CN115857056A - 一种强对流快速更新循环同化的天气预报方法及系统 - Google Patents
一种强对流快速更新循环同化的天气预报方法及系统 Download PDFInfo
- Publication number
- CN115857056A CN115857056A CN202211445437.7A CN202211445437A CN115857056A CN 115857056 A CN115857056 A CN 115857056A CN 202211445437 A CN202211445437 A CN 202211445437A CN 115857056 A CN115857056 A CN 115857056A
- Authority
- CN
- China
- Prior art keywords
- data
- observation data
- quality control
- assimilation
- radar
- 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
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种强对流快速更新循环同化的天气预报方法及系统,方法包括下述步骤:采集待测区域具有高时空分辨率的多种观测数据;使用气象信息标准化和规范化方法对多种观测数据进行质量控制,得到质控观测数据;基于待测区域的地理空间信息构建多普雷雷达三维拼图将质控观测数据模式网格化,并将质控观测数据插值至数值模式网格点,形成三维雷达拼图数据;基于贝叶斯先验估计模型及高斯概率分布模型,建立3DVAR同化模块,同化多源异构观测数据,得到分析场;在分析场中驱动全球天气预报模式逐小时进行数值预报。本发明能够通过高频次的资料同化吸收最新的观测数据,不断更新模式背景场,形成更准确的初始场并进行短时临近预报。
Description
技术领域
本发明属于短时临近天气预报的技术领域,具体涉及一种强对流快速更新循环同化的天气预报方法及系统。
背景技术
强对流天气系统的预报,目前主要基于雷达回波与卫星图像的简单外推以及实践经验,发展了各种类型的短时临近预报(NOWCASTING)系统,业务应用表明其在0至1h的预报中相当有效。然而由于缺乏对强对流系统的发生、发展和消亡的物理机制描述,其预报能力随预报时效增加迅速降低,一般而言时效超过1h以上的预报可信度就会大大降低,尤其是对强对流系统发展、演变的预报。采用数值模式预报强对流系统,虽然对动力与物理过程的描述存在着各种各样的不足,但对强对流系统活动的预报在原理上应该远优于简单的外推方法。鉴于强对流系统水平尺度较小、生命史较短的特点,故模式初始时刻对当前对流系统的准确把握是关键。传统的每6h或更长时间更新一次模式初值的数值预报系统显然不适合于短临时间尺度的预报,因此进行较短时间间隔的高频资料同化以便初始场尽可能包含对流系统的信息就显得十分必要。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供一种强对流快速更新循环同化的天气预报方法及系统,本发明通过高频次的资料同化吸收最新的观测信息,不断更新模式背景场,形成更准确的初始场并进行短时临近预报,提高了预报准确率。
为了达到上述目的,本发明一方面提供了一种强对流快速更新循环同化的天气预报方法,包括下述步骤:
采集待测区域具有高时空分辨率的多种观测数据;
使用气象信息标准化和规范化方法对多种观测数据进行质量控制,得到质控观测数据;
基于待测区域的地理空间信息构建多普雷雷达三维拼图将质控观测数据模式网格化,并将质控观测数据插值至数值模式网格点,形成三维雷达拼图数据;
基于贝叶斯先验估计模型及高斯概率分布模型,建立3DVAR同化模块,同化多源异构观测数据,得到分析场;
在分析场中驱动全球天气预报模式逐小时进行数值预报。
作为优选的技术方案,通过雷达、AMDAR、GPS、风廓线雷达、地面区域站及自动站收集待测区域具有高时空分辨率的多种观测数据,建立实时数据池,对数据进行归纳整理及分类存放,并对数据到达率进行统计用于同化分析处理;然后指定时间间隔后,将各类观测数据从数据池中移出,备份并按照数据特征归档存储;同时建立数据标签用于查询;
所述多种观测数据的获取频率为半小时获取一次;所述数据特征为观测种类及日期;
所述质控观测数据包括雷达质控观测数据、AMDAR质控观测数据、GPS质控观测数据、风廓线质控观测数据、区域站质控观测数据及自动站质控观测数据。
作为优选的技术方案,所述对多种观测数据进行质量控制,得到质控观测数据,具体为:
对于雷达观测数据,利用模糊逻辑法对杂波进行处理,使用插补延长对数据短缺进行处理,使用二维中值滤波法对异常点回波进行处理,同时剔除晴空回波和地形遮挡产生的回波,得到雷达质控观测数据;
对于AMDAR观测数据,使用重复性检查、有效性检查、持续性检查、极值检查、位置一致性检查、时空一致性检查及可疑数据检查进行质量控制,得到AMDAR质控观测数据;
对于GPS观测数据,使用站点稳定性检验剔除不可靠观测站点的数据,对离群值进行筛选剔除,并与全球再分析资料对比进行偏差订正,得到GPS质控观测数据;
对于风廓线观测数据,采用经验正交函数分析法进行质量控制,并进行垂直稀疏化得到风廓线质控观测数据;
对于地面区域站观测数据,进行下垫面一致性质控检测,得到区域站质控观测数据;
对于自动站观测数据,使用台站极值检查、时间一致性检查、空间一致性检查及背景场一致性检查进行质量控制,得到自动站质控观测数据。
作为优选的技术方案,所述形成三维雷达拼图数据,具体为:
从地理信息系统获取待测区域地理空间信息,基于地理空间信息使用笛卡尔坐标系构建格点网格坐标系;所述格点网格坐标系中的每个格点表示某一范围的地理空间;
将质控观测数据填充到格点网格坐标系中,根据各质控观测数据对应格点坐标的经度、纬度和高度计算各质控观测数据对应格点坐标在球坐标系下的仰角、方位和斜距,然后转化为球坐标;
在球坐标系下使用反射率差值方法进行径向插值、方位角插值及垂直插值,为各质控观测数据对应格点坐标赋值,得到各质控观测数据对应格点坐标上的分析值,对差值结果进行分析,形成三维雷达拼图数据。
作为优选的技术方案,利用最邻近法进行径向插值、方位角插值;在垂直方向利用线性内插法进行垂直插值;
所述对差值结果进行分析,具体为:
将插值到各质控观测数据对应格点坐标上的分析值以图像形式直观显示,检查回波反射率的结构特性及连续性,对明显异常的回波信息进行检验并分析原因,对于不合理的回波进行剔除或校正,得到三维雷达拼图数据;
所述三维雷达拼图数据转换成三维网格数据格式;
所述三维网格数据格式包括GrADS、Vis5D。
作为优选的技术方案,所述同化多源异构观测数据,得到分析场,具体为:
对比不同控制变量对同化的影响择优选择,构建模拟区域气候学尺度特征的背景场误差协方差矩阵,并进行变量分析得出背景场误差协方差矩阵在不同预报模式的预报变量;
建立计算模型,将不同预报模式的预报变量(u,v,t,p,q)转化为控制变量(ψ,χu,Tu,RHS,PS);其中,u表示经度方向上的风,v表示纬度方向上的风,t表示温度,p表示气压,q表示湿空气中水汽质量和湿空气质量之比,ψ表示经度方向上的风的控制变量,χu表示纬度方向上的风的控制变量,Tu表示温度的控制变量,RHS表示湿空气中水汽质量和湿空气质量之比的控制变量,PS表示气压的控制变量;
利用滤波方法,将控制变量纬度上的差异平均化;
通过动力和统计平衡,去掉所有变量之间背景场误差的相关关系,转换成互不相关的控制变量;
根据经验正交函数分解消除互不相关的控制变量内部在垂直方向的相关关系,计算背景场误差协方差矩阵的特征值及特征向量,得到分析场;
采用递归滤波计算控制变量的水平特征长度尺度,表现背景场误差水平方向上的特征;
所述不同控制变量包括流函数势函数及UV。
作为优选的技术方案,所述在分析场中驱动全球天气预报模式逐小时进行数值预报,具体为:
在分析场中驱动全球天气预报模式,逐小时启动对未来3-24小时的天气滚动预报;
所述全球天气模式采用WRF3.9天气模式。
作为优选的技术方案,所述方法还包括实时数据监测,对数值预报结果进行精细化处理,具体为:
对数值预报结果进行数据拆分,降低单个文件大小,抛弃不必要的变量;
对数值预报结果数据进行格式转码,压缩数据大小,降低传输压力;
依据所需要的坐标和分辨率精度,对数值预报结果进行插值;
将插值后的数值预报结果发送到用户平台。
本发明另一方面还提供一种强对流快速更新循环同化的天气预报系统,包括数据采集模块、数据质控模块、网格化模块、数据同化模块、天气预报模块及精细化模块;
所述采集采集模块用于采集待测区域具有高时空分辨率的多种观测数据;
所述数据质控模块用于使用气象信息标准化和规范化方法对多种观测数据进行质量控制,得到质控观测数据;
所述网格化模块基于待测区域的地理空间信息构建多普雷雷达三维拼图将质控观测数据模式网格化,并将质控观测数据插值至数值模式网格点,形成三维雷达拼图数据;
所述数据同化模块用于基于贝叶斯先验估计模型及高斯概率分布模型,建立3DVAR同化模块,同化多源异构观测数据,得到分析场;
所述天气预报模块用于在分析场中驱动全球天气预报模式逐小时进行数值预报;
所述精细化模块用于实时数据监测,对数值预报结果进行精细化处理。
本发明还一方面提供一种计算机可读存储介质,存储有程序,所述程序被处理器执行时,实现上述的一种强对流快速更新循环同化的天气预报方法。
本发明与现有技术相比,具有如下优点和有益效果:
1、时间尺度小:现有绝大部分的天气预报模式都是一天一个预报批次,最多两个预报批次,本发明可以达到一天四个批次的预报结果,快速更新循环同化技术迅速修复上一批次的预报误差。
2、空间尺度小:现有技术一般都使用10*10km网格、5*5km网格、3*3km网格,本发明可提供1*1km网格的预报结果,尺度更小。
3、预报精度高:从上面两点来看,不管是时间尺度还是空间尺度都是向着预报精度更高的方向去实现。
4、预报时效更快:通过模式算法结合算法硬件集群,给出输出频率更快、数据精度更高的预报结果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为本发明实施例中一种强对流快速更新循环同化的天气预报方法的流程图;
图2为本发明实施例中采集多源异构观测资料的示意图;
图3为本发明实施例中进行质量控制的示意图;
图4为本发明实施例中形成三维雷达拼图数据的流程示意图。
图5为本发明实施例中同化多源异构观测数据得到分析场的流程图;
图6为本发明实施例中逐小时进行数值预报的示意图;
图7为本发明实施例中一种强对流快速更新循环同化的天气预报系统的结构图;
图8为本发明实施例中计算机可读存储介质的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本申请所描述的实施例可以与其它实施例相结合。
如图1所示,本实施例一种强对流快速更新循环同化的天气预报方法,包括下述步骤:
S1、采集待测区域具有高时空分辨率的多种观测数据;
具体的,如图2所示,通过雷达、AMDAR、GPS、风廓线雷达、地面区域站及自动站等观测站点收集待测区域具有高时空分辨率的多种观测数据,建立实时数据池对采集的数据进行归纳整理,在数据池中分类存放,并对数据到达率进行统计用于同化分析处理;然后指定时间间隔后,将各类观测数据从数据池中移出,备份至指定目录并按照数据特征归档存储;同时建立数据标签用于历史数据查询。本实施例中,多种观测数据的获取频率为半小时获取一次;归档存储的数据特征为观测种类及日期;
S2、使用气象信息标准化和规范化方法对多种观测数据进行质量控制,得到质控观测数据;
如图3所示,针对雷达、AMDAR、GPS、风廓线雷达、地面区域站及自动站等空间分布密、时间频率高的观测资料的误差特征,采用对应的质控系统进行质量控制,具体为:
(1)对于因地形遮挡、环境噪声等造成的雷达观测数据质量问题进行检查并控制:
首先利用模糊逻辑法等方法对地面造成的杂波进行处理;对于由其他原因造成的数据短缺,可利用气象数据的连续性特征进行处理,对同一个单元点不同时间段获得的数据使用插补延长进行处理;由于雷达的回波具有一定的阀值,正常情况下,回波不会超过这个阀值,而异常点的数据,在许多情况会超过该回波阀值,因此这可以作为异常点判定的一个依据,故使用二维中值滤波法对异常点回波进行处理,同时有时雷达对大气层中无云区域进行探测时会产生回波,故还需要剔除晴空回波;最后由于大部分地形遮挡产生的回波是固定不变,因此需要对地形回波进行识别和处理,剔除雷达观测数据中因地形遮挡而产生的回波,得到雷达质控观测数据。
(2)对AMDAR观测数据进行质量控制,使用重复性检查、有效性检查、持续性检查、极值检查、位置一致性检查、时空一致性检查及可疑数据检查进行,得到AMDAR质控观测数据;
其中,重复性检查:主要判断在时间、经纬度和高度均比较接近时是否存在多组近似探测数据;有效性检查:其目的是依据飞机数据信息和观测数据判断当前报文的可用性;持续性检查:若检查仪器失灵造成的观测数据不变或变化很小,则要求相邻报文资料差异大于给定判据,若相邻报文资料差异小于给定判据连续出现3个及以上,则认为仪器失灵不通过持续性检查;极值检查:要求观测要素的地面区域站下垫面一致性检控模块观测值在相应的纬度和高度条件下应在一个合理的范围内;位置一致性检查:主要是排除因时间采集与飞机定位错误引起的数据质量问题,可借助前后报文来判断当前报文在时间、经纬度、高度变化上是否保持一致性;时空一致性检查:飞机飞行过程中时间变化的同时空间位置也随之变化,时空一致性检查可探讨报文随时间和空间变化过程中的可靠程度;可疑数据检查:可疑数据指的是对于以上质控方法不适用的报文数据,例如同一航班报文数量只有一个或者两个、同一航班中错误报文过多导致无法正常进行质控,此类数据以可疑标示符另行标出,方便人工或其他方式对其进一步处理。
(3)对GPS观测数据进行质量控制:使用站点稳定性检验剔除不可靠观测站点的数据,对离群值进行筛选剔除,并与全球再分析资料对比进行偏差订正,得到GPS质控观测数据;
具体的,站点稳定性检验:通过筛选固定站点不同时刻观测数据的有效程度,来确定站点观测的稳定性,剔除不可靠观测站点的观测数据;
对离群值进行筛选:计算观测数据的算术平均值、中位数和双权重平均值,将观测数据中与平均值相距较大的观测数据,筛选出并剔除;
与全球再分析资料对比进行偏差订正:将GPS观测数据与全球在分析观测数据进行对比订正其中明显的差异。
(4)对于风廓线观测数据,采用经验正交函数分析法进行质量控制,滤除了小尺度高频脉动,尽可能保留大尺度平均状态与局地中小尺度的共同影响,并进行垂直稀疏化得到风廓线质控观测数据;
具体的,由分析时刻(Ta)向前、向后1h(即Ta-1~Ta+1)挑选观测数据来构成时间序列;考虑到风廓线雷达在边界层内数据获取率较高,只选取500-3000m的垂直层次;对时间序列进行经验正交函数分解,获得2h内的风场垂直分布的主要模态;利用EOF分解出来的主要模态重构2h内的时间序列,从而获得分析时刻(Ta)的风场垂直分布。
(5)对于地面区域站观测数据,进行下垫面一致性质控检测,得到区域站质控观测数据;
具体的,依据模式观测算子计算得到的模拟区域站在模式中的位置,对下垫面信息进行收集,并与实况进行对比,对有典型差异(比如水陆差异)的进行标注。
(6)对自动站观测数据进行质量控制,对所有观测站尤其是环境恶劣地区的观测站由于设备受日照雨淋,沙尘侵蚀等因素造成的观测误差以及观测视野范围内障碍物造成的错误观测数据进行检测,检测出明显的无气象意义的观测数据并进行剔除;并对资料的持续性,背景一致性等进行检查,对观测资料进行偏差订正;
具体的,台站极值检查:台站极值是指被检测站点的某要素在历史上出现过的最大值和最小值;时间一致性检查:其目的是检验观测信息或观测要素的时间变化率,识别出不理想的突然变化;空间一致性检查:空间一致性检查就是充分利用被检站与邻近多个台站同时刻的观测资料之间的关系,进行该站观测资料质量控制的方法;背景场一致性检查:用观测资料和背景场的差(简称观测余差)与其判据进行比较。
S3、基于待测区域的地理信息,构建多普雷雷达三维拼图将质控观测数据模式网格化,并将质控观测数据插值至数值模式网格点,形成三维雷达拼图数据;
具体的,如图4所示,形成三维雷达拼图数据的具体步骤为:
S31、从地理信息系统获取待测区域地理空间信息,基于地理空间信息使用笛卡尔坐标系构建格点网格坐标系;其中的每个格点表示某一范围的地理空间;如1km*1km范围内的地理空间;
S32、将质控观测数据填充到格点网格坐标系中,根据各质控观测数据对应格点坐标的经度、纬度和高度计算各质控观测数据对应格点坐标在球坐标系下的仰角、方位和斜距,然后转化为球坐标;
S33、在球坐标系下使用反射率差值方法进行径向插值、方位角插值及垂直插值,为各质控观测数据对应格点坐标赋值,得到各质控观测数据对应格点坐标上的分析值,对差值结果进行分析,形成三维雷达拼图数据。
具体的,利用最邻近法进行径向插值、方位角插值;在垂直方向利用线性内插法进行垂直插值;对差值结果进行分析时,将插值到各质控观测数据对应格点坐标上的分析值以图像形式直观显示,检查回波反射率的结构特性及连续性,对明显异常的回波信息进行检验并分析原因,对于不合理的回波进行剔除或校正,得到三维雷达拼图数据;
本实施例中通过编写程序或利用已有软件对插值到各质控观测数据对应格点坐标上的分析值进行直观可视化,查回波反射率的结构特性及连续性,对明显异常的回波信息进行检验并分析原因,对于不合理的回波进行剔除或校正;同时将具有质量保证三维雷达拼图数据转换成业界流行的数据可视化软件支持的三维网格数据格式,如GrADS、Vis5D等格式,供用户对数据进行深入的可视化研究使用。
S4、基于贝叶斯先验估计模型及高斯概率分布模型,建立3DVAR同化模块,同化多源异构观测数据,得到分析场;
具体的,如图5所示,得到分析场的具体步骤为:
S41、对比不同控制变量(流函数势函数及UV)对同化的影响择优选择,构建适合的、符合模拟区域气候学尺度特征的背景场误差协方差矩阵,并对最后统计出的背景场误差协方差矩阵进行变量分析,得出其在不同预报模式的预报变量;其中不同预报模式为不同气象机构构建的,模式数据可以通过商业方式进行获取;
S42、建立计算模型,将不同预报模式的预报变量(u,v,t,p,q)转化为控制变量(ψ,χu,Tu,RHS,PS);其中,u表示经度方向上的风,v表示纬度方向上的风,t表示温度,p表示气压,q表示湿空气中水汽质量和湿空气质量之比,ψ表示经度方向上的风的控制变量,χu表示纬度方向上的风的控制变量,Tu表示温度的控制变量,RHS表示湿空气中水汽质量和湿空气质量之比的控制变量,PS表示气压的控制变量;
S43、利用滤波等方法,将控制变量纬度上的差异平均化;
S44、通过动力和统计平衡,去掉所有变量之间背景场误差的相关关系,转换成互不相关的控制变量;
S45、根据经验正交函数(EOF)分解消除互不相关的控制变量内部在垂直方向的相关关系,计算背景误差协方差矩阵的特征值及特征向量,得到分析场;
S46、采用递归滤波计算互不相关控制变量的水平特征长度尺度,表现背景场误差水平方向上的特征。
S5、在分析场中驱动全球天气预报模式逐小时进行数值预报。
本实施例中,在分析场中驱动全球天气预报模式,逐小时启动对未来3-24小时的天气滚动预报;如图6所示,提供基于观测数据快速同化,更新频率为1小时(每天滚动24次),模式水平分辨率3公里、模式垂直层数51层;基于同化分析结果,对于预报时长,其中00时至21时,逐三小时启动未来24小时预报,其余时刻启动未来6小时预报。全球天气预报模式采用WRF3.9天气模式。
进一步的,本实施例一种强对流快速更新循环同化的天气预报方法的步骤中,还包括实时数据监测,对数值预报结果进行精细化处理,具体为:
对数值预报结果进行数据拆分,降低单个文件大小,抛弃不必要的变量;
对数值预报结果数据进行格式转码,压缩数据大小,降低传输压力;
依据所需要的坐标和分辨率精度,对数值预报结果进行插值;
将插值后的数值预报结果发送到用户平台,提高预报数据的时效性。
同时为了保证方法的正常实施,本实施例中还提供了监控调度方法,实现定时数据收发处理、定时启动、运行状态检验等功能;对一些常见故障(如某一启动时刻背景场数据缺失),可以进行自动化处理,提高方法实施过程的稳定性,降低方法的总体故障率。
需要说明的是,对于前述的各方法实施例,为了简便描述,将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。
基于与上述实施例中的一种强对流快速更新循环同化的天气预报方法相同的思想,本发明还提供一种强对流快速更新循环同化的天气预报系统,该系统可用于执行上述一种强对流快速更新循环同化的天气预报方法。为了便于说明,一种强对流快速更新循环同化的天气预报系统实施例的结构示意图中,仅仅示出了与本发明实施例相关的部分,本领域技术人员可以理解,图示结构并不构成对装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图7所示,本发明另一个实施例提供了一种强对流快速更新循环同化的天气预报系统,包括数据采集模块、数据质控模块、网格化模块、数据同化模块、天气预报模块及精细化模块;
其中,采集采集模块用于采集待测区域具有高时空分辨率的多种观测数据;
数据质控模块用于使用气象信息标准化和规范化方法对多种观测数据进行质量控制,得到质控观测数据;
网格化模块基于待测区域的地理空间信息构建多普雷雷达三维拼图将质控观测数据模式网格化,并将质控观测数据插值至数值模式网格点,形成三维雷达拼图数据;
数据同化模块用于基于贝叶斯先验估计模型及高斯概率分布模型,建立3DVAR同化模块,同化多源异构观测数据,得到分析场;
天气预报模块用于在分析场中驱动全球天气预报模式逐小时进行数值预报;
精细化模块用于实时数据监测,对数值预报结果进行精细化处理。
需要说明的是,本发明的一种强对流快速更新循环同化的天气预报系统与本发明的一种强对流快速更新循环同化的天气预报方法一一对应,在上述一种强对流快速更新循环同化的天气预报方法的实施例阐述的技术特征及其有益效果均适用于一种强对流快速更新循环同化的天气预报系统的实施例中,具体内容可参见本发明方法实施例中的叙述,此处不再赘述,特此声明。
此外,上述实施例的一种强对流快速更新循环同化的天气预报系统的实施方式中,各程序模块的逻辑划分仅是举例说明,实际应用中可以根据需要,例如出于相应硬件的配置要求或者软件的实现的便利考虑,将上述功能分配由不同的程序模块完成,即将所述一种强对流快速更新循环同化的天气预报系统的内部结构划分成不同的程序模块,以完成以上描述的全部或者部分功能。
如图8所示,在一个实施例中,提供了一种计算机可读存储介质,存储有程序于存储器中,所述程序被处理器执行时,实现所述的一种强对流快速更新循环同化的天气预报方法,具体为:
采集待测区域具有高时空分辨率的多种观测数据;
使用气象信息标准化和规范化方法对多种观测数据进行质量控制,得到质控观测数据;
基于待测区域的地理空间信息构建多普雷雷达三维拼图将质控观测数据模式网格化,并将质控观测数据插值至数值模式网格点,形成三维雷达拼图数据;
基于贝叶斯先验估计模型及高斯概率分布模型,建立3DVAR同化模块,同化多源异构观测数据,得到分析场;
在分析场中驱动全球天气预报模式逐小时进行数值预报。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种强对流快速更新循环同化的天气预报方法,其特征在于,包括下述步骤:
采集待测区域具有高时空分辨率的多种观测数据;
使用气象信息标准化和规范化方法对多种观测数据进行质量控制,得到质控观测数据;
基于待测区域的地理空间信息构建多普雷雷达三维拼图将质控观测数据模式网格化,并将质控观测数据插值至数值模式网格点,形成三维雷达拼图数据;
基于贝叶斯先验估计模型及高斯概率分布模型,建立3DVAR同化模块,同化多源异构观测数据,得到分析场;
在分析场中驱动全球天气预报模式逐小时进行数值预报。
2.根据权利要求1所述的一种强对流快速更新循环同化的天气预报方法,其特征在于,通过雷达、AMDAR、GPS、风廓线雷达、地面区域站及自动站收集待测区域具有高时空分辨率的多种观测数据,建立实时数据池,对数据进行归纳整理及分类存放,并对数据到达率进行统计用于同化分析处理;然后指定时间间隔后,将各类观测数据从数据池中移出,备份并按照数据特征归档存储;同时建立数据标签用于查询;
所述多种观测数据的获取频率为半小时获取一次;所述数据特征为观测种类及日期;
所述质控观测数据包括雷达质控观测数据、AMDAR质控观测数据、GPS质控观测数据、风廓线质控观测数据、区域站质控观测数据及自动站质控观测数据。
3.根据权利要求2所述的一种强对流快速更新循环同化的天气预报方法,其特征在于,所述对多种观测数据进行质量控制,得到质控观测数据,具体为:
对于雷达观测数据,利用模糊逻辑法对杂波进行处理,使用插补延长对数据短缺进行处理,使用二维中值滤波法对异常点回波进行处理,同时剔除晴空回波和地形遮挡产生的回波,得到雷达质控观测数据;
对于AMDAR观测数据,使用重复性检查、有效性检查、持续性检查、极值检查、位置一致性检查、时空一致性检查及可疑数据检查进行质量控制,得到AMDAR质控观测数据;
对于GPS观测数据,使用站点稳定性检验剔除不可靠观测站点的数据,对离群值进行筛选剔除,并与全球再分析资料对比进行偏差订正,得到GPS质控观测数据;
对于风廓线观测数据,采用经验正交函数分析法进行质量控制,并进行垂直稀疏化得到风廓线质控观测数据;
对于地面区域站观测数据,进行下垫面一致性质控检测,得到区域站质控观测数据;
对于自动站观测数据,使用台站极值检查、时间一致性检查、空间一致性检查及背景场一致性检查进行质量控制,得到自动站质控观测数据。
4.根据权利要求2所述的一种强对流快速更新循环同化的天气预报方法,其特征在于,所述形成三维雷达拼图数据,具体为:
从地理信息系统获取待测区域地理空间信息,基于地理空间信息使用笛卡尔坐标系构建格点网格坐标系;所述格点网格坐标系中的每个格点表示某一范围的地理空间;
将质控观测数据填充到格点网格坐标系中,根据各质控观测数据对应格点坐标的经度、纬度和高度计算各质控观测数据对应格点坐标在球坐标系下的仰角、方位和斜距,然后转化为球坐标;
在球坐标系下使用反射率差值方法进行径向插值、方位角插值及垂直插值,为各质控观测数据对应格点坐标赋值,得到各质控观测数据对应格点坐标上的分析值,对差值结果进行分析,形成三维雷达拼图数据。
5.根据权利要求4所述的一种强对流快速更新循环同化的天气预报方法,其特征在于,利用最邻近法进行径向插值、方位角插值;在垂直方向利用线性内插法进行垂直插值;
所述对差值结果进行分析,具体为:
将插值到各质控观测数据对应格点坐标上的分析值以图像形式直观显示,检查回波反射率的结构特性及连续性,对明显异常的回波信息进行检验并分析原因,对于不合理的回波进行剔除或校正,得到三维雷达拼图数据;
所述三维雷达拼图数据转换成三维网格数据格式;
所述三维网格数据格式包括GrADS、Vis5D。
6.根据权利要求4所述的一种强对流快速更新循环同化的天气预报方法,其特征在于,所述同化多源异构观测数据,得到分析场,具体为:
对比不同控制变量对同化的影响择优选择,构建模拟区域气候学尺度特征的背景场误差协方差矩阵,并进行变量分析得出背景场误差协方差矩阵在不同预报模式的预报变量;
建立计算模型,将不同预报模式的预报变量(u,v,t,p,q)转化为控制变量(ψ,χu,Tu,RHS,PS);其中,u表示经度方向上的风,v表示纬度方向上的风,t表示温度,p表示气压,q表示湿空气中水汽质量和湿空气质量之比,ψ表示经度方向上的风的控制变量,χu表示纬度方向上的风的控制变量,Tu表示温度的控制变量,RHS表示湿空气中水汽质量和湿空气质量之比的控制变量,PS表示气压的控制变量;
利用滤波方法,将控制变量纬度上的差异平均化;
通过动力和统计平衡,去掉所有变量之间背景场误差的相关关系,转换成互不相关的控制变量;
根据经验正交函数分解消除互不相关的控制变量内部在垂直方向的相关关系,计算背景场误差协方差矩阵的特征值及特征向量,得到分析场;
采用递归滤波计算控制变量的水平特征长度尺度,表现背景场误差水平方向上的特征;
所述不同控制变量包括流函数势函数及UV。
7.根据权利要求6所述的一种强对流快速更新循环同化的天气预报方法,其特征在于,所述在分析场中驱动全球天气预报模式逐小时进行数值预报,具体为:
在分析场中驱动全球天气预报模式,逐小时启动对未来3-24小时的天气滚动预报;
所述全球天气模式采用WRF3.9天气模式。
8.根据权利要求1所述的一种强对流快速更新循环同化的天气预报方法,其特征在于,所述方法还包括实时数据监测,对数值预报结果进行精细化处理,具体为:
对数值预报结果进行数据拆分,降低单个文件大小,抛弃不必要的变量;
对数值预报结果数据进行格式转码,压缩数据大小,降低传输压力;
依据所需要的坐标和分辨率精度,对数值预报结果进行插值;
将插值后的数值预报结果发送到用户平台。
9.一种强对流快速更新循环同化的天气预报系统,其特征在于,应用于权利要求1-8中任一项所述的一种强对流快速更新循环同化的短时天气预报方法,包括数据采集模块、数据质控模块、网格化模块、数据同化模块、天气预报模块及精细化模块;
所述采集采集模块用于采集待测区域具有高时空分辨率的多种观测数据;
所述数据质控模块用于使用气象信息标准化和规范化方法对多种观测数据进行质量控制,得到质控观测数据;
所述网格化模块基于待测区域的地理空间信息构建多普雷雷达三维拼图将质控观测数据模式网格化,并将质控观测数据插值至数值模式网格点,形成三维雷达拼图数据;
所述数据同化模块用于基于贝叶斯先验估计模型及高斯概率分布模型,建立3DVAR同化模块,同化多源异构观测数据,得到分析场;
所述天气预报模块用于在分析场中驱动全球天气预报模式逐小时进行数值预报;
所述精细化模块用于实时数据监测,对数值预报结果进行精细化处理。
10.一种计算机可读存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1-8任一项所述的一种强对流快速更新循环同化的天气预报方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211445437.7A CN115857056A (zh) | 2022-11-18 | 2022-11-18 | 一种强对流快速更新循环同化的天气预报方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211445437.7A CN115857056A (zh) | 2022-11-18 | 2022-11-18 | 一种强对流快速更新循环同化的天气预报方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115857056A true CN115857056A (zh) | 2023-03-28 |
Family
ID=85664105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211445437.7A Pending CN115857056A (zh) | 2022-11-18 | 2022-11-18 | 一种强对流快速更新循环同化的天气预报方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115857056A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116975523A (zh) * | 2023-09-22 | 2023-10-31 | 南京气象科技创新研究院 | 强对流天气分型的资料同化背景误差协方差特征统计方法 |
-
2022
- 2022-11-18 CN CN202211445437.7A patent/CN115857056A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116975523A (zh) * | 2023-09-22 | 2023-10-31 | 南京气象科技创新研究院 | 强对流天气分型的资料同化背景误差协方差特征统计方法 |
CN116975523B (zh) * | 2023-09-22 | 2023-12-12 | 南京气象科技创新研究院 | 强对流天气分型的资料同化背景误差协方差特征统计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220043182A1 (en) | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data | |
CN112800634B (zh) | 耦合干湿状态辨识与多源信息融合的降水估计方法及系统 | |
CN110263392B (zh) | 基于多模式分区误差检验的风场预报方法及其系统 | |
US10613222B2 (en) | Probabilistic weather severity estimation system | |
CN105158762A (zh) | 识别和跟踪对流天气单体 | |
CN109238227B (zh) | 一种表征地面沉降时空演变的方法 | |
CN115857056A (zh) | 一种强对流快速更新循环同化的天气预报方法及系统 | |
CN115393712B (zh) | 基于动态混合池化策略的sar图像道路提取方法及系统 | |
CN115691049A (zh) | 一种基于深度学习的对流初生预警方法 | |
CN114898823A (zh) | 一种高时空分辨率遥感近地面no2浓度预估方法和系统 | |
CN115236772A (zh) | 一种漂流观测仪数据质量控制系统及其方法 | |
CN111859304B (zh) | 一种基于时空自相关性的卫星气溶胶缺失预测方法及系统 | |
CN110727719A (zh) | 一种基于动力松弛逼近的闪电定位资料同化方法 | |
Ortega et al. | Verification of multi-sensor, multi-radar hail diagnosis techniques | |
Kim et al. | Precipitation nowcasting using grid-based data in South Korea region | |
CN113673617B (zh) | 一种基于遥感影像的火星尘暴时空概率预测方法及系统 | |
CN117849907B (zh) | 基于多源数据的气象灾害靶向预警方法及系统 | |
CN117251520B (zh) | 生物多样性关键区域识别方法、装置和电子设备 | |
CN116521657B (zh) | 一种基于多源数据的地面降水协同质量控制方法 | |
CN117452360A (zh) | 一种星载雷达与地基雷达数据的匹配方法及系统 | |
CN112990701B (zh) | 一种基于eof的自动站温度资料质量控制方法 | |
CN118115687A (zh) | 一种地形测绘图像智能处理系统及方法 | |
CN118153732A (zh) | 基于多源气象模型的遥感卫星可拍摄云覆盖区预测方法 | |
CN113837422A (zh) | 一种基于多源大数据的降水落区确定方法 | |
Han et al. | Scalable Radar-based ITS: Self-localization and Occupancy Heat Map for Traffic Analysis |
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 |