CN110020462B - 一种对气象数据进行融合处理并生成数值天气预报的方法 - Google Patents
一种对气象数据进行融合处理并生成数值天气预报的方法 Download PDFInfo
- Publication number
- CN110020462B CN110020462B CN201910170766.7A CN201910170766A CN110020462B CN 110020462 B CN110020462 B CN 110020462B CN 201910170766 A CN201910170766 A CN 201910170766A CN 110020462 B CN110020462 B CN 110020462B
- Authority
- CN
- China
- Prior art keywords
- data
- meteorological element
- representing
- observation
- value
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种对气象数据进行融合处理并生成数值天气预报的方法,包括如下步骤:步骤1,从气象观探测设备或是CCTV采集接收各类气象要素数据,得到气象要素集合X1;步骤2,对采集的气象要素数据进行标准化预处理,得到标准化后的气象要素集合X;步骤3,对气象要素集合X进行三维资料变分同化,并对气象要素集合X中的数据进行特征误差分析和交叉协方差分析,得到气象要素集合X中的每个数据的协方差误差均方根,根据协方差误差均方根得到最优的气象要素资料种类;步骤4,根据最优的气象要素种类进行WRF数值天气预报模式地编译;步骤5,将WRF模式结果进行预报后处理,生成气象要素数值预报。
Description
技术领域
本发明涉及气象预报领域,尤其涉及一种对气象数据进行融合处理并生成数值天气预报的方法。
背景技术
数值模式本身已经可以相当精确地模拟出实际大气的运动变化,并且,分辨率越来越精细化;另一方面,资料同化方法已经从最初的逐步订正法、最优差值法发展到现在的三维变分法、四维变分法和Kalman滤波法。四维变分法和Kalman滤波法被认为是资料同化的发展方向,但由于计算量大、存储量大和不易获取模式状态误差协方差矩阵的精确初值等原因,只有少数国家在业务运行中使用。WRF的同化系统WRFda是已经较为完善的三维变分同化系统,在业务应用中已经取得了明显的效果。
资料同化方法是目前提高数值模式预报准确率的主要技术手段之一,其背景场误差矩阵一般取为气候统计的静态场。为了改善变分资料同化的效果,国内已经开始引入“流依赖”的背景场误差协方差矩阵,利用WRF模式及其3D-VAR系统与ETKF集合卡尔曼变换方法(ETKF,The Ensemble Trans form Kalman filter)相结合,构建WRF模式的混合数据同化系统,利用NCEP(美国国家环境预报中心National Centers for EnvironmentalPrediction的简称)的再分析资料和报文观测资料试验结果表明,利用混合数据同化系统得到的分析增量不但能够保持三维变分同化系统分析增量的基本特征,而且能够在三维变分同化的基础上增加丰富的局地中小尺度信息。混合资料的数据同化效果在低层比普通的3D变分同化改善较好,对高层改善不明显。
资料同化是指充分利用观测资料、模式预报以及误差信息,尽可能得到模式变量的最优估计。陆面资料同化的核心思想是在陆面过程模型的动力框架内,利用时间和物理连续性的约束,将各种不同来源和不同分辨率的直接与间接观测融合到模式中。陆面资料同化系统是一个将陆面过程模型以及各种观测算子集不断地依靠观测来自动调节模型轨迹,从而减少误差的预报系统。王世璋在WRF模式上初步完成了集合均方根滤波WRF-EnSRF同化系统的构建。郭亚凯在此基础上进行初步构建WRF-EnSRF陆面资料同化系统,该系统针对不同的资料,如雷达、卫星和自动站资料等。
为加强国内卫星资料在同化系统中的应用,自主构建的新一代WRF-EnSRF同化系统中,采用大气辐射传输模式作为观测算子,并建立卫星资料读取、偏差订正及质量控制等子模块,这种卫星资料同化数值模拟试验对于降水强度和降水落区的改善效果是很明显的。
常规资料作为天气分析和预报的主要依据,也是数值模式同化的最基本资料。由于常规观探测资料时空分辨率较低,因此常常不能很好地反映出中小尺度天气系统,而大气模式的时间积分是一个初值问题,没有精确的初始条件,就得不到精确的预报结果,因此必须引用高分辨率的非常规观探测资料,如多普勒天气雷达、气象卫星等资料来改善初始场。国内外学者已做了许多关于多普勒气象雷达资料的同化研究,如Xue等利用WSR-88D多普勒雷达资料进行初始场调整和云分析,发现雷达资料能减少模式的spin-up(预报起转延迟)时间,更能精确地模拟出初始时刻的风暴。
潘等应用WRF中尺度数值预报模式及其同化模块(WRFDA)对常规观探测资料和青岛市气象台多普勒天气雷达资料进行同化试验。结果表明常规观探测数据的同化对初始各层的风、温度、水汽等要素均有影响,但对雨后混合比影响较小;多普勒雷达资料的同化,使初始场的对流层中低层水汽增加、高层水汽减少,并且使中底层雨水混合比增大,对初始场各层的风均有影响。结合两种资料的数值模拟结果能改善模拟效果,增加预报结论的可靠性。
WRF数值模式模拟使用的资料同化已经有很多种并且均进行过试验,针对不同的物理参数或是不同尺度的气象要求,同化方法或者资料的不同,带来的模式模拟结果的效果也有所不同。
目前的研究以同化了常规观探测资料为主,高空探空风资料、自动观测站数据、多普勒天气雷达数据、风廓线雷达数据、甚至包括闪电资料等各类气象数据的初始场的设计,也有将地面常规观探测资料与其他资料相结合使用的方法,但是有效地分析各类气象数据地优劣并加以结合尚未有更进一步的研究。
虽然雷达观测是对流尺度同化最重要的资料来源,但其他对流尺度观测资料的作用也不可忽视。比如闪电观测、高密度的卫星观测以及自动站观测等资料。目前大多数的研究着眼于单种资料对同化和对流预报的影响。怎样能够有效地将各种高分辨率(空间和时间)资料共同同化,以达到相互补充地作用,是未来对流尺度资料同化和对流尺度数值预报地一个重要地研究课题。随着卫星遥感资料地快速增加,特别是高解析度新一代卫星资料地开发,发展结合雷达和卫星资料同化地新技术以补充雷达资料地不足(比如云观测,卫星反演水汽和闪电观测等)已成为当务之急。
发明内容
针对现有技术的不足,本发明公开了一种对气象数据进行融合处理并生成数值天气预报的方法,
包括如下步骤:
步骤1,从气象观探测设备或是CCTV采集接收各类气象要素资料;
步骤2,对采集的气象要素数据进行标准化预处理,去除错误和重复的数据,进行质量控制和归一化处理,得到气象要素集合X;
步骤3,对气象要素集合X进行三维资料变分同化,并对气象要素集合X中的数据进行特征误差分析和交叉协方差分析,得到气象要素集合X中的每个数据的协方差误差均方根,根据协方差误差均方根得到最优的气象要素种类(对气象要素集合X中的数据进行特征误差分析和交叉协方差分析,得出误差值和协方差值的特征比值ΔXij,选取协方差因子较大即ΔXij值较大的数据信息,作为最优的气象要素种类);
步骤4,根据最优的气象要素种类进行WRF数值天气预报模式地编译;
步骤5,将WRF模式结果进行预报后处理,生成气象要素数值预报。
步骤1包括:链接自动站资料,获取多普勒天气雷达数据、风廓线雷达数据、毫米波雷达数据、激光测云雷达数据,并接收卫星云图数据、下载闪电资料,接收CCTV下发的数值预报数据等,上述数据和资料组成各类气象要素资料,本发明中设定共采集到n类气象要素数据,形成气象要素集合X1(x1,x2,x3,……xn),xn表示气象要素集合X1中的第n个气象要素数据,n取值为自然数;
步骤2中,对气象要素集合X1中的气象要素数据进行标准化处理,去除错误和重复的数据,得出标准化的气象要素集合X(u1,u2,u3,……un),un表示xn经过标准化后的气象要素数据。步骤2的处理可以使用现有软件完成,本发明中使用江苏无线电厂有限公司开发的气象信息处理软件进行质量控制和标准归一化处理(针对不同的数据有不同的方法,主要有比对法,最大值法,滤波法,中心化法)。
步骤3包括如下步骤:
步骤3-1,建立三维变分的目标泛函数F(X)的表达式:
其中,X表示观测场即气象要素的观测值(也就是标准化后的气象要素集合X),Xb表示背景场,B表示背景场误差协方差矩阵,H表示观测算子,Yobs表示观测向量,R表示观测误差协方差矩阵,Fb(X)和Fo(X)分别表示背景项和观测项;
对应的分析场Xa为:
Xa=Xb+BHT(HBHT+R)-1(Yobs-HXb) (3)
将气象要素集合X中的所有气象要素集合成一个向量,定义为联合向量T:
T=[X,HXt]=[X,Y] (4)
其中,X表示模式状态向量,Xt表示状态向量的真值,Y表示观测向量的真值,观测值是模式状态的函数,并且包含误差,则:
Yobs=HXt+ε (5)
ε表示服从均值为0,协方差为R的高斯分布;
步骤3-2,根据贝叶斯理论,T的后验分布p(Tu)表示为:
p(Tu)=p(Yobs|Tp)p(Tp)/D (6)
∑u=[(∑p)-1+M′TR-1M′]-1 (8)
步骤3-3,进行SVD奇异值分解,得出特征值样本和它的成员元素:
∑u=I∑pIT (9)
其中I表示特征向量算子,i表示集合成员,j表示状态变量,和分别表示T中第i个集合成员的后验取值和先验取值,ΔXij表示第j个状态变量的第i个集合成员之间的增量,表示第j个状态变量与观测之间的协方差,表示观测协方差,ΔYi表示第i个集合成员增量;
步骤3-4,利用变量变换公式代换,将背景场以及观测场转换到独立的空间中。
步骤3-4包括:
步骤3-4-1,将背景场转换到独立空间,实施SVD奇异值分解:
步骤3-4-2,对背景场误差协方差矩阵B和观测误差协方差矩阵R进行SVD分解:
B=QEQT,R=GNGT (13)
其中,Q和G是正交矩阵,E和N是对角矩阵;对第i个变量Xi和第i个变量的背景场Xb,i以及观测场Yobs进行变量代换:
将(14)代入(15),得出:
根据Q的正交性和对角矩阵的性质,每个要素之间是不相关的(这里的要素就是集合成员,本发明中将气象要素组成了一个气象要素集合X,而每个要素自然就成为了气象要素集合X中的成员);
步骤3-4-3,根据如下公式对每一个集合成员进行滤波(这里的集合成员即气象要素集合X中的n个数据):
其中,Γj表示第j个状态变量,rj表示第j个观测误差值,表示第i个分析场变量值的第k个分量值,xik表示观测变量xi的第k个分量值;xb,ij表示背景场xb第i个变量的第j个分量值;表示背景场均值第j个分量值;表示第j个状态变量与第j个观测之间的协方差;表示第k个状态变量与第j个观测之间的协方差;
利用三维同化的泛函数:
F(xi)表示分析场xi的函数;
其中,i取值为1~n,
步骤3中,得出每个集合成员的分析场之后,采用滤波和空间差分方案,时间积分,得到每个集合成员的协方差误差均方根(参考文献:高山红、吴增茂的《Kalman滤波在气象数据同化中的发展和应用》《地球科学进展》2000),若其与集合协方差误差均方根之比相差不到1%时,判定此时的权重因子是最佳的,从而得到最优的气象要素资料,用来作为模式背景场和分析场能够提供最佳数值预报水平。
步骤4中,根据最优的气象要素种类进行WRF数值天气预报模式地编译。针对WRF模式设计:1)给出背景场,设置初始条件,为本发明步骤2得到的标准化后的观测真值;2)设置侧边界条件,根据预报范围明确格距和格点精确度,也可以与多种现有模式(例如国家气象局开发的T213模式或者欧洲中心细网格模式等)边界条件进行嵌套;3)根据边界条件采取合适的物理参数,如边界层物理参数和云物理参数化等;4)根据模式的实际设计方案选取合适的积分步长、时间和差分方案,进行模式的运行。
步骤5中,模式运转出的结果进行预报后处理,生成气象要素数值预报。通过WRF模式运转出的结果通过格点插值和滤波处理,得到所需的数值天气预报(WRF模式是事先设计好,经过编译就可以自动运行的)。
WRF模式具有可移植,易维护,可扩充,高效率,方便等许多特点,将成为改进从云尺度到各种不同天气尺度的重要天气特征预报精度的工具。
WRF模式为完全可压缩以及非静力模式,采用F90语言编写。水平方向采用ArakawaC(荒川C)网格点(重点考虑1-10km),垂直方向则采用地形跟随质量坐标。
WRF模式在时间积分方面采用三阶或者四阶的Runge-Kutta算法。WRF模式不仅可以用于真实天气的个案模拟,也可以用其包含的模块组作为基本物理过程探讨的理论根据。此外,WRF模式还具有多重嵌套和方便的定位于不同地理位置的能力。
设计模式预报方案,采用WRF模式,获取模式运行的初始场和模式边界条件,读取地理信息资料,进行数值积分运算。运行区域数值天气预报模式,得到模式σ面上的温压湿风的分析预报产品。
有益效果:本发明通过计算来自不同资料源的同一要素值的特征误差值和协方差值,可以清楚地知道每种资料对数值模式预报结果的贡献率和每种资料的主要代表性特征,并可以通过选择效果好的资料进行数据融合处理,从而使得数值预报效果更加理想。数据融合处理能够最大限度地提高数值预报的特征值准确率,最大限度地避免由于误差带来的结果偏差,最大程度地提高预报准确率。
结合多种资料进行融合处理,改变了过去单一的资料处理方式,弥补了单一的资料进行模式带来的误差,为未来数值模式初始场的资料提供更多的可能性和可靠性。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述或其他方面的优点将会变得更加清楚。
图1是本发明方法流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图1所示,本发明主要流程包括:
步骤1,从气象观探测设备或是CCTV采集接收各类气象要素资料;
步骤2,对采集的气象要素数据进行标准化预处理,去除错误和重复的数据,进行质量控制和归一化处理,得到气象要素集合X;
步骤3,对气象要素集合X进行三维资料变分同化,对气象要素集合X中的数据进行特征误差分析和交叉协方差分析,得出误差值和协方差值的特征比值ΔXij,选取协方差因子较大即ΔXij值较大的数据信息,作为最优的气象要素资料种类;
步骤4,根据最优的气象要素种类进行WRF数值天气预报模式地编译;
步骤5,将WRF模式结果进行预报后处理,生成气象要素数值预报。
步骤1包括:链接自动站资料,获取多普勒天气雷达数据、风廓线雷达数据、毫米波雷达数据、激光测云雷达数据,并接收卫星云图数据、下载闪电资料,接收CCTV下发的数值预报数据等,上述数据和资料组成各类气象要素资料,形成气象要素集合X1(x1,x2,x3,……xn),xn表示气象要素集合X1中的第n个气象要素数据;
步骤2中,对气象要素集合X1中的气象要素数据进行标准化处理,去除错误和重复的数据,得出标准化的气象要素集合X(u1,u2,u3,……un),un表示xn经过标准化后的气象要素数据。该步骤2的处理可以使用现有软件完成,本发明中使用江苏无线电厂有限公司开发的气象信息处理软件进行质量控制和标准归一化处理(针对不同的数据有不同的方法,主要有比对法,最大值法,滤波法,中心化法),
步骤3包括如下步骤:
步骤3-1,建立三维变分的目标泛函数F(X)的表达式:
其中,X表示观测场即气象要素的观测值(也就是标准化后的气象要素集合X),Xb表示背景场,B表示背景场误差协方差矩阵,H表示观测算子,Yobs表示观测向量,R表示观测误差协方差矩阵,Fb(X)和Fo(X)分别表示背景项和观测项;
对应的分析场Xa为:
Xa=Xb+BHT(HBHT+R)-1(Yobs-HXb) (3)
将气象要素集合X中的所有气象要素集合成一个向量,定义为联合向量T:
T=[X,HXt]=[X,Y] (4)
其中,X表示模式状态向量,Xt表示状态向量的真值,Y表示观测向量的真值,观测值是模式状态的函数,并且包含误差,则:
Yobs=HXt+ε (5)
ε表示服从均值为0,协方差为R的高斯分布;
步骤3-2,根据贝叶斯理论,T的后验分布p(Tu)表示为:
p(Tu)=p(Yobs|Tp)p(Tp)/D (6)
∑u=[(∑p)-1+M′TR-1M′]-1 (8)
步骤3-3,进行SVD奇异值分解,得出特征值样本和它的成员元素:
∑u=I∑pIT (9)
其中I表示特征向量算子,i表示集合成员,j表示状态变量,和分别表示T中第i个集合成员的后验取值和先验取值,ΔXij表示第j个状态变量的第i个集合成员之间的增量,表示第j个状态变量与观测之间的协方差,表示观测协方差,ΔYi表示第i个集合成员增量;
步骤3-4,利用变量变换公式代换,将背景场以及观测场转换到独立的空间中。
步骤3-4包括:
步骤3-4-1,将背景场转换到独立空间,实施SVD奇异值分解:
步骤3-4-2,对背景场误差协方差矩阵B和观测误差协方差矩阵R进行SVD分解:
B=QEQT,R=GNGT (13)
其中,Q和G是正交矩阵,E和N是对角矩阵;对第i个变量Xi和第i个变量的背景场Xb,i以及观测场Yobs进行变量代换:
将(14)代入(15),得出:
根据Q的正交性和对角矩阵的性质,每个要素之间是不相关的(这里的要素就是集合成员,本发明中将气象要素组成了一个气象要素集合X,而每个要素自然就成为了气象要素集合X中的成员);
步骤3-4-3,根据如下公式对每一个集合成员进行滤波(这里的集合成员即气象要素集合X中的数据):
其中,Γj表示第j个状态变量,rj表示第j个观测误差值,表示第i个分析场变量值的第k个分量值,xik表示观测变量xi的第k个分量值;xb,ij表示背景场xb第i个变量的第j个分量值;表示背景场均值第j个分量值;表示第j个状态变量与第j个观测之间的协方差;表示第k个状态变量与第j个观测之间的协方差;
利用三维同化的泛函数:
Fi(xi)表示分析场xi的函数;
得出每个集合成员的分析场之后,采用滤波和空间差分方案,时间积分,得到每个集合成员的协方差误差均方根(参考文献:高山红、吴增茂的《Kalman滤波在气象数据同化中的发展和应用》《地球科学进展》2000),若其与集合协方差误差均方根之比相差不到1%时,判定此时的权重因子是最佳的,从而得到最优的气象要素资料,用来作为模式背景场和分析场能够提供最佳数值预报水平。
步骤4中,根据最优的气象要素种类进行WRF数值天气预报模式地编译。针对WRF模式设计:1)给出背景场,设置初始条件,为本发明步骤2得到的标准化后的观测真值;2)设置侧边界条件,根据预报范围明确格距和格点精确度,也可以与多种现有模式(例如国家气象局开发的T213模式或者欧洲中心细网格模式等)边界条件进行嵌套;3)根据边界条件采取合适的物理参数,如边界层物理参数和云物理参数化等;4)根据模式的实际设计方案选取合适的积分步长、时间和差分方案,进行模式的运行。
步骤5中,模式运转出的结果进行预报后处理,生成气象要素数值预报。通过WRF模式运转出的结果通过格点插值和滤波处理,得到所需的数值天气预报(WRF模式是事先设计好,经过编译就可以自动运行的)。
实施例
本发明公开了一种对气象数据进行融合处理并生成数值天气预报的方法,包括如下步骤:
步骤1,采集接收各类气象要素数据,得到气象要素集合X1;
步骤2,对采集的气象要素数据进行标准化预处理,得到标准化后的气象要素集合X;
步骤3,对气象要素集合X进行三维资料变分同化,并对气象要素集合X中的数据进行特征误差分析和交叉协方差分析,得到气象要素集合X中的每个数据的协方差误差均方根,根据协方差误差均方根得到最优的气象要素资料种类;
步骤4,根据最优的气象要素资料种类进行WRF数值天气预报模式地编译;
步骤5,WRF数值预报结果后处理,生成气象要素数值预报。
本实施例是对气象要素风场数据进行处理,因此在步骤1中,采集如下6种气象要素风场数据:气象自动站内的实况风场资料,即风速风向资料x1;多普勒天气雷达中的径向速度x2;风廓线雷达中的风场和风切变信息x3;卫星云图接收的风场信息x4;CCTV下发的欧洲中心数值预报中的风场数据x5;CCTV下发的日本传真图上的风场数据x6。
上述六种资料均选取长江中下游流域陆地2018年11月26日20时的风速资料,经纬度范围选取北纬28°~33°,东经118°~123°。格点分辨率取0.25×0.25°。若原始数据并不是该分辨率,则采取格点插值的方法插值成统一的格点数据。
首先,分别对上述资料的真值进行绘图,可以得出同一时间同一区域的不同资料来源的同一要素风速值Y1;其次,分别对上述资料进行步骤2~步骤5的计算,可以得到以这六种资料自己分别为观测真值的WRF模式风速信息Y2;再次,将这六种资料按照步骤2~步骤5的方案进行计算,其中步骤3选出权重因子超过99%的几种资料进行模式融合计算,得出的WRF模式风速信息Y3,最后,将Y1、Y2和Y3放在一起进行比较,可以得出更接近实况预报的数值预报效果图。
按照本发明提出的方法,对这6种数据进行数值预报,执行步骤3的处理,分别可以得到6种气象要素风场数据的权重因子为:
第一种数据:0.479;
第二种数据:0.333;
第三种数据:0.442;
第四种数据:0.079;
第五种数据:0.437;
第六种数据:0.066;
可以看出第一种资料的权重因子最大,其次是第3种和第5种。这里选择气象自动站内的实况风场资料,即风速风向资料x1;风廓线雷达中的风场和风切变信息x3;CCTV下发的欧洲中心数值预报中的风场数据x5进行融合数值模式的计算,效果明显比只用其中的一种资料要好。
本发明提供了一种对气象数据进行融合处理并生成数值天气预报的方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (3)
1.一种对气象数据进行融合处理并生成数值天气预报的方法,其特征在于,包括如下步骤:
步骤1,采集接收各类气象要素数据,得到气象要素集合X1;
步骤2,对采集的气象要素数据进行标准化预处理,得到标准化后的气象要素集合X;
步骤3,对气象要素集合X进行三维资料变分同化,并对气象要素集合X中的数据进行特征误差分析和交叉协方差分析,得到气象要素集合X中的每个数据的协方差误差均方根,根据协方差误差均方根得到最优的气象要素资料种类;
步骤4,根据最优的气象要素种类进行WRF数值天气预报模式地编译;
步骤5,将WRF模式结果进行预报后处理,生成气象要素数值预报;
步骤1包括:采集n类气象要素数据,形成气象要素集合X1(x1,x2,x3,……xn),xn表示气象要素集合X1中的第n个气象要素数据;
步骤2中,对气象要素集合X1中的气象要素数据进行标准化处理,得出标准化后的气象要素集合X(u1,u2,u3,……un),un表示xn经过标准化后的气象要素数据;
步骤3包括如下步骤:
步骤3-1,建立三维变分的目标泛函数F(X)的表达式:
其中,X表示观测场即气象要素的观测值,Xb表示背景场,B表示背景场误差协方差矩阵,H表示观测算子,Yobs表示观测向量,R表示观测误差协方差矩阵,Fb(X)和Fo(X)分别表示背景项和观测项;
对应的分析场Xa为:
Xa=Xb+BHT(HBHT+R)-1(Yobs-HXb) (3)
将气象要素集合X中的所有气象要素集合成一个向量,定义为联合向量T:
T=[X,HXt]=[X,Y] (4)
其中,X表示模式状态向量,Xt表示状态向量的真值,Y表示观测向量的真值,观测值是模式状态的函数,并且包含误差,则:
Yobs=HXt+ε (5)
ε表示服从均值为0,协方差为R的高斯分布;
步骤3-2,根据贝叶斯理论,T的后验分布p(Tu)表示为:
p(Tu)=p(Yobs|Tp)p(Tp)/D (6)
Σu=[(Σp)-1+M′TR-1M′]-1 (8)
步骤3-3,进行SVD奇异值分解,得出特征值样本和它的成员元素:
Σu=IΣpIT (9)
其中I表示特征向量算子,i表示集合成员,j表示状态变量,和分别表示T中第i个集合成员的后验取值和先验取值,ΔXij表示第j个状态变量的第i个集合成员之间的增量,表示第j个状态变量与观测之间的协方差,表示观测协方差,ΔYi表示第i个集合成员增量;
步骤3-4,利用变量变换公式代换,将背景场以及观测场转换到独立的空间中。
2.根据权利要求1所述的方法,其特征在于,步骤3-4包括:
步骤3-4-1,将背景场转换到独立空间,实施SVD奇异值分解:
步骤3-4-2,对背景场误差协方差矩阵B和观测误差协方差矩阵R进行SVD分解:
B=QEQT,R=GNGT (13)
其中,Q和G是正交矩阵,E和N是对角矩阵;对第i个变量Xi和第i个变量的背景场Xb,i以及观测场Yobs进行变量代换:
将(14)代入(15),得出:
根据Q的正交性和对角矩阵的性质,每个要素之间是不相关的;
步骤3-4-3,根据如下公式对每一个集合成员进行滤波:
其中,Γj表示第j个状态变量,rj表示第j个观测误差值,表示第i个分析场变量值的第k个分量值,xik表示观测变量xi的第k个分量值;xb,ij表示背景场xb第i个变量的第j个分量值;表示背景场均值第j个分量值;表示第j个状态变量与第j个观测之间的协方差;表示第k个状态变量与第j个观测之间的协方差;
利用三维同化的泛函数:
F(xi)表示分析场xi的函数;
3.根据权利要求2所述的方法,其特征在于,步骤3中,得出每个集合成员的分析场之后,采用滤波和空间差分方案,时间积分,得到每个集合成员的协方差误差均方根,若其与集合协方差误差均方根之比相差不到1%时,判定此时的权重因子是最佳的,从而得到最优的气象要素资料,用来作为模式背景场和分析场能够提供最佳数值预报水平。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910170766.7A CN110020462B (zh) | 2019-03-07 | 2019-03-07 | 一种对气象数据进行融合处理并生成数值天气预报的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910170766.7A CN110020462B (zh) | 2019-03-07 | 2019-03-07 | 一种对气象数据进行融合处理并生成数值天气预报的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110020462A CN110020462A (zh) | 2019-07-16 |
CN110020462B true CN110020462B (zh) | 2023-04-07 |
Family
ID=67189282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910170766.7A Active CN110020462B (zh) | 2019-03-07 | 2019-03-07 | 一种对气象数据进行融合处理并生成数值天气预报的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110020462B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110456356B (zh) * | 2019-08-27 | 2022-05-17 | 江苏省气象探测中心 | 一种面向资料同化的天气雷达径向速度质量控制方法 |
CN110579823B (zh) * | 2019-09-02 | 2022-08-19 | 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 |
CN110941790A (zh) * | 2019-09-27 | 2020-03-31 | 成都信息工程大学 | 基于高分辨率数值的无人机低空飞行气象信息处理方法 |
CN112036595B (zh) * | 2019-12-10 | 2023-05-12 | 北京信息科技大学 | 基于多位置数值天气预报短期风电功率预测方法和系统 |
CN111629001A (zh) * | 2020-05-27 | 2020-09-04 | 上海眼控科技股份有限公司 | 气象报文生成方法、装置、计算机设备及存储介质 |
CN111595293A (zh) * | 2020-05-29 | 2020-08-28 | 山东交通学院 | 一种基于多源监测数据融合的地表形变监测方法与系统 |
CN112069449B (zh) * | 2020-09-04 | 2021-07-16 | 中科三清科技有限公司 | 基于初值集合的天气预报方法及装置 |
CN112363140B (zh) * | 2020-11-05 | 2024-04-05 | 南京叁云科技有限公司 | 一种基于循环神经网络的热力约束外推客观订正方法 |
CN113360854B (zh) * | 2021-08-10 | 2021-11-05 | 中国人民解放军国防科技大学 | 基于自适应协方差膨胀的资料同化方法 |
CN114548488A (zh) * | 2022-01-10 | 2022-05-27 | 国网安徽省电力有限公司 | 基于大气稳定度拟合订正温湿廓线的闪电资料同化方法 |
CN115511192B (zh) * | 2022-09-30 | 2023-07-14 | 中国科学院西北生态环境资源研究院 | 一种基于闪电资料同化的降水预报方法及系统 |
CN116400432B (zh) * | 2023-05-29 | 2023-08-22 | 南京信息工程大学 | 基于集合计算观测资料对数值天气预报影响的方法、装置 |
CN117807156A (zh) * | 2024-03-01 | 2024-04-02 | 深圳市千百炼科技有限公司 | 气象观测数据同化及高分辨率降尺度系统及方法 |
CN117994545A (zh) * | 2024-04-07 | 2024-05-07 | 南京气象科技创新研究院 | 基于图像匹配概率的气象要素预报误差综合评估方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110099509A (ko) * | 2010-03-02 | 2011-09-08 | 대한민국(기상청장) | 풍력-기상자원지도 구축 시스템 및 그 구축 방법 |
CN102737155A (zh) * | 2011-04-12 | 2012-10-17 | 中国科学院寒区旱区环境与工程研究所 | 基于贝叶斯滤波的通用数据同化方法 |
CN104992057A (zh) * | 2015-06-25 | 2015-10-21 | 南京信息工程大学 | 一种基于准集合-变分的混合资料同化方法 |
CN105447593A (zh) * | 2015-11-16 | 2016-03-30 | 南京信息工程大学 | 基于时间滞后集合的快速更新混合同化方法 |
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 |
CN108629452A (zh) * | 2018-04-28 | 2018-10-09 | 智慧天气风险管理(深圳)有限公司 | 一种基于多模式多参数集合预报的气象风险决策方法 |
CN108875254A (zh) * | 2018-07-03 | 2018-11-23 | 南京信息工程大学 | 一种大气温湿廓线的一维变分反演方法 |
CN109001845A (zh) * | 2016-07-20 | 2018-12-14 | 中国水利水电科学研究院 | 一种降雨量的预报方法 |
CN109325633A (zh) * | 2018-10-23 | 2019-02-12 | 中国电力科学研究院有限公司 | 一种天气预报集合成员选取方法和系统 |
-
2019
- 2019-03-07 CN CN201910170766.7A patent/CN110020462B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110099509A (ko) * | 2010-03-02 | 2011-09-08 | 대한민국(기상청장) | 풍력-기상자원지도 구축 시스템 및 그 구축 방법 |
CN102737155A (zh) * | 2011-04-12 | 2012-10-17 | 中国科学院寒区旱区环境与工程研究所 | 基于贝叶斯滤波的通用数据同化方法 |
CN104992057A (zh) * | 2015-06-25 | 2015-10-21 | 南京信息工程大学 | 一种基于准集合-变分的混合资料同化方法 |
CN105447593A (zh) * | 2015-11-16 | 2016-03-30 | 南京信息工程大学 | 基于时间滞后集合的快速更新混合同化方法 |
CN109001845A (zh) * | 2016-07-20 | 2018-12-14 | 中国水利水电科学研究院 | 一种降雨量的预报方法 |
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 |
CN108629452A (zh) * | 2018-04-28 | 2018-10-09 | 智慧天气风险管理(深圳)有限公司 | 一种基于多模式多参数集合预报的气象风险决策方法 |
CN108875254A (zh) * | 2018-07-03 | 2018-11-23 | 南京信息工程大学 | 一种大气温湿廓线的一维变分反演方法 |
CN109325633A (zh) * | 2018-10-23 | 2019-02-12 | 中国电力科学研究院有限公司 | 一种天气预报集合成员选取方法和系统 |
Non-Patent Citations (3)
Title |
---|
同化技术:数值天气预报突破的关键;龚建东;《气象科技进展》;20131231;第3卷(第三期);6-13 * |
基于小波域高斯尺度混合模型的天气雷达;寇蕾蕾;《气象学报》;20190215;第77卷(第一期);142-153 * |
多普勒天气雷达短时预报技术研究进展;杨洪平;《暴雨灾害》;20070630;第26 卷(第2 期);184-190 * |
Also Published As
Publication number | Publication date |
---|---|
CN110020462A (zh) | 2019-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110020462B (zh) | 一种对气象数据进行融合处理并生成数值天气预报的方法 | |
CN108761574B (zh) | 基于多源信息融合的降雨量估算方法 | |
Vernieres et al. | The GEOS-iODAS: Description and evaluation | |
Stoffelen et al. | ADM‐Aeolus Doppler wind lidar observing system simulation experiment | |
Oke et al. | Assessing the impact of observations on ocean forecasts and reanalyses: Part 2, Regional applications | |
CN111027175A (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 | |
CN104636608A (zh) | 一种modis卫星数据的直接同化方法 | |
CN111210483B (zh) | 基于生成对抗网络和数值模式产品的仿真卫星云图生成方法 | |
Ruiz-Arias et al. | A topographic geostatistical approach for mapping monthly mean values of daily global solar radiation: A case study in southern Spain | |
CN114417580B (zh) | 一种观测系统对全球电离层数据同化性能的影响评估方法 | |
Pereira et al. | Method for solar resource assessment using numerical weather prediction and artificial neural network models based on typical meteorological data: Application to the south of Portugal | |
Aydoğdu et al. | Assimilation experiments for the fishery observing system in the Adriatic Sea | |
He et al. | A review of datasets and methods for deriving spatiotemporal distributions of atmospheric CO2 | |
CN115795399A (zh) | 一种多源遥感降水数据自适应融合方法和系统 | |
Dieng et al. | Sea level anomalies using altimetry, model and tide gauges along the African coasts in the Eastern Tropical Atlantic Ocean: Inter-comparison and temporal variability | |
CN112285808B (zh) | 一种aphrodite降水数据的降尺度方法 | |
Kheir et al. | An improved deep learning procedure for statistical downscaling of climate data | |
Kotsuki et al. | 1-km-resolution land surface analysis over Japan: Impact of satellite-derived solar radiation | |
Saito et al. | TransCom satellite intercomparison experiment: Construction of a bias corrected atmospheric CO2 climatology | |
Gharbia et al. | Using GIS based algorithms for GCMs' performance evaluation | |
Walstad et al. | Data assimilation for coastal observing systems | |
Oesting et al. | Spatial Modeling of Heavy Precipitation by Coupling Weather Station Recordings and Ensemble Forecasts with Max-Stable Processes | |
Dambreville et al. | Very short term forecasting of the Global Horizontal Irradiance through Helioclim maps | |
Hutchinson et al. | Methodology for generating Australia-wide surfaces and associated grids for monthly mean daily maximum and minimum temperature, rainfall, pan evaporation and solar radiation for the periods 1990–2009, 2020–2039 and 2060–2079 | |
Shashikanth et al. | Fine resolution Indian summer monsoon rainfall projection with statistical downscaling |
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 |