CN111353217A - 台风路径预测的方法、设备、计算机设备和存储介质 - Google Patents
台风路径预测的方法、设备、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111353217A CN111353217A CN202010102707.9A CN202010102707A CN111353217A CN 111353217 A CN111353217 A CN 111353217A CN 202010102707 A CN202010102707 A CN 202010102707A CN 111353217 A CN111353217 A CN 111353217A
- Authority
- CN
- China
- Prior art keywords
- typhoon
- grid
- filtering
- data
- field
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000001914 filtration Methods 0.000 claims abstract description 76
- 238000004364 calculation method Methods 0.000 claims abstract description 44
- 238000004590 computer program Methods 0.000 claims description 16
- 238000009499 grossing Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 abstract description 9
- 230000003111 delayed effect Effects 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 6
- 230000002265 prevention Effects 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 3
- 230000003252 repetitive effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 29
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- YQGOJNYOYNNSMM-UHFFFAOYSA-N eosin Chemical compound [Na+].OC(=O)C1=CC=CC=C1C1=C2C=C(Br)C(=O)C(Br)=C2OC2=C(Br)C(O)=C(Br)C=C21 YQGOJNYOYNNSMM-UHFFFAOYSA-N 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了台风路径预测的方法、设备、计算机设备和存储介质，其中，获取第一时刻的台风数据，根据该台风数据建立台风初始场，该台风初始场包括内网格和外网格，在该内网格侧边界与该外网格重合的位置上，该内网格的侧边界条件与该外网格的预测参数分布一致，通过滤波模型，滤除该外网格中的台风结构，保留该内网格中的台风结构，得到台风结构滤除场，对该台风结构滤除场中的数据进行积分计算，输出第二时刻的台风数据，解决了相关技术中，需要进行重复性计算，耗费大量计算资源，计算时间过长，导致预报延迟发布的问题，能有效提高台风路径预报的计算效率和准确度，以更好做到台风预报的防灾减灾的效果。
Description
技术领域
本申请涉及气象预报技术领域，特别是涉及台风路径预测的方法、设备、计算机设备和存储介质。
背景技术
随着计算机技术的发展，气象预报技术也随之突飞猛进。在气象预报的过程中，通常采用数值天气预报的方法进行天气预测，数值天气预报采用大型计算机作数值计算，在给定的初值和边界条件下，求解描述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，数值天气预报模式的发展提高了台风路径、强度、风场及降水结构的预测准确度。对于台风预报而言，现有的台风预报系统普遍依赖中尺度数值预报模型搭建，模型的外网格负责预报台风活动范围的大尺度环流特征，而内网格负责预报台风结构，且外网格与内网格的预测效果不同，外网格预报大尺度信号的性能较好，预报小尺度信号的性能较差，内网格预报大尺度信号的性能较差，而预报小尺度信号的性能较好。在台风数值预报的过程中，外网格中预报精度较差的中小尺度信号会通过内网格的边界条件进入内网格，且被内网格误判为大尺度信号，又由于内网格本身对大尺度信号的预报准确度也较差，因此为内网格中的台风路径预报带来了较大误差。
在相关技术中，通过选尺度资料同化(Scale Selective data assimilation，简称SSDA)的方法，在模型运行的过程中，定期通过低通滤波从外网格中提取大尺度信号，并通过SSDA同化到内网格中，以提高内网格中大尺度环流的预报精度，进而提高台风的路径预报准确度，然而，由于SSDA需要进行重复性计算，耗费大量计算资源，使用SSDA方法在进行台风预报的数值计算过程中，耗费的时间过长，导致预报延迟发布。
针对相关技术中，需要进行重复性计算，耗费大量计算资源，计算时间过长，导致预报延迟发布的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中，需要进行重复性计算，耗费大量计算资源，计算时间过长，导致预报延迟发布的问题，本发明提供了台风路径预测的方法、设备、计算机设备和存储介质，以至少解决上述问题。
根据本发明的一个方面，提供了一种台风路径预测的方法，所述方法包括：
获取第一时刻的台风数据，根据所述台风数据建立台风初始场，其中，所述台风初始场包括内网格和外网格，在所述内网格侧边界与所述外网格重合的位置上，所述内网格的侧边界条件与所述外网格的预测参数分布一致；
通过滤波模型，滤除所述外网格中的台风结构，保留所述内网格中的台风结构，得到台风结构滤除场；
对所述台风结构滤除场中的数据进行积分计算，输出第二时刻的台风数据。
在其中一个实施例中，所述通过滤波模型，滤除所述外网格中的台风结构包括：
将所述台风数据中的所述预测参数进行傅里叶级数展开，保留预设波长范围内波段的台风结构。
在其中一个实施例中，所述通过滤波模型，滤除所述外网格中的台风结构包括：
将所述台风初始场分解为基本场和干扰场，根据所述基本场和所述干扰场，通过局部三点平滑算子，得到区域平滑变量；
根据所述区域平滑变量在子午方向的分量进行滤波，滤除所述外网格中的台风结构。
在其中一个实施例中，在所述台风初始场中建立多个网格，所述网格的分辨率各不相同，在相邻的两个所述网格中，位于内侧的网格的分辨率高于位于外侧的网格的分辨率。
在其中一个实施例中，位于外侧的网格的分辨率与位于内侧的网格的分辨率之比为1:3。
在其中一个实施例中，在所述建立多个网格之后，所述方法还包括：
滤除所述网格中最外侧网格的台风结构。
根据本发明的另一个方面，提供了一种台风路径预测的设备，所述设备包括获取模块、滤波模块和输出模块：
所述获取模块，用于获取第一时刻的台风数据，根据所述台风数据建立台风初始场，其中，所述台风初始场包括内网格和外网格，在所述内网格侧边界与所述外网格重合的位置上，所述内网格的侧边界条件与所述外网格的预测参数分布一致；
所述滤波模块，用于通过滤波模型，滤除所述外网格中的台风结构，保留所述内网格中的台风结构，得到台风结构滤除场；
所述输出模块，用于对所述台风结构滤除场中的数据进行积分计算，输出第二时刻的台风数据。
在其中一个实施例中，所述滤波模块还用于将所述台风数据中的所述预测参数进行傅里叶级数展开，保留预设波长范围内波段的台风结构。
根据本发明的另一个方面，提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一所述方法。
根据本发明的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一所述方法。
通过本发明，获取第一时刻的台风数据，根据该台风数据建立台风初始场，其中，该台风初始场包括内网格和外网格，在该内网格侧边界与该外网格重合的位置上，该内网格的侧边界条件与该外网格的预测参数分布一致，通过滤波模型，滤除该外网格中的台风结构，保留该内网格中的台风结构，得到台风结构滤除场，对该台风结构滤除场中的数据进行积分计算，输出第二时刻的台风数据，解决了相关技术中，需要进行重复性计算，耗费大量计算资源，计算时间过长，导致预报延迟发布的问题，本申请能有效提高台风路径预报的计算效率和准确度，以更好做到台风预报的防灾减灾的效果。
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，并不构成对发明的不当限定。
在附图中：
图1是根据本发明实施例的台风路径预测的方法的应用环境示意图；
图2是根据本发明实施例的台风初始场的示意图；
图3是根据本发明实施例的台风路径预测的方法的流程图；
图4是根据本发明实施例的滤除外网格中台风结构的方法的流程图；
图5是根据本发明实施例的台风路径预测的设备的结构框图；
图6是根据本发明实施例的台风路径预测对比示意图一；
图7是根据本发明实施例的“黑格比”路径预报误差示意图一；
图8是根据本发明实施例的台风结构对比的示意图；
图9是根据本发明实施例的不同预测时间下的台风结构对比示意图；
图10是根据本发明实施例的网格选取示意图一；
图11是根据本发明实施例的台风路径预测对比示意图二；
图12是根据本发明实施例的“黑格比”路径预报误差示意图二；
图13是根据本发明实施例的网格选取示意图二；
图14是根据本发明实施例的台风路径预测对比示意图三；
图15是根据本发明实施例的“苏力”路径预报误差示意图；
图16是根据本发明实施例的计算机设备的内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
需要说明的是，本发明实施例所涉及的术语“第一”、“第二”、“第三”仅仅是区别类似的对象，不代表针对对象的特定排序，“第一”、“第二”、“第三”在允许的情况下可以互换特定的顺序或先后次序。可以理解地，“第一”、“第二”、“第三”区分的对象在适当情况下可以互换，以使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。术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本申请的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
本申请提供的台风路径预测的方法，可以应用于如图1所示的应用环境中，图1是根据本发明实施例的台风路径预测的方法的应用环境示意图，如图1所示，服务器104获取气象终端102在第一时刻采集的台风数据，并根据该台风数据建立台风初始场，图2是根据本发明实施例的台风初始场的示意图，如图2所示，该台风初始场包括内网格和外网格，其中，外网格或者内网格为数值模式的积分计算范围，具有不同的分辨率，一般高分辨率的网格会嵌套于较低分辨率的网格当中，图2中，横坐标为经度，纵坐标为纬度，Domain1表示外网格，Domain2表示内网格，在该内网格侧边界与该外网格重合的位置上，服务器104设置该内网格的侧边界条件与该外网格的预测参数分布一致，通过低通滤波，滤除该外网格中的台风结构，保留该内网格中的台风结构，得到台风结构滤除场，服务器104对该台风结构滤除场中的数据进行积分计算，输出第二时刻的台风数据。其中，气象终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，提供了一种台风路径预测的方法，图3是根据本发明实施例的台风路径预测的方法的流程图，如图3所示，该方法包括如下步骤：
步骤S302，获取第一时刻的台风数据，根据该台风数据建立台风初始场，其中，该台风初始场包括内网格和外网格，在该内网格侧边界与该外网格重合的位置上，该内网格的侧边界条件与该外网格的预测参数分布一致。其中，该台风数据可以由用户输入或者上传，也可以通过网络通信获取用中国气象局(China Meteorological Administration，简称为CMA)的观测数据，还可以使用来自美国国家环境预报中心的(National Centers forEnvironmental Prediction，简称为NCEP)的全球预报系统(Global Forecast System，简称为GFS)的观测数据，台风初始场如图2所示，内网格的范围位于外网格以内。台风初始场可以表征在起始计算时刻，各个预测参数在空间的分布情况。台风初始场的边界条件包括上边界、下边界和侧边界条件，本实施例中，内网格上边界和下边界的预测参数值需与观测数据相等，而在该内网格侧边界与该外网格重合的位置上，该内网格的侧边界条件与该外网格的预测参数分布一致。外网格的侧边界条件可以由用户设定，预测参数包括经向风速、纬向风速、垂直风速、气压、位势高度、空气密度，温度、湿度等等，预测参数的值随地理位置的海拔高度，网格点不同而发生变化。本申请中台风初始场的生成，可以通过天气研究和预测模式(Weather Research and Forecasting Model，简称为WRF)的WPS(WRFPreprocessing System，简称为WPS)模块实现。
步骤S304，通过滤波模型，滤除该外网格中的台风结构，保留该内网格中的台风结构，得到台风结构滤除场，在台风初始场中，外网格和内网格具有各自的台风结构，在本实施例中，滤波模型可以通过低通滤波滤除外网格中的台风结构。其中，低通滤波是一种过滤方式，可以通过设置临界阈值，使得低于临界阈值的低频信号正常通过，而超过临界阈值的高频信号则被阻隔或者减弱，同时，阻隔、减弱的幅度会随频率不同或者滤波程序不同而改变，该低通滤波方法可以通过平滑数据的数字算法实现。
步骤S306，对该台风结构滤除场中的数据进行积分计算，输出第二时刻的台风数据，在滤除外网格中的台风结构之后，台风初始场变为台风滤除场，将台风滤除场中的预测参数，按照数值预报模式中的动力学和热力学的物理方程进行积分计算，得到台风路径和强度的预测值。
通过上述步骤S302至步骤S306，本实施例滤除了台风初始场中外网格的台风结构，且保留内网格的台风结构，以防止内网格将外网格中的台风环流作为内网格的侧边界条件，同时将该台风环流误判为影响台风路径的大尺度环流，从而引起内网格中的台风路径预报出现较大误差。因此，本实施例提供的方法由于减少了台风结构的计算，解决了相关技术中，需要进行重复性计算，耗费大量计算资源，计算时间过长，导致预报延迟发布的问题，本实施例提供的方法在大幅度提升计算效率的同时，能够有效提高台风路径预报的准确度，以更好做到台风预报的防灾减灾的效果。
在一个实施例中，通过低通滤波，滤除外网格中台风结构的方法为：将该台风数据中的该预测参数进行傅里叶级数展开，保留预设波长范围内波段的台风结构，其中，傅里叶级数展开为将函数表示为三角函数之和，预设波长范围可以取为500km至1000km，由于傅里叶级数具有较好的收敛性，因此本实施例提供的滤波方法在计算过程中，出错的概率更低，更有利于及时对台风路径进行预报。
在一个实施例中，图4是根据本发明实施例的滤除外网格中台风结构的方法的流程图，如图4所示，该方法还可以包括如下步骤：
步骤S402，将该台风初始场分解为基本场和干扰场，根据该基本场和该干扰场，通过局部三点平滑算子，得到区域平滑变量。本实施例中采用Kurihara低通滤波方法，首先将台风初始场分解为基本场和干扰场，如公式1所示：
h＝hB+hD 公式1
在公式1中，h为台风初始场，hB为基本场，hD为干扰场。基本场表示分析过程中的大尺度一般特征，干扰场表示基本场与台风初始场之间的偏差。
通过局部三点平滑算子，得到区域平滑变量如公式2所示：
在公式2中，下标λ表示经度，
表示纬度，且在计算过程中，λ和
分别间隔1°取整数值，
表示区域平滑变量。参数K是滤波器系数，可以通过如下公式3得到：
在公式3中，m按照2、3、4、2、5、6、7、2、8、9、2的顺序取值。
步骤S404，根据该区域平滑变量在子午方向的分量进行滤波，滤除该外网格中的台风结构，其中，子午方向为经线方向。在本实施例中，基本场可以通过区域平滑变量在子午方向平滑后得到，如公式4所示：
公式4中，
表示通过区域平滑变量在子午方向平滑后得到的基本场，K为滤波器系数。
通过上述步骤S402和步骤S404，本实施例通过Kurihara低通滤波方法，计算便捷，准确度更高。
在一个实施例中，在该台风初始场中建立多个网格，该网格的分辨率各不相同，在相邻的两个该网格中，位于内侧的网格的分辨率高于位于外侧的网格的分辨率。其中，网格的格点数应满足3*N+1，其中，N为任意正整数。在网格的分辨率在10km以内的条件下，不建议使用积云参数化方案。本实施例通过设置多个分辨率不同的网格，并对多个网格进行滤波和积分计算，可以进一步提高预测精度。
在一个实施例中，在该建立多个网格之后，该方法还包括：滤除该网格中最外侧网格的台风结构。本实施通过滤除最外侧网格的台风结构，保留内侧网格的台风结构，可以防止内网格将外网格中的台风环流误判为影响台风路径的大尺度环流，能够有效提高台风路径预报的准确度，在大幅度提升计算效率的同时，更好地实现了台风预报的防灾减灾效果。
在一个实施例中，位于外侧的网格的分辨率与位于内侧的网格的分辨率之比为1:3。例如，在设置三个网格的情况下，从外到内，网格的分辨率可以依次设置为12km、4km、1.33km。本实施例中对网格分辨率的设置，在计算的过程中，有利于报错筛查，提高计算效率。
应该理解的是，虽然图3和图4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图3和图4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
对应于上述台风路径预测的方法，在本实施例中，还提供了一种台风路径预测的设备，该设备用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的设备较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
在一个实施例中，提供了一种台风路径预测的设备，本实施例提供的设备利用数值天气预报模式，在Linux系统并行环境下正常运行，要求至少具备40个CPU以上，10T储存的计算机设备，一般采用大型计算机设备，如天河二、浪潮或者曙光等，图5是根据本发明实施例的台风路径预测的设备的结构框图，如图5所示，包括：获取模块52、滤波模块54和输出模块56，其中：
获取模块52，用于获取第一时刻的台风数据，根据该台风数据建立台风初始场，其中，该台风初始场包括内网格和外网格，在该内网格侧边界与该外网格重合的位置上，该内网格的侧边界条件与该外网格的预测参数分布一致。本实施例中的台风是指活动于西北太平洋热带区域，强度达到热带风暴等级以上的热带气旋，总体风向呈逆时针旋转。
滤波模块54，用于通过低通滤波，滤除该外网格中的台风结构，保留该内网格中的台风结构，得到台风结构滤除场。
输出模块56，用于对该台风结构滤除场中的数据进行积分计算，输出第二时刻的台风数据。
通过上述获取模块52、滤波模块54和输出模块56，滤波模块54滤除了台风初始场中外网格的台风结构，且保留内网格的台风结构，以防止内网格将外网格中的台风环流作为内网格的侧边界条件，同时将该台风环流误判为影响台风路径的大尺度环流，从而引起内网格中的台风路径预报出现较大误差。因此，本实施例提供的设备由于减少了台风结构的计算，解决了相关技术中，需要进行重复性计算，耗费大量计算资源，计算时间过长，导致预报延迟发布的问题，能有效提高台风路径预报的计算效率和准确度，以更好做到台风预报的防灾减灾的效果。
在一个实施例中，该滤波模块54还用于将该台风数据中的该预测参数进行傅里叶级数展开，保留预设波长范围内波段的台风结构。其中，傅里叶级数展开为将函数表示为三角函数之和，预设波长范围可以取为500km至1000km，由于傅里叶级数具有较好的收敛性，因此本实施例提供的滤波方法在计算过程中，出错的概率更低，更有利于及时对台风路径进行预报。
在一个实施例中，图6是根据本发明实施例的台风路径预测对比示意图一，如图6所示，观测值为实际观测得到的台风路径，相关技术为没有经过细化参数或者SSDA处理得到的台风预测路径，本申请代表本申请中的技术方案。在采用图2中网格设置的前提下，对2008年的台风“黑格比”的路径进行预报，该预报的起报时间在2008年9月21日12时，本实施例中的时间为协调世界时(Coordinated Universal Time，简称为UTC)，图7是根据本发明实施例的“黑格比”路径预报误差示意图一，如图7所示，相关技术与观测值之间的误差为183.07km，本申请与观测值之间的误差为61.06km，精度大幅度提高，预报路径更为接近观测路径，平均准确度提高了120km左右。
在一个实施例中，图8是根据本发明实施例的台风结构对比的示意图，如图8所示，在台风初始场生成后，本申请通过Kurihara低通滤波的方法滤掉外网格中的台风结构，相对于相关技术中，滤波前的台风结构而言，本申请中滤波后的台风结构更加简单。图9是根据本发明实施例的不同预测时间下的台风结构对比示意图，如图9所示，图9-A是24小时预报的对比示意图，图9-B是48小时预报的对比示意图，图9-C是72小时预报的对比示意图，预测参数自然向前积分，不包含任何台风结构的外网格中的大尺度信号通过内网格的侧边界条件自然地进入内网格中。这样可有效防止内网格把外网格中的台风结构误判为大尺度环流，达到优化内网格对台风路径的预报计算的效果。
在一个实施例中，图10是根据本发明实施例的网格选取示意图一，如图10所示，本实施例中采取矩形网格，并对网格选取的范围进行了调整，图11是根据本发明实施例的台风路径预测对比示意图二，如图11所示，观测值与本申请的预测值之间的差异更小，图12是根据本发明实施例的“黑格比”路径预报误差示意图二，如图12所示，相关技术与观测值之间的误差为67.44km，本申请与观测值之间的误差为23.54km，精度大幅度提高，预报路径更为接近观测路径，平均准确度提高了44km左右。
在一个实施例中，图13是根据本发明实施例的网格选取示意图二，如图13所示，本实施例对台风“苏力”的路径进行预报，并对网格选取的范围进行了调整，起报时间为UTC：2013年7月8日00时，图14是根据本发明实施例的台风路径预测对比示意图三，如图14所示，观测值与本申请的预测值之间的差异更小，图15是根据本发明实施例的“苏力”路径预报误差示意图，如图15所示，相关技术与观测值之间的误差为159.52km，本申请与观测值之间的误差为52.18km，精度大幅度提高，预报路径更为接近观测路径，平均准确度提高了107km左右。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种台风路径预测的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
在一个实施例中，图16是根据本发明实施例的计算机设备的内部结构示意图，如图16所示，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图16所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种台风路径预测的方法。
本领域技术人员可以理解，图16中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器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各实施例提供的台风路径预测的方法中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各个实施例提供的台风路径预测的方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种台风路径预测的方法，其特征在于，所述方法包括：
获取第一时刻的台风数据，根据所述台风数据建立台风初始场，其中，所述台风初始场包括内网格和外网格，在所述内网格侧边界与所述外网格重合的位置上，所述内网格的侧边界条件与所述外网格的预测参数分布一致；
通过滤波模型，滤除所述外网格中的台风结构，保留所述内网格中的台风结构，得到台风结构滤除场；
对所述台风结构滤除场中的数据进行积分计算，输出第二时刻的台风数据。
2.根据权利要求1所述的台风路径预测的方法，其特征在于，所述通过滤波模型，滤除所述外网格中的台风结构包括：
将所述台风数据中的所述预测参数进行傅里叶级数展开，保留预设波长范围内波段的台风结构。
3.根据权利要求1所述的台风路径预测的方法，其特征在于，所述通过滤波模型，滤除所述外网格中的台风结构包括：
将所述台风初始场分解为基本场和干扰场，根据所述基本场和所述干扰场，通过局部三点平滑算子，得到区域平滑变量；
根据所述区域平滑变量在子午方向的分量进行滤波，滤除所述外网格中的台风结构。
4.根据权利要求1所述的台风路径预测的方法，其特征在于，在所述台风初始场中建立多个网格，所述网格的分辨率各不相同，在相邻的两个所述网格中，位于内侧的网格的分辨率高于位于外侧的网格的分辨率。
5.根据权利要求4所述的台风路径预测的方法，其特征在于，位于外侧的网格的分辨率与位于内侧的网格的分辨率之比为1:3。
6.根据权利要求4所述的台风路径预测的方法，其特征在于，在所述建立多个网格之后，所述方法还包括：
滤除所述网格中最外侧网格的台风结构。
7.一种台风路径预测的设备，其特征在于，所述设备包括获取模块、滤波模块和输出模块：
所述获取模块，用于获取第一时刻的台风数据，根据所述台风数据建立台风初始场，其中，所述台风初始场包括内网格和外网格，在所述内网格侧边界与所述外网格重合的位置上，所述内网格的侧边界条件与所述外网格的预测参数分布一致；
所述滤波模块，用于通过滤波模型，滤除所述外网格中的台风结构，保留所述内网格中的台风结构，得到台风结构滤除场；
所述输出模块，用于对所述台风结构滤除场中的数据进行积分计算，输出第二时刻的台风数据。
8.根据权利要求7所述的台风路径预测的设备，其特征在于，所述滤波模块还用于将所述台风数据中的所述预测参数进行傅里叶级数展开，保留预设波长范围内波段的台风结构。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010102707.9A CN111353217B (zh) | 2020-02-19 | 2020-02-19 | 台风路径预测的方法、设备、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010102707.9A CN111353217B (zh) | 2020-02-19 | 2020-02-19 | 台风路径预测的方法、设备、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111353217A true CN111353217A (zh) | 2020-06-30 |
| CN111353217B CN111353217B (zh) | 2022-03-25 |
Family
ID=71193999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010102707.9A Active CN111353217B (zh) | 2020-02-19 | 2020-02-19 | 台风路径预测的方法、设备、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111353217B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898815A (zh) * | 2020-07-21 | 2020-11-06 | 中远海运科技(北京)有限公司 | 台风轨迹预测方法、装置、电子设备和计算机可读介质 |
| CN112149891A (zh) * | 2020-09-16 | 2020-12-29 | 南京信息工程大学 | 一种简捷的台风移动方向预测方法 |
| CN112782789A (zh) * | 2020-12-25 | 2021-05-11 | 东营市气象局 | 一种台风移动的预测方法和装置 |
| CN113469439A (zh) * | 2021-06-24 | 2021-10-01 | 清华大学 | 台风活动的预测方法、装置、设备及存储介质 |
| CN114550007A (zh) * | 2022-02-25 | 2022-05-27 | 中山大学 | 一种台风中心位置偏移量生成方法及台风中心定位方法 |
| CN115661277A (zh) * | 2022-10-20 | 2023-01-31 | 中山大学 | 基于变分自编码的台风云图外推方法、系统、设备和介质 |
| CN116430476A (zh) * | 2023-02-21 | 2023-07-14 | 南京气象科技创新研究院 | 一种用于热带气旋预报的变分辨率网格设置方法 |
| WO2024109848A1 (zh) * | 2022-11-25 | 2024-05-30 | 中国科学院深圳先进技术研究院 | 一种台风强度预测方法、装置、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5523759A (en) * | 1992-04-14 | 1996-06-04 | Honeywell Inc. | In flight doppler weather radar wind shear detection system |
| KR101285803B1 (ko) * | 2012-06-01 | 2013-07-23 | 부경대학교 산학협력단 | 태풍의 비축대칭 성분 추출을 통한 태풍초기화 시스템과 그 방법 |
| CN109146995A (zh) * | 2018-08-13 | 2019-01-04 | 长沙矿冶研究院有限责任公司 | 一种台风分布图绘制方法与系统 |
| CN109444989A (zh) * | 2018-12-28 | 2019-03-08 | 中山大学 | 台风预报方法、系统、可读存储介质和设备 |
| CN109657314A (zh) * | 2018-12-09 | 2019-04-19 | 中国人民解放军国防科技大学 | 基于资料循环同化和模式循环积分的台风涡旋初始化方法 |
| CN109655941A (zh) * | 2018-12-09 | 2019-04-19 | 中国人民解放军国防科技大学 | 一种基于目标系统扰动的热带气旋集合预报方法 |
| CN110633818A (zh) * | 2018-06-22 | 2019-12-31 | 中国电力科学研究院有限公司 | 一种配电网台风风灾预警方法及系统 |
-
2020
- 2020-02-19 CN CN202010102707.9A patent/CN111353217B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5523759A (en) * | 1992-04-14 | 1996-06-04 | Honeywell Inc. | In flight doppler weather radar wind shear detection system |
| KR101285803B1 (ko) * | 2012-06-01 | 2013-07-23 | 부경대학교 산학협력단 | 태풍의 비축대칭 성분 추출을 통한 태풍초기화 시스템과 그 방법 |
| CN110633818A (zh) * | 2018-06-22 | 2019-12-31 | 中国电力科学研究院有限公司 | 一种配电网台风风灾预警方法及系统 |
| CN109146995A (zh) * | 2018-08-13 | 2019-01-04 | 长沙矿冶研究院有限责任公司 | 一种台风分布图绘制方法与系统 |
| CN109657314A (zh) * | 2018-12-09 | 2019-04-19 | 中国人民解放军国防科技大学 | 基于资料循环同化和模式循环积分的台风涡旋初始化方法 |
| CN109655941A (zh) * | 2018-12-09 | 2019-04-19 | 中国人民解放军国防科技大学 | 一种基于目标系统扰动的热带气旋集合预报方法 |
| CN109444989A (zh) * | 2018-12-28 | 2019-03-08 | 中山大学 | 台风预报方法、系统、可读存储介质和设备 |
Non-Patent Citations (4)
| Title |
|---|
| CHEN SHUMIN: "Atmospheric Response to Mesoscale Ocean Eddies over the South China Sea", 《ADVANCES IN ATMOSPHERIC SCIENCES》 * |
| 刘秋兴等: "粤东沿海台风风暴潮特征及数值模拟", 《海洋预报》 * |
| 杨剑: "WRF 与 CFD 嵌套的局地台风风场数值模拟研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
| 王慧: "台风Megi(2010)强度和结构变化的数值研究", 《中国优秀博硕士学位论文全文数据库(博士)基础科学辑》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898815A (zh) * | 2020-07-21 | 2020-11-06 | 中远海运科技(北京)有限公司 | 台风轨迹预测方法、装置、电子设备和计算机可读介质 |
| CN112149891A (zh) * | 2020-09-16 | 2020-12-29 | 南京信息工程大学 | 一种简捷的台风移动方向预测方法 |
| CN112149891B (zh) * | 2020-09-16 | 2023-05-23 | 南京信息工程大学 | 一种简捷的台风移动方向预测方法 |
| CN112782789B (zh) * | 2020-12-25 | 2022-12-16 | 济南市气象局 | 一种台风移动的预测方法和装置 |
| CN112782789A (zh) * | 2020-12-25 | 2021-05-11 | 东营市气象局 | 一种台风移动的预测方法和装置 |
| CN113469439A (zh) * | 2021-06-24 | 2021-10-01 | 清华大学 | 台风活动的预测方法、装置、设备及存储介质 |
| CN114550007B (zh) * | 2022-02-25 | 2022-08-19 | 中山大学 | 一种台风中心位置偏移量生成方法及台风中心定位方法 |
| CN114550007A (zh) * | 2022-02-25 | 2022-05-27 | 中山大学 | 一种台风中心位置偏移量生成方法及台风中心定位方法 |
| CN115661277A (zh) * | 2022-10-20 | 2023-01-31 | 中山大学 | 基于变分自编码的台风云图外推方法、系统、设备和介质 |
| CN115661277B (zh) * | 2022-10-20 | 2023-06-02 | 中山大学 | 基于变分自编码的台风云图外推方法、系统、设备和介质 |
| WO2024109848A1 (zh) * | 2022-11-25 | 2024-05-30 | 中国科学院深圳先进技术研究院 | 一种台风强度预测方法、装置、设备及存储介质 |
| CN116430476A (zh) * | 2023-02-21 | 2023-07-14 | 南京气象科技创新研究院 | 一种用于热带气旋预报的变分辨率网格设置方法 |
| CN116430476B (zh) * | 2023-02-21 | 2024-02-13 | 南京气象科技创新研究院 | 一种用于热带气旋预报的变分辨率网格设置方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111353217B (zh) | 2022-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111353217B (zh) | 台风路径预测的方法、设备、计算机设备和存储介质 | |
| Gizaw et al. | Regional flood frequency analysis using support vector regression under historical and future climate | |
| Abdolali et al. | Large-scale hurricane modeling using domain decomposition parallelization and implicit scheme implemented in WAVEWATCH III wave model | |
| CN111027175B (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
| Luo et al. | Dynamics of landscape patterns in an inland river delta of Central Asia based on a cellular automata-Markov model | |
| Schulze | Impacts of global climate change in a hydrologically vulnerable region: challenges to South African hydrologists | |
| Das et al. | Assessment of characteristic changes of regional estimation of extreme rainfall under climate change: A case study in a tropical monsoon region with the climate projections from CMIP6 model | |
| CN117009887B (zh) | 流域水环境质量精细化估算及分析的方法及系统 | |
| Apurv et al. | Evaluation of the stationarity assumption for meteorological drought risk estimation at the multidecadal scale in contiguous United States | |
| CN116090596A (zh) | 一种台风强度预测方法、装置、设备及存储介质 | |
| Zhao et al. | Large-scale flood risk assessment under different development strategies: the Luanhe River Basin in China | |
| CN113609783B (zh) | 耦合大尺度环流气候信息的咸潮上溯预报系统和方法 | |
| Yayla et al. | Estimation of target station data using satellite data and deep learning algorithms | |
| CN110991702B (zh) | 山区降水量的计算方法、装置、计算机设备和存储介质 | |
| Zhang et al. | Construction of multi-level ecological security network in fragmented nature landscape using the three-dimensional framework of ecological adaptability | |
| CN110728042B (zh) | 一种快速预报长时间尺度海岸波浪要素的方法 | |
| CN112285808A (zh) | 一种aphrodite降水数据的降尺度方法 | |
| Parchure et al. | Self-organising maps for rain event classification in Mumbai City, India | |
| CN114707687B (zh) | 基于热带大气次季节振荡信号的旬降水预测方法和系统 | |
| CN111178631A (zh) | 一种水浮莲入侵分布区预测方法及系统 | |
| Thayakaran et al. | Multivariate models for rainfall based on Markov modulated Poisson processes | |
| El Maachi et al. | Vision of IoT, 5G and 6G data processing: applications in climate change mitigation | |
| Yang et al. | Predictive statistical representations of observed and simulated rainfall using generalized linear models | |
| Van de Vyver | On the estimation of continuous 24-h precipitation maxima | |
| CN114418167A (zh) | 一种基于高原山地多元气象新能源发电功率预测优化方法 |
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 |