CN113553782B - 一种用于预报风速的降尺度方法 - Google Patents

一种用于预报风速的降尺度方法 Download PDF

Info

Publication number
CN113553782B
CN113553782B CN202110150588.9A CN202110150588A CN113553782B CN 113553782 B CN113553782 B CN 113553782B CN 202110150588 A CN202110150588 A CN 202110150588A CN 113553782 B CN113553782 B CN 113553782B
Authority
CN
China
Prior art keywords
wind speed
wind
horizontal resolution
forecast data
grid
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
Application number
CN202110150588.9A
Other languages
English (en)
Other versions
CN113553782A (zh
Inventor
周荣卫
何晓凤
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.)
Beijing Jiutian Jiutian Meteorological Technology Co ltd
Huafeng Meteorological Media Group Co Ltd
Original Assignee
Beijing Jiutian Jiutian Meteorological Technology Co ltd
Huafeng Meteorological Media Group 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 Beijing Jiutian Jiutian Meteorological Technology Co ltd, Huafeng Meteorological Media Group Co Ltd filed Critical Beijing Jiutian Jiutian Meteorological Technology Co ltd
Priority to CN202110150588.9A priority Critical patent/CN113553782B/zh
Publication of CN113553782A publication Critical patent/CN113553782A/zh
Application granted granted Critical
Publication of CN113553782B publication Critical patent/CN113553782B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Fluid Mechanics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种用于预报风速的降尺度方法，将动力降尺度与统计降尺度相结合，对风速数值预报中格点风速预报的精细度和精准度进行优化，减少格点风速的网格距离，提升风速的预报精度和预报效率。采用微尺度模式CALMET基于WRF，将粗网格的风速风向预报数据进行动力将尺度计算得到细网格的风速风向预报数据，并对微尺度模式CALMET和WRF模式进行具体参数的设计，将粗细网格的风速预报数据进行风速档的分类、风向预报数据进行方位的分类，通过统计分析得到粗细网格在逐小时的风速预报数据之间的数学统计关系，实现了对低水平分辨率的粗网格的风速预报数据的进行逐小时降尺度计算，得到高水平分辨率的细网格的逐小时风速预报数据，实现了风速的逐小时预报。

Description

一种用于预报风速的降尺度方法
技术领域
本发明属于气象预测领域，具体涉及一种用于预报风速的降尺度方法。
背景技术
风速预报数据的降尺度计算可以分为站点处数据的降尺度和格点全场数据的降尺度，本发明的技术方案专门针对格点风速的降尺度技术。
格点风速的降尺度技术一般分为统计降尺度和动力降尺度技术，格点风速的统计降尺度是基于粗细网格对应地形高度和地貌种类的不同，采用不同地形地貌条件下格点风速关系进行降尺度计算，动力降尺度的优点是充分考虑地形、地貌以及天气过程对风速的影响，风速预报效果佳，缺点是计算时间长。格点风速的动力降尺度技术是基于粗网格背景场采用气象模式进行降尺度计算获取细网格尺度上的风速预报数据。统计降尺度技术的优点是关系明确且计算速度快，而劣势是考虑因素简单而忽略了大气的流动性，这会导致检索结果可信度降低，对风速预报的精确度不足。
发明内容
为解决上述技术问题，本发明提供了一种用于预报风速的降尺度方法，是将动力降尺度与统计降尺度相结合的方法，不但实现了格点风速预报的高精度以及高效率，并且实现了对低水平分辨率的粗网格的风速预报数据的进行逐小时降尺度计算，得到高水平分辨率的细网格的逐小时风速预报数据，实现了风速的逐小时预报。
本发明提出了一种用于预报风速的降尺度方法，该降尺度方法是动力降尺度与统计降尺度相结合的方法即动力统计降尺度方法，其特征在于，所述动力统计降尺度方法包括以下步骤：
(1)采用微尺度模式CALMET基于WRF，利用数值模拟的方法，将水平分辨率为9km的粗网格的风速、风向的预报数据进行动力降尺度至水平分辨率2.5km的风速、风向的预报数据，并且所述水平分辨率2.5km的细网格的预报时长和输出时间间隔与水平分辨率9km的粗网格的相同。
(2)提取预报数据：以2019年1月1日～12月31日期间的中尺度气象模式WRF(weather research and forecasting mode)全国未来3天逐小时水平分辨率9km风速风向预报数据和对应的CALMET(computer-aided learning and distance learning inmeteorology)动力降尺度水平分辨率2.5km的预报数据为样本，建立两组预报数据之间的统计关系；以2019年1月1日为例，从2019年1月1日08时到1月4日08时逐小时的预报数据。
(3)将水平分辨率为9km的粗网格的风向预报数据以及水平分辨率为2.5km的细网格的风向预报数据分别平均分成8个方位i，所述8个方位i的风向分别为0°、45°、90°、135°、180°、225°、270°、315°；将水平分辨率为9km的粗网格的风速预报数据以及水平分辨率为2.5km的细网格的风速预报数据分别分成10个风速档j，所述10个风速档j分别为(0，1)、[1，2)、[2，3)、[3，5)、[5，7)、[7，9)、[9，12)、[12，15)、[15，18)、[18，)；这样水平分辨率为9km的粗网格和水平分辨率为2.5km的细网格均具有80组样本数据，每组样本数据均为第i个方位、第j个风速档下的逐小时的风速预报数据；
(4)将水平分辨率为9km的粗网格第i个方位、第j个风速档下的逐小时的风速预报数据与水平分辨率为2.5km的细网格相应的第i个方位、第j个风速档下的逐小时的风速预报数据，分别进行统计分析，得到这每一组样本数据之间的数学关系：
其中，i代表风向方位；j代表风速档；n为i方位j档内样本个数；U为粗网格风速；u为细网格对应风速；k为样本组的编号；
该数学关系直接用于在中尺度气象模式WRF中将水平分辨率为9km粗网格的逐小时风速预报数据的进行统计降尺度计算，得到最终需要的水平分辨率为2.5km的细网格的逐小时风速预报数据。
所述WRF模式采用完全可压缩以及非静力模式，在WRF模式中：水平方向采用Arakawa-C网格点，水平分辨率范围为1-10km，垂直方向采用地形跟随质量坐标，时间积分采用三阶或者四阶的Runge-Kutta算法。
所述WRF模式采用ECMWF水平分辨率0.025°×0.025°的预报数据作为初始和边界条件，并且所述WRF模式基于ECMWF的预报数据每天启动两次，分别为北京时08时和20时。
所述WRF模式采用USGS水平分辨率1km的地形和下垫面植被类型数据，所述WRF模式的物理过程参数化设置为微物理过程采用Ferrier(new Eta)microphysics方案，长波辐射采用RRTM方案，短波辐射采用Dudhia方案，近地层过程采Monin-Obukhov方案，陆面过程采用Unified Noah land-surface model方案，边界层过程采用YSU方案。
采用中尺度气象模式WRF的水平分辨为9km，垂直方向为50层，水平网格点数为649×450。
所述微尺度模式CALMET是一个网格化气象风场模式，包括诊断风场模块和微气象模块。
所述诊断风场模块利用质量守恒原理对风场进行诊断，并将中尺度气象模式的预报数据输出作为在评价范围内的输入模式所需的气象背景初始风场，进行地形动力学、坡面流、地形阻塞效应的调整，得到中间过程风场，再利用地面和探空常规气象观测资料依次进行内插和外推、平滑处理、垂直速度计算、散度最小化对所述中间过程风场进行修正，得到最终风场数据。
所述微气象模块首先基于能量守恒原理，通过对地面观测数据和探空数据的连续性插补以及局部插值对流混合高度估计，对评价范围内的输入模式所需的气象背景初始风场进行优化，然后将气象背景初始风场数据利用插值的方法网格化到各网格中，形成最终风场，最后通过地表热通量参数化和动力通量参数化方案，选择边界层参数，对最终风场数据进行优化。
所述微尺度模式CALMET基于WRF输出的文件进行降尺度计算，将水平分辨率为9km的粗网格数据降尺度得到水平分辨率2.5km的细网格数据，所述细网格的水平网格点数为2001×1775，垂直层共计25层，并且在近地面200m高度下为每20m一层。
本发明对于现有技术取得了以下技术效果：
1、将动力降尺度与统计降尺度相结合的降尺度方法，对风速数值预报中格点风速预报的精细度和精准度进行优化，减少格点风速的网格距离，以及提升风速的预报精度，提高风速预报效率。
2、采用微尺度模式CALMET基于WRF，将粗网格的风速风向预报数据进行动力将尺度计算得到细网格的风速风向预报数据，并对微尺度模式CALMET和WRF模式进行了具体参数的设计，提高了动力降尺度的精准度。
3、将粗细网格的风速预报数据进行风速档的分类、风向预报数据进行方位的分类，并通过统计分析得到粗细网格在第i个方位、第j个风速档下的逐小时的风速预报数据之间的数学统计关系，细网格的预报时长和输出时间间隔与水平分辨率粗网格的相同，实现了对低水平分辨率的粗网格的风速预报数据的进行逐小时降尺度计算，得到高水平分辨率的细网格的逐小时风速预报数据，实现了风速的逐小时预报。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据附图获得其它的附图。
图1为基于动力统计降尺度方法的格点风速降尺度的方法流程图。
具体实施方式
下面将结合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仅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付出创造性劳动的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，本申请提出的用于预报风速的降尺度方法是动力降尺度与统计降尺度相结合，即动力统计降尺度方法，该动力统计降尺度方法包括以下步骤：
(1)采用微尺度模式CALMET基于WRF，利用数值模拟的方法，将水平分辨率为9km的粗网格的风速、风向的预报数据进行动力降尺度至水平分辨率2.5km的风速、风向的预报数据，并且所述水平分辨率2.5km的细网格的预报时长和输出时间间隔与水平分辨率9km的粗网格的相同。
(2)提取预报数据：以2019年1月1日～12月31日期间的中尺度气象模式WRF全国未来3天逐小时水平分辨率9km风速风向预报数据和对应的CALMET动力降尺度水平分辨率2.5km的预报数据为样本，建立两组预报数据之间的统计关系；
(3)将水平分辨率为9km的粗网格的风向预报数据以及水平分辨率为2.5km的细网格的风向预报数据分别平均分成8个方位i，所述8个方位i的风向分别为0°、45°、90°、135°、180°、225°、270°、315°；将水平分辨率为9km的粗网格的风速预报数据以及水平分辨率为2.5km的细网格的风速预报数据分别分成10个风速档j，所述10个风速档j分别为(0，1)、[1，2)、[2，3)、[3，5)、[5，7)、[7，9)、[9，12)、[12，15)、[15，18)、[18，)；这样水平分辨率为9km的粗网格和水平分辨率为2.5km的细网格均具有80组样本数据，每组样本数据均为第i方位、第j风速档下的逐小时的风速预报数据；
(4)将水平分辨率为9km的粗网格第i方位、第j风速档下的逐小时的风速预报数据与水平分辨率为2.5km的细网格相应的第i方位、第j风速档下的逐小时的风速预报数据，分别进行统计分析，得到这每两种网格尺度下第i方位、第j风速档下的逐小时的风速预报数据之间的数学关系：
其中，i代表风向方位；j代表风速档；n为i方位、j风速档内风速数据样本个数；U为粗网格对应风速；u为细网格对应风速；k为样本组的编号；
该数学关系直接用于在中尺度气象模式WRF中将水平分辨率为9km粗网格的逐小时风速预报数据的进行统计降尺度计算，得到最终需要的水平分辨率为2.5km的细网格的逐小时风速预报数据。
所述WRF模式采用完全可压缩以及非静力模式，在WRF模式中：水平方向采用Arakawa-C网格点，水平分辨率范围为1-10km，垂直方向采用地形跟随质量坐标，时间积分采用三阶或者四阶的Runge-Kutta算法。
所述WRF模式采用ECMWF水平分辨率0.025°×0.025°的预报数据作为初始和边界条件，并且所述WRF模式基于ECMWF的预报数据每天启动两次，分别为北京时08时和20时。
所述WRF模式采用USGS水平分辨率1km的地形和下垫面植被类型数据，所述WRF模式的物理过程参数化设置为微物理过程采用Ferrier(new Eta)microphysics方案，长波辐射采用RRTM方案，短波辐射采用Dudhia方案，近地层过程采Monin-Obukhov方案，陆面过程采用Unified Noah land-surface model方案，边界层过程采用YSU方案。
采用中尺度气象模式WRF的水平分辨为9km，垂直方向为50层，水平网格点数为649×450。
所述微尺度模式CALMET是一个网格化气象风场模式，包括诊断风场模块和微气象模块。
所述诊断风场模块利用质量守恒原理对风场进行诊断，并将中尺度气象模式的预报数据输出作为在评价范围内的输入模式所需的气象背景初始风场，进行地形动力学、坡面流、地形阻塞效应的调整，得到中间过程风场，再利用地面和探空常规气象观测资料依次进行内插和外推、平滑处理、垂直速度计算、散度最小化对所述中间过程风场进行修正，得到最终风场数据。
所述微气象模块首先基于能量守恒原理，通过对地面观测数据和探空数据的连续性插补以及局部插值对流混合高度估计，对评价范围内的输入模式所需的气象背景初始风场进行优化，然后将气象背景初始风场数据利用插值的方法网格化到各网格中，形成最终风场，最后通过地表热通量参数化和动力通量参数化方案，选择边界层参数，对最终风场数据进行优化。
所述微尺度模式CALMET基于WRF输出的文件进行降尺度计算，将水平分辨率为9km的粗网格数据降尺度得到水平分辨率2.5km的细网格数据，所述细网格的水平网格点数为2001×1775，垂直层共计25层，并且在近地面200m高度下为每20m一层。表1列出了CALMET模式数值模拟的核心参数设计：
参数 数值 备注
NPSTA -1 -1代表无降水观测站，降水数据利用模式数据插值而成
IWFCOD 1 1代表选择使用诊断风场模型
IFRADJ 1 1代表使用微气象模块中Froude数调整效应
IKINE 1 1代表计算动力学效应
IOBR 0 0代表不使用O Brien过程调整垂直风
ISLOPE 1 1表示计算坡度流效应
RMIN 0.1km 该参数一般设置为WRF模式采用的USGS水平分辨率的十分之一
TERRAD 10km 该参数为经验参数一般设置为10km
CRITFN 1 经验Froude数调整一般设置在1左右
风速预报的空间分布效果分析：
通过动力统计降尺度后，风速分布更加精细刻画地形下的风速关系，由于近地面风速除了受大尺度背景风影响，主要受到局地地形的影响，因而可以认为降尺度后的分布更加接近于实际。
风速预报的误差统计分析：
利用上述的经过训练的动力统计降尺度的方法的数学模型，将2020年1月1日～2020年8月31日中尺度气象模式水平分辨率9km的风速风向预报数据带入，经过动力统计降尺度计算获取水平分辨率2.5km风速预报数据。再将中尺度气象模式水平分辨率9km的风速预报数据和水平分辨率2.5km风速预报数据分别与全国3000万多气象台站实际观测的风速数据进行比较，从而进行降尺度前后粗细网格预报数据的误差分析。
(1)按预报时次统计的误差分析
按预报时次统计，即全国所有气象台站在同一间次的预报数据和观测资料进行对比，进而所有时次平均获取整体预报效果，如表2所示。
对比参数 绝对误差(单位：m/s) 均方根误差(单位：m/s)
水平分辨率9km的风速预报数据 0.85 1.54
水平分辨率2.5km的风速预报数据 0.75 1.38
降尺度前后，绝对误差降低0.10m/s，均方根误差降低0.16m/s，其中99.8％时次的预报效果得到了提升。
(2)按气象站统计的误差分析
按气象站统计，即其中的一个气象台站所有时次的预报数据和观测资料进行对比进而所有站点平均获取整体预报效果，如表3所示。
对比参数 绝对误差(单位：m/s) 均方根误差(单位：m/s)
水平分辨率9km的风速预报数据 0.80 1.43
水平分辨率2.5km的风速预报数据 0.64 1.16
降尺度前后，绝对误差降低0.16m/s，均方根误差降低0.27m/s，其中81.4％的气象站预报效果得到了提升，35.0％的气象站均方根误差降低超过0.2m/s，10.％的气象站均方根误差降低超过0.5m/s。
综上所述，本实施例对于现有技术具有以下优点：
将动力降尺度与统计降尺度相结合的降尺度方法，对风速数值预报中格点风速预报的精细度和精准度进行优化，减少格点风速的网格距离，以及提升风速的预报精度，提高风速预报效率。
采用微尺度模式CALMET基于WRF，将粗网格的风速风向预报数据进行动力将尺度计算得到细网格的风速风向预报数据，并对微尺度模式CALMET和WRF模式进行了具体参数的设计，提高了动力降尺度的精准度。
将粗细网格的风速预报数据进行风速档的分类、风向预报数据进行方位的分类，并通过统计分析得到粗细网格在第i方位、第j风速档下的逐小时的风速预报数据之间的数学统计关系，细网格的预报时长和输出时间间隔与水平分辨率粗网格的相同，实现了对低水平分辨率的粗网格的风速预报数据的进行逐小时降尺度计算，得到高水平分辨率的细网格的逐小时风速预报数据，实现了风速的逐小时预报。
以上实施例结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于此。在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型。为了避免不必要的重复，本发明对各种可能的简单变型不再另行说明。但这些简单变型应当视为本发明所公开的内容，均属于本发明的保护范围。

Claims (9)

1.一种用于预报风速的降尺度方法，所述降尺度方法是将动力降尺度与统计降尺度相结合，即动力统计降尺度方法，其特征在于，所述动力统计降尺度方法包括以下步骤：
(1)采用微尺度模式CALMET基于WRF，利用数值模拟的方法，将水平分辨率为9km的粗网格的风速、风向的预报数据进行动力降尺度至水平分辨率为2.5km的风速、风向的预报数据，并且所述水平分辨率2.5km的细网格的预报时长和输出时间间隔与水平分辨率9km的粗网格的相同；
(2)提取预报数据：以2019年1月1日～12月31日期间的中尺度气象模式WRF全国未来3天逐小时水平分辨率9km风速风向预报数据和对应的CALMET动力降尺度水平分辨率2.5km的预报数据为样本，建立两组预报数据之间的统计关系；
(3)将水平分辨率为9km的粗网格的风向预报数据以及水平分辨率为2.5km的细网格的风向预报数据分别平均分成8个方位i，所述8个方位i的风向分别为0°、45°、90°、135°、180°、225°、270°、315°；将水平分辨率为9km的粗网格的风速预报数据以及水平分辨率为2.5km的细网格的风速预报数据分别分成10个风速档j，所述10个风速档j分别为(0，1)、[1，2)、[2，3)、[3，5)、[5，7)、[7，9)、[9，12)、[12，15)、[15，18)、[18，)；这样水平分辨率为9km的粗网格和水平分辨率为2.5km的细网格均具有80组样本数据，每组样本数据均为第i方位、第j风速档下的逐小时的风速预报数据；
(4)将水平分辨率为9km的粗网格第i方位、第j风速档下的逐小时的风速预报数据与水平分辨率为2.5km的细网格相应的第i方位、第j风速档下的逐小时的风速预报数据，分别进行统计分析，得到这两种网格尺度下第i方位、第j风速档下的逐小时的风速预报数据之间的数学关系：
，
其中，i代表风向方位；j代表风速档；n为i方位、j风速档内风速数据样本个数；U为粗网格对应风速；u为细网格对应风速；k为样本组的编号；
该数学关系直接用于在中尺度气象模式WRF中将水平分辨率为9km粗网格的逐小时风速预报数据的进行统计降尺度计算，得到最终需要的水平分辨率为2.5km的细网格的逐小时风速预报数据。
2.根据权利要求1所述的用于预报风速的降尺度方法，其特征在于，所述WRF模式采用完全可压缩以及非静力模式，在WRF模式中：水平方向采用Arakawa-C网格点，水平分辨率范围为1-10Km，垂直方向采用地形跟随质量坐标，时间积分采用三阶或者四阶的Runge-Kutta算法。
3.根据权利要求2所述的用于预报风速的降尺度方法，其特征在于，所述WRF模式采用ECMWF水平分辨率0.025°×0.025°的预报数据作为初始和边界条件，并且所述WRF模式基于ECMWF的预报数据每天启动两次，分别为北京时08时和20时。
4.根据权利要求1所述的用于预报风速的降尺度方法，其特征在于，所述WRF模式采用USGS水平分辨率1km的地形和下垫面植被类型数据，所述WRF模式的物理过程参数化设置为微物理过程采用Ferrier(new Eta)microphysics方案，长波辐射采用RRTM方案，短波辐射采用Dudhia方案，近地层过程采Monin-Obukhov方案，陆面过程采用Unified Noah land-surface model方案，边界层过程采用YSU方案。
5.根据权利要求1所述的用于预报风速的降尺度方法，其特征在于，采用中尺度气象模式WRF的水平分辨为9km，垂直方向为50层，水平网格点数为649×450。
6.根据权利要求1所述的用于预报风速的降尺度方法，其特征在于，所述微尺度模式CALMET是一个网格化气象风场模式，包括诊断风场模块和微气象模块。
7.根据权利要求6所述的用于预报风速的降尺度方法，其特征在于，所述诊断风场模块利用质量守恒原理对风场进行诊断，并将中尺度气象模式的预报数据输出作为在评价范围内的输入模式所需的气象背景初始风场，依次进行地形动力学、坡面流、地形阻塞效应的调整，得到中间过程风场，再利用地面和探空常规气象观测资料依次进行内插和外推、平滑处理、垂直速度计算、散度最小化对所述中间过程风场进行修正，得到最终风场数据。
8.根据权利要求6所述的用于预报风速的降尺度方法，其特征在于，所述微气象模块首先基于能量守恒原理，通过对地面观测数据和探空数据的连续性插补以及局部插值对流混合高度估计，对评价范围内的输入模式所需的气象背景初始风场进行优化，然后将气象背景初始风场数据利用插值的方法网格化到各网格中，形成最终风场，最后通过地表热通量参数化和动力通量参数化方案，选择边界层参数，对最终风场数据进行优化。
9.根据权利要求6所述的用于预报风速的降尺度方法，其特征在于，所述微尺度模式CALMET基于WRF输出的文件进行降尺度计算，将水平分辨率为9km的粗网格数据降尺度得到水平分辨率2.5km的细网格数据，所述细网格的水平网格点数为2001×1775，垂直层共计25层，并且在近地面200m高度下为每20m一层。
CN202110150588.9A 2021-02-04 2021-02-04 一种用于预报风速的降尺度方法 Active CN113553782B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110150588.9A CN113553782B (zh) 2021-02-04 2021-02-04 一种用于预报风速的降尺度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110150588.9A CN113553782B (zh) 2021-02-04 2021-02-04 一种用于预报风速的降尺度方法

Publications (2)

Publication Number Publication Date
CN113553782A CN113553782A (zh) 2021-10-26
CN113553782B true CN113553782B (zh) 2024-03-26

Family

ID=78130077

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110150588.9A Active CN113553782B (zh) 2021-02-04 2021-02-04 一种用于预报风速的降尺度方法

Country Status (1)

Country Link
CN (1) CN113553782B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330641A (zh) * 2021-11-09 2022-04-12 国网山东省电力公司应急管理中心 基于复杂地形的深度学习的短期风速订正模型的建立方法
CN114021858A (zh) * 2021-12-06 2022-02-08 国网浙江省电力有限公司经济技术研究院 一种输电线路的精细化风速预测方法
CN115130243B (zh) * 2022-07-01 2023-03-31 中国科学院西北生态环境资源研究院 一种考虑网格阻塞效应的中尺度风电场参数化方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254239A (zh) * 2011-06-01 2011-11-23 福建省电力有限公司 基于微地形风场分布及台风叠加效应的电网风灾预警系统
CN108983320A (zh) * 2018-04-08 2018-12-11 浙江大学 一种沿海台风极值风速的数值天气预报-人工智能耦合预测方法
CN110070223A (zh) * 2019-04-19 2019-07-30 中能电力科技开发有限公司 一种应用于新建风电场的短期功率预测方法
CN110275224A (zh) * 2019-05-24 2019-09-24 兰州大学 精细化近地层气象要素预报系统及其预报方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110298115B (zh) * 2019-07-02 2022-05-17 中国气象局上海台风研究所 一种基于简化地形气动参数的风场动力降尺度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254239A (zh) * 2011-06-01 2011-11-23 福建省电力有限公司 基于微地形风场分布及台风叠加效应的电网风灾预警系统
CN108983320A (zh) * 2018-04-08 2018-12-11 浙江大学 一种沿海台风极值风速的数值天气预报-人工智能耦合预测方法
CN110070223A (zh) * 2019-04-19 2019-07-30 中能电力科技开发有限公司 一种应用于新建风电场的短期功率预测方法
CN110275224A (zh) * 2019-05-24 2019-09-24 兰州大学 精细化近地层气象要素预报系统及其预报方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于WRF-calmet的精细化方法在大风预报上的应用研究;李俊徽;气象;全文 *

Also Published As

Publication number Publication date
CN113553782A (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
CN113553782B (zh) 一种用于预报风速的降尺度方法
CN107316095B (zh) 一种耦合多源数据的区域气象干旱等级预测方法
Stathopoulos et al. Wind power prediction based on numerical and statistical models
CN113297528B (zh) 一种基于多源大数据的no2高分辨率时空分布计算方法
CN108983320B (zh) 一种沿海台风极值风速的数值天气预报-人工智能耦合预测方法
CN105912836B (zh) 一种纯遥感数据驱动的流域水循环模拟方法
CN112905560A (zh) 一种多源时空大数据深度融合的空气污染预测方法
CN106295899B (zh) 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法
CN114462518B (zh) 考虑多要素空间依赖性的区域蒸散发变化归因分析方法
CN113919231A (zh) 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统
CN114254802B (zh) 气候变化驱动下植被覆盖时空变化的预测方法
CN112558188B (zh) 一种通过同化闪电资料改进强对流预报的方法
CN111898660A (zh) 一种基于贝叶斯模式平均融合多源数据的水文模拟方法
CN104063718A (zh) 在作物识别和面积估算中选择遥感数据和分类算法的方法
CN110909447B (zh) 一种高精度电离层区域短期预报方法
CN102346808A (zh) 一种从hj-1卫星数据反演lai的方法
CN109325540A (zh) 一种针对遥感每天降水量数据的空间降尺度方法
CN113657662A (zh) 一种基于数据融合的降尺度风电功率预测方法
CN111611541B (zh) 基于Copula函数的无资料地区降水数据推求方法及系统
CN115079307B (zh) 一种基于多模式最优集成的风电场气象预报方法和系统
CN112700068A (zh) 基于机器学习融合多源遥感数据的水库调度规则优化方法
CN115808727A (zh) 百米级阵风客观预报方法及装置
CN112541654A (zh) 一种结合区域气候、局地日变化以及多尺度相互作用特征的区域风能资源精细化评估方法
CN112100922A (zh) 一种基于wrf和cnn卷积神经网络的风资源预测方法
CN108808671A (zh) 一种风电场短期风速集合预报方法

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