CN114004426B - 一种短时暴雨预报释用模型的动态调整方法 - Google Patents
一种短时暴雨预报释用模型的动态调整方法 Download PDFInfo
- Publication number
- CN114004426B CN114004426B CN202111653714.9A CN202111653714A CN114004426B CN 114004426 B CN114004426 B CN 114004426B CN 202111653714 A CN202111653714 A CN 202111653714A CN 114004426 B CN114004426 B CN 114004426B
- Authority
- CN
- China
- Prior art keywords
- rainfall
- forecast
- optimal
- mesoscale
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012937 correction Methods 0.000 claims description 38
- 238000001556 precipitation Methods 0.000 claims description 33
- 238000004458 analytical method Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000013213 extrapolation Methods 0.000 claims description 14
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 7
- 230000004927 fusion Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003578 releasing effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F18/25—Fusion 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Data Mining & Analysis (AREA)
- Ecology (AREA)
- Entrepreneurship & Innovation (AREA)
- Environmental Sciences (AREA)
- Atmospheric Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biodiversity & Conservation Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种短时暴雨预报释用模型的动态调整方法,包括:利用α中尺度最优匹配计算出区域模式的预报数据的时空的系统偏差以及最优雨量阈值参数;在α中尺度偏差调整的基础上,利用β中尺度最优匹配计算出每个预报格点上的β中尺度下的局部最优时、空间偏移参数;依据同一起报时次的历史数据动态统计的以上偏差参数,对区域模式的预报雨量进行逐小时的时间和空间上动态调整、降雨强度动态调整以及雨区形态上动态调整,从而改进未来12小时内的逐时短时强降水预报能力。本发明提供的方法,可以提升多元资料(雷达,自动雨量站)联合在区域模式释用中的应用,并进一步提升短时预报能力,为更好和短期预报无缝隙衔接提供技术支撑。
Description
技术领域
本发明涉及天气预报分析技术领域,尤其涉及一种短时暴雨预报释用模型的动态调整方法。
背景技术
目前,在气象领域,针对短时暴雨(定义:通常是由强对流天气造成的,1小时雨量超过一定阈值的强降水天气)的预报能力是存在明显不足的。目前存在技术缺陷概述如下:
1)全球数值模式(欧洲中心、GFS等)可以对产生短时暴雨的风速、湿度、气压等形势场进行较准确的预报,但是对于无法准确预报出短时强降水的影响时段、影响落区以及强降水量级。这是由于该类模式的积分方法、物理参数化方案等缺陷造成的。一些研究工作以全球数值模式数据为基础,开展了模式释用模型应用研究,但是大部分应用都着眼于气温、一般性的降水天气(非短时强降水天气)等天气要素的释用。
区域数值模式(华东9km模式,Grapes3KM模式等)通常是以全球数值模式作为初始场,而后通过同化区域加密观测资料(自动站、雷达等等)、以更小的积分步长以及适应对流尺度的物理参数化方案来实现中小尺度系统(强对流天气)的预报。区域模式对于短时暴雨天气具有一定的预报能力(优于全球数值模式),但是存在仍然存在3方面问题:1.空报率较高问题;2.预报的短时暴雨的影响时间、空间以及降雨量存在一定偏差问题;3.漏报问题。针对这些问题,一些研究者基于区域模式预报要素(预报的降水、预报的回波)、物理量(能量、k指数、水汽等等),通过应用机器学习、概率统计等方法构建区域模式释用模型,用于改善区域模式对于短时强降水的预报能力。该类统计方法构建的模型参数是固定的,能使得短时强降水预报精度整体获得一定程度上的提高(相对地改善了问题1、问题3以及问题2的降雨量偏差问题),但是存在的问题也较明显:A.对一些突发极端性的短时强降水过程,缺乏实时调整能力;B.由于训练数据集内的错误数据、错误配对数据的存在、数据集正负样本的不均衡性,这都会导致训练模型预报结果的时间、空间以及降水量级上的偏差存在着较大的不确定性问题;C)该类统计模型的预报效果和模式预报的准确性密切相关,如果区域模式预报存在太大的时间,空间以及预报雨量等级偏差,则该类统计模型的释用效果也无法达到预期正效果。
2)基于雷达、自动站实况观测的短临线性外推可以提升0-30分钟的短时强降水预报精度,但是30分钟以后,预报能力则快速下降。这主要是因为强对流天气的发展是个复杂的非线性问题,而现有的无论是光流法、还是相关系数法(CoTrec法等)外推预报都是按照半拉格朗日外推法线性外推,因此,这就导致了短时强降水的预报随着预报时间的延长,强降水的落区预报偏差也逐步增大。另外,极端的短时降水降水效率也存在变化,而传统的短临外推法是假设强度不变进行外推,因此,这也是导致强降水预报偏差的另一个原因。针对短临预报的技术缺陷,一些研究工作者尝试将雷达外推和区域数值模式的降水预报预报结果按照时间权重进行融合,进而改善0-2小时的短临外推预报效果,但是整体而言,由于区域数值对短时强降水预报能力有限以及不合适的权重融合参数,这些都使得融合外推预报技术对于短时强降水的预报能力的改善还是较为有限。
综上所述,目前短时暴雨的预报结果不够精确。
发明内容
本发明的目的在于解决上述现有技术存在的缺陷,提供一种依据多元观测实况信息,对区域模式释用预报模型参数进行动态的调整,进而提升区域的短时暴雨的预报能力。
一种短时暴雨预报释用模型的动态调整方法,包括以下步骤:
步骤三:将初步订正后的预测雨量和实况雷达估测降水RO进行比较分析,按照统计指数偏离最小策略计算搜索得到区域预报雨量RF的中尺度空间匹配矢量格点场;
进一步地,如上所述的短时暴雨预报释用模型的动态调整方法,所述步骤一包括以下步骤:
步骤1:预报雨量阈值Hr遍历循环测试5,10,15,25mm/h,在每个测试雨量阈值Hr下按照步骤2计算;
步骤2:预报雨量阈值Hr下的中尺度最优匹配计算:即对区域模式预报降水RF和实况雷达估测降水RO进行比较分析;计算预报雨量阈值Hr下,对RF进行不同时间和空间偏移后的相对RO的订正技巧评分;选择技巧评分成绩最优对应的时间和空间偏移作为预报雨量阈值Hr下的RF相对于RO的最优时间和空间偏移;
步骤3:步骤1-2确定了不同的预报雨量阈值对应的中尺度最优技巧评分,按照选择技巧评分成绩最优对应的预报雨量阈值Hr作为中尺度最优匹配的最优预报雨量阈值,并记录对应的最优时间和空间偏移;从而得到格点分辨50km的离散矢量场数据,即中尺度最优匹配的最优预报雨量阈值及其对应的最优时间和空间偏移;
进一步地,如上所述的短时暴雨预报释用模型的动态调整方法,所述步骤2包括:
公式中符号“&&”表示前后条件为并且关系,如果两侧条件都为真,则为1,否则为0;
公式中符号“*”表示前后数值相乘计算;
公式中的函数符号MAX(a,b)表示取a,b数值中的大值;
进一步地,如上所述的短时暴雨预报释用模型的动态调整方法,所述步骤二包括:
进一步地,如上所述的短时暴雨预报释用模型的动态调整方法,所述步骤三包括:
其中,
公式中符号“&&”表示前后条件为并且关系,如果两侧条件都为真,则为1,否则为0;
公式中符号“*”表示前后数值相乘计算;
公式中的函数符号MAX(a,b)表示取a,b数值中的大值;
公式中的函数符号abs表示取绝对值。
进一步地,如上所述的短时暴雨预报释用模型的动态调整方法,所述步骤七包括:
步骤72:利用半拉格朗日方法将所述时间调整区域预报雨量数据进行外推形变,获得形变后预报雨量数据;
有益效果:
本发明提供的方法,可以提升多元资料(雷达,自动雨量站)联合在区域模式释用中的应用,并进一步提升短时预报能力,为更好和短期预报无缝隙衔接提供技术支撑。提升短时暴雨的0-12小时预报的关键在于,需要通过联合多元实况观测资料,动态调整区域模式释用模型参数(时间,空间订正参数、雨量预报量级订正参数),进而提升区域模式释用预报能力。
本发明提供的方法,可以提升气象多元资料(雷达,自动雨量站观测数据和区域数值模式预报数据)融合分析应用能力。
本发明可以提升区域模式释用能力,提升对短时强降水的预报精度,为短时预报(0-12小时)和短期预报(24-72小时)的无缝隙衔接提供技术支撑,对于气象暴雨灾害的防灾减灾具有积极的意义。
附图说明
图3为动态调整区域模式预测短时强降水雨量流程图;
图4为搜索示意图;
图5为利用本申请方法改进前后的CSI评分结果对比图;
图6为利用本申请方法改进前后的POD评分结果对比图;
图7为2021年6月20日08:00-09:00(北京时)实况和20日03时预报08:00-09:00降水改进前和改进后对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明中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作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。
实况数据采用雷达联合自动雨量站进行降雨估测,生成近1小时降雨估测实况格点数据;通过双立方体插值方法将原有的1km分辨率的雷达降雨估测数据转为基准分辨率5km的网格数据。区域模式预报1小时雨量数据则通过最优插值方法插值为相同范围、相同分辨率5km的网格上。相比较自动雨量站的分布,雷达监测覆盖范围更大(对于近海,自动站只存在于陆地,但是雷达可以监测到整个浙江近海海域的强天气信息),因此,以雷达联合自动站的雨量估测作为实况基准,可以更合理、客观的动态评估出区域模式的时空偏差以及强度、形态上的偏差信息,进而实现对区域数值模式释用结果的动态调整。
由于本申请是利用雷达资料和自动站监测数据来订正区域模式的12小时的逐时预报,所以这里的比较的历史数据(1小时雷达估测降水和区域模式预报1小时雨量)的时序长度可以选择为3-6小时。本发明首先利用中尺度最优匹配计算出区域模式的预报数据的时空的系统偏差以及最优雨量阈值参数;然后,利用中尺度最优匹配计算出每个预报格点上的中尺度下的局部最优时、空间偏移参数;最后,依据同一起报时次的历史数据动态统计的以上偏差参数,对区域模式的预报雨量进行时间和空间上动态调整、降雨强度动态调整以及雨区形态上动态调整,从而改进未来12小时内的逐时短时强降水预报能力。
1)两者都能和短时暴雨对应的中尺度灾害天气密切相关,但是两者对应的环流场特征对应的生命时是有明显差异的。通常,相比中尺度,中尺度系统在12小时内要更为稳定,并且生命时要更持久,其反映了中尺度系统在较长时段内的整体变化趋势;但是对于一些环流上的更小的特征细节,则在中尺度信息上反映的更为清晰。
2)所以为了保证0-12小时的区域模式释用结果更稳定,本发明是假设在0-12小时内,中尺度的分析的最优时间、空间偏差信息以及最优的预报雨量阈值是不变的。而中尺度分析的最优匹配信息则随着预报时间的延长,呈现逐步衰减的趋势。
中尺度最优匹配主要分析出数值模式预测降水RF和实况雷达估测降水RO的系统性偏差。对分析范围内的每个分析格点,采用预报订正技巧评分(公式1,表示区域模式预报小时雨量大于阈值hr情况下的预报订正技巧评分)最大值策略来搜索确定对应的最优的时间和空间偏移。公式中的格点命中率加权指数、格点空报率加权指数以及格点漏报率加权指数都是在搜索半径范围内的计算格点为中心位置,按照公式(1)计算出来的数值。最优搜索中的时间最大搜索范围设定为3小时;而空间最大搜索范围设定为120km。公式(1)中的预报订正技巧是基于实时计算的有效预测准确率和历史同期的有效预测准确率B计算获得,当其数值为正,表明是正技巧,否则为负技巧。历史同期的有效预测准确率B为区域模式的历史同期时段计算出来数值。这里增加约束条件,如果当前分析格点的统计范围内,数据覆盖百分比低于中尺度的下限面积(20kmx20km),则将该格点标志为分析数据缺测。
公式中符号“&&”表示前后条件为并且关系,如果两侧条件都为真,则为1,否则为0;
公式中符号“*”表示前后数值相乘计算;
公式中的函数符号MAX(a,b)表示取a,b数值中的大值。
多尺度矢量内插算法:
首先将离散分布均匀的矢量数据生成5层不同统计尺度下的平均矢量格点数据。这里1-5层的统计半径依次选择为250km,350km,450km,550km和分析全场范围对应的尺度(km);任意格点位置的统计范围内矢量数据覆盖百分比低于30%,则依旧标注为该格点矢量数据缺测;然后采用双立方体插值方法依据进行内插,数据源则采用第一层统计半径统计的矢量数据,如果当前统计半径下数据缺测,则取对应位置的上一个统计半径层的矢量数据近似。最后获得分辨率为5km间隔的匹配格点矢量场。
最优预报雨量阈值的选择和格点矢量场生成方法:
利用中尺度的匹配追踪方法计算出hr=5 ,10,15,20,25mm/h雨量阈值对应的全场预报订正技巧评分之和。从这5个预报技巧中选出全场订正技巧最优的对应参数结果作为中尺度下的最优预报雨量阈值参数。
在确定最优预报雨量阈值之后,利用中尺度的匹配追踪技术可以计算出分析范围内间隔200km的格点最优匹配矢量信息和最优的时间偏移。由于短时强降水回波的区域性和不均衡性,因此,雷达降雨估测数据也存在不均衡性,这导致了部分区域的分析格点位置的最优匹配矢量是缺测的,因此要采用多尺度矢量内插算法用于将离散分布均匀的矢量插值为均一的目标矢量场,该矢量场可以用于后续的预报雨区的形变用途。
如图2所示,中尺度最优匹配方法首先依据中尺度空间匹配矢量场、最优时间偏移以及最优预报雨量阈值计算获得初步订正后的预测雨量,然后计算每个分析格点上的中尺度下的局部最优时、空间偏移,最后利用多尺度矢量内插算法将离散矢量信息插值为中尺度匹配格点矢量场(分辨率5km)。
初步订正预测雨量数据:
将区域模式预报小时雨量预报数据按照中尺度下的最优时空偏移参数进行时、空偏移,然后基于中尺度下计算出的最优预报雨量阈值,利用公式(2)对计算出初步订正系数MP,然后将区域模式雨量预报中的每个格点数值都乘以初步订正系数MP,最后获得初步订正后的预测雨量。
首先,对分析区域中的每个格点位置,在搜索半径范围(图4,默认搜素半径可以为40km)内计算出搜索范围内所有格点的有效命中指数D(公式3),选择搜索范围中所有有效命中指数D>=0.6的格点确定为合理搜索范围(图1黄色区域)。公式中的格点命中率加权指数、格点空报率加权指数以及格点漏报率加权指数都是在搜索半径范围内的计算格点为中心位置,按照公式(3)计算出来的数值。
其中,
公式中符号“&&”表示前后条件为并且关系,如果两侧条件都为真,则为1,否则为0;
公式中符号“*”表示前后数值相乘计算;
公式中的函数符号MAX(a,b)表示取a,b数值中的大值。
公式中的函数符号abs表示取绝对值。
短时强降水雨强(1小时雨量数值)订正参数:
依据动态订正参数调整短时强降水多尺度动态雨量时间、空间、强度和形态偏差:
如图3所示,以当前时次为界,将区域模式0-72小时的小时雨量预报分为两部分,小于当前时次的区域模式预报数据通过、中尺度最优匹配法计算获得动态调整参数(中尺度最优调整时间,中尺度匹配格点矢量场参数;中尺度匹配格点矢量场参数,中尺度预报雨强订正参数),将此调整参数用于大于当前时次的预报雨量数据,进而获得动态调整之后的释用雨量预报数据。
结论:
选取2021年4-9月模式预报的不同要素(降水量、反射率等级)、不同预报时效(0-6h)考察对浙江短时强降水(>20mm/h)的相关性统计分析,建立预报要素和降雨等级关系统计。动态匹配计算方法每6小时进行一次,进行逐小时滚动。图5、图6表明:与原始方法相比,改进后方法在0-12小时时效内CSI 、pod 均有一定的提升。随着时间的邻近,预报效果准确率越来越高。第1-2时刻,因为同化了实况资料、雷达同化资料导致分数优于其他时效,改进后的 POD 从2.6%提高到3.9%,CSI 从2.4%提高到3.6 %,FAR从85%降低到73 %。
选取浙江梅汛期一次降水过程为例(图7)。中尺度模式采用浙江省快速更新同化系统,初始场为三维变分分析并同化了各种观测资料,时间分辨率为1小时。分析发现:6月20日08-09时(北京时)浙中北地区有>=0.1毫米的降水,其中浙中地区出现>=10毫米的降水,改进前(业务中采用)短时预报产品的降水预报降水位置偏南,形态和实况存在差距,对于其量级估计不足。利用本研究方法改进后的预报降水落区(>=0.1、>=5)的区域与实况基本符合。5毫米以上的降水落区基本一致,略存在空报现象。但改进后的降水无论是在强度上还是落区上相比之前都有很大的改进。
最后应说明的是:以上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精神和范围。
Claims (6)
1.一种短时暴雨预报释用模型的动态调整方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的短时暴雨预报释用模型的动态调整方法,其特征在于,所述步骤一包括以下步骤:
步骤1:预报雨量阈值Hr遍历循环测试5,10,15,25mm/h,在每个测试雨量阈值Hr下按照步骤2计算;
步骤2:预报雨量阈值Hr下的中尺度最优匹配计算:即对区域模式预报降水RF和实况雷达估测降水RO进行比较分析;计算预报雨量阈值Hr下,对RF进行不同时间和空间偏移后的相对RO的订正技巧评分;选择技巧评分成绩最优对应的时间和空间偏移作为预报雨量阈值Hr下的RF相对于RO的最优时间和空间偏移;
步骤3:步骤1-2确定了不同的预报雨量阈值对应的中尺度最优技巧评分,按照选择技巧评分成绩最优对应的预报雨量阈值Hr作为中尺度最优匹配的最优预报雨量阈值,并记录对应的最优时间和空间偏移;从而得到格点分辨50km的离散矢量场数据,即中尺度最优匹配的最优预报雨量阈值及其对应的最优时间和空间偏移;
3.根据权利要求2所述的短时暴雨预报释用模型的动态调整方法,其特征在于,所述步骤2包括:
公式中符号“&&”表示前后条件为并且关系,如果两侧条件都为真,则为1,否则为0;
公式中符号“*”表示前后数值相乘计算;
公式中的函数符号MAX(a,b)表示取a,b数值中的大值;
5.根据权利要求1所述的短时暴雨预报释用模型的动态调整方法,其特征在于,所述步骤三包括:
其中,
公式中符号“&&”表示前后条件为并且关系,如果两侧条件都为真,则为1,否则为0;
公式中符号“*”表示前后数值相乘计算;
公式中的函数符号MAX(a,b)表示取a,b数值中的大值;
公式中的函数符号abs表示取绝对值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111653714.9A CN114004426B (zh) | 2021-12-31 | 2021-12-31 | 一种短时暴雨预报释用模型的动态调整方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111653714.9A CN114004426B (zh) | 2021-12-31 | 2021-12-31 | 一种短时暴雨预报释用模型的动态调整方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114004426A CN114004426A (zh) | 2022-02-01 |
CN114004426B true CN114004426B (zh) | 2022-04-29 |
Family
ID=79932417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111653714.9A Active CN114004426B (zh) | 2021-12-31 | 2021-12-31 | 一种短时暴雨预报释用模型的动态调整方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004426B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115755221B (zh) * | 2022-10-22 | 2024-08-23 | 天津大学 | 一种基于数理不确定性分析的多源降水数据融合方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113419246A (zh) * | 2021-06-11 | 2021-09-21 | 兰州大学 | 一种用于雷达资料高频同化的Nudging逼近多时刻3DVar分析场方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3298359B2 (ja) * | 1995-05-12 | 2002-07-02 | 株式会社日立製作所 | レーダを用いた降雨予測システム |
CN102662172A (zh) * | 2012-03-29 | 2012-09-12 | 天津大学 | 一种基于多普勒雷达反射率图像的风暴云团的外推方法 |
CN112070286B (zh) * | 2020-08-25 | 2023-11-24 | 贵州黔源电力股份有限公司 | 复杂地形流域的降水预报预警系统 |
-
2021
- 2021-12-31 CN CN202111653714.9A patent/CN114004426B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113419246A (zh) * | 2021-06-11 | 2021-09-21 | 兰州大学 | 一种用于雷达资料高频同化的Nudging逼近多时刻3DVar分析场方法 |
Non-Patent Citations (1)
Title |
---|
基于雷达外推临近预报和中尺度数值预报融合技术的短时定量降水预报试验;程丛兰等;《气象学报》;20130630;第71卷(第03期);第397-415页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114004426A (zh) | 2022-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110346844A (zh) | Nriet基于云分类和机器学习的定量降水估测方法 | |
CN112070286B (zh) | 复杂地形流域的降水预报预警系统 | |
CN110555561B (zh) | 一种中长期径流集合预报方法 | |
Goudenhoofdt et al. | Evaluation of radar-gauge merging methods for quantitative precipitation estimates | |
CN113919231B (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 | |
CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
Hong et al. | Basis for recommending an update of wind velocity pressures in Canadian design codes | |
CN111027175A (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
CN105974495B (zh) | 利用分类拟合法预判目标区域未来平均云量的方法 | |
CN108983324B (zh) | 一种基于卡尔曼滤波的气温预报方法及系统 | |
CN113267834A (zh) | 一种基于多模型集成的融合降水预报方法 | |
CN113281754B (zh) | 一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法 | |
CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
CN114114358B (zh) | 一种基于多源卫星数据融合的北极海冰厚度空间分辨率改进方法 | |
CN107748933B (zh) | 气象要素报文数据误差修正方法、雾、日出、云海、雾凇预测方法 | |
Sokol et al. | Nowcasting of precipitation–advective statistical forecast model (SAM) for the Czech Republic | |
CN114004426B (zh) | 一种短时暴雨预报释用模型的动态调整方法 | |
CN105759274A (zh) | 一种台风关注区雷达降水估测方法 | |
CN113435630A (zh) | 一种产流模式自适应的流域水文预报方法及系统 | |
CN112363168A (zh) | 一种基于雷达外推和模式预报的同化融合方法 | |
Yin et al. | On statistical nowcasting of road surface temperature | |
KR101486798B1 (ko) | 기후정보 편의 보정을 위한 단계적 스케일링 방법 | |
CN115049013A (zh) | 一种联合线性和svm的短时降雨预警模型融合方法 | |
CN113821895B (zh) | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 | |
CN117930168A (zh) | 一种新型神经网络的流域强降雨过程回波外推方法 |
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 |