CN112764129A - 一种雷暴短临预报方法、系统及终端 - Google Patents

一种雷暴短临预报方法、系统及终端 Download PDF

Info

Publication number
CN112764129A
CN112764129A CN202110085792.7A CN202110085792A CN112764129A CN 112764129 A CN112764129 A CN 112764129A CN 202110085792 A CN202110085792 A CN 202110085792A CN 112764129 A CN112764129 A CN 112764129A
Authority
CN
China
Prior art keywords
data
thunderstorm
short
lightning
dimensional
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
CN202110085792.7A
Other languages
English (en)
Other versions
CN112764129B (zh
Inventor
贺晓冬
尤小刚
杨跃
杨筠慧
陈振
赵亮
过莹烨
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.)
Easy Weather Beijing Technology Co ltd
Original Assignee
Easy Weather Beijing 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 Easy Weather Beijing Technology Co ltd filed Critical Easy Weather Beijing Technology Co ltd
Priority to CN202110085792.7A priority Critical patent/CN112764129B/zh
Publication of CN112764129A publication Critical patent/CN112764129A/zh
Application granted granted Critical
Publication of CN112764129B publication Critical patent/CN112764129B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种雷暴短临预报方法、系统及终端，包括以下步骤：对闪电历史数据进行预处理，得到闪电网格观测数据；对雷达历史数据进行特征构建，得到三维雷达特征数据；对卫星历史数据进行特征构建，得到三维卫星特征数据；对Grapes历史数据进行特征构建，得到三维Grapes特征数据；基于所述闪电网格观测数据、所述三维雷达特征数据、所述三维卫星特征数据和所述三维Grapes特征数据构建雷暴短临预报数据集；构建雷暴短临预报模型；基于所述雷暴短临预报数据集训练所述雷暴短临预报模型，以基于训练好的雷暴短临预报模型实现雷暴短临预报。本发明的雷暴短临预报方法、系统及终端通过融合多源数据对雷暴实现准确地短临预报，时效性好，实用性强。

Description

一种雷暴短临预报方法、系统及终端
技术领域
本发明涉及信息预警的技术领域，特别是涉及一种雷暴短临预报方法、系统及终端。
背景技术
短临预报指0-12h的天气预报，预报对象是该时段内出现明显变化的天气现象。其中0-2h为临近预报，逐30分钟预报，3-12h逐3h预报。对于航空气象而言，主要包括雷暴等强对流、降水(降雨/降雪)、大风及风切变、冻雨、沙尘暴、低能见度(雾)、天空云量等。以雷暴为例，作为一种典型的强对流天气，其产生、发展以及消散的过程十分突然，具有短生命史特点，其影响是短暂而强烈的。因此，雷暴等强对流天气的短临预报一直是天气预报业务中的重点与难点问题。
现有技术中，雷暴短临预报主要采用以下技术：
一、雷达回波预报技术
强对流天气由中尺度天气系统导致，其空间尺度和时间尺度都比较小，常规观测手段难以捕捉。而天气雷达具有高时空分辨率的特点，具备探测中尺度系统三维结构的能力，能够及时抓住快速变化的天气情况，其反射率产品和径向速度图像等资料广泛应用于风暴的监测和预警。雷达回波外推技术是目前强对流天气监测预警业务中的主要方法，该方法主要思路是根据天气雷达探测到的回波数据来确定回波体的移动速度和方向，进而对未来一段时间的雷达回波体的位置进行追踪和预报。
现有技术中，较为成熟的外推技术包括以下两种：
(1)交叉相关法
交叉相关法就是把数据整个区域划分为若干个小区域，对相邻时刻雷达回波图像小区域之间计算相关系数，通过最大相关系数确定相邻时刻图像中的区域对应关系，进而确定回波体的平均运动。该算法最早由Austin提出，其基于雷达回波计算一个平均运动矢量，然后透过反射率(Z)和降水(R)的关系(Z-R关系)，预报未来了一段时间的降水分布。但该方法只使用了一个运动矢量，难以反应风暴内部矢量变化。针对这一问题，Rinehart将雷达回波划分为若干个子区域，并分别计算每个子区域的移动矢量，提出了改进的雷达回波相关跟踪法(Tracking Radar Echo By Correction，TREC)，得到了更为丰富的风暴内部单体结构。TREC相对于之前的方法虽然精度上有所提升，但是随着预报时长的增加，会出现回波辐散失真现象。针对这一问题，Li对TREC进行了拓展，提出了一种改进后的交叉相关法(Tracking Radar Echo By Cross-correlation，COTREC)，该方法对外推后的回波加以水平无辐散限制，使其满足二维连续方程，从而解决了回波辐散的问题，使外推后的回波保持连续平滑的形状。但是该方法也存在一定的缺陷，由于采用了水平无辐散限制，整体的回波速度略慢于实况观测的回波，且外推时效不超过1小时。
(2)单体质心法
单体质心法是紧随交叉相关法之后出现的。单体质心法首先要识别出单体，并计算其质心位置、体积和投影面积等特征，然后在前后两个时刻的扫描数据中进行单体匹配追踪，最后通过连续多时刻的匹配追踪结果外推预警。与交叉相关法相比，单体质心法能较好地识别和追踪较小的孤立单体，并且能够提供单体的更详细的特征数据，因而得到了更快的发展。早期的单体质心法都是在二维PPI(Pixels Per Inch)锥面上的进行的。但是二维特征无法充分反应风暴的整体结构。针对这一问题，Crane通过多PPI二维识别结果的空间关联运算，形成三维“Volume Cells”，将单体质心法的研究往前推进了一大步。除此之外，Bjerkaas等对Crane的工作进一步完善，发展出目前在业务上被广泛应用的TITAN(Thunderstorm Identification，Tracking,Analysis and Nowcasting)和SCIT(StormCell Identification and Tracking)算法。但总体来讲上述算法还是有一定缺陷，即外推时效不超过1小时。
二、数值模式预报技术
数值模式的强对流天气预警工作已经在国内外广泛开展，高分辨率数值模式的水平和竖直分辨率都较高，其中水平分辨率已经达到1～5km。目前，高分辨率数值模式在强对流天气预警中的应用主要分为以下三个方面：第一、提供基本气象要素，以供预报员根据不同区域的环境要素来判断对流过程的生成的潜势或对流天气发生的概率；第二、将高分辨率模式的预报结果与雷达回波产品进行融合，以判断对流过程的生成与发展；第三、使用反映复杂物理过程的模式后处理产品，直接对强对流天气进行预警，包括短时强降水、雷暴大风、冰雹、雷暴等。
Weisman使用分辨率为4km的数值模式资料来研究飑线系统的发展过程。美国国家大气科学研究中心也在2003年使用WRF(The Weather Research and Forecasting Mode，天气研究与预报模式)的无对流参数化方案来实现强对流天气业务化预报预警，指出分辨率为4km的参数化方案对于对流系统的形态、生命周期的研究结果显著优于10-20km的较低分辨率模式。通过采用分辨率分别为9km和3km的高分辨率数值模式来对强对流天气开展业务化研究，可知数值模式空间分辨率的提高对中小尺度的对流系统预报有着十分重大的意义。Sun等的研究表明，对流系统的尺度大小和预报预警的领先时间存在相关关系。对流系统尺度大于250km时，预报的领先时间可以达到2个小时；对流系统的尺度为30km时，很难在1小时以上对其作出有效的预报。并且，数值模式预报通常存在“spin up”问题，即在非平衡初始或扰动的条件下，模式进行调整而达到平衡态的过程。简单来说就是，通常数值模式前2小时的临近预报往往可靠性不高。
三、静止卫星预报技术
静止气象卫星具有大范围和高频率的优势，可以弥补地基雷达覆盖面窄的局限，是目前唯一能够从天气尺度和中小尺度上同步观测各种云系演变的空间平台。它不但可以提供覆盖全球的天气实时信息，包括海洋和热带雨林等其它测量工具难以探测到的地区，还可为识别追踪对流系统结构性信息以及监测对流系统演变提供支持。因此，在目前的气象业务预报，尤其是灾害性天气预报预警中，静止气象卫星已成为关键的气象信息资源。
Maddox最早就曾使用卫星红外图像结合雷达数据来研究雷暴单体的发展过程与生命周期，并提出了亮温阈值法。使用大气红外窗区的亮温的方法定义一个阈值，当窗区亮温低于这个阈值时，认为出现强对流。在红外通道的卫星云图中，由于对流云顶的温度低于周边区域的温度，其呈现出来的亮白色会和周边温度高的区域形成强烈对比，易于进行对流云的目视识别。而且，不同于可见光通道的是，使用红外通道进行观测可以不依赖于太阳光的反射，能够24小时不间断的进行对流云的识别与追踪。使用红外云图进行对流云的判识，最基本的办法是使用11μm左右的红外窗区亮温。当这一通道亮温低于某个阈值时，认为是该云团发展成为了对流云团。但由于不同地区与不同季节的原因，红外通道亮温的阈值并没有统一的标准。
另外一种使用遥感资料进行强对流天气的观测方法是双通道亮温法，即使用水汽通道与红外通道亮温的差值来进行对流系统的判识。当对流系统发展旺盛时，其中强烈的上升气流会将对流云上层的水汽输送并突破对流层顶，进入平流层下部。由于平流层是逆温层，水汽进入平流层后上升，温度会高于对流层顶部的温度。所以当水汽通道吸收的亮温大于红外窗区吸收的亮温时，即认为是探测到了对流系统的顶部。刘希使用GMS-5卫星图像将水汽和红外两个通道结合进行对流云检测，得到的结果将更加准确。蒋尚城在对飓风opal进行观测时，使用了GOES-9卫星的IR(11μm)和WV(6.7μm)通道的差值，发现两个通道的光谱差值可以很清晰的观测热带气旋的中心位置。王立志发现水汽通道的亮温值对夜间观测强对流有着至关重要的作用，同时使用水汽通道和红外通道的亮温值进行观测的准确度明显高于仅用单一的通道。
卫星数据虽然覆盖全面，但用于强对流预报也有明显的不足，由于卫星数据仅能反映当前时刻强对流云团位置与状态，采用交叉相关等外推方法也仅能在一定时间段内有效，且强对流云团复杂多变、生消过程较快，导致预报时效也局限在1-2小时。
四、多源数据融合预报技术
目前，国内外的融合预报多为雷达回波外推与数值模式融合的降水预报，融合方法主要可分为三类：第一类是随时效分别计算外推预报和数值模式预报结果的权重系数，然后通过加权平均进行融合预报；第二类是趋势融合法，比如Niwot系统，该系统的一部分是利用模式降水落区和强度预报的趋势变化，对雷达外推预报效果进行修正，从而进行定量降水预报融合；第三类是通过计算当前时刻模式降水预报落区或强度误差，并估计误差的时间变化趋势，利用估计的误差趋势特征，对未来相应时段的模式预报结果进行修正。比如，Wong等利用香港天文台研发的第二代“小涡旋”临近预报系统(SWIRLS-2)中的多尺度光流变分法识别模式定量降水预报的落区误差并进行相位修正，同时利用韦伯累积分布函数识别降水强度误差，根据雷达定量降雨估测值调整模式降水强度。
现有的融合预报多为雷达回波外推与数值模式融合的降水预报，针对强对流天气预报的多源数据融合研究较少。随着气象观测系统的迅猛发展，利用地面自动气象站、雷达、卫星等获取的观测数据越来越多，多种数值模式的数据、产品质量也在不断提高。同时，各行业对格点化时空连续的气象数据产品要求越来越高。利用数据融合与数据同化技术，综合多种来源观测资料及多模式模拟数据，获得高精度、高质量、时空连续的多源数据融合气象产品成为了研究的重点和难点。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种雷暴短临预报方法、系统及终端，通过融合多源数据对雷暴实现准确地短临预报，时效性好，实用性强。
为实现上述目的及其他相关目的，本发明提供一种雷暴短临预报方法，包括以下步骤：对闪电历史数据进行预处理，得到闪电网格观测数据；对雷达历史数据进行特征构建，得到三维雷达特征数据；对卫星历史数据进行特征构建，得到三维卫星特征数据；对Grapes历史数据进行特征构建，得到三维Grapes特征数据；基于所述闪电网格观测数据、所述三维雷达特征数据、所述三维卫星特征数据和所述三维Grapes特征数据构建雷暴短临预报数据集；构建雷暴短临预报模型；基于所述雷暴短临预报数据集训练所述雷暴短临预报模型，以基于训练好的雷暴短临预报模型实现雷暴短临预报。
于本发明一实施例中，对闪电历史数据进行预处理包括以下步骤：
基于时空聚类算法对闪电历史数据进行聚类；
对聚类后的闪电历史数据进行时间聚合；
将时间聚合后的闪电历史数据映射到指定分辨率的网格中，得到所述闪电网格观测数据，其中所述闪电网格观测数据包括有闪电的网格观测数据和无闪电的网格观测数据。
于本发明一实施例中，对雷达历史数据进行特征构建包括以下步骤：
获取所述雷达历史数据的特征，所述特征包括雷达基本反射率、回波顶高、组合反射率、组合反射利率高度和液态水含量；
基于互信息相关性分析算法对所述特征进行约简，获取与雷暴天气识别最相关的M个特征；
基于所述闪电网格观测数据，以对流事件发生的网格点为中心，用L*L的矩形区域选取所述雷达历史数据，得到L*L*M的三维雷达特征数据。
于本发明一实施例中，对卫星历史数据进行特征构建包括以下步骤：
获取通道序号为9-14的卫星云图亮温数据，其中9通道和10通道属于水汽通道，中心波长分别为6.25μm和7.1μm，；11-14通道属于红外通道，中心波长分别为8.5μm、10.7μm、12.0μm和13.5μm；将所述红外通道和水汽通道的卫星云图亮温数据进行对应格点的两两相减，以形成的卫星云图亮温差数据作为新特征；
基于互信息相关性分析算法，对所述新特征进行约简，选取与雷暴天气识别最相关的N个特征；
基于所述闪电网格观测数据，以对流事件发生的网格点为中心，用L*L的矩形区域选取所述卫星历史数据，得到L*L*N的三维卫星特征数据。
于本发明一实施例中，对Grapes历史数据进行特征构建包括以下步骤：
选取反应对流状态的基本气象要素、反应大气状态的物理参数以及反应地形信息的相关要素，将所述基本气象要素、所述物理参数和所述相关要素作为特征；
基于互信息相关性分析算法，对所述特征进行约简，选取与雷暴天气识别最相关V个的特征；
基于所述闪电网格观测数据，以对流事件发生的网格点为中心，用L*L的矩形区域选取所述Grapes历史数据，得到L*L*V的三维Grapes特征数据。
于本发明一实施例中，基于所述闪电网格观测数据、所述三维雷达特征数据、所述三维卫星特征数据和所述三维Grapes特征数据构建雷暴短临预报数据集包括：
基于所述闪电网格观测数据，对所述三维雷达特征数据、所述三维卫星特征数据和所述三维Grapes特征数据进行时空匹配，并以统一时空分辨率进行采样；
对表示有闪电的闪电网格观测数据进行过采样，并对表示无闪电的闪电网格观测数据进行欠采样；
对有无闪电的闪电网格观测数据进行权重调整，以增加平衡性。
于本发明一实施例中，构建雷暴短临预报模型包括以下步骤：
采用多通道卷积神经网络对所述雷暴短临预报数据集进行特征提取，其中所述雷暴短临预报数据集中每种数据在单独通道中独立进行卷积与池化，以提取相关特征；
采用全连接层对多通道的相关特征进行整合，以构建所述雷暴短临预报模型。
于本发明一实施例中，基于所述雷暴短临预报数据集训练所述雷暴短临预报模型时，对未来0-2小时预报采用所述雷暴短临预报数据集中的雷达与卫星数据进行模型训练，对未来3-12小时的预报采用所述雷暴短临预报数据集中的Grapes数据进行模型训练。
对应地，本发明提供一种雷暴短临预报系统，包括预处理模块、第一特征构建模块、第二特征构建模块、第三特征构建模块、数据集构建模块、模型构建模块和预报模块；
所述预处理模块用于对闪电历史数据进行预处理，得到闪电网格观测数据；
所述第一特征构建模块用于对雷达历史数据进行特征构建，得到三维雷达特征数据；
所述第二特征构建模块用于对卫星历史数据进行特征构建，得到三维卫星特征数据；
所述第三特征构建模块用于对Grapes历史数据进行特征构建，得到三维Grapes特征数据；
所述数据集构建模块用于基于所述闪电网格观测数据、所述三维雷达特征数据、所述三维卫星特征数据和所述三维Grapes特征数据构建雷暴短临预报数据集；
所述模型构建模块用于构建雷暴短临预报模型；
所述预报模块用于基于所述雷暴短临预报数据集训练所述雷暴短临预报模型，以基于训练好的雷暴短临预报模型实现雷暴短临预报。
本发明提供一种雷暴短临预报终端，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述雷暴短临预报终端执行上述的雷暴短临预报方法。
如上所述，本发明的雷暴短临预报方法、系统及终端，具有以下有益效果：
(1)通过融合闪电数据、雷达数据、卫星数据、Grapes数据等多源数据对雷暴实现准确地短临预报；
(2)时效性较长，可靠性高。
附图说明
图1显示为本发明的雷暴短临预报方法于一实施例中的流程图；
图2显示为本发明的雷暴短临预报方法于一实施例中的框架示意图；
图3(a)显示为闪电历史数据于一实施例中的聚类处理前的示意图；
图3(b)显示为闪电历史数据于一实施例中的聚类处理后的示意图；
图4(a)显示为卫星历史数据于一实施例中的特征约简前的示意图；
图4(b)显示为卫星历史数据于一实施例中的特征约简后的示意图；
图5(a)显示为雷达历史数据于一实施例中的特征约简前的示意图；
图5(b)显示为雷达历史数据于一实施例中的特征约简后的示意图；
图6(a)显示为Grapes历史数据于一实施例中的特征约简前的示意图；
图6(b)显示为Grapes历史数据于一实施例中的特征约简后的示意图；
图7显示为T-T+2小时逐半小时雷暴预报于一实施例中的示意图；
图8显示为T+3-T+12小时逐三小时雷暴预报于一实施例中的示意图；
图9显示为不同预报方式下T+30-T+120分钟的雷暴区域预报于一实施例中的技巧评分对比图；
图10显示为不同预报方式下T+30-T+120分钟的雷暴区域预报于一实施例中的命中率对比图；
图11显示为不同预报方式下T+30-T+120分钟的雷暴区域预报于另一实施例中的技巧评分对比图；
图12显示为不同预报方式下T+30-T+120分钟的雷暴区域预报于另一实施例中的命中率对比图；
图13显示为本发明的雷暴短临预报系统于一实施例中的结构示意图；
图14显示为本发明的雷暴短临预报终端于一实施例中的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明的雷暴短临预报方法、系统及终端通过融合闪电数据、雷达数据、卫星数据、Grapes数据对雷暴实现准确地短临预报，在保证预报准确度的同时，提高了时效性，极具实用性强。
如图1和图2所示，于一实施例中，本发明的雷暴短临预报方法包括以下步骤：
步骤S1、对闪电历史数据进行预处理，得到闪电网格观测数据。
具体地，对闪电历史数据进行预处理包括以下步骤：
11)基于时空聚类算法对闪电历史数据进行雷暴区域的聚类。其中，一个雷暴集合中各闪电时间上间隔不超过15分钟，且各闪电空间上绝对距离不超过20KM。
12)对聚类后的闪电历史数据进行时间聚合。其中，每半小时闪电聚合到一个时次。
13)将时间聚合后的闪电历史数据映射到指定分辨率的网格中，得到所述闪电网格观测数据，其中所述闪电网格观测数据包括有闪电的网格观测数据和无闪电的网格观测数据。优选地，有闪电的网格观测数据的网格定义类别为1，无闪电的网格观测数据的网格定义类别为0。
步骤S2、对雷达历史数据进行特征构建，得到三维雷达特征数据。
具体地，对雷达历史数据进行特征构建包括以下步骤：
21)获取所述雷达历史数据的特征，所述特征包括雷达基本反射率、回波顶高、组合反射率、组合反射利率高度和液态水含量。
22)基于互信息相关性分析算法对所述特征进行约简，获取与雷暴天气识别最相关的M个特征。其中，M为自然数，1≤M≤5。
23)基于所述闪电网格观测数据，以对流事件发生的网格点为中心，用L*L的矩形区域选取所述雷达历史数据，得到L*L*M的三维雷达特征数据。L为自然数，7≤L≤10。
步骤S3、对卫星历史数据进行特征构建，得到三维卫星特征数据。
具体地，对卫星历史数据进行特征构建包括以下步骤：
31)获取通道序号为9-14的卫星云图亮温数据，其中9通道和10通道属于水汽通道，中心波长分别为6.25μm和7.1μm，；11-14通道属于红外通道，中心波长分别为8.5μm、10.7μm、12.0μm和13.5μm；将所述红外通道和水汽通道的卫星云图亮温数据进行对应格点的两两相减，以形成的卫星云图亮温差数据作为新特征。
32)基于互信息相关性分析算法，对所述新特征进行约简，选取与雷暴天气识别最相关的N个特征。其中，N为自然数，1≤N≤34。
33)基于所述闪电网格观测数据，以对流事件发生的网格点为中心，用L*L的矩形区域选取所述卫星历史数据，得到L*L*N的三维卫星特征数据。
步骤S4、对Grapes历史数据进行特征构建，得到三维Grapes特征数据。
具体地，Grapes数据(Global/Regional Assimilation and PredictionEnhanced System，全球/区域同化及增强预报系统)作为数值模式数据，是新一代静力/非静力多尺度通用数值预报模式，其具有业务化、时效性、高时空分辨率等优点。
对Grapes历史数据进行特征构建包括以下步骤：
41)选取反映对流状态的基本气象要素和反映大气状态的物理参数的相关气象要素。其中，所述基本气象要素包括气压、温度、湿度、风速等，所述相关气象要素包括对流有效位能、提升指数、K指数等。基于对流过程生成机理，选取反应对流状态的基本气象要素(如压力、温度、湿度、风速等)、反应大气状态的物理参数(如对流有效位能、提升指数、K指数等)以及反应地形信息的(海拔、经度、维度等)相关要素，将所述基本气象要素、物理参数和所述相关要素作为模型所需的特征。
42)基于互信息相关性分析算法，对所述特征进行约简，选取与雷暴天气识别最相关V个的特征。其中，V为自然数，1≤V≤35。
43)基于所述闪电网格观测数据，以对流事件发生的网格点为中心，用L*L的矩形区域选取所述Grapes历史数据，得到L*L*V的三维Grapes特征数据。
步骤S5、基于所述闪电网格观测数据、所述三维雷达特征数据、所述三维卫星特征数据和所述三维Grapes特征数据构建雷暴短临预报数据集。
具体地，基于所述闪电网格观测数据、所述三维雷达特征数据、所述三维卫星特征数据和所述三维Grapes特征数据构建雷暴短临预报数据集包括：
51)基于所述闪电网格观测数据，对所述三维雷达特征数据、所述三维卫星特征数据和所述三维Grapes特征数据进行时空匹配，并以统一时空分辨率进行采样。
52)对表示有闪电的闪电网格观测数据，即对流事件发生的情况进行过采样，并对表示无闪电的闪电网格观测数据，即对流事件未发生的情况进行欠采样，以平衡数据集类别。
53)依据有无对流事件发生的样本类别数量，对有无闪电的闪电网格观测数据进行权重调整，以进一步增加数据集的平衡性。
步骤S6、构建雷暴短临预报模型。
具体地，采用多通道卷积神经网络对所述雷暴短临预报数据集中的L*L区域的多源数据进行特征提取，其中所述雷暴短临预报数据集中每种数据在单独通道中独立进行卷积与池化，以提取相关特征；并采用全连接层对多通道的相关特征进行整合，以构建所述雷暴短临预报模型。
步骤S7、基于所述雷暴短临预报数据集训练所述雷暴短临预报模型，以基于训练好的雷暴短临预报模型实现雷暴短临预报。
具体地，将所述雷暴短临预报数据集输入所述雷暴短临预报模型进行训练。其中，对未来0-2小时预报采用所述雷暴短临预报数据集中的雷达与卫星数据进行模型训练，对未来3-12小时的预报采用所述雷暴短临预报数据集中的Grapes数据进行模型训练。
当所述雷暴短临预报模型训练完毕后，将实时采集的闪电网格观测数据、三维雷达特征数据、、三维卫星特征数据和、三维Grapes特征数据输入训练好的雷暴短临预报模型中，即可得到雷暴的短期预报结果。
需要说明的是，上述步骤S2-步骤S4的执行顺序可以是随机的，并不现定于上述顺序。
下面通过具体实施例来进一步阐述本发明的雷暴短临预报方法。
2019年7月28日发生在黑龙江地区的雷暴过程是伴随有雷击、闪电以及大风的天气过程，是以雷暴为主的典型强对流过程。该实施例以该日发生的雷暴过程为例。
1)闪电历史数据为散点数据，对其进行时间整合后会出现独立的闪电，并非雷暴区域。针对离散的闪电历史数据，采用时空聚类算法对离散闪电进行雷暴区域的聚类，即一个雷暴集合中各闪电时间上间隔不超过15分钟，且各闪电空间上绝对距离不超过20KM；再将闪电历史数据映射到指定分辨率的网格上，其中有闪电的网格定义为类别1，无闪电的定义为类别0。由图3(a)和图3(b)可知，使用闪电聚类方法处理后，该时次的孤立闪电点被剔除。且在时间上不连续的部分闪电也得到了剔除，聚类后得闪电更加具有区域特性，更加具有雷暴区域的表征性。
2)首先获取9-14通道的卫星云图数据，并将红外通道和水汽通道的卫星云图数据进行两两相减以构造新特征；进而针对新构造的特征，采用互信息相关性分析算法，对特征进行约简，选取出与雷暴天气识别最相关若干个的特征。图4(a)为9-14通道以及各通道相减后所构建的新特征，图4(b)为互信息约简后的卫星特征，颜色越亮代表特征相关性越大，可以看出经过互信息相关性分析后，剔除了一些与雷暴预报弱相关的变量，保留了有利于雷暴预报的关键变量。
3)首先获取ET(回波顶高)、REF(基本反射率)、CR(组合反射率)、CRH(组合反射率高度)()、VIL(液态水含量)等特征；进而针对选取的特征，采用互信息相关性分析算法对特征进行约简，选取出与雷暴天气识别最相关若干个的特征。图5(a)为雷达数据特征，图5(b)为互信息约简后的雷达数据特征。由图可知。经过互信息相关性分析后，剔除了一个与雷暴预报弱相关的变量，保留了有利于雷暴预报的关键变量。
4)首先基于对流过程产生机理，选取反应对流状态的基本气象要素(如压力、温度、湿度、风速等)、反应大气状态的物理参数(如对流有效位能、提升指数、K指数等)以及反应地形信息(如海拔、经度、维度等)的相关要素，将所述基本气象要素、物理参数和所述相关要素作为模型所需的特征；进而采用互信息相关性分析算法对特征进行约简，选取出与雷暴天气识别最相关若干个的特征。图6(a)为Grapes数据特征，图6(b)为互信息约简后的Grapes数据特征。由图可知，经过互信息相关性分析后，剔除了一些与雷暴预报弱相关的变量，保留了有利于雷暴预报的关键变量。
5)针对强对流数据中存在的类别不平衡问题，对网格类别为0的数据进行欠采样，对网格类别为1的数据进行过采样；同时基于有闪电和无闪电样本的数量，对不同类别进行权重的调整，以增加数据集的平衡性。
6)采用多通道卷积神经网络进行对上述L*L区域的多源数据进行特征提取，每种数据在单独通道中独立进行卷积与池化提取相关特征，最后采用全连接层对多通道多源数据特征进行整合，完成深度学习模型搭建；进而使用构建好的数据集放入卷积神经网络模型中进行训练，其中对未来0-2小时预报采用雷达与卫星数据进行模型训练，未来3-12小时采用Grapes数据进行训练。
7)根据已经构建好的多源数据集，采用多通道卷积神经网络进行训练，并最终输出雷暴区域。其中T-T+2小时采用卫星数据与雷达数据融合训练进行逐半小时进行区域预报，输出前2小时的预报结果；T+3-T+12小时采用Grapes数据训练进行逐3小时进行区域预报，输出3-12小时的预报结果。
对2019年7月28日发生在黑龙江地区的多次雷暴过程进行个例检验。
(1)T+30～T+120分钟逐30分钟雷暴预报个例检验
由图7可知，基于多源数据的T-T+2小时的雷暴区域预报具有一定的效果，其中对T+30分钟的预报最为准确，随着预报时间的增长，预测精度也有一定的下降，因此需要在更长时间的预报采用引入其他数据。
(2)T+3-T+12小时逐三小时雷暴预报个例检验
由图8可知，引入了Grapes数据的模型对T+3-T+12小时的雷暴区域预报有一定的效果，其中对T+6小时的预报最为准确，但随着预报时间进一步增长，预报精度有所下降，但整体方案发挥了各类数据的优势。
(3)单独使用雷达回波数据、卫星数据及融合二者的T+30～T+120分钟雷暴预报个例检验
图9和图10分别为2019年7月28日黑龙江地区雷暴过程的雷达数据雷暴区域预报、卫星数据雷暴区域预报和卫星雷达数据融合雷暴区域预报的技巧评分TS和命中率POD比对图。其中技巧评分TS和POD命中率是大气科学中常用的预报准确性定量检验方法。在本次检验中，采用单独使用雷达回波数据、单独使用卫星数据以及雷达与卫星数据融合的数据集进行模型训练并计算评分的结果。其中雷达与卫星融合的效果是最好的，其TS评分与POD命中率都是最高的。说明在0-2小时的雷暴预报中，雷达和卫星数据的融合相对于每种数据的单独使用，对强对流的预警效果更好。
(4)数值预报数据、数值预报+雷达数据、数值预报+卫星数据及融合三者的T+3～T+12小时雷暴预报个例检验
图11和图12分别为2019年7月28日黑龙江雷暴过程的综合检验。在本个例检验中，采用单独使用Grapes数据、使用Grapes数据+雷达数据、使用Grapes数据+卫星数据与使用Grapes数据+雷达数据+卫星数据构建的数据集进行模型训练并计算评分。其中单独使用Grapes数据的效果是最好的，TS评分与POD命中率都是最高的，说明在3-12小时的雷暴预报中，使用Grapes数据的单独预测是更好的。这也印证了卫星数据和雷达数据主要用于2h以内的强对流预报业务。
如图13所示，于一实施例中，本发明的雷暴短临预报系统包括预处理模块131、第一特征构建模块132、第二特征构建模块133、第三特征构建模块134、数据集构建模块135、模型构建模块136和预报模块137。
所述预处理模块131用于对闪电历史数据进行预处理，得到闪电网格观测数据。
所述第一特征构建模块132与所述预处理模块131相连，用于对雷达历史数据进行特征构建，得到三维雷达特征数据。
所述第二特征构建模块133与所述预处理模块131相连，用于对卫星历史数据进行特征构建，得到三维卫星特征数据。
所述第三特征构建模块134与所述预处理模块131相连，用于对Grapes历史数据进行特征构建，得到三维Grapes特征数据。
所述数据集构建模块135与所述预处理模块131、所述第一特征构建模块132、所述第二特征构建模块133和所述第三特征构建模块134相连，用于基于所述闪电网格观测数据、所述三维雷达特征数据、所述三维卫星特征数据和所述三维Grapes特征数据构建雷暴短临预报数据集。
所述模型构建模块136用于构建雷暴短临预报模型。
所述预报模块137与所述数据集构建模块135和所述模型构建模块136相连，用于基于所述雷暴短临预报数据集训练所述雷暴短临预报模型，以基于训练好的雷暴短临预报模型实现雷暴短临预报。
其中，预处理模块131、第一特征构建模块132、第二特征构建模块133、第三特征构建模块134、数据集构建模块135、模型构建模块136和预报模块137的结构和原理与上述雷暴短临预报方法中的步骤一一对应，故在此不再赘述。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，x模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(Digital Singnal Processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
如图14所示，于一实施例中，本发明的雷暴短临预报终端包括：处理器141及存储器142。
所述存储器142用于存储计算机程序。
所述存储器142包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
所述处理器141与所述存储器142相连，用于执行所述存储器142存储的计算机程序，以使所述雷暴短临预报终端执行上述的雷暴短临预报方法。
优选地，所述处理器141可以是通用处理器，包括中央处理器(CentralProcessing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field ProgrammableGate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
综上所述，本发明的雷暴短临预报方法、系统及终端通过融合闪电数据、雷达数据、卫星数据、Grapes数据等多源数据对雷暴实现准确地短临预报；效性较长，可靠性高。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种雷暴短临预报方法，其特征在于：包括以下步骤：
对闪电历史数据进行预处理，得到闪电网格观测数据；
对雷达历史数据进行特征构建，得到三维雷达特征数据；
对卫星历史数据进行特征构建，得到三维卫星特征数据；
对Grapes历史数据进行特征构建，得到三维Grapes特征数据；
基于所述闪电网格观测数据、所述三维雷达特征数据、所述三维卫星特征数据和所述三维Grapes特征数据构建雷暴短临预报数据集；
构建雷暴短临预报模型；
基于所述雷暴短临预报数据集训练所述雷暴短临预报模型，以基于训练好的雷暴短临预报模型实现雷暴短临预报。
2.根据权利要求1所述的雷暴短临预报方法，其特征在于：对闪电历史数据进行预处理包括以下步骤：
基于时空聚类算法对闪电历史数据进行聚类；
对聚类后的闪电历史数据进行时间聚合；
将时间聚合后的闪电历史数据映射到指定分辨率的网格中，得到所述闪电网格观测数据，其中所述闪电网格观测数据包括有闪电的网格观测数据和无闪电的网格观测数据。
3.根据权利要求1所述的雷暴短临预报方法，其特征在于：对雷达历史数据进行特征构建包括以下步骤：
获取所述雷达历史数据的特征，所述特征包括雷达基本反射率、回波顶高、组合反射率、组合反射利率高度和液态水含量；
基于互信息相关性分析算法对所述特征进行约简，获取与雷暴天气识别最相关的M个特征；
基于所述闪电网格观测数据，以对流事件发生的网格点为中心，用L*L的矩形区域选取所述雷达历史数据，得到L*L*M的三维雷达特征数据。
4.根据权利要求1所述的雷暴短临预报方法，其特征在于：对卫星历史数据进行特征构建包括以下步骤：
获取通道序号为9-14的卫星云图亮温数据，其中9通道和10通道属于水汽通道，中心波长分别为6.25μm和7.1μm，；11-14通道属于红外通道，中心波长分别为8.5μm、10.7μm、12.0μm和13.5μm；将所述红外通道和水汽通道的卫星云图亮温数据进行对应格点的两两相减，以形成的卫星云图亮温差数据作为新特征；
基于互信息相关性分析算法，对所述新特征进行约简，选取与雷暴天气识别最相关的N个特征；
基于所述闪电网格观测数据，以对流事件发生的网格点为中心，用L*L的矩形区域选取所述卫星历史数据，得到L*L*N的三维卫星特征数据。
5.根据权利要求1所述的雷暴短临预报方法，其特征在于：对Grapes历史数据进行特征构建包括以下步骤：
选取反应对流状态的基本气象要素、反应大气状态的物理参数以及反应地形信息的相关要素，将所述基本气象要素、所述物理参数和所述相关要素作为特征；
基于互信息相关性分析算法，对所述特征进行约简，选取与雷暴天气识别最相关V个的特征；
基于所述闪电网格观测数据，以对流事件发生的网格点为中心，用L*L的矩形区域选取所述Grapes历史数据，得到L*L*V的三维Grapes特征数据。
6.根据权利要求1所述的雷暴短临预报方法，其特征在于：基于所述闪电网格观测数据、所述三维雷达特征数据、所述三维卫星特征数据和所述三维Grapes特征数据构建雷暴短临预报数据集包括：
基于所述闪电网格观测数据，对所述三维雷达特征数据、所述三维卫星特征数据和所述三维Grapes特征数据进行时空匹配，并以统一时空分辨率进行采样；
对表示有闪电的闪电网格观测数据进行过采样，并对表示无闪电的闪电网格观测数据进行欠采样；
对有无闪电的闪电网格观测数据进行基于类别数量的权重调整，类别数量越多，权重设置越大，以增加数据样本平衡性。
7.根据权利要求1所述的雷暴短临预报方法，其特征在于：构建雷暴短临预报模型包括以下步骤：
采用多通道卷积神经网络对所述雷暴短临预报数据集进行特征提取，其中所述雷暴短临预报数据集中每种数据在单独通道中独立进行卷积与池化，以提取相关特征；
采用全连接层对多通道的相关特征进行整合，以构建所述雷暴短临预报模型。
8.根据权利要求1所述的雷暴短临预报方法，其特征在于：基于所述雷暴短临预报数据集训练所述雷暴短临预报模型时，对未来0-2小时预报采用所述雷暴短临预报数据集中的雷达与卫星数据进行模型训练，对未来3-12小时的预报采用所述雷暴短临预报数据集中的Grapes数据进行模型训练。
9.一种雷暴短临预报系统，其特征在于：包括预处理模块、第一特征构建模块、第二特征构建模块、第三特征构建模块、数据集构建模块、模型构建模块和预报模块；
所述预处理模块用于对闪电历史数据进行预处理，得到闪电网格观测数据；
所述第一特征构建模块用于对雷达历史数据进行特征构建，得到三维雷达特征数据；
所述第二特征构建模块用于对卫星历史数据进行特征构建，得到三维卫星特征数据；
所述第三特征构建模块用于对Grapes历史数据进行特征构建，得到三维Grapes特征数据；
所述数据集构建模块用于基于所述闪电网格观测数据、所述三维雷达特征数据、所述三维卫星特征数据和所述三维Grapes特征数据构建雷暴短临预报数据集；
所述模型构建模块用于构建雷暴短临预报模型；
所述预报模块用于基于所述雷暴短临预报数据集训练所述雷暴短临预报模型，以基于训练好的雷暴短临预报模型实现雷暴短临预报。
10.一种雷暴短临预报终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述雷暴短临预报终端执行权利要求1至8中任一项所述的雷暴短临预报方法。
CN202110085792.7A 2021-01-22 2021-01-22 一种雷暴短临预报方法、系统及终端 Active CN112764129B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110085792.7A CN112764129B (zh) 2021-01-22 2021-01-22 一种雷暴短临预报方法、系统及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110085792.7A CN112764129B (zh) 2021-01-22 2021-01-22 一种雷暴短临预报方法、系统及终端

Publications (2)

Publication Number Publication Date
CN112764129A true CN112764129A (zh) 2021-05-07
CN112764129B CN112764129B (zh) 2022-08-26

Family

ID=75702661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110085792.7A Active CN112764129B (zh) 2021-01-22 2021-01-22 一种雷暴短临预报方法、系统及终端

Country Status (1)

Country Link
CN (1) CN112764129B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113296072A (zh) * 2021-05-24 2021-08-24 伍志方 一种基于YOLOv3模型的雷暴大风自动识别方法及系统
CN113642475A (zh) * 2021-08-17 2021-11-12 中国气象局上海台风研究所(上海市气象科学研究所) 基于卷积神经网络模型的大西洋飓风强度估算方法
CN113657477A (zh) * 2021-08-10 2021-11-16 南宁五加五科技有限公司 一种短临降水的预报方法、装置及系统
CN113655295A (zh) * 2021-10-21 2021-11-16 南京信息工程大学 一种基于雷达探测数据的闪电强度识别方法
CN114019514A (zh) * 2021-11-25 2022-02-08 浙江省气象台 一种雷暴大风预警方法、系统、设备及终端
CN114137637A (zh) * 2021-11-09 2022-03-04 国网山东省电力公司应急管理中心 基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法
CN114578456A (zh) * 2022-01-30 2022-06-03 中国科学院大气物理研究所 应用于雷达预报强对流天气的数据处理方法、装置、设备以及介质
CN114740549A (zh) * 2022-04-12 2022-07-12 北京墨迹风云科技股份有限公司 一种短临降水天气预测方法、装置、电子设备及可读介质
CN114994801A (zh) * 2022-08-05 2022-09-02 中国气象局公共气象服务中心(国家预警信息发布中心) 一种雷电监测预警方法及装置
CN115113301A (zh) * 2022-08-23 2022-09-27 南京信息工程大学 一种基于多源数据融合的应急短临预报方法及系统
CN115494507A (zh) * 2022-11-21 2022-12-20 南京气象科技创新研究院 基于星载双频降水雷达和微波成像仪的闪电识别方法
CN117368881A (zh) * 2023-12-08 2024-01-09 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种融合多源数据的长序列雷达图像预测方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103337133A (zh) * 2013-06-14 2013-10-02 广东电网公司中山供电局 基于识别预报技术的电网雷暴灾害预警系统及方法
CN105068149A (zh) * 2015-07-24 2015-11-18 国家电网公司 一种基于多信息综合的输变电设备雷电监测和预报方法
CN107703564A (zh) * 2017-10-13 2018-02-16 中国科学院深圳先进技术研究院 一种降雨预测方法、系统及电子设备
CN108549116A (zh) * 2018-03-27 2018-09-18 南京恩瑞特实业有限公司 NRIET blending融合预报方法
CN108732648A (zh) * 2018-04-26 2018-11-02 长江水利委员会水文局 一种面向山地暴雨预报的渐进决策方法
CN108957595A (zh) * 2018-08-09 2018-12-07 深圳市雅码科技有限公司 一种雷电预报方法及系统
CN110632681A (zh) * 2019-09-17 2019-12-31 国网湖南省电力有限公司 基于机器学习的电网午后雷阵雨的短临预警方法及系统
CN110796299A (zh) * 2019-10-23 2020-02-14 国网电力科学研究院武汉南瑞有限责任公司 一种雷电预测方法
US10761242B1 (en) * 2015-11-24 2020-09-01 Board of Trustees of the Unviersity of Alabama, for and on behalf of the University of Alabama in Huntsville Systems and methods for forecasting lightning and severe storms
CN111897030A (zh) * 2020-07-17 2020-11-06 国网电力科学研究院有限公司 一种雷暴预警系统及方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103337133A (zh) * 2013-06-14 2013-10-02 广东电网公司中山供电局 基于识别预报技术的电网雷暴灾害预警系统及方法
CN105068149A (zh) * 2015-07-24 2015-11-18 国家电网公司 一种基于多信息综合的输变电设备雷电监测和预报方法
US10761242B1 (en) * 2015-11-24 2020-09-01 Board of Trustees of the Unviersity of Alabama, for and on behalf of the University of Alabama in Huntsville Systems and methods for forecasting lightning and severe storms
CN107703564A (zh) * 2017-10-13 2018-02-16 中国科学院深圳先进技术研究院 一种降雨预测方法、系统及电子设备
CN108549116A (zh) * 2018-03-27 2018-09-18 南京恩瑞特实业有限公司 NRIET blending融合预报方法
CN108732648A (zh) * 2018-04-26 2018-11-02 长江水利委员会水文局 一种面向山地暴雨预报的渐进决策方法
CN108957595A (zh) * 2018-08-09 2018-12-07 深圳市雅码科技有限公司 一种雷电预报方法及系统
CN110632681A (zh) * 2019-09-17 2019-12-31 国网湖南省电力有限公司 基于机器学习的电网午后雷阵雨的短临预警方法及系统
CN110796299A (zh) * 2019-10-23 2020-02-14 国网电力科学研究院武汉南瑞有限责任公司 一种雷电预测方法
CN111897030A (zh) * 2020-07-17 2020-11-06 国网电力科学研究院有限公司 一种雷暴预警系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王秀明，等: "融合临近预报技术探讨", 《气象科学》, vol. 35, no. 03, 30 June 2015 (2015-06-30) *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113296072A (zh) * 2021-05-24 2021-08-24 伍志方 一种基于YOLOv3模型的雷暴大风自动识别方法及系统
CN113657477B (zh) * 2021-08-10 2022-04-08 南宁五加五科技有限公司 一种短临降水的预报方法、装置及系统
CN113657477A (zh) * 2021-08-10 2021-11-16 南宁五加五科技有限公司 一种短临降水的预报方法、装置及系统
CN113642475A (zh) * 2021-08-17 2021-11-12 中国气象局上海台风研究所(上海市气象科学研究所) 基于卷积神经网络模型的大西洋飓风强度估算方法
CN113642475B (zh) * 2021-08-17 2023-04-25 中国气象局上海台风研究所(上海市气象科学研究所) 基于卷积神经网络模型的大西洋飓风强度估算方法
CN113655295A (zh) * 2021-10-21 2021-11-16 南京信息工程大学 一种基于雷达探测数据的闪电强度识别方法
CN114137637A (zh) * 2021-11-09 2022-03-04 国网山东省电力公司应急管理中心 基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法
CN114137637B (zh) * 2021-11-09 2024-03-01 国网山东省电力公司应急管理中心 基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法
CN114019514A (zh) * 2021-11-25 2022-02-08 浙江省气象台 一种雷暴大风预警方法、系统、设备及终端
CN114578456A (zh) * 2022-01-30 2022-06-03 中国科学院大气物理研究所 应用于雷达预报强对流天气的数据处理方法、装置、设备以及介质
CN114578456B (zh) * 2022-01-30 2023-02-21 中国科学院大气物理研究所 应用于雷达预报强对流天气的数据处理方法及装置
CN114740549B (zh) * 2022-04-12 2024-02-06 北京墨迹风云科技股份有限公司 一种短临降水天气预测方法、装置、电子设备及可读介质
CN114740549A (zh) * 2022-04-12 2022-07-12 北京墨迹风云科技股份有限公司 一种短临降水天气预测方法、装置、电子设备及可读介质
CN114994801A (zh) * 2022-08-05 2022-09-02 中国气象局公共气象服务中心(国家预警信息发布中心) 一种雷电监测预警方法及装置
CN114994801B (zh) * 2022-08-05 2022-10-25 中国气象局公共气象服务中心(国家预警信息发布中心) 一种雷电监测预警方法及装置
CN115113301A (zh) * 2022-08-23 2022-09-27 南京信息工程大学 一种基于多源数据融合的应急短临预报方法及系统
CN115494507B (zh) * 2022-11-21 2023-02-14 南京气象科技创新研究院 基于星载双频降水雷达和微波成像仪的闪电识别方法
CN115494507A (zh) * 2022-11-21 2022-12-20 南京气象科技创新研究院 基于星载双频降水雷达和微波成像仪的闪电识别方法
CN117368881A (zh) * 2023-12-08 2024-01-09 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种融合多源数据的长序列雷达图像预测方法及系统
CN117368881B (zh) * 2023-12-08 2024-03-26 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种融合多源数据的长序列雷达图像预测方法及系统

Also Published As

Publication number Publication date
CN112764129B (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN112764129B (zh) 一种雷暴短临预报方法、系统及终端
Alonso-Montesinos et al. Solar irradiance forecasting at one-minute intervals for different sky conditions using sky camera images
Roy et al. Tropical cyclone track forecasting techniques―A review
Litta et al. Simulation of a severe thunderstorm event during the field experiment of STORM programme 2006, using WRF–NMM model
US8818029B1 (en) Weather forecasting systems and methods
Liang et al. A composite approach of radar echo extrapolation based on TREC vectors in combination with model-predicted winds
Uhlhorn et al. Observational undersampling in tropical cyclones and implications for estimated intensity
Cui et al. Deep-learning-based extraction of the animal migration patterns from weather radar images
CN111474529B (zh) 卫星反演雷达回波的方法、反演雷达回波系统及导航雷达
CN112946657B (zh) 强对流天气中地面风场的识别方法
Litta et al. The diagnosis of severe thunderstorms with high-resolution WRF model
CN107356926A (zh) 基于Hu矩的差值云团外推降雨预测算法
Su et al. A convection nowcasting method based on machine learning
CN109407177B (zh) 基于机器学习与常规气象观测的大雾识别系统和应用方法
Wapler et al. Characterisation and predictability of a strong and a weak forcing severe convective event–a multi-data approach
CN115808727A (zh) 百米级阵风客观预报方法及装置
CN113075751A (zh) 一种观测资料在短临预报中的融合方法和系统
Litta et al. A comparative study of convective parameterization schemes in WRF-NMM model
CN115877345A (zh) 一种风廓线雷达缺测数据的补齐方法和装置
AU2021105817A4 (en) Method for Reconstructing global Surface Temperature
Sen Roy et al. Optimization of Nowcast Software WDSS-II for operational application over the Indian region
CN115511192A (zh) 一种基于闪电资料同化的降水预报方法及系统
Srivastava et al. Assimilation of doppler weather radar data in WRF model for simulation of tropical cyclone Aila
Ma et al. Modelling the ZR Relationship of Precipitation Nowcasting Based on Deep Learning
CN111967653A (zh) 一种构建机场跑道风预报模型的方法及预报方法、系统

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