CN107180227A - 基于dtmgm+灰色模型的云预测和预报方法 - Google Patents
基于dtmgm+灰色模型的云预测和预报方法 Download PDFInfo
- Publication number
- CN107180227A CN107180227A CN201710300118.XA CN201710300118A CN107180227A CN 107180227 A CN107180227 A CN 107180227A CN 201710300118 A CN201710300118 A CN 201710300118A CN 107180227 A CN107180227 A CN 107180227A
- Authority
- CN
- China
- Prior art keywords
- prediction
- matrix
- model
- cloud
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 238000011161 development Methods 0.000 claims abstract description 11
- 230000008033 biological extinction Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 239000003102 growth factor Substances 0.000 claims abstract description 5
- 230000001105 regulatory effect Effects 0.000 claims abstract description 4
- 238000013277 forecasting method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 230000018109 developmental process Effects 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于对角变换矩阵灰色预测模型DTMGM+的云预测和预报方法,属于计算机信息处理技术在大气科学研究领域中的具体应用。其特征为:将原始卫星云图(遥感资料)或卫星遥感产品作为数据源,使用少量的临近历史资料作为数据集,在数据集中用各时次数据平面内的以固定位置点为中心的m*m窗口内的数据矩阵构造时间矩阵序列建立DTMGM+灰色预测模型,设置生长因子和消亡因子对模型输出结果进行调控,通过模型解算来预测该位置点上的数值在未来的发展趋势,将所有的固定位置点上的预测值组合输出为新的产品集,最后在代表未来状态的产品集中解析目标信息的局部或整体的状态,实现对未来时刻的云的生命史过程的预测和预报。
Description
技术领域
本发明属于计算机信息处理技术在大气科学研究领域中的具体应用。尤其涉及一种基于 DTMGM+灰色模型的云预测和预报方法。
背景技术
云是大气层中水汽和凝结核的可见聚合物,是非常重要的气象要素之一,也是表征地球大气系统行为和地球物理状态的一项重要因子。在云的预测预报方法上,大气科学中以大气系统演变的内因为立足点的基于数值天气预报(数值模式)的云预测方法虽然有充分的动力学、热力学和物理学理论支持,但预测结果释用十分复杂,在实用中受到一定局限;以云团移动的外部表现特征为观察点的基于线性外推的云预测方法虽然简单,但存在预测时效短、预测准确率低的问题,并且只能预测已有云团的质心(或中心)移动情况而无法预测云的新生以及云的消散。
发明内容
本发明针对以上两种云预测和预报方法的不足,提供一种新型的兼具有物理意义和便捷实用性的云的预测和预报方法。
本发明是通过以下技术方案实现的:一种基于DTMGM+灰色模型的云预测和预报方法,其特征在于包含以下的主要步骤:
(1)将原始卫星云图(遥感资料)或卫星遥感产品作为数据源,使用起报点“0时刻”及其之前的少量的n个等时间间隔的临近历史资料作为初始运算数据集;
(2)在运算数据集中用各时次数据平面内的以固定位置点为中心的m*m窗口内的数据矩阵构造时间矩阵序列,建立DTMGM+灰色预测模型,解算模型,通过初始运算数据集的统计特征、每次建模的模型发展系数和所设置的生长因子、消亡因子对模型输出的m*m矩阵的各元素进行修订和调控,对经修订后的矩阵进行中心位置有限邻域滤波并输出滤波后的矩阵中心位置元素数值,将此数值作为未来下一时刻的该固定位置点上的预测值;
(3)将经上一步骤解算出的所有的固定位置点上的预测值组合输出为起报点“0时刻”后第1时刻的预测值平面,并将此预测值平面数据添加到运算数据集中,按照时间顺序排列,更新运算数据集,重复第(2)步骤过程,采用递推的方法,依次输出第2、第3至第f时刻的预测值平面,构建预测产品集。在代表未来状态的预测产品集中解析目标信息的局部或整体的状态,实现对未来时刻的云的生成、发展、移动、合并、消亡等演变进程的预测和预报。
本发明与现有的云预测和预报方法相比,具有的有益效果是:预测模型的运算过程既包括平面内固定位置点的有限邻域内信息的相互影响,又包括时间维度方向该点的有限邻域内历史信息的影响,属于时空内的运算,具有明确的物理内涵和意义,充分考虑了云的生消演变的非线性非平稳性特点,采用先叠加背景实施整体预测,再从预测产品中解析和分析目标发展演变趋势的做法,克服了一般的云团质心(或中心)线性外推预测预报方法的局限,既能预测云团的移动和内部发展情况,又能敏感地捕捉和预测外部的云的新生信息。同时,本发明避免了基于数值天气预报(数值模式)的云预测预报方法的巨大运算,避免了复杂的释用过程。经验证在云和云团的短时预测预报应用中具有较高的准确性和实用性。
附图说明
图1基于DTMGM+灰色模型的云预测和预报方法流程图
图2基于DTMGM+灰色模型的MCSs云覆盖区域的预测和预报效果图说明:是一例使用DTMGM+灰色模型的中尺度对流系统(Mesoscale Convective Systems,MCSs)云系的预测结果的图像化展示。实例中使用了FY2G气象卫星2016年5月28日世界时间03、04、05、 06、07时共5个时次的南半球中低纬度地区上空卫星视场内65*93像素范围大小(地面约 325*465km)的L1级水汽通道卫星遥感资料为源数据,对未来5个时次(09-13时)的云演变情况进行了预测。图中第2、4、6行二值图像为解析出的MCSs云目标的边缘;
图3基于DTMGM+灰色模型的MCSs云覆盖区域的预报准确率曲线图说明:是使用DTMGM+灰色模型的MCSs云覆盖区域预测实例中的预报准确率随预报时长增加的变化情况。使用的预测准确率指标为:探测比POD=n成功/(n成功+n漏报),虚报比FAR=n虚报/(n成功+n虚报), 临界成功指数CSI=n成功/(n成功+n虚报+n漏报),漏报比MAR=n漏报/(n成功+n漏报),其中,当预测和实况相符合时称为“成功”;当预测低于标准,而实况符合标准时,称为“漏报”;当预测符合标准,而实况低于标准时,称为“虚报”。由图所示可知,使用DTMGM+灰色模型的MCSs云覆盖区域1-2小时预测准确率较高、漏报和虚报率较低,预报结果的误差随预报时长逐渐增大。
具体实施方式
下面结合附图1和实例,对本发明的实施方式做具体流程的详细描述,本发明的效能将会变得更加明显:
1.在L1级水汽通道卫星遥感资料中选取65*93像素大小的感兴趣区域,以2016年5月 28日世界时间03、04、05、06、07时该区域内5个时次的数据资料作为初始运算数据集BT,分别标记为BT_4,BT_3,BT_2,BT_1,BT_0;
2.按照时间顺序提取数据集中各数据平面内以位置(s,t)为中心的m*m窗口内的数值矩阵,将其排列为原始矩阵序列:(X(0)(1),X(0)(2),X(0)(3),X(0)(4),X(0)(5)),对矩阵分别实施对角变换,则有对角变换矩阵序列以及与之对应的特征向量矩阵序列其中: 为特征值;v1,...,vm为特征向量。
将对角变换矩阵序列实施一次累加,生成矩阵序列二者满足关系式:并满足DTMGM+(1,1+m)对角变换矩阵灰色预测模型方程:由该模型的发展系数a和灰控制作用量diag(a1,a2,...,am)构成的参数向量的最小二乘估计满足式:其中:
B为m(n-1)*(1+m)阶矩阵,Yn为m(n-1)*1的向量;矩阵B的后m列由1、0两元素组成,第2列的首元素为1,其之后每隔m个元素为1,此列余皆为0,依此类推,第m+1列的第 m+1个元素为1,其之后每隔m个元素为1,此列余皆为0。
从而可求得DTMGM+(1,1+m)模型的预测序列
D=diag(a1,a2,...,am)
即可解出原始矩阵序列的预测矩阵序列 其中,为的广义逆矩阵,当预测矩阵时,取其前k项的平均(或加权平均)值。
在本例本次计算中,n=5,m=5。通过以上方法,将解得的矩阵中的各元素(用表示)使用下式予以修订:
上式中,as,t为数据集中平面位置(s,t)处DTMGM+模型发展系数,x(0)(n)为参与本次建模的原始矩阵时间序列的尾矩阵中对应位置的数值,α为消亡因子,β为生长因子(在本例中取α=0.85,β=1.02),为初始运算数据集的极小值,为初始运算数据集的极大值。由修订后的各个元素组成了经修订的预测矩阵
对矩阵中心位置的3*3窗口内的矩阵元素数值进行滤波,将滤波后的矩阵中心位置元素数值输出为以其作为平面位置(s,t)处的下一个时刻的预测值。在本例中即以的数值作为平面位置(s,t)处的下一个时刻的预测值。
当位置点(s,t)因位于数据平面边缘或近边缘导致以其为中心的m*m窗口内数据不足时,此位置不予计算和预测,仅以初始数据集中“0时刻”相同位置的数值(BT_0(s,t))作占位填充。依次计算并输出数据集中其它所有位置处的下一个时刻的预测值。
3.将所有位置处的预测值按照位置组合输出为下一时刻的预测值平面PP_1,更新运算数据集为{BT_4,BT_3,BT_2,BT_1,BT_0,PP_1},重复第(2)步骤过程,递推解算输出PP_2,PP_3…,直至PP_f为止(本例中f=5),构建预测产品集为{PP_1,PP_2,PP_3,PP_4, PP_5}。即PP_1,PP_2,PP_3,PP_4,PP_5分别对应2016年5月28日世界时间08,09, 10,11,12时的感兴趣区域的预测的L1级水汽通道遥感数据。在预测产品集中解析中尺度对流系统(Mesoscale Convective Systems,MCSs)云系,实现1小时-5小时MCSs云的覆盖区域演变进程的预测和预报。
实例说明本发明具有所需历史资料少、运算量较小、实施便捷、既能预测云团的移动和内部发展情况又能敏感地捕捉和预测外部的云的新生信息、同时兼具大气环境场物理意义的特点,使用本发明方法的短时预报产品具有很高的准确性。
上述实例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (5)
1.一种基于DTMGM+灰色模型的云预测和预报方法,其特征在于包含以下的主要步骤:
(1)将原始卫星云图(遥感资料)或卫星遥感产品作为数据源,使用起报点“0时刻”及其之前的少量的n个等时间间隔的临近历史资料作为初始运算数据集;
(2)在运算数据集中用各时次数据平面内的以固定位置点为中心的m*m窗口内的数据矩阵构造时间矩阵序列,建立DTMGM+灰色预测模型,解算模型,通过初始运算数据集的统计特征、每次建模的模型发展系数和所设置的生长因子、消亡因子对模型输出的m*m矩阵的各元素进行修订和调控,对经修订后的矩阵进行中心位置有限邻域滤波并输出滤波后的矩阵中心位置元素数值,将此数值作为未来下一时刻的该固定位置点上的预测值;
(3)将经上一步骤解算出的所有的固定位置点上的预测值组合输出为起报点“0时刻”后第1时刻的预测值平面,并将此预测值平面数据添加到运算数据集中,按照时间顺序排列,更新运算数据集,重复第(2)步骤过程,采用递推的方法,依次输出第2、第3至第f时刻的预测值平面,构建预测产品集。在代表未来状态的预测产品集中解析目标信息的局部或整体的状态,实现对未来时刻的云的生成、发展、移动、合并、消亡等演变进程的预测和预报。
2.根据权利要求1所述基于DTMGM+灰色模型的云预测和预报方法,其特征在于:使用运算数据集中各时次数据平面内的以固定位置点为中心的m*m窗口内的数据矩阵作为原始矩阵序列,将原始矩阵序列的对角变换矩阵组成时间矩阵序列进行矩阵灰建模,运算数据集中各数据平面内的所有位置点通过位置滑动的方法得到遍历。
3.根据权利要求1所述基于DTMGM+灰色模型的云预测和预报方法,其特征在于:使用DTMGM灰色模型的预测方法,并在用所预测出的对角变换矩阵还原解算原始型矩阵时,使用了特征向量矩阵的广义逆矩阵。
4.根据权利要求1所述基于DTMGM+灰色模型的云预测和预报方法,其特征在于:使用初始运算数据集的统计特征、每次建模的模型发展系数和所设置的生长因子、消亡因子对模型输出结果进行修订和调控。
5.根据权利要求1所述基于DTMGM+灰色模型的云预测和预报方法,其特征在于:通过在叠加了背景场信息的预测产品集中解析目标信息的局部或整体的状态,实现对目标的演变进程的预测和预报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710300118.XA CN107180227B (zh) | 2017-05-02 | 2017-05-02 | 基于dtmgm+灰色模型的云预测和预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710300118.XA CN107180227B (zh) | 2017-05-02 | 2017-05-02 | 基于dtmgm+灰色模型的云预测和预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107180227A true CN107180227A (zh) | 2017-09-19 |
CN107180227B CN107180227B (zh) | 2021-02-19 |
Family
ID=59832011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710300118.XA Active CN107180227B (zh) | 2017-05-02 | 2017-05-02 | 基于dtmgm+灰色模型的云预测和预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107180227B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944649A (zh) * | 2018-01-10 | 2018-04-20 | 云南电网有限责任公司电力科学研究院 | 一种光伏电站辐照度的预测方法 |
CN113569502A (zh) * | 2021-07-30 | 2021-10-29 | 上海安悦节能技术有限公司 | 汽车行业机加工厂房车间的气流速度预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899457A (zh) * | 2015-06-15 | 2015-09-09 | 西北工业大学 | 基于改进无偏gm(1,1)模型的卫星数据预测方法 |
CN105718953A (zh) * | 2016-01-25 | 2016-06-29 | 西北工业大学 | 一种基于矩阵灰建模的单次p300检测方法 |
CN106597574A (zh) * | 2016-12-30 | 2017-04-26 | 重庆邮电大学 | 一种基于时变云模型的天气温度预测方法及装置 |
-
2017
- 2017-05-02 CN CN201710300118.XA patent/CN107180227B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899457A (zh) * | 2015-06-15 | 2015-09-09 | 西北工业大学 | 基于改进无偏gm(1,1)模型的卫星数据预测方法 |
CN105718953A (zh) * | 2016-01-25 | 2016-06-29 | 西北工业大学 | 一种基于矩阵灰建模的单次p300检测方法 |
CN106597574A (zh) * | 2016-12-30 | 2017-04-26 | 重庆邮电大学 | 一种基于时变云模型的天气温度预测方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944649A (zh) * | 2018-01-10 | 2018-04-20 | 云南电网有限责任公司电力科学研究院 | 一种光伏电站辐照度的预测方法 |
CN113569502A (zh) * | 2021-07-30 | 2021-10-29 | 上海安悦节能技术有限公司 | 汽车行业机加工厂房车间的气流速度预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107180227B (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tencaliec et al. | Flexible semiparametric generalized Pareto modeling of the entire range of rainfall amount | |
CN111639787B (zh) | 一种基于图卷积网络的时空数据预测方法 | |
CN107358293B (zh) | 一种神经网络训练方法及装置 | |
US20180372914A1 (en) | Local weather forecast | |
Parker | Whose probabilities? Predicting climate change with ensembles of models | |
CN112910711B (zh) | 一种基于自注意力卷积网络的无线业务流量预测方法、设备及介质 | |
Declerck et al. | State estimation of timed labeled Petri nets with unobservable transitions | |
CN111158068A (zh) | 一种基于简单卷积循环神经网络的短临预报方法及系统 | |
CN109508476B (zh) | 基于深度网络学习的山火预测建模方法 | |
CN107515842B (zh) | 一种城市人口密度动态预测方法及系统 | |
CN109299163B (zh) | 一种基于卷积神经网络的降水数据的插值方法及装置 | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
US11004239B2 (en) | Image retrieval device and method, photograph time estimation device and method, repetitive structure extraction device and method, and program | |
CN113239904B (zh) | 基于卷积神经网络的高分辨率密集目标计数方法 | |
CN115936180A (zh) | 光伏发电功率预测方法、装置和计算机设备 | |
CN112417752B (zh) | 基于卷积lstm神经网络的云层轨迹预测方法及系统 | |
CN116451848A (zh) | 一种基于时空注意力机制的卫星遥测数据预测方法及装置 | |
CN107180227B (zh) | 基于dtmgm+灰色模型的云预测和预报方法 | |
CN117909888B (zh) | 智慧人工智能气候预测方法 | |
Petrou et al. | Prediction of sea ice motion with recurrent neural networks | |
Li et al. | Spatio-temporal forecasting of weather-driven damage in a distribution system | |
Nath et al. | Forecasting tropical cyclones with cascaded diffusion models | |
CN115796359A (zh) | 基于深度Koopman算符的PM2.5时空预测方法 | |
Bosma et al. | Estimating solar and wind power production using computer vision deep learning techniques on weather maps | |
CN107219566B (zh) | 基于gm(1,1)灰色模型的云预测和预报方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |