CN114488349A - 一种基于gnss-pwv多因子的局域短临降水预报模型的构建方法 - Google Patents
一种基于gnss-pwv多因子的局域短临降水预报模型的构建方法 Download PDFInfo
- Publication number
- CN114488349A CN114488349A CN202210002677.3A CN202210002677A CN114488349A CN 114488349 A CN114488349 A CN 114488349A CN 202210002677 A CN202210002677 A CN 202210002677A CN 114488349 A CN114488349 A CN 114488349A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- gnss
- forecast
- local
- pwv
- 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.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 9
- 238000001556 precipitation Methods 0.000 claims abstract description 168
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 26
- 230000007423 decrease Effects 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 14
- 230000001186 cumulative effect Effects 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 3
- 239000005442 atmospheric precipitation Substances 0.000 claims description 2
- 238000012795 verification Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 description 7
- 230000003247 decreasing effect Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 239000005436 troposphere Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
Landscapes
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于GNSS‑PWV多因子的局域短临降水预报模型的构建方法,属于GNSS气象学、GNSS大气应用技术领域。本发明通过收集局域短时临近降水预报模型所需的局域多系统地基GNSS大气水汽及与其相对应的临近气象观测站点的实际降水数据的长时序临时数据,进行高精度GNSS大气水汽反演;由所收集的地基GNSS‑PWV计算获取所述局域临近降水预报模型的预报因子;将GNSS大气参数、所计算的降水预报因子以及与其相对应的实际降水观测数据进行分析,得到所述局域短时临近降水预报模型中使用的多类型预报因子的降水阈值;基于根据局域气候等条件设定的降水阈值及针对局域短时临近降水预报模型设定的降水评价指标开展应用验证及分析,最终得到所述局域短临降水预报模型。
Description
技术领域
本发明涉及一种基于GNSS-PWV多因子的局域短临降水预报模型的构建方法,属于GNSS气象学、GNSS大气应用技术领域,局域是指以站点为圆心,半价在50km以内。
背景技术
水汽是地球大气层中一种极其重要的温室气体,其在天气动力系统、大气环境科学、测绘科学与技术、空间科学、航空以及水文学等诸多领域都发挥着至关重要的作用。尽管水汽的含量在大气中只占0.1%-3%,却是大气中最活跃的成分之一。在大气环境中,温、湿、压等气象要素的时序变化与降水事件的发生紧密相关,而在影响天气变化的众多气象要素中,用于表征大气水汽含量的大气可降水量(precipitable water vapor,PWV)又是最重要的参数之一,它主要指地面至大气层顶单位截面积空气柱中水汽凝结为雨的过程中所形成的降水量,其数值可以较好地反应出大气中的水汽含量。通常在降水事件发生前的数小时内,PWV会出现不连续以及突然增大的现象,在上升到一个较高的数值之后便迅速下降,随着降水事件的发生,其含量会进一步下降。然而,大气中的水汽主要分布在对流层内,由于其具有时空分布复杂且变化较快的特点,也使得对其进行高精度实时监测极具困难。目前应用于业务天气预报中的包含水汽在内的气象数据主要来源于无线电探空仪,但其观测时次少,地面站稀疏、运行费用高且仪器偏差大,难以广泛地使用。其他探测手段如地基辐射计虽然具有较高的精度以及高时间分辨率,但其价格昂贵,且会受到天气的限制,在出现雨雪或大雾天气状况时无法提供精确的观测值,致使其空间分辨率较低且无法实现全天候观测。卫星遥感(红外遥感及微波遥感)虽然可以提供较大面积的观测,但红外遥感同样易受云雨影响,而微波遥感虽然能够不受影响全天候工作,但其精度较低。因此,常规气象观测技术受限于时空分辨率、精度、使用成本等因素,其观测结果难以较好地满足局地、突发性降水等中小尺度天气的短时临近天气预报需求。
随着新一代GNSS(Global Navigation Satellite System,全球导航卫星系统)的高速发展,特别是我国北斗导航卫星系统(BeiDou Navigation Satellite System,BDS)的快速建成,对我们开展以北斗为核心的多系统GNSS大气探测奠定了重要基础。与传统的技术手段相比,地基GNSS大气探测技术具有运行成本低、时空分辨率高、全天候、无漂移和仪器偏差以及观测稳定等特点,可为水汽等气象要素监测以及短时临近天气预报等提供精度较高且相对独立的信息源。PWV可由GNSS天顶总延迟(zenith total delay,ZTD)结合气象观测信息依托经验模型反演得到,近年来随着GNSS精密单点定位技术的发展,使得获取高精度高时间分辨率的ZTD成为现实,从而PWV的精度也随之得到了进一步的提升。
GNSS大气水汽探测相较与众多传统水汽探测手段具有无可比拟的优势,且GNSS大气水汽探测信息同降水事件等气象事件的发生具有密切的联系,但当前对于利用GNSS观测进行短临天气预报并未有成熟的完备的方法。当前的数值预报模式往往从大范围区域入手,且预报时效上往往难以较好地实现短时临近预报,因此,进一步挖掘GNSS水汽时间序列同降水事件的密切关系、充分揭示利用GNSS大气水汽开展局域短时临近降水预报的科学性、必要性和可行性、从而利用GNSS大气水汽探测针对有特定需要的局域开展短时临近预报具有重要的科学意义和广阔的应用前景。
发明内容
本发明的技术解决问题是:克服现有技术的不足,提出了一种基于GNSS-PWV多因子的局域短临降水预报模型的构建方法,所述模型能够较为完整地反应GNSS大气水汽同实际降水间的关系,较好地依托GNSS高时空分辨率以及高精度观测,可有效针对局域地区和特定时段建立起一种精细的短临降水预报模型,弥补大范围数值天气预报模型在短临预报应用中的不足,也可为降水事件的业务预报提供良好的补充,有效地提高预报的时效性、针对性和全面性。
一种基于GNSS-PWV多因子的局域短临降水预报模型的构建方法,该方法的步骤包括:
第一步,按照设定的时间间隔收集多系统的地基GNSS大气参数,还收集对应时刻的由临近气象观测站点获取的实际降水观测记录,对收集的地基GNSS大气参数进行高精度大气水汽反演,得到大气可降水量(GNSS-PWV);
所述的多系统是指GPS系统、GLONASS系统、Galileo系统以及北斗系统;
第二步,根据第一步得到的大气可降水量得到不同类型的预报因子,不同类型的预报因子包括累积增长率和累积下降率,还可以包括逐小时增长量、逐小时下降量、累积增长量、累积下降量;
第三步,根据第一步收集的实际降水观测记录和第二步得到的不同类型的预报因子获取各自针对降水事件的预报阈值;
第四步,利用第二步得到的不同类型的预报因子构造局域的降水评价指标;
第五步,利用第三步得到的不同类型的预报因子各自针对降水事件的预报阈值及第一步收集的实际降水观测记录对第四步的局域的降水评价指标进行分析测试,确定出最优的适合局域的降水评价指标;
第六步,根据第五步得到的最优的降水评价指标和第三步得到的不同类型的预报因子各自针对降水事件的预报阈值得到局域短临降水预报模型;
所述的第一步中,进行高精度大气水汽反演后,利用并置的探空站获取的PWV对反演得到的大气可降水量进行分析比对,通过计算偏差或均方根误差参数,得到GNSS大气水汽反演精度,并进行去噪和修正,保证数据质量;
所述的第二步中,根据大气可降水量得到不同类型的预报因子时,设定12小时的滑动时间窗口,以每一个窗口内的GNSS-PWV时序的变化情况来求取选定的降水预报因子;
所述的第三步中,根据实际降水观测记录和不同类型的预报因子获取各自针对降水事件的预报阈值的方法为:
采用临界成功指数(Critical success index,CSI)作为主要评价指标,其较好地兼顾了预报准确率及预报产生的误报率,在确保准确率较高的基础上,进一步控制预报的误报率,在实施过程中,对于各个预报因子首先根据局域的季节及气候条件,选定在某个范围的阈值候选值,并基于第一步得到的实际降水观测记录和大气可降水量,选出其中由最高的CSI值所对应的预报因子数值作为降水事件的预报阈值;
根据不同的局域短临降水发生的量级,针对每一个预报因子确定出不同降水量级的降水阈值;
所述的第五步中,获取最优的适合局域的降水评价指标的方法为:
根据降水事件发生前各个预报因子的变化情况选取能够获取到最高的CSI指标的组合作为主要评价指标,其他预报因子作为辅助评价指标,来进一步降低漏报率,提升预报效果,应针对不同的区域、季节以及气候条件,优化地选择预报因子以及降水评价指标的组合,从而得到针对局域短临降水预报更好的预报效果;
所述的第六步中,在得到局域短临降水预报模型过程中,为提升预报结果的合理性,在预报过程中设定12小时的滑动预报时间窗口,仅将当前时刻的预报结果同未来12小时的实际降水进行对比,每一历元得到的预报结果仅对于未来12小时的实际情况具有预报作用。
将选定的预报因子以及确定好的预报指标用于局域短临降水预报模型中,得到所述局域短临降水发生概率和量级,与所述局域对应时段的实际降水观测数据进行对比,以对所述局域短临降水预报模型进行验证。
有益效果
(1)本发明根据长时序的GNSS-PWV历史数据及对应的实际降水观测间的对比,可以发现降水事件往往发生于GNSS-PWV出现快速的增长,并达到一个较高的数值,紧接着迅速下降的这一过程之后。GNSS-PWV往往也会随着降水的发生持续地下降,因此,为较为全面地反映GNSS-PWV同降水发生间的关系,所述模型的预报因子从以上各个阶段的GNSS-PWV变化过程进行选取。
(2)本发明通过收集局域短时临近降水预报模型所需的局域多系统地基GNSS大气水汽及与其相对应的临近气象观测站点的实际降水数据的长时序临时数据,进行高精度GNSS大气水汽反演,并对所述数据进行分类保存;由所收集的地基GNSS-PWV计算获取所述局域临近降水预报模型的预报因子;将长时序的GNSS大气参数、所计算的降水预报因子以及与其相对应的实际降水观测数据进行分析,得到所述局域短时临近降水预报模型中使用的多类型预报因子的降水阈值;基于根据局域气候等条件设定的降水阈值及针对局域短时临近降水预报模型设定的降水评价指标开展应用验证及分析,最终得到所述局域短临降水预报模型。所述模型能够较为完整地反应GNSS大气水汽同实际降水间的关系,较好地依托GNSS高时空分辨率以及高精度观测,可有效针对局域地区和特定时段建立起一种精细的短临降水预报模型,弥补大范围数值天气预报模型在短临预报应用中的不足,也可为降水事件的业务预报提供良好的补充,有效地提高预报的时效性、针对性和全面性。
(3)使用多系统地基GNSS大气参数进行大气水汽反演,每个历元均具有更多的可见卫星数量,能够有效地保障所获取的大气可降水量的精度,从而更好地应用于降水事件的短临预警预报。
(4)基于大气可降水量得到不同类型的预报因子,不仅能够全面地体现大气可降水量增长以及下降的变化,还能充分体现大气可降水量时序变化的短时效应和累积效应;
(5)通过求取各个预报因子的降水阈值、构造最优的降水评价指标够较好地利用大气可降水量同降水事件的响应关系,开展局域降水事件的短临预报。
附图说明
图1为本发明的方法的流程示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
局域短临降水预报模型也可以称为局域短时临近降水预报模型,该方法可以包括:
步骤1:通过收集局域短时临近降水预报模型所需的局域多系统地基GNSS大气参数及与其相对应的临近气象观测站点的实际降水数据的长时序临时数据,进行高精度GNSS大气水汽反演,并对所述数据进行分类保存。
在模型建立之前,需要首先获取所选取进行研究的局部区域内包括多系统地基GNSS观测以及与其并置的具备完善的雨量观测装置的自动气象站获得的实际降水观测数据信息,其中,为得到较为精确的模型,需要收集所述数据的长时序历史数据来在后续步骤中求取更为可靠的降水阈值信息并进行模型的验证;为服务于短时临近降水预报需求,应同时收集处理所述观测的实时数据流来进行所述模型局域短时临近降水预报的实际运行。在收集好以上所述观测信息后,应将其存储在不同的数据库中,或者存储在相同数据库的不同数据列表里,在此不作限定,只要将不同种类的数据进行分类存储即可。
对于所收集的实际降水观测数据(实际累积降水量),由于无论是在局域短临降水预报模型的构建过程中对于不同的预报因子进行降水阈值的求取还是在局域短临降水预报模型验证过程中的局域短临降水预报模型预报精度评估,都需要使用到实际降水数据,因此需通过局域的雨量站获取到该局部地区的实际降水数据。
对于所收集的GNSS大气观测信息,为了使用与降水等气象事件的发生强相关的GNSS大气水汽信息,应进一步根据所述GNSS大气观测信息进行高精度反演。由于GNSS信号穿过对流层时会受到对流层延迟误差的影响,经过不同GNSS观测模式(精密单点定位和双差定位)处理后,便可以首先获得GNSS-ZTD(zenith total delay,天顶总延迟)。其中,对于GNSS-ZTD自2007年开始,IGS中心提供部分站PPP解算的精度可达1.5mm、时间分辨率可达5min的ZTD产品,使其能够更好地应用于GNSS-PWV的高精度反演。由于ZTD可分为ZHD(zenith hydrostatic delay,天顶静力延迟)和ZWD(zenith wet delay,天顶湿延迟)。其中,ZHD通常用Saastamoinen模型计算获取,从ZTD中减去计算得到的ZHD便可获得ZWD信息,然后利用包括温度在内的气象观测信息形成转换因子,便可由ZWD反演获得高精度的GNSS-PWV信息。由于大气水汽与降水事件的发生息息相关,结合我国北斗新型信号体制及混合星座优势,充分利用包括北斗在内的高精度GNSS观测数据反演获取研究区域高精度的GNSS-PWV数据。
最终,应将所述反演得到的高精度GNSS-PWV长时间序列的观测信息按照同所述GNSS大气观测以及实际降水相同的方法分类保存,从而为后续步骤中完成降水预报模型的构建和验证提供较好地数据基础。
步骤2:由所收集的地基GNSS-PWV计算获取所述局域临近降水预报模型的预报因子。
由于GNSS-PWV的变化趋势同降水事件的发生密切相关,通过根据长时序的GNSS-PWV数据及对应的实际降水观测间的对比,可以发现降水事件往往发生于GNSS-PWV出现快速的增长,并达到一个较高的数值,紧接着迅速下降的这一过程之后。GNSS-PWV往往也会随着降水的发生持续地下降,因此,为较为全面地反映GNSS-PWV同降水发生间的关系,所述模型的预报因子从以上各个阶段的GNSS-PWV变化过程进行选取。在一示例中,所述降水预报因子可以选定为:GNSS-PWV、GNSS-PWV累计增长量、GNSS-PWV累计下降量、GNSS-PWV增长率、GNSS-PWV下降率。
其中,作为降水发生的宏观条件,所述的GNSS-PWV快速增长的过程较好地指示着水汽的水平输送运动,大量的水汽被输送运移至所选区域,即降水发生区域,因此,GNSS-PWV出现快速的增长过程。为较好地表征这一变化,可以选定GNSS-PWV累计增长量以及GNSS-PWV增长率作为预报因子;
在GNSS-PWV快速增长后,会达到一个峰值,表示在降水前水汽达到降水的饱和状态,为了较好地表征这一现象,可以直接选定GNSS-PWV作为预报因子,当其抵达一个较大的降水阈值后便有较大概率产生降水,因此GNSS-PWV满足作为预报因子的条件。
而作为降水发生的微观条件,在降水发生前,所述的GNSS-PWV抵达峰值后会出现迅速的下降,这一现象较好地指示着水汽在降水地区辐合上升,在上升中绝热膨胀冷却凝结成云,而在降水即将发生之前,云滴增长变为雨滴下降,因此,在此过程中GNSS-PWV出现达到峰值后迅速下降的过程。为了进一步表征这一现象,可以选定GNSS累计下降量以及GNSS下降率作为预报因子。
步骤3:将长时序的GNSS大气参数、所计算的降水预报因子以及与其相对应的实际降水观测数据进行分析,得到所述局域临近降水预报模型中使用的多类型预报因子的降水阈值;。
降水阈值代表着当预报因子的值超过了这一设定的值之后,便会做出即将发生降水事件的预报,所述每一个预报因子均代表这GNSS-PWV不同的变化过程。因此,应精确地对所述设定的预报因子的降水阈值进行确定。
在一示例中,针对各个预报因子降水阈值确定过程,采用临界成功指数(Criticalsuccess index,CSI)作为主要评价指标,其由准确预报数(n11)、误报数(n12)以及漏报数(n21)求得,CSI能够较好地兼顾预报结果的准确率(Probability of detection,POD)以及预报所产生的误报率(False alarm rate,FAR),在确保高准确率的基础上,进一步控制预报的误报率,所述指标的计算公式如下。
CSI=n11/(n11+n12+n21)
POD=n11/(n11+n21)
FAR=n12/(n11+n12)
在所述示例的具体的求取过程中,对于各个预报因子首先应根据所选择的局部区域的季节及气候条件,选定一定数值范围的阈值候选值,基于长时序的历史GNSS-PWV及对应的实际降水数据,由每一个阈值候选值均可以得到一个特定的CSI值,最终选定最高的CSI值所对应的数值作为该预报因子的降水预报阈值。
对于所述预报因子,由于不同的地域、季节、气候条件均会对GNSS-PWV产生影响,因此,在一示例中,选定以月为单位,逐月求取每一个选定的预报因子的逐月降水阈值。
步骤4:基于根据局域气候等条件设定的降水阈值及针对局域短时临近降水预报模型设定的降水评价指标开展应用验证及分析,最终得到所述局域短临降水预报模型。
在实施过程中,应根据发生降水前各个预报因子的变化情况进行详细分析,并选取能够获取到最好的CSI指标的组合作为主要评价指标,来保证预报结果有较高的成功率的同时降低误报率;其他预报因子作为辅助评价指标,来进一步降低漏报率,提升预报效果。
其中,可以选定GNSS-PWV增长率以及GNSS-PWV下降率的组合作为主要评价指标,选择GNSS-PWV累计增长量、GNSS-PWV累积下降量以及GNSS-PWV值的组合作为辅助评价指标。
最终,应将选定的预报因子以及确定好的预报指标用于局域短临降水预报模型中,得到所述局域短临降水发生概率和量级,与所述局域对应时段的实际降水观测数据进行对比,每一历元均可以得到一个相对应的结果(准确预报、误报、漏报),从而将一完整时段的累计结果按照上述公式计算POD以及FAR,实现对所述局域短临降水预报模型进行验证。
在一种可能的实现方式中,所述方法还包括:由于大气中水汽变化较快,往往在短时间内就会出现较大的变化,因此,为有效提升预报因子选取的合理性,保障预报因子所产生的预报结果的可靠性,在选取过程中,设定12小时的滑动时间窗口,以每一个窗口内的GNSS-PWV时序的变化情况来求取选定的降水预报因子。
在一种可能的实现方式中,所述方法还包括:为提升预报结果的合理性,在每一个时刻的预报过程中,在所述局域临近降水预报模型的验证和使用过程中,设定12小时的滑动预报时间窗口,在所述模型验证过程中,仅将当前时刻的预报结果同未来12小时的实际降水进行对比;在所述模型的实际应用中,每一历元得到的预报结果仅对于未来12小时的实际情况具有预报作用。
在一种可能的实现方式中,所述将GNSS大气参数及实际降水数据用于构建及验证所述模型之前还包括:将所述GNSS-PWV利用并置的探空站获取的大气水汽信息进行对比,获取对应的偏差或均方根误差参数,得到GNSS大气水汽反演精度,并进一步对其进行去噪和修正,保证数据质量。
例如,在完成降水预报模型使用的GNSS观测在内的多类型大气参数以及相对应的实际降水观测数据的获取、分类和存储后,应进一步开展针对局部短临降水预报模型应用的多类型气象参数质量控制及精度验证工作,以保障局部短临降水预报模型所使用的参数精度,例如针对GNSS观测,可以利用研究局部区域内同GNSS站点并置的无线电探空仪、水汽辐射计等高精度水汽观测技术对于反演获得的GNSS-PWV进行精度验证,利用偏差、均方根误差等评价参数进行评估,针对GNSS多类型大气参数的反演结果进行粗差剔除、偏差修正以及误差特性的确定,最终确保将经过去噪和修正的高精度GNSS-PWV应用于基于GNSS-PWV多因子的短时临近降水预报模型中。
在一种可能的实现方式中,所述方法还包括:应针对不同的区域、季节以及气候条件,优化地选择预报因子以及降水评价指标的组合,从而得到针对局域短临降水预报更好的预报效果。
基于所述一实施例中使用的预报因子,针对不同的气候条件以及不同的地域影响,往往主要指标会有不同的组合形式和选取方式,应在实施过程中,基于所选择研究区域的实际情况,在模型构建过程中,选择能够获取到更好的临界成功指数的评价指标类型,从而进一步应用到实际的模型运行中。
在一种可能的实现方式中,所述方法还包括:基于所述的阈值选定方法,根据不同的局域短临降水发生的量级,可以针对每一个预报因子确定出不同降水量级的降水发生阈值,从而应用不同的阈值可以在预报结果中定量地预报出降水发生的量级,如表1所示不同时段的降雨量等级划分表(GB/T 28592-2012)。
表1
本公开通过收集局域短时临近降水预报模型所需的局域多系统地基GNSS大气参数及与其相对应的临近气象观测站点的实际降水数据的长时序临时数据,进行高精度GNSS大气水汽反演,并对所述数据进行分类保存;由所收集的地基GNSS-PWV计算获取所述局域临近降水预报模型的预报因子;将长时序的GNSS大气参数、所计算的降水预报因子以及与其相对应的实际降水观测数据进行分析,得到所述局域短时临近降水预报模型中使用的多类型预报因子的降水阈值;基于根据局域气候等条件设定的降水阈值及针对局域短时临近降水预报模型设定的降水评价指标开展应用验证及分析,最终得到所述局域短临降水预报模型。所述模型能够较为完整地反应GNSS大气水汽同实际降水间的关系,较好地依托GNSS高时空分辨率以及高精度观测,可有效针对局域地区和特定时段建立起一种精细的短临降水预报模型,弥补大范围数值天气预报模型在短临预报应用中的不足,也可为降水事件的业务预报提供良好的补充,有效地提高预报的时效性、针对性和全面性。
实施例
如图1所示,局域为香港,对香港进行短临降水预报模型的构建方法,该方法的步骤包括:
第一步,按照每小时收集多系统的地基GNSS大气参数,还收集对应时刻的由临近气象观测站点获取的实际降水观测记录,对收集的地基GNSS大气参数进行高精度大气水汽反演,得到大气可降水量(GNSS-PWV);
第二步,根据第一步得到的大气可降水量得到不同类型的预报因子,不同类型的预报因子包括累积增长率、累积下降率、累积增长量、累积下降量、大气可降水量数值;
第三步,根据第一步收集的实际降水观测记录和第二步得到的不同类型的预报因子获取各自针对暴雨事件的预报阈值,8月份的累积增长率的预报阈值为1.1mm/h,累积下降率的预报阈值为1.25mm/h,累积增长量的预报阈值为3.6mm,累积下降量的预报阈值为2.0mm,大气可降水量的预报阈值为70mm;
第四步,利用第二步得到的不同类型的预报因子构造局域的降水评价指标;
第五步,利用第三步得到的不同类型的预报因子各自针对降水事件的预报阈值及第一步收集的实际降水观测记录对第四步的局域的降水评价指标进行分析测试,确定出最优的适合局域的降水评价指标,其中,累积增长率和累积下降率为主要评价指标,累积增长量、累积下降量和大气可降水量数值为辅助评价指标;
第六步,根据第五步得到的最优的降水评价指标和第三步得到的不同类型的预报因子各自针对降水事件的预报阈值得到局域短临降水预报模型;
将选定的预报因子以及确定好的预报指标用于局域短临降水预报模型中,得到所述局域短临降水发生概率和量级,与所述局域对应时段的实际降水观测数据进行对比,以对所述局域短临降水预报模型进行验证,验证结果显示,针对2010-2019年10年间8月这一时段的正确预报率为97.0%,误报率为33.3%。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于GNSS-PWV多因子的局域短临降水预报模型的构建方法,其特征在于该方法的步骤包括:
第一步,按照设定的时间间隔收集多系统的地基GNSS大气参数,还收集对应时刻的由临近气象观测站点获取的实际降水观测记录,对收集的地基GNSS大气参数进行高精度大气水汽反演,得到大气可降水量;
第二步,根据第一步得到的大气可降水量得到不同类型的预报因子;
第三步,根据第一步收集的实际降水观测记录和第二步得到的不同类型的预报因子获取各自针对降水事件的预报阈值;
第四步,利用第二步得到的不同类型的预报因子构造局域的降水评价指标;
第五步,利用第三步得到的不同类型的预报因子各自针对降水事件的预报阈值及第一步收集的实际降水观测记录对第四步的局域的降水评价指标进行分析测试,确定出最优的适合局域的降水评价指标;
第六步,根据第五步得到的最优的降水评价指标和第三步得到的不同类型的预报因子各自针对降水事件的预报阈值得到局域短临降水预报模型。
2.根据权利要求1所述的一种基于GNSS-PWV多因子的局域短临降水预报模型的构建方法,其特征在于:
所述的第一步中,多系统是指GPS系统、GLONASS系统、Galileo系统以及北斗系统。
3.根据权利要求1所述的一种基于GNSS-PWV多因子的局域短临降水预报模型的构建方法,其特征在于:
所述的第二步中,不同类型的预报因子包括累积增长率和累积下降率。
4.根据权利要求3所述的一种基于GNSS-PWV多因子的局域短临降水预报模型的构建方法,其特征在于:
不同类型的预报因子还可以包括逐小时增长量、逐小时下降量、累积增长量、累积下降量。
5.根据权利要求1-4任一所述的一种基于GNSS-PWV多因子的局域短临降水预报模型的构建方法,其特征在于:
所述的第一步中,进行高精度大气水汽反演后,利用并置的探空站获取的PWV对反演得到的大气可降水量进行分析比对,通过计算偏差或均方根误差参数,得到GNSS大气水汽反演精度,并进行去噪和修正。
6.根据权利要求1-4任一所述的一种基于GNSS-PWV多因子的局域短临降水预报模型的构建方法,其特征在于:
所述的第二步中,根据大气可降水量得到不同类型的预报因子时,设定12小时的滑动时间窗口,以每一个窗口内的GNSS-PWV时序的变化情况来求取选定的降水预报因子。
7.根据权利要求1-4任一所述的一种基于GNSS-PWV多因子的局域短临降水预报模型的构建方法,其特征在于:
所述的第三步中,根据实际降水观测记录和不同类型的预报因子获取各自针对降水事件的预报阈值的方法为:
采用临界成功指数作为主要评价指标,对于各个预报因子首先根据局域的季节及气候条件,选定在某个范围的阈值候选值,并基于第一步得到的实际降水观测记录和大气可降水量,选出其中由最高的CSI值所对应的预报因子数值作为降水事件的预报阈值;根据不同的局域短临降水发生的量级,针对每一个预报因子确定出不同降水量级的降水阈值。
8.根据权利要求1-4任一所述的一种基于GNSS-PWV多因子的局域短临降水预报模型的构建方法,其特征在于:
所述的第五步中,获取最优的适合局域的降水评价指标的方法为:
根据降水事件发生前各个预报因子的变化情况选取能够获取到最高的CSI指标的组合作为主要评价指标,其他预报因子作为辅助评价指标。
9.根据权利要求8所述的一种基于GNSS-PWV多因子的局域短临降水预报模型的构建方法,其特征在于:
针对不同的区域、季节以及气候条件,优化地选择预报因子以及降水评价指标的组合。
10.根据权利要求1-4任一所述的一种基于GNSS-PWV多因子的局域短临降水预报模型的构建方法,其特征在于:
所述的第六步中,在得到局域短临降水预报模型过程中,在预报过程中设定12小时的滑动预报时间窗口,仅将当前时刻的预报结果同未来12小时的实际降水进行对比,每一历元得到的预报结果仅对于未来12小时的实际情况具有预报作用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210002677.3A CN114488349A (zh) | 2022-01-04 | 2022-01-04 | 一种基于gnss-pwv多因子的局域短临降水预报模型的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210002677.3A CN114488349A (zh) | 2022-01-04 | 2022-01-04 | 一种基于gnss-pwv多因子的局域短临降水预报模型的构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114488349A true CN114488349A (zh) | 2022-05-13 |
Family
ID=81510267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210002677.3A Pending CN114488349A (zh) | 2022-01-04 | 2022-01-04 | 一种基于gnss-pwv多因子的局域短临降水预报模型的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114488349A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114910982A (zh) * | 2022-07-05 | 2022-08-16 | 中国电建集团西北勘测设计研究院有限公司 | 一种基于北斗技术的降雨预警模型构建方法 |
CN115236770A (zh) * | 2022-06-29 | 2022-10-25 | 广西壮族自治区气象科学研究所 | 基于时空堆叠和样本重构的非线性短时临近降水预报方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112035448A (zh) * | 2020-07-13 | 2020-12-04 | 国家海洋信息中心 | 一种综合地基gnss水汽和气象要素的神经网络短临降水预报方法 |
CN112232554A (zh) * | 2020-09-28 | 2021-01-15 | 中国科学院空天信息创新研究院 | 一种基于bp神经网络的局域短临降水预报模型的构建方法 |
-
2022
- 2022-01-04 CN CN202210002677.3A patent/CN114488349A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112035448A (zh) * | 2020-07-13 | 2020-12-04 | 国家海洋信息中心 | 一种综合地基gnss水汽和气象要素的神经网络短临降水预报方法 |
CN112232554A (zh) * | 2020-09-28 | 2021-01-15 | 中国科学院空天信息创新研究院 | 一种基于bp神经网络的局域短临降水预报模型的构建方法 |
Non-Patent Citations (3)
Title |
---|
李浩博: "基于 GNSS 大气反演信息的短临极端天气 预警预报研究" * |
窦新玉 等: "GNSS 遥感研究进展与思考" * |
郭敏 等: "GNSS天顶对流层延迟的短时天气预报分析" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115236770A (zh) * | 2022-06-29 | 2022-10-25 | 广西壮族自治区气象科学研究所 | 基于时空堆叠和样本重构的非线性短时临近降水预报方法 |
CN115236770B (zh) * | 2022-06-29 | 2024-05-28 | 广西壮族自治区气象科学研究所 | 基于时空堆叠和样本重构的非线性短时临近降水预报方法 |
CN114910982A (zh) * | 2022-07-05 | 2022-08-16 | 中国电建集团西北勘测设计研究院有限公司 | 一种基于北斗技术的降雨预警模型构建方法 |
CN114910982B (zh) * | 2022-07-05 | 2024-05-14 | 中国电建集团西北勘测设计研究院有限公司 | 一种基于北斗技术的降雨预警模型构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Haiden et al. | Evaluation of ECMWF forecasts, including the 2018 upgrade | |
Zhao et al. | An improved rainfall forecasting model based on GNSS observations | |
Chu et al. | Changes in precipitation extremes in the Hawaiian Islands in a warming climate | |
CN114488349A (zh) | 一种基于gnss-pwv多因子的局域短临降水预报模型的构建方法 | |
Liu et al. | Characteristics and performance of vertical winds as observed by the radar wind profiler network of China | |
Baldi et al. | Hail occurrence in Italy: Towards a national database and climatology | |
De Vos et al. | Rainfall estimation accuracy of a nationwide instantaneously sampling commercial microwave link network: Error dependency on known characteristics | |
CN101893714B (zh) | 全球卫星导航系统广播电离层时延修正方法 | |
CN112232554A (zh) | 一种基于bp神经网络的局域短临降水预报模型的构建方法 | |
Miller et al. | Warming drives a front of white spruce establishment near western treeline, Alaska | |
Chen et al. | Detecting water vapor variability during heavy precipitation events in Hong Kong using the GPS tomographic technique | |
CN111401602A (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
Schär et al. | Seasonal runoff forecasting using precipitation from meteorological data assimilation systems | |
Zhang et al. | Comprehensive evaluation of mainstream gridded precipitation datasets in the cold season across the Tibetan Plateau | |
Ashok et al. | A systematic quantitative review on the performance of some of the recent short-term rainfall forecasting techniques | |
CN114910982A (zh) | 一种基于北斗技术的降雨预警模型构建方法 | |
Ziv et al. | Flash floods prediction using precipitable water vapor derived from GPS tropospheric path delays over the eastern mediterranean | |
Yeh et al. | Applying the water vapor radiometer to verify the precipitable water vapor measured by GPS | |
Schafer et al. | A comparison of VHF wind profiler observations and the NCEP–NCAR reanalysis over the tropical Pacific | |
Bower et al. | Quantifying heavy precipitation throughout the entire tropical cyclone life cycle | |
Deb et al. | Retrieval and applications of atmospheric motion vectors derived from Indian geostationary satellites INSAT-3D/INSAT-3DR | |
Ma et al. | Apparent Short-Period GNSS-ZTD Disturbance Correlated with Precipitation Events | |
Matrosov | Observations of wintertime US West Coast precipitating systems with W-band satellite radar and other spaceborne instruments | |
Uang-aree et al. | Determination of the dates of the southwest monsoon in northeastern Thailand from the data on precipitable water vapor obtained by GPS | |
Rimven et al. | Estimating One-Minute Rain Rate Distributions in the Tropics from TRMM Satellite Data (October 2017) |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220513 |