存在于" 的判定依据是，CK 2 STV的象限中的各个站点的站点编号是否包含于站点集SDS中），如果两者的交集X为X 2 60 %，则判定站点I当前要素的质量可信，如果两者的交集X为35 % <X〈 60%，则判定站点I当前要素的质量可疑，否则，则判定为质量异常。

[0053]举例来说，不妨假设站点I的露点温度气象要素在其2、3、4、5象限都满足CK〈STV，而在1、6、7、8象限都满足CK2STV，此时符合上述"以上两种情况外"的情况，然后分析1、6、 7、8象限中各有多少个站点存在于站点集SDS中，亦即1、6、7、8象限中，有多少个站点位于强天气发生的地理区域。假设DS的1、6、7、8各象限中站点的数量分别为NI，N2，N3，N4，且1、6、 7、8各象限中的站点又存在于站点集SDS的站点数量分别为ml，m2，m3，m4,那么，上述交集X 的计算方法即为：X = (ml +m2+m3+m4) /(NI +N2+N3+N4) X 100 %。

[0054] 8、将已判定为质量可疑的气象要素的可信度Ar的值减少20;将已判定为质量异常的气象要素的可信度Ar的值赋为0,不再参与此后步骤的计算；

[0055] 9、根据上述步骤，完成站点I中所有气象要素的检验后，返回步骤3)继续分析下一个站点。直到所有站点完成上述流程。

[0056] 10、此时，所有站点所有要素的可信度Ar(St，elem，t)都得到一次全新的评估(第一次评估是在步骤2)中）。在些基础上，再从第一个站点开始，重复步骤3)至步骤9)，直到所有站点完成该流程。

[0057] 11、由些求得的Ar(st，elem，t)集合即为各站点、各气象要素的质量控制标识码。

[0058] 使用相同的样本数据进行上述步骤的质量控制检验和订正，同样使用NCL软件绘制出的全国温度分布图如图4所示。可以看出，吉林省偏西的高温区域得到了有效判定和订正。由于NCL绘制这类离散站点的图形时，本身必须使用一定的插值算法，从而必然平滑掉了一些相对孤立的，且传统质量控制方法没有检验出的异常温度数据，因此，使得图2和图4 除了东北地区外，其他部分直观上看比较相似。

[0059] 参考文献：

[0060] [ 1 ]王伯民.基本气象资料质量控制综合判别法的研究[J].应用气象学报，2004， 15(Ζ1):50-59·

[0061 ] [2]刘小宁，任芝花.地面气象资料质量控制方法研究概述[J].气象科技，2005，33 (3):199-203.

[0062] [3]王海军，杨志彪，杨代才等.自动气象站实时资料自动质量控制方法及其应用

[J]·气象，33(10):102-109.

[0063] [4]肖笑.静止气象卫星资料的强对流云团的识别与预报研究[D].南京:南京信息工程大学，2013.

[0064] [5]覃丹宇，方宗义.利用静止气象卫星监测初生对流的研究进展[J].气象，2014， 40(1):7-16

[0065] [6]王兴，苗春生，江燕如等.台站温度质量控制中IDW算法改进及应用[J].气象科技，2014,42(4):605-611。

Claims

1. 一种基于强天气过程校正的自动气象站数据质量控制方法，该方法包括如下步骤： 1) 加载一份待检验自动站观测报文，检索与该自动站观测报文同一时刻或时间最相邻的气象卫星资料，识别出该气象卫星资料中的强天气发生的区域，将这些区域的位置与上述报文的区域位置相对应，并记录发生上述强天气的自动站编号，形成站点集SDS; 2) 比较上述待检验的报文中每个站点所报告的各个气象要素之间的气象学关系:依此标识各个要素的可信度4^#，61_，〇44勺取值范围为[0，100]，初始值为100，每违背一种气象学关系，Ar的值减少10;其中，st是待检验站点编号，elem是气象要素，t是观测或发报的时间； 3) 从待检验报文中任选一个站点I，以其经炜度为圆心，正北方向为0度，顺时间方向将 360度等角度划分八个象限，依次查找每个象限内距离站点I最近的若干个自动站，形成一个数据集DS(st ,qua，stx，dist)，其中，qua是象限编号，stx是相邻站点编号，dist是stx距离st(即站点I)的距离； 4) 计算数据集05(^，(1皿，^^虹^)中每个站点各个气象要素自报文观测(或发报)时间起的过去10分钟内、半小时内、1小时内、3小时内、6小时内、12小时内和24小时内的变化差值Dif (st，stx，elem，t，dt)，其中，dt是指上述时间间隔； 5) 以象限作为分组单位，使用插值算法计算步骤4)中各个变化差值Dif (st，stx，elem, t ,dt)距离站点I的插值IP(st ,qua，stx，elem,t ,dt);对于可信度Ar属于可疑范围50〈Ar < 90或错误范围Ar < 50的要素值，不参与插值计算； 6) 计算站点I各个气象要素的Dif (st，stx, elem，t，dt)与各个象限内相同要素、相同时间间隔情况下的1卩（81：，9皿，8七叉，616111，1：，(11：)的差值0((1，9皿，616111，1：，(11：) ; 7) 分析站点I中各个气象要素在各个象限的CK值与安全阈值STV的关系，STV视不同要素、不同区域和不同季节，其阈值各有所不同：如果CK〈STV的象限数量2 7,则判定站点I当前要素的质量可信;如果CK 2 STV的象限数量2 6,则判定站点I当前要素的质量异常；以上两种情况外，再分析数据集DS各站点中当前要素 CK超出STV的所有象限的地理区域中，有多少站点存在于站点集SDS中，如果两者的交集X为X 2 60 %，则判定站点I当前要素的质量可信，如果两者的交集X为35% <X〈60%，则判定站点I当前要素的质量可疑，否则，则判定为质量异常； 8) 将已判定为质量可疑的气象要素的可信度Ar的值减少20;将已判定为质量异常的气象要素的可信度Ar的值赋为0，不再参与此后步骤的计算； 9) 根据上述步骤8)，完成站点I中所有气象要素的检验后，返回步骤3)继续分析下一个站点，直到待检验的报文AWSFi Ie中所有站点完成上述步骤1)-步骤8)流程； 10) 此时，待检验的报文AWSFi Ie中所有站点所有要素的可信度Ar (st，eIem，t)都得到一次全新的评估(第一次评估是在步骤2)中）；在此基础上，再从第一个站点开始，重复步骤 3)至步骤9)，直到所有站点完成该流程，完成再一次评估； 11) 由此求得的可信度Ar(St，elem，t)集合即为各站点、各气象要素的质量控制标识码。

2. 根据权利要求1所述质量控制方法，其中步骤1中，所述强天气包括:强对流天气、区域强降水过程或冷、暖锋面云系。

3. 根据权利要求1所述质量控制方法，其中步骤2中，所述各个气象要素之间的气象学关系包括:露点温度与水汽压的关系，静止风时的风向与风速的关系，降水量与蒸发量的关系，逐分钟降水量与小时累计降水量的关系。

4. 根据权利要求1所述质量控制方法，其中步骤3中，所述依次查找每个象限内距离站点I最近的若干个自动站，查找过程如:查找半径初始为10公里，如果某象限内可查找到的站点数小于3个，半径逐次增加10公里，最大不超过110公里。

5. 根据权利要求1所述质量控制方法，其中步骤6时，对于海拔高度敏感的气象要素，利用探空观测资料和大气热力学方程对温度进行修订，使所有参与本次计算的站点温度订正到同一高度层再进行插值计算。

6. 根据权利要求5所述质量控制方法，其中所述对于海拔高度敏感的气象要素为温度数据。