CN113933915B - 一种基于时空扰动信息交互集成嵌套的短临外推预报方法 - Google Patents
一种基于时空扰动信息交互集成嵌套的短临外推预报方法 Download PDFInfo
- Publication number
- CN113933915B CN113933915B CN202111195084.5A CN202111195084A CN113933915B CN 113933915 B CN113933915 B CN 113933915B CN 202111195084 A CN202111195084 A CN 202111195084A CN 113933915 B CN113933915 B CN 113933915B
- Authority
- CN
- China
- Prior art keywords
- field
- time
- disturbance
- information
- precipitation
- 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
- G01W1/14—Rainfall or precipitation gauges
-
- 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
-
- 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
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Hydrology & Water Resources (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于时空扰动信息交互集成嵌套的短临外推预报方法,对输入的雷达回波数据或者降水场数据进行空间场的傅里叶滤波分解,生成相关的降水级联分解信息作为空间扰动场信息,同时构建时间尺度的自回归扰动场,通过时空级联重构实现交互,引入对降水生成、消退的随机气象信息,实现对回波的集合外推,输出概率降水概率场信息。
Description
技术领域
本发明属于气象短临外推预报技术领域,尤其涉及一种基于时空扰动信息交互集成嵌套的短临外推预报方法。
背景技术
短临预报包含大气从目前到未来6h内预报的天气状态,包括灾害天气的发生、发展、演变和消亡等。其中0~2h内的强对流天气系统因为空间尺度小、具有较强的突发性和较强的破坏力而受到更多的关注。
一般来说,天气预报的方法包含数值模式预报和外推法预报。数值模式预报因为受到初始化过程的影响,在0~2小时内的预报结果不是很准确,但在长期的预报过程中呈现较大的优势。天气系统的外推预报法是将天气系统过去的演变趋势外延以推测未来的状况的方法,在短临预报中是一种常用的方法。
目前外推预报的智能化程度、准确率与城市发展和生态文明建设需求仍有差距。目前的外推预报技术主要是通过传统的方法光流法进行雷达回波外推并通过Z-R关系进行降水预报,拉格朗日外推降水模型误差的来源:降水过程的发生,生长,消退以及结束与假设的稳态过程不符合,它实际具有随机性,没有考虑降水场本身受到时间空间的扰动信息影响具有随机性,对对流演变的情况考虑较为单一,单一成员的外推预报准确率相对较低,不能提供概率外推预报的产品,外推预报水平有待提高。
现有技术中使用传统的外推预报方法,没有考虑气象对流过程中的扰动信息等要素影响,无法考虑雷达回波以及降水的生成、增长和消退过程的不稳定性,只能提供单一的对流预报结果的问题。
发明内容
发明目的:为解决背景技术中存在的技术问题,本发明提出一种基于时空扰动信息交互集成嵌套的短临外推预报方法,对输入的雷达回波数据或者降水场数据进行空间场的傅里叶滤波分解,生成相关的降水级联分解信息作为空间扰动场信息,同时构建时间尺度的自回归扰动场,通过时空级联重构实现交互,引入对降水生成、消退的随机气象信息,实现对回波的集合外推,输出概率降水概率场信息。
本发明为实现上述目的采用的技术方案是:
一种基于时空扰动信息交互集成嵌套的短临外推预报方法,包括:
步骤1,根据一段时间(一般为连续半个小时)的雷达反射率场或者降水场进行动力场计算,通过时间插值和权重融合提升动力风场的准确性。
步骤2,根据雷达反射率计算降水场,利用傅里叶分解方法构建降水场空间相关性级联分解,得到降水的分级降水扰动信息场。
步骤3,根据两个以上时次的降水场信息,构建降水自回归模型,从而引入降水的时间扰动信息场;
步骤4,将降水的时间扰动信息场和空间扰动信息场进行级联重构,输出多个综合扰动分析场成员。在原始降水场或回波场中加入不同的扰动成员场,进行逐个外推预报,构成两个以上成员的集合扰动外推场;
步骤5,根据集合扰动外推场,计算集合平均分析场以及集合概率外推预报场。
在步骤1中,获取输入的雷达回波时序信息,或者降水时序信息,利用Lucas-Kanade(LK),Variational echo tracking(VET),Dynamic and adaptive radar trackingof storms(DARTS),Anisotropic diffusion method(Proesmans)四种传统方法计算动力场,根据权重比例(可以自动调整,例如:LK动力场权重0.4,VET动力场的权重0.3,DARTS动力场的权重0.2,Proesmans动力场的权重0,1,输出0.4*LK+*VET+DARTS*0.2+Proesmans*0.1)输出集合动力场,通过线性插值方法在输入的时间序列上对集合动力场进行插值,得到整个时间序列上不同时刻的雷达回波预报场,为后续的降水场计算提供基础;
将时间划分为不同的i小段,插值公式为:Pos=(y+(T-i)/T*V[1],x+(T-i)/T*V[0]),其中V为风场信息,T为时间信息,y和x代表原始的直角坐标系坐标位置。Pos代表动力信息变化。
在步骤2中,根据输入的雷达回波信息或降水场信息,构建降水场的级联分解,具体的方法是通过傅里叶滤波器进行分解。
通过傅里叶变换,获取到降水场的能量谱信息,基于能量谱信息,构建高斯滤波器,其中a、b与c为实数常数,且a>0。c=2的高斯函数是傅立叶变换的特征函数。这就意味着高斯函数的傅立叶变换不仅仅是另一个高斯函数,而且是进行傅立叶变换的函数的标量倍。
进行高斯分解,输出与原始场相关性较强(相关性高于0.6)的级联谱分级权重,根据权重信息输出分级降水扰动信息场。
在步骤3中,根据多个时次的降水场,构建降水的自回归模型。自回归模型(Autoregressive model,简称AR模型),是统计上一种处理时间序列的方法,用同一变数例如x的之前各期,亦即X1至Xt-1来预测本期Xt的表现,并设定它们为一线性关系。因为这是从回归分析中的线性回归发展而来,只是不用X预测y,而是用X预测X(自己);所以叫做自回归。降水自回归模型定义如下:
其中,d是常数项;εt是设定为平均数等于0,标准差等于σ的随机误差值;σ被设定为对于任何的时刻t都不变;Xt为t时刻的降水,i为累加计数器,φi为第i步时的自相关系数,p为累加的步数。文字叙述为:X的期望值等于一个或数个落后期的线性组合,加常数项,加随机误差。
在步骤4中,将步骤2和步骤3得到的时空扰动信息进行联合级联重构,扰动成员合并输出得到多个扰动分析场。对不同的扰动成员场进行逐个外推预报,此处外推运用的是拉格朗日外推所述进行逐个外推预报,具体使用如下公式:
F(t0+τ,x)=F(t0,x-a)
t0表示当前时刻,未来F(t0+τ,x)表示未来时刻当前位置的回波,x表示当前横坐标位置,a表示横坐标位置的偏移,τ表示从当前时刻开始计算与未来某个时刻的偏差。
即当前位置未来时刻的回波是有当前时候某个位置上的回波平移得到。不同外推算法的意义在于如何建立二者之间的联系。
考虑二维情况,在直角坐标系中,当雷达回波从(x-2a,y-2β)移动到(x,y),有:
其中x、y分别代表横坐标值和纵坐标值,a,β为Δt时间内雷达回波分别在在直角坐标系中的横坐标方向和纵坐标方向上的移动距离,Δt代表时间间隔,U(x-a,y-β,t)代表在(x-a,y-β)处的水平速度,V(x-a,y-β,t)代表在(x-a,y-β)处的垂直速度,因此:
a=Δt*U(x-a,y-β,t)
β=Δt*V(x-a,y-β,t)
考虑雷达回波的移动速度随着空间在变化,因此可以将整个外推预报时段分成更小的时间段,采用迭代的方法来获得每个时间步长的移动距离,ak+1代表在k+1段的水平移动距离,βk+1代表在k+1段的垂直移动距离:
ak+1=Δt*U(x-ak,y-βk,t),
βk+1=Δt*V(x-ak,y-βk,t)。
通过计算不同的U和V情况下,即不同的扰动下,获取不同的回波位置具体,即通过上述公式计算得到不同的位移情况,从而得到两个以上成员的集合扰动外推场。
步骤5中,根据集合消除偏差平均的方法,对扰动外推场的所有的成员计算平均值,对不同的成员进行集合平均分析场计算,同时根据雷达回波的数值范围在(0dBZ,20dBZ)、(20dBZ,35dBZ)、(35dBZ,70dBZ)(这三个区间为气象中通常定义雷达回波的区间,对应为晴天、小雨中雨和大雨的区间)三个区间内成员所占的比例,进行集合概率外推预报。
本发明目的在于提供一种基于雷达回波场信息,利用傅里叶分解和高斯分解等方法构建时间和空间扰动互信息,最终输出集合扰动外推预报降水信息方法。
本发明涉及短临外推预报领域,主要是基于时间和空间扰动互信息集成的计算方法,通过对输入的雷达回波数据或者降水场数据进行空间场的傅里叶滤波分解,生成相关的降水级联分解信息作为空见扰动信息,同时构建时间尺度的自回归扰动场,通过时空级联重构,引入对降水生成、消退的随机气象信息,实现对回波的集合外推,输出概率降水概率场信息。
本发明的有益效果是:
本发明考虑了短临外推过程中的空间扰动信息以及时间扰动信息,在对流预报中引入了随机因子。
本发明综合了多种动力场计算过程,根据权重选取择优得到最优的动力场信息,同时考虑了对流矫正,提高了动力场准确性。
本发明通过对降水场数据进行空间场的傅里叶滤波分解,生成相关的降水级联分解信息作为空见扰动信息,同时构建时间尺度的自回归扰动场,通过时空级联重构,引入对降水生成、消退的随机气象信息,实现对回波的集合外推,输出概率降水概率场信息。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为本发明基于时空扰动信息交互集成嵌套的短临外推预报方法流程图。
图2是多种方法计算得到的动力场示意图。
图3a是降水场的能谱拟合图。
图3b是降水场的能谱分布图。
图3c是过滤器的带通滤波权重分布图。
图4是降水场的级联分解信息示意图。
图5是引入扰动随机因子后的外推场示意图。
图6是不同成员的外推结果示意图。
图7是集合扰动外推的确定性和概率性预报结果示意图。
图8是本方法的外推与传统方法外推的对比示意图。
具体实施方式
结合附图,本发明提出了一种基于时空扰动信息交互集成嵌套的短临外推预报方法,对输入的雷达回波数据或者降水场数据进行空间场的傅里叶滤波分解,生成相关的降水级联分解信息作为空间扰动场信息,同时构建时间尺度的自回归扰动场,通过时空级联重构实现交互,引入对降水生成、消退的随机气象信息,实现对回波的集合外推,输出概率降水概率场信息。图1是基于时空扰动信息交互集成嵌套的短临外推预报方法流程图。
本发明基于集合扰动场实现,图1是基于时空扰动信息交互集成嵌套的短临外推预报方法的整体示意图,涵盖了整个发明的总体思路,结合图1所示的流程,该方法包括:
步骤1:获取输入的雷达回波时序信息,或者降水时序信息,利用Lucas-Kanade(LK),Variational echo tracking(VET),Dynamic and adaptive radar tracking ofstorms(DARTS),Anisotropic diffusion method(Proesmans)四种传统方法计算动力场,根据权重比例(可以自动调整)输出集合动力场,通过线性插值在输入的时间序列上对集合动力场进行对流校正,将时间划分为不同的i小段,插值公式为:
Pos=(y+(T-i)/T*V[1],x+(T-i)/T*V[0])
其中:V为风场信息,T为时间信息,y和x代表原始的直角坐标系坐标位置,Pos代表动力信息变化,得到最终的动力场信息。
该方法不同于以往的外推方法,能够同时提供四种不同的动力场(风场),并通过集成四种方法,修正单个算法计算的风场误差,使得动力场更准确。图2为该步获取得到的动力场示意图(其中横坐标表示经度,纵坐标表示纬度,数值代表的是图中雷达回波填色区域的数值),可以看到四种不同方法计算的动力场存在一定的差异,通过集成的方法可以屏蔽单个算法计算动力场带来的偏差。
步骤2:根据输入的雷达回波时序信息,构建降水场的级联分解,具体的方法是通过傅里叶分解,获取到降水场的能量谱信息,基于能量谱信息,构建高斯滤波器,
其中:a、b与c为实数常数,且a>0;c=2的高斯函数是傅立叶分解中的特征函数。这就意味着高斯函数的傅立叶分解不仅仅是另一个高斯函数,而且是进行傅立叶变换的函数的标量倍。
进行高斯分解,输出与原始场相关性较强的级联谱分级权重,根据权重信息输出分级降水扰动信息场。
通过对反演降水场进行级联分解,加入扰动因子,扰动因子根据公式:10*log10(REF)加入,REF代表雷达回波数值,从而考虑其动力场的空间不稳定性;
在外推过程中,加入扰动项,代表降水场演变的空间不确定性,在参数化方法中,利用指数增长模型近似代表降水场的谱密度分布信息,图3a、图3b、图3c为降水场的能量谱分布参数模型,其中图3a是降水场的能谱拟合图,图3b是降水场的能谱分布图(横坐标是波数的横向分量kx,纵坐标是波数的纵向分类ky,数值范围代表能量的大小),纵坐标是,图3c是过滤器的带通滤波权重分布图,通过参数化的方法来近似降水场的能量分布;在非参数化方法中,傅里叶滤波器直接通过降水场的能量场分布获得。参数化和非参数化模型生成后,可以产生相应的N个随机场,他们与初始的降水场具有相似的空见结构,仍然保留了相关信息。
根据参数化模型可以将降水场进行级联分解,图4为降水场的级联分解信息,可以看到通过级联分解能够将不同的气象信息分解出来便于后续重构。
步骤3:根据多个时次的降水场,构建降水的自回归模型。自回归模型(Autoregressive model,简称AR模型),是统计上一种处理时间序列的方法,用同一变数例如x的之前各期,亦即x1至xt-1来预测本期xt的表现,并假设它们为一线性关系。因为这是从回归分析中的线性回归发展而来,只是不用x预测y,而是用x预测x(自己),所以叫做自回归。定义如下:
其中:c是常数项;被假设为平均数等于0,标准差等于σ的随机误差值;σ被假设为对于任何的t都不变。文字叙述为:X的期望值等于一个或数个落后期的线性组合,加常数项,加随机误差。
步骤4:将时空扰动信息进行联合级联重构,扰动成员合并输出得到多个扰动分析场。对不同的扰动成员场进行逐个外推预报,此处外推运用的是拉格朗日外推,外推算法的基本表达式如下:
F(t0+τ,x)=F(t0,x-a)
即当前位置未来时刻的回波是由当前时候某个位置上的回波平移得到。不同外推算法的意义在于如何建立二者之间的联系。
考虑二维情况,当雷达回波从(x-2α,y-2β)移动到(x,y),有:
其中α,β为Δt时间内,雷达回波在x,y方向上的移动距离,因此:
a=Δt U(x-a,y-β,t)
β=Δt U(x-a,y-β,t)
考虑雷达回波的移动速度随着空间在变化,因此可以将整个外推预报时段分成更小的时间段,采用迭代的方法来获得每个时间步长的移动距离:
ak+1=Δt U(x-ak,y-βk,t)
βk+1=Δt V(x-ak,y-βk,t)
图5为不同时刻级联重构后的雷达回波外推场(图中横坐标代表经度,纵坐标代表纬度,数值代表的是雷达回波的数值),也就是通过该方面得到的外推场。
步骤5:根据集合消除偏差平均的方法,对不同的扰动成员进行确定性降水预报,同时根据成员所占的比例进行降水的概率预报。不同于之前的外推方法,通常只能获取得到相应时刻的稳定态的降水或雷达回波场信息,这里使用的集合外推方法,通过考虑一定的扰动成员信息,通过集合平均引入不同因子对降水场的随机影响,增强了其准确性。
图6为加入不同扰动成员后的外推结果(图中横坐标代表的是经度,纵坐标代表的是纬度,数值代表的是不同成员雷达回波的数值),可以看到,在集合的不同成员中,随机的预报场维持与观测降水场相同的偏差,根据多个扰动成员的降水场信息,可以计算降水的集合概率预报。
综上所述本发明在通常的确定性预报系统基础上,加入了与降水场或者回波场本身相关的随机扰动信息,从而形成了多扰动成员的集合预报场,通过对集合预报场的不同成员进行集合平均或加权平均的计算得到一个更为精确的确定性预报场。图7为集合扰动外推的确定性和概率性预报结果(图中横坐标代表的是经度,纵坐标代表的是纬度,左边图中数值是雷达回波的大小,中间图中数值是降水量的大小,右边图中数值是降水可能性超过50%的概率大小)。图8(图中前两行是本方法预测的连续时刻的雷达回波预报场,第3和第4行是传统方法预测的连续时刻的雷达回波预报场,第5和第6行是机器学习方法预测的连续时刻的雷达回波预报场,最后两行是真实的对应时刻的雷达回波观测场)是本方法的外推与传统方法外推的对比,可以发现,本方法的外推图像更接近实际观测。
本发明提供了一种基于时空扰动信息交互集成嵌套的短临外推预报方法,具体实现该技术方案的方法和途径很多,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,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (2)
1.一种基于时空扰动信息交互集成嵌套的短临外推预报方法,其特征在于,包括以下步骤:
步骤1,根据一段时间的雷达反射率场或者降水场进行动力场计算;
步骤2,根据雷达反射率计算降水场,利用傅里叶分解方法构建降水场空间相关性级联分解,得到降水的分级降水空间扰动信息场;
步骤3,根据步骤2中两个以上时次的降水空间扰动信息场,构建降水自回归模型,从而引入降水的时间扰动信息场;
步骤4,将降水的时间扰动信息场和空间扰动信息场通过时空关系构建拟合函数进行重构,输出综合扰动分析场成员;在原始降水场或回波场中加入不同的随机扰动因子作为扰动成员场,进行逐个外推预报,构成两个以上成员的集合扰动外推场;
步骤5,根据步骤4中的集合扰动外推场,计算集合平均分析场以及集合概率外推预报场;
步骤1中,获取输入的雷达反射率场信息,或者降水场信息,利用LK光流法,变分回波跟踪风暴法,动态自适应雷达追踪法,各向异性扩散法四种方法计算动力场,根据权重比例输出集合动力场,通过线性插值方法在输入的时间序列上对集合动力场进行插值,得到整个时间序列上不同时刻的雷达回波预报场;
步骤1中,将时间划分为不同的i个小段,插值公式为:Pos=(y+(T-i)/T*V[1],x+(T-i)/T*V[0]),其中V为风场信息,T为时间总长,y和x代表原始的直角坐标系坐标位置,Pos代表动力信息变化;
步骤2包括:
通过傅里叶变换,获取降水场的能量谱信息,基于能量谱信息,构建高斯滤波器即高斯函数:
其中a、b与c为实数常数,且a>0,x为积分变量,f(x)为高斯函数积分;c=2时,所述高斯函数是傅立叶变换的特征函数;
步骤2还包括:进行高斯分解,输出与原始场相关性较强的级联谱分级权重,根据权重信息输出分级降水扰动信息场;
步骤3中,降水自回归模型定义如下:
其中,d是常数项;εt是设定为平均数等于0,标准差等于σ的随机误差值;σ被设定为对于任何的时刻t都不变;Xt为t时刻的降水,i为累加计数器,φi为第i步时的自相关系数,p为累加的步数;
步骤4中,所述进行逐个外推预报,具体使用如下公式:
F(t0+τ,x)=F(t0,x-a)
其中,t0表示当前时刻,F(t0+τ,x)表示未来时刻当前位置的回波,x表示当前横坐标位置,a表示横坐标位置的偏移,τ表示从当前时刻开始计算与未来一个时刻的偏差;
步骤4中,考虑二维情况,当雷达回波从(x-2a,y-2β)移动到(x,y),有:
其中a,β为Δt时间内雷达回波分别在直角坐标系中的横坐标方向和纵坐标方向上的移动距离,Δt代表时间间隔,U(x-a,y-β,t)代表在(x-a,y-β)处的水平速度,V(x-a,y-β,t)代表在(x-a,y-β)处的垂直速度,因此:
a=Δt*U(x-a,y-β,t)
β=Δt*U(x-a,y-β,t);
步骤4中,采用迭代的方法来获得每个时间步长的移动距离,ak+1代表在k+1段的水平移动距离,βk+1代表在k+1段的垂直移动距离:
ak+1=Δt*U(x-ak,y-βk,t),
βk+1=Δt*V(x-ak,y-βk,t),
通过上述公式计算得到不同的位移情况,从而得到两个以上成员的集合扰动外推场。
2.根据权利要求1所述的方法,其特征在于,步骤5中,根据集合消除偏差平均的方法,对扰动外推场的所有的成员计算平均值,对不同的成员进行集合平均分析场计算,同时根据雷达回波的数值范围在(0dBZ,20dBZ)、(20dBZ,35dBZ)、(35dBZ,70dBZ) 三个区间内成员所占的比例,进行集合概率外推预报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111195084.5A CN113933915B (zh) | 2021-10-12 | 2021-10-12 | 一种基于时空扰动信息交互集成嵌套的短临外推预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111195084.5A CN113933915B (zh) | 2021-10-12 | 2021-10-12 | 一种基于时空扰动信息交互集成嵌套的短临外推预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113933915A CN113933915A (zh) | 2022-01-14 |
CN113933915B true CN113933915B (zh) | 2022-06-14 |
Family
ID=79279189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111195084.5A Active CN113933915B (zh) | 2021-10-12 | 2021-10-12 | 一种基于时空扰动信息交互集成嵌套的短临外推预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113933915B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187567B (zh) * | 2023-02-16 | 2023-08-08 | 中国人民解放军国防科技大学 | 一种针对饱和扰动增长模的尺度分离方法、装置和设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7082382B1 (en) * | 2005-01-25 | 2006-07-25 | The Weather Channel, Inc. | System for producing high-resolution, real-time synthetic meteorological conditions for a specified location |
CN105046358A (zh) * | 2015-07-17 | 2015-11-11 | 南京信息工程大学 | 一种风暴尺度集合预报扰动方法 |
CN106803129A (zh) * | 2015-11-26 | 2017-06-06 | 中国电力科学研究院 | 一种基于多源数值天气预报的风电功率集合预测方法 |
CN106991278A (zh) * | 2017-03-21 | 2017-07-28 | 武汉大学 | 一种集合降水预报与实时洪水概率预报的耦合方法 |
CN112379345A (zh) * | 2020-10-23 | 2021-02-19 | 吴海英 | 融合数值模式的雷达短临外推预报方法 |
CN113077097A (zh) * | 2021-04-14 | 2021-07-06 | 江南大学 | 一种基于深度时空相似性的空气质量预测方法 |
-
2021
- 2021-10-12 CN CN202111195084.5A patent/CN113933915B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7082382B1 (en) * | 2005-01-25 | 2006-07-25 | The Weather Channel, Inc. | System for producing high-resolution, real-time synthetic meteorological conditions for a specified location |
CN105046358A (zh) * | 2015-07-17 | 2015-11-11 | 南京信息工程大学 | 一种风暴尺度集合预报扰动方法 |
CN106803129A (zh) * | 2015-11-26 | 2017-06-06 | 中国电力科学研究院 | 一种基于多源数值天气预报的风电功率集合预测方法 |
CN106991278A (zh) * | 2017-03-21 | 2017-07-28 | 武汉大学 | 一种集合降水预报与实时洪水概率预报的耦合方法 |
CN112379345A (zh) * | 2020-10-23 | 2021-02-19 | 吴海英 | 融合数值模式的雷达短临外推预报方法 |
CN113077097A (zh) * | 2021-04-14 | 2021-07-06 | 江南大学 | 一种基于深度时空相似性的空气质量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113933915A (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jebli et al. | Prediction of solar energy guided by pearson correlation using machine learning | |
Feng et al. | A data-driven multi-model methodology with deep feature selection for short-term wind forecasting | |
Chu et al. | Short-term reforecasting of power output from a 48 MWe solar PV plant | |
Sun et al. | Real-time low-level wind and temperature analysis using single WSR-88D data | |
Yan et al. | Time series wind power forecasting based on variant Gaussian Process and TLBO | |
Wang et al. | A hybrid forecasting model based on outlier detection and fuzzy time series–A case study on Hainan wind farm of China | |
Carneiro et al. | Review on photovoltaic power and solar resource forecasting: current status and trends | |
CN110543929A (zh) | 一种基于Lorenz系统的风速区间预测方法及系统 | |
Li et al. | Aggregated wind power generation probabilistic forecasting based on particle filter | |
CN113392961A (zh) | 中尺度涡轨迹平稳序列提取与循环神经网络预测方法 | |
CN112380781B (zh) | 基于再分析资料和不平衡学习的卫星观测补全方法 | |
Harty et al. | Intra-hour cloud index forecasting with data assimilation | |
CN113933915B (zh) | 一种基于时空扰动信息交互集成嵌套的短临外推预报方法 | |
Zhang et al. | Multi-quantile recurrent neural network for feeder-level probabilistic energy disaggregation considering roof-top solar energy | |
CN116148796A (zh) | 一种基于雷达图像外推的强对流天气临近预报方法 | |
Girimurugan et al. | Application of deep learning to the prediction of solar irradiance through missing data | |
Yang et al. | Uncertainty analysis of radar rainfall estimates induced by atmospheric conditions using long short-term memory networks | |
Hou et al. | Improving the forecast accuracy of ECMWF 2-m air temperature using a historical dataset | |
Al-Ja’afreh et al. | An enhanced CNN-LSTM based multi-stage framework for PV and load short-term forecasting: DSO scenarios | |
Fernandez-Jimenez et al. | Short-term probabilistic forecasting models using Beta distributions for photovoltaic plants | |
Nielsen et al. | Prediction of regional wind power | |
Méndez-Gordillo et al. | Wind speed forecasting using a hybrid model considering the turbulence of the airflow | |
CN112363140A (zh) | 一种基于循环神经网络的热力约束外推客观订正方法 | |
Lee et al. | Applying machine learning methods to detect convection using GOES-16 ABI data | |
CN114564487B (zh) | 预报预测相结合的气象栅格数据更新方法 |
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 |