CN112069449A - 基于初值集合的天气预报方法及装置 - Google Patents
基于初值集合的天气预报方法及装置 Download PDFInfo
- Publication number
- CN112069449A CN112069449A CN202010925871.XA CN202010925871A CN112069449A CN 112069449 A CN112069449 A CN 112069449A CN 202010925871 A CN202010925871 A CN 202010925871A CN 112069449 A CN112069449 A CN 112069449A
- Authority
- CN
- China
- Prior art keywords
- initial
- variables
- forecast
- field
- forecasting
- 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
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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Databases & Information Systems (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Remote Sensing (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
本发明提供了一种基于初值集合的天气预报方法及装置,涉及计算机技术领域,包括:基于起报时间的初始气象资料,确定预报初始场;将一个或多个大气变量、一个或多个陆面变量以及一个或多个海洋变量对应的初始扰动分别与所述预报初始场进行叠加,确定多组加扰动的预报初始场;对每组所述加扰动的预报初始场分别进行数值积分,分别得到一组预报时间的预报结果;将多组所述预报结果进行集合平均,得到集合预报结果。通过考虑了更多的不确定性,可以改进集合预报的效果。
Description
技术领域
本发明涉及计算机技术领域,尤其是涉及一种基于初值集合的天气预报方法及装置。
背景技术
传统数值天气预报是将观测值作为初值,通过求解大气动力学方程和热力学方程组,从而客观、定量地分析得到天气预报。但大气是一个混沌、复杂、高度非线性的系统,因此准确地观测、描述和预报大气状态及变化规律,从理论上讲是不可能的,大气探测的误差非常大,使得数值预报模式的初值存在误差,而数值模式对大气初值非常敏感,这种误差会随着模式积分时间的延长而迅速增大。误差的增长则会导致预报值发散,以致根据发散的预报值得到的预报误差也较大。除此之外,数值天气预报还存在以下不确定性:对地球大气有限的了解、数值模式必要的近似和离散、大气过程描述的不完整性、有限的观测和初边值误差等。为减少不确定性对预报的影响,面向天气尺度的集合预报在近年得到迅速发展。集合预报是通过多模式、多扰动、多强迫等方法从物理和数值方面构造的多成员预报,和单一预报不同,集合预报在提供一个平均预报状态的同时还提供预报的不确定性范围或概率预报。
发明内容
本发明的目的在于提供一种基于初值集合的天气预报方法及装置,以缓解了现有技术中存在的集合预报不精确的技术问题。
第一方面,本发明实施例提供了一种基于初值集合的天气预报方法。该方法包括:
基于起报时间的初始气象资料,确定预报初始场;
将一个或多个大气变量、一个或多个陆面变量以及一个或多个海洋变量对应的初始扰动分别与所述预报初始场进行叠加,确定多组加扰动的预报初始场;
对每组所述加扰动的预报初始场分别进行数值积分,分别得到一组预报时间的预报结果;
将多组所述预报结果进行集合平均,得到集合预报结果。
在一些可选地实现中,在将一个或多个大气变量、一个或多个陆面变量以及一个或多个海洋变量对应的初始扰动分别与所述预报初始场进行叠加,确定多组加扰动的预报初始场的步骤之前,所述方法还包括:
针对一个或多个所述大气变量、一个或多个所述陆面变量以及一个或多个所述海洋变量中的任意一个当前变量,确定预设时间的预报场与同一时刻的分析场,并将所述预报场与所述分析场之间的偏差作为所述当前变量的初始扰动。
在一些可选地实现中,在将一个或多个大气变量、一个或多个陆面变量以及一个或多个海洋变量对应的初始扰动分别与所述预报初始场进行叠加,确定多组加扰动的预报初始场的步骤之前,所述方法还包括:
针对一个或多个所述大气变量、一个或多个所述陆面变量以及一个或多个所述海洋变量中的任意一个当前变量,确定切线性模式的奇异值和奇异向量;并将最大的奇异值对应的奇异向量作为所述当前变量的初始扰动。
在一些可选地实现中,所述集合预报结果为短期天气预报结果、中期天气预报结果、长期天气预报结果和气候预报结果中的任意一项。
在一些可选地实现中,在基于起报时间的初始气象资料,确定预报初始场的步骤之前,所述方法还包括:
获取预设区域的起报时间的初始气象资料。
第二方面,提供了一种基于初值集合的天气预报装置。该装置包括:
第一确定模块,用于基于起报时间的初始气象资料,确定预报初始场;
第二确定模块,用于将一个或多个大气变量、一个或多个陆面变量以及一个或多个海洋变量对应的初始扰动分别与所述预报初始场进行叠加,确定多组加扰动的预报初始场;
积分模块,用于对每组所述加扰动的预报初始场分别进行数值积分,分别得到一组预报时间的预报结果;
平均模块,用于将多组所述预报结果进行集合平均,得到所述集合预报结果。
在一些可选地实现中,所述装置还包括:
第三确定模块,用于针对一个或多个所述大气变量、一个或多个所述陆面变量以及一个或多个所述海洋变量中的任意一个当前变量,确定预设时间的预报场与同一时刻的分析场,并将所述预报场与所述分析场之间的偏差作为所述当前变量的初始扰动。
在一些可选地实现中,所述装置还包括:
第四确定模块,用于针对一个或多个所述大气变量、一个或多个所述陆面变量以及一个或多个所述海洋变量中的任意一个当前变量,确定切线性模式的奇异值和奇异向量;并将最大的奇异值对应的奇异向量作为所述当前变量的初始扰动。
第三方面,本发明实施例提供一种计算机设备,包括体温计、存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述前述实施方式任一项所述的方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有机器可运行指令,所述计算机可运行指令在被处理器调用和运行时,所述计算机可运行指令促使所述处理器运行所述前述实施方式任一项所述的方法。
本发明提供的一种基于初值集合的天气预报方法及装置。通过基于起报时间的初始气象资料,确定预报初始场;将一个或多个大气变量、一个或多个陆面变量以及一个或多个海洋变量对应的初始扰动分别与所述预报初始场进行叠加,确定多组加扰动的预报初始场;对每组所述加扰动的预报初始场分别进行数值积分,分别得到一组预报时间的预报结果;将多组所述预报结果进行集合平均,得到集合预报结果。以此,考虑了更多的不确定性,改进了集合预报的效果,提升了预报准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种大气状态的一个示例;
图2为本申请实施例提供的一种基于初值集合的天气预报方法流程示意图;
图3为本申请实施例提供的一种基于初值集合的天气预报装置结构示意图;
图4为本申请实施例提供的一种计算机结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
申请人通过分析发现,集合预报基于大气初值的不确定,在初始场加上各种小扰动,使初始场成为某种概率密度函数(Probability Distribution Function,PDF),有效解决了大气初值的误差问题,预报准确率会大幅提高。集合预报在同一有效预报时间内有一组不同的预报结果,各预报间的差异可提供有关被预报量的概率分布的信息,在集合预报中的各个预报可具有不同的初始条件、边界条件、参数设定,甚至可用完全独立的数值天气预报模式生成。
经典的集合预报是关于初值的集合预报,即认为大气是一个非线性的、对初值非常敏感的动力系统,初始场(即起报时间的初始值)的微小误差随着积分时间的加长会造成预报结果与大气真实状态的较大偏差。如图1所示,在起报时间t0,初始场的大气状态和真实的大气状态的误差非常小,随着模式积分时间的加长,这种误差被不断放大,到t0+n时刻,预报的大气状态和真实的大气状态差距会非常大。而对于初始场,由于人为的、仪器的、观测网络覆盖率及同化和客观分析方法的影响总会存在误差,永远只可能是实际大气的一种近似值。为了消除初值的误差对预报结果造成的影响,人们提出集合预报的思想。
集合预报的基本思想是承认当今所用的初始场是存在误差的,在实际预报中要考虑到这种误差,在确定性预报的初始场上施加一些能反映初值不确定性的小扰动,用加扰动的初值制作一系列预报,把这些预报通过集合平均以减少由于初值的误差产生的各自决定性预报的误差,从而使预报的误差更小。世界气象组织(World MeteorologicalOrganization WMO)将集合预报列为未来数值预报的主要发展战略方向之一。
在初值集合预报系统的构建上都是考虑大气相关变量(大气的温度、压强、湿度、风等),并没有考虑陆面相关变量(土壤温度、土壤湿度)和海洋相关变量(海水温度)。而事实上相关研究已经证实陆面变量、海洋变量对天气预报有重要影响,且陆面变量和海洋变量由于观测站点和观测技术的限制,其观测误差相对于大气变量更大,不确定性更大。这里提出一种方法,在初值集合预报中引入陆面变量和海洋变量,综合考虑大气变量、陆面变量和海洋变量不确定性的影响,构建初值集合预报系统,以改进集合预报的效果。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
图2为本发明实施例提供的一种基于初值集合的天气预报方法流程示意图。该方法可以应用于计算机,如图2所示,该方法可以包括:
S210,获取预设区域的起报时间的初始气象资料;
该初始气象资料可以为观测的气象资料或者通过第三方服务获取到的初始气象资料,例如可以是获取到的全球天气预报系统(Global Forecasting System,GFS)预报的初始气象资料,再例如,还可以获取观测站点的实际观测资料作为初始气象资料。
S220,基于起报时间的初始气象资料,确定预报初始场;
本实施例中,可以将该初始气象资料输入资料同化系统可以生成初始场。
以初始气象资料为GFS预报的初始气象资料为例,该GFS预报的初始气象资料为基于特定间距的资料,可以将按照预设的网格点的要求将其转换以便满足计算需要。例如,可以对该初始气象资料,经过数值插分,插分到预设区域的网格点上,得到预报初始场。
以初始气象资料为实际观测资料为例,该实际观测资料一般是特定经纬度的站点资料。可以通过插分到预设的预报区域的网格点上,得到预报初始场。
其中,该初始气象资料可以包括一个或多个大气变量、一个或多个陆面变量以及一个或多个海洋变量对应的观测值。
需要说明的是,数值预报是将预报区域在空间上划分成固定格距的网格点(即预设的网格点),例如,在水平X方向上划分300个网格点,Y方向上划分300个网格点,水平方向上格距是10千米。垂直Z方向上划分30层,每层也有一个格距。
S230,将一个或多个大气变量、一个或多个陆面变量以及一个或多个海洋变量对应的初始扰动分别与预报初始场进行叠加,确定多组加扰动的预报初始场。
在进行扰动叠加时,可以把生成的扰动场叠加到对应的网格点上,以实现将初始扰动与预报初始场的叠加。例如,在预设的网格点上,每一个网格点对应一个初始的气压Pi,j,k。在叠加初始扰动时,可以把每一个网格点上的扰动气压值Δpi,j,k叠加进去,生成一组加扰动的初始场。
在进行初始扰动与预报初始场的叠加时,可以叠加多次生成多组扰动初始场。其中,这里叠加的时候可以不是只叠加初始气压值,而是可以把考虑的全部变量一起叠加。
在生成的预报初始场的基础上,综合考虑大气变量、陆面变量和海洋变量的不确定性,对其叠加初始扰动,生成多组加扰动的预报初始场。初始扰动的生成方法可以采用增长模繁殖法或奇异向量法。
作为一个示例,在步骤S230之前,该方法还包括:
针对一个或多个大气变量、一个或多个陆面变量以及一个或多个海洋变量中的任意一个当前变量,确定预设时间的预报场与同一时刻的分析场,并将预报场与分析场之间的偏差作为当前变量的初始扰动。
例如,对于采用动态调整的增长模繁殖法生成初始扰动,可以在每一次繁殖过程中对循环的输出模的大小进行调整,将调整后的繁殖模作为下一个繁殖循环的输入模进行繁殖。具体可以通过如下步骤实现:
步骤1),在预报初始场上叠加一个小扰动;
步骤2),将加扰动的初始场和未扰动初始场(控制预报场)分别积分6小时,分别得到预报场和分析场;
步骤3),用预报场与分析场之间的差值,确定由于加扰动而引起的差值场;
步骤4),调整上述差值场的尺度,使之在均方根意义上与初始扰动有相同量级的大小;
步骤5),将该调整后的差值场加到如步骤1)所述的下一个6小时分析场中,重复执行上述步骤。经过一段时间的繁殖得到一个与实际误差增长率相当的用于做集合预报的加扰动的预报初始场。
由于增长模繁殖法的基本思想是把一个任意的随机扰动迭加到分析场中,经过一段时间的繁殖获得初始扰动,用于制作集合预报,因而判断扰动何时达到饱和是该方法的关键,对于扰动大小饱和的测度,通常以扰动增长率的大小来判断,下面对扰动增长率概念做一简单介绍。
在繁殖开始时,假设初始扰动为M0,以它在均方根意义上的大小做为繁殖模的大小,初始繁殖模为:
其中,N为模式所选区域的格点数。
设第t步繁殖循环结束时所得到输出模为:
Mt=ft p-ft c
其中,ft p是扰动场(分析场),ft c为控制场(预报场)。
第t步繁殖结束时繁殖模的大小为:E(Mt)
由于在繁殖循环中每一步都采用了动态调整,所以每步的循环输入模在均方根意义上的大小在繁殖过程中始终与初始模的相当,所以第t步繁殖模的增长率为:
动态调整的调整系数为:
下一个循环的输入模为
St=ctMt
繁殖的初始时刻是2007年5月26日00时(UTC),进行120小时的繁殖,每6小时对繁殖模调整一次。
由于增长模繁殖法只能对变量进行繁殖,通过繁殖找出对预报有贡献的扰动分量,因此对参数这类不随时间变化的量不适用。这里选取的大气变量为纬向风场、经向风场、水汽混合比和大气温度场,陆面变量为总土壤水份含量(SMO)、表面层温度(TSK)。
大气变量初始随机误差(初始模)的计算公式如下:
p(mx,my,ml)=ω×random(mx,my,ml)×E(ml)
陆面变量初始随机误差(初始模)的计算公式如下:
p(mx,my,ml)=ω×random(mx,my)×E(ml)
海洋变量初始随机误差(初始模)的计算公式如下:
p(mx,my,ml)=ω×random(mx,my,ml)×E(ml)
其中,p(mx,my,ml)是繁殖循环开始时的初始扰动场;E(ml)是24小时控制预报的各层均方根误差;ω是用来控制初始模大小的调整系数;该(mx,my,ml)用于指示网格点,其中,mx、my以及ml分别用于指示该网格点在网格中横向、纵向以及高度方向上的位置。例如,该陆面方案可以采用4层的NOAH陆面方案,模式垂直分层为31层,所以变量为陆面变量SMO时ml为4,为陆面变量TSK时ml为1,为大气变量时ml为31,为海洋变量海水表面温度时ml为1;random(mx,my,ml)为大气变量叠加初始扰动时的[-1,1]之间均匀分布的随机数,random(mx,my)为陆面变量或海洋变量叠加初始扰动时[-1,1]之间均匀分布的随机数。
例如,可以利用数值预报的积分误差作为初始扰动,比如,积分6个小时或12小时,这时积分得出的结果与观测值插分到预设的网格上的结果之间存在误差,可以将该误差作为初始扰动。其中,对于初始扰动,在每个网格上各个物理量都有数值。这些物理量主要包括温度、湿度、气压、风、土壤温度、土壤湿度、海水表面温度、植被覆盖率等100多个物理量。在叠加初始扰动时,可以不是全部物理量都进行叠加,可以根据前期的敏感性试验,选择对最终预报结果影响比较大的物理量进行叠加初始扰动。作为另一个示例,在步骤S230之前,该方法还包括:
针对一个或多个所述大气变量、一个或多个所述陆面变量以及一个或多个所述海洋变量中的任意一个当前变量,确定切线性模式的奇异值和奇异向量;并将最大的奇异值对应的奇异向量作为所述当前变量的初始扰动。
奇异值分解是在线性代数理论和矩阵论中一种重要的矩阵分解法。按奇异值分解理论,任何矩阵都可以进行奇异值分解,所以可以针对一个或多个所述大气变量、一个或多个所述陆面变量以及一个或多个所述海洋变量中的任意一个当前变量,基于如下公式进行奇异值分解:
其中,w是变量对应的m*n的矩阵,那么得到的U是一个m*m的方阵,U里面的正交向量被称为左奇异向量。Σ是一个m*n的矩阵,Σ除了对角线其它元素都为0,对角线上的元素称为奇异值。v的转置矩阵,是一个n*n的矩阵,它里面的正交向量被称为右奇异值向量。λ为w的特征值,μ为w的特征向量。
上式中前10%甚至1%的奇异值的和就占了全部奇异值之和的99%以上,奇异向量法的理论就是将最大奇异值对应的奇异向量作为当前变量的初始扰动。所以,可以确定分解得到的最大的奇异值以及所述最大的奇异值对应的奇异向量;将最大的奇异值对应的奇异向量作为所述当前变量的初始扰动。
对于大气变量对应的加扰动的预报初始场或者海洋变量对应的加扰动的预报初始场,均可以通过与上述陆面变量对应的加扰动的预报初始场相同的计算方式计算得到,可以相互参照理解,此处不再赘述。
S240,对每组加扰动的预报初始场分别进行数值积分,分别得到一组预报时间的预报结果;
可以将处理后的初始场(加扰动的预报初始场)输入数值预报模型,设置模式的积分步长,该积分步长表示数值预报模型输出积分结果的间隔,数值模型根据积分步长,计算并输出模型积分结果。积分步长一般根据预报区域水平方向的网格间距设置,积分步长如果过长计算过程中会出现计算错误,如果过短,计算成本太高。同时实际需求预报时间间隔一般应能被积分步长整除,确保需求的预报时间有计算结果。
S250,将多组预报结果进行集合平均,得到集合预报结果。
例如,可以把所有预报结果取平均值,得到预报结果。
该集合预报结果为短期天气预报结果、中期天气预报结果、长期天气预报结果和气候预报结果中的任意一项。
在初值集合预报中引入陆面变量和海洋变量,综合考虑大气变量、陆面变量和海洋变量不确定性的影响,在同时考虑大气变量、路面变量和海洋变量的前提下,相比于采用单一变量的情况,可以有效的提升预报的准确性,改进了集合预报的效果,提升了预报的准确性。
从降水扰动的特点来看,陆面变量初值扰动对降水的影响要小于大气变量初值扰动,但对降水仍有较大影响。所选变量初值扰动对降水的影响随着降水的增强而增大,但是随着降水的增强陆面变量初值扰动相对于大气变量初值扰动的重要性在增大。所选变量初值扰动对降水的影响随着时间的增加而增大,但是随着时间的增加,陆面变量初值扰动相对于大气变量初值扰动的重要性在增大。从集合预报效果来看,利用陆面变量初值扰动和大气变量初值扰动制作集合预报可以在一定程度上提高预报效果,利用陆面变量初值扰动制作集合预报是可行的。在考虑大气变量、路面变量和海洋变量时,可以充分考虑大气、路面以及海洋的各个变量的气象数据对天气影响的大小,以此来选择具体的变量,或者设置变量的扰动值,可以有效的提升预测准确度。
图3为本申请实施例提供的一种基于初值集合的天气预报装置结构示意图。如图3所示,包括:
第一确定模块301,用于基于起报时间的初始气象资料,确定预报初始场;
第二确定模块302,用于将一个或多个大气变量、一个或多个陆面变量以及一个或多个海洋变量对应的初始扰动分别与所述预报初始场进行叠加,确定多组加扰动的预报初始场;
积分模块303,用于对每组所述加扰动的预报初始场分别进行数值积分,分别得到一组预报时间的预报结果;
平均模块304,用于将多组所述预报结果进行集合平均,得到所述集合预报结果。
在一些实施例中,所述装置还包括:
第三确定模块,用于针对一个或多个所述大气变量、一个或多个所述陆面变量以及一个或多个所述海洋变量中的任意一个当前变量,确定预设时间的预报场与同一时刻的分析场,并将所述预报场与所述分析场之间的偏差作为所述当前变量的初始扰动。
在一些实施例中,所述装置还包括:
第四确定模块,用于针对一个或多个所述大气变量、一个或多个所述陆面变量以及一个或多个所述海洋变量中的任意一个当前变量,确定切线性模式的奇异值和奇异向量;并将最大的奇异值对应的奇异向量作为所述当前变量的初始扰动。
在一些实施例中,所述集合预报结果为短期天气预报结果、中期天气预报结果、长期天气预报结果和气候预报结果中的任意一项。
在一些实施例中,该装置还包括:
获取模块,用于获取预设区域的起报时间的初始气象资料。
本申请实施例提供的基于初值集合的天气预报装置,与上述实施例提供的基于初值集合的天气预报方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
如图4所示,本申请实施例提供的一种计算机设备700,包括:处理器701、存储器702和总线,存储器702存储有处理器701可执行的机器可读指令,当计算机设备700运行时,处理器701与存储器702之间通过总线通信,处理器701执行机器可读指令,以执行如上述基于初值集合的天气预报方法的步骤。
具体地,上述存储器702和处理器701能够为通用的存储器和处理器,这里不做具体限定,当处理器701运行存储器702存储的计算机程序时,能够执行上述基于初值集合的天气预报方法。
对应于上述基于初值集合的天气预报方法,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有机器可运行指令,计算机可运行指令在被处理器调用和运行时,计算机可运行指令促使处理器运行上述基于初值集合的天气预报方法的步骤。
本申请实施例所提供的基于初值集合的天气预报装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例移动控制方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的范围。都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种基于初值集合的天气预报方法,其特征在于,包括:
基于起报时间的初始气象资料,确定预报初始场;
将一个或多个大气变量、一个或多个陆面变量以及一个或多个海洋变量对应的初始扰动分别与所述预报初始场进行叠加,确定多组加扰动的预报初始场;
对每组所述加扰动的预报初始场分别进行数值积分,分别得到一组预报时间的预报结果;
将多组所述预报结果进行集合平均,得到集合预报结果。
2.根据权利要求1所述的方法,其特征在于,在将一个或多个大气变量、一个或多个陆面变量以及一个或多个海洋变量对应的初始扰动分别与所述预报初始场进行叠加,确定多组加扰动的预报初始场的步骤之前,所述方法还包括:
针对一个或多个所述大气变量、一个或多个所述陆面变量以及一个或多个所述海洋变量中的任意一个当前变量,确定预设时间的预报场与同一时刻的分析场,并将所述预报场与所述分析场之间的偏差作为所述当前变量的初始扰动。
3.根据权利要求2所述的方法,其特征在于,
所述大气变量的预报场与分析场之间的偏差的计算公式如下:
p(mx,my,ml)=ω×random(mx,my,ml)×E(ml)
所述陆面变量的预报场与分析场之间的偏差的计算公式如下:
p(mx,my,ml)=ω×random(mx,my)×E(ml)
所述海洋变量的预报场与分析场之间的偏差的计算公式如下:
p(mx,my,ml)=ω×random(mx,my,ml)×E(ml)
其中,p(mx,my,ml)为繁殖循环开始时的初始扰动场;E(ml)为24小时控制预报的各层均方根误差,mx、my以及ml分别用于指示横向、纵向以及高度方向上的位置;ω为调整系数;random(mx,my,ml)为大气变量或海洋变量叠加初始扰动时的[-1,1]之间均匀分布的随机数,random(mx,my)为陆面变量叠加初始扰动时[-1,1]之间均匀分布的随机数。
4.根据权利要求1所述的方法,其特征在于,在将一个或多个大气变量、一个或多个陆面变量以及一个或多个海洋变量对应的初始扰动分别与所述预报初始场进行叠加,确定多组加扰动的预报初始场的步骤之前,所述方法还包括:
针对一个或多个所述大气变量、一个或多个所述陆面变量以及一个或多个所述海洋变量中的任意一个当前变量,确定切线性模式的奇异值和奇异向量;并将最大的奇异值对应的奇异向量作为所述当前变量的初始扰动。
5.根据权利要求4所述的方法,其特征在于,针对一个或多个所述大气变量、一个或多个所述陆面变量以及一个或多个所述海洋变量中的任意一个当前变量,确定切线性模式的奇异值和奇异向量;并将最大的奇异值对应的奇异向量作为所述当前变量的初始扰动的步骤,包括:
针对一个或多个所述大气变量、一个或多个所述陆面变量以及一个或多个所述海洋变量中的任意一个当前变量,基于如下公式进行奇异值分解:
其中,w为变量对应的矩阵,U为左奇异向量对应的方阵,Σ为奇异值对应的矩阵,v为右奇异值向量对应的矩阵,λ为w的特征值,μ为w的特征向量;
确定分解得到的最大的奇异值以及所述最大的奇异值对应的奇异向量;
将最大的奇异值对应的奇异向量作为所述当前变量的初始扰动。
6.根据权利要求1所述的方法,其特征在于,所述集合预报结果为短期天气预报结果、中期天气预报结果、长期天气预报结果和气候预报结果中的任意一项。
7.根据权利要求1所述的方法,其特征在于,在基于起报时间的初始气象资料,确定预报初始场的步骤之前,所述方法还包括:
获取预设区域的起报时间的初始气象资料。
8.一种基于初值集合的天气预报装置,其特征在于,包括:
第一确定模块,用于基于起报时间的初始气象资料,确定预报初始场;
第二确定模块,用于将一个或多个大气变量、一个或多个陆面变量以及一个或多个海洋变量对应的初始扰动分别与所述预报初始场进行叠加,确定多组加扰动的预报初始场;
积分模块,用于对每组所述加扰动的预报初始场分别进行数值积分,分别得到一组预报时间的预报结果;
平均模块,用于将多组所述预报结果进行集合平均,得到集合预报结果。
9.一种计算机设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至7任一项所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有机器可运行指令,所述计算机可运行指令在被处理器调用和运行时,所述计算机可运行指令促使所述处理器运行所述权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010925871.XA CN112069449B (zh) | 2020-09-04 | 2020-09-04 | 基于初值集合的天气预报方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010925871.XA CN112069449B (zh) | 2020-09-04 | 2020-09-04 | 基于初值集合的天气预报方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112069449A true CN112069449A (zh) | 2020-12-11 |
CN112069449B CN112069449B (zh) | 2021-07-16 |
Family
ID=73662749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010925871.XA Active CN112069449B (zh) | 2020-09-04 | 2020-09-04 | 基于初值集合的天气预报方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069449B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221385A (zh) * | 2021-06-08 | 2021-08-06 | 上海交通大学 | 一种年代际预报的初始化方法及系统 |
CN115079305A (zh) * | 2022-04-28 | 2022-09-20 | 同济大学 | 一种基于集合预报的多物理变量初始场计算方法及装置 |
CN115598740A (zh) * | 2022-12-06 | 2023-01-13 | 阿里巴巴(中国)有限公司(Cn) | 气象预测方法、计算机可读存储介质以及计算机终端 |
CN113485995B (zh) * | 2021-07-23 | 2024-03-22 | 中国科学院大气物理研究所 | 一种集合预报系统初值的扰动方法 |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156817A (zh) * | 2011-04-11 | 2011-08-17 | 国家海洋信息中心 | 海上溢油漂移路径及扩散快速预报方法 |
CN102221714A (zh) * | 2011-03-11 | 2011-10-19 | 钱维宏 | 基于大气变量物理分解的低温雨雪冰冻天气的中期预报系统和方法 |
US8224768B1 (en) * | 2008-04-18 | 2012-07-17 | Wsi, Corporation | Tropical cyclone prediction system and method |
US8667602B2 (en) * | 2011-12-23 | 2014-03-04 | Aon Global Risk Research Limited | System for managing risk in employee travel |
CN104392097A (zh) * | 2014-10-24 | 2015-03-04 | 封国林 | 一种基于季节预报模式的季节降水相似预报方法 |
CN104992071A (zh) * | 2015-07-17 | 2015-10-21 | 南京信息工程大学 | 一种基于集合资料同化技术的初始扰动方法 |
CN105894106A (zh) * | 2015-01-05 | 2016-08-24 | 国家电网公司 | 一种海洋模式和气象模式的一体化耦合方法 |
CN106371155A (zh) * | 2016-08-25 | 2017-02-01 | 华南师范大学 | 基于大数据和分析场的气象预报方法及系统 |
CN106803129A (zh) * | 2015-11-26 | 2017-06-06 | 中国电力科学研究院 | 一种基于多源数值天气预报的风电功率集合预测方法 |
CN107632328A (zh) * | 2017-08-30 | 2018-01-26 | 国家海洋局北海预报中心 | 一种近海海洋气象信息分析处理方法 |
US20180038994A1 (en) * | 2016-08-02 | 2018-02-08 | International Business Machines Corporation | Techniques to Improve Global Weather Forecasting Using Model Blending and Historical GPS-RO Dataset |
CN108629452A (zh) * | 2018-04-28 | 2018-10-09 | 智慧天气风险管理(深圳)有限公司 | 一种基于多模式多参数集合预报的气象风险决策方法 |
CN108647806A (zh) * | 2018-04-04 | 2018-10-12 | 南京信息工程大学 | 一种考虑大尺度环流背景场的延伸期预报方法 |
CN109325633A (zh) * | 2018-10-23 | 2019-02-12 | 中国电力科学研究院有限公司 | 一种天气预报集合成员选取方法和系统 |
CN109344865A (zh) * | 2018-08-24 | 2019-02-15 | 山东省环境规划研究院 | 一种多数据源的数据融合方法 |
CN109783932A (zh) * | 2019-01-14 | 2019-05-21 | 哈尔滨工程大学 | 一种结合最优观测时间窗口的强耦合数据同化方法 |
CN109977346A (zh) * | 2017-12-28 | 2019-07-05 | 北京金风慧能技术有限公司 | 用于对区域风场进行风速预报的方法和装置 |
CN110020462A (zh) * | 2019-03-07 | 2019-07-16 | 江苏无线电厂有限公司 | 一种对气象数据进行融合处理并生成数值天气预报的方法 |
CN110045440A (zh) * | 2019-04-26 | 2019-07-23 | 国网湖南省电力有限公司 | 一种大气雾霾数值预报的集合预报方法及系统 |
CN110045439A (zh) * | 2018-01-15 | 2019-07-23 | 钱维宏 | 基于大气变量瞬变扰动方程组的数值天气预报模式系统 |
CN110659448A (zh) * | 2019-09-19 | 2020-01-07 | 中国人民解放军国防科技大学 | 一种非正交集合预报初值扰动算法 |
CN110852523A (zh) * | 2019-11-19 | 2020-02-28 | 上海眼控科技股份有限公司 | 基于数值模式的天气预报方法、装置、设备和存储介质 |
CN111125113A (zh) * | 2019-12-25 | 2020-05-08 | 中科三清科技有限公司 | 空气污染物数据的存储方法和装置 |
-
2020
- 2020-09-04 CN CN202010925871.XA patent/CN112069449B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8224768B1 (en) * | 2008-04-18 | 2012-07-17 | Wsi, Corporation | Tropical cyclone prediction system and method |
CN102221714A (zh) * | 2011-03-11 | 2011-10-19 | 钱维宏 | 基于大气变量物理分解的低温雨雪冰冻天气的中期预报系统和方法 |
CN102156817A (zh) * | 2011-04-11 | 2011-08-17 | 国家海洋信息中心 | 海上溢油漂移路径及扩散快速预报方法 |
US8667602B2 (en) * | 2011-12-23 | 2014-03-04 | Aon Global Risk Research Limited | System for managing risk in employee travel |
CN104392097A (zh) * | 2014-10-24 | 2015-03-04 | 封国林 | 一种基于季节预报模式的季节降水相似预报方法 |
CN105894106A (zh) * | 2015-01-05 | 2016-08-24 | 国家电网公司 | 一种海洋模式和气象模式的一体化耦合方法 |
CN104992071A (zh) * | 2015-07-17 | 2015-10-21 | 南京信息工程大学 | 一种基于集合资料同化技术的初始扰动方法 |
CN106803129A (zh) * | 2015-11-26 | 2017-06-06 | 中国电力科学研究院 | 一种基于多源数值天气预报的风电功率集合预测方法 |
US20180038994A1 (en) * | 2016-08-02 | 2018-02-08 | International Business Machines Corporation | Techniques to Improve Global Weather Forecasting Using Model Blending and Historical GPS-RO Dataset |
CN106371155A (zh) * | 2016-08-25 | 2017-02-01 | 华南师范大学 | 基于大数据和分析场的气象预报方法及系统 |
CN107632328A (zh) * | 2017-08-30 | 2018-01-26 | 国家海洋局北海预报中心 | 一种近海海洋气象信息分析处理方法 |
CN109977346A (zh) * | 2017-12-28 | 2019-07-05 | 北京金风慧能技术有限公司 | 用于对区域风场进行风速预报的方法和装置 |
CN110045439A (zh) * | 2018-01-15 | 2019-07-23 | 钱维宏 | 基于大气变量瞬变扰动方程组的数值天气预报模式系统 |
CN108647806A (zh) * | 2018-04-04 | 2018-10-12 | 南京信息工程大学 | 一种考虑大尺度环流背景场的延伸期预报方法 |
CN108629452A (zh) * | 2018-04-28 | 2018-10-09 | 智慧天气风险管理(深圳)有限公司 | 一种基于多模式多参数集合预报的气象风险决策方法 |
CN109344865A (zh) * | 2018-08-24 | 2019-02-15 | 山东省环境规划研究院 | 一种多数据源的数据融合方法 |
CN109325633A (zh) * | 2018-10-23 | 2019-02-12 | 中国电力科学研究院有限公司 | 一种天气预报集合成员选取方法和系统 |
CN109783932A (zh) * | 2019-01-14 | 2019-05-21 | 哈尔滨工程大学 | 一种结合最优观测时间窗口的强耦合数据同化方法 |
CN110020462A (zh) * | 2019-03-07 | 2019-07-16 | 江苏无线电厂有限公司 | 一种对气象数据进行融合处理并生成数值天气预报的方法 |
CN110045440A (zh) * | 2019-04-26 | 2019-07-23 | 国网湖南省电力有限公司 | 一种大气雾霾数值预报的集合预报方法及系统 |
CN110659448A (zh) * | 2019-09-19 | 2020-01-07 | 中国人民解放军国防科技大学 | 一种非正交集合预报初值扰动算法 |
CN110852523A (zh) * | 2019-11-19 | 2020-02-28 | 上海眼控科技股份有限公司 | 基于数值模式的天气预报方法、装置、设备和存储介质 |
CN111125113A (zh) * | 2019-12-25 | 2020-05-08 | 中科三清科技有限公司 | 空气污染物数据的存储方法和装置 |
Non-Patent Citations (10)
Title |
---|
ROGBERG P. 等: "Assessing atmospheric predictability on Mars using numerical weather prediction and data assimilation", 《QUARTERLY JOURNAL OF THE ROYAL METEOROLOGICAL SOCIETY》 * |
SAHA SURANJANA 等: "The NCEP climate forecast system reanalysis", 《BULLETIN OF THE AMERICAN METEOROLOGICAL SOCIETY》 * |
SHIH DONG-SIN 等: "Improving our understanding of flood forecasting using earlier hydro-meteorological intelligence", 《JOURNAL OF HYDROLOGY》 * |
吴统文 等: "国家气候中心短期气候预测模式系统业务化进展", 《应用气象学报》 * |
姜延浩 等: "论天气预报中的集合预报初值扰动策略", 《北京农业》 * |
张涵斌 等: "区域集合预报扰动方法研究进展综述", 《大气科学学报》 * |
王辉 等: "海洋可预报性和集合预报研究综述", 《地球科学进展》 * |
董敏 等: "BCC_CSM1.0模式对20世纪降水及其变率的模拟", 《应用气象学报》 * |
郑峰: "集合预报初值扰动在天气预报中的应用研究进展", 《科技导报》 * |
陈宇 等: "基于中尺度集合预报的"8.16"抚顺地区特大暴雨过程分析", 《气象与环境学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221385A (zh) * | 2021-06-08 | 2021-08-06 | 上海交通大学 | 一种年代际预报的初始化方法及系统 |
CN113221385B (zh) * | 2021-06-08 | 2022-09-23 | 上海交通大学 | 一种年代际预报的初始化方法及系统 |
CN113485995B (zh) * | 2021-07-23 | 2024-03-22 | 中国科学院大气物理研究所 | 一种集合预报系统初值的扰动方法 |
CN115079305A (zh) * | 2022-04-28 | 2022-09-20 | 同济大学 | 一种基于集合预报的多物理变量初始场计算方法及装置 |
CN115079305B (zh) * | 2022-04-28 | 2023-08-29 | 同济大学 | 一种基于集合预报的多物理变量初始场计算方法及装置 |
CN115598740A (zh) * | 2022-12-06 | 2023-01-13 | 阿里巴巴(中国)有限公司(Cn) | 气象预测方法、计算机可读存储介质以及计算机终端 |
Also Published As
Publication number | Publication date |
---|---|
CN112069449B (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112069449B (zh) | 基于初值集合的天气预报方法及装置 | |
Werner et al. | Hydrologic extremes–an intercomparison of multiple gridded statistical downscaling methods | |
Martin et al. | Status and future of data assimilation in operational oceanography | |
Balmaseda et al. | Evaluation of the ECMWF ocean reanalysis system ORAS4 | |
Zhang et al. | The Kuroshio east of Taiwan: Modes of variability and relationship to interior ocean mesoscale eddies | |
Paciorek et al. | Multiple indices of Northern Hemisphere cyclone activity, winters 1949–99 | |
Costoya et al. | Using bias-correction to improve future projections of offshore wind energy resource: A case study on the Iberian Peninsula | |
Yuan et al. | Validation of China-wide interpolated daily climate variables from 1960 to 2011 | |
Zhang et al. | Accessible remote sensing data based reference evapotranspiration estimation modelling | |
CN111611731B (zh) | 卫星数据融合方法、装置及电子设备 | |
Turner et al. | Interpolation of tidal levels in the coastal zone for the creation of a hydrographic datum | |
CN104040378B (zh) | 气象预测装置以及气象预测方法 | |
CN116205541B (zh) | 评估本地污染源对环境空气质量影响的方法及装置 | |
Olson et al. | Estimation of flood discharges at selected annual exceedance probabilities for unregulated, rural streams in Vermont, with a section on Vermont regional skew regression | |
Leslie et al. | Verification and training of real-time forecasting of multi-scale ocean dynamics for maritime rapid environmental assessment | |
Anuchaivong et al. | Statistical downscaling for rainfall forecasts using modified constructed analog method in Thailand | |
CN114491386A (zh) | 一种基于海气温差的海浪有效波高订正方法 | |
Sertel et al. | Estimating daily mean sea level heights using artificial neural networks | |
CN117271979A (zh) | 一种基于深度学习的赤道印度洋表层海流流速预测方法 | |
Thacker et al. | Assimilating XBT data into HYCOM | |
Borovikov et al. | Multivariate error covariance estimates by Monte Carlo simulation for assimilation studies in the Pacific Ocean | |
Masina et al. | Reconstructing the recent past ocean variability: status and perspective | |
Wang et al. | Preliminary results of a new global ocean reanalysis | |
CN115390160A (zh) | 一种台风中心自动定位方法及装置 | |
Young et al. | A data-based mechanistic modelling approach to real-time flood forecasting |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20201211 Assignee: Beijing Zhongke Sanqing Environmental Technology Co.,Ltd. Assignor: 3CLEAR TECHNOLOGY Co.,Ltd. Contract record no.: X2022980012305 Denomination of invention: Weather forecast method and device based on initial value set Granted publication date: 20210716 License type: Common License Record date: 20220815 |