CN110263392A - 基于多模式分区误差检验的风场预报方法及其系统 - Google Patents

Abstract

本发明提供了基于多模式分区误差检验的风场预报方法及其系统，包括：获取实况数据、数值模式数据和区域，将数据统一转换为网格格点数据；根据实况数据对区域进行分区，利用最邻近规则挑选出每个分区中所包含的站点；利用数值模式数据读取站点的预报数据及对应的实时数据得到分区的预报因子及结果，通过订正方法对预报因子及结果进行订正得到订正方案；根据网格格点数据对站点信息进行误差分析得到分区的最优模式；根据分区的最优模式得到未订正最优模式预报，利用订正方案根据分区的最优模式得到订正最优模式预报，根据网格格点数据得到基础模式预报；根据订正最优预报模式、未订正最优预报模式以及基础预报模块对风场进行预报。

Description

基于多模式分区误差检验的风场预报方法及其系统

技术领域

本发明涉及天气预报领域，尤其涉及一种基于多模式分区误差检验的风场预报方法及其系统。

背景技术

美国国家海洋和大气管理局国家环境预报中心的杜钧在《天气预报的三次跃进》中指出：回顾过去100多年，天气预报经历了两次跃进：第一次是地面和高空天气图的绘制和应用(空间上的跃进)，第二次是数值预报的实施(时间上的跃进)。经过这两次跃进，天气预报已经走过了从经验和定性描述到今天定量计算的一门数理学科。洛伦兹发现大气混沌现象后，天气预报正在经历从单一确定论到多值概率论的第三次跃进，并试图通过量化或简化不确定因素来提高天气的可预报性和降低预报的不确定性。现在的数值预报模式不仅可以预报大尺度天气形势，而且可以直接预报各类气象要素和小尺度系统，如温度、湿度、风、雨雪、冰雹、雾、能见度、雷电、云底高度、对流云项、晴空湍流、飑线、超级单体，甚至龙卷风个体等，使天气预报的水平大大提高。有些有影响的人认为计算机应该用于统计预报而不是动力预报。但随着信息技术的发展，尤其是云平台、大数据、神经网络等智能技术的出现，计算机已广泛应用于统计预报、概率预报、动力预报，甚至向智能预报的方向发展。福建省网格预报准确率目前在全国排名前列，从2013年福建省就开始了智能网格气象预报技术研究，目前研究的多种释用技术和方案包括：应用最优训练期方案、最优模式方案、插值的最优有效影响半径、要素优选方案、最优TS评分法、基于温度要素的降水分组订正、温度与露点温度双订正等。根据《全国智能网格气象预报业务2017年工作方案》，围绕提高气象预报准确率和精细化水平的核心目标，推进智能网格气象预报业务向无缝隙、精准化、智慧型方向发展。河北省气象局制定了《河北省智能网格气象预报业务2017年工作方案实施细则》，并以河北省集约化综合气象业务平台为依托，不断完善智能网格预报的研发工作。近年来，引进了INCA、LAPS、BJ-ANC等多套短临分析预报系统；建立了HB-WRF、GRAPES-RAFS中尺度数值预报系统；建立了融合主观和客观、分辨率为5公里3小时、预报时效为12－96小时的格点预报业务，且智能网格预报72小时预报时效内的时空分辨率分别达到了1小时和1公里。实施细则中明确指出强化市县级在应用智能网格预报服务“一张网”中的重要作用，并明确省气象台、各市气象局研发不同要素间一致性订正方案并应用于预报要素一致性处理；完善基于实况或短临产品的滚动订正技术，实现降水、温度、湿度、风向风速等滚动订正；持续优化改进MOS预报、多模式集成等技术方案，特别是完善云量、风等要素的网格预报技术。数值天气预报NWP(numerical weather prediction)是指根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法。从学科发展史来看，数值天气预报(NWP)是气象科学较新的领域。从20世纪50年代科研人员利用计算机进行NWP研究取得成功，随后陆续在各国气象预报中心投入业务化运行，至今还不到一个甲子。然而，目前NWP对于整个气象科学和气象预报业务的发展已经起到举足轻重的作用。由中国气象局数值预报中心和上海区域高分辨率数值预报中心联合创建的“数值预报云”平台，围绕提高数值预报准确率和精细化水平的核心目标，应用云技术、大数据、互联网+、智能化等信息技术，建立以区域高分辨率数值预报系统为核心的集约化数值预报格点数据应用业务体系。通过统一标准、统一数据和统一管理的集约化众创型数值预报专业云平台，形成数值预报业务、科研等的“云+端”应用模式，提升气象信息化技术和现代化气象服务水平，加快推进数值预报格点应用向无缝隙、精准化、智慧型方向发展。

目前对最低最高温度的格点预报已经进行了很多相关的研究，对于10米风场等相关研究则相对较少。由于风场的矢量特征性，对其预报的难度则相应增加。随着网格预报的逐步推广及应用，地市级的网格预报准确率必将成为发展的方向。持续优化改进MOS预报、多模式集成等技术方案，特别是完善云量、风等要素的网格预报技术等网格预报还有很大的提升空间。

发明内容

本发明目的在于提供基于多模式分区误差检验的风场预报方法，包括以下步骤：

获取数据和区域，数据包括实况数据和数值模式数据，经过网格标准化转换程序将数据统一转换为网格格点数据；

根据实况数据对区域进行分区，并且利用最邻近规则，挑选出每个分区中所包含的站点以及站点信息；

利用数值模式数据读取站点的预报数据及对应的实时数据得到分区的预报因子及结果，并通过订正方法对预报因子及结果进行订正得到订正方案；

根据网格格点数据对站点信息进行误差分析得到分区的最优模式；

根据分区的最优模式得到未订正最优模式预报，利用订正方案根据分区的最优模式得到订正最优模式预报，根据网格格点数据得到基础模式预报；

根据订正最优预报模式、未订正最优预报模式以及基础预报模块对风场进行预报。

优选地，数值模式数据包括EC数值模式数据、GRAPES数值模式数据、JAPAN数值模式数据和GER数值模式数据。

优选地，网格格点数据为0.05*0.05网格距的网格格点数据。

优选地，采用K-均值分区方法根据实况数据对区域进行分区。

优选地，站点信息包括站号、距离最近网格横向位置、距离最近网格竖向位置、所属网格。

优选地，对预报因子及结果进行订正的方法包括最小二乘法和BP神经网络方法。

优选地，对风场进行预报得到预报结果后还需要对预报结果进行检验，检验包括风向检验、风速检验、风力预报综合准确个数和网格绝对误差。

优选地，风向采用按8方位的划分进行检验，给出风向预报正确个数。

优选地，风速采用分级别检验，主要包括所有级别、≤6级、6-8级和≥8级分别进行检验，给出风速等级预报正确个数。

依托于上述方法，本发明还提供了一种基于多模式分区误差检验的风场预报系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一方法的步骤。

本发明对风场预报结果进行检验，风向预报、风速、风速等级、风力预报综合准确个数和网格绝对误差的计算预报准确率和平均绝对误差均比传统方法有了较大的提升。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，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是本发明优选实施例的基于多模式分区误差检验的风场预报方法流程图。

图2是本发明优选实施例的基于多模式分区误差检验的风场预报方法生成的fq_WIND1.txt文件示例图；

图3是本发明优选实施例的基于多模式分区误差检验的风场预报方法生成的分区散点图；

图4是本发明优选实施例的基于多模式分区误差检验的风场预报方法生成的叠加色斑的散点图；

图5是本发明优选实施例的基于多模式分区误差检验的风场预报方法生成的流场图；

图6是本发明优选实施例的基于多模式分区误差检验的风场预报方法生成的fqHistory_EC_WIND0.txt文件示例图；

图7是本发明优选实施例的基于多模式分区误差检验的风场预报方法生成的生成的误差文本具体格式示例图。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

本发明实施例首先公开了一种基于多模式分区误差检验的风场预报方法，该方法可运行于基于windows平台的电脑等多客户端上，其具体表现形式包括但不限于基于相应平台所开发及加载的应用APP及其配套硬件的组合。应用APP采用PYTHON语言开发。如图1所示，该方法包括：

S1：获取数据和区域，数据包括实况数据和数值模式数据，经过网格标准化转换程序将数据统一转换为网格格点数据。

实况数据来源于公服中心LAPS数据源，EC、GRAPES、JAPAN、GER四家数值模式数据则主要来源于CIMISS数据源，少部分数据来源于M4分布式数据库。经过网格标准化转换程序统一转换为0.05*0.05网格距的网格格点数据。本实施例中M为7，即利用过去7天数据进行分区与误差分析比对；N为3，即将研究区域分为3个分区。公服中心LAPS数据源即中国气象局公服中心提供的实况网格格点数据。网格距为以°为单位的经纬度网格。

S2：根据实况数据对区域进行分区，并且利用最邻近规则，挑选出每个分区中所包含的站点以及站点信息。

分区的运行时间为7:02和13:02，此部分运行大约2-3分钟。首先从公服LAPS数据源读取实况网格数据，利用过去7天风速实况数据，采用K-均值分区方法，将研究区域分为3个分区，并生成如图3和图4所示的分区散点图、色斑散点图及分区文件，同时利用最邻近格点规则，挑选出每个分区中所包含的国家站站点，生成各个分区站点列表文件。

本实施例中生成的站点文件包括fq_WIND0.txt、fq_WIND1.txt、fq_WIND2.txt 3个分区站点列表文件以及fQDATA_WIND、FQ_HD_WIND20190401080000_7days(2).png以及FQ_HD_WIND20190401080000_7days(3).png文件，分区站点列表文件具体格式如图2，列信息分别为站号、距离最近网格横向位置、距离最近网格竖向位置、所属网格；fQDATA_WIND文件为保存的分区文件，以便后期调用；FQ_HD_WIND20190401080000_7days(2).png、FQ_HD_WIND20190401080000_7days(3).png文件为分区散点图及叠加色斑的散点图，如图3和图4所示。

S3：利用数值模式数据读取站点的预报数据及对应的实时数据得到分区的预报因子及结果，并通过订正方法对预报因子及结果进行订正得到订正方案。

该部分运行时间为分区运行之后运行，即在7:02及13:02之后，此部分运行大约1-2小时。首先利用第一步分区得到的分区站点文件，利用EC、GRAPES、JAPAN、GER四家数值模式站点数据，通过读取过去7天08、20时效的006、012、018、024的相应站点预报数据及相应时刻的实况数据，得到四种模式下的三个分区下的预报因子及结果文件，为建模提供了数据支撑，得到fqHistory_EC_WIND0.txt、fqHistory_EC_WIND1.txt、fqHistory_EC_WIND2.txt文件。随后利用最小二乘法(以下简称LSE)和BP神经网络(以下简称BP)方法，分别对上述数据文件建立相关模型订正方案，生成各分区各模式下10米u及10米v的LSE及BP订正模型，10米u及10米v的LSE及BP订正模型对应的文件包括EC_BPmodel1_WIND0、EC_BPmodel1_WIND1、EC_BPmodel1_WIND2、EC_BPmodel2_WIND0、EC_BPmodel2_WIND和EC_BPmodel2_WIND2以及EC_LSEmodel1_WIND0、EC_LSEmodel1_WIND1、EC_LSEmodel1_WIND2、EC_LSEmodel2_WIND0、EC_LSEmodel2_WIND和EC_LSEmodel2_WIND2。其中fqHistory_EC_WIND0.txt为EC模式下的第一个分区的建模数据文件，fqHistory_EC_WIND1.txt为EC模式下的第二个分区的建模数据文件，fqHistory_EC_WIND2.txt为EC模式下的第三个分区的建模数据文件；具体文件格式如图5：文件中每一行数据为一组数据，各个模式所包含的因子列数不同，但是最后两列均为实际的10米u、10米v数据。针对每一个模式，同时会生成每个分区下的10米u及10米v模型，其中EC_BPmodel1_WIND0、EC_BPmodel1_WIND1、EC_BPmodel1_WIND2分别为EC模式下的10米u的BP神经网络订正方案下的第一个、第二个、第三个分区的模型文件；EC_BPmodel2_WIND0、EC_BPmodel2_WIND1、EC_BPmodel2_WIND2分别为EC模式下的10米v的BP神经网络订正方案下的第一个、第二个、第三个分区的模型文件；EC_LSEmodel1_WIND0、EC_LSEmodel1_WIND1、EC_LSEmodel1_WIND2分别为EC模式下的10米u的LSE订正方案下的第一个、第二个、第三个分区的模型文件；EC_LSEmodel2_WIND0、EC_LSEmodel2_WIND1、EC_LSEmodel2_WIND2分别为EC模式下的10米v的LSE神经网络订正方案下的第一个、第二个、第三个分区的模型文件；上述文件的建立保存，以便后期能够快速调动模型使用。其它模式生成文件类似。若没有生成分区站点文件或者没有生成建模所需文件等问题，则默认跳过，不生成模型订正文件，均采用不订正方案。

S4：根据网格格点数据对站点信息进行误差分析得到分区的最优模式。

S5：根据分区的最优模式得到未订正最优模式预报，利用订正方案根据分区的最优模式得到订正最优模式预报，根据网格格点数据得到基础模式预报。

该部分运行时间为8:52及15:06，大约此部分运行10-20分钟时间。其中8:52生成的为前一日20点起报的每隔6小时的预报，15:06生成的为当日08时起报的每隔6小时的预报，预报的时效主要包括000、006、012、018、024、030、036、042、048、054、060、066、072、078、084、090、096、102、108、114、120、126、132、138、144、150、156、162、168时效的10米U、10米V及10米风场，此部分主要生成七种预报产品，分为三部分。第一部分为EC、GRAPES、JAPAN、GER四家数值模式的直接预报产品；第二部分为未进行订正的最优模式预报，即读取每个分区最优模式的预报数据，直接将不同分区组合成完整的区域的预报；第三部分为采用订正方法后的最优模式预报，即读取每个分区最优模式后，将读取的预报数据采用最小二乘法、BP神经网络方法进行订正，得到订正后的预报产品，最后再将不同分区组合成完整的区域的预报。其中第二、第三部分在挑选最优模式时，需要提前对过去7天的风速误差进行分析比对，将误差最小的模式定为最优模式。上述所生成的预报产品，均以MICAPS第4类及第11类格式存储在本地，以方便使用MICAPS使用，命名方式为19040109.000等；同时生成插值到相应站点的站点预报TXT产品；同时生成相应的流场图片，如图6所示；由于EC、GRAPES、JAPAN、GER四家数值模式的预报时效不尽相同，因此第一天-第二天用EC、GRAPES、JAPAN、GER等4家模式，第三天-第四天用EC、GRAPES、JAPAN等3家模式，其它时效预报全部使用EC模式数据。同时考虑在提取预报时发现EC模式部分时次造成缺测，则使用GER模式，若均缺测，则跳过该时次；在提取预报时发现GER模式部分时次造成缺测，则使用EC模式，若均缺测，则跳过该时次。

S6：根据订正最优预报模式、未订正最优预报模式以及基础预报模块对风场进行检验。

该部分运行时间为10:40及21:40，大约此部分运行3-5分钟时间。该模块针对前4天的72时效内的风场预报结果进行检验数据输出。其中风向采用按8方位的划分进行检验，给出风向预报正确个数；风速采用分级别检验，主要包括所有级别、≤6级、6-8级和≥8级分别进行检验，给出风速等级预报正确个数；同时给出风力预报综合准确个数和网格绝对误差，上述数据的给出方便后期计算预报准确率和平均绝对误差。其中给出的文件包括EC_WIND_wucha1.txt-EC_WIND_wucha4.txt以及GER_WIND_wucha1.txt-GER_WIND_wucha4.txt。其中EC_WIND_wucha1.txt为所有级别下的误差文本；EC_WIND_wucha2.txt为≤6级下的误差文本；EC_WIND_wucha3.txt为6-8级下的误差文本；EC_WIND_wucha4.txt为≥8级下的误差文本。图7中具体生成的格式为时间、时效、风速等级预报正确个数、风向预报正确个数、同时预报正确个数、风速分等级个数、格点总个数、网格绝对误差。

依托于上述方法，本实施例还提供了一种基于多模式分区误差检验的风场预报系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一方法的步骤。

在系统整体框架及流程中提到预报检验模块，该模块主要针对前4天的72时效内的风场预报结果进行检验数据的输出。其中风向采用按8方位的划分进行检验，给出风向预报正确个数；风速采用分级别检验，主要包括所有级别、≤6级、6-8级和≥8级分别进行检验，给出风速等级预报正确个数；同时给出风力预报综合准确个数和网格绝对误差，上述数据的给出方便后期计算预报准确率和平均绝对误差。

针对2019年3月18号08时-4月1日08时共15天的运行结果进行了检验，由于检验期间未出现大于等于6级的风速，所以此处只给出所有级别的检验结果见表1-表4。表1给出了风速整体预报网格与实况网格的平均绝对误差，通过对72时效内的全部时效及对12、24、36、48、60、72时效的七种预报结果的平均绝对误差分析可知，00-72时效的风速绝对误差最小的为LSE，其次为JAPAN，再次为HDMOS；其它时效的风速绝对误差最小前三均为LSE、JAPAN、HDMOS；其中以LSE及JAPAN相对较优。

表1风速网格绝对误差

表2给出了风速预报准确率，通过对72时效内的全部时效及对12、24、36、48、60、72时效的风速预报准确率分析可知，00-72时效的风速预报准确率最大的为LSE,其次为HDMOS，再次为JAPAN；其它时效的风速预报准确率排名靠前仍为LSE、JAPAN、HDMOS，其中仍以LSE及HDMOS相对较优。

表2风速预报准确率

表3给出了风向预报准确率，通过对72时效内的全部时效及对12、24、36、48、60、72时效的风向预报准确率分析可知，00-72时效的风向预报准确率最大的为LSE、JAPAN、GER，均为0.40,准确率最差为EC，为0.28；其它时效的风速预报准确率排名靠前为JAPAN、HDMOS、LSE、GER，其中以JAPAN及HDMOS相对较优；且随着时效的延长，风向预报准确率降低。

表3风向预报准确率

表4给出了风力预报综合准确率，通过对72时效内的全部时效及对12、24、36、48、60、72时效的风力预报综合准确率分析可知，00-72时效的风力预报综合准确率最大的为LSE、JAPAN、HDMOS，均为0.19,准确率最差为GRAPES，为0.09；其它时效的风力预报综合准确率排名靠前为LSE、HDMOS、GER，其中以LSE及HDMOS相对较优；且随着时效的延长，风力预报综合准确率降低。

表4风力预报综合准确率

通过以上分析可知，七种预报中以LSE预报最佳、其次为JAPAN；且随着时效的延长，风向及风力预报综合准确率降低。综合分析可知，在采用分区组合得到的HDMOS及采用LSE订正后的预报产品能够较好的对风速风向进行预报,提高了10米风场的预报准确率。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于多模式分区误差检验的风场预报方法，其特征在于，包括以下步骤：

获取数据和区域，所述数据包括实况数据和数值模式数据，经过网格标准化转换程序将所述数据统一转换为网格格点数据；

根据实况数据对所述区域进行分区，并且利用最邻近规则，挑选出每个分区中所包含的站点以及站点信息；

利用所述数值模式数据读取所述站点的预报数据及对应的实时数据得到所述分区的预报因子及结果，并通过订正方法对所述预报因子及结果进行订正得到订正方案；

根据网格格点数据对所述站点信息进行误差分析得到所述分区的最优模式；

根据所述分区的最优模式得到未订正最优模式预报，利用所述订正方案根据所述分区的最优模式得到订正最优模式预报，根据所述网格格点数据得到基础模式预报；

根据所述订正最优预报模式、所述未订正最优预报模式以及所述基础预报模块对风场进行预报。

2.根据权利要求1所述的基于多模式分区误差检验的风场预报方法，其特征在于，所述数值模式数据包括EC数值模式数据、GRAPES数值模式数据、JAPAN数值模式数据和GER数值模式数据。

3.根据权利要求1所述的基于多模式分区误差检验的风场预报方法，其特征在于，网格格点数据为0.05*0.05网格距的网格格点数据。

4.根据权利要求1所述的基于多模式分区误差检验的风场预报方法，其特征在于，采用K-均值分区方法根据实况数据对所述区域进行分区。

5.根据权利要求1所述的基于多模式分区误差检验的风场预报方法，其特征在于，所述站点信息包括站号、距离最近网格横向位置、距离最近网格竖向位置、所属网格。

6.根据权利要求1所述的基于多模式分区误差检验的风场预报方法，其特征在于，对所述预报因子及结果进行订正的方法包括最小二乘法和BP神经网络方法。

7.根据权利要求1所述的基于多模式分区误差检验的风场预报方法，其特征在于，对风场进行预报得到预报结果后还需要对预报结果进行检验，检验包括风向检验、风速检验、风力预报综合准确个数和网格绝对误差。

8.根据权利要求7所述的基于多模式分区误差检验的风场预报方法，其特征在于，风向采用按8方位的划分进行检验，给出风向预报正确个数。

9.根据权利要求8所述的基于多模式分区误差检验的风场预报方法，其特征在于，风速采用分级别检验，主要包括所有级别、≤6级、6-8级和≥8级分别进行检验，给出风速等级预报正确个数。

10.基于多模式分区误差检验的风场预报系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至9任一所述方法的步骤。