CN113805252B - 基于集合预报模型的登陆热带气旋过程大风预报系统 - Google Patents
基于集合预报模型的登陆热带气旋过程大风预报系统 Download PDFInfo
- Publication number
- CN113805252B CN113805252B CN202111081592.0A CN202111081592A CN113805252B CN 113805252 B CN113805252 B CN 113805252B CN 202111081592 A CN202111081592 A CN 202111081592A CN 113805252 B CN113805252 B CN 113805252B
- Authority
- CN
- China
- Prior art keywords
- module
- gale
- forecasting
- target
- similarity
- 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
-
- 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
Abstract
本发明公开了一种基于集合预报模型的登陆热带气旋过程大风预报系统,其中,包括:广义初值构建模块构建对预报量有影响的若干变量的广义初值,并发送给初值相似性判别模块;初值相似性判别模块判别广义初值所包含的各个单变量的相似性,确定n个最佳相似TC并发送给大风集合预报模块;大风集合预报模块获取该n个最佳相似TC,形成n个TC过程大风风场,将n个TC过程大风风场进行集合,得到目标TC的过程大风信息;最佳预报方案选择模块利用目标TC的过程大风信息,计算在选定的大风风速等级阈值中的预报准确率TS评分,根据该预报准确率TS评分,得到目标TC过程大风的最佳预报方案模型。本发明具有对登陆TC过程大风的良好预报性能。
Description
技术领域
本发明涉及一种气象预报技术,特别涉及基于集合预报模型的登陆热带气旋过程大风预报系统。
背景技术
目前的登陆热带气旋过程大风的预报,一般采用的是数值天气预报(NWP)模式,根据大气实际情况,在一定的初值和边值条件下,通过大型计算机作数值计算,求解描写天气演变过程的流体力学和热力学的方程组,预测未来一定时段的大气运动状态和天气现象的方法,数值天气预报与经典的以天气学方法作天气预报不同,是一种定量的和客观的预报,正因为如此,数值天气预报首先要求建立一个较好的反映预报时段的(短期的、中期的)数值预报模式和误差较小、计算稳定并相对运算较快的计算方法。其次,由于数值天气预报要利用各种手段(常规的观测,雷达观测,船舶观测,卫星观测等)获取气象资料,因此,必须恰当地作气象资料的调整、处理和客观分析。第三,由于数值天气预报的计算数据非常之多,很难用手工或小型计算机去完成,因此,必须要有大型的计算机。但数值天气预报(NWP)模式的预报能力仍然非常有限,经实践证明,难以解决预报登陆TC的过程大风准确度的问题。
发明内容
本发明的目的在于提供一种基于集合预报模型的登陆热带气旋过程大风预报系统,用于解决预报登陆TC的过程大风准确度的问题。
本发明一种基于集合预报模型的登陆热带气旋过程大风预报系统,其中,包括:广义初值构建模块、初值相似性判别模块、大风集合预报模块以及最佳预报方案选择模块;广义初值构建模块构建对预报量有影响的若干变量的广义初值,并发送给初值相似性判别模块;初值相似性判别模块判别广义初值所包含的各个单变量的相似性,确定n个最佳相似TC并发送给大风集合预报模块;大风集合预报模块获取该n个最佳相似TC,形成n个TC过程大风风场,将n个TC过程大风风场进行集合,得到目标TC的过程大风信息;最佳预报方案选择模块利用目标TC的过程大风信息,计算在选定的大风风速等级阈值中的预报准确率TS评分,根据该预报准确率TS评分,得到目标TC过程大风的最佳预报方案模型。
根据本发明所述的系统的一实施例,其中,广义初值包括历史TC和目标TC,历史TC包括历史TC路径以及历史TC的移速,目标TC包括目标TC路径以及目标TC的移速。
根据本发明所述的系统的一实施例,其中,初值相似性判别模块包括单变量相似性判别模块、初值整体相似性判别模块和最佳相似初值确定模块;单变量相似性判别模块判别广义初值所包含的各个单变量的相似性,包括:接收广义初值构建模块产生的目标TC路径和历史TC路径,在相似区域内将目标TC路径与历史TC路径进行路径相似面积指数的计算,并将路径相似面积指数的计算结果发送给初值整体相似性判别模块;以及接收广义初值构建模块中获取的目标TC与历史TC的移速,在设定的移速内比对目标TC与历史TC的移速并标记在移速阈值内的历史TC,并将被标记的历史TC编号发送给初值整体相似性判别模块;初值整体相似性判别模块根据将路径相似面积指数和历史TC编号进行排序;最佳相似确定模块根据排序结果确定n个最佳相似TC。
根据本发明所述的系统的一实施例,其中,该相似区域为一矩形框,该矩形框的对角点依据目标TC起报点和路径预报最大时效点确定。
根据本发明所述的系统的一实施例,其中,目标TC的移速以目标TC起报点的移速来表示,历史TC的移速为TC大风过程的平均移速、TC大风过程的最大移速、TC大风过程的最小移速、陆面出现TC大风影响当天的平均移速、陆面出现TC大风影响当天的最大移速或陆面出现TC大风影响当天的最小移速。
根据本发明所述的系统的一实施例,其中,初值整体相似性判别模块接收TC路径相似判别模块中产生的目标TC与各历史TC的路径相似面积指数和移速相似判别模块中产生的被标记的历史TC编号,依据路径相似面积指数从小到大排列得到被标记的历史TC的排序。
根据本发明所述的系统的一实施例,其中,最佳相似确定模块接收初值整体相似性判别模块中产生的历史TC的排序,将前n个TC确定为最佳相似TC,并将最佳相似TC的TC编号发送给大风集合预报模块。
根据本发明所述的系统的一实施例,其中,大风集合预报模块包括TC大风风场提取模块和风场集合模块;TC大风风场提取模块根据该n个最佳相似TC的编号获取相对应的原始过程大风信息,运用客观天气图分析法进行原始过程大风信息分离,从而得到该n个最佳相似TC的过程大风风场并发给风场集合模块;风场集合模块将TC大风风场提取模块中产生的n个过程大风风场进行集合,集合所得的大风风场为目标TC的过程大风信息。
根据本发明所述的系统的一实施例,其中,从目标TC过程大风的方案模型M=m1×m2×...×mk中挑选预报效果TS评分最高者,作为目标TC过程大风的最佳预报方案模型,其中,分别m1、m2、...、mk为k个参数相似性取值的种类数。
根据本发明所述的系统的一实施例,其中,当最佳预报方案模型确立后,用于进行预报的参数取值等于最佳预报方案模型最佳方案的参数取值。
本发明的基于动力-统计-相似集合预报模型的登陆热带气旋过程大风预报系统,经过广义初值构建、初值相似性判别、大风集合预报、最佳预报方案选择之过程,具有对登陆TC过程大风的良好预报性能。
附图说明
图1所示为本发明的基于集合预报模型的登陆热带气旋过程大风预报系统之模块图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述,所举实例仅用于解释本发明,并非用于限定本发明的范围。
申请人发现假如真实大气完全满足的准确模式存在并可用于预报,则能显著提高登陆的热带气旋(TC)过程大风预报准确率。准确模式的解(初值ψ0的预报量)即为起报时刻之后的实际观测,虽然其无法通过向前积分直接得到,但由于历史观测中包含大量类似的初值及其相应的预报量(即准确模式的特解),如果从历史观测资料中识别得到与初值ψ0最相似的若干个历史初值并获得其相应预报量之观测,再把初值ψ0与相似历史初值间的误差视为初值扰动,原来的预报问题则可变为集合预报问题,登陆热带气旋过程大风预报系统所基于的动力-统计-相似集合预报模型即是利用准确模式来实现预报。
图1所示为本发明的基于动力-统计-相似集合预报模型的登陆热带气旋过程大风预报系统的模块图,如图1所示,本发明基于动力-统计-相似集合预报模型的登陆热带气旋过程大风预报系统(DSAEF_LTG,Dynamical-Statistical-Analog Ensemble Forecast forLandfalling Tropical cyclone Gales)的一实施例,其中,包括:广义初值构建模块1、初值相似性判别模块2、大风集合预报模块3以及最佳预报方案选择模块4;广义初值构建模块1用于构建对预报量(目标TC过程大风)有影响的若干变量(或物理因子,以下统称变量,本实施例具体为TC路径和TC移速)的初值;初值相似性判别模块2用于判别广义初值所包含的多个单变量的相似性,进而判别初值的整体相似性,最终选择n个最佳相似初值(最佳相似TC)发给大风集合预报模块3;大风集合预报模块3用于获取n个最佳相似TC的相应预报量(历史TC过程大风风场),并选择合适的集合方案将其集合,从而得到目标TC的过程大风信息;最佳预报方案选择模块4,用于接收大风集合预报模块3产生的目标TC的过程大风信息,根据目标TC的过程大风信息计算其在选定的大风等级阈值中的预报准确率TS评分,以得到最佳预报方案的参数取值组合。
广义初值构建模块1中构建的初值为广义初值,即可描述变量的初始时刻状态,也可包含一定时间的演变过程,该模块所构建之初值应尽可能地包含所有认识到的对预报量有影响的变量。具体为,预报量为目标TC的过程大风,构建的广义初值含有TC路径和TC移速,广义初值构建模块1包括目标TC路径获取模块11和TC移速信息获取模块12;目标TC路径获取模块11,用于获取目标TC起报时刻之前的观测路径和TC起报时刻之后的预报路径,并将两者结合成为目标TC完整路径(即为目标TC路径);TC移速信息获取模块12,用于获取目标TC和历史TC的移速信息以及历史TC观测路径(即为历史TC路径)。
初值相似性判别模块2包括单变量相似性判别模块21、初值整体相似性判别模块22和最佳相似初值确定模块23;单变量相似性判别模块21用于判别广义初值所包含的各个单变量的相似性,在判别各单变量的相似性时,对不同变量需要建立与之对应的相似性识别方法,所用历史资料的时间和空间的跨度和精度应尽可能地高;初值整体相似性判别模块22用于接收单变量相似性判别模块中产生的多个单变量的相似信息,并根据初值的各个单变量的相似程度判别初值的整体相似程度;最佳相似确定模块23根据初值的整体相似程度确定n个最佳相似初值,并将其发给大风集合预报模块3。具体为:单变量相似性判别模块21包括TC路径相似判别模块211和TC移速相似判别模块212,TC路径相似判别模块211用于在相似区域(矩形框,其对角线两个端点可分别取目标TC起报点和路径预报最大时效点,该最大时效点指最大可以预报的时间对应的图或区域上台风中心的位置点,其选取取决于具体预报之需求)内将目标TC路径与所有历史TC路径依次进行TSAI指数的计算,移速相似判别模块用于将目标TC与历史TC的移速逐个比对、标记符合所有移速相似条件的历史TC;初值整体相似性判别模块212用于接收目标TC与各历史TC的TSAI值和被标记的历史TC编号,然后依据TSAI值从小到大排列得到被标记的历史TC的排序,即为历史TC之最终排序;最佳相似确定模块23用于接收历史TC的最终排序,将前n个TC确定为最佳相似TC,并将最佳相似TC之编号发送给大风集合预报模块3。
大风集合预报模块3包括TC大风风场提取模块31和风场集合模块32;TC大风风场提取模块31用于获取初值相似性判别模块2中最佳相似初值的TC大风风场,并发给风场集合模块32;风场集合模块32用于集合n个最佳相似初值所对应的TC大风风场,从而实现预报,其中风场集合方案据实际情况选择。具体为:TC大风风场提取模块31中,采用客观天气图分析法对这n个最佳相似TC进行过程大风分离,得到它们的历史TC过程大风风场;风场集合模块32中,将TC大风风场提取模块中所得之n个过程大风风场采用合适集合方案进行集合,从而得到目标TC的过程大风信息。
最佳预报方案选择模块4用于接收大风集合预报模块3产生的目标TC过程大风信息,根据目标TC的过程大风信息计算其在选定的大风等级阈值中的预报准确率TS评分,以得到最佳预报方案。具体为:从众多方案M=m1×m2×...×mk中挑选预报准确率TS评分最高者,作为TC过程大风预报的最佳预报方案;其中m1、m2、...、mk分别为k个参数相似性取值的种类数。
如图1所示,对于本发明基于动力-统计-相似集合预报模型的登陆热带气旋过程大风预报系统的另一具体实施例,本发明预报登陆热带气旋过程大风的系统包括:广义初值构建模块1、初值相似性判别模块2、大风集合预报模块3、最佳预报方案选择模块4。
如图1所示的广义初值构建模块1,其用于构建对预报量有影响的若干变量(包括TC自身因子以及环境场变量,以下统称变量)的广义初值,并发送给初值相似性判别模块2,其中广义初值即可描述变量的初始时刻状态,也可包含一定时间的演变过程。具体为,预报量为目标TC的过程大风,构建的广义初值中引入TC路径和TC移速两个变量。TC信息获取模块通过目标TC路径获取模块11和TC移速获取模块12,获取TC信息。目标TC路径获取模块11,其用于获取目标TC起报时刻之前的观测路径和由数值天气预报模式提供的TC起报时刻之后的预报路径,即现有的目标TC的实况路径的终点即为模型需要获取预报路径的起报点,并以目标TC的起报时刻为连接点将两部分路径结合起来为目标TC完整路径,即为目标TC路径,之后发送给初值相似性判别模块2;TC移速信息获取模块12,用于获取目标TC和历史TC的移速信息以及历史TC路径,然后发送给初值相似性判别模块2。
如图1所示的初值相似性判别模块2,其用于判别广义初值所包含的多个单变量的相似性,进而判别初值的整体相似性,最终选择个n最佳相似初值发给大风集合预报模块。进一步,初值相似性判别模块2包括单变量相似性判别模块21、初值整体相似性判别模块22和最佳相似初值确定模块23。
如图1所示,单变量相似性判别模块21,其用于判别广义初值所包含的各个单变量的相似性。进一步,单变量相似性判别模块21包括TC路径相似判别模块211和TC移速相似判别模块212;在TC路径相似判别模块211中,首先接收广义初值构建模块1中产生的目标TC路径和历史TC路径,然后确定一个包含TC预报路径在内的矩形框作为相似区域,之后将目标TC路径与历史TC路径依次进行路径相似面积指数(TSAI)的计算,即在相似区域范围内计算目标TC路径与某一历史TC路径所围成的面积,该面积即为目标TC与该历史TC的TSAI值,并将TSAI值发送给初值整体相似性判别模块22;在移速相似判别模块212中,首先接收广义初值构建模块1中获取的目标TC与历史TC的移速信息,然后比对目标TC与历史TC的移速,其中目标TC移速可用目标TC起报点的移速表示,而历史TC移速可用该历史TC的TC大风过程中的最大移速表示,其中过程中的最大移速仅为示例,也可为TC大风过程的平均移速、TC大风过程的最小移速、陆面出现TC大风影响当天的平均移速、陆面出现TC大风影响当天的最大移速或陆面出现TC大风影响当天的最小移速),根据两者之间速率的差异程度可识别为一下五种相似性(同移速等级、最大差一个级别、同级别及以上、同级别及以下和所有级别)之一的历史TC,并将被标记的历史TC编号(历史TC编号是指TC自身的编号,如2018年的22号台风山竹,其编号为201822)发送给初值整体相似性判别模块22;
如图1所示的初值整体相似性判别模块22,其用于根据初值的各个单变量的相似程度判别初值场的整体相似程度。具体为,初值整体相似性判别模块22首先接收TC路径相似计算模块211中产生的目标TC与各历史TC之TSAI值和TC移速相似判别模块212中产生的被标记的历史TC编号,然后依据被标记的历史TC的TSAI值从小到大排列得到被标记的历史TC的排序,即为历史TC之最终排序;
如图1所示的最佳相似确定模块23,其用于根据初值的整体相似程度确定个n最佳相似初值。具体为,最佳相似确定模块23首先接收初值整体相似性判别模块22中产生的历史TC之最终排序,然后将前10个TC(前10个TC之设置仅为示例)确定为最佳相似TC,并将它们的TC编号发送给大风集合预报模块3。
如图1所示的大风集合预报模块3,其用于获取最佳相似初值的相应预报量并采用合适集合方案将之集合。进一步,大风集合预报模块3包括TC大风风场提取模块31和风场集合模块32;具体为,TC大风风场提取模块31用于获取10个最佳相似TC的过程大风信息,其中首先根据这10个TC的编号获取它们相对应的原始过程大风信息(即台风影响过程中逐日站点大风风速分布),其中根据TC编号获取原始大风信息具体为根据该TC的TC编号(如2018年23号台风山竹的编号为TC1823)获取在该TC影响期内的大风风场,并通过OSAT方法从大风风场中识别并分离出由该TC引起的TC大风风场。然后针对台风影响过程中逐日台风中心位置,将500公里内的大风识别为台风大风,在此基础上,判别出台风影响过程中基于站点的台风最大风速,从而得到TC过程大风,从而得到10个TC过程大风风场并发给风场集合模块32;风场集合模块32用于将TC大风风场提取模块31中产生的10个过程大风风场进行集合,集合方案为每站取TC过程大风最大值(每站取TC过程大风最大值之设置仅为示例,也可设置为每站取TC过程大风平均值等合理方案),集合所得之大风风场即为目标TC的过程大风信息。
如图1所示的最佳预报方案选择模块4,用于接受大风集合预报模块3生成的目标TC过程大风信息,根据目标TC的过程大风信息计算出预报准确率TS评分,利用TS评分筛选出最佳预报方案参数组合用于今后的目标TC过程大风确定性预报。具体操作为当模型每个特征参数确定其取值后,模型所有特征参数的取值组合起来便为一个预报方案,模型各特征参数的不同取值的组合可以组合成若干个预报方案,如模型M=m1×m2×...×m7(7为参数相似性取值的种类数,包括起报时刻、TC路径面积相似指数(TSAI)中的3个参数(相似区域、纬度极值点分割度临界值和重叠度临界值)、TC移速相似、最佳相似TC个数和大风集合预报方案,以上设置仅为示例)即表示模型在这种参数组合下共可取M个预报方案;然后模型以预报准确率TS评分为标准评价这M个预报方案的预报效果,并从中挑选评分最高者,作为TC过程大风预报的最佳预报方案。TS评分是基于站点的预报风速与实况风速是否为同一风力等级来进行计算的。具体来说,预报准确率TS评分计算公式如下:TS=TS10+TS7(其中TS10、TS7分别代表≥10级和≥7级风强度的评分),TS10、TS7均可通过如下公式进行计算:式中NA为预报正确站(次)数;NB为空报站(次)数;NC为漏报站(次)数。
本发明基于动力-统计-相似集合预报模型的登陆热带气旋过程大风预报系统(DSAEF_LTG,Dynamical-Statistical-Analog Ensemble Forecast for LandfallingTropical cyclone Gales)(本发明中所指的热带气旋大风定义为由热带气旋引起的地面风速≥10.8m/s的风),本系统是动力统计相似集合预报模型(DSAEF模型)对登陆TC过程大风预报的应用技术的一代版本(DSAEF_LTG 1.0)。DSAEF_LTG 1.0模型包含广义初值构建模块、初值相似性判别模块、大风集合预报模块以及最佳预报方案选择模块。其中,广义初值构建模块用于构建对预报量(目标TC过程大风)有影响的若干变量[TC路径、TC移速]的初值;初值相似性判别模块用于判别广义初值所包含的多个单变量的相似性,进而判别初值的整体相似性,最终选择n个最佳相似初值(最佳相似TC);大风集合预报模块用于获取n个最佳相似TC的相应预报量(历史TC过程大风风场),并选择合适的集合方案将其集合,得到目标TC的过程大风信息(本文提及的大风信息以及大风风场为同一概念,即出现受大风影响的站点风场分布,包括风速以及风向角);最佳预报方案选择模块用于接收目标TC的过程大风信息,计算其在选定的大风等级阈值中的预报准确率TS评分,最后得出最佳预报方案参数取值组合。
本发明的基于动力-统计-相似集合预报模型的登陆热带气旋过程大风预报系统,经过广义初值构建、初值相似性判别、大风集合预报以及最佳预报方案选择之过程,具有对登陆TC过程大风的良好预报性能。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本其它的保护范围。
Claims (7)
1.一种基于集合预报模型的登陆热带气旋过程大风预报系统,其特征在于,包括:广义初值构建模块、初值相似性判别模块、大风集合预报模块以及最佳预报方案选择模块;
广义初值构建模块构建对预报量有影响的若干变量的广义初值,并发送给初值相似性判别模块;
初值相似性判别模块判别广义初值所包含的各个单变量的相似性,确定n个最佳相似TC并发送给大风集合预报模块;
大风集合预报模块获取该n个最佳相似TC,形成n个TC过程大风风场,将n个TC过程大风风场进行集合,得到目标TC的过程大风信息;
最佳预报方案选择模块利用目标TC的过程大风信息,计算在选定的大风风速等级阈值中的预报准确率TS评分,根据该预报准确率TS评分,得到目标TC过程大风的最佳预报方案模型;
广义初值包括历史TC和目标TC,历史TC包括历史TC路径以及历史TC的移速,目标TC包括目标TC路径以及目标TC的移速;
目标TC的移速以目标TC起报点的移速来表示,历史TC的移速为TC大风过程的平均移速、TC大风过程的最大移速、TC大风过程的最小移速、陆面出现TC大风影响当天的平均移速、陆面出现TC大风影响当天的最大移速或陆面出现TC大风影响当天的最小移速;
初值相似性判别模块包括单变量相似性判别模块、初值整体相似性判别模块和最佳相似初值确定模块;
单变量相似性判别模块包括TC路径相似判别模块和TC移速相似判别模块;在TC路径相似判别模块中,首先接收广义初值构建模块中产生的目标TC路径和历史TC路径,然后确定一个包含TC预报路径在内的相似区域,之后将目标TC路径与历史TC路径依次进行路径相似面积指数的计算,该面积即为目标TC与该历史TC的TSAI值,并将TSAI值发送给初值整体相似性判别模块;
在移速相似判别模块中,首先接收广义初值构建模块中获取的目标TC与历史TC的移速信息,然后比对目标TC与历史TC的移速,根据两者之间速率的差异程度可识别为同移速等级、大于同级别或小于同级别的历史TC,并将被标记的历史TC编号发送给初值整体相似性判别模块;
初值整体相似性判别模块将路径相似面积指数和历史TC编号进行排序;
最佳相似初值确定模块根据排序结果确定n个最佳相似TC;
TS评分是基于站点的预报风速与实况风速是否为同一风力等级来进行计算。
2.如权利要求1所述的系统,其特征在于,该相似区域为一矩形框,该矩形框的对角点依据目标TC起报点和路径预报最大时效点确定。
3.如权利要求1所述的系统,其特征在于,初值整体相似性判别模块接收TC路径相似判别模块中产生的目标TC与各历史TC的路径相似面积指数和移速相似判别模块中产生的被标记的历史TC编号,依据路径相似面积指数从小到大排列得到被标记的历史TC的排序。
4.如权利要求1所述的系统,其特征在于,最佳相似确定模块接收初值整体相似性判别模块中产生的历史TC的排序,将前n个TC确定为最佳相似TC,并将最佳相似TC的TC编号发送给大风集合预报模块。
5.如权利要求1所述的系统,其特征在于,大风集合预报模块包括TC大风风场提取模块和风场集合模块;
TC大风风场提取模块根据该n个最佳相似TC的编号获取相对应的原始过程大风信息,运用客观天气图分析法进行原始过程大风信息分离,从而得到该n个最佳相似TC的过程大风风场并发给风场集合模块;风场集合模块将TC大风风场提取模块中产生的n个过程大风风场进行集合,集合所得的大风风场为目标TC的过程大风信息。
6.如权利要求1所述的系统,其特征在于,从目标TC过程大风的方案模型M=m1×m2×...×mk中挑选预报效果TS评分最高者,作为目标TC过程大风的最佳预报方案模型,其中,分别m1、m2、...、mk为k个参数相似性取值的种类数。
7.如权利要求1所述的系统,其特征在于,当最佳预报方案模型确立后,用于进行预报的参数取值等于最佳预报方案模型最佳方案的参数取值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111081592.0A CN113805252B (zh) | 2021-09-15 | 2021-09-15 | 基于集合预报模型的登陆热带气旋过程大风预报系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111081592.0A CN113805252B (zh) | 2021-09-15 | 2021-09-15 | 基于集合预报模型的登陆热带气旋过程大风预报系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113805252A CN113805252A (zh) | 2021-12-17 |
CN113805252B true CN113805252B (zh) | 2023-03-31 |
Family
ID=78895399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111081592.0A Active CN113805252B (zh) | 2021-09-15 | 2021-09-15 | 基于集合预报模型的登陆热带气旋过程大风预报系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113805252B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114942481B (zh) * | 2022-06-08 | 2023-07-18 | 中国气象局上海台风研究所(上海市气象科学研究所) | 热带气旋过程极值风速概率预报方法、装置和计算机设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930072A (zh) * | 2010-07-28 | 2010-12-29 | 重庆大学 | 基于多特征融合的红外弱小运动目标航迹起始方法 |
US8160995B1 (en) * | 2008-04-18 | 2012-04-17 | Wsi, Corporation | Tropical cyclone prediction system and method |
US8224768B1 (en) * | 2008-04-18 | 2012-07-17 | Wsi, Corporation | Tropical cyclone prediction system and method |
CN104570161A (zh) * | 2015-01-21 | 2015-04-29 | 中国南方电网有限责任公司 | 基于ec/jma全球格点预报资料的台风自动化预报方法 |
CN105425320A (zh) * | 2015-11-10 | 2016-03-23 | 中国科学院深圳先进技术研究院 | 热带气旋引发沿海地区大风的概率预报方法和系统 |
CN107942407A (zh) * | 2017-11-14 | 2018-04-20 | 中国气象科学研究院 | 一种判别热带气旋路径相似的系统 |
CN111880245A (zh) * | 2020-08-03 | 2020-11-03 | 中国气象科学研究院 | 登陆热带气旋过程降水预报系统 |
WO2021021852A1 (en) * | 2019-08-01 | 2021-02-04 | The Trustees Of Princeton University | System and method for environment-dependent probabilistic tropical cyclone modeling |
CN112528095A (zh) * | 2020-12-09 | 2021-03-19 | 大连海事大学 | 一种台风生成中期展望预警信息快速查询系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69502693T2 (de) * | 1995-03-31 | 1998-09-24 | Sgs Thomson Microelectronics | Steuerungsverfahren für einen elektrischen, bürstenlosen Gleichstrommotor |
US7734245B2 (en) * | 2006-01-13 | 2010-06-08 | Sai Ravela | Statistical-deterministic approach to natural disaster prediction |
US10303942B2 (en) * | 2017-02-16 | 2019-05-28 | Siemens Aktiengesellschaft | Short term cloud forecast, improved cloud recognition and prediction and uncertainty index estimation |
US20180292573A1 (en) * | 2017-04-05 | 2018-10-11 | Weather Analytics Llc | Corrective Ensemble Forecasting System for Tropical Cyclones |
CN109343154A (zh) * | 2018-09-12 | 2019-02-15 | 中国气象科学研究院 | 登陆热带气旋过程降水预报系统 |
CN111257970B (zh) * | 2018-11-30 | 2023-11-03 | 中国电力科学研究院有限公司 | 一种基于集合预报的降水预报订正方法及系统 |
CN113711156A (zh) * | 2018-12-10 | 2021-11-26 | 精准天气预报股份有限公司 | 预测热带气旋的影响 |
CN111325392B (zh) * | 2020-02-18 | 2023-09-29 | 中国气象科学研究院 | 登陆热带气旋过程降水预报系统 |
CN111766642B (zh) * | 2020-06-16 | 2021-07-23 | 中国气象科学研究院 | 登陆热带气旋日降水预报系统 |
-
2021
- 2021-09-15 CN CN202111081592.0A patent/CN113805252B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8160995B1 (en) * | 2008-04-18 | 2012-04-17 | Wsi, Corporation | Tropical cyclone prediction system and method |
US8224768B1 (en) * | 2008-04-18 | 2012-07-17 | Wsi, Corporation | Tropical cyclone prediction system and method |
CN101930072A (zh) * | 2010-07-28 | 2010-12-29 | 重庆大学 | 基于多特征融合的红外弱小运动目标航迹起始方法 |
CN104570161A (zh) * | 2015-01-21 | 2015-04-29 | 中国南方电网有限责任公司 | 基于ec/jma全球格点预报资料的台风自动化预报方法 |
CN105425320A (zh) * | 2015-11-10 | 2016-03-23 | 中国科学院深圳先进技术研究院 | 热带气旋引发沿海地区大风的概率预报方法和系统 |
CN107942407A (zh) * | 2017-11-14 | 2018-04-20 | 中国气象科学研究院 | 一种判别热带气旋路径相似的系统 |
WO2021021852A1 (en) * | 2019-08-01 | 2021-02-04 | The Trustees Of Princeton University | System and method for environment-dependent probabilistic tropical cyclone modeling |
CN111880245A (zh) * | 2020-08-03 | 2020-11-03 | 中国气象科学研究院 | 登陆热带气旋过程降水预报系统 |
CN112528095A (zh) * | 2020-12-09 | 2021-03-19 | 大连海事大学 | 一种台风生成中期展望预警信息快速查询系统 |
Non-Patent Citations (3)
Title |
---|
LTP_DSEF模型对2018年登陆中国热带气旋强降水预报的应用;贾作等;《中国科学:地球科学》;20191104(第05期);全文 * |
热带气旋登陆后路径的客观预测方案;钟元等;《浙江大学学报(理学版)》;20070915(第05期);全文 * |
登陆热带气旋降水预报研究回顾与展望;任福民等;《海洋气象学报》;20171215(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113805252A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114972843B (zh) | 一种基于大数据的农业病虫害诊断与预警系统 | |
CN111880245B (zh) | 登陆热带气旋过程降水预报系统 | |
CN110728411A (zh) | 一种基于卷积神经网络的高低空区域联合降雨预测方法 | |
CN109273096A (zh) | 一种基于机器学习的药品风险分级评估方法 | |
CN109343154A (zh) | 登陆热带气旋过程降水预报系统 | |
CN111325392A (zh) | 登陆热带气旋过程降水预报系统 | |
CN113805252B (zh) | 基于集合预报模型的登陆热带气旋过程大风预报系统 | |
CN111667017B (zh) | 一种联合收割机喂入量预测系统及其预测方法 | |
CN112114384B (zh) | 一种输电线覆冰发生概率预报方法 | |
CN114067214B (zh) | 一种基于多模型融合卷积网络的暴雨识别方法和装置 | |
CN112288597A (zh) | 一种基于层次聚类和直方图算法的能耗在线异常检测方法 | |
CN111766642B (zh) | 登陆热带气旋日降水预报系统 | |
CN110930541B (zh) | 一种利用gps信息实现对农机工况状态分析的方法 | |
Alburshaid et al. | Palm trees detection using the integration between gis and deep learning | |
CN110309809A (zh) | 基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法 | |
CN117235632A (zh) | 一种大型蒸发传感器水位异常数据检测方法 | |
CN104200231A (zh) | 一种高效的交通状态标注方法 | |
CN116702588A (zh) | 一种基于多源数据的风电场关键气象因子预报方法及系统 | |
CN115309948A (zh) | 一种基于运动轨迹自动识别的渔船作业方法 | |
CN114819451A (zh) | 一种适用于输电线路多类型移动终端巡检方式寻优的方法及系统 | |
CN113936166A (zh) | 一种基于多普勒天气雷达数据的冰雹回波识别方法及系统 | |
CN116011745B (zh) | 一种基于云服务的生态修复方案优化方法及系统 | |
CN114545526A (zh) | 登陆台风灾害的动力统计相似集合预评估系统 | |
CN117079130B (zh) | 一种基于红树林生境的智能信息管理方法及系统 | |
CN115291198B (zh) | 一种雷达信号发射及信号处理方法 |
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 |