CN116187567B - 一种针对饱和扰动增长模的尺度分离方法、装置和设备 - Google Patents

一种针对饱和扰动增长模的尺度分离方法、装置和设备 Download PDF

Info

Publication number
CN116187567B
CN116187567B CN202310182935.5A CN202310182935A CN116187567B CN 116187567 B CN116187567 B CN 116187567B CN 202310182935 A CN202310182935 A CN 202310182935A CN 116187567 B CN116187567 B CN 116187567B
Authority
CN
China
Prior art keywords
disturbance
initial
field
filtering
low
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.)
Active
Application number
CN202310182935.5A
Other languages
English (en)
Other versions
CN116187567A (zh
Inventor
陈超辉
杨茹
姜勇强
何宏让
陈雄
刘侃
李坤
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202310182935.5A priority Critical patent/CN116187567B/zh
Publication of CN116187567A publication Critical patent/CN116187567A/zh
Application granted granted Critical
Publication of CN116187567B publication Critical patent/CN116187567B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Farming Of Fish And Shellfish (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种针对饱和扰动增长模的尺度分离方法、装置和设备。所述方法包括：通过对初始扰动进行培育得到饱和状态的扰动增长模，并对饱和状态的扰动增长模进行滤波，得到低通滤波初值场，再对低通滤波初值场进行两次修订，得到最终的低通滤波器，最后通过调整滤波参数对最终的低通滤波器进行计算，得到不同尺度的扰动。采用本方法可以分离得到不同空间尺度的初始扰动，从而能够针对不同尺度的天气系统进行集合预报，提高区域或局地性较强的中小尺度系统的可预报性。

Description

一种针对饱和扰动增长模的尺度分离方法、装置和设备
技术领域
本申请涉及地理数据分析技术领域，特别是涉及一种针对饱和扰动增长模的尺度分离方法、装置和设备。
背景技术
集合预报初始扰动生成方法是初值集合预报的核心问题，目前出现了一些较新的初始扰动集合成员生成方法，例如集合变换法和集合卡尔曼滤波变换法，但这两者涉及到资料同化系统提供分析误差协方差矩阵或者需要观测值参与集合预报初始扰动的增长循环，且常因为观测数据导致业务上的不稳定。
目前常用的方法为增长模繁殖法(Breeding ofthe Growing Mode，BGM)，BGM方法通过将随机数加入初始预报均方根误差得到随机扰动。随机扰动在多个预报周期中增长或衰减。对于经历多个预报周期，误差增长较快的扰动分量趋于稳定达到“饱和”状态，其更能代表大气本身可能的发展演变状态，此时扰动中随机成分减弱消失。但是由于增长模繁殖法培育得到的扰动包含了全尺度特征，适用于大尺度系统的集合预报，对于一些区域或局地性较强的中小尺度系统，增长模繁殖法得到的扰动的可预报性较差。
发明内容
基于此，有必要针对上述技术问题，提供一种可以提高区域或局地性较强的中小尺度系统的可预报性的一种针对饱和扰动增长模的尺度分离方法、装置和设备。
一种针对饱和扰动增长模的尺度分离方法，所述方法包括：
对初始培育时刻前一个培育周期的分析场向前预报一个培育周期，得到初始预报结果，根据初始预报结果与初始培育时刻的分析场进行计算，得到一个培育周期预报的均方根误差，将预设范围内的随机数加入一个培育周期预报的均方根误差中，得到多个初始扰动；
将多个初始扰动叠加到初始培育时刻的分析场中，得到初始培育时刻的扰动场，对初始培育时刻的扰动场和初始培育时刻的分析场分别向前预报一个培育周期，得到扰动预报结果和控制预报结果；
将扰动预报结果与控制预报结果相减，得到当前时刻的扰动增长模，根据当前时刻的扰动增长模计算得到当前时刻的均方根误差，根据当前时刻的均方根误差对当前时刻的扰动增长模进行动态调整，并将调整后的扰动增长模叠加到当前时刻的分析场中，对当前时刻的分析场开始进行下一培育周期的向前预报，直至得到饱和状态的扰动增长模；
对饱和状态的扰动增长模进行滤波，得到低通滤波初值场，对低通滤波初值场进行两次修订，得到最终的低通滤波器，通过调整滤波参数对最终的低通滤波器进行计算，得到不同尺度的扰动。
在其中一个实施例中，对初始培育时刻前一个培育周期的分析场向前预报一个培育周期，得到初始预报结果，根据初始预报结果与初始培育时刻的分析场进行计算，得到一个培育周期预报的均方根误差，包括：
以n小时作为一个培育周期，对初始培育时刻前n小时的分析场向前预报n小时，得到初始预报结果，根据初始预报结果与初始培育时刻的分析场进行计算，得到n小时预报的均方根误差，表示为
其中，nlat和nlon分别表示预报区域的纬向格点数和经向格点数，Ffor(x,y,z,t)和Fcon(x，y，z,t)分别表示t时刻第z个高度层上的初始预报结果和分析场，x和y分别表示预报区域内任意一个格点的纬度和经度。
在其中一个实施例中，将预设范围内的随机数加入一个培育周期预报的均方根误差中，得到多个初始扰动，包括：
将0～1范围内的随机数加入一个培育周期预报的均方根误差中，得到多个初始扰动。
在其中一个实施例中，根据当前时刻的均方根误差对当前时刻的扰动增长模进行动态调整的公式表示为
其中，df′t表示调整后的扰动增长模，et表示t时刻的均方根误差，e0表示初始培育时刻的均方根误差，df表示t时刻的扰动增长模。
在其中一个实施例中，对饱和状态的扰动增长模进行滤波，得到低通滤波初值场，包括：
对饱和状态的扰动增长模Φ(x，y)进行Barnes滤波，得到低通滤波初值场，表示为
其中，wr表示第r个格点的权重函数，Φ(xr，yr)表示第r个格点的饱和状态的扰动增长模，dr表示第r个格点到原始格点(x，y)的距离，N为参与滤波的总格点数，R0(k，C)表示低通滤波初值场对应的响应函数，表示波数，λ表示波长，C表示滤波参数。
在其中一个实施例中，对低通滤波初值场进行两次修订，得到最终的低通滤波器，包括：
对低通滤波初值场Φ0(x，y)进行第一次修订，得到第一次滤波网格上的气象要素场，表示为
θ(xr,yr)＝Φ(x，y)-Φ0(x，y)
其中，w’r表示第r个格点第一次修订后的权重函数，G为修订权重常数且0＜G＜1，θ(xr，yr)表示饱和状态的扰动增长模Φ(x，y)与低通滤波初值场Φ0(x，y)的差，R1表示第一次滤波网格上的气象要素场Φ1(x，y)的响应函数，R0＝R0(k，C)表示低通滤波初值场Φ0(x,y)对应的响应函数；
对第一次滤波网格上的气象要素场Φ1(x，y)进行再次修订，得到最终的低通滤波器，表示为
σ(xr,yr)＝Φ1(x,y)-Φ0(x,y)
其中，σ(xr,yr)表示第一次滤波网格上的气象要素场Φ1(x,y)与低通滤波初值场Φ0(x,y)的差，R2表示最终的低通滤波器Φ2(x，y)对应的响应函数。
在其中一个实施例中，通过调整滤波参数对最终的低通滤波器进行计算，得到不同尺度的扰动之后，还包括：
通过调整滤波参数C对最终的低通滤波场Φ2(x，y)进行计算，得到不同尺度的扰动，将不同尺度的扰动加入开始预报时刻的初始场中，构建得到集合成员，根据集合成员进行集合预报。
一种针对饱和扰动增长模的尺度分离装置，所述装置包括：
扰动培育模块，用于对初始培育时刻前一个培育周期的分析场向前预报一个培育周期，得到初始预报结果，根据初始预报结果与初始培育时刻的分析场进行计算，得到一个培育周期预报的均方根误差，将预设范围内的随机数加入一个培育周期预报的均方根误差中，得到多个初始扰动；将多个初始扰动叠加到初始培育时刻的分析场中，得到初始培育时刻的扰动场，对初始培育时刻的扰动场和初始培育时刻的分析场分别向前预报一个培育周期，得到扰动预报结果和控制预报结果；将扰动预报结果与控制预报结果相减，得到当前时刻的扰动增长模，根据当前时刻的扰动增长模计算得到当前时刻的均方根误差，根据当前时刻的均方根误差对当前时刻的扰动增长模进行动态调整，并将调整后的扰动增长模叠加到当前时刻的分析场中，对当前时刻的分析场开始进行下一培育周期的向前预报，直至得到饱和状态的扰动增长模；
尺度分离模块，用于对饱和状态的扰动增长模进行滤波，得到低通滤波初值场，对低通滤波初值场进行两次修订，得到最终的低通滤波器，通过调整滤波参数对最终的低通滤波器进行计算，得到不同尺度的扰动。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
对初始培育时刻前一个培育周期的分析场向前预报一个培育周期，得到初始预报结果，根据初始预报结果与初始培育时刻的分析场进行计算，得到一个培育周期预报的均方根误差，将预设范围内的随机数加入一个培育周期预报的均方根误差中，得到多个初始扰动；
将多个初始扰动叠加到初始培育时刻的分析场中，得到初始培育时刻的扰动场，对初始培育时刻的扰动场和初始培育时刻的分析场分别向前预报一个培育周期，得到扰动预报结果和控制预报结果；
将扰动预报结果与控制预报结果相减，得到当前时刻的扰动增长模，根据当前时刻的扰动增长模计算得到当前时刻的均方根误差，根据当前时刻的均方根误差对当前时刻的扰动增长模进行动态调整，并将调整后的扰动增长模叠加到当前时刻的分析场中，对当前时刻的分析场开始进行下一培育周期的向前预报，直至得到饱和状态的扰动增长模；
对饱和状态的扰动增长模进行滤波，得到低通滤波初值场，对低通滤波初值场进行两次修订，得到最终的低通滤波器，通过调整滤波参数对最终的低通滤波器进行计算，得到不同尺度的扰动。
上述一种针对饱和扰动增长模的尺度分离方法、装置和设备，通过对初始扰动进行培育得到饱和状态的扰动增长模，并对饱和状态的扰动增长模进行滤波，得到低通滤波初值场，再对低通滤波初值场进行两次修订，得到最终的低通滤波器，最后通过调整滤波参数对最终的低通滤波器进行计算，得到不同尺度的扰动。采用本方法可以分离得到不同空间尺度的初始扰动，从而能够针对不同尺度的天气系统进行集合预报，提高区域或局地性较强的中小尺度系统的可预报性。
附图说明
图1为一个实施例中一种针对饱和扰动增长模的尺度分离方法的流程示意图；
图2为一个实施例中一种针对饱和扰动增长模的尺度分离方法的扰动培育流程示意图；
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种针对饱和扰动增长模的尺度分离方法，包括以下步骤：
步骤1，对初始培育时刻前一个培育周期的分析场向前预报一个培育周期，得到初始预报结果，根据初始预报结果与初始培育时刻的分析场进行计算，得到一个培育周期预报的均方根误差(RMSE)，将预设范围内的随机数加入一个培育周期预报的均方根误差中，得到多个初始扰动。
步骤2，将多个初始扰动叠加到初始培育时刻的分析场中，得到初始培育时刻的扰动场，对初始培育时刻的扰动场和初始培育时刻的分析场分别向前预报一个培育周期，得到扰动预报结果和控制预报结果。
步骤3，将扰动预报结果与控制预报结果相减，得到当前时刻的扰动增长模，根据当前时刻的扰动增长模计算得到当前时刻的均方根误差，根据当前时刻的均方根误差对当前时刻的扰动增长模进行动态调整，并将调整后的扰动增长模叠加到当前时刻的分析场中，对当前时刻的分析场开始进行下一培育周期的向前预报，直至得到饱和状态的扰动增长模。
步骤4，对饱和状态的扰动增长模进行滤波，得到低通滤波初值场，对低通滤波初值场进行两次修订，得到最终的低通滤波器，通过调整滤波参数对最终的低通滤波器进行计算，得到不同尺度的扰动。
上述针对饱和扰动增长模的尺度分离方法中，通过对初始扰动进行培育得到饱和状态的扰动增长模，并对饱和状态的扰动增长模进行滤波，得到低通滤波初值场，再对低通滤波初值场进行两次修订，得到最终的低通滤波器，最后通过调整滤波参数对最终的低通滤波器进行计算，得到不同尺度的扰动。采用本方法可以分离得到不同空间尺度的初始扰动，从而能够针对不同尺度的天气系统进行集合预报，提高区域或局地性较强的中小尺度系统的可预报性。
在一个具体的实施例中，如图2所示，利用NCEP(美国国家环境预报中心)提供的FNL(Final ReanalysisData，再分析数据集)资料作为模式初始场进行扰动培育，考虑到FNL资料为6小时一次间隔，以n＝6小时为一个培育周期，对初始扰动进行4个培育周期使其达到“饱和”状态，具体步骤包括：
S1：首先，对初始培育时刻t0前6小时的分析场向前预报6小时，得到初始预报结果，根据初始预报结果与初始培育时刻t0的分析场进行计算，得到6小时预报的均方根误差，表示为
其中，nlat和nlon分别表示预报区域的纬向格点数和经向格点数，Ffor(x，y，z，t)和Fcon(x，y，z，t)分别表示t时刻第z个高度层上的初始预报结果和分析场，x和y分别表示预报区域内任意一个格点的纬度和经度。随后，将0～1范围内的随机数加入6小时预报的均方根误差中，得到多个初始扰动。
S2：将多个初始扰动叠加到初始培育时刻t0的分析场中，得到初始培育时刻t0的扰动场，对初始培育时刻t0的扰动场和初始培育时刻t0的分析场分别向前预报6小时，得到扰动预报结果和控制预报结果，分别对应图2中的黑色虚线和黑色实线。
S3：将得到的扰动预报结果与控制预报结果相减，得到当前时刻的扰动增长模，即得到当前时刻的扰动场，也称调整前的扰动。同时根据当前时刻的扰动增长模计算得到当前时刻的均方根误差，根据当前时刻的均方根误差对当前时刻的扰动增长模进行动态调整，并将调整后的扰动增长模叠加到当前时刻的分析场中，开始对当前时刻的分析场开始进行下一培育周期的向前预报。具体地，动态调整的公式表示为
其中，df′t表示调整后的扰动增长模，et表示t时刻的均方根误差，e0表示初始培育时刻的均方根误差，df表示t时刻的扰动增长模，该调整过程使扰动场在均方根误差意义上与初始扰动保持同一量级。
S4：重复S2和S3的步骤，经过4个培育周期的短期循环预报，使得扰动中的快速增长型误差比重不断增大，直至达到饱和，得到饱和状态的扰动增长模。
可以理解，上述过程得到的饱和状态的扰动增长模为自然选择状态下的扰动，包含了全尺度特征，对于不同尺度的天气系统，需要分离出不同尺度的扰动。
为此，进一步地对饱和状态的扰动增长模进行Barnes(高斯客观加权分析)滤波，得到不同尺度的扰动，具体步骤包括：
首先，对饱和状态的扰动增长模Φ(x,y)进行Barnes滤波，得到低通滤波初值场，表示为
其中，wr表示第r个格点的权重函数，Φ(xr，yr)表示第r个格点的饱和状态的扰动增长模，dr表示第r个格点到原始格点(x,y)的距离，N为参与滤波的总格点数，R0(k，C)表示低通滤波初值场对应的响应函数，表示波数，λ表示波长，C表示滤波参数。
然后，对低通滤波初值场Φ0(x，y)进行第一次修订，减弱大尺度波动和小尺度波动的影响，得到第一次滤波网格上的气象要素场，表示为
θ(xr，yr)＝Φ(x，y)-Φ0(x，y)
其中，w’r表示第r个格点第一次修订后的权重函数，G为修订权重常数且0＜G＜1，θ(xr，yr)表示饱和状态的扰动增长模Φ(x,y)与低通滤波初值场Φ0(x,y)的差，R1表示第一次滤波网格上的气象要素场Φ1(x,y)的响应函数，R0＝R0(k，C)表示低通滤波初值场Φ0(x,y)对应的响应函数。
再对第一次滤波网格上的气象要素场Φ1(x，y)进行再次修订，进一步减弱大尺度波动和小尺度波动对中尺度信息的影响，得到最终的低通滤波器，表示为
σ(xr,yr)＝Φ1(x,y)-Φ0(x,y)
其中，σ(xr，yr)表示第一次滤波网格上的气象要素场Φ1(x，y)与低通滤波初值场Φ0(x，y)的差，R2表示最终的低通滤波器Φ2(x，y)对应的响应函数。
最后，通过调整滤波参数C对最终的低通滤波场Φ2(x，y)进行计算，得到不同尺度的扰动，将不同尺度的扰动加入开始预报时刻的初始场中，构建得到集合成员进行集合预报。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，提供了一种针对饱和扰动增长模的尺度分离装置，包括：扰动培育模块和尺度分离模块，其中：
扰动培育模块，用于对初始培育时刻前一个培育周期的分析场向前预报一个培育周期，得到初始预报结果，根据初始预报结果与初始培育时刻的分析场进行计算，得到一个培育周期预报的均方根误差，将预设范围内的随机数加入一个培育周期预报的均方根误差中，得到多个初始扰动；将多个初始扰动叠加到初始培育时刻的分析场中，得到初始培育时刻的扰动场，对初始培育时刻的扰动场和初始培育时刻的分析场分别向前预报一个培育周期，得到扰动预报结果和控制预报结果；将扰动预报结果与控制预报结果相减，得到当前时刻的扰动增长模，根据当前时刻的扰动增长模计算得到当前时刻的均方根误差，根据当前时刻的均方根误差对当前时刻的扰动增长模进行动态调整，并将调整后的扰动增长模叠加到当前时刻的分析场中，对当前时刻的分析场开始进行下一培育周期的向前预报，直至得到饱和状态的扰动增长模；
尺度分离模块，用于对饱和状态的扰动增长模进行滤波，得到低通滤波初值场，对低通滤波初值场进行两次修订，得到最终的低通滤波器，通过调整滤波参数对最终的低通滤波器进行计算，得到不同尺度的扰动。
关于一种针对饱和扰动增长模的尺度分离装置的具体限定可以参见上文中对于一种针对饱和扰动增长模的尺度分离方法的限定，在此不再赘述。上述一种针对饱和扰动增长模的尺度分离装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种一种针对饱和扰动增长模的尺度分离方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
对初始培育时刻前一个培育周期的分析场向前预报一个培育周期，得到初始预报结果，根据初始预报结果与初始培育时刻的分析场进行计算，得到一个培育周期预报的均方根误差，将预设范围内的随机数加入一个培育周期预报的均方根误差中，得到多个初始扰动；
将多个初始扰动叠加到初始培育时刻的分析场中，得到初始培育时刻的扰动场，对初始培育时刻的扰动场和初始培育时刻的分析场分别向前预报一个培育周期，得到扰动预报结果和控制预报结果；
将扰动预报结果与控制预报结果相减，得到当前时刻的扰动增长模，根据当前时刻的扰动增长模计算得到当前时刻的均方根误差，根据当前时刻的均方根误差对当前时刻的扰动增长模进行动态调整，并将调整后的扰动增长模叠加到当前时刻的分析场中，对当前时刻的分析场开始进行下一培育周期的向前预报，直至得到饱和状态的扰动增长模；
对饱和状态的扰动增长模进行滤波，得到低通滤波初值场，对低通滤波初值场进行两次修订，得到最终的低通滤波器，通过调整滤波参数对最终的低通滤波器进行计算，得到不同尺度的扰动。
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。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种针对饱和扰动增长模的尺度分离方法，其特征在于，所述方法包括：
对初始培育时刻前一个培育周期的分析场向前预报一个培育周期，得到初始预报结果，根据所述初始预报结果与初始培育时刻的分析场进行计算，得到一个培育周期预报的均方根误差，将预设范围内的随机数加入所述一个培育周期预报的均方根误差中，得到多个初始扰动；
将多个初始扰动叠加到所述初始培育时刻的分析场中，得到初始培育时刻的扰动场，对所述初始培育时刻的扰动场和初始培育时刻的分析场分别向前预报一个培育周期，得到扰动预报结果和控制预报结果；
将所述扰动预报结果与所述控制预报结果相减，得到当前时刻的扰动增长模，根据所述当前时刻的扰动增长模计算得到当前时刻的均方根误差，根据所述当前时刻的均方根误差对所述当前时刻的扰动增长模进行动态调整，并将调整后的扰动增长模叠加到当前时刻的分析场中，对所述当前时刻的分析场开始进行下一培育周期的向前预报，直至得到饱和状态的扰动增长模；
对所述饱和状态的扰动增长模进行滤波，得到低通滤波初值场，对所述低通滤波初值场进行两次修订，得到最终的低通滤波器，通过调整滤波参数对所述最终的低通滤波器进行计算，得到不同尺度的扰动；
对所述饱和状态的扰动增长模进行滤波，得到低通滤波初值场，包括：
对饱和状态的扰动增长模Φ(x,y)进行Barnes滤波，得到低通滤波初值场，表示为
其中，wr表示第r个格点的权重函数，Φ(xr,yr)表示第r个格点的饱和状态的扰动增长模，dr表示第r个格点到原始格点(x,y)的距离，N为参与滤波的总格点数，R0(k,C)表示所述低通滤波初值场对应的响应函数，表示波数，λ表示波长，C表示滤波参数；
对所述低通滤波初值场进行两次修订，得到最终的低通滤波器，包括：
对低通滤波初值场Φ0(x,y)进行第一次修订，得到第一次滤波网格上的气象要素场，表示为
θ(xr,yr)＝Φ(x,y)-Φ0(x,y)
其中，w’r表示第r个格点第一次修订后的权重函数，G为修订权重常数且0<G<1，θ(xr,yr)表示饱和状态的扰动增长模Φ(x,y)与低通滤波初值场Φ0(x,y)的差，R1表示第一次滤波网格上的气象要素场Φ1(x,y)的响应函数，R0＝R0(k,C)表示低通滤波初值场Φ0(x,y)对应的响应函数；
对第一次滤波网格上的气象要素场Φ1(x,y)进行再次修订，得到最终的低通滤波器，表示为
σ(xr,yr)＝Φ1(x,y)-Φ0(x,y)
其中，σ(xr,yr)表示第一次滤波网格上的气象要素场Φ1(x,y)与低通滤波初值场Φ0(x,y)的差，R2表示最终的低通滤波器Φ2(x,y)对应的响应函数。
2.根据权利要求1所述的方法，其特征在于，对初始培育时刻前一个培育周期的分析场向前预报一个培育周期，得到初始预报结果，根据所述初始预报结果与初始培育时刻的分析场进行计算，得到一个培育周期预报的均方根误差，包括：
以n小时作为一个培育周期，对初始培育时刻前n小时的分析场向前预报n小时，得到初始预报结果，根据所述初始预报结果与初始培育时刻的分析场进行计算，得到n小时预报的均方根误差，表示为
其中，nlat和nlon分别表示预报区域的纬向格点数和经向格点数，Ffor(x,y,z,t)和Fcon(x,y,z,t)分别表示t时刻第z个高度层上的初始预报结果和分析场，x和y分别表示预报区域内任意一个格点的纬度和经度。
3.根据权利要求2所述的方法，其特征在于，将预设范围内的随机数加入所述一个培育周期预报的均方根误差中，得到多个初始扰动，包括：
将0～1范围内的随机数加入所述一个培育周期预报的均方根误差中，得到多个初始扰动。
4.根据权利要求1所述的方法，其特征在于，根据所述当前时刻的均方根误差对所述当前时刻的扰动增长模进行动态调整的公式表示为
其中，df't表示调整后的扰动增长模，et表示t时刻的均方根误差，e0表示初始培育时刻的均方根误差，df表示t的扰动增长模。
5.根据权利要求1所述的方法，其特征在于，通过调整滤波参数对所述最终的低通滤波器进行计算，得到不同尺度的扰动之后，还包括：
通过调整滤波参数C对最终的低通滤波场Φ2(x,y)进行计算，得到不同尺度的扰动，将所述不同尺度的扰动加入开始预报时刻的初始场中，构建得到集合成员，根据所述集合成员进行集合预报。
6.一种针对饱和扰动增长模的尺度分离装置，其特征在于，所述装置包括：
扰动培育模块，用于对初始培育时刻前一个培育周期的分析场向前预报一个培育周期，得到初始预报结果，根据所述初始预报结果与初始培育时刻的分析场进行计算，得到一个培育周期预报的均方根误差，将预设范围内的随机数加入所述一个培育周期预报的均方根误差中，得到多个初始扰动；将多个初始扰动叠加到所述初始培育时刻的分析场中，得到初始培育时刻的扰动场，对所述初始培育时刻的扰动场和初始培育时刻的分析场分别向前预报一个培育周期，得到扰动预报结果和控制预报结果；将所述扰动预报结果与所述控制预报结果相减，得到当前时刻的扰动增长模，根据所述当前时刻的扰动增长模计算得到当前时刻的均方根误差，根据所述当前时刻的均方根误差对所述当前时刻的扰动增长模进行动态调整，并将调整后的扰动增长模叠加到当前时刻的分析场中，对所述当前时刻的分析场开始进行下一培育周期的向前预报，直至得到饱和状态的扰动增长模；
尺度分离模块，用于对所述饱和状态的扰动增长模进行滤波，得到低通滤波初值场，对所述低通滤波初值场进行两次修订，得到最终的低通滤波器，通过调整滤波参数对所述最终的低通滤波器进行计算，得到不同尺度的扰动；
对所述饱和状态的扰动增长模进行滤波，得到低通滤波初值场，包括：
对饱和状态的扰动增长模Φ(x,y)进行Barnes滤波，得到低通滤波初值场，表示为
其中，wr表示第r个格点的权重函数，Φ(xr,yr)表示第r个格点的饱和状态的扰动增长模，dr表示第r个格点到原始格点(x,y)的距离，N为参与滤波的总格点数，R0(k,C)表示所述低通滤波初值场对应的响应函数，表示波数，λ表示波长，C表示滤波参数；
对所述低通滤波初值场进行两次修订，得到最终的低通滤波器，包括：
对低通滤波初值场Φ0(x,y)进行第一次修订，得到第一次滤波网格上的气象要素场，表示为
θ(xr,yr)＝Φ(x,y)-Φ0(x,y)
其中，w’r表示第r个格点第一次修订后的权重函数，G为修订权重常数且0<G<1，θ(xr,yr)表示饱和状态的扰动增长模Φ(x,y)与低通滤波初值场Φ0(x,y)的差，R1表示第一次滤波网格上的气象要素场Φ1(x,y)的响应函数，R0＝R0(k,C)表示低通滤波初值场Φ0(x,y)对应的响应函数；
对第一次滤波网格上的气象要素场Φ1(x,y)进行再次修订，得到最终的低通滤波器，表示为
σ(xr,yr)＝Φ1(x,y)-Φ0(x,y)
其中，σ(xr,yr)表示第一次滤波网格上的气象要素场Φ1(x,y)与低通滤波初值场Φ0(x,y)的差，R2表示最终的低通滤波器Φ2(x,y)对应的响应函数。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
CN202310182935.5A 2023-02-16 2023-02-16 一种针对饱和扰动增长模的尺度分离方法、装置和设备 Active CN116187567B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310182935.5A CN116187567B (zh) 2023-02-16 2023-02-16 一种针对饱和扰动增长模的尺度分离方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310182935.5A CN116187567B (zh) 2023-02-16 2023-02-16 一种针对饱和扰动增长模的尺度分离方法、装置和设备

Publications (2)

Publication Number Publication Date
CN116187567A CN116187567A (zh) 2023-05-30
CN116187567B true CN116187567B (zh) 2023-08-08

Family

ID=86434321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310182935.5A Active CN116187567B (zh) 2023-02-16 2023-02-16 一种针对饱和扰动增长模的尺度分离方法、装置和设备

Country Status (1)

Country Link
CN (1) CN116187567B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101609172A (zh) * 2009-07-14 2009-12-23 国家海洋局第三海洋研究所 一种基于雨声谱的水面降雨强度测量方法及其装置
CN110659448A (zh) * 2019-09-19 2020-01-07 中国人民解放军国防科技大学 一种非正交集合预报初值扰动算法
WO2020167934A1 (en) * 2019-02-14 2020-08-20 Osram Gmbh Controlled agricultural systems and methods of managing agricultural systems
CN112751418A (zh) * 2020-12-31 2021-05-04 国网山东省电力公司青岛供电公司 智能配电网区域态势要素感知方法及系统
CN113933915A (zh) * 2021-10-12 2022-01-14 江苏省环境科学研究院 一种基于时空扰动信息交互集成嵌套的短临外推预报方法
CN114417623A (zh) * 2022-01-24 2022-04-29 中国气象局地球系统数值预报中心 Grapes-reps区域集合预报方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101609172A (zh) * 2009-07-14 2009-12-23 国家海洋局第三海洋研究所 一种基于雨声谱的水面降雨强度测量方法及其装置
WO2020167934A1 (en) * 2019-02-14 2020-08-20 Osram Gmbh Controlled agricultural systems and methods of managing agricultural systems
CN110659448A (zh) * 2019-09-19 2020-01-07 中国人民解放军国防科技大学 一种非正交集合预报初值扰动算法
CN112751418A (zh) * 2020-12-31 2021-05-04 国网山东省电力公司青岛供电公司 智能配电网区域态势要素感知方法及系统
CN113933915A (zh) * 2021-10-12 2022-01-14 江苏省环境科学研究院 一种基于时空扰动信息交互集成嵌套的短临外推预报方法
CN114417623A (zh) * 2022-01-24 2022-04-29 中国气象局地球系统数值预报中心 Grapes-reps区域集合预报方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李坤. 局地增长模培育法在对流可分辨尺度集合预报方面的应用研究.《中国优秀硕士学位论文全文数据库基础科学辑》.2023,(第2期),第A009-123页. *

Also Published As

Publication number Publication date
CN116187567A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
May Simulation of the variability and extremes of daily rainfall during the Indian summer monsoon for present and future times in a global time-slice experiment
US9310517B2 (en) Method and system for determining accuracy of a weather prediction model
Wilby et al. SDSM—a decision support tool for the assessment of regional climate change impacts
Iverson et al. Multi-model comparison on the effects of climate change on tree species in the eastern US: results from an enhanced niche model and process-based ecosystem and landscape models
CN111199270A (zh) 一种基于深度学习的区域波高预报方法及终端
CN114547553B (zh) 二氧化碳排放量的反演方法、装置、设备及存储介质
CN114091764A (zh) 气象预报要素订正方法、装置、计算机设备和存储介质
CN110659448A (zh) 一种非正交集合预报初值扰动算法
Feng et al. Machine learning-based integration of large-scale climate drivers can improve the forecast of seasonal rainfall probability in Australia
Houtekamer et al. Using the hybrid gain algorithm to sample data assimilation uncertainty
CN112069449A (zh) 基于初值集合的天气预报方法及装置
Campos et al. Global assessments of the NCEP Ensemble Forecast System using altimeter data
CN114357879A (zh) 一种未来土地利用模拟方法、装置、存储介质及终端设备
CN114417623A (zh) Grapes-reps区域集合预报方法及系统
van Velzen et al. A problem-solving environment for data assimilation in air quality modelling
Huang et al. A model-independent data assimilation (MIDA) module and its applications in ecology
Yang et al. Prediction of significant wave heights based on CS-BP model in the south China sea
CN116187567B (zh) 一种针对饱和扰动增长模的尺度分离方法、装置和设备
Taylor et al. Non-linear control by input–output state variable feedback pole assignment
Hyndman et al. Monash electricity forecasting model
JP2020091171A (ja) 気象予測システム、気象予測方法、および気象予測プログラム
Houghton et al. Ensemble-based data assimilation of significant wave height from Sofar Spotters and satellite altimeters with a global operational wave model
CN109977346B (zh) 用于对区域风场进行风速预报的方法和装置
JP7382097B2 (ja) 量子ウォークに基づく近接空間大気状態シミュレーション方法および装置
Pinto et al. A Kalman filter application to a spectral wave model

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