CN112698428B - 西南地区降水延伸期综合预报信息处理方法、处理系统 - Google Patents
西南地区降水延伸期综合预报信息处理方法、处理系统 Download PDFInfo
- Publication number
- CN112698428B CN112698428B CN202110311134.5A CN202110311134A CN112698428B CN 112698428 B CN112698428 B CN 112698428B CN 202110311134 A CN202110311134 A CN 202110311134A CN 112698428 B CN112698428 B CN 112698428B
- Authority
- CN
- China
- Prior art keywords
- low
- frequency
- data
- forecasting
- weather
- 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
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
本发明属于天气信息处理技术领域,公开了一种西南地区降水延伸期综合预报信息处理方法、处理系统,该发明主要由数据处理与预报服务端和智能应用端两部分构成。前者主要包括数据接收模块、数据低频处理模块、低频天气流型确定模块等模块;后者包括数据访问模块等模块。该系统通过多元回归及神经网络算法对低频天气的定量描述,结合低频天气图、低频扰动能量图等对西南地区延伸期降水进行综合预报。本发明使得预报结果更加直观,在一定程度上减少对于人工经验预报的依赖,受主观因素的影响较少。可以对预报工作者预报起到补充作用,把定性预测和定量预测两者正确的结合起来使用,可以有效的提高预报的效率与准确性。
Description
技术领域
本发明属于天气信息处理技术领域,尤其涉及一种西南地区降水延伸期综合预报信息处理方法、处理系统。
背景技术
热带大气季节内振荡最先在20世纪70年代初由Madden和Julian发现,后来以Madden和Julian的名字被称为Madden Julian Oscillation(简称为MJO),是一种全球中普遍存在的现象。通过对MJO的进一步研究,对MJO的延伸期预报主要采用统计模型和动力模式两种方法,统计模型主要利用滞后回归模型、自回归模型、组合相似法和经验位相传播等,动力模式主要是将MJO指数用于动力模式中,如GFS/NCEP(全球预报系统),CFS/NCEP(气候预报系统),GEFS/NECP(全球集合预报系统)等。
在20世纪80年代末和90年代初,孙国武等提出了“低频天气图”的延伸期预报方法。利用滤波数据制作低频天气图,确定影响关键区,通过天气学分析方法进行延伸期预报。缪锦海、肖天贵等提出波包传播诊断方法,通过希尔伯特变换,求出个空间中的波包数值(即能量),将其绘制成波包分布图,分析波包在空间中的传播,实现预报。延伸期预报作为“无缝隙预报”重要的一个环节,对于社会经济发展,人民财产安全都具有显著的作用与意义。然而现阶段对于延伸期的准确预报还存在许多困难,尤其是对于西南地区的预报,西南地区地势复杂、天气形势、预报难度大。因此将大气低频振荡与能量传播相结合,形成一种低频扰动能量传播为核心的西南地区降水延伸期综合预报方法,在理论上具有较强的可行性、延展性与实用性,对整个延伸期预报也起到较好的补充。
现有技术一低频天气图:是一种基于低频流场图的延伸期预报方法。其主要步骤为:在低频流场图上确定降水关键区;利用带通滤波对数据滤波,利用滤波数据绘制低频天气图;分析关键区域中与降水相关的低频系统特征;基于低频系统特征建立预测模型,最后通过天气学分析方法分析低频天气图,对延伸期做出预报。
现有技术二低频扰动天气图:是一种基于大气变量物理分解的方法,制作低频扰动天气图的延伸期做出预报方法。其主要步骤为:对全球或北半球范围连续 N 年的包括风、位势高度、温度、湿度的气象变量资料序列进行四分量物理分解,形成四分量物理分解数据库;利用近期 60天观测的气象变量数值减去四分量物理分解数据库中的气候分量后得到近期 60天的天气尺度扰动分量;近期60天时间序列的天气尺度扰动分量做时间平滑或滤波,制作出近期60天的低频扰动天气图。
通过上述分析,现有技术存在的问题及缺陷为:现有低频天气图偏向于天气分析应用的技术,通过滤波将延伸期的部分有效天气信息过滤出来,绘制成低频天气图,对于降水的预报,更偏向于预报人员的经验预报,以预报员的经验、技巧和判断为主,经验预报结果的正确性在很大程度上取决于预报人员的经验积累,并且不能够对预报进行定量描述。
解决以上问题及缺陷的难度为:
(1)由预报员自身局,引起的预报误差。
(2)对以往天气形势总结不全,引起的预报误差。
解决以上问题及缺陷的意义为:
(1)使得预报结果更加直观,在一定程度上减少对于人工经验预报的依赖,受主观因素的影响较少。
(2)可以对预报工作者起到预报起到补充作用,把定性预测和定量预测两者正确的结合起来使用,可以有效的提高预报的效率与准确性。
发明内容
针对现有技术存在的问题,本发明提供了一种西南地区降水延伸期综合预报信息处理方法、处理系统。
本发明是这样实现的,一种西南地区降水延伸期综合预报信息处理方法,包括:
步骤一,根据历史资料筛选出多个影响西南地区降水的主要气象要素,进行10-30d滤波得到大气低频振荡数据;其中,采用Butterworth带通滤波器提取10-30d低频分量;对滤波获取的10-30d的延伸期低频分量进行Hilbert Transform处理,使其从低频振荡数据转变为低频扰动能量数据,从而表示能量的传播;
步骤二,采用多变量经验正交分解(MV-EOF)的方法对10-30d延伸期低频分量及其低频扰动能量进行分解,分解出10-30d延伸期低频分量和低频扰动能量的时间序列与空间模态两部分。采用MV-EOF方法对各气象要素延伸期低频分量及其低频扰动能量进行分解,是因为MV-EOF同时也能反映出某一个趋势下,各个要素配置,体现不同要素的联合或者协同影响;
步骤三,选取MV-EOF分解出的10-30d延伸期低频分量及其低频扰动能量空间模态数据(取前N个模态,具体模态数一般为其累积方差贡献率达60%以上)绘制低频分量与低频扰动能量的空间分布图,通过研究其在空间中的主要分布情况,结合历史降水天气数据,得到低频天气系统中低频振荡与低频扰动能量的配置结构,确定影响降水的主要影响因子及其低频天气流型;
步骤四,对时间序列利用统计学方法与神经网络算法建立预报模型,具体为获取关键区及主要影响因子的10-30天低频分量及其低频扰动能量的时间序列,时间序列可通过多变量经验正交分解(MV-EOF)的取得,取前N个模态,其对应的时间序列作为预报因子,利用多元回归方法与神经网络算法对降水数据拟合并外推,建立预报模型;
步骤五,利用近期低频振荡数据、低频扰动能量数据绘制低频天气图、低频扰动能量天气图,结合主要影响因子及其低频天气流型进行天气学分析;绘制低频天气图、低频扰动能量天气图时,数据选取近30天的低频振荡与低频扰动能量数据,确保其数据可作为延伸期预报数据。
步骤六,利用低频扰动能量天气图、低频天气图以及统计方法三种方式对西南地区延伸期降水进行预报,并对预报结果进行综合分析,得出最终预报结果。
进一步,步骤一结合气候数据,筛选出多个气象要素,采用Butterworth带通滤波器,对其数据进行10~30天滤波,得到大气低频振荡数据;对低频振荡数据进行希尔伯特变换,将低频振荡数据转变为低频扰动能量数据,表示能量的传播。
(1)收集西南地区历年的气候数据,并结合影响西南地区降水天气系统的配置结构,对数据进行筛选;
(2对采用Butterworth带通滤波器,对数据进行10~30天滤波,得到大气低频振荡数据;
(3)对滤波数据进行Hilbert transform处理,将低频振荡数据转变为低频扰动能量数据,表示能量的传播。
提取低频扰动能量的步骤具体为:滤波得到的10-30d天各气象要素的低频振荡数
据时间序列即为, 其次利用希尔伯特变换(Hilbert Transform), 求出低
频振荡数据时间序列 的正交序列,由此得到解析信号;
求取解析信号的振幅,振幅即为低频振荡数据的波包络,即低频扰动能量。
进一步,所述步骤二采用多变量经验正交分解MV-EOF的方法,对10-30天低频振荡数据与低频扰动能量数据进行分解,使时间与空间分离,形成时间序列与空间模态两部分。
进一步,所述步骤三选取MV-EOF分解出的10-30d延伸期低频分量及其低频扰动能量空间模态数据(取前N个模态,具体模态数一般为其累积方差贡献率达60%以上)绘制低频分量与低频扰动能量空间分布图,通过研究其在空间中的主要分布情况,得到低频天气系统中低频振荡与低频扰动能量的配置结构,确定影响西南地区降水的主要影响因子及其低频天气流型;
进一步,所述步骤四对多变量经验正交分解后气象要素的关键区与主要影响因子的低频时间序列进行处理,建立预报模型并形成新的时间序列。
包括:
(1)获取影响降水的低频关键区与影响因子的时间序列。
(2)对预报因子的时间序列与降水时间序列进行相关性分析,保留相关性通过0.05显著性检验的预报因子。
(3)通过多元回归与神经网络的方法,对时间序列进行拟合,并建立预报模型;
(4)通过对预报模型预报结果进行订正并形成新的预报结果。
多元回归的统计学方法建立预报模型。
上式中,f(t)为要预报的延伸期降水时间序列,m,n,l分别代表处理后降水序列本身的低频振荡分量、其它气象要素的低频分量、低频扰动能量具体的变量个数;a(i,t), b(j,t), b(k,t)分别为降水序列本身的低频振荡分量、其它气象要素的低频分量、低频扰动能量的线性回归系数;x1(i,t), x2(j,t), x3(k,t)分别为降水序列本身的低频振荡分量、各气象要素低频分量、低频扰动能量投影到各个模态上的时间序列。
进一步,所述步骤五利用滤波和希尔伯特变换得到的10-30天的低频扰动能量数据绘制低频扰动能量天气图,并进行天气学分析。
进一步,所述步骤六采用低频扰动能量天气图、低频振荡天气图以及所建立的预报模型对西南地区延伸期降水进行预报包括:
(1)预报一,利用预报期前10-30天数据,绘制低频扰动能量天气图,将低频扰动能量天气图、低频扰动能量关键区、低频天气系统配置结构相结合,通过天气诊断方法,对延伸期降水进行预测;
(2)预报二,利用预报期前10-30天数据,绘制低频天气图,将低频天气图、低频关键区、低频天气系统配置结构相结合,通过天气诊断方法,对延伸期降水进行预测;
(3)预报三,利用所建立的多元回归、神经网络预报模型对降水进行拟合,并外推1-X天降水,对多元回归预报模型预报结果与神经网络预报结果进行订正,并形成新的预报结果。
进一步,所述利用预报一-预报三三种方式的预报结果,进行综合分析,得出最终预报结果。
本发明的另一目的在于提供一种实施所述基于低频扰动能量传播的降水延伸期综合预报信息处理系统,包括:
数据接收模块:用于接收气象数据。每日定时根据预报所需气象要素清单,识别是否有新数据, 若有新数据,则进行下载并进行下一步处理。
数据低频处理模块,用于各气象要素数据处理,筛选出多个气象要素,对采用Butterworth带通滤波器,对数据进行10~30天滤波,得到大气低频振荡数据;对低频振荡数据进行希尔伯特变换,将低频振荡数据转变为低频扰动能量数据,表示能量的传播;
低频天气流型确定模块,用于获取低频振荡与低频扰动能量数据的时间序列与空间模态,其采用的方法为多变量经验正交分解(MV-EOF);对空间模态数据绘图,获取低频天气系统中低频振荡与低频扰动能量的配置结构,确定影响大气降水的主要影响因子及其低频天气流型;
延伸期降水模型预报模块,用于对通过多变量正交经验分解得到气象要素的时间序列利用统计学方法与神经网络算法构建预报模型;用于绘制近期低频振荡与低频扰动能量数据的低频天气图、低频扰动能量天气图,以便进行天气学分析;
预报结果分析模块,用于利用低频扰动能量天气图、低频天气图以及预报模型三种方式对延伸期降水进行预报,并对预报结果进行综合分析,得出最终预报结果。
本发明的另一目的在于提供一种搭载所述基于低频扰动能量传播的西南地区降水延伸期综合预报信息处理系统的智能终端包括:
数据访问模块,根据用户在智能终端上的操作指令,接入Internet向预报服务模块发出连接请求。如果预报服务模块通过验证, 则用户所在端口与服务模块建立连接, 用户可以访问并接收数据。
交互模块,根据用户在智能终端上的操作指令,包括在触摸屏上手指交互操作,鼠标、键盘操作等,实现原始资料以及预报产品的调用。
结果反馈模块,用于用户对预报结果的反馈,以便对预报系统进行改进与对预报结果进行订正。
结合上述的所有技术方案,本发明所具备的优点及积极效果为: 本发明通过低频扰动能量的变化,将天气形式与其能量传输相结合,并加以统计学方法定量描述,形成一种延伸期降水综合预报方法,对西南地区延伸期降水做出综合预报,提高西南地区延伸期降水预报准确率。
本发明西南地区降水延伸期综合预报方法,其以低频扰动能量传播为核心,结合了低频天气图,统计预报的优点,利用本发明对西南地区降水延伸降水进行预报,可以更完整的展现西南地区降水时的低频天气形式、能量传输与分布。并且最终形成一种西南地区降水延伸期综合预报信息处理方法、系统、智能终端。
附图说明
图1是本发明实施例提供的降水延伸期综合预报信息处理方法流程图。
图2是本发明实施例提供的降水延伸期综合预报信息处理方法实现流程图。
图3是本发明实施例提供的影响西南地区降水的低频天气系统的配置结构示意图。
图4(a)是本发明实施例提供的经验正交函数为11.91%的低频扰动能量空间分布示意图。
图4(b)是本发明实施例提供的经验正交函数为6.27%的低频扰动能量空间分布示意图。
图4(c)是本发明实施例提供的经验正交函数为5.30%的低频扰动能量空间分布示意图。
图4(d)是本发明实施例提供的经验正交函数为4.77%的低频扰动能量空间分布示意图。
图5(a)是本发明实施例提供的西南秋季9月平均200hPa位势高度的低频扰动能量分布图。
图5(b)是本发明实施例提供的西南秋季9月平均500hPa位势高度的低频扰动能量分布图。
图5(c)是本发明实施例提供的西南秋季9月平均700hPa位势高度的低频扰动能量分布图。
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,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明主要由数据处理与预报服务端和智能应用端两部分构成。前者主要包括数据接收模块、数据低频处理模块、低频天气流型确定模块、延伸期降水模型预报模块、预报结果分析模块;后者包括数据访问模块,交互模块与结果反馈模块。该系统的设计理念基于低频振荡与低频扰动能量对延伸期降水的可预报性,通过多元回归及神经网络算法的定量描述,结合低频天气图、低频扰动能量、天气诊断分析对西南地区延伸期降水进行综合预报。预报过程具体分为:根据历史资料筛选出多个影响降水的主要气象要素,滤波得到大气低频振荡数据;对低频振荡数据进行希尔伯特变换,将低频振荡数据转变为低频扰动能量数据,以表示能量的传播;对低频振荡数据与低频扰动能量数据分别采用多变量经验正交分解方法,使低频振荡数据与低频扰动能量数据分解出时间序列与空间模态两部分;对空间模态数据绘图,得到低频天气系统中低频振荡与低频扰动能量的配置结构,确定影响大气降水的主要影响因子及其低频天气流型;对时间序列利用统计学方法与神经网络算法进行拟合并外推,构建预报模型;利用预报期前的10-30天低频振荡与低频扰动能量数据绘制低频天气图、低频扰动能量天气图,结合主要影响因子及其低频天气流型进行天气诊断分析;利用低频扰动能量天气图、低频天气图以及预报模型对西南延伸期降水进行预报,综合分析得出最终预报结果。
针对现有技术存在的问题,本发明提供了一种西南地区降水延伸期综合预报信息处理方法、处理系统,下面结合附图对本发明作详细的描述。
如图1所示,本发明提供的西南地区降水延伸期综合预报信息处理方法包括以下步骤:
S101:根据历史资料对筛选出多个影响降水的主要气象要素,10-30d滤波得到大气低频振荡数据;对低频振荡数据进行希尔伯特变换,将低频振荡数据转变为低频扰动能量数据,以表示能量的传播。
S102:对低频振荡数据与低频扰动能量数据采用多变量经验正交分解方法,使低频振荡数据与低频扰动能量数据分解为时间序列与空间模态两部分。
S103:对空间模态数据绘图,得到低频天气系统中低频振荡与低频扰动能量的配置结构,确定影响大气降水的主要影响因子及其低频天气流型。
S104:对时间序列利用统计学方法与神经网络算法建立预报模型,对延伸期降水做出定量预报。
S105:利用近期低频振荡与低频扰动能量数据绘制低频天气图、低频扰动能量天气图,结合主要影响因子及其低频天气流型进行天气学分析。
S106:利用低频扰动能量天气图、低频天气图以及预报模型对延伸期降水进行预报,分析得出最终预报结果。
下面结合附图对本发明的技术方案作进一步的描述。
如图2所示,本发明实施例提供的降水延伸期综合预报信息处理方法包括:相关气象要素数据下载与更新,10-30天带通滤波,通过希尔伯特变换,实现低频振荡与低频扰动能量数据(10-30天带通滤波直接实现低频振荡与低频扰动能量数据),经过MV-EOF、时间序列和多元回归与神经网络算法,建立时间序列预报模型,然后进行综合分析,得出预报结果。
MV-EOF通过空间模态,前N个模态,得到低频振荡与低频扰动能量空间分布图,得到关键区与主因影响因子,延伸期降水预测,然后进行综合分析,得出预报结果。
相关气象要素数据下载与更新,得到历史降水天气数据,得到关键区与主因影响因子,延伸期降水预测,然后进行综合分析,得出预报结果。
低频扰动能量数据,预报期前的10-30d低频数据,低频天气图与低频扰动能量天气图,采用天气诊断分析方法,延伸期降水预测,然后进行综合分析,得出预报结果。
本发明利用1979~2019年西南地区实时观测的逐日降水资料和ECMWF提供的逐日纬向风、经向风、相对湿度及温度等再分析资料,分析西南地区的降水特征,以低频扰动能量传播为核心,并在此基础上通过统计学方法建立降水模型,对西南地区延伸期降水进行综合预报。如图3所示,具体包括:
第一步,筛选提取西南地区历年的与降水相关气象数据,通过Butterworth滤波器提取延伸期预报有效部分数据,并将其转化为低频扰动能量数据。具体为:
(1)通过收集西南地区历年的气候数据,结合影响西南地区降水天气系统的配置结构,对数据进行筛选;低频天气系统的配置结构如图3。
(2)筛选出850hPa、500hPa、200hPa风场高度场等多个气象要素,对采用Butterworth带通滤波器,对其数据进行10~30天滤波,得到大气低频振荡数据。
(3)对滤波数据进行Hilbert transform处理,使其从低频振荡数据转变为低频扰动能量数据,从而表示能量的传播,计算公式为:
解析信号的振幅即为窄带信号的波包络;表示滤波得到的10-30
天各气象要素的低频振荡数据时间序列, 表示低频振荡数据时间序列的
正交序列;i代表不同的波,x,y,z代表随空间的变化,t代表随时间的变化;解析信号的振幅 即表示各波的振幅;表示解析信号。
(4)根据采用多变量经验正交分解(MV-EOF)的方法,分别对10-30天低频振荡数据及低频扰动能量数据进行分解,使时空与空间分离,形成时间序列与空间模态两部分。
第二步,采用MV-EOF分解的低频振荡数据与低频扰动能量数据绘制低频天与低频扰动能量的空间分布图(如图4(a)-图4(d)),通过研究其在空间中的主要分布状态,结合对多年来西南地区降水的时空特征分析,确定影响西南地区将降水的低频振荡与低频扰动能量关键区,具体为:
截取MV-EOF分解的前N个模态,绘制出前N个模态的低频扰动能量与低频振荡空间分布,结合西南地区降水的时空特征分析,确定影响西南地区降水的关键区。
第三步,分析低频气象要素的时间序列,并对时间序列建立数学模型。具体为:
(1)获取影响降水的低频关键区与影响因子的时间序列。
(2)对预报因子的时间序列与降水时间序列进行相关性分析,保留相关性通过0.05显著性检验的预报因子(如表1)。
表1本发明实施例提供的各低频分量与降水的相关性分析
(3)通过多元回归与神经网络的方法,建立预报模型,对时间序列进行拟合,并外推X天;
(4)通过对多元回归预报模型预报结果与神经网络模型预报结果进行订正并形成最终预报结果。
第四步,采用低频扰动能量天气图、低频振荡天气图以及统计学与神经网络预报模型对西南地区延伸期降水进行预报,具体为:
(1)预报一:利用预报期前10-30天数据,绘制低频扰动能量天气图,将低频扰动能量天气图、低频扰动能量关键区、低频天气系统配置结构相结合,通过天气诊断方法,对延伸期降水进行预测。
(2)预报二:利用预报期前10-30天数据,绘制低频天气图,将低频天气图、低频关键区、低频天气系统配置结构相结合,通过天气诊断方法,对延伸期降水进行预测。
(3)预报三:利用多元回归、神经网络建立的预报模型对降水进行定量的预报。
第五步,综合预报:利用上面三种方式的预报结果,进行综合分析,从而得出最终预报结果。
如图5,为西南秋季9月平均200hPa(图5(a))、500hPa(图5(b))、700hPa(图5(c))位势高度的低频扰动能量分布,通过低频能量的分布,能看出能量的聚集、耗散与传播,从图中可以清晰的看到西南秋季9月期间,高度场低频扰动能量的分布,如从高层到低层,在巴尔喀什湖以西以及鄂霍茨克海附近为,始终为波包大值区,波包强度均在均大于0.5;在亚洲西南部、伊朗西部为强的低值区。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种西南地区降水延伸期综合预报信息处理方法,其特征在于,所述降水延伸期综合预报信息处理方法包括:
步骤一,根据历史资料筛选出多个影响西南地区降水的主要气象要素,进行10-30天滤波得到大气低频振荡数据;其中,采用Butterworth带通滤波器提取10-30天低频分量;对滤波获取的10-30天的延伸期低频分量进行希尔伯特变换处理,使其从低频振荡数据转变为低频扰动能量数据,从而表示能量的传播;
步骤二,采用多变量经验正交分解的方法对10-30天延伸期低频分量及其低频扰动能量进行分解,分解出10-30天延伸期低频分量和低频扰动能量的时间序列与空间模态两部分;采用MV-EOF方法对各气象要素延伸期低频分量及其低频扰动能量进行分解;
步骤三,选取MV-EOF分解出的10-30天延伸期低频分量及其低频扰动能量空间模态数据绘制低频分量与低频扰动能量的空间分布图,通过研究其在空间中的主要分布情况,结合历史降水天气数据,得到低频天气系统中低频振荡与低频扰动能量的配置结构,确定影响降水的主要影响因子及其低频天气流型;
步骤四,对时间序列利用统计学方法与神经网络算法建立预报模型,具体为获取关键区及主要影响因子的10-30天低频分量及其低频扰动能量的时间序列,时间序列可通过多变量经验正交分解的取得,取前N个模态,其对应的时间序列作为预报因子,利用多元回归方法与神经网络算法对降水数据拟合并外推,建立预报模型;
步骤五,利用近期低频振荡数据、低频扰动能量数据绘制低频天气图、低频扰动能量天气图,结合主要影响因子及其低频天气流型进行天气学分析;绘制低频天气图、低频扰动能量天气图时,数据选取近30天的低频振荡与低频扰动能量数据,确保其数据可作为延伸期预报数据;
步骤六,利用低频扰动能量天气图、低频天气图以及统计方法三种方式对西南地区延伸期降水进行预报,并对预报结果进行综合分析,得出最终预报结果;
所述步骤一具体包括:
(1)收集西南地区历年的气候数据,并结合影响西南地区降水天气系统的配置结构,对数据进行筛选;
(2)对采用Butterworth带通滤波器,对数据进行10~30天滤波,得到大气低频振荡数据;
(3)对滤波数据进行希尔伯特变换处理,将低频振荡数据转变为低频扰动能量数据,表示能量的传播;
所述对滤波数据进行希尔伯特变换处理,将低频振荡数据转变为低频扰动能量数据,表示能量的传播,计算公式为:
2.如权利要求1所述的西南地区降水延伸期综合预报信息处理方法,其特征在于,所述步骤四具体包括:
(1)获取影响降水的低频关键区与影响因子的时间序列;
(2)对预报因子的时间序列与降水时间序列进行相关性分析,保留相关性通过0.05水平显著性检验的作为预报因子;
(3)通过多元回归与神经网络的方法,对时间序列进行拟合,并建立预报模型;
(4)通过对多元回归预报模型预报结果与神经网络模型预报结果进行订正并形成新的预报序列;
多元回归的统计学方法建立预报模型
上式中,f(t)为要预报的延伸期降水时间序列,m,n,l分别代表处理后降水序列本身的低频振荡分量、其它气象要素的低频分量、低频扰动能量具体的变量个数;a(i,t), b(j,t), b(k,t)分别为降水序列本身的低频振荡分量、其它气象要素的低频分量、低频扰动能量的线性回归系数;x1(i,t), x2(j,t), x3(k,t)分别为降水序列本身的低频振荡分量、各气象要素低频分量、低频扰动能量投影到各个模态上的时间序列。
3.如权利要求1所述的西南地区降水延伸期综合预报信息处理方法,其特征在于,所述步骤六具体包括:
(1)预报一,利用预报期前10-30天低频扰动能量数据,绘制低频扰动能量天气图,将低频扰动能量天气图、低频扰动能量关键区、低频天气系统配置结构相结合,通过天气诊断方法,对延伸期降水进行预测;
(2)预报二,利用预报期前10-30天低频振荡数据,绘制低频天气图,将低频天气图、低频关键区、低频天气系统配置结构相结合,通过天气诊断方法,对延伸期降水进行预测;
(3)预报三,利用多元回归、神经网络建立的预报模型对延伸期降水进行定量的预报。
4.如权利要求3所述的西南地区降水延伸期综合预报信息处理方法,其特征在于,利用预报一-预报三三种方式的预报结果,进行综合分析,得出最终预报结果。
5.一种实施权利要求1~4任意一项所述西南地区降水延伸期综合预报信息处理方法的西南地区降水延伸期综合预报信息处理系统,其特征在于,所述西南地区降水延伸期综合预报信息处理系统包括:
数据接收模块:用于接收气象数据,每日定时根据预报所需气象要素清单,识别是否有新数据;
数据低频处理模块:用于各气象要素数据处理,筛选出多个气象要素,对采用Butterworth带通滤波器,对数据进行10~30天滤波,得到大气低频振荡数据;对低频振荡数据进行希尔伯特变换,将低频振荡数据转变为低频扰动能量数据,表示能量的传播;
低频天气流型确定模块:用于获取低频振荡与低频扰动能量数据的时间序列与空间模态,其采用的方法为多变量经验正交分解;对空间模态数据绘图,获取低频天气系统中低频振荡与低频扰动能量的配置结构,确定影响大气降水的主要影响因子及其低频天气流型;
延伸期降水模型预报模块:用于对通过多变量正交经验分解得到气象要素的时间序列利用统计学方法与神经网络算法构建预报模型;用于绘制近期低频振荡与低频扰动能量数据的低频天气图、低频扰动能量天气图,以便进行天气学分析;
预报结果分析模块:用于利用低频扰动能量天气图、低频天气图以及预报模型三种方式对延伸期降水进行预报,并对预报结果进行综合分析,得出最终预报结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110311134.5A CN112698428B (zh) | 2021-03-24 | 2021-03-24 | 西南地区降水延伸期综合预报信息处理方法、处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110311134.5A CN112698428B (zh) | 2021-03-24 | 2021-03-24 | 西南地区降水延伸期综合预报信息处理方法、处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112698428A CN112698428A (zh) | 2021-04-23 |
CN112698428B true CN112698428B (zh) | 2021-07-06 |
Family
ID=75515586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110311134.5A Active CN112698428B (zh) | 2021-03-24 | 2021-03-24 | 西南地区降水延伸期综合预报信息处理方法、处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112698428B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113836129B (zh) * | 2021-09-26 | 2024-01-26 | 华北电力大学 | 一种基于经验正交分解的日尺度降尺度预测方法 |
CN114200548B (zh) * | 2021-12-15 | 2023-07-18 | 南京信息工程大学 | 基于SE-Resnet模型的延伸期气象要素预报方法 |
CN116362367B (zh) * | 2022-12-09 | 2023-10-20 | 广东省气象台(南海海洋气象预报中心、珠江流域气象台) | 华南高温过程低频监测与动力-统计延伸期预报方法及系统 |
CN116562142B (zh) * | 2023-05-11 | 2023-12-01 | 南京信息工程大学 | 一种气象要素延伸期预报方法及装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103383471B (zh) * | 2012-05-02 | 2015-04-29 | 钱维宏 | 瞬变扰动天气图和低频扰动天气图制作方法及其在天气预报中的应用 |
KR101429094B1 (ko) * | 2012-12-24 | 2014-08-13 | 부산대학교 산학협력단 | 동아시아 여름철 몬순 강수의 물리 통계 예측 시스템 및 방법 |
CN106054282B (zh) * | 2016-05-27 | 2018-09-21 | 成都信息工程大学 | 一种基于mjo的西南地区降水预报方法 |
CN108647806B (zh) * | 2018-04-04 | 2021-12-17 | 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 |
CN109725371A (zh) * | 2018-12-24 | 2019-05-07 | 深圳市六韬天气科技有限公司 | 基于低频流场图的华南地区台风和暴雨的预测方法 |
CN110543987A (zh) * | 2019-08-28 | 2019-12-06 | 向波 | 一种智能气候预测系统 |
CN110794485A (zh) * | 2019-10-22 | 2020-02-14 | 成都信息工程大学 | 基于集成学习的强对流天气持续时间预报方法 |
CN111915158A (zh) * | 2020-07-15 | 2020-11-10 | 云南电网有限责任公司带电作业分公司 | 一种基于Flood Area模型的暴雨灾害天气风险评估方法、装置及设备 |
-
2021
- 2021-03-24 CN CN202110311134.5A patent/CN112698428B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112698428A (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112698428B (zh) | 西南地区降水延伸期综合预报信息处理方法、处理系统 | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
Casati et al. | Forecast verification: current status and future directions | |
CN110796284A (zh) | 细颗粒物污染等级的预测方法、装置及计算机设备 | |
Moayyed et al. | A Cyber-Secure generalized supermodel for wind power forecasting based on deep federated learning and image processing | |
CN107992447A (zh) | 一种应用于河流水位预测数据的特征选择分解方法 | |
CN114578457B (zh) | 一种基于进化集成学习的大气污染物浓度时空预测方法 | |
CN112285807A (zh) | 一种气象信息预测方法及装置 | |
Karimian et al. | Evaluation of different machine learning approaches and aerosol optical depth in PM2. 5 prediction | |
CN112668611B (zh) | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 | |
CN116609860B (zh) | 基于集成学习算法的水文模型实时校正方法和系统 | |
CN115544889A (zh) | 基于深度学习的数值模式降水偏差校正方法 | |
CN115575601A (zh) | 基于水汽通量散度的植被旱灾指数评估方法和系统 | |
CN116845874A (zh) | 一种电力负荷的短期预测方法及装置 | |
CN112180471A (zh) | 天气预报方法、装置、设备及存储介质 | |
CN114200548B (zh) | 基于SE-Resnet模型的延伸期气象要素预报方法 | |
CN117522652B (zh) | 人居环境脆弱性评价方法、系统、智能终端及存储介质 | |
CN117194926A (zh) | 陆上风电基地吊装窗口期预测方法及系统 | |
CN113704695A (zh) | 一种适用于区域数值模式集合模拟预报的初值小扰动法 | |
CN115510945B (zh) | 基于主成分和Logistic分析地质灾害概率预报方法 | |
CN113254554B (zh) | 基于地图抓取与聚类学习的城市街区热岛建模方法及系统 | |
CN115936196A (zh) | 基于时序卷积网络的月降水模型预测方法 | |
CN115049097A (zh) | 集成aec和时空特征的工业园区pm2.5浓度预测方法 | |
Chen et al. | Big data analytic based personalized air quality health advisory model | |
KR20200087731A (ko) | 고빈도 기상 데이터를 이용한 합성곱 신경망 기반의 기상 요소 예측 방법 및 장치 |
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 |