CN110989041B - 一种灰霾和沙尘天气的预报方法及预报系统 - Google Patents
一种灰霾和沙尘天气的预报方法及预报系统 Download PDFInfo
- Publication number
- CN110989041B CN110989041B CN201911257510.6A CN201911257510A CN110989041B CN 110989041 B CN110989041 B CN 110989041B CN 201911257510 A CN201911257510 A CN 201911257510A CN 110989041 B CN110989041 B CN 110989041B
- Authority
- CN
- China
- Prior art keywords
- dust
- haze
- time
- less
- forecast
- 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
- 239000000428 dust Substances 0.000 title claims abstract description 203
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 34
- 239000013618 particulate matter Substances 0.000 claims abstract description 27
- 239000004576 sand Substances 0.000 claims description 50
- 238000013528 artificial neural network Methods 0.000 claims description 38
- 238000004458 analytical method Methods 0.000 claims description 25
- 238000013277 forecasting method Methods 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 10
- 239000003344 environmental pollutant Substances 0.000 claims description 9
- 231100000719 pollutant Toxicity 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 6
- 230000008033 biological extinction Effects 0.000 claims description 5
- 238000012950 reanalysis Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 15
- 230000005540 biological transmission Effects 0.000 abstract description 11
- 239000000126 substance Substances 0.000 abstract description 11
- 230000008859 change Effects 0.000 abstract description 3
- 210000002569 neuron Anatomy 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000001311 chemical methods and process Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- PUIYMUZLKQOUOZ-UHFFFAOYSA-N isoproturon Chemical compound CC(C)C1=CC=C(NC(=O)N(C)C)C=C1 PUIYMUZLKQOUOZ-UHFFFAOYSA-N 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000002945 steepest descent method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000011362 coarse particle Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
Landscapes
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Dispersion Chemistry (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Immunology (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- General Physics & Mathematics (AREA)
Abstract
本发明公开了一种灰霾和沙尘天气的预报方法及预报系统，该方法包括：基于化学传输模式的颗粒物浓度预报(主要流程有：将下载的排放数据中的排放总量转化为单位排放量，将下载的气象数据与地表参数进行融合得到气象驱动场；通过单位排放量和气象驱动场求解第一预定时间内的气象场和颗粒物浓度)；将输出气象数据中获取相关数据与灰霾和沙尘预报表比对，得到灰霾和强沙尘天气的初步区分；获取待测地在第二预定时间内，出现灰霾和浮尘天气时的24小时变温ΔT和粗细颗粒物浓度比η，ΔT和η组成的数据集作为训练样本，训练得到预报模型；从化学传输模式输出的气象数据中提取ΔT测和η测并输入到预报模型中，将较难区分的浮尘与灰霾进行精细区分。
Description
技术领域
本发明涉及气象技术领域，尤其涉及一种灰霾和沙尘天气的预报方法及系统。
背景技术
灰霾的定义是大量极细微的干尘粒等均匀地浮游在空中，使水平能见度小于10千米的空气普遍有混浊现象，使远处光亮物微带黄、红色，使黑暗物微带蓝色。而沙尘天气则包含了浮尘、扬沙和沙尘暴三种，水平能见度分别为小于10千米、1～10千米和小于1千米，扬尘和沙尘暴出现时都伴随着较大的风速，浮尘出现时风速一般较小。灰霾和沙尘天气都是与大气颗粒物密切相关的视程障碍天气现象，由于大气中的颗粒物会发生米散射现象，在灰霾和沙尘天气发生时，都会出现能见度下降、空气浑浊的现象，且颗粒物能够进入呼吸系统，对人体健康造成危害，因此，对灰霾和沙尘天气的准确预报具有重要的意义。
目前，灰霾和沙尘天气的预报方法有统计学方法、基于天气过程的天气学分析方法和数值预报方法。其中，统计学方法一般是以温度、气压、风速、风向和湿度等历史气象数据为自变量，以相应历史时期颗粒物浓度(PM2.5或PM10)或天气现象记录为因变量，通过多元回归得到气象数据和颗粒物浓度关系的显示数学表达式，并用该表达式进行霾和沙尘的预报。该方法操作简单，但颗粒物浓度不仅与气象要素有关，还与当地的排放源、地形以及地理区位有关，因此某一地的气象数据和颗粒物浓度数学关系并不能适用于其他地点的预报。另外，简单的单一关系式忽视了灰霾和沙尘生成、传输过程中复杂而关键的物理、化学机制，因此往往不能获得较准确的预报效果。
天气学分析方法则是通过将气象台站获取的观测资料和遥感监测资料进行可视化处理，从而提供地面天气系统的发生、发展和移动的实况以及大尺度的环流背景。预报员基于当地天气实况、高空环流背景对未来天气系统的发展和实地天气情况进行预测并在此基础上依据预测的风速、风向、能见度等指标，结合地面霾和沙尘天气发生的区域和发展情况，发布霾和沙尘的预报。该方法与气象台站业务化运行的天气预报相结合，通过天气要素的预报来进行霾与沙尘的预报，切合了霾和沙尘天气与气象背景密切相关的特征。然而与统计学方法相同，该方法并没有考虑当地污染源排放，缺少对大气颗粒物形成过程中同样重要的化学过程的分析。另外，该方法严重依赖预报员个人的经验和素质，预报结果与预报员的主观判断有很大的联系，尤其是在霾和浮尘的区分上，由于两者发生时往往能见度和风速相差不大，经验较为欠缺的预报员经常会犯错误。
数值预报方法通过偏微分方程组描述大气运动，利用复杂的数学关系反应大气中的化学过程并实现气象过程与化学过程的耦合，是一种切实可行的同时考虑气象要素和大气中化学过程的预报方法。该方法在空气质量预报中正获得越来越广泛的应用。然而该方法操作流程复杂，需要受过相应培训的专业人员进行操作，且数值模式直接输出的并不是预报的最终结果，而是温、压、风、湿等气象场要素和颗粒物浓度、污染气体浓度等化学场变量，对于普通群众而言，这些结果难以理解，不够直观。
综上所述，现有的灰霾和沙尘天气的预报方法无法在充分考虑气象过程和化学过程的同时兼顾操作的简易性和结果的直观性，且在面对霾和浮尘这两种较为相似的天气现象时不得不依赖人工主观判别。霾和浮尘天气出现时，能见度都小于10千米，空气浑浊，无风或风速较小，不同的是，灰霾由细颗粒物引起，来源主要是气粒转化产生的二次气溶胶，浮尘则大部分为粗颗粒物，因土壤扬尘进入大气当中。因此，二者对应不同的防治和应对措施，客观有效区分这两类天气现象不仅是学术严谨性上的要求，更在污染治理、防灾减灾方面有实际的需求。另外，现有方法普遍依赖气象或环保台站的观测数据，大量地区由于经济欠发达或自然、地理条件不适宜，观测网密度并不能满足预报需求。观测数据的缺乏极大地制约了灰霾和沙尘天气预报的准确性，从而导致不能对灰霾和沙尘天气进行有效地防治和应对。
发明内容
针对现有技术存在的问题，本发明的目的在于提供一种灰霾和沙尘天气的预报方法，采用该方法能够对灰霾天气和沙尘天气进行准确预报的同时，能够预报灰霾和沙尘天气的等级。
为实现上述目的，本发明的技术方案如下：
一种灰霾和沙尘天气的预报方法，包括：
下载第一预定时间内的气象数据和排放数据，其中，所述第一预定时间为结束日期与初始日期的时间差值；
将所述排放数据中的排放总量转化为单位面积单位时间的单位排放量；
获取待测地的地表参数，从所述气象数据中提取所述待测地的气象参数，将所述气象参数与所述地表参数进行空间插值，得到模拟气象驱动场；
通过所述单位排放量、所述模拟气象驱动场，求解所述第一预定时间内各时刻的输出气象数据；
获取所述待测地预报时间的能见度Vis，同时从所述输出气象数据中获取所述预报时间的风速v、相对湿度RH、细颗粒物PM2.5浓度Cpm2.5，与灰霾和沙尘预报表比对，得到所述预报时间的初步预报结果；其中，所述预报时间在所述第一预定时间内；
所述神经网络预测方法包括：
所述待测地在过去的第二预定时段内出现灰霾和浮尘天气时，获取与所述预报时间对应时刻与前一天该时刻的温度差ΔT和与所述预报时间对应时刻的PM2.5与可吸入颗粒物PM10的浓度之比η，ΔT和η组成的数据集作为神经网络的训练样本，通过训练得到预报模型；
从所述输出气象数据中提取所述预报时间与所述预报时间前一天的温度差ΔT测和PM2.5与PM10的浓度之比η测，将ΔT测和η测输入到所述预报模型中，确定所述预报时间的初步判断结果是灰霾或浮尘；
结合所述气象预测方法和所述神经网络预测方法得到的预报情况，确定所述待测地在所述预报时间的预报结果为轻微灰霾、轻度灰霾、中度灰霾、重度灰霾、特强沙尘暴、强沙尘暴、沙尘暴、扬沙或浮尘的其中一种。
进一步，所述预报方法还包括：通过所述地表参数和所述预报结果，绘制灰霾和浮尘天气预报图。
进一步，在所述灰霾和沙尘预报表中，轻微灰霾：5.0≤Vis＜10.0(km)、RH≤95％，轻度灰霾：3.0≤Vis＜5.0(km)、RH≤95％，中度灰霾：2.0≤Vis＜3.0(km)、RH≤95％，重度灰霾：Vis＜2.0(km)、RH≤95％，浮尘：v≤10.0(m/s)、Vis＜10.0(km)、RH≤95％，扬沙：v>10.0(m/s)、1.0≤Vis＜10(km)、RH≤95％；沙尘暴：v>10.0(m/s)、Vis＜1.0(km)、RH≤95％；强沙尘暴：v>17.2(m/s)、Vis＜0.5(km)、RH≤95％，特强沙尘暴：风速>24.5(m/s)、Vis＜0.05(km)、RH≤95％。
进一步，所述获取所述待测地所述预报时间的能见度Vis包括：获取消光系数ext，Vis＝-ln(0.02)/ext。
进一步，所述气象数据为美国国家环境预报中心的全球预报系统GFS所提供的地理分辨率为0.25°×0.25°全球范围气象预报再分析数据。
进一步，所述排放数据为全球大气研究排放数据库EDGAR所提供的地理分辨率为0.1°×0.1°全球范围的大气污染物排放再分析数据。
进一步，所述将排放数据中的排放总量转化为单位面积单位时间的单位排放量，包括：利用球面四边形公式计算地球单位面积，根据所述单位面积和所述第一预定时间的时长，通过所述排放总量计算所述单位排放量。
本发明还提供了一种灰霾和沙尘天气的预报系统，其技术方案如下：
一种灰霾和沙尘天气的预报系统，包括
数据下载模块，用于下载第一预定时间内的气象数据和排放数据，其中，所述第一预定时间为结束日期与初始日期的时间差值；
排放量计算模块，用于将所述排放数据中的排放总量转化为单位面积单位时间的单位排放量；
数值模式分析模块，包括模拟气象驱动场生成单元、数据获取单元和能见度计算单元；
所述模拟气象驱动场生成单元用于获取待测地的地表参数，从所述气象数据中提取所述待测地的气象参数，将所述气象参数与所述地表参数进行空间插值，得到模拟气象驱动场；
所述数据获取单元用于通过所述单位排放量、所述模拟气象驱动场，求解所述第一预定时间内各时刻的输出气象数据，并获取预报时间的风速v、相对湿度RH、细颗粒物PM2.5浓度Cpm2.5，其中，所述预报时间在所述第一预定时间内；
所述能见度获取单元用于获取所述待测地预报时间的能见度Vis；
初步分析模块，用于将Vis、v、RH、Cpm2.5与灰霾和沙尘预报表比对，得到所述预报时间的初步预报结果包括特强沙尘暴、强沙尘暴、沙尘暴、扬沙；
神经网络训练模块，所述待测地在过去的第二预定时段内出现灰霾和浮尘时，用于获取与所述预报时间对应时刻与前一天该时刻的温度差ΔT和与所述预报时间对应时刻的PM2.5与可吸入颗粒物PM10的浓度之比η，ΔT和η组成的数据集作为神经网络的训练样本，通过训练得到预报模型；
精细判断模块，用于从所述输出气象数据中提取所述预报时间与所述预报时间前一天的温度差ΔT测和PM2.5与PM10的浓度之比η测，将ΔT测和η测输入到所述预报模型中，确定所述预报时间天气的初步判断结果是灰霾或浮尘；
最终预报模块，用于结合所述初步分析模块和所述精细判断模块得到的预报情况，确定所述待测地在所述预报时间的预报结果为轻微灰霾、轻度灰霾、中度灰霾、重度灰霾或浮尘的其中一种。
进一步，所述预报系统还包括：绘图模块，用于通过所述地表参数和所述预报结果，绘制灰霾和浮尘天气预报图。
进一步，在所述灰霾和沙尘预报表中，轻微灰霾：5.0≤Vis＜10.0(km)、RH≤95％，轻度灰霾：3.0≤Vis＜5.0(km)、RH≤95％，中度灰霾：2.0≤Vis＜3.0(km)、RH≤95％，重度灰霾：Vis＜2.0(km)、RH≤95％，浮尘：v≤10.0(m/s)、Vis＜10.0(km)、RH≤95％，扬沙：v>10.0(m/s)、1.0≤Vis＜10(km)、RH≤95％；沙尘暴：v>10.0(m/s)、Vis＜1.0(km)、RH≤95％；强沙尘暴：v>17.2(m/s)、Vis＜0.5(km)、RH≤95％，特强沙尘暴：风速>24.5(m/s)、Vis＜0.05(km)、RH≤95％。
进一步，所述能见度获取单元用于获取所述待测地所述预报时间的能见度Vis包括：获取消光系数ext，Vis＝-ln(0.02)/ext。
进一步，所述气象数据为美国国家环境预报中心的全球预报系统GFS所提供的地理分辨率为0.25°×0.25°全球范围气象预报再分析数据。
进一步，所述排放数据为全球大气研究排放数据库EDGAR所提供的地理分辨率为0.1°×0.1°全球范围的大气污染物排放再分析数据。
进一步，所述将排放数据中的排放总量转化为单位面积单位时间的单位排放量，包括：利用球面四边形公式计算地球单位面积，根据所述单位面积和所述第一预定时间的时长，通过所述排放总量计算所述单位排放量。
本发明中，灰霾和沙尘天气的预报方法，通过气象数据、排放数据和待测地的地表参数建立模拟气象驱动场，从模拟气象驱动场能够得到输出气象数据风速v、相对湿度RH、细颗粒物PM2.5浓度Cpm2.5等，再结合获取的能见度Vis，从而得到包括天气状况的初步预报结果，再通过待测地出现灰霾和浮尘的天数与预报时间对应的温度差ΔT和PM2.5与可吸入颗粒物PM10的浓度之比η，通过神经网络训练得到预报模型，通过将待测地预报时间的温度差ΔT测和PM2.5与PM10的浓度之比η测输入到预报模型中，确定待测地预报时间天气的进一步判断结果是灰霾或浮尘，结合初步分析结果，得到待测地预报时间的预报结果为轻微灰霾、轻度灰霾、中度灰霾、重度灰霾或浮尘的其中一种。模拟气象驱动场是在充分考虑气象信息和地域信息的基础上进行建立的，其与污染物排放信息结合得到输出气象数据的准确性较好；通过神经网络进行预报模型的训练能够明确待测地的天气是灰霾还是浮尘，再结合根据气象场得到的数据判断预定时间待测地天气的预报结果。这个过程得到的结果并不依赖于个人的经验，判断的过程有较准确的依据，获得的判断结果更加可靠。
附图说明
图1为本发明实施例1的流程示意图；
图2为本发明实施例1中神经元的结构示意图；
图3为本发明实施例1中神经网络的结构示意图；
图4为本发明实施例2的示意图。
具体实施方式
为清楚地说明本发明的设计思想，下面结合示例对本发明进行说明。
为了使本领域的技术人员更好地理解本发明的方案，下面结合本发明示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，所描述的示例仅仅是本发明的一部分示例，而不是全部的示例。基于本发明的中示例，本领域的普通技术人员在没有做出创造性劳动的前提下，所获得的所有其他实施方式都应当属于本发明保护的范围。
在本实施方式的描述中，术语“第一”、“第二”仅用于区别类似的对象，而不能理解为特定的顺序或先后次序，应该理解这样的使用在适当情况想可以互换。
本发明的示例提供了一种灰霾和沙尘天气的预报方法，包括：气象预测方法和神经网络预测方法；气象预测方法包括：
下载第一预定时间内的气象数据和排放数据，其中，第一预定时间为结束日期与初始日期的时间差值；
将排放数据中的排放总量转化为单位面积单位时间的单位排放量；
获取待测地的地表参数，从气象数据中提取待测地的气象参数，将气象参数与地表参数进行空间插值，得到模拟气象驱动场；
通过单位排放量、模拟气象驱动场，求解第一预定时间内各时刻的输出气象数据；
获取待测地预报时间的能见度Vis，同时从输出气象数据中获取预报时间的风速v、相对湿度RH、细颗粒物PM2.5浓度Cpm2.5，与灰霾和沙尘预报表比对，得到预报时间的初步预报结果包括特强沙尘暴、强沙尘暴、沙尘暴、扬沙；其中，预报时间在第一预定时间内。
神经网络预测方法包括：待测地在过去的第二预定时段内出现灰霾和浮尘天气时，获取与预报时间对应时刻与前一天该时刻的温度差ΔT和与预报时间对应时刻的PM2.5与可吸入颗粒物PM10的浓度之比η，ΔT和η组成的数据集作为神经网络的训练样本，通过训练得到预报模型；
从输出气象数据中提取预报时间与预报时间前一天的温度差ΔT测和PM2.5与PM10的浓度之比η测，将ΔT测和η测输入到预报模型中，确定预报时间天气的初步判断结果是灰霾或浮尘，其中，灰霾包括轻微灰霾、轻度灰霾、中度灰霾和重度灰霾；
结合气象预测方法和神经网络预测方法得到的预报情况，确定待测地在预报时间的预报结果为轻微灰霾、轻度灰霾、中度灰霾、重度灰霾或浮尘的其中一种。
本发明的示例还提供一种灰霾和沙尘天气的预报系统，包括：
数据下载模块，用于下载第一预定时间内的气象数据和排放数据，其中，第一预定时间为结束日期与初始日期的时间差值；
排放量计算模块，用于将排放数据中的排放总量转化为单位面积单位时间的单位排放量；
数值模式分析模块，包括模拟气象驱动场生成单元、数据获取单元和能见度计算单元；
模拟气象驱动场生成单元用于获取待测地的地表参数，从气象数据中提取待测地的气象参数，将气象参数与地表参数进行空间插值，得到模拟气象驱动场；
数据获取单元用于通过单位排放量、模拟气象驱动场，求解第一预定时间内各时刻的输出气象数据，并获取预报时间的风速v、相对湿度RH、细颗粒物PM2.5浓度Cpm2.5，其中，预报时间在第一预定时间内；
能见度获取单元用于获取待测地预报时间的能见度Vis；
初步分析模块，用于将Vis、v、RH、Cpm2.5与灰霾和沙尘预报表比对，得到预报时间的初步分析结果包括特强沙尘暴、强沙尘暴、沙尘暴、扬沙；
神经网络训练模块，待测地在过去的第二预定时段内出现灰霾和浮尘天气时，用于获取与预报时间对应时刻与前一天该时刻的温度差ΔT和与预报时间对应时刻的PM2.5与可吸入颗粒物PM10的浓度之比η，ΔT和η组成的数据集作为神经网络的训练样本，通过训练得到预报模型；
精细判断模块，用于从输出气象数据中提取预报时间与预报时间前一天的温度差ΔT测和PM2.5与PM10的浓度之比η测，将ΔT测和η测输入到预报模型中，确定预报时间天气的初步判断结果是灰霾或浮尘，其中，灰霾包括轻微灰霾、轻度灰霾、中度灰霾和重度灰霾；
最终预报模块，用于结合初步分析模块和精细判断模块得到的预报情况，确定待测地在预报时间的预报结果为轻微灰霾、轻度灰霾、中度灰霾、重度灰霾或浮尘的其中一种。
本发明中，灰霾和沙尘天气的预报方法，通过气象数据、排放数据和待测地的地表参数建立模拟气象驱动场，从模拟气象驱动场能够得到输出气象数据风速v、相对湿度RH、细颗粒物PM2.5浓度Cpm2.5等，再结合获取的能见度Vis，从而得到包括五种天气状况的初步预报结果，再通过待测地出现灰霾和浮尘天气的天数与预报时间对应的温度差ΔT和PM2.5与可吸入颗粒物PM10的浓度之比η，通过神经网络训练得到预报模型，通过将待测地预报时间的温度差ΔT测和PM2.5与PM10的浓度之比η测输入到预报模型中，确定待测地预报时间天气的进一步判断结果是灰霾或浮尘，结合初步预报结果，得到待测地预报时间的预报结果为特强沙尘暴、强沙尘暴、沙尘暴、扬沙、浮尘轻微灰霾、轻度灰霾、中度灰霾或重度灰霾的其中一种。模拟气象驱动场是在充分考虑气象信息和地域信息的基础上进行建立的，其与污染物排放信息结合得到输出气象数据的准确性较好；通过神经网络进行预报模型的训练能够明确待测地的天气是灰霾还是浮尘，再结合根据气象场得到的数据判断预定时间待测地天气的预报结果。这个过程得到的结果并不依赖于个人的经验，判断的过程有较准确的依据，获得的判断结果更加可靠。
在本发明中，模拟气象驱动场和输出气象数据的求解过程都是在化学传输模式下进行的，从排放总量中得到的单位排放量也是化学传输模式所需要的，化学传输模式能够模拟污染气体和颗粒物在大气中的产生、传输和沉降过程。
为了更加清晰的对本发明中的技术方案进行阐述，下面将参考附图并结合实施例来详细说明本发明。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示，本发明灰霾和沙尘天气的预报方法的第一种实施方式，该方法包括：气象预测方法和神经网络预测方法；
其中，气象预测方法包括：
101、设定开始日期和结束日期。具体为，利用Bash shell脚本设定预报的开始日期，在默认状态下为自动获取计算机系统时间，也可以进行手动设定，将开始日期赋值为DATE_START，将时间对应的年、月、日分别赋值给YY_S、MM_S、DD_S。
根据预报开始日期，Bash shell脚本自动设置三天后的日期为预报的结束日期，结束日期也可以进行手动设定，将结束日期赋值为DATE_END，与开始日期的赋值操作相同，将结束日期对应的年、月、日分别赋值给YY_E、MM_E、MM_E。
102、下载第一预定时间内的气象数据和排放数据，其中，第一预定时间为结束日期与初始日期的时间差。具体为，利用Bash shell脚本，根据YY_S、MM_S、DD_S、YY_E、MM_E、DD_E修改下载脚本，自动生成下载链接。在本实施例中，第一预定时间为3天。
利用Bash shell脚本中的wget工具自动下载第一预定时间内的气象数据和排放数据，其中，气象数据为美国国家环境预报中心的全球预报系统(Global ForecastSystem，GFS)所提供的地理分辨率为0.25°×0.25°全球范围气象预报再分析数据；排放数据是为全球大气研究排放数据库(Emission Database for Global AtmosphericResearch，EDGAR)所提供的地理分辨率为0.1°×0.1°全球范围的大气污染物排放再分析数据。
103、将排放数据中的排放总量转化为单位排放量。具体为，假设地球为球体，利用球面四边形公式计算单位面积，根据单位面积和第一预定时间的时长，将排放数据的排放总量转化为化学传输模式中所需的单位面积单位时间的单位排放量。从EDGAR获取的排放数据的单位一般为kg/m2/month，将该单位转化为mol/m2/s。
其中，球面四边形公式的原理为地球的球面面积分解为若干个四边形单元的面积，将所有四边形单元面积的和即为球面面积，其中任一四边形单元的面积是：
area(i,j)＝R^2*(delta_lon)*(sin(delta_lat_b)-sin(delta_lat_f))
其中(i,j)表示球面上任一四边形单元的位置坐标，area(i,j)表示(i,j)坐标点所在的四边形单元的面积；lon表示坐标为(i,j)的四边形单元经度，lat表示坐标为(i,j)的四边形单元纬度，将lon和lat均转化为弧度制为lon_radian和lat_radian；
前一个四边形单元的经度和纬度为lon_radian(j-1)、lat_radian(i-1)；
后一个四边形单元的经度和纬度为lon_radian(j+1)、lat_radian(i+1)；
delta_lat_b＝(lat_radian(i+1)+lat_radian(i))/2.0；
delta_lat_f＝(lat_radian(i-1)+lat_radian(i))/2.0；
delta_lon＝(lon_radian(j+1)-lon_radian(j-1))/2.0。
104、将气象参数与地表参数进行空间插值，得到模拟气象驱动场。具体为，将YY_S、MM_S、DD_S、YY_E、MM_E、DD_E数值传递给化学传输模式，本实施例中所采用的化学传输模式为Wrf-chem模式，利用Wrf-chem模式中Bash shell脚本将namelist赋值为YY_S、MM_S、DD_S、YY_E、MM_E、DD_E的数值。
获取待测地的地表参数，运行Wrf-chem模式，根据待测地的区域从气象数据中提取相应的气象参数，将气象参数与地表参数进行空间插值，得到若干个空间气象单元，若干个所述空间气象单元组成模拟气象驱动场，其中，模拟气象驱动场的顶端边界设定为大气压为50hPa的等压面。
105、通过单位排放量和模拟气象驱动场，求解第一预定时间内的输出气象数据。通过单位排放量、初始日期的模拟气象驱动场的初始数据、待测区域边界的模拟气象驱动场的侧边界数据，求解第一预定时段内各时刻的输出气象数据，具体为，结合模拟气象驱动场，运行Wrf-chem模式，得到初始日期的模拟气象驱动场的初始数据以及第一预定时间内的侧边界数据，通过上述两组数据和单位排放量对Wrf-chem模式偏微分方程组进行求解，得出第一预定时间内各时刻的输出气象数据，其中，输出气象数据包括风速、能见度、温度。
106、从输出气象数据中获取相关数据并获取能见度Vis，与灰霾和沙尘预报表比对，得到初步预报结果。从输出气象数据中获取预报时间的风速v、相对湿度RH、细颗粒物PM2.5浓度Cpm2.5，Vis具体的获取方式是通过获取消光系数ext，再通过公式Vis＝-ln(0.02)/ext计算得到预报时间的能见度，通过上述方式得到的参数与灰霾和沙尘预报表比对，得到预报时间的初步预报结果包括特强沙尘暴、强沙尘暴、沙尘暴、扬沙；其中，预报时间在第一预定时间内，灰霾和沙尘预报表是根据北京市地方标准DB11/T 1372—2016《自然灾害和事故灾难类预警信息发布流程》和《浅谈雾霾沙尘暴浮尘的判别方法》得到的，具体如下表所示：
例如，待测地在预报时间的相关参数为v≤10.0m/s，5.0km≤Vis＜10.0km，RH≤95％，比照表中的数据，此时，待测地的天气是灰霾或者是浮尘，通过接下来的步骤才能够最终确认待测地的天气是灰霾还是浮尘。若待测地的RH>95％，那么，此时的天气是雾天，若1.0km≤Vis＜10.0km，为轻雾；若Vis＜1.0km，为雾。
神经网络预测方法包括：
107、获取待测地在第二预定时间内，出现灰霾和浮尘时的ΔT和η作为神经网络的训练样本，训练得到预报模型。具体为，待测地在过去的第二预定时段内出现灰霾和浮尘天气时，获取与预报时间对应时刻与前一天该时刻的温度差ΔT和与预报时间对应时刻的PM2.5与可吸入颗粒物PM10的浓度之比η，ΔT和η组成的数据集作为神经网络的训练样本，通过训练得到预报模型。
在本实施例中，获取距离待测地最近的气象观测站点观测的近三年天气现象数据以及最近的环保监测站点的近三年PM2.5和PM10浓度数据，得到近三年内出现灰霾和浮尘天气时，与预报时间对应的ΔT和η，ΔT和η组成数据集作为训练样本。例如，在近三年内，灰霾和浮尘天气出现的总次数为30次，那么样本的数量就是30。
构建人工神经网络。神经元是人工神经网络的基本单元，其结构如图2所示，主要包括三个基本要素：(1)一组连接(对应于生物神经元的突触)，连接强度由各连接上的权值表示，权值为正表示激活，为负表示抑制；(2)一个求和单元，用于求取各输入信号的加权和；(3)一个非线性激活函数，起非线性映射作用，并将神经元输出幅度限制在一定范围内(一般在0～1之间)。神经元的作用用数学式表达如下：
其中，x1,x2,…,xp为输入信号，wk1,wk2,…,wkp为神经元k之权值，x0＝-1，权值为wk0＝θk，θk为阈值，uk为线性求和结果，
为激活函数，yk为神经元k的输出。
神经网络的结构如图3所示，图中最下层单元为输入层，用以输入已知测量值。在本系统中，输出层包含两个单元，一个是ΔT，另一个是η。令s表示该数据集中样本中的任一个样本，令输入单元记为
则
表示第s个样本对应的24小时变温ΔT，
表示第s个样本对应的PM2.5和PM10的浓度比η。最上一层为输出层，在本系统中只包含两个单元，用以输出与每一组输入单元数据相对应的分类信息。
设定激活函数为
当第s个样本输入神经网络时，相应的输出单元状态记为
理想状态下，灰霾对应的输出
为(1,0)，浮尘对应输出
为(0,1)。中间一层为处理层或隐单元层，隐单元状态记为
该神经网络中有三个隐藏单元。从中间层到输出层的权重记为wij，从输入层到中间层的权记为
对于任何一组确定的输入
对于样品s而言，隐单元j的输入是：
相应的输出状态是：
输出单元i所接收的叠加信号是：
网络的最终输出是：
此时，对于一组确定的输入，输出是所有权
的函数。
将训练样本输入，训练神经网络。理想状态下，学习样本中任何一组灰霾样品的输入
输出
任何一组浮尘样品的输入
输出
实际上要得到如此精确的输出是不可能的，只能希望实际输出尽可能地接近理想输出。令对应于样品s的理想输出记为
则实际输出和理想输出的差异可表示为：
对每一个变量wij或
而言，这是一个连续可微的非线性函数，故采用最速下降法求E(W)的极小点和极小值。任取一个初始点W0，计算在W0点的负梯度方向
这是函数在该点下降最快的方向；只要
就可沿该方向移动一小段距离，达到一个新的点
参数η只要足够小，就能保证E(W1)<E(W0)，反复迭代这一过程，一定能达到E的局部极小点。对于隐单元到输出单元的权重wij而言，最速下降法给出的每一步修正量是：
令
对输入单元到隐单元的权重
此处令
可以看出，所有权重的修正量都有如下形式，即：
P对应两个单元中输出信号的一端，q对应输入信号的一段，v或代表H或代表I。由于
由实际输出与理想输出的差及
决定，而
则需依赖
算出，因此该神经网络为后向神经网络。通过训练样本输入后进行上述过程的迭代，最终可以生成在一定精度内满足要求的
该过程即神经网络的学习过程。将生成的
带入原神经网络模型中，即得到预报模型。
108、从步骤105的输出气象数据中提取ΔT测和η测，将ΔT测和η测输入到预报模型中，得到待测地的灰霾和浮尘的进一步精细判断结果。具体为，利用Bash shell脚本读取步骤105Wrf-chem模式中待测地的输出气象数据计算出预报时间与预报时间前一天的温度差ΔT测和PM2.5与PM10的浓度之比η测，将ΔT测和η测输入到预报模型中，即可确定待测地预报时间的初步判断结果是灰霾或浮尘，其中，灰霾包括轻微灰霾、轻度灰霾、中度灰霾和重度灰霾。例如，当预报模型输出的结果为(1,0)，判断待测地预报时间的初步判断结果为灰霾。
109、将气象预测方法中步骤106的初步预报结果和神经网络预测方法中步骤108的初步判断结果结合，确定待测地在预报时间的预报结果。例如，在步骤106中的初步预报结果为轻微灰霾或浮尘，结合步骤108的初步判断结果灰霾，得到待测地预测时间的预报结果为轻微灰霾。
110、通过待测地的地表参数和预报结果，绘制待测地的灰霾和浮尘天气预报图。具体为，利用Bash shell脚本读取步骤106中的v、RH、Cpm2.5、Vis和步骤108中的灰霾和浮尘的初步判断结果，待测地的经度和纬度以及预报时间后，输出到一个文本文件中，Bashshell脚本调取绘图工具NCL，利用NCL读取输出的文本文件，自动进行空间匹配、插值与绘图，以不同的颜色对应灰霾和沙尘天气不同的等级，最终输出灰霾和沙尘天气预报图。通过该天气预报图能够更加直观地观察到预报时间的天气情况，并且能够反映出灰霾等级和沙尘等级的变化趋势，对相应天气的应对能够提供更多的指导信息。
实施例2
如图4所示，本发明灰霾和沙尘天气的预报系统的第一种实施方式，该系统包括：
数据下载模块，用于下载第一预定时段内的气象数据和排放数据，其中，第一预定时段为结束日期与初始日期的时间差值；本实施例中数据下载工具是Bash shell脚本中的wget工具，其中，气象数据为美国国家环境预报中心的全球预报系统(Global ForecastSystem，GFS)所提供的地理分辨率为0.25°×0.25°全球范围气象预报再分析数据；排放数据是为全球大气研究排放数据库(Emission Database for Global AtmosphericResearch，EDGAR)所提供的地理分辨率为0.1°×0.1°全球范围的大气污染物排放再分析数据。
排放量计算模块，用于将排放数据中的排放总量转化为单位面积单位时段的单位排放量；具体为，假设地球为球体，利用球面四边形公式计算单位面积，根据单位面积和第一预定时间的时长，将排放数据的排放总量转化为化学传输模式中所需的单位面积单位时间的单位排放量。从EDGAR获取的排放数据的单位一般为kg/m2/month，将该单位转化为mol/m2/s。
其中，球面四边形公式的原理为地球的球面面积分解为若干个四边形单元的面积，将所有四边形单元面积的和即为球面面积，其中任一四边形单元的面积是：
area(i,j)＝R^2*(delta_lon)*(sin(delta_lat_b)-sin(delta_lat_f))
其中(i,j)表示球面上任一四边形单元的位置坐标，area(i,j)表示(i,j)坐标点所在的四边形单元的面积；lon表示坐标为(i,j)的四边形单元经度，lat表示坐标为(i,j)的四边形单元纬度，将lon和lat均转化为弧度制为lon_radian和lat_radian；
前一个四边形单元的经度和纬度为lon_radian(j-1)、lat_radian(i-1)；
后一个四边形单元的经度和纬度为lon_radian(j+1)、lat_radian(i+1)；
delta_lat_b＝(lat_radian(i+1)+lat_radian(i))/2.0；
delta_lat_f＝(lat_radian(i-1)+lat_radian(i))/2.0；
delta_lon＝(lon_radian(j+1)-lon_radian(j-1))/2.0。
数值模式分析模块，包括模拟气象驱动场生成单元、数据获取单元和能见度计算单元；
模拟气象驱动场生成单元，用于获取待测地的地表参数，并根据待测地的区域从气象数据中提取相应的气象参数，将气象参数与地表参数进行空间插值，得到若干个空间气象单元，其中，若干个空间气象单元组成模拟气象驱动场；具体为，获取待测地的地表参数，运行Wrf-chem模式，根据待测地的区域从气象数据中提取相应的气象参数，将气象参数与地表参数进行空间插值，得到若干个空间气象单元，若干个所述空间气象单元组成模拟气象驱动场，其中，模拟气象驱动场的顶端边界设定为大气压为50hPa的等压面。
数据获取单元，用于通过单位排放量、模拟气象驱动场，求解第一预定时间内各时刻的输出气象数据，并获取预报时间的风速v、相对湿度RH、细颗粒物PM2.5浓度Cpm2.5，其中，预报时间在第一预定时间内；具体为，结合模拟气象驱动场，运行Wrf-chem模式，得到初始日期的模拟气象驱动场的初始数据以及第一预定时间内的侧边界数据，通过上述两组数据和单位排放量对Wrf-chem模式偏微分方程组进行求解，得出第一预定时间内各时刻的输出气象数据，从输出气象数据中获取预报时间的风速v、相对湿度RH、细颗粒物PM2.5浓度Cpm2.5。
初步分析模块，用于将Vis、v、RH、Cpm2.5与灰霾和沙尘预报表比对，得到预报时间的初步预报结果包括特强沙尘暴、强沙尘暴、沙尘暴、扬沙；其中，灰霾和沙尘预报表与实施例1中的相同。例如，待测地在预报的时刻v≤10.0m/s，5.0km≤Vis＜10.0km，RH≤95％，比照表中的数据，此时，待测地的天气是轻微的灰霾或者是浮尘，通过接下来的步骤才能够最终确认待测地的天气是灰霾还是浮尘。若待测地的RH>95％，那么，此时的天气是雾天，若1.0km≤Vis＜10.0km，为轻雾；若Vis＜1.0km，为雾。
神经网络训练模块，待测地在过去的第二预定时段内出现灰霾和浮尘天气时，用于获取与预报时间对应时刻与前一天该时刻的温度差ΔT和与预报时间对应时刻的PM2.5与可吸入颗粒物PM10的浓度之比η，ΔT和η组成的数据集作为神经网络的训练样本，通过训练得到预报模型；在本实施例中，获取距离待测地最近的气象观测站点观测的近三年天气现象数据以及最近的环保监测站点的近三年PM2.5和PM10浓度数据，得到近三年内出现灰霾和浮尘天气时，与预报时间对应的ΔT和η，ΔT和η组成数据集作为训练样本。例如，在近三年内，灰霾和浮尘天气出现的总次数为30次，那么样本的数量就是30。按照实施例1中的模型训练方法进行模型的训练，能够得到预报模型。
精细判断模块，用于从输出气象数据中提取预报时间与预报时间前一天的温度差ΔT测和PM2.5与PM10的浓度之比η测，将ΔT测和η测输入到预报模型中，确定预报时间天气的进一步精细判断结果是灰霾或浮尘，其中，灰霾包括轻微灰霾、轻度灰霾、中度灰霾和重度灰霾。具体预报过程为，利用Bash shell脚本读取Wrf-chem模式数据获取单元中待测地的输出气象数据，计算出ΔT测和η测，将ΔT测和η测输入到预报模型中，利用预报模型判断待测地的预报时间天气现象是灰霾还是浮尘。例如，当预报模型输出的结果为(1,0)，判断待测地预报时间的天气为灰霾。
最终预报模块，将初步分析模块的初步预报结果和精细判断模块的初步判断结果结合，确定待测地在预报时间的预报结果。例如，在步骤106中的初步预报结果为轻微灰霾或浮尘，结合步骤108的初步判断结果灰霾，得到待测地预测时间的预报结果为轻微灰霾。
本实施例中的预报系统还包括：绘图模块，用于通过待测地的地表参数和预报结果，绘制待测地的灰霾和浮尘天气预报图。具体为，利用Bash shell脚本读取步骤106中的v、RH、Cpm2.5、Vis和步骤108中的灰霾和浮尘的初步判断结果，待测地的经度和纬度以及预报时间后，输出到一个文本文件中，Bash shell脚本调取绘图工具NCL，利用NCL读取输出的文本文件，自动进行空间匹配、插值与绘图，以不同的颜色对应灰霾和浮尘天气不同的等级，最终输出灰霾和浮尘天气预报图。
最后，可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域普通技术人员而言，在不脱离本发明的原理和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
Claims (14)
1.一种灰霾和沙尘天气的预报方法，其特征在于，包括：气象预测方法和神经网络预测方法；
所述气象预测方法包括：
下载第一预定时间内的气象数据和排放数据，其中，所述第一预定时间为结束日期与初始日期的时间差值；
将所述排放数据中的排放总量转化为单位面积单位时间的单位排放量；
获取待测地的地表参数，从所述气象数据中提取所述待测地的气象参数，将所述气象参数与所述地表参数进行空间插值，得到模拟气象驱动场；
通过所述单位排放量、所述模拟气象驱动场，求解所述第一预定时间内各时刻的输出气象数据；
获取所述待测地预报时间的能见度Vis，同时从所述输出气象数据中获取所述预报时间的风速v、相对湿度RH、细颗粒物PM2.5浓度Cpm2.5，与灰霾和沙尘预报表比对，得到所述预报时间的初步预报结果；其中，所述预报时间在所述第一预定时间内；
所述神经网络预测方法包括：
所述待测地在过去的第二预定时段内出现灰霾和浮尘天气时，获取与所述预报时间对应时刻与前一天该时刻的温度差ΔT和与所述预报时间对应时刻的PM2.5与可吸入颗粒物PM10的浓度之比η，ΔT和η组成的数据集作为神经网络的训练样本，通过训练得到预报模型；
从所述输出气象数据中提取所述预报时间与所述预报时间前一天的温度差ΔT测和PM2.5与PM10的浓度之比η测，将ΔT测和η测输入到所述预报模型中，确定所述预报时间的初步判断结果是灰霾或浮尘；
结合所述气象预测方法和所述神经网络预测方法得到的预报情况，确定所述待测地在所述预报时间的预报结果为轻微灰霾、轻度灰霾、中度灰霾、重度灰霾、特强沙尘暴、强沙尘暴、沙尘暴、扬沙或浮尘的其中一种。
2.根据权利要求1所述的预报方法，其特征在于，还包括：通过所述地表参数和所述预报结果，绘制灰霾和浮尘天气预报图。
3.根据权利要求1所述的预报方法，其特征在于，在所述灰霾和沙尘预报表中，轻微灰霾：5.0≤Vis＜10.0(km)、RH≤95％，轻度灰霾：3.0≤Vis＜5.0(km)、RH≤95％，中度灰霾：2.0≤Vis＜3.0(km)、RH≤95％，重度灰霾：Vis＜2.0(km)、RH≤95％，浮尘：v≤10.0(m/s)、Vis＜10.0(km)、RH≤95％，扬沙：v>10.0(m/s)、1.0≤Vis＜10(km)、RH≤95％；沙尘暴：v>10.0(m/s)、Vis＜1.0(km)、RH≤95％；强沙尘暴：v>17.2(m/s)、Vis＜0.5(km)、RH≤95％，特强沙尘暴：风速>24.5(m/s)、Vis＜0.05(km)、RH≤95％。
4.根据权利要求1或2所述的预报方法，其特征在于，所述获取所述待测地所述预报时间的能见度Vis包括：获取消光系数ext，Vis＝-ln(0.02)/ext。
5.根据权利要求1所述的预报方法，其特征在于，所述气象数据为美国国家环境预报中心的全球预报系统GFS所提供的地理分辨率为0.25°×0.25°全球范围气象预报再分析数据。
6.根据权利要求1所述的预报方法，其特征在于，所述排放数据为全球大气研究排放数据库EDGAR所提供的地理分辨率为0.1°×0.1°全球范围的大气污染物排放再分析数据。
7.根据权利要求1所述的预报方法，其特征在于，将所述排放数据中的排放总量转化为单位面积单位时间的单位排放量，包括：利用球面四边形公式计算地球单位面积，根据所述单位面积和所述第一预定时间的时长，通过所述排放总量计算所述单位排放量。
8.一种灰霾和沙尘天气的预报系统，其特征在于，包括
数据下载模块，用于下载第一预定时间内的气象数据和排放数据，其中，所述第一预定时间为结束日期与初始日期的时间差值；
排放量计算模块，用于将所述排放数据中的排放总量转化为单位面积单位时间的单位排放量；
数值模式分析模块，包括模拟气象驱动场生成单元、数据获取单元和能见度计算单元；
所述模拟气象驱动场生成单元用于获取待测地的地表参数，从所述气象数据中提取所述待测地的气象参数，将所述气象参数与所述地表参数进行空间插值，得到模拟气象驱动场；
所述数据获取单元用于通过所述单位排放量、所述模拟气象驱动场，求解所述第一预定时间内各时刻的输出气象数据，并获取预报时间的风速v、相对湿度RH、细颗粒物PM2.5浓度Cpm2.5，其中，所述预报时间在所述第一预定时间内；所述能见度获取单元用于获取所述待测地预报时间的能见度Vis；
初步分析模块，用于将Vis、v、RH、Cpm2.5与灰霾和沙尘预报表比对，得到所述预报时间的初步预报结果包括特强沙尘暴、强沙尘暴、沙尘暴、扬沙；
神经网络训练模块，所述待测地在过去的第二预定时段内出现灰霾和浮尘时，用于获取与所述预报时间对应时刻与前一天该时刻的温度差ΔT和与所述预报时间对应时刻的PM2.5与可吸入颗粒物PM10的浓度之比η，ΔT和η组成的数据集作为神经网络的训练样本，通过训练得到预报模型；
精细判断模块，用于从所述输出气象数据中提取所述预报时间与所述预报时间前一天的温度差ΔT测和PM2.5与PM10的浓度之比η测，将ΔT测和η测输入到所述预报模型中，确定所述预报时间天气的初步判断结果是灰霾或浮尘；
最终预报模块，用于结合所述初步分析模块和所述精细判断模块得到的预报情况，确定所述待测地在所述预报时间的预报结果为轻微灰霾、轻度灰霾、中度灰霾、重度灰霾或浮尘的其中一种。
9.根据权利要求8所述的预报系统，其特征在于，还包括：绘图模块，用于通过所述地表参数和所述预报结果，绘制灰霾和浮尘天气预报图。
10.根据权利要求8所述的预报系统，其特征在于，在所述灰霾和沙尘预报表中，轻微灰霾：5.0≤Vis＜10.0(km)、RH≤95％，轻度灰霾：3.0≤Vis＜5.0(km)、RH≤95％，中度灰霾：2.0≤Vis＜3.0(km)、RH≤95％，重度灰霾：Vis＜2.0(km)、RH≤95％，浮尘：v≤10.0(m/s)、Vis＜10.0(km)、RH≤95％，扬沙：v>10.0(m/s)、1.0≤Vis＜10(km)、RH≤95％；沙尘暴：v>10.0(m/s)、Vis＜1.0(km)、RH≤95％；强沙尘暴：v>17.2(m/s)、Vis＜0.5(km)、RH≤95％，特强沙尘暴：风速>24.5(m/s)、Vis＜0.05(km)、RH≤95％。
11.根据权利要求8所述的预报系统，其特征在于，所述能见度获取单元用于获取所述待测地所述预报时间的能见度Vis包括：获取消光系数ext，Vis＝-ln(0.02)/ext。
12.根据权利要求8所述的预报系统，其特征在于，所述气象数据为美国国家环境预报中心的全球预报系统GFS所提供的地理分辨率为0.25°×0.25°全球范围气象预报再分析数据。
13.根据权利要求8所述的预报系统，其特征在于，所述排放数据为全球大气研究排放数据库EDGAR所提供的地理分辨率为0.1°×0.1°全球范围的大气污染物排放再分析数据。
14.根据权利要求8所述的预报系统，其特征在于，将所述排放数据中的排放总量转化为单位面积单位时间的单位排放量，包括：利用球面四边形公式计算地球单位面积，根据所述单位面积和所述第一预定时间的时长，通过所述排放总量计算所述单位排放量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911257510.6A CN110989041B (zh) | 2019-12-10 | 2019-12-10 | 一种灰霾和沙尘天气的预报方法及预报系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911257510.6A CN110989041B (zh) | 2019-12-10 | 2019-12-10 | 一种灰霾和沙尘天气的预报方法及预报系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110989041A CN110989041A (zh) | 2020-04-10 |
| CN110989041B true CN110989041B (zh) | 2021-02-09 |
Family
ID=70091826
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911257510.6A Active CN110989041B (zh) | 2019-12-10 | 2019-12-10 | 一种灰霾和沙尘天气的预报方法及预报系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110989041B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112258853A (zh) * | 2020-10-19 | 2021-01-22 | 洛阳云感科技有限公司 | 一种精细化公路雾区链式能见度监测预警系统 |
| CN112882131A (zh) * | 2021-03-05 | 2021-06-01 | 艾沙江·艾力 | 一种灰霾和沙尘天气的预报方法及预报系统 |
| CN114966899B (zh) * | 2022-07-27 | 2022-11-01 | 南京云熙遥感科技有限公司 | 一种基于多源多元遥感技术协同的区域能见度预测方法 |
| CN115236771B (zh) * | 2022-09-22 | 2023-04-07 | 中科三清科技有限公司 | 扬尘浓度确定方法、装置、存储介质和电子设备 |
| CN116466368B (zh) * | 2023-06-16 | 2023-08-22 | 成都远望科技有限责任公司 | 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101033989A (zh) * | 2006-03-10 | 2007-09-12 | 罗瑞真 | 环境监测装置及方法 |
| KR20170025709A (ko) * | 2015-08-31 | 2017-03-08 | 대한민국(기상청장) | 황사와 연무 통합 예측 및 검증 방법 및 시스템 |
| CN109782373A (zh) * | 2018-12-14 | 2019-05-21 | 内蒙古工业大学 | 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法 |
| CN110096795A (zh) * | 2019-04-29 | 2019-08-06 | 国网湖南省电力有限公司 | 一种大气雾霾数值预报的校正预报方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9470818B2 (en) * | 2013-06-03 | 2016-10-18 | King Fahd University Of Petroleum And Minerals | Sand and dust storm detection method |
-
2019
- 2019-12-10 CN CN201911257510.6A patent/CN110989041B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101033989A (zh) * | 2006-03-10 | 2007-09-12 | 罗瑞真 | 环境监测装置及方法 |
| KR20170025709A (ko) * | 2015-08-31 | 2017-03-08 | 대한민국(기상청장) | 황사와 연무 통합 예측 및 검증 방법 및 시스템 |
| CN109782373A (zh) * | 2018-12-14 | 2019-05-21 | 内蒙古工业大学 | 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法 |
| CN110096795A (zh) * | 2019-04-29 | 2019-08-06 | 国网湖南省电力有限公司 | 一种大气雾霾数值预报的校正预报方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 城市灰霾数值预报模式的建立与应用;刘红年,胡荣章,张美根;《环境科学研究》;20090630;第22卷(第6期);632-636 * |
| 珠江三角洲空气质量与能见度数值预报模式系统;邓雪娇,邓涛,吴兑,蒋德海,谭浩波,李菲;《广东气象》;20100831;第32卷(第4期);19-22 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110989041A (zh) | 2020-04-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110989041B (zh) | 一种灰霾和沙尘天气的预报方法及预报系统 | |
| CN106650825B (zh) | 一种机动车尾气排放数据融合系统 | |
| Nouri et al. | Predicting urban land use changes using a CA–Markov model | |
| Tian et al. | Analysis of spatial and seasonal distributions of air pollutants by incorporating urban morphological characteristics | |
| Qin et al. | Analysis and forecasting of the particulate matter (PM) concentration levels over four major cities of China using hybrid models | |
| Banks et al. | Performance evaluation of the boundary-layer height from lidar and the Weather Research and Forecasting model at an urban coastal site in the north-east Iberian Peninsula | |
| CN110428104A (zh) | 一种污染贡献率确定方法、装置、电子设备及存储介质 | |
| Gama et al. | Seasonal patterns of Saharan dust over Cape Verde–a combined approach using observations and modelling | |
| Tian et al. | Estimating PM2. 5 from multisource data: A comparison of different machine learning models in the Pearl River Delta of China | |
| Zou et al. | Spatially differentiated and source-specific population exposure to ambient urban air pollution | |
| Moustris et al. | Development and application of artificial neural network modeling in forecasting PM 10 levels in a Mediterranean city | |
| CN114037152A (zh) | 一种林火预报与火势蔓延计算方法 | |
| CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
| Cvetkovic et al. | Fully Dynamic High–Resolution Model for Dispersion of Icelandic Airborne Mineral Dust | |
| CN116110210B (zh) | 复杂环境下数据驱动的滑坡灾害辅助决策方法 | |
| Wang et al. | Hyperlocal environmental data with a mobile platform in urban environments | |
| Freeman et al. | Mapping air quality zones for coastal urban centers | |
| CN111461163B (zh) | 城市内部pm2.5浓度模拟和人口暴露度评估方法和装置 | |
| Chen et al. | A Spatiotemporal Interpolation Graph Convolutional Network for Estimating PM₂. ₅ Concentrations Based on Urban Functional Zones | |
| Zhu et al. | Visibility and meteorological parameter model based on rashomon regression analysis | |
| Yu et al. | Developing high-resolution PM2. 5 exposure models by integrating low-cost sensors, automated machine learning, and big human mobility data | |
| Kulkarni et al. | Estimation Of Air Quality Index In Delhi By Merging Neural Networks And Multiple Regression Techniques with Principal Components Analysis | |
| Molaei et al. | Prediction of hourly PM10 concentration through a hybrid deep learning-based method | |
| Jagoda | A Method for Routine PM 2.5 Obsercation and Incorporation into Numerical Weather Prediction | |
| Albaji et al. | A Machine Learning for Environmental Noise Monitoring and Classification Using Matlab |
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 |