CN115808727A - 百米级阵风客观预报方法及装置 - Google Patents
百米级阵风客观预报方法及装置 Download PDFInfo
- Publication number
- CN115808727A CN115808727A CN202211468834.6A CN202211468834A CN115808727A CN 115808727 A CN115808727 A CN 115808727A CN 202211468834 A CN202211468834 A CN 202211468834A CN 115808727 A CN115808727 A CN 115808727A
- Authority
- CN
- China
- Prior art keywords
- gust
- coefficient
- hectometer
- resolution
- preset
- 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
-
- 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
Abstract
本发明涉及一种百米级阵风客观预报方法及装置,所述方法包括获取天气要素数据;以多个预设区间进行定量分析,得到阵风系数模型;预设区间包括不同海拔高度区间、不同风速区间以及不同风向区间;将阵风系数模型插值到百米级分辨率格点场中,得到阵风系数格点场;根据预获取的百米级分辨率的平均风格点偏差订正系数得到预设平均风,确定阵风系数所在区间范围及其格点场,获取百米级分辨率的阵风格点预测数据。本发明通过构建阵风系数模型,结合百米级分辨率的平均风格点偏差订正系数获取修正过的睿思系统的平均风,得到预测阵风。本申请能够提高复杂地形条件下阵风精细化预报水平,提升首都及周边地区重大活动和城市安全运行及防灾减灾能力。
Description
技术领域
本发明属于气象预测预报技术领域,具体涉及一种百米级阵风客观预报方法及装置。
背景技术
我国大多数北方地区,尤其是京津冀地区受大陆性季风气候条件影响,冷空气来自于高纬度大陆区,多吹偏北和西北风,当有强冷空气向南侵袭时,常会造成剧烈降温,并伴有非对流性大风等现象;对于能源生产、航空、交通、电力设备、环境、农业和建筑等方面会造成重要影响,而且人们对于非对流大风高影响天气重视度相比龙卷、雷暴大风会更低一些,所以它们有可能比雷雨或飓风造成更多的损失和伤亡。另外,在参与的科技研发及服务的气象保障过程中,也更加深刻认识到冬季小尺度山地风预报,尤其是阵风预报的难度以及不同地形条件下重大室外赛事活动精密监测、精准预报及精细化服务的重要性。而目前阵风预报仍缺乏可靠的方法,数值天气预报模式可依赖于风速和湍流状态的测量值来预报阵风,但精细化程度还无法反应风场在微尺度上动态及非线性的流动特性,预报准确性在复杂地形区域也相对较低,无法满足精准预报的服务需求。
相关技术中,目前阵风预报的主要方法之一是基于边界层湍流理论建立的物理模型,但是这种参数化方案只是有效模拟了天气尺度系统下的地形拖曳,在复杂地形下,许多站点位于山区,狭窄峡湾、山谷众多,风场在微尺度上动态及非线性的流动特性都可能对局地风产生极大影响。另一种基于阵风因子的统计预报方法是通过结合阵风的局地气候测量值和风速预报,但是阵风因子模型只是通过站点系数与模式站点输出结果进行耦合,并没有将阵风因子模型集成入高分辨率模式中,并不能获取高精度格点阵风的预报,依然无法满足京津冀地区重大气象保障服务对“百米级分辨率、分钟级更新”阵风短时临近预报的刚性需求。
发明内容
有鉴于此,本发明的目的在于克服现有技术的不足,提供一种百米级阵风客观预报方法及装置,以解决现有技术中阵风预测方法无法满足百米级分辨率更新阵风短时临近预报的刚性需求的问题。
为实现以上目的,本发明采用如下技术方案:一种百米级阵风客观预报方法,包括:
获取天气要素数据;
以多个预设区间对所述天气要素数据进行定量分析,得到阵风系数模型;所述阵风系数模型用于表示多个预设区间下平均风与阵风的映射关系;所述预设区间包括不同海拔高度区间、不同风速区间以及不同风向区间;
将所述阵风系数模型插值到百米级分辨率格点场中,得到阵风系数格点场;其中,对于每个格点,阵风系数对应不同的区间范围;
根据预获取的百米级分辨率的平均风格点偏差订正系数得到预设平均风;
根据所述预设平均风所在区间范围和阵风系数格点场,获取百米级分辨率的阵风格点预测数据。
进一步的,还包括:
对阵风系数格点场、预获取的百米级分辨率的平均风格点偏差订正系数与预构建的用于高山站点的阵风机器学习模型进行耦合,得到阵风高山站点预测数据。
进一步的,还包括:
分别以预设标准对得到的百米级分辨率的阵风格点预测数据和所述阵风高山站点预测数据进行评估检测。
进一步的,所述以多个预设区间对所述天气要素数据进行定量分析,得到阵风系数模型,包括:
获取设定区域的自动气象站预设时间间隔的预设时间段气象数据;所述气象数据包括平均风速、风向、瞬时风速以及站点海拔高度信息;其中,所述瞬时风速为1小时内瞬时风最大值,所述平均风速为瞬时风最大值出现时间的2分钟平均风速;
根据所述平均风速和瞬时风速计算不同风向区间、不同风速区间、以及不同海拔高度区间的阵风系数;
所有的阵风系数构成阵风系数模型。
进一步的,百米级分辨率的平均风格点偏差订正系数的获取方法,包括:
根据预测平均风速和观测平均风速的长时序历史资料,确定站点偏差系数;
将所述站点偏差系数通过距离反比插值法,插值到高分辨率格点场上,得到百米级分辨率的格点偏差订正系数。
进一步的,根据所述预设平均风所在区间范围和阵风系数格点场,获取百米级分辨率的阵风格点预测数据,包括:
获取预设平均风对应格点的海拔高度、平均风速和平均风向,确定所述预设平均风的所属区间及对应的阵风系数数值;
根据所述阵风系数数值和预设平均风计算阵风预测数据;
其中,所述阵风预测数据为阵风预测场中计算得到的阵风预测值。
进一步的,所述对当前的阵风观测数据、映射关系以及预获取的百米级分辨率的格点偏差订正系数与预构建的用于高山站点的阵风机器学习模型进行耦合,得到阵风高山站点预测数据,包括:
获取样本特征数据;
按照季节和不同预报时效,将所述样本数据划分为训练数据集和测试数据集;
以决策树为基函数、均方误差作为目标函数构建阵风机器学习模型;
将所述训练数据集输入至所述阵风机器学习模型进行训练,至目标函数收敛,得到用于高山站点的阵风机器学习模型;
将所述测试数据集输入至用于高山站点的阵风机器学习模型进行测试。
进一步的,所述分别以预设标准对得到的百米级分辨率的阵风格点预测数据和所述阵风高山站点预测数据进行评估检测,包括:
根据所述阵风分析场和预测场,分别与观测值计算平均绝对误差和均方根误差,将所述平均绝对误差和均方根误差分别与预设标准进行对比评估。
本申请实施例提供一种百米级阵风客观预报装置,包括:
获取模块,用于获取天气要素数据;
分析模块,用于以多个预设区间对所述天气要素数据进行定量分析,得到阵风系数模型;所述阵风系数模型用于表示多个预设区间下平均风与阵风的映射关系;所述预设区间包括不同海拔高度区间、不同风速区间以及不同风向区间;
插值模块,用于将所述阵风系数模型插值到百米级分辨率格点场中,得到阵风系数格点场;其中,对于每个格点,阵风系数对应不同的区间范围;
预获取模块,用于根据预获取的百米级分辨率的平均风格点偏差订正系数得到预设平均风;
预测数据,用于根据所述预设平均风所在区间范围和阵风系数格点场,获取百米级分辨率的阵风格点预测数据。
进一步的,还包括:
耦合模块,用于对阵风系数格点场、预获取的百米级分辨率的平均风格点偏差订正系数与预构建的用于高山站点的阵风机器学习模型进行耦合,得到阵风高山站点预测数据。
本发明采用以上技术方案,能够达到的有益效果包括:
本发明提供一种百米级阵风客观预报方法及装置,本申请能够针对相应地区深入研究不同下垫面、不同地形高度、不同季节和天气系统近地面阵风的演变特征和变化规律,更好地了解与非对流性瞬时强风天气相关的形成机制;另一方面,本申请通过研发京津冀地区复杂地形条件下阵风的高分辨率格点预报产品并实现业务应用,能进一步提高复杂地形条件下阵风精细化预报水平,提升首都及周边地区重大活动和城市安全运行及防灾减灾能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明百米级阵风客观预报方法的步骤示意图;
图2为本发明预设日阵风分析场示意图;
图3为本发明到达预设日时的阵风预报场示意图;
图4为本发明百米级阵风客观预报装置的结构示意图。
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,下面将对本发明的技术方案进行详细的描述。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做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
下面结合附图介绍本申请实施例中提供的一个具体的百米级阵风客观预报方法及装置。
如图1所示,本申请实施例中提供的百米级阵风客观预报方法包括:
S101,获取天气要素数据;
其中,天气要素数据包括收集整理自动气象站观测资料、海拔高度资料及睿图-睿思分析及预报场数据,可以理解的是,这些数据中包括平均风和阵风,具体为,各站点海拔高度、各站点小时极大风速、风向、各站点小时极大风出现时间对应平均风速、平均风向,睿图-睿思再分析高分辨率格点平均风场。
S102,以多个预设区间对所述天气要素数据进行定量分析,得到阵风系数模型;所述阵风系数模型用于表示多个预设区间下平均风与阵风的映射关系;所述预设区间包括不同海拔高度区间、不同风速区间以及不同风向区间;
可以理解的是,本申请中对得到的天气要素数据针对不同海拔高度区间、不同风速区间以及不同风向区间分别进行定量分析,得到相应的阵风系数,所有的阵风系数构成阵风系数模型,阵风系数模型表征多个预设区间下的平均风与阵风的映射关系,也就是说当已知平均风的时候,针对不同区间,可以确定相应区间的阵风系数,然后根据阵风系数和平均风就可以预测相应的阵风。
需要说明的是,睿图-睿思(RMAPS-RISE)系统,是基于中国气象局北京快速更新循环数值预报系统(CMA北京模式,CMA-BJ)(原华北区域快速更新循环数值预报系统(睿图),RMAPS)和自动气象站、雷达等观测资料,利用多源数据融合技术、偏差订正技术及高分辨率地形降尺度技术建立的快速更新无缝隙融合与集成预报系统。该系统可提供覆盖京津冀全域(空间分辨率500m)、及重点区域(100km×100km范围,覆盖张家口和延庆两个山地赛区,空间分辨率100m),时间分辨率10min的0-24小时降水、温度、平均风、降水相态等产品的高分辨率诊断分析预报。本申请通过睿思系统可以得到平均风。可以理解的是,睿思系统已经是现有技术中的成熟技术,本申请在此不再赘述。
S103,将所述阵风系数模型插值到百米级分辨率格点场中,得到阵风系数格点场;其中,对于每个格点,阵风系数对应不同的区间范围;
对阵风系数模型插值到百米级分辨率格点场中,得到阵风系数格点场,其中,对于阵风系数格点场的每个格点,每个阵风系数对应不同的区间范围,因此,在得到平均风所在区间后就可以得到相应的阵风系数,都是一一对应的关系。
S104,根据预获取的百米级分辨率的平均风格点偏差订正系数得到预设平均风;
可以理解的是,本申请中的预设平均风是基于睿图-睿思系统获取的,为尽可能降低睿思系统平均预报预测准确率对阵风系数模型的影响程度,将睿思系统京津冀区域不同海拔高度上近3000个自动气象站平均风场实况观测资料与睿思系统高精度平均风场预报数据相结合,计算得到百米级分辨率的平均风格点偏差订正系数,通过百米级分辨率的平均风格点偏差订正系数对睿思系统中的平均风进行修正,得到精度更高的平均风,从而使得后续计算的阵风精度也更高。
S105,根据所述预设平均风所在区间范围和阵风系数格点场,获取百米级分辨率的阵风格点预测数据。
其中,通过预设平均风所在的区间,确定在阵风系数格点场中的阵风系数,再通过预设平均风与阵风系数计算得到阵风,也就是阵风格点预测数据。
百米级阵风客观预报方法的工作原理为:本申请提供的技术方案,主要应用于京津冀地区,收集整理自动气象站观测资料、海拔高度资料及睿图-睿思分析及预报场数据;然后,基于长时间序列资料,通过睿图-睿思系统深入地针对京津冀地区全域不同下垫面、不同地形条件、不同季节和天气系统近地面阵风及阵风系数的整体精细特征、典型区域间的差异以及高山相似海拔不同站点近地面阵风、平均风、阵风系数的演变特征及异同开展研究,获取京津冀站点阵风系数与稳定风速、风向、地形高度等气象及物理要素之间的阵风系数模型。根据预获取的百米级分辨率的平均风格点偏差订正系数得到预设平均风,然后可以通过预设平均风的所在区间范围确定阵风系数格点场中相应的阵风系数,根据阵风系数和预设平均风就可以得到预测阵风。本研究将京津冀阵风系数模型与阵风观测数据融合订正技术、格点偏差订正等模式后处理订正技术进行集成耦合,基于睿图-睿思系统实现了覆盖京津冀全域和重点区域进行24小时阵风的精细化客观预报。
一些实施例中,本申请提供的百米级阵风客观预报方法,还包括:
对阵风系数格点场、预获取的百米级分辨率的平均风格点偏差订正系数与预构建的用于高山站点的阵风机器学习模型进行耦合,得到阵风高山站点预测数据。
本申请中基于睿思系统插值到高山站点的阵风资料及自动气象站观测的阵风资料,利用机器学习方法构建阵风高山站点客观产品,并评估检验阵风高时空分辨率格点产品及高山站点客观产品预报性能及受强风天气、模式预报预测准确率的影响程度,最终可以预测得到阵风高山站点产品。
一些实施例中,所述以多个预设区间对所述天气要素数据进行定量分析,得到阵风系数模型,包括:
获取设定区域的自动气象站预设时间间隔的预设时间段气象数据;所述气象数据包括平均风速、风向、瞬时风速以及站点海拔高度信息;其中,所述瞬时风速为1小时内瞬时风最大值,所述平均风速为瞬时风最大值出现时间的2分钟平均风速;
根据所述平均风速和瞬时风速计算不同风向区间、不同风速区间、以及不同海拔高度区间的阵风系数;
所有的阵风系数构成阵风系数模型。
具体的,先收集京津冀地区国家和区域自动气象站逐10分钟间隔的2分钟平均风速、风向、瞬时风速、风向、站点海拔高度信息。按照自动气象站阵风存储规则,将观测数据预处理为逐小时间隔,存储内容包括上一个整点时次到当前整点瞬时风速的最大值(极大风)WSX、风向WDX,及瞬时风最大值出现时间对应的2分钟平均风速WS2a、风向WD2a,计算逐小时京津冀各个站点的阵风系数GFk(极大风速/平均风速),阵风系数的计算方法如下:
然后利用统计分析方法,分别计算京津冀各个海拔高度不同的自动气象站点阵风系数在4个不同风速区间(0-2级;3-5级;6级;7级以上),8个不同风向区间(按照八方位划分,第一方位为北风337.5-360°,0-22.5°;第二方位为东北风22.5-67.5°,…,后面按照45°间隔依次递增)的阵风系数,综合分析阵风系数与不同地形高度、不同风向和风速的气候学统计特征和局地特征。表示不同地形高度、不同风向和风速的气候学统计特征和局地特征的所有阵风系数构成阵风系数模型。
一些实施例中,百米级分辨率的平均风格点偏差订正系数的获取方法,包括:
根据预测平均风速和观测平均风速的长时序历史资料,确定站点偏差系数;
将所述站点偏差系数通过距离反比插值法,插值到高分辨率格点场上,得到百米级分辨率的格点偏差订正系数。
一些实施例中,所述根据所述预设平均风所在区间范围和阵风系数格点场,获取百米级分辨率的阵风格点预测数据,包括:
获取预设平均风对应格点的海拔高度、平均风速和平均风向,确定所述预设平均风的所属区间及对应的阵风系数数值;
根据所述阵风系数数值和预设平均风计算阵风预测数据;
其中,所述阵风预测数据为阵风预测场中计算得到的阵风预测值。
需要说明的是,本申请可以通过先建立阵风分析场再建立阵风预测场的方式,使得预测结果更加准确,具体为,将睿图-睿思系统的每个格点(i,j)阵风系数设置为1.8作为阵风系数背景场,利用双线性距离反比插值方法插值到睿图-睿思百米级分辨率格点场上,将统计得到的阵风系数作为真值,阵风系数背景场与真值的误差首先由观测值和邻近格点背景场值的差来确定,然后通过双线性距离反比权重来确定其他格点上的误差;对于睿图-睿思百米级分辨率的每个格点(i,j),与第k个自动气象站站点的距离为rijk,利用双线性距离反比插值方法将京津冀第k个自动气象站站点与稳定风速、风向、地形高度等气象要素相关的阵风系数GFk,插值到睿图-睿思系统的每个格点(i,j)上,与阵风系数背景场相减可以得到京津冀地区睿图-睿思系统每个格点上的阵风系数差分场ΔGF(i,j),将阵风系数背景场与差分场相加就可以得到阵风系数格点场GF(i,j),采用以下方式计算,
GF(i,j)=1.8+ΔGF(i,j) (3)
其中,n为插值中所用到的相距最近的自动气象站总数,本申请提供的技术方案中插值n取8。对于每个格点,阵风系数都对应32种不同的区间范围(如北京观象台站,第1—8种情况表示风速为3级以下时8个不同方位风向对应的阵风系数值,第9—16表示风速为3—5级时8个不同方位风向对应的阵风系数值,…,以此类推)。业务实时运行时,根据实时读入的睿图-睿思系统对应(i,j)格点分析场或预报场的平均风速及风向(如某格点(3,10),其平均风速为3m/s,风向为220°)确定阵风系数所属区间及其对应值。
构建t0时刻睿图-睿思阵风分析场时,为更好地融合和吸收阵风观测数据,背景场以每小时内10min间隔的睿图-睿思系统的平均风最大值(如计算00:30起报的阵风分析场,选取00:00,00:10,00:20,00:30四个时次中睿图-睿思平均风的最大值作为背景场)与京津冀地区阵风系数格点场GF(i,j)耦合集成作为初猜场,初猜场与阵风自动气象站观测资料Xk OBS的误差首先由邻近格点初猜值和地面观测值差确定,然后通过距离反比权重确定其他格点上的误差ΔX(i,j),将初猜场与阵风风场差分场相加得到阵风分析场具体采用以下方式计算,
式中,为t0时的阵风分析值,ANA表示分析场,为(i,j)格点上每小时内10min间隔的睿图-睿思系统的平均风最大值,GF(i,j)为32种不同区间每个格点(i,j)上的阵风系数,ΔX(i,j)为第(i,j)格点上的阵风差分,Xk OBS为第k个站点上阵风自动气象站观测值,为邻近格点阵风值。最后,得到的阵风分析场的如图2所示。
构建阵风预报场时,首先将经过格点偏差订正的ti预报时次的睿图-睿思平均风预报场作为初猜场,式中FORC表示预报场,通过读入每个格点(i,j)的平均风速及风向,确定阵风系数所属区间及其对应值GF(i,j),乘以ti预报时次的睿图-睿思平均风预报场获取阵风预报场,预报时效为ti时阵风预报场的计算方法采用以下计算方式,最后,得到的阵风预报场的如图3所示。
其中,为尽可能降低睿思系统平均预报预测准确率对阵风系数模型的影响程度,将睿思系统京津冀区域不同海拔高度上近3000个自动气象站平均风场实况观测资料与睿思系统高精度平均风场预报数据相结合,利用统计偏差订正方法,获取复杂地形下睿思系统京津冀区域每个站点、每个预报时效ti、不同风力等级区间(0-2级;3-5级;6级;7级以上)的睿思预报平均风速与观测平均风速的比值,并将其定义为站点偏差系数Sk,然后将Sk通过距离反比插值(1/r2)方法,插值到睿思高分辨率格点场上,获取格点偏差订正系数Cij,本申请中在获取阵风预报场时,通过格点偏差订正系数Cij对睿图-睿思平均风进行修正,以使得得到的平均风更加准确。具体采用以下方式计算,
一些实施例中,所述对当前的阵风观测数据、映射关系以及预获取的百米级分辨率的格点偏差订正系数与预构建的用于高山站点的阵风机器学习模型进行耦合,得到阵风高山站点预测数据,包括:
获取样本特征数据;
按照季节和不同预报时效,将所述样本数据划分为训练数据集和测试数据集;
以决策树为基函数、均方误差作为目标函数构建阵风机器学习模型;
将所述训练数据集输入至所述阵风机器学习模型进行训练,至目标函数收敛,得到用于高山站点的阵风机器学习模型;
将所述测试数据集输入至用于高山站点的阵风机器学习模型进行测试。
具体的,针对一些区域的高山站点,本申请在格点偏差订正的基础上,进一步基于XGBoost机器学习方法,发展高山站点阵风风场偏差订正技术。机器学习模型样本资料采用长时间序列睿图-睿思系统插值到相应区域(例如张家口)的高山站点的阵风资料(UGUST、VGUST、WSGUST、WDGUST)及对应时间段对应站点的观测资料。机器学习模型样本特征包括26个,如:睿思系统前一天不同起报时次的预报与观测的差值dn t(其中n为预报时效,t为当前起报时次,dn t=On t-Fn t)、下一起报时次的预报值Fn t+1,各个站点的海拔高度Hstid,真值标签为下一时次的观测值Ot+1。
表1模型样本特征
d<sup>n</sup><sub>t-23</sub> | d<sup>n</sup><sub>t-22</sub> | d<sup>n</sup><sub>t-21</sub> | …… | d<sup>n</sup><sub>t-1</sub> | d<sup>n</sup><sub>t</sub> | F<sup>n</sup><sub>t+1</sub> | H<sub>stid</sub> | O<sub>t+1</sub> |
机器学习模型搭建时,按照季节和不同预报时效分配训练和测试数据集,以决策树作为基函数,以MSE均方误差作为目标函数。XGBoost模型的训练过程就是通过最小化目标函数来找到最佳的参数组。其目标函数如下所示:
XGBoost采用加法训练,即模型的收敛目标不是直接优化整个目标函数,而是分布优化目标函数,如下式所示:
把(11)带入(10),可以得到模型在训练第t颗决策树时的目标函数为
一些实施例中,还包括:
分别以预设标准对得到的百米级分辨率的阵风格点预测数据和所述阵风高山站点预测数据进行评估检测。
作为一种优选的实施方式,所述分别以预设标准对得到的百米级分辨率的阵风格点预测数据和所述阵风高山站点预测数据进行评估检测,包括:
根据所述阵风分析场和预测场,分别与观测值计算平均绝对误差和均方根误差,将所述平均绝对误差和均方根误差分别与预设标准进行对比评估。
具体的,本申请采用常规统计量如平均绝对误差(MAE)、均方根误差(RMSE)对阵风预报进行客观检验评估;另外为评估阵风产品受强风天气的影响程度,针对不同风速等级区间,计算风速风向预报评分;为评估阵风预测数据受复杂地形的影响程度,针对不同海拔高度的高山站点及平原代表站点,计算平均绝对误差、均方根误差;为评估阵风产品受模式预报准确率的影响程度,针对订正前后睿思平均风场与阵风系数模型耦合的产品,计算平均绝对误差、均方根误差,检验标准参考中国气象局风预报检验标准《QXT 229—2014风预报检验方法》。
如图4所示,本申请实施例提供一种百米级阵风客观预报装置,包括:
获取模块201,用于获取天气要素数据;
分析模块202,用于以多个预设区间对所述天气要素数据进行定量分析,得到阵风系数模型;所述阵风系数模型用于表示多个预设区间下平均风与阵风的映射关系;所述预设区间包括不同海拔高度区间、不同风速区间以及不同风向区间;
插值模块203,用于将所述阵风系数模型插值到百米级分辨率格点场中,得到阵风系数格点场;其中,对于每个格点,阵风系数对应不同的区间范围;
预获取模块204,用于根据预获取的百米级分辨率的平均风格点偏差订正系数得到预设平均风;
预测模块205,用于根据所述预设平均风所在区间范围和阵风系数格点场,获取百米级分辨率的阵风格点预测数据。
本申请实施例提供的百米级阵风客观预报装置,还包括:
耦合模块,用于对阵风系数格点场、预获取的百米级分辨率的平均风格点偏差订正系数与预构建的用于高山站点的阵风机器学习模型进行耦合,得到阵风高山站点预测数据。
本申请提供的百米级阵风客观预报装置的工作原理为,获取模块201获取天气要素数据;分析模块202以多个预设区间对所述天气要素数据进行定量分析,得到阵风系数模型;所述阵风系数模型用于表示多个预设区间下平均风与阵风的映射关系;所述预设区间包括不同海拔高度区间、不同风速区间以及不同风向区间;插值模块203将所述阵风系数模型插值到百米级分辨率格点场中,得到阵风系数格点场;其中,对于每个格点,阵风系数对应不同的区间范围;预获取模块204根据预获取的百米级分辨率的平均风格点偏差订正系数得到预设平均风;预测模块205根据所述预设平均风所在区间范围和阵风系数格点场,获取百米级分辨率的阵风格点预测数据。
综上所述,本发明提供一种百米级阵风客观预报方法及装置,本发明通过构建阵风系数模型,结合百米级分辨率的平均风格点偏差订正系数获取修正过的睿思系统的平均风,得到预测阵风。本申请能够提高复杂地形条件下阵风精细化预报水平,提升首都及周边地区重大活动和城市安全运行及防灾减灾能力。
可以理解的是,上述提供的方法实施例与上述的装置实施例对应,相应的具体内容可以相互参考,在此不再赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令方法的制造品,该指令方法实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种百米级阵风客观预报方法,其特征在于,包括:
获取天气要素数据;
以多个预设区间对所述天气要素数据进行定量分析,得到阵风系数模型;所述阵风系数模型用于表示多个预设区间下平均风与阵风的映射关系;所述预设区间包括不同海拔高度区间、不同风速区间以及不同风向区间;
将所述阵风系数模型插值到百米级分辨率格点场中,得到阵风系数格点场;其中,对于每个格点,阵风系数对应不同的区间范围;
根据预获取的百米级分辨率的平均风格点偏差订正系数得到预设平均风;
根据所述预设平均风所在区间范围和阵风系数格点场,获取百米级分辨率的阵风格点预测数据。
2.根据权利要求1所述的方法,其特征在于,还包括:
对阵风系数格点场、预获取的百米级分辨率的平均风格点偏差订正系数与预构建的用于高山站点的阵风机器学习模型进行耦合,得到阵风高山站点预测数据。
3.根据权利要求1或2所述的方法,其特征在于,还包括:
分别以预设标准对得到的百米级分辨率的阵风格点预测数据和所述阵风高山站点预测数据进行评估检测。
4.根据权利要求1所述的方法,其特征在于,所述以多个预设区间对所述天气要素数据进行定量分析,得到阵风系数模型,包括:
获取设定区域的自动气象站预设时间间隔的预设时间段气象数据;所述气象数据包括平均风速、风向、瞬时风速以及站点海拔高度信息;其中,所述瞬时风速为1小时内瞬时风最大值,所述平均风速为瞬时风最大值出现时间的2分钟平均风速;
根据所述平均风速和瞬时风速计算不同风向区间、不同风速区间、以及不同海拔高度区间的阵风系数;
所有的阵风系数构成阵风系数模型。
5.根据权利要求1所述的方法,其特征在于,百米级分辨率的平均风格点偏差订正系数的获取方法,包括:
根据预测平均风速和观测平均风速的长时序历史资料,确定站点偏差系数;
将所述站点偏差系数通过距离反比插值法,插值到高分辨率格点场上,得到百米级分辨率的格点偏差订正系数。
6.根据权利要求1所述的方法,其特征在于,根据所述预设平均风所在区间范围和阵风系数格点场,获取百米级分辨率的阵风格点预测数据,包括:
获取预设平均风对应格点的海拔高度、平均风速和平均风向,确定所述预设平均风的所属区间及对应的阵风系数数值;
根据所述阵风系数数值和预设平均风计算阵风预测数据;
其中,所述阵风预测数据为阵风预测场中计算得到的阵风预测值。
7.根据权利要求1所述的方法,其特征在于,所述对当前的阵风观测数据、映射关系以及预获取的百米级分辨率的格点偏差订正系数与预构建的用于高山站点的阵风机器学习模型进行耦合,得到阵风高山站点预测数据,包括:
获取样本特征数据;
按照季节和不同预报时效,将所述样本数据划分为训练数据集和测试数据集;
以决策树为基函数、均方误差作为目标函数构建阵风机器学习模型;
将所述训练数据集输入至所述阵风机器学习模型进行训练,至目标函数收敛,得到用于高山站点的阵风机器学习模型;
将所述测试数据集输入至用于高山站点的阵风机器学习模型进行测试。
8.根据权利要求6所述的方法,其特征在于,所述分别以预设标准对得到的百米级分辨率的阵风格点预测数据和所述阵风高山站点预测数据进行评估检测,包括:
根据所述阵风分析场和预测场,分别与观测值计算平均绝对误差和均方根误差,将所述平均绝对误差和均方根误差分别与预设标准进行对比评估。
9.一种百米级阵风客观预报装置,其特征在于,包括:
获取模块,用于获取天气要素数据;
分析模块,用于以多个预设区间对所述天气要素数据进行定量分析,得到阵风系数模型;所述阵风系数模型用于表示多个预设区间下平均风与阵风的映射关系;所述预设区间包括不同海拔高度区间、不同风速区间以及不同风向区间;
插值模块,用于将所述阵风系数模型插值到百米级分辨率格点场中,得到阵风系数格点场;其中,对于每个格点,阵风系数对应不同的区间范围;
预获取模块,用于根据预获取的百米级分辨率的平均风格点偏差订正系数得到预设平均风;
预测模块,用于根据所述预设平均风所在区间范围和阵风系数格点场,获取百米级分辨率的阵风格点预测数据。
10.根据权利要求9所述装置,还包括:
耦合模块,用于对阵风系数格点场、预获取的百米级分辨率的平均风格点偏差订正系数与预构建的用于高山站点的阵风机器学习模型进行耦合,得到阵风高山站点预测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211468834.6A CN115808727A (zh) | 2022-11-22 | 2022-11-22 | 百米级阵风客观预报方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211468834.6A CN115808727A (zh) | 2022-11-22 | 2022-11-22 | 百米级阵风客观预报方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115808727A true CN115808727A (zh) | 2023-03-17 |
Family
ID=85483738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211468834.6A Pending CN115808727A (zh) | 2022-11-22 | 2022-11-22 | 百米级阵风客观预报方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115808727A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116702068A (zh) * | 2023-08-07 | 2023-09-05 | 广东电网有限责任公司阳江供电局 | 面向多地形场站的风速预报极值提取方法及相关装置 |
CN117369025A (zh) * | 2023-11-20 | 2024-01-09 | 海南国际商业航天发射有限公司 | 一种高空风预报方法、装置、设备及存储介质 |
-
2022
- 2022-11-22 CN CN202211468834.6A patent/CN115808727A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116702068A (zh) * | 2023-08-07 | 2023-09-05 | 广东电网有限责任公司阳江供电局 | 面向多地形场站的风速预报极值提取方法及相关装置 |
CN116702068B (zh) * | 2023-08-07 | 2023-12-29 | 广东电网有限责任公司阳江供电局 | 面向多地形场站的风速预报极值提取方法及相关装置 |
CN117369025A (zh) * | 2023-11-20 | 2024-01-09 | 海南国际商业航天发射有限公司 | 一种高空风预报方法、装置、设备及存储介质 |
CN117369025B (zh) * | 2023-11-20 | 2024-04-19 | 海南国际商业航天发射有限公司 | 一种高空风预报方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Boilley et al. | Comparison between meteorological re-analyses from ERA-Interim and MERRA and measurements of daily solar irradiation at surface | |
CN112764129B (zh) | 一种雷暴短临预报方法、系统及终端 | |
Romine et al. | Model bias in a continuously cycled assimilation system and its influence on convection-permitting forecasts | |
Stathopoulos et al. | Wind power prediction based on numerical and statistical models | |
CN115808727A (zh) | 百米级阵风客观预报方法及装置 | |
Liu et al. | Spatial and temporal variations of forest LAI in China during 2000–2010 | |
Wang et al. | Performance of three reanalysis precipitation datasets over the qinling-daba mountains, eastern fringe of tibetan plateau, China | |
CN109726867B (zh) | 一种基于多模式集合的高分辨率电力气象预报方法 | |
CN109472283B (zh) | 一种基于多重增量回归树模型的危险天气预测方法和装置 | |
Sung et al. | Assessment of climate change impacts on extreme precipitation events: Applications of CMIP5 climate projections statistically downscaled over South Korea | |
Madala et al. | Performance evaluation of PBL schemes of ARW model in simulating thermo-dynamical structure of pre-monsoon convective episodes over Kharagpur using STORM data sets | |
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 | |
Traunmüller et al. | Solar irradiance forecasting, benchmarking of different techniques and applications of energy meteorology | |
Liu et al. | Estimation of terrestrial net primary productivity in China from Fengyun-3D satellite data | |
CN111582547B (zh) | 一种利用风场数据集获取不同地方时风场分布的方法 | |
CN113075751A (zh) | 一种观测资料在短临预报中的融合方法和系统 | |
Barde et al. | Performance of the CORDEX-SA regional climate models in simulating summer monsoon rainfall and future projections over East India | |
CN109948175B (zh) | 基于气象数据的卫星遥感反照率缺失值反演方法 | |
CN115639979B (zh) | 基于随机森林回归模型的高分辨率spei数据集开发方法 | |
de Souza et al. | Impact of radar data assimilation on the simulation of a heavy rainfall event over manaus in the Central Amazon | |
AU2021105817A4 (en) | Method for Reconstructing global Surface Temperature | |
CN115730524A (zh) | 一种基于机器学习的数值模拟虚拟测风误差订正方法 | |
CN113553782B (zh) | 一种用于预报风速的降尺度方法 | |
CN115687448A (zh) | 短临降水预报方法、装置、电子设备及存储介质 | |
CN115511192A (zh) | 一种基于闪电资料同化的降水预报方法及系统 |
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 |