CN112926776A - 一种陆气耦合实时预报方法 - Google Patents

Abstract

本发明涉及一种陆气耦合实时预报方法，包括以下步骤：步骤1、数据准备；步骤2、数据同化校正下的降雨预报；步骤3、陆气耦合；步骤4、实时校正下的径流预报；步骤5、系统结果发布。本发明在大幅延长“降雨—径流”预报预见期的基础上，对预报降雨利用数据同化技术，对预报径流利用实时校正技术，通过“降雨—径流”双要素校正，从而获得精准的降雨预报和径流预报。

Description

一种陆气耦合实时预报方法

技术领域

本发明申请为申请日2017年10月03日，申请号为：201710925098.5，名称为“一种通过降雨和径流双要素校正的陆气耦合实时预报方法”的发明专利申请的分案申请。

本发明涉及一种陆气耦合实时预报方法，属于气象水文预报领域，主要用于水利部门实时发布水文预报信息工作。

背景技术

长期以来，延长预见期和提高预报精度是“降雨—径流”预报的研究重点，而如何同时获得较长预见期且具有一定预报精度的“降雨—径流”预报信息是研究的难点。自数值大气模式出现发展至今，降雨预报的预见期已可达一周左右，为延长径流预报的预见期提供了可能。但由于驱动数值大气模式的初始场和侧边界条件存在一定的误差，导致预报降雨的精度较低。另一方面，降雨—径流转化通常由水文模型完成，而水文模型是对流域产汇流的概化，在进行降雨—径流转化中也难免产生计算误差。目前，气象领域普遍采用数据同化技术，来提高数值降雨预报的精度，而在水文预报领域，水文模型的实时校正技术可用于改善径流预报的误差。然而，在当前陆气耦合预报系统的研究与实践中，受技术与资料所限，并没有同时考虑降雨和径流双要素的实时校正，无法获得既具有较长预见期又具有一定精度的“降雨—径流”预报结果。

发明内容

本发明设计了一种通过降雨和径流双要素校正的陆气耦合实时预报方法，其解决的技术问题是实现对降雨、径流双要素校正，在延长预见期的基础上，提高降雨、径流预报的精度。

为了解决上述存在的技术问题，本发明采用了以下方案：

一种通过降雨和径流双要素校正的陆气耦合实时预报方法，包括以下步骤：

步骤1、数据准备；

步骤2、数据同化校正下的降雨预报；

步骤3、陆气耦合；

步骤4、实时校正下的径流预报；

步骤5、系统结果发布。

进一步，步骤1中的数据包括数值大气模式的驱动数据全球预报方法GFS(GlobalForecast System)、数据同化资料(传统气象观测资料和天气雷达资料)和地面观测数据(水文站数据和雨量站数据)。

所述步骤1中的全球预报方法数据GF S数据来源于美国国家环境预报中心National Centers for Environmental Prediction(NCEP)，是全球模式运行的结果，是覆盖全球的栅格化的气象要素合集，用于描述大气的状态，包括风场、温度场、辐射场、气压场以及湿度场，每6h发布一次并传输至计算机集群，为数值大气模式提供初始场和侧边界条件，是WRF模式的驱动数据，是覆盖全球的规则的栅格化数据，空间分辨率为1°×1°，可驱动数值大气模式向前进行192h的降雨预报；

所述数据同化资料中的传统气象观测资料来源于全球电信传输系统GlobalTelecommunication System(GTS)，包括近地面和高空的气象观测数据，包括风速、温度、气压、湿度和降雨中的一种或多种，数据的主要来源是近地面观测站、飞机报、航空报、船舶报、气球探空和火箭探空中的一种或多种；上述数据的空间分布是不规则的点状分布，具有数据覆盖范围广、空间密度小的特点；

所述数据同化资料中的天气雷达资料选用雷达反射率，来源于雷达站，具有数据覆盖范围小，空间密度高的特点；

所述地面观测数据中的水文站数据和雨量站的数据，前者是是降雨量，来源于雨量站，后者是流量，来源于水文站；这两种数据分别被作为降雨和洪水的真值；水文站和雨量站可提供逐小时的观测数据。

进一步，步骤2中的数据同化方法可以是三维变分、四维变分、集合卡尔曼滤波、混合同化等。

进一步，步骤2中的同化数据是地面和高空的常规气象观测资料，以及雷达、卫星等非常规气象观测资料，可单独同化一种数据，也可同时同化多种类型的数据。通过数据同化对数值大气模式的初始场和侧边界条件进行校正，从而达到提高降雨预报精度的目的。

进一步，基于上述步骤1中的数据，步骤2中选择不同的微物理过程方案、积云对流方案或边界层方案，形成不同的物理参数化方案组合，在此基础上，采用步骤1中的驱动数据GFS驱动Weather Research and Forecasting(WRF)模式基于同化技术分别获得各组方案的预报结果，进而形成降雨集合预报集。

微物理过程方案、积云对流方案、边界层方案都是对WRF模式降雨预报结果有较大影响的物理参数化方案。

其中，微物理过程主要是指云粒子的形成、增长以及产生降水的微观物理过程，涉及相变潜热的释放与吸收，其选取结果影响积云对流发生发展条件，从而影响降雨过程；

积云对流过程伴随着云团生成、发展、旺盛以及由于温度不同时形成的对流，云团消失则降水结束，因此其与降水过程联系紧密，不同的积云对流方案对不同地区、不同场次的降水模拟效果不同；

在WRF模式中，边界层主要影响低层大气运动的模拟，也可通过大气的垂直输送对高层大气产生影响，从而影响WRF模式对温度、风速、湿度等气象要素的模拟。这些方案都可以通过WRF模式进行设置。

步骤2不仅包括GFS数据，还包括传统气象观测资料(GTS)和天气雷达资料，甚至包括雨量站获得的降雨观测值。GFS是用于驱动WRF模式正常运行，获得降雨预报结果的，GTS和雷达资料是用于数据同化，提高降雨预报精度的。雨量站对降雨的观测结果用于评价WRF模式对降雨的预报结果。

进一步，所述步骤2中集合预报结果是采用三维变分数据同化技术同化后的WRF模式的预报值，三维变分数据同化技术由WRF模式的三维变分数据同化系统(WRF-3DVar)支撑；所述WRF模式采用双层嵌套网格，内层网格仅同化覆盖范围小而空间密度大的雷达反射率，雷达反射率数据来自步骤1中的数据同化资料；外层网格仅同化覆盖范围大而空间密度小的GTS数据，GTS数据也来自步骤1中的数据同化资料；通过同化GTS数据和雷达反射率来校正WRF模式的初始场和侧边界条件，提高降雨预报的精度。

进一步，步骤3中陆气耦合，不仅考虑以降雨为纽带的时间尺度的耦合，同时考虑以降雨为纽带的空间尺度的耦合。

进一步，步骤3中实现数据同化、WRF模式以及水文模型在时间尺度上的耦合。

进一步，步骤4中实时校正下的径流预报是通过水文模型将经过数据同化校正的预报降雨转化为径流，并利用实测的径流数据结合实时校正方法，对预报径流进行实时校正。

进一步，步骤5中系统发布的预报结果是逐小时滚动预报。

本发明通过降雨和径流双要素校正的陆气耦合实时预报方法具有以下有益效果：

(1)本发明引入数据同化技术和实时校正技术，分别对数值大气模式和水文模型的预报结果进行校正，从而提高降雨预报和径流预报的精度。由于水文模型的输入是由数值大气模式提供的预报降雨，有效延长了径流预报的预见期。

(2)本发明融合了数据同化技术和实时校正技术，实现了以降雨为纽带的时间尺度和空间尺度的陆气耦合，使系统能够进行实时预报，有助于推广应用。

附图说明

图1：本发明实例实时预报系统的运行流程示意图；

图2：本发明实例选择的研究区位置及相关数据覆盖范围；

图3：本发明实例的实测降雨—径流过程；

图4：本发明实例数据同化前后的累积降雨过程线；

图5：本发明实例不同情境下的径流预报。

具体实施方式

本发明所采用的技术方案是通过数据同化技术和实时校正技术，分别对数值大气模式和水文模型进行校正，从而提高降雨预报和径流预报的精度。数值大气模式和水文模型两个模块是以降雨为纽带进行耦合的，由于水文模型的输入是由数值大气模式提供的预报降雨，可有效延长径流预报的预见期。按照以下步骤实施：

(1)数据准备：为保证该系统的正常运行，需准备包括数值大气模式的驱动数据GFS(Global Forecast System)、数据同化资料、雨量站和水文站逐小时的观测数据。其中GFS数据可用于未来192h的降雨预报，大大延长了预见期。

(2)数据同化校正下的降雨预报：由GFS数据为数值大气模式Weather Researchand Forecasting(WRF)提供初始场和侧边界条件，再选择合适的数据同化方法，如三维变分数据同化，同化常规气象观测资料(地面和高空观测的气温、气压、风速、相对湿度等)和非常规气象观测资料(雷达、卫星影像等)，达到提高降雨预报精度的目的，并依据同化资料的获取频率确定数据同化的时间间隔。由于不同同化资料的获取频率不同，在数据同化时可针对不同来源的同化资料采用不同的同化时间间隔，也可综合考虑资料的获取频率选择某一固定的同化时间间隔。降雨预报结果采用累积面雨量的误差进行评价，WRF模式输出的栅格化预报降雨数据在流域范围内取平均值，作为流域面雨量的预报值。通过泰森多边形法，基于各雨量站的实测雨量，求流域实测面雨量，作为预报降雨的评价参照。

(3)陆气耦合：实现数据同化、WRF模式以及水文模型在时间尺度上的耦合，数据同化的时间间隔由获取到同化资料的时间间隔确定，当某种同化资料已经传输至系统，随即进行同化，当某几种同化资料同时传输至系统，则对几种同化资料同时同化。根据水利部门的实际需要，明确WRF模式输出降雨的时间间隔为t(t＞0)或1h，与水文模型输出径流的时间间隔保持一致。根据研究流域面积的大小，确定水文模型类型，中小流域采用集总式水文模型，而大流域采用分布式水文模型。对于集总式水文模型，需将WRF模式输出的栅格降雨进行面平均处理，并将逐小时的面平均雨量作为水文模型的输入，而对于分布式水文模型，则依据水文模型在空间上对子流域或栅格的划分，再对WRF模式输出的栅格降雨进行处理，如果分布式水文模型按照子流域划分，则将WRF模式输出的栅格降雨在子流域内分别进行面平均处理，作为水文模型在每个子流域上的输入，如果分布式水文模型按照栅格划分，则WRF模式输出的栅格与水文模型划分的栅格的位置和大小都一一对应。

(4)实时校正下的径流预报：实时校正下的径流预报是通过水文模型将经过数据同化校正的预报降雨转化为径流，并利用实测的径流数据结合实时校正方法，实现对预报径流的实时校正。实时校正方法一般采用独立于水文模型、不改变模型参数和变量的误差趋势预测法，即根据水文模型的径流预报误差的趋势规律，对未来径流误差进行预测，从而实现对模型预报径流的校正。

(5)系统结果发布：随着WRF模式的不断运行以及数据同化的不断校正，输出的预报降雨不断更新，而且随着实测径流数据的不断传输，预报径流也在不断进行实时校正，结合实际需要，系统发布的预报结果是逐小时滚动预报。

应用实例：

下面以我国北方半湿润半干旱地区的小流域(紫荆关流域)发生在2012年7月21日的一次降雨—径流事件为例(实际降雨历时24h，完整的洪水涨落过程36h)，介绍一个“降雨—径流”双要素校正的陆气耦合实时预报系统的实施与应用。流域地理位置及雷达覆盖范围见图2，实测降雨径流过程见图3。

首先进行数据准备。National Centers for Environmental Prediction(NCEP)每6h发布一次空间分辨率为1°×1°的GFS数据，为WRF模式提供初始场和侧边界条件，常规气象观测资料来自Global Telecommunication System(GTS)，每6h发布一次，非常规观测资料仅采用雷达反射率，由石家庄多普勒天气雷达提供，每6min发布一次。实测逐小时降雨和径流数据分别来自紫荆关流域内11个雨量站和1个水文站。

数据同化校正下的降雨预报。由GFS数据为数值大气模式Weather Research andForecasting(WRF)提供初始场和侧边界条件，选择三维变分方法，同化GTS数据和雷达反射率，达到提高降雨预报精度的目的。本实例为了减少同化计算量，提高计算效率，同化时间间隔确定为6h，即每6h同时同化GTS数据和雷达反射率。对WRF模式输出的栅格化预报降雨数据在流域范围内取平均值，作为流域面雨量的预报值。数据同化前后面累积雨量过程线见图4。累积面雨量由同化前的128.36mm提升至148.12mm，预报误差降低了11.48％。

陆气耦合。确定数据同化的时间间隔是6h，WRF模式输出降雨的时间间隔是1h，与水文模型输出径流的时间间隔保持一致。由于紫荆关流域面积较小，选择河北模型(集总式水文模型)与WRF模式耦合。将WRF模式输出的栅格降雨进行面平均处理，并将逐小时的面平均雨量作为河北模型的输入。

实时校正下的径流预报。利用河北模型将经过数据同化校正的预报降雨转化为径流，并通过自回归滑动平均模型AutoRegressive-moving Model(ARMA)，通过预测水文模型的径流预报误差，对预报径流实时校正。ARMA(p,q)模型结构取决于阶数p和q，本实例取p＝3，q＝1，即ARMA(3,1)模型。

AutoRegressive-moving Model(ARMA)模型是本领域常用的校正模型，由回归项和平滑项组合而成，p的阶数代表回归项的个数，q的阶数代表平滑项的个数。因此，p和q决定了ARMA的结构。

系统结果发布。由于预报降雨和预报径流的不断更新，系统发布的预报结果是逐小时滚动预报。双要素校正前后不同情境下的径流预报结果见图5。采用洪峰流量的相对误差评价预报结果。

误差计算方法如下：

其中，Q表示洪峰流量的实测值，Q’表示洪峰流量的预报值。数据同化前，未经过ARMA校正的误差为-60.60％，经过ARMA校正的误差为35.66％，数据同化后，未经过ARMA校正的误差为18.99％，经过ARMA校正的误差为6.98％。经过数据同化和实时校正技术对“降雨—径流”双要素校正，误差从-60.60％降低到6.98％，表明该预报系统能够获得较高精度的“降雨—径流”预报结果。

上面结合附图对本发明进行了示例性的描述，显然本发明的实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围内。

Claims (6)

1.一种陆气耦合实时预报方法，包括以下步骤：

步骤1、数据准备；

步骤2、数据同化校正下的降雨预报；

步骤3、陆气耦合；

步骤4、实时校正下的径流预报；

步骤5、系统结果发布；

步骤2中选用合适的数据同化方法，实现对常规气象观测资料和非常规气象观测资料的同化，对数值大气模式的预报降雨进行校正；

所述步骤2中数据同化方法可以是三维变分、四维变分、集合卡尔曼滤波、混合同化等，依据同化资料的获取频率确定数据同化的时间间隔，由于不同同化资料的获取频率不同，在数据同化时可针对不同来源的同化资料采用不同的同化时间间隔，也可综合考虑资料的获取频率选择某一固定的同化时间间隔；降雨预报结果采用累积面雨量的误差进行评价，WRF模式输出的栅格化预报降雨数据在流域范围内取平均值，作为流域面雨量的预报值；

通过泰森多边形法，基于各雨量站的实测雨量，求流域实测面雨量，作为预报降雨的评价参照；

所述步骤3中不仅考虑以降雨为纽带的时间尺度的耦合，同时考虑以降雨为纽带的空间尺度的耦合；

所述步骤3中实现数据同化、WRF模式以及水文模型在时间尺度上的耦合，数据同化的时间间隔由获取到同化资料的时间间隔确定，当某种同化资料已经传输至系统，随即进行同化，根据水利部门的实际需要，明确WRF模式输出降雨的时间间隔为t(t＞0)或1h，与水文模型输出径流的时间间隔保持一致；

根据研究流域面积的大小，确定水文模型类型，而大流域采用分布式水文模型，分布式水文模型，则依据水文模型在空间上对子流域或栅格的划分，再对WRF模式输出的栅格降雨进行处理，如果分布式水文模型按照子流域划分，则将WRF模式输出的栅格降雨在子流域内分别进行面平均处理，作为水文模型在每个子流域上的输入，如果分布式水文模型按照栅格划分，则WRF模式输出的栅格与水文模型划分的栅格的位置和大小都一一对应；

步骤4中的径流预报是通过水文模型将经过数据同化校正的预报降雨转化为径流，并利用实测的径流数据结合实时校正方法，对预报径流进行实时校正，实时校正方法一般采用独立于水文模型、不改变模型参数和变量的误差趋势预测法，即根据水文模型的径流预报误差的趋势规律，对未来径流误差进行预测，从而实现对模型预报径流的校正。

2.根据权利要求1所述陆气耦合实时预报方法，其特征在于：步骤1中准备的数据包括数值大气模式的驱动数据、数据同化资料、雨量站和水文站观测数据。

3.根据权利要求2所述陆气耦合实时预报方法，其特征在于：基于上述步骤1中的数据，步骤2中选择不同的微物理过程方案、积云对流方案或边界层方案，形成不同的物理参数化方案组合，在此基础上，采用步骤1中的驱动数据GFS驱动Weather Research andForecasting(WRF)模式基于同化技术分别获得各组方案的预报结果，进而形成降雨集合预报集。

4.根据权利要求3所述陆气耦合实时预报方法，其特征在于：所述步骤2中集合预报结果是采用三维变分数据同化技术同化后的WRF模式的预报值，三维变分数据同化技术由WRF模式的三维变分数据同化系统(WRF-3DVar)支撑；所述WRF模式采用双层嵌套网格，内层网格仅同化覆盖范围小而空间密度大的雷达反射率，雷达反射率数据来自步骤1中的数据同化资料；外层网格仅同化覆盖范围大而空间密度小的GTS数据，GTS数据也来自步骤1中的数据同化资料；通过同化GTS数据和雷达反射率来校正WRF模式的初始场和侧边界条件，提高降雨预报的精度。

5.根据权利要求4所述陆气耦合实时预报方法，其特征在于：步骤1中的雨量站和水文站观测数据用于评价步骤2所得出的预报结果。

6.根据权利要求1-4中任何一项所述陆气耦合实时预报方法，其特征在于：步骤5中随着WRF模式的不断运行以及数据同化的不断校正，输出的预报降雨不断更新，而且随着实测径流数据的不断传输，预报径流也在不断进行实时校正，结合实际需要，系统发布的预报结果是逐小时滚动预报。

Images