CN111898093A - 适用于气象集合预报的多维后处理方法、装置以及系统 - Google Patents

适用于气象集合预报的多维后处理方法、装置以及系统 Download PDF

Info

Publication number
CN111898093A
CN111898093A CN202010624059.3A CN202010624059A CN111898093A CN 111898093 A CN111898093 A CN 111898093A CN 202010624059 A CN202010624059 A CN 202010624059A CN 111898093 A CN111898093 A CN 111898093A
Authority
CN
China
Prior art keywords
forecast
ensemble
weather
forecasting
air temperature
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
Application number
CN202010624059.3A
Other languages
English (en)
Other versions
CN111898093B (zh
Inventor
陈杰
李翔泉
尹家波
陈华
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202010624059.3A priority Critical patent/CN111898093B/zh
Publication of CN111898093A publication Critical patent/CN111898093A/zh
Application granted granted Critical
Publication of CN111898093B publication Critical patent/CN111898093B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Environmental & Geological Engineering (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Remote Sensing (AREA)
  • Computing Systems (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供适用于气象集合预报的多维后处理方法、装置以及系统。方法包括：收集流域历史观测和预报资料；获取站点或格点尺度上降水和气温预报所服从的概率分布类型和分布参数；将获得的分布类型和参数应用到待校正预见期的气象预报结果，获得降水、气温预报所服从的概率分布；确定校正后降水和气温集合预报的成员规模，对概率分布进行随机抽样，获得校正后的单一变量在特定预见期的集合预报结果；选用重构预报变量间和站点间相关性结构的置乱算法，获得基于实测资料的相关性重构参数；生成具有变量和空间相关性的随机数，并获得其对应的秩序矩阵，按照秩序矩阵对预报矩阵按列重新排序，得到具有变量间和站点间相关性的气象集合预报结果。

Description

适用于气象集合预报的多维后处理方法、装置以及系统
技术领域
本发明属于气象水文预报技术领域，具体涉及一种适用于气象集合预报的多维后处理方法、装置以及系统。
背景技术
气象集合预报是现今数值预报领域最为活跃的研究分支。与传统的确定性气象预报相比，气象集合预报可以过滤掉确定性预报中不可预测的组分，从而提高预报精度。气象集合预报增强了对极端事件的识别能力和预报水平，可以提供气象要素可能的变化范围，从而为科学评估气象水文风险提供依据。国内外学者已提出将气象集合预报，特别是降水和气温集合预报应用到流域径流预报中，这对提升径流预报的精度、延长有效预见期、合理评估洪水干旱风险具有重要意义。然而，气象集合预报在水文预报中仍受到较大限制，主要是因为：预报变量的空间分辨率低，难以捕捉到小区域内的气象要素变化；其预报结果往往存在偏差过大、集合离散度过小和预报变量时空相关结构不合理等缺陷。
开展气象集合预报多维后处理，是解决气象集合预报输出分辨率过低、偏差过大、集合离散度过小和预报变量时空相关结构不合理的重要技术手段。例如，公开号CN108764515A的专利提供了一种基于贝叶斯平均法的气象集合预报滚动校正的方法，然而该方法应用在一个均一化后的流域平均气象预报当中，未能考虑和反映气象预报的变量的空间相关性结构。现有的气象集合预报后处理方法，独立地校正各气象要素的估计偏差，忽略了多个变量间(如：降水与气温)以及站点间(如：同一流域的多个站点)的相关性特性，难以刻画气象要素的时空特性及物理过程，不能解决流域分布式径流预报难题。
发明内容
本发明的目的在于提供一种适用于气象集合预报的多维后处理方法、装置以及系统，能够有效提高气象和径流预报的精确性。
本发明为了实现上述目的，采用了以下方案：
<方法>
本发明提供一种适用于气象集合预报的多维后处理方法，其特征在于，包括以下步骤：
步骤1.收集和整理流域历史观测和和追算的气象预报资料，包括降水、气温的观测和预报数据；
步骤2.结合历史期观测资料，分析气象集合预报对流域内降水和气温要素的预报能力，在此基础上获取站点或格点尺度上降水和气温预报所服从的概率分布类型，并获取分布参数；
步骤3.将步骤2中获得的分布类型和分布参数应用到待校正预见期的气象预报结果，从而获得降水、气温预报所服从的概率分布；
步骤4.确定校正后降水和气温集合预报的成员规模，采用[0,1]范围内的均匀随机数对步骤3中的概率分布进行随机抽样，获得校正后的单一变量在特定预见期的集合预报结果；
步骤5.基于历史观测资料，选用重构预报变量间和站点间相关结构的置乱算法，获得基于实测资料的相关性校正参数；
步骤6.采用置乱算法生成具有变量间和空间相关性的随机数，并获得其对应的秩序矩阵，按照秩序矩阵对步骤4中的多个站点降水和气温序列所组成的预报矩阵按列重新排序，最终得到具有站点和变量相关性的气象集合预报结果。
进一步地，本发明提供的适用于气象集合预报的多维后处理方法中，步骤1包括如下子步骤：
步骤1.1收集和整理流域降水、气温的观测和预报资料，包括：降水、气温要素的多年历史实测资料，相应的气象集合预报的历史追算资料，以及流域当前或特定预见期待校正的气象集合预报数据；
步骤1.2采用线性插值的方法对所收集资料进行插补，生成连续观测系列；
步骤1.3采用空间双线性插值方法，对气象预报资料和实测资料，按照所需的空间精度进行插值。
进一步地，本发明提供的适用于气象集合预报的多维后处理方法中，步骤2包括如下子步骤：
步骤2.1分析降水要素的概率分布类型和参数
首先选取与待校正预报同季节或月份的历史时期预报和观测数据，计算降水集合预报的集合平均值，根据降水集合平均值的大小，划分为若干个降水量级；然后统计各降水区间中的实测降水事件；绘制降水量级与实测降水发生概率的经验曲线；最后，用伽马分布拟合各降水区间中的有雨日降水量。
步骤2.2分析气温要素的概率分布类型和参数
首先选取与待校正预报相对应的历史时期气温预报和观测资料，计算气温集合预报的集合平均值，逐日对集合平均气温和观测气温进行线性拟合，获得气温均值的校正参数；然后采用正态分布拟合气温集合，以线性校正后的集合平均值作为正态分布均值，通过反复试算的方式，在季节或月尺度求解得到满足历史期绘制的等级直方图最为均匀的方差取值作为正态分布的方差。
进一步地，本发明提供的适用于气象集合预报的多维后处理方法中，步骤3包括如下子步骤：
步骤3.1对于需要校正的降水预报，计算其集合平均值，找到其所属的降水区间；获取该降水区间内无降水发生概率P(y＝0)，和降水量分布函数G(y)；降水分布的形式为g(y)＝P(y＝0)·I(y＝0)+G(y)·I(y＞0)；其中I(y＝0)和I(y＞0)为符号函数，括号内成立取1，反之取0；
步骤3.2、对于气温预报，采用该日的线性校正公式进行校正，获得校正后分布均值，获取该时段内优化求解得到的分布方差，得到气温集合满足的正态分布。
进一步地，本发明提供的适用于气象集合预报的多维后处理方法中，步骤4包括如下子步骤：
步骤4.1确定校正后气象集合预报的成员规模，记为N；
步骤4.2从范围为[0,1]的均匀分布随机抽样得到数量为N的均匀随机数；
步骤4.3使用步骤4.2中的随机数，对某一站点上降水或气温预报的概率分布函数抽样N次，得到该气象预报变量校正后的气象集合预报结果。
进一步地，本发明提供的适用于气象集合预报的多维后处理方法中，步骤5包括如下子步骤：
步骤5.1取与待校正预报同期的历史观测数据，求得多变量相关性矩阵CM×M，其中M为变量个数，等于多个站点降水和气温变量的总和；
步骤5.2将相关系数矩阵CM×M进行乔姆斯基分解，CM×M＝RM×MR′M×M，其中RM×M为下三角矩阵。
进一步地，本发明提供的适用于气象集合预报的多维后处理方法中，步骤6包括如下子步骤：
步骤6.1获得M个变量经步骤4校正后得到的气象集合预报序列XN×M；
步骤6.2生成随机数矩阵SN×M，求其对应的排序矩阵RN×M；
步骤6.3计算范德瓦尔登得分矩阵VN×M，第n行m列矩阵值的计算公式为：
Figure BDA0002564077800000051
式中N-1(·)为标准正态分布的逆函数；
步骤6.4具有观测相关性结构的随机数矩阵为
Figure BDA0002564077800000052
然后求得其对应的排序矩阵为
Figure BDA0002564077800000053
步骤6.5采用[S]* N×M对单变量校正后的多个站点降水和气温预报序列XN×M逐列进行重新排序，即得到相关性重建后的气象集合预报结果。
<装置>
另外，本发明还提供了一种气象集合预报装置，其特征在于，包括：资料获取部，获取流域历史观测和预报资料，包括降水、气温的观测和预报数据；类型和参数获取部，与资料获取部通信相连，基于历史期观测资料，分析气象集合预报对流域内降水和气温要素的预报能力，在此基础上获取站点或格点尺度上降水和气温预报所服从的概率分布类型，并获取分布参数；概率分布获取部，与类型和参数获取部通信相连，将获取的分布类型和分布参数应用到待校正预见期的气象预报结果，从而获得降水、气温预报所服从的概率分布；抽样部，与概率分布获取部通信相连，确定正态分布获取部处理后的降水和气温集合预报的成员规模，采用[0,1]范围内的均匀随机数对正态分布获取部获取的概率分布进行随机抽样，获得校正后的单一变量在特定预见期的集合预报结果；相关性重构参数获取部，与资料获取部通信相连，基于历史观测资料，选用重构预报变量间和站点间相关结构的置乱算法，获得基于实测资料的相关性校正参数；气象集合预报部，采用置乱算法生成具有变量间和站点间相关性的随机数，并获得其对应的秩序矩阵，按照秩序矩阵对步骤4中的多个站点降水和气温序列所组成的预报矩阵按列重新排序，得到具有变量间和站点间相关性的气象集合预报结果；以及控制部，与资料获取部、类型和参数获取部、概率分布获取部、抽样部、相关性重构参数获取部和气象集合预报部均通信相连，控制它们的运行。
<系统>
此外，本发明还提供了一种径流预报系统，其特征在于，包括：上述<装置>中所描述的气象集合预报装置；和径流预报部，与气象集合预报装置通信相连，基于气象预报装置的气象集合预报，获得流域各断面相应的径流预报结果。
进一步地，本发明提供的径流预报系统还可以包括：输入显示部，与气象预报装置和径流预报部均通信相连，用于让用户输入操作指令，并显示出相应地区的气象预报结果图和径流预报结果图；其中，气象预报结果图包含：地形图，和标识在该地形图各区域上含有特定预见期降水和气温预报情况的气象预报信息；径流预报结果图包含：地形图，和标识在该地形图上流域各断面含有特定预见期径流预报情况的径流预报信息。
发明的作用与效果
本发明所提出的适用于气象集合预报的多维后处理方法、装置以及系统，充分考虑不同气象变量的内在相关性，并充分考虑各站点的空间相关性，可为气象集合预报和流域径流预报提供重要且可操作性强的参考依据，并使得气象集合预报结果更加精确。采用本专利中的气象预报多维后处理方法后不仅可以提升降水和气温预报的精度，而且可以明显改善预报变量的空间相关性，这对于径流预报尤为重要，不仅能够有效提高径流预报的精确性，使得径流预报结果更加接近实际情况，而且可以延长有效预见期。本发明可为流域径流预报、洪水预报、山洪预警、水库调度等提供宝贵的气象信息。
附图说明
图1为本发明实施例涉及的适用于气象集合预报的多维后处理方法的流程图；
图2为本发明实施例涉及的获取降水分布函数方法的示意图；
图3为本发明实施例涉及的获取气温分布函数方法的示意图；
图4为本发明实施例涉及的2014年7月5日流域降水预报效果图，其中1为观测降水的空间分布，2为预见期为1-7天的流域平均观测和预报结果，3-6为预见期为1天的原始(校正前)降水预报的空间分布，7-10为预见期为1天的采用本发明中的气象预报多维后处理方法后(校正后)的降水预报的空间分布；
图5为本发明实施例涉及的2014年7月5日流域气温预报效果，其中1为观测气温的空间分布，2为预见期为1-7天的流域平均观测和预报结果，3-6为预见期为1天的原始(校正前)气温预报的空间分布，7-10为预见期为1天的采用本发明中的气象预报多维后处理方法后(校正后)的气温预报的空间分布。
具体实施方式
以下结合附图对本发明涉及的适用于气象集合预报的多维后处理方法、装置以及系统的具体实施方案进行详细地说明。
<实施例>
如图1所示，本实施例所提供的适用于气象集合预报的多维后处理方法包括以下步骤：
步骤1.收集和整理流域数据，包括降水、气温的观测和预报资料。
步骤1.1流域降水、气温的观测和预报资料应包括：降水、气温要素的多年历史实测资料，以及相应的气象集合预报的历史追算资料；流域当前或特定预见期待校正的气象集合预报数据；为保证参数校准的准确性，在本实施例中通常历史期资料长度应不少于15年。
步骤1.2采用空间双线性插值的方法对所收集资料进行插补，生成连续观测系列。
步骤1.3采用空间双线性插值方法，对气象预报资料和实测资料，按照所需的空间精度进行插值。
步骤2.校准单变量后处理方法。分析气象集合预报对流域内降水和气温要素的预报能力，在此基础上获取站点或格点尺度上降水和气温预报所服从的概率分布类型，并获取分布参数。
步骤2.1分析降水要素的概率分布形式和参数，首先选取与待校正预报同季节或月份的历史时期预报和观测数据，再计算降水集合预报的集合平均值，根据降水集合平均值的大小，划分为若干个降水量级；然后统计各降水区间中的实测降水事件；如图2所示，绘制降水量级与实测降水发生概率的经验曲线；最后，用伽马分布拟合各降水区间中的有雨日降水量。
步骤2.2分析气温要素的概率分布形式和参数，首先选取与待校正预报相对应的历史时期气温预报和观测资料，再计算气温集合预报的集合平均值，逐日对集合平均气温和观测气温进行线性拟合，获得气温均值的校正参数；然后采用正态分布拟合气温集合，以线性校正后的集合平均值作为分布均值，通过反复试算的方式，在季节或月尺度求解得到满足历史期绘制的等级直方图最为均匀的方差取值作为正态分布的方差。本实施例选择15天作为滑动窗口，获取的气温分布函数如图3所示。
在本实施例中，降水概率分布的参数包括降水发生概率，以及降水量分布的分布参数。选择与待校正预报的历史期内同季节的预报和观测数据，这里是考虑到同季节的降水预报具有相近的偏差特征；对降水集合预报计算其集合平均降水量，根据其值的大小，划分为若干个降水量级(这里降水量级划分可以按照分位数，从0.1，0.2，…,0.9，1划分出10个降水区间)；统计各降水量级区间中的实测降水事件；绘制降水量级与实测降水发生概率的经验曲线，用伽马分布拟合各降水量级区间中的有雨日降水量。
在本实施例中，假定气温的概率分布为正态分布，其参数包括均值和方差。过程是：基于历史时期气温预报和观测资料，获取均值参数：取滑动窗口为15天，对逐日的气温进行线性校正，获得校正参数。对方差参数的获取：采用正态分布拟合气温集合，以线性校正后的集合平均值作为分布均值，通过反复试算的方式，在季节尺度上求解得到满足历史期绘制的等级直方图最为均匀的方差取值作为分布的方差。
步骤3.将步骤2中获得的分布形式和分布参数应用到未来特定预见期待校正的降水和气温集合预报结果，从而获得降水、气温预报所服从的概率分布。
步骤3.1对于需要校正的降水预报，计算其集合平均值，找到其所属的降水区间；获取该降水区间内的未降水发生概率P(y＝0)，和降水量分布函数G(y)；降水分布的形式如下：
g(y)＝P(y＝0)·I(y＝0)+G(y)·I(y＞0) (公式1)
其中I(y＝0)和I(y＞0)为符号函数，括号内成立取1，反之取0。
步骤3.2对于气温预报，采用该日的线性校正公式进行校正，获得校正后分布均值，获取该时段内优化求解得到的分布方差，得到气温集合满足的正态分布。
步骤4.确定校正后气象集合预报的成员规模，采用[0,1]范围内的均匀随机数对步骤3中的概率分布进行随机抽样，获得校正后的单一气象变量在未来特定预见期的集合预报结果。
步骤4.1确定校正后气象集合预报的成员规模，记为N。
步骤4.2从范围为[0,1]的均匀分布随机抽样得到数量为N的均匀随机数。
步骤4.3使用步骤4.2中的随机数，对某一站点上降水或气温预报的概率分布函数抽样N次，得到该气象预报变量单变量校正后的气象集合预报结果。
步骤5基于历史观测资料，选用校正预报变量间相关结构的置乱算法，获取基于实测资料相关性校正参数。
步骤5.1取与待校正预报同期的历史观测数据，求得多变量相关性矩阵CM×M，其中M为变量个数，等于多个站点降水和气温变量的总和。
步骤5.2将相关系数矩阵CM×M进行乔姆斯基分解，CM×M＝RM×MR′M×M，其中RM×M为下三角矩阵。
步骤6.采用置乱算法来生成具有变量间和空间相关性的随机数，并获得其对应的秩序矩阵，按照秩序矩阵对步骤4中的多个站点降水和气温要素所组成的气象预报矩阵按列重新排序，最终得到具有变量和站点相关性的气象集合预报。
步骤6.1获得M个变量步骤4校正后得到的气象集合预报序列XN×M。
步骤6.2生成随机数矩阵SN×M，求其对应的排序矩阵RN×M。
步骤6.3计算范德瓦尔登得分矩阵VN×M，第n行m列矩阵值的计算公式为：
Figure BDA0002564077800000101
式中N-1(·)为标准正态分布的逆函数。
步骤6.4此时，具有观测相关性结构的随机数矩阵为
Figure BDA0002564077800000102
然后求得其对应的排序矩阵为
Figure BDA0002564077800000103
步骤6.5采用[S]* N×M对单变量校正后的多个站点降水和气温预报序列XN×M逐列进行重新排序，即得到相关性重构后的气象集合预报结果。
将本实施例所提供的基于多维后处理方法的气象集合预报与与现有气象预报进行比较：以湘江流域(湘潭站以上)为例，图4和图5分别展示了2014年7月5日流域预报的和观测的降水和气温空间分布图(0.5°×0.5°经纬度网格)。空间分布图中降水和气温预报的预见期为1天，而折线图(子图2)为预见期为1-7天的流域平均结果。第2、3行预报结果中第1列为多成员集合平均值，而后3列展示了3个集合成员的预报结果。校正前的原始预报结果采用美国国家环境预报中心发布全球气象集合预报的历史回算数据(GEFS)。由图可知：与观测的降水和气温相比，GEFS预报结果无论是集合平均值，还是单一成员都存在一定的偏差；更重要的是预报变量空间网格间不连续，表明预报结果在空间相关性方面存在较大的偏差。采用本发明中的气象预报多维后处理方法后(校正后结果)不仅可以提升降水和气温预报的精度，而且可以明显改善预报变量的空间相关性，这对于径流预报尤为重要。
进一步，本实施例还提供能够自动化实现上述气象集合预报的多维后处理方法从而得到气象预报信息和径流预报信息的径流预报系统。该径流预报系统包括资料获取部、类型和参数获取部、概率分布获取部、抽样部、相关性重构参数获取部、气象集合预报部、径流预报部、输入显示部、预警部以及控制部。
资料获取部用于获取流域历史观测和预报资料，包括降水、气温的观测和预报数据。
类型和参数获取部与资料获取部通信相连，基于历史期观测资料，分析气象集合预报对流域内降水和气温要素的预报能力，在此基础上获取站点或格点尺度上降水和气温预报所服从的概率分布类型，并获取分布参数。
概率分布获取部与类型和参数获取部通信相连，将获取的分布类型和分布参数应用到待校正预见期的气象预报结果，从而获得降水、气温预报所服从的概率分布。
抽样部与概率分布获取部通信相连，用于确定概率分布获取部处理后的降水和气温集合预报的成员规模，采用[0,1]范围内的均匀随机数对概率分布获取部获取的概率分布进行随机抽样，获得校正后的单一变量在特定预见期的集合预报结果。
校正参数获取部与资料获取部通信相连，基于历史观测资料，选用重构预报变量间和站点间相关结构的置乱算法，获得基于实测资料的相关性校正参数。
气象集合预报部采用置乱算法生成具有变量间和站点间相关性的随机数，并获得其对应的秩序矩阵，按照秩序矩阵对步骤4中的多个站点降水和气温序列所组成的预报矩阵按列重新排序，得到具有站点和变量相关性的气象集合预报结果。
径流预报部与气象集合预报部通信相连，基于气象预报装置的气象集合预报，获得流域各断面相应的径流预报结果。
输入显示部与气象集合预报部和径流预报部均通信相连，用于让用户输入操作指令，并显示出相应流域的气象预报结果图和径流预报结果图。具体地，当用户输入显示某流域、某时段气象预报结果图的指令时，输入显示部显示出该流域的地形图，并在地形图上显示出该流域在特定预见期内的降水和气温预报信息。当用户输入显示某流域、某预见期径流预报结果图的指令时，输入显示部显示出该流域的地形图，并在地形图上显示出该流域在特定预见期内的径流预报信息。
预警部与气象集合预报部和径流预报部通信相连，将某一预见期的集合预报和径流预报结果与存储的洪水阈值信息或山洪阈值信息进行比较，判断发生洪水和山洪的可能，并在判断为容易发生洪水或山洪的情况下，发出洪水预报或山洪预警提示。
进一步，预警部还与输入显示部通信相连，由输入显示部将预警部发出的洪水预报和山洪预警提示醒目显示在地形图的对应区域上，以警示用户注意可能发生的洪水和山洪危险。
控制部与资料获取部、类型和参数获取部、概率分布获取部、抽样部、相关性重构参数获取部、气象集合预报部、径流预报部、输入显示部、预警部均通信相连，控制它们的运行。
由于具有以上结构，本实施例所提供的径流预报系统不仅可以自动处理、计算得到气象集合预报和径流预报结果，而且还能够将这些结果显示在相应的地形图上，这样更加有利于高效、精确、直观地获得气象集合预报和径流预报信息。
以上实施例仅仅是对本发明技术方案所做的举例说明。本发明所涉及的适用于气象集合预报的多维后处理方法、装置以及系统并不限定于在以上实施例中所描述的内容，而是以权利要求所限定的范围为准。本发明所属领域技术人员在该实施例的基础上所做的任何修改或补充或等效替换，都在本发明的权利要求所要求保护的范围内。

Claims (10)

1.一种适用于气象集合预报的多维后处理方法，其特征在于，包括以下步骤：
步骤1.收集流域历史观测和预报资料，包括降水、气温的观测和预报数据；
步骤2.结合历史期观测资料，分析气象集合预报对流域内降水和气温要素的预报能力，在此基础上获取站点或格点尺度上降水和气温预报所服从的概率分布类型，并获取分布参数；
步骤3.将步骤2中获得的分布类型和分布参数应用到待校正预见期的气象预报结果，从而获得降水、气温预报所服从的概率分布；
步骤4.确定校正后降水和气温集合预报的成员规模，采用[0,1]范围内的均匀随机数对步骤3中的概率分布进行随机抽样，获得校正后的单一变量在特定预见期的集合预报结果；
步骤5.基于历史观测资料，选用重构预报变量间和站点间相关性结构的置乱算法，获得基于实测资料的相关性重构参数；
步骤6.采用置乱算法来生成具有变量间和站点间相关性的随机数，并获得其对应的秩序矩阵，按照秩序矩阵对步骤4中的多个站点降水和气温序列所组成的预报矩阵按列重新排序，最终得到具有变量间和站点间相关性的气象集合预报结果。
2.根据权利要求1所述的适用于气象集合预报的多维后处理方法，其特征在于：
其中，步骤1包含以下子步骤：
步骤1.1收集和整理流域降水、气温的观测和预报资料，包括：降水、气温要素的多年历史实测资料，相应的气象集合预报的历史追算资料，以及流域当前或特定预见期待校正的气象集合预报数据；
步骤1.2采用线性插值的方法对所收集资料进行插补，生成连续观测系列；
步骤1.3采用空间双线性插值方法，对气象预报资料和实测资料，按照所需的空间精度进行插值。
3.根据权利要求1所述的适用于气象集合预报的多维后处理方法，其特征在于：
其中，步骤2包含如下子步骤：
步骤2.1分析降水要素的概率分布类型和参数
首先选取与待校正预报同季节或月份的历史时期预报和观测数据，计算降水集合预报的集合平均值，根据降水集合平均值的大小，划分为若干个降水量级；然后统计各降水区间中的实测降水事件；绘制降水量级与实测降水发生概率的经验曲线；最后，用伽马分布拟合各降水区间中的有雨日降水量；
步骤2.2分析气温要素的概率分布类型和参数
首先选取与待校正预报相对应的历史时期气温预报和观测资料，计算气温集合预报的集合平均值，逐日对集合平均气温和观测气温进行线性拟合，获得气温均值的校正参数；然后采用正态分布拟合气温集合，以线性校正后的集合平均值作为分布均值，通过反复试算的方式，在季节或月尺度求解得到满足历史期绘制的等级直方图最为均匀的方差取值作为正态分布的方差。
4.根据权利要求1所述的适用于气象集合预报的多维后处理方法，其特征在于：
其中，步骤3包含如下子步骤：
步骤3.1对于需要校正的降水预报，计算其集合平均值，找到其所属的降水区间；获取该降水区间内无降水发生概率P(y＝0)，和降水量分布函数G(y)；降水分布的形式为g(y)＝P(y＝0)·I(y＝0)+G(y)·I(y＞0)；其中I(y＝0)和I(y＞0)为符号函数，括号内成立取1，反之取0；
步骤3.2对于气温预报，采用该日的线性校正公式进行校正，获得校正后分布均值，获取该时段内优化求解得到的分布方差，得到气温集合满足的正态分布。
5.根据权利要求1所述的适用于气象集合预报的多维后处理方法，其特征在于：
其中，步骤4包含如下子步骤：
步骤4.1确定校正后气象集合预报的成员规模，记为N；
步骤4.2从范围为[0,1]的均匀分布随机抽样得到数量为N的均匀随机数；
步骤4.3使用步骤4.2中的随机数，对某一站点上降水或气温预报的概率分布函数抽样N次，得到该气象预报变量单变量校正后的气象集合预报结果。
6.根据权利要求1所述的适用于气象集合预报的多维后处理方法，其特征在于：
其中，步骤5包含如下子步骤：
步骤5.1取与待校正预报同期的历史观测数据，求得多变量相关性矩阵CM×M，其中M为变量个数，等于多个站点降水和气温变量的总和；
步骤5.2将相关系数矩阵CM×M进行乔姆斯基分解，CM×M＝RM×MR′M×M，其中RM×M为下三角矩阵。
7.根据权利要求1所述的适用于气象集合预报的多维后处理方法，其特征在于：
其中，步骤6包含如下子步骤：
步骤6.1获得M个变量经步骤4校正后得到的气象集合预报序列XN×M；
步骤6.2生成随机数矩阵SN×M，求其对应的排序矩阵RN×M；
步骤6.3计算范德瓦尔登得分矩阵VN×M，第n行m列矩阵值的计算公式为：
Figure FDA0002564077790000041
式中N-1(·)为标准正态分布的逆函数；
步骤6.4具有观测相关性结构的随机数矩阵为
Figure FDA0002564077790000042
然后求得其对应的排序矩阵为
Figure FDA0002564077790000043
步骤6.5采用[S]* N×M对单变量校正后的多个站点降水和气温预报序列XN×M逐列进行重新排序，即得到相关性重构后的气象集合预报结果。
8.一种气象集合预报装置，其特征在于，包括：
资料获取部，获取流域历史观测和预报资料，包括降水、气温的观测和预报数据；
类型和参数获取部，与所述资料获取部通信相连，基于历史期观测资料，分析气象集合预报对流域内降水和气温要素的预报能力，在此基础上获取站点或格点尺度上降水和气温预报所服从的概率分布类型，并获取分布参数；
概率分布获取部，与所述类型和参数获取部通信相连，将获取的分布类型和分布参数应用到待校正预见期的气象预报结果，从而获得降水、气温预报所服从的概率分布；
抽样部，与所述正态分布获取部通信相连，确定所述正态分布获取部处理后的降水和气温集合预报的成员规模，采用[0,1]范围内的均匀随机数对所述概率分布获取部获取的概率分布进行随机抽样，获得校正后的单一变量在特定预见期的集合预报结果；
相关性重构参数获取部，与所述资料获取部通信相连，基于历史观测资料，选用重构预报变量间和站点间相关性结构的置乱算法，获得基于实测资料的相关性重构参数；
气象集合预报部，采用置乱算法生成具有变量和空间相关性的随机数，并获得其对应的秩序矩阵，按照秩序矩阵对步骤4中的多个站点降水和气温序列所组成的预报矩阵按列重新排序，得到具有变量间和站点间相关性的气象集合预报结果；以及
控制部，与所述资料获取部、所述类型和参数获取部、所述概率分布获取部、所述抽样部、所述相关性重构参数获取部和所述气象集合预报部均通信相连，控制它们的运行。
9.一种径流预报系统，其特征在于，包括：
权利要求8所述的气象集合预报装置；和
径流预报部，与所述气象集合预报装置通信相连，基于该气象预报装置的气象集合预报，获得流域各断面相应的径流预报结果。
10.根据权利要求9所述的径流预报系统，其特征在于，还包括：
输入显示部，与所述气象预报装置和所述径流预报部均通信相连，用于让用户输入操作指令，并显示出相应地区的气象预报结果图和径流预报结果图；
其中，所述气象预报结果图包含：地形图，和标识在该地形图各区域上含有特定预见期降水和气温预报情况的气象预报信息；
所述径流预报结果图包含：地形图，和标识在该地形图流域各断面上含有特定预见期径流预报情况的径流预报信息。
CN202010624059.3A 2020-07-01 2020-07-01 适用于气象集合预报的多维后处理方法、装置以及系统 Active CN111898093B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010624059.3A CN111898093B (zh) 2020-07-01 2020-07-01 适用于气象集合预报的多维后处理方法、装置以及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010624059.3A CN111898093B (zh) 2020-07-01 2020-07-01 适用于气象集合预报的多维后处理方法、装置以及系统

Publications (2)

Publication Number Publication Date
CN111898093A true CN111898093A (zh) 2020-11-06
CN111898093B CN111898093B (zh) 2024-02-20

Family

ID=73191358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010624059.3A Active CN111898093B (zh) 2020-07-01 2020-07-01 适用于气象集合预报的多维后处理方法、装置以及系统

Country Status (1)

Country Link
CN (1) CN111898093B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095579A (zh) * 2021-04-16 2021-07-09 中山大学 一种耦合伯努利-伽马-高斯分布的日尺度降水预报校正方法
CN113486590A (zh) * 2021-07-13 2021-10-08 上海眼控科技股份有限公司 一种数据处理方法、设备和存储介质
CN114910981A (zh) * 2022-06-15 2022-08-16 中山大学 一种相邻预见期降水预报重叠与新增信息的量化评估方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140379264A1 (en) * 2013-04-04 2014-12-25 Sky Motion Research, Ulc Method and system for combining localized weather forecasting and itinerary planning
WO2016164147A1 (en) * 2015-04-08 2016-10-13 The Climate Corporation Improving weather forecasts through post-processing
CN106991278A (zh) * 2017-03-21 2017-07-28 武汉大学 一种集合降水预报与实时洪水概率预报的耦合方法
CN110400011A (zh) * 2019-07-12 2019-11-01 国能日新科技股份有限公司 电力现货交易中风电场出力申报方案的确定方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140379264A1 (en) * 2013-04-04 2014-12-25 Sky Motion Research, Ulc Method and system for combining localized weather forecasting and itinerary planning
WO2016164147A1 (en) * 2015-04-08 2016-10-13 The Climate Corporation Improving weather forecasts through post-processing
CN106991278A (zh) * 2017-03-21 2017-07-28 武汉大学 一种集合降水预报与实时洪水概率预报的耦合方法
CN110400011A (zh) * 2019-07-12 2019-11-01 国能日新科技股份有限公司 电力现货交易中风电场出力申报方案的确定方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘悦忆;赵建世;黄跃飞;施勇;陈炼钢;: "基于蒙特卡洛模拟的水质概率预报模型", 水利学报, no. 01, 15 January 2015 (2015-01-15) *
张铭;李承军;张勇传;: "贝叶斯概率水文预报系统在中长期径流预报中的应用", 水科学进展, no. 01, 30 January 2009 (2009-01-30) *
陈杰;许崇育;郭生练;陈华;: "统计降尺度方法的研究进展与挑战", 水资源研究, no. 04, 15 August 2016 (2016-08-15) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095579A (zh) * 2021-04-16 2021-07-09 中山大学 一种耦合伯努利-伽马-高斯分布的日尺度降水预报校正方法
CN113486590A (zh) * 2021-07-13 2021-10-08 上海眼控科技股份有限公司 一种数据处理方法、设备和存储介质
CN114910981A (zh) * 2022-06-15 2022-08-16 中山大学 一种相邻预见期降水预报重叠与新增信息的量化评估方法及系统
CN114910981B (zh) * 2022-06-15 2023-04-11 中山大学 一种相邻预见期降水预报重叠与新增信息的量化评估方法及系统

Also Published As

Publication number Publication date
CN111898093B (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN111898093A (zh) 适用于气象集合预报的多维后处理方法、装置以及系统
Jiao et al. A new multi-sensor integrated index for drought monitoring
Hauser et al. Methods and model dependency of extreme event attribution: the 2015 European drought
Rauthe et al. A Central European precipitation climatology–Part I: Generation and validation of a high-resolution gridded daily data set (HYRAS)
van Bussel et al. From field to atlas: upscaling of location-specific yield gap estimates
Sang et al. Hierarchical modeling for extreme values observed over space and time
McKenney et al. The development of 1901–2000 historical monthly climate models for Canada and the United States
De Wit et al. Spatial resolution of precipitation and radiation: the effect on regional crop yield forecasts
CN107782701A (zh) 一种多源遥感数据的农业干旱监测方法
CN114254802B (zh) 气候变化驱动下植被覆盖时空变化的预测方法
CN113139901A (zh) 一种流域尺度植被净初级生产力遥感精细反演方法
CN116189813B (zh) 一种基于卫星大气甲烷浓度估算稻田甲烷排放通量的方法
Liu et al. Geographical detector-based stratified regression kriging strategy for mapping soil organic carbon with high spatial heterogeneity
CN111879915B (zh) 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统
CN115357847B (zh) 一种基于误差分解的日尺度星地降水融合方法
Liang et al. Efficient data preprocessing, episode classification, and source apportionment of particle number concentrations
CN112861072A (zh) 一种星地多源降水自适应动态融合方法
Drogue et al. Catchment model regionalization approach based on spatial proximity: Does a neighbor catchment-based rainfall input strengthen the method?
Guo et al. Impacts of climate and land-use changes on water yields: Similarities and differences among typical watersheds distributed throughout China
CN113553782B (zh) 一种用于预报风速的降尺度方法
CN107944466B (zh) 一种基于分段思想的降雨偏差纠正方法
CN108304610B (zh) 一种大气高污染过程动态追踪方法
Wu et al. Impact of surface and underground water uses on streamflow in the upper-middle of the Weihe River basin using a modified WetSpa model
CN116796649A (zh) 一种基于机器学习的spei粗分辨率数据空间降尺度方法及装置
CN114677020B (zh) 区域尺度土壤风蚀变化驱动机制定量评估方法

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