CN108983324B - 一种基于卡尔曼滤波的气温预报方法及系统 - Google Patents
一种基于卡尔曼滤波的气温预报方法及系统 Download PDFInfo
- Publication number
- CN108983324B CN108983324B CN201810903827.1A CN201810903827A CN108983324B CN 108983324 B CN108983324 B CN 108983324B CN 201810903827 A CN201810903827 A CN 201810903827A CN 108983324 B CN108983324 B CN 108983324B
- Authority
- CN
- China
- Prior art keywords
- air temperature
- haps
- deviation
- result
- forecast
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 97
- 238000013277 forecasting method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 119
- 238000012937 correction Methods 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 6
- 238000005192 partition Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请属于气象服务技术领域,特别涉及一种基于卡尔曼滤波的气温预报方法及系统。所述基于卡尔曼滤波的气温预报方法包括:步骤a:将初始气象资料输入HAPS系统,通过HAPS系统输出自动气象站点的HAPS气温预报结果;步骤b:计算自动气象站点所在位置,并利用卡尔曼滤波方法对HAPS气温预报结果进行单要素释用,得到各自动气象站点释用结果;步骤c:基于自动气象站点释用结果,采用偏差订正方法对HAPS气温预报结果进行订正,得到自动气象站点订正后的气温预报结果。本申请通过卡尔曼滤波方法对HAPS气温预报结果进行订正,能有效克服HAPS系统的误差,并保持预报质量稳定。
Description
技术领域
本申请属于气象服务技术领域,特别涉及一种基于卡尔曼滤波的气温预报方法及系统。
背景技术
随着社会经济的发展和城市防灾减灾对气象保障服务越来越精细化的需求,数值预报已成为提升城市气象预报预警准确率及精细化水平的最重要手段之一。近年来,随着北京,上海和深圳等大中型城市经济的迅速发展,各类国内外大型体育赛事、展览、会议等重大社会公众活动在这些城市中频繁举行,这些都对城市天气预报的精细化程度提出了新的要求。
深圳作为全国大城市精细化预报服务试点单位之一,利用市气象局引进开发的逐时同化预报系统(Hourly Assimilation and Prediction System,简称HAPS),围绕重点时段、重要地段(路段)、重要灾害、重点行业、重点人群,开展了大城市精细化数值预报方法研究和服务试点工作,探索了开发适应大城市气象服务需求的集约、高效、互动的精细化预报服务模式,在深圳第26届世界大学生夏季运动会等重大社会活动气象服务保障中进行应用。
但是应用实践显示城市不同区域自然环境和气象条件的变化以及一些主客观因素也对HAPS系统的预报精度产生了影响。以深圳为例,深圳地处广东省南部沿海,东西狭长,南北界最窄处仅相距10公里左右,而东西海岸线长达230公里,气象要素时空分布极不均匀。根据历史资料统计,深圳历年最多雨量与最少雨量的地区平均差异高达1000mm,气温最大差异在10℃以上,“十里不同天”、“东边日出西边雨”的情况也常有发生。为提高预报产品的实用性,深圳市气象台于2012年推出分区天气预报。深圳分区天气预报是以10个行政区为最小预报单元,并选取了大鹏、南山、观澜、竹子林、蔡屋围、光明、石岩水库、沙头角、坪山和龙岗10个行政区的代表自动气象站,具体如图1所示,为深圳10个行政区及各代表自动气象站分布图,预报对象为各代表自动气象站当日20时到次日20时的气温、降水等气象要素,预报时间间隔为1h。由于该分区预报方法中所使用的卡尔曼滤波方程中回归系数和量测噪声系数是随时间t变化的,是建立在一种资料不断生成的过程模式基础上的,因此,稳定的模式偏差对订正结果的影响而言非常重要。
综上所述,从预报系统自身分析影响预报应用精度的有3个原因,其一是自动站实况观测存在噪声,导致HAPS系统存在预报误差;其二是HAPS数值预报模式受地形等初始场的影响,初始场参数的准确性对预报精度有一定影响,从而造成预报气温误差较大,影响服务效果;其三是HAPS系统的数值预报模式本身存在不足。上述这些因素的综合作用经常影响了HAPS系统预报精度,因此对精细化数值预报结果的修正工作显得非常迫切,但由于对数值预报输出产品的客观解释运用主观随意性较大,预报结果的修正也就因人而异。如何通过一定的方式利用数值预报输出产品对常规天气要素进行定量化的订正预报,就成为城市精细化天气预报研究的重要方向。
发明内容
本申请提供了一种基于卡尔曼滤波的气温预报方法及系统,旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题,本申请提供了如下技术方案:
一种基于卡尔曼滤波的气温预报方法,包括以下步骤:
步骤a:将初始气象资料输入HAPS系统,通过HAPS系统输出自动气象站点的HAPS气温预报结果;
步骤b:计算自动气象站点所在位置,并利用卡尔曼滤波方法对HAPS气温预报结果进行单要素释用,得到各自动气象站点释用结果;
步骤c:基于自动气象站点释用结果,采用偏差订正方法对HAPS气温预报结果进行订正,得到自动气象站点订正后的气温预报结果。
本申请实施例采取的技术方案还包括:在所述步骤b中,所述计算自动气象站点所在位置具体为:采用拉格朗日插值法计算自动气象站点所在位置。
本申请实施例采取的技术方案还包括:在所述步骤c中,所述采用偏差订正方法对HAPS气温预报结果进行订正具体包括:提取气温偏差值进行卡尔曼滤波处理,获得偏差校准因子,将所述偏差校准因子应用于HAPS气温预报结果的订正;其中,
偏差校准因子估计:
di,j,t(k)=Ni,j,t(k)/Oi,j,t(k)
上式中,di,j,t(k)为数值预报与实况偏差,是与数值预报对应的二维场资料,Ni,j,t(k)是数值预报场资料,Oi,j,t(k)为观测分析场资料,i和j为格点索引,t为预报时效;
偏差校准权重估算:
Di,j,t(k)=(1-ω)Di,j,t(k-1)+ωdi,j,t(k)
上式中,Di,j,t(k)为加权后的偏差校准因子,根据上时次的偏差校准因子与当前时次的偏差校准因子加权平均获得,确定权重ω的准则为以使得校准后的最佳估计值的方差最小;
HAPS气温预报结果的偏差订正:
Fi,j,t(k)=Ni,j,t(k)/Di,j,t(k)
上式中,Fi,j,t(k)为订正后的气温预报结果。
本申请实施例采取的技术方案还包括:在所述步骤c中,所述采用偏差订正方法对HAPS气温预报结果进行订正还包括:按照设定距离将靠海行政区的自动气象站点往内陆移动,对靠海行政区的自动气象站点进行位置订正。
本申请实施例采取的技术方案还包括:在所述步骤c中,所述采用偏差订正方法对HAPS气温预报结果进行订正还包括:应用预报员制作每个自动气象站点的日最高温度和最低温度分别作为该自动气象站点气温预报的最高气温极值和最低气温极值,通过所述最高气温极值和最低气温极值对订正结果中受降水影响而出现的气温异常极值进行人工限定。
本申请实施例采取的另一技术方案为:一种基于卡尔曼滤波的气温预报系统,包括:
HAPS气温获取模块:用于将初始气象资料输入HAPS系统,通过HAPS系统输出自动气象站点的HAPS气温预报结果;
插值模块:用于计算自动气象站点所在位置,并利用卡尔曼滤波方法对HAPS气温预报结果进行单要素释用,得到各自动气象站点释用结果;
偏差订正模块:用于基于自动气象站点释用结果,采用偏差订正方法对HAPS气温预报结果进行订正,得到自动气象站点订正后的气温预报结果。
本申请实施例采取的技术方案还包括:所述插值模块计算自动气象站点所在位置具体为:采用拉格朗日插值法计算自动气象站点所在位置。
本申请实施例采取的技术方案还包括:所述偏差订正模块采用偏差订正方法对HAPS气温预报结果进行订正具体为:提取气温偏差值进行卡尔曼滤波处理,获得偏差校准因子,将所述偏差校准因子应用于HAPS气温预报结果的订正;其中,
偏差校准因子估计:
di,j,t(k)=Ni,j,t(k)/Oi,j,t(k)
上式中,di,j,t(k)为数值预报与实况偏差,是与数值预报对应的二维场资料,Ni,j,t(k)是数值预报场资料,Oi,j,t(k)为观测分析场资料,i和j为格点索引,t为预报时效;
偏差校准权重估算:
Di,j,t(k)=(1-ω)Di,j,t(k-1)+ωdi,j,t(k)
上式中,Di,j,t(k)为加权后的偏差校准因子,根据上时次的偏差校准因子与当前时次的偏差校准因子加权平均获得,确定权重ω的准则为以使得校准后的最佳估计值的方差最小;
HAPS气温预报结果的偏差订正:
Fi,j,t(k)=Ni,j,t(k)/Di,j,t(k)
上式中,Fi,j,t(k)为订正后的气温预报结果。
本申请实施例采取的技术方案还包括海陆差异处理单元,所述海陆差异处理单元用于按照设定距离将靠海行政区的自动气象站点往内陆移动,对靠海行政区的自动气象站点进行位置订正。
本申请实施例采取的技术方案还包括极值控制单元,所述极值控制单元用于应用预报员制作每个自动气象站点的日最高温度和最低温度分别作为该自动气象站点气温预报的最高气温极值和最低气温极值,通过所述最高气温极值和最低气温极值对订正结果中受降水影响而出现的气温异常极值进行人工限定。
相对于现有技术,本申请实施例产生的有益效果在于:本申请实施例的基于卡尔曼滤波的气温预报方法及系统采用卡尔曼滤波方法对HAPS气温预报结果进行订正,能有效克服HAPS系统的误差,并保持预报质量稳定,且随着预报时效的延长,本申请的预报效果接近于预报员制作,可采用本申请的气温预报结果替代预报员制作,对超过12小时的定点定时精细化天气预报探索具有重要参考价值。对于未来12小时逐小时气温预报,本申请采用的卡尔曼滤波方法在夏季、秋季的预报效果与预报员制作相当,基本可以代替预报员制作。随着大城市气象服务精细化程度的进一步提高,未来精细化网格点预报将成为重要服务产品,而本申请可以减轻预报员负担,为不断增长的精细化服务需求与有限人力之间的矛盾提供技术支撑。
附图说明
图1是深圳10个行政区及各代表自动气象站分布图;
图2是本申请实施例的基于卡尔曼滤波的气温预报方法的流程图;
图3为2013年1月至2014年12月卡尔曼滤波方法、HAPS预报、预报员制作的气温预报准确率示意图,其中,(a)为最高气温,(b)为最低气温;
图4为2014年1月-2014年12月6:00起报逐时气温预报全市平均绝对误差示意图;
图5为2014年未来12h逐时气温预报分区平均绝对误差示意图;
图6是本申请实施例的基于卡尔曼滤波的气温预报系统的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请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用以解释本申请,并不用于限定本申请。
请参阅图2,是本申请实施例的基于卡尔曼滤波的气温预报方法的流程图。本申请实施例的基于卡尔曼滤波的气温预报方法包括以下步骤:
步骤100:将初始气象资料输入HAPS系统(Hourly Assimilation and PredictionSystem,逐时同化预报系统),通过HAPS系统的模式直接输出(Direct DodelOutput,DMO)各自动气象站点的HAPS气温预报结果;
步骤200:采用拉格朗日插值法计算各自动气象站点所在位置,并利用卡尔曼滤波方法对HAPS气温预报结果进行单要素释用,得到各自动气象站点释用结果;
在步骤200中,卡尔曼滤波方法是目前国际上较为先进的一种新的基于统计估算递推滤波方法。它通过处理一系列带有误差的实际测量数据而得到所需要的物理参数的最佳估算值。它的主要优点在于能够根据前一时刻的预报误差大小及其它统计量的变化来调整预报方程的系数,不仅利用了样本所提供的信息,同时也吸收了前一时刻预报方程的反馈信息,从而得到预报值的最佳估算值,这对提高预报精度具有重要现实意义。因此该方法可对数值预报产品进行统计释用,主要适用于制作气温等连续性气象要素的预报,是一种能较快适应数值预报模式经常变化的统计预报方法。其应用原理可用以下两组方程表示:
Yt=Xtβt+еt (1)
βt=βt-1+εt-1 (2)
式(1)为预报方程,еt为量测噪声,是n维随机向量;Yt是n维量测变量(预报量),可用下式表示:Yt=[y1,y2,…,yn]tT,Xt是n×m维的预报因子矩阵,βt是m维回归系数。在递推滤波方法中,将βt作为状态向量,它是变化的,用状态方程式(2)来描述其变化。式(2)中εt-1是动态噪声。假设动态噪声εt-1与量测噪声еt都是随机向量,并假定二者互不相关、均值为零、方差分别为W和V的白噪声。根据上述对εt-1和еt的假定,运用广义最小二乘法,可以得到一组递推滤波公式,这一组公式组成了递推滤波系统。
Yt=Xtβt-1 (3)
Rt=Ct-1+W (4)
δt=XtRtXt T (5)
At=RtXtTδt -1 (6)
βt=βt-1+At(Yt–Yt) (7)
Ct=Rt-AtδtAt T (8)
上述几个公式组成的递推滤波系统体现了卡尔曼滤波的基本思想。通过卡尔曼滤波方法的原理可以看出,它可以通过建立可变的预报模式,利用上一次预报误差的反馈信息来修正下次预报的参数,从而克服预报方程中产生较大预报误差的缺陷,并且其所需资料的容量比较小。Greg等(Greg et al,2006)用数值模拟的方法验证了卡尔曼滤波法的有效性和稳定性,提出卡尔曼滤波法有以下优势:当更新平均偏差场时卡尔曼滤波考虑了测量噪声,在计算偏差时可提供估算误差,可避免订正场的不稳定性,能够适应不断更新的数值预报模式。另外,卡尔曼滤波法所建立方程的通用性好,适用期限长,便于实际业务应用,已成为业务中数值预报释用的重要技术,既能保证一定的精度又能满足实时处理的要求。
步骤300:基于各自动气象站点释用结果,采用偏差订正方法对HAPS气温预报结果进行订正,得到各自动气象站点订正后的气温预报结果;
在步骤300中,对HAPS气温预报结果进行偏差订正具体为:提取若干时次气温偏差值进行卡尔曼滤波处理,获得稳定的偏差校准因子,将该偏差校准因子应用于HAPS气温预报结果的订正。由于卡尔曼滤波器只能处理含有高斯白噪声的变量,而数值预报的输出要素与自动站的观测值往往是系统性的偏差,并不能直接使用卡尔曼滤波器来做数值的订正。通过相关法分析,可将预报偏差定义为含有高斯白噪声的一维随机动态变量,运用偏差订正方法对预报偏差进行滤波,获得稳定的偏差校准因子。
偏差校准因子估计:
di,j,t(k)=Ni,j,t(k)/Oi,j,t(k) (9)
式(9)中,di,j,t(k)为数值预报与实况偏差,是与数值预报对应的二维场资料,Ni,j,t(k)是数值预报场资料,Oi,j,t(k)为观测分析场资料,i和j为格点索引,t为预报时效。
偏差校准权重估算:
Di,j,t(k)=(1-ω)Di,j,t(k-1)+ωdi,j,t(k) (10)
式(10)中,Di,j,t(k)为加权后的偏差校准因子,根据上时次的偏差校准因子与当前时次的偏差校准因子加权平均获得,确定权重ω的准则是要以使得校准后的最佳估计值的方差最小。权重ω的设置,可以使得HAPS气温预报结果的订正适应不同天气过程,具有很高的灵活行,也有助于提高预报准确率。
HAPS气温预报结果的偏差订正:
Fi,j,t(k)=Ni,j,t(k)/Di,j,t(k) (11)
式(11)中,Fi,j,t(k)为经过偏差订正后的气温预报结果。偏差订正包括两个阶段:预测与更新。在预测阶段,使用上一状态的预测值估计当前状态的预测值。在更新阶段,滤波器利用当前状态的观测值对预测阶段估计的预测值进行优化,以获得一个更精确的新估计值。
海陆差异的处理方法:
在模型研究和实际应用中发现,当偏差振幅较大时,卡尔曼滤波方法表现比较好,更容易获得稳定的偏差值。而对于沿海城市,靠海行政区由于中尺度数值预报模式对海陆分界线不够精确,导致HAPS预报的气温曲线过于平坦,偏差振幅较小,从而影响卡尔曼滤波方法的订正效果。以深圳为例,中尺度数值预报模式使用的下垫面数据分辨率较低,造成定位误差,该误差使得靠海的福田区和大鹏区两个自动气象站点的取值位于海上,为了克服这个缺陷,本申请通过将靠海行政区(大鹏区和福田区)的自动气象站点往内陆移动一定距离(约10km),对自动气象站点进行位置订正,使卡尔曼滤波方法可以正确执行。
极值控制方法:
在实际业务中,考虑到自动气象站点的实时气温观测曲线是连续的,突发性局地性的强阵雨会导致气温急剧下降,当降雨趋于结束后,气温又迅速回升,根据卡尔曼滤波方法的订正原理,订正结果可能会出现极值。本申请通过对极值加以人工限定,从而有效的提高订正效果。具体为:应用预报员制作每个自动气象站点的日最高温度和最低温度分别作为该站点气温预报的最高气温极值和最低气温极值,通过最高气温极值和最低气温极值对订正结果中受降水影响而出现的气温异常极值进行人工限定,有效地避免了卡尔曼滤波方法受到降水影响而气温出现异常极值的情况。
步骤400:将订正后的气温预报结果与各自动气象站点的实测气温数据进行比较分析,对气温预报结果的精度进行验证。
在步骤400中,为了使定点预报的结果得到客观检验,需要建立科学的检验评分办法。本申请按照中国气象局《大城市逐6小时精细化气象要素预报质量检验办法(试行)》的要求,以深圳为例,将深圳市的10个自动气象站点的气温预报结果进行检验。
气温预报平均绝对误差:
式(12)中,Fi为某个行政区第i次的预报气温,Oi为该行政区第i次自动气象站点的实况气温,N为该行政区预报总次数。
气温预报准确率:
式(13)中,在气温预报平均绝对误差≤1℃的情况下,Nrk为该行政区预报正确的次数,Nfk为该行政区预报的总次数。气温预报准确率的实际含义是气温预报平均绝对误差≤1℃的百分率。
气温预报结果检验包括:
(1)24h最高、最低气温准确率分区检验
如表1所示,卡尔曼滤波方法的最低气温准确率与预报员制作的最低气温准确率基本相当,最高气温准确率则差于预报员制作。卡尔曼滤波方法在各区表现的差异性很明显:对最低气温预报准确率,卡尔曼滤波方法表现最好的是光明,最低气温准确率达到82%,其次是在罗湖和盐田,准确率均在75%以上;大鹏、坪山、南山等三个区的准确率仅在60%左右。比较卡尔曼滤波方法与预报员制作的各区最低气温准确率可得到,在光明、盐田、宝安、罗湖四个区卡尔曼滤波方法准确率明显高于预报员制作;在龙华、龙岗、福田三个区卡尔曼滤波方法准确率接近预报员制作,两者差距在0.5%以内;而在南山、坪山、大鹏三个区尚存在较大差距,仍需要进一步的改进。对最高气温预报准确率,卡尔曼滤波方法在各区的表现与最低气温不一致,表现最好的是福田、南山、宝安;最差的是大鹏、光明、龙岗,并且各区卡尔曼滤波方法与预报员制作都存在较大的差距,尤其是大鹏,两者差距达15%,亟待进一步改进。
表1 2014年1月至2014年12月各区最高、最低气温预报准确率(%)
如前所述,为提高卡尔曼滤波方法对气温预报的订正效果,在实际业务中,采用预报员制作10个分区的日最高温度和最低温度分别作为卡尔曼滤波方法气温预报的最高气温极值和最低气温极值。本申请统计了福田区2013年1月至2014年12月的HAPS预报、卡尔曼滤波方法、预报员制作的气温预报准确率,如图3所示,为2013年1月至2014年12月卡尔曼滤波方法、HAPS预报、预报员制作的气温预报准确率示意图,其中,(a)为最高气温,(b)为最低气温。从两年准确率检验变化趋势来看,卡尔曼滤波方法气温预报准确率评分均有一定的上升趋势,究其原因可能是自2013年10月以后采用了极值限定的方法对卡尔曼滤波方法进行了改进。
(2)逐时气温预报检验:因白天时段气温起伏变化受公众关注较大,选取了2014年1月—2014年12月共一年06:00起报的全深圳市10个行政区未来12小时的预报数据进行逐时的气温检验分析。具体如图4所示,为2014年1月-2014年12月6:00起报逐时气温预报全市平均绝对误差示意图。图中灰色表示预报员制作,黑色表示卡尔曼滤波方法,白色表示HAPS预报。检验结果表明,HAPS系统对未来12小时的气温预报平均绝对误差在1.85℃左右,而本申请的气温预报平均绝对误差仅有1.32℃左右,平均绝对误差减小了0.5℃,并在各个预报时次相对HAPS系统的气温预报结果都有明显改进的特点;而预报员制作的气温平均绝对误差增大速度快于卡尔曼滤波方法的误差增大速度。特别是随着预报时效的延长,本申请的气温误差与预报员制作的误差更加接近,在12小时两者的误差仅相差0.15℃。
(3)分区气温预报检验:统计了各行政区各季度卡尔曼滤波方法与预报员制作的逐时气温预报准确率。如图5所示,为2014年未来12h逐时气温预报分区平均绝对误差示意图,图中灰色代表预报员制作,黑色代表卡尔曼滤波方法。检验结果表明,预报员制作的气温预报准确率在各区的差异不大,体现不出地区差异味,对外服务效果较差。而卡尔曼滤波方法的气温预报准确率在各区的表现差异较大,其中在大鹏的预报效果最差,绝对误差达到1.63℃。由深圳的地理环境可知,大鹏三面环海,森林覆盖率超过70%,作为深圳市生态保护的对象,其城市化开发程度低,从气候特征上更接近海洋,所以卡尔曼滤波方法对于大鹏预报存在较大偏差的原因。卡尔曼滤波方法预报效果最好是罗湖、南山、龙华,这是三个区皆是深圳人口密集区和城市化程度最高的区域。
为进一步讨论各区卡尔曼滤波方法的可用性,计算分区各季度卡尔曼滤波方法与预报员制作的逐时气温的绝对误差的差值。由表2可知,夏季与秋季除大鹏外,其他区域的误差差值均小于0.25,卡尔曼滤波方法基本可替代预报员制作,两者预报效果相差不大。冬季气温误差差值均≥0.25,其中福田、光明、龙华、龙岗等甚至大于0.5℃,主要原因时深圳冬季多阴雨天气,气温波动小,2014年1-2月和12月日温差小于5℃的天数为27天,尤其是12月与2月日温差小于5℃的天数分别为12天和10天。春季两者也存在一定差距,介于0.19-0.37℃。还需要进一步改进卡尔曼滤波方法在冬季、春季的气温预报应用效果。
表2深圳分区各季度卡尔曼滤波方法与预报员制作的逐时气温的绝对误差的差值(℃)
请参阅图6,是本申请实施例的基于卡尔曼滤波的气温预报系统的结构示意图。本申请实施例的基于卡尔曼滤波的气温预报系统包括HAPS气温获取模块、插值模块、偏差订正模块和结果检验模块。
HAPS气温获取模块:用于将初始气象资料输入HAPS系统,通过HAPS系统的模式直接输出各自动气象站点的HAPS气温预报结果;
插值模块:用于采用拉格朗日插值法计算各自动气象站点所在位置,并利用卡尔曼滤波方法对HAPS气温预报结果进行单要素释用,得到各自动气象站点释用结果;其中,卡尔曼滤波方法是目前国际上较为先进的一种新的基于统计估算递推滤波方法。它通过处理一系列带有误差的实际测量数据而得到所需要的物理参数的最佳估算值。它的主要优点在于能够根据前一时刻的预报误差大小及其它统计量的变化来调整预报方程的系数,不仅利用了样本所提供的信息,同时也吸收了前一时刻预报方程的反馈信息,从而得到预报值的最佳估算值,这对提高预报精度具有重要现实意义。因此该方法可对数值预报产品进行统计释用,主要适用于制作气温等连续性气象要素的预报,是一种能较快适应数值预报模式经常变化的统计预报方法。其应用原理可用以下两组方程表示:
Yt=Xtβt+еt (1)
βt=βt-1+εt-1 (2)
式(1)为预报方程,еt为量测噪声,是n维随机向量;Yt是n维量测变量(预报量),可用下式表示:Yt=[y1,y2,…,yn]tT,Xt是n×m维的预报因子矩阵,βt是m维回归系数。在递推滤波方法中,将βt作为状态向量,它是变化的,用状态方程式(2)来描述其变化。式(2)中εt-1是动态噪声。假设动态噪声εt-1与量测噪声еt都是随机向量,并假定二者互不相关、均值为零、方差分别为W和V的白噪声。根据上述对εt-1和еt的假定,运用广义最小二乘法,可以得到一组递推滤波公式,这一组公式组成了递推滤波系统。
Yt=Xtβt-1 (3)
Rt=Ct-1+W (4)
δt=XtRtXt T (5)
At=RtXtTδt -1 (6)
βt=βt-1+At(Yt–Yt) (7)
Ct=Rt-AtδtAt T (8)
上述几个公式组成的递推滤波系统体现了卡尔曼滤波的基本思想。通过卡尔曼滤波方法的原理可以看出,它可以通过建立可变的预报模式,利用上一次预报误差的反馈信息来修正下次预报的参数,从而克服预报方程中产生较大预报误差的缺陷,并且其所需资料的容量比较小。Greg等(Greg et al,2006)用数值模拟的方法验证了卡尔曼滤波法的有效性和稳定性,提出卡尔曼滤波法有以下优势:当更新平均偏差场时卡尔曼滤波考虑了测量噪声,在计算偏差时可提供估算误差,可避免订正场的不稳定性,能够适应不断更新的数值预报模式。另外,卡尔曼滤波法所建立方程的通用性好,适用期限长,便于实际业务应用,已成为业务中数值预报释用的重要技术,既能保证一定的精度又能满足实时处理的要求。
偏差订正模块:用于基于各自动气象站点释用结果,采用偏差订正方法对HAPS气温预报结果进行订正,得到各自动气象站点订正后的气温预报结果;本申请实施例中,对HAPS气温预报结果进行偏差订正具体为:提取若干时次气温偏差值进行卡尔曼滤波处理,获得稳定的偏差校准因子,将该偏差校准因子应用于HAPS气温预报结果的订正。由于卡尔曼滤波器只能处理含有高斯白噪声的变量,而数值预报的输出要素与自动站的观测值往往是系统性的偏差,并不能直接使用卡尔曼滤波器来做数值的订正。通过相关法分析,可将预报偏差定义为含有高斯白噪声的一维随机动态变量,运用偏差订正方法对预报偏差进行滤波,获得稳定的偏差校准因子。
偏差校准因子估计:
di,j,t(k)=Ni,j,t(k)/Oi,j,t(k) (9)
式(9)中,di,j,t(k)为数值预报与实况偏差,是与数值预报对应的二维场资料,Ni,j,t(k)是数值预报场资料,Oi,j,t(k)为观测分析场资料,i和j为格点索引,t为预报时效。
偏差校准权重估算:
Di,j,t(k)=(1-ω)Di,j,t(k-1)+ωdi,j,t(k) (10)
式(10)中,Di,j,t(k)为加权后的偏差校准因子,根据上时次的偏差校准因子与当前时次的偏差校准因子加权平均获得,确定权重ω的准则是要以使得校准后的最佳估计值的方差最小。权重ω的设置,可以使得HAPS气温预报结果的订正适应不同天气过程,具有很高的灵活行,也有助于提高预报准确率。
HAPS气温预报结果的偏差订正:
Fi,j,t(k)=Ni,j,t(k)/Di,j,t(k) (11)
式(11)中,Fi,j,t(k)为经过偏差订正后的气温预报结果。偏差订正包括两个阶段:预测与更新。在预测阶段,使用上一状态的预测值估计当前状态的预测值。在更新阶段,滤波器利用当前状态的观测值对预测阶段估计的预测值进行优化,以获得一个更精确的新估计值。
偏差订正模块还包括:
海陆差异处理单元:在模型研究和实际应用中发现,当偏差振幅较大时,卡尔曼滤波方法表现比较好,更容易获得稳定的偏差值。而对于沿海城市,靠海行政区由于中尺度数值预报模式对海陆分界线不够精确,导致HAPS预报的气温曲线过于平坦,偏差振幅较小,从而影响卡尔曼滤波方法的订正效果。以深圳为例,中尺度数值预报模式使用的下垫面数据分辨率较低,造成定位误差,该误差使得靠海的福田区和大鹏区两个自动气象站点的取值位于海上,为了克服这个缺陷,海陆差异处理单元用于对靠海行政区的自动气象站点进行位置订正,往内陆移动一定距离(约10km),使卡尔曼滤波方法可以正确执行。
偏差订正模块还包括:
极值控制单元:在实际业务中,考虑到自动气象站点的实时气温观测曲线是连续的,突发性局地性的强阵雨会导致气温急剧下降,当降雨趋于结束后,气温又迅速回升,根据卡尔曼滤波方法的订正原理,订正结果可能会出现极值。本申请通过极值控制单元对极值加以人工限定,从而有效的提高订正效果。具体为:应用预报员制作每个自动气象站点的日最高温度和最低温度分别作为该站点气温预报的最高气温极值和最低气温极值,通过最高气温极值和最低气温极值对订正结果中受降水影响而出现的气温异常极值进行人工限定,有效地避免了卡尔曼滤波方法受到降水影响而气温出现异常极值的情况。
结果检验模块:用于将订正后的气温预报结果与各自动气象站点的实测气温数据进行比较分析,对气温预报结果的精度进行验证。具体为:
气温预报平均绝对误差:
式(12)中,Fi为某个行政区第i次的预报气温,Oi为该行政区第i次自动气象站点的实况气温,N为该行政区预报总次数。
气温预报准确率:
式(13)中,在气温预报平均绝对误差≤1℃的情况下,Nrk为该行政区预报正确的次数,Nfk为该行政区预报的总次数。气温预报准确率的实际含义是气温预报平均绝对误差≤1℃的百分率。
本申请实施例的基于卡尔曼滤波的气温预报方法及系统采用卡尔曼滤波方法对HAPS气温预报结果进行订正,能有效克服HAPS系统的误差,并保持预报质量稳定,且随着预报时效的延长,本申请的预报效果接近于预报员制作,可采用本申请的气温预报结果替代预报员制作,对超过12小时的定点定时精细化天气预报探索具有重要参考价值。对于未来12小时逐小时气温预报,本申请采用的卡尔曼滤波方法在夏季、秋季的预报效果与预报员制作相当,基本可以代替预报员制作。随着大城市气象服务精细化程度的进一步提高,未来精细化网格点预报将成为重要服务产品,而本申请可以减轻预报员负担,为不断增长的精细化服务需求与有限人力之间的矛盾提供技术支撑。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本申请所示的这些实施例,而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于卡尔曼滤波的气温预报方法,其特征在于,包括以下步骤:
步骤a:将初始气象资料输入HAPS系统,通过HAPS系统输出自动气象站点的HAPS气温预报结果;
步骤b:计算自动气象站点所在位置,并利用卡尔曼滤波方法对HAPS气温预报结果进行单要素释用,得到各自动气象站点释用结果;
步骤c:基于自动气象站点释用结果,采用偏差订正方法对HAPS气温预报结果进行订正,得到自动气象站点订正后的气温预报结果;
在所述步骤c中,所述采用偏差订正方法对HAPS气温预报结果进行订正具体包括:提取气温偏差值进行卡尔曼滤波处理,获得偏差校准因子,将所述偏差校准因子应用于HAPS气温预报结果的订正;其中,
偏差校准因子估计:
di,j,t(k)=Ni,j,t(k)/Oi,j,t(k)
上式中,di,j,t(k)为数值预报与实况偏差,是与数值预报对应的二维场资料,Ni,j,t(k)是数值预报场资料,Oi,j,t(k)为观测分析场资料,i和j为格点索引,t为预报时效;
偏差校准权重估算:
Di,j,t(k)=(1-ω)Di,j,t(k-1)+ωdi,j,t(k)
上式中,Di,j,t(k)为加权后的偏差校准因子,根据上时次的偏差校准因子与当前时次的偏差校准因子加权平均获得,确定权重ω的准则为以使得校准后的最佳估计值的方差最小;
HAPS气温预报结果的偏差订正:
Fi,j,t(k)=Ni,j,t(k)/Di,j,t(k)
上式中,Fi,j,t(k)为订正后的气温预报结果。
2.根据权利要求1所述的基于卡尔曼滤波的气温预报方法,其特征在于,在所述步骤b中,所述计算自动气象站点所在位置具体为:采用拉格朗日插值法计算自动气象站点所在位置。
3.根据权利要求2所述的基于卡尔曼滤波的气温预报方法,其特征在于,在所述步骤c中,所述采用偏差订正方法对HAPS气温预报结果进行订正还包括:按照设定距离将靠海行政区的自动气象站点往内陆移动,对靠海行政区的自动气象站点进行位置订正。
4.根据权利要求3所述的基于卡尔曼滤波的气温预报方法,其特征在于,在所述步骤c中,所述采用偏差订正方法对HAPS气温预报结果进行订正还包括:应用预报员制作每个自动气象站点的日最高温度和最低温度分别作为该自动气象站点气温预报的最高气温极值和最低气温极值,通过所述最高气温极值和最低气温极值对订正结果中受降水影响而出现的气温异常极值进行人工限定。
5.一种基于卡尔曼滤波的气温预报系统,其特征在于,包括:
HAPS气温获取模块:用于将初始气象资料输入HAPS系统,通过HAPS系统输出自动气象站点的HAPS气温预报结果;
插值模块:用于计算自动气象站点所在位置,并利用卡尔曼滤波方法对HAPS气温预报结果进行单要素释用,得到各自动气象站点释用结果;
偏差订正模块:用于基于自动气象站点释用结果,采用偏差订正方法对HAPS气温预报结果进行订正,得到自动气象站点订正后的气温预报结果;
所述偏差订正模块采用偏差订正方法对HAPS气温预报结果进行订正具体为:提取气温偏差值进行卡尔曼滤波处理,获得偏差校准因子,将所述偏差校准因子应用于HAPS气温预报结果的订正;其中,
偏差校准因子估计:
di,j,t(k)=Ni,j,t(k)/Oi,j,t(k)
上式中,di,j,t(k)为数值预报与实况偏差,是与数值预报对应的二维场资料,Ni,j,t(k)是数值预报场资料,Oi,j,t(k)为观测分析场资料,i和j为格点索引,t为预报时效;
偏差校准权重估算:
Di,j,t(k)=(1-ω)Di,j,t(k-1)+ωdi,j,t(k)
上式中,Di,j,t(k)为加权后的偏差校准因子,根据上时次的偏差校准因子与当前时次的偏差校准因子加权平均获得,确定权重ω的准则为以使得校准后的最佳估计值的方差最小;
HAPS气温预报结果的偏差订正:
Fi,j,t(k)=Ni,j,t(k)/Di,j,t(k)
上式中,Fi,j,t(k)为订正后的气温预报结果。
6.根据权利要求5所述的基于卡尔曼滤波的气温预报系统,其特征在于,所述插值模块计算自动气象站点所在位置具体为:采用拉格朗日插值法计算自动气象站点所在位置。
7.根据权利要求6所述的基于卡尔曼滤波的气温预报系统,其特征在于,所述偏差订正模块还包括海陆差异处理单元,所述海陆差异处理单元用于按照设定距离将靠海行政区的自动气象站点往内陆移动,对靠海行政区的自动气象站点进行位置订正。
8.根据权利要求7所述的基于卡尔曼滤波的气温预报系统,其特征在于,所述偏差订正模块还包括极值控制单元,所述极值控制单元用于应用预报员制作每个自动气象站点的日最高温度和最低温度分别作为该自动气象站点气温预报的最高气温极值和最低气温极值,通过所述最高气温极值和最低气温极值对订正结果中受降水影响而出现的气温异常极值进行人工限定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810903827.1A CN108983324B (zh) | 2018-08-09 | 2018-08-09 | 一种基于卡尔曼滤波的气温预报方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810903827.1A CN108983324B (zh) | 2018-08-09 | 2018-08-09 | 一种基于卡尔曼滤波的气温预报方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108983324A CN108983324A (zh) | 2018-12-11 |
CN108983324B true CN108983324B (zh) | 2021-02-19 |
Family
ID=64555791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810903827.1A Expired - Fee Related CN108983324B (zh) | 2018-08-09 | 2018-08-09 | 一种基于卡尔曼滤波的气温预报方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108983324B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109783774B (zh) * | 2018-12-18 | 2023-05-23 | 深圳市气象局 | 一种温度集合预报方法及系统 |
CN110068878B (zh) * | 2019-04-22 | 2021-04-09 | 山东省气象科学研究所 | 一种气温智能网格最优集成预报方法 |
CN112748483B (zh) * | 2020-12-24 | 2022-08-19 | 北京思湃德信息技术有限公司 | 一种基于深度学习的气温预报偏差订正方法及装置 |
CN113239318B (zh) * | 2021-05-17 | 2022-12-20 | 中国气象局乌鲁木齐沙漠气象研究所 | 一种区域数值预报模式的土壤湿度初值订正方法 |
CN113627683B (zh) * | 2021-08-25 | 2023-06-06 | 天气在线(无锡)科技有限公司 | 一种面向单模式次季节预报订正的邻域迭代映射方法 |
CN114675349B (zh) * | 2022-03-04 | 2024-04-26 | 国家气象中心(中央气象台) | 数值模式产品分段式订正预报方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006317257A (ja) * | 2005-05-12 | 2006-11-24 | National Research Institute For Earth Science & Disaster Provention | 火山活動の自動監視システム |
CN103955860A (zh) * | 2014-04-17 | 2014-07-30 | 中国农业大学 | 一种基于集合卡尔曼滤波同化的区域作物估产方法 |
CN105425319A (zh) * | 2015-09-16 | 2016-03-23 | 河海大学 | 基于地面测量数据校正的降雨卫星暴雨同化方法 |
CN105787813A (zh) * | 2016-03-21 | 2016-07-20 | 广西电网有限责任公司电力科学研究院 | 一种基于协方差的短期风功率预测方法 |
CN106443212A (zh) * | 2016-11-02 | 2017-02-22 | 安徽锦坤电子科技有限公司 | 一种用于雷电的监测预警系统 |
-
2018
- 2018-08-09 CN CN201810903827.1A patent/CN108983324B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006317257A (ja) * | 2005-05-12 | 2006-11-24 | National Research Institute For Earth Science & Disaster Provention | 火山活動の自動監視システム |
CN103955860A (zh) * | 2014-04-17 | 2014-07-30 | 中国农业大学 | 一种基于集合卡尔曼滤波同化的区域作物估产方法 |
CN105425319A (zh) * | 2015-09-16 | 2016-03-23 | 河海大学 | 基于地面测量数据校正的降雨卫星暴雨同化方法 |
CN105787813A (zh) * | 2016-03-21 | 2016-07-20 | 广西电网有限责任公司电力科学研究院 | 一种基于协方差的短期风功率预测方法 |
CN106443212A (zh) * | 2016-11-02 | 2017-02-22 | 安徽锦坤电子科技有限公司 | 一种用于雷电的监测预警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108983324A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108983324B (zh) | 一种基于卡尔曼滤波的气温预报方法及系统 | |
CN108227041B (zh) | 基于站点实测数据和模式结果的水平能见度预报方法 | |
Shabalova et al. | Assessing future discharge of the river Rhine using regional climate model integrations and a hydrological model | |
CN108763756B (zh) | 一种气溶胶光学厚度与pm2.5反演订正方法及其系统 | |
CN111027175B (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
CN111242404B (zh) | 一种强降雨诱发洪灾事件的极端性评估方法及系统 | |
CN111401602B (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
CN111723524B (zh) | 一种基于日变化约束的pm2.5卫星遥感反演方法 | |
CN112070286A (zh) | 复杂地形流域的降水预报预警系统 | |
CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
CN110674467A (zh) | 基于swat模型的水文过程对气候变化的响应监测方法 | |
CN110738354A (zh) | 预测颗粒物浓度的方法、装置、存储介质及电子设备 | |
CN111323352A (zh) | 融合细颗粒物浓度数据的区域pm2.5遥感反演模型 | |
CN116910041B (zh) | 一种基于尺度分析的遥感降水产品的逐日订正方法 | |
CN111723525A (zh) | 一种基于多源数据和神经网络模型的pm2.5反演方法 | |
CN115115224A (zh) | 一种矿区植被碳汇分级及变化趋势评价分析方法 | |
CN115575601A (zh) | 基于水汽通量散度的植被旱灾指数评估方法和系统 | |
CN109543911B (zh) | 一种日照辐射预测方法及系统 | |
Yang et al. | Intra-day global horizontal irradiance forecast using FY-4A clear sky index | |
CN114004426B (zh) | 一种短时暴雨预报释用模型的动态调整方法 | |
Zhou et al. | Daily rainfall model to merge TRMM and ground based observations for rainfall estimations | |
CN113672864B (zh) | 一种应用于雨衰减统计预测的年平均雨顶高度的加权算法 | |
CN115600142A (zh) | 一种基于不同方法的大风融合集成预报方法 | |
CN112214877B (zh) | 一种基于量化指标的pm2.5反演方法 | |
Srivastava | Application of GPS PWV for rainfall detection using ERA5 datasets over the Indian IGS locations |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210219 |
|
CF01 | Termination of patent right due to non-payment of annual fee |