CN109583095B - 基于混合统计动力模型的西北太平洋台风延伸期预报方法 - Google Patents
基于混合统计动力模型的西北太平洋台风延伸期预报方法 Download PDFInfo
- Publication number
- CN109583095B CN109583095B CN201811464661.4A CN201811464661A CN109583095B CN 109583095 B CN109583095 B CN 109583095B CN 201811464661 A CN201811464661 A CN 201811464661A CN 109583095 B CN109583095 B CN 109583095B
- Authority
- CN
- China
- Prior art keywords
- typhoons
- days
- forecasting
- typhoon
- pacific
- 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.)
- Active
Links
- 238000013277 forecasting method Methods 0.000 title abstract description 8
- 238000000034 method Methods 0.000 claims description 70
- 238000012935 Averaging Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 12
- 230000001932 seasonal effect Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000010355 oscillation Effects 0.000 abstract description 8
- 230000008878 coupling Effects 0.000 abstract description 2
- 238000010168 coupling process Methods 0.000 abstract description 2
- 238000005859 coupling reaction Methods 0.000 abstract description 2
- 238000007619 statistical method Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 2
- 230000003534 oscillatory effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 241000586555 Aulacaspis rosae Species 0.000 description 1
- 241000220317 Rosa Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/333—Design for testability [DFT], e.g. scan chain or built-in self-test [BIST]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
Abstract
本发明涉及基于混合统计动力模型的西北太平洋台风延伸期预报方法,该方法利用现代统计方法对历史台风的轨迹进行分类后,藉由季节内尺度的海气状态对不同类型台风生成的影响,建立季节内振荡信号和台风生成的统计预报方程;利用高分辨率海气耦合动力模式对未来10~30天季节内振荡信号的预报场作为预报因子,对未来10~30天的台风生成进行预报。最后,将不同类台风的生成个数乘上其轨迹的气候概率分布,从而提前10~30天预报出整个西北太平洋上台风生成和频次的概率分布图。有益效果:不仅可以有效地进行台风个数的延伸期预报未来10–30天每十天中西北太平洋上台风的总个数,也可以利用台风不同的生成位置和移动轨迹得到台风在10天内生成/频次的空间概率分布。
Description
技术领域
本发明涉及大气科学技术领域,尤其涉及一种基于混合统计动力模型的西北太平洋台风延伸期预报方法。
背景技术
台风引起的狂风、暴雨、巨浪、风暴潮和间接造成的滑坡、泥石流等地质灾害,往往造成重大的人员伤亡和社会经济损失。西北太平洋是台风生成频数最高的海域,约占全球海域热带气旋数的30%。台风于热带西太平洋、菲律宾海生成后向西/西北发展移行,可能侵袭我国东南沿海地区,统计显示,1983-2006年间平均每年有6-7个台风登陆我国沿海省份,造成数百亿元/年的经济损失和数千人员/年的伤亡。因此,台风的监测与预报关键技术的研究和发展,成为国家防灾减灾和社会经济政策制定等的重大需求。
目前我国和世界上各大业务预报单位的台风预报系统包含:1)中短期(5天以内)高分辨率数值模式预报和2)月季尺度的气候预测。由于大气本身的噪音和数值模式的系统误差,使得一周以上的台风预报准确率较低(Vitart et al.2010);而目前开展台风季节预测的全球气候模式分辨率偏低,无法解析台风的中尺度动力过程,对台风的强度和路径模拟能力不足。因此,作为数值模式的补充,台风的月季预测通常是基于大尺度海气状态与台风生成的统计关系所建立的统计预测模型(Gray 1984;Chan et al.1998;Fan and Wang2009)和混合动力-统计模型(Murakami et al.2016)。
短期天气预报和气候预测之间存在明显的间隙,发展和改进延伸期(10~30天)天气预报模式,进而完成无缝隙预报系统,是当今全球天气与气候预报研究的首要任务(Waliser 2005)。延伸期预报的可预报性来源主要来自于大气内的季节内振荡(Maddenand Julian 1994;李崇银等2003;Waliser 2005),热带-副热带的季节内振荡活动对西北太平洋台风产生明显影响(丁一汇等1977;Gray 1979;Liebmann et al.1994;Maloney andHartmann 2000;祝从文等2004;Kim et al.2008;孙长等2009;李崇银等2012;何洁琳等2013),季节内振荡处于对流位相时,低频气旋性环流和辐合区均有利于天气尺度扰动从季节内振荡获得动能,因此有较多的台风发生并且增强(陈光华和黄荣辉2009;Hsu etal.2011)。Camargo et al.(2009)和Zhao et al.(2015)也指出季节内尺度的中层水汽场和低层涡度场与台风活动的低频变化密切相关,因此,有可能根据季节内振荡与台风生成的关联性,对台风进行延伸期尺度的预报。
虽然过去的研究已发现季节内振荡活动对台风活动发生和发展的重要性,但将两者的相关性应用至西北太平洋台风活动延伸期预报的方法尚未建立,目前的文献仅有对南半球热带气旋每周变化的统计预报(Leroy and Wheeler 2008)和动力模式评估(Vitartet al.2010),以及部分对印度洋、大西洋和西北太平洋少数台风个例的数值模式研究,其结果显示若模式能模拟出正确的季节内振荡信号,有可能在提前2–4周预报台风生成(Fuand Hsu 2011;Wu and Duan 2015;Xiang et al.2015)。因此,研发西北太平洋延伸期预报方法和模型有高度的气象业务应用价值。
发明内容
本发明目的在于克服上述现有技术的不足,提供了一种基于混合统计动力模型的西北太平洋台风延伸期预报方法,具体由以下技术方案实现:
所述基于混合统计动力模型的西北太平洋台风延伸期预报方法,基于美国海军太平洋气象及海洋中心下属的联合台风预警中心JTWC提供的台风最佳路径数据集,包括如下步骤:
步骤1)首先将JTWC热带气旋数据集的热带气旋数据利用c-means模糊聚类分析方法按生成位置和发展轨迹分成若干类;
步骤2)寻找低频大尺度场和各类台风生成个数的统计关系,建立对每类台风生成个数预报的统计预报方程;
步骤3)将GFDL模式输出大尺度低频场中对应的预报因子带入经验历史统计预报方程中,得到预报时期2003–2012年台风每旬的距平个数;将台风距平个数加上台风季节的历史气候平均个数得到预报的台风总个数;
步骤4)将预报得到的每类台风总个数乘以每类台风逐旬气候平均的生成位置和轨迹分布的概率分布,分别得到每类台风在每一旬的生成位置和轨迹的发生概率,将所有台风的生成位置和轨迹的发生概率加总后,得到每一旬整个西北太平洋上台风的生成位置和轨迹频次的概率分布图;
所述步骤2)中为了建立预报性能较为稳定的预报方程,采用四种方法定义预报因子,分别为:
第一种定义预报因子方法:将各预报场中历史台风生成最集中的区域的方框内进行区域平均,对于每类台风所述区域的方框是固定的;
第二种定义预报因子方法:在台风距平个数和低频大尺度场的相关图上分别寻找一个最大的显著正相关区域框和最大的显著负相关区域框并且分别进行区域平均,对于每一类台风的每一个大尺度环境场,对应的区域框的大小和位置均会变化;
第三种定义预报因子方法:在台风生成的历史最大区域内,求取台风距平个数和低频海气场的相关系数通过95%显著性检验的正负格点平均;
第四种定义预报因子方法:在台风距平个数和低频大尺度场的相关图上寻找大范围且通过95%显著性检验的区域,如果同时存在满足条件的正负相关区域,则将二者相减合成一个预报因子;
所述步骤2)中通过所述四种方法定义预报因子得到每类台风的预报因子后,利用多元线性逐步回归方法将每类台风预报因子与对应的历史台风距平个数建立经验历史统计预报方程;通过所述逐步回归方法挑选出最佳预报效能且相互独立的预报因子,避免过度拟合。
所述基于混合统计动力模型的西北太平洋台风延伸期预报方法的进一步设计在于,第三种定义预报因子方法中正相关格点的系数为1,负相关格点的系数为-1。
所述基于混合统计动力模型的西北太平洋台风延伸期预报方法的进一步设计在于,所述步骤4)中每类台风在每一旬的生成位置和轨迹的发生概率如式(1):
其中,表示Ck类台风在气候平均的第l个十天内在经纬网格(i,j)的5°×5°的方框中生成或经过的气候概率,表示Ck类台风在气候平均的第l个十天内在经纬网格(i,j)的5°×5°的方框中生成或经过的频次,表示Ck类台风在气候平均的第l个十天内在整个西北太平洋地区生成或经过的总频次。
所述基于混合统计动力模型的西北太平洋台风延伸期预报方法的进一步设计在于,预报的每类台风在每一旬的生成位置和轨迹的发生概率如式(2):
其中,表示预报的Ck类台风在第p年第l个十天内在经纬网格(i,j)的5°×5°的方框中生成或经过的概率;表示Ck类台风在第p年第l个十天内生成的个数,NFcsttotal,l,p表示在第p年第l个十天内整个西北太平洋上生成的总台风个数;为式(1)中的Ck类台风气候平均概率。
所述基于混合统计动力模型的西北太平洋台风延伸期预报方法的进一步设计在于,将每一类台风的概率加总后得到经纬网格(i,j)上台风生成或经过的总概率如式(3)
其中,nk为台风c-means聚类分析的总类数,对于西北太平洋的台风,nk为7。
所述基于混合统计动力模型的西北太平洋台风延伸期预报方法的进一步设计在于,步骤1)中还包括对模式的回报数据进行的预处理操作:设定预报对象为西北太平洋上每旬的台风生成个数、生成位置和轨迹概率分布图;设定该方法的建模对象为1979–2002年的5月16日–12月5日,每年的建模时次日期与预报时次日期相对应;并且设定针对去除了气候平均的季节变化之后每旬的台风个数距平进行预报,季节变化对应的气候平均台风季节循环分量由建模期1979–2002年这24年每旬平均得到。
所述基于混合统计动力模型的西北太平洋台风延伸期预报方法的进一步设计在于,所述预处理操作还包括:提取模式回报数据的大尺度场的季节内低频分量,具体包括如下步骤:
步骤A)将逐日的大尺度场去掉年循环和前三个谐波得到新的场;
步骤B)将步骤A)得到的场减去前120天的滑动平均值得到去掉年际变化的距平场;
步骤C)将所述距平场按照所述预报时次的日期再做10天平均,得到与台风距平逐旬数据对应的低频大尺度环境场。
本发明的优点如下:
本发明的四种寻找潜在关键预报因子方法的预报结果都非常接近,参见图5,说明了该方法的稳定性。提前0天(Lead0)的结果是将预报时期的观测数据带入预报方程中得到的,该预报结果可以看成是该预报模式的预报上限。提前10天时的预报结果非常接近模式预报上限(即Lead 0的结果),相关系数达到了0.45–0.46,随着预报提前时间的增加,预报技巧开始下降,提前20天预报的结果显示,时间相关系数技巧还有0.21,通过95%信度检验。
由图5可知,四种挑选预报因子方法的预报结果相似,图6显示将四种方法进行简单集合平均的预报结果。提前0天预报的台风距平数的时间序列显示(图6中的a部分),该模式预报上限的相关系数技巧为0.52,提前10天预报时,模式的预报技巧依然高达0.46(图6的b部分),随着预报时间的提前,相关系数不断下降,均方根误差不断增加,以95%显著性检验为具有预报技巧的标准,该基于混合统计动力模型的西北太平洋台风的预报方法对台风距平数目的有效预报能力为15–20天。若将预报的台风距平数目加上气候平均的季节循环分量得到台风总数,参见图7,提前30天预报仍显示高度预报技巧。
附图说明
图1为西北太平洋台风延伸期预报动力-统计预报模型流程图。
图2为利用c-means模糊聚类分析方法得到1979–2002年6–11月JTWC台风数据集中七类台风轨迹图和平均轨迹示意图。
图3为1979–2002年6–11月JTWC台风数据集中七类台风逐旬距平个数的功率谱分析的示意图。
图4为1979–2002年6–10月年低频OLR和VWS距平场与C1类台风旬距平个数的时间相关系数图和四种挑选关键预报因子的区域示意图。
图5为四类挑选关键预报因子方法的预报结果评估示意图。其中,图5的a–d部分为四类挑选关键预报因子方法的预报结果的时间相关系数示意图;图5的e–h部分为四类挑选关键预报因子方法的预报结果的均方根误差示意图;图5的i–l部分为四类挑选关键预报因子方法的预报结果的AUC指数示意图。
图6为2003-2012年5月16日-12月5日观测和提前(图6的a部分)0天,(图6的b部分)10天,(图6的c部分)15天,(图6的d部分)20天,(图6的e部分)25天和(图6的f部分)30天预报时间的混合预报的TCall和C1–C7总和的台风距平数据示意图。
图7为混合预报和观测的台风距平个数(图7的a-c部分)和总个数(图7的d-f部分)的(图7的a部分,图7的d部分)相关系数,(图7的b部分,图7的e部分)均方根误差和(图7的c部分,图7的f部分)概率预报AUC指数的示意图。
图8为四个台风生成个例的(图8的a–d部分)观测概率,(图8的e–h部分)“完美重建”概率,(图8的i–l部分)提前0天,(图8的m–p部分)提前10天和(图8的q–t部分)提前15天的预报结果示意图。
图9为四个台风频次个例的(图9的a–d部分)观测概率,(图9的e–h部分)“完美重建”概率,(图9的i–l部分)提前0天,(图9的m–p部分)提前10天和(图9的q–t部分)提前15天的预报结果。
具体实施方式
下面结合附图对本发明进行详细说明。
如图1,本实施例提供的基于混合统计动力模型的西北太平洋台风延伸期预报方法,基于美国海军太平洋气象及海洋中心下属的联合台风预警中心JTWC提供的台风最佳路径数据集,包括如下步骤:
步骤1)首先将JTWC热带气旋数据集1979–2002年5–11月的热带气旋数据利用c-means模糊聚类分析方法按生成位置和发展轨迹分成七类,分类结果如图2所示。每一类热带气旋都具有独特生成位置和发展轨迹,并且每一类的旬台风个数都具有显著的10–90天次季节变化特征,参见图3。
台风最佳路径数据集:由美国海军太平洋气象及海洋中心下属的联合台风预警中心(Joint Typhoon Warning Center,JTWC)提供。数据时间长度从1979–2012年,时间间隔为6小时。根据Saffir-Simpson的热带气旋等级定义,本方法的预报对象为最大地表风速大于34knots的热带风暴。
步骤2)寻找低频大尺度场和各类台风生成个数的统计关系,建立对每类台风生成个数预报的统计预报方程;
步骤3)将GFDL模式输出大尺度低频场中对应的预报因子带入经验历史统计预报方程中,得到预报时期2003–2012年台风每旬的距平个数;将台风距平个数加上台风季节变化的历史气候平均个数得到预报的台风总个数。
美国GFDL高分辨率海气耦合模式,其大气模式共有32层垂直层,水平分辨率为50km,海洋模式共有50层垂直层,水平分辨率为1°×1°。该气候模式从2003–2012年4–11月在每月的1号,6号,11号,16号,21号和26号输出一次预报结果,并且以每天世界时00时,04时,08时,12时和16时作为不同的初始条件,共有5个预报集合,每个预报集合往后积分50天。因此这10年中共有2400次回报数据(10年×8个月×6天×5个集合)。本方法利用模式预报的大尺度海气场包括:对外长波辐射(Outgoing Longwave Radiation,OLR),地表温度(Ts),700hPa比湿,500hPa垂直速度,垂直风切变,850hPa散度和涡度场,总共7个与台风生成有关的热力和动力大尺度环境场。
步骤4)将预报得到的每类台风总个数乘以每类台风逐旬气候平均的生成位置和轨迹分布的概率分布,分别得到每类台风的在每一旬的生成位置和轨迹的发生概率,将所有台风的生成位置和轨迹的发生概率加总后,得到每一旬整个西北太平洋上台风的生成位置和轨迹频次的概率分布图。
上述步骤2)中为了建立预报性能较为稳定的预报方程,以C1类台风距平个数和OLR与垂直风切变之间的相关系数图为例,参见图4,介绍本实施例使用的四种定义预报因子的方法:
第一种定义预报因子方法:将各预报场中历史台风生成最集中的区域(图4的a部分和图4的e上的方框)进行区域平均。因此对于每类台风来说该区域的方框是固定的,即对每类台风的不同的大尺度场采用相同的方框,每类台风均有7个预报因子。
第二种定义预报因子方法:在台风距平个数和低频大尺度场的相关图上分别寻找一个最大的显著正相关区域框和最大的显著负相关区域框并且分别进行区域平均(如图4的b部分和图4的f部分)。对于每一类台风的每一个大尺度环境场来说,方框的大小和位置均会变化。因此每类台风均有14个预报因子。
第三种定义预报因子方法:在该类台风生成的历史最大区域(由历史台风生成位置的最边界经纬度决定,如图4的c部分和图4的g部分)内,寻找台风距平个数和低频海气场的相关系数通过95%显著性检验的正负格点平均,其中正相关格点的系数为1,负相关格点的系数为-1。此方法中每类台风均有7个预报因子。
第四种定义预报因子方法:在台风距平个数和低频大尺度场的相关图上寻找大范围且通过95%显著性检验的区域(如图4的d部分和图4的h部分)。如果同时存在满足条件的正负相关区域,则将二者相减合成一个预报因子。因此此方法中每类台风也均有7个预报因子。
上述步骤2)中通过上述四种方法定义预报因子得到每类台风的预报因子后,利用多元线性逐步回归方法将每类台风预报因子与对应的历史台风距平个数建立经验历史统计预报方程;通过上述逐步回归方法挑选出最佳预报效能且相互独立的预报因子,避免过度拟合。
上述步骤4)中气候上西北太平洋台风的概率分布如式(1):
其中,表示Ck类台风在气候平均的第l个十天内在经纬网格(i,j)的5°×5°的方框中生成或经过的气候概率,表示Ck类台风在气候平均的第l个十天内在经纬网格(i,j)的5°×5°的方框中生成或经过的频次,表示Ck类台风在气候平均的第l个十天内在整个西北太平洋地区生成或经过的总频次。
上述步骤4)中预报Ck类台风的概率分布如式(2):
其中,表示预报的Ck类台风在第p年第l个十天内在经纬网格(i,j)的5°×5°的方框中生成或经过的概率;表示Ck类台风在第p年第l个十天内生成的个数,NFcsttotal,l,p表示在第p年第l个十天内整个西北太平洋上生成的总台风个数;为式(1)中的Ck类台风气候平均概率。
将每一类台风的概率加总后得到整个西北太平洋上台风生成或经过的总概率如式(3)
其中,nk为台风c-means聚类分析的总类数,对于西北太平洋的台风,nk为7。
如图8,为四个台风生成个例的预报结果,提前10天的预报结果的空间相关系数均大于0.5,并且能预报出台风生成的主要区域。其中图8的e–h部分的“完美重建”概率表示将观测的台风个数代入式(2)中得到的台风概率分布。右上角为每种预报结果与观测场的空间相关系数。如图9,为四个台风频次(轨迹)个例的预报结果,从预报的概率分布轨迹图上可以看出这四个个例中均很好的预报出了台风在10天中移动的主要轨迹,在提前10天时的空间相关系数达到了0.6–0.8。其中图9的e–h部分)的“完美重建”概率表示将观测的台风个数代入式(2)中得到的台风概率分布。右上角为每种预报结果与观测场的空间相关系数。这一结果很好地说明了本发明的方法不仅可以有效地进行台风个数的延伸期预报,未来10–30天每旬中西北太平洋上台风的总个数,也可以利用这七类台风不同的生成位置和移动轨迹得到台风在10天内生成/频次的空间概率分布。
步骤1)中对模式的回报数据进行预处理操作:设定预报对象为西北太平洋上每旬的台风生成个数、生成位置和轨迹概率分布图;设定该方法的建模对象为1979–2002年的5月16日–12月5日,每年的建模时次与预报时次日期相对应;并且设定针对去除了气候平均的季节变化之后每旬的台风个数距平进行预报,季节变化对应的气候平均台风季节循环分量由建模期1979–2002年这24年每旬平均得到。
上述预处理操作还包括:提取模式回报数据的大尺度场的季节内低频分量,具体包括如下步骤:
步骤A)将逐日的大尺度场去掉年循环和前三个谐波得到新的场。
步骤B)将步骤A)得到的场减去前120天的滑动平均值得到去掉年际变化的距平场。
步骤C)将上述距平场按照上述预报时次的日期再做10天平均,得到与台风距平逐旬数据对应的低频大尺度环境场。
本实施例利用现代统计方法对历史台风的轨迹进行分类后,藉由季节内尺度的海气状态对不同类型台风生成的影响,建立季节内振荡信号和台风生成的统计预报方程。利用动力模式对未来10~30天季节内振荡信号的预报场作为预报因子,代入统计方程后,即可对未来10~30天的台风生成进行预报。最后,将不同类台风的生成个数乘上其轨迹的气候概率分布,从而提前10~30天预报出整个西北太平洋上台风生成和频次的概率分布图。
在实际预报中,步骤1)与步骤2)只需利用历史观测数据计算一次,获得不同轨迹类型台风的生成、频次概率图,以及其在历史中生成个数。利用历史数据中各类台风生成个数和低频大尺度海气状态分析两者的相关关系,由此建立每一类台风的经验预报方程。在实时预报作业中,只需要将动力模式预报出的未来10~30天低频大尺度预报因子带入经验预报方程中,即可得到未来10~30天各类台风生成的距平个数,将其乘上各类台风的气候平均概率分布图后加总,即得到未来10~30天西北太平洋上台风出现的概率分布图。
本方法采用的混合统计动力模型在建立的过程中均采用非带通滤波方法提取季节内尺度(10–90天)的分量,因此可以直接应用于实时预报。该混合统计动力模型的结果为未来10~30天内每旬中西北太平洋上生成的每类台风和总台风的个数,以及西北太平洋上台风的生成和频次概率的空间分布。
以上所述,仅为本发明较佳的具体实施方式,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,可轻易想到的变化或替换,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该以权利要求的保护范围为准。
Claims (7)
1.一种基于混合统计动力模型的西北太平洋台风延伸期预报方法,基于美国海军太平洋气象及海洋中心下属的联合台风预警中心JTWC提供的台风最佳路径数据集,其特征在于包括如下步骤:
步骤1)首先将JTWC热带气旋数据集的热带气旋数据利用c-means模糊聚类分析方法按生成位置和发展轨迹分成若干类;
步骤2)寻找低频大尺度场和各类台风生成个数的统计关系,建立对每类台风生成个数预报的统计预报方程;
步骤3)将GFDL模式输出大尺度低频场中对应的预报因子带入经验历史统计预报方程中,得到预报时期2003–2012年台风每旬的距平个数;将台风距平个数加上台风季节的历史气候平均个数得到预报的台风总个数;
步骤4)将预报得到的每类台风总个数乘以每类台风逐旬气候平均的生成位置和轨迹分布的概率分布,分别得到每类台风在每一旬的生成位置和轨迹的发生概率,将所有台风的生成位置和轨迹的发生概率加总后,得到每一旬整个西北太平洋上台风的生成位置和轨迹频次的概率分布图;
所述步骤2)中为了建立预报性能较为稳定的预报方程,采用四种方法定义预报因子,分别为:
第一种定义预报因子方法:将各预报场中历史台风生成最集中的区域的方框内进行区域平均,对于每类台风所述区域的方框是固定的;
第二种定义预报因子方法:在台风距平个数和低频大尺度场的相关图上分别寻找一个最大的显著正相关区域框和最大的显著负相关区域框并且分别进行区域平均,对于每一类台风的每一个大尺度环境场,对应的区域框的大小和位置均会变化;
第三种定义预报因子方法:在台风生成的历史最大区域内,求取台风距平个数和低频海气场的相关系数通过95%显著性检验的正负格点平均;
第四种定义预报因子方法:在台风距平个数和低频大尺度场的相关图上寻找大范围且通过95%显著性检验的区域,如果同时存在满足条件的正负相关区域,则将二者相减合成一个预报因子;
所述步骤2)中通过所述四种方法定义预报因子得到每类台风的预报因子后,利用多元线性逐步回归方法将每类台风预报因子与对应的历史台风距平个数建立经验历史统计预报方程;通过所述逐步回归方法挑选出最佳预报效能且相互独立的预报因子,避免过度拟合。
2.根据权利要求1所述的基于混合统计动力模型的西北太平洋台风延伸期预报方法,其特征在于第三种定义预报因子方法中正相关格点的系数为1,负相关格点的系数为-1。
6.根据权利要求4所述的基于混合统计动力模型的西北太平洋台风延伸期预报方法,其特征在于步骤1)中还包括对模式的回报数据进行的预处理操作:设定预报对象为西北太平洋上每旬的台风生成个数、生成位置和轨迹概率分布图;设定该方法的建模对象为1979–2002年的5月16日–12月5日,每年的建模时次日期与预报时次日期相对应;并且设定针对去除了气候平均的季节变化之后每旬的台风个数距平进行预报,季节变化对应的气候平均台风季节循环分量由建模期1979–2002年这24年每旬平均得到。
7.根据权利要求6所述的基于混合统计动力模型的西北太平洋台风延伸期预报方法,其特征在于所述预处理操作还包括:提取模式回报数据的大尺度场的季节内低频分量,具体包括如下步骤:
步骤A)将逐日的大尺度场去掉年循环和前三个谐波得到新的场;
步骤B)将步骤A)得到的场减去前120天的滑动平均值得到去掉年际变化的距平场;
步骤C)将所述距平场按照所述预报时次的日期再做10天平均,得到与台风距平逐旬数据对应的低频大尺度环境场。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811464661.4A CN109583095B (zh) | 2018-11-30 | 2018-11-30 | 基于混合统计动力模型的西北太平洋台风延伸期预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811464661.4A CN109583095B (zh) | 2018-11-30 | 2018-11-30 | 基于混合统计动力模型的西北太平洋台风延伸期预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109583095A CN109583095A (zh) | 2019-04-05 |
CN109583095B true CN109583095B (zh) | 2023-04-28 |
Family
ID=65926588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811464661.4A Active CN109583095B (zh) | 2018-11-30 | 2018-11-30 | 基于混合统计动力模型的西北太平洋台风延伸期预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109583095B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111338005B (zh) * | 2020-03-02 | 2021-07-30 | 中国人民解放军国防科技大学 | 月尺度西北太平洋热带气旋生成频数的预测方法 |
WO2022266910A1 (zh) * | 2021-06-24 | 2022-12-29 | 清华大学 | 台风活动的预测方法、装置、设备及存储介质 |
CN118520424A (zh) * | 2024-05-22 | 2024-08-20 | 南京信息工程大学 | 一种延伸期预报方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5178395B2 (ja) * | 2008-08-21 | 2013-04-10 | 中国電力株式会社 | 台風被害予測支援システム |
CN102221714B (zh) * | 2011-03-11 | 2013-10-23 | 钱维宏 | 基于大气变量物理分解的低温雨雪冰冻天气的中期预报系统和方法 |
CN108196314B (zh) * | 2017-12-22 | 2023-04-18 | 南京大学 | 一种西北太平洋环状台风自动识别系统 |
-
2018
- 2018-11-30 CN CN201811464661.4A patent/CN109583095B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109583095A (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583653B (zh) | 基于统计模型的西北太平洋台风的延伸期预报方法 | |
Chen et al. | Seasonal predictions of tropical cyclones using a 25-km-resolution general circulation model | |
Zhang et al. | The Pacific meridional mode and the occurrence of tropical cyclones in the western North Pacific | |
Abdullah et al. | Multiple linear regression (MLR) models for long term PM10 concentration forecasting during different monsoon seasons | |
Schwartz et al. | Toward improved convection-allowing ensembles: Model physics sensitivities and optimizing probabilistic guidance with small ensemble membership | |
McTaggart-Cowan et al. | Climatology of tropical cyclogenesis in the North Atlantic (1948–2004) | |
Boettcher et al. | A 10-yr climatology of diabatic Rossby waves in the Northern Hemisphere | |
CN109583095B (zh) | 基于混合统计动力模型的西北太平洋台风延伸期预报方法 | |
Nedaei et al. | A comprehensive evaluation of the wind resource characteristics to investigate the short term penetration of regional wind power based on different probability statistical methods | |
Li et al. | A model-based climatology analysis of wind power resources at 100-m height over the Bohai Sea and the Yellow Sea | |
Sun et al. | Assessment of wave power in the South China Sea based on 26-year high-resolution hindcast data | |
McNicholas et al. | Smartphone pressure collection and bias correction using machine learning | |
CN113807583B (zh) | 基于低频增量时空耦合的动力统计结合的次季节预测方法 | |
Kulkarni et al. | Evaluation of wind extremes and wind potential under changing climate for Indian offshore using ensemble of 10 GCMs | |
García-Medina et al. | Wave resource characterization at regional and nearshore scales for the US Alaska coast based on a 32-year high-resolution hindcast | |
Wong et al. | Estimation of aerosol sources and aerosol transport pathways using AERONET clustering and backward trajectories: a case study of Hong Kong | |
Vassallo et al. | Utilizing physics-based input features within a machine learning model to predict wind speed forecasting error | |
Wu et al. | Shortening the recurrence periods of extreme water levels under future sea-level rise | |
Susini et al. | Climate change impact on the offshore wind energy over the North Sea and the Irish Sea | |
Liu et al. | Estimation of precipitation induced by tropical cyclones based on machine‐learning‐enhanced analogue identification of numerical prediction | |
Phan-Van et al. | Evaluation of the NCEP climate forecast system and its downscaling for seasonal rainfall prediction over Vietnam | |
Maier-Gerber et al. | Statistical–dynamical forecasting of subseasonal North Atlantic tropical cyclone occurrence | |
Wang et al. | Modulation of winter precipitation associated with tropical cyclone of the western North Pacific by the stratospheric Quasi-Biennial oscillation | |
Zuo et al. | Projection of future heatwaves in the Pearl River Delta through CMIP6-WRF dynamical downscaling | |
Anandh et al. | Role of synoptic-scale circulations, mechanisms, and precursors during extreme rainfall events over the Southern Indian Peninsula |
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 | ||
CB02 | Change of applicant information |
Address after: 210044 No. 219 Ningliu Road, Jiangbei New District, Nanjing City, Jiangsu Province Applicant after: Nanjing University of Information Science and Technology Address before: 211500 Yuting Square, 59 Wangqiao Road, Liuhe District, Nanjing City, Jiangsu Province Applicant before: Nanjing University of Information Science and Technology |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |