CN113935533A - 一种黄渤海海区大风推算方法 - Google Patents
一种黄渤海海区大风推算方法 Download PDFInfo
- Publication number
- CN113935533A CN113935533A CN202111221093.7A CN202111221093A CN113935533A CN 113935533 A CN113935533 A CN 113935533A CN 202111221093 A CN202111221093 A CN 202111221093A CN 113935533 A CN113935533 A CN 113935533A
- Authority
- CN
- China
- Prior art keywords
- station
- wind speed
- weather
- sea area
- target station
- 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
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000002474 experimental method Methods 0.000 claims description 12
- 238000012950 reanalysis Methods 0.000 claims description 4
- 238000004873 anchoring Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Environmental & Geological Engineering (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Environmental Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Ecology (AREA)
- Entrepreneurship & Innovation (AREA)
- Biodiversity & Conservation Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Atmospheric Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于天气预报技术领域,特别涉及一种黄渤海海区大风推算方法。该方法包括如下步骤:选取参考站和目标站,对影响黄渤海海区大风的天气形势进行分类,建立目标站风速推算模型,目标站风向提取,建立自动化海区风场的实时推算系统。该方法针对不同的天气形势类型,分别建立参考站风速向各目标站风速转化推算的模型公式,再以连续可靠的参考站实时风速观测资料以及数值天气预报数据为基础,推算海区风速和提取海区风向,达到能够获取黄渤海大范围、较为可靠连续的海区风场信息的目的。本发明建立的黄渤海海区大风推算方法易于业务化应用,可随观测数据的增加而进一步优化,对海洋观测布局设计也有一定的参考作用,能够满足气象监测预警需求。
Description
技术领域
本发明属于天气预报技术领域,特别涉及一种黄渤海海区大风推算方法。
背景技术
黄、渤海海区属于温带海洋性气候,是恶劣的海洋天气及衍生的海洋灾害频发的海区,其中海上大风是引发海难事故最主要的风险因素。同时黄、渤海海区是中国对外贸易往来的重要通道之一,海上经济活动活跃,精细化大风预报服务是海洋经济安全高效发展的重要保障,因此海洋防灾减灾和气象预报预警业务对实况资料的需求十分迫切。然而,海洋观测成本高昂,目前主要依靠海洋浮标、船舶等海区气象站点获取少量的实时观测资料,数据分布极为稀疏。黄、渤海虽然是近海,但浮标气象站建设成本高、保障难度大,站点数量少,且连续性差;而船舶气象站观测位置并不固定,数量稀少。卫星遥感反演是目前获取海面风场的另一种重要途径,如ASCAT产品,使用散射计通过测量海表面后向散射系数获得海表面粗糙度信息,进而反演得出海表面风矢量,虽然卫星反演海面风场覆盖广、数据密度大,但一颗卫星每天仅可获取2个时次的数据,缺乏时间连续性,而且准确性不足,易受复杂天气影响。此外,在沿岸海区由于地形会增强波浪,进而显著扩大反演误差,因此沿岸海区反演产品可用性差。由此可见,海区风场实况获取能力不足一直是制约海上气象保障的瓶颈。
现有的黄渤海海区大风推算技术,存在覆盖面小、数据不准确、缺乏定量数据、连续性差等问题。直接使用数值天气预报10米风场产品作为海区实况资料,准确性差,大风预报明显偏小。现有的通过订正数值天气预报10米风场获取海区大风实况的技术方法中:有的根据沿海资料分析不同影响系统下海陆大风的差异性,但以定性分析为主;有些通过订正数值模式产品以获取海区风场信息,较少地考虑影响系统及不同环流下数值天气预报的误差特征;有些研究采用的海区气象站点较少,也没有充分利用海区周边气象站点的实况信息,应用覆盖范围有限;以上方法虽然对了解海上风场特征起到一定作用,但远不能满足气象预报业务的需求。
发明内容
本发明针对黄渤海海区建立了大风推算方法,利用沿海气象站、海岛气象站连续的实时风速观测资料和数值天气预报数据,基于不同天气形势类型,通过数学模型,推算海区风速和提取海区风向,从而获得黄渤海多个小区域、高精度的风场数据,解决了现有黄渤海海区大风推算技术存在的覆盖面小、数据不准确、缺乏定量数据、连续性差等问题。
本发明是通过如下技术方案实现的:
一种黄渤海海区大风推算方法,包括如下步骤:
S1:选取参考站和目标站,所述参考站为缺测率小于10%的黄渤海沿海气象站和海岛气象站,所述目标站为缺测率小于60%的黄渤海海区浮标气象站、石油平台气象站和船舶气象站;所述缺测率由站点历史风速观测资料缺失样本数除以同一站点历史风速观测资料总样本数计算得出;所述船舶气象站锚定位置发生变化时,当作不同的站点处理;
S2:对影响黄渤海海区大风的天气形势进行分类,以数值模式再分析资料中的黄渤海海区海平面气压场数据为海平面气压场样本,采用k-means方法进行影响黄渤海海区大风的天气形势分类,得到各天气形势类型的特征场和各历史时刻对应的天气形势类型信息,
S201:两个海平面气压场样本的相似性由欧拉距离平方SED 表示,SED的计算公式为,其中,x1和x2分别为一个海平面气压场样本;全部海平面气压场样本距离平方和记为WSS,WSS的计算公式为,其中,i=1,2,…k,x表示簇Ci中的一个海平面气压场样本,Zi是第i个簇的中心点,k是簇的数量;根据SED计算公式和WSS计算公式,采用迭代方式,确定WSS的最小值:(1)首先是初始划分,选择k个中心点,以每一个海平面气压场样本为x1、中心点为x2代入SED计算公式,计算得到每一个海平面气压场样本和中心点的距离SED,所有的海平面气压场样本分别被指定属于离它最近的中心点所属的簇;(2)然后将属于同一簇的海平面气压场样本计算平均值,将该平均值定为该簇新的中心点坐标;(3)重复第(1)至(2)步,以新的中心点重新计算SED分配样本,并重新确定新的中心点坐标,如此迭代计算,直到各簇样本不再发生变化时,完成一次分类实验并得到对应的中心点为Zi代入WSS计算公式,计算得到WSS值;(4)重复第(1)至(3)步3000次,每完成一次分类实验,就得到一个WSS值,在全部分类实验结果中,选取WSS最小值对应的分类实验为最终分类结果,以最终分类结果的k个中心点Zi作为k种天气形势类型的特征场,同时获得每一个历史资料样本对应的天气形势类型,即k种天气形势类型各历史时刻对应的天气形势类型信息;
S202:天气形势类型数量的确定,即簇数量k的确定:k的取值介于1和海平面气压场样本总数量之间,针对每一个k值按照S201步骤计算得到对应的WSS最小值、最终分类结果的中心点Zi和中心点Zj并代入公式,计算Y值;在以变量k为横坐标,变量Y为纵坐标,构成的二维变化曲线中,选择Y的最小值所对应的k值为最终天气形势类型数量, 即Y的最小值所对应的k为k最终;
S3:建立目标站风速推算模型, 根据k最终种天气形势类型各历史时刻对应的天气形势类型信息,将参考站与目标站的历史风速观测资料,归入k最终种天气形势类型中的一种;采用同一天气形势类型中的参考站与目标站的历史风速观测资料,并利用多元线性拟合方法、逐步回归线性方法、神经元网络非线性方法、决策树非线性方法中的一种进行拟合计算,得到相应天气形势类型下参考站风速向各目标站风速转化推算的模型公式;对各目标站在不同天气形势类型下,分别建立参考站风速向各目标站风速转化推算的模型公式;
S4:目标站风向提取,采用实时数值天气预报中的各目标站所在点位预报风向作为各目标站实时风向;
S5:建立自动化海区风场的实时推算系统,
S501:实时天气形势类型判别,利用S201步骤中的SED计算公式计算实时数值天气预报中的海平面气压场数据与k最终种天气形势类型中心点的距离,其中,x1为实时数值天气预报中的黄渤海海区海平面气压场数据,x2为k最终种天气形势类型对应的最终分类结果的中心点Zi,i=1,2,…k最终;以上述计算结果中的SED最小值所对应的天气形势类型为黄渤海海区实时天气形势类型;
S502:根据S501得到的黄渤海海区实时天气形势类型,选取对应天气形势类型下参考站风速向各目标站风速转化推算的模型公式;
S503:将参考站的实时风速代入S502选取的参考站风速向各目标站风速转化推算的模型公式中,得到各目标站的实时推算风速;
S504:根据S4得到的各目标站实时风向与S503得到的各目标站实时推算风速,生成黄渤海海区大风风场图。
作为优选,所述S1中,采用各站点2017年-2019年的历史风速观测资料计算缺测率。
作为优选,所述S2中,计算天气形势分类之前,运用双线性插值方法将海平面气压场数据插值到经纬度0.5°×0.5°的规则格点上。
作为优选,所述S2中,计算天气形势分类之前,对海平面气压场数据进行处理,减去其空间平均值。
作为优选,所述S2中,数值模式再分析资料中的黄渤海海区海平面气压场数据为2017年-2019年欧洲中期天气预报中心第四代数值模式再分析数据中的黄渤海海区的逐1小时海平面气压场数据。
作为优选,所述S3中,采用2017年-2019年参考站与目标站的历史风速观测资料建立目标站风速推算模型。
作为优选,所述S3中,利用多元线性拟合方法建立目标站风速推算模型。
作为优选,所述S4中,实时数值天气预报中的各目标站所在点位预报风向为欧洲中期天气预报中心全球数值天气预报的实时各目标站所在点位预报风向。
本发明相对于现有技术,具有以下有益效果:
本发明利用参考站与目标站的历史风速观测资料,针对不同的天气形势类型,分别建立参考站风速向各目标站风速转化推算的模型公式,再以连续可靠的参考站实时风速观测资料以及数值天气预报数据为基础,推算海区风速和提取海区风向,达到能够获取黄渤海大范围、较为可靠连续的海区风场信息的目的。一方面当海上观测出现缺失或错误时,该方法可以有效补充,推算质量可随观测数据的增加而进一步优化;另一方面,海上观测系统成本高、数量少、运维难度大,使用该方法一定程度上可以实现替代观测;此外,该方法对海洋观测布局设计也有一定的参考作用。本发明建立的黄渤海海区大风推算方法易于业务化应用,能够满足气象监测预警需求。
附图说明
图1为本发明一种黄渤海海区大风推算方法的流程图。
图2为本发明实施例1中选取的黄渤海沿海气象站、海岛气象站和海区气象站的分布示意图。
图3为本发明实施例1中生成的2020年4月28日23时的黄渤海海区大风风场图。
具体实施方式
下面结合具体实施例对本发明的技术方案进行详细说明,以便于对本发明的理解,但并不是对本发明的限制。
实施例1:一种黄渤海海区大风推算方法,包括如下步骤:
S1:选取参考站和目标站,所述参考站为缺测率小于10%的黄渤海沿海气象站和海岛气象站,所述目标站为缺测率小于60%的黄渤海海区浮标气象站、石油平台气象站和船舶气象站;所述缺测率由站点2017年-2019年历史风速观测资料缺失样本数除以同一站点2017年-2019年历史风速观测资料总样本数计算得出;所述船舶气象站锚定位置发生变化时,当作不同的站点处理。沿海气象站和海岛气象站因维护较好,且资料连续性好、可靠性高,将其选作参考站用于推算目标站风速。浮标气象站、石油平台气象站和船舶气象站统称为海区气象站,是海上大风监测的主要信息来源,本实施例将浮标气象站、石油平台气象站和船舶气象站选作目标站并针对目标站建立风速推算模型。如图2所示,本实施例中,选取黄渤海的53个沿海气象站和19个海岛气象站作为参考站,19个海区气象站作为目标站。
S2:对影响黄渤海海区大风的天气形势进行分类,以2017年-2019年欧洲中期天气预报中心第四代数值模式再分析数据中的黄渤海海区的逐1小时海平面气压场数据为海平面气压场样本,采用k-means方法进行影响黄渤海海区大风的天气形势分类,得到各天气形势类型的特征场和各历史时刻对应的天气形势类型信息。计算天气形势分类之前,运用双线性插值方法将海平面气压场数据插值到经纬度0.5°×0.5°的规则格点上,以消除中小尺度天气系统对天气形势分类的影响;计算天气形势分类之前,对海平面气压场数据进行处理,减去其空间平均值,以消除季节因素对天气形势分类的影响。
S201:两个海平面气压场样本的相似性由欧拉距离平方SED 表示,SED的计算公式为,其中,x1和x2分别为一个海平面气压场样本;全部海平面气压场样本距离平方和记为WSS,WSS的计算公式为,其中,i=1,2,…k,x表示簇Ci中的一个海平面气压场样本,Zi是第i个簇的中心点,k是簇的数量;根据SED计算公式和WSS计算公式,采用迭代方式,确定WSS的最小值:(1)首先是初始划分,选择k个中心点,以每一个海平面气压场样本为x1、中心点为x2代入SED计算公式,计算得到每一个海平面气压场样本和中心点的距离SED,所有的海平面气压场样本分别被指定属于离它最近的中心点所属的簇;(2)然后将属于同一簇的海平面气压场样本计算平均值,将该平均值定为该簇新的中心点坐标;(3)重复第(1)至(2)步,以新的中心点重新计算SED分配样本,并重新确定新的中心点坐标,如此迭代计算,直到各簇样本不再发生变化时,完成一次分类实验并得到对应的中心点为Zi代入WSS计算公式,计算得到WSS值;(4)重复第(1)至(3)步3000次,每完成一次分类实验,就得到一个WSS值,在全部分类实验结果中,选取WSS最小值对应的分类实验为最终分类结果,以最终分类结果的k个中心点Zi作为k种天气形势类型的特征场,同时获得每一个历史资料样本对应的天气形势类型,即k种天气形势类型各历史时刻对应的天气形势类型信息;
S202:天气形势类型数量的确定,即簇数量k的确定:k的取值介于1和海平面气压场样本总数量之间,针对每一个k值按照S201步骤计算得到对应的WSS最小值、最终分类结果的中心点Zi和中心点Zj并代入公式,计算Y值;在以变量k为横坐标,变量Y为纵坐标,构成的二维变化曲线中,选择Y的最小值所对应的k值为最终天气形势类型数量, 即Y的最小值所对应的k为k最终。本实施例中,以2017年-2019年欧洲中期天气预报中心第四代数值模式再分析数据中的黄渤海海区的逐1小时海平面气压场数据计算得到的黄渤海海区最终天气形势类型数量k最终为8, 8种黄渤海海区天气形势类型分别是:Ⅰ型为西南低压东北高压、Ⅱ型为西北高压东南低压、Ⅲ型为西北低压东南高压、Ⅳ型为西南高压东北低压、Ⅴ型为弱西北低压东南高压、Ⅵ型为均压场、Ⅶ型为强冷空气、Ⅷ型为西路冷空气。
黄渤海海岸线复杂,受海陆分布和地形影响,在不同的大气环流下黄渤海海区呈现不同的天气形势特征;不同天气形势特征下,参考站风速与目标站风速的拟合关系不同,因此需要将天气形势进行分类,针对不同天气形势类型分别建立参考站风速向各目标站风速转化推算的模型。
S3:建立目标站风速推算模型,根据8种天气形势类型各历史时刻对应的天气形势类型信息,将2017年-2019年参考站与目标站的历史风速观测资料,归入8种天气形势类型中的一种;采用同一天气形势类型中的参考站与目标站的历史风速观测资料,并利用多元线性拟合方法进行拟合计算,得到相应天气形势类型下参考站风速向各目标站风速转化推算的模型公式;对各目标站在不同天气形势类型下,分别建立参考站风速向各目标站风速转化推算的模型公式;
以目标站之一的董家口浮标气象站(其所在点位为119.95°E,35.42°N)为例,Ⅰ型西南低压东北高压天气形势类型下,参考站风速向董家口浮标气象站风速转化推算的模型公式为:,式中a1,a2,a3……a72的具体值分别为:
[ 0.111 -0.067 -0.014 0.013 0.127 -0.035 -0.07 -0.019 0.065 0.028
-0.115 -0.104 0.132 0.593 -0.026 0.07 -0.033 0.067 -0.091 0.041
-0.121 -0.062 -0.091 0.061 -0.029 0.269 0.024 -0.182 0.022 -0.011
0.281 0.016 -0.008 -0.047 -0.062 0.014 -0.059 0.03 -0.048 0.02
0.03 -0.015 0.02 -0.051 0.065 -0.034 0.03 -0.037 0.017 -0.288
0.211 -0.123 -0.014 0.152 0.083 0.229 0.096 0.056 0.014 0.026
-0.045 0.015 -0.084 0.032 -0.266 -0.05 0.033 0.028 0.107 0.06
0.043 -0.001]
,其中,Z为董家口浮标气象站的推算风速,a1、a2、a3……a72分别为72个参考站的推算系数,Xstation1、Xstation2、Xstation3 ...... Xstation72 分别为72个参考站的实时风速。
S4:目标站风向提取,采用欧洲中期天气预报中心全球数值天气预报2020年4月28日23时的各目标站所在点位预报风向作为各目标站2020年4月28日23时的风向。
S5:建立自动化海区风场的实时推算系统,
S501:实时天气形势类型判别,利用S201步骤中的SED计算公式计算2020年4月28日23时数值天气预报中的海平面气压场数据与8种天气形势类型中心点的距离,其中,x1为2020年4月28日23时数值天气预报中的黄渤海海区海平面气压场数据,x2为8种天气形势类型对应的最终分类结果的中心点Zi,i=1,2,…8;以上述计算结果中的SED最小值所对应的天气形势类型为黄渤海海区2020年4月28日23时的天气形势类型;本实施例中,黄渤海海区2020年4月28日23时的天气形势类型为Ⅲ型;
S502:根据S501得到的黄渤海海区2020年4月28日23时的天气形势类型,选取Ⅲ型天气形势类型下参考站风速向各目标站风速转化推算的模型公式;
S503:将72个参考站的2020年4月28日23时的风速代入S502选取的参考站风速向各目标站风速转化推算的模型公式中,得到各目标站2020年4月28日23时的推算风速;
S504:根据S4得到的各目标站2020年4月28日23时的风向与S503得到的各目标站2020年4月28日23时的推算风速,生成如图3所示的2020年4月28日23时黄渤海海区大风风场图。
本实施例中,得到的各目标站2020年4月28日23时的推算风速平均值为11.8 m﹒s-1,各目标站2020年4月28日23时的实况风速平均值为12.6m﹒s-1;各目标站的推算风速平均值略小于各目标站的实况风速平均值,但误差处于合理范围内,可满足气象监测预警需求。
在上述实施例中,对本发明的最佳实施方式做了描述,很显然,在本发明的发明构思下,仍可做出很多变化。在此,应该说明,在本发明的发明构思下所做出的任何改变都将落入本发明的保护范围内。
Claims (8)
1.一种黄渤海海区大风推算方法,其特征在于,包括如下步骤:
S1:选取参考站和目标站,所述参考站为缺测率小于10%的黄渤海沿海气象站和海岛气象站,所述目标站为缺测率小于60%的黄渤海海区浮标气象站、石油平台气象站和船舶气象站;所述缺测率由站点历史风速观测资料缺失样本数除以同一站点历史风速观测资料总样本数计算得出;所述船舶气象站锚定位置发生变化时,当作不同的站点处理;
S2:对影响黄渤海海区大风的天气形势进行分类,以数值模式再分析资料中的黄渤海海区海平面气压场数据为海平面气压场样本,采用k-means方法进行影响黄渤海海区大风的天气形势分类,得到各天气形势类型的特征场和各历史时刻对应的天气形势类型信息,
S201:两个海平面气压场样本的相似性由欧拉距离平方SED 表示,SED的计算公式为,其中,x1和x2分别为一个海平面气压场样本;全部海平面气压场样本距离平方和记为WSS,WSS的计算公式为,其中,i=1,2,…k,x表示簇Ci中的一个海平面气压场样本,Zi是第i个簇的中心点,k是簇的数量;根据SED计算公式和WSS计算公式,采用迭代方式,确定WSS的最小值:(1)首先是初始划分,选择k个中心点,以每一个海平面气压场样本为x1、中心点为x2代入SED计算公式,计算得到每一个海平面气压场样本和中心点的距离SED,所有的海平面气压场样本分别被指定属于离它最近的中心点所属的簇;(2)然后将属于同一簇的海平面气压场样本计算平均值,将该平均值定为该簇新的中心点坐标;(3)重复第(1)至(2)步,以新的中心点重新计算SED分配样本,并重新确定新的中心点坐标,如此迭代计算,直到各簇样本不再发生变化时,完成一次分类实验并得到对应的中心点为Zi代入WSS计算公式,计算得到WSS值;(4)重复第(1)至(3)步3000次,每完成一次分类实验,就得到一个WSS值,在全部分类实验结果中,选取WSS最小值对应的分类实验为最终分类结果,以最终分类结果的k个中心点Zi作为k种天气形势类型的特征场,同时获得每一个历史资料样本对应的天气形势类型,即k种天气形势类型各历史时刻对应的天气形势类型信息;
S202:天气形势类型数量的确定,即簇数量k的确定:k的取值介于1和海平面气压场样本总数量之间,针对每一个k值按照S201步骤计算得到对应的WSS最小值、最终分类结果的中心点Zi和中心点Zj并代入公式,计算Y值;在以变量k为横坐标,变量Y为纵坐标,构成的二维变化曲线中,选择Y的最小值所对应的k值为最终天气形势类型数量, 即Y的最小值所对应的k为k最终;
S3:建立目标站风速推算模型,根据k最终种天气形势类型各历史时刻对应的天气形势类型信息,将参考站与目标站的历史风速观测资料,归入k最终种天气形势类型中的一种;采用同一天气形势类型中的参考站与目标站的历史风速观测资料,并利用多元线性拟合方法、逐步回归线性方法、神经元网络非线性方法、决策树非线性方法中的一种进行拟合计算,得到相应天气形势类型下参考站风速向各目标站风速转化推算的模型公式;对各目标站在不同天气形势类型下,分别建立参考站风速向各目标站风速转化推算的模型公式;
S4:目标站风向提取,采用实时数值天气预报中的各目标站所在点位预报风向作为各目标站实时风向;
S5:建立自动化海区风场的实时推算系统,
S501:实时天气形势类型判别,利用S201步骤中的SED计算公式计算实时数值天气预报中的海平面气压场数据与k最终种天气形势类型中心点的距离,其中,x1为实时数值天气预报中的黄渤海海区海平面气压场数据,x2为k最终种天气形势类型对应的最终分类结果的中心点Zi,i=1,2,…k最终;以上述计算结果中的SED最小值所对应的天气形势类型为黄渤海海区实时天气形势类型;
S502:根据S501得到的黄渤海海区实时天气形势类型,选取对应天气形势类型下参考站风速向各目标站风速转化推算的模型公式;
S503:将参考站的实时风速代入S502选取的参考站风速向各目标站风速转化推算的模型公式中,得到各目标站的实时推算风速;
S504:根据S4得到的各目标站实时风向与S503得到的各目标站实时推算风速,生成黄渤海海区大风风场图。
2.根据权利要求1所述的一种黄渤海海区大风推算方法,其特征在于:所述S1中,采用各站点2017年-2019年的历史风速观测资料计算缺测率。
3.根据权利要求1所述的一种黄渤海海区大风推算方法,其特征在于:所述S2中,计算天气形势分类之前,运用双线性插值方法将海平面气压场数据插值到经纬度0.5°×0.5°的规则格点上。
4.根据权利要求1所述的一种黄渤海海区大风推算方法,其特征在于:所述S2中,计算天气形势分类之前,对海平面气压场数据进行处理,减去其空间平均值。
5.根据权利要求1所述的一种黄渤海海区大风推算方法,其特征在于:所述S2中,数值模式再分析资料中的黄渤海海区海平面气压场数据为2017年-2019年欧洲中期天气预报中心第四代数值模式再分析数据中的黄渤海海区的逐1小时海平面气压场数据。
6.根据权利要求1所述的一种黄渤海海区大风推算方法,其特征在于:所述S3中,采用2017年-2019年参考站与目标站的历史风速观测资料建立目标站风速推算模型。
7.根据权利要求1所述的一种黄渤海海区大风推算方法,其特征在于:所述S3中,利用多元线性拟合方法建立目标站风速推算模型。
8.根据权利要求1所述的一种黄渤海海区大风推算方法,其特征在于:所述S4中,实时数值天气预报中的各目标站所在点位预报风向为欧洲中期天气预报中心全球数值天气预报的实时各目标站所在点位预报风向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111221093.7A CN113935533B (zh) | 2021-10-20 | 2021-10-20 | 一种黄渤海海区大风推算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111221093.7A CN113935533B (zh) | 2021-10-20 | 2021-10-20 | 一种黄渤海海区大风推算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113935533A true CN113935533A (zh) | 2022-01-14 |
CN113935533B CN113935533B (zh) | 2022-09-02 |
Family
ID=79280770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111221093.7A Active CN113935533B (zh) | 2021-10-20 | 2021-10-20 | 一种黄渤海海区大风推算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113935533B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115291303A (zh) * | 2022-07-21 | 2022-11-04 | 山东省气象科学研究所(山东省海洋气象科学研究所、山东省气象局培训中心) | 一种基于数值天气预报mos滑动订正的大风客观预报方法 |
CN117111068A (zh) * | 2023-10-19 | 2023-11-24 | 南京信大卫星应用研究院有限公司 | 一种基于卫星散射计数据的海面风场监测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392113A (zh) * | 2014-11-11 | 2015-03-04 | 宁波市气象台 | 一种近海海面冷空气大风风速的估算方法 |
CN107944622A (zh) * | 2017-11-21 | 2018-04-20 | 华北电力大学 | 基于连续时段聚类的风电功率预测方法 |
CN111723464A (zh) * | 2020-05-15 | 2020-09-29 | 南京师范大学 | 一种基于遥感影像特征的台风椭圆型风场参数化模拟方法 |
CN113051795A (zh) * | 2021-03-15 | 2021-06-29 | 哈尔滨工程大学 | 一种面向海上平台保障的三维温盐场分析预报方法 |
-
2021
- 2021-10-20 CN CN202111221093.7A patent/CN113935533B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392113A (zh) * | 2014-11-11 | 2015-03-04 | 宁波市气象台 | 一种近海海面冷空气大风风速的估算方法 |
CN107944622A (zh) * | 2017-11-21 | 2018-04-20 | 华北电力大学 | 基于连续时段聚类的风电功率预测方法 |
CN111723464A (zh) * | 2020-05-15 | 2020-09-29 | 南京师范大学 | 一种基于遥感影像特征的台风椭圆型风场参数化模拟方法 |
CN113051795A (zh) * | 2021-03-15 | 2021-06-29 | 哈尔滨工程大学 | 一种面向海上平台保障的三维温盐场分析预报方法 |
Non-Patent Citations (6)
Title |
---|
何群英等: "利用渤海风场推算模式对中尺度风场预报订正试验", 《冰川冻土》 * |
司鹏等: "黄渤海海域16个石油平台站风速资料的初步质量检测", 《海洋预报》 * |
吴曼丽等: "基于自动站资料的海上风客观预报方法", 《气象与环境学报》 * |
翁佳烽等: "基于K-means聚类分析法的肇庆市干季PM_(2.5)污染天气分型研究", 《环境科学学报》 * |
范苏丹等: "利用春季黄渤海沿海大风观测资料评估CFSR风场再分析数据", 《气象科技》 * |
蔡晓杰等: "上海沿岸海域风场质量控制与预报检验", 《气象科技》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115291303A (zh) * | 2022-07-21 | 2022-11-04 | 山东省气象科学研究所(山东省海洋气象科学研究所、山东省气象局培训中心) | 一种基于数值天气预报mos滑动订正的大风客观预报方法 |
CN115291303B (zh) * | 2022-07-21 | 2023-08-29 | 山东省气象科学研究所 | 一种基于数值天气预报mos滑动订正的大风客观预报方法 |
CN117111068A (zh) * | 2023-10-19 | 2023-11-24 | 南京信大卫星应用研究院有限公司 | 一种基于卫星散射计数据的海面风场监测系统 |
CN117111068B (zh) * | 2023-10-19 | 2024-03-22 | 南京信大卫星应用研究院有限公司 | 一种基于卫星散射计数据的海面风场监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113935533B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alexiadis et al. | Short-term forecasting of wind speed and related electrical power | |
Lundquist et al. | High-elevation precipitation patterns: Using snow measurements to assess daily gridded datasets across the Sierra Nevada, California | |
CN113935533B (zh) | 一种黄渤海海区大风推算方法 | |
Winterfeldt et al. | Using QuikSCAT in the added value assessment of dynamically downscaled wind speed | |
Jimenez et al. | Offshore wind resource assessment with WAsP and MM5: Comparative study for the German Bight | |
CN110598290B (zh) | 考虑气候变化的流域未来水电发电能力预测方法和系统 | |
CN114942481B (zh) | 热带气旋过程极值风速概率预报方法、装置和计算机设备 | |
CN112906955B (zh) | 一种基于多源数据驱动的潮汐数据拟合方法 | |
Friedland et al. | Isotropic and anisotropic kriging approaches for interpolating surface-level wind speeds across large, geographically diverse regions | |
Chronis et al. | QuickSCAT observations of extreme wind events over the Mediterranean and Black Seas during 2000–2008 | |
CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
CN104392113B (zh) | 一种近海海面冷空气大风风速的估算方法 | |
CN103163568B (zh) | 利用界聚法预报强降水的方法 | |
CN116384733A (zh) | 一种强对流天气下基于气象雷达的输电线路风险预警方法 | |
CN113128758A (zh) | 基于近海浮标海浪观测数据构建的最大浪高预报系统 | |
CN115310706A (zh) | 一种台风路径智能预报方法 | |
CN115201938A (zh) | 基于雷暴高压分析的强对流天气临近预报方法及系统 | |
CN113240172B (zh) | 微地形覆冰数值预测方法及系统 | |
Figurski et al. | The impact of initial and boundary conditions on severe weather event simulations using a high-resolution WRF model. Case study of the derecho event in Poland on 11 August 2017 | |
CN116401932B (zh) | 一种基于激光雷达和毫米波雷达的海雾消散时间估算方法 | |
Xia et al. | A model to interpolate monthly mean climatological data at Bavarian forest climate stations | |
Croley et al. | Near real-time forecasting of large lake supplies | |
Muglia et al. | Gulf stream position, width, and orientation estimated from HF radar radial velocity maps off Cape Hatteras, North Carolina | |
CN109583095A (zh) | 基于混合统计动力模型的西北太平洋台风延伸期预报方法 | |
CN115600142A (zh) | 一种基于不同方法的大风融合集成预报方法 |
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 |