CN115470684A - 一种极端降水水汽来源及输送路径的确定方法及系统 - Google Patents
一种极端降水水汽来源及输送路径的确定方法及系统 Download PDFInfo
- Publication number
- CN115470684A CN115470684A CN202210957770.XA CN202210957770A CN115470684A CN 115470684 A CN115470684 A CN 115470684A CN 202210957770 A CN202210957770 A CN 202210957770A CN 115470684 A CN115470684 A CN 115470684A
- Authority
- CN
- China
- Prior art keywords
- water vapor
- extreme
- model
- precipitation
- determining
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种极端降水水汽来源及输送路径的确定方法及系统,其中方法包括获取极端降水数据,根据极端降水数据构建极端降水模型;将极端降水模型模拟得到的气象场输入至混合单粒子拉格朗日综合轨迹模型中,利用混合单粒子拉格朗日综合轨迹模型确定极端降水的M条水汽输送轨迹;利用聚类分析方法对M条水汽输送轨迹进行聚类,得到聚类后的N条水汽输送路径;计算N条水汽输送路径的水汽贡献率,根据水汽贡献率确定极端降水的主要水汽来源。本发明不仅能量化水汽在不同阶段和不同区域的分布情况,还能捕捉大气边界层上方不同来源的水分的垂直和水平混合机制,从而确保所确定的水汽来源及水汽输送路径的准确性及精确性。
Description
技术领域
本发明公开了一种极端降水水汽来源及输送路径的确定方法及系统,属于水文研究技术领域。
背景技术
在全球气候变暖大环境下,全球多数陆地地区极端气候事件频率及强度都呈上升趋势,导致以旱涝为主的极端水文事件频发。极端降水是全球最受关注且影响最大极端气候事件之一,是极端气候变化及防灾领域研究的热点。因极端降水引发的洪涝、泥石流等灾害频发,对生态环境和社会经济可持续发展造成了严重影响。
水汽条件是形成降水的重要因子之一,充足的水汽供应是形成极端降水的先决条件,分析极端降水水汽特征对极端降水的成因研究有着重要意义。现有技术对于水汽输送及其来源的确定方法不能量化水汽在不同阶段和不同区域的分布情况,不能捕捉大气边界层上方不同来源的水分的垂直和水平混合机制,导致所确定的水汽来源及水汽输送路径均不准确,影响极端降水的判定。
发明内容
本申请的目的在于,提供一种极端降水水汽来源及输送路径的确定方法及系统,以解决现有技术中确定的水汽来源及输送路径不准确的技术问题。
本发明的第一方面提供了一种极端降水水汽来源及输送路径的确定方法,包括:
获取极端降水数据,根据所述极端降水数据构建极端降水模型;
将所述极端降水模型模拟得到的气象场输入至混合单粒子拉格朗日综合轨迹模型中,利用所述混合单粒子拉格朗日综合轨迹模型确定所述极端降水的M条水汽输送轨迹;
利用聚类分析方法对所述M条水汽输送轨迹进行聚类,得到聚类后的N条水汽输送路径;
计算N条水汽输送路径的水汽贡献率,根据所述水汽贡献率确定极端降水的主要水汽来源。
优选地,根据所述极端降水数据构建极端降水模型,具体包括:
根据所述极端降水数据,利用高分辨率区域气候模式构建所述极端降水模型。
优选地,根据所述极端降水数据,利用高分辨率区域气候模式构建所述极端降水模型,具体包括:
确定所述高分辨率区域气候模式中的待选参数,构建多个待选极端降水模型;
将所述待选极端降水模型输出的模拟降水数据与所述极端降水数据进行对比,评判所述待选极端降水模型的模拟效果;
根据所述模拟效果,确定极端降水模型。
优选地,所述待选参数包括积云对流、微物理过程、陆面过程、大气长波辐射及短波辐射和行星边界层。
优选地,将所述待选极端降水模型输出的模拟降水数据与所述极端降水数据进行对比,评判所述待选极端降水模型的模拟效果,具体包括:
将所述待选极端降水模型输出的模拟降水数据与所述极端降水数据进行对比;
利用TS评分、相关系数、平均绝对误差和均方根误差评判所述待选极端降水模型的模拟效果。
优选地,利用所述混合单粒子拉格朗日综合轨迹模型确定所述极端降水的M条水汽输送轨迹,具体包括:
确定追踪参数,所述追踪参数包括初始高度、初始位置、起始时间和追踪时长;
将所述追踪参数输入至所述混合单粒子拉格朗日综合轨迹模型中,得到所述极端降水的M条水汽输送轨迹。
优选地,利用聚类分析方法对所述M条水汽输送轨迹进行聚类,得到聚类后的N条水汽输送路径,具体包括:
获取所述M条水汽输送轨迹的平均轨迹;
将每一条水汽输送轨迹作为一个簇,结合所述平均轨迹,确定每一个簇的空间方差;
将任意两个簇合并为一个簇,使合并之后所有簇的总空间方差小于合并前的总空间方差;
获取合并过程中所述总空间方差的变化率,根据所述变化率确定聚类终止条件,得到聚类后的N条水汽输送路径。
优选地,根据所述变化率确定聚类终止条件,具体包括:
判断当前总空间方差的变化率与前一相邻总空间方差的变化率之间的差值是否大于预设阈值,如是,则聚类终止。
优选地,计算N条水汽输送路径的水汽贡献率,具体包括:
根据第一公式计算N条水汽输送路径的水汽贡献率,所述第一公式为:
式中,Qs为一条水汽输送路径的水汽贡献率,为该水汽输送路径中包含的第i条水汽输送轨迹的最终位置的比湿值,m为该水汽输送路径中包含的水汽输送轨迹的总数量,为第j条水汽输送轨迹的最终位置的比湿值,M为水汽输送轨迹的总数量。
本发明的第二方面提供了一种极端降水水汽来源及输送路径的确定系统,包括:
模型构建单元,所述模型构建单元用于获取极端降水数据,根据所述极端降水数据构建极端降水模型;
轨迹确定单元,所述轨迹确定单元用于将所述极端降水模型模拟得到的气象场输入至混合单粒子拉格朗日综合轨迹模型中,利用所述混合单粒子拉格朗日综合轨迹模型确定所述极端降水的M条水汽输送轨迹;
路径确定单元,所述路径确定单元用于利用聚类分析方法对所述M条水汽输送轨迹进行聚类,得到聚类后的N条水汽输送路径;
来源确定单元,所述来源确定单元用于计算N条水汽输送路径的水汽贡献率,根据所述水汽贡献率确定极端降水的主要水汽来源。
本发明的极端降水的水汽来源及输送路径的确定方法及系统,相较于现有技术,具有如下有益效果:
本发明的极端降水水汽来源及输送路径的确定方法及系统,不仅能量化水汽在不同阶段和不同区域的分布情况,还能捕捉大气边界层上方不同来源的水分的垂直和水平混合机制,从而确保所确定的水汽来源及水汽输送路径的准确性及精确性,对认识洪涝灾害的形成和发展具有重要意义。
附图说明
图1为本发明提供的极端降水水汽来源及输送路径的确定方法的流程图;
图2为本发明提供的极端降水水汽来源及输送路径的确定系统的结构示意图;
图3为本发明实施例提供的WRF模式三重嵌套区域及叠加地形;
图4为本发明实施例中极端降水期间实况24h累积降水量空间分布图;
图5为本发明实施例中极端降水期间模拟24h累积降水量空间分布图,其中(a)至(l)为12个参数化方案对应的累积降水量空间分布图;
图6为UTC不同高度层72h后向轨迹图,其中(a)为WRF输出数据驱动HYSPLIT模型的水汽路径结果,(b)为GDAS1数据驱动HYSPLIT 模型的水汽路径结果;
图7为水汽输送轨迹比湿随时间的演变图,其中(a)为WRF输出数据驱动HYSPLIT模型的水汽路径结果,(b)为GDAS1数据驱动HYSPLIT 模型水汽路径结果);
图8为极端降水期间72h后向轨迹聚类结果图,其中(a)、(b)、 (c)分别为500m、1500m,3000mWRF模式输出数据驱动HYSPLIT模型结果,(d)、(e)、(f)分别为500m、1500m,3000m GDAS1数据驱动HYSPLIT模型结果。
图中101为模型构建单元;102为轨迹确定单元;103为路径确定单元;104为来源确定单元。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
本发明的极端降水水汽来源及输送路径的确定方法,其流程如图1所示,包括:
步骤1、获取极端降水数据,根据极端降水数据构建极端降水模型,具体包括:
步骤1.1、获取极端降水数据;
步骤1.2、根据极端降水数据,利用高分辨率区域气候模式(Weather ResearchForecast,简称WRF)构建极端降水模型。
上述步骤1.2具体包括:
步骤1.2.1、确定高分辨率区域气候模式(WRF)中的待选参数,构建多个待选极端降水模型。
本发明中使用的高分辨率区域气候模式(WRF)是最新一代的中尺度数值天气预报系统。该模式中的待选参数主要包括积云对流、微物理过程、陆面过程、大气长波辐射及短波辐射和行星边界层。WRF中的针对每种参数,均提供了多种可供选择的方案。此外,各种物理过程之间存在相互作用。如陆面向行星边界层输送地表通量(潜热和感热)等,行星边界层中的温压湿风对陆面过程产生影响。积云对流方案通过云卷作用影响微物理过程,并和微物理方案分别向陆面提供对流和非对流性降水等。以下是本文主要采用的物理过程:
(1)积云对流参数化方案
积云对流参数化方案主要研究对象为垂直通量(上升气流和下沉气流)以及云外的补偿气流运动,能够合理地考虑对流云中的潜热释放,主要计算次网格降水过程。本申请使用的积云对流参数化方案主要包括Kai n-Fritsch方案和Betts-Miller-Janjic方案。Kain-Fritsch方案利用一个简单的云模式伴随了气流上升、气流下沉、卷入及卷出,包含了浅对流过程以及相对粗糙的微物理过程。Betts-Miller-Janjic方案是从Betts-Miller方案调整改进而来,对热力廓线进行了张弛调整,浅对流过程是该方案最重要的部分。
(2)微物理过程参数化方案
微物理过程参数化方案主要描述大气中的水相变化。本申请使用Lin et al.方案和Kessler方案。Kessler方案来自COMMAS模式。Lin et al.方案是一个物理过程描述较为复杂的方案,包含雨水、云冰、云水、水汽、雪和霞这六种水物质的预报,这个方案是WRF模式中相对较成熟的方案,更适合于高分辨率模拟和理论研究。Kessler方案是一个简单的暖云降水方案,忽略了液体水与冰之间的相变过程。考虑的微物理过程有水汽的凝结、雨水的蒸发、雨水与云水的碰并及雨滴的下落速度等。
(3)陆面过程参数化方案
陆面过程参数化方案为大气动力学方程提供了控制和影响气候发展系统的下边界条件。本申请采用Noah陆面过程方案,有4层土壤湿度和湿度,并且包含了积雪和冻止的物理过程。
(4)大气长波辐射及短波辐射方案
本申请的长波辐射方案采用RRTM方案(Rapid Radiative Transfer Mo de1),它用一个预先确定的对照表来表征水汽、臭氧、二氧化碳、甲烧等气体,以及云的光学厚度等的长波福射过程。短波辐射方案采用Dudhia 方案,它是简单地累加由于干净空气散射、水汽吸收、云反射和吸收所引起的太阳辐射通量。
(5)行星边界层方案
行星边界层方案表征大气柱内(不仅仅是边界层)由于涡动输送引起的垂直方向次网格尺度通量。本申请主要采用YSU(Yonsei University) 方案和MYJ(Mellor-Yamada-Janjic)方案。YSU方案是MRF(Medium R ange Forecast Model)边界层方案的第二代,相比MRF方案,YSU方案中热对流产生的混合层高度升高,风剪切产生的混合层高度降低。MYJ 采用Mellor和Yamada的湍流闭合方法表示表面层以上的湍流,该方案适用于所有稳定条件和弱不稳定条件的边界层,但在对流边界层中误差较大。
由于上述个别待选参数包含多个参数化方案,故本申请采用将多个参数化方案进行组合的方式,构建多个待选极端降水模型,然后再从多个待选极端降水模型中确定模拟精度更高的计算降水模型,以保证后续确定的水汽来源及输送路径的准确性。
步骤1.2.2、将待选极端降水模型输出的模拟降水数据与极端降水数据进行对比,评判待选极端降水模型的模拟效果,具体包括:
将待选极端降水模型输出的模拟降水数据与极端降水数据进行对比;
利用TS评分、相关系数、平均绝对误差和均方根误差评判待选极端降水模型的模拟效果。利用上述多个指标,从定性及定量的角度综合评判待选极端降水模型的模拟效果,可以进一步确保模拟的准确性。
下面将详细介绍TS评分、相关系数、平均绝对误差和均方根误差。
(1)TS评分
TS评分在本申请中反映了对降水有效预报的准确程度,评分在0~1 之间。当(TS=1时,预报与实况完全吻合;当(TS=0时,预报与实况完全不符合。
TS评分的计算公式如下:
式中Na表示预报降水正确的站点数量,即观测与预报均出现该等级的降水的数量;Nb表示为空报站点数,即预报有该等级的降水而观测无; Nc表示为漏报站点数,即观测出现该等级降水而预报无。
公式(1)中所指降水等级的划分如表1所示。
表1 TS评分的降水等级划分
(2)相关系数、平均绝对误差和均方根误差
由于累计降水量分布图仅能定性地描述降水分布及降水强度状况,因此本申请采用误差评价指标定量的比较分析不同参数化方案的模拟效果。其中降水模拟值的平均绝对误差MAE、均方根误差RMSE及相关系数R 的公式如下:
其中,yiobserved是某一格点降水的实际观测值,是多个格点降水的实际观测值的均值,yipredicted是为与该站点对应的格点降水模拟值,为多个格点降水模拟值的均值,i和N分别为区域内某格点和总的格点数。
相关系数R则反映了要素的模拟场与观测场之间的相似程度。
均方根误差RMSE反映了该区域观测值同模拟值之间的偏差。
平均绝对误差MAE是绝对误差的平均值,能较好地反映模拟值误差的实际情况。
本发明实施例中,TS评分和相关系数较高,同时均方根误差和平均绝对误差较低的待选极端降水模型为模拟效果佳的模型。
具体地,可以预先设定TS评分、相关系数、均方根误差和平均绝对误差的阈值,当TS评分和相关系数大于或等于相应的阈值,同时均方根误差和平均绝对误差小于对应的阈值时,则待选极端降水模型的模拟效果较佳。
步骤1.2.3、根据模拟效果,确定极端降水模型。
本发明中将模拟效果满足预设条件的待选极端降水模型作为最终的极端降水模型。其中预设条件可为模拟效果最佳。
本发明实施例中极端降水模型中除包括极端降水数据对应的气象场外,还包括地形等数据。
步骤2、将极端降水模型模拟得到的气象场输入至混合单粒子拉格朗日综合轨迹模型中,利用混合单粒子拉格朗日综合轨迹模型确定极端降水的M条水汽输送轨迹。
在一个具体的实施例中,步骤2具体为:将步骤1所得模拟效果最佳的极端降水模型模拟输出的数据输入至混合单粒子拉格朗日综合轨迹模型中,利用混合单粒子拉格朗日综合轨迹模型确定极端降水的M条水汽输送轨迹。
本发明实施例中的混合单粒子拉格朗日综合轨迹模型(Hybrid Single ParticleLagrangian IntegratedTrajectory Model,简称HYSPLIT)是一种用于计算和分析大气污染物输送、扩散轨迹的专业模型。
由于HYSPLIT可以在选择的时段及位置模拟空气质点的运移过程,因此能够对降水的水汽输送源地及不同水汽通道的贡献率进行分析及计算。HYSPLIT的投影方式有三种投影方式,分别为墨卡托投影、兰伯特投影和极地投影。它的计算需要特定格式的气象数据(ARL格式),一个气象数据文件包含一个或多个时次的数据,每个时次数据包含ASCII索引,包含了层、时间、变量等信息。HYSPLIT模型需要气象数据中的三维变量如表2所示。
表2 HYSPLIT模型中气象数据的三维变量
假设空气质点的轨迹是随风场而运动,随着气流移动,其轨迹是在时间和空间的位置矢量积分。通过时间和空间的线性插值得到质点所在位置的矢量速度,具体追踪方法如下:
P(t+Δt)=P(t)+0.5[V(P,t)+V(P′,t+Δt)]Δt (5)
P′(t+Δt)=P(t)+V(P,t)Δt (6)
其中,P(t+Δt)为气块的最终位置,P′(t+Δt)为气块初始假想位置,Δt为追踪的时间步长,V(P,t)为初始位置的三维速度矢量,V(P′,t+Δt)为初始假想的三维速度矢量。
HYSPLIT模型采用Lagrangian法计算其平流和扩散过程,在将气象数据输入HYSPLIT模型之前,气象数据在水平坐标处保持其原始格式,并在计算期间内插到地形追随垂直坐标系统:
其中,Ztop为轨迹模式坐标系统的顶部,Zmst为坐标下边界高度,Zgl为地形高度。
本发明将气象场输入至混合单粒子拉格朗日综合轨迹模型中,即使该模型中的气象场为步骤1所得到的气象场。
其中,利用混合单粒子拉格朗日综合轨迹模型确定极端降水的M条水汽输送轨迹,具体包括:
确定追踪参数,追踪参数包括初始高度、初始位置、起始时间和追踪时长;
将追踪参数输入至混合单粒子拉格朗日综合轨迹模型中,得到极端降水的M条水汽输送轨迹。
步骤3、利用聚类分析方法对M条水汽输送轨迹进行聚类,得到聚类后的N条水汽输送路径。
由于得到的轨迹数量很多,无法准确地分辨出各个轨迹的分布特征,为了能够更直观清楚认识各类轨迹的分布,本文利用簇分析对轨迹进行聚类。聚类的基本思路是:根据轨迹空间距离最近的原则进行聚类,将路径最相似的多条轨迹合并。具体包括:
步骤31、获取M条水汽输送轨迹的平均轨迹;
步骤32、将每一条水汽输送轨迹作为一个簇,结合平均轨迹,确定每一个簇的空间方差。其中空降方差为每一条轨迹与平均轨迹对应点之间的距离的平方和。轨迹在起始点的空间方差为0,并且每条轨迹在初始时刻是一个的簇。
步骤33、将任意两个簇合并为一个簇,使合并之后所有簇的总空间方差(TSV)小于合并前的总空间方差;
步骤34、获取合并过程中总空间方差的变化率,根据变化率确定聚类终止条件,得到聚类后的N条水汽输送路径。
本步骤中的根据变化率确定聚类终止条件,具体包括:
判断当前总空间方差的变化率与前一相邻总空间方差的变化率之间的差值是否大于预设阈值,如是,则聚类终止。
在前几次轨迹合并时,TSV先迅速增加,然后增加缓慢,当聚类到一定数量的簇后,在继续聚类时,TSV再次迅速增加,表明此时组合的轨迹差异较大,则聚类终止,把该点作为聚类的终点。
步骤4、计算N条水汽输送路径的水汽贡献率,根据水汽贡献率确定极端降水的主要水汽来源。
其中计算N条水汽输送路径的水汽贡献率:
式中,Qs为一条水汽输送路径的水汽贡献率,为该水汽输送路径中包含的第i条水汽输送轨迹的最终位置的比湿值,m为该水汽输送路径中包含的水汽输送轨迹的总数量,为第j条水汽输送轨迹的最终位置的比湿值,M为水汽输送轨迹的总数量。
然后根据水汽贡献率确定极端降水的主要水汽来源,主要可以为选取水汽贡献率最大或者大于预设水汽贡献率阈值对应的水汽来源作为极端降水的水汽来源。
本发明的第二方面提供了一种极端降水水汽来源及输送路径的确定系统,如图2所示,包括:模型构建单元101、轨迹确定单元102、路径确定单元103和来源确定单元104。
其中模型构建单元101用于获取极端降水数据,根据极端降水数据构建极端降水模型;
轨迹确定单元102用于将极端降水模型模拟得到的气象场输入至混合单粒子拉格朗日综合轨迹模型中,利用混合单粒子拉格朗日综合轨迹模型确定极端降水的M条水汽输送轨迹;
路径确定单元103用于利用聚类分析方法对M条水汽输送轨迹进行聚类,得到聚类后的N条水汽输送路径;
来源确定单元104用于计算N条水汽输送路径的水汽贡献率,根据水汽贡献率确定极端降水的主要水汽来源。
本发明的极端降水水汽来源及输送路径的确定方法及系统,不仅能量化水汽在不同阶段和不同区域的分布情况,还能捕捉大气边界层上方不同来源的水分的垂直和水平混合机制,从而确保所确定的水汽来源及水汽输送路径的准确性及精确性,对认识洪涝灾害的形成和发展具有重要意义。
下面将以渭河流域的天气系统为例详述本申请。
WRF模式采用6h时间间隔,1°×1°的NCEP-FNL资料作为其初始场和侧边界条件,应用三层双向嵌套,其中粗网格d01及d02模拟了大尺度环境场,水平分辨率分别为27Km和9Km,格点数分别为121×113和151 ×133。细网格d03范围主要覆盖了渭河流域的天气系统,水平分辨率为 3Km,格点数为265×187,如图3所示。模式垂直方向分为35层,模式顶层气压为50hPa。本实施例选取的极端降水的时间为2010年7月23日 00时-2010年7月25日0时,外层每3h输出一次模式结果,最内层每1h 输出一次模式结果,模式前12h作为'spin-up'时间,本申请重点关注的时间段为2010年7月23日12时至24日12时(UTC)。
本申请采用的物理参数化方案主要有Goddard长波辐射方案,Dudhia 短波辐射方案,Noah陆面过程方案,Monin-Obukhov近地面层方案。WRF 模式中不同的积云对流参数化方案,边界层参数化方案及微物理过程方案对于模式的模拟结果影响较大,不同的参数化方案组合适合不同地区,由于最内层嵌套区域分辨为3Km,因此最内层嵌套域不选择积云对流参数化方案。本申请从WRF模式不同参数化方案中选出12种可能的方案组合,结合观测降水资料,确定适合渭河流域的参数化方案。
若干研究结果表明,在所有方案中微物理过程方案及积云对流参数化方案对降水模拟结果的影响最大,WRFV4.1提供13种微物理过程方案, 9种积云过程参数化方案,结合不同方案的物理意义及适用条件,本申请对渭河流域选取2种微物理过程方案、3种积云对流过程参数化方案及2 种边界层参数化方案进行方案组合,以分析WRFV4.1不同方案对降水模拟精度的影响以及参数敏感性,进而优选最佳的降水模拟参数化方案。微物理过程的备选方案包括:Kessler方案、Lin et al.方案。积云对流参数化过程的备选方案包括:浅对流Kain-Fritsch(new Eta)方案、Betts-Miller-Janjic 方案和Grell-Freitas方案。确定12种备选参数化方案组合,如表3所示。
表3渭河流域12种参数化方案组合
2010年7月23日12时至7月24日12时(UTC)实况累计降水量空间分布如图4所示。降水主发生在陕西中南部、甘肃东部,降水呈现自西向东逐渐增强,减弱再增强的趋势,高值区位于陕西东南部,24小时累积降水量达221.4mm。鉴于WRF空间分辨率为3Km,因此其空间分布上较分辨率为0.1°的格点观测数据刻画的更为细致。从整个渭河流域降水空间分布模拟情况来看,各种方案均能大致模拟出此时间段的渭河流域降水范围,对总降水范围及分布特征模拟与实况大致相同,但对暴雨中心及暴雨量级的模拟略显不足。
通过将不同参数化方案对降水的模拟结果与实测降水对比观察,可直观地反映模拟结果的优劣。12种参数化方案的降水模拟结果如图5所示。与实测降水相比,在12种参数化方案组合中,方案5在降雨分布上最符合实况,方案7在降雨量级上最为符合,方案2在降雨量级和降雨落区上与实测降水资料产生了较大偏差。实验方案1,3,5中均采用相同的微物理过程和边界层参数化方案,仅积云对流参数化方案设置不同。方案1采用的Kain-Fritsch方案模拟的降水分布较大,在降水落区上与实际产生较大偏差。且存在多个暴雨中心,但对降水量级的模拟较好。方案3采用 Betts-Miller-Janjic方案,该方案模拟的降水分布较为集中,中心大致位于 33.7°N,109.1°E,与实况中心位置相近。方案5采用Grell-Freitas方案,该方案对降水落区和降水中心的模拟与实况最为接近,但方案5模拟的降水中心量值偏大。当采用相同微物理过程和积云对流参数化方案,仅边界层方案设置不同时,可以发现降水模拟的落区和量级均大致相符,表明边界层方案对此次降水模拟影响较小。在12种方案中每前两对方案为均积云对流参数化方案及边界层参数化方案一致,仅微物理过程方案设置不同,由图5可定性地判断出相较于Kessler方案,在降水落区及降水量级上Lin方案更适用于渭河流域的短时极端降水模拟。不同的边界层参数化方案在此次模拟中未体现较大差异,因此还需根据评价指标定量评估各个组合方案的优劣。
本申请针对此次WRF模式模拟的24h累计降水量采用TS评分,相关系数(R),均方根误差(RMSE),平均绝对误差(MAE)评估降水模拟结果。 TS评分结果如表4所示。相关系数,均方根误差(RMSE),平均绝对误差 (MAE)结果如表5所示。
根据表4及表5可知,随着降水等级的增大,TS评分迅速降低。其中小雨量级在0.60左右,中雨及以上量级TS评分均在0.41以下,可见各实验方案对小雨模拟最优。在各个降雨量级的TS评分中,微物理过程方案采用Lin方案的降水模拟效果要略优于Kessler方案,Lin方案是WRF 模式中相对复杂的微物理方案,更适合于高分辨率模拟,积云对流参数化方案采用Grell-Freitas时TS评分表现尚佳,参数组合方案5和11对小雨的TS评分最高,但对暴雨及以上量级的模拟略显不足,方案3和9对大暴雨的TS评分最高,表明Lin-BMI组合方案更适用于本区域的高量级降水模拟。此外,方案4,10,12对大暴雨模拟效果最差,TS评分为0。
表4渭河流域WRF模拟降水TS评分
表5不同参数化方案组合模拟降水的评价指标计算结果
与TS评分结果相似,方案3,5,9,11的相关系数指标较高,平均绝对误差和均方根误差最小,表现出绝对的优势,即当微物理过程方案采用 Lin方案时,模拟降水结果与实测降水结果相关性更高。方案3在大暴雨量级的TS评分最高,且其在暴雨及以下量级的TS评分均有不俗的表现,综合表5中R,MAE及RMSE的结果考虑,方案3即微物理过程采用Lin 方案,积云对流参数采用Betts-Miller-Janjic方案,边界层方案采用YSU 方案的方案组合对此处渭河流域极端降水的模拟效果最优。
所采用的极端降水模型中的参数方案如表6所示。
表6 WRF模式的参数化方案
在多数HYSPLIT水汽追踪案例中,气象输入数据由全球数据同化系统(GDAS)生成,水平分辨率为10×1°或0.5°×0.5°。时间分辨率为3小时。 GDAS数据可以定性地描述天气条件的一般特征,但水平、垂直和时间尺度上的粗数据分辨率有时可能会给三维轨迹模拟带来不确定性。鉴于没有轨迹的观测资料,无法通过对比模拟的轨迹路径与观测资料来进行验证结果的可靠性,且己有的研究表明使用不同数据集计算的水汽输送特征的结果存在一定的差异。为了提高结果的可靠性,本研究分别使用WRF模式运行结果及包括1000~20hPa共23层上的位势高度、温度、纬向风和经向风空间分辨率1°×1°,时间分辨率为6h的GDAS数据驱动HYSPLIT模型,探讨WRF模式运行结果驱动HYSPLIT模型的可行性以及渭河流域强降水过程水汽来源和主要路径。WRF模式采用的物理参数化方案如表6 所示,选用d01域作为后向轨迹模拟区域,其水平分辨率为27km,模式顶高50hPa。将WRF输出结果转换成HYSPLIT模型的输入格式(arl格式),最终实现WRF模式与HYSPLIT模型的单向离线耦合。
由于在中国区域内,90%以上的水汽集中在500hPa以下大气层内,因此本文选取700hPa、850hPa、925hPa相对应的3000m、1500m、500 m的3个高度层作为模拟初始高度,首先以每小时累积降水量最大值的时间及地点作为初始时刻及初始点向后追踪72h的三维运动轨迹,每隔1h 输出一次轨迹点位置及逐时的物理量场(高度、比湿),其次再每隔1h所有轨迹点重新向后追踪72h。基于HYSPLIT模型对于单个初始位置可以清楚地看到轨迹的位置,而在多层次及轨迹数目众多情况下,不容易定量描述不同水分源的贡献。因此,基于方法本身的聚类分析,通过分析TSV(总空间方差)的变化来对轨迹进行分类。通过分析空间方差增长率发现,轨迹在聚类过程中的方差增长率在聚类结果小于2条或3条后迅速增长,由此确定模拟出的轨迹最终聚类数量。
为了解此次暴雨过程的水汽输送路径,利用基于拉格朗日方法的HY SPLIT模型对2010年7月22-24日的极端降水过程的水汽来源进行追溯,分别选取逐小时累计降水量最大值的时间即2010年7月23日22时(UT C)作为水汽来源追溯的起始时间,初始点的经纬度坐标分别为33.75°N、 110.5°E及34.8°N、107.7°E,在3个高度层上分别向后追踪72h。
由图6可知,不同分辨率数据驱动HYSPLIT模型得到的轨迹不尽相同,本实施例的极端降水期间,在所有轨迹中,仅有3000m高度上WRF- HYSPLIT存在偏北的水汽轨迹,其源地分别位于蒙古国境内,而GDAS1 -HYSPLIT在3000m高度上水汽则来源于泰国境内,经我国南海,进入中国,抵至研究区,为偏南的水汽轨迹。2010年7月22日台风“灿都”自广东沿海登陆,渭河流域极端降水受此影响甚剧,因此其水汽多来自于偏南水汽通道。此外,从各层气块轨迹的高度演变来看,除来自偏北通道的3 000m水汽轨迹外,其余水汽轨迹均来自2000m高度以下的对流层低层,可见此次极端降水的来源水汽高度。而偏北通道的3000m水汽轨迹来自于约6000m以上的对流层,并且其比湿始终维持在3g/kg左右,对此次极端降水影响甚微。此外,在暴雨发生时,除3000m水汽轨迹外,用两种方案模拟均有一个明显抬升的过程,是由暴雨发生时垂直上升运动造成的。W RF-HYSPLIT生成轨迹的传输高度要略高于GDAS1-HYSPLIT,因此,W RF-HYSPLIT各轨迹上空间质点的比湿值要低于GDAS1-HYSPLIT,如图 7所示,在垂直高度上比湿随着高度的增加而减小。
用两种不同分辨率的气象场驱动HYSPLIT模型,由于地形抬升作用,所模拟的气团高度随地形高度的升高而增高,气团随着地形高度的降低而下降。尽管水汽路径来自不同高度层,但来自同一方向的水汽轨迹走向趋势均大致一致,但由于WRF模式输出数据的分辨率要远高于GDAS1数据的分辨率,其对中小尺度上的信息有着更强的捕获能力,并在一定程度上对气团所在的地形高度有着更为精准的描述,由此产生图6中WRF-HY SPLIT存在但GDAS1-HYSPLIT没有的偏北的水汽路径,可见使用不同分辨率的驱动数据对轨迹计算结果影响显著。
为进一步量化极端降水过程不同高度的水汽输送情况,每隔1h对所有轨迹点重新向后追踪3d,得到此次极端降水过程时段内的不同时间相同初始点的轨迹分布,进而对整个降水过程内的水汽运移路径进行分析。
不同的水汽输送通道对应不同的水汽输送高度,本实施例极端降水个例3个高度上聚类分析得到的轨迹如图8所示,WRF-HYSPLIT(以下简称 W-H)中500m水汽输送轨迹共出现3条(图8中的(a)),路径1为偏南水汽输送,自1500m高度向北方向输送,21日16:00气团高度逐渐下降至 500m,轨迹数目占17%。路径2和3均来自东南方向,分别占总轨迹数目的21%及52%,初始输送高度分别为500m及1000m,且轨迹高度起伏较大。GDAS1数据驱动HYSPLIT模型(以下简称G-H)500m水汽输送路径如图8中的(d)所示,三条水汽输送路径均来自东南方向,但起始点不同,三条水汽输送通道分别占总轨迹数目的59%、22%,19%,其中第一条水汽输送路径自近地面输送,气流运移高度较低,其余两条水汽输送路径均自500m左右开始输送,运移高度近乎维持不变。
对比分析1500m高度上W-H及G-H极端降水个例聚类分析得到的平均轨迹(图8中的(b)和(e)),此高度上的水汽通道较500m高度更加多样化。W-H存在三条水汽路径,路径1和2与W-H500m水汽路径相似,均来自西南方向,占总轨迹数目的43%及47%,并初始输送高度相同,均为1500m。路径3占比较小,仅为10%,从中国东北地区起始输送,途径河北山西两省进入研究区,并且水汽输送高度远高于路径1和路径2,自3000m高度开始输送,随着时间推移,逐渐降低至1500m高度。G-H 水汽输送路径如图8中的(e)所示,主要水汽输送通道共有3条,均源于中国南海,携带大量海洋暖湿水汽,并向西北方向穿过广东,湖南等地进入研究区。路径1及路径3均自中国南海500m高度附近向北输送,但通道3在输送48h到达高值2000m附近,最终平滑过渡至1500m。路径2 源自我国南沙群岛1200m高度附近海域,水汽贡献较小。
对比分析3000m高度上W-H及G-H极端降水个例聚类分析得到的平均轨迹(图8中的(c)和(f))W-H3000m主要水汽路径有3条,路径 1自蒙古国经我国内蒙古,山西等省份进入暴雨区,此通道占总轨迹数目的25%,路径2及路径3均来自暴雨区的近西南方向,均占38%,三条水汽输送路径均源自于2500m左右高度起始输送,但源自于蒙古国方向的水汽路径高度远高于其余两条来自于西南方向的水汽通道,其高值为于 4000m附近。G-H水汽输送路径如图8中的(f)所示,其存在两条均来自西南方向的水汽通道,路径1自泰国1500m高度起始输送,途径老挝、越南等地进入中国领域最终抵达暴雨区,其占总轨迹数目的53%。路径2 源于越南1000m高度附近,经过海南,广东等地进入研究区,占比为47%。这两条水汽路径均来自1200m高度附近,随着气流的运移,运移高度逐渐升高,直至达到3000m高度。
综合此次极端降水水汽主要来源于对流层低层的偏南通道和对流层中低层的偏北通道,其中偏南的水汽通道占了此次极端降水水汽输送的绝大部分。而此次偏南通道的水汽来源于与台风“灿都”密切相关,“灿都 "位于我国南海,22日在广东省沿海地区登陆,水汽在其外围环流的作用下向北源源不断输送到暴雨区。在对流层低层500m高度上的W-H和G-H水汽路径均表现一致,均为偏南的水汽路径。相较于G-H在1500m和3000m 高度上均只有偏南的水汽路径,但W-H在1500m高度和3000m高度上存在较小占比的偏北水汽路径(占比分别为10%和25%),此差异出现的原因可能是相较于GDAS1数据,WRF更高分辨率的输出数据驱动HYSPLIT 生成更为精细的分辨率轨迹能够捕捉弱天气条件,若天气过程的空间尺度小于110km而大于27km时,WRF模式输出数据能够捕捉该天气过程的风场变化,从而较为准确的模拟水汽气团的运动轨迹,然而这些复杂天气条件中的重要细节往往在GDAS1数据生成的轨迹中被忽略。不同驱动数据对空气质点所在位置地形高度的描述能力不同,因此两者水汽气团传输的高度差异可能和WRF模式输出数据分辨率更高,能够对复杂的地形进行较为准确的识别有关。此外WRF输出数据的垂直层数比GDAS数据更多,因此WRF输出数据能够为HYSPLIT模型在垂直高度上提供更多的高度信息。
以上所述,仅是本申请的几个实施例,并非对本申请做任何形式的限制,虽然本申请以较佳实施例揭示如上,然而并非用以限制本申请,任何熟悉本专业的技术人员,在不脱离本申请技术方案的范围内,利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例,均属于技术方案范围内。
Claims (10)
1.一种极端降水水汽来源及输送路径的确定方法,其特征在于,包括:
获取极端降水数据,根据所述极端降水数据构建极端降水模型;
将所述极端降水模型模拟得到的气象场输入至混合单粒子拉格朗日综合轨迹模型中,利用所述混合单粒子拉格朗日综合轨迹模型确定所述极端降水的M条水汽输送轨迹;
利用聚类分析方法对所述M条水汽输送轨迹进行聚类,得到聚类后的N条水汽输送路径;
计算N条水汽输送路径的水汽贡献率,根据所述水汽贡献率确定极端降水的主要水汽来源。
2.根据权利要求1所述的方法,其特征在于,根据所述极端降水数据构建极端降水模型,具体包括:
根据所述极端降水数据,利用高分辨率区域气候模式构建所述极端降水模型。
3.根据权利要求2所述的方法,其特征在于,根据所述极端降水数据,利用高分辨率区域气候模式构建所述极端降水模型,具体包括:
确定所述高分辨率区域气候模式中的待选参数,构建多个待选极端降水模型;
将所述待选极端降水模型输出的模拟降水数据与所述极端降水数据进行对比,评判所述待选极端降水模型的模拟效果;
根据所述模拟效果,确定极端降水模型。
4.根据权利要求3所述的方法,其特征在于,所述待选参数包括积云对流、微物理过程、陆面过程、大气长波辐射及短波辐射和行星边界层。
5.根据权利要求3所述的方法,其特征在于,将所述待选极端降水模型输出的模拟降水数据与所述极端降水数据进行对比,评判所述待选极端降水模型的模拟效果,具体包括:
将所述待选极端降水模型输出的模拟降水数据与所述极端降水数据进行对比;
利用TS评分、相关系数、平均绝对误差和均方根误差评判所述待选极端降水模型的模拟效果。
6.根据权利要求1所述的方法,其特征在于,利用所述混合单粒子拉格朗日综合轨迹模型确定所述极端降水的M条水汽输送轨迹,具体包括:
确定追踪参数,所述追踪参数包括初始高度、初始位置、起始时间和追踪时长;
将所述追踪参数输入至所述混合单粒子拉格朗日综合轨迹模型中,得到所述极端降水的M条水汽输送轨迹。
7.根据权利要求1-6任一项所述的方法,其特征在于,利用聚类分析方法对所述M条水汽输送轨迹进行聚类,得到聚类后的N条水汽输送路径,具体包括:
获取所述M条水汽输送轨迹的平均轨迹;
将每一条水汽输送轨迹作为一个簇,结合所述平均轨迹,确定每一个簇的空间方差;
将任意两个簇合并为一个簇,使合并之后所有簇的总空间方差小于合并前的总空间方差;
获取合并过程中所述总空间方差的变化率,根据所述变化率确定聚类终止条件,得到聚类后的N条水汽输送路径。
8.根据权利要求7所述的方法,其特征在于,根据所述变化率确定聚类终止条件,具体包括:
判断当前总空间方差的变化率与前一相邻总空间方差的变化率之间的差值是否大于预设阈值,如是,则聚类终止。
10.一种极端降水水汽来源及输送路径的确定系统,其特征在于,包括:
模型构建单元,所述模型构建单元用于获取极端降水数据,根据所述极端降水数据构建极端降水模型;
轨迹确定单元,所述轨迹确定单元用于将所述极端降水模型模拟得到的气象场输入至混合单粒子拉格朗日综合轨迹模型中,利用所述混合单粒子拉格朗日综合轨迹模型确定所述极端降水的M条水汽输送轨迹;
路径确定单元,所述路径确定单元用于利用聚类分析方法对所述M条水汽输送轨迹进行聚类,得到聚类后的N条水汽输送路径;
来源确定单元,所述来源确定单元用于计算N条水汽输送路径的水汽贡献率,根据所述水汽贡献率确定极端降水的主要水汽来源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210957770.XA CN115470684A (zh) | 2022-08-10 | 2022-08-10 | 一种极端降水水汽来源及输送路径的确定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210957770.XA CN115470684A (zh) | 2022-08-10 | 2022-08-10 | 一种极端降水水汽来源及输送路径的确定方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115470684A true CN115470684A (zh) | 2022-12-13 |
Family
ID=84365975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210957770.XA Pending CN115470684A (zh) | 2022-08-10 | 2022-08-10 | 一种极端降水水汽来源及输送路径的确定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115470684A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628414A (zh) * | 2023-07-25 | 2023-08-22 | 中国科学院地理科学与资源研究所 | 一种旱涝灾害频发区域内外水汽来源模拟预测方法 |
-
2022
- 2022-08-10 CN CN202210957770.XA patent/CN115470684A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628414A (zh) * | 2023-07-25 | 2023-08-22 | 中国科学院地理科学与资源研究所 | 一种旱涝灾害频发区域内外水汽来源模拟预测方法 |
CN116628414B (zh) * | 2023-07-25 | 2023-09-26 | 中国科学院地理科学与资源研究所 | 一种旱涝灾害频发区域内外水汽来源模拟预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107403073B (zh) | 一种基于数据同化改进预报降雨的集合洪水预报方法 | |
Sills et al. | Lake breezes in the southern Great Lakes region and their influence during BAQS-Met 2007 | |
Sicard et al. | Mixed-layer depth determination in the Barcelona coastal area from regular lidar measurements: methods, results and limitations | |
Tang et al. | Mixing layer height and its implications for air pollution over Beijing, China | |
CN108227041B (zh) | 基于站点实测数据和模式结果的水平能见度预报方法 | |
Lu et al. | Characteristics of ventilation coefficient and its impact on urban air pollution | |
Li et al. | Rapid urbanization effect on local climate: intercomparison of climate trends in Shenzhen and Hong Kong, 1968-2013 | |
Cheung et al. | Characteristics of rainfall during tropical cyclone periods in Taiwan | |
McCaffrey et al. | Identification and characterization of persistent cold pool events from temperature and wind profilers in the Columbia River Basin | |
CN115470684A (zh) | 一种极端降水水汽来源及输送路径的确定方法及系统 | |
CN103163568B (zh) | 利用界聚法预报强降水的方法 | |
CN111080003B (zh) | 一种适应复杂山地风电场的测风塔规划选址方法 | |
Vollmer et al. | Transient LES of an offshore wind turbine | |
CN111310983A (zh) | 一种针对登陆广东台风引发宁波暴雨的预报方法 | |
Li et al. | A synoptic overview and moisture trajectory analysis of the “7.21” heavy rainfall event in Beijing | |
CN113240172B (zh) | 微地形覆冰数值预测方法及系统 | |
Hou et al. | Evaluation of radar and automatic weather station data assimilation for a heavy rainfall event in southern China | |
CN113032510B (zh) | 一种基于高斯权重的lbgm法初值扰动生成方法 | |
Yu et al. | Evaluating intense precipitation in high-resolution numerical model over a tropical island: impact of model horizontal resolution | |
Yang et al. | Effect of using land use data with building characteristics on urban weather simulations: A high temperature event in Shanghai | |
CN115270499A (zh) | 一种极端降水数值模拟方法及系统 | |
Silva et al. | Analysis of the internal boundary layer formation on tropical coastal regions using SODAR data in Rio de Janeiro (Brazil) | |
Xiaoyong et al. | Mesoscale structure of rainstorm retrieved from dual-Doppler radar observations using the 4DVAR assimilation technique | |
Purpura | Environmental evolution of supercells interacting with the Appalachian Mountains | |
Kim et al. | Non-working day estimation in high-rise building construction with wind load data by radiosonde and weibull distribution |
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 |