CN110245773B - 一种多源实况时空预报因子提取及纳入模式解释应用的方法 - Google Patents
一种多源实况时空预报因子提取及纳入模式解释应用的方法 Download PDFInfo
- Publication number
- CN110245773B CN110245773B CN201910232322.1A CN201910232322A CN110245773B CN 110245773 B CN110245773 B CN 110245773B CN 201910232322 A CN201910232322 A CN 201910232322A CN 110245773 B CN110245773 B CN 110245773B
- Authority
- CN
- China
- Prior art keywords
- time
- forecasting
- forecast
- factor
- live
- 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
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多源实况时空预报因子提取及纳入模式解释应用的方法;本发明的多源实况时空预报因子的计算方法、技术流程和软件系统,作为模式解释应用和后处理过程中一个单独的实况预报因子前处理模块,提取准备具有天气学预报指示意义的实况时空预报因子;在预报因子中增加了小时级甚至分钟级滚动更新的多源实况空间预报因子,弥补了因全球数值预报模式预报频次较低而无法实现高频滚动客观气象预报的缺陷,提供了依赖实况更新支撑滚动预报的有效技术手段。根据实际预报需求和运行效率的平衡,能够开展基于实况空间预报因子高频更新的小时级甚至分钟级滚动更新的客观气象预报系统并进一步显著提高了高频滚动精细气象要素预报准确率。
Description
技术领域
本发明属于天气预报技术领域,尤其涉及一种多源实况时空预报因子提取及纳入模式解释应用的方法。
背景技术
目前,气象服务正朝着精细化无缝隙智能网格天气预报的方向发展,所谓智能,重点在于尽量挖掘客观气象预报的极限能力。客观气象预报,即完全依靠客观的技术方法,生成气温、降水、风、湿度、云量、天空状况以及天气现象这些天气要素预报,无需预报员进行人工干预。可靠、精细、丰富的多源实况资料,以及数值预报模式的快速发展,为精细化客观气象预报提供了前提条件和有力支撑。经过多年的发展,中国已初步建立了地基、空基和天基相结合,门类比较齐全和布局基本合理的综合气象观测系统(行鸿彦等,2017),数值模式也自19世界20年代Richardson第一次尝试手动进行中欧两点的6小时数值天气预报以来,已经逐步建立起包括大气、陆面、海洋多圈层耦合的大气数值预报模式系统。
但是,当前基于大气动力学的数值预报仍然无法解决近地面的天气细节问题,具有明显的系统和随机误差。因为准确的预报必须源于精准的初始条件和完美的预报系统,但是初始条件的时空精细和观测精准程度,只能是越来越接近而无法完美描述大气的真实状态;而数值预报模式也无法清晰所有物理关系(丁一汇,2005年;AlessandroVespignani,2012),也无法成为完美的预报系统。所以数值模式预报发展至今,模式直接输出的预报仍然存在明显局限性,即使是国际上预报性能十分优越的欧洲中期天气预报中心(ECMWF)数值模式,其预报性能也有待订正提高(R.Buizz,et al,2018)。利用实况信息对数值模式预报产品进行解释应用,以提高预报准确率,是十分有必要也是有效的(Glahn etal,1972;Carter et al.1989;Vislocky et al,1995;Krishnamurti et al.1999;DanielS.Wilks et al,2007;Stephan Hemri,2015;Reto Stauffer et al.,2017)。
y=f(x1,x2,x3,......,xn)
传统的模式解释应用技术,观测实况资料承担的角色主要是预报真值,即以上公式中基于模式和实况再次建立的解释应用预报模型中的因变量函数y值,也就是将要预报的例如降水和气温的预报变量;而进入预报模型的预报因子,即预报模型中的自变量(x1,x2,x3,......,xn)数组,以插值到预报站点的数值模式的预报产品为主。也有个别研究尝试将预报站点周围几点的实况信息作为预报因子进入建模过程(Sebastian Trepte et al.,2018),但是由于选取站点为起报时刻前一个时刻附近站点的实况值,实况值的时间和与预报站点的近距离,决定实况对于未来预报时效的影响必然十分有限;也有将实况资料作为对预报实时滚动订正的来源,利用预报站点的最新实况资料与上一时刻预报的误差,实现对后面时效的时间加权订正,但是由于不同预报时效的解释应用预报模型是分别建立的,各不相同,而且预报要素及其误差特性的日变化,造成不同预报时效间预报误差的不一致性,所以收效也十分有限。
大气系统的变化在时空上具有连续性和上下游关系,考虑天气系统移动原理,每个系统在它的生命周期内都是渐次通过影响范围内的地点,如图1所示,先经过的地方发生的天气过程,与后期移动经过的地点的天气过程有着连续相关性,这种相关性涵盖了空间相对位置、时间滞后时效、强度变化的信息。预报员在预报过程中,都是基于已经发生的实况的时空分布特征,考虑不同气象要素的连续性,结合模式对于大气环流形势和各种物理场的空间分布的预报,做出最终的天气预报。由于对前期实况时空分布以及移动规律的考虑,通过预报员主观分析的预报结果,会在客观预报基础上明显提高预报准确率。为了挖掘这种天气学原理和预报员主观预报方法思路,将最新的观测信息作为模式预报解释应用中新建客观预报模型的初始条件,充分提取表达实况资料的时空向后预报信息,将实况时空相关信息作为预报因子,与数值模式预报因子一起纳入解释应用的建模和预报过程,必将提高客观气象预报的预报准确率。
发明内容
本发明的目的在于提供一种能够解决上述技术问题的多源实况时空预报因子提取及纳入模式解释应用的方法,本发明所述方法包括以下步骤:
步骤1、选择实况时空预报因子信息源
当预报要素变量确定后,根据预报要素属性、天气学原理以及预报经验,分析对预报要素最有预报指示意义的观测实况信息种类,并且结合实况信息源的可用性和可靠性,考虑观测资料是否每个观测时次都能及时送达、观测数据的正确率、以及是否有足够长时间的历史存档资料,来选择确定实况时空预报因子信息源,以备提取作为预报因子纳入数值模式解释应用建模预报过程;例如,当预报要素为降水,考虑卫星云量反演实况、地面气象站常规观测云量实况、地面降水观测实况信息源比较合适;当预报要素为气温,则考虑地面气象站的观测气温、气温变化、及地面气压变化。
步骤2、筛选多源实况时空预报因子站群,用于求取多源实况时空预报因子的站群和预报站群并不是相同的站群,是由两个独立的选取过程分别产生的站群,其中实况时空预报因子站群的选取空间范围应当覆盖影响预报站点天气的大气系统活动范围,实况时空预报因子站群的选取包括以下步骤:
步骤2.1、统计实况站点资料的到报率,即在历史样本期内按照业务规定推送到达时刻能够准时到达的观测实况次数占比,在实时预报中的起报时次前的规定时间内实况信息应当到报,而不影响预报过程;首先对实况数据的到报情况进行实时监控和统计,确定观测站点实况资料的到报率,选出到报率达到要求的站点群,以备后续步骤进一步挑选;
步骤2.2、确定实况时空因子站点密度及总数,根据实时运行业务对于预报产品生成时效要求,考虑前端数值模式预报产品和实况资料的到位时间,规划预报系统整体流程中所有环节的运行速度和效率,与最大化捕捉实况精细信息需求进行平衡,确定实况时空预报因子能够承载的站点密度和总数量;
步骤2.3、择选均匀分布的实况时空预报因子站群;为了择选出均匀实况站群以便能够捕捉前期具有预报意义的多源实况时空预报因子,采用控制站间距离的方法从稠密观测站群中挑选;具体的选取步骤为,根据步骤2.2中确定的站点密度来预估站间距离阈值,从步骤2.1中选出的满足到报率需求的有效搜索站群中选取第一个站点作为选中站点,去除有效搜索站群中与选中站点的阈值距离内的站点;剩余站点再次成为有效搜索站群,重复上面步骤,直到有效站群的站点数目变为0,所有选中的站点就成为所需要的均匀等距站群;当站点总数超过步骤2.2中预期数目,则增大预估站间距离阈值,再次重复步骤2.3生成新的均匀等距站群,直到站点总数满足要求。
步骤3、计算存储超前空间相关信息
利用3年以上的历史气象观测实况资料,按照季节进行样本分类,针对每个季节进行单独统计,当选定一个季节时,针对每个建模站点在每个起报时次的每个预报时效,求取预报要素真值与时间上超前、空间上相关的站点观测量的相关信息;预报要素真值是预报站点在预报时刻的预报要素观测真值,预报时刻是以起报时间为准对应预报时效推算确定的;求取相关实况信息过程中时间上的超前也是相对于起报时间的超前而言的;空间上相关是指对应超前时刻考察空间范围内观测信息与预报要素真值相关的站点;而能够考虑作为因子的实况信息是地面站点观测、探空观测、雷达、以及卫星资料中任何种类的多源观测资料;
设定预报要素为Y,实况因子为X,起报时间为t0,预报时效有TF个,预报站点共SF个,备选实况时空预报因子站群共包含SO个站点,超前时刻共包含TO个,那么对于起报时次t0,需要求取SF个预报站点的TF个预报时效的预报要素Y,与SO个实况因子站点中每个站点、TO个超前时刻每个时刻的实况因子X的相关系数,其中第m个预报站点、第n个预报时效的预报要素Y(m,n)与第i个因子站点、第j个超前时刻的实况因子X(i,j)的相关系数r(Y(m,n),X(i,j))的求取,按照以下公式(1):
其中,m=1,2,3……,SF;n=1,2,3……,TF;i=1,2,3……,SO;j=1,2,3……,TO;Cov(X(i,j),Y(m,n))为X(i,j))与Y(m,n)的协方差,Var[X(i,j)]为X(i,j)的方差,Var[Y(m,n)]为Y(m,n)的方差;相关系数的计算样本取3年左右同一季节的样本量;根据样本数量K,需要通过t检验法,计算通过显著水平α=0.05显著性检验的最小相关系数阈值rc,见以下公式(2),其中tα为学生氏随机变量t在自由度为K-2时对应显著水平α=0.05的临界值,rc是样本量为K时通过显著水平α=0.05显著性检验的最小相关系数阈值;在通过显著性检验的即大于rc的相关系数中,再根据显著相关站点的数量和运行承载量,当通过显著性检验的相关站点太多时,则设置另外一个大于等于rc的阈值rl,只保留存储超过新设定阈值rl的超前空间相关站点信息及相关系数信息,以备下一步进行临近相似区域组合;
步骤4、区域组合索引方案提取
由历史实况资料统计得到的超前空间相关系数,将会出现多个超前时间点和大量空间点的相关系数都超过阈值,为了排除解释应用过程中预报因子之间的过分相关性,并且提高因子计算、建模和预报过程中的计算效率,需要将超前时段内的实况预报因子进行空间范围的整合,合并原本属于同一个天气影响系统下的实况因子,使用相同象限、相近距离和尊重最大相关信息的原则,检索同一超前时刻属于同一个天气系统的多个超过显著性检验的相关站点进行整合,整合为具备区域代表性和尽量精简的区域,在此基础上计算和提取区域的预报因子特征量;具体步骤如下:
步骤4.1、针对同一预报站点的同一预报时效,以预报站点坐标为准,将同一超前时刻的显著相关实况站点划分至4个象限,每个象限中搜索最大相关系数站点,当最大相关系数超过事先设定的大值阈值,则单独作为一个因子站点,站点实况值直接作为初选预报因子进入解释应用过程;当最大相关系数成为单独因子,则在剩下的显著相关站群中再次寻找最大相关系数;
步骤4.2、以象限内最新搜索出的最大相关系数站点坐标为基准站点,搜索指定半径内所有相关站点进入同一区域站点群,其中距离的计算参照公式(3),其中(xi,yi)和(xj,yj)代表基准站点和被搜索站点的经纬度坐标,d就是基准站点和被搜索站点之间的距离;之后以新的入选站点为基点,同样搜索半径搜索入选站点,往复循环,直到不再有新的站点进入为止,入选站点群为一个区域集合;
步骤4.3、在同一象限的剩余站点中再次选取最大相关系数站点,以站点坐标为准,重复步骤4.2中搜索过程,生成新的区域集合;反复循环,直到完成同一象限所有超过相关系数阈值的站点的区域组合;
步骤4.4、更换其他象限,重复步骤4.1至步骤4.3,完成所有象限的区域组合;当在步骤4.2中发生跨象限检索进入站点是允许的,在剩余有效搜索站群中去除已经入选站点从而不会出现同一站点重复入群的现象;至此,得到同一预报站点同一预报时效、同一超前时刻的所有区域组合索引方案信息;
步骤4.5、更换其他超前时刻,重复步骤4.1至步骤4.4,得到同一站点同一预报时效的所有超前时刻的区域组合索引方案信息;
步骤4.6、针对所有预报站点的所有预报时效,重复步骤4.1至步骤4.5,得到用于实况时空预报因子的提取和计算的所有区域组合索引方案信息,生成的索引方案信息以每个预报站点一个文件的形式进行保存,存放这个预报站点的所有预报时效对应的所有超前时刻的区域组合索引方案信息;
站点的同一系统组合过程必须是针对同一超前时刻的相关站点群进行,不同时刻的站点不能混合进行。
步骤5、多源实况时空预报因子计算
在步骤3、步骤4的基础上,按照区域组合索引方案,计算建模和预报所需要的实况时空预报因子,用于数值预报模式解释应用过程,与模式预报因子一起,成为客观预报模型中的自变量;针对区域组合索引方案中的每个区域,定义和计算区域特征量,生成多源实况时空预报因子;特征量能够根据预报变量来设定,在目前的一个试验方案中,初步定义的特征量为:相关系数权重值、最大相关系数站点值这2个简单指标;相关系数权重值的计算参照公式(4),其中ns代表某组合区域内的站点总数,rj代表区域内第j个站点观测值与预报要素的相关系数,Vj代表第j个站点的观测值,Vr是相关系数权重值;
实况时空预报因子的计算和入库需要遵循入库规则,根据模式解释应用过程中模式预报因子的入库格式进行入库;一种在解释应用中行之有效的预报因子数据库格式为:第1层文件夹为3位预报要素代码,第二层文件夹为2位起报时次,第三层文件夹为4位数字的年份,每个文件夹中存放以站点、月份为单位的实况因子数据文件,及以站点、年份为单位的实况因子信息说明文件,实况时空预报因子数据文件在实际运行中为二进制格式存取,按照日循环、时效循环、因子循环顺序存放,每个记录行只存放某日、某时效、某因子值;实况因子信息说明文件为文本文件格式,保存了年度内每月日数、预报时效总数和每个预报时效对应的组合区域数目、每日当前起报时次72个预报时效的全部实况因子总数、每个预报时效的多源实况时空预报因子数目、以及每个实况因子的因子名称信息。
步骤6、将多源实况时空预报因子纳入数值模式解释应用建立预报模型
步骤6.1、针对多个因子来源,设计统一的因子名称定义规则;对于不同来源的预报因子,包括数值模式预报因子、实况时空预报因子、及其他自定义因子,都需要遵守相同的因子名称定义规则、因子文件和存放路径的命名规范,以实现多来源预报因子进入建模过程的同等优先级别;因子名称的定义规则,需要能够覆盖不同类别预报因子的内部和相互之间的功能区分,将因子名称分割为设置不同功能的位置段,预留足够长度和位数来纳入和周全不同类型预报因子的命名需求,当前设定为22位;
步骤6.2、在数值模式解释应用过程的建模和预报系统中,设计多类型预报因子入口以实现多来源预报因子的纳入;多来源预报因子包括模式预报因子类型、实况时空预报因子类型、及其他自定义预报因子类型;在建模和预报系统中,设置根据外部参数文件中的因子种类数目及具体类型代码,分别按顺序打开不同种类因子的读入模块开关进行读入功能,不同类型因子的读取方法不完全相同,需要根据类型代码在系统程序中找到相应模块进行读取功能开关操作;
步骤6.3、利用多来源预报因子,建立解释应用预报模型,利用相同历史时期样本,例如三年同一季节样本,在相同因子名称定义和索引规则支撑下,将前期入库的各个种类因子,使用相同的因子筛选和建模方法,拟合预报模型;多元线性回归是当前最常用的解释应用方法,采用逐步回归方法在为数众多的因素中挑选变量,以建立最优回归方程;为满足最优回归的要求,在建立回归方程时进行因子筛选,使某些对因变量贡献大的因子随时进入方程,也就是使剩余方差下降最多的一个因子,对因变量贡献小的因子又随时剔出方程,引入一个变量或者从回归方程中剔除一个变量都称为逐步回归的一步,每一步都要进行F检验,也叫做双重检验的逐步回归技术。
步骤7、开展实时天气预报
实时预报中,根据步骤6中建立的预报模型,通过符合定义规则的因子名称反向搜索各类预报因子进行预报;从预报方程文件信息出发,将实况因子名称与实况因子信息文件和数据进行索引链接,将模式因子名称与模式因子信息文件及数据进行索引链接,从而实现实时预报流程。
需要提及的是,在多源实况时空预报因子提取和纳入模式解释应用方法的程序编写过程中,所有参数信息、以及需要读取的文件均进行外部参数设置,无须改动程序本身以达到推广扩充应用范围的需求。
本发明所述方法与传统模式解释应用过程中实况资料的使用方法相比,具有以下优越效果:
1、本发明所述方法创造性地实现了多源实况时空预报因子的计算提取方法、技术流程和软件系统,作为模式解释应用过程中一个单独的实况预报因子前处理模块,提取准备具有天气学预报指示意义的实况时空预报因子;而传统数值模式解释应用过程中没有这个模块。
2、本发明所述方法创新性地设计并实现了数值模式解释应用中包括模式预报因子、实况时空预报因子和自定义预报因子的三类因子接口技术,其中后面两项是相对于传统方法新增的预报因子入口,并且设计各类因子代码功能规则和索引规范,以及分类因子信息参数传递规则和框架体系的高效沟通技术流程。
3、本发明所述方法为高频滚动客观气象预报提供了有效的技术支撑。本发明所述方法在预报因子中增加了小时级甚至分钟级滚动更新的多源实况时空预报因子,弥补了因全球数值预报模式预报频次较低(一天2次)而无法实现高频滚动客观气象预报的缺陷,提供了依赖实况更新支撑滚动预报的有效技术手段。根据实际预报需求和运行效率的平衡,能够开展基于实况空间预报因子高频更新的小时级甚至分钟级滚动更新的客观气象预报系统。
4、本发明所述方法进一步显著提高了客观气象要素预报准确率,尤其是连续变量气温在过渡季节和冷季以及复杂地形区的预报性能,以及不连续变量降水在临近时效的预报性能。
附图说明
图1是本发明所述方法的天气系统移动原理示意图;
图2是本发明所述方法的多源实况时空预报因子提取及纳入模式解释应用步骤示意图;
图3是用于求取多源实况时空预报因子的均匀站群示意图;
图4是本发明所述方法的多源实况时空预报因子的时空概念示意图;
图5是将多源实况时空相关站点组合为关键相关区域的过程示意图;
图6是区域组合索引方案信息文件存取格式示意图;
图7是实况时空预报因子数据文件内容存取顺序示意图;
图8是实况时空预报因子信息说明文件存取格式示意图;
图9是预报方程文件示意图;
图10是中国2017年3月至2018年2月期间(a)春季、(b)夏季、(c)秋季和(d)冬季72小时内逐1小时气温预报的2度内误差准确率(05时起报)示意图;
图11是中国2017年3月1日-5月31日期间(a)EC-DMO、(b)EC-MOS和(c)OBS-EC-MOS的1小时气温预报的绝对平均误差空间分布(05时起报)示意图;
图12是OBS-EC-MOS和国家气象中心指导预报对比:2017年3月至2018年2月期间(a)春季、(b)夏季、(c)秋季和(d)冬季全国平均48小时内逐1/3小时气温预报的2度内准确率(08时起报)示意图。
图13是EC-DMO预报、EC-MOS预报、OBS-EC-MOS预报和国家气象中心指导报对比:2018年(a)春季3月1日至5月31日、(b)夏季6月1日至8月31日期间全国3小时内降水预报的TS评分(08时起报)示意图。
具体实施方式
下面结合附图对本发明的实施方式进行详细描述,本发明所述方法包括以下步骤,如图2所示:
步骤1、选择实况时空预报因子信息源
当预报要素变量确定后,根据预报要素属性、天气学原理以及预报经验,分析对预报要素最有预报指示意义的观测实况信息种类,并且结合实况信息源的可用性和可靠性,考虑观测资料是否每个观测时次都能及时送达、观测数据的正确率、以及是否有足够长时间的历史存档资料,来选择确定实况时空预报因子信息源,以备提取作为预报因子纳入数值模式解释应用建模预报过程;例如,当预报要素为降水,考虑卫星云量反演实况、地面气象站常规观测云量实况、地面降水观测实况信息源比较合适;当预报要素为气温,则考虑地面气象站的观测气温、气温变化、及地面气压变化。
步骤2、筛选多源实况时空预报因子站群;用于求取多源实况时空预报因子的站群和预报站群并不是相同的站群,是由两个独立的选取过程分别产生的站群,其中实况时空预报因子站群的选取空间范围应当覆盖影响预报站点天气的大气系统活动范围,实况时空预报因子站群的选取包括以下步骤:
步骤2.1、统计实况站点资料的到报率,也就是在历史样本期内按照业务规定推送到达时刻能够准时到达的观测实况次数占比,在实时预报中的起报时次前的规定时间内实况信息应当到报,而不影响预报过程;首先对实况数据的到报情况进行实时监控和统计,确定观测站点实况资料的到报率,选出到报率达到要求的站点群,以备后续步骤进一步挑选;
步骤2.2、确定实况时空因子站点密度及总数;根据实时运行业务对于预报产品生成时效要求,考虑前端数值模式预报产品和实况资料的到位时间,规划预报系统整体流程中所有环节的运行速度和效率,与最大化捕捉实况精细信息需求进行平衡,确定实况时空预报因子的可承载站点的密度和总数量;
步骤2.3、择选均匀分布的实况时空预报因子站群;为了择选出如图3所示的均匀实况站群,以便能够捕捉前期具有预报意义的多源实况时空预报因子,采用控制站间距离的方法从稠密观测站群中挑选;具体的选取步骤为,根据步骤2.2中确定的站点密度来预估站间距离阈值,从步骤2.1中选出的满足到报率要求的有效搜索站群中选取第一个站点作为选中站点,去除有效搜索站群中与选中站点的阈值距离内的站点;剩余站点再次成为有效搜索站群,重复上面步骤,直到有效站群的站点数目变为0,所有选中的站点就成为所需要的均匀等距站群;当站点总数超过步骤2.2中预期数目,则增大预估站间距离阈值,再次重复步骤2.3生成新的均匀等距站群,直到站点总数满足要求。
步骤3、计算存储超前空间相关信息
利用3年以上的历史气象观测实况资料,按照季节进行样本分类,针对每个季节进行单独统计,当选定一个季节时,针对每个建模站点在每个起报时次的每个预报时效,求取预报要素真值与时间上超前、空间上相关的站点观测量的相关信息;预报要素真值是预报站点在预报时刻的预报要素观测真值,预报时刻是以起报时间为准对应预报时效推算确定的;求取相关实况信息过程中时间上的超前也是相对于起报时间的超前而言的;空间上相关是指对应超前时刻考察空间范围内观测信息与预报要素真值相关的站点;而能够考虑作为因子的实况信息是地面站点观测、探空观测、雷达、以及卫星资料中任何种类的多源观测资料;如图4所示,以气温预报为例,设定起报时间为05时,那么对于地图中三角标志预报站点的第4小时气温预报,预报要素真值即时间样本内每天09时三角标志预报站点的气温值,而超前3小时的相关空间站群就可能是02时位于其东北方向的站群,当设定超前实况信息量也是气温时,那么说明三角标志站点每日09时的气温与它东北方向站群02时的气温显著相关;
设定预报要素为Y,实况因子为X,起报时间为t0,预报时效有TF个,预报站点共SF个,备选实况时空预报因子站群共包含SO个站点,超前时刻共包含TO个,那么对于起报时次t0,需要求取SF个预报站点的TF个预报时效的预报要素Y,与SO个实况因子站点中每个站点、TO个超前时刻每个时刻的实况因子X的相关系数,其中第m个预报站点、第n个预报时效的预报要素Y(m,n)与第i个因子站点、第j个超前时刻的实况因子X(i,j)的相关系数r(Y(m,n),X(i,j))的求取,按照以下公式(1):
其中,m=1,2,3……,SF;n=1,2,3……,TF;i=1,2,3……,SO;j=1,2,3……,TO;Cov(X(i,j),Y(m,n))为X(i,j))与Y(m,n)的协方差,Var[X(i,j)]为X(i,j)的方差,Var[Y(m,n)]为Y(m,n)的方差;相关系数的计算样本取3年左右同一季节的样本量;根据样本数量K,需要通过t检验法,计算通过显著水平α=0.05显著性检验的最小相关系数阈值rc,见公式(2),其中tα为学生氏随机变量t在自由度为K-2时对应显著水平α=0.05的临界值,rc就是样本量为K时通过显著水平α=0.05显著性检验的最小相关系数阈值;在通过显著性检验的即大于rc的相关系数中,再根据显著相关站点的数量和运行承载量,当通过显著性检验的相关站点太多时,则设置另外一个大于等于rc的阈值rl,只保留存储超过新设定阈值rl的超前空间相关站点信息及相关系数信息,以备下一步进行临近相似区域组合;
步骤4、区域组合索引方案提取
由历史实况资料统计得到的超前空间相关系数,可能会出现很多超前时间点和大量空间点的相关系数都超过阈值,为了排除解释应用过程中预报因子之间的过分相关性,并且提高因子计算、建模和预报过程中的计算效率,需要将超前时段内的实况预报因子进行空间范围的整合,合并原本属于同一个天气影响系统下的实况因子,使用相同象限、相近距离和尊重最大相关信息的原则,如图5所示,检索同一超前时刻属于同一个天气系统的多个超过显著性检验的相关站点进行整合,整合为具备区域代表性和尽量精简的区域,在此基础上计算和提取区域的预报因子特征量;如图5所示,具体步骤如下:
步骤4.1、针对同一预报站点的同一预报时效,以预报站点坐标为准,将同一超前时刻的显著相关实况站点划分至4个象限,每个象限中搜索最大相关系数站点,当最大相关系数超过事先设定的大值阈值,则单独作为一个因子站点,站点实况值直接作为初选预报因子进入解释应用过程;当最大相关系数成为单独因子,则在剩下的显著相关站群中再次寻找最大相关系数;
步骤4.2、以象限内最新搜索出的最大相关系数站点坐标为基准站点,搜索指定半径内所有相关站点进入同一区域站点群,其中距离的计算参照公式(3),其中(xi,yi)和(xj,yj)代表基准站点和被搜索站点的经纬度坐标,d就是基准站点和被搜索站点之间的距离;之后以新的入选站点为基点,同样搜索半径搜索入选站点,往复循环,直到不再有新的站点进入为止,入选站点群为一个区域集合;
步骤4.3、在同一象限的剩余站点中再次选取最大相关系数站点,以站点坐标为准,重复步骤4.2中搜索过程,生成新的区域集合;反复循环,直到完成同一象限所有超过相关系数阈值的站点的区域组合;
步骤4.4、更换其他象限,重复步骤4.1至步骤4.3,完成所有象限的区域组合;当在步骤4.2中发生跨象限检索进入站点是允许的,在剩余有效搜索站群中去除已经入选站点从而不会出现同一站点重复入群的现象;至此,得到同一预报站点同一预报时效、同一超前时刻的所有区域组合索引方案信息;
步骤4.5、更换其他超前时刻,重复步骤4.1至步骤4.4,得到同一站点同一预报时效的所有超前时刻的区域组合索引方案信息;
步骤4.6、针对所有预报站点的所有预报时效,重复步骤4.1至步骤4.5,得到用于实况时空预报因子的提取和计算的所有区域组合索引方案信息,生成的索引方案信息以每个预报站点一个文件的形式进行保存,存放这个预报站点的所有预报时效对应的所有超前时刻的区域组合索引方案信息,文件的存取格式如图6中例子所示,图6中顶端的目录和文件名信息中涵盖了预报要素、起报时间、预报站点的信息,文件中的头信息包含了预报时效数、实况时空因子的超前时效数和预报站点的经纬度和高程信息,文件依次存放每个预报时效对应的实况时空预报因子区域组合站群信息,包括:站群名称、相同超前时刻的站群数目、群内站点数、及各站点的经纬度信息和相关系数,其中站群名称中又包含了实况因子的观测变量名称、对应观测时间和超前时间、同一观测时间下的区域序号的信息;例如由图6中的文件目录、名称和内容能够看出,区域组合索引方案对应08时起报的050429站点的72小时内逐1小时气温预报,共选取了11个超前实况因子时效,以第1小时预报为例,对应12个超前的区域组合站群,其中第1个群包含25个站点,站群名称为“999OLttt20012001NNN”,其中“20012”表明对应的超前时刻比起报时间08时超前了12小时即前一天20时,“999”和“ttt”表明相关实况因子变量为地面站点气温,001表明为20时的第1个相关区域组合群,“NNN”为预留编码段;
站点的同一系统组合过程必须是针对同一超前时刻的相关站点群进行,不同时刻的站点不能混合进行。
步骤5、多源实况时空预报因子计算
在步骤3、步骤4的基础上,按照区域组合索引方案,计算建模和预报所需要的实况时空预报因子,用于数值预报模式解释应用过程,与模式预报因子一起,成为客观预报模型中的自变量;针对区域组合索引方案中的每个区域,定义和计算区域特征量,生成多源实况时空预报因子;特征量能够根据预报变量来设定,在目前的一个试验方案中,初步定义的特征量为:相关系数权重值、最大相关系数站点值这2个简单指标;相关系数权重值的计算参照公式(4),其中ns代表某组合区域内的站点总数,rj代表区域内第j个站点观测值与预报要素的相关系数,Vj代表第j个站点的观测值,Vr是相关系数权重值;
实况时空预报因子的计算和入库需要遵循入库规则,根据模式解释应用过程中模式预报因子的入库格式进行入库;一种在解释应用中行之有效的预报因子数据库格式为:第1层文件夹为3位预报要素代码,第二层文件夹为2位起报时次,第三层文件夹为4位数字的年份,每个文件夹中存放以站点、月份为单位的实况因子数据文件,及以站点、年份为单位的实况因子信息说明文件,如图7、图8所示;实况时空预报因子数据文件在实际运行中为二进制格式存取,按照日循环、时效循环、因子循环顺序存放,每个记录行只存放某日、某时效、某因子值,图7以文本格式示意说明实况时空预报因子文件的存放顺序;图8为实况因子信息说明文件存放格式的示例图,能够看到每个站点的年度实况因子信息说明文件保存了年度内每月日数、预报时效总数及每个预报时效对应的组合区域数目、每日本起报时次72个预报时效的全部实况因子总数、每个预报时效的多源实况因子数目、以及每个预报时效每个实况因子的因子名称信息,实况信息文件中因子名称目前包括19位:3位预报时效+2位因子类型+3位实况变量名称+2位实况变量观测时间+3位超前小时数+3位同观测时次的组合区域序号+3位特征量名称;其中第4-5位是大类定义位置段,其它位置为实况因子内部定义位置段。
步骤6、将多源实况时空预报因子纳入数值模式解释应用建立预报模型
步骤6.1、针对多个因子来源,设计统一的因子名称定义规则;对于不同来源的预报因子,包括数值模式预报因子、实况时空预报因子、及其他自定义因子,都需要遵守相同的因子名称定义规则、因子文件和存放路径的命名规范以实现多来源预报因子进入建模过程的同等优先级别;因子名称的定义规则,需要能够覆盖不同类别预报因子的内部和相互之间的功能区分,将因子名称分割为设置不同功能的位置段,预留足够长度和位数来纳入和周全不同类型预报因子的命名需求,当前设定为22位,如图9方程信息中因子名称所示,实况因子和模式因子具有相同位数;其中第4-5位是大类定义位置段,即2位因子类型,例如图9中因子类型码E2表示20时起报的欧洲中期天气预报中心数值模式预报因子,以下欧洲中期天气预报中心模式简称ECMWF模式,OL表示实况时空预报因子;其他位置为每类因子的内部定义位置段,实况因子包括:第1-3位和第19-22位均为预报时效段,第6-18位之间的13位分别为:3位实况变量名称+2位实况变量观测时间+3位超前小时数+3位同观测时次的组合区域序号+3位特征量名称;模式因子包括:第1-3位为预报垂直层次段,第6-22位之间的16位分别为:3位模式变量名称+1位基础变量表示为B或者拓展变量表示为E的区分码+9位预留模式扩展空间类因子定义码+3位因子在原模式中的预报时效;几类预报因子的存放路径都遵循如步骤5中实况因子的存放规则:如图7中顶端的文件目录信息所示,第1层文件夹为3位预报要素代码,第二层文件夹为2位起报时间,第三层文件夹为4位数字的年份;
步骤6.2、在数值模式解释应用过程的建模和预报系统中,设计多类型预报因子入口以实现多来源预报因子的纳入;多来源预报因子包括模式预报因子类型、实况时空预报因子类型、及其他自定义预报因子类型;在建模和预报系统中,设置根据外部参数文件中的因子种类数目及具体类型代码,分别按顺序打开不同种类因子的读入模块开关进行读入功能,不同类型因子的读取方法不完全相同,需要根据类型代码在系统程序中找到相应模块进行读取功能开关操作;
步骤6.3、利用多来源预报因子,建立解释应用预报模型;利用相同历史时期样本,例如三年同一季节样本,在相同因子名称定义和索引规则支撑下,将前期入库的各个种类因子,使用相同的因子筛选和建模方法,拟合预报模型;多元线性回归是当前最常用的解释应用方法,采用逐步回归方法在为数众多的因素中挑选变量,以建立最优回归方程;为满足最优回归的要求,在建立回归方程时进行因子筛选,使某些对因变量贡献大的因子随时进入方程,也就是使剩余方差下降最多的一个因子,对因变量贡献小的因子又随时剔出方程,引人一个变量或者从回归方程中剔除一个变量都称为逐步回归的一步,每一步都要进行F检验,也叫做双重检验的逐步回归技术;针对多元线性回归建模预报方法,开展了多源实况时空预报因子与数值模式预报因子的共同建模试验,预报模型方程如图9所示,同时包括了ECMWF模式因子E2和实况时空预报因子OL。
步骤7、开展实时天气预报
实时预报中,根据步骤6中建立的预报模型,通过符合定义规则的因子名称反向搜索各类预报因子进行预报;从如图9所示的预报方程文件信息出发,将实况因子名称与实况因子信息文件和数据进行索引链接,如图7、图8所示,将模式因子名称与模式因子信息文件及数据进行索引链接,从而实现实时预报流程。
需要提及的是,在多源实况时空预报因子提取和纳入模式解释应用方法的程序编写过程中,所有参数信息、以及需要读取的文件均进行外部参数设置,无须改动程序本身以达到推广扩充应用范围的需求。
本发明所述方法显著提高了过渡季节和冷季以及复杂地形区气温预报准确率;通过开展中国7250站72小时内逐1小时气温预报试验,评估结果表明,如图10、图11所示,不论直接基于ECMWF模式的解释应用预报,以下简称EC-MOS预报,还是进一步纳入实况时空预报因子的ECMWF模式解释应用预报,以下简称OBS-EC-MOS预报,预报准确性均显著高于直接插值得到的ECMWF模式原始预报,以下简称EC-DMO预报,预报误差在2度以内的预报准确率更高,如图10所示,平均绝对误差更小,如图11所示;由图10能够看到,纳入实况时空预报因子后的逐1小时OBS-EC-MOS预报,又在EC-MOS的基础上进一步显著提高预报准确性,误差在2度以内的预报准确率大幅提高,尤其是气温变幅较大的过渡季节春季和秋季如图10(a)和图10(c),以及冷季冬季如图10(d),预报性能十分卓越,实况超前空间预报因子的改进作用能够一直延长至72小时,夏季预报性能的提高体现在临近时段和64小时以后如图10(b);而且OBS-EC-MOS预报在加入实况时空预报因子后,以最为优秀的性能显著克服了EC-DMO预报在地形复杂地区的预报弱势,如图11(a)、图11(c)所示,这方面的表现比EC-MOS也好很多,如图11(b)、图11(c)所示,OBS-EC-MOS预报大幅减小地形梯度大值地区的平均绝对误差,例如青藏高原边缘、新疆天山山脉边缘、阿尔泰山山脉边缘、太行山边缘、大兴安岭边缘、长白山边缘、以及东南丘陵地区。另外,与当前国家气象中心为各省实时业务下发的指导预报中的3小时气温预报相比,如图12所示,OBS-EC-MOS在各个季节均显著优于指导预报,OBS-EC-MOS气温预报的2度内误差准确率远高于指导预报,只有夏季个别时效出现指导预报略高的情况。
另外,本发明所述方法显著提高了不连续变量降水在临近时效的预报性能;通过开展中国2150个站点春季和夏季临近3小时降水预报试验,评估结果表明,如图13所示,春季和夏季,不论直接基于ECMWF模式的解释应用预报,以下简称EC-MOS降水预报,还是进一步纳入实况时空预报因子的ECMWF模式解释应用预报,以下简称OBS-EC-MOS降水预报,TS评分均显著高于直接插值得到的ECMWF模式原始预报,以下简称EC-DMO降水预报,TS评分是用来表征出现某量级降水的预报准确性的检验参数,TS评分越高表明某量级降水预报准确性越高,对于小雨以上降水即3小时降水大于等于0.1mm,中雨以上降水即3小时降水大于等于3mm,大雨以上降水即3小时降水大于等于10mm,都是EC-MOS预报和OBS-EC-MOS预报的TS评分比EC-DMO预报更高;而纳入实况时空预报因子后,不论是小雨以上降水、中雨以上降水还是大雨以上降水,OBS-EC-MOS降水预报的TS评分都进一步显著高于EC-MOS降水预报。另外,与国家气象中心向各省实时业务下发的指导预报中的3小时降水预报以下简称指导报相比,不论春季还是夏季,OBS-EC-MOS降水预报的小雨和中雨以上降水的TS评分都明显优于指导报,春季大雨以上降水的TS评分也是OBS-EC-MOS降水预报比指导报更高。
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公开的范围内,能够轻易想到的变化或替换,都应涵盖在本发明权利要求的保护范围内。
Claims (6)
1.一种多源实况时空预报因子提取及纳入模式解释应用的方法,其特征在于,包括以下步骤:
步骤1、选择实况时空预报因子信息源;当预报要素确定后,根据预报要素属性、天气学原理以及预报经验,分析对预报要素最有预报指示意义的观测实况信息种类,并且结合实况信息源的可用性和可靠性,考虑观测资料是否每个观测时次都能及时送达、观测数据的正确率、以及是否有足够长时间的历史存档资料,来选择确定实况时空预报因子信息源,以备提取作为预报因子纳入数值模式解释应用建模预报过程;
步骤2、筛选多源实况时空预报因子站群,用于求取多源实况时空预报因子的站群和预报站群并不是相同的站群,是由两个独立的选取过程分别产生的站群,其中实况时空预报因子站群的选取空间范围应当覆盖影响预报站点天气的大气系统活动范围;
步骤3、计算存储超前空间相关信息
利用3年以上的历史气象观测实况资料,按照季节进行样本分类,针对每个季节进行单独统计,当选定一个季节时,针对每个建模站点在每个起报时次的每个预报时效,求取预报要素真值与时间上超前、空间上相关的站点观测量的相关信息;预报要素真值是预报站点在预报时刻的预报要素观测真值,预报时刻是以起报时间为准对应预报时效推算确定的;求取相关实况信息过程中时间上的超前也是相对于起报时间的超前而言的;空间上相关是指对应超前时刻考察空间范围内观测信息与预报要素真值相关的站点;而能够考虑作为因子的实况信息是地面站点观测、探空观测、雷达、以及卫星资料中任何种类的多源观测资料;
步骤4、区域组合索引方案提取
由历史实况资料统计得到的超前空间相关系数,将会出现多个超前时间点和大量空间点的相关系数都超过阈值,为了排除解释应用过程中预报因子之间的过分相关性,并且提高因子计算、建模和预报过程中的计算效率,需要将超前时段内的实况预报因子进行空间范围的整合,合并原本属于同一个天气影响系统下的实况因子,使用相同象限、相近距离和尊重最大相关信息的原则,检索同一超前时刻属于同一个天气系统的多个超过显著性检验的相关站点进行整合,整合为具备区域代表性和尽量精简的区域,在此基础上计算和提取区域的预报因子特征量;
步骤5、多源实况时空预报因子计算
在步骤3、步骤4的基础上,按照区域组合索引方案,计算建模和预报所需要的实况时空预报因子,用于数值预报模式解释应用过程,与模式预报因子一起,成为客观预报模型中的自变量;针对区域组合索引方案中的每个区域,定义和计算区域特征量,生成多源实况时空预报因子;特征量能够根据预报要素来设定,特征量为:相关系数权重值、最大相关系数站点值这2个简单指标;相关系数权重值的计算参照公式(4),其中ns代表某组合区域内的站点总数,rj代表区域内第j个站点观测值与预报要素的相关系数,Vj代表第j个站点的观测值,Vr是相关系数权重值;
实况时空预报因子的计算和入库需要遵循入库规则,根据模式解释应用过程中模式预报因子的入库格式进行入库;一种在解释应用中行之有效的预报因子数据库格式为:第1层文件夹为3位预报要素代码,第二层文件夹为2位起报时次,第三层文件夹为4位数字的年份,每个文件夹中存放以站点、月份为单位的实况因子数据文件,及以站点、年份为单位的实况因子信息文件,实况时空预报因子数据文件在实际运行中为二进制格式存取,按照日循环、时效循环、因子循环顺序存放,每个记录行只存放某日、某时效、某因子值;实况因子信息文件为文本文件格式,保存了年度内每月日数、预报时效总数和每个预报时效对应的组合区域数目、每日当前起报时次72个预报时效的全部实况因子总数、每个预报时效的多源实况时空预报因子数目、以及每个实况因子的因子名称信息;
步骤6、将多源实况时空预报因子纳入数值模式解释应用建立预报模型:
步骤6.1、针对多个因子来源,设计统一的因子名称定义规则;对于不同来源的预报因子,包括数值模式预报因子、实况时空预报因子、及其他自定义因子,都需要遵守相同的因子名称定义规则、因子文件和存放路径的命名规范,以实现多来源预报因子进入建模过程的同等优先级别;因子名称的定义规则,需要能够覆盖不同类别预报因子的内部和相互之间的功能区分,将因子名称分割为设置不同功能的位置段,预留足够长度和位数来纳入和周全不同类型预报因子的命名需求,当前设定为22位;
步骤6.2、在数值模式解释应用过程的建模和预报系统中,设计多类型预报因子入口以实现多来源预报因子的纳入;多来源预报因子包括模式预报因子类型、实况时空预报因子类型、及其他自定义预报因子类型;在建模和预报系统中,设置根据外部参数文件中的因子种类数目及具体类型代码,分别按顺序打开不同种类因子的读入模块开关进行读入功能,不同类型因子的读取方法不完全相同,需要根据类型代码在系统程序中找到相应模块进行读取功能开关操作;
步骤6.3、利用多来源预报因子,建立解释应用预报模型,利用相同历史时期样本,在相同因子名称定义和索引规则支撑下,将前期入库的各个种类因子,使用相同的因子筛选和建模方法,拟合预报模型;多元线性回归是当前最常用的解释应用方法,采用逐步回归方法在为数众多的因素中挑选变量,以建立最优回归方程;为满足最优回归的要求,在建立回归方程时进行因子筛选,使某些对因变量贡献大的因子随时进入方程,也就是使剩余方差下降最多的一个因子,对因变量贡献小的因子又随时剔出方程,引入一个变量或者从回归方程中剔除一个变量都称为逐步回归的一步,每一步都要进行F检验,也叫做双重检验的逐步回归技术;
步骤7、开展实时天气预报;
实时预报中,根据步骤6中建立的预报模型,通过符合定义规则的因子名称反向搜索各类预报因子进行预报;从预报方程文件信息出发,将实况因子名称与实况因子信息文件和数据进行索引链接,模式因子名称与模式因子信息文件及数据进行索引链接,从而实现实时预报流程。
2.根据权利要求1所述的一种多源实况时空预报因子提取及纳入模式解释应用的方法,其特征在于,所述步骤2的实况时空预报因子站群的选取包括以下步骤:
步骤2.1、统计实况站点资料的到报率,即在历史样本期内按照业务规定推送到达时刻能够准时到达的观测实况次数占比,在实时预报中的起报时次前的规定时间内实况信息应当到报,而不影响预报过程;首先对实况数据的到报情况进行实时监控和统计,确定观测站点实况资料的到报率,选出到报率达到要求的站点群,以备后续步骤进一步挑选;
步骤2.2、确定实况时空因子站点密度及总数,根据实时运行业务对于预报产品生成时效要求,考虑前端数值模式预报产品和实况资料的到位时间,规划预报系统整体流程中所有环节的运行速度和效率,与最大化捕捉实况精细信息需求进行平衡,确定实况时空预报因子能够承载的站点密度和总数量;
步骤2.3、择选均匀分布的实况时空预报因子站群;为了择选出均匀实况站群以便能够捕捉前期具有预报意义的多源实况时空预报因子,采用控制站间距离的方法从稠密观测站群中挑选;具体的选取步骤为,根据步骤2.2中确定的站点密度来预估站间距离阈值,从步骤2.1中选出的满足到报率需求的有效搜索站群中选取第一个站点作为选中站点,去除有效搜索站群中与选中站点的阈值距离内的站点;剩余站点再次成为有效搜索站群,重复上面步骤,直到有效站群的站点数目变为0,所有选中的站点就成为所需要的均匀等距站群;当站点总数超过步骤2.2中预期数目,则增大预估站间距离阈值,再次重复步骤2.3生成新的均匀等距站群,直到站点总数满足要求。
3.根据权利要求1所述的一种多源实况时空预报因子提取及纳入模式解释应用的方法,其特征在于,所述步骤4包括以下步骤:
步骤4.1、针对同一预报站点的同一预报时效,以预报站点坐标为准,将同一超前时刻的显著相关实况站点划分至4个象限,每个象限中搜索最大相关系数站点,当最大相关系数超过事先设定的大值阈值,则单独作为一个因子站点,站点实况值直接作为初选预报因子进入解释应用过程;当最大相关系数成为单独因子,则在剩下的显著相关站群中再次寻找最大相关系数;
步骤4.2、以象限内最新搜索出的最大相关系数站点坐标为基准站点,搜索指定半径内所有相关站点进入同一区域站点群,其中距离的计算参照公式(3),其中(xi,yi)和(xj,yj)代表基准站点和被搜索站点的经纬度坐标,d就是基准站点和被搜索站点之间的距离;之后以新的入选站点为基点,同样搜索半径搜索入选站点,往复循环,直到不再有新的站点进入为止,入选站点群为一个区域集合;
步骤4.3、在同一象限的剩余站点中再次选取最大相关系数站点,以站点坐标为准,重复步骤4.2中搜索过程,生成新的区域集合;反复循环,直到完成同一象限所有超过相关系数阈值的站点的区域组合;
步骤4.4、更换其他象限,重复步骤4.1至步骤4.3,完成所有象限的区域组合;当在步骤4.2中发生跨象限检索进入站点是允许的,在剩余有效搜索站群中去除已经入选站点从而不会出现同一站点重复入群的现象;至此,得到同一预报站点同一预报时效、同一超前时刻的所有区域组合索引方案信息;
步骤4.5、更换其他超前时刻,重复步骤4.1至步骤4.4,得到同一站点同一预报时效的所有超前时刻的区域组合索引方案信息;
步骤4.6、针对所有预报站点的所有预报时效,重复步骤4.1至步骤4.5,得到用于实况时空预报因子的提取和计算的所有区域组合索引方案信息,生成的索引方案信息以每个预报站点一个文件的形式进行保存,存放这个预报站点的所有预报时效对应的所有超前时刻的区域组合索引方案信息;
站点的同一系统组合过程必须是针对同一超前时刻的相关站点群进行,不同时刻的站点不能混合进行。
4.根据权利要求1所述的一种多源实况时空预报因子提取及纳入模式解释应用的方法,其特征在于,所述步骤1中,当预报要素为降水,考虑卫星云量反演实况、地面气象站常规观测云量实况、地面降水观测实况信息源;当预报要素为气温,则考虑地面气象站的观测气温、气温变化、及地面气压变化。
5.根据权利要求1所述的一种多源实况时空预报因子提取及纳入模式解释应用的方法,其特征在于,所述步骤3中,设定预报要素为Y,实况因子为X,起报时间为t0,预报时效有TF个,预报站点共SF个,备选实况时空预报因子站群共包含SO个站点,超前时刻共包含TO个,那么对于起报时次t0,需要求取SF个预报站点的TF个预报时效的预报要素Y,与SO个实况因子站点中每个站点、TO个超前时刻每个时刻的实况因子X的相关系数,
其中第m个预报站点、第n个预报时效的预报要素Y(m,n)与第i个因子站点、第j个超前时刻的实况因子X(i,j)的相关系数r(Y(m,n),X(i,j))的求取,按照以下公式(1):
其中,m=1,2,3……,SF;n=1,2,3……,TF;i=1,2,3……,SO;j=1,2,3……,TO;Cov(X(i,j),Y(m,n))为X(i,j))与Y(m,n)的协方差,Var[X(i,j)]为X(i,j)的方差,Var[Y(m,n)]为Y(m,n)的方差;相关系数的计算样本取3年左右同一季节的样本量;根据样本数量K,需要通过t检验法,计算通过显著水平α=0.05显著性检验的最小相关系数阈值rc,见以下公式(2),其中tα为学生氏随机变量t在自由度为K-2时对应显著水平α=0.05的临界值,rc是样本量为K时通过显著水平α=0.05显著性检验的最小相关系数阈值;在通过显著性检验的即大于rc的相关系数中,再根据显著相关站点的数量和运行承载量,当通过显著性检验的相关站点太多时,则设置另外一个大于等于rc的阈值rl,只保留存储超过新设定阈值rl的超前空间相关站点信息及相关系数信息,以备下一步进行临近相似区域组合;
6.根据权利要求1所述的一种多源实况时空预报因子提取及纳入模式解释应用的方法,其特征在于,在多源实况时空预报因子提取和纳入模式解释应用方法的程序编写过程中,所有参数信息、以及需要读取的文件均进行外部参数设置,无须改动程序本身以达到推广扩充应用范围的需求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910232322.1A CN110245773B (zh) | 2019-03-26 | 2019-03-26 | 一种多源实况时空预报因子提取及纳入模式解释应用的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910232322.1A CN110245773B (zh) | 2019-03-26 | 2019-03-26 | 一种多源实况时空预报因子提取及纳入模式解释应用的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110245773A CN110245773A (zh) | 2019-09-17 |
CN110245773B true CN110245773B (zh) | 2021-06-25 |
Family
ID=67883101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910232322.1A Active CN110245773B (zh) | 2019-03-26 | 2019-03-26 | 一种多源实况时空预报因子提取及纳入模式解释应用的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110245773B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232675B (zh) * | 2020-10-16 | 2021-09-21 | 中国气象局气象探测中心 | 一种组合风场评估方法、装置和系统 |
WO2023060466A1 (zh) * | 2021-10-13 | 2023-04-20 | 中山大学 | 一种基于确定性系数的降水预报能力与遥相关作用关联方法 |
CN114563834B (zh) * | 2022-04-27 | 2022-07-26 | 知一航宇(北京)科技有限公司 | 一种数值预报产品解释应用方法及系统 |
CN117132176B (zh) * | 2023-10-23 | 2024-01-26 | 长江三峡集团实业发展(北京)有限公司 | 基于预报因子筛选的径流预报模型构建和径流预报方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104849776A (zh) * | 2014-12-08 | 2015-08-19 | 国家电网公司 | 一种结合动态修正的电网高低温精细化预警方法 |
CN106251022A (zh) * | 2016-08-08 | 2016-12-21 | 南京信息工程大学 | 一种基于多因子的多参数相似集合的短期气候预测方法 |
CN106803129A (zh) * | 2015-11-26 | 2017-06-06 | 中国电力科学研究院 | 一种基于多源数值天气预报的风电功率集合预测方法 |
CN109241161A (zh) * | 2018-08-09 | 2019-01-18 | 深圳市雅码科技有限公司 | 一种气象数据管理方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3475729B1 (en) * | 2016-06-24 | 2024-01-17 | The Tomorrow Companies Inc. | Real-time precipitation forecasting system |
US10330655B2 (en) * | 2017-01-11 | 2019-06-25 | International Business Machines Corporation | Air quality forecasting based on dynamic blending |
CN108375808A (zh) * | 2018-03-12 | 2018-08-07 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的大雾预报方法 |
-
2019
- 2019-03-26 CN CN201910232322.1A patent/CN110245773B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104849776A (zh) * | 2014-12-08 | 2015-08-19 | 国家电网公司 | 一种结合动态修正的电网高低温精细化预警方法 |
CN106803129A (zh) * | 2015-11-26 | 2017-06-06 | 中国电力科学研究院 | 一种基于多源数值天气预报的风电功率集合预测方法 |
CN106251022A (zh) * | 2016-08-08 | 2016-12-21 | 南京信息工程大学 | 一种基于多因子的多参数相似集合的短期气候预测方法 |
CN109241161A (zh) * | 2018-08-09 | 2019-01-18 | 深圳市雅码科技有限公司 | 一种气象数据管理方法 |
Non-Patent Citations (4)
Title |
---|
Integrating NWP Forecasts and Observation Data to Improve Nowcasting Accuracy;Laura X. Huang 等;《Weather and Forecasting》;20120831;第27卷;第938-853页 * |
京津冀地区强对流天气特征和预报技术研究;闵晶晶;《中国博士学位论文全文数据库 基础科学辑》;20120915(第09期);第A009-22页 * |
基于GIS的气象资料分析预报系统设计及其在中尺度模式中的应用;张思进;《中国优秀硕士学位论文全文数据库 基础科学辑》;20111015(第10期);第A009-21页 * |
超前空间实况因子MOS预报法及逐小时预报应用;赵瑞霞 等;《第33届中国气象学会年会 S1 灾害天气监测、分析与预报》;20161104;第1-3页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110245773A (zh) | 2019-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245773B (zh) | 一种多源实况时空预报因子提取及纳入模式解释应用的方法 | |
CN109840587B (zh) | 基于深度学习的水库入库流量预测方法 | |
Daly et al. | Up-to-date monthly climate maps for the conterminous United States | |
CN109856702B (zh) | 一种基于聚类的降水日变化类型划分与空间分布提取方法 | |
KR101383617B1 (ko) | 일사량 예측 방법 및 장치 | |
CN110097220B (zh) | 一种风力发电月度电量预测方法 | |
CN112114384B (zh) | 一种输电线覆冰发生概率预报方法 | |
Chardon et al. | Spatial similarity and transferability of analog dates for precipitation downscaling over France | |
CN112949953B (zh) | 基于pp理论和af模型的暴雨预报方法 | |
CN113361742A (zh) | 一种基于水文模拟的区域综合干旱识别方法 | |
CN116128150A (zh) | 一种基于两级优化的光伏智能出力预测方法 | |
KR100920529B1 (ko) | 염해 오손 예측 방법 | |
CN111651411A (zh) | 一种复杂地形遥感土壤水分产品降尺度方法 | |
van der Most et al. | Extreme events in the European renewable power system: Validation of a modeling framework to estimate renewable electricity production and demand from meteorological data | |
CN112380499B (zh) | 一种区域自动气象站客观分群方法 | |
CN103778564A (zh) | 一种设施农业气象预警轻量地理分析方法 | |
CN115587664B (zh) | 基于图卷积长短期记忆网络的太阳辐射预测方法及系统 | |
CN114547991B (zh) | 基于气候变化的城市排水系统规划设计优化系统 | |
Förster et al. | A snow and ice melt seasonal prediction modelling system for Alpine reservoirs | |
CN115759470A (zh) | 一种基于机器学习的航班飞行全过程燃油消耗预测方法 | |
CN110083669B (zh) | 一种OpenStreetMap城市建筑数据的完整区域提取方法及系统 | |
CN112561140A (zh) | 基于东亚副热带急流和极锋急流协同变化的中国四季降水预测方法 | |
Jones et al. | Construction of high spatial resolution climate scenarios for the Falkland Islands and southern Patagonia | |
CN117851927B (zh) | 一种基于随机森林与气象数据的云预测方法 | |
CN116882780B (zh) | 一种基于景观图片的乡村空间要素提取与地方性分类规划方法 |
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 |