CN111624680B - 一种基于对象诊断的降水预报位移订正算法 - Google Patents
一种基于对象诊断的降水预报位移订正算法 Download PDFInfo
- Publication number
- CN111624680B CN111624680B CN202010403057.1A CN202010403057A CN111624680B CN 111624680 B CN111624680 B CN 111624680B CN 202010403057 A CN202010403057 A CN 202010403057A CN 111624680 B CN111624680 B CN 111624680B
- Authority
- CN
- China
- Prior art keywords
- forecast
- grid
- algorithm
- precipitation
- objects
- 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.)
- Expired - Fee Related
Links
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
本发明公开了一种基于对象诊断的降水预报位移订正算法,该算法克服MODE方法与CRA方法的不足,设计了一种合理的对象位移偏差计算方法,并将对象诊断与观测相似法的思路相结合,避免点对点诊断方法的弊端,从对象位移偏差订正的角度直接改进模式的降水预报性能。数据实验和统计学交叉检验表明,本发明位移订正后不同预报时效的预报性能都得到了改进,临界成功指数和侦测率提升,假警率下降。
Description
技术领域
本发明涉及天气预报业务中的数值预报统计学后处理技术领域,尤其涉及数值模式降水预报订正技术。
背景技术
在天气预报业务实践中,预报员常常发现数值模式预报的强降水雨带与观测实况相比存在强度偏差和南北偏移的现象。目前已有方法大多针对模式降水预报的强度偏差进行订正,虽然可在一定程度上改善模式的预报性能,但对强降水的强度订正常常伴随过多的假警率(False Alarm Ratio,FAR),而针对雨带位移偏差的订正方法并不多见。观测相似法通过寻找与当前降水预报场相似的历史降水预报场,然后用相应的历史降水观测场集成得到订正后的降水预报场,可间接地订正降水预报的位移偏差。然而该方法基于传统点对点的误差指标(例如均方根误差、相关系数等)计算场与场之间相似度,对雨带的格点位置和个别极大值过于敏感,在高分辨率的预报和观测网格中存在“双惩罚”问题。
基于对象的诊断评估方法(the Method for Object-based DiagnosticEvaluation,MODE)是一种新型的空间检验技术,可提取预报和观测降水对象并计算位移偏差,避免了点对点诊断方法的弊端,但还没有学者将该方法与观测相似法相结合用于降水预报对象的位移订正。此外,在对象的位移偏差计算上,MODE方法仅使用对象的中心位置计算位移偏差,连续雨区法(Contiguous Rain Area,CRA)则通过平移对象达到最大重叠计算位移偏差,实践中发现两种方法都不能很好地适应形态各异的降水对象,常常产生与预报员主观判断偏差较大的计算结果。
综上,亟需设计一种合理的对象位移偏差计算方法,并将对象诊断与观测相似法的思路相结合,从对象位移偏差订正的角度直接改进模式的预报性能。
发明内容
本发明要解决的问题是:克服MODE方法与CRA方法的不足,设计一种合理的对象位移偏差计算方法,并将对象诊断与观测相似法的思路相结合,避免点对点诊断方法的弊端,从对象位移偏差订正的角度直接改进模式的降水预报性能。
本发明的技术方案为:
本发明的总体步骤如图1所示。
第一步,采用“双阈值技术”分析出当前降水预报多对象场以及训练期内降水预报和观测多对象场。其中双阈值是指“目标阈值”和“合并阈值”。“目标阈值”是所检验的目标降水对象的阈值。“合并阈值”用于确定合并目标降水对象所在的连续雨区范围,大小不超过“目标阈值”。“双阈值技术”则是将“合并阈值”连续雨区内的目标降水合并为一个对象。降水场中可能包含多个连续雨区,通过“双阈值技术”可分析获得降水多对象场。这里当前降水预报是指当前需要订正的原始模式降水预报。训练期通常取历史若干年同期前后若干天(例如最近3年同期前后30天,训练期总天数为3*61=183天)以反映降水的季节性特征。
在完成第一步以后,开始对当前降水预报场中分析出的每个对象循环进行后续操作。
第二步,判断当前降水预报对象面积是否达标。由于大尺度降水通常受大型天气系统影响而产生的,可预报性较好,而局地生成的小尺度降水不确定性较大,因此仅对面积较大的对象进行统计学订正。这里默认设定面积大于或等于90000km2的对象面积达标。若当前降水对象面积达标,则进入第三步;反之,则不订正,保留原始预报对象。
第三步,基于“改进的对象诊断方法”计算训练期内面积达标的所有预报对象与当前预报对象之间的匹配度。这里“改进的对象诊断方法”是对已有的MODE方法中匹配度算法的修改版,弥补了MODE方法中的一些不足之处,而在本发明中重点修改的地方是位移误差的计算。下面先介绍“改进的对象诊断方法”中匹配度的计算方法,其中需要用到的位移误差的计算方法见第五步中的“邻域最大重叠算法”。为方便起见,这里简称为预报和观测对象之间的匹配度。
1.计算预报和观测对象的位移误差函数:
2.计算预报和观测对象的面积比函数:
3.计算预报和观测对象的最小边界距离函数:
其中x是预报和观测对象的最小边界距离,单位是km.
4.计算预报和观测对象的轴角差函数:
这里x是预报和观测的轴角差的绝对值(单位:度)。用一个面积最小的矩形将对象包围,矩形的长宽分别为长轴和短轴,而长轴与水平线所夹的锐角称为轴角,范围是-90°到90°.
5.计算预报和观测对象的凸包面积比函数:
6.计算以上五种属性(位移误差、面积比、最小边界距离、轴角差、凸包面积比)的局部信度函数:c1(x),c2(x),c3(x),c4(x),c5(x).这里默认c1(x)=c2(x)=c3(x)=c5(x)=1.而考虑到轴角差仅仅在预报和观测对象的纵横比(长轴与短轴的比值)rf,ro明显大于1时才有意义,故定义轴角差的局部信度函数为:
c4(x)=1-exp[1-min(rf,ro)] (6)
当预报和观测对象其中有一个形状接近正圆时,min(rf,ro)的值接近1,从而轴角差的局部信度函数接近0;反之,若预报和观测对象都为长条形,min(rf,ro)的值都明显大于1,从而轴角差的局部信度函数接近1.
7.计算面积比全局信度函数g1(x)和最小边界距离全局信度函数g2(x)。其中g1(x)定义为:
其中x为预报和观测对象的面积比。g2(x)的定义与最小边界距离函数I3(3)相等。
8.计算匹配度:
本公式中5代表五种属性,分别为前述的位移误差、面积比、最小边界距离、轴角差、凸包面积比。I,c,w分别为不同属性的函数值、局部信度函数、权重值,g1和g2分别为面积比和最小边界距离的全局信度函数。五种属性的权重值默认设置为:w1=0.25,w2=0.15,w3=0.35,w4=0.10,w5=0.15.默认设置匹配度阈值为0.8,即匹配度T达到0.8或以上时达标。
第四步,选择上述匹配度达标的训练期内预报对象,基于“改进的对象诊断方法”计算它们与同一时次所有观测对象之间的匹配度。下面以图2为例进行解释说明。图2a中黑线圈出的预报对象为面积达标的当前预报对象,图2b和图2f中黑线圈出的预报对象都是面积达标且与当前预报对象之间的匹配度也达标的训练期内的预报对象。其中图2b中黑线圈出的预报对象需要与同一时次的观测(图2c)中的所有3个对象计算出3个匹配度,图2f中黑线圈出的预报对象需要与同一时次的观测(图2g)中的所有4个对象计算出4个匹配度。
第五步,选择上述匹配度最优且达标的观测对象,并基于“邻域最大重叠算法”计算观测对象相对于相匹配的预报对象的位移偏差矢量。这里匹配度最优是指如果有多个观测对象与同一个预报对象匹配度达标,那么取其中匹配度最高的。如图3所示,当前的降水预报对象F(图3a)有若干与之匹配度达标且面积达标的训练期内的相似预报对象,这些相似预报对象里面仅有M个(图3b,F1,F2,…,FM)有与之匹配度最优且达标的训练期内同一时次的降水观测对象O1,O2,…,OM.基于“邻域最大重叠算法”可计算观测对象O1,O2,…,OM相对于预报对象F1,F2,…,FM的位移偏差V1,V2,…,VM.需要注意的是,图3b仅仅是示意图,位移偏差矢量V1,V2,…,VM不是根据对象中心位置计算出来的,而且实际的预报和观测降水对象形态各异,并非理想的椭圆。在介绍“邻域最大重叠算法”之前,先介绍CRA方法中计算位移偏差的“全局最大重叠算法”。
CRA方法中“全局最大重叠算法”的步骤如下:
1.提取降水预报和观测对象格点场,将对象以外的格点值设为0.
2.确定预报对象向上、向下、向左、向右四个方向平移的格点数范围,分别记为Lt,Lb,Ll,Lr(下标含义分别为top,bottom,left,right),其值分别为预报对象最下方格点到网格顶部的格点数、预报对象最上方格点到网格底部的格点数、预报对象最右端格点到网格最左端的格点数、预报对象最左端格点到网格最右端的格点数。
3.将预报对象按矢量(Vx,Vy)进行移动,其中Vx的取值范围是[-Ll,Lr],Vy的取值范围是[-Lb,Lt],共进行(Ll+Lr+1)*(Lb+Lt+1)次矢量移动,移动后预报对象超出网格的部分舍弃,获得(Ll+Lr+1)*(Lb+Lt+1)个新的预报对象格点场。
4.统计(Ll+Lr+1)*(Lb+Lt+1)个新的预报对象格点场与原观测对象格点场的重叠格点数,选取最大值对应的矢量作为观测对象相对于预报对象的位移偏差矢量。若存在多个最大值相等的情况,取模最小的矢量。矢量(Vx,Vy)的模为
通过上述算法,可以得到“全局最大重叠位移矢量”Vg和“全局最大重叠格点数”Ng.而本发明提出的“邻域最大重叠算法”并不遍历所有可能的位移矢量,而是寻找满足收敛条件的模最小的位移矢量,从而取得“移动最短距离,重叠局部最优”的效果。图4的示意图展示了按不同方案计算得出的观测对象(浅灰色椭圆)相对于预报对象(深灰色椭圆)的位移偏差矢量。其中较长的箭头代表按MODE方法中的对象中心位置计算出的位移偏差矢量或按CRA方法中的“全局最大重叠算法”计算出的位移偏差矢量,由偏西分量和偏南分量组成。较短的箭头代表按本发明提出的“邻域最大重叠算法”计算得出的位移偏差矢量,由偏西分量和偏北分量组成,黑色虚线圆圈示意该算法通过逐步增大位移搜索半径取得邻域最优。根据预报员的主观判断,观测对象(浅色椭圆)相比于预报对象(深色椭圆)偏西偏北,因此“邻域最大重叠算法”更加合理。“邻域最大重叠算法”需要设定两个与收敛条件相关的参数:“邻域最优半径”和“邻域/全局最大重叠比”,默认取值分别为4和0.9.“邻域最优半径”为4代表第一个收敛条件:继续以1倍格距间隔增大4次位移搜索半径,最大重叠格点数保持不变。“邻域/全局最大重叠比”为0.9代表第二个收敛条件:达到第一个收敛条件时的最大重叠格点数与“全局最大重叠格点数”的比值不低于0.9.同时满足第一个和第二个收敛条件时,“邻域最大重叠算法”终止搜索,获得位移偏差矢量。
下面是“邻域最大重叠算法”的具体步骤:
1.提取降水预报和观测对象格点场,将对象以外的格点值设为0.
2.使用“全局最大重叠算法”获得“全局最大重叠格点数”Ng.
3.确定搜索半径最大值Rm(单位:格点数):Rm=max{Lt,Lb,Ll,Lr},其中Lt,Lb,Ll,Lr分别为预报对象最下方格点到网格顶部的格点数、预报对象最上方格点到网格底部的格点数、预报对象最右端格点到网格最左端的格点数、预报对象最左端格点到网格最右端的格点数。
4.根据搜索半径i(单位:格点数,初始值为1)确定矢量(Vx,Vy)的所有可能取值,需要同时满足:-i≤Vx≤i,-i≤Vy≤i,在图4的示意图中表现为矢量(Vx,Vy)指向半径为i-1和半径为i的两圆之间的环形部分。
5.将预报对象按步骤4中矢量(Vx,Vy)的所有可能取值分别进行移动,移动后预报对象超出网格的部分舍弃,计算移动后的新预报对象网格与原观测对象网格之间的重叠格点数,并记录重叠格点数最大值Ni以及对应的位移偏差矢量Vi.
6.记“邻域最优半径”为RL,“邻域/全局最大重叠比”为rs,若i>RL,则判断下列两个收敛条件是否同时满足:
7.若i<Rm,则搜索半径i值增加1个格距,返回步骤4;
否则,“邻域最大重叠算法”不收敛,位移偏差矢量取“全局最大重叠位移矢量”Vg,算法结束。
第六步,判断位移偏差矢量个数是否达标(默认设置个数不低于5时达标,即图3中达标时满足M≥5)。若不达标,则不订正,保留原始的预报对象。若达标,则继续进入第七步进行订正。
第七步,用上述的位移偏差矢量均值平移当前预报对象,得到订正后的预报对象(图3c)。需要说明的是,图3中的矢量Vi的下标i代表矢量个数序号,不同于“邻域最大重叠算法”中矢量Vi的下标i代表搜索半径。
本发明的特点在于:
(1)本发明不计算网格场之间的整体相似度,而是从网格场中提取出降水对象,采用“改进的对象诊断方法”计算对象之间的匹配度,再用历史相似预报对象相对于匹配的观测对象之间的位移误差订正当前预报对象,避免了传统点对点诊断的弊端。
(2)本发明将对象诊断与观测相似法的思路结合用于降水预报对象的位移订正。2015-2018年数据实验和统计学交叉检验表明,经本发明位移订正后不同预报时效(12-36h,36-60h,60-84h)的预报性能都得到了改进,临界成功指数和侦测率提升,假警率下降,为天气预报业务应用提供了科学参考。
(3)在对象的位移偏差计算方面,目前已有的MODE方法仅用对象中心位置计算位移偏差,而目前已有的CRA方法则通过平移对象达到最大重叠计算位移偏差,两者都存在一定的缺陷,不能很好地适应形态各异的降水对象,常常产生与预报员主观判断偏差较大的计算结果。本发明基于“移动最短距离,重叠局部最优”的思路,设计了一种“邻域最大重叠算法”,弥补了MODE和CRA中算法的缺陷,计算所得的位移偏差结果与预报员的主观判断相一致。
附图说明
图1为本发明的总体步骤示意图。
图2为本发明总体步骤的第四步示意图。
图3为本发明总体步骤的第五步和第七步示意图。
图4为不同方案计算的位移偏差矢量示意图。
图5为2016年7月2日20时起报的36-60小时降水预报(图a)、对应的降水实况(图b)、预报和观测50mm降水对象(图c)。
图6为2015年6月5日20时起报的36-60小时降水预报(图a)、对应的降水实况(图b)、预报和观测50mm降水对象(图c)。
图7为2015年6月15日20时起报的36-60小时降水预报(图a)、对应的降水实况(图b)、预报和观测50mm降水对象(图c)。
图8为2015年6月30日20时起报的36-60小时降水预报(图a)、对应的降水实况(图b)、预报和观测50mm降水对象(图c)。
图9为2017年6月21日20时起报的36-60小时降水预报(图a)、对应的降水实况(图b)、预报和观测50mm降水对象(图c)。
图10为2017年6月22日20时起报的36-60小时降水预报(图a)、对应的降水实况(图b)、预报和观测50mm降水对象(图c)。
图11为2017年6月29日20时起报的36-60小时降水预报(图a)、对应的降水实况(图b)、预报和观测50mm降水对象(图c)。
图12为2015-2018年不同预报时效下,原始预报和本发明的位移订正算法的临界成功指数、侦测率、假警率。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图所示之实例对本发明进行进一步详细说明。所选取2016年7月2日20时起报的36-60小时降水的50mm暴雨预报个例对发明的步骤进行说明,并选取2015-2018年为检验期统计本发明的订正效果。采用“留一法”确定训练期,例如检验2016年的个例时采用2015、2017和2018年的数据作为训练期。
本申请所述一种基于对象诊断的降水预报位移订正算法,所述方法包括:
第一步,采用“双阈值技术”分析出当前降水预报多对象场以及训练期内降水预报和观测多对象场。其中双阈值是指“目标阈值”和“合并阈值”。“目标阈值”是所检验的目标降水对象的阈值,这里取50mm。“合并阈值”用于确定合并目标降水对象所在的连续雨区范围,大小不超过“目标阈值”,这里取45mm。“双阈值技术”则是将“合并阈值”连续雨区内的目标降水合并为一个对象。降水场中可能包含多个连续雨区,通过“双阈值技术”可分析获得降水多对象场。这里当前降水预报是指当前需要订正的原始模式降水预报,即2016年7月2日20时起报的36-60小时降水。训练期选取2015、2017和2018年每年的6月2日-8月1日(7月2日±30日)作为训练样本,共计183天。
在完成第一步以后,开始对当前降水预报场中分析出的每个对象循环进行后续操作。
第二步,判断当前降水预报对象面积是否达标。这里默认设定面积大于或等于90000km2的对象面积达标。这里选取的当前降水预报对象如图5a中黑色凸包线所示,该对象面积为186000km2,面积达标,于是进入第三步。
第三步,基于“改进的对象诊断方法”计算训练期内面积达标的所有预报对象与当前预报对象之间的匹配度。这里“改进的对象诊断方法”是对已有的MODE方法中匹配度算法的修改版,弥补了MODE方法中的一些不足之处,而在本发明中重点修改的地方是位移误差的计算。下面先介绍“改进的对象诊断方法”中匹配度的计算方法,其中需要用到的位移误差的计算方法见第五步中的“邻域最大重叠算法”。这里以当前预报对象(图5a)与观测对象(图5b)之间的匹配度计算为例进行展示,而预报对象和预报对象之间的匹配度计算与此类似。
1.计算预报和观测对象的位移误差函数:
其中x是预报和观测对象的位移误差(单位:km,这里计算得到x值为188km,具体计算方法见第五步中的“邻域最大重叠算法”),而Af和Ao分别是预报和观测对象的面积,分别为186000km2和115000km2,可得D0的值为625km。可判断得到x<D0,因此计算得到I1(x)值为0.79。
2.计算预报和观测对象的面积比函数:
3.计算预报和观测对象的最小边界距离函数:
其中x是预报和观测对象的最小边界距离,因为两对象有重合之处(图5c),故x值为0km,可得I3(x)值为1。
4.计算预报和观测对象的轴角差函数:
这里x是预报和观测的轴角差的绝对值,大小为1.4度,因此I4(x)值为1。
5.计算预报和观测对象的凸包面积比函数:
该函数与面积比函数的形式类似,其中x是预报和观测的凸包面积比,定义为Hf和Ho分别是预报和观测对象的凸包面积,分别为306000km2和202000km2,因此x值为0.66,于是可得I5(x)值为1。
6.计算以上五种属性(位移误差、面积比、最小边界距离、轴角差、凸包面积比)的局部信度函数:c1(x),c2(x),c3(x),c4(x),c5(x).这里默认c1(x)=c2(x)=c3(x)=c5(x)=1.而考虑到轴角差仅仅在预报和观测对象的纵横比(长轴与短轴的比值)rf,ro明显大于1时才有意义,这里分别为6.6和4.4,根据定义的轴角差的局部信度函数:
c4(x)=1-exp[1-min(rf,ro)] (6)
可得c4(x)=0.97。
7.计算面积比全局信度函数g1(x)和最小边界距离全局信度函数g2(x)。其中g1(x)定义为:
其中x为预报和观测对象的面积比,大小为0.62,因此可得g1(x)为1。g2(x)的定义与最小边界距离函数I3(3)相等,也为1。
8.计算匹配度:
本公式中5代表五种属性,分别为前述的位移误差、面积比、最小边界距离、轴角差、凸包面积比。I,c,w分别为不同属性的函数值、局部信度函数、权重值,g1和g2分别为面积比和最小边界距离的全局信度函数。五种属性的权重值默认设置为:w1=0.25,w2=0.15,w3=0.35,w4=0.10,w5=0.15.默认设置匹配度阈值为0.8,即匹配度T达到0.8或以上时达标。这里计算可得T值为0.95,匹配度达标,代表预报和观测对象匹配成功。
基于上述“改进的对象诊断方法”,在训练期内,即2015、2017和2018年每年的6月2日-8月1日(7月2日±30日)作为训练样本(共计183天),找到面积达标且与当前预报对象匹配度达标的相似预报对象,然后筛选出其中存在同一时次相匹配的观测对象的相似预报对象,一共有6个。图6-11展示了找到的6个训练期内的相似预报对象、同一时次相匹配的观测对象以及预报和观测的对象匹配图。
第四步,选择上述匹配度达标的6个训练期内预报对象作为训练样本,基于“改进的对象诊断方法”计算它们与同一时次所有观测对象之间的匹配度。下面以图2为例进行解释说明。图2a中黑线圈出的预报对象为面积达标的当前预报对象,图2b和图2f中黑线圈出的预报对象都是面积达标且与当前预报对象之间的匹配度也达标的训练期内的预报对象。其中图2b中黑线圈出的预报对象需要与同一时次的观测(图2c)中的所有3个对象计算出3个匹配度,图2f中黑线圈出的预报对象需要与同一时次的观测(图2g)中的所有4个对象计算出4个匹配度。
第五步,选择上述匹配度最优且达标的观测对象,并基于“邻域最大重叠算法”计算观测对象相对于相匹配的6个预报对象的位移偏差矢量。这里匹配度最优是指如果有多个观测对象与同一个预报对象匹配度达标,那么取其中匹配度最高的。如图3所示,当前的降水预报对象F(图3a)有若干与之匹配度达标且面积达标的训练期内的相似预报对象,这些相似预报对象里面仅有M个(图3b,F1,F2,…,FM)有与之匹配度最优且达标的训练期内同一时次的降水观测对象O1,O2,…,OM.基于“邻域最大重叠算法”可计算观测对象O1,O2,…,OM相对于预报对象F1,F2,…,FM的位移偏差V1,V2,…,VM.需要注意的是,图3b仅仅是示意图,位移偏差矢量V1,V2,…,VM不是根据对象中心位置计算出来的,而且实际的预报和观测降水对象形态各异,并非理想的椭圆。
下面是“邻域最大重叠算法”的具体步骤:
1.提取降水预报和观测对象格点场,将对象以外的格点值设为0.
2.使用“全局最大重叠算法”获得“全局最大重叠格点数”Ng.
3.确定搜索半径最大值Rm(单位:格点数):Rm=max{Lt,Lb,Ll,Lr},其中Lt,Lb,Ll,Lr分别为预报对象最下方格点到网格顶部的格点数、预报对象最上方格点到网格底部的格点数、预报对象最右端格点到网格最左端的格点数、预报对象最左端格点到网格最右端的格点数。
在图4的示意图中表现为矢量(Vx,Vy)指向半径为i-1和半径为i的两圆之间的环形部分。
5.将预报对象按步骤4中矢量(Vx,Vy)的所有可能取值分别进行移动,移动后预报对象超出网格的部分舍弃,计算移动后的新预报对象网格与原观测对象网格之间的重叠格点数,并记录重叠格点数最大值Ni以及对应的位移偏差矢量Vi.
6.记“邻域最优半径”为RL,这里取RL=4;“邻域/全局最大重叠比”为rs,这里取rs=0.9。
若i>RL,则判断下列两个收敛条件是否同时满足:
7.若i<Rm,则搜索半径i值增加1个格距,返回步骤4;
否则,“邻域最大重叠算法”不收敛,位移偏差矢量取“全局最大重叠位移矢量”Vg,算法结束。
表1列出了本发明中的“邻域最大重叠算法”与传统的MODE对象中心算法、CRA全局最大重叠算法在计算预报对象相对于观测对象在东西和南北方向上的位移偏差。
表1不同方法计算得出的预报对象相对于观测对象的位移偏差(2016年7月2日20时起报的36-60小时降水预报个例)
MODE的对象中心算法得出的结论是预报偏西和偏南,CRA的全局最大重叠算法得出的结论是预报偏西和偏南,而本发明的邻域最大重叠算法得出的结论是预报偏西和偏北。根据预报员的主观判断,图5c中的预报雨带是偏西偏北的,因此本发明的“邻域最大重叠算法”更加符合实际。而MODE的对象中心算法失败的原因在于,预报对象相比于观测对象在南侧有较长的“尾巴”,导致对象中心偏南,尽管预报对象的北侧部分都在观测对象的北边。CRA的全局最大重叠算法虽然可以保证移动对象以后可达到最大重叠,但移动的路径并没有考虑预报和观测对象相邻部分的相对位置。而本发明采用的邻域最大重叠算法则通过移动最短的距离达到局部最优重叠的思路,获得了更加符合实际情况的计算结果。
表2列出了这6个训练期的日期、训练期预报对象与当前预报对象的匹配度、训练期预报对象相对于相应观测对象的东西和南北方向的位移偏差。这里的训练期日期是与图6-11对应的观测日期,不是模式的起报日期。
表2与2016年7月2日20时起报的36-60小时降水当前预报对象相似的历史预报对象、相似匹配度,相似对象与相应观测对象的位移偏差。
第六步,判断位移偏差矢量个数是否达标(默认设置个数不低于5时达标,即图3中达标时满足M≥5)。这里的矢量个数为6,达标,因此继续进入第七步进行订正。
第七步,用上述的6个位移偏差矢量均值平移当前预报对象,得到订正后的预报对象(图3c)。需要说明的是,图3中的矢量Vi的下标i代表矢量个数序号,不同于“邻域最大重叠算法”中矢量Vi的下标i代表搜索半径。这里的均值如表2所示,东西方向为-0.458°,南北方向为0.75°,即偏西0.458°,偏北0.75°,因此最终的订正方案是将当前的预报对象向东平移0.458°,并向南平移0.75°.
检验发现,当前预报对象的实况偏差为偏西1.875°,偏北0.5°(表1),与本发明中训练期统计值偏西0.458°,偏北0.75°(表2)较接近,结论都是偏西和偏北。
最后,通过2015-2018年的数据订正实验和检验来验证本发明的订正效果。选取ECMWF模式的12-36、36-60和60-84小时的降水预报以及我国的格点降水观测数据,采用“留一法”进行实验,即以2015-2018年中的一年为检验期,其余3年为训练期,逐年进行订正和检验。例如以2016年为检验期,则选取2015,2017和2018年为训练期。图12给出了原始预报(深灰色)和本发明位移订正后的预报(浅灰色)在不同预报时效下的检验评分情况,包括临界成功指数(Critical Success Index,CSI)、侦测率(Probability Of Detection,POD)和假警率(False Alarm Ratio,FAR).可以看出通过本发明进行位移订正后,不同预报时效下的CSI和POD提升了,最大提升幅度分别达8.7%和7.2%,而且不同预报时效下的FAR得到有效降低,最大降低幅度为3%。
Claims (1)
1.一种基于对象诊断的降水预报位移订正算法,其特征在于,该算法包括:
第一步,采用“双阈值技术”分析出当前降水预报多对象场以及训练期内降水预报和观测多对象场;
第二步,判断当前降水预报对象面积是否达标,若当前降水对象面积达标,则进入下一步;反之,则不订正,保留原始预报对象;
第三步,基于“改进的对象诊断方法”计算训练期内面积达标的所有预报对象与当前预报对象之间的匹配度;
第四步,选择上述匹配度达标的训练期内预报对象,基于“改进的对象诊断方法”计算它们与同一时次所有观测对象之间的匹配度;
第五步,选择上述匹配度最优且达标的训练期内的降水预报和观测对象,并基于“邻域最大重叠算法”计算观测对象相对于相匹配的预报对象的位移偏差矢量;
其中“邻域最大重叠算法”的特征在于,该算法包括以下7个步骤:
1、提取降水预报和观测对象格点场,将对象以外的格点值设为0;
2、使用“全局最大重叠算法”获得“全局最大重叠格点数”Ng;
3、确定搜索半径最大值Rm(单位:格点数):Rm=max{Lt,Lb,Ll,Lr},其中Lt、Lb、Ll、Lr分别为预报对象最下方格点到网格顶部的格点数、预报对象最上方格点到网格底部的格点数、预报对象最右端格点到网格最左端的格点数、预报对象最左端格点到网格最右端的格点数;
5、将预报对象按第四步中矢量(Vx,Vy)的所有可能取值分别进行移动,移动后预报对象超出网格的部分舍弃,计算移动后的新预报对象网格与原观测对象网格之间的重叠格点数,并记录重叠格点数最大值Ni以及对应的位移偏差矢量Vi;
6、记“邻域最优半径”为RL,“邻域/全局最大重叠比”为rs,若i>RL,则判断下列两个收敛条件是否同时满足:
7、若i<Rm,则搜索半径i值增加1个格距,返回第四步;否则,“邻域最大重叠算法”不收敛,位移偏差矢量取“全局最大重叠位移矢量”Vg,算法结束;
第六步,判断位移偏差矢量个数是否达标,若达标,则进入下一步;若不达标,则不订正,保留原始预报对象;
第七步,用位移偏差矢量均值平移当前预报对象,得到订正后的预报对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010403057.1A CN111624680B (zh) | 2020-05-13 | 2020-05-13 | 一种基于对象诊断的降水预报位移订正算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010403057.1A CN111624680B (zh) | 2020-05-13 | 2020-05-13 | 一种基于对象诊断的降水预报位移订正算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111624680A CN111624680A (zh) | 2020-09-04 |
CN111624680B true CN111624680B (zh) | 2021-10-19 |
Family
ID=72270927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010403057.1A Expired - Fee Related CN111624680B (zh) | 2020-05-13 | 2020-05-13 | 一种基于对象诊断的降水预报位移订正算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111624680B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113515871B (zh) * | 2021-09-08 | 2023-10-20 | 中科星图深海科技有限公司 | 一种面向对象的降水预报人工智能检验方法 |
CN114881381B (zh) * | 2022-07-11 | 2022-10-21 | 南京信息工程大学 | 基于改进卷积神经网络的城市积水水位预测方法及系统 |
CN115687876B (zh) * | 2022-10-11 | 2023-05-23 | 中国科学技术大学 | 一种基于雨团匹配的空间后处理方法 |
CN117237677B (zh) * | 2023-11-15 | 2024-03-26 | 南京信息工程大学 | 一种基于深度学习的强降水空间整体相似度的降水预报订正方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105717556A (zh) * | 2016-02-03 | 2016-06-29 | 长江水利委员会水文局 | 一种基于大数据的自分型雷达估测降水方法 |
WO2020097082A1 (en) * | 2018-11-06 | 2020-05-14 | Understory, Inc. | Rain sensor |
-
2020
- 2020-05-13 CN CN202010403057.1A patent/CN111624680B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105717556A (zh) * | 2016-02-03 | 2016-06-29 | 长江水利委员会水文局 | 一种基于大数据的自分型雷达估测降水方法 |
WO2020097082A1 (en) * | 2018-11-06 | 2020-05-14 | Understory, Inc. | Rain sensor |
Also Published As
Publication number | Publication date |
---|---|
CN111624680A (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111624680B (zh) | 一种基于对象诊断的降水预报位移订正算法 | |
CN111462225A (zh) | 一种红外光斑图像的质心识别定位方法 | |
CN110555841B (zh) | 基于自注意图像融合和dec的sar图像变化检测方法 | |
CN112102229A (zh) | 一种基于深度学习的工业ct检测缺陷的智能识别方法 | |
CN111007039B (zh) | 中低分辨率遥感图像亚像元级水体自动提取方法和系统 | |
CN116012380B (zh) | 一种绝缘子缺陷检测方法、装置、设备及介质 | |
CN109001218A (zh) | 基于高光谱成像技术的苹果表面缺陷快速无损识别方法 | |
CN113312993B (zh) | 一种基于PSPNet的遥感数据土地覆盖分类方法 | |
CN111144250A (zh) | 融合雷达和光学遥感数据的土地覆盖分类方法 | |
CN109977991A (zh) | 基于高清卫星遥感的林业资源采集方法 | |
CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
CN109615637A (zh) | 一种改进的遥感影像混合分割方法 | |
CN102855485A (zh) | 一种小麦抽穗的自动检测方法 | |
CN111291818B (zh) | 一种面向云掩膜的非均匀类别的样本均衡化方法 | |
CN110458019B (zh) | 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法 | |
CN116912690A (zh) | 一种基于数据融合的森林叶面积指数反演获取方法和系统 | |
CN108492288A (zh) | 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法 | |
Zou et al. | A method of radar echo extrapolation based on TREC and Barnes filter | |
CN113327271B (zh) | 基于双光孪生网络决策级目标跟踪方法、系统及存储介质 | |
CN113988222A (zh) | 一种基于Faster-RCNN的森林火灾检测与识别方法 | |
CN110487497A (zh) | 一种基于递归搜索的桥梁裂缝识别方法 | |
CN112329790B (zh) | 一种城市不透水面信息快速提取方法 | |
CN107576399B (zh) | 面向modis林火探测的亮温预测方法和系统 | |
CN108229459B (zh) | 一种目标跟踪方法 | |
CN112991425B (zh) | 一种水域水位提取方法、系统及存储介质 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211019 |