发明内容
本发明目的在于克服以上现有技术之不足,提供一种基于自适应敏感因子的扰动方法,具体有以下技术方案实现:
所述基于自适应敏感因子的扰动方法,包括如下步骤:
(I)采集气象资料:下载最近10年的NCEP再分析资料作为样本数据,分别计算得到的每个时次文件上每个格点的指数信息,所述指数信息分别为:垂直风切变、对流有效位能、螺旋度、沙氏指数、Jefferson index;
(II)构建数据库:根据最近10年的气象灾害年鉴,将气象灾害按暴雨、冰雹、大风以及龙卷进行分类,将这四种类型的天气发生的时间、经纬度以及对应的所述指数信息存进所述数据库;
(Ⅲ)按天气类型进行统计:根据数据库中的数据分别给出样本中各指数信息对应的值域作为判定此类灾害性天气将会发生的样本区间;
(Ⅳ)选取敏感扰动变量:求得所有时次各个格点上各指数信息的平均值,并计算所有灾害性天气发生时各指数信息偏离平均值的距平百分率,根据天气类型比较各指数信息的距平百分率,取偏离平均值最显著的变量为对应天气类型下的敏感扰动变量;
(Ⅴ)扰动:使用变分的方法对风场和温度场进行扰动实现各指数信息的诊断量在初始场中的扰动。
所述的基于自适应敏感因子的扰动方法的进一步设计在于,所述步骤(I)中依据公式(1)计算每个时次文件上每个格点的垂直风切变:
其中Shr是最后的风切变值,ρ是空气密度(可用P=ρRT气象气体状态方程求出,其中P和T在(I.1)步下载的资料中有,注意T是绝对温度,不是位温),|V(z)|是高度z上的风速,Z是公式积分的最大高度,通常在3km。
所述的基于自适应敏感因子的扰动方法的进一步设计在于,所述步骤(I)中依据公式(2)计算每个时次文件上每个格点的对流有效位能:
其中CAPE是最后的对流有效位能的数值,PLFC是自由对流高度的顶部,PEL是低层对流抑制区的顶部,Rd是干空气的常数~287,Tvp是气块的虚温,Tve是环境虚温,PEL为空气块上升过程中气块温度达到环境温度时的海拔高度的气压值,PLFC为自PEL对应的海拔高度直到模式层顶的区间内气块温度小于环境温度时的海拔高度的气压值。
所述的基于自适应敏感因子的扰动方法的进一步设计在于,所述步骤(I)中依据公式(3)计算每个时次文件上的每个格点的螺旋度,
其中H是螺旋度的值,h是计算螺旋度的最大高度,Ph是所述高度上的气压,P0是地面气压,Vg是这一层的地转风,P是气压层的气压值,▽p是p坐标下的水平梯度,T是绝对温度,R表示理想气体常数,数值约为287,f是科氏参数。
所述的基于自适应敏感因子的扰动方法的进一步设计在于,所述步骤(I)中依据公式(4)计算每个时次文件上的每个格点的沙氏指数,
SI=T500-TL (4)
其中T500是500hPa的实际温度,TL是气块从自由对流高度开始沿湿绝热线抬升到500hPa对应海拔高度的温度。
所述的基于自适应敏感因子的扰动方法的进一步设计在于,所述步骤(I)中依据公式(5)计算每个时次文件上的每个格点的Jefferson index,
其中是850hPa上的湿球位温,Td是露点温度,T500是500hPa的实际温度,T700是700hPa的实际温度,Td700表示700hPa的露点温度。
所述的基于自适应敏感因子的扰动方法的进一步设计在于,所述步骤(Ⅲ)中的值域取去样本中各指数信息15分位与85分位的值之间70%的样本取值区间。
所述的基于自适应敏感因子的扰动方法的进一步设计在于,所述步骤(Ⅳ)中各指数信息的距平百分率的计算公式,如式(6)
距平百分率=(每个灾害性天气发生时的指数信息-该指数信息的平均)/该指数信息的平均 (6)。
所述的基于自适应敏感因子的扰动方法的进一步设计在于,所述步骤(Ⅳ)中若某种天气类型对所有诊断量的距平百分率相差都在10%以内,则优先对对流有效位能和垂直风切变两个指数信息进行扰动。
所述的基于自适应敏感因子的扰动方法的进一步设计在于,所述步骤(Ⅴ)中的扰动方法包括:
a)随机扰动将要发生的天气类型的区域内所有点对应的所述敏感扰动变量,扰动大小不超过所述值域,同时扰动以初始场上计算得到的诊断量的数值为中心,扰动的百分率在正负20%以内,并计算区域内扰动的均方根误差R。
b)根据式(7)在水平方向上的每一个格点使用变分方法
J(x)=[H(x)-yo]TR-1[H(x)-yo] (7)
其中J是代价函数,x表示(1)~(5)中右侧的模式变量,H是(1)~(5)的公式,H(x)对各指数信息的计算,yo表示扰动后的诊断量,
c)通过求满足J(x)极小值的x来实现各指数信息的诊断量在初始场中的扰动。
本发明的优点如下:
通过上述方法,即使用变分的方法对风场和温度场进行扰动,则可以使扰动的物理意义更为明确,结果也更容易预料。同时,由于量级不大,波长也很短,随机扰动在模式中也很容易被平滑掉,很容易就被模式中的耗散项给滤除。相反,对诊断变量的扰动则不存在这种问题。
自适应选择敏感扰动变量因为每种判据的标准不一样,适用范围不完全重合。因此核心是综合各种判据,估计未来可能发生的对流的情形,并据此选择在这一情形下较为敏感的模式变量或其诊断量进行扰动,以合理有据有效地构造初始集合成员。
自适应选择敏感扰动变量相比于传统的依赖单一判据或者需要手工选择扰动变量的方法的优势在于能够综合不同判据的信息,发现处在不同判据适用范围重合区的强对流天气的类型,并能够根据这一类型,自动客观地选择最合适的扰动变量。
具体实施方式
下面对本发明方案进行详细说明。
本实施例提供的基于自适应敏感因子的扰动方法具体包括如下步骤:
(I)采集最近10年的资料
(I.1)下载NCEP再分析资料,资料可以从rda.ucar.edu或者http://nomads.ncdc.noaa.gov/下载。一共下载10年的数据,一日4次,每6小时一次,完整的气象场,即网站上所有关于变量的选项上都选“all”。RDA网站上的资料编号:ds083.2,即下载这种类型的资料的最近10年的数据。http://nomads.ncdc.noaa.gov/的数据类型为GFS-FNL,进入(http://nomads.ncdc.noaa.gov/data.php?name=access#hires_weather_datasets)后在页面内搜索可以找到,下载时点击(Plot|FTP4u 003)可进入下载选择,同样选取最近10年的数据,气象变量选all,高度层数选all。整个资料下载完成后,应该有10*365*4=14600个数据(中间有闰年的略有不同)。
(I.2)计算每个时次文件上每个格点的垂直风切变。依据公式:
其中Shr是最后的风切变值,ρ是空气密度(可用P=ρRT气象气体状态方程求出,其中P和T在(I.1)步下载的资料中有,注意T是绝对温度,不是位温),|V(z)|是高度z上的风速,Z是公式积分的最大高度,通常在3km。
(I.3)计算每个时次文件上每个格点的对流有效位能(CAPE),依据公式:
其中CAPE是最后的对流有效位能的数值,PLFC是自由对流高度的顶部,PEL是低层对流抑制区的顶部。首先确定PEL,即空气块上升过程中(如果地面没有水汽饱和则先按干绝热上升,达到凝结高度后再按湿绝热上升;如果地面已经饱和就按湿绝热上升)气块温度从小于环境温度(即I.1步资料中T的值)变成大于环境温度的那个高度的气压值。然后确定PLFC,即气块温度从PEL以湿绝热变化,如果从某一层开始直到模式层顶气块温度(以湿绝热变化的温度)一致小于环境温度,则该层为PLFC。Rd是干空气的常数~287,Tvp是气块的虚温,Tve是环境虚温。
(I.4)计算每个时次文件上每个格点的螺旋度,计算公式依据
其中H是螺旋度的值,h是计算螺旋度的最大高度,Ph是这一高度上的气压,P0是地面气压,在某一层上(气压层),Vg是这一层的地转风,P是气压层的气压值,▽p是p坐标下的水平梯度,T是绝对温度。
(I.5)计算每个时次文件上每个格点的沙氏指数,计算公式依据
SI=T500-TL
其中T500是500hPa的实际温度,TL是气块从自由对流高度开始沿湿绝热线抬升到500hPa的温度。
(I.6)计算每个时次文件上每个格点的Jefferson index,计算公式依据
其中是850hPa上的湿球位温,Td是露点温度,三位数的数值下标表示数值对应的气压层,单位hPa。
(I.7)根据最近10年的中国气象灾害年鉴,将气象灾害按暴雨、冰雹、大风以及龙卷进行分类,将这4种类型的天气发生的时间、经纬度(通过发生地点名称查找经纬度,例如在南京发生的灾害性天气,则这一经纬度为南京所在的经纬度),(I.2)至(I.6)的指数的值信息存进数据库。数据库的样式不限,样板样式为:
Heavyrain.log
文件的内容:19790628,118,31,Shr,CAPE,SI,Jeff
19790628,117,21,Shr,CAPE,SI,Jeff
19790722,118,31,Shr,CAPE,SI,Jeff
Tornado.log
文件的内容:19790628,118,31,Shr,CAPE,SI,Jeff
19790628,117,21,Shr,CAPE,SI,Jeff
19790722,118,31,Shr,CAPE,SI,Jeff
即按灾害性天气的类型设立文件,然后按时间排序内容。
(I.8)按天气类型进行统计,在每种类型的统计中:
a、给出样本中Shr的15分位和85分位的值,即考虑中间70%的样本的Shr的值域
b、给出样本中CAPE的15分位和85分位的值,即考虑中间70%的样本的Shr的值域
c、给出样本中SI的15分位和85分位的值,即考虑中间70%的样本的Shr的值域
d、给出样本中Jeff的15分位和85分位的值,即考虑中间70%的样本的Shr的值域
那么,在未来一年的预报中(例如2015年12月31日),如果某时次(比如2015年12月31日00时)的初始场(GFS-FNL)的某一区域上(例如华东地区或者南京市)的Shr,CAPE,SI,Jeff数值都落在以上给出的某种灾害性天气(比如暴雨)的样本区间内(即以上4个变量中没有一个值是不在a-d中给出的值域的),则判定此类灾害性天气将会发生。允许出现所有灾害性天气的条件都被同时满足的情况。此种情况发生时,意味着强的灾害性天气有可能发生。
(I.9)按天气类型进行统计,统计所有时次各个格点上的Shr,CAPE,SI,Jeff的平均值(10年样本全部用上)。并计算各个灾害性天气发生时上述4个变量偏离平均值的距平百分率:
Shr的距平百分率=(每个灾害性天气发生时的Shr-Shr的平均)/Shr的平均
CAPE的距平百分率=(每个灾害性天气发生时的CAPE-CAPE的平均)/CAPE的平均
SI的距平百分率=(每个灾害性天气发生时的SI-SI的平均)/SI的平均
Jeff的距平百分率=(每个灾害性天气发生时的Jeff-Jeff的平均)/Jeff的平均
得到例如
Heavyrain_abnormal.log
文件的内容:19790628,118,31,Shr距平百分率,CAPE距平百分率,SI距平,Jeff距平百分率;
19790628,117,21,Shr距平百分率,CAPE距平百分率,SI距平百分率,Jeff距平百分率
19790722,118,31,Shr距平百分率,CAPE距平百分率,SI距平百分率,Jeff距平百分率
这样的文件。
(I.10)按天气类型进行统计,比较Shr距平百分率,CAPE距平百分率,SI距平百分率,Jeff距平百分率的最大者,取偏离平均值最显著的变量为敏感变量,后面将根据这一变量进行扰动。若某种天气类型对所有诊断量的敏感程度相当,则优先对CAPE和Shr进行扰动。
(I.11):根据(I.8)确定的天气类型选取(I.10)统计得到的敏感变量。
(II)扰动方法:
(II.1)随机扰动将要发生(I.8)确定的天气类型的区域内所有点的上根据(I.10)统计得到的敏感变量,扰动大小不超过(I.8)确定的值域,同时扰动以初始场上计算得到的诊断量的数值为中心,扰动的百分率在正负20%以内。并计算区域内扰动的均方根误差R。
(II.2)然后在水平方向(即2维场)上的每一个格点使用变分方法
J(x)=[H(x)-yo]TR-1[H(x)-yo]
其中J是代价函数,x表示(I.2)~(I.6)中方程右侧的模式变量,H是(I.2)~(I.6)的公式,H(x)对Shr,CAPE,SI,Jeff的计算。yo表示扰动后的诊断量(即对Shr,CAPE,SI,Jeff扰动后得到的数值)。通过求满足J(x)极小值的x来实现上述4种诊断量在初始场中的扰动。边界条件是模式最底层的数值是不变的。这样就不是纯粹随机的对模式变量进行扰动。
进行以上扰动方式的理由:上述Shr,CAPE,SI,Jeff均不是模式变量,模式在积分中也不会直接积分这些变量,而是直接积分风场和温度,因此只能通过调整风场和温度来间接实现对这些变量的调整。
单纯随机的扰动模式的风场和温度场也能改变Shr,CAPE,SI,Jeff的数值,但是这种改变是非常随机的,没有太多的物理意义,而且扰动的量级完全不可控制,而通过上述方法,即使用变分的方法对风场和温度场进行扰动,则可以使扰动的物理意义更为明确,结果也更容易预料。同时,随机扰动在模式中也很容易被平滑掉,因为一是量级不大,二是波长很短,很容易就被模式中的耗散项给滤除。而对诊断变量的扰动则不存在这种问题。
(I.13)若未来某次进行集合预报前发现在这一此时的初始场中计算出的诊断量(Shr,CAPE,SI,Jeff)都不符合(I.8)所设定的天气类型需要满足的条件,则仅使用常规的随机扰动。
自适应选择敏感扰动变量因为每种判据的标准不一样,适用范围不完全重合。因此核心是综合各种判据,估计未来可能发生的对流的情形,并据此选择在这一情形下较为敏感的模式变量或其诊断量进行扰动,以合理有据有效地构造初始集合成员。
自适应选择敏感扰动变量相比于传统的依赖单一判据或者需要手工选择扰动变量的方法的优势在于能够综合不同判据的信息,发现处在不同判据适用范围重合区的强对流天气的类型,并能够根据这一类型,自动客观地选择最合适的扰动变量。