CN110110922B - 一种基于雨区分类技术的自适应分区同化方法 - Google Patents
一种基于雨区分类技术的自适应分区同化方法 Download PDFInfo
- Publication number
- CN110110922B CN110110922B CN201910366651.5A CN201910366651A CN110110922B CN 110110922 B CN110110922 B CN 110110922B CN 201910366651 A CN201910366651 A CN 201910366651A CN 110110922 B CN110110922 B CN 110110922B
- Authority
- CN
- China
- Prior art keywords
- rain
- background field
- error covariance
- precipitation
- field
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的基于雨区分类技术的自适应分区同化方法将背景场中的降水信息作为静态背景误差协方差调整依据,通过对降水区背景场误差协方差进行调整,引入“降水区域依赖”的背景场误差协方差。有益效果:可以依据降水大小自适应调整背景场误差协方差,进而给同化系统带来了各向异性、非均质的分析增量。该发明实现了不同天气背景条件下背景场误差协方差的有效应用,又无需对背景场误差协方差进行反复统计,大大节约了计算资源。
Description
技术领域
本发明涉及大气科学技术领域,尤其涉及一种基于雨区分类技术的自适应分区同化方法。
背景技术
在众多的降水预报方法中,随着数值模式理论、资料同化技术、大气探测技术和计算机技术的飞速发展,数值模式表现出对客观定量降水预报的巨大潜力,已经成为目前业务预报领域不可替代的可用参考预报方法。目前,数值预报的模式结构及物理过程方案已趋于完善,提高数值天气预报准确性的关键任务是如何改善模式初始场,而资料同化方法为改善数值预报初始场提供了一种有效手段。
目前国际上较为普遍使用的同化方法主要包含三维变分、四维变分以及集合卡尔曼滤波方法等。无论哪种同化方法,同化中代价函数一般都需要用背景场误差协方差来衡量背景场和观测场中各因子的影响。因此在同化系统中引入合理的背景场误差协方差(B)是提升同化效果进而提升数值预报水平的一个十分重要的工作。
大多数业务数值预报中心在同化系统中采用的背景场误差协方差是基于水平格点平均对B矩阵做近似处理,这样做的好处在于可以简化B的构造。但众多科学家研究发现,不同天气背景下背景场误差协方差存在不同的特征,如在云雨区,背景场误差协方差的各向异性和流依赖性更强、变量相关关系更明显、背景场误差方差更大、水平长度尺度更小等。因此,B与天气背景密切相关。为了获取不同天气背景下不同的B,解决办法之一是对每种天气背景的B进行重新统计。然而,对于一些计算资源不足的单位,重新统计B仍然是一个十分耗费计算资源的工作。目前在变分同化框架中,尚未有对B根据不同天气背景自适应变化的研究。
发明内容
本发明目的在于克服上述现有技术的不足,提供了一种基于雨区分类技术的自适应分区同化方法,有效引入“降水区域依赖”的背景场误差协方差,实现不同天气背景下B的自适应调整,具体由以下技术方案实现:
所述基于雨区分类技术的自适应分区同化方法,包括如下步骤:
步骤1)对数值预报模式进行积分,热启动至A时刻,获取模式中的降水信息,根据统计A时刻预报场中每个格点的雨水混合比通过公式(1)计算背景场中的降水信息,并以A时刻预报场作为背景场;
其中,top和bot分别代表模式层顶和模式底的气压,Qrain代表模式中的雨水混合比;
步骤2)根据背景场中的降水信息,计算背景场误差协方差的调整指数rain_index;
式(2)中,rain_index表示随降水变化二维的变量场,变量范围处于0-1之间;
步骤3)根据rain_index通过式(3)确定晴空区范围F1和降水区范围F2,
对降水区的背景场误差协方差Brain进行调整,晴空区的Bclear不进行调整,
根据式(4)得到降水区域依赖的背景场误差协方差,
B=F1Bclear+F2Brain=F1Bclear+F2Brain×Irain_index (4)
其中,Irain_index表示降水区背景场误差协方差的调整系数;
步骤4)将得到的“降水区域依赖”的背景场误差协方差、模式背景场以及观测资料输入到同化系统中,进行同化迭代,获得最优的模式分析场;
步骤5)根据同化后的分析场进行确定性预报,将预报结果作为模式的背景场参与到下一个循环当中。
所述基于雨区分类技术的自适应分区同化方法的进一步设计在于,步骤1)中采用GFS分析资料作为模式的驱动场。
所述基于雨区分类技术的自适应分区同化方法的进一步设计在于,步骤1)中模式的热启动为6小时的模式热启动。
所述基于雨区分类技术的自适应分区同化方法的进一步设计在于,步骤5)中所述预报结果为三小时的预报结果。
所述基于雨区分类技术的自适应分区同化方法的进一步设计在于,步骤1)中通过fortran程序读取模式背景场中Qrain。
本发明的优点如下:
本发明的基于雨区分类技术的自适应分区同化方法可以对降水区背景场误差协方差依降水进行调整,实现了不同天气背景条件下背景场误差协方差的有效应用,同时还可以在同化系统中引入“降水区域依赖”的各向异性和非均匀性的背景误差协方差信息。此外,相比于直接调整降水区背景场误差协方差而言,依降水量调整降水区背景场误差协方差还可以缓解降水区和晴空区边界不连续的问题,使模式积分更加稳定。
附图说明
图1为基于云量分类技术的自适应分区同化系统操作流程图。
具体实施方式
下面结合附图对本发明进行详细说明。
如图1,本实施例提供的基于雨区分类技术的自适应分区同化方法,包括如下步骤:
步骤1)采用GFS分析资料作为数值预报模式的驱动场,对该模式进行积分,热启动至A时刻,获取模式中的降水信息,根据统计A时刻预报场(背景场)中每个格点的雨水混合比,通过公式(1)计算A时刻背景场中的降水信息。本实施例中雨水混合比通过fortran程序读取。
步骤1)中采用GFS分析资料作为模式的驱动场。该步骤中热启动为6小时的模式热启动。
其中,top和bot分别代表模式层顶和模式底的气压,Qrain代表模式中的雨水混合比。
步骤2)根据背景场中的降水信息,计算背景场误差协方差的调整指数rain_index;
式(2)中,rain_index表示随降水变化二维的变量场,变量范围处于0-1之间。
步骤3)根据rain_index通过式(3)确定晴空区范围F1和云区范围F2,
对降水区的背景场误差协方差Brain进行调整,晴空区的Bclear不进行调整,
根据式(4)得到降水区域依赖的背景场误差协方差
B=F1Bclear+F2Brain=F1Bclear+F2Brain×Irain_index (4)
其中,Irain_index表示降水区背景场误差协方差的调整系数。
步骤4)将得到的“降水区域依赖”的背景场误差协方差、模式背景场以及观测资料输入到同化系统中,进行同化迭代,获得最优的模式分析场。
步骤5)根据同化后的分析场进行确定性预报,将三小时的预报结果作为模式的背景场参与到下一个循环当中。
本实施例的基于降水分类技术的自适应分区同化方法,通过背景场中的降水信息引入“降水区域依赖”的背景场误差协方差,可以依据降水大小自适应调整背景场误差协方差,进而给同化系统带来了各向异性、非均质的分析增量。该发明实现了不同天气背景条件下背景场误差协方差的有效应用,又无需对背景场误差协方差进行反复统计,大大节约了计算资源。
以上所述,仅为本发明较佳的具体实施方式,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,可轻易想到的变化或替换,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该以权利要求的保护范围为准。
Claims (5)
1.一种基于雨区分类技术的自适应分区同化方法,其特征在于包括如下步骤:
步骤1)对数值预报模式进行积分,热启动至A时刻,获取模式中的降水信息,根据统计A时刻预报场中每个格点的雨水混合比通过公式(1)计算预报场中的降水信息,并以A时刻预报场作为背景场;
其中,top和bot分别代表模式层顶和模式底的气压,Qrain代表模式中的雨水混合比;
步骤2)根据预报场中的降水信息,计算背景场误差协方差的调整指数rain_index;
式(2)中,rain_index表示随降水变化二维的变量场,变量范围处于0-1之间;
步骤3)根据rain_index通过式(3)确定晴空区范围F1和降水区范围F2,
根据式(4)对降水区的背景场误差协方差Brain进行调整,晴空区的Bclear
不进行调整,得到降水区域依赖的背景场误差协方差,
B=F1Bclear+F2Brain=F1Bclear+F2Brain×Irain_index (4)
其中,Irain_index表示降水区背景场误差协方差的调整系数;
步骤4)将得到的“降水区域依赖”的背景场误差协方差、模式背景场以及观测资料输入到同化系统中,进行同化迭代,获得最优的模式分析场;
步骤5)根据同化后的分析场进行确定性预报,将预报结果作为模式的背景场参与到下一个循环当中。
2.根据权利要求1所述的基于雨区分类技术的自适应分区同化方法,其特征在于步骤1)中采用GFS分析资料作为模式的驱动场。
3.根据权利要求1所述的基于雨区分类技术的自适应分区同化方法,其特征在于步骤1)中模式的热启动为6小时的模式热启动。
4.根据权利要求3所述的基于雨区分类技术的自适应分区同化方法,其特征在于步骤5)中所述预报结果为三小时的预报结果。
5.根据权利要求1所述的基于雨区分类技术的自适应分区同化方法,其特征在于步骤1)中通过fortran程序读取模式背景场中Qrain。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910366651.5A CN110110922B (zh) | 2019-04-30 | 2019-04-30 | 一种基于雨区分类技术的自适应分区同化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910366651.5A CN110110922B (zh) | 2019-04-30 | 2019-04-30 | 一种基于雨区分类技术的自适应分区同化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110110922A CN110110922A (zh) | 2019-08-09 |
CN110110922B true CN110110922B (zh) | 2023-06-06 |
Family
ID=67488201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910366651.5A Active CN110110922B (zh) | 2019-04-30 | 2019-04-30 | 一种基于雨区分类技术的自适应分区同化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110922B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116975523B (zh) * | 2023-09-22 | 2023-12-12 | 南京气象科技创新研究院 | 强对流天气分型的资料同化背景误差协方差特征统计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010060443A (ja) * | 2008-09-04 | 2010-03-18 | Japan Weather Association | 気象予測装置、方法及びプログラム |
CN102004856A (zh) * | 2010-11-27 | 2011-04-06 | 中国海洋大学 | 高频观测资料实时数据的快速集合卡曼滤波同化方法 |
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 |
WO2016086329A1 (zh) * | 2014-12-01 | 2016-06-09 | 哈尔滨工程大学 | 基于序列递归滤波三维变分的实测海洋环境数据同化方法 |
JP2017111074A (ja) * | 2015-12-18 | 2017-06-22 | 三菱重工業株式会社 | 気象データ同化方法、気象予測方法および気象予測システム |
-
2019
- 2019-04-30 CN CN201910366651.5A patent/CN110110922B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010060443A (ja) * | 2008-09-04 | 2010-03-18 | Japan Weather Association | 気象予測装置、方法及びプログラム |
CN102004856A (zh) * | 2010-11-27 | 2011-04-06 | 中国海洋大学 | 高频观测资料实时数据的快速集合卡曼滤波同化方法 |
WO2016086329A1 (zh) * | 2014-12-01 | 2016-06-09 | 哈尔滨工程大学 | 基于序列递归滤波三维变分的实测海洋环境数据同化方法 |
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 |
JP2017111074A (ja) * | 2015-12-18 | 2017-06-22 | 三菱重工業株式会社 | 気象データ同化方法、気象予測方法および気象予測システム |
Also Published As
Publication number | Publication date |
---|---|
CN110110922A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2016155372A1 (zh) | 预测空气质量指数的方法与装置 | |
CN106339568A (zh) | 一种基于混合背景场的数值天气预报方法 | |
CN107563554B (zh) | 一种统计降尺度模型预报因子的筛选方法 | |
Liu et al. | A regional climate model downscaling projection of China future climate change | |
CN115062527B (zh) | 一种基于深度学习的静止卫星海温反演方法及系统 | |
CN110110922B (zh) | 一种基于雨区分类技术的自适应分区同化方法 | |
CN111178438A (zh) | 一种基于ResNet101的天气类型识别方法 | |
AU2017201558A1 (en) | Estimation of weather modification effects | |
Tramblay et al. | Brief communication" Climatic covariates for the frequency analysis of heavy rainfall in the Mediterranean region" | |
Bergs | The detection of natural cities in the Netherlands—Nocturnal satellite imagery and Zipf’s law | |
US11954895B1 (en) | Method for automatically identifying south troughs by improved Laplace | |
CN117093832A (zh) | 一种用于空气质量数据缺失的数据插补方法及系统 | |
CN110968926A (zh) | 一种基于改进背景误差协方差矩阵预测大气参数的方法 | |
CN116340863A (zh) | 空气污染物预测方法、装置、电子设备及可读存储介质 | |
CN112285808A (zh) | 一种aphrodite降水数据的降尺度方法 | |
CN111458770A (zh) | 降水量预报评估方法、装置、计算机设备及存储介质 | |
CN110135103A (zh) | 一种采用水流模拟城市自然通风潜力的方法和系统 | |
CN116630743A (zh) | 基于深度学习的天气图像识别方法、装置、设备及介质 | |
CN110472648B (zh) | 一种基于云量分类的水凝物背景场误差协方差构建方法 | |
Liu et al. | GNSS-derived PWV and meteorological data for short-term rainfall forecast based on support vector machine | |
Kvamstø | An investigation of diagnostic relations between stratiform fractional cloud cover and other meteorological parameters in numerical weather prediction models | |
CN113159426A (zh) | 天气型相似性判断方法、装置、电子设备及可读存储介质 | |
CN108764602A (zh) | 一种建筑群自然通风潜力评估方法及系统 | |
CN114088593A (zh) | 海盐排放通量的确定方法和装置 | |
CN113011637A (zh) | 空气质量的预测方法、装置、设备及存储介质 |
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 |