CN110059423A - 基于多因子广义线性模型的热带气旋客观定强方法 - Google Patents
基于多因子广义线性模型的热带气旋客观定强方法 Download PDFInfo
- Publication number
- CN110059423A CN110059423A CN201910330964.5A CN201910330964A CN110059423A CN 110059423 A CN110059423 A CN 110059423A CN 201910330964 A CN201910330964 A CN 201910330964A CN 110059423 A CN110059423 A CN 110059423A
- Authority
- CN
- China
- Prior art keywords
- factor
- tropical cyclone
- generalized linear
- linear model
- characterization
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Cyclones (AREA)
Abstract
本发明提供一种基于多因子广义线性模型的热带气旋客观定强方法,包括:步骤1、提取热带气旋在每个时刻的特征因子,包括MMV、RD、S‑20、TBBstd、Lat或Lon定强因子;步骤2、利用广义线性模型建立特征因子与热带气旋最大表面风速之间的关系。本发明能够进一步提高对热带气旋客观定强的精度,为热带气旋的监测预警提供技术支持。
Description
技术领域
本发明涉及热带气旋强度监测预警技术领域,具体而言涉及一种基于多因子广义线性模型的热带气旋客观定强方法。
背景技术
热带气旋是发生低纬度洋面上的强烈气旋性环流,经常伴随有狂风、暴雨、风暴潮等灾害性天气,严重威胁人类的生命和财产安全。世界气象组织统计表明,近年来热带气旋已成为对人类社会造成损失最大的自然灾害,与此同时,我国是全球受热带气旋影响且灾害最严重的国家之一。
近十年来,热带气旋的路径预报能力得到显著提高,然而从同样时段的热带气旋强度预报结果来看,近十年来却始终徘徊不前,甚至预报精度误差呈逐年增大的趋势。此外,基于统计预报方法的主观强度预报整体性能仍然领先于基于数值模式的客观预报结果。因此,热带气旋的定强仍然是当前难以解决的重要问题。
当前基于卫星云图分析热带气旋应用最广泛的方法,由上世纪70年代为Davorak所提出Davorak技术及后续不断发展的各种改进型。然而这些方法都属于主观分析方法,需要预报员连续而密集的分析,并且准确性严重依赖于分析者的预报经验和预报水平。
针对以往主观分析方法的局限性,提出了一种使用红外卫星云图来获取TC云团结构的形状和动力学特征的客观方法,即偏角方差技术(Deviation AngleVarianceTechnique:DAV-T)。当热带气旋系统从未组织化的云团中发展和加强时,云团结构或相对于一个特别的参考点而变得更加轴对称。该方法能够通过计算卫星红外云图上的亮温梯度来得到每个热带气旋系统的对称化程度,并以此对热带气旋的组织化程度进行量化。结果表明,该方法在TC系统的初生期、发展期、成熟期和消亡期的整个生命史过程中均客观有效。然而,以往的基于单因子定强的DAV-T在热带气旋的定强精度上仍具有改进空间。
发明内容
本发明创造在DAV-T的基础上引入了多种辅助因子,可以大幅增进热带气旋的定强精度。
发明目的:
本发明目的在于提供一种基于多因子广义线性(Generalized linear model:GLM)模型的热带气旋客观定强方法,为热带气旋的客观定强过程提供参考。
发明技术方案:
一种基于多因子广义线性模型的热带气旋客观定强方法,包括下列步骤:
步骤1、基于卫星高分辨率观测资料和历史热带气旋,提取热带气旋强度在每个时刻的特征因子;特征因子包括:
MMV:热带气旋的偏角方差极小值;
RD:热带气旋中心与其偏角方差值极小值之间的相对距离;
S-20:距离热带气旋环流中心50~200km范围内云团亮温低于-20℃面积;
TBBstd:距离热带气旋环流中心100~300km范围内的云团亮温标准差;
Lat:热带气旋中心所在纬度;
Lon:热带气旋中心所在经度;
步骤2、基于广义线性模型,建立所述特征因子与热带气旋最大表面风速Vmax之间的关系,步骤如下:
(201)对于已知的m组训练数据(Vi,X1,X2,Xp,...Xn),p=1,2,...,n.,
其中:Vi为第i时刻热带气旋海表面最大风速;(X1,X2,Xp,...Xn)T,p=1,2,...,n.为Vi对应的各个特征因子;
首先对各个特征因子及特征因子的两两相互作用进行标准化处理,得到基于广义线性模型的预测因子项:
其中,预测因子的单因子作用项:
预测因子之间的两两相互作用项:
基于广义线性模型的特征因子与Vmax关系为:
其中:为由广义线性模型得到的Vmax拟合值;b0为常系数;(x1,x2,x3,...xn)T代表对热带气旋定强的各预测因子;为预测因子的单因子作用项,bi为其系数;为预测因子之间的两两相互作用项,bi为其系数;ε为残差,残差符合均值为0的正态分布;
由式3即可得到b0以及bi或bij;
(202)将需要进行测试的特征因子代入式3中,即得热带气旋强度的预测值。
作为优选,式3中,系数的取值如下:
有益效果:
本发明的基于多因子广义线性模型的热带气旋客观定强方法,能够进一步提高对热带气旋客观定强的精度,为热带气旋的监测预警提供技术支持。
附图说明
图1是基于MMV拟合的台风强度监测方法的流程图。
图2是不同热带气旋强度等级下基于单因子sigmoid函数和多因子GLM模型的定强偏差分布比较图。左图为Sigmoid模型对不同热带气旋强度等级定强结果的偏差分布;右图为广义线性模型对不同热带气旋强度等级定强结果的偏差分布。其中,A、B、C、D分别代表G-2015、G-2016、G-2017以及G-all四个验证集。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
根据附图,本发明提出的一种基于多因子广义线性模型的热带气旋客观定强方法,进一步提高对热带气旋客观定强的精度,为热带气旋的监测预警提供技术支持。
本发明基于DAV-T方法和广义线性模型实现。
结合图1所示的流程,基于多因子广义线性模型的热带气旋客观定强方法包括:
步骤1、提取热带气旋在每个时刻的特征因子,包含:
(1)MMV:热带气旋的偏角方差极小值(单位:deg2);
(2)RD:热带气旋中心与其偏角方差值极小值之间的相对距离(单位:km);
(3)S-20:距离热带气旋环流中心50~200km范围内云团亮温低于-20℃面积(单位:像素);
(4)TBBstd:距离热带气旋环流中心100~300km范围内的云团亮温标准差(单位:℃);
(5)Lat:热带气旋中心所在纬度;
(6)Lon:热带气旋中心所在经度;
这些特征因子作为本定强方法的定强因子。定强因子还包括上述特征因子两两之间的相互作用。
步骤2、利用广义线性模型建立特征因子与热带气旋最大表面风速(Vmax)之间的关系;
(1)对于已知的m组训练数据(Vi,X1,X2,Xp,...Xn),p=1,2,...,n.,其中Vi为不同时刻热带气旋海表面最大风速,(X1,X2,Xp,...Xn)T,p=1,2,...,n.为对应的各个定强因子。首先对各个定强因子及其相互作用项进行标准化处理:
其中,单因子项:
两两相互作用项:
广义线性模型的表现形式如下:
其中,为由模型得到的Vmax拟合值,(x1,x2,x3,...xn)T代表对热带气旋定强的各预测因子,b1,b2,...,bn代表各因子项的系数,为各预测因子的单因子作用项,为预测因子之间的两两相互作用项,ε为残差(默认符合均值为0的正态分布)。
利用以上模型公式,得到各因子项的系数b1,b2,...,bn.
(2)将需要进行测试的定强因子(x1,x2,xp,...xn),p=1,2,...,n.代入到步骤(1)所得到的模型中去,即可得到估测的热带气旋强度。
其中,模型系数的取值如下:
为了验证本发明对于热带气旋客观定强的效果,将本发明所述模型与Pineros等(2015)建立的单因子Sigmoid定强模型进行比较。选取2015~2017年间西北太平洋地区所有生成的热带气旋个例作为研究样本。依次将每一年的数据资料选为测试集,并将其余年份的数据资料作为训练集来对模型的定强效果进行评估。此外还将所有年份的数据同时作为训练集与测试集,来考察模型对所有数据的整体定强效果。数据组名称及分类如下表1:
表1
考虑到DAV计算半径对单因子Sigmoid模型的定强结果影响较大,同时对GLM模型中部分因子产生影响,因此,将计算半径25格点(约250km)至55格点(约550km)范围内每5格点间隔的两类模型定强结果与中国气象局最佳路径(CMA-BST)数据集比较后得到的均方根误差(RMS)进行了对比,结果如下表2:
表2
由上表分析可知,对于所有计算半径,多因子GLM模型的均方根误差相比单因子Sigmoid模型在所有测试数据组中均表现出大幅度降低,明显改善了定强效果。
图2所示为不同热带气旋强度等级下基于单因子sigmoid函数和多因子GLM模型的定强偏差分布比较。从Sigmoid模型的定强结果上来看,B组验证集的定强偏差相对偏低,而C组验证集则相对偏高。在热带气旋强度低于TS等级时,定强偏差的极端值要远远多于其他时期,最大定强偏差绝对值接近60m/s。而对于广义线性模型,可以看出热带气旋自<TD至TS强度阶段的变化过程中,定强偏差的分散程度均比较稳定。虽然偏差极端值个例数目也多集中于热带气旋强度较弱的时期,随着TC强度的增强,定强偏差的中位数由正偏差逐渐向负偏差变化,该过程具有显著的连续性特征。且整体而言,绝大多数的样本个例定强误差处于-20~20m·s-1。与Sigmoid模型相比,广义线性模型定强误差的分布更加集中,整体量值更小,并且对于不同验证集之间的结果更加统一。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (2)
1.一种基于多因子广义线性模型的热带气旋客观定强方法,其特征在于,包括下列步骤:
步骤1、基于卫星高分辨率观测资料和历史热带气旋,提取热带气旋强度在每个时刻的特征因子;特征因子包括:
MMV:热带气旋的偏角方差极小值;
RD:热带气旋中心与其偏角方差值极小值之间的相对距离;
S-20:距离热带气旋环流中心50~200km范围内云团亮温低于-20℃面积;
TBBstd:距离热带气旋环流中心100~300km范围内的云团亮温标准差;
Lat:热带气旋中心所在纬度;
Lon:热带气旋中心所在经度;
步骤2、基于广义线性模型,建立所述特征因子与热带气旋最大表面风速Vmax之间的关系,步骤如下:
(201)对于已知的m组训练数据(Vi,X1,X2,Xp,...Xn),p=1,2,...,n.,
其中:Vi为第i时刻热带气旋海表面最大风速;(X1,X2,Xp,...Xn)T,p=1,2,...,n.为Vi对应的各个特征因子;
首先对各个特征因子及特征因子的两两相互作用进行标准化处理,得到基于广义线性模型的预测因子项:
其中,预测因子的单因子作用项:
预测因子之间的两两相互作用项:
基于广义线性模型的特征因子与Vmax关系为:
其中:为由广义线性模型得到的Vmax拟合值;b0为常系数;(x1,x2,x3,...xn)T代表对热带气旋定强的各预测因子;为预测因子的单因子作用项,bi为其系数;为预测因子之间的两两相互作用项,bi为其系数;ε为残差,残差符合均值为0的正态分布;
由式3即可得到b0以及bi或bij;
(202)将需要进行测试的特征因子代入式3中,即得热带气旋强度的预测值。
2.根据权利要求1所述的基于多因子广义线性模型的热带气旋客观定强方法,其特征在于,式3中,系数的取值如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910330964.5A CN110059423B (zh) | 2019-04-23 | 2019-04-23 | 基于多因子广义线性模型的热带气旋客观定强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910330964.5A CN110059423B (zh) | 2019-04-23 | 2019-04-23 | 基于多因子广义线性模型的热带气旋客观定强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110059423A true CN110059423A (zh) | 2019-07-26 |
CN110059423B CN110059423B (zh) | 2023-01-31 |
Family
ID=67320221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910330964.5A Active CN110059423B (zh) | 2019-04-23 | 2019-04-23 | 基于多因子广义线性模型的热带气旋客观定强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059423B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695473A (zh) * | 2020-06-03 | 2020-09-22 | 中国人民解放军国防科技大学 | 基于长短时记忆网络模型的热带气旋强度客观监测方法 |
CN116360013A (zh) * | 2023-04-04 | 2023-06-30 | 中国气象局上海台风研究所(上海市气象科学研究所) | 一种梯度风平衡的台风客观定强方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8160995B1 (en) * | 2008-04-18 | 2012-04-17 | Wsi, Corporation | Tropical cyclone prediction system and method |
CN107229825A (zh) * | 2017-05-23 | 2017-10-03 | 浙江大学 | 一种面向灾害风险评估的热带气旋全路径模拟方法 |
CN107230197A (zh) * | 2017-05-27 | 2017-10-03 | 浙江师范大学 | 基于卫星云图和rvm的热带气旋客观定强方法 |
-
2019
- 2019-04-23 CN CN201910330964.5A patent/CN110059423B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8160995B1 (en) * | 2008-04-18 | 2012-04-17 | Wsi, Corporation | Tropical cyclone prediction system and method |
CN107229825A (zh) * | 2017-05-23 | 2017-10-03 | 浙江大学 | 一种面向灾害风险评估的热带气旋全路径模拟方法 |
CN107230197A (zh) * | 2017-05-27 | 2017-10-03 | 浙江师范大学 | 基于卫星云图和rvm的热带气旋客观定强方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695473A (zh) * | 2020-06-03 | 2020-09-22 | 中国人民解放军国防科技大学 | 基于长短时记忆网络模型的热带气旋强度客观监测方法 |
CN111695473B (zh) * | 2020-06-03 | 2023-12-19 | 中国人民解放军国防科技大学 | 基于长短时记忆网络模型的热带气旋强度客观监测方法 |
CN116360013A (zh) * | 2023-04-04 | 2023-06-30 | 中国气象局上海台风研究所(上海市气象科学研究所) | 一种梯度风平衡的台风客观定强方法及系统 |
CN116360013B (zh) * | 2023-04-04 | 2023-10-10 | 中国气象局上海台风研究所(上海市气象科学研究所) | 一种梯度风平衡的台风客观定强方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110059423B (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mikhailova et al. | Predicting rainfall erosivity in Honduras | |
Holmlund | The utilization of statistical properties of satellite-derived atmospheric motion vectors to derive quality indicators | |
CN106919792B (zh) | 基于高精度数值风场资料的涡旋中心自动识别方法 | |
CN109272146A (zh) | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 | |
CN105988146A (zh) | 一种星载微波辐射计的应用数据处理方法 | |
CN113936142A (zh) | 一种基于深度学习的降水临近预报方法及装置 | |
CN109299812A (zh) | 一种基于深度学习模型和knn实时校正的洪水预测方法 | |
Olsson et al. | Statistical atmospheric downscaling of short-term extreme rainfall by neural networks | |
CN111428862B (zh) | 一种极类不平衡时空联合对流初生短临预报方法 | |
CN110888186A (zh) | 基于gbdt+lr模型的冰雹和短时强降水预报方法 | |
CN106022470B (zh) | 一种基于bp-egnos融合模型的对流层延迟改正方法 | |
CN110059423A (zh) | 基于多因子广义线性模型的热带气旋客观定强方法 | |
CN107230197A (zh) | 基于卫星云图和rvm的热带气旋客观定强方法 | |
CN105974495A (zh) | 利用分类拟合法预判目标区域未来平均云量的方法 | |
CN110749942A (zh) | 适用于静止卫星资料同化的晴空通道检测质量控制方法 | |
CN109977569B (zh) | 一种融合多因素的mos风暴潮过程灾害模拟方法 | |
CN114139566A (zh) | 基于机器学习加权平均融合特征提取提高测高精度的方法 | |
CN109685334A (zh) | 一种新的基于多尺度理论的水文模型模拟评估方法 | |
CN116449331A (zh) | 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法 | |
Young | Detecting and removing inhomogeneities from long-term monthly sea level pressure time series | |
Wang et al. | An iterative ensemble square root filter and tests with simulated radar data for storm‐scale data assimilation | |
CN109283505B (zh) | 一种修正雷达回波外推图像发散现象的方法 | |
Marseille et al. | A cycled sensitivity observing system experiment on simulated Doppler wind lidar data during the 1999 Christmas storm ‘Martin’ | |
CN103438886A (zh) | 基于粗精姿态关系模型的自旋稳定气象卫星姿态确定方法 | |
CN103424782B (zh) | 一种中层径向辐合的自动识别方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 211101 College of Meteorology and Oceanography, National Defense University of Science and Technology, No. 60 Shuanglong Street, Jiangning District, Nanjing, Jiangsu Province Applicant after: National University of Defense Technology Address before: 211101 College of Meteorology and Oceanography, National Defense University of Science and Technology, Chinese People's Liberation Army, No. 60 Shuanglong Street, Jiangning District, Nanjing City, Jiangsu Province Applicant before: National University of Defense Technology |
|
GR01 | Patent grant | ||
GR01 | Patent grant |