CN110163426A - 一种多模式集成降水预报方法及装置 - Google Patents
一种多模式集成降水预报方法及装置 Download PDFInfo
- Publication number
- CN110163426A CN110163426A CN201910384189.1A CN201910384189A CN110163426A CN 110163426 A CN110163426 A CN 110163426A CN 201910384189 A CN201910384189 A CN 201910384189A CN 110163426 A CN110163426 A CN 110163426A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- forecast
- value
- mode
- optimal
- 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.)
- Pending
Links
- 238000001556 precipitation Methods 0.000 title claims abstract description 195
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 230000000694 effects Effects 0.000 claims abstract description 24
- 238000007689 inspection Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 235000013399 edible fruits Nutrition 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000013459 approach Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 241000219094 Vitaceae Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 235000021021 grapes Nutrition 0.000 description 3
- 238000010297 mechanical methods and process Methods 0.000 description 3
- 230000005226 mechanical processes and functions Effects 0.000 description 3
- 241000976924 Inca Species 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001568 sexual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- 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"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及降水预报领域，具体涉及一种多模式集成降水预报方法及装置。该方法及装置对各预报模式进行预报性能的评估，分析各模式在不同降水量级的预报效果以及传统集成预报效果。接着就是对集成方法进行改进，即使用滑动窗口的方法，筛选出在该预设时间段内、某降水量级预报效果最佳的预报模式，将各预报模式进行集成生成集成预报模式，并使用概率匹配集合平均最优化来计算集成预报，对比于传统集成预报在各降水量级中预报效果的差异，逐级用比传统集成预报效果好的模式的量级对应的降水值转化给集成预报，这样可以弥补传统集成预报在某些量级存在预报效果不佳的现象，从而形成一种集各单一最优预报模式于一体的最优化集成预报。
Description
技术领域
本发明涉及降水预报领域，具体而言，涉及一种多模式集成降水预报方法及装置。
背景技术
随着当前数值模式预报的发展，数值天气预报开始由单一数值模式预报向多模式集成数值预报的方向发展。在20世纪90年代初，国际上开始出现集合预报，并作为一种新数值天气预报品种被欧美许多国家气象局高度重视。研究表明，多模式集成预报能够充分利用各模式预报结果，综合考虑各个模式的优劣，是目前数值预报技术发展的一个重要方向，是减少模式系统性偏差的一个有效途径。不同的模式针对同一个预报对象会得出不同的预报结果，为了得到一个确定的预报结论，多模式集成技术就是一个充分利用各中心模式预报结果以减小模式系统性误差的有效途径。伴随着数值预报产品越来越丰富以及数值预报的瓶颈，利用对模式集成的方法来提高预报效果越来越引起人们的重视。研究表明,多模式集成预报技术能够充分利用不同模式的优点，并能有效减少不同模式的系统性误差，对强降雨预报技能提高有很好的效果。
近年来，伴随着计算机技术和气象数值模式的迅速发展，数值预报模式产品已成为现代气象预报最重要、不可或缺的依靠，天气预报技术进入了数值预报的时代。数值天气预报是一种不同于传统天气预报方法的定量预报，它具有客观准确的特点。使用多模式集成数值天气预报可以突破传统的确定性预报观念，从而较好地为单一线性预报存在不稳定性问题提供了一种新的途径。所以，目前天气预报模式开始由传统的单一确定性预报向集合预报方向发展，以改善数值预报系统本身的非确定性以及大气的非线性导致的预报结果偏差问题。
国际上，Krishnamurti等在1999年最早提出了多模式集成预报的思想，将多个不同模式预报结果经过某种模型进行融合，最终得到共识预报的结果。印度气象局2012年在区域中尺度降水预报系统中使用了多模式集成预报技术，结果显示该技术在一定程度上提升了降水预报的准确性。澳大利亚气象局利用澳大利亚气象局全球模式(ACCESS-G)、欧洲中期天气预报中心(ECMWF)、美国环境预报中心(NCEP)、澳大利亚气象局区域模式(ACCESS-R)、加拿大气象局(CMC)、日本气象厅(JMA)、英国气象局(UK)多个数值预报模式产品，使用误差订正和加权平均法构建了格点业务集成预报(Gridded Operational ConsensusForecast,GOCF)，已实现降水等要素的多模式集成预报，预报效果明显优于单个数值预报，为澳大利亚气象预报的准确进行提供了可靠保障。
国内，陈丽娟等在2005年借超级集合预报的思想用多个数值模式产品对中国汛期降水的预测进行集成并利用线性反演技术进行正反拟合和预报试验，结果表明集合预报明显稳定于单个成员的预报。李佰平在2011年基于TIGGE资料的多模式集成延伸期预报做了研究，利用2014—2015年近一年的INCA、WRF、ECMWF、JMA预报数据，并使用巢湖地区国家基本站的观测场资料，使用加权平均法进行多模式集成；刘汉武等在2017年利用2014年2月—2015年9月中尺度模式预报(INCA、WRF)、全球模式(ECMWF、JMA)数据，结合巢湖湖泊、周边区域站降水实况，对巢湖降水集成预报进行检验及应用。刘静等利用ECMWF、JMA、WRF和MM5做淮河流域面雨量多模式预报效果比较，结果表明随着雨量等级增大，各模式TS评分均明显下降，ECMWF评分最高，JMA次之。ECMWF预报效果整体上优于其他模式,尤其是在小雨到大雨等级优势明显；JMA、MM5以及WRF的预报效果依次降低，多模式集成预报在各降水量级(小雨、中雨、大雨、暴雨)的预报效果不尽相同。
集成预报作为新发展起来的一代动力随机预报，已经在当今的数值天气预报中占据了越来越重要的地位，多模式、多分析的超级集成预报能弥补初始场的不确切性、模式的不完善性,更是现今研究的热点。但是，因为所选取的模式、物理过程参数化方案的不同，多模式集成预报中的每个成员系统性偏差的差别很大。
当前数值模式预报的发展，使得数值天气预报开始由单一数值模式预报向多模式集成数值预报的方向发展。但是在实际中，使用传统集成过程得到的集成预报(Probability Match Ensemble，PME)的预报效果在不同的降水量级，即小雨(1～10mm)、中雨(10～25mm)、大雨(25～50mm)、暴雨(50mm以上)量级的预报效果也存在一些差异，在有的降水量级预报效果好，有的降水量级预报效果不好，不同量级呈现出不均衡的趋势，并不是总能得到最优的集成预报。
发明内容
本发明实施例提供了一种多模式集成降水预报方法及装置，以至少解决现有降水集成预报效果不佳的技术问题。
根据本发明的一实施例，提供了一种多模式集成降水预报方法，包括：
使用多个预设时间段内的滑动降雨量作为检验数据，评估确定出各预报模式在某一预设时间段内、何种降水量级中处于最佳预报效果；
使用滑动窗口的方法，筛选出在该预设时间段内、某降水量级预报效果最佳的预报模式，将各预报模式进行集成生成集成预报模式，并使用概率匹配集合平均最优化方法将预报效果最佳的预报模式对应位置的降水值转化给集成预报模式生成最优化集成预报模式。
进一步地，将各预报模式进行集成生成集成预报模式，并使用概率匹配集合平均最优化方法将预报效果最佳的预报模式对应位置的降水值转化给集成预报模式生成最优化集成预报模式包括：
将各预报模式单独预报时的数值进行格点化操作，得到格点化的降水值，使用概率匹配集合平均最优化方法将预报效果最佳的预报模式对应位置的格点化降水值转化给集成预报模式生成最优化集成预报模式。
进一步地，在集成的过程中使用逐级替换转化的方式，从小雨、中雨、大雨、暴雨量级依次进行。
进一步地，将各预报模式单独预报时的数值进行格点化操作，得到格点化的降水值，使用概率匹配集合平均最优化方法将预报效果最佳的预报模式对应位置的格点化降水值转化给集成预报模式生成最优化集成预报模式包括：
计算各预报模式对应网格中的降水平均值，对多个降水平均值进行排序，并进行数字标记；
将各预报模式中网格点的降水值放在一起从大到小进行排序，按照预报模式的数量值进行分组，对应预报模式数量值的降水值数量分为一组，将每一组的中位数赋值给进行标记后的降水平均值网格；
将预报效果最佳的预报模式对应位置的格点化降水值对降水平均值网格进行替换得到最优化的降水平均值网格。
进一步地，降水量级分为小雨、中雨、大雨、暴雨，对应的降雨量分别为1～10mm、10～25mm、25～50mm、50mm以上。
进一步地，使用滑动窗口将前7天、15天或30天时间段内的滑动降雨量作为检验数据，并采用气象领域中常规的检验方式TS、ETS或邻域法FSS评估确定出各预报模式在某一预设时间段内、何种降水量级中处于最佳预报效果。
进一步地，各预报模式包括：澳大利亚气象局全球模式、欧洲中期天气预报中心、美国环境预报中心、澳大利亚气象局区域模式、加拿大气象局、日本气象厅、英国气象局、中国气象局数值预报中心所采用的预报模式。
根据本发明的另一实施例，提供了一种多模式集成降水预报装置，包括：
评估确定单元，用于使用多个预设时间段内的滑动降雨量作为检验数据，评估确定出各预报模式在某一预设时间段内、何种降水量级中处于最佳预报效果；
最优化集成预报模式生成单元，用于使用滑动窗口的方法，筛选出在该预设时间段内、某降水量级预报效果最佳的预报模式，将各预报模式进行集成生成集成预报模式，并使用概率匹配集合平均最优化方法将预报效果最佳的预报模式对应位置的降水值转化给集成预报模式生成最优化集成预报模式。
进一步地，最优化集成预报模式生成单元具体用于将各预报模式单独预报时的数值进行格点化操作，得到格点化的降水值，使用概率匹配集合平均最优化方法将预报效果最佳的预报模式对应位置的格点化降水值转化给集成预报模式生成最优化集成预报模式。
进一步地，最优化集成预报模式生成单元包括：
计算单元，用于计算各预报模式对应网格中的降水平均值，对多个降水平均值进行排序，并进行数字标记；
分组赋值单元，用于将各预报模式中网格点的降水值放在一起从大到小进行排序，按照预报模式的数量值进行分组，对应预报模式数量值的降水值数量分为一组，将每一组的中位数赋值给进行标记后的降水平均值网格；
数值替换单元，用于将预报效果最佳的预报模式对应位置的格点化降水值对降水平均值网格进行替换得到最优化的降水平均值网格。
本发明实施例中的多模式集成降水预报方法及装置，对各预报模式进行预报性能的评估，分析各模式在不同降水量级的预报效果以及传统集成预报效果。接着就是对集成方法进行改进，即使用滑动窗口的方法，筛选出在该预设时间段内、某降水量级预报效果最佳的预报模式，将各预报模式进行集成生成集成预报模式，并使用概率匹配集合平均最优化来计算集成预报，对比于传统集成预报在各降水量级中预报效果的差异，逐级(降水量级)用比传统集成预报效果好的模式的量级对应的降水值转化给集成预报，这样可以弥补传统集成预报在某些量级存在预报效果不佳的现象，从而形成一种集各单一最优预报模式于一体的最优化集成预报。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明多模式集成降水预报方法的流程图；
图2为本发明中概率匹配集合平均最优化方法的模型图；
图3为本发明总体集成预报的流程图；
图4为本发明实际操作过程中的模型图；
图5为本发明多模式集成降水预报装置的模块图；
图6为本发明多模式集成降水预报装置的优选模块图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
目前各个地区的降雨预报主要参考ECMWF(欧洲中期天气预报)、JMA(日本气象厅)，中国气象局开发的GRAPES(全球数值预报系统)等预报模式，各模式预报结果不尽相同，需要依赖于预报员的主观经验判断，经集体会商决定预报结果，而没有对各数值模式结果进行综合分析，缺少一个基于数值模式比对及分析的高可信度共识预报。然而通过传统的概率匹配集合平均方法，将各预报模式进行集成，得到集成预报PME，但是得到的集成预报PME可能会因为一些潜在因素，从而使集成预报PME的预报效果在各降水量级的预报效果并不都是最佳的。
本发明中几个独立模型的集合平均(每个模型网格数值的平均)可以产生一个比成员模式较低均方根误差的降雨场，但同时导致降雨场将产生一个降雨面积的正偏差，和一个降水强度的平均以及最大值的减少。为了消除集成预报PME在不同降水量级的预报效果不都是最佳的情况，得到一种在不同降水量级的预报效果都是最佳的预报模式，就需要通过在传统多模式集成方法的基础上对其集成过程进行改进，使用各模式中比传统集成预报效果好的降水量级转送给集成预报，目的是弥补传统集成预报在个别量级存在预报效果不佳的情况，从而来获得一种全新的最优化预报模式Optimize_PME，该预报模式将集各单一预报模式在不同降水量级的最佳预报效果于一身，从而来提高预报的准确性。我们采用气象领域中常规的检验方式TS、ETS，以及近年来在强降水预报行业中得到广泛认可的邻域法FSS对各模式在不同降雨量级的预报效果进行评估检验，使用滑动窗口将前7天或15天或30天的滑动降雨量作为检验数据，确定其最优化集成预报的准确性。
实施例1
根据本发明一实施例，提供了一种多模式集成降水预报方法，参见图1，包括以下步骤：
S101:使用多个预设时间段内的滑动降雨量作为检验数据，评估确定出各预报模式在某一预设时间段内、何种降水量级中处于最佳预报效果；
S102:使用滑动窗口的方法，筛选出在该预设时间段内、某降水量级预报效果最佳的预报模式，将各预报模式进行集成生成集成预报模式，并使用概率匹配集合平均最优化方法将预报效果最佳的预报模式对应位置的降水值转化给集成预报模式生成最优化集成预报模式。
本发明实施例中的多模式集成降水预报方法，对各预报模式进行预报性能的评估，分析各模式在不同降水量级的预报效果以及传统集成预报效果。接着就是对集成方法进行改进，即使用概率匹配集合平均最优化来计算集成预报，对比于传统集成预报在各降水量级中预报效果的差异，逐级(降水量级)用比传统集成预报效果好的模式的量级对应的降水值转化给集成预报，这样可以弥补传统集成预报在某些量级存在预报效果不佳的现象，从而形成一种集各单一最优预报模式于一体的最优化集成预报。
作为优选的技术方案中，步骤S102包括：
将各预报模式单独预报时的数值进行格点化操作，得到格点化的降水值，使用概率匹配集合平均最优化方法将预报效果最佳的预报模式对应位置的格点化降水值转化给集成预报模式生成最优化集成预报模式。
作为优选的技术方案中，在集成的过程中使用逐级替换转化的方式，从小雨、中雨、大雨、暴雨量级依次进行。
作为优选的技术方案中，步骤S102具体包括：
计算各预报模式对应网格中的降水平均值，对多个降水平均值进行排序，并进行数字标记；
将各预报模式中网格点的降水值放在一起从大到小进行排序，按照预报模式的数量值进行分组，对应预报模式数量值的降水值数量分为一组，将每一组的中位数赋值给进行标记后的降水平均值网格；
将预报效果最佳的预报模式对应位置的格点化降水值对降水平均值网格进行替换得到最优化的降水平均值网格。
作为优选的技术方案中，降水量级分为小雨、中雨、大雨、暴雨，对应的降雨量分别为1～10mm、10～25mm、25～50mm、50mm以上。
作为优选的技术方案中，使用滑动窗口将前7天、15天或30天时间段内的滑动降雨量作为检验数据，并采用气象领域中常规的检验方式TS、ETS或邻域法FSS评估确定出各预报模式在某一预设时间段内、何种降水量级中处于最佳预报效果。
作为优选的技术方案中，各预报模式包括：澳大利亚气象局全球模式、欧洲中期天气预报中心、美国环境预报中心、澳大利亚气象局区域模式、加拿大气象局、日本气象厅、英国气象局、中国气象局数值预报中心所采用的预报模式。
下面以具体实施例，对本发明的多模式集成降水预报方法进行详细说明：
附图2是概率匹配集合平均最优化方法的模型图。使用滑动窗口(7天或15天)的预报情况，即使用前7天或15天的预报情况来作为参考，从而确定转化对象，在集成的过程中使用逐级替换转化的原则，从小雨、中雨、大雨、暴雨量级依次进行。由于在各个量级上的操作是类似的，这里仅以在暴雨量级上进行替换的原则为例来进行描述。假设有a、b、c三个模型，每个模型有九个网格点，每个网格中的数据显示了三种模型的预报降雨量。假设模型a在暴雨量级(50mm以上)的预报效果在各模式以及传统集成预报模式中是最好的。首先计算a、b、c模型中对应网格中的降水平均值，然后将这些平均值进行排序，使用1-9依次进行标记；排序后的网格中值排名第一的降水值是“60”，对该网格点记为“1”，网格中值排名第二的降水值是“50”，对该网格点标记为“2”，其它网格点标记方法依次类推；接着将模型a中达到暴雨量级的格点值(即“60”)全部提取出来；然后对三个模型中网格点的降水值放在一起从大到小进行排序，每三个分为一组；最后将分组后的数据进行操作，具体来说就是将第一组中三个网格中的降水中位数“50”赋给预报平均降水中排名第一的网格点，即标记为“1”的网格点，此时可以发现，在该组中，存在一个格点值“60”(属于暴雨量级)位于a模型中，而a模型的暴雨(50mm以上)量级的预报效果最好，所以用值“60”赋给标记为“1”的网格点，其他组数组操作方法类似，替换的结果是将a模型中在暴雨量级上预报最好的格点值都赋给了集成预报对应的网格中，得到集成预报对应网格点的降水值。经过转换替换后可以得到最优化集成预报的结果，该最优化集成预报将a模型在暴雨量级的最优预报效果充分显现出来。
附图3是本发明总体集成预报的流程图，就是在各降水量级(小雨、中雨、大雨、暴雨)比较模式a、b、c的预报效果的优劣，如果在小雨级中某单一模式的预报效果在a、b、c中是最好的，那么就通过“概率匹配集合平均最优化”的方法将在小雨量级将预报最好的模式对应位置的降水值转化给集成预报PME，从而得到最优化集成预报optimize_PME；在中雨、大雨、暴雨量级的演示方法类似，总的来讲，就是遵循哪家模式在某量级的预报效果好，就用哪家模式对应格点的降水值作为集成预报对应格点的降水值的原则。
附图4是本发明实际操作过程中的模型图，预报员获取各模式的降水数据，通过格点化处理。将格点化的模式数据通过“概率匹配集合平均最优化”的方法进行集成，得到一种全新的预报模式──最优化集成预报(optimizeProbability Match Ensemble，optimize_PME)，最后将该优化集成预报应用于的降水预报工作中。
实施例2
根据本发明的另一实施例，提供了一种多模式集成降水预报装置，参见图5，包括：
评估确定单元200，用于使用多个预设时间段内的滑动降雨量作为检验数据，评估确定出各预报模式在某一预设时间段内、何种降水量级中处于最佳预报效果；
最优化集成预报模式生成单元300，用于使用滑动窗口的方法，筛选出在该预设时间段内、某降水量级预报效果最佳的预报模式，将各预报模式进行集成生成集成预报模式，并使用概率匹配集合平均最优化方法将预报效果最佳的预报模式对应位置的降水值转化给集成预报模式生成最优化集成预报模式。
本发明实施例中的多模式集成降水预报装置，对各预报模式进行预报性能的评估，分析各模式在不同降水量级的预报效果以及传统集成预报效果。接着就是对集成方法进行改进，即使用滑动窗口的方法，筛选出在该预设时间段内、某降水量级预报效果最佳的预报模式，将各预报模式进行集成生成集成预报模式，并使用概率匹配集合平均最优化来计算集成预报，对比于传统集成预报在各降水量级中预报效果的差异，在选定的滑动窗口内，确定某一模式在某量级的预报效果最佳，逐级(降水量级)用比传统集成预报效果好的模式的量级对应的降水值转化给集成预报，这样可以弥补传统集成预报在某些量级存在预报效果不佳的现象，从而形成一种集各单一最优预报模式于一体的最优化集成预报。
作为优选的技术方案中，最优化集成预报模式生成单元300具体用于将各预报模式单独预报时的数值进行格点化操作，得到格点化的降水值，使用概率匹配集合平均最优化方法将预报效果最佳的预报模式对应位置的格点化降水值转化给集成预报模式生成最优化集成预报模式。
作为优选的技术方案中，参见图6，最优化集成预报模式生成单元300包括：
计算单元301，用于计算各预报模式对应网格中的降水平均值，对多个降水平均值进行排序，并进行数字标记；
分组赋值单元302，用于将各预报模式中网格点的降水值放在一起从大到小进行排序，按照预报模式的数量值进行分组，对应预报模式数量值的降水值数量分为一组，将每一组的中位数赋值给进行标记后的降水平均值网格；
数值替换单元303，用于将预报效果最佳的预报模式对应位置的格点化降水值对降水平均值网格进行替换得到最优化的降水平均值网格。
下面以具体实施例，对本发明的多模式集成降水预报装置进行详细说明：
附图2是概率匹配集合平均最优化方法的模型图。使用滑动窗口(7天或15天)的预报情况，即使用前7天或15天的预报情况来作为参考，从而确定转化对象，在集成的过程中使用逐级替换转化的原则，从小雨、中雨、大雨、暴雨量级依次进行。由于在各个量级上的操作是类似的，这里仅以在暴雨量级上进行替换的原则为例来进行描述。假设有a、b、c三个模型，每个模型有九个网格点，每个网格中的数据显示了三种模型的预报降雨量。假设模型a在暴雨量级(50mm以上)的预报效果在各模式以及传统集成预报模式中是最好的。首先计算a、b、c模型中对应网格中的降水平均值，然后将这些平均值进行排序，使用1-9依次进行标记；排序后的网格中值排名第一的降水值是“60”，对该网格点记为“1”，网格中值排名第二的降水值是“50”，对该网格点标记为“2”，其它网格点标记方法依次类推；接着将模型a中达到暴雨量级的格点值(即“60”)全部提取出来；然后对三个模型中网格点的降水值放在一起从大到小进行排序，每三个分为一组；最后将分组后的数据进行操作，具体来说就是将第一组中三个网格中的降水中位数“50”赋给预报平均降水中排名第一的网格点，即标记为“1”的网格点，此时可以发现，在该组中，存在一个格点值“60”(属于暴雨量级)位于a模型中，而a模型的暴雨(50mm以上)量级的预报效果最好，所以用值“60”赋给标记为“1”的网格点，其他组数组操作方法类似，替换的结果是将a模型中在暴雨量级上预报最好的格点值都赋给了集成预报对应的网格中，得到集成预报对应网格点的降水值。经过转换替换后可以得到最优化集成预报的结果，该最优化集成预报将a模型在暴雨量级的最优预报效果充分显现出来。
附图3是本发明总体集成预报的流程图，就是在各降水量级(小雨、中雨、大雨、暴雨)比较模式a、b、c的预报效果的优劣，如果在小雨级中某单一模式的预报效果在a、b、c中是最好的，那么就通过“概率匹配集合平均最优化”的方法将在小雨量级将预报最好的模式对应位置的降水值转化给集成预报PME，从而得到最优化集成预报optimize_PME；在中雨、大雨、暴雨量级的演示方法类似，总的来讲，就是遵循哪家模式在某量级的预报效果好，就用哪家模式对应格点的降水值作为集成预报对应格点的降水值的原则。
附图4是本发明实际操作过程中的模型图，预报员获取各模式的降水数据，通过格点化处理。将格点化的模式数据通过“概率匹配集合平均最优化”的方法进行集成，得到一种全新的预报模式──最优化集成预报(optimizeProbability Match Ensemble，optimize_PME)，最后将该优化集成预报应用于的降水预报工作中。
本发明提出一种在传统多模式集成方法的基础上进行改进优化的多模式集成降水预报方法及装置，具体来讲，就是使用滑动窗口(7天或15天)的预报情况作为参考，从而确定转化对象，对各预报模式进行预报性能的评估，分析各模式在不同降水量级的预报效果以及传统集成预报效果。接着就是对集成方法进行改进，即使用概率匹配集合平均最优化来计算集成预报，对比于传统集成预报在各降水量级中预报效果的差异，逐级(降水量级)用比传统集成预报效果好的模式的量级对应的格点降水值转化给集成预报，这样可以弥补传统集成预报在某些量级存在预报效果不佳的现象，从而形成一种集各单一最优预报模式于一体的最优化集成预报(optimizeProbability Match Ensemble，optimize_PME)，该最优化集成预报在不同降水量级(小雨、中雨、大雨、暴雨)显现出较好的预报效果，从而得到理想的降水预报模式(optimize_PME)。
本发明的多模式集成降水预报方法及装置通过使用气象领域中常用的预报模式，即欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts，ECMWF)、日本气象厅(Japan Meteorological Agency，JMA)和中国气象局数值预报中心开发运行的全球数值预报系统(Global/Regional Assimilation and Prediction EnhancedSystem，GRAPES)等预报模式，首先进行格点化操作，得到格点化的降水数据。然后通过使用改进的概率匹配集合平均方法，简称概率匹配集合平均最优化，遵循哪家模式在某量级的预报效果好，就用哪家模式对应格点的降水值作为集成预报对应格点的降水值的原则，得到一种新的预报模式—最优化集成预报(optimizeProbability Match Ensemble，optimize_PME)，将该预报模式应用于格点化的降水预报工作中，为气象行业的降水预报提供更准确的参考依据。
本发明的多模式集成降水预报方法及装置的创新技术点及有益效果至少在于：
1.首次实现高分辨率的基于多个数值模式的集成预报系统，来得到最优化集成预报optimize_PME。
2.在集成过程中，通过对“概率匹配集合平均”的过程进行优化操作，将各降水量级中(小雨、中雨、大雨、暴雨)预报效果最佳的预报模式的格点值转化给最优化集成预报(optimize_PME)，弥补了传统集成预报在某些量级预报效果不佳的状况，在某些降水量级，最优化集成预报(optimize_PME)的预报效果确实得到了提升。即在集成过程中，通过使用“概率匹配集合平均最优化”的集成方法，进行逐级优化，使用滑动窗口(7天或15天)的预报情况作为参考，从而确定转化对象,将各降水量级(小雨、中雨、大雨、暴雨)预报效果最佳的预报模式的格点值转化给集成预报，从而形成的集成预报在某些量级的预报效果得以提升。
3.最优化集成预报(optimize_PME)融合了各单一模式在不同降水量级中最佳的预报效果。
4.使用对“概率匹配集合平均”方法进行改进后，即所谓的“概率匹配集合平均最优化”方法得到最优化集成预报(optimize_PME)，集成过程新颖，创新性比较强，完全是一种全新的多模式集成方法。
5.所得到的最优化集成预报(optimize_PME)的预报效果在某些量级的预报效果得以提升。
实际应用中，根据已有的粤港澳地区的预报资料，将欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts，ECMWF)、日本气象厅(JapanMeteorological Agency，JMA)和中国气象局数值预报中心开发运行的全球数值预报系统(Global/Regional Assimilation and Prediction Enhanced System，GRAPES)的数据资料，在精度为0.1°(经度)×0.1°(纬度)的格点场上进行实验和模拟，通过使用所构造的“概率匹配集合平均最优化”的方法，形成最优化集成预报(optimize_PME)，某些量级的预报效果得以提升,得到了预期的结果，即最优化集成预报的预报效果在某些量级中得以提升。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、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。
Claims (10)
1.一种多模式集成降水预报方法，其特征在于，包括：
使用多个预设时间段内的滑动降雨量作为检验数据，评估确定出各预报模式在某一预设时间段内、何种降水量级中处于最佳预报效果；
使用滑动窗口的方法，筛选出在该预设时间段内、某降水量级预报效果最佳的预报模式，将各预报模式进行集成生成集成预报模式，并使用概率匹配集合平均最优化方法将预报效果最佳的预报模式对应位置的降水值转化给集成预报模式生成最优化集成预报模式。
2.根据权利要求1所述的多模式集成降水预报方法，其特征在于，所述将各预报模式进行集成生成集成预报模式，并使用概率匹配集合平均最优化方法将预报效果最佳的预报模式对应位置的降水值转化给集成预报模式生成最优化集成预报模式包括：
将各预报模式单独预报时的数值进行格点化操作，得到格点化的降水值，使用概率匹配集合平均最优化方法将预报效果最佳的预报模式对应位置的格点化降水值转化给集成预报模式生成最优化集成预报模式。
3.根据权利要求2所述的多模式集成降水预报方法，其特征在于，在集成的过程中使用逐级替换转化的方式，从小雨、中雨、大雨、暴雨量级依次进行。
4.根据权利要求3所述的多模式集成降水预报方法，其特征在于，所述将各预报模式单独预报时的数值进行格点化操作，得到格点化的降水值，使用概率匹配集合平均最优化方法将预报效果最佳的预报模式对应位置的格点化降水值转化给集成预报模式生成最优化集成预报模式包括：
计算各预报模式对应网格中的降水平均值，对多个降水平均值进行排序，并进行数字标记；
将各预报模式中网格点的降水值放在一起从大到小进行排序，按照预报模式的数量值进行分组，对应预报模式数量值的降水值数量分为一组，将每一组的中位数赋值给进行标记后的降水平均值网格；
将预报效果最佳的预报模式对应位置的格点化降水值对降水平均值网格进行替换得到最优化的降水平均值网格。
5.根据权利要求1所述的多模式集成降水预报方法，其特征在于，所述降水量级分为小雨、中雨、大雨、暴雨，对应的降雨量分别为1～10mm、10～25mm、25～50mm、50mm以上。
6.根据权利要求1所述的多模式集成降水预报方法，其特征在于，使用滑动窗口将前7天、15天或30天时间段内的滑动降雨量作为检验数据，并采用气象领域中常规的检验方式TS、ETS或邻域法FSS评估确定出各预报模式在某一预设时间段内、何种降水量级中处于最佳预报效果。
7.根据权利要求1所述的多模式集成降水预报方法，其特征在于，各预报模式包括：澳大利亚气象局全球模式、欧洲中期天气预报中心、美国环境预报中心、澳大利亚气象局区域模式、加拿大气象局、日本气象厅、英国气象局、中国气象局数值预报中心所采用的预报模式。
8.一种多模式集成降水预报装置，其特征在于，包括：
评估确定单元，用于使用多个预设时间段内的滑动降雨量作为检验数据，评估确定出各预报模式在某一预设时间段内、何种降水量级中处于最佳预报效果；
最优化集成预报模式生成单元，用于使用滑动窗口的方法，筛选出在该预设时间段内、某降水量级预报效果最佳的预报模式，将各预报模式进行集成生成集成预报模式，并使用概率匹配集合平均最优化方法将预报效果最佳的预报模式对应位置的降水值转化给集成预报模式生成最优化集成预报模式。
9.根据权利要求8所述的多模式集成降水预报装置，其特征在于，所述最优化集成预报模式生成单元具体用于将各预报模式单独预报时的数值进行格点化操作，得到格点化的降水值，使用概率匹配集合平均最优化方法将预报效果最佳的预报模式对应位置的格点化降水值转化给集成预报模式生成最优化集成预报模式。
10.根据权利要求9所述的多模式集成降水预报装置，其特征在于，所述最优化集成预报模式生成单元包括：
计算单元，用于计算各预报模式对应网格中的降水平均值，对多个降水平均值进行排序，并进行数字标记；
分组赋值单元，用于将各预报模式中网格点的降水值放在一起从大到小进行排序，按照预报模式的数量值进行分组，对应预报模式数量值的降水值数量分为一组，将每一组的中位数赋值给进行标记后的降水平均值网格；
数值替换单元，用于将预报效果最佳的预报模式对应位置的格点化降水值对降水平均值网格进行替换得到最优化的降水平均值网格。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910384189.1A CN110163426A (zh) | 2019-05-09 | 2019-05-09 | 一种多模式集成降水预报方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910384189.1A CN110163426A (zh) | 2019-05-09 | 2019-05-09 | 一种多模式集成降水预报方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110163426A true CN110163426A (zh) | 2019-08-23 |
Family
ID=67634029
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910384189.1A Pending CN110163426A (zh) | 2019-05-09 | 2019-05-09 | 一种多模式集成降水预报方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110163426A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110619433A (zh) * | 2019-09-17 | 2019-12-27 | 国网湖南省电力有限公司 | 电网暴雨数值模式参数化方案的快速选择方法及系统 |
| CN112051627A (zh) * | 2020-08-21 | 2020-12-08 | 南方电网科学研究院有限责任公司 | 一种数值模式多量级降水预报值的订正方法、装置和介质 |
| CN112241604A (zh) * | 2020-11-02 | 2021-01-19 | 国网湖南省电力有限公司 | 概率匹配串并联耦合多模型的电网暴雨灾害预报订正方法 |
| CN113033957A (zh) * | 2021-02-26 | 2021-06-25 | 兰州中心气象台(兰州干旱生态环境监测预测中心) | 一种多模式降水预报及实时动态检验评估系统 |
| CN113466968A (zh) * | 2021-07-15 | 2021-10-01 | 海南省气象台 | 一种基于频率匹配和动态融合的多模式降水预报订正方法 |
| CN113516290A (zh) * | 2021-05-18 | 2021-10-19 | 中科三清科技有限公司 | 空气质量集合预报方法及装置 |
| CN113627683A (zh) * | 2021-08-25 | 2021-11-09 | 天气在线(无锡)科技有限公司 | 一种面向单模式次季节预报订正的邻域迭代映射方法 |
| CN116108971A (zh) * | 2022-12-20 | 2023-05-12 | 中国民用航空局空中交通管理局航空气象中心 | 一种基于数值模式对流覆盖率的对流天气预报方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631228A (zh) * | 2016-01-18 | 2016-06-01 | 中科宇图科技股份有限公司 | 一种超级多模集成应用的水文预警预报系统和方法 |
| CN106605225A (zh) * | 2014-08-27 | 2017-04-26 | 日本电气株式会社 | 仿真设备、仿真方法和存储器介质 |
| US20170351006A1 (en) * | 2016-06-03 | 2017-12-07 | International Business Machines Corporation | Cloud Coverage Estimation by Dynamic Scheduling of a Distributed Set of Cameras |
| CN109615236A (zh) * | 2018-12-13 | 2019-04-12 | 深圳市气象局 | 降水预报模式检验评分方法、系统、终端及存储介质 |
| CN109636032A (zh) * | 2018-12-11 | 2019-04-16 | 中国科学院深圳先进技术研究院 | 基于多模式集成的降水预报方法、系统、终端及存储介质 |
-
2019
- 2019-05-09 CN CN201910384189.1A patent/CN110163426A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106605225A (zh) * | 2014-08-27 | 2017-04-26 | 日本电气株式会社 | 仿真设备、仿真方法和存储器介质 |
| CN105631228A (zh) * | 2016-01-18 | 2016-06-01 | 中科宇图科技股份有限公司 | 一种超级多模集成应用的水文预警预报系统和方法 |
| US20170351006A1 (en) * | 2016-06-03 | 2017-12-07 | International Business Machines Corporation | Cloud Coverage Estimation by Dynamic Scheduling of a Distributed Set of Cameras |
| CN109636032A (zh) * | 2018-12-11 | 2019-04-16 | 中国科学院深圳先进技术研究院 | 基于多模式集成的降水预报方法、系统、终端及存储介质 |
| CN109615236A (zh) * | 2018-12-13 | 2019-04-12 | 深圳市气象局 | 降水预报模式检验评分方法、系统、终端及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 洪伟: "基于前期模式检验的雨量预报优选方案分析", 《第33届中国气象学会年会》 * |
| 祁海霞: "多模式集成预报及概率预报研究", 《万方学位论文》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110619433A (zh) * | 2019-09-17 | 2019-12-27 | 国网湖南省电力有限公司 | 电网暴雨数值模式参数化方案的快速选择方法及系统 |
| CN112051627A (zh) * | 2020-08-21 | 2020-12-08 | 南方电网科学研究院有限责任公司 | 一种数值模式多量级降水预报值的订正方法、装置和介质 |
| CN112241604A (zh) * | 2020-11-02 | 2021-01-19 | 国网湖南省电力有限公司 | 概率匹配串并联耦合多模型的电网暴雨灾害预报订正方法 |
| CN113033957A (zh) * | 2021-02-26 | 2021-06-25 | 兰州中心气象台(兰州干旱生态环境监测预测中心) | 一种多模式降水预报及实时动态检验评估系统 |
| CN113033957B (zh) * | 2021-02-26 | 2023-10-27 | 兰州中心气象台(兰州干旱生态环境监测预测中心) | 一种多模式降水预报及实时动态检验评估系统 |
| CN113516290A (zh) * | 2021-05-18 | 2021-10-19 | 中科三清科技有限公司 | 空气质量集合预报方法及装置 |
| CN113466968A (zh) * | 2021-07-15 | 2021-10-01 | 海南省气象台 | 一种基于频率匹配和动态融合的多模式降水预报订正方法 |
| CN113627683A (zh) * | 2021-08-25 | 2021-11-09 | 天气在线(无锡)科技有限公司 | 一种面向单模式次季节预报订正的邻域迭代映射方法 |
| CN116108971A (zh) * | 2022-12-20 | 2023-05-12 | 中国民用航空局空中交通管理局航空气象中心 | 一种基于数值模式对流覆盖率的对流天气预报方法及系统 |
| CN116108971B (zh) * | 2022-12-20 | 2023-07-25 | 中国民用航空局空中交通管理局航空气象中心 | 一种基于数值模式对流覆盖率的对流天气预报方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163426A (zh) | 一种多模式集成降水预报方法及装置 | |
| Raynaud et al. | Energy droughts from variable renewable energy sources in European climates | |
| Ryberg et al. | The future of European onshore wind energy potential: Detailed distribution and simulation of advanced turbine designs | |
| Lavidas et al. | A 35 year high-resolution wave atlas for nearshore energy production and economics at the Aegean Sea | |
| CN112070286B (zh) | 复杂地形流域的降水预报预警系统 | |
| Kariniotakis et al. | What performance can be expected by short-term wind power prediction models depending on site characteristics? | |
| Bao et al. | Coupling ensemble weather predictions based on TIGGE database with Grid-Xinanjiang model for flood forecast | |
| Kyselý et al. | Comparison of regional and at‐site approaches to modelling probabilities of heavy precipitation | |
| CN104851051A (zh) | 一种结合动态修正的电网区域暴雨量精细化预警方法 | |
| CN104392097A (zh) | 一种基于季节预报模式的季节降水相似预报方法 | |
| CN110598352B (zh) | 一种流域来水的预报方法 | |
| Visser et al. | On the value of expert knowledge in estimation and forecasting of solar photovoltaic power generation | |
| Bernet et al. | Characterizing precipitation events leading to surface water flood damage over large regions of complex terrain | |
| CN111814407A (zh) | 一种基于大数据和深度学习的洪水预报方法 | |
| Lindberg et al. | Analyzing the mechanisms behind temporal correlation between power sources using frequency separated time scales: A Swedish case study on PV and wind | |
| Luu et al. | Analysing flood fatalities in Vietnam using national disaster database and tree-based methods | |
| CN114325879A (zh) | 一种基于分级概率的定量降水订正方法 | |
| Ebner et al. | Regionalized potential assessment of variable renewable energy sources in Europe | |
| Svensson et al. | Oceanic conditions associated with Euro-Atlantic high pressure and UK drought | |
| CN110135652B (zh) | 一种长期汛期径流预测方法 | |
| Wasko et al. | A systematic review of climate change science relevant to Australian design flood estimation | |
| Cabello et al. | Assessment of future scenarios of climate and land-use changes in the IMPRINTS test-bed areas | |
| Zhong et al. | Wind power forecasting and integration to power grids | |
| CN115600047B (zh) | 一种基于栅格分析的小流域面平均降雨量测算方法和系统 | |
| Piscopia et al. | Analysis of 12-year wave measurements by the Italian Wave Network |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190823 |
|
| RJ01 | Rejection of invention patent application after publication |