CN110059423B - 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
- CN110059423B CN110059423B CN201910330964.5A CN201910330964A CN110059423B CN 110059423 B CN110059423 B CN 110059423B CN 201910330964 A CN201910330964 A CN 201910330964A CN 110059423 B CN110059423 B CN 110059423B
- Authority
- CN
- China
- Prior art keywords
- tropical cyclone
- factor
- tropical
- linear model
- generalized linear
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000003993 interaction Effects 0.000 claims description 10
- JTJMJGYZQZDUJJ-UHFFFAOYSA-N phencyclidine Chemical class C1CCCCN1C1(C=2C=CC=CC=2)CCCCC1 JTJMJGYZQZDUJJ-UHFFFAOYSA-N 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 2
- 230000001568 sexual effect Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005728 strengthening Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 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
- 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。
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。
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 CN110059423A (zh) | 2019-07-26 |
CN110059423B true 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) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
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 |
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 |
-
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110059423A (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110058328B (zh) | 东北夏季降水多模式组合降尺度预测方法 | |
CN109919353B (zh) | 一种基于空间相关性的arima模型的分布式光伏预测方法 | |
CN107728234B (zh) | 一种基于大气电场数据的雷电强度值预测方法 | |
CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
Kirchner-Bossi et al. | A long-term perspective of wind power output variability | |
Hong et al. | Basis for recommending an update of wind velocity pressures in Canadian design codes | |
Olsson et al. | Statistical atmospheric downscaling of short-term extreme rainfall by neural networks | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN110059423B (zh) | 基于多因子广义线性模型的热带气旋客观定强方法 | |
CN109255100A (zh) | 一种基于微波衰减特征响应指纹识别的城市降雨反演算法 | |
CN106886564B (zh) | 一种基于空间聚类订正nwp风能图谱的方法及装置 | |
CN108062720A (zh) | 一种基于相似日选取及随机森林算法的负荷预测方法 | |
CN116449331B (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 | |
CN109242159A (zh) | 一种新型输电线路覆冰预测方法 | |
CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
CN110942182A (zh) | 一种基于支持向量回归建立台风预测模型的方法 | |
CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
CN116401939A (zh) | 一种基于梯度约束神经网络的北极海冰短期预报方法 | |
Chen et al. | Proactive quality control: Observing system experiments using the NCEP global forecast system | |
AU2019100631A4 (en) | Self-correcting multi-model numerical rainfall ensemble forecasting method | |
CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
Young | Detecting and removing inhomogeneities from long-term monthly sea level pressure time series | |
CN109961190A (zh) | 一种基于学习日拟合度聚类的光伏电站日前功率预测方法 |
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 |