CN113158128A - 一种全球无缝隙台风动力集合预测方法、系统 - Google Patents

一种全球无缝隙台风动力集合预测方法、系统 Download PDF

Info

Publication number
CN113158128A
CN113158128A CN202110043790.1A CN202110043790A CN113158128A CN 113158128 A CN113158128 A CN 113158128A CN 202110043790 A CN202110043790 A CN 202110043790A CN 113158128 A CN113158128 A CN 113158128A
Authority
CN
China
Prior art keywords
typhoon
prediction
module
data
mode
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
CN202110043790.1A
Other languages
English (en)
Other versions
CN113158128B (zh
Inventor
李矜霄
包庆
何编
吴小飞
王磊
刘屹岷
吴国雄
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.)
Institute of Atmospheric Physics of CAS
Original Assignee
Institute of Atmospheric Physics of CAS
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 Institute of Atmospheric Physics of CAS filed Critical Institute of Atmospheric Physics of CAS
Priority to CN202110043790.1A priority Critical patent/CN113158128B/zh
Publication of CN113158128A publication Critical patent/CN113158128A/zh
Application granted granted Critical
Publication of CN113158128B publication Critical patent/CN113158128B/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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • 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
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/14—Error detection or correction of the data by redundancy in operation
    • G06F11/1402—Saving, restoring, recovering or retrying
    • G06F11/1446—Point-in-time backing up or restoration of persistent data
    • G06F11/1448—Management of the data involved in backup or backup restore
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/17—Details of further file system functions
    • G06F16/174—Redundancy elimination performed by the file system
    • G06F16/1744—Redundancy elimination performed by the file system using compression, e.g. sparse files
    • 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
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (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

本发明提出了一种全球无缝隙台风动力集合预测方法、系统，通过增长分析更新IAU的方法将多元观测资料同化到预先建立的气候系统模式中，以提供初始场，进而在超级计算机上并行计算产生36年的回算数据集和实时预测数据集；根据所述回算数据集和实时预测数据集，采用台风信号直接识别的方法将台风信号从所述预先建立的气候系统模式预测结果中挑选出来；将挑选出来的台风信号进行后处理，产生预测图片并进行发布；本发明所述全球无缝隙台风动力集合预测方法、系统能够实现全球的台风多时间尺度预测，气候系统模式耦合过程考虑到了海洋和海冰模块，从而提高预测精度。

Description

一种全球无缝隙台风动力集合预测方法、系统
技术领域
本发明涉及台风预测技术领域，尤其涉及一种全球无缝隙台风动力集合预 测方法、系统。
背景技术
气候系统是由大气圈、水圈、岩石圈、冰雪圈、生物圈五个主要部分所组 成的高度复杂的系统。内部各圈层之间的相互影响涉及到不同介质和不同尺度 间的相互作用和物质交换。
气候系统模式就是对上述气候系统的一种数学表达方式，从而使得人们可 以借助巨型计算机对涉及到的复杂演变过程进行定量的、长时间的、大数据量 的运算，从而能够把握气候系统的演变过程、模拟外强迫变化和人类活动的影 响以及预测未来气候变化趋势。气候系统的数学表述是建立在气候系统各部分 的物理、化学和生物学性质及其已认识到的相互作用和反馈过程基础上的。气 候系统模式的复杂性等同于气候系统的复杂性，气候系统模式的准确性取决于 气候系统数学表述的正确性，也就主要取决于人类对气候系统各圈层物理、化 学和生物学性质及其相互作用和反馈过程认识的准确性，同时也受到数学表述 方法是否有效和计算机能力等技术条件限制的影响。
现有技术中存在下述问题：
1、基于区域模式，不能预测全球
国际上现有的针对台风的预测往往是基于区域模式(例如，WRF、RegCM4 等模式)研发的，具有模式边界，只能对特定区域内的台风提供天气尺度的预 报。一旦预报区域发生改变，模式的动力框架和物理过程参数化均需要作出相 应的调整。
2、陆-气耦合模式
现有的区域模式往往只做到了陆-气耦合，并没有考虑海洋和海冰模块，但 是在次季节-季节(S2S)的预测尺度，往往海洋和海冰过程是关键的预测信号 来源。
3、预测周期集中在1-7天
传统的区域预测系统，受制于侧边界效应，往往只能对1-7天的台风进行 区域预测。
发明内容
本发明的目的在于提供一种全球无缝隙台风动力集合预测方法、系统，以 至少解决一个背景技术中存在的技术问题。
第一方面，本发明实施例提供了一种全球无缝隙台风动力集合预测方法， 所述方法包括：
通过增长分析更新IAU的方法将多元观测资料同化到预先建立的气候系统 模式中，以提供初始场，进而在超级计算机上并行计算产生36年的回算数据集 和实时预测数据集；
根据所述回算数据集和实时预测数据集，采用台风信号直接识别的方法将 台风信号从所述预先建立的气候系统模式预测结果中挑选出来；
将挑选出来的台风信号进行后处理，产生预测图片并进行发布。
可选地，所述多元观测资料包括：
海量观测、卫星、再分析数据。
可选地，所述预先建立的气候系统模式由4个部分构成，包括海洋模块、 大气模块、陆面模块、海冰模块，四个部分通过CPL7耦合器进行有机的耦合。
可选地，通过增长分析更新IAU的方法将多元观测资料同化到预先建立的 气候系统模式中包括：
在气候系统模式每一步迭代过程中，将观测强迫场的趋势项引入到模式中， 从而修正模式的初始化偏差，将海量观测资料同化到模式中。
可选地，根据所述回算数据集和实时预测数据集，采用台风信号直接识别 的方法将台风信号从所述预先建立的气候系统模式预测结果中挑选出来包括：
基于有限体积方法的全球立方球面网格建立气候系统模式输出立方球面网
格数据；
在每个格点上识别潜在的台风事件；
判断识别出来的台风是否属于同一次过程；
根据中国台风强度量表对台风的强度进行分类。
可选地，将挑选出来的台风信号进行后处理，产生预测图片并进行发布包 括：
通过预设的插值系数文件，将立方球面网格映射到全球等间距的经纬网格 上，完成预测数据由立方球面网格向等间距经纬网格的合并；
将每天的预测数据由Netcdf4格式转换为通用的GRIB2格式并进行压缩， 将预测数据压缩并进行多台服务器的自动备份；
通过NCL、Python脚本将GRIB2格式的预测数据进行图形绘制，并保存为 PDF或PNG格式图片并上传。
第二方面，本发明实施例提供了一种全球无缝隙台风动力集合预测系统， 所述系统包括：
预处理模块，所述预处理模块处理海量观测、卫星、再分析数据，用于预 测系统的同化；
同化模块，所述同化模块通过增长分析更新的方法将多元观测资料同化到 预先建立的气候系统模式中，以提供初始场，进而在超级计算机上并行计算产 生36年的回算数据集和实时预测数据集；
气候系统模式，包括海洋模块、大气模块、陆面模块、海冰模块，四个部 分通过耦合器进行有机的耦合；
台风直接探测模块，用于将台风信号从所述气候系统模式预测结果中挑选 出来；其中，气候系统模式预测结果采用立方球面网格进行输出；
后处理模块，用于将无缝隙预测结果进行后处理，产生预测图片并进行发 布。
可选地，所述台风直接探测模块包括：
识别单元，在每个格点上识别潜在的台风事件；
判断单元，判断识别出来的台风是否属于同一次过程；
分类单元，根据中国台风强度量表对台风的强度进行分类。
可选地，所述后处理模块包括：
合并单元，通过预设的插值系数文件，将全球信息均匀切分为多个立方球 面，将多个立方球面映射到全球等间距的经纬网格上；
压缩存储单元，将每天的预测数据转换为GRIB2格式并进行压缩，将预测 数据压缩并进行多台服务器的自动备份；
图形绘制单元，通过NCL、Python脚本将GRIB2格式的预测数据进行图形 绘制，并保存为PDF或PNG格式图片并上传。
可选地，所述海洋模块、大气模块、陆面模块、海冰模块，四个部分通过 CPL7耦合器进行有机的耦合。
有益效果
本发明提出了一种全球无缝隙台风动力集合预测方法、系统，通过通过增 长分析更新IAU的方法将多元观测资料同化到预先建立的气候系统模式中，以 提供初始场，进而在超级计算机上并行计算产生36年的回算数据集和实时预测 数据集；根据所述回算数据集和实时预测数据集，采用台风信号直接识别的方 法将台风信号从所述预先建立的气候系统模式预测结果中挑选出来；将挑选出 来的台风信号进行后处理，产生预测图片并进行发布；本发明所述全球无缝隙 台风动力集合预测方法、系统能够实现全球的台风多时间尺度预测，气候系统 模式耦合过程考虑到了海洋和海冰模块，从而提高预测精度，区别于传统的区 域模式有天然的模式边界，通过增长分析更新IAU的方法为气候系统模式提供 初始场，采用时间滞后扰动的方法产生多个有效预测集合对未来1天-1年的全 球台风活动进行每天的实时滚动预测。
附图说明
图1为本发明实施例一种全球无缝隙台风动力集合预测方法的流程图；
图2为本发明实施例气候系统模式的结构示意图；
图3为本发明实施例时间伴随的增长分析更新(IAU)方法示意图；
图4为图1中步骤S40所述方法具体的流程图；
图5为有限体积立方球面网格；
图6为将挑选出来的台风信号进行后处理，产生预测图片并进行发布的具 体方法步骤；
图7为本发明实施例一种全球无缝隙台风动力集合预测系统的结构框图；
图8为图7中台风直接探测模块的结构框图；
图9为图7中后处理模块100的结构框图；
图10为本采用发明实施例一种全球无缝隙台风动力集合预测方法得到的 效果图。
具体实施方式
下面将结合实施例对本发明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。基于本发明中的 实施例，本领域普通技术人员在没有做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。
如图1所示，本发明实施例提供了一种全球无缝隙台风动力集合预测方法， 所述方法包括：
S20、通过增长分析更新IAU的方法将多元观测资料同化到预先建立的气候 系统模式中，以提供初始场，进而在超级计算机上并行计算产生36年的回算数 据集和实时预测数据集；
S40、根据所述回算数据集和实时预测数据集，采用台风信号直接识别的方 法将台风信号从所述预先建立的气候系统模式预测结果中挑选出来；
S60、将挑选出来的台风信号进行后处理，产生预测图片并进行发布。
本实施例所述台风无缝隙预测系统使用增长分析更新IAU的方法同化多元 观测资料为预测系统提供初始场，进而在超级计算机上进行大规模并行计算产 生36年的回算数据集和实时预测数据集，将实时预测数据集使用采用台风信号 直接识别的方法将台风信号从所述预先建立的气候系统模式预测结果中挑选出 来，进而对全球热带气旋的生成、移动路径、强度进行无缝隙(1天-1年)的 预测。
具体地，所述多元观测资料包括：
海量观测、卫星、再分析数据。其中，再分析数据是对过去一段时期内(几 年、几十年不等)将所能获取的实际观测资料融合到模式结果当中的资料数据 集。再分析数据能够真实地再现了当时的大气状态；
具体地，如图2所示，所述预先建立的气候系统模式由4个部分构成，包 括海洋模块、大气模块、陆面模块、海冰模块，四个部分通过耦合器(例如， CPL7耦合器)进行有机的耦合，以提升预测精度。
具体地，如图3所示，通过增长分析更新IAU的方法将多元观测资料同化 到预先建立的气候系统模式中包括：
在气候系统模式每一步迭代过程中，将观测强迫场的时间趋势项(公式(1) 的右侧第3项，其中x代表模式任意预报量)引入到模式中，从而修正模式的 初始化偏差，将海量观测资料同化到模式中。
Figure BDA0002896365800000061
增长分析更新IAU是一种同化方法，其核心思想是将观测/再分析资料通过 一个简单的时间窗口系统缓慢地同化到模式中，从而一定程度修正模式模拟偏 差。具体地，举例来说：
1.实时更新6小时间隔的再分析数据，在每天的0000，0006，1200，1800 UTC伴随着模式积分产生分析场的增量。
2.初始化系统回到3小时前模式积分的结果，
3.模式利用第一步IAU流程产生的强迫场将模式向前积分6小时，
4.模在没有IAU的情况下预报3小时。
5.循环1-3步进入下一个同化窗口。
具体地，如图4所示，根据所述回算数据集和实时预测数据集，采用台风 信号直接识别的方法将台风信号从所述预先建立的气候系统模式预测结果中挑 选出来包括：
S401、基于有限体积方法的全球立方球面网格建立气候系统模式输出立方 球面网格数据；
区别于传统的区域模式有天然的模式边界，台风S2S(季节内至季节尺度) 预测范围为全球，克服了预测边界问题。例如，如图5所示，台风预测系统的 动力框架采用有限体积立方球面网格，将全球切分为6个面，分别进行积分计 算。6面之间通过边界上的通讯节点进行预测信息的交换。
全球范围的立方球面网格设计方案如下：
ΔA＝R2[α1+α1+α1-2π] (2)
δh＝R cos-1[cosθ1 cosθ2 cos(λ1-λ2)+sinθ1 sinθ2] (3)
Figure BDA0002896365800000071
Figure BDA0002896365800000072
Figure BDA0002896365800000081
立方球面网格的计算如公式(2)所示，R是球面的半径，α1，α2，α3，α4， 是每个立方网格的角度。
球面网格的圆弧距离由公式(3)计算得到，亦可表示为公式(6)的形式。 在立方球面网格上的向量可由公式(4)表示，两个向量之间的夹角可由公式(5) 表示。
S402、在每个格点上识别潜在的台风事件；具体地，为方便对预测能力进行 比对，以6小时的模式输出被用作潜在台风探测的资料集。在每个模式时次挑 选出600公里间距格点中绝对涡度大于3.5x 10-5/s的格点。下一步，对比这 些格点，挑选出海平面气压的最小值发生的格点作为台风的中心位置。此外， 在对流层中层300-500hPa(是指距离地面的高度)之间需要具备一个高于环 境1℃的暖心结构。
S403、判断识别出来的台风是否属于同一次过程；具体地，当步骤S402完 成后，进一步判断这些识别出来的台风是否属于同一次过程。
例如：
1.在5°x 5°的格点上判断是否还存在一个潜在的台风；
2.两个潜在台风之间的时间间隔不超过6小时。如果同时满足上述的两个条 件，模块将会识别为同一个台风路径。热带低压是强度较弱的台风事件，实际 的生命周期和影响都很小，为了过滤掉短生命周期的热带低压，最大表面风速 必须大于17.1m/s,并且台风的生命周期必须超过72小时。
S404、根据中国台风强度量表对台风的强度进行分类。
例如，将台风事件分成5个等级(热带风暴、强热带风暴、台风、强台风、 超强台风)。同时，将全球海盆分为7块(北印度洋、西太平洋、东太平洋、北 大西洋、南印度洋、南太平洋、南大西洋)。
具体地，如图6所示，将挑选出来的台风信号进行后处理，产生预测图片 并进行发布包括：
S601、通过预设的插值系数文件，将立方球面网格映射到全球等间距的经 纬网格上，完成预测数据由立方球面网格向等间距经纬网格的合并；
具体地，气候模式系统的预测结果为六面体网格，将全球信息均匀切分为 6个立方球面。对于普通用户而言较难直接进行利用和分析。为此，我们设计 了6面体网格合并的后处理模块，通过预先设定好的插值系数文件，将6面体 网格合理的映射到全球等间距的经纬网格上，方便取用。
S602、将每天的预测数据由Netcdf4格式转换为通用的GRIB2格式并进行 压缩，将预测数据压缩并进行多台服务器的自动备份；现有技术中的Netcdf4 格式预测数据虽然也较好读取，但是由于占用系统空间较大，当预测数据累积 到一定程度较难保存。为了克服这一问题，例如，将每天56G的预测数据转换 为世界气象组织(WMO)通用的GRIB2格式并进行8倍效率的压缩，将预测数据 最终压缩到7G并进行多台服务器的自动备份。
S603、通过NCL、python脚本将GRIB2格式的预测数据进行图形绘制，并 保存为PDF或PNG格式图片并上传。
如图7所示，基于同一发明构思，本申请实施例还提供了一种全球无缝隙 台风动力集合预测系统，可以用于实现上述实施例中所描述的方法，如下面实 施例所述。由于该全球无缝隙台风动力集合预测系统解决问题的原理与全球无 缝隙台风动力集合预测系统相似，因此基于词串长度的意图识别系统的实施可 以参见全球无缝隙台风动力集合预测方法的实施，重复之处不再赘述。以下所 使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组 合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件 和硬件的组合的实现也是可能并被构想的，本发明实施例的全球无缝隙台风动 力集合预测系统包括：
预处理模块20，所述预处理模块处理海量观测、卫星、再分析数据，用于 预测系统的同化；其中，再分析数据是对过去一段时期内(几年、几十年不等) 将所能获取的实际观测资料融合到模式结果当中的资料数据集。再分析数据能 够真实地再现了当时的大气状态；
同化模块40，所述同化模块通过增长分析更新的方法将多元观测资料同化 到预先建立的气候系统模式中，以提供初始场，进而在超级计算机上并行计算 产生36年的回算数据集和实时预测数据集；在气候系统模式每一步迭代过程 中，将观测强迫场的趋势项引入到模式中，从而修正模式的初始化偏差，将海 量观测资料同化到模式中。
增长分析更新IAU是一种同化方法，其核心思想是将观测/再分析资料通过 一个简单的时间窗口系统缓慢地同化到模式中，从而一定程度修正模式模拟偏 差。
如图2所示，气候系统模式60，包括海洋模块1、大气模块2、陆面模块3、 海冰模块4，四个部分通过耦合器进行有机的耦合；
台风直接探测模块80，用于将台风信号从所述气候系统模式预测结果中挑 选出来；其中，气候系统模式预测结果采用立方球面网格进行输出；
后处理模块100，用于将无缝隙预测结果进行后处理，产生预测图片并进 行发布。
本实施例通过预处理模块处理海量观测、卫星、再分析数据，用于预测系 统的同化；所述同化模块通过增长分析更新的方法将多元观测资料同化到预先 建立的气候系统模式中，以提供初始场，进而在超级计算机上并行计算产生36 年的回算数据集和实时预测数据集；台风直接探测模块将台风信号从所述气候 系统模式预测结果中挑选出来；后处理模块将无缝隙预测结果进行后处理，产 生预测图片并进行发布。
如图8所示，所述台风直接探测模块包括：
识别单元801，在每个格点上识别潜在的台风事件；
判断单元802，判断识别出来的台风是否属于同一次过程；
分类单元803，根据中国台风强度量表对台风的强度进行分类。例如，将 台风事件分成5个等级(热带风暴、强热带风暴、台风、强台风、超强台风)。 同时，将全球海盆分为7块(北印度洋、西太平洋、东太平洋、北大西洋、南印 度洋、南太平洋、南大西洋)。
如图9所示，所述后处理模块包括：
合并单元1001，通过预设的插值系数文件，将全球信息均匀切分为多个立 方球面，将多个立方球面映射到全球等间距的经纬网格上；
压缩存储单元1002，将每天的预测数据转换为GRIB2格式并进行压缩，将 预测数据压缩并进行多台服务器的自动备份；
图形绘制单元1003，通过NCL、python脚本将GRIB2格式的预测数据进行 图形绘制，并保存为PDF或PNG格式图片并上传。
优选地，所述海洋模块1、大气模块2、陆面模块3、海冰模块4，四个部 分通过CPL7耦合器进行有机的耦合。
效果图如图10所示。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域 技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特 定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上 述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征 与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的 技术方案。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、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，所述模块、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，两个接连地表示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操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。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其 限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术 人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者 对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相 应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种全球无缝隙台风动力集合预测方法，其特征在于，所述方法包括：
通过增长分析更新IAU的方法将多元观测资料同化到预先建立的气候系统模式中，以提供初始场，进而在超级计算机上并行计算产生36年的回算数据集和实时预测数据集；
根据所述回算数据集和实时预测数据集，采用台风信号直接识别的方法将台风信号从所述预先建立的气候系统模式预测结果中挑选出来；
将挑选出来的台风信号进行后处理，产生预测图片并进行发布。
2.根据权利要求1所述的方法，其特征在于，所述多元观测资料包括：海量观测、卫星、再分析数据。
3.根据权利要求2所述的方法，其特征在于，所述预先建立的气候系统模式由4个部分构成，包括海洋模块、大气模块、陆面模块、海冰模块，四个部分通过耦合器进行有机的耦合。
4.根据权利要求3所述的方法，其特征在于，通过增长分析更新IAU的方法将多元观测资料同化到预先建立的气候系统模式中包括：
在气候系统模式每一步迭代过程中，将观测强迫场的时间趋势项引入到模式中，从而修正模式的初始化偏差，将海量观测资料同化到模式中。
5.根据权利要求4所述的方法，其特征在于，根据所述回算数据集和实时预测数据集，采用台风信号直接识别的方法将台风信号从所述预先建立的气候系统模式预测结果中挑选出来包括：
基于有限体积方法的全球立方球面网格建立气候系统模式并输出立方球面网格数据；
在每个格点上识别潜在的台风事件；
判断识别出来的台风是否属于同一次过程；
根据中国台风强度量表对台风的强度进行分类。
6.根据权利要求5所述的方法，其特征在于，将挑选出来的台风信号进行后处理，产生预测图片并进行发布包括：
通过预设的插值系数文件，将立方球面网格映射到全球等间距的经纬网格上，完成预测数据由立方球面网格向等间距经纬网格的合并；
将每天的预测数据由Netcdf4格式转换为通用的GRIB2格式并进行压缩，将预测数据压缩并进行多台服务器的自动备份；
通过NCL、Python脚本将GRIB2格式的预测数据进行图形绘制，并保存为PDF或PNG格式图片并上传。
7.一种全球无缝隙台风动力集合预测系统，其特征在于，所述系统包括：
预处理模块，所述预处理模块处理海量观测、卫星、再分析数据，用于预测系统的同化；
同化模块，所述同化模块通过增长分析更新IAU的方法将多元观测资料同化到预先建立的气候系统模式中，以提供初始场，进而在超级计算机上并行计算产生36年的回算数据集和实时预测数据集；
气候系统模式，包括海洋模块、大气模块、陆面模块、海冰模块，四个部分通过耦合器进行有机的耦合；
台风直接探测模块，用于将台风信号从所述气候系统模式的预测结果中挑选出来；其中，气候系统模式预测结果采用立方球面网格进行输出；
后处理模块，用于将无缝隙预测结果进行后处理，产生预测图片并进行发布。
8.根据权利要求7所述的系统，其特征在于，所述台风直接探测模块包括：
识别单元，在每个格点上识别潜在的台风事件；
判断单元，判断识别出来的台风是否属于同一次过程；
分类单元，根据中国台风强度量表对台风的强度进行分类。
9.根据权利要求8所述的系统，其特征在于，所述后处理模块包括：
合并单元，通过预设的插值系数文件，将全球信息均匀切分为多个立方球面，将多个立方球面映射到全球等间距的经纬网格上；
压缩存储单元，将每天的预测数据转换为GRIB2格式并进行压缩，将预测数据压缩并进行多台服务器的自动备份；
图形绘制单元，通过NCL、python脚本将GRIB2格式的预测数据进行图形绘制，并保存为PDF或PNG格式图片并上传。
10.根据权利要求7-9任一项所述的系统，其特征在于，所述海洋模块、大气模块、陆面模块、海冰模块，四个部分通过CPL7耦合器进行有机的耦合。
CN202110043790.1A 2021-01-13 2021-01-13 一种全球无缝隙台风动力集合预测方法、系统 Active CN113158128B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110043790.1A CN113158128B (zh) 2021-01-13 2021-01-13 一种全球无缝隙台风动力集合预测方法、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110043790.1A CN113158128B (zh) 2021-01-13 2021-01-13 一种全球无缝隙台风动力集合预测方法、系统

Publications (2)

Publication Number Publication Date
CN113158128A true CN113158128A (zh) 2021-07-23
CN113158128B CN113158128B (zh) 2022-03-04

Family

ID=76878474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110043790.1A Active CN113158128B (zh) 2021-01-13 2021-01-13 一种全球无缝隙台风动力集合预测方法、系统

Country Status (1)

Country Link
CN (1) CN113158128B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116541634A (zh) * 2023-05-19 2023-08-04 上海勘测设计研究院有限公司 基于多源异构数据的气旋传播速度计算方法及系统
CN116736410A (zh) * 2023-06-09 2023-09-12 上海勘测设计研究院有限公司 热带气旋识别方法、系统、电子设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9959505B1 (en) * 2013-02-08 2018-05-01 Marko Milakovich High value information alert and reporting system and method
CN109444989A (zh) * 2018-12-28 2019-03-08 中山大学 台风预报方法、系统、可读存储介质和设备
CN111523087A (zh) * 2020-04-10 2020-08-11 北京航空航天大学 一种台风强度长期变化趋势分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9959505B1 (en) * 2013-02-08 2018-05-01 Marko Milakovich High value information alert and reporting system and method
CN109444989A (zh) * 2018-12-28 2019-03-08 中山大学 台风预报方法、系统、可读存储介质和设备
CN111523087A (zh) * 2020-04-10 2020-08-11 北京航空航天大学 一种台风强度长期变化趋势分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HUAN HE ET AL.: "Impacts of Assimilation Frequency on Ensemble Kalman Filter Data Assimilation and Imbalances", 《JOURNAL OF ADVANCES IN MODELLING EARTH SYSTEMS》 *
徐道生 等: "一种基于分析增量更新技术的台风初始化方案", 《气象学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116541634A (zh) * 2023-05-19 2023-08-04 上海勘测设计研究院有限公司 基于多源异构数据的气旋传播速度计算方法及系统
CN116541634B (zh) * 2023-05-19 2024-02-06 上海勘测设计研究院有限公司 基于多源异构数据的气旋传播速度计算方法及系统
CN116736410A (zh) * 2023-06-09 2023-09-12 上海勘测设计研究院有限公司 热带气旋识别方法、系统、电子设备及介质
CN116736410B (zh) * 2023-06-09 2024-01-30 上海勘测设计研究院有限公司 热带气旋识别方法、系统、电子设备及介质

Also Published As

Publication number Publication date
CN113158128B (zh) 2022-03-04

Similar Documents

Publication Publication Date Title
Bihlo A generative adversarial network approach to (ensemble) weather prediction
Nikam et al. Modeling rainfall prediction using data mining method: A Bayesian approach
Zareian et al. A modified regionalization weighting approach for climate change impact assessment at watershed scale
CN113158128B (zh) 一种全球无缝隙台风动力集合预测方法、系统
CN116340863B (zh) 空气污染物预测方法、装置、电子设备及可读存储介质
Koc et al. Investigation of urban climates and built environment relations by using machine learning
Fan et al. A comparative study of four merging approaches for regional precipitation estimation
Vosper et al. Deep learning for downscaling tropical cyclone rainfall to hazard‐relevant spatial scales
Miralles et al. Downscaling of historical wind fields over Switzerland using generative adversarial networks
Grönquist et al. Predicting weather uncertainty with deep convnets
Addae et al. Integrating multi-criteria analysis and spherical cellular automata approach for modelling global urban land-use change
Chen et al. RainNet: A large-scale imagery dataset and benchmark for spatial precipitation downscaling
Fu et al. Simulation and forecasting of fishery weather based on statistical machine learning
Harpham et al. A Bayesian method for improving probabilistic wave forecasts by weighting ensemble members
Yang et al. Improving tropical cyclone precipitation forecasting with deep learning and satellite image sequencing
Yang et al. Linking fine-scale sub-arctic vegetation distribution in complex topography with surface-air-temperature modelled at 50-m resolution
Bose et al. Simulation of atlantic hurricane tracks and features: A deep learning approach
Russotto et al. Evolution of Tropical Cyclone Properties Across the Development Cycle of the GISS‐E3 Global Climate Model
Russotto et al. Improved representation of tropical cyclones in the NASA GISS-E3 GCM
Inatsu et al. Development of a pressure–precipitation transmitter
Llorens Jover Geometric deep learning for medium-range weather prediction
Jover Geometric deep learning for medium-range weather prediction
Yao et al. Multivariate deep learning for reconstruction of spatial missing climate data
Liu et al. An improved method of the Globally Resolved Energy Balance Model by the Bayes network
Jing et al. TC-GEN: Data-driven Tropical Cyclone Downscaling using Machine Learning-Based High-resolution Weather Model

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