CN115511192A - 一种基于闪电资料同化的降水预报方法及系统 - Google Patents

一种基于闪电资料同化的降水预报方法及系统 Download PDF

Info

Publication number
CN115511192A
CN115511192A CN202211214905.XA CN202211214905A CN115511192A CN 115511192 A CN115511192 A CN 115511192A CN 202211214905 A CN202211214905 A CN 202211214905A CN 115511192 A CN115511192 A CN 115511192A
Authority
CN
China
Prior art keywords
data
lightning
cloud
moment
mode
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
Application number
CN202211214905.XA
Other languages
English (en)
Other versions
CN115511192B (zh
Inventor
陈生
庞盈
胡俊俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwest Institute of Eco Environment and Resources of CAS
Sun Yat Sen University
Original Assignee
Northwest Institute of Eco Environment and Resources of CAS
Sun Yat Sen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwest Institute of Eco Environment and Resources of CAS, Sun Yat Sen University filed Critical Northwest Institute of Eco Environment and Resources of CAS
Priority to CN202211214905.XA priority Critical patent/CN115511192B/zh
Publication of CN115511192A publication Critical patent/CN115511192A/zh
Application granted granted Critical
Publication of CN115511192B publication Critical patent/CN115511192B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4023—Scaling of whole images or parts thereof, e.g. expanding or contracting based on decimating pixels or lines of pixels; based on inserting pixels or lines of pixels
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Remote Sensing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Graphics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于闪电资料同化的降水预报方法及系统，方法包括对当前时刻的闪电定位数据、风云四号卫星的云顶高度数据和地面气象站的云底高度数据进行网格化预处理，获得网格化观测资料；根据网格化观测资料和当前模式背景场，进行水汽观测资料反演；将伪水汽观测资料、地面站观测资料和当前模式背景场，进行三维变分同化，获得当前时刻的分析场；在该分析场的基础上进行模式预报，获得下一时刻的预报场；将该预报场作为下一时刻的模式背景场，重复上述操作进行闪电资料循环同化，最终获得逐小时的降水预报。本实施例实现了减少对模式背景场的依赖，提高模式初始场的精确度，提高临近时刻的降水预报效果。

Description

一种基于闪电资料同化的降水预报方法及系统
技术领域
本发明涉及气象预报领域，尤其涉及一种基于闪电资料同化的降水预报方法及系统。
背景技术
强对流天气的发生通常伴随着频繁的闪电活动，研究表明闪电活动与雷暴天气特征(如降雨率、霰、冰晶以及气流上升特征等)相关联，闪电定位数据可以大致断雷暴云的发展阶段、影响区域及强度等。而且闪电监测设备的造价少、易维护、探测范围广，且受地形影响小，便于大范围部署。到目前为止，地基闪电定位网络已基本覆盖了我国人口聚居地区，可实现全国大部分地区的地闪活动检测。此外于我国2016年发射的风云四号静止气象卫星搭载的闪电成像仪LMI(Lightning Mapping Imager)，可对我国及周边地区的闪电活动进行连续监测，提供每分钟一次的高分辨率闪电数据。有效利用这些丰富的闪电观测资料，将其同化入数值天气预报模式中，提高模式对强对流天气的模拟和预报能力，是具有重要应用价值和科学意义的研究。
闪电资料不是模式的直接变量，因此在同化前需要将闪电资料反演为模式变量或其相关诊断量，在现有技术中常利用闪电调整对流参数化方案中的触发函数、转换为代理反射率或垂直上升速度，通过闪电资料调整湿度环境等方法。由于闪电活动与大气水汽含量有密切关系，因此通过闪电资料调整模式背景场一定高度的湿度环境是目前常用的同化方法之一。但大部分的研究都是对背景场特定高度(如0到-20℃等温层内、抬升凝结高度到固定高度等)的湿度变量进行调整，这在很大程度上也依赖于模式背景场的准确性，初始误差很大程度上影响着临近时刻的降水预报效果。
发明内容
本发明提供了一种基于闪电资料同化的降水预报方法及系统，实现去除对模式背景场的依赖，提高模式初始场的精确度，提高临近时刻的降水预报效果。
为了解决上述技术问题，本发明实施例提供了一种基于闪电资料同化的降水预报方法及系统，包括
对当前时刻的气象数据进行网格化预处理，获得网格化观测资料；其中，气象数据包括闪电定位数据、云顶高度数据和云底高度数据；
根据网格化观测资料和当前模式背景场，反演出伪水汽观测资料；
将伪水汽观测资料、地面站观测资料和当前模式背景场，进行三维变分同化，获得当前时刻的分析场；
根据当前时刻的分析场，进行模式预报，得到下一时刻的预报场，获得下一时刻的降水预报。
实施本发明实施例，对闪电定位数据、云顶高度数据和云底高度数据进行网格化预处理，获得网格化观测资料，根据网格化观测资料，进行闪电资料反演，获得伪相对湿度，将伪相对湿度和地面气象站观测资料进行三维变分同化，获得分析场，再进行模式预报，获得确定性降水预报，可引入地面气象站的云底高度数据和风云四号静止气象卫星的云顶高度数据资料，减小模式背景场的依赖性，在闪电资料同化的基础上增加地面气象站风速、风向、气温和气压观测资料的同化，使当前的模式初始场更接近真实场，降低初始误差，可以有效提高中尺度数值天气模式初始场的精确度，进而提高临近时刻的降水预报效果。
作为优选方案，对当前时刻的气象数据进行网格化预处理，获得网格化观测资料；其中，气象数据包括闪电定位数据、云顶高度数据和云底高度数据，具体为：
根据闪电定位数据、闪电时间和出现次数，统计闪电总频次数据，将闪电总频次数据插值到当前模式背景场的数值模式网格中，得到网格化闪电资料；
根据风云四号卫星的云顶高度数据，选取当前时刻邻近的云顶高度数据，获得邻近时刻云顶高度数据，并根据邻近时刻云顶高度数据的地理坐标，将邻近时刻云顶高度数据插值到数值模式网格中，得到网格化云顶资料；
根据地面气象站的云底高度数据，提取出每个地面气象站点的云底高度数据，获得站点云底高度数据，将站点云底高度数据插值到数值模式网格中，得到网格化云底资料。
实施本发明实施例，将闪电定位数据、风云四号卫星的云顶高度数据和地面气象站的云底高度数据预处理后的数据，作为网格化观测资料，进行闪电资料同化，去除了现有的闪电同化方法对模式背景场的依赖程度，便于去除模式初始误差，进而提高数值预报模式的降水预报。
作为优选方案，根据网格化观测资料和当前模式背景场，反演出伪水汽观测资料，具体为：
根据当前模式背景场和数值模式网格，获得全部模式格点；
根据网格化闪电资料、网格化云顶资料和网格化云底资料，将各模式格点进行闪电判断和预设湿度调整，获得各模式格点的伪相对湿度；
根据各模式格点的伪相对湿度，形成伪水汽观测资料。
作为优选方案，根据网格化闪电资料、网格化云顶资料和网格化云底资料，将各模式格点进行闪电判断和预设湿度调整，获得各模式格点的伪相对湿度，具体为：
根据网格化闪电资料、网格化云顶资料和网格化云底资料，判断当前模式格点是否存在闪电；
若当前模式格点没有闪电，则判断下一个模式格点是否存在闪电；
若当前模式格点有闪电，则判断当前模式格点的有效高度内相对湿度是否满足预设湿度条件；其中，有效高度是当前模式格点的高度位于网格化的云底到云顶高度观测资料之间；
若是，则将当前模式格点的相对湿度反演为预设湿度值，获得当前模式格点的伪相对湿度；
若否，则不调整当前模式格点的相对湿度。
实施本发明实施例，相对湿度属于常规探空观测量，能在任意同化系统中进行同化，因此利用闪电资料对相对湿度进行调整更容易实现业务化，进行闪电资料反演，得到伪水汽观测资料，以此为基础在进行三维变分同化，减小分析误差。
作为优选方案，将伪水汽观测资料、地面站观测资料和当前模式背景场，进行三维变分同化，获得当前时刻的分析场，具体为：
将当前模式背景场作为背景场变量，将伪水汽观测资料和地面站观测资料作为观测变量，使用三维变分同化方法，求解代价函数的极小值，获得当前时刻的分析场；
其中，地面站观测资料根据地面气象站的地面气象数据，进行预设格式调整所形成；地面气象数据包括风速、风向、气温和气压；
代价函数如下式：
Figure BDA0003876403270000041
其中，J(x)为代价函数，x为分析变量，xb为背景场变量，o为观测变量，H为从模型空间映射到观测空间的观测算子，为背景误差协方差矩阵，R为观测误差协方差矩阵。
实施本发明实施例，在闪电资料同化的基础上增加地面气象站风速、风向、气温和气压观测资料的同化，使模式初始场更接近真实场，降低初始误差。同时利用三维变分同化方法计算速度快、发展成熟、分析结果稳定，提高获得分析场的准确度。
作为优选方案，根据当前时刻的分析场，进行模式预报，得到下一时刻的预报场，获得下一时刻的降水预报，具体为：
将当前时刻的分析场和预设侧边界条件，进行数值天气预报，得到下一时刻的预报场，获得所述下一时刻的降水预报。
作为优选方案，当获得下一时刻的降水预报之后，将下一时刻的预报场作为下一时刻的模式背景场，根据模式背景场和下一时刻的气象数据，进行基于闪电资料同化，获得再下一时刻的预报场，根据预设时刻和再下一时刻的预报场，循环进行基于闪电资料同化，获得预设时刻的降水预报结果。
实施本发明实施例，以预测出的下一时刻的预报场作为下一时刻的模式背景场，可在进行下一个时刻预报时，基于闪电资料同化时没有用背景场求出的抬升凝结高度作为闪电反演水汽的下限高度，而是使用观测站的云底高度资料作为反演水汽下限高度，因此消除了对模式背景场的依赖，有效提高中尺度数值天气模式初始场的精确性。
为了解决相同的技术问题，本发明实施例还提供了一种基于闪电资料同化的降水预报系统，包括：气象数据预处理模块、闪电资料反演模块、三维变分同化模块、模式预报模块和循环模块；
其中，气象数据预处理模块用于对当前时刻的气象数据进行网格化预处理，获得网格化观测资料；其中，气象数据包括闪电定位数据、云顶高度数据和云底高度数据；
闪电资料反演模块用于根据网格化观测资料和当前模式背景场，反演出伪水汽观测资料；
三维变分同化模块用于将伪水汽观测资料、地面站观测资料和当前模式背景场，进行三维变分同化，获得当前时刻的分析场；
模式预报模块用于根据当前时刻的分析场，进行模式预报，得到下一时刻的预报场，获得下一时刻的降水预报；
循环模块用于当获得所述下一时刻的降水预报之后，将所述下一时刻的预报场作为下一时刻的模式背景场，根据所述模式背景场和所述下一时刻的所述气象数据，进行基于闪电资料同化，获得再下一时刻的所述预报场，根据预设时刻和所述再下一时刻的所述预报场，循环进行所述基于闪电资料同化，获得所述预设时刻的降水预报结果。
作为优选方案，气象数据预处理模块包括闪电资料单元、云顶资料单元和云底资料单元；
其中，闪电资料单元用于根据闪电定位数据、闪电时间和出现次数，统计闪电总频次数据，将闪电总频次数据插值到当前模式背景场的数值模式网格中，得到网格化闪电资料；
云顶资料单元用于根据风云四号卫星的云顶高度数据，选取当前时刻邻近的云顶高度数据，获得邻近时刻云顶高度数据，并根据邻近时刻云顶高度数据的地理坐标，将邻近时刻云顶高度数据插值到数值模式网格中，得到网格化云顶资料；
云底资料单元用于根据地面气象站的云底高度数据，提取出每个地面气象站点的云底高度数据，获得站点云底高度数据，将站点云底高度数据插值到数值模式网格中，得到网格化云底资料。
附图说明
图1：为本发明提供的基于闪电资料同化的降水预报方法的一种实施例的流程示意图；
图2：为本发明提供的基于闪电资料同化的降水预报方法的一种实施例的模式驱动数据的降水预报流程图；
图3：为本发明提供的基于闪电资料同化的降水预报方法的模拟区域图；其中，(a)是外层区域，(b)是内层区域；
图4：为本发明提供的基于闪电资料同化的降水预报方法的一种实施例的试验同化流程图；
图5：为本发明提供的基于闪电资料同化的降水预报方法的另一种实施例的试验改进效果对比图；其中，(a)是CRA的相对湿度图，(b)是CTR的相对湿度图，(C)是LGT的相对湿度图,(d)是CRA的相对湿度垂直剖面图，(e)是CTR的相对湿度垂直剖面图，(f)是LGT的相对湿度垂直剖面图；
图6：为本发明提供的基于闪电资料同化的降水预报方法的另一种实施例的逐小时降水观测分布对比图；其中，(a)是降水实测分布图，(b)是CTR降水分布图，(C)是LGT降水分布图；
图7：为本发明提供的基于闪电资料同化的降水预报方法的另一种实施例的逐小时降水预报对比图；其中，(a)是降水量对比图，(b)是降水预报ETS(1mm)评分对比图，(C)是降水预报ETS(5mm)评分对比图；
图8：为本发明提供的基于闪电资料同化的降水预报系统的另一种实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
实施例一
请参照图1，为本发明实施例提供的一种基于闪电资料同化的降水预报方法的流程示意图，其中，模式驱动数据的降水预报流程如图2所示。本实施例的降水预报方法适用于强对流天气的发生通常伴随着频繁的闪电活动情况，本实施例通过结合闪电定位数据、风云四号静止气象卫星的云顶高度数据和地面气象站数据，基于闪电资料进行三维变分同化，去除对模式背景场的依赖，提高模式初始场的精确度，提高临近时刻的降水预报效果。该降水预报方法包括步骤101至步骤104，各步骤具体如下:
步骤101：对当前时刻的气象数据进行网格化预处理，获得网格化观测资料；其中，气象数据包括闪电定位数据、云顶高度数据和云底高度数据。
可选的，步骤101具体包括步骤1011至步骤1013，各步骤具体如下:
步骤1011：根据闪电定位数据、闪电时间和出现次数，统计闪电总频次数据，将闪电总频次数据插值到当前模式背景场的数值模式网格中，得到网格化闪电资料。
在本实施例中，以具体时间作为举例，统计闪电总频次数据时，如果两次或多次闪电活动发生的水平位置相距小于1公里或发生的时间间隔小于100毫秒，则认为它们属于一次闪电活动；统计当前同化时刻前25分钟到后5分钟，一共30分钟内的闪电次数作为当前时刻的闪电总频次；将闪电总频次数据用最近邻方法插值到数值模式网格，得到每30分钟一次的网格化闪电资料，在实际应用中，可根据实际情况调整位置距离、时间间隔和时长等变量。当前模式背景场可以是在上一时刻预测出的当前时刻的预报场，作为初始时刻的模式背景场可以由分析场替代原始的背景场，由FNL生成的初始背景场。
步骤1012：根据风云四号卫星的云顶高度数据，选取当前时刻邻近的云顶高度数据，获得邻近时刻云顶高度数据，并根据邻近时刻云顶高度数据的地理坐标，将邻近时刻云顶高度数据插值到数值模式网格中，得到网格化云顶资料。
在本实施例中，风云四号卫星的原始云顶高度数据的时间分辨率和模式同化的分辨率不一样，可能会出现时间不一致的情况，这时需要选择用最邻近的云顶高度数据，例如，需要在12:00进行同化，但只有13:45或12:05的数据，则选用12:05时刻的数据。选取距离当前同化时刻最邻近的云顶高度数据，获得邻近时刻云顶高度数据，包括但不限于利用WGS84(World Geodetic System 1984)参考椭球计算得到邻近时刻云顶高度数据所对应的地理坐标，将云顶高度数据用最近邻方法插值到数值模式网格，得到网格化云顶资料。
步骤1013：根据地面气象站的云底高度数据，提取出每个地面气象站点的云底高度数据，获得站点云底高度数据，将站点云底高度数据插值到数值模式网格中，得到网格化云底资料。
在本实施例中，提取出地面气象站的每个站点的云底高度数据，并将其插值到模式网格，得到网格化云底资料。
步骤102：根据网格化观测资料和当前模式背景场，反演出伪水汽观测资料。
可选的，步骤102具体包括步骤1021至步骤1023，各步骤具体如下:
步骤1021：根据当前模式背景场和数值模式网格，获得全部模式格点。
步骤1022：根据网格化闪电资料、网格化云顶资料和网格化云底资料，将各模式格点进行闪电判断和预设湿度调整，获得各模式格点的伪相对湿度。
可选的，根据网格化闪电资料、网格化云顶资料和网格化云底资料，判断当前模式格点是否存在闪电；
若当前模式格点没有闪电，则判断下一个模式格点是否存在闪电；
若当前模式格点有闪电，则判断当前模式格点的有效高度内相对湿度是否满足预设湿度条件；其中，有效高度是当前模式格点的高度位于网格化的云底到云顶高度观测资料之间；
若是，则将当前模式格点的相对湿度反演为预设湿度值，获得当前模式格点的伪相对湿度；
若否，则不调整当前模式格点的相对湿度。
在本实施例中，如果当前模式格点处有观测到闪电，且当前模式背景场(模式背景场)在云底到云顶高度处的相对湿度满足预设湿度条件(如：小于90％)，则将该处的相对湿度调整为预设湿度值(如：90％)；反之，若该处的相对湿度不满足预设湿度条件(如：大于或等于90％)，则不进行调整。
步骤1023：根据各模式格点的伪相对湿度，形成伪水汽观测资料。
在本实施例中，将各模式格点的伪相对湿度按照WRFDA同化系统要求的探空资料格式输出，形成伪水汽观测资料。
步骤103：将伪水汽观测资料、地面站观测资料和当前模式背景场，进行三维变分同化，获得当前时刻的分析场。
可选的，将当前模式背景场作为背景场变量，将伪水汽观测资料和地面站观测资料作为观测变量，使用三维变分同化方法，求解代价函数的极小值，获得当前时刻的分析场；
其中，地面站观测资料根据地面气象站的地面气象数据，进行预设格式调整所形成；地面气象数据包括风速、风向、气温和气压；
代价函数如下式：
Figure BDA0003876403270000091
其中，J(x)为代价函数，x为分析变量，xb为背景场变量，o为观测变量，H为从模型空间映射到观测空间的观测算子，为背景误差协方差矩阵，R为观测误差协方差矩阵。
在本实施例中，提取出地面气象站的每个站点的地面气象数据，地面气象数据包括风速、风向、气温和气压等数据，将地面气象数据输出为WRFDA同化系统要求的格式，形成地面站观测资料。将当前模式背景场作为背景场变量，将伪水汽观测资料和地面站观测资料作为观测变量，使用三维变分同化方法，求解代价函数的极小值，获得当前时刻的分析场。
资料同化实质上是从数值预报模式提供的背景场出发，将观测资料与模式模拟的大气运动过程以科学的方式融合，将各种观测信息不断累积到模式背景场中，最终得到一个更接近大气真实状态的分析场。接着再将这个分析场替代原本的背景场，与更新后的侧边界条件一起进行数值天气预报，得到模式的预报场。
三维变分同化方法通过求解代价函数的极小值，得到模式的分析场，代价函数J(x)如下式：
Figure BDA0003876403270000101
式中，、xb和yo分别为分析变量、背景场变量和观测变量；是将分析或背景变量从模型空间映射到观测空间的观测算子；B和R分别代表背景误差协方差矩阵和观测误差协方差矩阵。
本实施例中使用的B统计方式如：从2021年6月1日到6月30日截止，每天00:00和12:00分别进行冷启动，做12h和24h的预报，基于一个多月12h和24h的预测样本，采用NMC方法统计得到；R则采用WRFDA同化系统默认配置。
步骤104：根据当前时刻的分析场，进行模式预报，得到下一时刻的预报场，获得下一时刻的降水预报。
可选的，将当前时刻的分析场和预设侧边界条件，进行数值天气预报，得到下一时刻的预报场，获得下一时刻的降水预报。
可选的，当获得下一时刻的降水预报之后，将下一时刻的预报场作为下一时刻的模式背景场，根据模式背景场和下一时刻的气象数据，进行基于闪电资料同化，获得再下一时刻的预报场，根据预设时刻和再下一时刻的预报场，循环进行基于闪电资料同化，获得预设时刻的降水预报结果。
在本实施例中，获得当前时刻的分析场后，将分析场替代原始的背景场(模式初始背景场)，与预设侧边界条件(由FNL生成)，一起进行数值天气预报，得到模式的预报场，从而获得下一时刻的降水预报。当获得下一时刻的预报场之后，将下一时刻的预报场作为下一时刻的背景场(模式背景场)，根据背景场和下一时刻的气象数据，继续进行基于闪电资料同化，即执行步骤101至步骤104，获得再下一时刻的预报场，根据预设时刻和再下一时刻的预报场，进行循环同化，获得预设多个时刻的降水预报。
以2021年7月20日(世界时，下同)发生在河南省郑州市的一次极端暴雨过程为实施例，为模拟和预报本次强对流过程，模式的初始和侧边界条件均由0.25°×0.25°的FNL分析资料(National Centers for Environmental Prediction Final Operational GlobalAnalysis data)提供，模式外层水平分辨率为9km；模式内层水平分辨率为3km，采用高分辨率(3s)的地形数据，具体地形数据的模拟区域，如图3所示。模式内外层在垂直上都分为不等距的31层，顶层气压为50hPa。采用的物理过程参数化方案包括：Morrison微物理方案、RRTM长波辐射及Dudhia短波辐射方案、Monin-Obukhov近地面层方案、YSU边界层方案、Noah陆面过程方案以及Kain-Fritsch积云参数化方案在外层使用，而内层不使用积云参数化方案。
为验证本方法的临近时刻的降水预报效果的准确性，设置了两组模拟试验用于验证本发明对强对流过程预报效果的影响，(1)不同化任何观测资料的试验(CTR)，从7月19日21:00UTC开始驱动WRF模式进行15h预报；(2)在外层同化地面气象站观测资料的基础上，在内层进行闪电和地面气象站资料同化的试验，即发明基于闪电资料同化方法的降水预报试验(LGT)。试验同化流程，如图4所示，LGT试验在同化前有6h的spin-up。经过3h资料同化，在7月20日06:00UTC启动6h预报，其中，地面气象站资料同化间隔为60min，闪电资料同化间隔为30min。
为了对比经过闪电和地面气象站同化后对模式初始场的改进效果，使用中国全球大气再分析产品(水平分辨率34km，简称CRA)作为验证资料，试验改进效果对比，如图5所示，图5(a)是CRA的相对湿度图，2021年7月20日06时(初始时刻)再分析产品CRA，图5(b)是CTR的相对湿度图，图5(C)是LGT的相对湿度图,图5(d)是CRA的相对湿度垂直剖面图，图5(e)是CTR的相对湿度垂直剖面图，图5(f)是LGT的相对湿度垂直剖面图，各试验在700hPa高度相对湿度(单位：％)分布以及沿着34.71°N(即图a-c中黑线)方向的相对湿度垂直剖面图(d-f)，黑色三角表示郑州站位置，分别与两组模拟试验进行对比后可以发现，CRA在河南省700hPa高度的相对湿度普遍都在80％以上，特别是郑州站(图中三角位置)及其北部地区，相对湿度更是达到100％，表明郑州附近水汽条件相当充沛(图5a)。若不同化任何资料，郑州西部的相对湿度达到100％，但郑州市及其北部的相对湿度较CRA偏小(图5b)。经闪电和气象站资料同化后，郑州市西北到北部的相对湿度明显增大，包括郑州气象站在内的部分区域相对湿度达到100％，结果与CRA更接近(图5c)。
从相对湿度的垂直剖面可以看到，CRA在此处的相对湿度含量相当大，112.5°～114.5°E大气中低层的相对湿度含量达到100％(图5d)。与CTR试验相比(图5e和图5f)，LGT试验明显提升了的相对湿度含量，特别是在郑州站附近的相对湿度分布情况更接近CRA，可见通过本发明同化方法，即同化由闪电资料反演的伪相对湿度是合理的，可以有效地调整初始预报时刻的水汽含量，而初始场中接近饱和的水汽条件更有利于模拟对流的触发和维持。
为了直观地展示各组试验的降水预报效果，先利用Kriging插值方法将国家和区域级自动气象站观测的降水数据插值到0.01°×0.01°网格内，逐小时降水观测分布对比，如图6所示，图6(a)是降水实测分布图，图6(b)是CTR降水分布图，图6(C)是LGT降水分布图，逐小时降水实测分布图(图6a)。从6h累积降水观测可以发现，河南省的暴雨雨带(≥50mm)位于北部地区，强降水中心(≥300mm)维持在郑州站(黑色三角)附近，6h累计降水量达到374.3mm，本次降水过程具有局地性和极端性的特征。若不进行资料同化(图6b)，其暴雨雨带和强降水中心都预报在郑州西部，郑州站附近的累积降水量不足200mm，说明仅使用FNL资料提供的背景场无法满足预报需求，应考虑引入更多包含中小尺度信息的资料，改进模式初始场。引入闪电资料后(图6c)，郑州大暴雨的预报效果得到明显改进，暴雨雨带的位置与观测更加吻合，强降水中心的位置和降水强度均得到显著提升，特别是能预报出大于300mm的强降水中心。
使用ETS评分分别对两组试验的6小时累积降水预报及逐小时降水预报结果进行对比，客观评价不同试验的降水预报性能。其中6小时累积降水的评判阈值设定为1mm，5mm，10mm，20mm，50mm，100mm，200mm；逐小时降水的评判阈值设定为1mm和5mm。采用降水站点检验方法，即先将模式网格点降水预报值插值到气象站点位置，再进行站点对站点的检验。
逐小时降水预报对比，如图7所示，图7(a)是降水量对比图，图7(b)是降水预报ETS(1mm)评分对比图，图7(C)是降水预报ETS(5mm)评分对比图。对比两组试验6小时累积降水在不同阈值的ETS评分可以发现，在各阈值下，LGT试验的预报效果均优于CTR试验。此外，CTR试验在200mm阈值下的ETS分数小于0，说明CTR试验无法预报出累积降水量大于200mm以上的强降水(图7a)。LGT试验除了在6小时累积降水的预报效果中有明显优势外，对逐小时的降水预报也有明显改进。从图7b-c可以发现，在两组降水阈值中，LGT试验的逐小时ETS降水评分都大于CTR试验，尤其体现在对前4小时的降水预报。
实施本发明实施例，闪电资料同化方法适用于大部分闪电定位资料；引入地面气象站的云底高度和风云四号静止气象卫星的云顶高度资料，去除现有的闪电同化方法对模式背景场的依赖性；与不进行资料同化的控制试验相比，使用本发明进行闪电和地面气象站循环同化后能明显改进降水预报效果，尤其是前3-4小时的降水预报。
实施例二
相应地，参见图8，图8是本发明提供的基于闪电资料同化的降水预报系统的实施例二的结构示意图。如图8所示，基于闪电资料同化的降水预报系统包括：气象数据预处理模块801、闪电资料反演模块802、三维变分同化模块803、模式预报模块804和循环模块805。
其中，气象数据预处理模块801用于对当前时刻的气象数据进行网格化预处理，获得网格化观测资料；其中，气象数据包括闪电定位数据、云顶高度数据和云底高度数据。
可选的，气象数据预处理模块801包括闪电资料单元8011、云顶资料单元8012和云底资料单元8013；
其中，闪电资料单元8011用于根据闪电定位数据、闪电时间和出现次数，统计闪电总频次数据，将闪电总频次数据插值到当前模式背景场的数值模式网格中，得到网格化闪电资料；
云顶资料单元8012用于根据风云四号卫星的云顶高度数据，选取当前时刻邻近的云顶高度数据，获得邻近时刻云顶高度数据，并根据邻近时刻云顶高度数据的地理坐标，将邻近时刻云顶高度数据插值到数值模式网格中，得到网格化云顶资料；
云底资料单元8013用于根据地面气象站的云底高度数据，提取出每个地面气象站点的云底高度数据，获得站点云底高度数据，将站点云底高度数据插值到数值模式网格中，得到网格化云底资料。
闪电资料反演模块802用于根据网格化观测资料和当前模式背景场，反演出伪水汽观测资料。
三维变分同化模块803用于将伪水汽观测资料、地面站观测资料和当前模式背景场，进行三维变分同化，获得当前时刻的分析场。
模式预报模块804用于根据当前时刻的分析场，进行模式预报，得到下一时刻的预报场，获得下一时刻的降水预报。
循环模块805用于当获得下一时刻的降水预报之后，将下一时刻的预报场作为下一时刻的模式背景场，根据模式背景场和下一时刻的气象数据，进行基于闪电资料同化，获得再下一时刻的预报场和再下一时刻的降水预报，根据预设时刻和下一时刻的预报场，循环进行基于闪电资料同化，获得预设时刻的降水预报。
对闪电定位数据、云顶高度数据和云底高度数据进行网格化预处理，获得网格化观测资料，根据网格化观测资料，进行闪电资料反演，获得伪相对湿度，将伪相对湿度和地面气象站观测资料进行三维变分同化，获得分析场，再进行模式预报，获得确定性降水预报，可引入地面气象站的云底高度数据和风云四号静止气象卫星的云顶高度数据资料，减小模式背景场的依赖性，在闪电资料同化的基础上增加地面气象站风速、风向、气温和气压观测资料的同化，使当前的模式初始场更接近真实场，降低初始误差，可以有效提高中尺度数值天气模式初始场的精确度，进而提高临近时刻的降水预报效果。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于闪电资料同化的降水预报方法，其特征在于，包括：
对当前时刻的气象数据进行网格化预处理，获得网格化观测资料；其中，所述气象数据包括闪电定位数据、云顶高度数据和云底高度数据；
根据所述网格化观测资料和当前模式背景场，反演出伪水汽观测资料；
将所述伪水汽观测资料、地面站观测资料和所述当前模式背景场，进行三维变分同化，获得所述当前时刻的分析场；
根据所述当前时刻的所述分析场，进行模式预报，得到下一时刻的预报场，获得所述下一时刻的降水预报。
2.如权利要求1所述的基于闪电资料同化的降水预报方法，其特征在于，所述对当前时刻的气象数据进行网格化预处理，获得网格化观测资料；其中，所述气象数据包括闪电定位数据、云顶高度数据和云底高度数据，具体为：
根据所述闪电定位数据、闪电时间和出现次数，统计闪电总频次数据，将所述闪电总频次数据插值到所述当前模式背景场的数值模式网格中，得到网格化闪电资料；
根据风云四号卫星的所述云顶高度数据，选取所述当前时刻邻近的所述云顶高度数据，获得邻近时刻云顶高度数据，并根据所述邻近时刻云顶高度数据的地理坐标，将所述邻近时刻云顶高度数据插值到所述数值模式网格中，得到网格化云顶资料；
根据地面气象站的所述云底高度数据，提取出每个地面气象站点的云底高度数据，获得站点云底高度数据，将所述站点云底高度数据插值到所述数值模式网格中，得到网格化云底资料。
3.如权利要求2所述的基于闪电资料同化的降水预报方法，其特征在于，所述根据所述网格化观测资料和当前模式背景场，反演出伪水汽观测资料，具体为：
根据所述当前模式背景场和所述数值模式网格，获得全部模式格点；
根据所述网格化闪电资料、所述网格化云顶资料和所述网格化云底资料，将各模式格点进行闪电判断和预设湿度调整，获得各模式格点的伪相对湿度；
根据所述各模式格点的伪相对湿度，形成所述伪水汽观测资料。
4.如权利要求3所述的基于闪电资料同化的降水预报方法，其特征在于，所述根据所述网格化闪电资料、所述网格化云顶资料和所述网格化云底资料，将各模式格点进行闪电判断和预设湿度调整，获得各模式格点的伪相对湿度，具体为：
根据所述网格化闪电资料、所述网格化云顶资料和所述网格化云底资料，判断当前模式格点是否存在闪电；
若所述当前模式格点没有闪电，则判断下一个模式格点是否存在闪电；
若所述当前模式格点有闪电，则判断所述当前模式格点的有效高度内相对湿度是否满足预设湿度条件；其中，所述有效高度是当前模式格点的高度位于网格化的云底到云顶高度观测资料之间；
若是，则将所述当前模式格点的所述相对湿度反演为预设湿度值，获得所述当前模式格点的伪相对湿度；
若否，则不调整所述当前模式格点的所述相对湿度。
5.如权利要求1所述的基于闪电资料同化的降水预报方法，其特征在于，所述将所述伪水汽观测资料、地面站观测资料和所述当前模式背景场，进行三维变分同化，获得所述当前时刻的分析场，具体为：
将所述当前模式背景场作为背景场变量，将所述伪水汽观测资料和所述地面站观测资料作为观测变量，使用三维变分同化方法，求解代价函数的极小值，获得所述当前时刻的所述分析场；
其中，所述地面站观测资料根据地面气象站的地面气象数据，进行预设格式调整所形成；所述地面气象数据包括风速、风向、气温和气压；
所述代价函数如下式：
Figure FDA0003876403260000021
其中，J(x)为所述代价函数，x为分析变量，xb为背景场变量，yo为观测变量，H为从模型空间映射到观测空间的观测算子，B为背景误差协方差矩阵，R为观测误差协方差矩阵。
6.如权利要求1所述的基于闪电资料同化的降水预报方法，其特征在于，所述根据所述当前时刻的所述分析场，进行模式预报，得到下一时刻的预报场，获得所述下一时刻的降水预报，具体为：
将所述当前时刻的所述分析场和预设侧边界条件，进行数值天气预报，得到所述下一时刻的预报场，获得所述下一时刻的降水预报。
7.如权利要求6所述的基于闪电资料同化的降水预报方法，其特征在于，当获得所述下一时刻的降水预报之后，将所述下一时刻的预报场作为下一时刻的模式背景场，根据所述模式背景场和所述下一时刻的所述气象数据，进行基于闪电资料同化，获得再下一时刻的所述预报场，根据预设时刻和所述再下一时刻的所述预报场，循环进行所述基于闪电资料同化，获得所述预设时刻的降水预报结果。
8.一种基于闪电资料同化的降水预报系统，其特征在于，包括：气象数据预处理模块、闪电资料反演模块、三维变分同化模块、模式预报模块和循环模块；
其中，所述气象数据预处理模块用于对当前时刻的气象数据进行网格化预处理，获得网格化观测资料；其中，所述气象数据包括闪电定位数据、云顶高度数据和云底高度数据；
所述闪电资料反演模块用于根据所述网格化观测资料和当前模式背景场，反演出伪水汽观测资料；
所述三维变分同化模块用于将所述伪水汽观测资料、地面站观测资料和所述当前模式背景场，进行三维变分同化，获得所述当前时刻的分析场；
所述模式预报模块用于根据所述当前时刻的所述分析场，进行模式预报，得到下一时刻的预报场，获得所述下一时刻的降水预报；
所述循环模块用于当获得所述下一时刻的降水预报之后，将所述下一时刻的预报场作为下一时刻的模式背景场，根据所述模式背景场和所述下一时刻的所述气象数据，进行基于闪电资料同化，获得再下一时刻的所述预报场，根据预设时刻和所述再下一时刻的所述预报场，循环进行所述基于闪电资料同化，获得所述预设时刻的降水预报结果。
9.如权利要求8所述的基于闪电资料同化的降水预报系统，其特征在于，所述气象数据预处理模块包括闪电资料单元、云顶资料单元和云底资料单元；
其中，所述闪电资料单元用于根据所述闪电定位数据、闪电时间和出现次数，统计闪电总频次数据，将所述闪电总频次数据插值到所述当前模式背景场的数值模式网格中，得到网格化闪电资料；
所述云顶资料单元用于根据风云四号卫星的所述云顶高度数据，选取所述当前时刻邻近的所述云顶高度数据，获得邻近时刻云顶高度数据，并根据所述邻近时刻云顶高度数据的地理坐标，将所述邻近时刻云顶高度数据插值到所述数值模式网格中，得到网格化云顶资料；
所述云底资料单元用于根据地面气象站的所述云底高度数据，提取出每个地面气象站点的云底高度数据，获得站点云底高度数据，将所述站点云底高度数据插值到所述数值模式网格中，得到网格化云底资料。
CN202211214905.XA 2022-09-30 2022-09-30 一种基于闪电资料同化的降水预报方法及系统 Active CN115511192B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211214905.XA CN115511192B (zh) 2022-09-30 2022-09-30 一种基于闪电资料同化的降水预报方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211214905.XA CN115511192B (zh) 2022-09-30 2022-09-30 一种基于闪电资料同化的降水预报方法及系统

Publications (2)

Publication Number Publication Date
CN115511192A true CN115511192A (zh) 2022-12-23
CN115511192B CN115511192B (zh) 2023-07-14

Family

ID=84507612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211214905.XA Active CN115511192B (zh) 2022-09-30 2022-09-30 一种基于闪电资料同化的降水预报方法及系统

Country Status (1)

Country Link
CN (1) CN115511192B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304491A (zh) * 2023-05-11 2023-06-23 长江三峡集团实业发展(北京)有限公司 一种海洋异常观测资料的同化方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104992071A (zh) * 2015-07-17 2015-10-21 南京信息工程大学 一种基于集合资料同化技术的初始扰动方法
CN109657314A (zh) * 2018-12-09 2019-04-19 中国人民解放军国防科技大学 基于资料循环同化和模式循环积分的台风涡旋初始化方法
CN110020462A (zh) * 2019-03-07 2019-07-16 江苏无线电厂有限公司 一种对气象数据进行融合处理并生成数值天气预报的方法
CN110765644A (zh) * 2019-11-06 2020-02-07 兰州大学 一种风云四号卫星闪电成像仪资料同化方法
CN113568067A (zh) * 2021-07-19 2021-10-29 中国科学院大气物理研究所 数值天气预报方法、装置、计算机存储介质及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104992071A (zh) * 2015-07-17 2015-10-21 南京信息工程大学 一种基于集合资料同化技术的初始扰动方法
CN109657314A (zh) * 2018-12-09 2019-04-19 中国人民解放军国防科技大学 基于资料循环同化和模式循环积分的台风涡旋初始化方法
CN110020462A (zh) * 2019-03-07 2019-07-16 江苏无线电厂有限公司 一种对气象数据进行融合处理并生成数值天气预报的方法
CN110765644A (zh) * 2019-11-06 2020-02-07 兰州大学 一种风云四号卫星闪电成像仪资料同化方法
CN113568067A (zh) * 2021-07-19 2021-10-29 中国科学院大气物理研究所 数值天气预报方法、装置、计算机存储介质及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张荣: ""闪电资料在中尺度数值模式中的同化应用研究"", pages 009 - 4 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304491A (zh) * 2023-05-11 2023-06-23 长江三峡集团实业发展(北京)有限公司 一种海洋异常观测资料的同化方法及系统
CN116304491B (zh) * 2023-05-11 2023-08-08 长江三峡集团实业发展(北京)有限公司 一种海洋异常观测资料的同化方法及系统

Also Published As

Publication number Publication date
CN115511192B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN110363327B (zh) 基于ConvLSTM和3D-CNN的短临降水预测方法
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
Mikhailova et al. Predicting rainfall erosivity in Honduras
CN105095589B (zh) 一种山区电网风区分布图绘制方法
CN109709577A (zh) 一种基于WRF-Chem模式的气溶胶激光雷达反演PM2.5的三维变分同化方法
US20160203245A1 (en) Method for simulating wind field of extreme arid region based on wrf
CN107037504A (zh) 用于强对流天气预报的同化地闪转换代理雷达回波的方法
Hou et al. Impact of 3DVAR data assimilation on the prediction of heavy rainfall over Southern China
KR20160022421A (ko) 북서태평양 태풍 활동성에 대한 하이브리드 계절 예측 방법
CN113987912A (zh) 一种基于地理信息的污染物在线监测系统
Zhu et al. Predictability and skill of convection-permitting ensemble forecast systems in predicting the record-breaking “21· 7” extreme rainfall event in Henan Province, China
CN115511192A (zh) 一种基于闪电资料同化的降水预报方法及系统
CN115808727A (zh) 百米级阵风客观预报方法及装置
Chen et al. Improving afternoon thunderstorm prediction over Taiwan through 3DVar-based radar and surface data assimilation
CN113075751A (zh) 一种观测资料在短临预报中的融合方法和系统
CN107403004A (zh) 一种基于地形数据的遥测雨量站点可疑数值检验方法
CN114609698A (zh) 一种基于配料法思想和二分法的短时强降水概率预报方法
Jia et al. An application of the LTP_DSEF model to heavy precipitation forecasts of landfalling tropical cyclones over China in 2018
Sun et al. Mesoscale Factors Contributing to the Extreme Rainstorm on 20 July 2021 in Zhengzhou, China, as Revealed by Rapid Update 4DVar Analysis
CN112001090A (zh) 一种风场数值模拟方法
CN113176420A (zh) 一种针对电网杆塔点的风速预报订正系统
CN109948175B (zh) 基于气象数据的卫星遥感反照率缺失值反演方法
Lussana et al. Spatial interpolation of two‐metre temperature over Norway based on the combination of numerical weather prediction ensembles and in situ observations
AU2021105817A4 (en) Method for Reconstructing global Surface Temperature
Gastón et al. Wind resources map of Spain at mesoscale. Methodology and validation

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