CN111783821B - 强对流阵风的判别方法及系统 - Google Patents

强对流阵风的判别方法及系统 Download PDF

Info

Publication number
CN111783821B
CN111783821B CN202010423604.2A CN202010423604A CN111783821B CN 111783821 B CN111783821 B CN 111783821B CN 202010423604 A CN202010423604 A CN 202010423604A CN 111783821 B CN111783821 B CN 111783821B
Authority
CN
China
Prior art keywords
historical
time
strong convection
real
data
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
Application number
CN202010423604.2A
Other languages
English (en)
Other versions
CN111783821A (zh
Inventor
崔传忠
吴家豪
王卓阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhitian Zhuhai Hengqin Meteorological Technology Co ltd
Original Assignee
Zhitian Zhuhai Hengqin Meteorological Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhitian Zhuhai Hengqin Meteorological Technology Co ltd filed Critical Zhitian Zhuhai Hengqin Meteorological Technology Co ltd
Priority to CN202010423604.2A priority Critical patent/CN111783821B/zh
Publication of CN111783821A publication Critical patent/CN111783821A/zh
Application granted granted Critical
Publication of CN111783821B publication Critical patent/CN111783821B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P13/00—Indicating or recording presence, absence, or direction, of movement
    • G01P13/02—Indicating direction only, e.g. by weather vane
    • G01P13/025—Indicating direction only, e.g. by weather vane indicating air data, i.e. flight variables of an aircraft, e.g. angle of attack, side slip, shear, yaw
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
    • G01P5/001—Full-field flow measurement, e.g. determining flow velocity and direction in a whole region at the same time, flow visualisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种强对流阵风的判别方法及系统，判别方法包括：基于待判别的目标区域内的历史地面风速数据、历史遥感气象数据和历史大气环境数据，得到各个强对流区的历史发生位置、历史最大阵风参数和历史前沿大气环境气象参数，以每个强对流区的历史遥感气象数据、历史最大阵风参数和历史前沿大气环境气象参数作为样本，并由至少一个样本形成训练数据集；利用训练数据集对模型进行训练；根据目标区域内的实时遥感气象数据和实时大气环境数据，得到各个强对流区的实时遥感气象数据和实时前沿大气环境气象参数，并将每个强对流区的实时遥感气象数据和实时前沿大气环境气象参数输入训练好的模型，得到强对流区的实时最大阵风参数。

Description

强对流阵风的判别方法及系统
技术领域
本申请涉及气象预报领域，更具体地将，涉及一种用于判别实时强对流 阵风的方法及系统。
背景技术
强对流为多发于春夏的一种恶劣天气，常伴随短时雷雨大风，瞬间最大 风速(即阵风)可高达12级以上(非龙卷风)，可严重影响社会活动及威胁 生命安全。因此，及时并精准地探测具危险性的强对流阵风对社会有正面影 响。
然而，现有技术中监测强对流阵风强度的方法受测风站的地理分布等限 制，若强对流区出现于测风站分布稀疏的地理位置(如山区、沙漠、海上等)， 常规监测方法便无法被使用。另外，现有技术中预报强对流阵风强度的方法 还依赖预报员的经验来做出主观预报，受人为因素(如精神状态、经验、情 绪、记忆力等)影响。
发明内容
本申请在于解决目前的强对流监测方法受测风站的地理分布以及人为因 素等限制而导致判别模型的准确度和可用度受限的问题，提供一种能够实时 判别强对流阵风的方法及系统。
根据本申请示例性实施例，提供了一种强对流阵风的判别方法，判别方 法包括：基于待判别的目标区域内的历史地面风速数据、历史遥感气象数据 和历史大气环境数据，得到各个强对流区的历史发生位置、历史最大阵风参 数和历史前沿大气环境气象参数，以每个强对流区的历史遥感气象数据、历 史最大阵风参数和历史前沿大气环境气象参数作为样本，并由至少一个样本形成训练数据集；利用训练数据集对模型进行训练；根据目标区域内的实时 遥感气象数据和实时大气环境数据，得到各个强对流区的实时遥感气象数据和实时前沿大气环境气象参数，并将每个强对流区的实时遥感气象数据和实 时前沿大气环境气象参数输入训练好的模型，得到强对流区的实时最大阵风 参数。其中，前沿大气环境气象参数是指沿强对流移动方向位于强对流区下游的预定区域内的大气环境气相参数。
可选地，基于待判别的目标区域内的历史地面风速数据、历史遥感气象 数据和历史大气环境数据，得到强对流区的历史发生位置、历史最大阵风和 历史前沿大气环境气象参数的步骤包括：根据历史遥感气象数据，确定强对 流区的历史发生位置、历史发生时间、历史移动方向；确定强对流区的历史 发生位置处的历史地面风速数据中强对流经过的时间；在历史地面风速数据中，获得强对流经过的时间的前后预定时间段内出现过的最大阵风参数，作 为强对流区的历史最大阵风参数；以及在历史大气环境数据中，根据强对流 区的历史发生位置、历史发生时间和历史移动方向，计算出强对流区前沿的 历史大气环境气象参数。
可选地，根据目标区域的实时遥感气象数据和实时大气环境数据，得到 各个强对流区的实时遥感气象数据和实时前沿大气环境气象参数的步骤包括： 根据目标区域的实时遥感气象数据，确定各个强对流区的实时发生位置和实 时移动方向；从目标区域的实时大气环境数据中，获取每个强对流区的实时 发生位置前沿的实时大气环境数据，并根据实时移动方向计算出每个强对流区的实时前沿大气环境气象参数。
可选地，可使用集成学习算法配合牛顿法作优化损失函数来训练模型。
可选地，判别方法还可以包括基于历史地面风速数据，获取16方位的开 敞程度参数，并将开敞程度参数作为用于对模型进行训练的样本，其中，开 敞程度参数包括物理遮挡指数、风力盛行指数、风力偏差指数。
可选地，大气环境气象参数可以包括下沉对流可用位能、对流可用位能、 粗理察森数、对流层中层风速和风向、近地面风速风向、下沉气流可用位能 以及地面粗糙长度。
可选地，目标区域内的历史遥感气象数据和实时遥感气象数据可以包括 雷达基本反射率、雷达组合反射率、雷达等高度反射率、雷达等仰角反射率、 多普勒雷达径向风速、雷达垂直累积液态水、各双偏振雷达参数、气象卫星 可见光信号强度、气象卫星水气信号强度、气象卫星红外线信号强度及各项 气象卫星衍生产品。
可选地，每个强对流区的历史遥感气象数据和实时遥感气象数据可以包 括最高基本反射率、平均基本反射率、基本反射率标准差、最高组合反射率、 平均组合反射率、组合反射率标准差、径向风速、最高垂直累积液态水、平 均垂直累积液态水、垂直累积液态水标准差及各双偏振雷达参数。
可选地，最大阵风参数可以包括最大阵风的绝对值、风力级别、风力范 围、最高阵风风力和最低阵风风力。
可选地，风力级别可以根据最大阵风的绝对值确定。
可选地，获取风力范围的步骤可以包括：获得强对流阵风各个风力级别 的出现概率；将多个连续风力级别合并为不同的风力范围，每个风力范围出 现的概率为每个风力范围内所有风力级别出现概率的总和；比较各风力范围 的出现概率，并将最大概率对应的风力范围作为用于判别强对流阵风的风力 范围。
可选地，获取最高阵风风力和最低阵风风力的步骤可以包括：获取模型 在判别各风力级别时的对应均方根误差；确定最高阵风风力和最低阵风风力， 最高阵风风力为最大阵风的绝对值与风力级别对应的均方根误差之和，最低 阵风风力为最大阵风的绝对值与风力级别对应的均方根误差之差。
可选地，判别方法还可以包括：在利用训练数据集对模型进行训练的步 骤之后，以平均绝对误差、均方根误差及R方作为基础，进一步调优模型。
可选地，判别方法还可以包括：在利用训练数据集对模型进行训练的步 骤之后，以临界成功指数、可侦测机率及误报率作为基础，进一步调优模型。
根据本申请另一示例性实施例，提供了一种存储指令的计算机可读存储 介质，其中，当指令被至少一个计算装置运行时，促使至少一个计算装置执 行如上所述的判别方法。
根据本申请另一示例性实施例，提供了一种包括至少一个计算装置和存 储指令的至少一个存储装置的系统，其中，指令在被至少一个计算装置运行 时，促使至少一个计算装置执行如上所述的强对流阵风的判别方法。
根据本申请另一示例性实施例，提供了一种强对流阵风的判别系统，判 别系统包括：训练数据集形成模块，被配置为基于待判别的目标区域内的历 史地面风速数据、历史遥感气象数据和历史大气环境数据，得到各个强对流 区的历史发生位置、历史最大阵风参数和历史前沿大气环境气象参数，以每个强对流区的历史遥感气象数据、历史最大阵风参数和历史前沿大气环境气 象参数作为样本，并由至少一个样本形成训练数据集；训练模块，被配置为 利用训练数据集对模型进行训练，判别模块，被配置为根据目标区域内的实时遥感气象数据和实时大气环境数据，得到各个强对流区的实时遥感气象数 据和实时前沿大气环境气象参数，并将每个强对流区的实时遥感气象数据和 实时前沿大气环境气象参数输入训练好的模型，得到强对流区的实时最大阵 风参数。
可选地，训练数据集形成模块可以被配置为：根据历史遥感气象数据， 确定强对流区的历史发生位置、历史发生时间、历史移动方向；确定强对流 区的历史发生位置处的历史地面风速数据中强对流经过的时间；在历史地面 风速数据中，获得强对流经过的时间的前后预定时间段内出现过的最大阵风 参数，作为强对流区的历史最大阵风参数；在历史大气环境数据中，根据强对流区的历史发生位置、历史发生时间和历史移动方向，计算出强对流区的 历史前沿大气环境气象参数。
可选地，判别模块可以被配置为：根据目标区域的实时遥感气象数据， 确定各个强对流区的实时发生位置和实时移动方向；从目标区域的实时大气 环境数据中，获取每个强对流区的实时发生位置的实时大气环境数据，并根 据实时移动方向计算出每个强对流区的实时前沿大气环境气象参数。
可选地，训练数据集形成模块还可以被配置为：基于历史地面风速数据， 获取16方位的开敞程度参数，并将开敞程度参数作为用于对模型进行训练的 样本，开敞程度参数包括物理遮挡指数、风力盛行指数、风力偏差指数。
可选地，训练模型可以被配置为使用集成学习算法配合牛顿法作优化损 失函数来训练模型。
可选地，训练模块还可以被配置为：在利用训练数据集对模型进行训练 之后，以平均绝对误差、均方根误差及R方作为基础，进一步调优模型。
可选地，训练模块还可以被配置为：在利用训练数据集对模型进行训练 之后，以临界成功指数、可侦测机率及误报率作为基础，进一步调优模型。
可选地，大气环境气象参数可以包括下沉对流可用位能、对流可用位能、 粗理察森数、对流层中层风速和风向、近地面风速风向、下沉气流可用位能 以及地面粗糙长度。
可选地，目标区域内的历史遥感气象数据和实时遥感气象数据可以包括 雷达基本反射率、雷达组合反射率、雷达等高度反射率、雷达等仰角反射率、 多普勒雷达径向风速、雷达垂直累积液态水、各双偏振雷达参数、气象卫星 可见光信号强度、气象卫星水气信号强度、气象卫星红外线信号强度及各项气象卫星衍生产品。
可选地，每个强对流区的历史遥感气象数据和实时遥感气象数据可以包 括最高基本反射率、平均基本反射率、基本反射率标准差、最高组合反射率、 平均组合反射率、组合反射率标准差、径向风速、最高垂直累积液态水、平 均垂直累积液态水、垂直累积液态水标准差及各双偏振雷达参数。
可选地，最大阵风参数可以包括最大阵风的绝对值、风力级别、风力范 围、最高阵风风力和最低阵风风力。
可选地，风力级别可以根据最大阵风的绝对值确定。
可选地，训练数据集形成模块和判别模块可以被配置为通过以下方式获 取风力范围：获得强对流阵风各个风力级别的出现概率；将多个连续风力级 别合并为不同的风力范围，每个风力范围出现的概率为每个风力范围内所有 风力级别出现概率的总和；比较各风力范围的出现概率，并将最大概率对应 的风力范围作为用于判别强对流阵风的风力范围。
可选地，训练数据集形成模块和判别模块可以被配置为通过以下方式获 取最高阵风风力和最低阵风风力：获取模型在判别各风力级别时的对应均方 根误差；确定最高阵风风力和最低阵风风力，最高阵风风力为最大阵风的绝 对值与风力级别对应的均方根误差之和，最低阵风风力为最大阵风的绝对值 与风力级别对应的均方根误差之差。
根据本申请示例性实施例的强对流阵风的判别方法具有以下有益技术效 果：
1)本申请采用人工智能手段建立模型，当中使用了大量具物理意义的参 数，相对于传统只以数个参数进行统计分析，人工智能可以分析出各气象参 数之间不显眼的关系，使所得出的模型更精密、更客观及更全面。同时，人 工智能免去使用传统极精细物理模型的需要，减少因使用超级电脑运算所造成的支出及用电，令气象业务更环保。
2)本申请的模型将测风站的开敞程度及粗糙度作为考虑参数之一，可利 用更多气象站数据训练模型，提升其准确度。
3)、相对于只针对某特定风级(例如，10级风)的出现概率，本申请所 提供的信息更为丰富，令用户更能掌握气象形势以进行更全面的风险评估， 让更多个人、群体及企业受惠。
4)、相对气象预报员以个人经验进行主观预测，本申请中的模型在建立 过程中乃是通过分析无数经验后所得出的客观判断，参考过的经历远比气象 预报员多，亦不受人为因素(如精神状态、经验、情绪、记忆力等)影响。 此点在极需要客观判断的强对流阵风预报业务中极为重要。
附图说明
对于本领域技术人员而言，通过参照附图详细描述示例性的实施例，特 征将变得明显，在附图中：
图1是根据本申请示例性实施例的强对流阵风的判别方法的流程图。
图2是示出根据本申请另一示例性实施例的强对流阵风的判别系统的框 图。
图3是示出前沿大气环境的范围的示意图。
具体实施方式
提供以下描述，以帮助全面理解由权利要求及其等同物限定的本申请的 示例性实施例。所述描述包括各种特定细节以帮助理解，但这些细节被认为 仅是示例性的。因此，本领域的普通技术人员将认识到：在不脱离本申请的 范围和精神的情况下，可对这里描述的实施例进行各种改变和修改。此外， 为了清楚和简明，可省略已知功能和构造的描述。
强对流阵风由雷暴云中的下沉气流到达地面后地面水平辐散所成。对流 下沉气流则由对流层中层的云外干空气被卷入云后蒸发冷却，并与其外环境 发生负温差(正密度差)后因出现往下的浮力而成。另外，下降中的水汽凝结体(即雨、雪、霰及雹)会向下带动周围空气，进一步加强下沉气流强度。 最后，当带雨水的下沉气流到底云底时遇上未饱和空气时，雨水蒸发冷却进 一步加强下沉气流。另一方面，下沉气流会将部份中层水平动量传输到地面， 加强阵风强度。
由此可见，强对流造成的阵风強度主要取決于以下因素：大气中层的湿 度、下沉气流与外围环境的温度差、降雨率、地面及中层的背景风速及风向。
根据本申请示例性实施例的实时强对流阵风的判别方法，包括模型训练 及实际应用两部份，其中，采用人工智能手段建立模型，当中使用了大量具 物理意义的参数，人工智能可以分析出各气象参数之间不显眼的关系，使所 得出的模型更精密、更客观及更全面
根据本申请示例性实施例的强对流阵风的判别方法可以由根据本申请示 例性实施例的强对流阵风的判别系统来执行，也可完全通过计算机程序或指 令以软件方式实现，还可通过特定配置的计算系统或计算装置来执行，例如， 可通过包括至少一个计算装置和至少一个存储指令的存储装置的系统来执行， 其中，所述指令在被至少一个计算装置运行时，促使至少一个计算装置执行上述判别方法。作为示例，图1所示的判别方法可以由下面将描述的图2中 所示的判别系统400来执行。
图1是根据本申请示例性实施例的强对流阵风的判别方法的流程图。参 照图1，根据本申请示例性实施例的强对流阵风的判别方法，包括以下步骤：
S100、基于待判别的目标区域内的历史地面风速数据、历史遥感气象数 据和历史大气环境数据，形成训练数据集。具体地：
S110、强对流阵风的判别方法的执行主体(例如，根据本申请示例性实 施例的强对流阵风的判别系统)可以收集待判别的目标区域内的历史地面风 速数据、历史遥感气象数据和历史大气环境数据，并按照步骤S111至S114 得到各个强对流区的历史发生位置、历史最大阵风参数和历史前沿大气环境气象参数。
S111、根据历史遥感气象数据，确定强对流区的历史发生位置、历史发 生时间及历史移动方向。例如，可以通过阈值法、斜率分布、光流法、任何 机械学习模型及任何神经网络模型得到遥感气象数据分布特征，并判断出强 对流区的历史发生位置、历史发生时间及历史移动方向。
其中，历史遥感气象数据可以为反映雷暴强度的数据，包括卫星云图数 据及气象雷达数据，例如可以包括但不限于雷达基本反射率、雷达组合反射 率、雷达等高度反射率、雷达等仰角反射率、多普勒雷达径向风速、雷达垂 直累积液态水、各双偏振雷达参数、气象卫星可见光信号强度、气象卫星水 气信号强度、气象卫星红外线信号强度及各项气象卫星衍生产品。
S112、确定强对流区的历史发生位置处的历史地面风速数据中强对流经 过的时间。其中，历史地面风速数据的来源包括但不限于自动气象站、人手 气象站、机场天气报告及新闻。
S113、在历史地面风速数据中，获得强对流经过的时间的前后预定时间 段内出现过的最大阵风参数，作为强对流区的历史最大阵风参数。
S114、在历史大气环境数据中，根据强对流区的历史发生位置、历史发 生时间和历史移动方向，计算出强对流区前沿的历史大气环境气象参数，即， 历史前沿大气环境气象参数。由于强对流区中的大气是强对流的，不是大环 境情况，因此，需要获得的是强对流区前沿的历史大气环境气象参数。这里，“前沿”是指在强对流移动方向上的前方(下游)的预定区域，前沿大气环境 气相参数是指在强对流移动前方的预定区域(例如，250公里×250公里区域) 中的平均大气环境气象参数，例如，如图3中所示，前沿大气环境气相参数是指沿强对流移动方向2位于强对流区1下游的区域3(250公里×250公里) 内的大气环境气相参数。
其中，历史大气环境数据的来源包括但不限于历史数值预报模式运算结 果及数值预报模式再分析运算结果。大气环境气象参数可以包括下沉对流可 用位能(DCAPE)、对流可用位能(CAPE)、粗理察森数(BRN)对流层中 层风速和风向、近地面风速风向、下沉气流可用位能以及地面粗糙长度。
其中，DCAPE的公式为：
在公式1中，zLFS为自由下沉高度、为下沉气流虚温(开氏度)、/>为环境虚温(开氏度)。
CAPE的公式为：
在公式2中，zLFC为自由对流高度、zEL为平衡高度、为上升气块 虚温(开氏度)、/>为环境虚温(开氏度)。
对流层中层的风速和风向可以为对流500百帕或以下高度层面的水平风 速及风向。
S120、以每个强对流区的历史遥感气象数据、历史最大阵风参数和历史 前沿大气环境气象参数作为样本，并由至少一个样本形成训练数据集。由于 通过遥感气象数据确定强对流的位置是一个区域，因此，每个强对流区的遥 感气象数据是该区域的数据的平均值，例如，每个强对流区的遥感气象数据可以包括最高基本反射率、平均基本反射率、基本反射率标准差、最高组合 反射率、平均组合反射率、组合反射率标准差、径向风速、最高垂直累积液 态水、平均垂直累积液态水、垂直累积液态水标准差及各双偏振雷达参数。
S200、利用训练数据集对模型进行训练。
可选地，可以利用机械学习方法或深度学习方法，基于步骤S100得到的 训练数据集对模型进行训练，得到各个强对流区的历史遥感气象数据和历史 大气环境气象参数与历史最大阵风参数之间的关系。优选地，可以使用集成 学习算法中的分类预测或回归预测配合牛顿法作优化损失函数来训练模型。 机械学习中，是以最小化优化损失之值作为目标，值越小，模型越好。微分 中可以利用牛顿法找出一个函数的最低值。
传统的机器学习算法，已经被证明在某些噪音较大的分类或回归中会过 拟合，对于不同取值的特征数据，取值划分较多的特征会对模型产生更大的 影响。相反，CatBoost作为集成学习算法，选用决策树为基模型，数据无需 标准化，大大提高拟合速度；在相对较少调参时间下，其预测准确率也相比传统机器学习算法(SVM)精度更高。CatBoost还解决了梯度偏差以及预测 偏的问题，从而减少过拟合的发生，进而提高算法的准确性和泛化能力。但 本申请不限于此，除了CatBoost，还可以采用LightBoost和XGBoost等集成 学习算法。
对于气象数据，相比于传统的凸优化损失函数为梯度下降，本模型使用 牛顿法(Newton′s Method)，由于其海森矩阵的的逆在迭代中不断减小，起到 逐渐缩小步长的效果，收敛速度相比梯度下降法更快。并通过优化算法(例 如：网格搜索、随机搜索)寻找CatBoost中最优的超参数，以提高精度。
S300、基于训练好的模型，根据目标区域的实时遥感气象数据和实时大 气环境数据，得到强对流阵风的判别结果。具体地：
S310、根据目标区域内的实时遥感气象数据和实时大气环境数据，按照 步骤S311和S312得到各个强对流区的实时遥感气象数据和实时前沿大气环境气象参数。
S311、根据目标区域的实时遥感气象数据，确定各个强对流区的实时发 生位置及实时移动方向。
S312、从目标区域的实时大气环境数据中，获取每个强对流区的实时发 生位置前沿的实时大气环境数据，并根据其实时移动方向计算出每个强对流 区前沿的实时大气环境气象参数。
S320、将每个强对流区的实时遥感气象数据和实时前沿大气环境气象参 数输入训练好的模型，得到强对流区的实时最大阵风参数。
优选地，在步骤S110中，还可以基于目标区域内的历史地面风速数据， 获取16方位的开敞程度参数，并将开敞程度参数作为用于对模型进行训练的 样本。开敞程度参数包括但不限于以下参数：
物理阻挡指数(Physical Obstruction Index，POI)的公式为：
其中，hobstruction为单一风向i中最接近测风站的障碍物高度，zobstruction为i风向中最接近测风站的障碍物的距离。
风力盛行指数(Prevailing Wind Index，PWDI)的公式为：
其中，vi为根据历史测风站数据中单一风向i的平均风速，vimax为根据历 史测风站数据中平均风速最高的风向的平均风速。
风力偏差指数(Wind Bias Index，WDBI)的公式为：
其中，为根据历史测风站数据中单一风向i的平均风速，/>为根据历史 测风站数据中测风站的平均风速。
其中，在步骤S300中，假设任何风向都当风，即，假设POIi为0，PWDIi为1及WDBIi为测风站16个方位之中的最大值。
本申请的示例性实施例中，将测风站的开敞程度及粗糙度作为模型训练 参数之一，可利用更多气象站数据训练模型，提升其准确度，同时也使模型 的预测能应用于不同地势、地表及土地用途的地理位置。
优选地，判别方法还可以包括：在步骤S200和步骤S300之间，采用测 试数据集对模型进行测试，采用验证数据集对模型进行验证，测试数据集和 验证数据集分别由全部样本中随机选取的部分样本构成。例如，全部样本的 X％作为模型的训练数据，全部样本的Y％作为验证数据，全部样本的Z％作 为测试数据，例如，X：Y：Z可以为6：2：2。
优选地，判别方法还可以包括：在步骤S200之后，对模型进行优化的步 骤。例如，在实施例中，以平均绝对误差(Mean Absolute Error，MAE)、均 方根误差(Root MeanSquare Error，RMSE)及R方作为基础，进一步调优 模型。但本申请不限于此，在另一实施例中，可以以临界成功指数(Critical Success Index，CSI)、可侦测机率(Probability ofDetection，POD)及误报率 (False Alarm Rate，FAR)作为基础，进一步调优模型。
可选地，最大阵风参数可以包括最大阵风的绝对值、风力级别、风力范 围、最高阵风风力和最低阵风风力。
其中，风力级别可以根据最大阵风的绝对值来确定。
获取风力范围的步骤可以包括：获得强对流阵风各个风力级别的出现概 率；将多个连续风力级别合并为不同的风力范围，每个风力范围出现的概率 为每个风力范围内所有风力级别出现概率的总和；比较各风力范围的出现概 率，并将最大概率对应的风力范围作为用于判别强对流阵风的风力范围。
获取最高阵风风力和最低阵风风力的步骤可以包括：获取模型在判别各 风力级别时的对应均方根误差；确定最高阵风风力和最低阵风风力，最高阵 风风力为最大阵风的绝对值与风力级别对应的均方根误差之和，最低阵风风 力为最大阵风的绝对值与风力级别对应的均方根误差之差。
图2是示出根据本申请示例性实施例的强对流阵风的判别系统的框图。
这里，作为示例，作为对上述图1中所示方法的实现，本申请示例性实 施例提供了一种强对流阵风的判别系统，该系统实施例与图1中所示的方法 实施例相对应，该系统具体可以应用于各种电子设备中。
参照图2，根据本申请示例性实施例的强对流阵风的判别系统包括：训 练数据集形成模块410、训练模块420和判别模块430。
具体地，训练数据集形成模块410被配置为基于待判别的目标区域内的 历史地面风速数据、历史遥感气象数据和历史大气环境数据，得到各个强对 流区的历史发生位置、历史最大阵风参数和历史前沿大气环境气象参数，以 每个强对流区的历史遥感气象数据、历史最大阵风参数和历史前沿大气环境气象参数作为样本，并由至少一个样本形成训练数据集。
训练模块420被配置为利用训练数据集对模型进行训练。
判别模块430被配置为根据目标区域内的实时遥感气象数据和实时大气 环境数据，得到各个强对流区的实时遥感气象数据和实时前沿大气环境气象 参数，并将每个强对流区的实时遥感气象数据和实时前沿大气环境气象参数输入训练好的模型，得到强对流区的实时最大阵风参数。
根据示例性实施例，训练数据集形成模块410可以被配置为：根据历史 遥感气象数据，确定强对流区的历史发生位置；确定强对流区的历史发生位 置处的历史地面风速数据中强对流经过的时间；在历史地面风速数据中，获 得强对流经过的时间的前后预定时间段内出现过的最大阵风参数，作为强对 流区的历史最大阵风参数；在历史大气环境数据中，根据强对流区的历史发 生位置、历史发生时间及历史移动方向，计算出强对流区前沿的历史大气环 境气象参数。
根据示例性实施例，训练数据集形成模块410还可以被配置为：基于历 史地面风速数据，获取16方位的开敞程度参数，并将开敞程度参数也作为用 于对模型进行训练的样本，开敞程度参数包括物理遮挡指数、风力盛行指数、 风力偏差指数。
根据示例性实施例，训练模块420可以被配置为：使用集成学习算法配 合牛顿法作优化损失函数来训练模型。
根据示例性实施例，训练模块420还可以被配置为：在利用训练数据集 对模型进行训练之后，以平均绝对误差、均方根误差及R方作为基础，进一 步调优模型。
根据示例性实施例，训练模块420还可以被配置为：在利用训练数据集 对模型进行训练之后，以临界成功指数、可侦测机率及误报率作为基础，进 一步调优模型。
根据示例性实施例，判别模块430可以被配置为：根据目标区域的实时 遥感气象数据，确定各个强对流区的实时发生位置和实时移动方向；从目标 区域的实时大气环境数据中，获取每个强对流区的实时发生位置处前沿的实 时大气环境数据，并根据其实时移动方向计算出每个强对流区的实时前沿大气环境气象参数。
此外，由于根据图2中所示的判别系统可用于执行图1中所示的判别方 法，因此，强对流阵风的判别系统中的训练数据集形成模块410、训练模块 420和判别模块430的任何相关细节(例如，具体处理及其所带来的技术效 果)可分别参考图1对应实施例的步骤S100、S200和S300的相关说明，为简洁起见，这里均不再赘述。
以上已参照图1至图3描述了根据本申请示例性实施例模型训练系统和 训练方法以及预测系统和预测方法。
然而，应理解的是：图2中所示出的系统可被分别配置为执行特定功能 的软件、硬件、固件或上述项的任意组合。例如，这些系统或装置可对应于 专用的集成电路，也可对应于纯粹的软件代码，还可对应于软件与硬件相结 合的模块。此外，这些系统或装置所实现的一个或多个功能也可由物理实体设备(例如，处理器、客户端或服务器等)中的组件来统一执行。
此外，上述方法可通过记录在计算机可读存储介质上的指令来实现，例 如，根据本申请的示例性实施例，可提供一种存储指令的计算机可读存储介 质，其中，当指令被至少一个计算装置运行时，促使至少一个计算装置执行 以下步骤：基于待判别的目标区域内的历史地面风速数据、历史遥感气象数 据和历史大气环境数据，得到各个强对流区的历史发生位置、历史发生时间、历史移动方向、历史最大阵风参数和历史前沿大气环境气象参数，以每个强 对流区的历史遥感气象数据、历史最大阵风参数和历史前沿大气环境气象参数作为样本，并由至少一个样本形成训练数据集；利用训练数据集对模型进 行训练；根据目标区域内的实时遥感气象数据和实时大气环境数据，得到各 个强对流区的实时遥感气象数据和实时前沿大气环境气象参数，并将每个强 对流区的实时遥感气象数据和实时前沿大气环境气象参数输入训练好的模型，得到强对流区的实时最大阵风参数。
上述计算机可读存储介质中存储的指令可在诸如客户端、主机、代理装 置、服务器等计算机设备中部署的环境中运行，应注意，指令还可在执行上 述步骤时执行更为具体的处理，这些进一步处理的内容已经在参照图1描述 的过程中提及，因此这里为了避免重复将不再进行赘述。
另一方面，当图2所示的系统以软件、固件、中间件或微代码实现时， 用于执行相应操作的程序代码或者代码段可以存储在诸如存储介质的计算机 可读介质中，使得至少一个处理器或至少一个计算装置可通过读取并运行相 应的程序代码或者代码段来执行相应的操作。
例如，根据本申请示例性实施例，可提供一种包括至少一个计算装置和 存储指令的至少一个存储装置的系统，其中，指令在被至少一个计算装置运 行时，促使至少一个计算装置执行下述步骤：基于待判别的目标区域内的历 史地面风速数据、历史遥感气象数据和历史大气环境数据，得到各个强对流区的历史发生位置、历史发生时间、历史移动方向、历史最大阵风参数和历 史前沿大气环境气象参数，以每个强对流区的历史遥感气象数据、历史最大 阵风参数和历史前沿大气环境气象参数作为样本，并由至少一个样本形成训 练数据集；利用训练数据集对模型进行训练；根据目标区域内的实时遥感气 象数据和实时大气环境数据，得到各个强对流区的实时遥感气象数据和实时 前沿大气环境气象参数，并将每个强对流区的实时遥感气象数据和实时前沿大气环境气象参数输入训练好的模型，得到强对流区的实时最大阵风参数。
下面将结合具体示例来进一步详细描述本申请的示例性实施例的强对流 阵风的判别方法，该方法包括模型训练和实际应用两部份，其中，在实际应 用部分假设开敞程度为最大开敞程度，即，任何风向都是当风的。
示例1
模型训练
1、搜集历史地面风速数据，并获取其地理位置以及16方向的开敞程度。 开敞程度包括但不限于物理遮挡指数、风力盛行指数、风力偏差指数。
2、搜集历史遥感气象数据。历史遥感气象数据的类型/参数包括但不限 于雷达基本反射率、雷达组合反射率、雷达等高度反射率、雷达等仰角反射 率、多普勒雷达径向风速、雷达垂直累积液态水、各双偏振雷达参数、气象 卫星可见光信号强度、气象卫星水气信号强度、气象卫星红外线信号强度及 各项气象卫星衍生产品。
3、通过分析云团、降雨和径向风速中的一个或多个分布特征及随时间的 变化(包括但不限于阈值法、斜率分布、光流法、任何机械学习模型及任何 神经网络模型)，判断出强对流区的历史位置及移动方向。
4、搜集历史大气环境数据，其来源包括但不限于历史数值预报模式运算 结果及数值预报模式再分析运算结果，。
5、根据以下步骤从历史数据中辨认出强对流事件并且获取各项参数的值：
5.1、搜索历史地面风速数据来源地的地理位置被强对流经过的时间。
5.2、从历史地面风速数据的风速时间序列中，找出强对流经过的时间及 前后X分钟内出现过的最高阵风，作为该次强对流事件的对应最高阵风及其 蒲福氏风级级别。
5.3、根据强对流影响历史风速数据的来源地和时间，从历史大气环境数据中，计算出强对流事件发生时强对流前沿(即，强对流移动方向的前方250 公里×250公里的区域中的平均大气环境)的各类气象参数，并将其离散化。 气象参数包括但不限于下沉对流可用位能、对流可用位能、粗理察森数(BRN)、 对流层中层风速和风向、近地面风速风向、下沉气流可用位能以及地面粗糙 长度。
6、选取所有样本数据(包括开敞程度、强对流区的历史遥感气象数据、 历史最大阵风参数和历史前沿大气环境气象参数)之中的X％作为模型训练 数据，Y％作为验证数据，Z％作为测试数据(X、Y、Z的比例为6：2：2)， 并以集成学习算法(包括但不限于CatBoost、LightBoost及XGBoost)中的 分类预测来配合牛顿法作优化损失函数训练模型，使之根据大气环境参数及 雷达数据预测出强对流阵风的蒲福氏风级级别。
7、以临界成功指数(Critical Success Index，CSI)、可侦测机率(Probabilityof Detection，POD)及误报率(False Alarm Rate，FAR)作为基础，进一步 调优模型。其中，
其中NTP，NFP及NFN分别代表模式的真阳性、假阳性及假阴性判断结果 的总数。其中，真阳性定义为实际风力的值位于预测阵风风力范围中；假阳 性定义为实际风速值低于预测风力范围；假阴性定义为实际风力高于预测风 力范围。
实际应用
1、以遥感手段(包括但不限于卫星云图及气象雷达参数)及/或地面观 测获取实时遥感气象数据，例如，云团、降雨分布和径向风速中的一个或多 个。
2、通过分析云团、降雨和径向风速中的一个或多个分布特征及随时间的 变化(包括但不限于阈值法、斜率分布、光流法、任何机械学习模型及任何 神经网络模型)，判断出强对流区的实时位置及移动方向。
3、从数值预报模型运行结果或实时探空数据，获取/估算中各强对流区 的实时前沿大气环境，并计算各项气象参数(包括但不限于对流可用位能、 最不稳定对流可用位能、粗理察森数、对流层中层风速及风向、近地面风速 风向、下沉气流可用位能及地面粗糙长度。)
4、将各强对流区的特征值(包括但不限于最高基本反射率、平均基本反 射率、基本反射率标准差、最高组合反射率、平均组合反射率、组合反射率 标准差、径向风速、最高垂直累积液态水、平均垂直累积液态水、垂直累积 液态水标准差及各双偏振雷达参数)，输入到预先利用机械学习或深度学习训 练好的模式当中，使得模式计算出强对流区的最大阵风的风力级数，并将相关资料(例如，强对流区的最大阵风的风力级数)推送给用户。
示例2
模型训练
步骤1至4与示例1相同，这里不再赘述。
5、根据以下步骤从数据中辨认出强对流事件及获取各项参数之值：
5.1、搜索地面风速数据来源地的地理位置被强对流经过的时间。
5.2、从风速时间序列中，找出强对流经过的时间及前后X分钟内出现过 的最高阵风，作为该次强对流事件的对应最高阵风。
5.3、根据强对流影响风速数据来源地时间，从大气环境数据中，计算出 强对流事件发生时强对流前沿的各类气象参数的值。
6、选取所有样本数据之中的X％作为模型训练数据，Y％作为验证数据， Z％作为测试数据(X、Y、Z通常比例为6：2：2)，并以集成学习算法(包 括但不限于CatBoost、LightBoost及XGBoost)中的回归预测来配合牛顿法 作优化损失函数训练模型，使之根据大气环境参数及雷达数据预测出强对流阵风的绝对值。
7、以平均绝对误差、均方根误差及R方作为基础，进一步调优模型。
实际应用
步骤1至3与示例1相同，这里不再赘述。
4、将各强对流区的特征值(包括但不限于最高基本反射率、平均基本反 射率、基本反射率标准差、最高组合反射率、平均组合反射率、组合反射率 标准差、径向风速、最高垂直累积液态水、平均垂直累积液态水、垂直累积 液态水标准差及各双偏振雷达参数)，输入到上述模式当中，使得模式计算出 强对流区的最大阵风的绝对值，并找出对应的蒲福氏风力级数，并将相关资料推送给用户。
示例3
模型训练
步骤1至4与示例1相同，这里不再赘述。
5、根据以下步骤从数据中辨认出强对流事件及获取各项参数之值：
5.1、搜索风速数据来源地的地理位置被强对流经过的时间。(与原方案 相同)
5.2、从风速时间序列中，找出强对流经过的时间及前后X分钟内出现过 的最高阵风，作为该次强对流事件的对应最高阵风。
5.3、根据强对流影响风速数据来源地时间，从大气环境数据中，计算出 强对流事件发生时强对流前沿的各类气象参数，并进行离散化处理。
6、选取所有样本数据之中的X％作为模型训练数据，Y％作为验证数据， Z％作为测试数据(X、Y、Z通常比例为6：2：2)，并以集成学习算法(包 括但不限于CatBoost、LightBoost及XGBoost)中的分类预测来配合牛顿法 作优化损失函数训练模型，使其计算出强对流阵风各蒲福氏风级级别的出现概率。
7、将2至3个连续风级合并为不同风力范围(如6级至8级，7级至9 级)，其出现概率则为风力范围内风级出现概率的总和。
8、比较各风力范围的机率，取最大机率者作为模型的预测强对流阵风风 力范围。
9、以CSI、POD及FAR作为基础，进一步调优模型。其中，真阳性定 义为实际风力之值位于预测阵风风力范围中；假阳性定义为实际风速值低于 预测风力范围；假阴性定义为实际风力高于预测风力范围。
实际应用
步骤1至3与示例1相同，这里不再赘述。
4、将各强对流区的特征值(包括但不限于最高基本反射率、平均基本反 射率、基本反射率标准差、最高组合反射率、平均组合反射率、组合反射率 标准差、径向风速、最高垂直累积液态水、平均垂直累积液态水、垂直累积 液态水标准差及各双偏振雷达参数)，输入到上述模式当中，使得模式计算出 强对流区出现各强度级别(蒲福氏风级)阵风的概率。
5、将2至3个连续风级合并为不同风力范围，其出现概率则为风力范围 内风级出现概率的总和。
6、比较各风力范围的机率，取最大机率者作为模型的预测强对流阵风风 力范围，并将相关资料(例如，预测的强对流阵风风力范围)推送给用户。
示例4
模型训练
步骤1至4与示例1相同，这里不再赘述。
5、根据以下步骤从数据中辨认出强对流事件及获取各项参数之值：
5.1、搜索风速数据来源地的地理位置被强对流经过的时间。
5.2、从风速时间序列中，找出强对流经过的时间及前后X分钟内出现过 的最高阵风，作为该次强对流事件的对应最高阵风。
5.3、根据强对流影响风速数据来源地时间，从大气环境数据中，计算出 强对流事件发生时强对流前沿的各类气象参数。
6、选取所有样本数据之中的X％作为模型训练数据，Y％作为验证数据， Z％作为测试数据(X、Y、Z通常比例为6：2：2)，并以集成学习算法(包 括但不限于CatBoost、LightBoost及XGBoost)中的回归预测来配合牛顿法 作优化损失函数训练模型，使之根据大气环境参数及雷达数据预测出强对流阵风的绝对值。
7、以平均绝对误差、均方根误差及R方作为基础，进一步调优模型。
8、模型调优完成后，按蒲福氏风级或其他分级找出最优模型在预测各风 力级别的对应RMSE。
9、根据模型预测的强对流阵风的绝对值vpredict及与其对应的风力级别F(vpredict)，按照以下公式(9)至(10)计算出预测的强对流最低阵风风力vpred_min和最高阵风风力vpred_max：
vpred_min＝vpredict-RMSE(F(vpredict)) (9)
vpred_max＝vpredict+RMSE(F(vpredict)) (10)
10、根据vpred_min和vpred_max计算模型的CSI、POD及FAR。其中，真阳 性(TP)、假阳性(FP)及假阴性(FN)的定义如下：
FP：vactual＜vpred_min (11)
TP：vpred_min≤vactual≤vpred_max (12)
FN：vactual＞vpred_max (13)
其中，vactual为实际阵风风速。
11、根据CSI、POD及FAR再进一步调优模式。
实际应用
步骤1至3与示例1相同，这里不再赘述。
4、将各强对流区的特征值(包括但不限于最高基本反射率、平均基本反 射率、基本反射率标准差、最高组合反射率、平均组合反射率、组合反射率 标准差、径向风速、最高垂直累积液态水、平均垂直累积液态水、垂直累积 液态水标准差及各双偏振雷达参数)，输入到上述模型当中，使得模式计算出 强对流区的最大阵风的绝对值。
5、根据公式(9)和(10)计算出vpred_min和vpred_max，并将相关资料(例 如，vpred_min和vpred_max)推送给用户。
根据本申请示例性实施例的强对流阵风的判别方法及系统，具有以下优 点：
1)利用人工智能预测在不同大气环境下，不同强度的强对流所造成的阵 风。相对于传统物理模型，人工智能模式运算所花费的时间及所需要的运算 能力明显地低，在分秒必争的实时恶劣天气风险监测中，此技术降低相关业 务的运营费用及设备规格要求，减少能源消耗。
2)、在模型训练过程中，本申请将测风站观测条件列为参数之一，提高 了各数据来源的可信性的同时，也令模型的预测能应用于不同地势、地表及 土地用途的地理位置。
3)、摆脱了在实时强对流阵风风险监测中对实时地面测风站的依赖，在 缺乏可靠实地风力测量的情况下，仍可计算出强对流造成的地面最大阵风， 大大提高了阵风风险的可判别性及可监测性，尤其是在偏远地区及海洋上。
4)、通过人工智能学习大量经验，本申请令实时监测强对流所造成的阵 风无需依靠预报员通过其自身经验作出的主观判断，降低因经验不足、休息 不足、情绪欠佳等因素所造成的人为错误发生的可能性。
以上描述了本申请的各示例性实施例，应理解，上述描述仅是示例性的， 并非穷尽性的，本申请不限于所披露的各示例性实施例。在不偏离本申请的 范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更 都是显而易见的。因此，本申请的保护范围应该以权利要求的范围为准。

Claims (8)

1.一种强对流阵风的判别方法，其特征在于，所述判别方法包括：
基于待判别的目标区域内的历史地面风速数据、历史遥感气象数据和历史大气环境数据，得到各个强对流区的历史发生位置、历史最大阵风参数和历史前沿大气环境气象参数，以每个强对流区的历史遥感气象数据、历史最大阵风参数和历史前沿大气环境气象参数作为样本，并由至少一个所述样本形成训练数据集；
利用所述训练数据集对模型进行训练；
根据目标区域内的实时遥感气象数据和实时大气环境数据，得到各个强对流区的实时遥感气象数据和实时前沿大气环境气象参数，并将每个强对流区的实时遥感气象数据和实时前沿大气环境气象参数输入训练好的模型，得到强对流区的实时最大阵风参数；
其中，所述基于待判别的目标区域内的历史地面风速数据、历史遥感气象数据和历史大气环境数据，得到强对流区的历史发生位置、历史最大阵风和历史前沿大气环境气象参数的步骤包括：
根据所述历史遥感气象数据，确定强对流区的历史发生位置、历史发生时间、历史移动方向；
确定所述强对流区的历史发生位置处的历史地面风速数据中强对流经过的时间；
在历史地面风速数据中，获得强对流经过的时间的前后预定时间段内出现过的最大阵风参数，作为强对流区的历史最大阵风参数；以及
在历史大气环境数据中，根据所述强对流区的历史发生位置、历史发生时间和历史移动方向，计算出强对流区前沿的历史大气环境气象参数。
2.根据权利要求1所述的强对流阵风的判别方法，其特征在于，所述根据目标区域的实时遥感气象数据和实时大气环境数据，得到各个强对流区的实时遥感气象数据和实时前沿大气环境气象参数的步骤包括：
根据目标区域的实时遥感气象数据，确定各个强对流区的实时发生位置和实时移动方向；
从目标区域的实时大气环境数据中，获取每个强对流区的实时发生位置的实时大气环境数据，并根据所述实时移动方向计算出每个强对流区的实时前沿大气环境气象参数。
3.根据权利要求1所述的强对流阵风的判别方法，其特征在于，所述判别方法还包括基于所述历史地面风速数据，获取16方位的开敞程度参数，并将所述开敞程度参数作为用于对所述模型进行训练的样本，其中，所述开敞程度参数包括物理遮挡指数、风力盛行指数、风力偏差指数。
4.一种存储指令的计算机可读存储介质，其中，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行如权利要求1至3中的任一权利要求所述的强对流阵风的判别方法。
5.一种包括至少一个计算装置和存储指令的至少一个存储装置的系统，其中，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行如权利要求1至3中的任一权利要求所述的强对流阵风的判别方法。
6.一种强对流阵风的判别系统，其特征在于，所述判别系统包括：
训练数据集形成模块，被配置为基于待判别的目标区域内的历史地面风速数据、历史遥感气象数据和历史大气环境数据，得到各个强对流区的历史发生位置、历史最大阵风参数和历史前沿大气环境气象参数，以每个强对流区的历史遥感气象数据、历史最大阵风参数和历史前沿大气环境气象参数作为样本，并由至少一个所述样本形成训练数据集；
训练模块，被配置为利用训练数据集对模型进行训练，
判别模块，被配置为根据目标区域内的实时遥感气象数据和实时大气环境数据，得到各个强对流区的实时遥感气象数据和实时前沿大气环境气象参数，并将每个强对流区的实时遥感气象数据和实时前沿大气环境气象参数输入训练好的模型，得到强对流区的实时最大阵风参数；
其中，所述训练数据集形成模块被配置为：
根据所述历史遥感气象数据，确定强对流区的历史发生位置、历史发生时间、历史移动方向；
确定所述强对流区的历史发生位置处的历史地面风速数据中强对流经过的时间；
在历史地面风速数据中，获得强对流经过的时间的前后预定时间段内出现过的最大阵风参数，作为强对流区的历史最大阵风参数；
在历史大气环境数据中，根据所述强对流区的历史发生位置、历史发生时间和历史移动方向，计算出强对流区前沿的历史大气环境气象参数。
7.根据权利要求6所述的强对流阵风的判别系统，其特征在于，所述判别模块被配置为：
根据目标区域的实时遥感气象数据，确定各个强对流区的实时发生位置和实时移动方向；
从目标区域的实时大气环境数据中，获取每个强对流区的实时发生位置前沿的实时大气环境数据，并根据所述实时移动方向计算出每个强对流区的实时前沿大气环境气象参数。
8.根据权利要求6所述的强对流阵风的判别系统，其特征在于，所述训练数据集形成模块还被配置为：基于所述历史地面风速数据，获取16方位的开敞程度参数，并将所述开敞程度参数作为用于对所述模型进行训练的样本，所述开敞程度参数包括物理遮挡指数、风力盛行指数、风力偏差指数。
CN202010423604.2A 2020-05-19 2020-05-19 强对流阵风的判别方法及系统 Active CN111783821B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010423604.2A CN111783821B (zh) 2020-05-19 2020-05-19 强对流阵风的判别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010423604.2A CN111783821B (zh) 2020-05-19 2020-05-19 强对流阵风的判别方法及系统

Publications (2)

Publication Number Publication Date
CN111783821A CN111783821A (zh) 2020-10-16
CN111783821B true CN111783821B (zh) 2023-09-12

Family

ID=72754175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010423604.2A Active CN111783821B (zh) 2020-05-19 2020-05-19 强对流阵风的判别方法及系统

Country Status (1)

Country Link
CN (1) CN111783821B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105182450A (zh) * 2015-10-15 2015-12-23 成都信息工程大学 一种强对流天气短时预警系统
CN106526708A (zh) * 2016-09-21 2017-03-22 广东奥博信息产业有限公司 一种基于机器学习的气象强对流天气的智能预警分析方法
CN107526083A (zh) * 2017-10-18 2017-12-29 国网新疆电力公司电力科学研究院 一种基于天气雷达数据的强对流风力等级预测方法
CN108491877A (zh) * 2018-03-20 2018-09-04 国家气象中心 一种分类对流天气概率预报方法及装置
WO2019014120A1 (en) * 2017-07-11 2019-01-17 The Trustees Of Princeton University SYSTEM AND METHOD FOR MAKING A PRECISE HYDROLOGICAL DETERMINATION USING DISPARATE METEOROLOGICAL DATA SOURCES
CN110135654A (zh) * 2019-05-24 2019-08-16 北京百度网讯科技有限公司 用于预测强对流天气的方法和装置
CN110197218A (zh) * 2019-05-24 2019-09-03 绍兴达道生涯教育信息咨询有限公司 基于多源卷积神经网络的雷雨大风等级预测分类方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11237299B2 (en) * 2017-05-01 2022-02-01 I.M. Systems Group, Inc. Self-learning nowcast system for modeling, recording, and predicting convective weather
US20200057175A1 (en) * 2018-08-17 2020-02-20 Nec Laboratories America, Inc. Weather dependent energy output forecasting

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105182450A (zh) * 2015-10-15 2015-12-23 成都信息工程大学 一种强对流天气短时预警系统
CN106526708A (zh) * 2016-09-21 2017-03-22 广东奥博信息产业有限公司 一种基于机器学习的气象强对流天气的智能预警分析方法
WO2019014120A1 (en) * 2017-07-11 2019-01-17 The Trustees Of Princeton University SYSTEM AND METHOD FOR MAKING A PRECISE HYDROLOGICAL DETERMINATION USING DISPARATE METEOROLOGICAL DATA SOURCES
CN107526083A (zh) * 2017-10-18 2017-12-29 国网新疆电力公司电力科学研究院 一种基于天气雷达数据的强对流风力等级预测方法
CN108491877A (zh) * 2018-03-20 2018-09-04 国家气象中心 一种分类对流天气概率预报方法及装置
CN110135654A (zh) * 2019-05-24 2019-08-16 北京百度网讯科技有限公司 用于预测强对流天气的方法和装置
CN110197218A (zh) * 2019-05-24 2019-09-03 绍兴达道生涯教育信息咨询有限公司 基于多源卷积神经网络的雷雨大风等级预测分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
强对流天气临近预报技术研究;李森;刘健文;刘玉玲;;气象与环境科学(02);全文 *

Also Published As

Publication number Publication date
CN111783821A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
Lagerquist et al. Machine learning for real-time prediction of damaging straight-line convective wind
Walker et al. An enhanced geostationary satellite–based convective initiation algorithm for 0–2-h nowcasting with object tracking
Anagnostou A convective/stratiform precipitation classification algorithm for volume scanning weather radar observations
Seo et al. Feature selection for very short‐term heavy rainfall prediction using evolutionary computation
KR20190057013A (ko) 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법
Moon et al. An improved forecast of precipitation type using correlation-based feature selection and multinomial logistic regression
Pasini et al. A neural network model for visibility nowcasting from surface observations: Results and sensitivity to physical input variables
Pozdnoukhov et al. Spatio-temporal avalanche forecasting with Support Vector Machines
Gagne et al. Day-ahead hail prediction integrating machine learning with storm-scale numerical weather models
CN117556197B (zh) 一种基于人工智能的台风涡旋初始化方法
Xiong et al. Research on wind power ramp events prediction based on strongly convective weather classification
Cafaro et al. The added value of convection‐permitting ensemble forecasts of sea breeze compared to a Bayesian forecast driven by the global ensemble
Geetha et al. Time series modeling and forecasting: tropical cyclone prediction using ARIMA model
CN116609858A (zh) 一种基于可解释性XGBoost模型的热带气旋大气波导预测方法及系统
El Rafei et al. Analysis of extreme wind gusts using a high-resolution Australian regional reanalysis
CN111783821B (zh) 强对流阵风的判别方法及系统
Bao et al. Application of lightning spatio-temporal localization method based on deep LSTM and interpolation
Sharma et al. A machine learning approach to flood severity classification and alerting
CN115422782B (zh) 一种基于水文模型的洪水预报系统
Bartok et al. Data mining for fog prediction and low clouds detection
Okada et al. Development of a wind power ramp forecasting system via meteorological pattern analysis
Rossi et al. Analysis of a statistically initialized fuzzy logic scheme for classifying the severity of convective storms in F inland
Šaur Forecasting of convective precipitation through NWP models and algorithm of storms prediction
Krupar et al. A comparison of ASOS near-surface winds and WSR-88D-derived wind speed profiles measured in landfalling tropical cyclones
Zazzaro et al. Data Mining for Forecasting fog Events and Comparing Geographical Sites

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