CN109975892A - 一种寒潮天气500hPa环流形势的自动识别方法 - Google Patents
一种寒潮天气500hPa环流形势的自动识别方法 Download PDFInfo
- Publication number
- CN109975892A CN109975892A CN201910314305.2A CN201910314305A CN109975892A CN 109975892 A CN109975892 A CN 109975892A CN 201910314305 A CN201910314305 A CN 201910314305A CN 109975892 A CN109975892 A CN 109975892A
- Authority
- CN
- China
- Prior art keywords
- information
- line
- height
- geopotential
- region
- 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
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)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Navigation (AREA)
Abstract
本发明提供了一种寒潮天气500hPa环流形势的自动识别方法，通过读取的500hPa位势高度场和温度场文件，得到位势高度场等值线的槽线节点、脊线节点和高低压中心，以及温度场等值线的槽线节点、脊线节点和冷暖中心的信息；计算位势高度场与温度场区域内的槽线节点个数的数值、位势高度场的槽线节点连接长度、脊线节点个数以及槽线倾斜度的数值；根据上述各要素对寒潮环流形势进行识别。本发明能判断是否存在寒潮爆发的可能，确定为何种寒潮环流形势，为寒潮的强度、路径以及影响区域预报提供关键分析依据，排除了人工主观分析的差异性，为灾害性天气预报节省了时间，并为开发自动、人工智能预报系统打下了基础。
Description
技术领域
本发明属于寒潮天气识别的技术领域，尤其涉及一种寒潮天气500hPa环流形势的自动识别方法。
背景技术
寒潮是大规模强冷空气剧烈爆发的天气过程，在秋、冬、春三季均可出现，往往对我国大范围国土产生巨大影响，常伴有大风降温、暴雪、冰冻、沙尘暴等灾害性天气现象，并引发低温、霜冻、积雪凝冻、道路及电线积冰等次生灾害，对人民生命财产甚至社会安定造成巨大而深远的影响，每一次准确预报寒潮过程往往直接服务于数亿人民的工作生活诸多方面。
在预报业务中，寒潮作为一种大范围重大灾害性天气过程，根据天气学原理与方法，进行500hPa环流形势分析，是至关重要的基础性业务环节，可初步判断是否存在寒潮爆发的可能性，对后续的天气系统、物理量诊断、天气要素等各项分析均有指导性作用，所以500hPa的环流形势分析是寒潮预报的基础性技术环节。由于天气预报过程中的深层次专业化分析技术难度高，时至今日从资料的基本处理到获得预报产品这一关键环节(500hPa环流形势分析是该环节的第一道工序和预报流程的基础)，即制作天气预报的环节，仍然需要预报员的人工介入。具体来说，当前的预报业务中，基本的天气分析均通过预报员在人机交互操作平台上，针对位势高度、气温、风等气象资料场，使用手工处理的人机交互方法实现，其中，包括500hPa环流形势分析。所以当前的环形势分析过程中，存在众所周知的人工干预的各种弊端。最为重要的是，由于该环节无法实现自动化分析处理，所以阻碍了计算机技术，特别是人工智能技术在气象行业的深入而全面的应用，从而影响了利用人工智能方法在天气预报工作中充分发挥其应有的作用。具体来说，预报员在500hPa环流形势分析过程中，首先将各个格点的位势高度值在地图上一一标出，然后对位势高度场进行等值线分析，针对不同等值线的走向、弯曲、转折、闭合等情况，分别判断出冷暖空气构成的天气系统性质、位置、强度、移动等信息，在此基础上综合分析出环流形势，这一过程的各个环节均表现出较高的技术要求，客观自动识别存在较大难度。
为了分析500hPa环流形势，现有的方法避开一系列复杂的技术环节，对天气学概念模型在一般条件下进行了高度简化：从高空各点的数值出发，通过计算位势高度场区域平均值进行设定阈值识别，或进一步计算不同区域平均值的差值后，再通过阈值识别的方法进行分析。该方法思路清晰，计算方便，处理简单，但存在以下几个不足：(1)无法体现出环流形势的天气学本质意义；(2)在诸多灾害性天气背景下适用性欠佳；(3)识别结果与人工主观分析往往存在显著差异。
发明内容
针对现有技术中的上述不足，本发明提供的一种寒潮天气500hPa环流形势的自动识别方法可以对环流形势进行识别，判断是否有寒潮入侵、寒潮的强度、路径、影响区域以及属于哪一种环流形势。
为了达到以上目的，本发明采用的技术方案为：
本方案提供一种寒潮天气500hPa环流形势的自动识别方法，包括以下步骤：
S1、通过读取某一时刻的500hPa位势高度场和温度场文件，得到位势高度场等值线的槽线节点、脊线节点和高低压的信息，以及温度场等值线的槽脊节点和冷暖中心的信息；
S2、根据得到的信息分别计算位势高度场与温度场的槽线节点个数的数值，以及位势高度场的槽线节点连接长度、脊线节点个数以及槽倾斜度的数值；
S3、根据得到的数值对识别到的寒潮天气进行分析，从而实现对某一时刻的寒潮天气的环流形势的识别。
进一步地，所述步骤S1的具体方法为：
根据矢量追踪法进行位势高度场等值线分析，获得500hPa位势高度场和温度场的槽线节点和脊线节点，以及闭合高压和低压的中心点、冷中心和暖中心所在点和东西南北四个端点。
再进一步地，所述步骤S2的具体方法为：
针对HTA1区域内的位势高度场信息，分别计算位势高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对HRA1区域内的位势高度场信息，计算位势高度场脊线节点个数k_height_g的数值；且针对TTA1区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA1为58-73°E，38.5-56.5°N，HRA1为45-61°E，50-66°N，TTA1为57-72°E，39-57°N,E为东经，N为北纬；
针对HTA2区域内的位势高度场信息，分别计算位势高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对TTA2区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA2为45-60°E，40-56.5°N,TTA2为52-63°E，40-55°N；
针对HTA3区域内的位势高度场信息，分别计算位势高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对HRA3区域内的位势高度场信息，计算位势高度场脊线节点个数k_height_g的数值；且针对TTA3区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA3为69-84°E，45-60°N，HRA3为50-65°E，53-69°N，TTA3为52-63°E，40-55°N；
针对HTA4区域内的位势高度场信息，分别计算高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对HRA4区域内的位势高度场信息，计算位势高度场脊线节点个数k_height_g的数值；且针对TTA4区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA4为85-105°E，50-62°N，HRA4为52-75°E，55-70°N，TTA4为85-100°E，50-60°N；
针对HTA5区域内的位势高度场信息，分别计算位势高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对HRA5区域内的位势高度场信息，计算位势高度场脊线节点个数k_height_g的数值；且针对TTA5区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA5为70-96°E，53-65°N，HRA5为50-70°E，52-70°N，TTA5为70-93°E，53-69°N；
针对HTA6区域内的位势高度场信息，分别计算位势高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对HRA6区域内的位势高度场信息，计算位势高度场脊线节点个数k_height_g的数值；且针对TTA6区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA6为105-118°E，37-53°N，HRA6为65-85°E，57-75°N，TTA6为105-115°E，40-52°N；
针对HTA7区域内的位势高度场信息，分别计算位势高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对HRA7区域内的位势高度场信息，计算位势高度场脊线节点个数k_height_g的数值；且针对TTA7区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA7为71-108°E，43-55°N，HRA7为60-80°E，50-75°N，TTA7为73-100°E，43-55°N；
针对HTA8区域内的位势高度场信息，分别计算位势高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对HRA8区域内的位势高度场信息，计算位势高度场脊线节点个数k_height_g的数值；且针对TTA8区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA8为75-100°E，50-60°N，HRA8为58-78°E，55-75°N，TTA8为70-96°E，50-60°N；
针对HTA9区域内的位势高度场信息，分别计算位势高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对HRA9区域内的位势高度场信息，计算位势高度脊线节点个数k_height_g的数值；且针对TTA9区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA9为80-100°E，38-53°N，HRA9为70-90°E，52-75°N，TTA9为80-100°E，38-53°N。
再进一步地，所述倾斜度slope的表达式如下：
其中，maxlon和maxlat分别为区域内最北端槽线节点的经度和纬度，minlon和minlat分别为区域内最南端槽线节点的经度和纬度，arctan为反正切函数。
再进一步地，所述槽线节点连接长度length的表达式如下：
其中，loni和lati分别是区域内相邻两条等值线上第i个槽线节点的经度和纬度，n为区域内的槽线节点个数，K0为经线上1°纬度间隔对应的长度，且K0≈111km，R为地球半径，π为圆周率。
再进一步地，所述步骤S3的具体方法为：
根据得到的数值利用低槽东移型、小槽发展型以及横槽型分别对识别到的寒潮天气进行分析，从而实现对某一时刻的寒潮天气的环流形势的识别。
再进一步地，根据得到的数值利用低槽东移型对识别到的寒潮天气进行分析，其具体方法为：
针对HTA1区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height≥10且30°<slope<90°且length>1650km；且针对HRA1区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height_g≥5；且针对TTA1区域内的温度场低槽信息，温度场信息的识别结果为：k_temper≥3，其中，k_height为位势高度场槽线节点个数，slope为倾斜度，length为槽线节点连接长度，k_height_g为位势高度场脊线节点个数，k_temper为温度场槽线节点个数，HTA1为58-73°E，38.5-56.5°N，HRA1为45-61°E，50-66°N，TTA1为57-72°E，39-57°N；
针对HTA2区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height≥10且30°<slope<90°且length>1650km；且针对TTA2区域内的温度场低槽信息，温度场信息的识别结果为：k_temper≥3，其中，HTA2为45-60°E，40-56.5°N，TTA2为52-63°E，40-55°N；
针对HTA3区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height≥9且30°<slope<90°且length>1350km；且针对HRA3区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height_g≥5；且针对TTA3区域内的温度场低槽信息，温度场信息的识别结果为：k_temper≥3，其中，HTA3为69-84°E，45-60°N，HRA3为50-65°E,53-69°N，TTA3为52-63°E，40-55°N。
再进一步地，根据得到的数值利用小槽发展型对识别到的寒潮天气进行分析，其具体方法为：
针对HTA4区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height≥10且30°<slope<90°且length>1350km；且针对HRA4区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height_g≥3；且针对TTA4区域内的温度场低槽信息，温度场信息的识别结果为：k_temper≥3，其中，k_height为位势高度场槽线节点个数，slope为倾斜度，length为槽线节点连接长度，k_height_g为位势高度场脊线节点个数，k_temper为温度场槽线节点个数，HTA4为85-105°E，50-62°N，HRA4为52-75°E，55-70°N，TTA4为85-100°E，50-60°N；
针对HTA5区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height≥9且30°<slope<90°且length>1350km；且针对HRA5区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height_g≥3；且针对TTA5区域内的温度场信息，温度场信息的识别结果为：k_temper≥3，其中，HTA5为70-96°E，53-65°N，HRA5为50-70°E，52-70°N，TTA5为；70-93°E，53-69°N
针对HTA6区域内的位势高度场信息，位势高度场信息的识别结果为：k_height≥10且30°<slope<90°且length≥1350km；且针对HRA6区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height_g≥3；且针对TTA6区域内的温度场信息，温度场信息的识别结果为：k_temper≥3，其中，HTA6为105-118°E，37-53°N，HRA6为65-85°E，57-75°N，TTA6为105-115°E，40-52°N。
再进一步地，根据得到的数值利用横槽型对识别到的寒潮天气进行分析，其具体方法为：
针对HTA7区域内的位势高度场信息，位势高度场信息的识别结果为：k_height≥10且slope<65°且length>1350km；且针对HRA7区域内的位势高度场信息，位势高度场信息的识别结果为：k_height_g≥5；且针对TTA7区域内的温度场信息，温度场信息的识别结果为：k_temper≥3，其中，k_height为位势高度场槽线节点个数，slope为倾斜度，length为槽线节点连接长度，k_height_g为位势高度场脊线节点个数，k_temper为温度场槽线节点个数，HTA7为71-108°E，43-55°N，HRA7为60-80°E，50-75°N，TTA7为73-100°E，43-55°N；
针对HTA8区域内的位势高度场信息，位势高度场信息的识别结果为：k_height≥9且slope<65°且length>1350km；且针对HRA8区域内的位势高度场信息，位势高度场信息的识别结果为：k_height_g≥5；且针对TTA8区域内的温度场信息，温度场信息的识别结果为：k_temper≥3，其中，HTA8为75-100°E，50-60°N，HRA8为58-78°E，55-75°N，TTA8为70-96°E，50-60°N；
针对HTA9区域内的位势高度场信息，位势高度场信息的识别结果为：k_height≥9且30°<slope<90°且length>1650km；且针对HRA9区域内的位势高度场信息，位势高度场信息的识别结果为：k_height_g≥5；且针对TTA9区域内的温度场信息，温度场信息的识别结果为：k_temper≥3，其中，HTA9为80-100°E，38-53°N，HRA9为70-90°E，52-75°N，TTA9为80-100°E，38-53°N。
本发明的有益效果：
(1)本方法严格遵从天气学原理，按照人类预报员的工作思路，首先在矢量追踪法进行位势高度场等值线分析的基础上，通过获得500hPa位势高度场和温度场的槽线节点和脊线节点，以及闭合高压和低压的中心点、冷中心和暖中心所在点和东西南北四个端点，并且计算槽线、脊线长度以及倾斜度等识别关键特征量，应用以上特征量进行识别到的天气系统性质、位置、强度、移动的多重属性分析，可以判断是否有寒潮入侵、寒潮的强度、路径、影响区域以及属于哪一种环流形势，以实现环流形势的客观自动分析；
(2)本发明通过上述方法不仅提高了槽线节点和脊线节点定位的精准度，还在排除了人工主观分析的差异性基础上，为预报员分析环流形势节省了时间，并为开发自动、人工智能预报系统打下了基础。
附图说明
图1为本发明的方法流程图。
图2为本发明中低槽东移型寒潮的500hPa位势高度场和温度场，以及识别出来的位势高度槽线节点、脊线节点和温度槽线节点的示意图。
图3为本发明中小槽发展型寒潮的500hPa位势高度场和温度场，以及识别出来的位势高度槽线节点、脊线节点和温度槽线节点的示意图。
图4为本发明中横槽型寒潮的500hPa位势高度场和温度场，以及识别出来的位势高度槽线节点、脊线节点和温度槽线节点的示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和区域内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例
为了实现环流形势的客观自动分析，我国学者研究成果和天气预报业务人员的实践表明，通过与标准的寒潮爆发之前的500hPa高空存在三种典型的环流形势。只要出现其中的一种，即可确认将有寒潮入侵我国，而且可以大体判断出寒潮的基本强度、路径、影响区域等重要信息。应用此种客观识别方法，排除了人工主观分析的差异性，提高了分析效率，为灾害性天气预报节省了时间，并为进一步开发自动、智能预报系统打下了基础。
如图1所示，本发明公开了一种寒潮天气500hPa环流形势的自动识别方法，其实现方法如下：
S1、通过读取某一时刻的500hPa位势高度场和温度场文件，得到位势高度场等值线的槽线节点、脊线节点和高低压的信息，以及温度场等值线的槽脊节点和冷暖中心的信息，其具体为，根据矢量追踪法进行位势高度场等值线分析，获得500hPa位势高度场和温度场的槽线节点和脊线节点，以及闭合高压和低压的中心点、冷中心和暖中心所在点和东西南北四个端点；
S2、根据得到的信息分别计算位势高度场与温度场的槽线节点个数的数值，以及位势高度场的槽线节点连接长度、脊线节点个数以及槽倾斜度的数值，其实现方法如下：
针对HTA1区域内的位势高度场信息，分别计算位势高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对HRA1区域内的位势高度场信息，计算位势高度场脊线节点个数k_height_g的数值；且针对TTA1区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA1为58-73°E，38.5-56.5°N，HRA1为45-61°E，50-66°N，TTA1为57-72°E，39-57°N,E为东经，N为北纬；
针对HTA2区域内的位势高度场信息，分别计算位势高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对TTA2区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA2为45-60°E，40-56.5°N,TTA2为52-63°E，40-55°N；
针对HTA3区域内的位势高度场信息，分别计算位势高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对HRA3区域内的位势高度场信息，计算位势高度场脊线节点个数k_height_g的数值；且针对TTA3区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA3为69-84°E，45-60°N，HRA3为50-65°E，53-69°N，TTA3为52-63°E，40-55°N；
针对HTA4区域内的位势高度场信息，分别计算高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对HRA4区域内的位势高度场信息，计算位势高度场脊线节点个数k_height_g的数值；且针对TTA4区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA4为85-105°E，50-62°N，HRA4为52-75°E，55-70°N，TTA4为85-100°E，50-60°N；
针对HTA5区域内的位势高度场信息，分别计算位势高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对HRA5区域内的位势高度场信息，计算位势高度场脊线节点个数k_height_g的数值；且针对TTA5区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA5为70-96°E，53-65°N，HRA5为50-70°E，52-70°N，TTA5为70-93°E，53-69°N；
针对HTA6区域内的位势高度场信息，分别计算位势高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对HRA6区域内的位势高度场信息，计算位势高度场脊线节点个数k_height_g的数值；且针对TTA6区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA6为105-118°E，37-53°N，HRA6为65-85°E，57-75°N，TTA6为105-115°E，40-52°N；
针对HTA7区域内的位势高度场信息，分别计算位势高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对HRA7区域内的位势高度场信息，计算位势高度场脊线节点个数k_height_g的数值；且针对TTA7区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA7为71-108°E，43-55°N，HRA7为60-80°E，50-75°N，TTA7为73-100°E，43-55°N；
针对HTA8区域内的位势高度场信息，分别计算位势高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对HRA8区域内的位势高度场信息，计算位势高度场脊线节点个数k_height_g的数值；且针对TTA8区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA8为75-100°E，50-60°N，HRA8为58-78°E，55-75°N，TTA8为70-96°E，50-60°N；
针对HTA9区域内的位势高度场信息，分别计算位势高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对HRA9区域内的位势高度场信息，计算位势高度脊线节点个数k_height_g的数值；且针对TTA9区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA9为80-100°E，38-53°N，HRA9为70-90°E，52-75°N，TTA9为80-100°E，38-53°N；
S3、根据得到的数值对识别到的寒潮天气进行分析，从而实现对某一时刻的寒潮天气的环流形势的识别，其具体为：
根据得到的数值利用低槽东移型、小槽发展型以及横槽型分别对识别到的寒潮天气进行分析，从而实现对某一时刻的寒潮天气的环流形势的识别。
本实施例中，倾斜度slope是指：在判断区域内最北端的槽线节点，与最南端的槽线节点的连线，与水平方向的夹角，其表达式如下：
其中，maxlon和maxlat分别为区域内最北端槽线节点的经度和纬度，minlon和minlat分别为区域内最南端槽线节点的经度和纬度，arctan为反正切函数，得到的倾斜度为角度制。
本实施例中，槽线节点连接长度length是指：从区域内数值最小等值线上的槽线节点开始，逐渐增大等值线数值，计算与该条等值线上槽线节点的距离，以此类推，算出相互临近槽线节点之间连线的总长度，其表达式如下：
其中，loni和lati分别是区域内相邻两条等值线上第i个槽线节点的经度和纬度，n为区域内的槽线节点个数，K0为经线上1°纬度间隔对应的长度，且K0≈111km，R为地球半径，π为圆周率。
如图2所示，根据得到的数值利用低槽东移型对识别到的寒潮天气进行分析，其中，图2中实线处下凹部分黑点为位势高度场槽线节点，上凸部分黑点为位势高度场脊线节点，虚线处下凹部分黑点为温度场温度槽线节点，其具体方法为：
针对HTA1区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height≥10且30°<slope<90°且length>1650km；且针对HRA1区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height_g≥5；且针对TTA1区域内的温度场低槽信息，温度场信息的识别结果为：k_temper≥3，判断极大可能有低槽东移型寒潮过程，此类寒潮过程冷空气经欧洲南部、地中海、里海，较大可能从新疆或蒙古进入我国，其中，k_height为位势高度场槽线节点个数，slope为倾斜度，length为槽线节点连接长度，k_height_g为位势高度脊线节点个数，k_temper为温度场槽线节点个数，HTA1为58-73°E，38.5-56.5°N，HRA1为45-61°E，50-66°N，TTA1为57-72°E，39-57°N；
针对HTA2区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height≥10且30°<slope<90°且length>1650km；且针对TTA2区域内的温度场低槽信息，温度场信息的识别结果为：k_temper≥3，判断有低槽东移型寒潮的趋势，此时若在乌拉尔山附近有温度脊生成，将引导冷空气自西向东或自西向东南方向移动，其中，HTA2为45-60°E，40-56.5°N，TTA2为52-63°E，40-55°N；
针对HTA3区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height≥9且30°<slope<90°且length>1350km；且针对HRA3区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height_g≥5；且针对TTA3区域内的温度场低槽信息，温度场信息的识别结果为：k_temper≥3，判断低槽东移型寒潮的冷空气已经在巴尔喀什湖和新疆附近，即将影响我国北部地区，其中，HTA3为69-84°E，45-60°N，HRA3为50-65°E,53-69°N，TTA3为52-63°E，40-55°N。
如图3所示，根据得到的数值利用小槽发展型对识别到的寒潮天气进行分析，其中，图3中实线处下凹部分黑点为位势高度场槽线节点，上凸部分黑点为位势高度场脊线节点，虚线处下凹部分黑点为温度场温度槽线节点，其具体方法为：
针对HTA4区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height≥10且30°<slope<90°且length>1350km；且针对HRA4区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height_g≥3；且针对TTA4区域内的温度场低槽信息，温度场信息的识别结果为：k_temper≥3，判断极大可能有小槽发展型寒潮过程，此类寒潮过程冷空气经寒潮关键区(75-105°E，45-60°N)南下，取西北或偏北路径影响我国，其中，k_height为位势高度场槽线节点个数，slope为倾斜度，length为槽线节点连接长度，k_height_g为位势高度脊线节点个数，k_temper为温度场槽线节点个数，HTA4为85-105°E，50-62°N，HRA4为52-75°E，55-70°N，TTA4为85-100°E，50-60°N；
针对HTA5区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height≥9且30°<slope<90°且length>1350km；且针对HRA5区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height_g≥3；且针对TTA5区域内的温度场信息，温度场信息的识别结果为：k_temper≥3，判断有小槽发展型寒潮过程较大趋势，其中，HTA5为70-96°E，53-65°N，HRA5为50-70°E，52-70°N，TTA5为；70-93°E，53-69°N
针对HTA6区域内的位势高度场信息，位势高度场信息的识别结果为：k_height≥10且30°<slope<90°且length≥1350km；且针对HRA6区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height_g≥3；且针对TTA6区域内的温度场信息，温度场信息的识别结果为：k_temper≥3，判断有小槽发展型寒潮的冷空气已经开始影响我国西北及华北地区，即将影响东北和中部以及西南部地区，其中，HTA6为105-118°E，37-53°N，HRA6为65-85°E，57-75°N，TTA6为105-115°E，40-52°N
如图4所示，根据得到的数值利用横槽型对识别到的寒潮天气进行分析，其中，图4中实线处下凹部分黑点为位势高度场槽线节点，上凸部分黑点为位势高度场脊线节点，虚线处下凹部分黑点为温度场温度槽线节点其具体方法为：
针对HTA7区域内的位势高度场信息，位势高度场信息的识别结果为：k_height≥10且slope<65°且length>1350km；且针对HRA7区域内的位势高度场信息，位势高度场信息的识别结果为：k_height_g≥5；且针对TTA7区域内的温度场信息，温度场信息的识别结果为：k_temper≥3，判断极大可能有横槽型寒潮过程，此类寒潮过程横槽在贝加尔湖至巴尔喀什湖一带，乌拉尔山或其以东地区有高压脊存在，需随时注意阻塞高压的减弱或崩溃，这将导致横槽转竖，引导冷空气南下，其中，k_height为位势高度场槽线节点个数，slope为倾斜度，length为槽线节点连接长度，k_height_g为位势高度脊线节点个数，k_temper为温度场槽线节点个数，HTA7为71-108°E，43-55°N，HRA7为60-80°E，50-75°N，TTA7为73-100°E，43-55°N；
针对HTA8区域内的位势高度场信息，位势高度场信息的识别结果为：k_height≥9且slope<65°且length>1350km；且针对HRA8区域内的位势高度场信息，位势高度场信息的识别结果为：k_height_g≥5；且针对TTA8区域内的温度场信息，温度场信息的识别结果为：k_temper≥3，判断极大可能有横槽型寒潮过程，横槽还在偏北的位置，将来极有可能南压至贝加尔湖至巴尔喀什湖一带，其中，HTA8为75-100°E，50-60°N，HRA8为58-78°E，55-75°N，TTA8为70-96°E，50-60°N；
针对HTA9区域内的位势高度场信息，位势高度场信息的识别结果为：k_height≥9且30°<slope<90°且length>1650km；且针对HRA9区域内的位势高度场信息，位势高度场信息的识别结果为：k_height_g≥5；且针对TTA9区域内的温度场信息，温度场信息的识别结果为：k_temper≥3，判断横槽已经转竖，并从新疆或蒙古地区影响我国，其中，HTA9为80-100°E，38-53°N，HRA9为70-90°E，52-75°N，TTA9为80-100°E，38-53°N。
本发明通过以上设计可以判断是否存在寒潮爆发的可能，确定为何种寒潮环流形势，为寒潮的强度、路径以及影响区域预报提供关键分析依据。应用此种客观识别方法，排除了人工主观分析的差异性，提高了分析效率，为灾害性天气预报节省了时间，并为进一步开发自动、智能预报系统打下了基础。
Claims (9)
1.一种寒潮天气500hPa环流形势的自动识别方法，其特征在于，包括以下步骤：
S1、通过读取某一时刻的500hPa位势高度场和温度场文件，得到位势高度场等值线的槽线节点、脊线节点和高低压的信息，以及温度场等值线的槽脊节点和冷暖中心的信息；
S2、根据得到的信息分别计算位势高度场与温度场的槽线节点个数的数值，以及位势高度场的槽线节点连接长度、脊线节点个数以及槽倾斜度的数值；
S3、根据得到的数值对识别到的寒潮天气进行分析，从而实现对某一时刻的寒潮天气的环流形势的识别。
2.根据权利要求1所述的寒潮天气500hPa环流形势的自动识别方法，其特征在于，所述步骤S1的具体方法为：
根据矢量追踪法进行位势高度场等值线分析，获得500hPa位势高度场和温度场的槽线节点和脊线节点，以及闭合高压和低压的中心点、冷中心和暖中心所在点和东西南北四个端点。
3.根据权利要求1所述的寒潮天气500hPa环流形势的自动识别方法，其特征在于，所述步骤S2的具体方法为：
针对HTA1区域内的位势高度场信息，分别计算位势高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对HRA1区域内的位势高度场信息，计算位势高度场脊线节点个数k_height_g的数值；且针对TTA1区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA1为58-73°E，38.5-56.5°N，HRA1为45-61°E，50-66°N，TTA1为57-72°E，39-57°N,E为东经，N为北纬；
针对HTA2区域内的位势高度场信息，分别计算位势高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对TTA2区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA2为45-60°E，40-56.5°N,TTA2为52-63°E，40-55°N；
针对HTA3区域内的位势高度场信息，分别计算位势高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对HRA3区域内的位势高度场信息，计算位势高度场脊线节点个数k_height_g的数值；且针对TTA3区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA3为69-84°E，45-60°N，HRA3为50-65°E，53-69°N，TTA3为52-63°E，40-55°N；
针对HTA4区域内的位势高度场信息，分别计算高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对HRA4区域内的位势高度场信息，计算位势高度场脊线节点个数k_height_g的数值；且针对TTA4区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA4为85-105°E，50-62°N，HRA4为52-75°E，55-70°N，TTA4为85-100°E，50-60°N；
针对HTA5区域内的位势高度场信息，分别计算位势高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对HRA5区域内的位势高度场信息，计算位势高度场脊线节点个数k_height_g的数值；且针对TTA5区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA5为70-96°E，53-65°N，HRA5为50-70°E，52-70°N，TTA5为70-93°E，53-69°N；
针对HTA6区域内的位势高度场信息，分别计算位势高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对HRA6区域内的位势高度场信息，计算位势高度场脊线节点个数k_height_g的数值；且针对TTA6区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA6为105-118°E，37-53°N，HRA6为65-85°E，57-75°N，TTA6为105-115°E，40-52°N；
针对HTA7区域内的位势高度场信息，分别计算位势高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对HRA7区域内的位势高度场信息，计算位势高度场脊线节点个数k_height_g的数值；且针对TTA7区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA7为71-108°E，43-55°N，HRA7为60-80°E，50-75°N，TTA7为73-100°E，43-55°N；
针对HTA8区域内的位势高度场信息，分别计算位势高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对HRA8区域内的位势高度场信息，计算位势高度场脊线节点个数k_height_g的数值；且针对TTA8区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA8为75-100°E，50-60°N，HRA8为58-78°E，55-75°N，TTA8为70-96°E，50-60°N；
针对HTA9区域内的位势高度场信息，分别计算位势高度场槽线节点个数k_height、倾斜度slope以及槽线节点连接长度length的数值；且针对HRA9区域内的位势高度场信息，计算位势高度脊线节点个数k_height_g的数值；且针对TTA9区域内的温度场信息，计算温度场槽线节点个数k_temper的数值，其中，HTA9为80-100°E，38-53°N，HRA9为70-90°E，52-75°N，TTA9为80-100°E，38-53°N。
4.根据权利要求3所述的寒潮天气500hPa环流形势的自动识别方法，其特征在于，所述倾斜度slope的表达式如下：
其中，maxlon和maxlat分别为区域内最北端槽线节点的经度和纬度，minlon和minlat分别为区域内最南端槽线节点的经度和纬度，arctan为反正切函数。
5.根据权利要求3所述的寒潮天气500hPa环流形势的自动识别方法，其特征在于，所述槽线节点连接长度length的表达式如下：
其中，loni和lati分别是区域内相邻两条等值线上第i个槽线节点的经度和纬度，n为区域内的槽线节点个数，K0为经线上1°纬度间隔对应的长度，且K0≈111km，R为地球半径，π为圆周率。
6.根据权利要求1所述的寒潮天气500hPa环流形势的自动识别方法，其特征在于，所述步骤S3的具体方法为：
根据得到的数值利用低槽东移型、小槽发展型以及横槽型分别对识别到的寒潮天气进行分析，从而实现对某一时刻的寒潮天气的环流形势的识别。
7.根据权利要求6所述的寒潮天气500hPa环流形势的自动识别方法，其特征在于，根据得到的数值利用低槽东移型对识别到的寒潮天气进行分析，其具体方法为：
针对HTA1区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height≥10且30°<slope<90°且length>1650km；且针对HRA1区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height_g≥5；且针对TTA1区域内的温度场低槽信息，温度场信息的识别结果为：k_temper≥3，其中，k_height为位势高度场槽线节点个数，slope为倾斜度，length为槽线节点连接长度，k_height_g为位势高度场脊线节点个数，k_temper为温度场槽线节点个数，HTA1为58-73°E，38.5-56.5°N，HRA1为45-61°E，50-66°N，TTA1为57-72°E，39-57°N；
针对HTA2区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height≥10且30°<slope<90°且length>1650km；且针对TTA2区域内的温度场低槽信息，温度场信息的识别结果为：k_temper≥3，其中，HTA2为45-60°E，40-56.5°N，TTA2为52-63°E，40-55°N；
针对HTA3区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height≥9且30°<slope<90°且length>1350km；且针对HRA3区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height_g≥5；且针对TTA3区域内的温度场低槽信息，温度场信息的识别结果为：k_temper≥3，其中，HTA3为69-84°E，45-60°N，HRA3为50-65°E,53-69°N，TTA3为52-63°E，40-55°N。
8.根据权利要求6所述的寒潮天气500hPa环流形势的自动识别方法，其特征在于，根据得到的数值利用小槽发展型对识别到的寒潮天气进行分析，其具体方法为：
针对HTA4区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height≥10且30°<slope<90°且length>1350km；且针对HRA4区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height_g≥3；且针对TTA4区域内的温度场低槽信息，温度场信息的识别结果为：k_temper≥3，其中，k_height为位势高度场槽线节点个数，slope为倾斜度，length为槽线节点连接长度，k_height_g为位势高度场脊线节点个数，k_temper为温度场槽线节点个数，HTA4为85-105°E，50-62°N，HRA4为52-75°E，55-70°N，TTA4为85-100°E，50-60°N；
针对HTA5区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height≥9且30°<slope<90°且length>1350km；且针对HRA5区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height_g≥3；且针对TTA5区域内的温度场信息，温度场信息的识别结果为：k_temper≥3，其中，HTA5为70-96°E，53-65°N，HRA5为50-70°E，52-70°N，TTA5为；70-93°E，53-69°N
针对HTA6区域内的位势高度场信息，位势高度场信息的识别结果为：k_height≥10且30°<slope<90°且length≥1350km；且针对HRA6区域内的位势高度场低槽信息，位势高度场信息的识别结果为：k_height_g≥3；且针对TTA6区域内的温度场信息，温度场信息的识别结果为：k_temper≥3，其中，HTA6为105-118°E，37-53°N，HRA6为65-85°E，57-75°N，TTA6为105-115°E，40-52°N。
9.根据权利要求6所述的寒潮天气500hPa环流形势的自动识别方法，其特征在于，根据得到的数值利用横槽型对识别到的寒潮天气进行分析，其具体方法为：
针对HTA7区域内的位势高度场信息，位势高度场信息的识别结果为：k_height≥10且slope<65°且length>1350km；且针对HRA7区域内的位势高度场信息，位势高度场信息的识别结果为：k_height_g≥5；且针对TTA7区域内的温度场信息，温度场信息的识别结果为：k_temper≥3，其中，k_height为位势高度场槽线节点个数，slope为倾斜度，length为槽线节点连接长度，k_height_g为位势高度场脊线节点个数，k_temper为温度场槽线节点个数，HTA7为71-108°E，43-55°N，HRA7为60-80°E，50-75°N，TTA7为73-100°E，43-55°N；
针对HTA8区域内的位势高度场信息，位势高度场信息的识别结果为：k_height≥9且slope<65°且length>1350km；且针对HRA8区域内的位势高度场信息，位势高度场信息的识别结果为：k_height_g≥5；且针对TTA8区域内的温度场信息，温度场信息的识别结果为：k_temper≥3，其中，HTA8为75-100°E，50-60°N，HRA8为58-78°E，55-75°N，TTA8为70-96°E，50-60°N；
针对HTA9区域内的位势高度场信息，位势高度场信息的识别结果为：k_height≥9且30°<slope<90°且length>1650km；且针对HRA9区域内的位势高度场信息，位势高度场信息的识别结果为：k_height_g≥5；且针对TTA9区域内的温度场信息，温度场信息的识别结果为：k_temper≥3，其中，HTA9为80-100°E，38-53°N，HRA9为70-90°E，52-75°N，TTA9为80-100°E，38-53°N。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910314305.2A CN109975892B (zh) | 2019-04-18 | 2019-04-18 | 一种寒潮天气500hPa环流形势的自动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910314305.2A CN109975892B (zh) | 2019-04-18 | 2019-04-18 | 一种寒潮天气500hPa环流形势的自动识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109975892A true CN109975892A (zh) | 2019-07-05 |
| CN109975892B CN109975892B (zh) | 2020-04-14 |
Family
ID=67085273
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910314305.2A Active CN109975892B (zh) | 2019-04-18 | 2019-04-18 | 一种寒潮天气500hPa环流形势的自动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109975892B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117631090A (zh) * | 2024-01-25 | 2024-03-01 | 南京信息工程大学 | 一种寒潮识别方法及装置 |
| CN117932360A (zh) * | 2024-03-20 | 2024-04-26 | 南京大学 | 基于最优气候模态的人工智能次季节预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106662669A (zh) * | 2014-08-27 | 2017-05-10 | Twc专利信托公司 | 自动化全球天气通知系统 |
| KR20170090801A (ko) * | 2016-01-29 | 2017-08-08 | 전태랑 | 강우량측정장치 및 측정방법 |
| CN109031473A (zh) * | 2018-06-19 | 2018-12-18 | 中国科学院地理科学与资源研究所 | 完全晴天的自动判断方法和装置 |
| CN109239809A (zh) * | 2018-08-02 | 2019-01-18 | 成都信息工程大学 | 一种基于弦切法的天气槽脊线提取方法 |
-
2019
- 2019-04-18 CN CN201910314305.2A patent/CN109975892B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106662669A (zh) * | 2014-08-27 | 2017-05-10 | Twc专利信托公司 | 自动化全球天气通知系统 |
| KR20170090801A (ko) * | 2016-01-29 | 2017-08-08 | 전태랑 | 강우량측정장치 및 측정방법 |
| CN109031473A (zh) * | 2018-06-19 | 2018-12-18 | 中国科学院地理科学与资源研究所 | 完全晴天的自动判断方法和装置 |
| CN109239809A (zh) * | 2018-08-02 | 2019-01-18 | 成都信息工程大学 | 一种基于弦切法的天气槽脊线提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 胡文东等: "高空基本天气系统类别自动识别与沙尘暴识别试验", 《中国沙漠》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117631090A (zh) * | 2024-01-25 | 2024-03-01 | 南京信息工程大学 | 一种寒潮识别方法及装置 |
| CN117631090B (zh) * | 2024-01-25 | 2024-05-14 | 南京信息工程大学 | 一种寒潮识别方法及装置 |
| CN117932360A (zh) * | 2024-03-20 | 2024-04-26 | 南京大学 | 基于最优气候模态的人工智能次季节预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109975892B (zh) | 2020-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lozano et al. | Storminess and vulnerability along the Atlantic coastlines of Europe: analysis of storm records and of a greenhouse gases induced climate scenario | |
| Mori et al. | Recent nationwide climate change impact assessments of natural hazards in Japan and East Asia | |
| Shu et al. | Gust factors for tropical cyclone, monsoon and thunderstorm winds | |
| Sharples et al. | Wind characteristics over complex terrain with implications for bushfire risk management | |
| Speirs et al. | Regional climate variability driven by foehn winds in the McMurdo Dry Valleys, Antarctica | |
| Choi et al. | Influence of the Western Pacific teleconnection pattern on Western North Pacific tropical cyclone activity | |
| Dalal et al. | Organizational modes of squall-type mesoscale convective systems during premonsoon season over eastern India | |
| CN115933008A (zh) | 一种强对流天气预报预警方法 | |
| Langhamer et al. | Lagrangian detection of moisture sources for the southern Patagonia icefield (1979–2017) | |
| Kim et al. | The relationship between tropical cyclone rainfall area and environmental conditions over the subtropical oceans | |
| CN109975892A (zh) | 一种寒潮天气500hPa环流形势的自动识别方法 | |
| CN108646319A (zh) | 一种短时强降雨预报方法及系统 | |
| Marke et al. | Long-term observations and high-resolution modeling of midlatitude nocturnal boundary layer processes connected to low-level jets | |
| CN110516025A (zh) | 台风追踪系统及方法 | |
| Morgenstern et al. | Differentiating lightning in winter and summer with characteristics of the wind field and mass field | |
| CN115201938A (zh) | 基于雷暴高压分析的强对流天气临近预报方法及系统 | |
| Zeng et al. | Observations of heavy short-term rainfall hotspots associated with warm-sector episodes over coastal South China | |
| de Bodas Terassi et al. | Rainfall and erosivity in the municipality of Rio de Janeiro-Brazil | |
| Cao et al. | Drift path of green tide and the impact of typhoon “Chan-hom” in the Chinese Yellow Sea based on GOCI images in 2015 | |
| Bonelli et al. | Thunderstorm nowcasting by means of lightning and radar data: algorithms and applications in northern Italy | |
| CN113516418B (zh) | 一种苹果种植区干旱灾害风险评估方法 | |
| CN107403004A (zh) | 一种基于地形数据的遥测雨量站点可疑数值检验方法 | |
| del Moral et al. | Identification of anomalous motion of thunderstorms using daily rainfall fields | |
| Łupikasza et al. | Climatology of Air-Mass and Frontal Extreme Precipitation | |
| Gao et al. | Evolutionary characteristics of the atmospheric circulations for frequent and infrequent dust storm springs in northern China and the detection of potential future seasonal forecast signals |
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 |