CN109061776A - 一种短时临近数值天气预报系统及方法 - Google Patents
一种短时临近数值天气预报系统及方法 Download PDFInfo
- Publication number
- CN109061776A CN109061776A CN201811168925.1A CN201811168925A CN109061776A CN 109061776 A CN109061776 A CN 109061776A CN 201811168925 A CN201811168925 A CN 201811168925A CN 109061776 A CN109061776 A CN 109061776A
- Authority
- CN
- China
- Prior art keywords
- forecast
- field
- module
- processing
- prediction 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Atmospheric Sciences (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Electromagnetism (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种超高分辨率(云分辨尺度)的短时临近数值天气预报系统,它包括前处理、同化、预报以及后处理四个子系统:前处理子系统,用于获取待预报天气的目标区域的背景场、边界场以及雷达反演风场,并以背景场和边界场为依据生成云分析场;同化子系统,用于对前处理子系统得到的雷达反演风场和云分析场进行变分同化处理,得到初始场,并对初始场进行云分析处理,得到三维格点场;预报子系统,用于以三维格点场为依据进行数据处理,得到预测数据;后处理子系统,用于以预测数据为依据,生成综合预报信息。本发明提供的短时临近数值天气预报系统,能够有效提高待检测地区中小尺度对流系统的精细化预报水平。
Description
技术领域
本发明涉及光学检测技术领域,具体而言,涉及一种短时临近数值天气预报系统及方法。
背景技术
天气预报信息是人们日常生活中所关注的一种重要信息,随着天气预测技术的发展以及互联网和移动通信技术的普及,人们追求更准确更实时的天气预报。人们根据气象观测到的数据,应用天气学、动力学、统计学的原理和方法,对所要预测天气的区域未来一定时段的天气状况作出定性或定量的预测。然而,实践中发现,现有的天气预报系统中,实时观测到的气象数据无法及时融合到预测系统中,同时无法实时同化雷达观测数据,其次现有的系统采用一维静力参考大气的方式,容易引起较大的计算误差。可见,现有的天气预报系统实时性差,数据处理误差大,导致天气预测不准确。
发明内容
鉴于上述问题,本发明提供了一种短时临近数值天气预报系统及方法,能够提高观测装置与短时临近数值天气预报系统之间同步的实时性和准确性,减小误差,进而提高天气预测的准确度。
为了实现上述目的,本发明采用如下的技术方案:
第一方面,本发明提供了一种短时临近数值天气预报系统,包括前处理子系统、同化子系统、预报子系统以及后处理子系统:
所述前处理子系统,用于采用垂直速度抑制技术从观测装置处获取待预报天气的目标区域的背景场、边界场以及雷达反演风场,并以所述背景场和所述边界场为依据生成云分析场;
所述同化子系统,用于采用松弛逼近技术对所述前处理子系统得到的所述雷达反演风场和所述云分析场进行变分同化处理,得到初始场,并对所述初始场进行云分析处理,得到三维格点场;
所述预报子系统,用于以所述同化子系统得到的所述三维格点场为依据进行数据处理,得到预测数据;
所述后处理子系统,用于以所述预报子系统得到的所述预测数据为依据,生成综合预报信息。
作为一种可选的实施方式,在第一方面中,所述预报子系统包括模式选择模块、第一预报模块、第二预报模块以及第三预报模块:
所述模式选择模块,用于从所述第一预报模块、所述第二预报模块以及所述第三预报模块中选取一个或多个预报模块作为目标模块组,并发送所述三维格点场至所述目标模块组包括的预报模块中;
所述第一预报模块,用于在所述目标模块组包括所述第一预报模块时,对所述三维格点场进行数据处理,得到第一预测数据;
所述第二预报模块,用于在所述目标模块组包括所述第二预报模块时,对所述三维格点场进行数据处理,得到第二预测数据;
所述第三预报模块,用于在所述目标模块组包括所述第三预报模块时,对所述三维格点场进行数据处理,得到第三预测数据。
作为一种可选的实施方式,在第一方面中,所述后处理子系统包括第一处理模块、第二处理模块、第三处理模块以及信息集合模块:
所述第一处理模块,用于在接收到第一预测数据时,以所述第一预测数据为依据,生成第一预报信息;
所述第二处理模块,用于在接收到第二预测数据时,以所述第二预测数据为依据,生成第二预报信息;
所述第三处理模块,用于在接收到第三预测数据时,以所述第三预测数据为依据,生成第三预报信息;
所述信息集合模块,用于在检测到所述第一预报信息、所述第二预报信息以及所述第三预报信息的一种或者多种时,集合所有预报信息得到综合预报信息。
作为一种可选的实施方式,在第一方面中,所述前处理子系统,具体用于从欧洲中期天气预报中心、美国国家环境预报中心以及全球集合预报系统中的一种或者多种中获取待预报天气的目标区域的背景场和边界场,从雷达处获取雷达反演风场,并以所述背景场和所述边界场为依据生成云分析场。
作为一种可选的实施方式,在第一方面中,所述同化子系统,具体用于依据多尺度同化方案对所述雷达反演风场和所述云分析场进行三维变分同化处理,得到初始场,并对所述初始场进行云分析处理,得到三维格点场。
第二方面,本发明提供了一种短时临近数值天气预报方法,所述方法包括:
获取待预报天气的目标区域的背景场、边界场以及雷达反演风场,并以所述背景场和所述边界场为依据生成云分析场;
对所述雷达反演风场和所述云分析场进行变分同化处理,得到初始场;
对所述初始场进行云分析处理,得到三维格点场;
以所述三维格点场为依据进行数据处理,得到预测数据;
以所述预测数据为依据,生成综合预报信息。
作为一种可选的实施方式,在第二方面中,所述以所述三维格点场为依据进行数据处理,得到预测数据包括:
对所述三维格点场进行第一次数据处理,得到第一预测数据;
对所述三维格点场进行第二次数据处理,得到第二预测数据;
所述预报子系统在所述目标模块组包括所述第三预报模块时,对所述三维格点场进行数据处理,得到第三预测数据。
作为一种可选的实施方式,在第二方面中,所述以所述预测数据为依据,生成综合预报信息包括:
在接收到所述第一预测数据时,以所述第一预测数据为依据,生成第一预报信息;
在接收到所述第二预测数据时,以所述第二预测数据为依据,生成第二预报信息;
在接收到所述第三预测数据时,以所述第三预测数据为依据,生成第三预报信息;
在检测到所述第一预报信息、所述第二预报信息以及所述第三预报信息的一种或者多种时,集合所有预报信息得到综合预报信息。
第三方面,本发明提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的短时临近数值天气预报方法。
第四方面,本发明提供了一种计算机可读存储介质,其存储有上述电子设备中所使用的计算机程序。
根据本发明提供的短时临近数值天气预报方法及系统,该短时临近数值天气预报系统,它包括前处理、同化、预报以及后处理四个子系统:前处理子系统先采用W_damping垂直速度抑制技术从观测装置处获取待预报天气的目标区域的背景场、边界场以及雷达反演风场,并以背景场和边界场为依据生成云分析场;然后,同化子系统再采用牛顿松弛逼近Nudging技术对前处理子系统得到的雷达反演风场和云分析场进行变分同化处理,得到初始场,并对初始场进行云分析处理,得到三维格点场;进一步地,预报子系统以同化子系统得到的三维格点场为依据进行数据处理,得到预测数据;最后,后处理子系统以预报子系统得到的预测数据为依据,生成综合预报信息,能够提高观测装置与短时临近数值天气预报系统之间同步的实时性和准确性,减小误差,进而提高天气预测的准确度,同时能够有效提高待检测地区中小尺度对流系统的精细化预报水平。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对本发明范围的限定。
图1是本发明实施例一提供的短时临近数值天气预报系统的结构示意图;
图2是本发明实施例二提供的短时临近数值天气预报系统的结构示意图;
图3是本发明实施例三提供的短时临近数值天气预报方法的流程示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
针对现有技术中的问题,本发明提供了一种短时临近数值天气预报系统,该短时临近数值天气预报系统,它包括前处理、同化、预报以及后处理四个子系统:前处理子系统先采用垂直速度抑制(W_damping)技术从观测装置处获取待预报天气的目标区域的背景场、边界场以及雷达反演风场,并以背景场和边界场为依据生成云分析场;然后,同化子系统再采用牛顿松弛逼近(Nudging)技术对前处理子系统得到的雷达反演风场和云分析场进行变分同化处理,得到初始场,并对初始场进行云分析处理,得到三维格点场;进一步地,预报子系统以同化子系统得到的三维格点场为依据进行数据处理,得到预测数据;最后,后处理子系统以预报子系统得到的预测数据为依据,生成综合预报信息,能够提高观测装置与短时临近数值天气预报系统之间同步的实时性和准确性,减小误差,进而提高天气预测的准确度,同时,能够有效提高小尺度对流系统的精细化预报水平。并且,该技术可以采用相关的软件或硬件实现,下面通过实施例进行描述。
实施例1
请参阅图1,图1是本实施例提供的短时临近数值天气预报系统的结构示意图。如图1所示,该短时临近数值天气预报系统包括前处理子系统100、同化子系统200、预报子系统300以及后处理子系统400,其中:
前处理子系统100,用于采用垂直速度抑制技术从观测装置处获取待预报天气的目标区域的背景场、边界场以及雷达反演风场,并以背景场和边界场为依据生成云分析场。
本实施例中,上述观测装置可以为雷达、台风预包装纸、空气探测装置、风廓线探测装置、地面站以及探空站等各类可采集到所需数据的装置,本发明实施例不作限定。
本实施例中,垂直速度抑制技术采用的是W_damping阻尼衰减技术,该W_damping阻尼衰减技术中所使用的垂直速度阻尼用于控制垂直运动的鲁棒性,使用W_damping技术,可以解决垂直速度偏大而引起的计算不稳定问题,从而提高模式积分的稳定性。
本实施例中,背景场(background field)可以简称背景(background),通常是指衬托出异常的正常场值或平均下扰水平。背景可以是系统的(区域性的),也可以是随机的(局部的)。在本方法中,背景场为天气预报区域的背景场,用于显示天气正常的平均情况。
本实施例中,边界场是指在背景场的边界上所取得的变量或某个数值或函数随时间和地点的变化规律。其中,边界场用于给定背景场的边界条件。
本实施例中,雷达反演风场是指根据雷达采取到的相关数据(天气数据)进行的反演推导,从而得到的场数据,该雷达反演风场用于与背景场、边界场根据场处理方法进行重合叠加处理,以得到相应目标区域的初始场。
本实施例中,云分析场是根据背景场和边界场两者组合得到的可以体现出目标区域的基本天气情况的云分析场,其中该云分析场用于与雷达反演风场同化处理
同化子系统200,用于采用松弛逼近技术对前处理子系统100得到的雷达反演风场和云分析场进行变分同化处理,得到初始场,并对初始场进行云分析处理,得到三维格点场。
本实施例中,松弛逼近技术具体是指牛顿松弛逼近技术,其中,牛顿松弛逼近法是在模式方程中加入人为的强迫项(松弛强迫项:模式解与观测之差乘以给定的权重系数,即松弛系数),通过积分模式不断调整模式结果(松弛调整)而使之向观测逼近的方法。
本实施例中,同化子系统200可以进行快揵雷达径向风同化操作,快速同化雷达观测,提高短临预报能力。
本实施例中,该同化子系统200采用垂直坐标采用高度地形追随坐标,水平网格变量配置格式为Arakawa-c格点分布,垂直方向Chrney-Phililips跳层设置,计算方案采用迭代法半隐式半拉格朗日的时间差分方案。物理过程包括RRTMG长短波辐射、SMS陆面过程、MRF边界层方案,主要以SAS浅对流与WMS6微物理过程相结合的云降水物理。
预报子系统300,用于以同化子系统200得到的三维格点场为依据进行数据处理,得到预测数据。
本实施例中,预报子系统300可以采用精度更高的PRM方案,提升预测数据的准确度。
在本实施例中,PRM方案是基于启发式节点增强策略的一种路径规划方法,很好的解决了在高维空间中构造出有效路径图的难题。
后处理子系统400,用于以预报子系统300得到的预测数据为依据,生成综合预报信息。
本发明实施例中,该短时临近数值天气预报系统基于GRAPES-meso的非静力全弹性模式,采用半隐式半拉格朗日时间平流方案,经-纬度格点的网格设计,水平方向取Arakawa-C网格,垂直方向采用Charney-Philips垂直分层设置,垂直坐标为高度地形追随坐标,物理过程包括云微物理显式降水、次网格积云对流参数化、长波辐射、短波辐射、陆面过程及边界层过程,预报误差小,预报精度高。
本发明实施例中,短时临近数值天气预报系统采用数值预报模式,同时采用高性能计算机系统进行计算分析。本系统所采用的高性能计算机系统理论峰值处理能力为400TFlops,总可用存储空间为949.2TB,由计算集群(包括计算节点、登录节点和前后处理节点)、存储集群、InfiniBand高速网络、管理网络和EMS管理节点组成。计算集群包括19个IBM Flex System计算机柜,每个机柜28台IBM Flex System p460服务器,共532个节点。每个计算节点配置32颗主频3.55GHz的POWER7CPU处理核心,配置128GB内存。计算集群另外包括1个前后处理节点和4个登录节点。存储集群共配置8个IO节点和8台DCS3700性能增强版磁盘阵列,通过8Gb SAN网络连接,性能高效稳定。
本发明实施例中,该短时临近数值天气预报系统采用并行nudging技术,快速地与云分析系统进行衔接,可以不断将观测到的云物质融合到模式初始场中,从而改善短临预报效果。
本发明实施例中,该短时临近数值天气预报系统采用三维参考大气技术方案,有效地减少了模式预报中扰动量偏大的现象,提高了模式的稳定性和精度。
本发明实施例中,该短时临近数值天气预报系统的计算过程参与亥姆赫兹方程的求解,考虑了模式动力框架和物理过程之间的耦合,明显减少了由物理过程反馈引起的预报场不连续现象。
本发明实施例中,该短时临近数值天气预报系统引入w_damping技术,消除了由于垂直速度偏大而引起的计算不稳定问题,从而提高了模式积分的稳定性。
本发明实施例中,改进了垂直分层方案,并将垂直分层从55层增加到65层,模式顶高度也从28km改为31km。
本实施例中,长短波辐射从原来的RRTM方案升级为RRTMG方案;
本发明实施例中,该短时临近数值天气预报系统将浅对流与微物理方案相结合,形成云降水物理方案,优化了预测结果。
实施这种实施方式,可以明显减小预报扰动的量值,提高模式计算稳定度和精度。特别是能降低在高分辨非静力模式产生的计算误差,降低其引起的非静力虚假扰动而放大模式预报误差。同时,使用三维静力参考大气技术,一方面减少计算误差,另一方面还可以有效地实施静力平衡扣除,显著地减少虚假非静力扰动,从而提高模式预报准确率。除此之外,还针对垂直速度偏大而引起的计算不稳定问题,引入W_damping技术,升级水汽平流,改进了模式垂直分层。长短波辐射也使用RRTMG方案,并构建考虑浅对流与微物理方案相结合云降水物理方案,开发并行nudging技术,快速地与云分析系统进行衔接,可以不断将观测到的云物质融合到模式初始场中,从而改善短临预报效果,也增加雷达云分析系统,快速同化雷达观测,提高短临预报能力。
可见,实施图1所描述的短时临近数值天气预报系统,能够提高观测装置与短时临近数值天气预报系统之间同步的实时性和准确性,减小误差,进而提高天气预测的准确度。
实施例2
请参阅图2,图2是本发明实施例二提供的短时临近数值天气预报系统的结构示意图。其中。图2所示的短时临近数值天气预报系统是由图1所示的短时临近数值天气预报系统进行优化得到的。
如图2所示,预报子系统300包括模式选择模块301、第一预报模块302、第二预报模块303以及第三预报模块304,其中:
模式选择模块301,用于从第一预报模块302、第二预报模块303以及第三预报模块304中选取一个或多个预报模块作为目标模块组,并发送三维格点场至目标模块组包括的预报模块中。
第一预报模块302,用于在目标模块组包括第一预报模块302时,对三维格点场进行数据处理,得到第一预测数据。
本发明实施例中,第一预报模块302主要提供常规中尺度要素预报,每天预报二次,00和12时主要做3天预报(72小时),其覆盖范围,经度从96°E至123.36°E,纬度16°N至31.36°N,水平格距为0.03°,垂直方向分65层,输出逐小时的地面要素和等压面气象要素预报产品。
第二预报模块303,用于在目标模块组包括第二预报模块303时,对三维格点场进行数据处理,得到第二预测数据。
本发明实施例中,第二预报模块303所提供的模式覆盖范围为:经度从96°E至123.36°E,纬度16°N至31.36°N,水平格距为0.03°,垂直方向分65层。逐时滚动预报24小时的天气流程如下:(1)以最近时次EC或GFS分析场或预报场为模式边值。(2)采用前3小时模式起报的3小时预报场为该时次模式初值,并以此为背景场进行3Dvar和云分析,生成新的分析场,启动24小时时效的模式积分。如此循环,每时次的模式初值均由前3小时的预报场,经3Dvar和云分析后生成。
第三预报模块304,用于在目标模块组包括第三预报模块304时,对三维格点场进行数据处理,得到第三预测数据。
本发明实施例中,第三预报模块304所提供的模式覆盖范围为:107°-119°E,18°-27°N,边界条件与初值均由MARS-3km模式的预报场提供。如下图流程所示,逐12分钟滚动制作未来6小时的短临预报。往往在一个小时时段内,起报时间不同,进行的云分析次数也不尽相同。如此众多的预报样本为随后的时间滞后加权平均集合预报提供数据集。
本发明实施例中,后处理子系统400包括第一处理模块401、第二处理模块402、第三处理模块403以及信息集合模块404,其中:
第一处理模块401,用于在接收到第一预测数据时,以第一预测数据为依据,生成第一预报信息。
本发明实施例中,第一预报信息的预报时效为:每天2次(00和12UTC),每次72小时预报,逐小时间隔输出,本发明实施例不作限定。
第二处理模块402,用于在接收到第二预测数据时,以第二预测数据为依据,生成第二预报信息。
本发明实施例中,第二预报信息的预报时效:每天24次(逐时),每次24小时预报,逐小时间隔输出,本发明实施例不作限定。
第三处理模块403,用于在接收到第三预测数据时,以第三预测数据为依据,生成第三预报信息。
本发明实施例中,第三预报信息的预报时效:每12分起报一次,作未来6小时预报,12分钟间隔输出,本发明实施例不作限定。
信息集合模块404,用于在检测到第一预报信息、第二预报信息以及第三预报信息的一种或者多种时,集合所有预报信息得到综合预报信息。
作为一种可选的实施方式,前处理子系统100具体用于从欧洲中期短时临近数值天气预报中心、美国国家环境预报中心以及全球集合预报系统中的一种或者多种中获取待预报天气的目标区域的背景场和边界场,从雷达处获取雷达反演风场,并以背景场和边界场为依据生成云分析场。
作为一种可选的实施方式,同化子系统200具体用于依据多尺度同化方案对雷达反演风场和云分析场进行三维变分同化处理,得到初始场,并对该初始场进行云分析处理,得到三维格点场。
可见,实施图2所描述的短时临近数值天气预报系统,能够提高观测装置与短时临近数值天气预报系统之间同步的实时性和准确性,减小误差,进而提高天气预测的准确度。
实施例3
请参阅图3,图3是本发明实施例三提供的短时临近数值天气预报方法的流程示意图。如图3所示,该短时临近数值天气预报方法包括以下步骤:
S601、获取待预报天气的目标区域的背景场、边界场以及雷达反演风场,并以背景场和边界场为依据生成云分析场。
S602、对雷达反演风场和云分析场进行变分同化处理,得到初始场。
本发明实施例中,变分同化基于Grapes-m3dv版本,开发了多尺度同化版本,对观测资料采取多尺度同化方案,在目标函数的极小化过程中,选取不同的网格、背景误差协方差以及递归滤波半径,利用多重网格的计算方案来获取观测中的多尺度信息。
本发明实施例中,采用并行版nudging快速同化云分析场和雷达反演风场,由雷达卫星经过云分析处理后得到三维格点场,通过并行nudging快速引入模式,改进初始水物质和风场信息,提高短临预报能力。
S603、对初始场进行云分析处理,得到三维格点场。
S604、从内置的第一预报模块、第二预报模块以及第三预报模块中选取一个或多个预报模块作为目标模块组。
S605、在目标模块组包括第一预报模块时,对三维格点场进行数据处理,得到第一预测数据。
S606、在目标模块组包括第二预报模块时,对三维格点场进行数据处理,得到第二预测数据。
S607、在目标模块组包括第三预报模块时,对三维格点场进行数据处理,得到第三预测数据。
S608、以预测数据为依据,生成综合预报信息。
本发明实施例中,所使用的观测资料主要包括雷达、台风报、探空、地面、船舶和风廓线等,本发明实施例不作限定。
本发明实施例中,举例来说,当采用第一预报模块时,在重点区域中心(以广州为例)做未来6小时,间隔12min的精细化预报,逐12min循环同化雷达风场和反射率,采用时间滞后集合预报方法(LAF),时间滞后2小时,每12min起报点为一个成员,共采用11个成员进行集合。概率预报方法选用的是平均法。平均法即每个成员在集合预报中的权重均等为1/N,N为集合成员数,若预报发生某量级降水的成员有M个,则未来发生该量级降水的概率P为M×1/N。
作为一种可选的实施方式,以预测数据为依据,生成综合预报信息包括:
在接收到第一预测数据时,以第一预测数据为依据,生成第一预报信息;
在接收到第二预测数据时,以第二预测数据为依据,生成第二预报信息;
在接收到第三预测数据时,以第三预测数据为依据,生成第三预报信息;
在检测到第一预报信息、第二预报信息以及第三预报信息的一种或者多种时,集合所有预报信息得到综合预报信息。
可见,实施图3所描述的短时临近数值天气预报方法,能够提高观测装置与短时临近数值天气预报系统之间同步的实时性和准确性,减小误差,进而提高天气预测的准确度。
此外,本发明还提供了一种电子设备,该电子设备可以包括智能电话、平板电脑、车载电脑、智能穿戴设备等。该电子设备包括存储器和处理器,存储器可用于存储计算机程序,处理器通过运行所述计算机程序,从而使电子设备执行上述方法或者上述短时临近数值天气预报设备中的各个模块的功能。
存储器可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本实施例还提供了一种计算机存储介质,用于储存上述电子设备中使用的计算机程序。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种短时临近数值天气预报系统,其特征在于,包括前处理子系统、同化子系统、预报子系统以及后处理子系统:
所述前处理子系统,用于采用垂直速度抑制技术从观测装置处获取待预报天气的目标区域的背景场、边界场以及雷达反演风场,并以所述背景场和所述边界场为依据生成云分析场;
所述同化子系统,用于采用松弛逼近技术对所述前处理子系统得到的所述雷达反演风场和所述云分析场进行变分同化处理,得到初始场,并对所述初始场进行云分析处理,得到三维格点场;
所述预报子系统,用于以所述同化子系统得到的所述三维格点场为依据进行数据处理,得到预测数据;
所述后处理子系统,用于以所述预报子系统得到的所述预测数据为依据,生成综合预报信息。
2.根据权利要求1所述的短时临近数值天气预报系统,其特征在于,所述预报子系统包括模式选择模块、第一预报模块、第二预报模块以及第三预报模块:
所述模式选择模块,用于从所述第一预报模块、所述第二预报模块以及所述第三预报模块中选取一个或多个预报模块作为目标模块组,并发送所述三维格点场至所述目标模块组包括的预报模块中;
所述第一预报模块,用于在所述目标模块组包括所述第一预报模块时,对所述三维格点场进行数据处理,得到第一预测数据;
所述第二预报模块,用于在所述目标模块组包括所述第二预报模块时,对所述三维格点场进行数据处理,得到第二预测数据;
所述第三预报模块,用于在所述目标模块组包括所述第三预报模块时,对所述三维格点场进行数据处理,得到第三预测数据。
3.根据权利要求2所述的短时临近数值天气预报系统,其特征在于,所述后处理子系统包括第一处理模块、第二处理模块、第三处理模块以及信息集合模块:
所述第一处理模块,用于在接收到第一预测数据时,以所述第一预测数据为依据,生成第一预报信息;
所述第二处理模块,用于在接收到第二预测数据时,以所述第二预测数据为依据,生成第二预报信息;
所述第三处理模块,用于在接收到第三预测数据时,以所述第三预测数据为依据,生成第三预报信息;
所述信息集合模块,用于在检测到所述第一预报信息、所述第二预报信息以及所述第三预报信息的一种或者多种时,集合所有预报信息得到综合预报信息。
4.根据权利要求1所述的短时临近数值天气预报系统,其特征在于,
所述前处理子系统,具体用于从欧洲中期天气预报中心、美国国家环境预报中心以及全球集合预报系统中的一种或者多种中获取目标区域的背景场和边界场,从雷达处获取雷达反演风场,并以所述背景场和所述边界场为依据生成云分析场。
5.根据权利要求1所述的短时临近数值天气预报系统,其特征在于:
所述同化子系统,具体用于依据多尺度同化方案对所述雷达反演风场和所述云分析场进行三维变分同化处理,得到初始场,并对所述初始场进行云分析处理,得到三维格点场。
6.一种短时临近数值天气预报方法,其特征在于,所述方法包括:
获取待预报天气的目标区域的背景场、边界场以及雷达反演风场,并以所述背景场和所述边界场为依据生成云分析场;
对所述雷达反演风场和所述云分析场进行变分同化处理,得到初始场;
对所述初始场进行云分析处理,得到三维格点场;
以所述三维格点场为依据进行数据处理,得到预测数据;
以所述预测数据为依据,生成综合预报信息。
7.根据权利要求6所述的短时临近数值天气预报方法,其特征在于,所述以所述三维格点场为依据进行数据处理,得到预测数据包括:
对所述三维格点场进行第一次数据处理,得到第一预测数据;
对所述三维格点场进行第二次数据处理,得到第二预测数据;
所述预报子系统在所述目标模块组包括所述第三预报模块时,对所述三维格点场进行数据处理,得到第三预测数据。
8.根据权利要求7所述的短时临近数值天气预报方法,其特征在于,所述以所述预测数据为依据,生成综合预报信息包括:
在接收到所述第一预测数据时,以所述第一预测数据为依据,生成第一预报信息;
在接收到所述第二预测数据时,以所述第二预测数据为依据,生成第二预报信息;
在接收到所述第三预测数据时,以所述第三预测数据为依据,生成第三预报信息;
在检测到所述第一预报信息、所述第二预报信息以及所述第三预报信息的一种或者多种时,集合所有预报信息得到综合预报信息。
9.一种电子设备,其特征在于,包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求6至8中任一项所述的短时临近数值天气预报方法。
10.一种计算机可读存储介质,其特征在于,其存储有权利要求9所述的电子设备中所使用的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811168925.1A CN109061776B (zh) | 2018-10-08 | 2018-10-08 | 一种短时临近数值天气预报系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811168925.1A CN109061776B (zh) | 2018-10-08 | 2018-10-08 | 一种短时临近数值天气预报系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109061776A true CN109061776A (zh) | 2018-12-21 |
CN109061776B CN109061776B (zh) | 2020-12-01 |
Family
ID=64767389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811168925.1A Active CN109061776B (zh) | 2018-10-08 | 2018-10-08 | 一种短时临近数值天气预报系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109061776B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109782374A (zh) * | 2019-01-15 | 2019-05-21 | 北京华云星地通科技有限公司 | 通过同化反演的水汽含量优化数值天气预报的方法及装置 |
CN110059298A (zh) * | 2019-04-30 | 2019-07-26 | 南京信息工程大学 | 一种水凝物变量高斯转换方法 |
CN110275224A (zh) * | 2019-05-24 | 2019-09-24 | 兰州大学 | 精细化近地层气象要素预报系统及其预报方法 |
CN110376562A (zh) * | 2019-07-30 | 2019-10-25 | 长威信息科技发展股份有限公司 | 一种双偏振雷达天气预测准确性的验证方法 |
CN110555616A (zh) * | 2019-09-05 | 2019-12-10 | 中国气象局广州热带海洋气象研究所 | 一种数值天气模式同化系统的稠密观测资料优化调度方法 |
CN110579823A (zh) * | 2019-09-02 | 2019-12-17 | 中国电力科学研究院有限公司 | 一种强降雨短临预报方法及系统 |
CN110632681A (zh) * | 2019-09-17 | 2019-12-31 | 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 |
CN111190243A (zh) * | 2019-12-19 | 2020-05-22 | 成都星时代宇航科技有限公司 | 气象预测图的生成方法、计算机设备及其可读存储介质 |
CN112114386A (zh) * | 2020-08-31 | 2020-12-22 | 邹明忠 | 高时空分辨率微波降雨监测网络部署方法及监测方法 |
CN112149859A (zh) * | 2019-06-28 | 2020-12-29 | 北京金风慧能技术有限公司 | 风速预测方法和风速预测装置 |
CN113222392A (zh) * | 2021-05-06 | 2021-08-06 | 国家海洋环境预报中心 | 涡旋预报系统评估方法、装置、电子设备及存储介质 |
CN113419246A (zh) * | 2021-06-11 | 2021-09-21 | 兰州大学 | 一种用于雷达资料高频同化的Nudging逼近多时刻3DVar分析场方法 |
CN114298389A (zh) * | 2021-12-22 | 2022-04-08 | 中科三清科技有限公司 | 一种臭氧浓度预报方法及装置 |
CN115221714A (zh) * | 2022-07-21 | 2022-10-21 | 北京师范大学 | 临近空间天气与大气环境短中长期预报方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104977584A (zh) * | 2015-06-29 | 2015-10-14 | 深圳市气象台 | 一种对流天气的临近预报方法及系统 |
CN107403073A (zh) * | 2017-10-03 | 2017-11-28 | 中国水利水电科学研究院 | 一种基于数据同化改进预报降雨的集合洪水预报方法 |
KR101826713B1 (ko) * | 2017-03-16 | 2018-03-22 | 경북대학교 산학협력단 | 강수예측장치, 방법, 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터로 판독가능한 기록매체 |
CN108416031A (zh) * | 2018-03-12 | 2018-08-17 | 南京恩瑞特实业有限公司 | Nriet气象多源探测资料融合分析系统 |
-
2018
- 2018-10-08 CN CN201811168925.1A patent/CN109061776B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104977584A (zh) * | 2015-06-29 | 2015-10-14 | 深圳市气象台 | 一种对流天气的临近预报方法及系统 |
KR101826713B1 (ko) * | 2017-03-16 | 2018-03-22 | 경북대학교 산학협력단 | 강수예측장치, 방법, 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터로 판독가능한 기록매체 |
CN107403073A (zh) * | 2017-10-03 | 2017-11-28 | 中国水利水电科学研究院 | 一种基于数据同化改进预报降雨的集合洪水预报方法 |
CN108416031A (zh) * | 2018-03-12 | 2018-08-17 | 南京恩瑞特实业有限公司 | Nriet气象多源探测资料融合分析系统 |
Non-Patent Citations (2)
Title |
---|
TAO DENG: "Comparative evaluation of the impact of GRAPES and MM5meteorology on CMAQ prediction over Pearl River Delta, China", 《PARTICUOLOGY》 * |
徐道生,等: "华南区域高分辨率模式中不同雷达回波反演技术方案的比较试验", 《热带气象学报》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109782374A (zh) * | 2019-01-15 | 2019-05-21 | 北京华云星地通科技有限公司 | 通过同化反演的水汽含量优化数值天气预报的方法及装置 |
CN109782374B (zh) * | 2019-01-15 | 2021-10-01 | 北京华云星地通科技有限公司 | 通过同化反演的水汽含量优化数值天气预报的方法及装置 |
CN110059298A (zh) * | 2019-04-30 | 2019-07-26 | 南京信息工程大学 | 一种水凝物变量高斯转换方法 |
CN110059298B (zh) * | 2019-04-30 | 2023-02-14 | 南京信息工程大学 | 一种水凝物变量高斯转换方法 |
CN110275224A (zh) * | 2019-05-24 | 2019-09-24 | 兰州大学 | 精细化近地层气象要素预报系统及其预报方法 |
CN112149859B (zh) * | 2019-06-28 | 2023-10-31 | 北京金风慧能技术有限公司 | 风速预测方法和风速预测装置 |
CN112149859A (zh) * | 2019-06-28 | 2020-12-29 | 北京金风慧能技术有限公司 | 风速预测方法和风速预测装置 |
CN110376562A (zh) * | 2019-07-30 | 2019-10-25 | 长威信息科技发展股份有限公司 | 一种双偏振雷达天气预测准确性的验证方法 |
CN110376562B (zh) * | 2019-07-30 | 2022-10-11 | 长威信息科技发展股份有限公司 | 一种双偏振雷达天气预测准确性的验证方法 |
CN110579823A (zh) * | 2019-09-02 | 2019-12-17 | 中国电力科学研究院有限公司 | 一种强降雨短临预报方法及系统 |
CN110555616A (zh) * | 2019-09-05 | 2019-12-10 | 中国气象局广州热带海洋气象研究所 | 一种数值天气模式同化系统的稠密观测资料优化调度方法 |
CN110555616B (zh) * | 2019-09-05 | 2021-12-14 | 中国气象局广州热带海洋气象研究所 | 一种数值天气模式同化系统的稠密观测资料优化调度方法 |
CN110632681A (zh) * | 2019-09-17 | 2019-12-31 | 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 |
CN111190243A (zh) * | 2019-12-19 | 2020-05-22 | 成都星时代宇航科技有限公司 | 气象预测图的生成方法、计算机设备及其可读存储介质 |
CN112114386A (zh) * | 2020-08-31 | 2020-12-22 | 邹明忠 | 高时空分辨率微波降雨监测网络部署方法及监测方法 |
CN112114386B (zh) * | 2020-08-31 | 2022-03-29 | 邹明忠 | 高时空分辨率微波降雨监测方法 |
CN113222392A (zh) * | 2021-05-06 | 2021-08-06 | 国家海洋环境预报中心 | 涡旋预报系统评估方法、装置、电子设备及存储介质 |
CN113419246B (zh) * | 2021-06-11 | 2022-08-23 | 兰州大学 | 一种用于雷达资料高频同化的Nudging逼近多时刻3DVar分析场方法 |
CN113419246A (zh) * | 2021-06-11 | 2021-09-21 | 兰州大学 | 一种用于雷达资料高频同化的Nudging逼近多时刻3DVar分析场方法 |
CN114298389A (zh) * | 2021-12-22 | 2022-04-08 | 中科三清科技有限公司 | 一种臭氧浓度预报方法及装置 |
CN115221714A (zh) * | 2022-07-21 | 2022-10-21 | 北京师范大学 | 临近空间天气与大气环境短中长期预报方法及系统 |
CN115221714B (zh) * | 2022-07-21 | 2023-03-10 | 北京师范大学 | 临近空间天气与大气环境短中长期预报方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109061776B (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109061776A (zh) | 一种短时临近数值天气预报系统及方法 | |
Chantry et al. | Opportunities and challenges for machine learning in weather and climate modelling: hard, medium and soft AI | |
Hung et al. | An artificial neural network model for rainfall forecasting in Bangkok, Thailand | |
Zhu et al. | Precipitation calibration based on the frequency-matching method | |
Wang et al. | The Central European limited‐area ensemble forecasting system: ALADIN‐LAEF | |
Massari et al. | Data assimilation of satellite soil moisture into rainfall-runoff modelling: A complex recipe? | |
Houtekamer et al. | Higher resolution in an operational ensemble Kalman filter | |
Dyrrdal et al. | Bayesian hierarchical modeling of extreme hourly precipitation in Norway | |
CN110138595A (zh) | 动态加权网络的时间链路预测方法、装置、设备及介质 | |
Milan et al. | Hourly 4D‐Var in the Met Office UKV operational forecast model | |
Liu et al. | Comparison of three statistical downscaling methods and ensemble downscaling method based on Bayesian model averaging in upper Hanjiang River Basin, China | |
CN104101344A (zh) | 基于粒子群小波网络的mems陀螺随机误差补偿方法 | |
Błaszczak-Bąk et al. | Optimization algorithm and filtration using the adaptive TIN model at the stage of initial processing of the ALS point cloud | |
CN110069868A (zh) | Gnss测站非线性运动建模方法与装置 | |
Singh et al. | Deep learning for improved global precipitation in numerical weather prediction systems | |
Di et al. | Parametric sensitivity analysis of precipitation and temperature based on multi-uncertainty quantification methods in the Weather Research and Forecasting model | |
Monelli et al. | Bayesian imaging of the 2000 Western Tottori (Japan) earthquake through fitting of strong motion and GPS data | |
Freedman et al. | The Wind Forecast Improvement Project (WFIP): A public/private partnership for improving short term wind energy forecasts and quantifying the benefits of utility operations. The Southern Study Area, Final Report | |
Yi et al. | Assessing hydrological modelling driven by different precipitation datasets via the SMAP soil moisture product and gauged streamflow data | |
Sahai et al. | A bias-correction and downscaling technique for operational extended range forecasts based on self organizing map | |
Bédard et al. | A geo‐statistical observation operator for the assimilation of near‐surface wind data | |
Chaudhuri et al. | Long-range forecast of all India summer monsoon rainfall using adaptive neuro-fuzzy inference system: skill comparison with CFSv2 model simulation and real-time forecast for the year 2015 | |
Trömel et al. | Near-Realtime Quantitative Precipitation Estimation and Prediction (RealPEP) | |
Allen et al. | Challenges of increased resolution for the local ensemble tangent linear model | |
Rennie et al. | Assessment of Doppler radar radial wind observation quality from different echo sources for assimilation during the Sydney 2014 forecast demonstration project |
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 |