CN108629452A - 一种基于多模式多参数集合预报的气象风险决策方法 - Google Patents

Abstract

本发明公开一种基于多模式多参数集合预报的气象风险决策方法，包括以下步骤：步骤S1，采集若干组初始气象数据，所述初始气象数据包括：气象实测数据、初始场数据和边界场数据；步骤S2，同化初始气象数据；步骤S3，将同化后的气象数据分别带入若干组物理参数化方案，形成多组初始气象预报结果；步骤S4，根据实际需要，对多组初始气象预报结果进行处理，获得风险决策产品。本方法通过接入多种模式初始场、边界场和多组物理过程参数化方案，并对初始气象预报结果进行集合时，得到决策产品，气象预报结果更加可靠；本方法采用滑动训练期的方式，使权重系数随时间发生变化，提高了预测结果的准确性。

Description

一种基于多模式多参数集合预报的气象风险决策方法

技术领域

本发明涉及气象风险预报领域，尤其涉及一种基于多模式多参数集合预报的气象风险决策方法。

背景技术

大气的运动满足一定的物理规律，如牛顿第二运动定律、质量连续定理、大气状态方程、热力学第二定律等，这些物理定律可以用一组已知的方程组来表达。大气运动的控制方程组包括流体动力学和热力学方程组，由于大气的运动相当复杂，在数学上并无完全正确的解答来提供对未来大气行为的描述，只能用一组有限的、近似的数值来代表大气场，从而获得大气未来的状态(以气压、温湿度、风向风速、降水量等参数进行表述)，这个求解过程叫做数值预报，完成这一过程的计算机程序称为数值预报模式。

运行数值预报，需要将大气方程组进行合理的简化，并写成波谱或差分的格式形成动力学框架(即初始场)，以便作数值积分。在初始场中，必须将内部的各种物理过程进行参数化，形成物理参数化方程，以便用观测资料来表示这些过程。由于实际初始条件(气象要素场)包含多种误差，必须通过资料同化，进行初值处理以尽量消除各种误差，使初值在动力学上与框架适应。边界条件是描述外部强迫对大气过程的影响，边界条件也需要进行同化处理，以消除误差。

传统的数值天气预报为单一模式预报，期望由最佳的单一初始资料，获得最佳的模式预报结果，是为“确定性预报”，这个结果通常被直接用于气象风险决策。

目前常用的集合预报，或是采用单一模式、多种物理过程参数化，借以获得多组预报结果；或是利用不同数值模式的预报产品进行处理，如直接对预报结果进行平均，或将过去的预报结果进行“训练”，获得多种模式预报结果的权重系数，以用于未来的预报。

现有的预报方式存在以下缺陷:

(1)由于观测的不准确(包括仪器误差、观测点在空间上和时间上不够密集引起的插值误差等)和资料分析、同化处理中导入的误差、物理过程参数化的不合理等，导致现有的天气预报结果出现较大偏差。在天气预报领域，即使是很小的误差，也将会使单一的数值天气预报结果在一定时空范围内出现较大偏差。

(2)现有的天气预报方法仅仅针对初始场、边界场、物理参数过程进行处理，或是多种预报结果进行集合，处理方式较为片面，仍然无法有效弥补数值预报模式的“不确定性”，导致预报结果出现较大偏差。

(3)现有的天气预报方法针对集合预报通常是采用固定的权重系数对初步的预报结果进行处理，由于权重系数随时间不变，随着预报时效的延长，权重系数就有失效的可能，导致天气预报结果出现严重偏差。

因此，现有技术存在缺陷，需要改进。

发明内容

本发明的目的是克服现有技术的不足，提供一种基于多模式多参数集合预报的气象风险决策方法。

本发明的技术方案如下：一种基于多模式多参数集合预报的气象风险决策方法，包括以下步骤：

步骤S1，采集若干组初始气象数据，所述初始气象数据包括：气象实测数据、初始场数据和边界场数据；

步骤S2，同化初始气象数据；

步骤S3，将同化后的气象数据分别带入若干组物理参数化方案，形成多组初始气象预报结果；

步骤S4，根据实际需要，对多组初始气象预报结果进行处理，获得风险决策产品。

进一步地，步骤S1中气象实测数据包括：自动气象站、卫星、雷达检测数据；所述初始场数据和边界场数据包括ECMWF数值预报模式和GFS数值预报模式的初始场数据和边界场数据。

进一步地，步骤S2中，所述初始气象数据运用三维变分算法同化，以消除初始气象数据中的误差。

进一步地，步骤S3中，同化后的气象数据导入WRF中尺度气象预报模式，选取多组物理参数化方案，计算出多组初始天气预报结果。

进一步地，步骤S4中，根据实际需要，对多组初始气象预报结果进行处理，获得的风险决策产品包括多要素概率预报产品，该过程还包括以下步骤：

步骤S41a：根据用户的实际需要设定目标风险天气阈值；

步骤S42a：根据多组初始天气预报结果计算出发生目标风险天气的概率及区域分布。

进一步地，步骤S4中，根据实际需要，对多组初始气象预报结果进行处理，获得的风险决策产品包括多要素统计预报产品，该过程还包括以下步骤：

步骤S41b，采集多组初始气象预报结果和该预报时间的实况探测数据；

步骤S42b，采用步骤S41b中的气象数据建立多元线性回归模型进行多元线性回归分析，获得多组初始气象预报结果的权重系数，并以此权重系数获得多组初始气象预报结果的最终气象预测结果；

步骤S43b，根据用户的实际需要设定目标风险天气阈值，根据最终气象预测结果获取目标风险天气的发生区域和等级强度。

进一步地，步骤S42b中获得权重系数的方法还包括以下步骤：

步骤S421b，将时间序列分为训练期和预报期；

步骤S422b，在训练期，建立多组初始气象预报结果和该预报时间的实况探测数据的多元线性回归模型，通过多组初始气象预报结果和该预报时间的实况探测数据的多元线性分析，得到多组初始气象预报结果的权重系数；

步骤S423b，根据多组初始气象预报结果以及其各自的权重系数得到一组预报期的最终预报结果；

步骤S424b，训练期不断向后滑动，将最近的预报结果与实况探测数据纳入多元线性回归模型，进行比对验证，获得最新的权重系数。

采用上述方案，本方法通过接入多种模式初始场、边界场和多组物理过程参数化方案，本方法引入多种初始值，并进行同化处理，减小单一模式预报中初始场数据不可靠带来的误差，提供更佳的预报结果。

本方法对初始气象预报结果进行集合时，得到决策产品，气象预报结果更加可靠；本方法采用滑动训练期的方式，使权重系数随时间发生变化，提高了预测结果的准确性。

本方法支持用户对气象要素的风险阈值进行自定义设置，获取相应的预报产品，决策结果更加灵活自由。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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示出的结构获得其他的附图。

图1为本发明的流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

以下结合附图和具体实施例，对本发明进行详细说明。

参照图1所示，本发明提供一种基于多模式多参数集合预报的气象风险决策方法，包括以下步骤：

步骤S1，采集若干组初始气象数据，所述初始气象数据包括：气象实测数据、初始场数据和边界场数据；

步骤S2，同化初始气象数据；

步骤S3，将同化后的气象数据分别带入若干组物理参数化方案，形成多组初始气象预报结果；

步骤S4，根据实际需要，对多组初始气象预报结果进行处理，获得风险决策产品。

其中，整个方法的运行通过基于Infiniband的超高速网络的服务器群技术，完成并行运行，并解决数据交互存储的带宽和容量问题，满足进行气象资料数据所需要的大量密集运算。步骤S1中气象实测数据包括：自动气象站、卫星、雷达等检测数据；所述初始场数据和边界场数据包括欧洲中期天气预报中心ECMWF数值预报模式和美国国家环境预报中心GFS数值预报模式的初始场数据和边界场数据。通过输入多种数值预报模式的初始场数据和边界场数据，可减少单一数值模式带来的误差。

作为一种实施例，步骤S2中，所述初始气象数据运用三维变分算法同化，假定气象变量的观测值为0，且该变量的背景值(如平均值、数值模式的预报值等)为F，方差为σ₀和σ_F，于是得到一个加权平均值：

上述A其实是下面价函数J(S)的极小值：

假设对变量S有来自不同方法的测量S₁、S₂，…，S_N，其误差ε_n＝S_n-S，假定误差是随机的，无偏的<ε_n>＝0，且服从正态分布，第n个观测的误差落在ε_n和ε_n+dε_n之间的概率为

误差方差：

对于N个观测有：

设

当I取极小值时，得到最大似然估计。

由I对S_a的一阶导数为零得到：

S的最大似然估计是S_n的加权平均，权重是每一测量的误差方差的倒数。

当N＝2时，引入目标函数：

其中，x是分析变量，x_b是背景场，x、x_b为N维向量，y_o是观测值，y是由分析变量导出的值，y＝H(x)，H称为观测算子，y_o、y为M维向量，B是背景误差协方差，O是观测误差协方差，B为N×N矩阵，O为M×M矩阵。

数学上可以证明，x的最佳估计(分析场)是：

x＝x_b+[B^-1+H^TO^-1H]^-1H^TO^-1(y_o-Hx_b)

它是目标函数的极小点，直接求x非常困难，一般用下降算法寻找J的极小点，计算梯度公式是：

其中，称为观测算子的切线性算子。

通过以上算法以消除初始气象数据中的误差。使气象数据的初始值在动力学上与物理参数化方案箱适应。

所述步骤S3中，同化后的气象数据导入WRF中尺度气象预报模式，选取多组物理参数化方案，计算出多组初始天气预报结果。例如，可选取两种数值模式，选取10组物理参数化方案，将两种数值模式带入10组物理参数化方案，计算出20组初始气象预报结果，其中，每组数值模式、每组物理参数化方案分别计算出一组结果。

步骤S4中，根据实际需要，对多组初始气象预报结果进行处理，获得的风险决策产品包括多要素概率预报产品，该过程还包括以下步骤：

步骤S41a：根据用户的实际需要设定目标风险天气阈值；

步骤S42a：根据多组初始天气预报结果计算出发生目标风险天气的概率及区域分布。

例如，根据用户设定的风险与之，以20组预报结果计算出发生目标风险天气(如高温、低温、暴雨、雷雨、大风等天气)的概率及区域分布。

步骤S4中，根据实际需要，对多组初始气象预报结果进行处理，还可获得的风险决策产品包括多要素统计预报产品，该过程还包括以下步骤：

步骤S41b，采集多组初始气象预报结果和该预报时间的实况探测数据；

步骤S42b，采用步骤S41b中的气象数据建立多元线性回归模型进行多元线性回归分析，获得多组初始气象预报结果的权重系数，并以此权重系数获得多组初始气象预报结果的最终气象预测结果；

步骤S43b，根据用户的实际需要设定目标风险天气阈值，根据最终气象预测结果获取目标风险天气的发生区域和等级强度。

步骤S42b中获得权重系数的方法还包括以下步骤：

步骤S421b，将时间序列分为训练期和预报期；

步骤S422b，在训练期，建立多组初始气象预报结果和该预报时间的实况探测数据的多元线性回归模型，通过多组初始气象预报结果和该预报时间的实况探测数据的多元线性分析，得到多组初始气象预报结果的权重系数；例如，在训练器，建立20组预报值与观测值的多元线性回归模型，通过使用值与观测值的多元线性回归，确定20组预报结果的权重系数，并以此权重获得一组预报期的最终结果。

步骤S423b，根据多组初始气象预报结果以及其各自的权重系数得到一组预报期的最终预报结果；

步骤S424b，训练期不断向后滑动，将最近的预报结果与实况探测数据纳入多元线性回归模型，进行比对验证，获得最新的权重系数。

例如，在某个给定的格点的气象，对于某一预报时效的某一气象要素：

其中，O是训练期的观测值平均，a_i是参与集合的第i个成员的权重系数，F_i和分别是第i个模式的预报值和其在训练期的预报平均值，N是参与超级集合预报的模式总数。其中权重系数a_i由训练期方程中的误差项G的最小化计算获得：

其中N是训练期时间样本数，S_t’和O_t’分别是训练期的超级集合和观测场的偏差，此方程在每个模式的格点上运算，而多模式超级集合预报方法的建立是依赖于误差协调差方矩阵，它又是由模式场偏差F_i’和F_j’建立。因此，每个模式的权重系数有误差协方差矩阵C计算得到：

其中，N是训练期时间样本数，F_i’(t)和F_j’(t)分别是第i个模式和第j个模式的预报值距平。

建立线性方程：

其中，O_i’为观测值距平，[C_i，j]为(n×n)的矩阵，[a_i]为(n×1)的矩阵，应用Gauss-Jordan消除法求解上述公式中的[a_i]，得到a_i，即可计算气象要素。

本方法通过接入多种模式初始场、边界场和多组物理过程参数化方案，本方法引入多种初始值，并进行同化处理，减小单一模式预报中初始场数据不可靠带来的误差，提供更佳的预报结果。

本方法对初始气象预报结果进行集合时，得到决策产品，气象预报结果更加可靠；本方法采用滑动训练期的方式，使权重系数随时间发生变化，提高了预测结果的准确性。

本方法支持用户对气象要素的风险阈值进行自定义设置，获取相应的预报产品，决策结果更加灵活自由。

以上仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于多模式多参数集合预报的气象风险决策方法，其特征在于，包括以下步骤：

步骤S1，采集若干组初始气象数据，所述初始气象数据包括：气象实测数据、初始场数据和边界场数据；

步骤S2，同化初始气象数据；

步骤S3，将同化后的气象数据分别带入若干组物理参数化方案，形成多组初始气象预报结果；

步骤S4，根据实际需要，对多组初始气象预报结果进行处理，获得风险决策产品。

2.根据权利要求1所述的基于多模式多参数集合预报的气象风险决策方法，其特征在于，步骤S1中气象实测数据包括：自动气象站、卫星、雷达检测数据；所述初始场数据和边界场数据包括ECMWF数值预报模式和GFS数值预报模式的初始场数据和边界场数据。

3.根据权利要求1所述的基于多模式多参数集合预报的气象风险决策方法，其特征在于，步骤S2中，所述初始气象数据运用三维变分算法同化，以消除初始气象数据中的误差。

4.根据权利要求1所述的基于多模式多参数集合预报的气象风险决策方法，其特征在于，步骤S3中，同化后的气象数据导入WRF中尺度气象预报模式，选取多组物理参数化方案，计算出多组初始天气预报结果。

5.根据权利要求1所述的基于多模式多参数集合预报的气象风险决策方法，其特征在于，步骤S4中，根据实际需要，对多组初始气象预报结果进行处理，获得的风险决策产品包括多要素概率预报产品，该过程还包括以下步骤：

步骤S41a：根据用户的实际需要设定目标风险天气阈值；

步骤S42a：根据多组初始天气预报结果计算出发生目标风险天气的概率及区域分布。

6.根据权利要求1所述的基于多模式多参数集合预报的气象风险决策方法，其特征在于，步骤S4中，根据实际需要，对多组初始气象预报结果进行处理，获得的风险决策产品包括多要素统计预报产品，该过程还包括以下步骤：

步骤S41b，采集多组初始气象预报结果和该预报时间的实况探测数据；

步骤S42b，采用步骤S41b中的气象数据建立多元线性回归模型进行多元线性回归分析，获得多组初始气象预报结果的权重系数，并以此权重系数获得多组初始气象预报结果的最终气象预测结果；

步骤S43b，根据用户的实际需要设定目标风险天气阈值，根据最终气象预测结果获取目标风险天气的发生区域和等级强度。

7.根据权利要求6所述的基于多模式多参数集合预报的气象风险决策方法，其特征在于，步骤S42b中获得权重系数的方法还包括以下步骤：

步骤S421b，将时间序列分为训练期和预报期；

步骤S422b，在训练期，建立多组初始气象预报结果和该预报时间的实况探测数据的多元线性回归模型，通过多组初始气象预报结果和该预报时间的实况探测数据的多元线性分析，得到多组初始气象预报结果的权重系数；

步骤S423b，根据多组初始气象预报结果以及其各自的权重系数得到一组预报期的最终预报结果；

步骤S424b，训练期不断向后滑动，将最近的预报结果与实况探测数据纳入多元线性回归模型，进行比对验证，获得最新的权重系数。