CN110927827A - 一种判断降雨预报数据同化方案优劣的方法 - Google Patents

Abstract

本发明涉及一种判断降雨预报数据同化方案优劣的方法，其包括以下步骤：数据同化方案的选取；多源气象信息数据库的构建；多源气象信息数据同化；判断数据同化方案优劣。本发明从不同气象信息的优点和缺点角度出发，提供了一种标准化的多源气象信息数据同化方法，不仅可以提高降雨预报的精度，较大程度的简化数据同化过程，而且增加多源气象信息可以弥补不同气象数据的不足，充分发挥各类数据的优势，使数据同化的结果更加可靠，为气象、水利等有关部门提供合理的数据同化方案，具有普遍适用性。

Description

一种判断降雨预报数据同化方案优劣的方法

技术领域

本发明是申请日2016年07月20日，申请号为：201810828271.4，名称为“一种降雨量的预报方法”的发明专利的分案申请。

本发明涉及数值降雨预报和数据同化技术领域，具体涉及一种多源气象信息数据同化方法及其在降雨预报中的应用。

背景技术

降雨事件水平空间尺度很小，又具有随机性和突发性，因此数值降雨预报是数值天气预报的难点，特别是针对强度大历时短的暴雨，很难获得具有一定精度的预报结果。

数据同化是将不同时刻、不同类型、不同来源、不同分辨率的气象数据以及背景场生成时间、空间和物理一致性的数据集，在提高数值大气预报精度方面，特别是降雨预报，有非常重要的作用。

目前同化单一种类数据的技术已经较为成熟，并能判断其同化效果的优劣，但对多种数据同时同化的情况较少，也没有一种衡量和选取同化数据的方法。这使数据同化具有很大局限性，不能完全体现各种数据的优势，使同化结果更优。目前应用广泛且效果较好的数据同化方法有三维变分数据同化和集合卡尔曼滤波法。

三维变分同化的本质是求解一个分析变量，使得一个衡量分析变量与背景场和观测场之间距离的目标泛函达到极小值。该目标泛函可由下式表示：

其中X为所求的数值预报模式初始状态的最优解；X_b为背景场；B为背景场误差协方差矩阵；Y₀为观测向量；H为观测算子，将模式变量由模式空间投影到观测空间；R为观测误差协方差矩阵，R＝E+F，E为仪器观测误差协方差矩阵，F为观测代表性误差协方差矩阵，三维变分同化能够体现复杂的非线性约束关系。由于可以使用复杂的观测算子，因而更有利于同化与模式变量有非直接或非线性相关的观测资料。

集合卡尔曼滤波法用集合的思想解决了实际应用中背景误差协方差矩阵的估计和预报困难的问题，可用于非线性系统的数据同化，同时降低了数据同化的计算量。集合卡尔曼滤波包含预测和更新两个步骤：

(1)预测：

式中，

是k时刻第i个集合的状态分析值，

是k+1时刻状态预测值，M_k,k+1是k时刻到k+1时刻状态变化关系，w_i,k是模型误差。

(2)更新：

其中v_i,k～N(0，Q_k)，

式中，

是第i个集合在k+1时刻的状态分析值，K_k+1是增益矩阵，

是k+1时刻的观测数据，H_k+1是k+1时刻的观测算子，v_i,k是观测误差，

是所有集合的分析值，

是预测误差方差矩阵，

是分析场误差方差矩阵。

发明内容

本发明设计了一种多源气象信息数据同化方法及其在降雨预报中的应用，综合考量了常规观测数据和非常规观测数据的优点和缺点，其解决的技术问题是如何选取不同种类的数据，发挥多源气象信息优势，使多源数据同化的效果更优，从而提高降雨的预报精度。

为了解决上述存在的技术问题，本发明采用了以下方案：

一种判断降雨预报数据同化方案优劣的方法，包括以下几个步骤：

步骤1、数据同化方法的选取；

步骤2、构建多源气象信息数据库；

步骤3、对多源气象信息进行数据同化；

步骤4、判断数据同化方案优劣；

进一步，步骤1中数据同化方案选取目前应用效果较好的三维变分数据同化方法和集合卡尔曼滤波同化方法,形成数据同化方法集合。

进一步，步骤2选用美国国家大气研究中心NCAR提供的地表观测数据和高空观测数据、区域雷达数据、卫星遥感数据、火箭探空数据，形成气象信息数据库。其中，NCAR提供的地表观测数据和高空观测数据较精确，但数据量少，特别是东亚地区；区域雷达数据较精确，为栅格数据，能够覆盖一定范围的空间数据；卫星遥感数据是所有数据中覆盖范围最大的，但其分辨率相对较差，精度较低；火箭探空数据很精确，但成本高，数据量少。

最终用于数据同化的观测数据均为降雨数据，其单位为mm。但不同种类观测资料的原始观测内容不同。NCAR地表观测数据和高空观测数据、火箭探空数据均为主要气象要素的观测数据，包括：气压(MPa)、湿度(％rh)、温度(℃)、降水(mm)、风速(m/s)；雷达的原始观测资料是反射率(cm²/m³)和径向速度(m/s)，后经过数据转化得到降雨数据；卫星遥感的原始观测资料是影像，需对影像进行解译，获得降雨数据。

进一步，步骤3的数据同化是针对步骤2提供的5种数据，采用步骤1的2种数据同化方法进行数据同化，形成30种数据同化方案：

尽管目前数据同化可以对任意合适的数据进行同化，但同化效率和效果也需要考虑。同化数据的种类越多，效率越低，不同数据中的误差会使同化性能不稳定，影响同化效果。但同化数据种类越少，数据的代表性不强，综合考虑选用两类数据的组合方案。所以，上述表格的第11-30项中都是两组数据的组合进行同化。

同时对多种数据进行同化时，并非是对两种数据之和进行同化，而是在操作时，依次对两种数据进行同化，如：区域雷达数据与卫星遥感数据，先用雷达数据对原始数据进行同化，再用卫星遥感数据同化雷达数据同化后的结果，得到最终的同化数据。

进一步，步骤4.1采用降雨预报的相对误差来判断各数据同化方案的优劣：

式中，α_i为第i个数据同化方案同化后的降雨预报的相对误差，p′_i为第i个数据同化方案同化后的预报降雨量，p_i为对应的实测降雨量，i取1,2,3，……,29,30。

进一步，步骤4.2对比三维变分同化的整体相对误差m与集合卡尔曼滤波法的整体相对误差n：

若m<n，则三维变分同化的整体效果优于集合卡尔曼滤波法，若m>n，则集合卡尔曼滤波法整体效果优于三维变分同化，若m＝n，则三维变分同化与集合卡尔曼滤波法整体效果相同。

进一步，为了使多源数据同化方案更加简便，选取整体效果较优的同化方法，如三维变分同化，则取15个三维变分同化方案中，相对误差最小的5个方案所采用的同化数据，构成该研究区的最佳同化数据集，为下一次降雨预报进行数据同化提供依据。

选出表现较好的5个数据同化方案形成数据集来进行预报的方法可称为集合预报。基于这5个数据同化方案分别进行降雨预报，最终可获得5个降雨预报结果，由于预报具有很大的不确定性，不能肯定哪一个结果是最接近未来发生的降雨，因此将这5个降雨预报结果都作为预报结果，因此集合预报在一定程度上可以规避某一预报结果不准确的风险。

一种降雨量的预报方法，其特征在于：使用上述最佳同化数据集为下一次降雨预报进行数据同化提供应用。

该用于多源气象信息数据同化方法及其应用于降雨量的预报具有以下有益效果：

(1)本发明从不同气象信息的优点和缺点角度出发，提供了一种标准化的多源气象信息数据同化方法，数据同化不仅可以提高降雨预报的精度，而且增加多源气象信息可以弥补不同气象数据的不足，充分发挥各类数据的优势，使数据同化的结果更加可靠，为气象、水利等有关部门提供合理的数据同化方案，具有普遍适用性。

(2)本发明为某一研究区确定了最佳同化数据集，多源数据同化方案可提升同化精度和稳定性，而选择最佳数据集，又能较大程度的简化数据同化过程。

具体实施方式

下面结合实施例，对本发明做进一步说明：

本发明所采用的技术方案是基于常规观测数据和非常规观测数据的优点和缺点，提出一种多源气象信息数据同化方法，按照以下步骤实施：

(1)数据同化方法的选取：选取目前应用效果较好的三维变分数据同化和集合卡尔曼滤波同化。

(2)构建多源气象信息数据库：选用美国国家大气研究中心NCAR提供的地表观测数据和高空观测数据、区域雷达数据、卫星遥感数据、火箭探空数据，形成气象信息数据库。

(3)对多源气象信息进行数据同化：在(1)、(2)的基础上，建立30种数据同化方法，见表1。

表1数据同化方案

(4)判断数据同化方案优劣；

采用相对误差判断各数据同化方案的优劣：

式中，α_i为第i个数据同化方案同化后的降雨预报的相对误差，p′_i为第i个数据同化方案同化后的预报降雨量，p_i为对应的实测降雨量，i取1,2,3，……,29,30。

(5)确定最佳同化数据集：对比三维变分同化方法的整体相对误差m与集合卡尔曼滤波法的整体相对误差n：

若m<n，则三维变分同化方法的整体效果优于集合卡尔曼滤波法，若m>n，则集合卡尔曼滤波法整体效果优于三维变分同化方法，若m＝n，则三维变分同化方法与集合卡尔曼滤波法整体效果相同。

选取整体效果较优的同化方法，如三维变分同化方法，则取15个三维变分同化方法方案中，相对误差最小的5个方案所采用的同化数据，构成该研究区的最佳同化数据集，为下一次降雨预报进行数据同化提供依据。

上面结合实施例对本发明进行了示例性的描述，显然本发明的实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围内。

Claims (5)

1.一种判断降雨预报数据同化方案优劣的方法，其特征在于：

步骤1、数据同化方法的选取；

步骤2、构建多源气象信息数据库；

步骤3、对多源气象信息进行数据同化；

步骤4、判断数据同化方案优劣。

2.根据权利要求1所述判断降雨预报数据同化方案优劣的方法，其特征在于：步骤1中的数据同化方案选取目前应用较广且效果较好的三维变分数据同化和集合卡尔曼滤波同化方法。

3.根据权利要求1所述判断降雨预报数据同化方案优劣的方法，其特征在于：步骤2中的所述气象信息数据库由美国国家大气研究中心NCAR提供的地表观测数据、NCAR提供的高空观测数据、区域雷达数据、卫星遥感数据以及火箭探空数据构成。

4.根据权利要求1所述判断降雨预报数据同化方案优劣的方法，其特征在于：所述步骤3同时对多种数据进行同化时，并非是对两种数据之和进行同化，而是依次对两种数据进行同化。

5.根据权利要求1所述判断降雨预报数据同化方案优劣的方法，其特征在于：步骤4还包括4.1采用降雨预报的相对误差来判断各数据同化方案的优劣：

式中，α_i为第i个数据同化方案同化后的降雨预报的相对误差，p′_i为第i个数据同化方案同化后的预报降雨量，p_i为对应的实测降雨量，i取1,2,3，……,29,30。

步骤4.2对比三维变分同化的整体相对误差m与集合卡尔曼滤波法的整体相对误差n：

若m<n，则三维变分同化的整体效果优于集合卡尔曼滤波法，若m>n，则集合卡尔曼滤波法整体效果优于三维变分同化，若m＝n，则三维变分同化与集合卡尔曼滤波法整体效果相同。