CN105182450B - 一种强对流天气短时预警系统 - Google Patents
一种强对流天气短时预警系统 Download PDFInfo
- Publication number
- CN105182450B CN105182450B CN201510666698.5A CN201510666698A CN105182450B CN 105182450 B CN105182450 B CN 105182450B CN 201510666698 A CN201510666698 A CN 201510666698A CN 105182450 B CN105182450 B CN 105182450B
- Authority
- CN
- China
- Prior art keywords
- weather
- strong
- data
- warning
- forecasting
- 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.)
- Expired - Fee Related
Links
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000003908 quality control method Methods 0.000 claims abstract description 12
- 238000004806 packaging method and process Methods 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 7
- 230000001550 time effect Effects 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 22
- 238000003745 diagnosis Methods 0.000 claims description 19
- 239000000463 material Substances 0.000 claims description 11
- 238000001556 precipitation Methods 0.000 claims description 11
- 230000004069 differentiation Effects 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000007726 management method Methods 0.000 claims description 8
- 238000010438 heat treatment Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 241001269238 Data Species 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000013277 forecasting method Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000005381 potential energy Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000000844 transformation Methods 0.000 claims description 4
- 201000004569 Blindness Diseases 0.000 claims description 3
- 208000027418 Wounds and injury Diseases 0.000 claims description 3
- 230000002547 anomalous effect Effects 0.000 claims description 3
- 238000003556 assay Methods 0.000 claims description 3
- WWVKQTNONPWVEL-UHFFFAOYSA-N caffeic acid phenethyl ester Natural products C1=C(O)C(O)=CC=C1C=CC(=O)OCC1=CC=CC=C1 WWVKQTNONPWVEL-UHFFFAOYSA-N 0.000 claims description 3
- 230000006378 damage Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 238000004836 empirical method Methods 0.000 claims description 3
- 230000004907 flux Effects 0.000 claims description 3
- 208000014674 injury Diseases 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- SWUARLUWKZWEBQ-UHFFFAOYSA-N phenylethyl ester of caffeic acid Natural products C1=C(O)C(O)=CC=C1C=CC(=O)OCCC1=CC=CC=C1 SWUARLUWKZWEBQ-UHFFFAOYSA-N 0.000 claims description 3
- 238000013439 planning Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 238000007794 visualization technique Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000009833 condensation Methods 0.000 claims description 2
- 230000005494 condensation Effects 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000007935 neutral effect Effects 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims description 2
- 230000003068 static effect Effects 0.000 claims description 2
- 238000013517 stratification Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 claims 1
- 230000000644 propagated effect Effects 0.000 claims 1
- 238000004088 simulation Methods 0.000 claims 1
- 238000013459 approach Methods 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
Classifications
-
- 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
Abstract
本发明公开了一种强对流天气短时预警系统，包括：业务管理模块，实现交接班登记、系统日志、预报评分、业务流程；资料预处理模块，实时资料收集、资料质量控制、资料预处理以及强对流天气诊断；短临预报预警模块，实现天气背景及个例库、强对流监测分析、强对流潜势预报、强对流短临预报、预报预警产品制作；产品分发模块，实现产品包装、预警信息插播、短信/声讯服务、传真/电子邮件。本发明构建基础信息，对近年来西藏地区强对流发生因子统计；对西藏地区强对流天气的大尺度条件进行研究，划定不同地区不同的环流型；采用合成分析方法合成环境场特征，建立预警模型，对西藏地区的强对流天气具有较高的预报准确率和较长的预报时效。
Description
技术领域
本发明属于气候监测领域，尤其涉及一种强对流天气短时预警系统。
背景技术
强对流天气是大气对流活动强烈发展而产生的灾害性天气。由于它常具有突发性，其预报时效短，准确率低，通常采用临近预报方法。国内外气象学者对强对流天气预报方法的研究已有很多工作。但是目前还没有针对西藏地区的强对流天气短时预警系统。
发明内容
本发明的目的在于提供一种强对流天气短时预警系统，旨在针对西藏地区的地貌和气候特征做出准确及时的强对流预警。
本发明是这样实现的，一种强对流天气短时预警系统，所述强对流天气短时预警系统包括：
业务管理模块，用于实现交接班登记、系统日志、预报评分、业务流程；
资料预处理模块，用于实时资料收集、资料质量控制、资料预处理以及强对流天气诊断；
短临预报预警模块，用于实现天气背景及个例库、强对流监测分析、强对流潜势预报、强对流短临预报、预报预警产品制作；
产品分发模块，用于实现产品包装、预警信息插播、短信/声讯服务、传真/电子邮件。
进一步，所述业务管理模块进一步包括：
交接班登记单元，用于提供预报员登录界面，以用户名/密码方式进行值班登记，并记录其登录时间；提供录入窗口，完成值班情况记录；能方便查阅值班情况记录；
系统日志单元，用于自动记录系统运行情况，包括网络连接情况、资料自动收集过程中有无缺测；根据预先设定的时间和事件，通过信息窗口、警报声等方式自动进行信息提示；
预报评分单元，用于对不同类型强对流天气潜势预报和短临预报进行TS评分系统；评估和检验结果能进行查询并以图文方式显示；
业务流程说明单元，用于将短临预报预警的制作流程、重要事项、应用事件处理方法以及系统操作说明以图文方式供值班人员随时查看。
进一步，所述资料预处理模块进一步包括：
实时资料收集单元，通过指定的路径和参数文件，自动收集多普勒雷达资料、自动站资料、闪电定位资料、卫星资料、数值预报产品资料；并能将资料收集情况自动写入日志，供管理员调阅；如遇网络故障，能通过备份系统或手动完成系统所需资料的收集；
资料质量控制单元，针对自动站资料和多普勒雷达资料进行，自动站资料质量控制是对其观测的温度、湿度、风、气压、降水物理量进行极值检查、空间连续性和时间连续性检查；多普勒雷达资料的质量控制是通过相应的算法和经验方法去除地物杂波、异常传播、旁瓣回波、非气象回波；
资料预处理单元，通过MICAPS来显示的数据，均处理成MICAPS系统通用数据格式，对于不能通过MICAPS系统来显示的数据，转换时也尽量向MICAPS格式靠拢，将各种资料转换为相对统一的数据格式；
强对流天气诊断单元，利用各种数值模式产品以及各种中尺度探测数据分析结果进行强对流天气诊断，热力诊断的物理量包括抬升指数、K指数、对流有效位能CAPE、抬升凝结高度LCL、自由对流高度LFC、相当位温垂直廓线、温度平流；动力诊断的物理量包括相对风暴螺旋度、水汽通量散度、地面位温、地面比湿、散度、涡度、涡度平流、垂直速度等参数；根据热力和动力诊断结果，划分不同的区域分别建立不同类型强对流天气的诊断指标，为预报预警提供必要的依据。
进一步，所述短临预报预警模块进一步包括：
天气背景及个例库，根据不同类型的历史强对流个例资料，综合分析强对流天气过程的强度、范围、路径、危害程度和各种天气要素信息，综合判断其成因，建立强对流灾害个例数据库；能对强对流天气的实况资料进行判别，自动或人工方式提取强对流天气实况资料并能自动入库；合理规划强对流灾害个例数据库的库表结构，将数据库查询和维护等集成于系统内；
强对流监测分析单元，综合利用卫星、天气雷达和地面加密自动观测信息等多种观测资料，结合可视化技术和地理信息，建立强对流天气信息动态显示系统，实时监视强对流天气系统的演变，自动进行中尺度天气系统识别。设定多要素监测阈值，当监测到超过阈值的情况发生时，能自动向预报员提示报警；
强对流潜势预报单元，具有预报分析向导、预报模型运行功能，预报分析向导引导预报员按要求依次调用各种天气图表，并进行主观分析，避免分析的盲目性和主观性，预报模型运行是综合运用各种气象资料，获取预报因子，进行图形识别、相似判别、推理判断或经验方程，并通过模式产品解释技术的应用，利用强对流天气诊断分析结果，初步实现对灾害性天气系统的快速识别，获得分区域的强对流天气潜势预报结果；
预报程序单元，通过设置参数定时运行或采取人机交互方式运行，预报结果能自动存放在产品库中，强对流潜势预报结果每天生成一次，时效为0-24小时；
强对流短临预报单元，具有预报分析向导、客观预报方法功能，同强对流潜势预报类似，预报分析向导引导预报员按要求依次调用各种天气图表，并进行主观分析，利用资料收集及预处理模块中收集和预处理的资料，获取预报因子，进行图形识别、相识判别、推理判断或代入预报方程，得出分区域的强对流天气发生的地区和强度预报。
进一步，所述产品分发模块进一步包括：
产品包装单元，针对不同类型客户群和不同服务对象，制作各类短临预报预警产品模板库，以模板库为基础，编程时采用自动文本替换、图形插入等技术，完成短临预报预警产品的包装；
预警信息插播单元，对于要及时播出的短临预警信息，按声像制作的要求，生成所需的短临预报预警信息，并自动发送到声像中心指定服务器上；
短信/声讯服务单元，通过对短信系统和声讯系统数据接口进行二次开发，完成短临预报预警产品的短信群发以及声讯语音信箱的自动更新；
传真/电子邮件单元，集成或编写电子邮件及传真群发模块，将已包装好的短临预报预警产品，按地址簿进行群发。
本发明的另一目的在于提供一种所述的强对流天气短时预警系统的建立方法，所述建立方法包括：
步骤一，基于39个气象站信息建立了环流及天气系统影响指标，通过对强对流天气个例分析，进行多次循环处理：第一次循环中，计算所有样本间的相似系数，在把最大相似系数的两个样本做合成处理成为初选型；再将其他各样本与初选型分别求相似系数，确定大于阀值的样本归为一类，剩余的样本重新组成候选样本群，重新运行一次，得到第二类分型；这样经过有限次循环，最终就可将原来样本库中所有样本完全分类，根据分类概括出有利于发生强对流天气的几种影响系统，分别是高原低涡、高原切变、高原低槽和孟湾影响；
步骤二，基于卫星遥感信息建立了对流云影响路径、降水估计的云型云量指标，根据暴雨降水频数，给出代表站点的影响路径和云型云量指标；
步骤三，基于雷电信息建立了三维对流云模式预报预警指标，建立的对流云动力学模式采用非静力可压缩的完全弹性方程组作为基本动力学框架并采用交错网格、时间分裂和质心跟踪求解方程组，在模式中采用比含量Q和比浓度N粒子浓度谱微物理方案，即预报比含量Q也预报比浓度N；
步骤四，基于数值预报产品建立了不同区域的强对流天气的影响指标，并通过环流型、环境场的变化构建了V-3Theta、神经网络、主成分分析、逐步判别、波能传播、物理量诊断的预警模型。
进一步，所述预警模型建立的具体方法：
第一步，V-3Theta模型利用那曲、林芝和定日站的强对流天气V-3Theta图，V-3Theta中的3Theta指的是θ-位温、θse-假相当位温、θ*-假定为饱和状态下的计算值，分析其结构来预测天气的结构预测方法，根据大气中压、温、湿、风的垂直分布，判断大气滚流对天气演变的影响来预报天气转折性变化，可用于建立强对流天气预警模型；
第二步，神经网络模型选取雅江流域12个站点有降水发生各日的降水量资料以及所对应的08时气压、08时温度、08时湿度、08时水汽压、6小时变温02时-08时、6小时变压02时-08时常规气象观测资料作为学习样本，建立预报模型；
第三步，对每一个站点选取了02、08、14、20时，这四个时次的气压、温度、湿度为主要因子，共计12个，运用SPSS软件对数据进行了主成分分析，得到了各指标的特征值、各主成分的方差贡献率，可用于建立强对流天气预警模型；
第四步，在已知判别的类型和数量，并已经取得各种类型的一批已知样本的情况下，根据各变量在分类判别式中作用的大小进行排序，并逐步地选入判别式中，直到既无变量选入又无变量剔除为止，最后计算出相应的判别函数和评价对象从属各类的概率值，实现判别分类；利用08时气压、08时气温、08时相对湿度、08时水汽压、6小时变压和6小时变温建立判别方程，并通过了回代检验，用于建立强对流天气预警模型；
第五步，利用MICAPS中大气温湿类如总指数TT和A指数，层结稳定度类对流不稳定指数ICC、干暖盖指数Ls，动力类，热力动力综合类如风暴相对螺旋度SRH，能量指数类如对流有效位能，分析研究强对流天气过程发生前、发生时、发生后的各种物理指标的变化特征，研究其临界值的大小与强对流之间的联系，建立强对流天气预警模型。
效果汇总
本发明，以西藏近几年来的强对流发生因子和当地地形地貌为依据构件基础信息，然后进行环流分型和合成环境场特征，对西藏地区的强对流天气具有较高的预报准确率和较长的预报时效。
附图说明
图1是本发明实施例提供的强对流天气短时预警系统结构示意图；
图中：1、业务管理模块；2、资料预处理模块；3、短临预报预警模块；4、产品分发模块。
图2是本发明实施例提供的强对流天气短时预警系统的建立方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的说明。
如图1所示，本发明实施例的强对流天气短时预警系统主要包括：业务管理模块1、资料预处理模块2、短临预报预警模块3、产品分发模块4。
业务管理模块1，业务管理模块由交接班登记、系统日志、预报评分、业务流程说明四个子模块组成。(1)交接班登记提供预报员登录界面，以用户名/密码方式进行值班登记，并记录其登录时间；提供录入窗口，完成值班情况记录；能方便查阅值班情况记录。(2)系统日志自动记录系统运行情况，包括网络连接情况、资料自动收集过程中有无缺测等；根据预先设定的时间和事件，通过信息窗口、警报声等方式自动进行信息提示。(3)预报评分能对不同类型强对流天气潜势预报和短临预报进行TS评分系统；评估和检验结果能进行查询并以图文方式显示。(4)业务流程说明将短临预报预警的制作流程、重要事项、应用事件处理方法以及系统操作说明等以图文方式供值班人员随时查看。
资料预处理模块2，资料预处理模块由实时资料收集、资料质量控制、资料预处理以及强对流天气诊断四个子模块组成。(1)实时资料收集通过指定的路径和参数文件，自动收集多普勒雷达资料、自动站资料、闪电定位资料、卫星资料、数值预报产品资料；并能将资料收集情况自动写入日志，供管理员调阅；如遇网络故障，能通过备份系统或手动完成系统所需资料的收集。(2)资料质量控制主要是针对自动站资料和多普勒雷达资料进行。自动站资料质量控制是对其观测的温度、湿度、风、气压、降水等物理量进行极值检查、空间连续性和时间连续性检查等；多普勒雷达资料的质量控制是通过相应的算法和经验方法去除地物杂波、异常传播、旁瓣回波、非气象回波等。(3)资料预处理考虑到MICAPS系统是预报员通用工作平台，预报员不仅熟悉其使用方法、也熟悉其数据格式，因此凡是能够通过MICAPS来显示的数据，均处理成MICAPS系统通用数据格式。对于不能通过MICAPS系统来显示的数据，转换时也尽量向MICAPS格式靠拢。将各种资料转换为相对统一的数据格式，可以极大的方便后期进一步开发和维护。(4)强对流天气诊断利用各种数值模式产品以及各种中尺度探测数据分析结果进行强对流天气诊断，热力诊断的物理量包括抬升指数、K指数、对流有效位能CAPE、抬升凝结高度LCL、自由对流高度LFC、相当位温垂直廓线、温度平流等。动力诊断的物理量包括相对风暴螺旋度、水汽通量散度、地面位温、地面比湿、散度、涡度、涡度平流、垂直速度等参数。根据热力和动力诊断结果，划分不同的区域分别建立不同类型强对流天气的诊断指标，为预报预警提供必要的依据。
短临预报预警模块3，由天气背景及个例库、强对流监测分析、强对流潜势预报、强对流短临预报、预报预警产品制作五个子模块组成。(1)天气背景及个例库a)根据不同类型的历史强对流个例资料，综合分析强对流天气过程的强度、范围、路径、危害程度和各种天气要素等信息，综合判断其成因，建立强对流灾害个例数据库。b)能对强对流天气的实况资料进行判别，自动或人工方式提取强对流天气实况资料并能自动入库。c)合理规划强对流灾害个例数据库的库表结构，将数据库查询和维护等集成于系统内，能实现数据库的自动更新和维护，同时也方便预报员的查询使用。(2)强对流监测分析综合利用卫星、天气雷达和地面加密自动观测信息等多种观测资料，结合可视化技术和地理信息，建立强对流天气信息动态显示系统。实时监视强对流天气系统的演变，自动进行中尺度天气系统识别。设定多要素监测阈值，当监测到超过阈值的情况发生时，能自动向预报员提示报警。(3)强对流潜势预报a)具有预报分析向导、预报模型运行功能。预报分析向导引导预报员按要求依次调用各种天气图表，并进行主观分析，避免分析的盲目性和主观性。预报模型运行是综合运用各种气象资料，获取预报因子，进行图形识别、相似判别、推理判断或经验方程，并通过模式产品解释技术的应用，利用强对流天气诊断分析结果，初步实现对灾害性天气系统的快速识别，获得分区域的强对流天气潜势预报结果。b)预报程序通过设置参数定时运行，也可采取人机交互方式运行。预报结果能自动存放在产品库中，便于预报员在系统中调用、显示、修改。考虑到目前我区的实际情况，强对流潜势预报结果每天生成一次，时效为0-24小时。(4)强对流短临预报具有预报分析向导、客观预报方法等功能。同强对流潜势预报类似，预报分析向导引导预报员按要求依次调用各种天气图表，并进行主观分析，避免分析的盲目性和主观性。客观预报方法则是利用资料收集及预处理模块中收集和预处理的资料，获取预报因子，进行图形识别、相识判别、推理判断或代入预报方程，得出分区域的强对流天气发生的地区和强度预报。在以上种两种方法的基础上，也综合考虑预报员经验判断、三维云模式应用以及相关指导产品，建立不同类型强对流天气预报预警模型，提供强对流天气预报预警产品。预报程序通过设置参数定时运行，也可采取人机交互方式运行。预报结果存放在本机的预报产品目录中，便于预报员在产品输出子系统中调用、显示、修改。(5)预报预警产品制作将前期生成的强对流潜势预报结果以及强对流短临预报结果分类入库，方便以后的调用和产品的进一步包装。
产品分发模块4，包括产品包装、预警信息插播、短信/声讯服务、传真/电子邮件四个子模块。(1)产品包装针对不同类型客户群和不同服务对象，制作各类短临预报预警产品模板库。以模板库为基础，编程时采用自动文本替换、图形插入等技术，完成短临预报预警产品的包装。(2)预警信息插播对于要及时播出的短临预警信息，按声像制作的要求，生成所需的短临预报预警信息，并自动发送到声像中心指定服务器上。(3)短信/声讯服务通过对短信系统和声讯系统(96121)数据接口进行二次开发，完成短临预报预警产品的短信群发以及声讯语音信箱的自动更新。(4)传真/电子邮件集成或编写电子邮件及传真群发模块，将已包装好的短临预报预警产品，按地址簿进行群发。
图2示出了本发明的强对流天气短时预警系统建立的方法流程，如图所示，本发明是这样实现的，一种强对流天气短时预警系统包括：
基础信息的构建S101；
环流分型S102；
合成环境场特征S103；
建立预警模型S104。
具体步骤如下：
步骤一，基础信息的构建。对近5年来西藏地区强对流发生因子统计，包括龙卷风、冰雹、暴雨、大风；对西藏地区的地貌特征进行统计，包括经纬度、岩石特征、海拔。
步骤二，环流分型。对西藏地区强对流天气的大尺度条件进行研究，划定不同地区不同的环流型。
步骤三，合成环境场特征。从5年的资料中分型随机抽取出现和不出现强对流天气的200次个例，采用合成分析方法，研究出现强天气的形式特征和物理条件，并和不出现强对流天气的合成结果进行比较。
步骤四，建立预警模型。预警模型模型包括预报指标和发生机制；预报指标包括步骤一中统计的西藏地区强对流发生因子，并对强对流发生因子建立定量基准；预报机制包括步骤二的环流分型和步骤三的合成环境场特征，并将两者合成分析。
本发明，以西藏近几年来的强对流发生因子和当地地形地貌为依据构件基础信息，然后进行环流分型和合成环境场特征，对西藏地区的强对流天气具有较高的预报准确率和较长的预报时效。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性的劳动即可做出的各种修改或变形仍在本发明的保护范围之内。
Claims (1)
1.一种强对流天气短时预警系统，其特征在于，所述强对流天气短时预警系统包括：
业务管理模块，用于实现交接班登记、系统日志、预报评分、业务流程；
资料预处理模块，用于实时资料收集、资料质量控制、资料预处理以及强对流天气诊断；
短临预报预警模块，用于实现天气背景及个例库、强对流监测分析、强对流潜势预报、强对流短临预报、预报预警产品制作；
产品分发模块，用于实现产品包装、预警信息插播、短信/声讯服务、传真/电子邮件；
所述业务管理模块进一步包括：
交接班登记单元，用于提供预报员登录界面，以用户名/密码方式进行值班登记，并记录其登录时间；提供录入窗口，完成值班情况记录；能方便查阅值班情况记录；
系统日志单元，用于自动记录系统运行情况，包括网络连接情况、资料自动收集过程中有无缺测；根据预先设定的时间和事件，通过信息窗口、警报声方式自动进行信息提示；
预报评分单元，用于对不同类型强对流天气潜势预报和短临预报进行TS评分系统；评估和检验结果能进行查询并以图文方式显示；
业务流程说明单元，用于将短临预报预警的制作流程、重要事项、应用事件处理方法以及系统操作说明以图文方式供值班人员随时查看；
所述资料预处理模块进一步包括：
实时资料收集单元，通过指定的路径和参数文件，自动收集多普勒雷达资料、自动站资料、闪电定位资料、卫星资料、数值预报产品资料；并能将资料收集情况自动写入日志，供管理员调阅；如遇网络故障，能通过备份系统或手动完成系统所需资料的收集；
资料质量控制单元，针对自动站资料和多普勒雷达资料进行，自动站资料质量控制是对其观测的温度、湿度、风、气压、降水物理量进行极值检查、空间连续性和时间连续性检查；多普勒雷达资料的质量控制是通过相应的算法和经验方法去除地物杂波、异常传播、旁瓣回波、非气象回波；
资料预处理单元，通过MICAPS来显示的数据，均处理成MICAPS系统通用数据格式，对于不能通过MICAPS系统来显示的数据，转换时也尽量向MICAPS格式靠拢，将各种资料转换为相对统一的数据格式；
强对流天气诊断单元，利用各种数值模式产品以及各种中尺度探测数据分析结果进行强对流天气诊断，热力诊断的物理量包括抬升指数、K指数、对流有效位能CAPE、抬升凝结高度LCL、自由对流高度LFC、相当位温垂直廓线、温度平流；动力诊断的物理量包括相对风暴螺旋度、水汽通量散度、地面位温、地面比湿、散度、涡度、涡度平流、垂直速度参数；根据热力和动力诊断结果，划分不同的区域分别建立不同类型强对流天气的诊断指标，为预报预警提供必要的依据；
所述短临预报预警模块进一步包括：
天气背景及个例库，根据不同类型的历史强对流个例资料，综合分析强对流天气过程的强度、范围、路径、危害程度和各种天气要素信息，综合判断其成因，建立强对流灾害个例数据库；能对强对流天气的实况资料进行判别，自动或人工方式提取强对流天气实况资料并能自动入库；合理规划强对流灾害个例数据库的库表结构，将数据库查询和维护集成于系统内；
强对流监测分析单元，综合利用卫星、天气雷达和地面加密自动观测信息多种观测资料，结合可视化技术和地理信息，建立强对流天气信息动态显示系统，实时监视强对流天气系统的演变，自动进行中尺度天气系统识别；设定多要素监测阈值，当监测到超过阈值的情况发生时，能自动向预报员提示报警；
强对流潜势预报单元，具有预报分析向导、预报模型运行功能，预报分析向导引导预报员按要求依次调用各种天气图表，并进行主观分析，避免分析的盲目性和主观性，预报模型运行是综合运用各种气象资料，获取预报因子，进行图形识别、相似判别、推理判断或经验方程，并通过模式产品解释技术的应用，利用强对流天气诊断分析结果，初步实现对灾害性天气系统的快速识别，获得分区域的强对流天气潜势预报结果；
预报程序单元，通过设置参数定时运行或采取人机交互方式运行，预报结果能自动存放在产品库中，强对流潜势预报结果每天生成一次，时效为0-24小时；
强对流短临预报单元，具有预报分析向导、客观预报方法功能，同强对流潜势预报类似，预报分析向导引导预报员按要求依次调用各种天气图表，并进行主观分析，利用资料收集及预处理模块中收集和预处理的资料，获取预报因子，进行图形识别、相识判别、推理判断或代入预报方程，得出分区域的强对流天气发生的地区和强度预报；
所述产品分发模块进一步包括：
产品包装单元，针对不同类型客户群和不同服务对象，制作各类短临预报预警产品模板库，以模板库为基础，编程时采用自动文本替换、图形插入技术，完成短临预报预警产品的包装；
预警信息插播单元，对于要及时播出的短临预警信息，按声像制作的要求，生成所需的短临预报预警信息，并自动发送到声像中心指定服务器上；
短信/声讯服务单元，通过对短信系统和声讯系统数据接口进行二次开发，完成短临预报预警产品的短信群发以及声讯语音信箱的自动更新；
传真/电子邮件单元，集成或编写电子邮件及传真群发模块，将已包装好的短临预报预警产品，按地址簿进行群发；
所述强对流天气短时预警系统建立方法包括：
步骤一，基于39个气象站信息建立了环流及天气系统影响指标，通过对强对流天气个例分析，进行多次循环处理：第一次循环中，计算所有样本间的相似系数，在把最大相似系数的两个样本做合成处理成为初选型；再将其他各样本与初选型分别求相似系数，确定大于阀值的样本归为一类，剩余的样本重新组成候选样本群，重新运行一次，得到第二类分型；这样经过有限次循环，最终就可将原来样本库中所有样本完全分类，根据分类概括出有利于发生强对流天气的几种影响系统，分别是高原低涡、高原切变、高原低槽和孟湾影响；
步骤二，基于卫星遥感信息建立了对流云影响路径、降水估计的云型云量指标，根据暴雨降水频数，给出代表站点的影响路径和云型云量指标；
步骤三，基于雷电信息建立了三维对流云模式预报预警指标，建立的对流云动力学模式采用非静力可压缩的完全弹性方程组作为基本动力学框架并采用交错网格、时间分裂和质心跟踪求解方程组，在模式中采用比含量Q和比浓度N粒子浓度谱微物理方案，即预报比含量Q也预报比浓度N；
步骤四，基于数值预报产品建立了不同区域的强对流天气的影响指标，并通过环流型、环境场的变化构建了V-3Theta、神经网络、主成分分析、逐步判别、波能传播、物理量诊断的预警模型；
所述预警模型建立的具体方法：
第一步，V-3Theta模型利用那曲、林芝和定日站的强对流天气V-3Theta图，V-3Theta中的3Theta指的是θ-位温、θse-假相当位温、θ*-假定为饱和状态下的计算值，分析其结构来预测天气的结构预测方法，根据大气中压、温、湿、风的垂直分布，判断大气滚流对天气演变的影响来预报天气转折性变化，可用于建立强对流天气预警模型；
第二步，神经网络模型选取雅江流域12个站点有降水发生各日的降水量资料以及所对应的08时气压、08时温度、08时湿度、08时水汽压、6小时变温02时-08时、6小时变压02时-08时常规气象观测资料作为学习样本，建立预报模型；
第三步，对每一个站点选取了02、08、14、20时，这四个时次的气压、温度、湿度为主要因子，共计12个，运用SPSS软件对数据进行了主成分分析，得到了各指标的特征值、各主成分的方差贡献率，可用于建立强对流天气预警模型；
第四步，在已知判别的类型和数量，并已经取得各种类型的一批已知样本的情况下，根据各变量在分类判别式中作用的大小进行排序，并逐步地选入判别式中，直到既无变量选入又无变量剔除为止，最后计算出相应的判别函数和评价对象从属各类的概率值，实现判别分类；利用08时气压、08时气温、08时相对湿度、08时水汽压、6小时变压和6小时变温建立判别方程，并通过了回代检验，用于建立强对流天气预警模型；
第五步，利用MICAPS中大气温湿类如总指数TT和A指数，层结稳定度类对流不稳定指数ICC、干暖盖指数Ls，动力类，热力动力综合类如风暴相对螺旋度SRH，能量指数类如对流有效位能，分析研究强对流天气过程发生前、发生时、发生后的各种物理指标的变化特征，研究其临界值的大小与强对流之间的联系，建立强对流天气预警模型；
所述强对流天气短时预警系统以西藏近几年来的强对流发生因子和当地地形地貌为依据构件基础信息，然后进行环流分型和合成环境场特征，对西藏地区的强对流天气具有较高的预报准确率和较长的预报时效。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510666698.5A CN105182450B (zh) | 2015-10-15 | 2015-10-15 | 一种强对流天气短时预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510666698.5A CN105182450B (zh) | 2015-10-15 | 2015-10-15 | 一种强对流天气短时预警系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105182450A CN105182450A (zh) | 2015-12-23 |
| CN105182450B true CN105182450B (zh) | 2018-01-02 |
Family
ID=54904646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510666698.5A Expired - Fee Related CN105182450B (zh) | 2015-10-15 | 2015-10-15 | 一种强对流天气短时预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105182450B (zh) |
Families Citing this family (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105701614A (zh) * | 2016-01-13 | 2016-06-22 | 天津中科智能识别产业技术研究院有限公司 | 一种基于三维地形及建筑模型的应急指挥平台 |
| CN105812851B (zh) * | 2016-03-21 | 2019-04-23 | 深圳市茁壮网络股份有限公司 | 一种插播数据播放方法、装置及系统 |
| CN105871382B (zh) * | 2016-03-29 | 2019-10-18 | 中海油信息科技有限公司 | 一种Micaps第四类格点数据无损压缩算法 |
| KR101876185B1 (ko) * | 2016-08-29 | 2018-07-09 | 한국수력원자력 주식회사 | 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템 |
| CN108572402B (zh) * | 2017-03-14 | 2021-06-08 | 国家气象中心 | 对流天气的预测方法 |
| US11237299B2 (en) * | 2017-05-01 | 2022-02-01 | I.M. Systems Group, Inc. | Self-learning nowcast system for modeling, recording, and predicting convective weather |
| CN107884844A (zh) * | 2017-11-09 | 2018-04-06 | 南京大学 | 一种气象大数据分析预测系统 |
| CN109086916B (zh) * | 2018-07-16 | 2021-04-02 | 国家气象中心 | 一种基于多源观测数据的对流天气临近预报方法及装置 |
| CN108983301B (zh) * | 2018-08-27 | 2019-11-29 | 北京理工大学 | 一种k指数现报方法 |
| CN109270597B (zh) * | 2018-09-06 | 2023-09-22 | 东华大学 | 一种用于强对流天气预警的矿业安防节点 |
| CN109460507A (zh) * | 2018-09-28 | 2019-03-12 | 北京维艾思气象信息科技有限公司 | 气象服务要点信息提示方法及系统 |
| CN109300174A (zh) * | 2018-11-27 | 2019-02-01 | 杨波 | 一种强对流天气预报分析系统 |
| CN109377438A (zh) * | 2018-11-27 | 2019-02-22 | 武汉华信联创技术工程有限公司 | 一种灾害天气临近预警预报业务平台 |
| CN109615236A (zh) * | 2018-12-13 | 2019-04-12 | 深圳市气象局 | 降水预报模式检验评分方法、系统、终端及存储介质 |
| CN110174713B (zh) * | 2018-12-13 | 2021-09-03 | 广东电网有限责任公司 | 一种电力线路强对流天气监测预警方法及装置 |
| CN109799549B (zh) * | 2019-04-01 | 2021-06-04 | 中国气象局沈阳大气环境研究所 | 气态污染物浓度柱转换方法及装置 |
| CN110377656B (zh) * | 2019-06-13 | 2023-04-25 | 中国地质大学深圳研究院 | 一种基于mvc架构的风暴潮淹没预警可视化方法 |
| CN110399542B (zh) * | 2019-07-17 | 2022-08-02 | 合肥善达信息科技有限公司 | 一种天气预报稿件自动生成与播报方法 |
| CN110488298B (zh) * | 2019-08-30 | 2022-11-11 | 成都信息工程大学 | 基于各尺度特征的冰雹预警方法 |
| CN110632681B (zh) * | 2019-09-17 | 2022-05-27 | 国网湖南省电力有限公司 | 基于机器学习的电网午后雷阵雨的短临预警方法及系统 |
| CN111275234A (zh) * | 2019-10-16 | 2020-06-12 | 防城港市气象局 | 一种台风综合信息业务系统 |
| CN110794485A (zh) * | 2019-10-22 | 2020-02-14 | 成都信息工程大学 | 基于集成学习的强对流天气持续时间预报方法 |
| CN110888186A (zh) * | 2019-11-29 | 2020-03-17 | 天津大学 | 基于gbdt+lr模型的冰雹和短时强降水预报方法 |
| CN111783821B (zh) * | 2020-05-19 | 2023-09-12 | 知天(珠海横琴)气象科技有限公司 | 强对流阵风的判别方法及系统 |
| CN111897030A (zh) * | 2020-07-17 | 2020-11-06 | 国网电力科学研究院有限公司 | 一种雷暴预警系统及方法 |
| CN112651463A (zh) * | 2021-01-05 | 2021-04-13 | 天津大学 | 一种高原地区冰雹天气的双预报模型的构建方法 |
| CN112766581B (zh) * | 2021-01-25 | 2023-05-30 | 福建省气象科学研究所 | 一种计算机自动识别预报人工防雹作业潜势的方法 |
| CN113723435B (zh) * | 2021-02-07 | 2024-02-23 | 成都信息工程大学 | 基于温度平流和锋生函数的强对流天气形势分类方法 |
| CN112966863B (zh) * | 2021-02-26 | 2024-01-30 | 兰州中心气象台(兰州干旱生态环境监测预测中心) | 一种用于天气预报的一体化智能网格预报业务系统 |
| CN113075632A (zh) * | 2021-03-15 | 2021-07-06 | 国网河南省电力公司电力科学研究院 | 一种夏季飑线风自动识别和预警方法 |
| CN112949953B (zh) * | 2021-05-14 | 2021-07-16 | 江苏铨铨信息科技有限公司 | 基于pp理论和af模型的暴雨预报方法 |
| CN116243405B (zh) * | 2023-03-15 | 2023-09-22 | 中国民用航空西南地区空中交通管理局 | 一种雷暴预报探空参数快速诊断与显示系统的实现方法 |
| CN117518299B (zh) * | 2024-01-05 | 2024-03-22 | 南京大学 | 一种分类强对流临近概率预报方法、系统、设备及终端 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3423213B2 (ja) * | 1998-03-30 | 2003-07-07 | 三菱電機株式会社 | 気象レーダ装置 |
| US7391358B2 (en) * | 2005-06-30 | 2008-06-24 | Massachusetts Institute Of Technology | Weather radar echo tops forecast generation |
| CN104570161B (zh) * | 2015-01-21 | 2017-09-15 | 中国南方电网有限责任公司 | 基于ec/jma全球格点预报资料的台风自动化预报方法 |
-
2015
- 2015-10-15 CN CN201510666698.5A patent/CN105182450B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN105182450A (zh) | 2015-12-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105182450B (zh) | 一种强对流天气短时预警系统 | |
| Kusiak et al. | Analysis of wind turbine vibrations based on SCADA data | |
| CN113837477A (zh) | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 | |
| CN107273924B (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
| Babajanian Bisheh et al. | Damage detection of a cable-stayed bridge using feature extraction and selection methods | |
| Castellani et al. | Wind energy forecast in complex sites with a hybrid neural network and CFD based method | |
| CN110636066B (zh) | 基于无监督生成推理的网络安全威胁态势评估方法 | |
| CN106779215B (zh) | 一种基于机器学习的电网全局延时态势感知方法 | |
| CN110019595A (zh) | 一种多源气象数据集成方法及系统 | |
| CN106897945A (zh) | 风力发电机组的聚类方法和设备 | |
| CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
| CN106796157A (zh) | 检测配送网络、特别是饮用水配送网络中的异常的方法 | |
| Ukkonen et al. | Evaluation of thunderstorm predictors for Finland using reanalyses and neural networks | |
| Cacciola et al. | Aspects about air pollution prediction on urban environment | |
| CN116308958A (zh) | 基于移动终端的碳排放在线检测预警系统及方法 | |
| Hsu et al. | Two novel approaches to reduce false alarm due to non‐earthquake events for on‐site earthquake early warning system | |
| Zhou et al. | Structural health monitoring of offshore wind power structures based on genetic algorithm optimization and uncertain analytic hierarchy process | |
| Marugán et al. | Multivariable analysis for advanced analytics of wind turbine management | |
| CN115614292A (zh) | 一种立式水泵机组振动监测装置及其方法 | |
| Niu et al. | Operation performance evaluation of elevators based on condition monitoring and combination weighting method | |
| He et al. | A non-intrusive approach for fault detection and diagnosis of water distribution systems based on image sensors, audio sensors and an inspection robot | |
| CN102930384A (zh) | 一种基于人水和谐度的城市水资源安全评价系统及方法 | |
| Jiang et al. | Short-term pm2. 5 forecasting with a hybrid model based on ensemble gru neural network | |
| Gagne et al. | Tornadic supercell environments analyzed using surface and reanalysis data: A spatiotemporal relational data-mining approach | |
| CN116760017A (zh) | 一种光伏发电的预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180102 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |