CN110110448B - 一种基于wrf的天气模拟方法、系统和可读存储介质 - Google Patents
一种基于wrf的天气模拟方法、系统和可读存储介质 Download PDFInfo
- Publication number
- CN110110448B CN110110448B CN201910388906.8A CN201910388906A CN110110448B CN 110110448 B CN110110448 B CN 110110448B CN 201910388906 A CN201910388906 A CN 201910388906A CN 110110448 B CN110110448 B CN 110110448B
- Authority
- CN
- China
- Prior art keywords
- simulation
- weather
- weather simulation
- wrf
- mode
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Abstract
本发明公开的一种基于WRF的天气模拟方法、系统和可读存储介质,通过针对不同的天气模拟需求进行模式的判断,采用不同的模式进行模拟,能增加天气模拟的精度,并且还能加快模拟处理的速度。并且通过动态调整长周期分析和短周期分析系数,能够在高精度模拟要求的时候,使得模拟的效果更贴近于实际的数值。本发明在模拟的过程中还针对模拟效果进行修正,使得模拟效果更真实。
Description
技术领域
本发明涉及一种数据模拟方法,更具体的,涉及一种基于WRF的天气模拟方法、系统和可读存储介质。
背景技术
气象模拟与预报模型(WRF)是一款区域气象预报数学系统(NWP),广泛用于大气研究和日常天气预报领域。与全球气象模型(GCM)不同,WRF模型能够以全球气象数据库(实际观测数据或模拟数据)作为边界条件输入,驱动模型运行,模拟目标区域范围的大气气象条件。由于所模拟的空间范围(domain)远小于全球气象模型尺度,因此,WRF模型通常选用更精细的平面网格(grid)和更短的计算步长(time step),使其模拟结果不同于全球模型的大尺度、粗网格化结果,能够体现目标区域内高分辨率的气象特征。
WRF模型系统由多个独立单元组成,分别用于数据同化、大气过程的流体动力学和热力学方程计算等。上世纪90年代早期,WRF模型的开发工作由位于科罗拉多州博尔德的美国国家大气研究中心(NCAR)牵头启动,全美众多大气研究机构共同合作完成。目前,WRF已经拥有来自150个国家的超过30,000注册用户。
人们对高精度的全球气候变化信息的持续关注已长达百年,然而,全球气象模型模拟并不能提供此类信息。作用一款数字模拟系统,WRF优化后可用于提供短期(数天)气象尺度的天气预测。因此,为了能够将WRF高效地用于气候尺度的模拟,必须开发与其匹配的运行管理模型,用于管理WRF模型的数据输入、超算环境下的WRF模型运行和模型结果输出等。但是在进行WRF模拟的过程中如何更加精确的进行模拟,如何更快速的进行模拟都是亟不可待要解决的问题。
发明内容
为了解决上述至少一个技术问题,本发明提出了一种基于WRF的天气模拟方法、系统和可读存储介质。
本发明第一方面提供了一种基于WRF的天气模拟方法,包括:
获取天气模拟需求信息;
根据所述天气模拟需求信息确定处理方式,得到处理方式信息;
根据所述处理方式信息和天气模拟需求信息进行天气模拟处理,得到结果信息;
将所述结果信息按照预设显示方式进行显示。
本方案中,所述处理方式包括根据长周期进行天气模拟处理、根据短周期进行天气模拟处理、根据预设算法结合长周期和短周期进行天气模拟处理中的一种。
本方案中,所述根据预设算法结合长周期和短周期进行天气模拟处理具体为:
将长周期分析得到的模拟处理结果乘以长周期分析系数,加上将短周期分析得到的模拟处理结果乘以短周期分析系数;
所述长周期分析系数与短周期分析系数的和为1。
本方案中,还包括:
获取天气模拟信息的监测数据和模拟数据;
将所述监测数据和模拟数据进行比较,得到偏差率;
判断所述偏差率是否大于预设的偏差率阈值;
若大于,则进行长周期分析系数与短周期分析系数的调整。
本方案中,所述进行长周期分析系数与短周期分析系数的调整,具体为:
获取两种分析模式下的第j天的实际值Mlj与预测值Olj;
计算在m天中的偏差率,具体为:
计算所述长周期模式下的分析系数,具体为:
计算所述短周期模式下的分析系数,具体为:
Wb=1-Wa;
其中,Wa为长周期模式下的分析系数,Wb为短周期模式下的分析系数;Ra为长周期模式下的偏差率,Rb为短周期模式下的偏差率。
本方案中,所述根据所述处理方式信息和天气模拟需求信息进行天气模拟处理,得到结果信息,还包括:
将预设区域划分为N个不同的子区域;
计算每个子区域的地形和天气特征,得到特征值;
比较每个不同的子区域的特征值差别率;
将小于特征值差别率阈值的子区域归于同类别区域;
获取同类别区域的历史天气数据值;
根据所述历史天气数据值计算修正参数;
根据所述修正参数和天气模拟结果,得到结果信息。
本发明第二方面还提供了一种基于WRF的天气模拟系统,该系统包括:存储器、处理器,所述存储器中包括基于WRF的天气模拟方法程序,所述基于WRF的天气模拟方法程序被所述处理器执行时实现如下步骤:
获取天气模拟需求信息;
根据所述天气模拟需求信息确定处理方式,得到处理方式信息;
根据所述处理方式信息和天气模拟需求信息进行天气模拟处理,得到结果信息;
将所述结果信息按照预设显示方式进行显示。
本方案中,所述处理方式包括根据长周期进行天气模拟处理、根据短周期进行天气模拟处理、根据预设算法结合长周期和短周期进行天气模拟处理中的一种。
本方案中,所述根据预设算法结合长周期和短周期进行天气模拟处理具体为:
将长周期分析得到的模拟处理结果乘以长周期分析系数,加上将短周期分析得到的模拟处理结果乘以短周期分析系数;
所述长周期分析系数与短周期分析系数的和为1。
本方案中,还包括:
获取天气模拟信息的监测数据和模拟数据;
将所述监测数据和模拟数据进行比较,得到偏差率;
判断所述偏差率是否大于预设的偏差率阈值;
若大于,则进行长周期分析系数与短周期分析系数的调整。
本方案中,所述进行长周期分析系数与短周期分析系数的调整,具体为:
获取两种分析模式下的第j天的实际值Mlj与预测值Olj;
计算在m天中的偏差率,具体为:
计算所述长周期模式下的分析系数,具体为:
计算所述短周期模式下的分析系数,具体为:
Wb=1-Wa;
其中,Wa为长周期模式下的分析系数,Wb为短周期模式下的分析系数;
Ra为长周期模式下的偏差率,Rb为短周期模式下的偏差率。
本方案中,所述根据所述处理方式信息和天气模拟需求信息进行天气模拟处理,得到结果信息,还包括:
将预设区域划分为N个不同的子区域;
计算每个子区域的地形和天气特征,得到特征值;
比较每个不同的子区域的特征值差别率;
将小于特征值差别率阈值的子区域归于同类别区域;
获取同类别区域的历史天气数据值;
根据所述历史天气数据值计算修正参数;
根据所述修正参数和天气模拟结果,得到结果信息。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括基于WRF的天气模拟方法程序,所述基于WRF的天气模拟方法程序被处理器执行时,实现如上述任一项所述的基于WRF的天气模拟方法的步骤。
本发明公开的一种基于WRF的天气模拟方法、系统和可读存储介质,通过针对不同的天气模拟需求进行模式的判断,采用不同的模式进行模拟,能增加天气模拟的精度,并且还能加快模拟处理的速度。并且通过动态调整长周期分析和短周期分析系数,能够在高精度模拟要求的时候,使得模拟的效果更贴近于实际的数值。本发明在模拟的过程中还针对模拟效果进行修正,使得模拟效果更真实。
附图说明
图1示出了本发明一种基于WRF的天气模拟方法的流程图;
图2示出了本发明动态调整分析系数的方法流程图;
图3示出了本发明进行数据修正的方法流程图;
图4示出了本发明一种基于WRF的天气模拟系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于WRF的天气模拟方法的流程图。
如图1所示,本发明第一方面提供了一种基于WRF的天气模拟方法,包括:
S102,获取天气模拟需求信息;
S104,根据所述天气模拟需求信息确定处理方式,得到处理方式信息;
S106,根据所述处理方式信息和天气模拟需求信息进行天气模拟处理,得到结果信息;
S108,将所述结果信息按照预设显示方式进行显示。
需要说明的是,获取的天气模拟需求信息可以为温度、湿度、风向、风力、太阳照射强度等相关数据的模拟,并且天气模拟需求信息中还可以包含处理时间、模拟精度、显示模式等参数信息。本发明并不限制天气模拟的参数,任何采用本发明的天气参数模拟方法都将落入本发明保护范围内。
需要说明的是,根据所述天气模拟需求信息确定处理方式,得到处理方式信息。此步骤具体为:根据天气模拟需求信息确定模拟的计算时间、资源占用率和最佳适配度;选择所述最佳适配度最大的值对应的模拟分析模式;判断所述计算时间和资源占用率是否分别超过时间阈值和资源占用率阈值;若都超过,则将所述天气模拟需求拆分为M个子需求,分别进行处理;若都不超过,则将所述天气模拟需求直接按照预设模式进行处理。例如,要进行PM2.5的模拟,那么在获取了模拟需求之后,对此模拟项目进行计算时间、资源占用率和最佳适配度的计算,得到计算时间为50min,资源占用率为30%,短期分析模式匹配度为0.8,长期分析模式匹配度为0.7,短期分析和长期模式结合的匹配度为0.6。经过比较之后,选择匹配度高的短期分析模式,还要比较计算时间和资源占用率是否超过预设的阈值。优选的,本发明的时间阈值为90分钟;资源占用率为35%。若超过90分钟,则较难实时进行天气的预测,资源占用率也不能过高,否则容易造成任务量突增而无法进行处理的情况。
另外,若存在最佳匹配度相等的情况,则选择处理时间短、占用资源少的模式进行天气模拟。例如,短期分析模式匹配度为0.8,长期分析模式匹配度为0.8,短期分析和长期模式结合的匹配度为0.6。而短期分析模式相对于长期分析模式的计算时间短,资源占用率也少,那么将选择短期分析模式进行天气模拟。
需要说明的是,在计算出了模拟结果之后,将按照预设的显示方式进行显示。例如,可以采用图表、色彩图、地图标记、列表等形式进行显示。
另外,在进行天气模拟的过程中,进行WRF模拟需要运行多个步骤,分别对应输入文件处理和模拟运行管理。另外,从WRF模型运行得到的原始输出文件也必须经过处理,并转移到文件备份系统进行保存。为确保模型能够高效运行并高效处理相关文件,必须将单一长期模拟事件分隔为多个短期模拟事件,按序列进行逐一模拟。也就是说,本发明还可以根据实际需求将一个模拟处理任务分割为多个的短期模拟事件进行处理。例如,在进行一个周期为1年的长周期天气模拟时,本发明根据需求,将此分为10个短周期的模拟事件,这样可以提高模拟的效率。
本发明通过基于perl语言开发了一款WRF任务管理程序,可支持两类WRF模拟:1)以ERA Interim的Grib格式文件作为边界条件输入;2)以第5次气候模型对比项目(ClimateModel Intercomparison Project 5,CMIP5)的netCDF格式文件作为输入文件。该软件由多个脚本组成,用于管理和运行WRF预处理(ungrib,metgrid)、WRF模型(real,wrf)及模拟结果后处理等任务。主脚本通过调用其它脚本实现不同目标任务。该软件设计用于标准化高性能计算(HPC)环境下基于类Unix操作系统(例如Linux),与任务分配系统(例如,slurm任务加载管理系统)和存储系统(10-100TB共享硬盘存储空间)配合完成对WRF程序的管理和模拟任务运行。主脚本采用结构化方式标定WRF模拟的文件名称、路径、namelist文件,序列化运行操作步骤。默认情况下,模型部分都将逐一执行,如需仅运行部分程序(如用于debug、程序存在问题或程序崩溃),则可通过flags进行设定。此设计方便用户针对不同情况对程序的运行进行调整。
Perl程序
CMIP5-mon.pl。此脚本设计用于实现对长期模拟事件以月为单位划分后序列化模拟。通过按月对整个指定事件进行分隔,以循环方式分别对分隔后的单一月事件模拟任务发起预处理、WRF运行和后处理操作。初月后,模型运行时以重启方式运行,对整个长期事件无缝式模拟。如调用此脚本进行模拟,刚必须通过编辑该脚本对其内容进行调整。
ERAint-event.pl此脚本设计用于实现连续进行多个短期事件模拟(理想情况为每个事件短于1个月时间长度),以完成指定事件模拟。此脚本不需要进行编辑,通过命令行参数进行控制运行。
根据本发明实施例,所述处理方式包括根据长周期进行天气模拟处理、根据短周期进行天气模拟处理、根据预设算法结合长周期和短周期进行天气模拟处理中的一种。
需要说明的是,本发明将根据天气模拟需求信息计算天气模拟的模式。包括根据长周期进行天气模拟处理、根据短周期进行天气模拟处理、根据预设算法结合长周期和短周期进行天气模拟处理中的一种。
根据本发明实施例,所述根据预设算法结合长周期和短周期进行天气模拟处理具体为:
将长周期分析得到的模拟处理结果乘以长周期分析系数,加上将短周期分析得到的模拟处理结果乘以短周期分析系数;
所述长周期分析系数与短周期分析系数的和为1。
需要说明的是,在采用根据预设算法结合长周期和短周期进行天气模拟这个模式时,所述的预设算法为加权算法。也就是说,将不同模式下的计算结果乘以对应系数,然后进行相加。由于只有两个模式,即长周期和短周期进行天气模拟处理模式,则长周期分析系数与短周期分析系数的和为1。值得一提的是,长周期分析系数与短周期分析系数是可以动态调整的。经过动态调整的系数,能够更加贴近于实际的数值。
图2示出了本发明动态调整分析系数的方法流程图。
根据本发明实施例,还包括:
S202,获取天气模拟信息的监测数据和模拟数据;
S204,将所述监测数据和模拟数据进行比较,得到偏差率;
S206,判断所述偏差率是否大于预设的偏差率阈值;
S208,若大于,则进行长周期分析系数与短周期分析系数的调整。
需要说明的是,先确定要模拟的天气信息,例如,确定PM2.5或者降水量等模拟,然后获取所述天气模拟信息的监测数据和模拟数据,其中监测数据和模拟数据为某个时间段的数据,例如,获取前面3年或者前1个月,或者去年1-3月等的时间段。此时间段可以为本领域技术人员根据实际需要确定的。其中,监测数据为实际监测到的真实数据,模拟数据为当时通过上述的模拟天气手段获取到的数据。获取了数据之后可以将上述两个数据进行比较,得到偏差率。偏差率的是预测值与实际测量值做减法运算后求绝对值与实际测量值的除法运算结果,也就是说,将模拟数据值减去监测数据值,取绝对值,再除以监测数据值,得到偏差率。当偏差率大于预设的偏差率值时,说明存在了较大的偏差,需要进行分析系数的调整,在此情况下,进行长周期分析系数与短周期分析系数的调整。
根据本发明实施例,所述进行长周期分析系数与短周期分析系数的调整,具体为:
获取两种分析模式下的第j天的实际值Mlj与预测值Olj;
计算在m天中的偏差率,具体为:
计算所述长周期模式下的分析系数,具体为:
计算所述短周期模式下的分析系数,具体为:
Wb=1-Wa;
其中,Wa为长周期模式下的分析系数,Wb为短周期模式下的分析系数;Ra为长周期模式下的偏差率,Rb为短周期模式下的偏差率。
需要说明的是,获取两种分析模式下的第j天的实际值Mlj与预测值Olj,也就是获取长周期模式和短周期模式下的实际值和预测值。实际值和预测值是表示的在所述两种分析模式的情况下,具体指标的值,例如,获取2015年1-6月时间段内每天的长周期和短周期模式下的PM2.5的预测值和实际监测到的PM2.5的实际值。统计在m天中的偏差率,将计算得到的m天中的偏差率进行计算,得到长周期的分析系数。其中,Ra为长周期模式下的偏差率,Rb为短周期模式下的偏差率,Wa为长周期模式下的分析系数。由于长周期分析系数与短周期分析系数的和为1,所以短周期的分析系数为Wb=1-Wa。
图3示出了本发明进行数据修正的方法流程图。
根据本发明实施例,所述根据所述处理方式信息和天气模拟需求信息进行天气模拟处理,得到结果信息,还包括:
S302,将预设区域划分为N个不同的子区域;
S304,计算每个子区域的地形和天气特征,得到特征值;
S306,比较每个不同的子区域的特征值差别率;
S308,将小于特征值差别率阈值的子区域归于同类别区域;
S310,获取同类别区域的历史天气数据值;
S312,根据所述历史天气数据值计算修正参数;
S314,根据所述修正参数和天气模拟结果,得到结果信息。
需要说明的是,本发明还可以根据预测的值进行结果修正,其修正的参数是根据不同的类似区域进行大数据分析得出的,所以能够更加接近实际数值。首先,先确定预设区域,此预设区域可以为全球,也可以为全国,本领域技术人员可以根据实际需要进行确认,然后将此区域划分为N个子区域,N个子区域可以为独立的区域,也可以为存在地域交集的区域,其大小和范围根据待测地区的区域进行确定。例如,若测量广州市天河区的天气指标,那么可以选取的子区域面积为1-1.5倍的天河区域面积,选取稍微大点的面积可以使得数据的容差率减少,更有利于贴近真实的数值。确定了N个子区域,则计算子区域的地形和天气特征,得到特征值;所谓的特征值为地形和天气的特征值,其能够将不同的地形和天气通过量化的形式进行表示,具体的特征值计算可以采用现有技术中较为通用的计算方式,例如,向量化特征值计算等,本发明不再针对计算特征值进行赘述。获取了特征值之后,将针对特征值进行比对,将差别率较小的确定为同类区域,也就是,地形和天气较为符合的区域。将这些同类区域的历史天气数据值进行计算,得到修正参数,具体的计算可以采用通用的滑动时间窗加权平均法,或其他现有方法,本发明不再一一赘述。得到了修正参数之后,可以将模拟预测的数值进行相加,得到修正后的结果,也就是最后的模拟值。通过结果的修正,可以增加模拟的准确率。
图4示出了本发明一种基于WRF的天气模拟系统的框图。
本发明第二方面还提供了一种基于WRF的天气模拟系统4,该系统包括:存储器41、处理器42,所述存储器中包括基于WRF的天气模拟方法程序,所述基于WRF的天气模拟方法程序被所述处理器执行时实现如下步骤:
获取天气模拟需求信息;
根据所述天气模拟需求信息确定处理方式,得到处理方式信息;
根据所述处理方式信息和天气模拟需求信息进行天气模拟处理,得到结果信息;
将所述结果信息按照预设显示方式进行显示。
需要说明的是,获取的天气模拟需求信息可以为温度、湿度、风向、风力、太阳照射强度等相关数据的模拟,并且天气模拟需求信息中还可以包含处理时间、模拟精度、显示模式等参数信息。本发明并不限制天气模拟的参数,任何采用本发明的天气参数模拟方法都将落入本发明保护范围内。
需要说明的是,根据所述天气模拟需求信息确定处理方式,得到处理方式信息。此步骤具体为:根据天气模拟需求信息确定模拟的计算时间、资源占用率和最佳适配度;选择所述最佳适配度最大的值对应的模拟分析模式;判断所述计算时间和资源占用率是否分别超过时间阈值和资源占用率阈值;若都超过,则将所述天气模拟需求拆分为M个子需求,分别进行处理;若都不超过,则将所述天气模拟需求直接按照预设模式进行处理。例如,要进行PM2.5的模拟,那么在获取了模拟需求之后,对此模拟项目进行计算时间、资源占用率和最佳适配度的计算,得到计算时间为50min,资源占用率为30%,短期分析模式匹配度为0.8,长期分析模式匹配度为0.7,短期分析和长期模式结合的匹配度为0.6。经过比较之后,选择匹配度高的短期分析模式,还要比较计算时间和资源占用率是否超过预设的阈值。优选的,本发明的时间阈值为90分钟;资源占用率为35%。若超过90分钟,则较难实时进行天气的预测,资源占用率也不能过高,否则容易造成任务量突增而无法进行处理的情况。
另外,若存在最佳匹配度相等的情况,则选择处理时间短、占用资源少的模式进行天气模拟。例如,短期分析模式匹配度为0.8,长期分析模式匹配度为0.8,短期分析和长期模式结合的匹配度为0.6。而短期分析模式相对于长期分析模式的计算时间短,资源占用率也少,那么将选择短期分析模式进行天气模拟。
需要说明的是,在计算出了模拟结果之后,将按照预设的显示方式进行显示。例如,可以采用图表、色彩图、地图标记、列表等形式进行显示。
另外,在进行天气模拟的过程中,进行WRF模拟需要运行多个步骤,分别对应输入文件处理和模拟运行管理。另外,从WRF模型运行得到的原始输出文件也必须经过处理,并转移到文件备份系统进行保存。为确保模型能够高效运行并高效处理相关文件,必须将单一长期模拟事件分隔为多个短期模拟事件,按序列进行逐一模拟。也就是说,本发明还可以根据实际需求将一个模拟处理任务分割为多个的短期模拟事件进行处理。例如,在进行一个周期为1年的长周期天气模拟时,本发明根据需求,将此分为10个短周期的模拟事件,这样可以提高模拟的效率。
本发明通过基于perl语言开发了一款WRF任务管理程序,可支持两类WRF模拟:1)以ERA Interim的Grib格式文件作为边界条件输入;2)以第5次气候模型对比项目(ClimateModel Intercomparison Project 5,CMIP5)的netCDF格式文件作为输入文件。该软件由多个脚本组成,用于管理和运行WRF预处理(ungrib,metgrid)、WRF模型(real,wrf)及模拟结果后处理等任务。主脚本通过调用其它脚本实现不同目标任务。该软件设计用于标准化高性能计算(HPC)环境下基于类Unix操作系统(例如Linux),与任务分配系统(例如,slurm任务加载管理系统)和存储系统(10-100TB共享硬盘存储空间)配合完成对WRF程序的管理和模拟任务运行。主脚本采用结构化方式标定WRF模拟的文件名称、路径、namelist文件,序列化运行操作步骤。默认情况下,模型部分都将逐一执行,如需仅运行部分程序(如用于debug、程序存在问题或程序崩溃),则可通过flags进行设定。此设计方便用户针对不同情况对程序的运行进行调整。
Perl程序
CMIP5-mon.pl。此脚本设计用于实现对长期模拟事件以月为单位划分后序列化模拟。通过按月对整个指定事件进行分隔,以循环方式分别对分隔后的单一月事件模拟任务发起预处理、WRF运行和后处理操作。初月后,模型运行时以重启方式运行,对整个长期事件无缝式模拟。如调用此脚本进行模拟,刚必须通过编辑该脚本对其内容进行调整。
ERAint-event.pl此脚本设计用于实现连续进行多个短期事件模拟(理想情况为每个事件短于1个月时间长度),以完成指定事件模拟。此脚本不需要进行编辑,通过命令行参数进行控制运行。
根据本发明实施例,所述处理方式包括根据长周期进行天气模拟处理、根据短周期进行天气模拟处理、根据预设算法结合长周期和短周期进行天气模拟处理中的一种。
需要说明的是,本发明将根据天气模拟需求信息计算天气模拟的模式。包括根据长周期进行天气模拟处理、根据短周期进行天气模拟处理、根据预设算法结合长周期和短周期进行天气模拟处理中的一种。
根据本发明实施例,所述根据预设算法结合长周期和短周期进行天气模拟处理具体为:
将长周期分析得到的模拟处理结果乘以长周期分析系数,加上将短周期分析得到的模拟处理结果乘以短周期分析系数;
所述长周期分析系数与短周期分析系数的和为1。
需要说明的是,在采用根据预设算法结合长周期和短周期进行天气模拟这个模式时,所述的预设算法为加权算法。也就是说,将不同模式下的计算结果乘以对应系数,然后进行相加。由于只有两个模式,即长周期和短周期进行天气模拟处理模式,则长周期分析系数与短周期分析系数的和为1。值得一提的是,长周期分析系数与短周期分析系数是可以动态调整的。经过动态调整的系数,能够更加贴近于实际的数值。
根据本发明实施例,还包括:
获取天气模拟信息的监测数据和模拟数据;
将所述监测数据和模拟数据进行比较,得到偏差率;
判断所述偏差率是否大于预设的偏差率阈值;
若大于,则进行长周期分析系数与短周期分析系数的调整。
需要说明的是,先确定要模拟的天气信息,例如,确定PM2.5或者降水量等模拟,然后获取所述天气模拟信息的监测数据和模拟数据,其中监测数据和模拟数据为某个时间段的数据,例如,获取前面3年或者前1个月,或者去年1-3月等的时间段。此时间段可以为本领域技术人员根据实际需要确定的。其中,监测数据为实际监测到的真实数据,模拟数据为当时通过上述的模拟天气手段获取到的数据。获取了数据之后可以将上述两个数据进行比较,得到偏差率。偏差率的是预测值与实际测量值做减法运算后求绝对值与实际测量值的除法运算结果,也就是说,将模拟数据值减去监测数据值,取绝对值,再除以监测数据值,得到偏差率。当偏差率大于预设的偏差率值时,说明存在了较大的偏差,需要进行分析系数的调整,在此情况下,进行长周期分析系数与短周期分析系数的调整。
根据本发明实施例,所述进行长周期分析系数与短周期分析系数的调整,具体为:
获取两种分析模式下的第j天的实际值Mlj与预测值Olj;
计算在m天中的偏差率,具体为:
计算所述长周期模式下的分析系数,具体为:
计算所述短周期模式下的分析系数,具体为:
Wb=1-Wa;
其中,Wa为长周期模式下的分析系数,Wb为短周期模式下的分析系数;Ra为长周期模式下的偏差率,Rb为短周期模式下的偏差率。
需要说明的是,获取两种分析模式下的第j天的实际值Mlj与预测值Olj,也就是获取长周期模式和短周期模式下的实际值和预测值。实际值和预测值是表示的在所述两种分析模式的情况下,具体指标的值,例如,获取2015年1-6月时间段内每天的长周期和短周期模式下的PM2.5的预测值和实际监测到的PM2.5的实际值。统计在m天中的偏差率,将计算得到的m天中的偏差率进行计算,得到长周期的分析系数。其中,Ra为长周期模式下的偏差率,Rb为短周期模式下的偏差率,Wa为长周期模式下的分析系数。由于长周期分析系数与短周期分析系数的和为1,所以短周期的分析系数为Wb=1-Wa。
根据本发明实施例,所述根据所述处理方式信息和天气模拟需求信息进行天气模拟处理,得到结果信息,还包括:
将预设区域划分为N个不同的子区域;
计算每个子区域的地形和天气特征,得到特征值;
比较每个不同的子区域的特征值差别率;
将小于特征值差别率阈值的子区域归于同类别区域;
获取同类别区域的历史天气数据值;
根据所述历史天气数据值计算修正参数;
根据所述修正参数和天气模拟结果,得到结果信息。
需要说明的是,本发明还可以根据预测的值进行结果修正,其修正的参数是根据不同的类似区域进行大数据分析得出的,所以能够更加接近实际数值。首先,先确定预设区域,此预设区域可以为全球,也可以为全国,本领域技术人员可以根据实际需要进行确认,然后将此区域划分为N个子区域,N个子区域可以为独立的区域,也可以为存在地域交集的区域,其大小和范围根据待测地区的区域进行确定。例如,若测量广州市天河区的天气指标,那么可以选取的子区域面积为1-1.5倍的天河区域面积,选取稍微大点的面积可以使得数据的容差率减少,更有利于贴近真实的数值。确定了N个子区域,则计算子区域的地形和天气特征,得到特征值;所谓的特征值为地形和天气的特征值,其能够将不同的地形和天气通过量化的形式进行表示,具体的特征值计算可以采用现有技术中较为通用的计算方式,例如,向量化特征值计算等,本发明不再针对计算特征值进行赘述。获取了特征值之后,将针对特征值进行比对,将差别率较小的确定为同类区域,也就是,地形和天气较为符合的区域。将这些同类区域的历史天气数据值进行计算,得到修正参数,具体的计算可以采用通用的滑动时间窗加权平均法,或其他现有方法,本发明不再一一赘述。得到了修正参数之后,可以将模拟预测的数值进行相加,得到修正后的结果,也就是最后的模拟值。通过结果的修正,可以增加模拟的准确率。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括基于WRF的天气模拟方法程序,所述基于WRF的天气模拟方法程序被处理器执行时,实现如上述任一项所述的基于WRF的天气模拟方法的步骤。
本发明公开的一种基于WRF的天气模拟方法、系统和可读存储介质,通过针对不同的天气模拟需求进行模式的判断,采用不同的模式进行模拟,能增加天气模拟的精度,并且还能加快模拟处理的速度。并且通过动态调整长周期分析和短周期分析系数,能够在高精度模拟要求的时候,使得模拟的效果更贴近于实际的数值。本发明在模拟的过程中还针对模拟效果进行修正,使得模拟效果更真实。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,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以所述权利要求的保护范围为准。
Claims (8)
1.一种基于WRF的天气模拟方法,其特征在于,包括:
获取天气模拟需求信息;
根据所述天气模拟需求信息确定处理方式,得到处理方式信息;
根据所述处理方式信息和天气模拟需求信息进行天气模拟处理,得到结果信息;
将所述结果信息按照预设显示方式进行显示;
所述根据所述处理方式信息和天气模拟需求信息进行天气模拟处理,得到结果信息,还包括:
将预设区域划分为N个不同的子区域;
计算每个子区域的地形和天气特征,得到特征值;
比较每个不同的子区域的特征值差别率;
将小于特征值差别率阈值的子区域归于同类别区域;
获取同类别区域的历史天气数据值;
根据所述历史天气数据值计算修正参数;
根据所述修正参数和天气模拟结果,得到结果信息。
2.根据权利要求1所述的一种基于WRF的天气模拟方法,其特征在于,所述处理方式包括根据长周期进行天气模拟处理、根据短周期进行天气模拟处理、根据预设算法结合长周期和短周期进行天气模拟处理中的一种。
3.根据权利要求1所述的一种基于WRF的天气模拟方法,其特征在于,所述根据预设算法结合长周期和短周期进行天气模拟处理具体为:
将长周期分析得到的模拟处理结果乘以长周期分析系数,加上将短周期分析得到的模拟处理结果乘以短周期分析系数;
所述长周期分析系数与短周期分析系数的和为1。
4.根据权利要求3所述的一种基于WRF的天气模拟方法,其特征在于,还包括:
获取天气模拟信息的监测数据和模拟数据;
将所述监测数据和模拟数据进行比较,得到偏差率;
判断所述偏差率是否大于预设的偏差率阈值;
若大于,则进行长周期分析系数与短周期分析系数的调整。
6.一种基于WRF的天气模拟系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括基于WRF的天气模拟方法程序,所述基于WRF的天气模拟方法程序被所述处理器执行时实现如下步骤:
获取天气模拟需求信息;
根据所述天气模拟需求信息确定处理方式,得到处理方式信息;
根据所述处理方式信息和天气模拟需求信息进行天气模拟处理,得到结果信息;
将所述结果信息按照预设显示方式进行显示;
所述根据所述处理方式信息和天气模拟需求信息进行天气模拟处理,得到结果信息,还包括:
将预设区域划分为N个不同的子区域;
计算每个子区域的地形和天气特征,得到特征值;
比较每个不同的子区域的特征值差别率;
将小于特征值差别率阈值的子区域归于同类别区域;
获取同类别区域的历史天气数据值;
根据所述历史天气数据值计算修正参数;
根据所述修正参数和天气模拟结果,得到结果信息。
7.根据权利要求6所述的一种基于WRF的天气模拟系统,其特征在于,所述根据预设算法结合长周期和短周期进行天气模拟处理具体为:
将长周期分析得到的模拟处理结果乘以长周期分析系数,加上将短周期分析得到的模拟处理结果乘以短周期分析系数;
所述长周期分析系数与短周期分析系数的和为1。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括基于WRF的天气模拟方法程序,所述基于WRF的天气模拟方法程序被处理器执行时,实现如权利要求1至5中任一项所述的基于WRF的天气模拟方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910388906.8A CN110110448B (zh) | 2019-05-10 | 2019-05-10 | 一种基于wrf的天气模拟方法、系统和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910388906.8A CN110110448B (zh) | 2019-05-10 | 2019-05-10 | 一种基于wrf的天气模拟方法、系统和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110110448A CN110110448A (zh) | 2019-08-09 |
CN110110448B true CN110110448B (zh) | 2020-03-17 |
Family
ID=67489306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910388906.8A Active CN110110448B (zh) | 2019-05-10 | 2019-05-10 | 一种基于wrf的天气模拟方法、系统和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110448B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110989430A (zh) * | 2019-11-25 | 2020-04-10 | 重庆特斯联智慧科技股份有限公司 | 一种智能家居联动方法、系统和可读存储介质 |
CN111103635A (zh) * | 2019-12-04 | 2020-05-05 | 上海眼控科技股份有限公司 | 气象数据处理方法、系统、电子设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9310517B2 (en) * | 2011-11-07 | 2016-04-12 | The United States Of America As Represented By The Secretary Of The Army | Method and system for determining accuracy of a weather prediction model |
CN103002164A (zh) * | 2012-11-21 | 2013-03-27 | 江苏省电力公司电力科学研究院 | 电力呼叫中心话务量预测方法 |
CN106339568B (zh) * | 2015-07-08 | 2019-04-05 | 中国电力科学研究院 | 一种基于混合背景场的数值天气预报方法 |
CN105334551B (zh) * | 2015-12-10 | 2018-02-06 | 国网北京市电力公司 | 基于数值天气预报模式的电网气象预测预警系统 |
CN105447770A (zh) * | 2015-12-10 | 2016-03-30 | 国网四川省电力公司电力科学研究院 | 电网气象监测数据应用于精细化气象预报的评估方法 |
-
2019
- 2019-05-10 CN CN201910388906.8A patent/CN110110448B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110110448A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Crochemore et al. | Bias correcting precipitation forecasts to improve the skill of seasonal streamflow forecasts | |
Burton et al. | Downscaling transient climate change using a Neyman–Scott Rectangular Pulses stochastic rainfall model | |
CN112308292B (zh) | 一种火灾风险等级分布图的绘制方法 | |
Wagner et al. | High resolution regional climate model simulations for Germany: part II—projected climate changes | |
CN110110448B (zh) | 一种基于wrf的天气模拟方法、系统和可读存储介质 | |
CN112149859B (zh) | 风速预测方法和风速预测装置 | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
Tschöke et al. | Comparison of two bias correction methods for precipitation simulated with a regional climate model | |
Fu et al. | Uncertainties of statistical downscaling from predictor selection: Equifinality and transferability | |
Adnan et al. | Estimating evapotranspiration using machine learning techniques | |
CN114112995B (zh) | 基于三维变分技术的气溶胶光学特性资料同化方法和装置 | |
Liu et al. | Prediction of spring precipitation in China using a downscaling approach | |
Ji et al. | Spatiotemporal patterns of future meteorological drought in the Yellow River Basin based on SPEI under RCP scenarios | |
CN112580844A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
CN115169746A (zh) | 基于融合模型的电力负荷短期预测方法、装置及相关介质 | |
Liao et al. | Errors prediction for vector-to-raster conversion based on map load and cell size | |
Zhao et al. | An objective prediction model for typhoon rainstorm using particle swarm optimization: neural network ensemble | |
CN116796649A (zh) | 一种基于机器学习的spei粗分辨率数据空间降尺度方法及装置 | |
CN112488820A (zh) | 基于夜光遥感数据的模型训练方法、违约预测方法 | |
Kumar et al. | MOS guidance using a neural network for the rainfall forecast over India | |
Hou et al. | Comparison of multiple downscaling techniques for climate change projections given the different climatic zones in China | |
Bertolacci et al. | Climate inference on daily rainfall across the Australian continent, 1876–2015 | |
CN111104640A (zh) | 一种基于层次分析法的降雨观测评价方法及系统 | |
Laux et al. | Setting up regional climate simulations for Southeast Asia | |
CN113705929B (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |